異常値検出

異常値検出は、統計的なモデリングを使用して、データ内の予期しないトレンドを自動的に見つけます。モデルによって指標を分析し、値の下限、上限、予想される範囲を決定します。予期しないスパイクまたは下落が発生した場合にレポートします。

調査できる異常値の例を次に示します。

• 平均注文額の急激な下落
• 売上の低い注文の急増
• トライアル登録の急増または下落
• ランディングページ表示の下落
• ビデオのバッファーイベントの下落
• ビデオの低ビットレートの下落

異常値検出の指標

異常値検出により、選択する各指標に次のような新しい指標が追加されます。

Report Builder では、選択した指標にこれらの値が適用されます。例えば、ページビュー数の指標を選択して異常値検出を適用した場合、Page Views Lower Bound​という指標が使用されます。

異常値検出の計算方法

異常値検出では、1 日あたりの予測区間データの計算、学習およびレポート作成のために、トレーニング期間が使用されます。このトレーニング期間は、通常状態と異常状態を識別し、学習したことをレポート期間に適用するための履歴的な期間です。マーケティングレポートでは、30 日、60 日および 90 日のトレーニング期間を利用できます。Report Builderでは、30 日間を利用できます。

トレーニング期間は、選択したレポート期間と同一でない場合もあります。レポートグラフには、カレンダーで指定した日付範囲の期間が表示されます。

データを計算するために、各指標の日次合計がトレーニング期間と比較されます。そのために、次のアルゴリズムが使用されます。

• ホルトウィンタース乗法（三重指数平滑法）
• ホルトウィンタース加法（三重指数平滑法）
• ホルトウィンタース補正（二重指数平滑法）

各アルゴリズムは、誤差の二乗和（SSE）が最小になるアルゴリズムを決定するために適用されます。次に、平均絶対誤差率（MAPE）および現在の標準誤差が計算され、モデルが統計的に妥当であることが確認されます。

これらのアルゴリズムは、将来の期間における指標の予測を表示するように拡張できます。

トレーニング期間はレポート期間の開始時点によって異なるので、同じ日付に対してレポートされたデータでも、それらが含まれる期間が異なれば、差が生じる可能性があります。

例えば、1 月 1 日から 14 日までのレポートを実行し、次に 1 月 7 日から 21 日までのレポートを実行した場合、この 2 種類のレポートの 1 月 7 日から 14 日までの同じ指標について、異なる予測データが表示される場合があります。これは、トレーニング期間の違いによります。