异常检测 anomaly-detection
异常检测使用统计建模，自动查找数据中的意外趋势。该模型可分析量度并确定值的下限、上限和预期范围。如果发生意外的尖峰或低谷，系统会在报表中进行警报。
您可能会调查的异常情况包括：
- 平均订单值的显著降低
- 低收入订单的剧增
- 试用注册量剧增或骤降
- 登录页面查看次数骤降
- 视频缓冲事件剧增
- 低视频比特率剧增
异常检测量度
异常检测会为您选择的每个量度添加新的量度值，包括：
预测区间的较低水平。低于这个水平的值被视为异常。
表示值将高于这一水平的置信度为 95%。
预测区间的较高水平。高于这个水平的值被视为异常。
表示值将低于这一水平的置信度为 95%。
Report Builder 会将这些值应用于所选量度。例如，如果您选择页面查看次数量度并应用异常检测，则使用 Page Views Lower Bound 量度。
如何计算异常检测
异常检测使用培训期来计算、了解和报告每天的预测区间数据。培训期是一段历史时期，用来识别什么是正常与异常，并将了解到的内容应用于报告期。在营销报表中，提供了为期 30 天、60 天和 90 天的培训期。Report Builder为30天。
培训期不必与所选的报告期相同。报表图显示了您在日历中指定的日期范围时段。
为计算数据，系统会使用下列每种算法将每个量度的每日总量与培训期进行比较：
- 霍尔特-温特斯乘法（三次指数平滑法）
- 霍尔特-温特斯加法（三次指数平滑法）
- 霍尔特趋势修正（二次指数平滑法）
系统会应用每种算法，以确定哪种算法的误差平方和 (SSE) 最小。然后，计算平均绝对百分比误差 (MAPE) 和当前的标准误差，以确保该模型在统计学上是有效的。
这些算法可以进行扩展，以对未来时段的量度提供预测预报。
由于培训期会根据报告期的起始时间而有所不同，因此您可能会发现两个不同时段中包含的同一日期的报告数据会存在差异。
例如，如果您运行 1 月 1 日至 14 日的报表，然后运行 1 月 7 日至 21 日的报表，则可能会发现在这两份不同的报表中，1 月 7 日至 14 日期间的相同量度具有不同的预测数据。这是由于培训期不同所导致。