黑科技又来了！这回是异常数据检测！ | PBI实战应用

- 1 -

从一堆异常数据里识别出异常数据，这个问题本身是很难、很难、很难的，除了一些可以明确定义的异常规则（这一点因各种情况差异很大，后续通过不同案例讲解），还有很多的异常其实就靠业务的经验、理解甚至是感觉。

但是，靠经验不等于瞎来，也不等于某些影视剧里无厘头的故作便秘状的“灵光闪现”。

这时，如果有一定的工具辅助，结合一定的敏感度对“看起来不太一样”的数据进行预判标识，那对于业务来说，将会有很大的帮助。

- 2 -

先举个简单的例子，我们有一张日销量表：

基于这张表，我们在Power BI里可以轻松制作一个销量趋势折线图：

那么，这个销量里是否存在一些异常情况呢？我们可以用Power BI快速做分析：选中折线图，依次单击“分析/查找异常/添加”：

调整敏感度（90%），然后单击“应用”，折线图上马上标出一个小黑点，即表示该点存在异常情况：

另外，我们还可以设置异常标记的格式，比如调整形状，颜色等等：

是不是很简单？但是，更牛逼的还在后面，我们可以点击异常点，然后……竟然自动生成“异常”解释！

显然，这里是关联了表里的其他列做出的智能统计！

- 3 -

到了这里，肯定又很多朋友想问，这个判断异常的原理（算法）是什么呀？

好吧，就像前面文章《对不起，这些技术细节，只能翻微软官方操作手册了！| 附PQ手册下载》一样，又得搜微软官方说明了！

经查，该异常判断的算法可以参考文章：

https://techcommunity.microsoft.com/t5/ai-customer-engineering-team/overview-of-sr-cnn-algorithm-in-azure-anomaly-detector/ba-p/982798

文中很多内容看不懂，但这个两个图看懂了：

如果想进一步了解，还可以看关联的论文（虽然我觉得看不懂，但还是觉得很贴心，有没有？）：

当然，知道是什么算法，自然就又可以通过搜索引擎进行搜索，在此不再展开，有兴趣的朋友可以进一步研究，有什么心得欢迎留言分享。