如何自动化识别异常数据？并智能预警！

今天和大家聊聊常见的场景：异常数据的识别，以及预警相关功能的产品化设计。

01

—

场景概述

我们在做数据分析的时候，有一个重要的环节，就是发现目前运行数据的异常，然后基于异常寻找原因、提出意见和建议。

如果是人工判断异常数据的话，往往通过恰当的可视化图形就能很好地发现，比如下面数据走势的异常：

或者下面的数据关系的异常，通过回归曲线很容易发现右下角的异常点。

但是对于机器而言，想要识别异常数据，就比较麻烦了。这就是咱们今天将重点展开讨论的内容：如何通过系统化的规则或者算法，识别异常数据。

由于数据的类型多种多样，我们针对不同数据类型分别展开。

02

—

时序异常数据识别

时间序列相关的异常判定，应该是我们最常见的异常识别情景。尤其是在数据产品中，我们关注的大部分内容都是和时间序列有关系。

大家可以仔细回想一下你平时看到的数据监控看板等等，无论形态如何，基本都涉及了时间维度。但凡涉及时间维度，那么异常的识别都是基于时间来识别的，且识别的是最新一段时间是否异常（用最新数据鉴定历史数据异常并没有任何业务意义）。

了解了上面的内容，下面我们聊聊都有哪些时序异常数据的识别方法。

（1）基于固定数值

这个比较好理解，就是直接按照固定的数值进行异常判定。逻辑简单、容易实现与理解。

比如上图中，我们设定固定数值是[3800-5600]，在这个区间范围内的数据，我们认为是正常数据；低于或者高于该区间的数据，认为是异常数据。

固定数值判断异常的方法，核心在于如何取合理区间的上下限。如果有明确的业务红线，可以将业务红线设为上下限；如果没有业务限制，可以使用分位数进行取值，比如历史5%-95%分位认为是正常的。

对于一个发展比较稳定业务而言，设定固定的绝对数值是没啥问题的。但是对于一个快速发展期的业务，很明显，固定数值并不适用。

随着时间的变化，合理的区间也相应发生了变化。这种情况不适合用固定数值进行异常判定，而是需要相对值。

（2）基于相对数值

上面讲到了固定数值方法的缺点。因此，我们考虑相对数值的方法。提到相对值，主要就是同比和环比（关于同比和环比可参考历史文章）。

由于同比通常的定义指的是与去年同期比较，因此针对单天，我们往往是与上周进行对比。如此，上周的数值就是基准值，再增加一个波动区间范围即可。比如上周二的新增用户数200，波动范围设定[-10%，10%]，那么本周二如果新增用户数在180-220则认为是正常的；超出该范围则判定异常。

该方法也有明显的缺点。如果上周二就是一个异常值（假设数值异常低），而本周二数据是恢复正常了。那么根据相对值得判定逻辑，很容易把本周二判定为「异常高」。这是点对点对比的缺点。

（3）基于统计分布

如何能避免单个异常点对后续判断的影响呢？这里就可以基于统计分布进行规则建立。

这里我们可以采取 均值±标准差×3 的方式。这里的均值可以采取当天之前一段时间的均值，比如90天、30天；标准差也选取相应时间段的标准差；倍数可以基于情况设置。

由于均值是一段时间内的均值，不是某一个具体点。因此通过这种方式，能消除异常数据对于后续的异常判定。

（4）基于时序模型

最后，还可以基于时间序列模型进行异常判定。

在统计模型中，有一类模型是专门针对时间序列进行建模的，用以预测未来一段时间的数据走势。我们可以建立相应的ARMA模型等，基于实际值和预测值的差异，判定是否异常。

关于时间序列模型，我们这里就不展开了，后续会专门针对时间序列统计模型详细分享相关基础知识。

03

—

预警功能产品化设计

最后，我们一起看看预警功能的产品设计，这里主要以神策为例，看看预警功能的设计思路。

（1）预警设置

神策将预警功能和事件分析进行了结合，在做事件分析相关功能时，可以直接添加「预警」，进行预警配置。

下面是点击「预警」后的配置界面：

配置基本信息中包括了规则名称、监控指标、维度等；预警设置中包括监控时间粒度、监控时间、预警方式、触发规则、通知方式等。

（2）预警触发规则

预警配置中，最核心的一步就是进行预警规则的设置了。神策支持了两种预警方式：智能预警和自定义预警。

这里的智能预警并未明示具体的逻辑，我猜主要就是基于统计分布和时序模型进行的所谓智能预警。而自定义预警主要包括了对比特定值（即固定值）以及历史某期（即相对值）进行预警规则设置。

当然，自定义预警的阈值是用户自行填写的，没有给出提示。

（3）预警通知

预警的通知配置，也是整个预警功能中必不可少的一部分。这里主要支持三种方式：系统通知、企业群通知、邮件通知。

关于时序预警相关的方法，以及产品化的介绍，就分享这些。这里强调一点，虽然数据看板的时序数据占了大多数，但是仍然有非时序的数据呈现。

以上。

●适婚农村青年找对象有多难？
●品牌知名度分析