異常偵測

異常偵測使用統計模型來自動尋找資料中的意外趨勢。此模型會分析量度並決定上下界限和值的預期範圍。當發生意外的尖峰或下降時，系統會在報表中警報。

您可能會調查的異常例子包括：

注意

異常偵測僅限於選取「日」粒度時適用。

異常偵測度量

異常偵測對您選取的每個度量新增度量值，包括：

元素	說明
下界限	預測區間較低層級。低於此層級的值被視為異常。代表有 95% 的把握值將高於此層級。
正常	根據資料分析預測值。此值也是上界限和下界限間的中點。
上界限	預測區間較高層級。高於此層級的值被視為異常。代表有 95% 的把握值將低於此層級。

元素

說明

下界限

預測區間較低層級。低於此層級的值被視為異常。

代表有 95% 的把握值將高於此層級。

正常

根據資料分析預測值。此值也是上界限和下界限間的中點。

上界限

預測區間較高層級。高於此層級的值被視為異常。

代表有 95% 的把握值將低於此層級。

Report Builder 將這些值套用至所選取度量。例如，若您選取「頁面檢視」度量並套用異常偵測，則Page Views Lower Bound度量已使用。

如何計算異常偵測

異常偵測每日於培訓期間計算、學習並報告預測區間。培訓期間指的是，在歷史期間確認正常與異常，並套用已學習的至報表期間。在行銷報表中，30 天、60 天或 90 天的培訓期間皆適用。在 Report Builder 中，可使用 30 天。

培訓期間不一定會跟所選取報表期間一樣。報表圖表顯示日曆中您指定的日期範圍。

計算資料就是將每一度量的單日總量與培訓期間相比，使用下列的演算法：

套用每一個演算法決定最小誤差平方和 (SSE) 演算法。接著計算平均絕對百分差及現有標準差，確保模型為統計上有效。

可延伸這些演算法以提供未來期間度量的預測預報。

培訓期間會依報表期間何時開始而不同，您可能會在同一個日期資料看到差異，因為報表是來自兩個不同的期間。

例如，若您執行 1 月 1 日至 14 日的報表，接著執行 1 月 7 日至 21 日的報表。在兩份報告中，同樣是 1 月 7 日至 14 日的度量，您有可能看到不同的預測資料。這是因為培訓期間不同而產生的結果。

報表範圍	培訓期間
1 月 1 日至 14 日	11 月 27 日至 12 月 31 日
1 月 7 日至 21 日	12 月 4 日至 1 月 6 日

全新的改善搜尋