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:
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。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 |