As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Detectar discrepâncias com a detecção de anomalias baseada em ML O Amazon Quick Sight usa a tecnologia comprovada da Amazon para executar continuamente a detecção de anomalias com base em ML em milhões de métricas para descobrir tendências e discrepâncias ocultas em seus dados. Essa ferramenta permite obter insights aprofundados que geralmente estão ocultos nos agregados e não podem ser escalados com análise manual. Com a detecção de anomalias desenvolvida por ML, você pode encontrar discrepâncias nos dados sem a necessidade de análise manual, desenvolvimento personalizado ou conhecimento do domínio do ML. O Amazon Quick Sight notifica você em suas imagens se detectar que você pode analisar uma anomalia ou fazer alguma previsão em seus dados. A funcionalidade de detecção de anomalias não está disponível na região Europa (Zurique) `eu-central-2`. **Importante** A detecção de anomalias desenvolvida por ML é uma tarefa de computação intensa. Antes de começar a usá-la, você pode ter uma ideia dos custos analisando a quantidade de dados que deseja usar. Oferecemos um modelo de definição de preço por níveis com base no número de métricas processadas por mês. **Topics** + [Conceitos da detecção de anomalias ou discrepâncias](anomaly-detection-outliers-and-key-drivers.md) + [Configurar a detecção de anomalias baseada em ML para análise de discrepâncias](anomaly-detection-using.md) + [Explorar discrepâncias e principais fatores com detecção de anomalias e análise de contribuição baseadas em ML](anomaly-exploring.md) # Conceitos da detecção de anomalias ou discrepâncias O Amazon Quick Sight usa a palavra *anomalia* para descrever pontos de dados que estão fora de um padrão geral de distribuição. Há muitas outras palavras para anomalias, que é um termo científico, incluindo discrepâncias, desvios, idiossincrasias, exceções, irregularidades, peculiaridades e muitos mais. O termo que você usa pode ser baseado no tipo de análise que você faz ou no tipo de dados que você usa, ou mesmo apenas na preferência de seu grupo. Esses pontos de dados discrepantes representam uma entidade, uma pessoa, um lugar, uma coisa ou um tempo, que é excepcional de alguma forma. Os humanos reconhecem padrões facilmente e detectam coisas que não são iguais às outras. Nossos sentidos fornecem essas informações para nós. Se o padrão for simples e houver apenas poucos dados, você poderá fazer um gráfico facilmente para destacar as discrepâncias em seus dados. Alguns exemplos simples incluem: + Um balão vermelho em um grupo de azuis + Um cavalo de corrida que está muito à frente dos outros + Uma criança que não está prestando atenção à aula + Um dia em que os pedidos online estão ativos, mas o envio está inativo. + Uma pessoa que se recuperou, enquanto outras não Alguns pontos de dados representam um evento significativo, e outros representam uma ocorrência aleatória. A análise revela quais dados vale a pena investigar com base em quais fatores de direcionamento (principais direcionadores) contribuíram para o evento. Perguntas são essenciais para a análise dos dados. Por que isso aconteceu? Com o que isso está relacionado? Aconteceu apenas uma ou várias vezes? O que você pode fazer para encorajar ou desencorajar mais essas ocorrências? Compreender como e por que existe uma variação e se existe um padrão nas variações, requer mais análise. Sem a ajuda do machine learning, cada pessoa pode chegar a uma conclusão diferente, porque as pessoas têm experiência e informações diferentes. Portanto, cada pessoa pode tomar uma decisão de negócios ligeiramente diferente. Se houver muitos dados ou variáveis a serem considerados, isso pode exigir uma grande quantidade de análise. A detecção de anomalias desenvolvida por ML identifica as causas e correlações para permitir que você tome decisões baseadas em dados. Você ainda tem controle sobre como definir como quer que o trabalho funcione em seus dados. Você pode especificar seus próprios parâmetros e escolher opções adicionais, como identificar os principais direcionadores em uma análise de contribuição. Você pode usar as configurações padrão. A seção a seguir demonstra detalhadamente o processo de configuração e fornece explicações para as opções disponíveis. # Configurar a detecção de anomalias baseada em ML para análise de discrepâncias Use os procedimentos nas seções a seguir para começar a detectar discrepâncias e anomalias, bem como identificar os principais fatores que contribuem para elas. **Topics** + [Como visualizar notificações de anomalias e previsões](anomaly-detection-adding-from-visuals.md) + [Como adicionar um insight de ML para detectar discrepâncias e os principais fatores](anomaly-detection-adding-anomaly-insights.md) + [Como usar a análise de contribuição para os principais fatores](anomaly-detection-adding-key-drivers.md) # Como visualizar notificações de anomalias e previsões O Amazon Quick Sight notifica você em um visual onde detecta uma anomalia, os principais fatores ou uma oportunidade de previsão. Você pode seguir as mensagens para configurar a detecção ou a previsão de anomalias com base nos dados desse elemento visual. 1. Em um gráfico de linhas existente, procure uma notificação de insight no menu do widget visual. 1. Escolha o ícone da lâmpada para exibir a notificação. 1. Se quiser obter mais informações sobre o insight de ML, siga as mensagens na tela para adicionar um insight de ML. # Como adicionar um insight de ML para detectar discrepâncias e os principais fatores Você pode adicionar um insight de ML que detecte *anomalias*, que são discrepâncias aparentemente significativas. Para começar, crie um widget, também conhecido como *narrativa automática*, para seu insight. Ao configurar suas opções, você pode ver uma captura de tela limitada do seu insight no painel de **Visualização** à direita da tela. No seu widget de insights, você pode adicionar até cinco campos de dimensão que não sejam campos calculados. Nos poços de campo, os valores de **Categorias** representam os valores dimensionais que o Amazon Quick Sight usa para dividir a métrica. Por exemplo, digamos que você esteja analisando a receita em todas as categorias de produtos e produtos SKUs. Existem 10 categorias de produtos, cada uma com 10 produtos SKUs. O Amazon Quick Sight divide a métrica pelas 100 combinações exclusivas e executa a detecção de anomalias em cada combinação da divisão. O procedimento a seguir mostra como fazer isso e como adicionar análise de contribuição para detectar os principais fatores que estão causando cada anomalia. Você pode adicionar a análise de contribuição posteriormente, conforme descrito em [Como usar a análise de contribuição para os principais fatores](anomaly-detection-adding-key-drivers.md). **Configurar a análise de discrepâncias, incluindo os principais fatores** 1. Abra sua análise e, na barra de ferramentas, selecione **Insights** e depois **Adicionar**. Na lista, selecione **Anomaly detection (Detecção de anomalias)** e **Select (Selecionar)**. 1. Siga o prompt de tela no novo widget, que diz para você escolher campos para o insight. Adicione pelo menos uma data, uma medida e uma dimensão. 1. Escolha **Get started (Começar a usar)** no widget. A tela de configuração é exibida. 1. Em **Opções de computação**, escolha os valores para as opções a seguir. 1. Em **Combinações a serem analisadas**, selecione uma das seguintes opções: 1. **Hierárquico** Escolha esta opção se quiser analisar os campos hierarquicamente. Por exemplo, se você escolher uma data (T), uma medida (N) e três categorias de dimensão (C1, C2 e C3), o Quick Sight analisará os campos hierarquicamente, conforme mostrado a seguir. ``` T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N ``` 1. **Exato** Escolha esta opção se quiser analisar somente a combinação exata dos campos na fonte do campo Categoria, conforme listados. Por exemplo, se você escolher uma data (T), uma medida (N) e três categorias de dimensão (C1, C2 e C3), o Quick Sight analisará somente a combinação exata dos campos de categoria na ordem em que estão listados, conforme mostrado a seguir. ``` T-C1-C2-C3-N ``` 1. **Todos** Escolha esta opção se quiser analisar todas as combinações de campos na fonte do campo Categoria. Por exemplo, se você escolher uma data (T), uma medida (N) e três categorias de dimensão (C1, C2 e C3), o Quick Sight analisará todas as combinações de campos, conforme mostrado a seguir. ``` 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 ``` Se você escolher apenas uma data e uma medida, o Quick Sight analisará os campos por data e depois por medida. Na seção **Campos a serem analisados**, você pode ver uma lista de campos das fontes dos campos para fins de referência. 1. Em **Nome**, insira um nome alfanumérico descritivo sem espaços ou escolha o valor padrão. Isso fornece um nome para a computação. Se você planejar editar a narrativa exibida automaticamente no widget, poderá usar o nome para identificar o cálculo desse widget. Personalize o nome caso planeje editar a narrativa automática e tenha outros cálculos semelhantes na sua análise. 1. Na seção **Opções de exibição**, escolha as opções a seguir para personalizar o que é exibido no seu widget de insights. Você ainda pode explorar todos os seus resultados, independentemente do que exibir. 1. **Número máximo de anomalias para mostrar**: o número de discrepâncias que você deseja exibir no widget narrativo. 1. **Gravidade**: o nível mínimo de gravidade das anomalias que você deseja exibir no widget de insights. Um *nível de gravidade* é um intervalo de pontuações de anomalia caracterizado pela menor pontuação de anomalia real incluída no intervalo. Todas as anomalias com maior pontuação estão incluídas no intervalo. Se você definir a gravidade como **Baixa**, o insight exibirá todas as anomalias classificadas entre baixa e muito alta. Se você definir a gravidade como **Very high (Muito alta)**, o insight exibirá apenas as anomalias que têm as maiores pontuações de anomalia. Você pode definir as seguintes opções: + **Muito alta** + **Alta e acima** + **Média e acima** + **Baixa e acima** 1. **Direção**: a direção no eixo x ou no eixo y que você deseja identificar como anômala. Você pode escolher entre as seguintes opções: + **Superior ao esperado** para identificar valores superiores como anomalias. + **Inferior ao esperado** para identificar valores inferiores como anomalias. + **[TUDO]** para identificar todos os valores anômalos, altos e baixos (configuração padrão). 1. **Delta**: insira um valor personalizado para identificar anomalias. Qualquer valor superior ao valor limite conta como uma anomalia. Os valores aqui alteram a forma como o insight funciona na sua análise. Nesta seção, você pode definir o seguinte: + **Valor absoluto**: o valor real a ser usado. Por exemplo, suponha que seja 48. O Amazon Quick Sight então identifica valores como anômalos quando a diferença entre um valor e o valor esperado é maior que 48. + **Porcentagem**: o limite percentual a ser usado. Por exemplo, suponha que seja 12,5%. O Amazon Quick Sight então identifica valores como anômalos quando a diferença entre um valor e o valor esperado é maior que 12,5%. 1. **Classificar por**: escolha um método de classificação para os seus resultados. Alguns métodos são baseados na pontuação de anomalias gerada pelo Amazon Quick Sight. O Amazon Quick Sight dá pontuações mais altas aos pontos de dados que parecem anômalos. Você pode usar qualquer uma das opções a seguir: + **Pontuação de anomalias ponderada**: a pontuação de anomalias multiplicada pelo log do valor absoluto da diferença entre o valor real e o valor esperado. Essa pontuação é sempre um número positivo. + **Pontuação de anomalias**: a pontuação de anomalias real atribuída a esse ponto de dados. + **Diferença ponderada do valor esperado**: a pontuação de anomalias multiplicada pela diferença entre o valor real e o valor esperado (padrão). + **Diferença do valor esperado**: a diferença real entre o valor real e o valor esperado (ou seja, real-esperado). + **Valor real**: o valor real sem nenhuma fórmula aplicada. 1. Na seção **Opções de programação**, defina a programação para executar o recálculo do insight automaticamente. A programação é executada apenas para painéis publicados. Na análise, você pode executá-lo manualmente conforme necessário. A programação inclui as seguintes configurações: + **Ocorrência**: a frequência de execução do recálculo que você deseja, se a cada hora, dia, semana ou mês. + **Início da programação**: a data e a hora para começar a executar essa programação. + **Fuso horário**: o fuso horário no qual a programação será executada. Para visualizar uma lista, exclua a entrada atual. 1. Na seção **Principais colaboradores**, configure o Amazon Quick Sight para analisar os principais fatores quando uma discrepância (anomalia) for detectada. Por exemplo, o Amazon Quick Sight pode mostrar os principais clientes que contribuíram para um aumento nas vendas de produtos de reforma nos EUA. É possível adicionar até quatro dimensões do seu conjunto de dados. Isso inclui dimensões que você não adicionou às fontes dos campos desse widget de insights. Para visualizar uma lista de dimensões disponíveis para análise de contribuição, escolha **Selecionar campos**. 1. Escolha **Salvar** para confirmar suas escolhas. Selecione **Cancel (Cancelar)** para sair sem salvar. 1. No widget de insights, escolha **Executar agora** para executar a detecção de anomalias e visualizar o insight. O tempo necessário para concluir a detecção de anomalias varia dependendo da quantidade de pontos de dados exclusivos que estão sendo analisados. O processo pode levar alguns minutos para um número mínimo de pontos, ou pode levar várias horas. Enquanto ele estiver sendo executado em segundo plano, você poderá executar outras tarefas na análise. Certifique-se de esperar que seja concluído antes de alterar a configuração, editar a narrativa ou abrir a página **Explorar anomalias** para esse insight. O widget de insights precisa ser executado pelo menos uma vez para que você possa ver os resultados. Se você achar que o status pode estar desatualizado, atualize a página. O insight pode ter os estados a seguir. | Aparece na página | Status | | --- | --- | | Botão Run now (Executar agora) | O trabalho ainda não começou. | | Mensagem sobre Analyzing for anomalies (Analisando anomalias) | O trabalho está sendo executado no momento. | | Narrativa sobre as anomalias detectadas (discrepâncias) | O trabalho foi executado com êxito. A mensagem informa quando o cálculo deste widget foi atualizado pela última vez. | | Ícone de alerta com um ponto de exclamação (\$1) | Esse ícone indica que ocorreu um erro durante a última execução. Se a narrativa também for exibida, você ainda poderá usar Explore anomalies (Explorar anomalias) para usar dados da execução bem-sucedida anterior. | # Como usar a análise de contribuição para os principais fatores O Amazon Quick Sight pode identificar as dimensões (categorias) que contribuem para valores discrepantes nas medidas (métricas) entre dois pontos no tempo. O principal fator que contribui para uma discrepância ajuda você a responder à pergunta: o que aconteceu para causar essa anomalia? Se você já estiver usando a detecção de anomalias sem a análise de contribuição, é possível habilitar o insight de ML existente para encontrar os principais fatores. Use o procedimento a seguir para adicionar uma análise de contribuição e identificar os principais fatores por trás das discrepâncias. Seu insight para a detecção de anomalias precisa incluir um campo de hora e pelo menos uma métrica agregada (SUM, AVERAGE ou COUNT). Você pode incluir várias categorias (campos de dimensão) se desejar, mas também pode executar a análise de contribuição sem especificar nenhuma categoria ou campo de dimensão. Você também pode usar esse procedimento para alterar ou remover campos como principais fatores na detecção de anomalias. **Adicionar uma análise de contribuição para identificar os principais fatores** 1. Abra sua análise e localize um insight de ML existente para a detecção de anomalias. Selecione o widget de insights para destacá-lo. 1. Escolha **Opções de menu** (**…**) no menu do elemento visual. 1. Escolha **Configurar anomalia** para editar as configurações. 1. A configuração de **análise de contribuição (opcional)** permite que o Amazon Quick Sight analise os principais fatores quando uma discrepância (anomalia) é detectada. Por exemplo, o Amazon Quick Sight pode mostrar os principais clientes que contribuíram para um aumento nas vendas de produtos de reforma nos EUA. Você pode adicionar até quatro dimensões de seu conjunto de dados, incluindo dimensões que você não adicionou à fontes de campos desse widget de insight. Para visualizar uma lista de dimensões disponíveis para análise de contribuição, escolha **Select fields (Selecionar campos)**. Se quiser alterar os campos que está usando como principais fatores, altere os campos que estão habilitados nessa lista. Se você desativar todos eles, o Quick Sight não realizará nenhuma análise de contribuição nesse insight. 1. Para salvar suas alterações, role até a parte inferior das opções de configuração e escolha **Salvar**. Selecione **Cancelar** para sair sem salvar. Para remover completamente as configurações, escolha **Excluir**. # Explorar discrepâncias e principais fatores com detecção de anomalias e análise de contribuição baseadas em ML Você pode explorar interativamente as anomalias (também conhecidas como discrepâncias) em sua análise, juntamente com os contribuidores (direcionadores principais). A análise está disponível para ser explorada após a execução da detecção de anomalias baseada em ML. As alterações feitas nessa tela não serão salvas quando você voltar à análise. Para começar, escolha **Explorar anomalias** no insight. A captura de tela a seguir mostra a tela de anomalias como ela aparece quando você a abre pela primeira vez. Neste exemplo, a análise de colaboradores é configurada e mostra dois fatores principais. ![\[Análise de anomalias mostrando os colaboradores.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/anomaly-exploration-v2.png) Abaixo, veja o que está incluso nas seções da tela, do canto superior esquerdo ao canto inferior direito: + **Colaboradores** exibe os principais fatores. Para ver esta seção, é necessário ter colaboradores definidos na sua configuração de anomalias. + **Controles** contém configurações para a exploração de anomalias. + **Número de anomalias** exibe discrepâncias detectadas ao longo do tempo. Você pode ocultar ou mostrar essa seção do gráfico. + **Seus nomes de campo**, para campos de categoria ou dimensão, funciona como títulos para gráficos que mostram anomalias para cada categoria ou dimensão. As seções a seguir fornecem informações detalhadas para cada aspecto da exploração de anomalias. **Topics** + [Explorar colaboradores (principais fatores)](exploring-anomalies-key-drivers.md) + [Configurar controles para detecção de anomalias](exploring-anomalies-controls.md) + [Mostrar e ocultar anomalias por data](exploring-anomalies-by-date.md) + [Explorar anomalias por categoria ou dimensão](exploring-anomalies-per-category-or-dimension.md) # Explorar colaboradores (principais fatores) Se seu insight sobre anomalias estiver configurado para detectar os principais fatores, o Quick Sight executa a análise de contribuição para determinar quais categorias (dimensões) estão influenciando os valores discrepantes. A seção **Colaboradores** aparece à esquerda. **Colaboradores** contém as seguintes seções: + **Narrativa**: no canto superior esquerdo, um resumo descreve todas as mudanças nas métricas. + **Configuração dos principais colaboradores**: selecione **Configurar** para alterar os colaboradores e o intervalo de datas a ser usado nessa seção. + **Classificar por**: define a classificação aplicada aos resultados que são exibidos abaixo. Você pode escolher entre as seguintes opções: + **Absolute difference (Diferença absoluta)** + **Contribution percentage (Porcentagem de contribuição)** (padrão) + **Deviation from expected (Desvio do esperado)** + **Percentage difference (Diferença percentual)** + **Resultados dos principais colaboradores**: exibe os resultados da análise dos principais colaboradores para o ponto no tempo selecionado na linha do tempo à direita. A análise de contribuição identifica até quatro dos principais fatores colaboradores ou principais direcionadores de uma anomalia. Por exemplo, o Amazon Quick Sight pode mostrar os principais clientes que contribuíram para um aumento nas vendas de produtos de saúde nos EUA. Esse painel será exibido somente se você escolher incluir campos na análise de contribuição ao configurar a anomalia. Se você não estiver visualizando esse painel e quiser exibi-lo, é possível ativá-lo. Para isso, acesse a análise, escolha a configuração de anomalia no menu do insight e selecione até quatro campos a serem analisados para contribuições. Se fizer alterações nos controles de planilha que excluem os fatores de contribuição, o painel **Contribuições** será fechado. # Configurar controles para detecção de anomalias Você pode encontrar as configurações para a detecção de anomalias na seção **Controles** da tela. Você pode abrir e fechar a seção clicando na palavra **Controles**. As configurações incluem o seguinte: + **Controles**: as configurações atuais são exibidas na parte superior do espaço de trabalho. Você pode expandir a seção selecionando o ícone de seta dupla no canto direito. As configurações a seguir estão disponíveis para explorar discrepâncias geradas pela detecção de anomalias desenvolvida por ML: + **Gravidade**: define o nível de sensibilidade do detector às anomalias (discrepâncias) detectadas. Você deve ver mais anomalias com o limite definido como **Baixo e acima**, e menos anomalias quando o limite estiver definido como **Alto e acima**. Essa sensibilidade é determinada com base em desvios padrão da pontuação de anomalia gerada pelo algoritmo RCF. O padrão é **Médio e acima**. + **Direção**: a direção no eixo x ou no eixo y que você deseja identificar como anômala. O padrão é [TUDO]. Você pode escolher uma das seguintes opções: + Defina como **Superior ao esperado** para identificar valores mais altos como anomalias. + Defina como **Inferior ao esperado** para identificar valores mais baixos como anomalias. + Defina como **[TUDO]** para identificar todos os valores anômalos, altos e baixos. + **Delta mínimo - valor absoluto**: insira um valor personalizado a ser usado como limite absoluto para identificar anomalias. Qualquer valor superior a isso conta como uma anomalia. + **Delta mínimo - porcentagem**: insira um valor personalizado a ser usado como limite percentual para identificar anomalias. Qualquer valor superior a isso conta como uma anomalia. + **Classificar por**: escolha o método que deseja aplicar às anomalias de classificação. Elas são listadas na ordem preferencial na tela. Veja a lista a seguir para obter uma descrição de cada método. + **Pontuação de anomalias ponderada**: a pontuação de anomalias multiplicada pelo log do valor absoluto da diferença entre o valor real e o valor esperado. Essa pontuação é sempre um número positivo. + **Pontuação de anomalias**: a pontuação de anomalias real atribuída a esse ponto de dados. + **Diferença ponderada do valor esperado**: (padrão) a pontuação de anomalias multiplicada pela diferença entre o valor real e o valor esperado. + **Diferença do valor esperado**: a diferença real entre o valor real e o valor esperado (real−esperado). + **Valor real**: o valor real sem nenhuma fórmula aplicada. + **Categorias**: uma ou mais configurações podem aparecer no final das outras configurações. Há um para cada campo de categoria que você adicionou à fonte do campo de categoria. Você pode usar configurações de categoria para limitar os dados que são exibidos na tela. # Mostrar e ocultar anomalias por data O gráfico **Número de anomalias** mostra as discrepâncias detectadas ao longo do tempo. Caso não veja esse gráfico, você pode exibi-lo escolhendo **MOSTRAR ANOMALIAS POR DATA**. Este gráfico mostra anomalias (discrepâncias) do ponto de dados mais recente nas séries temporais. Quando expandido, ele exibe os seguintes componentes: + **Anomalias**: o meio da tela exibe as anomalias do ponto de dados mais recente nas séries temporais. São exibidos um ou mais gráficos mostrando variações em uma métrica ao longo do tempo. Para usar esse gráfico, selecione um ponto ao longo da linha do tempo. O ponto no tempo que está selecionado atualmente é destacado no gráfico e inclui um menu oferecendo a opção de analisar as contribuições à métrica atual. Também é possível arrastar o cursor sobre a linha do tempo sem selecionar um ponto específico a fim de exibir o valor da métrica para esse ponto no tempo. + **Anomalias por data**: se você selecionar **MOSTRAR ANOMALIAS POR DATA**, outro gráfico será exibido para mostrar quantas anomalias significativas havia para cada ponto no tempo. Você pode ver os detalhes desse gráfico no menu de contexto de cada barra. + **Ajuste da linha do tempo**: cada gráfico tem uma ferramenta de ajuste da linha do tempo abaixo das datas, que pode ser usada para comprimir, expandir ou escolher um período de visualização. # Explorar anomalias por categoria ou dimensão A seção principal da tela **Explorar anomalias** está bloqueada no canto inferior direito da tela. Ela permanece aqui, independentemente de quantas outras seções da tela estejam abertas. Se existirem várias anomalias, você pode rolar para baixo para destacá-las. O gráfico exibe anomalias em gamas de cores e mostra onde elas ocorrem durante um período. ![\[Tela de exploração de anomalias.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/anomaly-exploration-1.png) Cada categoria ou dimensão tem um gráfico separado que usa o nome do campo como título do gráfico. Cada gráfico contém os seguintes componentes: + **Configurar alertas**: se estiver explorando anomalias em um painel, selecione esse botão para se inscrever em alertas e análises de contribuição (se estiverem configuradas). Você pode configurar os alertas para o nível de gravidade (médio, alto e assim por diante). Você pode obter os cinco alertas principais para **Higher than expected (Maiores do que o esperado)**, **Lower than expected (Menores do que o esperado)** ou ALL (TUDO). Os leitores de painel podem configurar alertas para si mesmos. A página **Explorar anomalias** não exibe esse botão se você abrir a página em uma análise. **nota** A capacidade de configurar alertas está disponível somente em painéis publicados. + **Status**: no cabeçalho **Anomalias**, o rótulo de status exibe informações sobre a última execução. Por exemplo, você pode ver "Anomalias da receita em 17 de novembro de 2018". Esse rótulo informa quantas métricas foram processadas e há quanto tempo. Você pode selecionar o link para saber mais sobre os detalhes, como a quantidade de métricas ignoradas.