专栏首页GA小站Adobe Analytics中的异常检测

Adobe Analytics中的异常检测

adobe致力于将人工驱动的AI辅助分析纳入Analysis Workspace内置的多个功能中。每个功能都结合了数据科学,人工智能和机器学习功能,可帮助你更快地生成分析和见解。所有这些工具都可以执行你设置任务,但是Adobe会大规模执行此任务,以减少你工作量并增强查找有趣和有价值的数据的能力。

本章介绍的三个功能是异常检测,贡献分析和细分比较。作为智能分析的一部分,Adobe将前两个功能和警报进行了分类。我们认为这种品牌宣传是合适的,因为智能分析可以充当从未离开办公室的专家分析师,智能分析体现了Adobe机器学习支持的能力。

检测异常

异常(偏离规范或预期结果的事物)会影响并在理解各种现象中发挥关键作用。这适用于分析营销数据。为什么即使产品相似,一种产品还是可以通过特定的营销渠道比其他产品卖得更好?人们为什么在本月的第一个星期二购买更多的产品?回答这些谜团将可以成功打开营销的大门?

Adobe Analytics提供了功能强大且直观的工具,可以在Analysis Workspace中根据上下文查看和分析数据异常。例如,Analysis Workspace的异常检测算法包括以下内容:

  • 除了现有的每日粒度外,还支持每小时,每周和每月粒度
  • 意识到季节性(例如“黑色星期五”)和节假日

让我们来看一下异常检测为何如此重要,为何起作用以及如何起作用。然后,你可以缩小一点以查看如何使用异常检测产生的数据。

对KPI使用异常检测

通过查看异常检测如何帮助你理解关键性能指标(KPI)指标,你可以开始探索异常检测。例如,假设你的公司销售自行车和配件。将异常检测应用于表或折线图可能会显示以下内容:

  • 平均订单价值大幅下降
  • 到达网页浏览量明显下降
  • 视频比特率低时波动很大
  • 低收入订单激增
  • 视频缓冲区事件中出现尖峰
  • 试用注册数量激增或下降

这些不是不重要的事件!这些可能并不能一下子就看出来,但“异常检测”将这些检测出来。

但是在这里,我们要介绍异常检测中的另一个关键因素:使用考虑假日和其他重要日历事件的规则和公式。例如,在这个大多数或许多人庆祝圣诞节的国家/地区,订单急剧下降,着陆页浏览量显着下降或试用注册数量激增,在这个国家,大多数人都会庆祝圣诞节,这时候是不需要设置预警的。仅当急剧下降,明显下降或峰值在统计上不同(肉眼无法辨别)时,Adobe的“异常检测”功能才会发出警报。Adobe Analytics对此进行了介绍, 正如本章不久将介绍异常检测背后的基本算法时所见,。

在撰写本文时,Adobe Analytics Select和Adobe Analytics Foundation客户只能访问Workspace中的每日粒度异常检测。如果不确定是否可以访问其他功能,请与管理员联系,管理员可以通过登录Adobe Analytics管理控制台并选择“公司设置”>“查看功能访问级别”来进行查找。

了解异常检测的工作原理

异常检测提供了一种统计方法,可以确定给定指标的变化相对于以前的数据是否在统计上有意义。借助“异常检测”,你可以主动获悉数据中的峰值或下降,这些峰值或下降可能看起来不像峰值或下降,因为简单地,你的速度不如计算机,更不用说众多有Adobe算法的服务器。异常检测可以帮助你确定哪些波动很重要,哪些波动无关紧要。

例如,假设一家企业的每周节奏很简单-周一至周四的销售额增长,而周五至周日的销售额下降。看起来足够简单,可以用人眼识别吗?我们同意。但是,要说出过去一个星期一的销售量是否比正常增长(超过上周,上个月和去年)还容易呢?

也许像你这样的优秀分析师会比其他分析师更快地应用计算出的指标来识别这一点,但是你可能不会在执行的每个分析中都这样做。这就是Adobe异常检测发挥作用的地方-你趋向的每一个指标都会自动通过Adobe的算法运行,以帮助你识别异常。用于检测异常的Adobe Analytics计算是超快速且超级智能的。

了解异常检测背后的逻辑和数学

Adobe在定义算法以检测异常方面进行了大量研究。对于我们中的某些人来说,这就是我们需要知道的全部-我们相信扎实的逻辑和数学是我们的后盾,并且不会被视为异常。如果你处于“只是告诉我如何检测异常”模式,请随时跳到下一部分。(我们将在这里提供有关异常检测如何以及为何起作用的更多说明。)

在与Adobe Analytics建立关系的某个时刻,值得花一些时间来探究如何识别异常的数学和逻辑。隐藏的内容将帮助你理解和欣赏所揭示内容的价值和有效性。

识别异常检测背后的统计方法和规则

工作区中的异常检测使用一系列统计技术来确定是否应将观察结果视为异常。这些技术中有些是复杂的,而另一些则是基本且显而易见的。

后者的示例:重大假期(例如美国假期感恩节)被纳入“异常检测”方程式中。例如,如果在一个重大假期的下午销售直线下降,则应在Adobe Analytics发出警报并错误识别异常之前予以考虑。

以下是撰写本文时Adobe已将其应用于异常检测算法的完整假期清单:

  • 纪念日
  • 七月四日
  • 感恩
  • 黑色星期五
  • 网络星期一
  • 圣诞
  • 圣诞节前后的一天
  • 除夕之日
  • 元旦

这些假期是根据对许多客户数据点进行的广泛统计分析选择的,以确定对客户趋势影响最大的假期。尽管该列表当然不能完全涵盖所有客户或业务周期,但Adobe发现利用这些假期可以显着提高几乎所有客户数据集的整体算法性能。

异常检测的深度观察

Adobe的算法应用了包含误差,趋势,季节性(ETS)模型的时间序列模型进行分析。ETS是指数平滑的一种应用,自1950年代以来,数据分析人员就一直在使用这种方法来处理数据的高峰和下降并将其关联起来。在过去的几十年中,这种方法一直在发展。如果您对平滑模型的开发方式感兴趣,则可以阅读Rob Hyndman,Anne B.Koehle,Keith Ord和Ralph D撰写的《用指数平滑进行预测》一书。斯奈德。该书包括一个部分,说明趋势季节性(ETS)模型可帮助构建Adobe Analytics中异常检测背后的复杂数学。

高级Adobe客户经常询问是否可以调整“异常检测”规则和算法。不幸的是,简短的答案是“否”。检测或过滤掉可能表明异常的数据的规则是Adobe员工进行大量研究的结果。这些检测算法以以下方式应用异常检测:对所有公司都应该有价值。例如,如果您的公司销售滑雪板,滑雪板,水上摩托艇和冬季天气装备,则无法将Adobe Analytics配置为在7月(北半球)的销售折让。你可以建立这种类型的季节性报表中添加变体,但您无法为此任务自定义“异常检测”。

Adobe可以(也许有一天会)允许用户自定义异常检测规则。同时,Adobe Analytics当前已修复异常检测规则这一事实凸显了这样一个事实,即数据分析中总会有独特的因素需要人类分析方面的批判性思考。

在基于日期的自由格式表中查看异常

我们希望你现在就坐到位,等待学习如何将异常检测应用于您的Workspace项目。你可以通过几种方式快速访问Analysis Workspace中的“异常检测”。通常,我们已经在自由格式表格中分析了一组趋势数据,希望自动通知异常。请按照以下步骤在使用日期(例如天,小时或月)作为单独维度的表中查看异常:

  1. 从面板中的自由格式表开始,时间范围设置为最近的一段时间
  1. 将指标(例如页面浏览量)拖到自由格式表中,方法是将其拖动到第一列标题,这将自动将day添加为维度。

如上图中的按日浏览量表是一个简单的示例,到目前为止,你可能已经建立了数十次。

  1. 在自由格式表中,请注意右上方显示的“搜索新异常”消息。

Adobe Analytics正在执行您在本章前面探讨的计算,以自动跟踪和识别异常。 在几秒钟之内,Adobe应该完成对异常的搜索。现在,如果检测到异常,每个行将自动在右上角标记为三角形。

  1. 将鼠标悬停在三角形上,如图所示

你会看到异常值与预期值的差异程度,异常值也在表格的单元格中直观地表示,绿色阴影部分表示实际值与预期值之间的差距。在图所示,你可以看到第一行中的阴影区域比其右侧的竖线要早得多,因此异常中的结果低于预期。同样,阴影区域超出了竖线,表示数据出现异常峰值。

如果这些步骤没有导致任何异常,请不要怪我们!这可能意味着你在所选月份内选择的指标没有任何异常-祝贺你获得稳定的数据!但是,没有异常也可能意味着你无权使用异常检测。尝试更改日期范围和指标;如果仍然看不到异常,请与管理员确认你确实有权使用此功能。

通过趋势线图查看没有日期维度的异常

如本章前面所述,创建自由格式表时,异常检测通常会自动启动。但这并非总是如此。

例如,如果你使用非日期的维度(例如营销渠道,页面类型或产品)创建自由格式表格,则不会看到已识别的异常。但是,如果你想查看已发现的异常怎么办?例如,即使你的表格设置为比较不同的营销渠道,你也可能希望确定响应电子邮件活动的峰值。

要发现没有日期维度的异常,请按照以下步骤学习如何创建已应用异常检测的趋势折线图:

  1. 使用不是日期(例如营销渠道)和任何指标(例如网页浏览量)的维度来创建自由格式表格

请注意,因为维度不是日期(例如天或月),所以Adobe如何不搜索异常。

  1. 将鼠标悬停在任何维度上,然后单击出现的“可视化”按钮,如图所示。

搜索异常几秒钟后,折线图显示一个浅绿色的阴影置信带和一条虚线,指示Adobe的预测。异常(如果有)在趋势线上显示为超大数据点,并且会在绿色阴影区域之外存在。

  1. 要查看有关异常的更多详细信息,请将鼠标悬停在异常数据点上

数据点显示异常的日期,原始值和与预期值的百分比差异。如果你看到分析异常的链接,则还可以触发贡献分析。暂时不要单击它,因为你们公司对此功能的访问权限可能有限。另外,你也不想破坏本章后面的内容,

Adobe对Analysis Workspace中的每个趋势指标运行“异常检测”。如果你创建了功能强大的计算指标并应用了多个细分, 趋势分析将运行“异常检测”。如果你运用路径分析,分析到了第19部, 趋势分析将运行“异常检测”。你很快会惊讶于Adobe多久通知你一些你本来不会想要的东西-这就是异常检测的魔力。

关闭异常检测

我们在本章的开头讨论了“异常检测”的价值,并成功地激发了你对Analysis Workspace中该功能的普遍性的胃口。也就是说,“异常检测”内置于Workspace中,以至于在你处理数据的大多数情况下都会发生。但是有时你不想在表格和折线图中显示异常。

为什么不检测异常?好吧,通常出于视觉目的严格关闭“异常检测”。我们一直在与倾向于提出错误问题的高管开会。如果他们在我们本来很完美的Workspace项目杰作中看到一个过大的数据点,我们将不得不花10分钟的时间来解释它是什么,向他们保证我们已经研究过它,并重申这不是此目的。开会。为了避免这些麻烦,Adobe使你可以在图表和表格中关闭“异常检测”。

要在自由格式表中的度量级别上关闭“异常检测”,请通过单击列标题中的齿轮图标转到“列设置”,然后取消选择“异常”。此设置将删除出现异常的三角形和用于指定期望值的竖线 。

如果你需要一次编辑多个指标的列设置,请使用Shift,⌘或Ctrl键盘快捷键选择多个列标题。你对列设置所做的任何更改都将应用于所有选定的列。

要关闭图表中的“异常检测”,请通过单击右上角的齿轮图标,然后取消选择“显示异常”来转到图表的设置。如果置信带的阴影超出了y轴,请选择“允许异常检测缩放Y轴”选项,这将增加该轴,足以为度量标准的预测腾出空间。

本文分享自微信公众号 - GA小站(ichdata),作者:Haran

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-11-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 互联网营销优化的困境与应对策略

    在过去的流量增速有两个来源,一个是人口红利,一个是自然增速,在前面的多年里,互联网的增速主要来自人口红利,网民数量在2015年的时候就过半,要想再有翻一番是不...

    GA小站
  • 公开课第2期:垃圾流量的识别

    垃圾流量已经成了网络流量的“中坚”力量,已经超过了正常的流量,这类流量防不胜防,给广告主带来了具大的困扰,这一节将介绍7种方法去分析垃圾流量,我曾应用里面的一种...

    GA小站
  • Adobe的营销云——Adobe Experience Cloud

    发觉市面上很少有关Adobe的中文资料,打算写点关于这方面的东西,可能很多人都对Adobe的印象还停留在Photoshop,不知道Adobe在数字营销或营销云市...

    GA小站
  • 华大是否“癌变”?

    目前比较有效、准确、全面的产前检查依旧是“传统产检+基因筛查+高风险人群产前诊断”这一方式。

    镁客网
  • 继往开来!目标检测二十年技术综述

    计算机视觉中的目标检测,因其在真实世界的大量应用需求,比如自动驾驶、视频监控、机器人视觉等,而被研究学者广泛关注。

    AI算法与图像处理
  • 继往开来!目标检测二十年技术综述

    计算机视觉中的目标检测,因其在真实世界的大量应用需求,比如自动驾驶、视频监控、机器人视觉等,而被研究学者广泛关注。

    AI科技大本营
  • 几个肠道微生物检测方法的对比

    由安吉莉娜·茱莉助推的基因检测仍在持续火热,蓝海逐步成为红海。而早就有人把目光投向了肠道微生物群的检测,最近一段时间ncs的接力发表足以说明它的火热,检测公司国...

    用户1075469
  • 20年的目标检测大综述(章节2)

    今天我们接着上次综述章节1继续来大家来说说,本次主要说说20年内的目标检测,感谢大家的关注与支持。

    计算机视觉研究院
  • 机器视觉检测相较于人工检测有哪些优势

    上世纪 70 年代,人们利用仿生学的原理,充分利用计算机的快速性、可靠性、大存储量、可重复性、高计算性能,把传统的检测、处理、执行环节与计算机技术密切配合,实现...

    小白学视觉
  • 干货 | 目标检测入门,看这篇就够了(上)

    作者 | 李家丞( 同济大学数学系本科在读,现格灵深瞳算法部实习生) 近年来,深度学习模型逐渐取代传统机器视觉方法而成为目标检测领域的主流算法,本系列文章将回顾...

    刘盼

扫码关注云+社区

领取腾讯云代金券