異常偵測 anomaly-detection

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,系統會在報告中發出警報。

您可能會調查的異常例子包括:

  • 訂單平均值大幅下降
  • 低收入訂單發生尖峰
  • 試用版註冊發生尖峰或下降
  • 登陸頁面檢視次數下降
  • 視訊緩衝事件的尖峰
  • 低視訊位元率的尖峰
NOTE
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。

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。Report Builder有30天可用。

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:

  • Holt Winters 乘法模型 (三重指數平滑)
  • Holt Winters 加法模型 (三重指數平滑)
  • Holts 趨勢修正 (雙重指數平滑)

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
recommendation-more-help
a83f8947-1ec6-4156-b2fc-94b5551b3efc