Introdução
Estamos vivendo no meio de uma revolução global agora. TO mundo dos negócios de hoje está mais interconectado do que nunca, não só em termos de tecnologia., mas também no número de parceiros com os quais as empresas costumam lidar.
As parcerias externas tornaram-se essenciais para a construção e operação de um negócio hoje pela simples razão de que muitas vezes levam a maior produtividade e criam novas possibilidades para ambas as partes..
O número de redes de parceiros também está aumentando. uma IBM Study intitulado "Evolução da economia API" destacou que o 70 por cento das empresas querem expandir suas parcerias externas.
Como um exemplo, Uma visão geral de um ecossistema de negócios digitais na indústria de viagens pode ser encontrada na imagem abaixo. Isso é feito de:
- Lado da oferta: Isso inclui provedores como hotéis e voos.
- Lado da demanda: Isso inclui serviços como companhias aéreas e agências de viagens..
- Rede de parceiros: Isso conecta o lado da oferta e da demanda e pode incluir entidades como bancos de abastecimento., bolsas o mercados.
- Aplicativos de terceiros: Isso pode incluir empresas como provedores de pagamento, CRM, etc.
Independentemente do tamanho da empresa ou da indústria, um dos pontos comuns que existem em todas as associações externas é que elas compartilham dados entre si. Como você pode imaginar, compartilhar dados com parceiros externos em qualquer capacidade adiciona complexidade e vulnerabilidade adicionais para ambas as instituições. Em particular, as APIs que unem essas parcerias são incrivelmente valiosas, mas também são muito propensos a erros, tempo de inatividade e ameaças de cibersegurança. Como consequência, quando um desses provedores não atende a um SLA definido, os usuários finais são afetados, a receita é perdida e violações de dados ocorrem.
À medida que o uso da API e o tamanho dessas redes de parceiros continuam a crescer, detectar essas falhas e ameaças dentro de um período de tempo razoável torna-se uma tarefa não trivial, mesmo para as equipes técnicas mais avançadas.
A maneira tradicional de monitorar métricas associadas a parcerias, como um exemplo, o tráfico, referências e renda, tem alimentado todos eles por meio do monitoramento de TI ou de um sistema de monitoramento de desempenho de aplicativos (APM).
Apesar disto, O problema com essas abordagens tradicionais é que as máquinas de monitoramento e os KPIs de monitoramento da empresa são sistemas fundamentalmente independentes e devem ser tratados como tal.
Em particular, métricas de negócios associadas a parcerias externas podem muitas vezes ser muito mais voláteis do que monitorar máquinas. Não só isso, mas os KPIs também podem ser influenciados por forças externas, como comportamento humano sazonal. Isso significa que, ao contrário das máquinas, métricas de negócios simplesmente não podem ser medidas e examinadas em termos absolutos.
Outra diferença importante entre o monitoramento de KPIs de associação e sistemas de monitoramento é medir a topologia ou os relacionamentos entre essas métricas.. Quando monitoramos os dados da máquina, muitas vezes podemos identificar relações claras entre eles. Quando se trata de monitorar KPIs de negócios, por outro lado, muitas vezes existem milhões ou centenas de milhões de métricas para rastrear. Esse grande volume de dados significa que muitos dos relacionamentos entre os KPIs serão não lineares., o que os torna muito mais difíceis de identificar.
Por sorte, esse é exatamente o problema que o aprendizado de máquina nos ajuda a resolver.
Antes de discutir como o aprendizado de máquina pode ser aplicado ao monitoramento de associação, Vamos primeiro revisar alguns tipos comuns de redes de parceiros das quais muitas empresas já fazem parte..
Tipos de redes de parceiros
Vamos analisar as duas categorias principais de redes de parceiros (redes de afiliados e publicidade programática) e a tecnologia API da qual dependem.
Redes de afiliados
Uma rede afiliada atua como intermediária entre os editores (Em outras palavras, os afiliados) e programas de afiliados comerciais. Como você pode imaginar, gerenciar grandes redes de afiliados com centenas de contas é uma tarefa excepcionalmente complexa. Um dos desafios que essas grandes redes enfrentam é automatizar seus processos de acompanhamento para evitar perda de receita e rotatividade..
Os sistemas de rastreamento de afiliados exigem que os gerentes de contas rastreiem uma miríade de métricas, como o volume de tráfego, taxas de conversão, o retorno do investimento em publicidade e muitos outros. Para gerenciar esses fatores em escala, Redes afiliadas agora estão se voltando para soluções de detecção de anomalias autônomas que fornecem alertas em tempo real para incidentes de rede. Como um exemplo, se a resposta identifica mudanças drásticas nas métricas, como uma queda nas referências, isso pode significar que a conta está em risco.
O resultado da implementação de um sistema de aprendizado de máquina para monitoramento de afiliados significa que, em vez de monitorar constantemente as mudanças nessas métricas, gerentes de contas podem se concentrar em tarefas de maior valor, como gerenciamento de relacionamento.
Publicidade programática
Outra rede comum de parceiros da qual muitas empresas dependem hoje é uma plataforma de publicidade programática.. Redes de anúncios programáticos conectam anunciantes a editores, onde os anunciantes licitam no inventário (Em outras palavras, espaço de publicidade) em tempo real, também conhecido como lance em tempo real (RTB).
Essas redes de parceiros conectam empresas que gerenciam enormes orçamentos de publicidade de uma forma totalmente automatizada., o que significa que a plataforma também precisa monitorar inúmeras métricas, incluindo estampas, cliques e conversões de parceiros. O número de métricas que essas plataformas de tecnologia de anúncios estão rastreando a cada dia pode chegar a centenas de milhões e é indispensável tanto para a oferta quanto para a demanda..
Como você pode imaginar, uma métrica mal monitorada ou erro de rede pode levar a milhões de dólares em perdas em segundos.
Para resolver os desafios enfrentados pelas redes de publicidade programática, Sistemas de monitoramento baseados em inteligência artificial tornaram-se essenciais.
O aprendizado de máquina é especialmente adequado para essa tarefa, uma vez que pode lidar com uma grande quantidade de dados de rede, extraia significado dos dados e identifica possíveis incidentes em tempo real.
API
Um dos motivos pelos quais as redes de parceiros são tão difíceis de monitorar é a infraestrutura subjacente.. Em geral, conectar-se por meio de APIs ou interfaces de programação de aplicativos, que atuam como intermediários de software para que dois aplicativos possam se comunicar um com o outro.. Um dos principais desafios do monitoramento de APIs não é apenas que grandes quantidades de dados são transferidas a cada segundo, mas também o fato de terem pouca visibilidade, o que significa que é possível que nem sempre saibamos quando algo foi quebrado dentro do protocolo.
Um erro de API pode muitas vezes resultar em tempo de inatividade para muitos outros aplicativos que dependem dele, o que, como você pode imaginar, cria um efeito bola de neve de problemas potenciais. Especificamente, lacunas no desempenho da API podem afetar a experiência do usuário, interromper fluxos de trabalho e danificar seriamente a reputação de uma marca. Como consequência, monitorar APIs em todos os momentos é essencial para evitar perda significativa de receita.
Monitoramento baseado em IA pode ser usado para APIs aprendendo o comportamento normal de cada métrica e, posteriormente, fornecendo alertas em tempo real sobre eventos anômalos e possíveis incidentes. Uma das vantagens de um sistema baseado em aprendizado de máquina é que você não precisa definir exatamente o que procurar ao monitorar a API. Em vez de, o sistema aprende a monitorar a funcionalidade normal, o rendimento, a exatidão e velocidade de cada chamada de API sozinha.
A abordagem tradicional para monitorar redes de parceiros
O monitoramento de redes de parceiros tem sido tradicionalmente feito com o uso de painéis de inteligência de negócios (COM UM) junto com um sistema de alerta manual se irregularidades forem detectadas. O primeiro desafio com esta abordagem é a óbvia incapacidade de escalar, uma vez que uma equipe de analistas pode monitorar apenas um certo número de métricas manualmente, o que certamente está bem abaixo das centenas de milhões de pontos de dados criados a cada dia nas redes de parceiros.
Outro problema com essa abordagem é a latência ou atraso entre um incidente e a resolução da equipe.. Isso é conhecido como o tempo médio para resolução. (MTTR) e, como você pode imaginar, um aumento de até uma hora no tempo de resolução de sua equipe pode ter um grande impacto no custo da empresa.
Em conclusão, redes de parceiros são, em essência, um relacionamento empresarial. Então, se você não for o mais pró-ativo possível para encontrar e resolver problemas, é muito fácil para esses relacionamentos serem irrevogavelmente danificados. De qualquer forma, problemas em redes de parceiros sempre continuarão acontecendo, mas se seus parceiros sabem que você está usando um sistema de monitoramento baseado em inteligência artificial em vez de uma equipe de analistas humanos que simplesmente “eles observam” registros de incidentes e tendências, isso pode levar muito tempo. maneira de construir confiança.
Monitoramento automatizado de parceiros com IA
Agora que discutimos alguns dos problemas associados às abordagens tradicionais de monitoramento de parceiros, vamos revisar como uma abordagem baseada em aprendizado de máquina pode automatizar e melhorar todo o procedimento.
O primeiro benefício da IA para rastreamento de parceiros é Rapidez. Mencionamos anteriormente que o tempo médio de resolução de uma empresa é uma métrica chave para manter os custos baixos quando surgem incidentes inevitavelmente.. O fato é que algoritmos de aprendizado de máquina podem monitorar centenas de milhões de pontos de dados por segundo., algo que uma equipe de analistas simplesmente nunca pode fazer por conta própria.
No exemplo a seguir, as anomalias foram detectadas pela plataforma automatizada de monitoramento de negócios Anodot, que ajudou a equipe a resolvê-los em uma hora.
Ao mesmo tempo, para monitorar os pontos de dados, um sistema baseado em aprendizado de máquina pode aprender automaticamente o comportamento normal de cada métrica individualmente, para que ele possa detectar até mesmo o menor desvio do comportamento esperado. Com alertas em tempo real integrados ao sistema, isso significa que sua equipe está no controle e pode responder a incidentes com muito mais rapidez do que os sistemas de monitoramento tradicionais.
Outra vantagem do monitoramento baseado em IA é escala. Independentemente do tamanho da equipe que você criar para monitorar os sistemas, Os retornos do capital humano tendem a diminuir em termos da escala de dados com que as redes de parceiros precisam lidar. O monitoramento automatizado de IA também não faz pausas, então não importa a hora do dia, pode ser usado para extrair significado de grandes conjuntos de dados para que sua equipe técnica tenha uma visão completa do que está acontecendo na rede.
Uma vantagem final de uma abordagem baseada em IA é o granularidad fornece. O monitoramento baseado em IA não fornece apenas uma visão geral em tempo real de toda a rede, ele também inspeciona as métricas mais granulares da rede.
Como mencionado, mesmo com uma equipe de analistas monitorando a rede, essas métricas podem facilmente se perder no mar de dados. Em particular, se houver um incidente na rede, uma solução baseada em inteligência artificial pode agrupar anomalias e eventos relacionados em um único alerta, para que você não receba “tempestades de alerta” para cada pequeno incidente que acontece. Essa capacidade de encontrar correlações também significa que você pode identificar a origem do incidente., para o local, dispositivo e navegador.
Pensamentos finais
Como comentamos, uma solução de monitoramento de parceiro baseada em inteligência artificial tem a capacidade de rastrear todos os pontos de dados em uma rede no nível mais granular, enquanto fornece uma visão geral da rede como um todo. Isso significa que você pode ser o mais pró-ativo possível para obter o máximo dos seus sistemas., encontre problemas o mais rápido possível e identifique a fonte para aumentar seu tempo de resolução.
Como consequência, IA para monitoramento de parceiros permite que você construa mais confiança e relacionamentos sustentáveis dentro da rede.
Sobre o autor
Amit Levi é vice-presidente de produto e marketing da Ânodos. Apaixonado por transformar dados em insights. Durante o último 15 anos, tem o orgulho de acompanhar o desenvolvimento do mercado analítico. Tendo ocupado cargos de gestão em várias empresas emergentes líderes, Amit traz vasta experiência em planejamento, desenvolvimento e entrega de dados em grande escala e produtos de análise para empresas líderes da web e móveis. Especialista em produtos e dados, seu lema é “O bom julgamento vem da experiência e a experiência vem do mau julgamento”.
