View a markdown version of this page

ML-powered detecção de anomalias para valores discrepantes - Amazon Quick
Saídas das computações

As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

ML-powered detecção de anomalias para valores discrepantes

O cálculo de detecção de ML-powered anomalias pesquisa seus dados em busca de valores discrepantes. Por exemplo, é possível detectar as três principais discrepâncias do total de vendas de 3 de janeiro de 2019. Se você habilitar a análise de contribuição, também poderá detectar os principais direcionadores de cada discrepância.

Para usar essa função, você precisa de pelo menos uma dimensão no campo Time (Tempo), pelo menos uma medida no campo Values (Valores) e pelo menos uma dimensão no campo Categories (Categorias). A tela de configuração fornece uma opção para analisar a contribuição de outros campos como direcionadores principais, mesmo que esses campos não estejam nas fontes de campos.

Para obter mais informações, consulte Detecção de valores discrepantes com detecção de anomalias ML-powered.

nota

Você não pode adicionar a detecção de ML-powered anomalias a outro cálculo e não pode adicionar outro cálculo a uma detecção de anomalias.

Saídas das computações

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado.

Para localizar os parâmetros de saída, abra a guia Computations (Computações) à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome que você fornece ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Você pode usar itens exibidos em bold monospace font depois da narrativa.

  • timeField: da fonte do campo Hora.

    • name: o nome de exibição formatado do campo.

    • timeGranularity: a granularidade do campo de hora (DIA, ANO e assim por diante).

  • categoryFields: da fonte do campo Categorias.

    • name: o nome de exibição formatado do campo.

  • metricField: da fonte do campo Valores.

    • name: o nome de exibição formatado do campo.

    • aggregationFunction: a agregação usada para a métrica (SUM, AVG e assim por diante).

  • itemsCount: o número de itens incluídos na computação.

  • items: itens anômalos.

    • timeValue: os valores na dimensão de data.

      • value— O date/time campo no ponto da anomalia (outlier).

      • formattedValue— O valor formatado no date/time campo no ponto da anomalia.

    • categoryName: o nome real da categoria (cat1, cat2 e assim por diante).

    • direction: a direção no eixo x ou no eixo y que é identificada como anômala, HIGH ou LOW. HIGH significa “maior do que o esperado”. LOW significa “menor do que o esperado”.

      Ao iterar em itens, AnomalyDetection.items[index].direction pode conter HIGH ou LOW. Por exemplo, AnomalyDetection.items[index].direction='HIGH' ou AnomalyDetection.items[index].direction=LOW. AnomalyDetection.direction pode ter uma string vazia para ALL. Um exemplo é AnomalyDetection.direction=''.

    • actualValue: o valor real da métrica no momento da anomalia ou discrepância.

      • value: o valor bruto.

      • formattedValue: o valor formatado pelo campo da métrica.

      • formattedAbsoluteValue: o valor absoluto formatado pelo campo da métrica.

    • expectedValue: o valor esperado da métrica no momento da anomalia (discrepância).

      • value: o valor bruto.

      • formattedValue: o valor formatado pelo campo da métrica.

      • formattedAbsoluteValue: o valor absoluto formatado pelo campo da métrica.