Detecção de anomalias

A Detecção de anomalias utiliza um modelo estatístico para encontrar automaticamente tendências inesperadas em seus dados. O modelo analisa métricas e determina o intervalo de valores de limite inferior, limite superior e intervalo de valores. Quando ocorrer um pico ou uma queda inesperada, o sistema irá alertá-lo no relatório.

Exemplos de anomalias que você pode investigar incluem:

  • Quedas drásticas no valor médio de pedido
  • Picos em pedidos com receita baixa
  • Picos ou quedas em registros de avaliação
  • Quedas em visualizações da página inicial
  • Junções em eventos de buffer de vídeo
  • Picos em taxas de vídeo baixas
OBSERVAÇÃO

A detecção de anomalias só estará disponível depois da seleção da granularidade do dia.

Métricas para a detecção de anomalias

A detecção de anomalias adiciona novos valores de métrica a cada métrica selecionada, incluindo:

Elemento Descrição
Limite inferior

Nível mais baixo do intervalo de previsão. Valores abaixo deste nível serão considerados anômalos.

Representa uma confiança de 95% de que os valores estarão acima deste nível.

Esperado

O valor previsto baseado na análise de dados. Este valor é ainda o ponto do meio entre os limites inferior e superior.

Limite superior

Nível mais alto do intervalo de previsão. Valores acima deste nível são considerados anômalos.

Representa uma confiança de 95% de que os valores estarão abaixo deste nível.

O Report Builder aplica esses valores às métricas selecionadas. Por exemplo, se você selecionar uma métrica de Exibições de página e aplicar a detecção de anomalias, uma métrica de Page Views Lower Bound será utilizada.

Como a detecção de anomalias é calculada

A detecção de anomalias utiliza um período de treinamento para calcular, aprender e relatar os dados de previsão de intervalo por dia. Este período de treinamento é o período histórico que identifica aquilo que é normal e aquilo que é anômalo, e aplica o que aprendeu ao período do relatório. Em relatórios de marketing, estão disponíveis os períodos de treinamento de 30, 60 e 90 dias. O Report Builder possui o período de 30 dias.

O período de treinamento não é necessariamente o mesmo que o período do relatório selecionado. Um gráfico do relatório exibe o intervalo de datas especificado no calendário.

Para calcular os dados, compara-se o total diário de cada métrica ao seu período de treinamento, usando cada um dos seguintes algoritmos:

  • Multiplicativo de Holt Winters (Suavização exponencial tripla)
  • Aditivo de Holt Winters (Suavização exponencial tripla)
  • Tendência de Holts corrigida (Suavização exponencial dupla)

Cada algoritmo é aplicado para determinar aquele com a menor Soma de erros ao quadrado (ou SSE em inglês). O Erro de porcentagem da média absoluta (MAPE, em inglês) e o Erro padrão atual são calculados para garantir que o modelo seja estatisticamente válido.

Esses algoritmos podem ser ampliados para fornecem previsões das métricas em períodos do futuro.

Como o período de treinamento pode variar por conta do início do período do relatório, é possível que haja diferenças entre os dados de uma mesma data relatados como parte de dois períodos diferentes.

Por exemplo, se você executar um relatório para o intervalo de datas de 1 a 14 de janeiro e logo depois um relatório para o intervalo de 7 a 21 de janeiro, você verá dados de previsão diferentes para uma mesma métrica entre os dias 7 a 14 de janeiro nos dois relatórios. Isso acontece devido à diferença entre os períodos de treinamento.

Intervalo do relatório Período de treinamento
1 a 14 de janeiro 27 de novembro - 31 de dezembro
7 a 21 de janeiro 4 de dezembro - 6 de janeiro

Nesta página