統計技術

Analysis Workspace 中的異常偵測使用一系列先進的統計技術來判斷是否應將某個觀察值視為異常。

根據報表中使用的日期詳細程度，我們採用 3 種不同統計技術，分別進行每小時、每日、每週/每月異常偵測。各種統計技術概觀如下。

每日詳細程度的異常偵測

對於每日詳細程度報表，演算法會考量數個重要因素，盡可能提供最準確的結果。首先，演演算法會根據演演算法從時間序列模型或極端值偵測模型（稱為功能篩選）這兩種類別中選擇的可用資料，決定要套用的模型型別。

如何選取時間序列模型是根據下列誤差、趨勢和季節性 (ETS) 類型的組合，如 Hyndman et al.(2008) 所述。此演算法會特別嘗試下列組合：

演演算法會選取具有最佳平均絕對百分比誤差(MAPE)的組合，以測試每個組合的適用性。 但如果最佳時間序列模型的 MAPE 大於 15%，就會套用功能篩選。一般而言，重複程度高的資料（例如，一週接著一週，或一個月接著一個月）最適合時間序列模型。

選取好模型後，演算法接著會根據假日以及年度季節性調整結果。對於假日，演算法會查看在報表日期範圍內是否有下列假日：

系統會根據多個客戶資料點中的廣泛統計分析，識別哪些假日的趨勢最能帶來最大數量的客戶，進而選取合適的假日。此清單當然不是對所有客戶或業務週期都詳盡無遺，但套用這些假日可大幅改善幾乎所有客戶資料集的整體演演算法效能。

選好模型，也確定報表日期範圍內的假日後，演算法會以下列方式進行：

注意以下範例中聖誕節和新年當天效能的大幅改善：

每小時詳細程度的異常偵測

每小時資料依賴的時間序列演算法與每日詳細程度演算法相同。不過，每小時詳細程度又大幅依賴兩個趨勢模式：24 小時週期以及週末/平常日週期。為了擷取這兩個季節效應，每小時演算法使用上述方法，為週末和平常日建造了兩個不同的模型。

每小時趨勢的訓練窗口依賴一個 336 小時回溯窗口。

每週和每月詳細程度的異常偵測

每週和每月趨勢的表現方式，與以每日或每小時詳細程度為基礎的每週或每日趨勢不同，因此要使用不同的演算法。對於每週和每月，兩步驟的極端值偵測方法稱為廣義極端學生化偏差(GESD)測試。 此檢定會考慮預期異常值的最大數並結合調整後的盒形圖方法 (離群值探索的非參數方法) 來判斷離群值的最大數。兩步驟為：

接著，假日和YoY季節性異常偵測步驟會從今年的資料中減去去年的資料。 然後使用上述的兩步驟程式再次反複處理資料，以確認異常狀況與季節性相關。 這兩個資料詳細程度都使用選定報表日期範圍的 15 期回溯包含 (15 個月或 15 週) 以及 1 年前的對應日期範圍用以訓練。

貢獻分析中所使用的統計技術

「貢獻分析」是密集型機器學習程序，專門設計來找出 Adobe Analytics 中所觀察到異常值的貢獻者。目的是要協助使用者比以往更快找出重點區域或機會以便進行其他分析。

「貢獻分析」會對使用者「貢獻分析」報表中可用的每個維度專案執行兩部分演演算法。 演算法的運作順序如下：