Real-Time Intelligence-självstudiekurs del 7: Identifiera avvikelser i en Eventhouse-tabell

Anmärkning

Den här handledningen är en del av en serie. För det föregående avsnittet, se: Realtidsintelligens-självstudiekurs del 6: Skapa en realtidsdashboard.

Avvikelseidentifiering är en funktion i Real-Time Intelligence som hjälper dig att identifiera ovanliga mönster i dina data. I den här delen av självstudien får du lära dig hur du skapar ett avvikelseidentifieringsobjekt på arbetsytan för att identifiera avvikelser i antalet tomma dockor på en station.

Komma igång

1. I det vänstra navigeringsfältet väljer du Realtid för att öppna Real-Time hubben.
2. Under Alla dataströmmar väljer du eventhouse-tabellen TransformedData som du skapade i föregående självstudie. Sidan med tabellinformation öppnas. Välj Identifiera avvikelser på den översta menyn.

Från en Eventhouse-tabell

1. Välj en databas och tabellen eller genvägen som du vill analysera.

2. I det övre verktygsfältet väljer du Skapa avvikelseidentifiering eller väljer alternativet Avvikelseidentifiering från ellipsen (⋯) i databasträdet.

Från Real-Time Hub

1. Välj Real-Time Hub i den vänstra navigeringsrutan.

   

2. Leta reda på tabellen som du vill analysera för avvikelser och gör något av följande steg:

   • Välj ellipsen (⋯) för att öppna tabellens menyfliksområde och välj Avvikelseidentifiering.

     

   • Välj tabellen för att öppna informationssidan. I det övre verktygsfältet väljer du Avvikelseidentifiering.

     

3. På sidan Avvikelseidentifiering väljer du listrutan för Spara till och väljer sedan Skapa detektor.

   

4. På sidan Skapa avvikelseidentifiering väljer du din Fabric arbetsyte, anger ett namn för avvikelseidentifieringen och väljer sedan Skapa.

   

Från knappen Skapa

1. På startsidan för Fabric väljer du ellipsikonen (⋯) och sedan alternativet Skapa.

   

2. I fönstret Skapa väljer du Avvikelseidentifiering under avsnittet Real-Time Intelligence .

   

3. I konfigurationsfönstret Avvikelseidentifiering anger du BikeAnomaliesconfiguration som Namn och väljer den datakälla som du vill analysera.

   

4. Ange BikeAnomaliesconfiguration som Namn.

5. Under Spara till väljer du Skapa detektor.

6. Välj den arbetsyta där du vill skapa avvikelseidentifieringsobjektet och ange BikeAnomalies. Välj sedan Skapa.

7. I fönstret Välj källa väljer du den Eventhouse och tabell som du vill analysera och väljer sedan Lägg till.

   

Konfigurera detektering av avvikelser

1. I avsnittet Välj attribut väljer du följande alternativ:

   Fält	Värde
   Värde att titta på	Inga_Tomma_Dockor
   Gruppera efter	Gata
   Tidsstämpel	Tidsstämpel

   

2. Välj Kör analys.

   Viktigt!

   Analysen tar vanligtvis upp till fyra minuter beroende på din datastorlek och kan köras i upp till 30 minuter. Du kan navigera bort från sidan och checka in igen när analysen är klar.

   Anmärkning

   Se till att din Eventhouse-tabell innehåller tillräckligt med historiska data för att förbättra modellrekommendationerna och noggrannheten för avvikelseidentifiering. Datauppsättningar med en datapunkt per dag kräver till exempel några månaders data, medan datauppsättningar med en datapunkt per sekund kanske bara behöver några dagar.

3. När analysen är klar visas avvikelser tillsammans med tabelldata till höger.

   

   Anmärkning

   Experimentera med identifieringsmodellen under avsnittet Anpassa identifiering och Tidsstämpel ovanför fönstret Detektorresultat . Mer data kan öka noggrannheten för avvikelseidentifiering.

4. Välj Spara.

Relaterat innehåll

Mer information om uppgifter som utförs i den här handledningen finns i:

• Avvikelseidentifiering i Real-Time Intelligence (förhandsversion).

Nästa steg

Real-Time Intelligence-självstudiekurs del 8: Skapa en karta med geospatiala data