Deteksi anomali bertenaga ML untuk outlier

Komputasi deteksi anomali bertenaga ML mencari data Anda untuk outlier. Misalnya, Anda dapat mendeteksi tiga outlier teratas untuk total penjualan pada 3 Januari 2019. Jika Anda mengaktifkan analisis kontribusi, Anda juga dapat mendeteksi driver utama untuk setiap outlier.

Untuk menggunakan fungsi ini, Anda memerlukan setidaknya satu dimensi di bidang Waktu dengan baik, setidaknya satu ukuran di bidang Nilai dengan baik, dan setidaknya satu dimensi di bidang Kategori dengan baik. Layar konfigurasi menyediakan opsi untuk menganalisis kontribusi bidang lain sebagai driver utama, bahkan jika bidang tersebut tidak berada di sumur lapangan.

Untuk informasi selengkapnya, lihat Mendeteksi outlier dengan deteksi anomali bertenaga ML.

catatan

Anda tidak dapat menambahkan deteksi anomali bertenaga ML ke komputasi lain, dan Anda tidak dapat menambahkan komputasi lain ke deteksi anomali.

Output komputasi

Setiap fungsi menghasilkan satu set parameter output. Anda dapat menambahkan output ini ke autonarrative untuk menyesuaikan apa yang ditampilkan. Anda juga dapat menambahkan teks kustom Anda sendiri.

Untuk menemukan parameter output, buka tab Komputasi di sebelah kanan, dan temukan komputasi yang ingin Anda gunakan. Nama-nama perhitungan berasal dari nama yang Anda berikan saat Anda membuat wawasan. Pilih parameter output dengan mengkliknya hanya sekali. Jika Anda mengklik dua kali, Anda menambahkan output yang sama dua kali. Anda dapat menggunakan item yang ditampilkan bold monospace fontsebagai berikut dalam narasi.

• timeFieldDari lapangan Waktu dengan baik.

  • name— Nama tampilan bidang yang diformat.

  • timeGranularity— Granularitas bidang waktu (DAY, YEAR, dan sebagainya).

• categoryFields— Dari bidang Kategori dengan baik.

  • name— Nama tampilan bidang yang diformat.

• metricField— Dari bidang Nilai dengan baik.

  • name— Nama tampilan bidang yang diformat.

  • aggregationFunction— Agregasi yang digunakan untuk metrik (SUM, AVG, dan sebagainya).

• itemsCount— Jumlah item yang termasuk dalam perhitungan ini.

• items— Item anomali.

  • timeValue— Nilai-nilai dalam dimensi tanggal.

    • value— Bidang tanggal/waktu pada titik anomali (outlier).

    • formattedValue— Nilai yang diformat di bidang tanggal/waktu pada titik anomali.

  • categoryName— Nama sebenarnya dari kategori (cat1, cat2, dan sebagainya).

  • direction— Arah pada sumbu x atau sumbu y yang diidentifikasi sebagai anomali: atau. HIGH LOW HIGHberarti “lebih tinggi dari yang diharapkan.” LOW berarti “lebih rendah dari yang diharapkan.”

    Saat iterasi pada item, AnomalyDetection.items[index].direction dapat berisi salah satu HIGH atauLOW. Misalnya, AnomalyDetection.items[index].direction='HIGH' atauAnomalyDetection.items[index].direction=LOW. AnomalyDetection.directiondapat memiliki string kosong untukALL. Contohnya adalah AnomalyDetection.direction=''.

  • actualValue— Nilai aktual metrik pada titik anomali atau outlier.

    • value— Nilai mentah.

    • formattedValue— Nilai yang diformat oleh bidang metrik.

    • formattedAbsoluteValue— Nilai absolut diformat oleh bidang metrik.

  • expectedValue— Nilai yang diharapkan metrik pada titik anomali (outlier).

    • value— Nilai mentah.

    • formattedValue— Nilai yang diformat oleh bidang metrik.

    • formattedAbsoluteValue— Nilai absolut diformat oleh bidang metrik.