Begriffsverwendung im Zusammenhang mit dem Erkennen von Anomalien oder Ausreißern

Amazon QuickSight verwendet das Wort Anomalie, um Datenpunkte zu beschreiben, die außerhalb eines allgemeinen Verteilungsmusters liegen. Für Anomalien (ein wissenschaftlicher Begriff) werden auch viele andere Begriffe verwendet, u. a. Ausreißer, Abweichungen, Merkwürdigkeiten, Ausnahmen, Unregelmäßigkeiten, Eigenarten und vieles mehr. Der verwendete Begriff basiert ggf. auf dem von Ihnen verwendeten Analysetyp, dem verwendeten Datentyp oder sogar nur auf der Einstellungen Ihrer Gruppe. Diese außerhalb eines Bereichs liegenden Datenpunkte stellen eine Entität dar – eine Person, einen Ort, eine Sache oder eine Zeit – die in irgendeiner Weise außergewöhnlich ist.

Der Mensch kann Muster und Dinge, die nicht wie die anderen sind, leicht erkennen. Wir erhalten diese Informationen über unsere Sinne. Wenn das Muster einfach ist und nur wenige Daten vorhanden sind, können Sie ganz einfach einen Graphen erstellen, um die Ausreißer in Ihren Daten hervorzuheben. Im Folgenden finden Sie einige einfache Beispiele:

• Ein roter Ballon in einer Gruppe von blauen Ballons

• ein Rennpferd, das weit vor den anderen ist

• ein Kind, das während des Unterrichts nicht aufpasst

• ein Tag, an dem Onlinebestellungen anstehen, aber kein Versand möglich ist

• eine Person, die sich im Gegensatz zu anderen von einer Krankheit erholte

Einige Datenpunkte stehen für ein signifikantes Ereignis, während andere ein zufälliges Ereignis darstellen. Die Analyse deckt auf, für welche Daten eine nähere Untersuchung angezeigt ist, und zwar basierend auf den Einflussfaktoren (Hauptfaktoren/Schlüsselfaktoren), die zu dem Ereignis beigetragen haben. Fragen sind für die Datenanalyse unerlässlich. Warum ist das geschehen? In welchem Zusammenhang steht es? Ist es nur einmal oder öfter geschehen? Was können Sie tun, um dieses mehr zu unterstützen oder zu verhindern?

Um zu verstehen, wie und warum es Variationen gibt und ob diese ein Muster aufweisen, bedarf es weiterer Überlegungen. Ohne die Unterstützung des Machine Learning könnte jede Person zu einer anderen Schlussfolgerung kommen, weil sie über unterschiedliche Erfahrungen und Informationen verfügt. Daher könnte jede Person leicht anders ausfallende geschäftliche Entscheidungen treffen. Sind dabei viele Daten oder Variablen zu berücksichtigen, kann eine riesige Menge an Analysen erforderlich werden.

Die ML-gestützte Anomalieerkennung identifiziert die Ursachen und Wechselbeziehungen, damit Sie auf Daten gestützte Entscheidungen treffen können. Sie haben weiterhin die Kontrolle darüber, wie beim Auftrag mit Ihren Daten verfahren werden soll. Sie können eigene Parameter angeben und zusätzliche Optionen auswählen, z. B. die Identifizierung von Hauptfaktoren in einer Beitragsanalyse. Oder Sie verwenden die Standardeinstellungen. Der folgende Abschnitt führt Sie durch den Einrichtungsprozess und enthält Erläuterungen zu den verfügbaren Optionen.