introduction
Nous vivons actuellement au milieu d'une révolution mondiale. TLe monde des affaires d'aujourd'hui est plus interconnecté que jamais, non seulement en termes de technologie., mais aussi dans le nombre de partenaires avec lesquels les entreprises traitent habituellement.
Les partenariats externes sont devenus essentiels à la création et à l'exploitation d'une entreprise aujourd'hui pour la simple raison qu'ils conduisent souvent à une productivité plus élevée et créent de nouvelles possibilités pour les deux parties..
Le nombre de réseaux partenaires augmente également. Un Étude IBM intitulé « Evolution of the API economy » a souligné que la 70 % des entreprises souhaitent étendre leurs partenariats externes.
Par exemple, Un aperçu d'un écosystème d'affaires numérique dans l'industrie du voyage peut être trouvé dans l'image ci-dessous. Celui-ci est composé de:
- Côté offre: Cela inclut les fournisseurs tels que les hôtels et les vols.
- Côté de la demande: Cela inclut des services tels que les compagnies aériennes et les agences de voyages..
- Réseau de partenaires: Cela relie l'offre et la demande et peut inclure des entités telles que les banques d'approvisionnement., bourses ou marchés.
- Applications tierces: Cela peut inclure des entreprises telles que des fournisseurs de paiement, CRM, etc.
Quelle que soit la taille de l'entreprise ou de l'industrie, l'un des points communs qui existent dans toutes les associations externes est qu'elles partagent des données entre elles. Comme vous pouvez l'imaginer, le partage de données avec des partenaires externes à quelque titre que ce soit ajoute une complexité et une vulnérabilité supplémentaires aux deux institutions. En particulier, les API qui relient ces partenariats sont incroyablement précieuses, mais ils sont aussi très sujets aux erreurs, les temps d'arrêt et les menaces de cybersécurité. Comme conséquence, lorsque l'un de ces fournisseurs ne respecte pas un SLA défini, les utilisateurs finaux sont touchés, des revenus sont perdus et des violations de données se produisent.
À mesure que l'utilisation de l'API et la taille de ces réseaux partenaires continuent de croître, détecter ces failles et menaces dans un délai raisonnable devient une tâche non triviale même pour les équipes techniques les plus avancées.
La manière traditionnelle de surveiller les métriques associées aux partenariats, par exemple, le traffic, références et revenus, les a tous alimentés via une surveillance informatique ou un système de surveillance des performances des applications (APM).
Malgré cela, Le problème avec ces approches traditionnelles est que les machines de surveillance et les KPI de suivi de l'entreprise sont des systèmes fondamentalement indépendants et doivent être traités comme tels.
En particulier, les mesures commerciales associées aux partenariats externes peuvent souvent être beaucoup plus volatiles que les machines de surveillance. Non seulement cela, mais les KPI peuvent également être influencés par des forces externes, comme le comportement humain saisonnier. Ceci signifie que, contrairement aux machines, les mesures commerciales ne peuvent tout simplement pas être mesurées et examinées en termes absolus.
Une autre différence clé entre les KPI d'association de surveillance et les systèmes de surveillance est la mesure de la topologie ou des relations entre ces métriques... Lorsque nous surveillons les données de la machine, nous pouvons souvent identifier des relations claires entre eux. Lorsqu'il s'agit de surveiller les KPI commerciaux, d'autre part, il y a souvent des millions ou des centaines de millions de métriques à suivre. Ce grand volume de données signifie que de nombreuses relations entre les KPI seront non linéaires., ce qui les rend beaucoup plus difficiles à identifier.
Par chance, c'est exactement le problème que l'apprentissage automatique nous aide à résoudre.
Avant de discuter de la façon dont l'apprentissage automatique peut être appliqué à la surveillance des associations, Passons d'abord en revue certains types courants de réseaux de partenaires dont de nombreuses entreprises font déjà partie..
Types de réseaux partenaires
Analysons les deux grandes catégories de réseaux partenaires (réseaux d'affiliation et publicité programmatique) et la technologie API dont ils dépendent.
Réseaux d'affiliation
Un réseau d'affiliation sert d'intermédiaire entre les éditeurs (En d'autres termes, les affiliés) et programmes d'affiliation commerciaux. Comme vous pouvez l'imaginer, la gestion de grands réseaux d'affiliation avec des centaines de comptes est une tâche exceptionnellement complexe. L'un des défis auxquels ces grands réseaux sont confrontés est d'automatiser leurs processus de suivi pour éviter les pertes de revenus et de chiffre d'affaires..
Les systèmes de suivi des affiliés exigent que les gestionnaires de compte suivent une myriade de mesures, que le volume de trafic, taux de conversion, le retour sur investissement publicitaire et bien d'autres. Pour gérer ces facteurs à grande échelle, Les réseaux affiliés se tournent désormais vers des solutions de détection d'anomalies autonomes qui fournissent des alertes en temps réel aux incidents de réseau. Par exemple, si la réponse identifie des changements drastiques dans les métriques, comme une baisse des références, cela pourrait signifier que le compte est à risque.
Le résultat de la mise en œuvre d'un système d'apprentissage automatique pour la surveillance des affiliés signifie que, au lieu de surveiller constamment les changements dans ces métriques, les gestionnaires de compte peuvent se concentrer sur des tâches à plus forte valeur ajoutée, comme la gestion des relations.
Publicité programmatique
Un autre réseau de partenaires communs sur lequel de nombreuses entreprises s'appuient aujourd'hui est une plate-forme de publicité programmatique.. Les réseaux publicitaires programmatiques connectent les annonceurs aux éditeurs, où les annonceurs enchérissent sur l'inventaire (En d'autres termes, espace publicitaire) temps réel, également connu sous le nom d'enchères en temps réel (RTB).
Ces réseaux partenaires mettent en relation des entreprises qui gèrent d'énormes budgets publicitaires de manière entièrement automatisée., ce qui signifie que la plate-forme doit également surveiller d'innombrables métriques, y compris les impressions, clics et conversions des partenaires. Le nombre de métriques que ces plateformes de technologie publicitaire suivent chaque jour peut souvent atteindre des centaines de millions et est indispensable à la fois pour l'offre et la demande..
Comme vous pouvez l'imaginer, une erreur de métrique ou de réseau mal suivie peut entraîner des millions de dollars de pertes en quelques secondes.
Résoudre les défis auxquels sont confrontés les réseaux publicitaires programmatiques, Les systèmes de surveillance basés sur l'intelligence artificielle sont devenus essentiels.
L'apprentissage automatique est particulièrement adapté à cette tâche, car il peut gérer une grande quantité de données réseau, extraire du sens des données et identifier les incidents potentiels en temps réel.
API
L'une des raisons pour lesquelles les réseaux partenaires sont si difficiles à surveiller est l'infrastructure sous-jacente.. Comme d'habitude, se connecter via des API ou des interfaces de programmation d'applications, qui agissent comme des intermédiaires logiciels afin que deux applications puissent communiquer entre elles.. L'un des principaux défis de la surveillance des API n'est pas seulement que de grandes quantités de données sont transférées chaque seconde, mais aussi le fait qu'ils ont une si faible visibilité, ce qui signifie qu'il est possible que nous ne sachions pas toujours quand quelque chose a cassé dans le protocole.
Une erreur d'API peut souvent entraîner des temps d'arrêt pour de nombreuses autres applications qui en dépendent, ce que, comment peux-tu imaginer, crée un effet boule de neige de problèmes potentiels. Spécifiquement, les lacunes dans les performances de l'API peuvent affecter l'expérience utilisateur, perturber les flux de travail et nuire gravement à la réputation d'une marque. Comme conséquence, surveiller les API à tout moment est essentiel pour éviter des pertes de revenus importantes.
Surveillance basée sur l'IA peut être utilisé pour les API en apprenant le comportement normal de chaque métrique et en fournissant par la suite des alertes en temps réel sur les événements anormaux et les incidents potentiels. L'un des avantages d'un système basé sur l'apprentissage automatique est que vous n'avez pas besoin de définir exactement ce qu'il faut rechercher lors de la surveillance de l'API.. En échange, le système apprend à surveiller le fonctionnement normal, rendement, l'exactitude et la vitesse de chaque appel d'API seul.
L'approche traditionnelle de la surveillance des réseaux partenaires
Le suivi des réseaux partenaires se fait traditionnellement avec l'utilisation de tableaux de bord de business intelligence (AVEC UN) ainsi qu'un système d'alerte manuel si des irrégularités sont détectées. Le premier défi de cette approche est l'incapacité évidente d'évoluer, puisqu'une équipe d'analystes ne peut surveiller qu'un certain nombre de métriques manuellement, ce qui est certainement bien en deçà des centaines de millions de points de données créés chaque jour au sein des réseaux partenaires.
Un autre problème avec cette approche est la latence ou le délai entre un incident et la résolution de l'équipe.. C'est ce qu'on appelle le temps moyen de résolution. (MTTR) Oui, comment peux-tu imaginer, une augmentation même d'une heure du temps de résolution de votre équipe peut avoir un impact important sur les coûts de l'entreprise.
En conclusion, les réseaux partenaires sont, en substance, une entreprise relationnelle. Ensuite, si vous n'êtes pas aussi proactif que possible dans la recherche et la résolution des problèmes, il est assez facile que ces relations soient irrévocablement endommagées. De toute façon, les problèmes dans les réseaux partenaires continueront toujours à se produire, mais si vos partenaires savent que vous utilisez un système de surveillance basé sur l'intelligence artificielle au lieu d'une équipe d'analystes humains qui “ils observent” journaux d'incidents et tendances, ça peut prendre beaucoup de temps. moyen de construire la confiance.
Surveillance automatisée des partenaires avec l'IA
Maintenant que nous avons discuté de certains des problèmes associés aux approches traditionnelles du suivi des partenaires, examinons comment une approche basée sur l'apprentissage automatique peut automatiser et améliorer l'ensemble de la procédure.
Le premier avantage de l'IA pour le suivi des partenaires est la vitesse. Nous avons mentionné précédemment que le délai moyen de résolution d'une entreprise est un indicateur clé pour réduire les coûts lorsque des incidents surviennent inévitablement.. Le fait est que les algorithmes d'apprentissage automatique peuvent surveiller des centaines de millions de points de données par seconde., quelque chose qu'une équipe d'analystes ne peut tout simplement jamais faire seule.
Dans l'exemple suivant, les anomalies ont été détectées par la plateforme automatisée de suivi commercial Anodot, qui a aidé l'équipe à les résoudre en une heure.
En même temps pour surveiller les points de données, un système basé sur l'apprentissage automatique peut automatiquement apprendre le comportement normal de chaque métrique individuellement, afin qu'il puisse détecter le moindre écart par rapport au comportement attendu. Avec des alertes en temps réel intégrées au système, cela signifie que votre équipe est au top et peut réagir aux incidents beaucoup plus rapidement que les systèmes de surveillance traditionnels.
Un autre avantage de la surveillance basée sur l'IA est escalader. Quelle que soit la taille de l'équipe que vous créez pour surveiller les systèmes, Les rendements du capital humain sont susceptibles de diminuer en termes d'échelle de données que les réseaux partenaires doivent traiter. La surveillance automatisée de l'IA ne prend pas de pause non plus, donc peu importe l'heure de la journée, peut être utilisé pour extraire du sens d'énormes ensembles de données afin que votre équipe technique ait une vue d'ensemble complète de ce qui se passe sur le réseau.
Un dernier avantage d'une approche basée sur l'IA est la granularité fournit. La surveillance basée sur l'IA fournit non seulement une vue d'ensemble en temps réel de l'ensemble du réseau, il inspecte également les métriques les plus granulaires du réseau.
Comme mentionné, même avec une équipe d'analystes surveillant le réseau, ces métriques peuvent facilement se perdre dans la mer de données. En particulier, s'il y a un incident sur le réseau, une solution basée sur l'intelligence artificielle peut regrouper les anomalies et les événements associés en une seule alerte, afin que vous ne receviez pas “avertir les tempêtes” pour chaque petit incident qui arrive. Cette capacité à trouver des corrélations signifie également que vous pouvez identifier la source de l'incident., à l'emplacement, appareil et navigateur.
Dernières pensées
Comme nous l'avons commenté, une solution de surveillance partenaire basée sur l'intelligence artificielle a la capacité de suivre chaque point de données d'un réseau au niveau le plus granulaire, tout en offrant une vue d'ensemble du réseau dans son ensemble. Cela signifie que vous pouvez être aussi proactif que possible pour tirer le meilleur parti de vos systèmes., trouvez les problèmes dès que possible et identifiez la source pour augmenter votre temps de résolution.
Comme conséquence, L'IA pour la surveillance des partenaires vous permet de construire plus de confiance et de relations durables au sein du réseau.
A propos de l'auteur
Amit Levi est vice-président des produits et du marketing chez Anode. Passionné par la transformation des données en insights. Au cours du dernier 15 ans, est fier d'accompagner le développement du marché de l'analytique. Ayant occupé des postes de direction dans plusieurs grandes entreprises émergentes, Amit apporte une vaste expérience en planification, développement et livraison de produits de données et d'analyse à grande échelle aux principales sociétés Web et mobiles. Expert produits et données, sa devise est “Le bon jugement vient de l'expérience et l'expérience vient du mauvais jugement”.
