中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：產品設計最難的地方不在于“設計”，而在于“決策”。因為決策的依據來源于“場景——用戶——需求”,但對業務的認知局限會導致其信息理解上的偏差。本篇文章帶你了解異常判定下的產品設計。

“今天和朋友們聊聊數據分析、數據產品設計中經常面臨的場景：異常判定，并看看如何進行預警相關的產品設計。”

關于BI系統，之前分享過阿里的Quick BI，微信公眾平臺的看板設計，以及數據圖表相關設計。今天和大家聊聊常見的場景：異常數據的識別，以及預警相關功能的產品化設計。

一、場景概述

我們在做數據分析的時候，有一個重要的環節，就是發現目前運行數據的異常，然后基于異常尋找原因、提出意見和建議。

如果是人工判斷異常數據的話，往往通過恰當的可視化圖形就能很好地發現，比如下面數據走勢的異常：

或者下面的數據關系的異常，通過回歸曲線很容易發現右下角的異常點。

但是對于機器而言，想要識別異常數據，就比較麻煩了。這就是咱們今天將重點展開討論的內容：如何通過系統化的規則或者算法，識別異常數據。

由于數據的類型多種多樣，我們針對不同數據類型分別展開。

二、時序異常數據識別

時間序列相關的異常判定，應該是我們最常見的異常識別情景。尤其是在數據產品中，我們關注的大部分內容都是和時間序列有關系。

大家可以仔細回想一下你平時看到的數據監控看板等等，無論形態如何，基本都涉及了時間維度。但凡涉及時間維度，那么異常的識別都是基于時間來識別的，且識別的是最新一段時間是否異常（用最新數據鑒定歷史數據異常并沒有任何業務意義）。

了解了上面的內容，下面我們聊聊都有哪些時序異常數據的識別方法。

1. 基于固定數值

這個比較好理解，就是直接按照固定的數值進行異常判定。邏輯簡單、容易實現與理解。

比如上圖中，我們設定固定數值是[3800-5600]，在這個區間范圍內的數據，我們認為是正常數據；低于或者高于該區間的數據，認為是異常數據。

固定數值判斷異常的方法，核心在于如何取合理區間的上下限。如果有明確的業務紅線，可以將業務紅線設為上下限；如果沒有業務限制，可以使用分位數進行取值，比如歷史5%-95%分位認為是正常的。

對于一個發展比較穩定業務而言，設定固定的絕對數值是沒啥問題的。但是對于一個快速發展期的業務，很明顯，固定數值并不適用。

隨著時間的變化，合理的區間也相應發生了變化。這種情況不適合用固定數值進行異常判定，而是需要相對值。

2. 基于相對數值

上面講到了固定數值方法的缺點。因此，我們考慮相對數值的方法。提到相對值，主要就是同比和環比（關于同比和環比可參考歷史文章）。

由于同比通常的定義指的是與去年同期比較，因此針對單天，我們往往是與上周進行對比。如此，上周的數值就是基準值，再增加一個波動區間范圍即可。比如上周二的新增用戶數200，波動范圍設定[-10%，10%]，那么本周二如果新增用戶數在180-220則認為是正常的；超出該范圍則判定異常。

該方法也有明顯的缺點。如果上周二就是一個異常值（假設數值異常低），而本周二數據是恢復正常了。那么根據相對值得判定邏輯，很容易把本周二判定為「異常高」。這是點對點對比的缺點。

3. 基于統計分布

如何能避免單個異常點對后續判斷的影響呢？這里就可以基于統計分布進行規則建立。

這里我們可以采取 均值±標準差×3的方式。這里的均值可以采取當天之前一段時間的均值，比如90天、30天；標準差也選取相應時間段的標準差；倍數可以基于情況設置。

由于均值是一段時間內的均值，不是某一個具體點。因此通過這種方式，能消除異常數據對于后續的異常判定。

4. 基于時序模型

最后，還可以基于時間序列模型進行異常判定。

在統計模型中，有一類模型是專門針對時間序列進行建模的，用以預測未來一段時間的數據走勢。我們可以建立相應的ARMA模型等，基于實際值和預測值的差異，判定是否異常。

關于時間序列模型，我們這里就不展開了，后續會專門針對時間序列統計模型詳細分享相關基礎知識。

三、預警功能產品化設計

最后，我們一起看看預警功能的產品設計，這里主要以神策為例，看看預警功能的設計思路。

1. 預警設置

神策將預警功能和事件分析進行了結合，在做事件分析相關功能時，可以直接添加「預警」，進行預警配置。

下面是點擊「預警」后的配置界面：

配置基本信息中包括了規則名稱、監控指標、維度等；預警設置中包括監控時間粒度、監控時間、預警方式、觸發規則、通知方式等。

2. 預警觸發規則

預警配置中，最核心的一步就是進行預警規則的設置了。神策支持了兩種預警方式：智能預警和自定義預警。

這里的智能預警并未明示具體的邏輯，我猜主要就是基于統計分布和時序模型進行的所謂智能預警。而自定義預警主要包括了對比特定值（即固定值）以及歷史某期（即相對值）進行預警規則設置。

當然，自定義預警的閾值是用戶自行填寫的，沒有給出提示。

3. 預警通知

預警的通知配置，也是整個預警功能中必不可少的一部分。這里主要支持三種方式：系統通知、企業群通知、郵件通知。

關于時序預警相關的方法，以及產品化的介紹，就分享這些。這里強調一點，雖然數據看板的時序數據占了大多數，但是仍然有非時序的數據呈現。關于非時序的異常數據該如何鑒定異常呢？這個我們后面找時間再詳細分享。

另外，后面有機會聊聊，BI系統如何在異常判斷的基礎上，進行智能化分析。

#專欄作家#

NK冬至，公眾號：首席數據科學家，人人都是產品經理專欄作家。在金融領域、電商領域有豐富數據及產品經驗。擅長數據分析、數據產品等相關內容。

本文原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。