Concepts pour la détection des anomalies ou des cas particuliers

Amazon QuickSight utilise le mot anomalie pour décrire les points de données qui ne font pas partie d'un schéma global de distribution. Le terme « anomalies » est un terme scientifique qui a de nombreux synonymes, comme cas particuliers, écarts, bizarreries, exceptions, irrégularités, et bien plus encore. Le terme que vous utilisez peut dépendre du type d'analyse que vous effectuez, du type de données que vous utilisez, ou encore simplement de la préférence de votre groupe. Ces points de données marginaux représentent une entité (personne, lieu, objet ou moment) qui est exceptionnelle d'une manière ou d'une autre.

Les êtres humains reconnaissent facilement les modèles et repèrent les éléments qui diffèrent. Nos sens repèrent ces informations. Si le modèle est simple et que la quantité de données est moindre, vous pouvez facilement créer un graphique pour mettre en évidence les cas particuliers dans vos données. Voici quelques exemples simples :

• Un ballon rouge dans un groupe de ballons bleus

• Un cheval de course très en avance sur les autres

• Un enfant qui n'est pas attentif en classe

• Une journée où les commandes en ligne sont en hausse, mais les expéditions sont en baisse

• Une personne qui s'est bien rétablie, contrairement à d'autres personnes

Certains points de données représentent un événement significatif, tandis que d'autres représentent une occurrence aléatoire. L'analyse révèle quelles données méritent d'être étudiées, en fonction des facteurs clés qui ont contribué à l'événement. Les questions sont essentielles à l'analyse des données. Pourquoi cela s'est-il produit ? À quoi est-ce lié ? Cela s'est-il produit une seule fois ou plusieurs fois ? Que pouvez-vous faire pour encourager ou décourager cet événement ?

Pour comprendre comment et pourquoi un écart existe et si ces écarts font l'objet d'un modèle, vous devez pousser la réflexion plus loin. Sans le Machine Learning, plusieurs personnes peuvent arriver à une conclusion différente, du fait de leurs différentes expériences et informations. Chaque personne est donc susceptible de prendre des décisions professionnelles légèrement différentes. Lorsque de nombreuses données ou variables doivent être prises en compte, l'analyse peut être surchargée.

La détection des anomalies basée sur le Machine Learning identifie les facteurs et les corrélations pour vous permettre de prendre des décisions basées sur les données. Vous contrôlez et définissez la façon dont vous souhaitez que la tâche analyse vos données. Vous pouvez spécifier vos propres paramètres et choisir d'autres options, telles que l'identification des facteurs clés dans une analyse de contribution. Ou vous pouvez utiliser les paramètres par défaut. La section suivante vous guide tout au long du processus d'installation et fournit des explications sur les options disponibles.