翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# Amazon Quick Sight での機械学習 (ML) によるインサイトの取得
Amazon Quick Sight は機械学習を使用して、データの隠れたインサイトや傾向の発見、主要な推進要因の特定、ビジネスメトリクスの予測を支援します。ダッシュボードに埋め込まれた自然言語の説明でこれらの洞察を利用することもできます。
Amazon Quick Sight Enterprise Edition では、機械学習 (ML) と自然言語機能を使用して、記述分析や診断分析にとどまらず、予測と意思決定に着手できます。一目でデータを理解し、発見を共有し、そして目標を達成するための最良の決定を発見することができます。必要な機械学習モデルとアルゴリズムを作成するためのチームや技術を開発することなくこれを行うことができます。
お客様は、何が起こったのか、いつ、どこで、そしてパターンの調査と識別のためのドリルダウンを提供するための質問に答える視覚化をすでに構築しているでしょう。ML Insights を使用すると、手動で分析および調査に費やす時間を費やすことを回避できます。カスタマイズされた文脈依存ナラティブのリスト (*自動説明文*) から選択して、それらを分析に追加することができます。自動説明文を選択することに加えて、予測、異常、およびこれらに寄与する要因の表示を選択できます。また、重要な問題点をわかりやすい言葉で説明する自動説明文を追加して、データ駆動型の真実を会社に提供することもできます。
時間が経過し、データがシステムを通過すると、Amazon Quick Sight は継続的に学習し、より関連性の高いインサイトを提供できるようにします。データが何を意味するのかを決める代わりに、それが提供する情報を使って何をすべきかを決めることができます。
機械学習に基づいた共有基盤により、すべてのアナリストや利害関係者は、何百万もの測定基準に基づいて構築された傾向、異常、予測、およびカスタムの説明文を見ることができます。根本的な原因を調べ、予測を考え、リスクを評価し、そして十分に情報を得た正当な判断を下すことができます。
このようなダッシュボードを作成するには、手作業による分析も、カスタム開発スキルも、機械学習のモデリングやアルゴリズムに関する知識も必要ありません。この機能はすべて Amazon Quick Sight Enterprise Edition に組み込まれています。
**注記**
機械学習の機能は、製品全体で必要に応じて使用されます。機械学習を積極的に使用する機能には、そのようにラベルが付けられています。
ML Insights では、Amazon Quick Sight には 3 つの主要な機能があります。
+ **ML を使用した異常検出** – Amazon Quick Sight は、Amazon の実証済みの機械学習テクノロジーを使用して、すべてのデータを継続的に分析し、異常 (外れ値) を検出します。予想を上回る売上やウェブサイトのトラフィックの減少など、ビジネスメトリクスに著しい変化をもたらす主な要因を特定できます。Amazon Quick Sight は、数百万のメトリクスと数十億のデータポイントでランダムカットフォレストアルゴリズムを使用します。これを実行すると、手動分析ではアクセスできない、多くの場合集合体に埋もれている深い洞察を得ることができます。
+ **ML を活用した予測** – Amazon Quick Sight を使用すると、非技術系ユーザーは主要なビジネスメトリクスを自信を持って予測できます。内蔵の機械学習 Random Cut Forest アルゴリズムは、外れ値を除く季節性や傾向の検出、欠損値の入力など、複雑な現実のシナリオを自動的に処理します。ポイントアンドクリックで簡単にデータを操作できます。
+ **自動説明文** – Amazon Quick Sight で自動説明文を使用すると、説明文が埋め込まれた豊富なダッシュボードを構築して、データのストーリーを平易な言語で伝えることができます。これを行うことで、レポート作成のための重要な洞察を引き出すためにチャートや表を調べる時間を節約できます。また、組織内のデータについての理解を共有するため、意思決定が迅速になります。提案された自動説明文を使用することも、独自の要件を満たすように計算や言語をカスタマイズすることもできます。Amazon Quick Sight は、すべてのユーザーに個人データアナリストを提供するようなものです。
**Topics**
+ [
# Amazon Quick Sight で使用される ML アルゴリズムについて
](concept-of-ml-algorithms.md)
+ [
# Amazon Quick Sight で ML Insights を使用するためのデータセット要件
](ml-data-set-requirements.md)
+ [
# Amazon Quick Sight でのインサイトの使用
](computational-insights.md)
+ [
# Amazon Quick Sight を使用した自動説明文の作成
](narratives-creating.md)
+ [
# ML を使用した異常検出による外れ値の検出
](anomaly-detection.md)
+ [
# Amazon Quick Sight を使用した What-If シナリオの予測と作成
](forecasts-and-whatifs.md)
# Amazon Quick Sight で使用される ML アルゴリズムについて
| |
| --- |
| Amazon Quick Sight で ML を活用した機能を使用するには、機械学習に関する技術的な経験は必要ありません。このセクションでは、アルゴリズムの仕組みに関して詳しく知りたい方に向けて、アルゴリズムの技術的側面について詳しく説明します。機能を使用するためには、この情報は必要ありません。 |
Amazon Quick Sight は、ランダムカットフォレスト (RCF) アルゴリズムの組み込みバージョンを使用します。以下のセクションでは、その意味と Amazon Quick Sight での使用方法について説明します。
まず、関連する用語をいくつか見てみましょう。
+ 異常 – 同じサンプル内の他の大部分との違いによって特徴付けられるもの。外れ値、例外、偏差などとも呼ばれます。
+ データポイント — データセット内の離散単位 (または単に、行)。ただし、さまざまなディメンションでメジャーを使用すると、行に複数のデータポイントが含まれる可能性があります。
+ ディシジョンツリー – データ内のパターンを評価するアルゴリズムの決定プロセスを視覚化する方法。
+ 予測 – 現在や過去の動作に基づく将来の動作の推定。
+ モデル – アルゴリズムまたはアルゴリズムが学習する数式表現。
+ 季節性 – 時系列データで周期的に発生する動作の繰り返しパターン。
+ 時系列 – 1 つのフィールドや列の順序付けられた一連の日付や時刻。
**Topics**
+ [
# 異常検出と予測の違いは何ですか。
](difference-between-anomaly-detection-and-forecasting.md)
+ [
# RCF とは
](what-is-random-cut-forest.md)
+ [
# RCF を使用して異常を検出する方法
](how-does-rcf-detect-anomalies.md)
+ [
# RCF を使用して予測を生成する方法
](how-does-rcf-generate-forecasts.md)
+ [
# 機械学習と RCF の参考資料
](learn-more-about-machine-learning-and-rcf.md)
# 異常検出と予測の違いは何ですか。
異常検出は、「通常は発生しない、どのような事象が発生したか」いう問いへの答えとなる外れ値とその寄与要因を特定します。予測は、「期待通りにすべてが発生し続ける場合、今後どうなるのか」という問いに答えます。予測を可能にする数学により、「いくつかのことが変わった場合、どうなるのか」と尋ねることもできます。
異常検出と予測はどちらも、現在の既知のデータポイントを調べることから始まります。Amazon Quick Sight の異常検出は、既知のセットの外部にあるものを確立し、それらのデータポイントを異常 (外れ値) として識別できるように、既知のものから始まります。Amazon Quick Sight 予測では、異常なデータポイントを除外し、既知のパターンを維持します。予測では、確立されたデータ配信パターンに焦点を当てます。これとは対照的に、異常検出では、予想とは異なるデータポイントに焦点が当てられます。各メソッドは、異なる方向からの意思決定にアプローチします。
# RCF とは
*Random Cut Forest * (RCF) とは、*Random Forest * (RF) アルゴリズムの特殊タイプで、機械学習で広く使用され成功している手法です。この手法では、ランダムなデータポイントのセットを取り、それらを同じポイント数に切り下げて、その後モデルのコレクションを構築します。対照的に、モデルはデシジョンツリー (フォレスト) に対応します。RF は簡単に増分方式で更新することができないため、増分更新が可能になるよう設計されたツリー構造の変数で RCF が考案されました。
管理されないアルゴリズムである RCF は、クラスター分析を使用して時系列データのスパイク、周期性または季節性の中断、データポイントの例外を検出します。ランダムカットフォレストは、動的データストリームの概要またはスケッチ (またはタイムインデックス付きの数字シーケンス) として機能します。ストリームに関する質問の答えは、この概要から得られます。次の特性は、ストリームと、異常検出と予測への接続方法を示しています。
+ *ストリーミングアルゴリズム*は、メモリ使用量が少ないオンラインのアルゴリズムです。オンラインアルゴリズムは、 **(t\$11)-**st ポイントを表示する前に時間 **t** によりインデックスが付けられた入力ポイントについて決定を下します。小さなメモリは、短い待ち時間で答えを生み出すことができ、ユーザーがデータと対話することを可能にする機敏なアルゴリズムを可能にします。
+ 時間による順序付けを尊重することは、*オンライン*アルゴリズムのように、異常の検出と予測に必要です。明後日に何が起こるかをすでに知っているなら、明日、何が起こるかを予測することは予測ではありません。未知の欠損値を補間するだけです。同様に、本日発表された新製品は異常である可能性がありますが、次の四半期末には必ずしも異常のままではありません。
# RCF を使用して異常を検出する方法
人間は他のデータと際立っているデータポイントを容易に区別することができます。RCF は、意思決定ツリーの「フォレスト」を構築し、新しいデータポイントがフォレストをどのように変化させるかを監視することで、同じことを行います。
*異常*は、通常のポイントから注意を引くデータポイントです。黄色の花が咲く野原にある赤い花をイメージしてみてください。この「注意の変位」は、入力点によって占められることになるツリーの (予想される) 位置 (すなわちRCFにおけるモデル) に符号化されます。アイデアは、アルゴリズムをトレーニングするためにサンプリングされたデータのパーティションから各デシジョンツリーが成長するフォレストを作成することです。より技術的に言うと、各ツリーは、サンプル上に特定のタイプのバイナリスペースのパーティショニングツリーを構築します。Amazon Quick Sight がデータをサンプリングすると、RCF は各データポイントに異常スコアを割り当てます。それは異常に見えるデータポイントにより高いスコアを与えます。スコアは、概算で、結果として得られるツリー内のポイントの深さに反比例します。Random Cut Forest は、各構成ツリーからの平均スコアを計算し、サンプルサイズに関して結果をスケーリングすることによって、異常スコアを割り当てます。
各モデル自体は弱い予測値であるため、さまざまなモデルの投票数またはスコアが集計されます。Amazon Quick Sight は、スコアが最近のポイントと大きく異なる場合、データポイントを異常として識別します。何が異常として分類されるかは、アプリケーションによって異なります。
ホワイトペーパー [Random Cut Forest ベースの、ストリームにおける異常検出](http://proceedings.mlr.press/v48/guha16.pdf) には、この最先端のオンライン異常検出 (時系列異常検出) の複数の例が記載されています。RCF は、隣接するセグメントまたはデータの「こけら板」に使用されます。この場合、直近のセグメントのデータは最新のセグメントのコンテキストとして機能します。RCF ベースの異常検出アルゴリズムの以前のバージョンは、こけら板全体にスコアを付けます。Amazon Quick Sight のアルゴリズムは、現在の拡張コンテキストにおける異常のおおよその場所も提供します。このおおよその場所は、異常の検出に遅延があるシナリオで役立ちます。遅延が発生するのは、任意のアルゴリズムで「以前に見た偏差」を「異常な偏差」に特徴付ける必要があるためです。
# RCF を使用して予測を生成する方法
定常的な時系列で次の値を予測するために、RCF アルゴリズムは、「候補値を得た後、最も可能性の高い完了はどうなるでしょうか」という問いに答えます。これは RCF の単一のツリーを使用して最良の候補を検索します。各ツリーはそれ自体が弱い予測子であるため、異なるツリーにわたる候補は集約されます。集約は分位点誤差の生成も可能にします。このプロセスを **t** 回繰り返して、将来の **t** 値を予測します。
Amazon Quick Sight のアルゴリズムは *BIFOCAL* と呼ばれます。2 つの RCF を使用して CALibrated BI-FOrest アーキテクチャを作成します。最初の RCF は、異常を除外して弱い予測を提供するために使用され、これは 2 番目の補正によって修正されます。全体的に見て、このアプローチは ETS のような他の広く利用可能なアルゴリズムと比較して非常に堅牢な予測を提供します。
Amazon Quick Sight 予測アルゴリズムのパラメータ数は、他の広く利用可能なアルゴリズムよりも大幅に少なくなります。これにより、多数の時系列データポイントを人が調整することなく、そのまま使用することができます。特定の時系列により多くのデータが蓄積されると、Amazon Quick Sight の予測はデータドリフトやパターンの変化に合わせて調整できます。傾向を示す時系列の場合、傾向検出が最初に実行されて系列が定常状態になります。その定常シーケンスの予測は、トレンドとともに予測されます。
このアルゴリズムは効率的なオンラインアルゴリズム (RCF) に依存しているため、対話型の「what-if」クエリをサポートできます。これらでは、予測の一部を変更して条件付き予測を提供するための仮説として扱うことができます。これが分析中に「what-if」シナリオを探索する機能の起源です。
# 機械学習と RCF の参考資料
機械学習とこのアルゴリズムの詳細については、以下の資料を参照してください。
+ 記事 [Robust Random Cut Forest (RRCF): A No Math Explanation](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/) では、数式を使わずにわかりやすい説明をしています。
+ 書籍 [*The Elements of Statistical Learning: Data Mining, Inference, and Prediction*、第二版 (Springer Series in Statistics)](https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576) は、機械学習の完全な基礎を提供してくれます。
+ 「[http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf)」は、異常検出と予測の両方の例を含む、専門知識を深く掘り下げた学術的なホワイトペーパーです。
RCF に対する別のアプローチが他の AWS サービスに表示されます。他のサービスで RCF がどのように使われているかを調べるには、以下を参照してください。
+ *Amazon Managed Service for Apache Flink SQL リファレンス: *[RANDOM\$1CUT\$1FOREST](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest.html) および [RANDOM\$1CUT\$1FOREST\$1WITH\$1EXPLANATION](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html)
+ *Amazon SageMaker デベロッパーガイド: *[Random Cut Forest (RCF) アルゴリズム](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html) このアプローチは、[ビジネス向け機械学習](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (2018 年 10 月) の[ Random Cut Forest アルゴリズム](https://freecontent.manning.com/the-randomcutforest-algorithm/)の章でも説明されています。
# Amazon Quick Sight で ML Insights を使用するためのデータセット要件
Amazon Quick Sight の機械学習機能の使用を開始するには、データに接続またはインポートする必要があります。既存の Amazon Quick Sight データセットを使用するか、新しいデータセットを作成できます。SQL 互換ソースを直接クエリする、またはデータを SPICE に取り込むことができます。
データには以下のプロパティが必要です。
+ 少なくとも 1 つのメトリクス (たとえば、販売、注文、納品、サインアップなど)。
+ 少なくとも 1 つのカテゴリのディメンション (たとえば、商品カテゴリー、チャネル、セグメント、業界など)。カテゴリで NULL 値は無視されます。
+ 異常検出には、トレーニングに最低 15 のデータポイントが必要です。たとえば、データの粒度が毎日の場合、少なくとも 15 日のデータが必要です。粒度が毎月の場合は、少なくとも 15 か月のデータが必要です。
+ 予測は、データが多いほど最適に機能します。最適な結果を得るための十分な履歴データがデータセットにあることを確認してください。たとえば、データの粒度が毎日の場合、少なくとも 38 日のデータが必要です。粒度が毎月の場合は、少なくとも 43 か月のデータが必要です。以下は、各タイム粒度の要件です。
+ 年間: 32 データポイント
+ 四半期: 35 データポイント
+ 月: 43 データポイント
+ 週: 35 データポイント
+ 日: 38 データポイント
+ 時間: 39 データポイント
+ 分: 46 データポイント
+ 秒: 46 データポイント
+ 異常や予測を分析したい場合は、少なくとも 1 つの日付ディメンションも必要です。
開始するためのデータセットがない場合は、サンプルデータセットとして [ML Insights Sample Dataset VI](samples/ml-insights.csv.zip) をダウンロードできます。データセットを準備したら、データセットから新しい分析を作成します。
# Amazon Quick Sight でのインサイトの使用
Amazon Quick Sight では、ready-to-use分析計算をウィジェットとして分析に追加できます。インサイトを扱うには 2 つの方法があります。
+ **推奨インサイト**
Amazon Quick Sight は、ビジュアルに入力したデータの解釈に基づいて、推奨されるインサイトのリストを作成します。このリストはコンテキストに基づいて変わります。つまり、ビジュアルに追加するフィールドや選択するビジュアルの種類に応じて、さまざまな提案が表示されます。たとえば、時系列のビジュアライゼーションがある場合、洞察には、期間ごとの変化、異常、および予測が含まれることがあります。分析にビジュアルを追加するとき、提案されたインサイトを生成します。
+ **カスタムインサイト**
カスタムインサイトを使用すると、ウィジェットに表示されるフィールドに文脈を与えるために独自の単語を使用して、独自の計算を作成できます。カスタムインサイトを作成するときは、それを分析に追加してから、使用する計算の種類を選択します。次に、望むように見えるようにするためにテキストとフォーマットを加えることができます。フィールド、計算、およびパラメータをさらに追加することもできます。
自分の目的に最も適した意思決定環境を作成するために、提案された洞察とカスタム洞察の任意の組み合わせを分析に追加できます。
**Topics**
+ [
# 推奨インサイトの追加
](adding-suggested-insights.md)
+ [
# 分析へのカスタムインサイトの追加
](adding-insights.md)
# 推奨インサイトの追加
以下の手順に従って、分析に推奨インサイトを追加します。
開始する前に、データセットが「[Amazon Quick Sight で ML Insights を使用するためのデータセット要件](ml-data-set-requirements.md)」で説明している基準を満たしていることを確認します。
1. ビジュアルにいくつかのフィールドを追加した分析から始めます。
1. 左側にある [**Insights (インサイト)**] を選択します。[**Insights (インサイト)**] パネルが開き、使用可能な状態の推奨インサイトのリストが表示されます。
各ビジュアルの上部の境界に小さなボックスも表示され、そのビジュアルに使用できるインサイトの数が表示されます。このボックスを選択すると、[**Insights (インサイト)**] パネルを開くことができ、最近開いたどのビューにも開くことができます。
より多くのインサイトをプレビューするには、下方向にスクロールします。
表示されるインサイトは、ビジュアルに含めることを選択したフィールドのデータタイプによって制御されます。このリストはビジュアルを変更するたびに生成されます。変更した場合は、[**Insights (インサイト)**] をチェックして、何が新しくなったのかを確認してください。特定のインサイトを取得するには、[分析へのカスタムインサイトの追加](adding-insights.md)を参照してください。
1. (オプション) コンテキストメニューを開区と、1 つのインサイトのより多くのオプションが表示されます。これを行うには、インサイトの右上にある省略記号を選択します (**…**)。
オプションはインサイトのタイプごとに異なります。操作できるオプションは次のとおりです。
+ [**Change the time series aggregation (時系列の集計を変更)**] – 年、四半期、月、週、日、時、分に変更します。
+ [**Analyze contributions to metrics (メトリクスへの寄与要因を分析)**] – 分析する寄与要因と期間を選択します。
+ **[Show all anomalies (すべての異常を表示)**] – この期間内の異常を参照します。
+ **[Edit forecast (予測の編集)**] – 予測の期間、間隔、季節性を選択します。
+ [**Focus on (フォーカス)**] または [**Exclude (除外)**] – ディメンションデータをズームインまたはズームアウトします。
+ **[Show details (詳細を表示)**] – 最近の異常 (外れ値) に関する詳細情報を表示します。
+ 分析におけるインサイトの有用性についてのフィードバックを提供してください。
1. インサイトのタイトルの近くにあるプラス記号 (**\$1**) を選択して、分析に提案されたインサイトを追加します。
1. (オプション) 分析にインサイトを追加した後で、分析に表示する説明文をカスタマイズします。これを行うには、[**v**] 形のメニューを選択して、 [**Customize narrative (説明文のカスタマイズ)**] を選択します。詳細については、[Amazon Quick Sight を使用した自動説明文の作成](narratives-creating.md)を参照してください。
インサイトが異常 (外れ値) に関するものであれば、異常検出ジョブの設定を変更することもできます。これを行うには、[**Configure anomaly (異常の設定)**] を選択します。詳細については、[外れ値分析のための ML を使用した異常検出のセットアップ](anomaly-detection-using.md)を参照してください。
1. (オプション) 分析からインサイトを削除するには、ビジュアルの右上にある [**v**] 形のメニューを選択します。その後、[**Delete (削除)**] を選択します。
# 分析へのカスタムインサイトの追加
提案されたインサイトを使用したくない場合は、独自のカスタムインサイトを作成できます。カスタム計算インサイトを作成するには、次の手順を使用します。
1. 既存の分析から開始します。上部メニューバーで [**Add\$1 (追加\$1)**] を選択します。次に [**Add Insight (インサイトの追加)**] を選択します。
新しいインサイトのためのコンテナが分析に追加されます。
1. 次のいずれかを行います。
+ リストから使用する計算を選択します。各項目を選択すると、そのインサイトの出力の例が表示されます。使用するものが見つかったら、[**Select (選択)**] を選択します。
+ この画面を終了してインサイトを手動でカスタマイズします。未設定のインサイトには、[**Customize insight (インサイトのカスタマイズ)**] ボタンがあります。ボタンを選択して、[**Configure narrative (説明文の設定)**] 画面を開きます。式エディタの使用方法の詳細については、[Amazon Quick Sight を使用した自動説明文の作成](narratives-creating.md)を参照してください。
インサイトの作成を開始しているため、既存のビジュアルに基づいていません。分析にインサイトが追加されると、リクエストを完了するために必要なデータの種類を示すメモが表示されます。たとえば、[**1 dimension in Time (期間内に 1 つのディメンション)**] を要求することがあります。この場合、[**Time (時間)**] フィールドウェルにディメンションを追加します。
1. 正しいデータを入手したら、画面に表示される指示に従ってカスタムインサイトの作成を完了します。
1. (オプション) 分析からインサイトを削除するには、ビジュアルの右上にある [**v**] 形のメニューを選択します。その後、[**Delete (削除)**] を選択します。
# Amazon Quick Sight を使用した自動説明文の作成
[*auto-narrative (自動説明文)*] は、チャートの代わりに説明文を表示する自然言語の要約ウィジェットです。分析中にこれらのウィジェットを埋め込んで、重要なインサイトと吹き出しを強調表示することができます。結論を引き出すために、ビジュアルを調べたり、ドリルダウンしたり、値を比較したり、アイデアを再確認したりする必要はありません。また、データの意味を理解したり、さまざまな解釈について同僚と話し合ったりする必要もありません。代わりに、データから結論を推定し、それを分析に表示することができます。1 つの解釈は誰でも共有することができます。
Amazon Quick Sight は、ダッシュボード内のグラフとテーブルを自動的に解釈し、自然言語で推奨されるインサイトを多数提供します。選ぶことができる提案されたインサイトは既製であり、言葉、計算、および機能を備えています。ただし、必要に応じて変更することができます。独自のデザインを使用することもできます。ダッシュボードの作成者として、ニーズに合わせて計算とビジネス言語を完全にカスタマイズできる柔軟性があります。説明文を使用して、データのストーリーをわかりやすい言葉で効果的に伝えることができます。
**注記**
説明文は機械学習とは別のものです。説明文に予測や異常 (外れ値) の計算を追加した場合にのみ、ML が使用されます。
**Topics**
+ [
# 自動説明文が含まれるインサイト
](auto-narratives.md)
+ [
# 説明文の表現エディタを使用する
](using-narratives-expression-editor-step-by-step.md)
+ [
# 式エディタワークスペース
](using-narratives-expression-editor-menus.md)
+ [
# URL の追加
](using-narratives-expression-editor-urls.md)
+ [
# 自動説明文計算の使用
](auto-narrative-computations.md)
# 自動説明文が含まれるインサイト
分析にインサイト (自動説明文) を追加するときは、次のテンプレートから選択できます。以下のリストでは、これらは例ごとに定義されています。各定義には、自動説明文が機能するために最小限必要なフィールドのリストが含まれています。[**Insight (インサイト)**] タブで推奨インサイトのみを使用する場合、適切なフィールドを選択して、推奨インサイトリストに表示するインサイトを取得します。
自動説明文のカスタマイズに関する詳細については、[自動説明文計算の使用](auto-narrative-computations.md)を参照してください。
+ [**Bottom ranked (下位)**] – たとえば、売上高で下位 3 つの州。[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Bottom movers (下位製品**)] – たとえば、売上高で下位 3 つの製品。[**Time (時間)**] フィールドウェルに 1 つ以上、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Forecast (予測)**] *(機械学習によるインサイト)* – 「2016 年 1 月の総売上予測は 58,613 USD」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Growth rate (成長率)**] – 「売上高の 3 か月複合成長率は 22.23%」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Maximum (最大)**] – 「最大の月は 2014 年 11 月で、売上高は 112,326 USD」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Metric comparison (メトリクス比較)**] – 「2014 年 12 月の総売上高は 90,474 USD で、目標額の 81,426 USD より 10% 増」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンション、[**Value (値)**] フィールドウェルに 2 つ以上のメジャーが必要です。
+ [**Minimum (最小)**] – 「最小の月は 2011 年 2 月で、売上高は 4,810 USD」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Anomaly detection (異常検出**)] *(機械学習によるインサイト)* – 「2019 年 1 月 3 日の総売上の上位 3 つの外れ値とその寄与要因」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンション、[**Value (値)**] フィールドウェルに 1 つ以上のメジャー、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Period over period (前期比)**] – 「2014 年 11 月の総売上額が 77,793 USD から 112,326 USD へと 44.39% (34,532 USD) 増」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Period to date (現時点期間累計)**] – 「2014 年 11 月 30 日の現時点年間累計の売上額が 511,236 USD から 643,472 USD へと 25.87% (132,236 USD) 増」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Top ranked (上位**)] – たとえば、売上高で上位 3 つの州。[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ [**Top movers (上位製品)**] – たとえば、2014 年 11 月の売上高で最上位の製品。[**Time (時間)**] フィールドウェルに 1 つ以上、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
+ **[Total aggregation (総集計)**] – 「総収益が 2,297,200 USD」など。[**Time (時間)**] フィールドウェルに 1 つ以上のディメンション、[**Value (値)**] フィールドウェルに 1 つ以上のメジャーが必要です。
+ [**Unique values (一意の値)**] – 「`Customer_IDs` には 793 個の一意の値がある」など。[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
# 説明文の表現エディタを使用する
次のウォークスルーは、説明文をカスタマイズする方法の例を示しています。この例では、期間対期間計算タイプを使用します。
1. 既存の分析から開始します。**期間対期間**インサイトを追加します。これを行う最も簡単な方法は、\$1 アイコンを選択してから [**Add insight (インサイトの追加)**] を選択し、リストから洞察の種類を選択することです。どのタイプの計算インサイトを自動説明文として追加できるかについては、[自動説明文が含まれるインサイト](auto-narratives.md)を参照してください。
インサイトのタイプを選択したら、[**Select (選択)**] を選択してウィジェットを作成します。空の説明文を作成するには、テンプレートを選択せずにこの画面を閉じます。この例を実行するには、[**Period over period (期間対期間)**] を選択します。
インサイトを追加した際に選択したビジュアルがある場合、フィールドウェルには、日付、メトリクス、カテゴリのフィールドがあらかじめ設定されています。これらは、洞察を作成したときに選択した視覚化からきています。必要に応じて、フィールドをカスタマイズできます。
カスタマイズできるのは、新規または既存のインサイト (テキストベース) ウィジェットの説明文だけです。既存のビジュアル (チャートベース) にこれを追加することはできません。これはウィジェットの種類が異なるためです。
1. ビジュアル上のメニューを選択し、式エディタの説明文を編集したら、[**Customize narrative (説明文のカスタマイズ)**] を選択します。
このコンテキストでは、[**Computations (計算)**] は、データを記述するためのテンプレートで参照できる定義済みの計算 (期間の経過、期間の経過、成長率、最大、最小、上位製品など) です。現在、Amazon Quick Sight はインサイトに追加できる 13 種類の計算をサポートしています。この例では、推奨インサイトパネルから**期間別の期間**テンプレートを選択することで、**PeriodOverPeriod** がデフォルトで追加されます。
1. 右下の [**Add computation (計算の追加)**] を選択して新しい計算を追加してから、リストから選択します。このチュートリアルでは、[**Growth rate (成長率)**] を選択してから [**Next (次へ)**] を選択します。
1. 計算する期間の数を選択して計算を設定します。デフォルト値は 4 で、この例で使用します。必要に応じて、画面上部で計算の名前を変更できます。ただし、ここでは名前は変更しないでください。
**注記**
作成した計算名は、インサイトの中で一意です。説明文テンプレートで同じタイプの複数の計算を参照できます。たとえば、売上とユニットの 2 つのメトリクスがあるとします。名前が異なる場合は、それぞれのメトリクスに対して成長率計算を作成することができます。
ただし、異常計算は、同じウィジェット内の他の計算タイプと互換性がありません。異常検出は、それ自体がインサイトの中に存在しなければなりません。同じ分析で他の計算を使用するには、それらを異常とは別のインサイトに入れます。
続行するには、[**Add (追加)**] を選択します。
1. 右側の [**Computations (計算)**] を展開します。ストーリーの一部である計算はリストに表示されます。この場合は、[**PeriodOverPeriod**] と [**GrowthRate**] です。
1. ワークスペースで、末尾のピリオドの後に **Compounded growth rate for the last** のテキストを追加してから、スペースを追加します。
1. 次に、計算を追加するには、「**last**」という単語の後にあるスペースの後にカーソルを置きます。右側の [**GrowthRate**] で、[**timePeriods**] という名前の式を選択します (1 回だけクリックすると追加されます)。
これを行うと、式 [**GrowthRate.timePeriods**] が挿入されます。これは、[**GrowthRate**] で設定した期間数です。
1. 文を ** days is ** (前後にスペースを置く) で完成させ、 **GrowthRate.compoundedGrowthRate.formattedValue** という式を追加してピリオド (`.`) を末尾に付けます。式を入力するのではなく、リストから式を選択します。ただし、追加した後で式の内容を編集することはできます。
![\[エクスプレッションリストが開いているエクスプレッションエディター。\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/narrative-add-expression.png)
**注記**
[**formattedValue**] 式は、フィールドの指標に適用されている書式設定に基づいて書式設定された文字列を返します。メートル法による計算を実行するには、代わりに [**value (値)**] を使用します。これは、raw 値を整数または 10 進数として返します。
1. 条件ステートメントとフォーマットを追加します。`formattedValue` 式の後のテンプレートの末尾にカーソルを置きます。必要に応じてスペースを追加します。[**Edit narrative (説明文の編集)**] メニューバーで、[**Insert code (コードを挿入)**] を選択し、一覧から [**Inline IF (インライン IF)**] を選択します。式ブロックが開きます。
1. 式ブロックを開いた状態で、式リストから [**GrowthRate**]、[**compoundedGrowthRate**]、[**value**] を選択します。式の末尾に **>0** を入力します。[**Save (保存)**] を選択します。まだカーソルを移動しないようにします。
条件付きコンテンツの入力を求めるプロンプトが表示されたら、**better than expected\$1** と入力します。入力したテキストを選択したら、上部の書式設定ツールバーを使用してこのテキストを緑色と太字にします。
1. 前の手順を繰り返して、成長率がそれほど大きくなかった場合のために、別の式ブロックを追加します。ですが今回は、**<0** として、**worse than expected** というテキストを入力します。緑の代わりに赤にします。
1. [**Save (保存)**] を選択します。作成したカスタマイズ済みの説明文は、次のようになります。
![\[カスタマイズされた説明文。\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/narrative-example-result.png)
式エディタは、ストーリーをカスタマイズするための洗練されたツールです。分析またはダッシュボード用に作成したパラメータを参照し、さらにカスタマイズするための一連の組み込み関数を使用することもできます。
**ヒント**
空の説明文を作成するには、[**\$1**] アイコンを使用してインサイトを追加してから、[**Add insights (インサイトの追加)**] を選択します。ただし、テンプレートを選ぶのではなく、画面を閉じます。
ストーリーをカスタマイズすることを始める最も良い方法は、構文を学ぶために既存のテンプレートを使うことです。
# 式エディタワークスペース
式エディタを使用して、ビジネスニーズに最適な説明をカスタマイズします。このセクションでは、式エディタワークスペースの概要を示し、説明に設定できるすべてのメニューオプションの一覧を示します。カスタム説明文を作成する方法を示すチュートリアルについては、「[説明文の表現エディタを使用する](using-narratives-expression-editor-step-by-step.md)」を参照してください。
画面の右側には、説明文に追加できる項目のリストがあります。
+ [**Computations (計算)**] – このインサイトで使用できる計算から選択する場合に使用します。このリストは展開できます。
+ [**Parameters (パラメータ)**] – 分析で、既存するパラメータから選択する場合に使用します。このリストは展開できます。
+ [**Functions (関数)**] – 説明文に追加する関数から選択するために使用します。このリストは展開できます。
+ [**Add computation (コンピューティングを追加)**] – このボタンを使用して、別のコンピューティングを作成します。[**Computations (計算)**] リストに新しい計算が表示され、インサイトに追加できます。
説明文の Expression Editor の下部には、作業中に更新される説明文のプレビューが表示されます。この領域では、説明文でエラーがあった場合、または説明文が空の場合にアラートが表示されます。異常検出や予測などの機械学習によるインサイトのプレビューを表示するには、説明文をカスタマイズする前に、1 回以上、インサイトを実行してください。
編集ツールは、画面の上部にあります。ここには以下のオプションがあります。
+ [**Insert code (コードの挿入)**] – このメニューから、次のコードブロックを挿入できます。
+ [**Expressions (表現)**] – 自由形式の表現を追加します。
+ [**Inline IF (インライン IF)**] – 既存のテキストブロックがあるインラインで表示する IF 文を追加します。
+ [**Inline FOR (インライン FOR)**] – 既存のテキストブロックがあるインラインで表示する FOR 文を追加します。
+ [**Block IF (ブロック IF)**] – 別のテキストブロックに表示される IF 文を追加します。
+ [**Block FOR (ブロック FOR)**] – 別のテキストブロックに表示される FOR 文を追加します。
IF 文と FOR 文を使用すると、条件付きで書式設定されたコンテンツを作成できます。たとえば、**ブロック IF** 文を追加し、整数を計算結果の値と比較するように構成できます。これを行うには、次の手順に従います。この手順は、[説明文の表現エディタを使用する](using-narratives-expression-editor-step-by-step.md)でも説明されています。
1. 右側の [Calculations (計算)] メニューを開き、いずれかの計算から青色でハイライトされた項目の 1 つを選択します。この操作を行うと、その項目が説明文に追加されます。
1. 項目を 1 回クリックして開きます。
1. 比較する値を入力します。式は、`PeriodOverPeriod.currentMetricValue.value>0` のようになります。
1. この表現をポップアップエディタに保存すると、[**Conditional content (条件付きコンテンツ)**] の入力を求められます。
1. インサイトに表示する内容を入力し、表示する書式を設定します。または、必要に応じて、イメージまたは URL を追加するか、イメージに URL を追加することもできます。
+ [**Paragraph (段落)**] – このメニューには、フォントサイズを変更するためのオプションがあります。
+ **H1 Large header (ヘッダー (大))**
+ H2 Header (ヘッダー)
+ H3 Small header (ヘッダー (小))
+ ¶1 Large paragraph (段落 (大))
+ ¶2 Paragraph (段落)
+ ¶3 Small paragraph (段落 (小))
+ [**Font (フォント)**] – このメニュートレイを使用して、テキストの書式設定オプションを選択します。このオプションには、太字、斜体、下線、取り消し線、テキストの文字表示色、テキストの背景色があります。アイコンを選択してオプションをオンにします。もう一度選択するとオプションがオフになります。
+ **[Formatting (書式)**] – このメニュートレイを使用して、箇条書きリスト、左揃え、中央揃え、右揃えなどの段落の書式設定のオプションを選択します。アイコンを選択してオプションをオンにします。もう一度選択するとオプションがオフになります。
+ [**Image (イメージ)**] – このアイコンを使用して、イメージの URL を追加します。リンクがアクセス可能である場合、イメージがインサイトに表示されます。イメージのサイズは変更できます。条件に基づいてイメージを表示するには、IF ブロック内にイメージを配置します。
+ [**URL**] – このアイコンを使用して、静的 URL または動的 URL を追加します。イメージに URL を追加することもできます。たとえば、赤、黄、緑の条件の新しいシートへのリンクを使って、エグゼクティブダッシュボードのインサイトに信号インジケーターのイメージを追加できます。
# URL の追加
説明文の式エディタの編集メニューにある [**URL**] ボタンを使用すると、静的 URL と動的 URL (ハイパーリンク) を説明文に追加できます。⌘\$1⇧\$1L または Ctrl\$1⇧\$1L のキーボードショートカットを使用することもできます。
静的 URL は、変更されないリンクで、常に同じ URL を開きます。動的 URL は、設定時に指定した式またはパラメータに基づいて変更されるリンクです。これは、動的に評価される式またはパラメータを使用して構築されます。
説明文に静的リンクを追加する場合の例を次に示します。
+ **IF 文では、条件付きコンテンツで URL を使用できます。**条件付きコンテンツで URL を使用した場合、メトリクスが期待値を満たさないと、リンクをクリックしたユーザーが、メトリクスを改善するためのベストプラクティスのリストを示す Wiki に送られる可能性があります。
+ **次の手順に従うと、静的 URL を使用して、同じダッシュボード内の別のシートへのリンクを作成できます。**
1. リンク作成先シートに移動します。
1. そのシートの URL をコピーします。
1. 説明文エディタに戻り、コピーした URL を使用してリンクを作成します。
説明文に動的リンクを追加する場合の例を次に示します。
+ **次のステップに従い、クエリを使用して Web サイトを検索する。**
1. 以下のリンクで URL を作成します。
```
https://google.com?q=<>
```
このリンクは、次の評価値である検索テキストを含むクエリを Google に送信します。
```
formatDate(now(), 'yyyy-MM-dd')
```
`now()` の値が `02/02/2020` の場合、説明文のリンクには、`https://google.com?q=2020-02-02` が含まれます。
+ **パラメータを更新するリンクを作成する。**これを行うには、リンクを作成または編集し、URL を現在のダッシュボードまたは分析 URL に設定します。次に、`#p.myParameter=12345` のようなパラメータ値を設定する式を最後に追加します。
たとえば、以下が開始するダッシュボードリンクであると仮定します。
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444
```
これにパラメータ値の割り当てを追加すると、次のようになります。
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444#p.myParameter=12345
```
URL のパラメータの詳細については、[URL でのパラメータの使用](parameters-in-a-url.md)を参照してください。
# 自動説明文計算の使用
このセクションで、自動説明文をカスタマイズしているときに使用できる機能を理解してください。デフォルトの計算を変更または構築する場合は、説明文をカスタマイズするだけで済みます。
自動説明文を作成すると、式エディタが開きます。ビジュアルメニューを選択してから [**Customize Narrative (説明文のカスタマイズ)**] を選択して式エディタをアクティブにすることもできます。式エディタを使用しながら計算を追加するには、[**\$1 Add computation (\$1 計算の追加)**] を選択します。
次のコード式を使用して自動説明文を構築できます。これらは [**Insert code (コードの挿入)**] コードの挿入というラベルのリストから入手できます。コードステートメントは、インライン (センテンス内) またはブロック (リスト内) として表示できます。
+ 表現 – 独自のコード表現を作成します。
+ IF – 条件を評価した後の、表現を含む IF ステートメント。
+ FOR – 値をループ処理する FOR ステートメント。
次の計算を使用して自動説明文を構築できます。構文を編集せずに式エディタを使用できますが、必要に応じてカスタマイズすることもできます。構文を操作するには、自動説明文式エディタで計算ウィジェットを開きます。
**Topics**
+ [
# ML を使用した外れ値の異常検出
](anomaly-detection-function.md)
+ [
# 下位製品計算
](bottom-movers-function.md)
+ [
# 下位計算
](bottom-ranked-function.md)
+ [
# ML による予測
](forecast-function.md)
+ [
# 成長率計算
](growth-rate-function.md)
+ [
# 最大計算
](maximum-function.md)
+ [
# メトリクス比較計算
](metric-comparison-function.md)
+ [
# 最小計算
](minimum-function.md)
+ [
# 期間対期間計算
](period-over-period-function.md)
+ [
# 期間累計計算
](period-to-date-function.md)
+ [
# 上位製品計算
](top-movers-function.md)
+ [
# 上位計算
](top-ranked-function.md)
+ [
# 総集計計算
](total-aggregation-function.md)
+ [
# 一意の値計算
](unique-values-function.md)
# ML を使用した外れ値の異常検出
ML を使用した異常検出計算では、データから外れ値を検索します。たとえば、2019 年 1 月 3 日の総売上高で上位 3 つの外れ値を検出できます。寄与分析を有効にすると、各外れ値の主要因を検出することもできます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンション、[**Value (値)**] フィールドウェルに 1 つ以上のメジャー、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。設定画面には、フィールドウェル内に存在しない他のフィールドの寄与についても主要因として分析するオプションがあります。
詳細については、[ML を使用した異常検出による外れ値の検出](anomaly-detection.md)を参照してください。
**注記**
ML を使用した異常検出を別の計算に追加することはできません。また、別の計算を異常検出に追加することはできません。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトの作成時に指定した名前に基づきます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。続いて説明文に **`bold monospace font`** で表示される項目を使用できます。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `categoryFields` – [**Categories (カテゴリ)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `metricField` [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `itemsCount` – この計算に含まれている項目の数。
+ `items` – 異常な項目。
+ `timeValue` – 日付ディメンションの値。
+ `value` – 異常 (外れ値) 発生時の日付/時刻フィールド。
+ `formattedValue` – 異常発生時の日付/時刻フィールドのフォーマットされた値。
+ `categoryName` – カテゴリの実際の名前 (cat1、cat2 など)。
+ `direction` — 異常であると識別される x 軸または y 軸の方向: `HIGH` または `LOW`。`HIGH` は「予想よりも高い」を意味します。`LOW`は「予想よりも低い」を意味します。
項目に対して反復処理を行う場合、`AnomalyDetection.items[index].direction` は、`HIGH` または `LOW` を含むことができます。例: `AnomalyDetection.items[index].direction='HIGH'` または `AnomalyDetection.items[index].direction=LOW`。`AnomalyDetection.direction` は空の文字列 `ALL` を持つことができます。例: 「`AnomalyDetection.direction=''`」。
+ `actualValue` – 異常または外れ値発生時のメトリクスの実際値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `expectedValue` – 異常 (外れ値) 発生時のメトリクスの予想値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
# 下位製品計算
下位製品の計算では、自動説明文のデータセットの一番下にランク付けされている日付別の要求されたカテゴリ数をカウントします。たとえば、売上高の下位 3 製品を見つける計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*カテゴリ*
ランク付けするカテゴリのディメンション。
*値*
計算の基になっている集計指標。
*ムーバーの数*
表示するランク付けされた結果の数。
*順*
使用する順序は、パーセント差または絶対差です。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
**注記**
これらは、上位製品の計算によって返されたのと同じ出力パラメータです。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `categoryField` – [**Categories (カテゴリ)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `metricField` [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `startTimeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `endTimeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた絶対値。
+ `itemsCount` – この計算に含まれている項目の数。
+ `items`: 下位製品。
+ `categoryField` – カテゴリフィールド。
+ `value` – カテゴリフィールドの値 (コンテンツ)。
+ `formattedValue` – カテゴリフィールドのフォーマットされた値 (コンテンツ)。このフィールドが null の場合は、"`NULL`" が表示されます。フィールドが空の場合は、"`(empty)`" が表示されます。
+ `currentMetricValue` – メトリクスフィールドの現在の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `previousMetricValue` – メトリクスフィールドの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `percentDifference` – メトリクスフィールドの現在の値と以前の値のパーセント差。
+ `value` – パーセント差の計算の未加工値。
+ `formattedValue` – パーセント差のフォーマットされた値 (例: -42%)。
+ `formattedAbsoluteValue` – パーセント差のフォーマットされた絶対値 (例: 42%)。
+ `absoluteDifference` – メトリクスフィールドの現在の値と以前の値の絶対差。
+ `value` – 絶対差の計算の 未加工値。
+ `formattedValue` – メトリクスフィールドのフォーマット設定によってフォーマットされた絶対差。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた差の絶対値。
# 下位計算
下位の計算では、自動説明文のデータセットの一番下にランク付けされている値別の要求されたカテゴリ数を計算します。たとえば、売上高で下位 3 州を見つける計算を作成できます。
この関数を使用するには、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*カテゴリ*
ランク付けするカテゴリのディメンション。
*値*
計算の基になっている集計指標。
*結果の数*
表示するランク付けされた結果の数。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
**注記**
これらは、上位の計算によって返されたの同じ出力パラメータです。
+ `categoryField` – [**Categories (カテゴリ)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `metricField` [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `itemsCount` – この計算に含まれている項目の数。
+ `items`: 下位の項目。
+ `categoryField` – カテゴリフィールド。
+ `value` – カテゴリフィールドの値 (コンテンツ)。
+ `formattedValue` – カテゴリフィールドのフォーマットされた値 (コンテンツ)。このフィールドが null の場合は、"`NULL`" が表示されます。フィールドが空の場合は、"`(empty)`" が表示されます。
+ `metricValue` – メトリクスフィールド。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
## 例
次のスクリーンショットは、最下位ランクの計算のデフォルト設定を示しています。
![\[最下位ランクの計算のデフォルト設定。\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/bottom-ranked-computation.png)
# ML による予測
ML を使用した予測計算では、季節性による過去のメトリクスのパターンに基づいて将来のメトリクスを予測します。たとえば、次の 6 か月間の総収入を予測する計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
予測の使用の詳細については、[Amazon Quick Sight を使用した What-If シナリオの予測と作成](forecasts-and-whatifs.md)を参照してください。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*値*
計算の基になっている集計指標。
*期間を進める*
予測する将来の期間数。1 から 1,000 の範囲です。
*期間を戻す*
予測の基準にする過去の期間数。0 から 1,000 の範囲です。
*季節性*
暦年に含まれる季節の数。デフォルトの設定、[**automatic (自動)**] で検出します。1 から 180 の範囲です。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `metricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `metricValue` – メトリクスディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `timeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日付フィールドでフォーマットされた値。
+ `relativePeriodsToForecast` – 最新の日時レコードと最後の予測レコード間の期間の相対数。
# 成長率計算
成長率の計算では、期間にわたる値を比較します。たとえば、売上に対する 3 か月の複合成長率をパーセントで表す計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*値*
計算の基になっている集計指標。
*期間の数*
成長率を計算するために使用する将来の期間数。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `metricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `previousMetricValue` – メトリクスディメンションの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `previousTimeValue` – 日時ディメンションの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `compoundedGrowthRate` – メトリクスフィールドの現在の値と以前の値のパーセント差。
+ `value` – パーセント差の計算の未加工値。
+ `formattedValue` – パーセント差のフォーマットされた値 (例: -42%)。
+ `formattedAbsoluteValue` – パーセント差のフォーマットされた絶対値 (例: 42%)。
+ `absoluteDifference` – メトリクスフィールドの現在の値と以前の値の絶対差。
+ `value` – 絶対差の計算の 未加工値。
+ `formattedValue` – メトリクスフィールドのフォーマット設定によってフォーマットされた絶対差。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた差の絶対値。
# 最大計算
最大計算は、値によって最大のディメンションを見つけます。たとえば、最も収入の多い月を見つけるための計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*値*
計算の基になっている集計指標。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
**注記**
これらは、最小計算によって返されたの同じ出力パラメータです。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `metricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `metricValue` – メトリクスディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `timeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
# メトリクス比較計算
メトリクス比較計算では、さまざまな尺度の値を比較します。たとえば、実際の売上と売上目標の比較など、2 つの値を比較する計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンション、[**Value (値)**] フィールドウェルに 2 つ以上のメジャーが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*値*
計算の基になっている集計指標。
*[Target value]* (ターゲット値)
値と比較するフィールド。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `fromMetricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `fromMetricValue` – メトリクスディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `toMetricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `toMetricValue` – メトリクスディメンションの現在の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `timeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `percentDifference` – メトリクスフィールドの現在の値と以前の値のパーセント差。
+ `value` – パーセント差の計算の未加工値。
+ `formattedValue` – パーセント差のフォーマットされた値 (例: -42%)。
+ `formattedAbsoluteValue` – パーセント差のフォーマットされた絶対値 (例: 42%)。
+ `absoluteDifference` – メトリクスフィールドの現在の値と以前の値の絶対差。
+ `value` – 絶対差の計算の 未加工値。
+ `formattedValue` – メトリクスフィールドのフォーマット設定によってフォーマットされた絶対差。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた差の絶対値。
# 最小計算
最小計算は、値によって最小のディメンションを見つけます。たとえば、最も収入の少ない月を見つけるための計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*値*
計算の基になっている集計指標。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
**注記**
これらは、最大計算によって返されたの同じ出力パラメータです。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `metricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `metricValue` – メトリクスディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `timeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
# 期間対期間計算
期間対期間計算では、2 つの異なる期間からの値を比較します。たとえば、前の期間から売上がどれだけ増減したかを調べる計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*値*
計算の基になっている集計指標。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `metricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `previousMetricValue` – メトリクスディメンションの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `previousTimeValue` – 日時ディメンションの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `currentMetricValue` – メトリクスディメンションの現在の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `currentTimeValue` – 日時ディメンションの現在の値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `percentDifference` – メトリクスフィールドの現在の値と以前の値のパーセント差。
+ `value` – パーセント差の計算の未加工値。
+ `formattedValue` – パーセント差のフォーマットされた値 (例: -42%)。
+ `formattedAbsoluteValue` – パーセント差のフォーマットされた絶対値 (例: 42%)。
+ `absoluteDifference` – メトリクスフィールドの現在の値と以前の値の絶対差。
+ `value` – 絶対差の計算の 未加工値。
+ `formattedValue` – メトリクスフィールドのフォーマット設定によってフォーマットされた絶対差。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた差の絶対値。
## 例
**期間対期間計算を作成するには**
1. 変更する分析で、[**インサイトの追加**] を選択します。
1. [**計算タイプ**] で、[**期間対期間**]、[**選択**] の順に選択します。
1. 作成した新しいインサイトで、比較する時間ディメンションと値ディメンションフィールドを追加します。下のスクリーンショットでは、`Order Date` と `Sales (Sum)`がインサイトに追加されています。これら 2 つのフィールドを選択すると、Quick Sight は過去 1 か月の年初来の売上と、前月との差の割合を表示します。
![\[alt text not found\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/periodOverPeriod1.png)
1. (オプション) インサイトをさらにカスタマイズするには、オンビジュアルメニューを開いて [**説明文のカスタマイズ**] を選択します。表示される [**説明文の編集**] ウィンドウで、必要なフィールドを [**計算**] リストからドラッグアンドドロップし、[**保存**] を選択します。
# 期間累計計算
期間累計計算では、指定された期間の現在までの値が評価されます。たとえば、計算を作成して、年初来の売上を確認することができます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*日付*
ランク付けする日付ディメンション。
*値*
計算の基になっている集計指標。
*時間詳細度*
計算に使用する日付の細かさ。たとえば、年初来。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `metricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `previousMetricValue` – メトリクスディメンションの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `previousTimeValue` – 日時ディメンションの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `currentMetricValue` – メトリクスディメンションの現在の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `currentTimeValue` – 日時ディメンションの現在の値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `periodGranularity` – このコンピューティング期間の詳細度 (**MONTH**、**YEAR** など)。
+ `percentDifference` – メトリクスフィールドの現在の値と以前の値のパーセント差。
+ `value` – パーセント差の計算の未加工値。
+ `formattedValue` – パーセント差のフォーマットされた値 (例: -42%)。
+ `formattedAbsoluteValue` – パーセント差のフォーマットされた絶対値 (例: 42%)。
+ `absoluteDifference` – メトリクスフィールドの現在の値と以前の値の絶対差。
+ `value` – 絶対差の計算の 未加工値。
+ `formattedValue` – メトリクスフィールドのフォーマット設定によってフォーマットされた絶対差。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた差の絶対値。
## 例
**現在までの期間の計算を作成するには**
1. 変更する分析で、[**インサイトの追加**] を選択します。
1. [**計算タイプ**] で、[**現在までの期間の計算**]、[**選択**] の順に選択します。
1. 作成した新しいインサイトに、比較する時間ディメンションフィールドと値ディメンションフィールドを追加します。下のスクリーンショットでは、`Order Date` と `Sales (Sum)`がインサイトに追加されています。これら 2 つのフィールドを選択すると、Quick Sight は過去 1 か月の年初来の売上と、前月との差の割合を表示します。
![\[alt text not found\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/periodOverPeriod1.png)
1. (オプション) インサイトをさらにカスタマイズするには、オンビジュアルメニューを開いて [**説明文のカスタマイズ**] を選択します。表示される [**説明文の編集**] ウィンドウで、必要なフィールドを [**計算**] リストからドラッグアンドドロップし、[**保存**] を選択します。
# 上位製品計算
上位製品の計算では、自動説明文のデータセットの一番上にランク付けされている日付別の要求されたカテゴリ数をカウントします。たとえば、期間中の売上高で最上位製品を見つける計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*カテゴリ*
ランク付けするカテゴリのディメンション。
*値*
計算の基になっている集計指標。
*結果の数*
見つけたいと思うランキングの項目の数。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
**注記**
これらは、下位製品の計算によって返されたの同じ出力パラメータです。
+ `timeField` – [**Time (時間)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `timeGranularity` – 時間フィールドの詳細度 (**DAY**、**YEAR** など)。
+ `categoryField` – [**Categories (カテゴリ)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `metricField` [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `startTimeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた値。
+ `endTimeValue` – 日付ディメンションの値。
+ `value` – 未加工値。
+ `formattedValue` – 日時フィールドでフォーマットされた絶対値。
+ `itemsCount` – この計算に含まれている項目の数。
+ `items`: 上位製品。
+ `categoryField` – カテゴリフィールド。
+ `value` – カテゴリフィールドの値 (コンテンツ)。
+ `formattedValue` – カテゴリフィールドのフォーマットされた値 (コンテンツ)。このフィールドが null の場合は、"`NULL`" が表示されます。フィールドが空の場合は、"`(empty)`" が表示されます。
+ `currentMetricValue` – メトリクスフィールドの現在の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `previousMetricValue` – メトリクスフィールドの以前の値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
+ `percentDifference` – メトリクスフィールドの現在の値と以前の値のパーセント差。
+ `value` – パーセント差の計算の未加工値。
+ `formattedValue` – パーセント差のフォーマットされた値 (例: -42%)。
+ `formattedAbsoluteValue` – パーセント差のフォーマットされた絶対値 (例: 42%)。
+ `absoluteDifference` – メトリクスフィールドの現在の値と以前の値の絶対差。
+ `value` – 絶対差の計算の 未加工値。
+ `formattedValue` – メトリクスフィールドのフォーマット設定によってフォーマットされた絶対差。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた差の絶対値。
# 上位計算
上位の計算は、値によって上位のディメンションを見つけます。たとえば、売上高で上位 3 州を見つける計算を作成できます。
この関数を使用するには、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*カテゴリ*
ランク付けするカテゴリのディメンション。
*値*
計算の基になっている集計指標。
*結果の数*
見つけたいと思うランキングの項目の数。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
**注記**
これらは、下位の計算によって返されたの同じ出力パラメータです。
+ `categoryField` – [**Categories (カテゴリ)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `metricField` [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `itemsCount` – この計算に含まれている項目の数。
+ `items`: 上位の項目。
+ `categoryField` – カテゴリフィールド。
+ `value` – カテゴリフィールドの値 (コンテンツ)。
+ `formattedValue` – カテゴリフィールドのフォーマットされた値 (コンテンツ)。このフィールドが null の場合は、"`NULL`" が表示されます。フィールドが空の場合は、"`(empty)`" が表示されます。
+ `metricValue` – メトリクスフィールド。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
# 総集計計算
総集計計算は、値の総計を作成します。たとえば、総収入を計算する計算を作成できます。
この関数を使用するには、[**Time (時間)**] フィールドウェルに 1 つ以上のディメンション、[**Value (値)**] フィールドウェルに 1 つ以上のメジャーが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*値*
計算の基になっている集計指標。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
+ `categoryField` – カテゴリフィールド。
+ `name` カテゴリフィールドの表示名。
+ `metricField` – [**Values (値)**] フィールドウェルから。
+ `name` – フィールドのフォーマットされた表示名。
+ `aggregationFunction` – メトリクスに使用された集計 (**SUM**、**AVG** など)。
+ `totalAggregate` – メトリクス集計の合計値。
+ `value` – 未加工値。
+ `formattedValue` – メトリクスフィールドによってフォーマットされた値。
+ `formattedAbsoluteValue` – メトリクスフィールドによってフォーマットされた絶対値。
# 一意の値計算
一意の値の計算は、カテゴリーフィールド内の一意の値をカウントします。たとえば、ある顧客の数など、ディメンション内の一意の値の数を数える計算を作成できます。
この関数を使用するには、[**Categories (カテゴリ)**] フィールドウェルに 1 つ以上のディメンションが必要です。
## パラメータ
*[名前]*
割り当てたり変更したりする固有のわかりやすい名前。独自の名前を作成しない場合、名前が割り当てられます。これは後で編集できます。
*カテゴリ*
ランク付けするカテゴリのディメンション。
## 計算の出力
各関数が出力パラメータのセットを生成します。これらの出力を自動説明文に追加して、表示内容をカスタマイズできます。独自のカスタムテキストを追加することもできます。
出力パラメータを見つけるには、右側の [**Computations (計算)**] タブを開き、使用する計算を探します。計算名は、インサイトを作成するときに指定した名前に基づいて決定されます。1 回のみ出力パラメータをクリックして選択します。2 回クリックすると、同じ出力が 2 回追加されます。**太字**で表示された項目は、説明で使用できます。
+ `categoryField` – カテゴリフィールド。
+ `name` カテゴリフィールドの表示名。
+ `uniqueGroupValuesCount` – このコンピューティングに含まれる一意の値の数。
# ML を使用した異常検出による外れ値の検出
Amazon Quick Sight は、実証済みの Amazon テクノロジーを使用して、数百万のメトリクスで ML を使用した異常検出を継続的に実行し、データの隠れた傾向と外れ値を検出します。このツールにより、多くの場合は集計に埋もれて手動分析では拡張できない詳細なインサイトを得ることができます。機械学習を使用した異常検出では、手動分析、カスタム開発、または ML ドメインの専門知識を必要とせずに、データ内の外れ値を検出できます。
Amazon Quick Sight は、異常を分析したり、データに対して予測を行ったりできることを検出した場合に、ビジュアルで通知します。
異常検出は、`eu-central-2` 欧州 (チューリッヒ) リージョンでは利用できません。
**重要**
ML を使用した異常検出は、コンピューティングの負荷が高いタスクです。使い始める前に、使用するデータの量を分析することでコストを把握できます。月ごとに処理される指標の数に基づいた段階的な価格設定モデルを用意しています。
**Topics**
+ [
# 異常または外れ値検出の概念
](anomaly-detection-outliers-and-key-drivers.md)
+ [
# 外れ値分析のための ML を使用した異常検出のセットアップ
](anomaly-detection-using.md)
+ [
# 機械学習による異常検出と寄与度分析による外れ値と主要因の探索
](anomaly-exploring.md)
# 異常または外れ値検出の概念
Amazon Quick Sight は、*異常*という単語を使用して、分布の全体的なパターンから外れるデータポイントを記述します。科学的な用語しての異常を表す単語としては、他にも外れ値、偏差、異質、例外、不規則性、特異性など、多数があります。使用する用語は、実行する分析のタイプ、使用するデータのタイプ、または単に所属グループの好みに基づいて選択される場合があります。これらの外部データポイントは、エンティティ (人、場所、物、時間) を表します。これは何らかの点で例外的です。
人間は、他とは異なるパターンを簡単に認識したり、他とは異なるものを簡単に見分けたりします。この情報は、感覚を通じてもたらされます。パターンが単純で、データがほんの少量である場合は、データ内の外れ値を示すグラフを簡単に作成できます。いくつかの簡単な例を以下に示します。
+ 青い風船グループの中の赤い風船
+ 他の競走馬から突出している競走馬
+ 授業中に集中していない子供
+ オンライン注文は増えているが、出荷が減っている日
+ ほかの誰もよくなっていない中で、よくなった人
重要なイベントを表すデータポイントと、ランダムな発生を表すデータポイントがあります。分析では、どのような推進要因 (主要因) がイベントに寄与したかに基づいて、調査する価値のあるデータを見極めます。データ分析には、問いが不可欠です。なぜ、それは起こったのか? 何が関係しているのか? 一度だけ発生したのか、何回も発生したのか? 追加の発生を奨励または阻止するために何ができるか?
バリエーションが生じた方法と理由、およびバリエーションにパターンがあるかどうかを理解するには、より多くの思考が必要になります。機械学習の支援がなければ、個人ごとに経験と情報は異なるため、個人ごとに異なる結論に達する可能性があります。その結果、個人ごとにビジネス上の意思決定はわずかに異なる場合があります。考慮すべきデータや変数が多い場合、膨大な量の分析が必要になることがあります。
ML を使用した異常検出では、原因と相関を明らかにして、データ主導の意思決定を下すことができます。ジョブによるデータの処理方法の定義は、引き続きユーザーが制御できます。独自のパラメータを指定したり、寄与分析の主要因を識別するなどの追加のオプションを選択したりできます。またはデフォルト設定を使用できます。次のセクションでは、設定プロセスを順を追って示し、使用可能なオプションについて説明します。
# 外れ値分析のための ML を使用した異常検出のセットアップ
次のセクションの手順に従って、外れ値と異常値の検出、およびその主な寄与要因の特定を開始します。
**Topics**
+ [
# 異常通知と予測通知の表示
](anomaly-detection-adding-from-visuals.md)
+ [
# 外れ値と主要因を検出するための ML Insights の追加
](anomaly-detection-adding-anomaly-insights.md)
+ [
# 主要因に対する寄与度分析の使用
](anomaly-detection-adding-key-drivers.md)
# 異常通知と予測通知の表示
Amazon Quick Sight は、異常、主要な要因、または予測の機会を検出するビジュアルで通知します。プロンプトに従って、ビジュアル内のデータに基づく異常検出または予測を設定します。
1. 既存の折れ線グラフで、ビジュアルウィジェットのメニューからインサイト通知を探します。
1. 電球アイコンを選択して通知を表示します。
1. ML Insights に関する詳細情報が必要な場合は、画面プロンプトに従って ML Insights を追加します。
# 外れ値と主要因を検出するための ML Insights の追加
重要に見える外れ値の*異常*を検出する ML Insights を追加します。開始するには、インサイト用のウィジェット (*自動説明文*とも呼ばれます) を作成します。オプションを設定するときに、インサイトの限定されたスクリーンショットを画面右側の [**Preview (プレビュー)**] ペインに表示します。
インサイトウィジェットでは、計算フィールドではないディメンションフィールドを 5 つまで追加できます。フィールドウェルの **Categories** の値は、Amazon Quick Sight がメトリクスを分割するために使用するディメンション値を表します。たとえば、すべての製品カテゴリと製品 SKU に対して収益を分析するとします。10個の商品カテゴリがあり、それぞれ10個の商品 SKU があります。Amazon Quick Sight は、メトリクスを 100 の一意の組み合わせで分割し、分割の各組み合わせで異常検出を実行します。
次の手順は、これを行う方法と、各異常の主要因を検出するための寄与度分析を追加する方法も示しています。寄与度分析は後で追加できます。詳細については [主要因に対する寄与度分析の使用](anomaly-detection-adding-key-drivers.md) を参照してください。
**主要因を含む外れ値分析を設定するには**
1. 分析を開き、ツールバーで **[インサイト]**、**[追加]** の順に選択します。リストから [**Anomaly detection (異常検出)**]、[**Select (選択)**] の順に選択します。
1. 新しいウィジェットの画面プロンプトに従って、インサイト用のフィールドを選択します。少なくとも 日付、メジャー、ディメンションを 1 つずつ追加する必要があります。
1. ウィジェットで [**Get started (今すぐ始める)**] を選択します。設定画面が表示されます。
1. [**Compute options (コンピューティングオプション)**] で、以下のオプションの値を選択します。
1. [**Combinations to be analysed (分析する組み合わせ)**] で、以下のいずれかのオプションを選択します。
1. **階層的**
フィールドを階層的に分析する場合は、このオプションを選択します。たとえば、日付 (T)、メジャー (N)、3 つのディメンションカテゴリ (C1、C2、C3) を選択した場合、Quick Sight は次に示すようにフィールドを階層的に分析します。
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **完全一致**
リストされたとおりに、カテゴリフィールドウェル内のフィールドの正確な組み合わせのみを分析する場合は、このオプションを選択します。たとえば、日付 (T)、メジャー (N)、3 つのディメンションカテゴリ (C1、C2、および C3) を選択した場合、Quick Sight は次に示すように、リストされている順序でカテゴリフィールドの正確な組み合わせのみを分析します。
```
T-C1-C2-C3-N
```
1. **すべて**
カテゴリフィールドウェル内のすべてのフィールドの組み合わせを分析する場合は、このオプションを選択します。たとえば、日付 (T)、メジャー (N)、3 つのディメンションカテゴリ (C1、C2、および C3) を選択した場合、Quick Sight は次のようにすべてのフィールドの組み合わせを分析します。
```
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
```
日付とメジャーのみを選択した場合、Quick Sight はフィールドを日付別に分析し、次にメジャー別に分析します。
[**Fields to be analyzed (分析するフィールド)**] セクションでは、参照のために、フィールドウェルのフィールドを一覧表示できます。
1. [**Name (名前)**] に、スペースを含まない説明的な英数字の名前を入力するか、デフォルト値を選択します。これにより、コンピューティングの名前が入力されます。
ウィジェットに自動的に表示される説明文を編集する場合は、この名前を使用してウィジェットの計算を識別できます。自動説明文を編集する場合や、分析内に類似する他の計算がある場合、名前をカスタマイズします。
1. [**Display options (表示オプション)**] セクションで以下のオプションを選択し、インサイトウィジェットに表示される内容をカスタマイズします。表示内容にかかわらず、すべての結果を調べることができます。
1. **表示する異常の最大数** — 説明文ウィジェットに表示する外れ値の数。
1. **重要度** — インサイトウィジェットに表示する異常の最小重要度レベルです。
*重要度レベル*は、範囲に含まれる実際の異常スコアが最も低いことによって特徴付けられる異常スコアの範囲です。より高いスコアを持つすべての異常が範囲に含まれます。重要度を**低**に設定すると、インサイトには [低] と [非常に高い] の間にランク付けされるすべての異常が表示されます。重要度を**非常に高い**に設定すると、インサイトには異常スコアが最も高い異常値のみが表示されます。
次のオプションを設定できます。
+ **非常に高い**
+ **高以上**
+ **中以上**
+ **低以上**
1. **方向** — 異常であると識別する x 軸または y 軸の方向。以下から選択できます。
+ **予想より高い**は、より高い値を異常として識別します。
+ **予想より低い**は、より低い値を異常として識別します。
+ **[ALL (すべて)]** は、すべての異常値 (高および低) を識別します (デフォルト設定)。
1. **デルタ** — 異常を識別するために使用するカスタム値を入力します。しきい値よりも高い値は異常としてカウントされます。ここで入力する値によって、分析におけるインサイトの動作が変わります。このセクションでは、次の項目を設定できます。
+ **絶対値** – 使用する実際値。たとえば、これが 48 であるとします。Amazon Quick Sight は、値と想定値の差が 48 より大きい場合に、値を異常として識別します。
+ **パーセンテージ** – 使用するパーセンテージのしきい値。たとえば、これが 12.5% であるとします。Amazon Quick Sight は、値と想定値の差が 12.5% を超える場合に、値を異常として識別します。
1. **並べ替え** — 結果のソート方法を選択します。一部のメソッドは、Amazon Quick Sight が生成する異常スコアに基づいています。Amazon Quick Sight は、異常に見えるデータポイントに対してより高いスコアを提供します。以下のいずれかのオプションを使用できます。
+ [**Weighted anomaly score (加重異常スコア)**] – 異常スコアに実際値と期待値の差の絶対値の対数を乗算した値。このスコアは常に正の数です。
+ [**Anomaly score (異常スコア**)] – このデータポイントに割り当てられた実際の異常スコア。
+ **期待値からの加重差** – 異常スコアに実際値と期待値の差を乗算した値(デフォルト)。
+ **期待値との差** – 実際値と期待値の実際の差 (実際 − 期待値)。
+ [**Actual value (実際値)**] – 式が適用されていない実際の値。
1. [**Schedule options (スケジュールオプション)**] セクションで、インサイトの再計算を自動的に実行するスケジュールを設定できます。スケジュールは公開されたダッシュボードに対してのみ実行されます。分析では、必要に応じて手動でスケジュールを設定できます。スケジューリングには、以下の設定が含まれます。
+ **頻度** – 再計算を実行する頻度 (毎時、毎日、毎週、毎月)
+ **スケジュールの開始日時** – このスケジュールの実行開始日時。
+ **タイムゾーン** – スケジュールを実行するタイムゾーン。リストを表示するには、現在のエントリを削除します。
1. **上位寄与要因**セクションで、外れ値 (異常) が検出されたときにキードライバーを分析するように Amazon Quick Sight を設定します。
例えば、Amazon Quick Sight は、米国の住宅改善製品の売上の急増に貢献した上位の顧客を表示できます。データセットから最大 4 つのディメンションを追加できます。これには、このインサイトウィジェットのフィールドウェルに追加しなかったディメンションも含まれます。
寄与分析に使用できるディメンションを一覧表示するには、[**Select fields (フィールドの選択)**] を選択します。
1. [**Save (保存)**] を選択し、設定を保存します。保存せずに終了するには、[**Cancel (キャンセル)**] を選択します。
1. インサイトウィジェットで、[**Run now (今すぐ実行)**] を選択し、異常検出を実行してインサイトを表示します。
異常検出完了までにかかる時間は、分析している一意のデータポイントの数によって異なります。このプロセスは、最少ポイント数で数分かかることもあれば、数時間かかることもあります。
バックグラウンドで実行されている間は、分析で他の作業を行うことができます。設定を変更したり、説明文を編集したり、このインサイトの [**Explore anomalies (異常の探索)**] ページを開いたりする場合は、完了するまで待つ必要があります。
インサイトウィジェットは、結果を表示する前に 1 回以上、実行する必要があります。ステータスが古いと思われる場合は、ページを更新できます。インサイトには、以下の状態があります。
| ページの表示項目 | ステータス |
| --- | --- |
| [Run now (今すぐ実行)] ボタン | ジョブはまだ開始されていません。 |
| 異常の分析に関するメッセージ | ジョブは現在実行中です。 |
| 検出された異常 (外れ値) に関する説明 | ジョブは正常に実行されました。メッセージは、このウィジェットの計算を前回更新した日時を示します。 |
| 感嘆符 (\$1) 付きのアラートアイコン | このアイコンは、前回の実行中にエラーが発生したことを示します。説明も表示された場合は、引き続き [Explore anomalies (異常の探索)] を使用して前回の正常な実行からのデータを利用できます。 |
# 主要因に対する寄与度分析の使用
Amazon Quick Sight は、2 つの時点間の測定値 (メトリクス) の外れ値に寄与するディメンション (カテゴリ) を特定できます。外れ値に寄与する主要因は、この異常を引き起こした原因について考察するのに役立ちます。
寄与度分析なしで異常検出をすでに使用している場合は、既存の ML Insights を有効にして、主要因を見つけることができます。次の手順を使用して寄与分析を追加し、外れ値の背後にある主要因を特定します。異常検出インサイトには、時間フィールドおよび少なくとも 1 つの集計メトリクス (SUM、AVERAGE、COUNT) を含める必要があります。必要に応じて複数のカテゴリ (ディメンションフィールド) を含めることができますが、カテゴリまたはディメンションフィールドを指定せずに、寄与度分析を実行することもできます。
この手順を使用して、異常検出の主要因としてフィールドを変更または削除します。
**寄与度分析を追加して、主要因を特定するには**
1. 分析を開き、異常検出のための既存の ML Insights を見つけます。インサイトウィジェットを選択してハイライト表示します。
1. ビジュアルのメニューで、[**Menu Options (メニューオプション)**] (**...**) を選択します。
1. [**Configure anomaly (異常の設定)**] を選択し、設定を編集します。
1. **Contribution analysis (オプション)** 設定により、Amazon Quick Sight は外れ値 (異常) が検出されたときにキードライバーを分析できます。例えば、Amazon Quick Sight では、米国での住宅改善製品の売上の急増に貢献した上位の顧客を表示できます。データセットから最大 4 つのディメンションを追加できます。これには、このインサイトウィジェットのフィールドウェルに追加しなかったディメンションも含まれます。
寄与分析に使用できるディメンションを一覧表示するには、[**Select fields (フィールドを選択)**] を選択します。
主要因として使用しているフィールドを変更する場合は、このリストで有効になっているフィールドを変更します。これらをすべて無効にした場合、Quick Sight はこのインサイトの寄与度分析を実行しません。
1. 変更を保存するには、設定オプションの下部までスクロールし、[**Save (保存)**] を選択します。保存せずに終了するには、[**Cancel (キャンセル)**] を選択します。これらの設定を完全に削除するには、[**Delete (削除)**] を選択します。
# 機械学習による異常検出と寄与度分析による外れ値と主要因の探索
分析の異常 (外れ値とも呼ばれます) とその主な寄与要因をインタラクティブに調査できます。ML による異常検出が実行された後、この分析を使用して調べることができます。この画面で行った変更は、分析に戻ると保存されません。
まず、インサイトにある **[Explore anomalies]** (異常の探索) を選択します。次のスクリーンショットは、初めて開いたときに表示される異常の画面を示しています。この例では、主要因分析が設定され、2 つの主要因が表示されています。
![\[主要因を使用した異常の分析が表示されています。\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/anomaly-exploration-v2.png)
画面には、左上から右下まで、以下のセクションがあります。
+ [**Contributors (コントリビューター)**] は、主要因を表示します。このセクションを表示するには、コントリビューターを異常設定に設定する必要があります。
+ [**Controls (コントロール)**] には、異常探索の設定が含まれています。
+ [**Number of anomalies (異常の数)**] は、時間の経過に伴って検出された外れ値を表示します。このグラフセクションの表示/非表示を切り替えることができます。
+ カテゴリまたはディメンションフィールドアクトの **[Your field names]** (フィールド名) は、各カテゴリまたはディメンションフィールドの異常を示すグラフのタイトルとして機能します。
以下のセクションでは、異常の探索の各側面に関する詳細情報を提供します。
**Topics**
+ [
# コントリビューター (主要因) の探索
](exploring-anomalies-key-drivers.md)
+ [
# 異常検出のコントロールの設定
](exploring-anomalies-controls.md)
+ [
# 日付による異常の表示と非表示
](exploring-anomalies-by-date.md)
+ [
# カテゴリまたはディメンションごとの異常の探索
](exploring-anomalies-per-category-or-dimension.md)
# コントリビューター (主要因) の探索
異常インサイトが主要な要因を検出するように設定されている場合、Quick Sight は寄与度分析を実行して、外れ値に影響を与えているカテゴリ (ディメンション) を判断します。**[Contributors]** (主要因) セクションが左側に表示されます。
**[Contributors]** (主要因) には、次のセクションが含まれています。
+ **[Narrative]** (説明文) — 左上に、メトリクスの変更を示す概要が表示されます。
+ [**Top contributors configuration (トップ主要因の設定)**] – このセクションで使用するコントリビューターと日付範囲を変更するには、[**Configure (設定)**] を選択します。
+ **[Sort by]** (並べ替え) - 下部に表示される結果に適用されるソートを設定します。次から選択できます。
+ **絶対差**
+ [**Contribution percentage (寄与割合)**] (デフォルト)
+ [**Deviation from expected (予想からの偏差)**]
+ **パーセント差**
+ [**Top contributor results (トップ主要因の結果)**] – 右側のタイムラインで選択した特定の時点におけるトップコントリビューターの分析結果を表示します。
寄与要因分析では、異常に寄与した最上位 4 つの要因または主要因を特定します。例えば、Amazon Quick Sight は、米国の医療製品の売上の急増に貢献した上位の顧客を表示できます。このパネルは、異常の設定時に寄与分析に含めるフィールドを選択した場合にのみ表示されます。
このパネルが表示されていない場合、これを表示するには、パネルをオンにします。そうするには、分析に移動し、インサイトのメニューから異常設定を選択し、寄与について分析するフィールドを最大 4 つ選択します。寄与要因を除外するシートコントロールに対して変更を加えると、**[Contributions]** (寄与要因) パネルが閉じます。
# 異常検出のコントロールの設定
異常検出の設定は、画面の **[Controls]** (コントロール) セクションで見つけることができます。このセクションを開いたり閉じたりするには、**[Controls]** (コントロール) という単語をクリックします。
この設定には以下が含まれます。
+ **[Controls]** (コントロール) - 現在の設定はワークスペースの上部に表示されます。右側の二重矢印アイコンを選択すると、このセクションを展開できます。ML を使用した異常検出で生成された外れ値を調べる場合は、次の設定を使用できます。
+ [**Severity (重要度)**] – 異常 (外れ値) を検出する検出器の感度を設定します。しきい値を [**Low and above (低以上)**] に設定すると異常の検出数が増え、[**High and above(高以上)**] に設定すると異常の検出数が減ります。この感度は、RCF アルゴリズムによって生成された異常スコアの標準偏差に基づいて決定されます。デフォルトは [**Medium and above (中以上)**] です。
+ **方向** — 異常であると識別する x 軸または y 軸の方向。デフォルトは [ALL (すべて)] です。以下のオプションを選択できます。
+ [**Higher than expected (予想より高い)**] に設定して、より高い値を異常として特定します。
+ [**Lower than expected (予想より低い)**] に設定して、より低い値を異常として特定します。
+ **[ALL]** (すべて) に設定して、すべての異常値 (高値と低値の両方) を特定します。
+ **[Minimum Delta - absolute value]** (最小デルタ - 絶対値) - 異常を識別するための絶対しきい値として使用するカスタム値を入力します。この値よりも高い値は、異常としてカウントされます。
+ **[Minimum Delta - percentage]** (最小デルタ - パーセンテージ) — 異常を識別するためのパーセンテージしきい値として使用するカスタム値を入力します。この値よりも高い値は、異常としてカウントされます。
+ [**Sorting by (並べ替え)**] – 異常の並べ替えに使用する方法を選択します。これらは、画面に優先順に表示されます。各方法の説明については、次のリストを参照してください。
+ [**Weighted anomaly score (加重異常スコア)**] – 異常スコアに実際値と期待値の差の絶対値の対数を乗算した値。このスコアは常に正の数です。
+ [**Anomaly score (異常スコア**)] – このデータポイントに割り当てられた実際の異常スコア。
+ [**Weighted difference from expected value (期待値からの加重差)**] – (デフォルト) 異常スコアに実際値と期待値の差を乗算した値。
+ [**Difference from expected value (期待値との差)**] – 実際値と期待値の実際の差 (実際 – 期待値)。
+ [**Actual value (実際値)**] – 式が適用されていない実際の値。
+ [**Categories (カテゴリ)**] — 他の設定の最後に 1 つ以上の設定を表示できます。カテゴリフィールドウェルに追加したカテゴリフィールドごとに 1 つずつあります。これらの設定を使用して、画面に表示されるデータを制限することができます。
# 日付による異常の表示と非表示
**[Number of anomalies]** (異常の数) グラフには、時間の経過とともに検出された外れ値が表示されます。このグラフが表示されない場合は、[**SHOW ANOMALIES BY DATE (日付別の異常を表示する)**] から表示できます。
このグラフは、時系列の最新のデータポイントに関する異常 (外れ値) を示しています。展開すると、次のコンポーネントが表示されます。
+ **[Anomalies]** (異常) - 画面中央に、時系列の最新のデータポイントに関する異常が表示されます。1 つ以上のグラフが、メトリクスの経時的な変動を示すチャートとともに表示されます。このグラフを使用するには、タイムラインに沿って点を選択します。現在選択されている時点がグラフで強調表示され、現在のメトリクスへの寄与を分析するためのオプションを提供するメニューが含まれています。特定のポイントを選択せずにタイムライン上でカーソルをドラッグして、その時点のメトリクス値を表示することもできます。
+ [**Anomalies by date (日付別の異常)**] – [**SHOW ANOMALIES BY DAT (日付ごとの異常を表示する)**] を選択すると、別のグラフに各時点で発生した重大な異常の数が表示されます。このグラフの詳細は各バーのコンテキストメニューに表示されます。
+ [**Timeline adjustment (タイムライン調整)**] – 各グラフには、日付の下にタイムライン調整ツールがあります。これを使用して、表示する期間を短縮、延長、選択できます。
# カテゴリまたはディメンションごとの異常の探索
メインセクションの **[Explore anomalies]** (異常の探索) が画面の右下にアンカーされます。画面で開いている他のセクションの数に関係なく、常にここに表示されます。複数の異常が存在する場合は、スクロールしてハイライト表示できます。グラフには、異常が色範囲で表示され、一定期間内の異常の発生場所が示されます。
![\[[Explore anomalies] (異常の探索) の画面\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/anomaly-exploration-1.png)
各カテゴリまたはディメンションには、グラフのタイトルとしてフィールド名を使用する個別のグラフがあります。各グラフには、以下のコンポーネントが含まれます。
+ **[Configure alerts]** (アラートの設定) – ダッシュボードから異常を探索する場合は、このボタンを選択してアラートと寄与分析 (設定した場合) にサブスクライブできます。重大レベル別 (中、高など) のアラートを設定できます。[**Higher than expected (予想より高い)**]、[**Lower than expected (予想より低い)**]、または [ALL (すべて)] の上位 5 つのアラートを取得できます。ダッシュボードの閲覧者は、自分自身のアラートを設定できます。分析からページを開いた場合、**[Explore Anomalies]** (異常の探索) ページには、このボタンは表示されません。
**注記**
アラートを設定する機能は、公開されたダッシュボードでのみ使用できます。
+ **[Status]** (ステータス) - **[Anomalies]** (異常) という見出しの下にあるステータスラベルには、最後の実行に関する情報が表示されます。例えば、「2018 年 11 月 17 日の収益の異常」と表示される場合があります。このラベルは、メトリクスの処理数と処理後の経過時間を示します。無視されたメトリクスの数など、詳細についてさらに知るためにリンクを選択できます。
# Amazon Quick Sight を使用した What-If シナリオの予測と作成
ML を使用した予測を使用すると、ポイントアンドクリックの単純さで主要なビジネスメトリクスを予測できます。機械学習の専門知識は必要ありません。Amazon Quick Sight の組み込み ML アルゴリズムは、複雑な現実世界のシナリオを処理するように設計されています。Amazon Quick Sight は機械学習を使用して、従来の方法よりも信頼性の高い予測を提供します。
たとえば、お客様がビジネスマネージャーであるとします。年末までに目標を達成するかどうかを確認するために売上を予測したいとします。または、2 週間で大量の取引が発生し、それが全体的な予測にどのように影響するかを知りたいとします。
ビジネス収益を複数レベルの季節性 (週ごとおよび四半期ごと両方の傾向を含む売上など) で予測できます。Amazon Quick Sight は、データ内の異常 (価格の低下や昇格による売上の急増など) が予測に影響を与えることを自動的に除外します。また、Amazon Quick Sight は自動的にそれを処理するため、欠落した値でデータをクリーンアップしてリペアする必要はありません。さらに、ML を使用した予測では、対話型仮説分析を実行して、ビジネス目標を達成するために必要な成長軌道を決定できます。
## 予測と What-If シナリオの使用
既存の分析に予測ウィジェットを追加し、それをダッシュボードとして公開することができます。what-if シナリオを分析するには、ダッシュボードではなく分析を使用します。ML を活用した予測により、Amazon Quick Sight では、複数の季節性を持つデータなど、複雑で実際のシナリオを予測できます。識別した外れ値を自動的に除外し、欠損値を代入します。
次の手順を使用して分析にグラフィカル予測を追加し、what-if シナリオを検討します。
この手順はグラフィカルな予測のためのものですが、インサイトのウィジェットの説明文として予測を追加することもできます。詳細については[Amazon Quick Sight を使用した自動説明文の作成](narratives-creating.md)を参照してください。
ML を使用した予測は[、スモールマルチ](small-multiples.md)プルと互換性がありません。データや予測を正確に表示するには、視覚化に小さな倍数を使用しないでください。
**分析にグラフィカルな予測を追加するには**
1. 単一の日付フィールドと最大 3 つのメトリクス (メジャー) を使用するビジュアルを作成します。
1. ビジュアルの右上隅にあるメニューで、[**メニューオプション**] アイコン (3 つのドット) をクリックし、次に [**予測を追加**] をクリックします。
Quick Sight は、ML を使用して履歴データを自動的に分析し、次の 14 期間のグラフィカル予測を表示します。予測プロパティは、ビジュアル内のすべてのメトリクスに適用されます。メトリクスごとに個別の予測が必要な場合は、ビジュアルを各メトリクスについて作成し、それぞれに予測を適用することを検討してください。
![\[3 つのメトリクスを予測する折れ線グラフを示しているビジュアルの画像。\]](http://docs.aws.amazon.com/ja_jp/quick/latest/userguide/images/forecast2.png)
1. 左側に表示される [**予測プロパティ**] パネルで、以下のいずれかの設定をカスタマイズします。
+ [**予測の長さ**] – [**期間を進める**] の設定は予測のために使用し、[**期間を戻す**)] の設定により予測の基礎となるパターンを探します。
+ [**Prediction interval (予測間隔)**] – 予測の推定範囲を設定します。これを行うと、予測されるラインの周りの可能性の幅がどれほど広くなるかが変わります。
+ [**Seasonality (季節性)**] – 予測可能な季節的データパターンに含まれる期間数を設定します。範囲は 1～180 で、デフォルト設定は [**Automatic (自動)**] です。
+ **予測値の上下限** – 予測値が一定の値範囲の上下を外れないように、その最小値または最大値を設定します。例えば、次の月に会社が新規採用する人数が負の数として予測されることがある場合に、予測値の上下限により最小値をゼロに設定します。これにより、予測値がゼロを下回ることをなくせます。
変更を保存するには、[**Apply (適用)**] を選択します。
予測に複数のメトリクスが含まれている場合は、オレンジ色のバンド内の任意の場所を選択すると予測の 1 つを分離できます。この操作を行うと、他の予測が表示されなくなります。分離された予測バンドを再度選択することで、他の予測を再表示できます。
1. チャート上の予測されたデータポイント (オレンジ色の帯) を選択し、コンテキストメニューから [**What-if analysis (What-if 分析)**] を選択して、what-if シナリオを分析します。
[**what-if 分析**] パネルが左側に表示されます。次のオプションを設定します。
+ [**Scenario (シナリオ)**] – 日付または時間範囲のターゲットを設定します。
+ [**Dates (日付)**] – 特定の日付のターゲットを設定する場合は、その日付をここに入力します。時間範囲を使用している場合は、開始日と終了日を設定します。
+ [**Target (ターゲット)**] – メトリクスのターゲット値を設定します。
Amazon Quick Sight は、ターゲットを満たすように予測を調整します。
**注記**
[**what-if 分析**] オプションは、複数のメトリクスによる予測には使用できません。予測で what-if シナリオを実行する場合、ビジュアルに含められるメトリクスは 1 つだけです。
1. [**Apply (適用)**] を選択して変更を保存します。破棄するには、[**What-if analysis (What-if 分析)**] パネルを閉じます。
変更を続けると、元の予測と並行して、what-if なしで新しい予測が目標に合わせて調整されたことがわかります。
what-if 分析は、メトリクスライン上の点としてビジュアルに表示されます。詳細を表示するには、予測線上のデータポイントにカーソルを合わせます。
以下にその他の機能を示します。
+ what-if 分析を操作したり、分析を削除したりするには、メトリクスライン上のドットを選択します。
+ 追加の what-if シナリオを作成するには、ライン上の新しい点を選択する前に what-if 分析を閉じます。
**注記**
what-if 分析は、ダッシュボード内ではなく、分析内にのみ存在できます。