Detección de anomalías basada en ML para valores atípicos

El cálculo de detección de anomalías basada en ML busca valores atípicos en los datos. Por ejemplo, puede detectar los tres valores atípicos más importantes del total de ventas del 3 de enero de 2019. Si habilita el análisis de contribuciones, también puede detectar los factores clave que contribuyen a generar cada valor atípico.

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo Tiempo, al menos una medida en el cuadro de campo Valores y al menos una dimensión en el cuadro de campo Categorías. La pantalla de configuración proporciona una opción para analizar la contribución de otros campos en tanto que factores clave, aunque esos campos no pertenezcan a los cuadros de campo.

Para obtener más información, consulte Detección de valores atípicos mediante la detección de anomalías basada en ML.

nota

No puede añadir la detección de anomalías basada en ML a otro cálculo y no puede añadir otro cálculo a una detección de anomalías.

Resultados del cálculo

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado.

Para localizar los parámetros de salida, abra la pestaña Cálculos a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Puede utilizar los elementos que se muestran en bold monospace font a continuación en la narración.

• timeField: del cuadro de campo Tiempo.

  • name: el nombre de visualización con formato del campo.

  • timeGranularity: el grado de detalle del campo de tiempo (DÍA, AÑO, etc.).

• categoryFields: del cuadro de campo Categorías.

  • name: el nombre de visualización con formato del campo.

• metricField: del cuadro de campo Valores.

  • name: el nombre de visualización con formato del campo.

  • aggregationFunction: la agregación utilizada para la métrica (SUMA, PROMEDIO, etc.).

• itemsCount: el número de elementos incluidos en este cálculo.

• items: elementos anómalos.

  • timeValue: los valores en la dimensión de fecha.

    • value: el campo de fecha/hora en el punto de la anomalía (valor atípico).

    • formattedValue: el valor con formato en el campo de fecha/hora en el punto de la anomalía.

  • categoryName: el nombre real de la categoría (cat1, cat2, etc.).

  • direction: la dirección en el eje x o el eje y que se identifica como anómala: HIGH o LOW. HIGH significa “más alto de lo esperado”. LOW significa “más bajo de lo esperado”.

    Al iterar sobre elementos, AnomalyDetection.items[index].direction puede contener HIGH o LOW. Por ejemplo, AnomalyDetection.items[index].direction='HIGH' o AnomalyDetection.items[index].direction=LOW. AnomalyDetection.direction puede tener una cadena vacía para ALL. Un ejemplo es AnomalyDetection.direction=''.

  • actualValue: el valor real de la métrica en el punto de la anomalía o valor atípico.

    • value: el valor sin formato.

    • formattedValue: el valor con formato del campo de métrica.

    • formattedAbsoluteValue: el valor absoluto con formato del campo de métrica.

  • expectedValue: el valor previsto de la métrica en el punto de la anomalía (valor atípico).

    • value: el valor sin formato.

    • formattedValue: el valor con formato del campo de métrica.

    • formattedAbsoluteValue: el valor absoluto con formato del campo de métrica.