La definición básica de alerta personalizada se basa en reglas estáticas. Esto funciona bien si se conoce el umbral para la condición de excepción y los datos suelen ser consistentes.
Si los datos son variables y se producen modificaciones en el patrón, las reglas estáticas pueden provocar demasiadas o muy pocas alertas. Con el aprendizaje automático, los planificadores pueden configurar alertas sin necesidad de conocer los umbrales exactos.
Por ejemplo, si define alertas para la cantidad de ventas de su producto basada en el indicador ABC, las reglas serían diferentes para el producto A (un artículos de alta rotación), que podría fijarse en un descenso del 5% en las ventas, que para el producto C, (un artículos de baja rotación), que se podría fijar para un descenso del 20% en las ventas. Esto daría lugar a varias alertas diferentes para proporcionar el mismo resultado, que es indicar que se ha producido una caída en su cantidad de ventas. Con el aprendizaje automático, la agrupación de sus productos ABC se puede realizar automáticamente. De forma similar, le permite encontrar los valores atípicos en las agrupaciones.
Los parámetros se pueden configurar para obtener una cantidad "saludable" de alertas.
El aprendizaje automático se ajusta con patrones de datos cambiantes.
Los usuarios pueden utilizar definiciones de alertas ML por su cuenta o colocarlas encima de alertas existentes con reglas estáticas.
Puede aplicar uno de los dos algoritmos basados en clústeres: medios k o clustering espacial de aplicaciones espaciadas por densidad con ruido (DBSCAN). El número de alertas se puede reducir o aumentar. Estos tipos de reglas se utilizan principalmente para detectar valores atípicos, cuando no conoce de antemano sus valores umbral y cuando los datos se desplazan con el tiempo. Además, si modifica datos, la definición de alerta se ajusta automáticamente.
Los métodos de agrupación en clústeres DBSCAN y K-Means se utilizan para buscar y agrupar puntos en un gráfico que están juntos. También ayudan a identificar los valores atípicos (puntos aislados en regiones de baja densidad fuera de las agrupaciones).
Recomendación
Al trabajar con una gran cantidad de registros, se recomienda programar los jobs para mejorar el rendimiento del monitor de alertas, porque la operación caducará después de diez minutos. Cuando se programa el job para recuperar valores extremos, los resultados se almacenan en una memoria intermedia, lo que hace que los resultados sean más rápidos y fáciles de recuperar.
Nota
El aprendizaje automático requiere un procesamiento muy intensivo, por lo que es normal que su operación tarde más que en procesar alertas estándar.
DBSCAN
DBSCAN requiere un mínimo de 25 registros distintos para poder completar la agrupación en clústeres con precisión. Cuando hay menos registros, los resultados son insignificantes. Por ejemplo, ha definido una alerta basada en el nivel de agregación PRODID, LOCID y Day. Necesita al menos 25 registros distintos para utilizar DBSCAN con el PRODID como atributo agregado. En otras palabras, para cada producto debe tener una combinación de registros de al menos cinco días y cinco ubicaciones.
El algoritmo DBSCAN verifica las agrupaciones de atributos y realiza agrupaciones en clústeres en estos atributos. Además de realizar la determinación de valores extremos en un ratio, utiliza varios atributos durante el proceso de cálculo que lo hacen más preciso que el algoritmo K-Means.
Medios K
El segundo algoritmo de aprendizaje automático que se puede utilizar para definir alertas personalizadas es el algoritmo K-Means. A diferencia de DBSCAN, solo utiliza valores de ratio y no tiene en cuenta los atributos. El algoritmo también se utiliza en la segmentación ABC/XYZ para buscar clústeres basados en el valor de demanda de la medida de segmentación para ABC y la volatilidad para XYZ.
Comparación de DBSCAN y medios K
El siguiente ejemplo simple muestra la diferencia en la identificación y detección de valores extremos, que luego se marcan como una alerta.
DBSCAN: El algoritmo primero verifica el ratio de cantidad y, a continuación, verifica el atributo de indicador ABC. Como resultado, el algoritmo identifica el único valor de 100 para el indicador ABC A como un valor extremo.
Medios K: Dado que K-Means solo utiliza valores numéricos en los cálculos, el algoritmo ignora el atributo indicador ABC y solo se tiene en cuenta el ratio de cantidad. Como resultado, no se puede identificar un valor atípico porque hay varios registros con los mismos valores.
