Mejora en detección de anomalías con impacto en revenue para un ecommerce

"Los negocios digitales enfrentan pérdidas por compras potenciales no ejecutadas (Nike.com U$D 341.000 pérdidas de Revenue por hora fuera de servicio) debido a fallas en sus sistemas del sitio web. Por otro lado, la implementación de sistemas de monitoreo con indicadores, detección de anomalías y alertas también incurre en gastos, dado que los equipos deben dedicar tiempo a analizar y diagnosticar las alertas que frecuentemente no tienen una explicación evidente. En el presente trabajo se analiza el caso de un sitio eCommerce de un Retail de ropa deportiva, que enfrenta este problema con un promedio de 2 alarmas por hora, y con afecciones sobre 5 indicadores al mismo tiempo. Se comparan la solución actual Prophet vs una red LSTM-Autoencoder vs el modelo TranAD basado en Transformers, y se analizan los resultados. Finalmente se propone un nuevo enfoque basado en el modelo TranAD, de manera de mejorar la detección de anomalías, y reducir el stress y tiempo invertidos. Este nuevo modelo permite realizar un análisis integral de los múltiples KPIs, encontrar dependencias y patrones en los datos, y detectar nuevas anomalías sistémicas.