Konzept: Anomalieerkennung in Tabellenblättern
Die Anomalieerkennung beginnt mit Ihren Istdaten. Basierend auf den Istdaten erstellt der Algorithmus ein Modell der Vorhersagewerte, die in einer bestimmten Machine Learning-Prognoseversion gespeichert werden. Der Algorithmus erstellt dann eine Reihe akzeptierter Daten, anhand der die Machine Learning-Prognose mit jeder anderen Planversion vergleichen wird. In Tabellenblättern werden die Daten hervorgehoben, die außerhalb des vorhergesagten Bereichs liegen. Sie können auch Ausreißer-Berichte erstellen.
In Tabellenblättern werden Anomalien für Rollups je nach Rollup-Art unterschiedlich hervorgehoben.
Rollup-Art | Verhalten bei Anomalien |
|---|---|
Konten | Der Algorithmus erkennt keine Daten außerhalb des zulässigen Bereichs im Konto-Rollup. Im Tabellenblatt wird jedoch das Konto-Rollup hervorgehoben, wenn die Daten der einfließenden Konten außerhalb des Bereichs liegen. Wenn eine Rollup-Zelle eines Kontos einen lilafarbenen Rahmen hat, blenden Sie das Konto ein, um nach den hervorgehobenen Anomalien zu suchen. |
Splits | Der Algorithmus erkennt und hebt Daten in Split-Rollups hervor, die außerhalb des Bereichs liegen, Blenden Sie die Daten einzelner Splits ein und ändern Sie sie, damit die Summe im Bereich liegt. Im Tabellenblatt werden die einfließenden Splits, die außerhalb des Bereichs liegen, nicht hervorgehoben. |
Zeit-, Ebenen- und Dimensions-Rollups | Der Algorithmus erkennt in diesen Rollups keine Daten, die außerhalb des Bereichs liegen. Im Tabellenblatt werden die Rollups auch in folgenden Fällen nicht hervorgehoben:
|