Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Erkennen von Ausreißern mit ML-gestützter Anomalieerkennung
Amazon Quick Sight verwendet bewährte Amazon-Technologie, um kontinuierlich ML-gestützte Anomalieerkennung anhand von Millionen von Metriken durchzuführen, um versteckte Trends und Ausreißer in Ihren Daten zu entdecken. Dieses Tool ermöglicht es Ihnen, tiefe Einblicke zu erhalten, die oft in Aggregaten stecken und über eine manuelle Analyse nicht skalierbar sind. Mit der ML-gestützten Anomalieerkennung können Sie nach Ausreißern in Ihren Daten suchen, ohne dazu eine manuelle Analyse, kundenspezifische Entwicklung oder Fachwissen im ML-Bereich zu benötigen.
Amazon Quick Sight benachrichtigt Sie in Ihren Grafiken, wenn es feststellt, dass Sie eine Anomalie analysieren oder Prognosen für Ihre Daten erstellen können.
Die Erkennung von Anomalien ist in der Region `eu-central-2` Europa (Zürich) nicht verfügbar.
**Wichtig**
Die ML-gestützte Anomalieerkennung ist eine rechenintensive Aufgabe. Bevor Sie diese verwenden, können Sie sich einen Eindruck der Kosten machen, indem Sie die Menge der Daten analysieren, die Sie verwenden möchten. Wir bieten ein mehrstufiges Preismodell, das auf der Anzahl der Metriken basiert, die Sie pro Monat verarbeiten.
**Topics**
+ [Begriffsverwendung im Zusammenhang mit dem Erkennen von Anomalien oder Ausreißern](anomaly-detection-outliers-and-key-drivers.md)
+ [Einrichten der ML-gestützten Anomalieerkennung für die die Analyse von Ausreißern](anomaly-detection-using.md)
+ [Untersuchung von Ausreißern und Hauptfaktoren mit ML-gestützter Anomalieerkennung und Beitragsanalyse](anomaly-exploring.md)
# Begriffsverwendung im Zusammenhang mit dem Erkennen von Anomalien oder Ausreißern
Amazon Quick Sight verwendet das Wort *Anomalie*, um Datenpunkte zu beschreiben, die außerhalb eines allgemeinen Verteilungsmusters liegen. Für Anomalien (ein wissenschaftlicher Begriff) werden auch viele andere Begriffe verwendet, u. a. Ausreißer, Abweichungen, Merkwürdigkeiten, Ausnahmen, Unregelmäßigkeiten, Eigenarten und vieles mehr. Der verwendete Begriff basiert ggf. auf dem von Ihnen verwendeten Analysetyp, dem verwendeten Datentyp oder sogar nur auf der Einstellungen Ihrer Gruppe. Diese außerhalb eines Bereichs liegenden Datenpunkte stellen eine Entität dar – eine Person, einen Ort, eine Sache oder eine Zeit – die in irgendeiner Weise außergewöhnlich ist.
Der Mensch kann Muster und Dinge, die nicht wie die anderen sind, leicht erkennen. Wir erhalten diese Informationen über unsere Sinne. Wenn das Muster einfach ist und nur wenige Daten vorhanden sind, können Sie ganz einfach einen Graphen erstellen, um die Ausreißer in Ihren Daten hervorzuheben. Im Folgenden finden Sie einige einfache Beispiele:
+ Ein roter Ballon in einer Gruppe von blauen Ballons
+ ein Rennpferd, das weit vor den anderen ist
+ ein Kind, das während des Unterrichts nicht aufpasst
+ ein Tag, an dem Onlinebestellungen anstehen, aber kein Versand möglich ist
+ eine Person, die sich im Gegensatz zu anderen von einer Krankheit erholte
Einige Datenpunkte stehen für ein signifikantes Ereignis, während andere ein zufälliges Ereignis darstellen. Die Analyse deckt auf, für welche Daten eine nähere Untersuchung angezeigt ist, und zwar basierend auf den Einflussfaktoren (Hauptfaktoren/Schlüsselfaktoren), die zu dem Ereignis beigetragen haben. Fragen sind für die Datenanalyse unerlässlich. Warum ist das geschehen? In welchem Zusammenhang steht es? Ist es nur einmal oder öfter geschehen? Was können Sie tun, um dieses mehr zu unterstützen oder zu verhindern?
Um zu verstehen, wie und warum es Variationen gibt und ob diese ein Muster aufweisen, bedarf es weiterer Überlegungen. Ohne die Unterstützung des Machine Learning könnte jede Person zu einer anderen Schlussfolgerung kommen, weil sie über unterschiedliche Erfahrungen und Informationen verfügt. Daher könnte jede Person leicht anders ausfallende geschäftliche Entscheidungen treffen. Sind dabei viele Daten oder Variablen zu berücksichtigen, kann eine riesige Menge an Analysen erforderlich werden.
Die ML-gestützte Anomalieerkennung identifiziert die Ursachen und Wechselbeziehungen, damit Sie auf Daten gestützte Entscheidungen treffen können. Sie haben weiterhin die Kontrolle darüber, wie beim Auftrag mit Ihren Daten verfahren werden soll. Sie können eigene Parameter angeben und zusätzliche Optionen auswählen, z. B. die Identifizierung von Hauptfaktoren in einer Beitragsanalyse. Oder Sie verwenden die Standardeinstellungen. Der folgende Abschnitt führt Sie durch den Einrichtungsprozess und enthält Erläuterungen zu den verfügbaren Optionen.
# Einrichten der ML-gestützten Anomalieerkennung für die die Analyse von Ausreißern
Verwenden Sie die Verfahren in den folgenden Abschnitten, um mit der Erkennung von Ausreißern, der Erkennung von Anomalien und der Identifizierung der wichtigsten Ursachen zu beginnen, die zu diesen Ausreißern beitragen.
**Topics**
+ [Benachrichtigungen zu Anomalien und Prognosen anzeigen](anomaly-detection-adding-from-visuals.md)
+ [Hinzufügen eines ML-Insights zur Erkennung von Ausreißern und Hauptfaktoren](anomaly-detection-adding-anomaly-insights.md)
+ [Verwendung der Beitragsanalyse für wichtige Einflussfaktoren](anomaly-detection-adding-key-drivers.md)
# Benachrichtigungen zu Anomalien und Prognosen anzeigen
Amazon Quick Sight benachrichtigt Sie auf einer visuellen Anzeige, in der es eine Anomalie, wichtige Faktoren oder eine Prognosemöglichkeit erkennt. Sie können den Anweisungen folgen, um die Erkennung oder Prognose von Anomalien auf der Grundlage der Daten in dieser Visualisierung einzurichten.
1. Suchen Sie in einem vorhandenen Liniendiagramm im Menü des visuellen Widgets nach einer Insight-Benachrichtigung.
1. Wählen Sie das Glühbirnensymbol, um die Benachrichtigung anzuzeigen.
1. Wenn Sie weitere Informationen zu ML Insight wünschen, können Sie den Anweisungen auf dem Bildschirm folgen, um ein ML-Insight hinzuzufügen.
# Hinzufügen eines ML-Insights zur Erkennung von Ausreißern und Hauptfaktoren
Sie können ein ML-Insight hinzufügen, das *Anomalien* erkennt, bei denen es sich um Ausreißer handelt, die signifikant erscheinen. *Zu Beginn erstellen Sie für Ihren Insight ein Widget, das auch als Autonarrativ bezeichnet wird.* Während Sie Ihre Optionen konfigurieren, können Sie sich im **Vorschaufenster** auf dem rechten Bildschirm einen begrenzten Screenshot Ihres Insight ansehen.
In Ihrem Insight-Widget können Sie bis zu fünf Dimensionsfelder hinzufügen, die keine berechneten Felder sind. In den Feldfeldern stellen Werte für **Kategorien** die dimensionalen Werte dar, die Amazon Quick Sight verwendet, um die Metrik aufzuteilen. Nehmen wir zum Beispiel an, Sie analysieren den Umsatz für alle Produktkategorien und Produkte SKUs. Es gibt 10 Produktkategorien mit jeweils 10 Produkten SKUs. Amazon Quick Sight teilt die Metrik nach den 100 eindeutigen Kombinationen auf und führt für die Aufteilung eine Anomalieerkennung für jede Kombination durch.
Das folgende Verfahren zeigt die Vorgehensweise und wie eine Beitragsanalyse hinzugefügt werden kann, um die Hauptfaktoren zu ermitteln, die jede Anomalie verursachen. Sie können die Beitragsanalyse später hinzufügen, wie unter [Verwendung der Beitragsanalyse für wichtige Einflussfaktoren](anomaly-detection-adding-key-drivers.md) beschrieben.
**So richten Sie die Analyse von Ausreißern und deren Schlüsselfaktoren ein**
1. Öffnen Sie die Analyse und wählen Sie in des Symbolleiste **Insights** und dann **Hinzufügen**. Wählen Sie **Anomalieerkennung** und **Auswählen** aus der Liste aus.
1. Folgen Sie den auf dem Bildschirm dargestellten Hinweisen des neuen Widgets, durch das Sie aufgefordert werden, Felder für das Insight auszuwählen. Fügen Sie mindestens ein Datum, einen Messwert und eine Dimension hinzu.
1. Wählen Sie im Widget die Option **Get started (Erste Schritte)** aus. Der Konfigurationsbildschirm wird angezeigt.
1. Wählen Sie unter **Berechnungsoptionen** Werte für die folgenden Optionen aus.
1. Wählen Sie Znter **zu analysierende Kombinationen** eine der folgenden Optionen:
1. **Hierarchical** (Hierarchisch)
Wählen Sie diese Option aus, wenn Sie die Felder hierarchisch analysieren möchten. Wenn Sie beispielsweise ein Datum (T), eine Kennzahl (N) und drei Dimensionskategorien (C1, C2 und C3) wählen, analysiert Quick Sight die Felder hierarchisch, wie im Folgenden dargestellt.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **Exact** (Genau)
Wählen Sie diese Option, wenn Sie nur die genaue Kombination von Feldern im Feldbereich Kategorie genau so analysieren möchten, wie sie aufgelistet sind. Wenn Sie beispielsweise ein Datum (T), eine Kennzahl (N) und drei Dimensionskategorien (C1, C2 und C3) ausgewählt haben, analysiert Quick Sight nur die genaue Kombination von Kategoriefeldern in der Reihenfolge, in der sie aufgelistet sind, wie im Folgenden dargestellt.
```
T-C1-C2-C3-N
```
1. **Alle**
Wählen Sie diese Option, wenn Sie alle Feldkombinationen im Feldbereich Kategorie analysieren möchten. Wenn Sie beispielsweise ein Datum (T), eine Kennzahl (N) und drei Dimensionskategorien (C1, C2 und C3) ausgewählt haben, analysiert Quick Sight alle Feldkombinationen, wie im Folgenden dargestellt.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N, T-C1-C3-N, T-C2-N, T-C2-C3-N, T-C3-N
```
Wenn Sie nur ein Datum und eine Kennzahl ausgewählt haben, analysiert Quick Sight die Felder nach Datum und dann nach Kennzahl.
Im Abschnitt **Fields to be analysis (Felder für die Analyse)** können Sie als Referenz eine Liste der Felder aus den Feldbereichen sehen.
1. Geben Sie unter **Name** einen beschreibenden alphanumerischen Namen ohne Leerzeichen ein, oder wählen Sie den Standardwert. Dies liefert einen Namen für die Berechnung.
Wenn Sie vorhaben, die Beschreibung zu bearbeiten, die automatisch im Widget angezeigt wird, können Sie den Namen zur Bezeichnung der Berechnung dieses Widgets verwenden. Passen Sie den Namen an, wenn Sie planen, das Autonarrativ zu bearbeiten, und wenn andere ähnliche Berechnungen in Ihrer Analyse vorliegen.
1. Wählen Sie im Abschnitt **Anzeigeoptionen** die folgenden Optionen aus, um anzupassen, was in Ihrem Insight-Widget angezeigt wird. Sie können immer noch alle Ihre Ergebnisse untersuchen, unabhängig davon, was Sie anzeigen.
1. **Maximum number of anomalies to show** (Maximale Anzahl der anzuzeigenden Anomalien) – Die Anzahl der Ausreißer, die Sie im Widget „Beschreibung“ anzeigen möchten.
1. **Schweregrad** — Der minimale Schweregrad für Anomalien, die Sie im Insight-Widget anzeigen möchten.
Ein *Schweregrad* ist ein Bereich von Anomaliebewertungen, der durch die niedrigste tatsächliche Anomaliebewertung gekennzeichnet ist, die im Bereich enthalten ist. Alle Anomalien, die höher bewertet werden, sind im Bereich enthalten. Wenn Sie den Schweregrad auf **Low (Niedrig)**, festlegen, werden alle Anomalien angezeigt, die zwischen „Low“ (Niedrig) und „Very high“ (Sehr hoch) liegen. Wenn Sie den Schweregrad auf **Very high (Sehr hoch)** festlegen, zeigt das Insight nur die Anomalien mit den höchsten Anomaliebewertungen an.
Sie können die folgenden Optionen verwenden:
+ **Very high** (Sehr hoch)
+ **High and above** (Hoch und höher)
+ **Medium and above** (Mittel und höher)
+ **Low and above** (Niedrig und höher)
1. **Richtung** — Die Richtung auf der X- oder Y-Achse, die Sie als anomal identifizieren möchten. Sie können aus den folgenden Optionen auswählen:
+ **Höher als erwartet**, um höhere Werte als Anomalien zu identifizieren.
+ **Niedriger als erwartet**, um niedrigere Werte als Anomalien zu identifizieren.
+ **[ALL]** (ALLE), um alle anomalen Werte, hohe und niedrige Werte, zu identifizieren (Standardeinstellung).
1. **Delta** – Geben Sie einen benutzerdefinierten Wert ein, der zur Identifizierung von Anomalien verwendet werden soll. Jeder Wert, der über dem Schwellenwert liegt, gilt als Anomalie. Die Werte hier ändern die Funktionsweise des Insights in Ihrer Analyse. In diesem Abschnitt können Sie Folgendes festlegen:
+ **Absolute value** (Absolutwert) – Der tatsächliche zu verwendende Wert. Beispiel: Angenommen, das ist 48. Amazon Quick Sight identifiziert Werte dann als anomal, wenn die Differenz zwischen einem Wert und dem erwarteten Wert größer als 48 ist.
+ **Percentage** (Prozentsatz) – der prozentuale zu verwendende Schwellenwert. Nehmen wir zum Beispiel an, das sind 12,5 %. Amazon Quick Sight identifiziert Werte dann als anomal, wenn die Differenz zwischen einem Wert und dem erwarteten Wert mehr als 12,5% beträgt.
1. **Sort by** (Sortieren nach) – Wählen Sie eine Sortiermethode für Ihre Ergebnisse. Einige Methoden basieren auf dem Anomalie-Score, den Amazon Quick Sight generiert. Amazon Quick Sight gibt Datenpunkten, die ungewöhnlich aussehen, höhere Punktzahlen. Sie können alle der folgenden Optionen verwenden:
+ **Weighted anomaly score** (Gewichteter Anomaliewert) – Der Anomaliewert multipliziert mit dem Logarithmus des absoluten Wertes der Differenz zwischen dem Istwert und dem erwarteten Wert. Dieser Wert ist immer eine positive Zahl.
+ **Anomaly score** (Anomaliewert) - Der tatsächliche Anomaliewert, der diesem Datenpunkt zugeordnet ist.
+ **Weighted difference from expected value** (Gewichtete Differenz vom erwarteten Wert) – Der Anomaliewert multipliziert mit der Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert (Standard).
+ **Difference from expected value** (Differenz vom erwarteten Wert) – Die tatsächliche Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert (der ist, actual−expected (tatsächlich-erwartet)).
+ **Actual value** (Istwert) - Der tatsächliche Wert ohne angewandte Formel.
1. Im Abschnitt **Schedule options (Zeitplanoptionen)** legen Sie den Zeitplan für die automatische Ausführung der Insight-Neuberechnung fest. Der Zeitplan wird nur für veröffentlichte Dashboards ausgeführt. In der Analyse können Sie diese bei Bedarf manuell ausführen. Der Plan umfasst die folgenden Einstellungen:
+ **Occurrence** (Häufigkeit) – Wie oft soll die Neuberechnung ausgeführt werden: stündlich, täglich, wöchentlich oder monatlich.
+ **Start schedule on** (Starten des Zeitplans am) – Das Datum und die Uhrzeit zum Starten der Ausführung dieses Zeitplans.
+ **Timezone** (Zeitzone) – Die Zeitzone, in der der Zeitplan ausgeführt wird. Um sich eine Liste anzeigen zu lassen, löschen Sie den aktuellen Eintrag.
1. Richten Sie im Bereich **Top-Beitragende** Amazon Quick Sight so ein, dass die wichtigsten Faktoren analysiert werden, wenn ein Ausreißer (Anomalie) erkannt wird.
Amazon Quick Sight kann beispielsweise die wichtigsten Kunden anzeigen, die zu einem Anstieg der Verkäufe von Heimwerkerprodukten in den USA beigetragen haben. Sie können bis zu vier Dimensionen aus Ihrem Datensatz hinzufügen. Dazu gehören Dimensionen, die Sie den Feldbereichen dieses Insight-Widgets nicht hinzugefügt haben.
Für eine Liste der für die Beitragsanalyse verfügbaren Dimensionen wählen Sie die Option **Select fields (Felder auswählen)**.
1. Wählen Sie **Save (Speichern)** aus, um Ihre Auswahl zu bestätigen. Klicken Sie auf **Abbrechen**, um ohne Speichern zu beenden.
1. Wählen Sie vom Insight-Widget **Run now (Jetzt ausführen)**, um die Anomalie-Erkennung auszuführen und das Insight anzuzeigen.
Die Zeit, die für den Abschluss der Anomalieerkennung erforderlich ist, hängt davon ab, wie viele eindeutige Datenpunkte Sie analysieren. Der Vorgang kann bei einer minimalen Anzahl von Punkten einige Minuten dauern oder viele Stunden.
Während er im Hintergrund ausgeführt wird, können Sie andere Aufgaben in Ihrer Analyse erledigen. Stellen Sie sicher, dass Sie bis zum Abschluss warten, bevor Sie die Konfiguration ändern, die Beschreibung bearbeiten oder die Seite **Explore anomalies (Anomalien untersuchen)** öffnen, um dieses Insight zu erhalten.
Das Insight-Widget muss mindestens einmal ausgeführt werden, bevor Sie Insights sehen können. Wenn Sie glauben, dass der Status veraltet sein könnte, können Sie die Seite aktualisieren. Das Insight kann folgende Status aufweisen.
| Erscheint auf der Seite | Status |
| --- | --- |
| Schaltfläche Run now (Jetzt ausführen) | Der Auftrag hat noch nicht begonnen. |
| Meldung über Analyzing for anomalies (die Analyse von Anomalien) | Der Auftrag wird derzeit ausgeführt. |
| Beschreibung der erkannten Anomalien (Ausreißer) | Der Auftrag wurde erfolgreich ausgeführt. Die Meldung besagt, wann die Berechnung dieses Widgets zuletzt aktualisiert wurde. |
| Warnsymbol mit Ausrufezeichen (\$1) | Dieses Symbol zeigt an, dass während der letzten Ausführung ein Fehler aufgetreten ist. Wenn die Beschreibung ebenfalls angezeigt wird, können Sie weiterhin Explore anomalies (Anomalien untersuchen) verwenden, um Daten aus der vorherigen erfolgreichen Ausführung zu nutzen. |
# Verwendung der Beitragsanalyse für wichtige Einflussfaktoren
Amazon Quick Sight kann die Dimensionen (Kategorien) identifizieren, die zu Ausreißern bei Kennzahlen (Metriken) zwischen zwei Zeitpunkten beitragen. Der Hauptfaktor, der zu einem Ausreißer beiträgt, hilft Ihnen bei der Beantwortung der Frage: Was ist passiert, das diese Anomalie verursachte?
Wenn Sie die Erkennung von Anomalien bereits ohne Beitragsanalyse verwenden, können Sie die vorhandenen Insights aus maschinellem Lernen nutzen, um wichtige Einflussfaktoren zu ermitteln. Führen Sie die folgenden Schritte aus, um eine Beitragsanalyse hinzuzufügen und die Hauptgründe für Ausreißer zu ermitteln. Ihre Insights zur Erkennung von Anomalien müssen ein Zeitfeld und mindestens eine aggregierte Metrik (SUM, AVERAGE oder COUNT) enthalten. Sie können auf Wunsch mehrere Kategorien (Dimensionsfelder) einbeziehen, aber Sie können auch eine Beitragsanalyse durchführen, ohne eine Kategorie oder ein Dimensionsfeld anzugeben.
Sie können dieses Verfahren auch verwenden, um Felder zu ändern oder zu entfernen, die bei der Erkennung von Anomalien eine wichtige Rolle spielen.
**Zum Hinzufügen einer Beitragsanalyse für die Identifizierung der wichtigsten Faktoren**
1. Öffnen Sie Ihre Analyse und suchen Sie nach vorhandenen ML-Insights zur Erkennung von Anomalien. Wählen Sie das Insight-Widget aus, um es hervorzuheben.
1. Wählen Sie **Menüoptionen** (**...**) aus dem Menü in der Visualisierung.
1. Wählen Sie **Anomalie konfigurieren**, um die Einstellungen zu bearbeiten.
1. Mit der Einstellung **Beitragsanalyse (optional)** kann Amazon Quick Sight die wichtigsten Faktoren analysieren, wenn ein Ausreißer (Anomalie) erkannt wird. Amazon Quick Sight kann Ihnen beispielsweise die wichtigsten Kunden zeigen, die zu einem Anstieg der Verkäufe von Heimwerkerprodukten in den USA beigetragen haben. Sie können bis zu vier Dimensionen aus Ihrem Datensatz hinzufügen, einschließlich der Dimensionen, die Sie nicht zzu den Feldbereichen dieses Insight-Widgets hinzugefügt haben.
Um sich eine Liste der für die Beitragsanalyse verfügbaren Dimensionen anzeigen zu lassen, wählen Sie die Option **Select fields (Felder auswählen)**.
Wenn Sie die Felder ändern möchten, die Sie als Haupttreiber verwenden, ändern Sie die Felder, die in dieser Liste aktiviert sind. Wenn Sie alle deaktivieren, führt Quick Sight keine Beitragsanalyse zu diesem Insight durch.
1. Um Ihre Änderungen zu speichern, scrollen Sie in den Konfigurationsoptionen ganz nach unten und wählen Sie **Speichern**. Um ohne Speichern zu beenden, wählen Sie **Cancel** (Abbrechen). Um diese Einstellungen vollständig zu entfernen, wählen Sie **Delete** (Löschen) aus.
# Untersuchung von Ausreißern und Hauptfaktoren mit ML-gestützter Anomalieerkennung und Beitragsanalyse
Sie können die Anomalien (auch als Ausreißer bezeichnet) in Ihrer Analyse interaktiv zusammen mit den beitragenden Faktoren (Hauptfaktoren) untersuchen. Die Analyse steht Ihnen nach den ML-gestützten Anomalie-Erkennungsdurchläufen zum Erkunden zur Verfügung. Die Änderungen, die Sie in diesem Bildschirm vornehmen, werden nicht gespeichert, wenn Sie zur Analyse zurückkehren.
Wählen Sie zunächst die Option **Anomalien untersuchen** in dem Insight aus. Der folgende Screenshot zeigt den Bildschirm mit den Anomalien, wie er erscheint, wenn Sie ihn zum ersten Mal öffnen. In diesem Beispiel ist die Analyse der Beitragenden eingerichtet und zeigt zwei Hauptfaktoren.
![\[Analyse von Anomalien mit angezeigten Beitragenden.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/anomaly-exploration-v2.png)
Die Bereiche des Bildschirms umfassen Folgendes, von oben links nach unten rechts:
+ **Beitragende** zeigt die wichtigsten Faktoren an. Um diesen Abschnitt sehen zu können, müssen Sie Beitragende in Ihrer Anomaliekonfiguration eingerichtet haben.
+ **Controls** (Steuerelemente) enthält Einstellungen für die Untersuchung von Anomalien.
+ **Number of anomalies** (Die Anzahl der Anomalien) zeigt Ausreißer an, die im Laufe der Zeit erkannt wurden. Sie können diesen Diagrammabschnitt ein- oder ausblenden.
+ **Ihre Feldnamen** für Kategorie- oder Dimensionsfelder dienen als Titel für Diagramme, in denen Anomalien für jede Kategorie oder Dimension angezeigt werden.
Die folgenden Abschnitte enthalten detaillierte Informationen zu jedem Aspekt der Anomalieerkennung.
**Topics**
+ [Untersuchung der Beitragenden (Haupttreiber)](exploring-anomalies-key-drivers.md)
+ [Einstellung der Steuerelemente für die Erkennung von Anomalien](exploring-anomalies-controls.md)
+ [Anomalien nach Datum ein- und ausblenden](exploring-anomalies-by-date.md)
+ [Untersuchung von Anomalien nach Kategorie oder Dimension](exploring-anomalies-per-category-or-dimension.md)
# Untersuchung der Beitragenden (Haupttreiber)
Wenn Ihr Anomalie-Insight so eingerichtet ist, dass wichtige Faktoren erkannt werden, führt Quick Sight die Beitragsanalyse durch, um zu ermitteln, welche Kategorien (Dimensionen) die Ausreißer beeinflussen. Der Abschnitt **Beitragende** wird auf der linken Seite angezeigt.
**Beitragende** enthält die folgenden Abschnitte:
+ **Narrative** (Beschreibung) – Oben links finden Sie eine Zusammenfassung, in der alle Änderungen an den Kennzahlen beschrieben werden.
+ **Konfiguration der Hauptbeitragenden** - Wählen Sie **Configure** (Konfigurieren) aus, um die beitragenden Faktoren und den Datumsbereich zu ändern, die in diesem Abschnitt verwendet werden sollen.
+ **Sort by** (Sortieren nach) – Legt die Sortierung fest, die auf die Ergebnisse angewendet wird, die unten angezeigt werden. Sie können aus den folgenden Optionen auswählen:
+ **Absoluter Unterschied**
+ **Beitragsprozentsatz** (Standard)
+ **Abweichung vom erwarteten**
+ **Prozentuale Differenz**
+ **Ergebnisse der Hauptbeitragenden** - Zeigt die Analyseergebnisse der hauptbeitragenden Faktoren für den Zeitpunkt an, der in der Zeitlinie rechts ausgewählt wird.
Die Beitragsanalyse identifiziert bis zu vier der wichtigsten beitragenden Faktoren oder Hauptfaktoren einer Anomalie. Amazon Quick Sight kann Ihnen beispielsweise die wichtigsten Kunden zeigen, die zu einem Anstieg der Verkäufe von Gesundheitsprodukten in den USA beigetragen haben. Dieses Fenster wird nur angezeigt, wenn Sie bei der Konfiguration der Anomalie ausgewählt haben, Felder in die Beitragsanalyse einzubeziehen.
Wenn dieses Fenster nicht angezeigt wird und Sie es anzeigen möchten, können Sie es aktivieren. Gehen Sie hierfür zur Analyse, wählen Sie die Anomaliekonfiguration aus dem Insight-Menü und wählen Sie bis zu vier Felder aus, die Sie auf Beiträge hin analysieren möchten. Das Fenster **Contributions (Beiträge)** wird geschlossen, wenn Sie Änderungen an den Blattsteuerelementen vornehmen, die die beitragenden Faktoren ausschließen.
# Einstellung der Steuerelemente für die Erkennung von Anomalien
Sie finden die Einstellungen für die Erkennung von Anomalien im Bereich **Controls** (Steuerelemente) des Bildschirms. Sie können diesen Bereich öffnen und schließen, indem Sie auf das Wort **Controls** (Steuerelemente) klicken.
Die Einstellungen umfassen u. a. folgende:
+ **Controls** (Steuerelemente) – Die aktuellen Einstellungen erscheinen oben im Workspace. Sie können diesen Abschnitt erweitern, indem Sie das Doppelpfeilsymbol rechts anwählen. Die folgenden Einstellungen stehen für die Untersuchung von Ausreißern zur Verfügung, die durch die ML-gestützte Anomalieerkennung erzeugt werden:
+ **Severity** (Schweregrad) – Legt fest, wie empfindlich Ihr Detektor beim Erkennen von Anomalien (Ausreißern) ist. Sie sollten davon ausgehen, dass mehr Anomalien mit der Schwellenwert **Niedrig und höher** angezeigt werden und weniger Anomalien, wenn der Schwellenwert auf **Hoch und höher** eingestellt ist. Diese Empfindlichkeit richtet sich nach den Standardabweichungen der Anomaliebewertung, die durch den RCF-Algorithmus generiert wurden. Die Standardeinstellung ist **Mittel und höher**.
+ **Richtung** — Die Richtung auf der X- oder Y-Achse, die Sie als anomal identifizieren möchten. Der Standardwert ist [ALL] (ALLE). Es gibt die folgenden Optionen:
+ Stellen Sie **Höher als erwartet** ein, um höhere Werte als Anomalien zu identifizieren.
+ Stellen Sie **Niedriger als erwartet** ein, um niedrigere Werte als Anomalien zu identifizieren.
+ Auf **[ALL]** (ALLE) setzen, um alle anomalen Werte, sowohl hohe als auch niedrige, zu identifizieren.
+ **Minimales Delta – absoluter Wert** – Geben Sie einen benutzerdefinierten Wert ein, der als absoluten Schwellenwert zur Identifizierung von Anomalien verwendet werden soll. Jeder Wert, der über dem Schwellenwert liegt, gilt als Anomalie.
+ **Minimales Delta – Prozentsatz** – Geben Sie einen benutzerdefinierten Wert ein, der als prozentualen Schwellenwert zur Identifizierung von Anomalien verwendet werden soll. Jeder Wert, der über dem Schwellenwert liegt, gilt als Anomalie.
+ **Sort by** (Sortierverfahren) – Wählen Sie das Verfahren, das Sie auf das Sortieren von Anomalien anwenden möchten. Diese werden in der bevorzugten Reihenfolge auf dem Bildschirm aufgelistet. In der folgenden Liste finden Sie eine Beschreibung der einzelnen Methoden.
+ **Weighted anomaly score** (Gewichteter Anomaliewert) – Der Anomaliewert multipliziert mit dem Logarithmus des absoluten Wertes der Differenz zwischen dem Istwert und dem erwarteten Wert. Dieser Wert ist immer eine positive Zahl.
+ **Anomaly score** (Anomaliewert) - Der tatsächliche Anomaliewert, der diesem Datenpunkt zugeordnet ist.
+ **Weighted difference from expected value** (Gewichtete Differenz vom erwarteten Wert) – (Standard) Der Anomaliewert multipliziert mit der Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert.
+ **Difference from expected value** (Differenz vom erwarteten Wert) – Die tatsächliche Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert (actual−expected (tatsächlicherwartet)).
+ **Actual value** (Istwert) - Der tatsächliche Wert ohne angewandte Formel.
+ **Kategorien** – Eine oder mehrere Einstellungen können am Ende der anderen Einstellungen stehen. Für jedes Kategoriefeld, das Sie dem Feldbereich Kategorie hinzugefügt haben, gibt es eine Einstellung. Sie können Kategorieeinstellungen verwenden, um die Daten zu begrenzen, die auf dem Bildschirm angezeigt werden.
# Anomalien nach Datum ein- und ausblenden
Das Diagramm **Number of anomalies** (Anzahl der Anomalien) zeigt Ausreißer, die im Laufe der Zeit erkannt wurden. Wenn Sie dieses Diagramm nicht sehen, können Sie es anzeigen, indem Sie **SHOW ANOMALIES BY DATE** (ANOMALIEN NACH DATUM ANZEIGEN) wählen.
Dieses Diagramm zeigt Anomalien (Ausreißer) für den neuesten Datenpunkt in der Zeitreihe. Im erweiterten Zustand werden die folgenden Komponenten angezeigt:
+ **Anomalies** (Anomalien) – Die Mitte des Bildschirms zeigt die Anomalien für den aktuellen Datenpunkt in der Zeitreihe an. Ein oder mehrere Graphen erscheinen mit einem Diagramm mit Varianten in einer Metrik im Zeitverlauf. Zur Verwendung dieses Graphen wählen Sie einen Punkt auf der Zeitlinie aus. Der aktuell ausgewählte Zeitpunkt wird im Graphen hervorgehoben und umfasst ein Menü, das Ihnen die Möglichkeit zur Analyse von Beiträgen für die aktuelle Metrik bietet. Sie können auch den Mauszeiger über die Zeitlinie ziehen, ohne einen bestimmten Punkt auszuwählen, um den metrischen Wert für diesen Zeitpunkt anzuzeigen.
+ **Anomalies by date** (Anomalien nach Datum) – Wenn Sie **SHOW ANOMALIES BY DATE** (ANOMALIEN NACH DATUM ANZEIGEN) auswählen, erscheint ein anderer Graph, der anzeigt, wie viele erhebliche Anomalien es für jeden Zeitpunkt gab. Sie können die Details in diesem Diagramm im Kontextmenü jeder Leiste anzeigen.
+ **Timeline adjustment** (Zeitlinienanpassung) – Jeder Graph verfügt über ein Zeitlinieneinstelltool unterhalb der Daten, das Sie verwenden können, um einen anzuzeigenden Zeitraum zu komprimieren, erweitern oder auszuwählen.
# Untersuchung von Anomalien nach Kategorie oder Dimension
Der Hauptbereich des Bildschirms **Anomalien untersuchen** befindet sich in der unteren rechten Ecke des Bildschirms. Er bleibt hier, egal wie viele andere Bereiche des Bildschirms geöffnet sind. Wenn mehrere Anomalien vorhanden sind, können Sie nach unten scrollen, um sie hervorzuheben. Das Diagramm zeigt Anomalien in Farbbereichen und zeigt, wo sie im Laufe eines bestimmten Zeitraums auftreten.
![\[Bildschirm „Anomalien untersuchen“.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/anomaly-exploration-1.png)
Jede Kategorie oder Dimension hat ein separates Diagramm, das den Feldnamen als Diagrammtitel verwendet. Jede Grafik enthält die folgenden Komponenten:
+ **Configure alerts** (Alarme konfigurieren) – Wenn Sie Anomalien von einem Dashboard aus untersuchen, wählen Sie diese Schaltfläche, um Benachrichtigungen und Beitragsanalysen zu abonnieren (falls konfiguriert). Sie können die Alarme für den Schweregrad (mittel, hoch usw.) einrichten. Sie können die Top-Fünf-Alarme für **Higher than expected (Höher als erwartet)**, **Lower than expected (Niedriger als erwartet)** oder ALL (ALLE) erhalten. Dashboard-Leser können Alarme selbst konfigurieren. Wenn Sie die Seite **Explore Anomalies (Anomalien untersuchen)** öffnen, zeigt sie diese Schaltfläche nicht an, wenn Sie die Seite aus einer Analyse heraus geöffnet haben.
**Anmerkung**
Die Möglichkeit zum Konfigurieren von Alarmen steht nur in veröffentlichten Dashboards zur Verfügung.
+ **Status** – Unter der Überschrift **Anomalies** (Anomalien) zeigt die Statuskennzeichnung Informationen zur letzten Ausführung an. Beispielsweise könnten Sie „Anomalien beim Umsatz am 17. November 2018“ sehen. Diese Anzeige gibt an, wie viele Metriken verarbeitet wurden und wie lange es her ist. Sie können den Link auswählen, um mehr über die Details zu erfahren, wie beispielsweise wie viele Metriken ignoriert wurden.