La detección de anomalías es una técnica estadística que usa Analytics Intelligence para identificar valores atípicos tanto en datos de series temporales de una métrica determinada como dentro de un segmento en un mismo momento determinado.
Identificar anomalías en las métricas con el paso del tiempo
Intelligence aplica un modelo bayesiano de serie espacio-temporal al historial de datos para predecir el valor del dato más reciente de la serie temporal. El modelo genera una predicción y un intervalo creíble que usamos para evaluar la métrica observada.
Con el historial de datos, Analytics Intelligence predice el valor de la métrica en el periodo actual y marca el dato como una anomalía si el valor real se encuentra fuera del intervalo creíble. Si se trata de anomalías horarias, el periodo de aprendizaje es de 2 semanas. En el caso de la detección de anomalías diarias, es de 90 días. Si se trata de anomalías semanales, es de 32 semanas.
Identificar anomalías dentro de un segmento en un mismo momento
Si bien la detección de anomalías basada en series temporales utiliza el historial de datos para marcar una única métrica dentro de un valor de dimensión, también ofrecemos un sistema de detección simultánea de anomalías en varios valores de dimensiones y métricas en un momento dado.
En este sistema utilizamos el análisis de componentes principales (ACP) para aprovechar la estructura de correlación de las métricas junto con la validación cruzada para marcar anomalías.
Primero, identificamos el conjunto de dimensiones y métricas que se someterán al ACP. Basándonos en todos los posibles valores de dimensión, creamos varios segmentos y, a continuación, normalizamos cada métrica con respecto al número de usuarios de un segmento. Acto seguido, ejecutamos el ACP en esos segmentos y en las métricas normalizadas. Si algún segmento en particular demuestra un comportamiento anómalo en cualquier métrica y comprende al menos el 0,05 % de los usuarios de esa propiedad, mostramos esos segmentos como anomalías. Actualmente, realizamos este análisis semanalmente.