introduzione
Stiamo vivendo nel bel mezzo di una rivoluzione globale in questo momento. TIl mondo degli affari di oggi è più interconnesso che mai, non solo in termini di tecnologia., ma anche nel numero di partner con cui solitamente le aziende trattano.
Le partnership esterne sono diventate essenziali per costruire e gestire un'impresa oggi per il semplice motivo che spesso portano a una maggiore produttività e creano nuove possibilità per entrambe le parti..
Anche il numero di reti di partner è in aumento. un Studio IBM dal titolo "Evoluzione dell'economia API" ha evidenziato che il 70 la percentuale di aziende desidera espandere le proprie partnership esterne.
Come esempio, Una panoramica di un ecosistema di business digitale nel settore dei viaggi può essere trovata nell'immagine qui sotto. Questo è composto da:
- Lato dell'offerta: Ciò include fornitori come hotel e voli.
- Lato della domanda: Ciò include servizi come compagnie aeree e agenzie di viaggio..
- Rete di partner: Questo collega il lato della domanda e dell'offerta e può includere entità come le banche di approvvigionamento., borse o mercati.
- App di terze parti: Questo può includere aziende come fornitori di servizi di pagamento, CRM, eccetera.
Indipendentemente dalle dimensioni dell'azienda o del settore, uno dei punti in comune che esistono in tutte le associazioni esterne è che condividono i dati tra loro. Come puoi immaginare, la condivisione dei dati con partner esterni a qualsiasi titolo aggiunge ulteriore complessità e vulnerabilità a entrambe le istituzioni. In particolare, le API che legano insieme queste partnership sono incredibilmente preziose, ma sono anche molto inclini all'errore, tempi di inattività e minacce alla sicurezza informatica. Dovuto, quando uno di questi fornitori non soddisfa uno SLA definito, gli utenti finali sono interessati, si perdono entrate e si verificano violazioni dei dati.
Man mano che l'utilizzo delle API e le dimensioni di queste reti di partner continuano a crescere, rilevare questi difetti e minacce entro un ragionevole periodo di tempo diventa un compito non banale anche per i team tecnici più avanzati.
Il modo tradizionale di monitorare le metriche associate alle partnership, come esempio, il traffico, rinvii e reddito, li ha alimentati tutti attraverso il monitoraggio IT o un sistema di monitoraggio delle prestazioni delle applicazioni (APM).
Nonostante questo, Il problema con questi approcci tradizionali è che le macchine di monitoraggio e i KPI di monitoraggio dell'azienda sono sistemi fondamentalmente indipendenti e dovrebbero essere trattati come tali.
In particolare, le metriche aziendali associate alle partnership esterne possono spesso essere molto più volatili delle macchine di monitoraggio. Non solo quello, ma i KPI possono essere influenzati anche da forze esterne, come il comportamento umano stagionale. Ciò significa che, a differenza delle macchine, le metriche di business semplicemente non possono essere misurate ed esaminate in termini assoluti.
Un'altra differenza fondamentale tra i KPI dell'associazione di monitoraggio e i sistemi di monitoraggio è la misurazione della topologia o delle relazioni tra queste metriche.. Quando monitoriamo i dati macchina, spesso possiamo identificare chiare relazioni tra di loro. Quando si tratta di monitorare i KPI aziendali, d'altra parte, ci sono spesso milioni o centinaia di milioni di metriche da monitorare. Questo grande volume di dati significa che molte delle relazioni tra i KPI saranno non lineari., il che li rende molto più difficili da identificare.
fortunatamente, questo è esattamente il problema che l'apprendimento automatico ci aiuta a risolvere.
Prima di discutere come l'apprendimento automatico può essere applicato al monitoraggio delle associazioni, Esaminiamo prima alcuni tipi comuni di reti di partner di cui fanno già parte molte aziende..
Tipi di reti di partner
Analizziamo le due principali categorie di reti di partner (reti di affiliazione e pubblicità programmatica) e la tecnologia API da cui dipendono.
Reti di affiliazione
Una rete di affiliazione funge da intermediario tra gli editori (In altre parole, gli affiliati) e programmi di affiliazione commerciale. Come puoi immaginare, gestire grandi reti di affiliazione con centinaia di account è un compito eccezionalmente complesso. Una delle sfide che devono affrontare queste grandi reti è l'automazione dei processi di follow-up per evitare perdite di fatturato e fatturato..
I sistemi di monitoraggio degli affiliati richiedono ai gestori degli account di monitorare una miriade di metriche, come volume di traffico, tassi di conversione, il ritorno sull'investimento pubblicitario e molti altri. Per gestire questi fattori su larga scala, Le reti affiliate si stanno ora rivolgendo a soluzioni di rilevamento delle anomalie autonome che forniscono avvisi in tempo reale sugli incidenti di rete. Come esempio, se la risposta identifica cambiamenti drastici nelle metriche, come un calo di referral, questo potrebbe significare che l'account è a rischio.
Il risultato dell'implementazione di un sistema di apprendimento automatico per il monitoraggio degli affiliati significa che, invece di monitorare costantemente i cambiamenti in queste metriche, gli account manager possono concentrarsi su attività di maggior valore, come la gestione delle relazioni.
Pubblicità programmatica
Un'altra rete di partner comune su cui molte aziende si affidano oggi è una piattaforma di pubblicità programmatica.. Le reti pubblicitarie programmatiche mettono in contatto gli inserzionisti con i publisher, dove gli inserzionisti fanno offerte per l'inventario (In altre parole, spazio pubblicitario) in tempo reale, noto anche come offerta in tempo reale (RTB).
Queste reti di partner collegano le aziende che gestiscono enormi budget pubblicitari in modo completamente automatizzato., il che significa che la piattaforma deve anche monitorare innumerevoli metriche, comprese le stampe, clic e conversioni dai partner. Il numero di metriche che queste piattaforme di tecnologia pubblicitaria monitorano ogni giorno può spesso raggiungere le centinaia di milioni e sono indispensabili sia per l'offerta che per la domanda..
Come puoi immaginare, una metrica mal tracciata o un errore di rete può portare a perdite di milioni di dollari in pochi secondi.
Per risolvere le sfide affrontate dalle reti di pubblicità programmatica, I sistemi di monitoraggio basati sull'intelligenza artificiale sono diventati essenziali.
L'apprendimento automatico è particolarmente adatto a questo compito, poiché può gestire una grande quantità di dati di rete, estrarre significato dai dati e identificare potenziali incidenti in tempo reale.
API
Uno dei motivi per cui le reti di partner sono così difficili da monitorare è l'infrastruttura sottostante.. Generalmente, connettersi tramite API o interfacce di programmazione dell'applicazione, che fungono da intermediari del software in modo che due applicazioni possano comunicare tra loro.. Una delle principali sfide del monitoraggio delle API non è solo il trasferimento di grandi quantità di dati ogni secondo, ma anche il fatto che abbiano una visibilità così bassa, il che significa che è possibile che non sempre sappiamo quando qualcosa si è rotto all'interno del protocollo.
Un errore API può spesso causare tempi di inattività per molte altre applicazioni che dipendono da esso, che cosa, come puoi immaginare, crea un effetto valanga di potenziali problemi. In particolare, le lacune nelle prestazioni dell'API possono influire sull'esperienza dell'utente, interrompere i flussi di lavoro e danneggiare gravemente la reputazione di un marchio. Dovuto, monitorare le API in ogni momento è essenziale per evitare perdite significative di entrate.
Monitoraggio basato sull'intelligenza artificiale può essere utilizzato per le API apprendendo il comportamento normale di ciascuna metrica e fornendo successivamente avvisi in tempo reale su eventi anomali e potenziali incidenti. Uno dei vantaggi di un sistema basato sull'apprendimento automatico è che non è necessario impostare esattamente cosa cercare durante il monitoraggio dell'API. Anziché, il sistema impara a monitorare la normale funzionalità, prestazione, la correttezza e la velocità di ogni singola chiamata API.
L'approccio tradizionale al monitoraggio delle reti di partner
Il monitoraggio delle reti di partner è stato tradizionalmente effettuato con l'uso di dashboard di business intelligence (CON UN) insieme a un sistema di allerta manuale se vengono rilevate irregolarità. La prima sfida con questo approccio è l'ovvia incapacità di scalare, poiché un team di analisti può monitorare manualmente solo un certo numero di metriche, che è sicuramente ben al di sotto delle centinaia di milioni di punti dati creati ogni giorno all'interno delle reti di partner.
Un altro problema con questo approccio è la latenza o il ritardo tra un incidente e la risoluzione del team.. Questo è noto come il tempo medio di risoluzione. (MTTR) e, come puoi immaginare, un aumento anche di un'ora del tempo di risoluzione del tuo team può avere un grande impatto sui costi dell'azienda.
In conclusione, le reti di partner sono, in sostanza, un affare di relazione. Quindi, se non sei il più proattivo possibile nel trovare e risolvere i problemi, è abbastanza facile che queste relazioni vengano irrevocabilmente danneggiate. In ogni caso, i problemi nelle reti di partner continueranno sempre a verificarsi, ma se i tuoi partner sanno che stai utilizzando un sistema di monitoraggio basato sull'intelligenza artificiale invece di un team di analisti umani che semplicemente “loro osservano” registri e tendenze degli incidenti, che può richiedere molto tempo. modo per creare fiducia.
Monitoraggio automatizzato dei partner con AI
Ora che abbiamo discusso alcuni dei problemi associati agli approcci tradizionali al monitoraggio dei partner, rivediamo come un approccio basato sul machine learning può automatizzare e migliorare l'intera procedura.
Il primo vantaggio dell'AI per il monitoraggio dei partner è velocità. Abbiamo detto in precedenza che il tempo medio di risoluzione di un'azienda è una metrica chiave per contenere i costi quando si verificano inevitabilmente incidenti.. Il fatto è che gli algoritmi di apprendimento automatico possono monitorare centinaia di milioni di punti dati al secondo., qualcosa che un team di analisti semplicemente non può mai fare da solo.
Nel seguente esempio, le anomalie sono state rilevate dalla piattaforma automatizzata di monitoraggio aziendale Anodot, che ha aiutato il team a risolverli in un'ora.
Allo stesso tempo per monitorare i punti dati, un sistema basato sull'apprendimento automatico può apprendere automaticamente il comportamento normale di ciascuna metrica individualmente, in modo che possa rilevare anche la minima deviazione dal comportamento previsto. Con avvisi in tempo reale integrati nel sistema, questo significa che il tuo team è al top e può rispondere agli incidenti molto più velocemente rispetto ai tradizionali sistemi di monitoraggio.
Un altro vantaggio del monitoraggio basato sull'intelligenza artificiale è scala. Indipendentemente dalle dimensioni del team che crei per monitorare i sistemi, È probabile che i rendimenti del capitale umano diminuiscano in termini di portata dei dati che le reti di partner devono affrontare. Anche il monitoraggio automatizzato dell'IA non fa pause, quindi non importa che ora del giorno sia, può essere utilizzato per estrarre significato da enormi set di dati in modo che il tuo team tecnico abbia una panoramica completa di ciò che sta accadendo sulla rete.
Un vantaggio finale di un approccio basato sull'intelligenza artificiale è il granularità fornisce. Il monitoraggio basato sull'intelligenza artificiale non fornisce solo una panoramica in tempo reale dell'intera rete, ispeziona anche le metriche più granulari della rete.
Come accennato, anche con un team di analisti che monitorano la rete, queste metriche possono facilmente perdersi nel mare dei dati. In particolare, se c'è un incidente sulla rete, una soluzione basata sull'intelligenza artificiale può raggruppare anomalie ed eventi correlati in un unico avviso, in modo che tu non riceva “avviso tempeste” per ogni piccolo incidente che accade. Questa capacità di trovare correlazioni significa anche che è possibile identificare l'origine dell'incidente., alla posizione, dispositivo e browser.
Pensieri finali
Come abbiamo commentato, una soluzione di monitoraggio dei partner basata sull'intelligenza artificiale ha la capacità di tracciare ogni punto dati in una rete al livello più granulare, fornendo una panoramica della rete nel suo insieme. Ciò significa che puoi essere il più proattivo possibile per ottenere il massimo dai tuoi sistemi., trova i problemi il prima possibile e identifica la fonte per aumentare i tempi di risoluzione.
Dovuto, L'intelligenza artificiale per il monitoraggio dei partner ti consente di costruire più fiducia e relazioni sostenibili all'interno della rete.
Circa l'autore
Amit Levi è vicepresidente del prodotto e del marketing presso anodi. Appassionato di trasformare i dati in informazioni dettagliate. Durante l'ultimo 15 anni, è orgogliosa di accompagnare lo sviluppo del mercato degli analytics. Avendo ricoperto incarichi dirigenziali in diverse importanti aziende emergenti, Amit porta una vasta esperienza nella pianificazione, sviluppo e fornitura di dati su larga scala e prodotti di analisi alle principali aziende web e mobile. Esperto di prodotti e dati, il suo motto è “Il buon giudizio deriva dall'esperienza e l'esperienza deriva dal cattivo giudizio”.
