Conceitos da detecção de anomalias ou discrepâncias

A Amazon QuickSight usa a palavra anomalia para descrever pontos de dados que estão fora de um padrão geral de distribuição. Há muitas outras palavras para anomalias, que é um termo científico, incluindo discrepâncias, desvios, idiossincrasias, exceções, irregularidades, peculiaridades e muitos mais. O termo que você usa pode ser baseado no tipo de análise que você faz ou no tipo de dados que você usa, ou mesmo apenas na preferência de seu grupo. Esses pontos de dados discrepantes representam uma entidade, uma pessoa, um lugar, uma coisa ou um tempo, que é excepcional de alguma forma.

Os humanos reconhecem padrões facilmente e detectam coisas que não são iguais às outras. Nossos sentidos fornecem essas informações para nós. Se o padrão for simples e houver apenas poucos dados, você poderá fazer um gráfico facilmente para destacar as discrepâncias em seus dados. Alguns exemplos simples incluem:

• Um balão vermelho em um grupo de azuis

• Um cavalo de corrida que está muito à frente dos outros

• Uma criança que não está prestando atenção à aula

• Um dia em que os pedidos online estão ativos, mas o envio está inativo.

• Uma pessoa que se recuperou, enquanto outras não

Alguns pontos de dados representam um evento significativo, e outros representam uma ocorrência aleatória. A análise revela quais dados vale a pena investigar com base em quais fatores de direcionamento (principais direcionadores) contribuíram para o evento. Perguntas são essenciais para a análise dos dados. Por que isso aconteceu? Com o que isso está relacionado? Aconteceu apenas uma ou várias vezes? O que você pode fazer para encorajar ou desencorajar mais essas ocorrências?

Compreender como e por que existe uma variação e se existe um padrão nas variações, requer mais análise. Sem a ajuda do machine learning, cada pessoa pode chegar a uma conclusão diferente, porque as pessoas têm experiência e informações diferentes. Portanto, cada pessoa pode tomar uma decisão de negócios ligeiramente diferente. Se houver muitos dados ou variáveis a serem considerados, isso pode exigir uma grande quantidade de análise.

A detecção de anomalias desenvolvida por ML identifica as causas e correlações para permitir que você tome decisões baseadas em dados. Você ainda tem controle sobre como definir como quer que o trabalho funcione em seus dados. Você pode especificar seus próprios parâmetros e escolher opções adicionais, como identificar os principais direcionadores em uma análise de contribuição. Você pode usar as configurações padrão. A seção a seguir demonstra detalhadamente o processo de configuração e fornece explicações para as opções disponíveis.