Détection des anomalies anomaly-detection
La détection des anomalies utilise la modélisation statistique pour détecter automatiquement les tendances imprévues dans vos données. Le modèle analyse les mesures et détermine une limite inférieure, une limite supérieure et une plage de valeurs attendues. En cas de pic ou de creux inattendu, le système vous en avertit par le biais du rapport.
Voici quelques exemples d’anomalies dont vous pouvez rechercher l’origine :
- Forte chute de la valeur de commande moyenne
- Pic des commandes avec recettes faibles
- Pic ou diminution des inscriptions aux offres d’essai
- Forte diminution des affichages de pages de destination
- Pic des événements de mémoire tampon pour la vidéo
- Pic des faibles débits en bits pour la vidéo
Mesures de détection des anomalies
La détection des anomalies ajoute de nouvelles valeurs de mesures pour chaque mesure que vous sélectionnez, notamment :
Niveau inférieur de l’intervalle de prédiction. Les valeurs inférieures à ce niveau sont considérées comme anormales.
Représente une confiance à 95 % que les valeurs seront au-dessus de ce niveau.
Niveau supérieur de l’intervalle de prédiction. Les valeurs supérieures à ce niveau sont considérées comme anormales.
Représente une confiance à 95 % que les valeurs seront en dessous de ce niveau.
Le Créateur de rapports applique ces valeurs aux mesures sélectionnées. Par exemple, si vous sélectionnez une mesure Pages vues et appliquez une détection des anomalies, une mesure Page Views Lower Bound est utilisée.
Comment la détection des anomalies est calculée
La détection des anomalies utilise une période de formation pour calculer, apprendre et rapporter les données de l’intervalle de prédiction par jour. La période de formation est la période historique qui identifie ce qui est normal par rapport à ce qui est anormal, et applique ce qui est appris à la période de création de rapports. Dans les rapports marketing, des périodes de 30, 60 et 90 jours sont disponibles. Par Report Builder, 30 jours sont disponibles.
La période de formation n’est pas nécessairement la même que la période de création de rapports sélectionnée. Un graphique de rapport affiche la période de la plage de données que vous indiquée dans le calendrier.
Pour calculer les données, le total journalier pour chaque mesure est comparé à la période de formation en utilisant chacun des algorithmes suivants :
- Holt Winters Multiplicative (Triple lissage exponentiel)
- Holt Winters Additive (Triple lissage exponentiel)
- Holts Trend Corrected (Double lissage exponentiel)
Chaque algorithme est appliqué afin de déterminer l’algorithme avec la plus petite somme des erreurs au carré. L’erreur en pourcentage absolue moyenne et l’erreur standard actuelle sont alors calculées afin de garantir que le modèle est statistiquement valide.
Ces algorithmes peuvent être étendus afin de fournir des prévisions des mesures pour les périodes futures.
La période de formation variant en fonction du début de la période de création de rapports, vous pourrez constater des différences dans les données rapportées pour la même date : elles pourront faire partie de deux périodes différentes.
Par exemple, si vous exécutez un rapport pour la période du 1er au 14 janvier, puis un autre pour la période du 7 au 21 janvier, vous pourrez voir différentes données de prédiction pour la même mesure entre le 7 et le 14 janvier dans les deux rapports différents. C’est le résultat de la différence entre les périodes de formation.