Concept : détection des anomalies dans les feuilles
La détection des anomalies démarre avec vos données réelles. En s'appuyant sur les données réelles, l'algorithme crée un modèle de valeurs prédites qu'il stocke dans une version de prévision de machine learning désignée. L'algorithme crée ensuite une plage de données acceptées qui compare la prévision de machine learning à n'importe quelle autre version de plan. Les feuilles mettent en évidence les données qui sont en dehors de la plage de prédiction. Vous pouvez aussi créer des rapports sur les valeurs hors norme.
Les feuilles mettent en évidence les anomalies des agrégats différemment, selon le type d'agrégat :
Type d'agrégat | Comportement en cas d'anomalies |
|---|---|
Comptes | L'algorithme ne détecte pas les données hors plage dans l'agrégat de comptes. La feuille met toutefois en évidence l'agrégat de comptes quand il y a des données hors plage dans les comptes contributifs. Lorsqu'une cellule d'agrégat de comptes a une bordure violette, développez le compte pour repérer les anomalies en surbrillance. |
Subdivisions | L'algorithme détecte et met en évidence les données hors plage dans les agrégats de subdivisions. Développez et modifiez les données de subdivisions individuelles pour que le total soit dans la plage. La feuille ne met pas en surbrillance les subdivisions contributives qui sont hors plage. |
Agrégats de temps, de périmètres et de dimensions | L'algorithme ne détecte pas les données hors plage dans ces agrégats. La feuille ne met pas non plus en surbrillance les agrégats lorsque :
|