Power BI'da Anormallik Tespiti: Neyin ve Neden Değiştiğini Bulma

Her analist bu hayal kırıklığını bilir: Bir kontrol panelini inceliyorsunuz ve bir şeyler ters görünüyor, ancak düzinelerce zaman dilimindeki yüzlerce ölçümle anormalliği tanımlamak ve ardından bunun neden olduğunu açıklamak, saatlerce süren manuel araştırma gerektirebilir.

Power BI'ın anormallik algılama özelliği bu yükü tersine çevirir. Yapay zeka, analistlerin anormallikleri keşfetmesini beklemek yerine, beklenen kalıplardan önemli ölçüde sapan veri noktalarını otomatik olarak tanımlar ve sapmaya en çok hangi boyutların katkıda bulunduğuna dair ön açıklamalar sağlar. Analistin görevi "sorunu bulmaktan" "yapay zekanın bulgularını doğrulamaya ve tepkiyi belirlemeye" doğru değişiyor.

Bu kılavuz, Power BI'da anormallik algılamanın nasıl çalıştığını, maksimum sinyal-gürültü oranı için nasıl yapılandırılacağını, sağladığı açıklamaların nasıl yorumlanacağını ve otomatik anormallik raporlaması için Akıllı Anlatılar ile nasıl entegre edileceğini kapsar.

Önemli Çıkarımlar

• Anormallik tespiti, otomatik olarak veya isteğe bağlı olarak çizgi grafikleri ve tarih eksenli alan grafikleri için geçerlidir
• Algoritma, bağlamsal anormallikleri tespit etmek için CNN ile birlikte spektral kalıntı analizini kullanır
• Hassasiyet, neyin anormal sayılacağına ilişkin eşiği kontrol eder; daha yüksek hassasiyet, daha fazla potansiyel anormalliği işaretler
• Açıklamalar, anormalliğe hangi dilimin neden olduğunu önermek için katkıda bulunan boyutları analiz eder
• Akıllı Anlatılar, doğal dil metninde tespit edilen anormallikleri tanımlayacak şekilde yapılandırılabilir
• Anormallik tespiti tüm Power BI lisans katmanlarında mevcuttur (Premium gerekmez)
• Azure Bilişsel Hizmetler veya Python kullanılarak yapılan özel anormallik tespiti, yerleşik yeteneklerin ötesine geçebilir
• En iyi sonuçlar istikrarlı, mevsimsel olarak tutarlı zaman serilerinden gelir; uçucu seriler daha fazla yanlış pozitif üretir

---

Anormallik Tespiti Ne Yapar?

Power BI'ın anormallik algılama özelliği, bir çizgi veya alan grafiğindeki zaman serisi verilerini analiz eder ve tarihsel modele göre beklenen değer aralığının dışında kalan veri noktalarını tanımlar. Aşağıdakilerin bir kombinasyonunu kullanır:

Spektral Kalıntı (SR) algoritması: Zaman serisinden öngörülebilir eğilim ve mevsimsellik bileşenlerini çıkardıktan sonra "artık" sinyali çıkarır. Büyük artıklara (beklenenden yüksek sapma) sahip veri noktaları anormallik adayıdır.

Evrişimsel Sinir Ağı (CNN): Gerçek anormallikleri beklenen dalgalanmalardan ayırmak için çevredeki zaman penceresi içindeki artıkları bağlamsallaştırır. Tek başına aşırı görünen bir veri noktası, bitişik değerler göz önüne alındığında normal olabilir.

Sonuç, her veri noktası için bir anormallik puanıdır. Hassasiyet eşiğinin üzerindeki noktalar anormallik olarak işaretlenir ve grafikte görselleştirilir.

Anormallik algılamanın bulabileceği şeyler:

• Bir metrikte tarihsel trendden sapan ani yükselişler veya düşüşler
• Bir trendin beklenmedik şekilde tersine dönmesi (büyüyen metrik aniden düşer)
• Beklenen etkinliklerin eksik olması (her Pazartesi artması gereken bir ölçüm, bu Pazartesi yükselmiyor)
• Güven aralığını aşan kademeli sapma

Anormallik algılamanın bulamadığı durumlar:

• Zaman serisi olmayan verilerdeki anormallikler (kategoriye göre çubuk grafikler, dağılım grafikleri)
• Tüm geçmiş verilerin yanlış olduğu temel sorunlar
• Kategorik veya metinsel verilerdeki anormallikler
• Geçmişteki volatilite aralığındaki değişiklikler (normal varyasyon tespit edilmeyi tetiklemez)

---

Anormallik Algılamayı Etkinleştirme

Anormallik algılama, tarih/saat eksenine sahip çizgi grafikleri ve alan grafikleri için geçerlidir. Analitik bölmesi aracılığıyla etkinleştirilir.

1. Adım: Power BI Desktop'ta veya Power BI hizmetinde aşağıdakileri kullanarak bir çizgi grafik görseli oluşturun:

• X ekseni: Bir tarih veya tarihsaat sütunu
• Y ekseni (veya değerleri): Bir veya daha fazla hesaplama

2. Adım: Görsel → Analiz bölmesini (yıldırım simgesi) → Anormallikler bölümünü → Ekle'yi seçin.

3. Adım: Algılama ayarlarını yapılandırın:

4. Adım: Açıklama özelliklerini yapılandırın:

Anomali ayarları altında, Power BI'ın bir anormalliği açıklarken analiz etmesi gereken boyutları eklemek için "Açıklama ölçütü"nü etkinleştirin. Modelden ilgili boyutları seçin (Bölge, Ürün Kategorisi, Müşteri Segmenti, Satış Kanalı vb.). Bunlar, bir kullanıcı açıklama almak için bir anormalliğe tıkladığında analiz edilecek boyutlardır.

---

Anormallik Açıklamalarını Anlamak

Kullanıcı çizgi grafiğindeki bir anormallik işaretleyicisini tıkladığında, anormalliğe en çok hangi boyutların katkıda bulunduğunun analizini içeren bir açıklama gösteren bir yan panel açılır.

Açıklama şunu gösterir:

Anormallik özeti: Bu nokta için beklenen değer, gerçek değer ve sapmanın büyüklüğü.

Katkıda bulunan faktörler: Anormalliği açıklayan boyut-değer kombinasyonlarının sıralanmış listesi. Örneğin, gelirde belirli bir tarihte anormallik varsa açıklama şunları gösterebilir:

• "Batı Bölgesi anormalliğin %68'ine katkıda bulundu" - yani Batı Bölgesi'nin geliri o gün orantısız derecede düşüktü
• "Elektronik kategorisi anormalliğin %22'sine katkıda bulundu" — Elektronik özellikle düşük performans gösterdi
• "Kurumsal müşteri segmenti anormalliğin %15'ini oluşturdu" — Kurumsal satışlar alışılmadık derecede düşüktü

Güç puanı: Her bir faktörün anormalliği ne kadar açıkladığı (toplam anomalinin yüzdesi olarak ifade edilir). Yüksek güç puanına sahip faktörler en olası temel nedenlerdir.

Destekleyici görselleştirmeler: Katkıda bulunan boyutun davranışını gösteren küçük grafikler — Batı Bölgesi'ndeki düşüşü görsel olarak belirgin hale getiren, o gün bölge bölge performansı gösteren bir mini çubuk grafik.

---

Hassasiyet Ayarı

Duyarlılık kaydırıcısı (0-100), Power BI'ın anormallikleri ne kadar agresif bir şekilde işaretleyeceğini denetler. Bunu doğru şekilde ayarlamak, faydalı bir sinyal-gürültü oranı için kritik öneme sahiptir.

Çok yüksek hassasiyet (90–100): Hemen hemen her yerel zirve veya çukur, anormallik olarak işaretlenir. Analist yanlış pozitiflerle boğulur ve tespite güvenmeyi bırakır. "Kurt ağlayan çocuk" efekti, özelliği işe yaramaz hale getirir.

Çok düşük hassasiyet (10–30): Yalnızca en ekstrem olaylar işaretlenir. Erken yakalanması gereken kademeli bozulma gözden kaçar. Erken uyarı sinyali olan küçük anormallikler gözden kaçar.

Doğru hassasiyet zaman serisi özelliklerine bağlıdır:

• Düşük volatilite serisi (normalde haftada 0,2 puan hareket eden müşteri memnuniyeti puanı): Yüksek hassasiyet (70-85) uygundur — küçük sapmalar bile dikkate değerdir
• Yüksek volatilite serisi (günlük web sitesi oturumları): Daha düşük hassasiyet (40-60), normal günlük değişimin işaretlenmesini önler
• Güçlü sezon serileri (haftalık ve tatil modellerine sahip perakende satışlar): Sezonsallık modelini eğitmek için daha uzun geçmiş aralıklara sahip orta hassasiyet

Pratik ayarlama yaklaşımı: Hassasiyeti 70'e (varsayılan) ayarlayın ve algılamayı 12+ aylık geçmiş veriler üzerinde çalıştırın. İşaretlenen her anormalliği inceleyin ve bunu "doğru" (gerçekte değişen bir şey) veya "yanlış" (normal değişim) olarak sınıflandırın. %30'dan fazlası yanlış pozitif ise hassasiyeti azaltın. İşaretlenmesi gereken ancak işaretlenmeyen olaylar biliyorsanız bunu yükseltin.

---

İş İzleme için Anormallik Tespiti

Power BI anormallik tespitinin en etkili uygulaması operasyonel iş izlemedir; burada panolar sürekli olarak incelenir ve anormalliklerin eylem tetiklemesi gerekir.

Satış takibi: Günlük gelir sezonsal düzene göre izlenir. Mart ayında Salı günü planlanmış bir promosyon veya tatilin olmadığı bir anormallik soruşturmayı tetikler. Açıklama, Kuzey Amerika kanal gelirinin beklenenin %40 altında olduğunu gösteriyor; bunun nedeninin, ödemeyi 6 saat boyunca etkileyen bir web sitesi kesintisi olduğu ortaya çıktı.

Finansal izleme: Bütçeye ve önceki yıla göre izlenen aylık giderler. Kamu hizmetleri hattındaki bir anormallik %35'lik bir artışa işaret ediyor. Açıklama, bunun belirli bir tesise, yani acil onarım gerektiren HVAC arızasına dayandığını gösteriyor.

Müşteri hizmetleri izleme: Beklenen yüke göre takip edilen günlük bilet hacmi. Bir anormallik artışı araştırmayı tetikler; açıklama bunun ürün destek kategorisinde ve belirli bir ürün sürümünde yoğunlaştığını gösterir ve bu da bir yazılım hatasına işaret eder.

Tedarik zinciri izleme: Günlük zamanında teslimat oranları, geçmiş modellerin altına düştüğünde işaretlenir. Açıklama, belirli bir taşıyıcıya ve belirli bir coğrafi bölgeye işaret ederek lojistik ekibinin taşıyıcıyla hemen iletişime geçmesine olanak tanıyor.

Her durumda, analistin araştırması sıfırdan ziyade anormallik tespitinin açıklamasıyla başlar ve tanıya kadar geçen ortalama süre önemli ölçüde azalır.

---

Akıllı Anlatılarla Entegrasyon

Akıllı Anlatılar, görsel anormallik işaretleyicilerini yönetici raporları veya otomatik özetler için uygun düz dilli metin açıklamalarına dönüştürerek çizgi grafiklerinde tespit edilen anormallikleri tanımlayacak şekilde yapılandırılabilir.

Anormallikleri tanımlamak için Akıllı Anlatılar ekleme:

1. Anomalinin etkin olduğu çizgi grafikle aynı rapor sayfasına bir Akıllı Anlatılar görseli ekleyin
2. Akıllı Anlatılar görseli, raporun görsellerinde gözlemlediklerine göre otomatik olarak metin oluşturur
3. Anomaliye özgü dili içerecek şekilde anlatım şablonunu özelleştirin

Aylık yönetici raporunda Akıllı Anlatılar + Anormallik Tespiti şunları sağlayabilir:

"Aylık 4,2 milyon dolar gelir, modelin beklenen 4,4 milyon dolar - 4,7 milyon dolar aralığının 380 bin dolar altındaydı ve bu istatistiksel olarak anlamlı bir anormalliğe işaret ediyordu. Kuzey Amerika e-ticaret kanalı açığın %71'ini oluşturdu ve performans önceki aylarda 1,8 milyon dolardan 1,1 milyon dolara düştü. Bu farklılık ayın 14'ünde başladı ve web sitesi altyapısıyla aynı zamana denk gelecek şekilde ay sonuna kadar devam etti. geçiş."

Bu anlatım verilerden otomatik olarak oluşturulur; manuel yazmaya gerek yoktur. Rapor her yenilendiğinde güncellenir, bu da onu otomatik aylık raporlamaya uygun hale getirir.

---

Azure ve Python ile Gelişmiş Anormallik Tespiti

Power BI'ın yerleşik anormallik algılama özelliği çoğu kullanım durumunu kapsar ancak gelişmiş senaryolar aşağıdakileri gerektirebilir:

Azure Bilişsel Hizmetler Anomali Algılayıcı API'si: Microsoft'un özel anormallik algılama API'si, çok değişkenli anormallik algılamayı (aynı anda metrik kombinasyonlarında görünen anormallikleri bulma), daha karmaşık sezonsallık işlemeyi ve akış anormalliği algılamayı destekler. Power BI, API yanıtındaki anormallik puanlarını ve açıklamalarını içe aktararak Anomali Algılayıcı API'sinden sonuçları görüntüleyebilir.

Python tabanlı anormallik algılama: Power BI'nın Python görsel desteği, özel anormallik algılama algoritmalarının Power BI raporunda çalıştırılmasına olanak tanır. pyod, scikit-learn izolasyon ormanı veya prophet (Facebook'un anormallik sınırlarını içeren zaman serisi tahmin kitaplığı) gibi kitaplıklar, Power BI görseli olarak görüntülenen anormallik puanları oluşturan Python komut dosyaları olarak uygulanabilir.

Peygamber kullanan özel Python örneği:

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()

---

Sıkça Sorulan Sorular

Anormallik algılama tüm Power BI lisans türleriyle çalışır mı?

Evet. Yerleşik anormallik algılama özelliği, Power BI Pro ve hatta geliştirme için ücretsiz Power BI Desktop dahil olmak üzere tüm Power BI lisans katmanlarında mevcuttur. Temel anormallik algılama özelliği için Premium kapasiteye gerek yoktur. Premium gerektiren yapay zeka özellikleri (veri akışlarındaki yapay zeka öngörüleri, AutoML ve bazı Bilişsel Hizmetler entegrasyonları gibi) anormallik algılama görsel analiz bölmesi özelliğinden ayrıdır.

Anormallik tespitinin iyi çalışması için ne kadar geçmiş veriye ihtiyaç vardır?

Power BI'ın anormallik tespiti en iyi şekilde en az 12 aylık verilerle çalışır; bu da onun haftalık ve aylık sezonluk kalıpları öğrenmesine olanak tanır. 3 aydan az veriyle algoritma "normal" davranışı doğru şekilde karakterize edemeyebilir ve bu da eğitim penceresinde iyi temsil edilmeyen dönemlerde daha fazla hatalı pozitif sonuç alınmasına yol açabilir. Yüksek sezonluk işletmeler (perakende, turizm) için 2 yılı aşkın geçmiş, doğruluğu önemli ölçüde artırır.

Anormallik tespiti geleceğe yönelik tahmin edilen veriler üzerinde çalışabilir mi?

Yerleşik anormallik tespiti, geçmiş veriler için tasarlanmıştır; önceki tüm veriler tarafından oluşturulan modelden sapan geçmiş veri noktalarını tanımlar. Anormallikleri gelecekteki tahmin değerlerine yansıtmaz. İleriye dönük anormallik tahmini için (ör. "mevcut gidişatımız anormal ve muhtemelen devam edecek") özel Python veya Azure ML modelleri gereklidir.

Power BI anormallik algılamada birden fazla seriyi nasıl işler?

Bir çizgi grafiğinde birden fazla seri (aynı grafik üzerinde birden fazla ölçüm) bulunduğunda, anormallik tespiti her seride bağımsız olarak çalışır. Her serinin kendi beklenen değer aralığı, kendi anormallik işaretleri ve tıklandığında kendi açıklamaları vardır. Bu, birden fazla ilgili ölçümün aynı anda izlenmesine olanak tanır; örneğin, her iki ölçümdeki beklenmedik sapmaları işaretleyen anormallik tespiti ile Gelir ve Brüt Marjın aynı grafik üzerinde izlenmesi.

Bir anormallik tespit edildiğinde tetiklenecek uyarıları ayarlayabilir miyim?

Power BI'ın panolardaki yerel uyarı mekanizması, veriye dayalı bir uyarı koşulu karşılandığında (örneğin, bir KPI kutucuğu değeri bir eşiğin altına düştüğünde) tetiklenebilir. Bu, anormallik tespitinin istatistiksel modeliyle doğrudan entegre değildir. Yapay zeka algılama modelini kullanan otomatik anormallik uyarıları için mevcut yaklaşım, bir veri akışındaki anormallik puanlarını hesaplamak (Azure Anomali Dedektörü API'sini kullanarak) ve bir eşiği aşan ortaya çıkan anormallik puanı ölçümüne ilişkin pano uyarılarını ayarlamaktır. Anormallik algılama ve Power Automate uyarıları arasındaki yerel entegrasyon, Microsoft'un yol haritasında yer almaktadır.

---

Sonraki Adımlar

Anormallik tespiti, reaktif analitiği (işletmeyi zaten etkiledikten sonra sorunları tespit ederek) sinyalleri erken yakalayan ve araştırma çabalarını önemli olan yere yönlendiren proaktif izlemeye dönüştürür. Akıllı Anlatılar ile birleştiğinde, paydaşların manuel çaba gerektirmeden bilgilendirilmesini sağlayan otomatik anormallik raporlamasına olanak tanır.

ECOSIRE'ın Power BI AI analiz hizmetleri, Azure Bilişsel Hizmetler kullanılarak anormallik algılama uygulaması, hassasiyet ayarı, Akıllı Anlatılar yapılandırması ve gelişmiş anormallik algılamayı içerir. Yapay zeka destekli analizlerin izleme ve karar verme süreçlerinizi nasıl geliştirebileceğini görüşmek için bizimle iletişime geçin.