Anomalieerkennung in Power BI: Finden Sie heraus, was sich geändert hat und warum

Jeder Analyst kennt die Frustration: Sie überprüfen ein Dashboard und etwas scheint falsch zu sein, aber bei Hunderten von Metriken über Dutzende von Zeiträumen kann die Identifizierung der Anomalie – und die anschließende Erklärung, warum sie aufgetreten ist – stundenlange manuelle Untersuchung erfordern.

Die Anomalieerkennungsfunktion von Power BI kehrt diese Belastung um. Anstatt darauf zu warten, dass Analysten Anomalien entdecken, identifiziert die KI automatisch Datenpunkte, die erheblich von den erwarteten Mustern abweichen, und liefert vorläufige Erklärungen dazu, welche Dimensionen am meisten zur Abweichung beigetragen haben. Die Aufgabe des Analysten verlagert sich von „das Problem finden“ hin zu „die Ergebnisse der KI validieren und die Reaktion festlegen“.

In diesem Leitfaden erfahren Sie, wie die Anomalieerkennung in Power BI funktioniert, wie Sie sie für ein maximales Signal-Rausch-Verhältnis konfigurieren, wie Sie die bereitgestellten Erklärungen interpretieren und wie Sie sie mit Smart Narratives für automatisierte Anomalieberichte integrieren.

Wichtige Erkenntnisse

• Die Anomalieerkennung gilt für Liniendiagramme und Flächendiagramme mit einer Datumsachse, automatisch oder auf Anfrage – Der Algorithmus verwendet eine spektrale Restanalyse in Kombination mit CNN, um kontextbezogene Anomalien zu erkennen – Die Empfindlichkeit steuert den Schwellenwert für das, was als anomal gilt – eine höhere Empfindlichkeit kennzeichnet mehr potenzielle Anomalien
• Erläuterungen analysieren beitragende Dimensionen, um darauf hinzuweisen, welches Segment die Anomalie verursacht hat – Smart Narratives können so konfiguriert werden, dass erkannte Anomalien in Texten in natürlicher Sprache beschrieben werden – Die Anomalieerkennung ist in allen Power BI-Lizenzstufen verfügbar (kein Premium erforderlich) – Die benutzerdefinierte Anomalieerkennung mithilfe von Azure Cognitive Services oder Python kann über die integrierten Funktionen hinausgehen
• Die besten Ergebnisse ergeben sich aus stabilen, saisonkonsistenten Zeitreihen; Volatile Serien führen zu mehr Fehlalarmen

---

Was die Anomalieerkennung bewirkt

Die Anomalieerkennung von Power BI analysiert Zeitreihendaten in einem Linien- oder Flächendiagramm und identifiziert Datenpunkte, die angesichts des historischen Musters außerhalb des erwarteten Wertebereichs liegen. Es verwendet eine Kombination aus:

Spectral Residual (SR)-Algorithmus: Extrahiert das „Restsignal“, nachdem vorhersehbare Trend- und Saisonalitätskomponenten aus der Zeitreihe entfernt wurden. Datenpunkte mit großen Residuen (hohe Abweichung vom Erwarteten) sind Anomaliekandidaten.

Convolutional Neural Network (CNN): Kontextualisiert die Residuen innerhalb des umgebenden Zeitfensters, um echte Anomalien von erwarteter Volatilität zu unterscheiden. Ein Datenpunkt, der isoliert extrem aussieht, kann bei benachbarten Werten normal sein.

Das Ergebnis ist ein Anomaliewert für jeden Datenpunkt. Punkte oberhalb der Empfindlichkeitsschwelle werden als Anomalien markiert und im Diagramm visualisiert.

Was die Anomalieerkennung finden kann:

• Plötzliche Spitzen oder Rückgänge einer Kennzahl, die vom historischen Trend abweichen
• Unerwartete Umkehrungen eines Trends (die Kennzahl, die wuchs, sinkt plötzlich)
• Fehlende erwartete Ereignisse (eine Kennzahl, die jeden Montag ansteigen sollte, erreicht an diesem Montag keinen Anstieg)
• Allmähliche Drift, die das Konfidenzintervall überschreitet

Was die Anomalieerkennung nicht finden kann:

• Anomalien in Nicht-Zeitreihendaten (Balkendiagramme nach Kategorie, Streudiagramme)
• Grundprobleme, bei denen alle historischen Daten falsch sind
• Anomalien in kategorialen oder textuellen Daten
• Änderungen, die innerhalb des historischen Volatilitätsbereichs liegen (normale Schwankungen lösen keine Erkennung aus)

---

Anomalieerkennung aktivieren

Die Anomalieerkennung gilt für Liniendiagramme und Flächendiagramme mit einer Datums-/Zeitachse. Die Aktivierung erfolgt über den Analytics-Bereich.

Schritt 1: Erstellen Sie ein visuelles Liniendiagramm in Power BI Desktop oder dem Power BI-Dienst mit:

• X-Achse: Eine Datums- oder Datum/Uhrzeit-Spalte
• Y-Achse (oder Werte): Eine oder mehrere Kennzahlen

Schritt 2: Wählen Sie das Visual → Analysebereich (Blitzsymbol) → Abschnitt „Anomalien“ → Hinzufügen.

Schritt 3: Erkennungseinstellungen konfigurieren:

Schritt 4: Erklärungsfunktionen konfigurieren:

Aktivieren Sie unter den Anomalieeinstellungen die Option „Erklären durch“, um Dimensionen hinzuzufügen, die Power BI bei der Erklärung einer Anomalie analysieren soll. Wählen Sie relevante Dimensionen aus dem Modell aus (Region, Produktkategorie, Kundensegment, Vertriebskanal usw.). Dies sind die Dimensionen, die analysiert werden, wenn ein Benutzer auf eine Anomalie klickt, um eine Erklärung zu erhalten.

---

Erklärungen zu Anomalien verstehen

Wenn ein Benutzer auf eine Anomaliemarkierung im Liniendiagramm klickt, wird ein Seitenbereich mit einer Erklärung geöffnet – einer Analyse, welche Dimensionen am meisten zur Anomalie beigetragen haben.

Die Erklärung zeigt:

Anomaliezusammenfassung: Der erwartete Wert für diesen Punkt, der tatsächliche Wert und das Ausmaß der Abweichung.

Mitwirkende Faktoren: Eine Rangliste von Dimensions-Wert-Kombinationen, die die Anomalie erklären. Wenn der Umsatz beispielsweise an einem bestimmten Datum eine Anomalie aufweist, könnte die Erklärung wie folgt lauten:

• „Die Region West trug 68 % zur Anomalie bei“ – was bedeutet, dass die Einnahmen der Region West an diesem Tag unverhältnismäßig niedrig waren
• „Die Kategorie Elektronik trug 22 % zur Anomalie bei“ – Insbesondere die Elektronik schnitt schlecht ab
• „Das Unternehmenskundensegment trug 15 % zur Anomalie bei“ – Die Unternehmensumsätze waren ungewöhnlich niedrig

Stärkewert: Wie sehr jeder Faktor die Anomalie erklärt (ausgedrückt als Prozentsatz der Gesamtanomalie). Faktoren mit hohen Festigkeitswerten sind die wahrscheinlichsten Ursachen.

Unterstützende Visualisierungen: Kleine Diagramme, die das Verhalten der beitragenden Dimension zeigen – ein Mini-Balkendiagramm, das die Leistung der einzelnen Regionen an diesem Tag zeigt und den Rückgang der Region West visuell sichtbar macht.

---

Empfindlichkeitsabstimmung

Der Empfindlichkeitsschieberegler (0–100) steuert, wie aggressiv Power BI Anomalien kennzeichnet. Die richtige Abstimmung ist entscheidend für ein brauchbares Signal-Rausch-Verhältnis.

Zu hohe Empfindlichkeit (90–100): Fast jeder lokale Höchst- oder Tiefpunkt wird als Anomalie gekennzeichnet. Der Analyst wird mit Fehlalarmen überhäuft und vertraut der Erkennung nicht mehr. Der „Junge, der den Wolf weinte“-Effekt macht die Funktion nutzlos.

Zu niedrige Empfindlichkeit (10–30): Nur die extremsten Ereignisse werden markiert. Eine allmähliche Verschlechterung, die frühzeitig erkannt werden sollte, rutscht ab. Kleinere Anomalien, die Frühwarnsignale darstellen, werden übersehen.

Die richtige Empfindlichkeit hängt von den Eigenschaften der Zeitreihe ab:

• Reihe mit geringer Volatilität (Kundenzufriedenheitswert, der sich normalerweise um 0,2 Punkte pro Woche bewegt): Eine hohe Sensitivität (70–85) ist angemessen – selbst kleine Abweichungen sind bemerkenswert
• Serien mit hoher Volatilität (tägliche Website-Sitzungen): Eine geringere Empfindlichkeit (40–60) verhindert, dass normale tägliche Schwankungen angezeigt werden
• Stark saisonale Reihen (Einzelhandelsumsätze mit Wochen- und Feiertagsmustern): Mittlere Empfindlichkeit mit längeren historischen Fenstern zum Trainieren des Saisonalitätsmodells

Praktischer Optimierungsansatz: Stellen Sie die Empfindlichkeit auf 70 (Standard) ein und führen Sie die Erkennung anhand von Verlaufsdaten aus mehr als 12 Monaten aus. Überprüfen Sie jede gemeldete Anomalie und klassifizieren Sie sie als „wahr“ (etwas hat sich tatsächlich geändert) oder „falsch“ (normale Abweichung). Wenn mehr als 30 % falsch positive Ergebnisse sind, verringert sich die Empfindlichkeit. Wenn Sie von Ereignissen wissen, die hätten gekennzeichnet werden sollen, dies aber nicht der Fall war, melden Sie es.

---

Anomalieerkennung für die Geschäftsüberwachung

Die wirkungsvollste Anwendung der Power BI-Anomalieerkennung ist die operative Geschäftsüberwachung – bei der die Dashboards kontinuierlich überprüft werden und Anomalien Maßnahmen auslösen müssen.

Umsatzüberwachung: Täglicher Umsatz, der anhand des saisonalen Musters überwacht wird. Eine Anomalie an einem Dienstag im März ohne geplante Werbeaktionen oder Feiertage löst eine Untersuchung aus. Die Erklärung zeigt, dass der Umsatz des nordamerikanischen Kanals 40 % unter den Erwartungen lag – die Ursache war offenbar ein Website-Ausfall, der den Checkout sechs Stunden lang beeinträchtigte.

Finanzüberwachung: Monatliche Ausgaben im Vergleich zum Budget und Vorjahr. Eine Anomalie in der Versorgungsleitung weist auf einen Anstieg um 35 % hin. Die Erklärung führt es auf eine bestimmte Anlage zurück – einen HVAC-Fehler, der eine Notfallreparatur erforderte.

Überwachung des Kundendienstes: Das tägliche Ticketvolumen wird im Vergleich zur erwarteten Auslastung verfolgt. Eine Anomaliespitze löst eine Untersuchung aus – die Erklärung zeigt, dass sie sich auf die Kategorie Produktsupport und eine bestimmte Produktversion konzentriert, was auf einen Softwarefehler hinweist.

Überwachung der Lieferkette: Tägliche Pünktlichkeitsraten werden angezeigt, wenn sie unter historische Muster fallen. Die Erklärung verweist auf einen bestimmten Spediteur und eine bestimmte geografische Zone, sodass das Logistikteam den Spediteur sofort kontaktieren kann.

In jedem Fall beginnt die Untersuchung des Analysten mit der Erklärung der Anomalieerkennung und nicht bei Null, was die durchschnittliche Zeit bis zur Diagnose drastisch verkürzt.

---

Integration mit Smart Narratives

Smart Narratives können so konfiguriert werden, dass sie in Liniendiagrammen erkannte Anomalien beschreiben und die visuellen Anomaliemarkierungen in Klartexterklärungen umwandeln, die für Geschäftsberichte oder automatisierte Zusammenfassungen geeignet sind.

Hinzufügen intelligenter Erzählungen zur Beschreibung von Anomalien:

1. Fügen Sie ein Smart Narratives-Visual zur gleichen Berichtsseite hinzu wie das anomaliefähige Liniendiagramm
2. Das Smart Narratives-Visual generiert automatisch Text basierend auf dem, was es in den Visuals des Berichts beobachtet
3. Passen Sie die Erzählvorlage so an, dass sie eine anomaliespezifische Sprache enthält

Intelligente Erzählungen + Anomalieerkennung in einem monatlichen Geschäftsbericht könnten zu Folgendem führen:

• „Der monatliche Umsatz von 4,2 Millionen US-Dollar lag 380.000 US-Dollar unter der erwarteten Spanne des Modells von 4,4 bis 4,7 Millionen US-Dollar, was eine statistisch signifikante Anomalie darstellt. Der nordamerikanische E-Commerce-Kanal war für 71 % des Defizits verantwortlich, wobei die Leistung von 1,8 Millionen US-Dollar in den Vormonaten auf 1,1 Millionen US-Dollar zurückging. Diese Divergenz begann am 14. und hielt bis zum Monatsende an, was mit der Website-Infrastruktur zusammenfiel Migration.“*

Diese Erzählung wird automatisch aus den Daten generiert – es ist kein manuelles Schreiben erforderlich. Es wird jedes Mal aktualisiert, wenn der Bericht aktualisiert wird, sodass es für automatisierte monatliche Berichte geeignet ist.

---

Erweiterte Anomalieerkennung mit Azure und Python

Die integrierte Anomalieerkennung von Power BI deckt die meisten Anwendungsfälle ab, für erweiterte Szenarien ist jedoch möglicherweise Folgendes erforderlich:

Azure Cognitive Services Anomaly Detector API: Die dedizierte Anomalieerkennungs-API von Microsoft unterstützt die multivariate Anomalieerkennung (das gleichzeitige Auffinden von Anomalien, die in Kombinationen von Metriken auftreten), eine ausgefeiltere Saisonalitätsbehandlung und die Streaming-Anomalieerkennung. Power BI kann Ergebnisse der Anomaly Detector-API anzeigen, indem die Anomaliebewertungen und Erklärungen aus der API-Antwort importiert werden.

Python-basierte Anomalieerkennung: Die visuelle Python-Unterstützung von Power BI ermöglicht die Ausführung benutzerdefinierter Anomalieerkennungsalgorithmen in einem Power BI-Bericht. Bibliotheken wie pyod, die Isolationsstruktur von scikit-learn oder prophet (Facebooks Zeitreihen-Prognosebibliothek, die Anomaliegrenzen enthält) können als Python-Skripte implementiert werden, die Anomaliebewertungen generieren, die als Power BI-Visual angezeigt werden.

Benutzerdefiniertes Python-Beispiel mit Prophet:

from prophet import Prophet
import pandas as pd

# dataset is the Power BI dataset passed to the Python visual
df = dataset.rename(columns={'Date': 'ds', 'Revenue': 'y'})

m = Prophet(interval_width=0.95, daily_seasonality=True)
m.fit(df)

future = m.make_future_dataframe(periods=0)
forecast = m.predict(future)

result = df.merge(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']], on='ds')
result['is_anomaly'] = (result['y'] < result['yhat_lower']) | (result['y'] > result['yhat_upper'])

# Power BI renders the result dataframe as a visual
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
plt.plot(result['ds'], result['y'], color='blue', label='Actual')
plt.fill_between(result['ds'], result['yhat_lower'], result['yhat_upper'], alpha=0.3, label='Expected Range')
plt.scatter(result[result['is_anomaly']]['ds'], result[result['is_anomaly']]['y'], color='red', zorder=5, label='Anomaly')
plt.legend()
plt.show()

---

Häufig gestellte Fragen

Funktioniert die Anomalieerkennung mit allen Power BI-Lizenztypen?

Ja. Die integrierte Anomalieerkennungsfunktion ist in allen Power BI-Lizenzstufen verfügbar – einschließlich Power BI Pro und sogar dem kostenlosen Power BI Desktop für die Entwicklung. Für die grundlegende Anomalieerkennungsfunktion ist keine Premium-Kapazität erforderlich. Die KI-Funktionen, die Premium erfordern (wie KI-Einblicke in Datenflüsse, AutoML und einige Cognitive Services-Integrationen), sind von der Funktion des visuellen Analysebereichs zur Anomalieerkennung getrennt.

Wie viele historische Daten benötigt die Anomalieerkennung, um gut zu funktionieren?

Die Anomalieerkennung von Power BI funktioniert am besten mit Daten von mindestens 12 Monaten, wodurch wöchentliche und monatliche Saisonalitätsmuster erlernt werden können. Bei Daten von weniger als drei Monaten kann der Algorithmus das „normale“ Verhalten möglicherweise nicht genau charakterisieren, was zu mehr Fehlalarmen in Zeiträumen führt, die im Trainingsfenster nicht gut dargestellt sind. Bei stark saisonabhängigen Unternehmen (Einzelhandel, Tourismus) verbessert eine mehr als zweijährige Historie die Genauigkeit erheblich.

Kann die Anomalieerkennung bei prognostizierten zukünftigen Daten funktionieren?

Die integrierte Anomalieerkennung ist für historische Daten konzipiert – sie identifiziert vergangene Datenpunkte, die von dem Muster aller vorherigen Daten abgewichen sind. Es werden keine Anomalien auf zukünftige Prognosewerte projiziert. Für die zukunftsgerichtete Anomalievorhersage (z. B. „Unsere aktuelle Flugbahn ist anomal und wird wahrscheinlich anhalten“) sind benutzerdefinierte Python- oder Azure ML-Modelle erforderlich.

Wie geht Power BI mit mehreren Serien bei der Anomalieerkennung um?

Wenn ein Liniendiagramm mehrere Reihen aufweist (mehrere Kennzahlen im selben Diagramm), wird die Anomalieerkennung für jede Reihe unabhängig ausgeführt. Jede Reihe hat ihren eigenen erwarteten Wertebereich, ihre eigenen Anomaliemarkierungen und ihre eigenen Erklärungen beim Klicken. Dies ermöglicht die gleichzeitige Überwachung mehrerer verwandter Metriken – beispielsweise die Verfolgung von Umsatz und Bruttomarge im selben Diagramm mit der Anomalieerkennung, die unerwartete Abweichungen in beiden Metriken anzeigt.

Kann ich Warnungen einrichten, die ausgelöst werden, wenn eine Anomalie erkannt wird?

Der native Warnmechanismus von Power BI auf Dashboards kann ausgelöst werden, wenn eine datengesteuerte Warnbedingung erfüllt ist (z. B. wenn ein KPI-Kachelwert unter einen Schwellenwert fällt). Dies ist nicht direkt in das statistische Modell der Anomalieerkennung integriert. Für automatisierte Anomaliewarnungen, die das KI-Erkennungsmodell verwenden, besteht der aktuelle Ansatz darin, Anomaliebewertungen in einem Datenfluss zu berechnen (mithilfe der Azure Anomaly Detector-API) und Dashboard-Warnungen für die resultierende Anomaliebewertungsmetrik festzulegen, die einen Schwellenwert überschreitet. Die native Integration zwischen Anomalieerkennung und Power Automate-Warnungen steht auf der Roadmap von Microsoft.

---

Nächste Schritte

Die Anomalieerkennung verwandelt reaktive Analysen – das Erkennen von Problemen, nachdem sie sich bereits auf das Unternehmen ausgewirkt haben – in eine proaktive Überwachung, die Signale frühzeitig erkennt und die Untersuchungsbemühungen dorthin lenkt, wo sie wichtig sind. In Kombination mit Smart Narratives ermöglicht es ein automatisiertes Anomalie-Reporting, das Stakeholder ohne manuellen Aufwand auf dem Laufenden hält.

Zu den Power BI AI-Analysediensten von ECOSIRE gehören die Implementierung der Anomalieerkennung, die Sensitivitätsoptimierung, die Smart Narratives-Konfiguration und die erweiterte Anomalieerkennung mithilfe von Azure Cognitive Services. Kontaktieren Sie uns, um zu besprechen, wie KI-gestützte Analysen Ihre Überwachungs- und Entscheidungsprozesse verbessern können.