Freigeben über

Anomalieerkennung

  • Artikel

GILT FÜR: Power BI-Dienst für Verbraucher Power BI-Dienst für Designer und Entwickler von Power BI Desktop erfordert Pro- oder Premium-Lizenz

Mithilfe der Anomalieerkennung können Sie Ihre Liniendiagramme verbessern, indem Sie automatisch Anomalien in Ihren Zeitreihendaten erkennen. Außerdem finden Sie Erläuterungen zu den Anomalien, die bei der Fehlerursachenanalyse hilfreich sind. Mit nur wenigen Klicks können Sie problemlos Einblicke gewinnen, ohne die Daten aufzuteilen und zu untersuchen. Sie können Anomalien sowohl in Power BI Desktop als auch im Power BI-Dienst erstellen und anzeigen. Die Schritte und Abbildungen in diesem Artikel beziehen sich auf Power BI Desktop.

Hinweis

In diesem Video werden möglicherweise frühere Versionen von Power BI Desktop oder des Power BI-Diensts verwendet.

Erste Schritte

In diesem Tutorial werden Onlineverkaufsdaten für verschiedene Produkte verwendet. Laden Sie für dieses Tutorial die Beispieldatei eines Onlinevertriebsszenarios herunter.

Sie können die Anomalieerkennung aktivieren, indem Sie auf das Diagramm klicken und die Option Nach Anomalien suchen (Find Anomalies) im Analysebereich auswählen.

Screenshot des Einstiegspunkts für die Anomalieerkennung.

Dieses Diagramm zeigt beispielsweise die Umsätze im Zeitverlauf. Durch das Hinzufügen der Anomalieerkennung wird das Diagramm automatisch um Anomalien und den erwarteten Wertebereich erweitert. Wenn ein Wert außerhalb dieser erwarteten Grenze liegt, wird er als Anomalie gekennzeichnet. Weitere Informationen zum Algorithmus für die Anomalieerkennung finden Sie in diesem Technikblogbeitrag.

Screenshot: Hinzufügen von Anomalien.

Formatieren von Anomalien

Diese Funktion kann umfassend angepasst werden. Sie können die Form, Größe und Farbe der Anomalien sowie die Farbe, den Stil und die Transparenz des erwarteten Bereichs formatieren. Sie können auch den Parameter des Algorithmus konfigurieren. Wenn Sie die Empfindlichkeit erhöhen, ist der Algorithmus hinsichtlich Veränderungen im Zusammenhang mit den Daten empfindlicher. In diesem Fall wird auch eine geringfügige Abweichung als Anomalie gekennzeichnet. Wenn Sie die Empfindlichkeit verringern, ist der Algorithmus in Bezug auf eine Anomalieerkennung selektiver.

Screenshot: Formatieren von Anomalien.

Erklärungen

Neben dem Erkennen von Anomalien können Sie die Anomalien im Hinblick auf die Daten auch automatisch erläutern lassen. Wenn Sie die Anomalie auswählen, führt Power BI eine felderübergreifende Analyse in Ihrem Datenmodell aus, um mögliche Erklärungen vorzulegen. Sie erhalten eine Erläuterung der Anomalie in natürlicher Sprache, und mit dieser Anomalie verbundene Faktoren werden je nach Erklärungsplausibilität sortiert. Hier sehen Sie, dass der Umsatz am 30. August 5.187 US-Dollar beträgt und somit über dem erwarteten Bereich von 2.447 und 3.423 US-Dollar liegt. Die Karten in diesem Bereich können geöffnet werden, um weitere Details der Erklärung anzuzeigen.

Screenshot: Anzeigen von Erklärungen.

Konfigurieren von Erklärungen

Sie können auch die Felder steuern, die für die Analyse verwendet werden. Wenn Sie beispielsweise „Seller“ und „City“ in das Feld Erläuterung nach ziehen, schränkt Power BI die Analyse auf nur diese Felder ein. In diesem Fall scheint die Anomalie vom 31. August mit einem bestimmten Verkäufer und bestimmten Städten zusammenzuhängen. Hier hat der Verkäufer „Fabrikam“ eine Stärke von 99 Prozent. Power BI berechnet Strength (Stärke) als Verhältnis der Abweichung vom erwarteten Wert, wenn nach dem Ausmaß der Abweichung vom Gesamtwert gefiltert wird. Dies ist beispielsweise das Verhältnis des tatsächlichen und des erwarteten Werts hinsichtlich der Komponentenzeitreihe Fabrikam und der aggregierten Zeitreihe overall Revenue für den Anomaliepunkt. Wenn Sie diese Karte öffnen, wird das Visual mit einer Umsatzspitze durch diesen Verkäufer am 31. August angezeigt. Verwenden Sie die Option Add to report (Zum Bericht hinzufügen), um der Seite dieses Visual hinzuzufügen.

Screenshot: Konfigurieren von Erklärungen.

Überlegungen und Einschränkungen

  • Die Anomalieerkennung wird nur im Zusammenhang mit Liniendiagrammvisuals unterstützt, die Zeitreihendaten im Feld für die Achsen enthalten.
  • Die Anomalieerkennung wird nicht im Zusammenhang mit Legenden, mehreren Werten oder sekundären Werten in Liniendiagrammvisuals unterstützt.
  • Die Anomalieerkennung erfordert mindestens vier Datenpunkte.
  • Für die Zeilen „Vorhersage“, „Min“, „Max“, „Durchschnitt“, „Median“ und „Perzentil“ kann die Anomalieerkennung nicht verwendet werden.
  • DirectQuery über SAP-Datenquellen, Power BI-Berichtsserver und Liveverbindungen zu Azure Analysis Services und SQL Server Analysis Services werden nicht unterstützt.
  • Anomalieerklärungen funktionieren nicht mit den Optionen „Werte anzeigen als“.
  • Ein Drilldown zur nächsten Ebene in der Hierarchie wird nicht unterstützt.

Zugehöriger Inhalt

Weitere Informationen zum Algorithmus, der die Anomalieerkennung ausführt, finden Sie im Beitrag von Tony Xing zum SR-CNN-Algorithmus in der Azure Anomalieerkennung.