Show Menu
主題×

異常偵測

異常偵測使用統計模型來自動尋找資料中的意外趨勢。模型會分析量度並判斷下界限、上界限及正常值範圍。當發生意外的尖峰或下降時,系統會在報表中警報。
您可能會調查的異常例子包括:
  • 訂單平均值大幅下降
  • 低收入訂單發生尖峰
  • 試用版註冊發生尖峰或下降
  • 登陸頁面檢視次數下降
  • 視訊緩衝事件的尖峰
  • 低視訊位元率的尖峰
異常偵測只有在您選取「日」精細度時才可用。
異常偵測度量
異常偵測對您選取的每個度量新增度量值,包括:
元素 說明
下界限
預測區間較低層級。低於此層級的值被視為異常。
代表有 95% 的把握值將高於此層級。
正常
根據資料分析預測值。此值也是上界限和下界限間的中點。
上界限
預測區間較高層級。高於此層級的值被視為異常。
代表有 95% 的把握值將低於此層級。
Report Builder 將這些值套用至所選取度量。例如,若您選取「頁面檢視」度量並套用異常偵測,則​ Page Views Lower Bound ​度量已使用。
如何計算異常偵測
異常偵測每日於培訓期間計算、學習並報告預測區間。培訓期間指的是,在歷史期間確認正常與異常,並套用已學習的至報表期間。在行銷報表中,30 天、60 天或 90 天的培訓期間皆適用。在 Report Builder 中,可使用 30 天。
培訓期間不一定會跟所選取報表期間一樣。報表圖表顯示日曆中您指定的日期範圍。
計算資料就是將每一度量的單日總量與培訓期間相比,使用下列的演算法:
  • Holt Winters 乘法模型 (三重指數平滑)
  • Holt Winters 加法模型 (三重指數平滑)
  • Holts 趨勢修正 (雙重指數平滑)
套用每一個演算法決定最小誤差平方和 (SSE) 演算法。接著計算平均絕對百分差及現有標準差,確保模型為統計上有效。
可延伸這些演算法以提供未來期間度量的預測預報。
培訓期間會依報表期間何時開始而不同,您可能會在同一個日期資料看到差異,因為報表是來自兩個不同的期間。
例如,若您執行 1 月 1 日至 14 日的報表,接著執行 1 月 7 日至 21 日的報表。在兩份報告中,同樣是 1 月 7 日至 14 日的度量,您有可能看到不同的預測資料。這是因為培訓期間不同而產生的結果。
報表範圍
培訓期間
1 月 1 日至 14 日
11 月 27 日至 12 月 31 日
1 月 7 日至 21 日
12 月 4 日至 1 月 6 日