摘要:如何識別數據海洋中的暗礁是用戶行為異常行為分析所要探討的問題。在時間序列數據中檢測到與預期行為有偏差的數據對于確保系統的正常運行非常重要。局部異常發生在這種情況下。例如晚上的高活動意味著異常。
“今天我們見證了數據的爆炸式增長:社交媒體數據、系統數據、CRM數據以及大量網絡數據。然而, 在大多數情況下,這些數據告訴了我們用戶行為的常見模式。 數據的異常變化可能是我們系統中的故障或用戶流失的“癥結”所在。
如何識別數據海洋中的“暗礁”是用戶行為異常行為分析所要探討的問題。
▼
▍什么是異常檢測?
異常檢測是在數據中找到不符合“正常”的行為模式的過程。在時間序列數據中檢測到與預期行為有偏差的數據對于確保系統的正常運行非常重要。
一般來說,異常可以分成兩種:
▍全局異常/局部異常
局部異常
很多時候我們可以看到數據的潛在趨勢,看起來像一個“波浪”:早上的活動不足,白天很高,晚上很低。 局部異常發生在這種情況下。 例如:晚上的高活動意味著異常。
全局異常
這是我們最熟悉的那種異常現象。 這是一個隨機出現在平常時間的異常現象。 一般使用95%分位數就可以檢測到。
▍異常檢測方法
我們使用歷史數據來構建由每個被監測的數據的估計值。將實時數據與這些值進行比較,并分配一個分數。
基于從最近的數據觀察得到的閾值,決定實時數據是否為異常。這種方法的優點是閾值不是靜態的,而是實時的。
檢測場景:
tecdat的解決方案從收集網站的行為數據開始。衡量趨勢的三個主要組成部分,即固定趨勢、周期趨勢和季節性數據,分別進行了總結,該算法查找到數據中的異常,向用戶發送自動實時警報。
通過實時的異常數據監測,我們可以清楚地看到網站流量的差異,在發生異常狀況時迅速進行故障排除和修復,減少網站停機,減少潛在客戶的流失。
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/40808.html
摘要:如何識別數據海洋中的暗礁是用戶行為異常行為分析所要探討的問題。在時間序列數據中檢測到與預期行為有偏差的數據對于確保系統的正常運行非常重要。局部異常發生在這種情況下。例如晚上的高活動意味著異常。 showImg(https://segmentfault.com/img/bVUlDV?w=993&h=526);今天我們見證了數據的爆炸式增長:社交媒體數據、系統數據、CRM數據以及大量網絡數...
摘要:如何識別數據海洋中的暗礁是用戶行為異常行為分析所要探討的問題。在時間序列數據中檢測到與預期行為有偏差的數據對于確保系統的正常運行非常重要。局部異常發生在這種情況下。例如晚上的高活動意味著異常。 showImg(https://segmentfault.com/img/bVUlDV?w=993&h=526);今天我們見證了數據的爆炸式增長:社交媒體數據、系統數據、CRM數據以及大量網絡數...
摘要:基于以上背景,研究人員對年至今的電信用戶流失數據進行分析,并建立預測模型,識別出流失概率很高的客戶群體,同時找出哪些用戶特征對用戶流失會有重大影響。 showImg(https://segmentfault.com/img/bVUMPC?w=747&h=384); 原文鏈接 消費者今天會訂閱多個電信服務(電視、付費節目、游戲等)。然而電信供應商提供的服務的差異化程度不高,客戶忠誠度成為...
摘要:基于以上背景,研究人員對年至今的電信用戶流失數據進行分析,并建立預測模型,識別出流失概率很高的客戶群體,同時找出哪些用戶特征對用戶流失會有重大影響。 showImg(https://segmentfault.com/img/bVUMPC?w=747&h=384); 原文鏈接 消費者今天會訂閱多個電信服務(電視、付費節目、游戲等)。然而電信供應商提供的服務的差異化程度不高,客戶忠誠度成為...
閱讀 1035·2021-11-22 13:53
閱讀 1590·2021-11-17 09:33
閱讀 2390·2021-10-14 09:43
閱讀 2850·2021-09-01 11:41
閱讀 2271·2021-09-01 10:44
閱讀 2911·2021-08-31 09:39
閱讀 1448·2019-08-30 15:44
閱讀 1860·2019-08-30 13:02