Poikkeamien havaitseminen on tilastollinen tekniikka, jolla Analyticsin automaattiseuranta tunnistaa aikasarjadatan poikkeamia tietyssä mittarissa sekä tietyssä segmentissä esiintyviä poikkeamia tietyllä hetkellä.
Poikkeamien havaitseminen mittareissa ajan mittaan
Automaattiseuranta soveltaa aiempaan dataan bayesilaista tila- ja aikasarjamallia, jonka avulla arvioidaan aikasarjan viimeisimmän datapisteen arvo. Malli luo ennusteen ja luottamusvälin, joiden avulla havainnoitavaa mittaria arvioidaan.
Analyticsin automaattiseuranta ennustaa aiemman datan perusteella mittarin arvon nykyisellä ajanjaksolla ja merkitsee datapisteen poikkeamaksi, jos todellinen arvo on luottamusvälin ulkopuolella. Kun tunneittaisten poikkeamien havaitsemista opetetaan, käytetään kahden viikon koulutusjaksoa. Kun päivittäisten poikkeamien havaitsemista opetetaan, käytetään 90 päivän koulutusjaksoa. Kun viikoittaisten poikkeamien havaitsemista opetetaan, käytetään 32 viikon koulutusjaksoa.
Segmentin poikkeamien havaitseminen tietyllä hetkellä
Vaikka aikasarjaan perustuvassa poikkeamien havainnoinnissa käytetään aiempaa dataa yksittäisen mittarin merkitsemiseen yksittäisessä kategoria-arvossa, poikkeamien havaitsemista voidaan myös tehdä samanaikaisesti useille mittareille ja kategoria-arvoille tietyllä hetkellä.
Tässä lähestymistavassa käytetään pääkomponenttianalyysia (PCA) mittareiden korrelaatiorakenteiden hyödyntämiseen sekä ristivalidointia poikkeamien merkitsemiseen.
Ensin tunnistamme kategoriat ja mittarit, joille tehdään PCA-analyysi. Kaikkien mahdollisten kategoria-arvojen perusteella luodaan useita segmenttejä, ja sitten kukin mittari normalisoidaan segmentin käyttäjämäärän perusteella. Tämän jälkeen kyseisille segmenteille ja normalisoiduille mittareille tehdään PCA-analyysi. Jos jossakin segmentissä esiintyy poikkeamia minkä tahansa mittarin osalta ja segmentti kattaa vähintään 0,05 % omaisuuden käyttäjistä, kyseinen segmentti merkitään poikkeamaksi. Tämä analyysi tehdään tällä hetkellä viikoittain.