Fatos principais
- Categoria
- Data Analysis
- Tipos de entrada
- textarea, file, text, select, number
- Tipo de saída
- html
- Cobertura de amostras
- 4
- API disponível
- Yes
Visão geral
O Detector de Anomalias em Séries Temporais é uma ferramenta analítica que permite identificar picos, quedas e desvios inesperados em seus dados. Basta enviar seus registros em formato CSV, JSON ou Excel para gerar automaticamente um relatório visual detalhado, utilizando métodos estatísticos confiáveis como Z-Score e IQR para destacar outliers e tendências.
Quando usar
- •Quando precisar identificar picos de tráfego ou quedas repentinas de receita em relatórios diários.
- •Para monitorar a latência de servidores e detectar comportamentos anormais na infraestrutura de TI.
- •Ao analisar dados de sensores ou métricas de IoT para prever falhas em equipamentos antes que ocorram.
Como funciona
- •Cole seus dados de série temporal na caixa de texto ou faça o upload de um arquivo CSV, JSON ou Excel.
- •Defina os nomes das colunas de tempo e valor, e escolha o método de detecção desejado (Z-Score, IQR ou ambos).
- •Ajuste o limite do Z-Score e a janela de sazonalidade para refinar a sensibilidade da análise.
- •O sistema processa os dados e gera um relatório em HTML com um gráfico interativo destacando as anomalias encontradas.
Casos de uso
Exemplos
1. Identificação de pico suspeito na receita diária
Analista de Dados- Contexto
- A equipe financeira precisa revisar o faturamento diário para garantir que não haja erros de registro ou fraudes.
- Problema
- Encontrar valores de receita que fogem do padrão normal de vendas de forma rápida e visual.
- Como usar
- Insira os dados CSV de receita diária, defina o método como 'Z-Score + IQR' e ajuste o limite do Z-Score para 2.5.
- Configuração de exemplo
-
Método: both, Z-Score: 2.5, Coluna de tempo: timestamp, Coluna de valor: value - Resultado
- O relatório HTML destaca imediatamente o dia com receita atípica como uma anomalia no gráfico, facilitando a investigação.
2. Revisão de deriva de latência com contexto sazonal
Engenheiro de DevOps- Contexto
- Um servidor está apresentando lentidão intermitente durante a madrugada, afetando processos em lote.
- Problema
- Isolar os momentos exatos em que a latência ultrapassa o comportamento esperado, considerando a variação natural de uso.
- Como usar
- Faça o upload do log de latência, selecione o método 'Z-Score', defina o limite para 2 e a janela sazonal para 3.
- Configuração de exemplo
-
Método: zscore, Z-Score: 2, Janela sazonal: 3 - Resultado
- O gráfico renderizado mostra a linha de tendência e marca os segmentos contíguos onde a latência atingiu picos anormais.
Testar com amostras
json, csv, xmlHubs relacionados
FAQ
Quais formatos de arquivo são suportados?
A ferramenta aceita entrada de texto direto, além de uploads de arquivos CSV, JSON e planilhas Excel (.xlsx, .xls).
Qual é a diferença entre Z-Score e IQR?
O Z-Score mede a distância de um valor em relação à média usando o desvio padrão, ideal para dados com distribuição normal. O IQR foca na dispersão dos dados centrais, sendo mais robusto contra outliers extremos.
Como configuro a coluna de tempo e valor?
Basta digitar o nome exato do cabeçalho da sua coluna de datas no campo 'Coluna de tempo' e o da métrica no campo 'Coluna de valor'. O padrão é 'timestamp' e 'value'.
O que é a janela sazonal?
É um parâmetro que permite agrupar os dados em períodos específicos para que a detecção de anomalias considere o contexto de tendências repetitivas ou ciclos naturais dos dados.
Como visualizo os resultados?
O resultado é gerado como um relatório HTML contendo um gráfico renderizado e um resumo das anomalias, que pode ser visualizado diretamente no seu navegador.