Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Detección de valores atípicos mediante la detección de anomalías basada en ML Amazon Quick Sight utiliza la tecnología comprobada de Amazon para ejecutar de forma continua la detección de anomalías mediante ML en millones de métricas para descubrir tendencias ocultas y valores atípicos en sus datos. Esta herramienta le permite obtener información detallada que suele estar oculta en los agregados y que no es escalable con el análisis manual. Con la detección de anomalías basada en ML, puede encontrar valores atípicos en sus datos sin necesidad de analizarlos manualmente, realizar desarrollos personalizados ni tener experiencia en el ámbito del ML. Amazon Quick Sight le notifica en sus imágenes si detecta que puede analizar una anomalía o realizar alguna previsión con sus datos. La detección de anomalías no está disponible en la región de `eu-central-2` Europa (Zúrich). **importante** La detección de anomalías basada en ML es una tarea de cómputo intensivo. Antes de comenzar a utilizarla, puede hacerse una idea de los costos si analiza la cantidad de datos que desea utilizar. Ofrecemos un modelo de precios por niveles que se basa en el número de métricas que procesa por mes. **Topics** + [Conceptos relativos a la detección de anomalías o valores atípicos](anomaly-detection-outliers-and-key-drivers.md) + [Configuración de la detección de anomalías basada en ML para el análisis de valores atípicos](anomaly-detection-using.md) + [Exploración de los valores atípicos y los factores clave con la detección de anomalías basada en ML y el análisis de contribuciones](anomaly-exploring.md) # Conceptos relativos a la detección de anomalías o valores atípicos Amazon Quick Sight usa la palabra *anomalía* para describir los puntos de datos que quedan fuera de un patrón general de distribución. Hay muchos otros términos que se refieren a las anomalías, que es un término científico, tales como valores atípicos, desviaciones, rarezas, excepciones, irregularidades o peculiaridades, entre otros. El término utilizado puede basarse en el tipo de análisis que se lleva a cabo, en el tipo de datos que se utiliza o, incluso, en las preferencias del grupo. Estos puntos de datos atípicos representan una entidad (una persona, un lugar, un objeto o un momento) que es excepcional de alguna manera. Los seres humanos reconocemos fácilmente los patrones y detectamos los elementos que no son como los demás. Nuestros sentidos nos proporcionan esta información. Si el patrón es simple y la cantidad de datos es reducida, se puede trazar fácilmente un gráfico para resaltar los valores atípicos presentes en los datos. A continuación citamos algunos ejemplos sencillos: + Un globo rojo en un grupo de globos azules + Un caballo de carreras que está muy por delante de los demás + Un niño que no está prestando atención durante la clase + Un día en que los pedidos en línea han subido pero los envíos han bajado + Una persona que se ha curado entre varias que no Algunos puntos de datos representan un hecho significativo y otros representan un suceso aleatorio. El análisis revela qué datos merece la pena investigar, en función de los factores que han contribuido al hecho (factores clave). Las preguntas son esenciales para el análisis de datos. ¿Por qué ha sucedido? ¿Con qué está relacionado? ¿Ha ocurrido una sola vez o muchas? ¿Qué se puede hacer para fomentar o evitar que se produzcan casos iguales? Comprender cómo y por qué se produce una variación, así como si existe algún un patrón en las variaciones, requiere más reflexión. Sin la ayuda del machine learning, cada persona puede llegar a una conclusión diferente, porque tienen diferentes experiencias e información. Por lo tanto, cada persona podría tomar una decisión de negocio ligeramente diferente. Si hay muchos datos o variables que tener en cuenta, el esfuerzo de análisis puede ser abrumador. La detección de anomalías basada en ML identifica las causas y las correlaciones que permiten tomar decisiones basadas en datos. Usted controla la definición de cómo desea efectuar el trabajo con los datos. Puede especificar sus propios parámetros y elegir opciones adicionales, tales como identificar los factores clave en un análisis de contribuciones. Si lo prefiere, puede utilizar la configuración predeterminada. La siguiente sección le guía a lo largo del proceso de configuración y proporciona explicaciones sobre las opciones disponibles. # Configuración de la detección de anomalías basada en ML para el análisis de valores atípicos Utilice los procedimientos de las siguientes secciones para empezar a detectar valores atípicos, detectar anomalías e identificar los factores clave que contribuyen a que se produzcan. **Topics** + [Visualización de notificaciones de anomalías y previsiones](anomaly-detection-adding-from-visuals.md) + [Adición de información sobre el ML para detectar valores atípicos y factores clave](anomaly-detection-adding-anomaly-insights.md) + [Uso del análisis de contribuciones para los factores clave](anomaly-detection-adding-key-drivers.md) # Visualización de notificaciones de anomalías y previsiones Amazon Quick Sight le notifica de forma visual si detecta una anomalía, factores clave o una oportunidad de previsión. Puede seguir las instrucciones para configurar la detección o la previsión de anomalías en función de los datos de ese elemento visual. 1. En un gráfico de líneas existente, busque una notificación de información en el menú del widget visual. 1. Selecciona el icono de la bombilla para mostrar la notificación. 1. Si quiere obtener más información acerca de la información sobre el ML, puede seguir las instrucciones de la pantalla para agregar información sobre el ML. # Adición de información sobre el ML para detectar valores atípicos y factores clave Puede agregar información sobre el ML que detecte *anomalías*, que son valores atípicos que parecen significativos. Para empezar, debe crear un widget para la información, también conocido como *narración automática*. A medida que vaya configurando sus opciones, podrá ver una captura de pantalla limitada de la información en el panel **Vista previa** situado a la derecha de la pantalla. En el widget de información, puede agregar hasta cinco campos de dimensiones que no sean campos calculados. En los pozos de campo, los valores de **las categorías** representan los valores dimensionales que Amazon Quick Sight utiliza para dividir la métrica. Por ejemplo, supongamos que está analizando los ingresos de todas las categorías de productos y productos SKUs. Hay 10 categorías de productos, cada una con 10 productos SKUs. Amazon Quick Sight divide la métrica entre las 100 combinaciones únicas y realiza la detección de anomalías en cada combinación de la división. El siguiente procedimiento muestra cómo hacerlo y también cómo agregar un análisis de contribuciones para detectar los factores clave que causan cada anomalía. Puede agregar el análisis de contribuciones más adelante, tal y como se describe en [Uso del análisis de contribuciones para los factores clave](anomaly-detection-adding-key-drivers.md). **Configuración de análisis de valores atípicos, incluidos los factores clave** 1. Abra el análisis y, en la barra de herramientas, elija **Información** y, continuación, **Agregar**. En la lista, elija **Detección de anomalías** y **Seleccionar**. 1. Siga las instrucciones de la pantalla del nuevo widget, que le indican que elija los campos para la información. Agregue al menos una fecha, una medida y una dimensión. 1. Seleccione **Comenzar** en el widget. Aparecerá la pantalla de configuración. 1. En **Opciones de cálculo**, elija valores para las siguientes opciones. 1. En **Combinaciones que desee analizar**, elija una de las siguientes opciones: 1. **Jerárquico** Elija esta opción si desea analizar los campos de forma jerárquica. Por ejemplo, si ha elegido una fecha (T), una medida (N) y categorías de tres dimensiones (C1, C2 y C3), Quick Sight analiza los campos jerárquicamente, como se muestra a continuación. ``` T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N ``` 1. **Exacto** Elija esta opción si desea analizar únicamente la combinación exacta de campos del cuadro de campo Categoría, tal como aparecen en la lista. Por ejemplo, si eligió una fecha (T), una medida (N) y categorías tridimensionales (C1, C2 y C3), Quick Sight analiza solo la combinación exacta de los campos de categoría en el orden en que aparecen, como se muestra a continuación. ``` T-C1-C2-C3-N ``` 1. **Todo** Elija esta opción si desea analizar todas las combinaciones de campos del cuadro de campo Categoría. Por ejemplo, si eligió una fecha (T), una medida (N) y categorías de tres dimensiones (C1, C2 y C3), Quick Sight analiza todas las combinaciones de campos, como se muestra a continuación. ``` 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 ``` Si ha elegido solo una fecha y una medida, Quick Sight analiza los campos por fecha y, después, por medida. En la sección **Campos que se van a analizar** puede ver una lista de campos de los cuadros de campo, con fines de referencia. 1. En **Nombre**, introduzca un nombre alfanumérico descriptivo sin espacios o elija el valor predeterminado. Proporciona un nombre para el cálculo. Si va a editar la narración que se muestra automáticamente en el widget, puede usar su nombre para identificar el cálculo de este widget. Personalice el nombre si tiene previsto editar la narración automática y tiene otros cálculos similares en el análisis. 1. En la sección **Opciones de visualización**, elija las siguientes opciones para personalizar lo que se muestra en el widget de información. Puede seguir explorando todos los resultados, independientemente de lo que muestre. 1. **Número máximo de anomalías que se pueden mostrar**: el número de valores atípicos que quiere mostrar en el widget narrativo. 1. **Gravedad**: el nivel mínimo de gravedad de las anomalías que desea mostrar en el widget de información. Un *nivel de gravedad* es un rango de puntuaciones de anomalía que se caracteriza por la puntuación de anomalía real más baja incluida en el rango. Todas las anomalías que tengan una puntuación más alta se incluyen en el rango. Si establece la gravedad en **Baja**, la información muestra todas las anomalías que se sitúan entre las gravedades baja y muy alta. Si establece la gravedad en **Muy alta**, la información muestra solo las anomalías que tienen las puntuaciones de anomalía más altas. Puede usar las siguientes opciones: + **Muy alta** + **Alta y más** + **Media y más** + **Baja y más** 1. **Dirección**: la dirección en el eje x o el eje y que desea identificar como anómala. Puede elegir entre las siguientes opciones: + **Más alto de lo esperado** para identificar valores más altos como anomalías. + **Más bajo de lo esperado** para identificar valores más bajos como anomalías. + **[TODOS]** para identificar todos los valores anómalos, altos y bajos (configuración predeterminada). 1. **Delta**: introduzca un valor personalizado para usarlo para identificar anomalías. Cualquier cantidad superior al valor de umbral se considerará una anomalía. Los valores que se especifican aquí cambian el modo en que opera la información en el análisis. En esta sección, puede establecer lo siguiente: + **Valor absoluto**: el valor real que desea usar. Por ejemplo, supongamos que es 48. A continuación, Amazon Quick Sight identifica los valores como anómalos cuando la diferencia entre un valor y el valor esperado es superior a 48. + **Porcentaje**: umbral porcentual que desea utilizar. Por ejemplo, supongamos que es 12,5 %. A continuación, Amazon Quick Sight identifica los valores como anómalos cuando la diferencia entre un valor y el valor esperado es superior al 12,5%. 1. **Ordenar por**: elija un método de clasificación para los resultados. Algunos métodos se basan en la puntuación de anomalías que genera Amazon Quick Sight. Amazon Quick Sight otorga puntuaciones más altas a los puntos de datos que parecen anómalos. Puede utilizar cualquiera de las siguientes opciones: + **Puntuación de anomalías ponderada**: la puntuación de anomalías multiplicada por el registro del valor absoluto de la diferencia entre el valor real y el valor esperado. Esta puntuación es siempre un número positivo. + **Puntuación de anomalías**: la puntuación de anomalías real asignada a este punto de datos. + **Diferencia ponderada del valor esperado**: la puntuación de anomalías multiplicada por la diferencia entre el valor real y el valor esperado (predeterminado). + **Diferencia del valor esperado**: la diferencia real entre el valor real y el valor esperado (es decir, real esperado). + **Valor real**: el valor real sin la fórmula aplicada. 1. En la sección **Programación** puede establecer la programación con el fin de ejecutar automáticamente el nuevo cálculo de información. La programación se ejecuta solo para los paneles publicados. En el análisis, puede ejecutarlo manualmente según sea necesario. La programación incluye las opciones siguientes. + **Incidencia**: la frecuencia con la que se desea que se ejecute el recálculo: cada hora, cada día, cada semana o cada mes. + **Iniciar programación el**: establezca la fecha y la hora para comenzar la ejecución de esta programación. + **Zona horaria**: establezca la zona horaria en la que se ejecuta la programación. Para ver una lista, elimine la entrada actual. 1. En la sección **Colaboradores principales**, configure Amazon Quick Sight para que analice los factores clave cuando se detecte un valor atípico (anomalía). Por ejemplo, Amazon Quick Sight puede mostrar los principales clientes que contribuyeron al aumento de las ventas de productos de mejoras para el hogar en EE. UU. Puede agregar hasta cuatro dimensiones a su conjunto de datos. Estas incluyen dimensiones que no agregó a los cuadros de campo de este widget de información. Para ver una lista de dimensiones disponibles para el análisis de contribuciones, elija **Seleccionar campos**. 1. Seleccione **Guardar** para confirmar sus opciones. Elija **Cancelar** para salir sin guardar. 1. En el widget de información, elija **Ejecutar ahora** para ejecutar la detección de anomalías y ver la información. El periodo de tiempo que tarda en completarse la detección de anomalías varía según el número de puntos de datos únicos que esté analizando. El proceso puede durar unos minutos para un número mínimo de puntos o puede durar muchas horas. Mientras se ejecuta en segundo plano, puede realizar otras tareas en su análisis. Asegúrese de que se complete antes de cambiar la configuración, editar la narración o abrir la página **Explorar anomalías** correspondiente a esta información. El widget de información debe ejecutarse al menos una vez para que pueda ver los resultados. Si cree que el estado podría no estar actualizado, puede actualizar la página. La información puede tener los siguientes estados. | Aparece en la página | Status | | --- | --- | | Botón Ejecutar ahora | El trabajo aún no ha comenzado. | | Mensaje Analizando en busca de anomalías | El trabajo se está ejecutando actualmente. | | Narración sobre las anomalías detectadas (valores atípicos) | El trabajo se ha ejecutado correctamente. El mensaje indica cuándo se actualizó por última vez el cálculo de este widget. | | Icono de alerta con un signo de exclamación (\$1) | Este icono indica que se ha producido un error durante la última ejecución. Si también aparece la narración, puede usar Explorar anomalías para utilizar los datos de la última ejecución correcta. | # Uso del análisis de contribuciones para los factores clave Amazon Quick Sight puede identificar las dimensiones (categorías) que contribuyen a los valores atípicos en las medidas (métricas) entre dos momentos. El factor clave que contribuye a la aparición de un valor atípico le ayuda a responder a la siguiente pregunta: ¿Qué causó esta anomalía? Si ya utiliza la detección de anomalías sin un análisis de contribuciones, puede utilizar la información sobre el ML existente para encontrar los factores clave. Utilice el siguiente procedimiento para agregar un análisis de contribuciones e identificar los factores clave que se encuentran detrás de los valores atípicos. La información para la detección de anomalías debe incluir un campo de tiempo y al menos una métrica agregada (SUMA, PROMEDIO o RECUENTO). Si lo desea, puede incluir varias categorías (campos de dimensiones), pero también puede realizar un análisis de contribuciones sin especificar ningún campo de categoría o dimensión. También puede utilizar este procedimiento para cambiar o eliminar campos como factores clave en la detección de anomalías. **Adición de un análisis de contribuciones a fin de identificar los factores clave** 1. Abra el análisis y localice información sobre el ML existente para la detección de anomalías. Seleccione el widget de información para resaltarlo. 1. Seleccione **Opciones de menú** (**...**) en el menú del elemento visual. 1. Seleccione **Configurar anomalía** para editar la configuración. 1. La configuración **Análisis de contribución (opcional)** permite a Amazon Quick Sight analizar los factores clave cuando se detecta un valor atípico (anomalía). Por ejemplo, Amazon Quick Sight puede mostrarte los principales clientes que han contribuido al aumento de las ventas de productos de mejoras para el hogar en EE. UU. Puede agregar hasta cuatro dimensiones del conjunto de datos, incluidas las dimensiones que no agregó a los cuadros de campo de este widget de información. Para ver una lista de dimensiones disponibles para el análisis de contribuciones, seleccione **Seleccionar campos**. Si desea cambiar los campos que utiliza como factores clave, cambie los campos que están habilitados en esta lista. Si los desactiva todos, Quick Sight no realizará ningún análisis de contribución a esta información. 1. Para guardar los cambios, desplácese hasta la parte inferior de las opciones de configuración y elija **Guardar**. Para salir sin guardar, elija **Cancelar**. Para eliminar completamente esta configuración, elija **Eliminar**. # Exploración de los valores atípicos y los factores clave con la detección de anomalías basada en ML y el análisis de contribuciones Puede explorar de forma interactiva las anomalías (también denominadas valores atípicos) en su análisis, junto con los contribuidores (controladores clave). El análisis está disponible después de que se haya ejecutado la detección de anomalías basada en ML. Los cambios que se efectúan en esta pantalla no se guardan al volver al análisis. Para empezar, elija **Explorar anomalías** en la información. En la siguiente captura de pantalla se muestra la pantalla de anomalías tal y como aparece la primera vez que la abre. En este ejemplo, el análisis de los colaboradores está configurado y muestra dos factores clave. ![\[Se muestra el análisis de anomalías con los colaboradores.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/anomaly-exploration-v2.png) Las secciones de la pantalla incluyen lo siguiente, desde la parte superior izquierda hasta la parte inferior derecha: + **Colaboradores** muestra los factores clave. Para ver esta sección, necesita tener los colaboradores configurados en la configuración de anomalías. + **Controles** contiene ajustes para la exploración de anomalías. + **Número de anomalías** muestra los valores atípicos detectados a lo largo del tiempo. Puede ocultar o mostrar esta sección del gráfico. + Los **nombres de los campos** de categorías o dimensiones actúan como títulos para los gráficos que muestran anomalías en cada categoría o dimensión. En las siguientes secciones se proporciona información detallada sobre cada aspecto de la exploración de anomalías. **Topics** + [Exploración de los colaboradores (factores clave)](exploring-anomalies-key-drivers.md) + [Configuración de los controles para la detección de anomalías](exploring-anomalies-controls.md) + [Muestra y ocultación de anomalías por fecha](exploring-anomalies-by-date.md) + [Exploración de anomalías por categoría o dimensión](exploring-anomalies-per-category-or-dimension.md) # Exploración de los colaboradores (factores clave) Si su análisis de anomalías está configurado para detectar los factores clave, Quick Sight ejecuta el análisis de contribución para determinar qué categorías (dimensiones) influyen en los valores atípicos. La sección **Colaboradores** aparece a la izquierda. **Colaboradores** contiene las siguientes secciones: + **Narración**: en la parte superior izquierda, hay un resumen que describe cualquier cambio en las métricas. + **Configuración de colaboradores principales**: elija **Configurar** para cambiar los colaboradores y el intervalo de fechas que se utilizarán en esta sección. + **Ordenar por**: establece el orden aplicado a los resultados que se muestran debajo. Puede elegir entre las siguientes opciones: + **Diferencia absoluta** + **Porcentaje de contribución** (predeterminado) + **Desviación de lo previsto** + **Diferencia de porcentaje** + **Resultados de los colaboradores principales**: muestra los resultados del análisis de los colaboradores principales para el momento seleccionado en la línea temporal de la derecha. El análisis de contribuciones identifica hasta cuatro de los principales factores contribuyentes o factores clave de una anomalía. Por ejemplo, Amazon Quick Sight puede mostrarte los principales clientes que han contribuido al aumento de las ventas de productos de salud en EE. UU. Este panel solo aparece si ha seleccionado campos para incluirlos en el análisis de contribuciones al configurar la anomalía. Si este panel no está visible y desea mostrarlo, puede activarlo. Para ello, vuelva al análisis, elija la configuración de anomalías en el menú de información y elija hasta cuatro campos que analizar en busca de contribuciones. Si realiza cambios en los controles de hoja que excluyen los factores contribuyentes, se cerrará el panel **Colaboradores**. # Configuración de los controles para la detección de anomalías Puede encontrar los ajustes para la detección de anomalías en la sección **Controles** de la pantalla. Para abrir y cerrar esta sección, haga clic en la palabra **Controles**. La configuración incluye lo siguiente: + **Controles**: la configuración actual aparece en la parte superior del espacio de trabajo. Puede expandir esta sección con el icono de flecha doble en el extremo derecho. Los siguientes ajustes están disponibles para explorar los valores atípicos generados por la detección de anomalías basada en ML: + **Gravedad**: establece la sensibilidad del detector con las anomalías (valores atípicos) detectadas. Es posible que vea más anomalías con el umbral establecido en **Baja y más** y menos anomalías si el umbral se establece en **Alta y más**. Esta sensibilidad se determina basándose en las desviaciones estándar de la puntuación de anomalía generada por el algoritmo RCF. El valor predeterminado es **Media y más**. + **Dirección**: la dirección en el eje x o el eje y que desea identificar como anómala. El valor predeterminado es [TODOS]. Puede elegir entre las siguientes opciones: + Configure esta opción en **Más alto de lo esperado** para identificar valores más altos como anomalías. + Configure esta opción en **Más bajo de lo esperado** para identificar valores más bajos como anomalías. + Configure esta opción en **[TODOS]** para identificar todos los valores anómalos, altos y bajos (configuración predeterminada). + **Delta mínimo: valor absoluto**: introduzca un valor personalizado para usarlo como umbral absoluto para identificar las anomalías. Cualquier cantidad superior a este valor se considerará una anomalía. + **Delta mínimo: porcentaje**: introduzca un valor personalizado para usarlo como umbral porcentual para identificar las anomalías. Cualquier cantidad superior a este valor se considerará una anomalía. + **Ordenar por**: elija el método que desea aplicar a la clasificación de anomalías. Se muestran en el orden preferido en la pantalla. Consulte la siguiente lista para ver una descripción de cada método. + **Puntuación de anomalías ponderada**: la puntuación de anomalías multiplicada por el registro del valor absoluto de la diferencia entre el valor real y el valor esperado. Esta puntuación es siempre un número positivo. + **Puntuación de anomalías**: la puntuación de anomalías real asignada a este punto de datos. + **Diferencia ponderada del valor esperado**: (predeterminado) la puntuación de anomalías multiplicada por la diferencia entre el valor real y el valor esperado. + **Diferencia del valor esperado**: la diferencia real entre el valor real y el valor esperado (real esperado). + **Valor real**: el valor real sin la fórmula aplicada. + **Categorías**: pueden aparecer una o más configuraciones al final de las otras configuraciones. Hay una para cada campo de categoría que haya agregado correctamente al campo de categoría. Puede utilizar esta configuración de categoría para limitar los datos que se muestran en la pantalla. # Muestra y ocultación de anomalías por fecha El gráfico **Número de anomalías** muestra los valores atípicos detectados a lo largo del tiempo. Si no ve este gráfico, puede mostrarlo seleccionando **MOSTRAR ANOMALÍAS POR FECHA**. Este gráfico muestra las anomalías (valores atípicos) del punto de datos más reciente de la serie temporal. Al expandirse, muestra los siguientes componentes: + **Anomalías**: en el medio de la pantalla se muestran las anomalías del punto de datos más reciente de la serie temporal. En uno o varios gráficos se muestra un gráfico con las variaciones de una métrica a lo largo del tiempo. Para utilizar este gráfico, seleccione un punto a lo largo de la línea temporal. El punto en el tiempo seleccionado actualmente se resalta en el gráfico e incluye un menú que le ofrece la opción de analizar las contribuciones en la métrica actual. También puede arrastrar el cursor sobre la línea temporal sin seleccionar un punto específico, para mostrar el valor de la métrica de ese punto en el tiempo. + **Anomalías por fecha**: si elige **MOSTRAR ANOMALÍAS POR FECHA**, aparece otro gráfico que muestra cuántas anomalías significativas había para cada punto temporal. Puede ver los detalles en este gráfico en el menú contextual de cada barra. + **Ajuste de la línea temporal**: cada gráfico tiene una herramienta de ajuste de la línea temporal debajo de las fechas, que puede utilizar para comprimir, expandir o elegir un periodo de tiempo para verlo. # Exploración de anomalías por categoría o dimensión La sección principal de la pantalla **Explorar anomalías** está bloqueada en la parte inferior derecha de la pantalla. Permanece aquí sin importar cuántas otras secciones de la pantalla estén abiertas. Si existen varias anomalías, puede desplazarse hacia abajo para resaltarlas. El gráfico muestra las anomalías en gamas de colores y muestra dónde se producen durante un período de tiempo. ![\[Pantalla Explorar anomalías.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/anomaly-exploration-1.png) Cada categoría o dimensión tiene un gráfico independiente que utiliza el nombre del campo como título del gráfico. Cada gráfico contiene los siguientes componentes: + **Configurar alertas**: si está explorando anomalías en un panel, puede utilizar este botón para suscribirse a alertas y análisis de contribuciones (si está configurado). Puede configurar las alertas según el nivel de gravedad (medio, alto, etc.). Puede obtener las cinco primeras alertas para **Más de lo previsto**, **Menos de lo previsto** o TODO. Los lectores de paneles pueden configurar alertas para sí mismos. La página **Explorar anomalías** no muestra este botón si la página se abre desde un análisis. **nota** La capacidad de configurar alertas solo está disponible en los paneles publicados. + **Estado**: debajo del encabezado **Anomalías**, la etiqueta de estado muestra información sobre la última ejecución. Por ejemplo, es posible que vea “Anomalías en los ingresos del 17 de noviembre de 2018”. Esta etiqueta indica cuántas métricas se han procesado y cuánto tiempo ha transcurrido. Puede elegir el enlace para obtener más información sobre los detalles, por ejemplo, cuántas métricas se ignoraron.