Detección de anomalías de Experience Platform
Use el chat de Adobe CX Enterprise Coworker para identificar picos y caídas en métricas de Adobe Experience Platform admitidas. Pregunte por los flujos de datos y las audiencias para encontrar desviaciones con respecto a una línea de base.
Comience con una pregunta amplia y, a continuación, céntrese en un flujo o audiencia que necesite atención. Revise la métrica notificada y su línea de base antes de decidir qué investigar.
Aptitudes diagnósticas disponibles
Utilice el complemento baseline-anomalies para detectar anomalías, comparar tendencias y revisar el estado del flujo o los errores de los trabajos actuales. El complemento está configurado de manera predeterminada con la oferta de Experience Platform y aplicaciones en Coworker.
Elija el tipo de pregunta en función de la información que necesite.
Los resúmenes de tendencias describen los cambios, pero no determinan si son anomalías. Utilice preguntas sobre anomalías cuando necesite una evaluación de pico o caída.
Antes de empezar
El complemento está configurado de forma predeterminada. Para comprobar su estado antes de realizar preguntas de diagnóstico, siga estos pasos.
-
Vaya a Personalizaciones.
-
Seleccione Complementos.
-
Abra baseline-anomalies y confirme que su estado es Active.
Identifique la zona protegida y el área que desea comprobar. Para un recurso específico, tenga preparados su nombre o identificador de flujo, segmento o destino.
Para obtener instrucciones generales de chat, consulte Introducción al chat.
Preguntar por anomalías
Describa el área o recurso que desea comprobar y el período de tiempo que desea examinar.
Utilice las siguientes indicaciones de ejemplo como punto de partida. Reemplace nombres de ejemplo con nombres de su organización.
La pregunta general comprueba tanto los flujos de datos como las audiencias. Confirme la zona protegida y el período de tiempo identificados en la respuesta.
Revisión de resultados de anomalías
Compare el valor del informe con su línea de base para el recurso y el período de tiempo afectados. Utilice la diferencia para identificar lo que necesita una investigación adicional, en lugar de tratar una anomalía como una causa confirmada.
Por ejemplo, una disminución en los registros de entrada de ingesta identifica un cambio de volumen. Ese cambio por sí solo no explica por qué llegaron menos registros.
Los resultados pueden aparecer como tablas o como un resumen escrito. Las tablas pueden agrupar anomalías en Alto riesgo y Riesgo de Medium.
Este ejemplo agrupa las anomalías de flujo por riesgo y sugiere investigar los recuentos de ejecución o el historial de tendencias. Se censuran los nombres y valores de los recursos.
Revise la explicación junto con la agrupación de riesgo. Para las anomalías de audiencia, Alto indica una gran desviación de la normalidad. Medium indica una salida clara pero moderada. Solo se devuelven las anomalías Alta y Medium.
Los resultados de audiencia excluyen las anomalías de Medium cuando el historial de línea de base es muy variable. Por lo tanto, cualquier anomalía devuelta con un historial muy variable tiene un nivel de alto riesgo.
Utilice niveles de riesgo para priorizar la investigación, no para establecer una causa raíz.
Por ejemplo, una respuesta identifica 10 registros de entrada en un intervalo esperado de uno a cuatro como pico de riesgo medio. El nivel habitual es de aproximadamente un registro, por lo que la desviación es grande en relación con la línea de base. El volumen absoluto sigue siendo pequeño.
Compruebe los tiempos de eventos antes de tratar una anomalía histórica como un problema actual. Un evento fuera de las últimas 24 horas no establece si la condición subyacente se recuperó.
Líneas bases e intervalos esperados
Las comparaciones de anomalías horarias utilizan la misma hora durante los 14 días anteriores. Esto explica los patrones típicos por hora, pero no tiene en cuenta la estacionalidad más amplia.
Para las anomalías de audiencia, el intervalo esperado se centra en la mediana y se amplía según la variación en los recuentos históricos. Si el límite inferior calculado es negativo, el intervalo utiliza el recuento histórico más bajo en su lugar. Por lo tanto, el rango puede extenderse más por encima de la mediana que por debajo de ella.
Los recuentos de perfiles realizados por encima del intervalo esperado son picos. Los recuentos por debajo del rango son caídas. Un recuento de cero cuando los perfiles están presentes normalmente es una caída de alto riesgo.
Los recuentos de perfiles salientes solo producen veredictos de pico. Menos salidas se tratan como normales, no como anomalías de colocación.
No se han devuelto anomalías
Una respuesta puede informar de que no se devolvieron anomalías de Alta o Medium para la audiencia y el período solicitados.
Este ejemplo incluye una advertencia sobre un historial insuficiente o, en su mayoría, cero. No confirma que cada hora se haya evaluado o que se haya excluido esta audiencia. Se redactan el nombre y el identificador de la audiencia.
Historial basal insuficiente
El historial de línea de base afecta a si una audiencia puede evaluarse en busca de anomalías.
La detección de anomalías de audiencia no evalúa filas con menos de cinco días de historial o un historial que contenga principalmente ceros.
Refine la pregunta
Centra tu siguiente pregunta en el recurso afectado. Por ejemplo, después de una comprobación de ingesta amplia, pregunte sobre las anomalías de un flujo con nombre.
Después de preguntar sobre las últimas 24 horas, amplíe el período con este seguimiento:
What about in the past two weeks?
La respuesta puede identificar anomalías históricas incluso cuando no aparecen en las últimas 24 horas.
Para una investigación más detallada, pregunte sobre los recuentos de ejecución de flujo, las tendencias de flujo, las tendencias de audiencia o los trabajos con errores actuales. También puede preguntar sobre trabajos individuales a medida que investiga.
Elija su siguiente pregunta en función de la información que necesite. Los resúmenes de tendencias y estado no proporcionan veredictos de anomalías.
El historial de tendencias de audiencia se conserva durante aproximadamente dos semanas o 336 horas. El valor típico es la mediana de esa hora durante los 14 días anteriores.
Para los trabajos con errores actuales, un resultado vacío significa que no hay ningún trabajo con errores actualmente en el ámbito solicitado. No significa que no se hayan producido errores durante el período solicitado. Se excluyen los trabajos que fallaron y luego se realizaron correctamente.
Continúe investigando con habilidades de comprobación de estado o utilice habilidades de alerta para habilitar una alerta para un recurso admitido. Estas acciones utilizan habilidades independientes, no la propia detección de anomalías.
Para ver los flujos de trabajo de alertas relacionados, consulte Aptitudes sobre alertas de clientes.
Referencia de métrica
La versión limitada incluye las siete métricas siguientes en cuanto a ingesta, segmentación y activación de destino. Utilice esta referencia para identificar los recuentos asociados a cada área.
input_record_countfailed_record_count__segment_{segment_id}__realized_profiles__segment_{segment_id}__exited_profiles{destination}_input_record_count{destination}_skipped_record_count{destination}_output_record_countAlcance y limitaciones
Utilice la detección de anomalías para identificar desviaciones, no para confirmar una causa raíz ni reparar un recurso.
Puede preguntar sobre flujos, segmentos y destinos por nombre o identificador. La detección de anomalías de flujo cubre las fases de ingesta, segmentación, exportación y destino.
Utilice la aptitud de trabajo con errores para los trabajos con errores actuales y sus motivos de error. Se excluyen los errores recuperados. Los diagnósticos de trabajo no incluyen detalles para registros individuales o veredictos de anomalías.
El estado de flujo proporciona recuentos agregados, no motivos de error. Los resúmenes de tendencias describen valores recientes y típicos, no veredictos de anomalías. Los resúmenes de tendencias de audiencia abarcan solo la segmentación por lotes.
La detección de anomalías no cambia los datos ni la configuración. Utilice aptitudes independientes para acciones de alerta admitidas e investigaciones de estado más profundas.