Concepto: detección de anomalías en hojas
La detección de anomalías comienza con sus datos de cifras reales. En función de los datos de cifras reales, el algoritmo crea un modelo de valores previstos que almacena en una versión predictiva de aprendizaje automático designada. A continuación, el algoritmo crea un rango de datos aceptados que compara la previsión de aprendizaje automático con cualquier otra versión de plan. Las hojas destacan los datos que quedan fuera del rango de predicción. También puede crear informes de valores atípicos.
Las hojas resaltan las anomalías de las agrupaciones de forma distinta según el tipo de agrupación:
Tipo de agrupación | Comportamiento ante anomalías |
|---|---|
Cuentas | El algoritmo no detecta datos fuera de rango en la agrupación de cuentas. Sin embargo, la hoja resalta la agrupación de cuentas cuando hay datos fuera de rango en las cuentas de contribución. Si una celda de agrupación de cuentas presenta un borde morado, expanda la cuenta para buscar las anomalías resaltadas. |
Divisiones | El algoritmo detecta y resalta los datos fuera de rango en agrupaciones de divisiones. Expanda y cambie los datos de divisiones individuales para que el total se encuentre dentro del rango. La hoja no resalta las divisiones de contribución que están fuera de rango. |
Agrupaciones de periodos, niveles y dimensiones | El algoritmo no detecta datos fuera de rango en estas agrupaciones. La hoja tampoco resalta estas agrupaciones en los siguientes casos:
|