Utiliser la fonction Expliquer pour identifier les anomalies dans les enregistrements de votre jeu de données

Dans Oracle Analytics, cliquez avec le bouton droit de la souris sur une colonne cible de votre jeu de données, sélectionnez Expliquer, puis sélectionnez l'onglet Anomalies. Une liste d'anomalies apparaît en quelques secondes. Chaque anomalie est représentée par une barre dans le graphique à barres qui précède.

La fonction Expliquer prend en compte les colonnes d'attribut et de date et identifie les intersections de deux ou trois colonnes d'attribut où la valeur d'une mesure est différente de la valeur logiquement attendue (régressions). Les résultats détaillés diffèrent pour les mesures et les attributs.

Si vous utilisez la fonction Expliquer pour une colonne de mesure

L'onglet Anomalies analyse les combinaisons d'attributs dans les dimensions sélectionnées dans Paramètres, et identifie les intersections où les valeurs de mesure sont différentes des valeurs attendues par les algorithmes de régression. Une description à côté de la visualisation présente la combinaison d'attributs identifiée comme étant anormale. La visualisation sous-jacente présente l'écart entre la valeur réelle de la mesure (barre) et la valeur attendue par les algorithmes de régression (lignes planes). Vous pouvez ajouter le graphique à votre canevas et l'exploiter tel quel. Vous pouvez également visualiser manuellement la combinaison qui a été identifiée comme étant une valeur aberrante.

Si vous utilisez la fonction Expliquer pour une colonne d'attribut

L'onglet Anomalies analyse les combinaisons d'attributs dans les dimensions sélectionnées dans Paramètres, et identifie les intersections où le nombre d'enregistrements est différent du nombre attendu par les algorithmes de régression. Vous pouvez cliquer sur un hyperlien déroulant dans le texte d'en-tête en haut de l'onglet, indiquant quelle valeur de l'attribut sélectionné est affichée. Plus bas dans la page, le texte au-dessus de chaque visualisation décrit la combinaison d'attributs identifiée comme étant anormale. La visualisation présente l'écart entre le nombre réel d'enregistrements pour cette intersection (barre) et le nombre attendu par les algorithmes de régression (lignes planes). Vous pouvez ajouter le graphique à votre canevas et l'exploiter directement tel quel.