Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Gewinnen von Erkenntnissen mit maschinellem Lernen (ML) in Amazon Quick Sight
Amazon Quick Sight nutzt maschinelles Lernen, um Ihnen zu helfen, verborgene Erkenntnisse und Trends in Ihren Daten aufzudecken, wichtige Faktoren zu identifizieren und Geschäftskennzahlen zu prognostizieren. Außerdem können Sie diese Insights in natürlichen Sprachbeschreibungen nutzen, die in Dashboards eingebettet sind.
Mithilfe von maschinellem Lernen (ML) und Funktionen für natürliche Sprache bietet Ihnen Amazon Quick Sight Enterprise Edition mehr als nur beschreibende und diagnostische Analysen, sondern ermöglicht Ihnen auch Prognosen und Entscheidungen. Sie können Ihre Daten auf einen Blick verstehen, Ihre Ergebnisse teilen und die besten Entscheidungen entdecken, um Ihre Ziele zu erreichen. Sie können dies ohne Entwicklungsteams und Technologie zum Erstellen der erforderlichen Machine-Learning-Modelle und Algorithmen tun.
Sie haben wahrscheinlich bereits Visualisierungen erstellt, die Fragen dazu beantworten, was geschehen ist, wann, wo und einen Drilldown für die Untersuchung und Identifizierung von Mustern bieten. Mit ML Insights müssen Sie sich nicht mit stundenlangen manuellen Analysen und Untersuchungen abmühen. Sie können aus einer Liste angepasster kontextbezogener Beschreibungen, auch *Autonarratives* genannt, auswählen und sie zu Ihrer Analyse hinzufügen. Zusätzlich zur Auswahl von Autonarratives können Sie Prognosen, Anomalien und Faktoren anzeigen, die zu diesen beitragen. Sie können auch Autonarratives hinzufügen, die wesentliche Erkenntnisse in einfacher Sprache erklären und eine einheitliche datengesteuerte Wahrheit für Ihr Unternehmen bieten.
Während die Zeit vergeht und Daten durch das System fließen, lernt Amazon Quick Sight kontinuierlich dazu, sodass es immer relevantere Erkenntnisse liefern kann. Anstatt zu entscheiden, was die Daten bedeuten, können Sie entscheiden, wie Sie die ausgegebenen Informationen verwenden.
Mit einer gemeinsamen Grundlage basierend auf Machine Learning können alle Ihre Analysten und Beteiligten Trends, Anomalien, Prognosen und benutzerdefinierte Beschreibungen ausmachen, die auf Millionen von Metriken aufbauen. Sie können zugrunde liegende Ursachen ausmachen, Prognosen berücksichtigen, Risiken bewerten und fundierte gerechtfertigte Entscheidungen treffen.
Sie können ein solches Dashboard ohne manuelle Analyse, ohne eigene Entwicklungsfähigkeiten und ohne Verständnis von Machine-Learning-Modellierung oder Algorithmen erstellen. All diese Funktionen sind in Amazon Quick Sight Enterprise Edition integriert.
**Anmerkung**
Machine Learning-Funktionen werden im gesamten Produkt nach Bedarf verwendet. Funktionen, die Machine Learning aktiv verwenden, sind als solche gekennzeichnet.
Mit ML Insights bietet Amazon Quick Sight drei Hauptfunktionen:
+ **ML-gestützte Anomalieerkennung** — Amazon Quick Sight verwendet die bewährte Machine-Learning-Technologie von Amazon, um all Ihre Daten kontinuierlich zu analysieren, um Anomalien (Ausreißer) zu erkennen. Sie können die wichtigsten Faktoren identifizieren, die zu wesentlichen Änderungen Ihrer Geschäftskennzahlen beitragen, wie z. B. higher-than-expected Verkäufe oder einen Rückgang des Traffics auf Ihrer Website. Amazon Quick Sight verwendet den Random Cut Forest-Algorithmus für Millionen von Metriken und Milliarden von Datenpunkten. Dadurch können Sie tiefe Einblicke erhalten, die oft in Aggregaten stecken und über eine manuelle Analyse nicht zugänglich sind.
+ **ML-gestützte Prognosen** — Amazon Quick Sight ermöglicht es technisch nicht versierten Benutzern, ihre wichtigsten Geschäftskennzahlen zuverlässig zu prognostizieren. Der integrierte ML Random Cut Forest-Algorithmus übernimmt automatisch komplexe reale Szenarien wie das Erkennen von Saisonalität und Trends, das Ausschließen von Ausreißern und das Ersetzen fehlender Werte. Sie können auf einfache Weise mit den Daten interagieren. point-and-click
+ **Autonarrative** — Durch die Verwendung von automatischen Erzählungen in Amazon Quick Sight können Sie umfangreiche Dashboards mit eingebetteten Erzählungen erstellen, um die Geschichte Ihrer Daten in einfacher Sprache zu erzählen. So sparen Sie sich unzählige Stunden beim Durchgehen der Diagramme und Tabellen zum Extrahieren der wichtigsten Insights für die Berichterstellung. Darüber hinaus entsteht dadurch ein gemeinsames Verständnis der Daten in Ihrer Organisation, so dass Sie Entscheidungen schneller treffen können. Sie können ein vorgeschlagenes Autonarrative verwenden oder die Berechnungen und die Sprache an Ihre speziellen Anforderungen anpassen. Amazon Quick Sight ist so, als würde man all Ihren Benutzern einen persönlichen Datenanalysten zur Verfügung stellen.
**Topics**
+ [Den von Amazon Quick Sight verwendeten ML-Algorithmus verstehen](concept-of-ml-algorithms.md)
+ [Datensatzanforderungen für die Verwendung von ML-Erkenntnissen mit Amazon Quick Sight](ml-data-set-requirements.md)
+ [Arbeiten mit Erkenntnissen in Amazon Quick Sight](computational-insights.md)
+ [Autonarrative mit Amazon Quick Sight erstellen](narratives-creating.md)
+ [Erkennen von Ausreißern mit ML-gestützter Anomalieerkennung](anomaly-detection.md)
+ [Prognose und Erstellung von Was-wäre-wenn-Szenarien mit Amazon Quick Sight](forecasts-and-whatifs.md)
# Den von Amazon Quick Sight verwendeten ML-Algorithmus verstehen
| |
| --- |
| Sie benötigen keine technische Erfahrung im Bereich maschinelles Lernen, um die ML-gestützten Funktionen in Amazon Quick Sight nutzen zu können. Dieser Abschnitt befasst sich mit den technischen Aspekten des Algorithmus für alle, die seine Funktionsweise genauer kennen lernen möchten. Diese Informationen sind nicht erforderlich, um die Funktionen zu nutzen. |
Amazon Quick Sight verwendet eine integrierte Version des Random Cut Forest (RCF) -Algorithmus. In den folgenden Abschnitten wird erklärt, was das bedeutet und wie es in Amazon Quick Sight verwendet wird.
Sehen wir uns zunächst die dabei verwendete Terminologie an:
+ Anomalie – steht für etwas, das sich durch seine Abweichung von der Mehrheit anderer Dinge in derselben Probe auszeichnet. Auch Ausreißer, Ausnahme, Abweichung usw. genannt.
+ Datenpunkt – eine diskrete Einheit – oder, einfacher ausgedrückt, eine Zeile in einem Datensatz. Eine Zeile kann jedoch mehrere Datenpunkte beinhalten, wenn ein Maß über mehrere Dimensionen hinweg verwendet wird.
+ Entscheidungsstruktur – eine Möglichkeit zur Visualisierung der Entscheidungsfindung des Algorithmus, der Muster in den Daten evaluiert.
+ Prognose – eine Vorhersage künftiger Verhaltensweisen basierend auf aktuellen und vergangenen Verhaltensweisen.
+ Modell – eine mathematische Darstellung des Algorithmus oder dessen, was der Algorithmus lernt.
+ Saisonabhängigkeit – die sich wiederholenden Verhaltensmuster, die in den Zeitseriendaten zyklisch auftreten.
+ Zeitserie – eine geordnete Reihe von Datums- oder Zeitwerten in einem Feld oder einer Spalte.
**Topics**
+ [Was ist der Unterschied zwischen Anomalieerkennung und Prognosen?](difference-between-anomaly-detection-and-forecasting.md)
+ [Was ist RCF?](what-is-random-cut-forest.md)
+ [Wie RCF zum Erkennen von Anomalien angewendet wird](how-does-rcf-detect-anomalies.md)
+ [Wie RCF zum Generieren von Prognosen angewendet wird](how-does-rcf-generate-forecasts.md)
+ [Referenzen für Machine Learning und RCF](learn-more-about-machine-learning-and-rcf.md)
# Was ist der Unterschied zwischen Anomalieerkennung und Prognosen?
Bei der Erkennung von Anomalien werden Ausreißer und deren Einflussfaktoren identifiziert, um die Frage zu beantworten: „Was ist passiert, was normalerweise nicht passiert?“ Prognosen beantworten die Frage: "Wenn alles weiterhin wie erwartet passiert, was geschieht in der Zukunft?" Die Berechnung, die Prognosen erlaubt, ermöglicht uns zu fragen "Wenn sich einige Dinge ändern, was geschieht dann?"
Sowohl die Erkennung von Anomalien als auch die Prognose beginnen mit der Untersuchung der aktuell bekannten Datenpunkte. Die Erkennung von Anomalien durch Amazon Quick Sight beginnt mit dem, was bekannt ist, sodass festgestellt werden kann, was außerhalb des bekannten Datensatzes liegt, und diese Datenpunkte als anomal (Ausreißer) identifizieren. Die Prognosen von Amazon Quick Sight schließen die anomalen Datenpunkte aus und halten sich an das bekannte Muster. Prognosen konzentrieren sich auf das etablierte Muster der Datenverteilung. Im Gegensatz dazu konzentriert sich Anomalieerkennung auf die Datenpunkte, die von dem abweichen, was erwartet wird. Jede Methode geht die Entscheidungsfindung aus einer anderen Richtung an.
# Was ist RCF?
Ein *Random Cut Forest* (RCF) ist eine spezielle Art des *Random Forest* (RF)-Algorithmus, einer weit verbreiteten und erfolgreichen Technik des Machine Learning. Er verwendet eine Reihe von zufälligen Datenpunkten, kürzt sie zu derselben Zahl von Punkten und baut dann eine Sammlung von Modellen auf. Im Gegensatz dazu entspricht ein Modell einer´m Entscheidungsbaum – daher die Bezeichnung als „Wald“. Da sie nicht einfach inkrementell aktualisiert werden RFs können, RCFs wurden Variablen in der Baumkonstruktion verwendet, die so konzipiert wurden, dass sie inkrementelle Aktualisierungen ermöglichen.
Als unbeaufsichtigter Algorithmus verwendet RCF die Cluster-Analyse, um Spitzen in Zeitseriendaten, Periodizitätsunterbrechungen oder Saisonabhängigkeiten sowie Datenpunktausnahmen zu erkennen. Random Cut Forests kann als Synopse oder Skizze eines dynamischen Datenstroms (oder einer zeitindizierten Folge von Zahlen) fungieren. Die Antworten auf unsere Fragen zu dem Stream können aus dieser Synopse kommen. Die folgenden Merkmale betreffen den Stream, sowie, wie wir Verbindungen zur Anomalieerkennung und POrognose herstellen.
+ Ein *Streaming-Algorithmus *ist ein Online-Algorithmus mit einem kleinen Speicherbedarf. Ein Online-Algorithmus trifft seine Entscheidung über den Eingabepunkt indiziert nach Zeit **t**, bevor der **(t\$11)-**te Punkt erkannt wird. Der kleine Speicher ermöglicht flexible Algorithmen, die Antworten mit geringer Latenz erzeugen können und ermöglichen, dass ein Benutzer mit den Daten interagiert.
+ Die Einhaltung der von der Zeit verhängten Anordnung ist wie in einem *Online*-Algorithmus bei der Anomalieerkennung und bei Prognosen erforderlich. Wenn wir bereits wissen, was übermorgen passieren wird, dann ist die Vorhersage, was morgen passiert, keine Prognose, sondern lediglich die Interpolation eines unbekannten fehlenden Werts. Ebenso kann ein neues Produkt, das heute eingeführt wird, eine Anomalie sein, jedoch ist es am Ende des nächsten Quartals vielleicht keine Anomalie mehr.
# Wie RCF zum Erkennen von Anomalien angewendet wird
Ein Mensch kann ganz einfach einen Datenpunkt unterscheiden, der sich von den übrigen Daten abhebt. RCF macht es ähnlich, indem eine „Gesamtstruktur“ („Wald“) von Entscheidungsstrukturen erstellt und anschließend überwacht wird, wie neue Datenpunkte die Gesamtstruktur ändern.
Eine *anomaly* (Anomalie) ist ein Datenpunkt, der Ihre Aufmerksamkeit von normalen Punkten ablenkt – denken sie an ein Image einer roten Blume in einem Feld von gelben Blumen. Diese „Verschiebung der Aufmerksamkeit“ ist in der (erwarteten) Position einer Struktur (d. h., einem Modell in RCF) kodiert, die vom Eingabepunkt belegt wird. Ziel ist es, eine Gesamtstruktur zu erstellen, wobei jede Entscheidungsstruktur aus einer Partition der Daten entsteht, die für die Schulung des Algorithmus gesampelt werden. Technisch ausgedrückt erstellt jede Struktur eine bestimmte Art von binärer Struktur der Speicherpartitionierung für die Stichproben. Während Amazon Quick Sight die Daten abtastet, weist RCF jedem Datenpunkt einen Anomalie-Score zu. Es vergibt höhere Bewertungen an Datenpunkte, die anomal aussehen. Die Bewertung ist annähernd umgekehrt proportional zur resultierenden Tiefe des Punkts in der Struktur. Random Cut Forest weist die Anomaliebewertung durch Berechnung der durchschnittlichen Bewertung jeder einzelnen Struktur und Skalierung des Ergebnisses unter Berücksichtigung der Stichprobengröße zu.
Die Stimmen oder Bewertungen der verschiedenen Modelle werden aggregiert, da jedes der Modelle selbst eine schwache Prognosekraft ist. Amazon Quick Sight identifiziert einen Datenpunkt als ungewöhnlich, wenn sich sein Wert deutlich von den aktuellen Punkten unterscheidet. Was als Anomalie gilt, hängt von der Anwendung ab.
Der paper [Random Cut Forest Based Anomaly Detection On Streams](http://proceedings.mlr.press/v48/guha16.pdf) bietet mehrere Beispiele für diese state-of-the-art Online-Anomalieerkennung (Zeitreihenanomalieerkennung). RCFswerden für zusammenhängende Datensegmente oder „Schindeln“ von Daten verwendet, wobei die Daten im unmittelbaren Segment als Kontext für das jüngste Segment dienen. Vorherige Versionen von RCF-basierten Algorithmen der Anomalieerkennungs bewerten einen ganzen Shingle. Der Algorithmus in Amazon Quick Sight liefert auch eine ungefähre Position der Anomalie im aktuellen erweiterten Kontext. Diese ungefähre Position kann in dem Szenario nützlich sein, in dem es zur Verzögerung für die Erkennung der Anomalie kommt. Verzögerungen treten auf, da jeder Algorithmus "vorher gesehene Abweichungen" in "anomale Abweichungen" kennzeichnen muss, die sich über einen Zeitraum ergeben können.
# Wie RCF zum Generieren von Prognosen angewendet wird
Um den nächsten Wert in einer stationären Zeitsequenz zu prognostizieren, beantwortet der RCF-Algorithmus die Frage: "Was wäre die wahrscheinlichste Fertigstellung, nachdem wir einen als Kandidat identifizierten Wert haben?" Er verwendet eine einzelne Struktur in RCF, um die Suche nach dem besten Kandidaten zu starten. Die Kandidaten in verschiedenen Strukturen werden aggregiert, da jede Struktur selbst eine schwache Prognosekraft ist. Die Aggregation ermöglicht auch die Erzeugung von Quantilfehlern. Dieser Vorgang wird **t**-Mal wiederholt, um den **t**(s)-ten Wert zu prognostizieren.
Der Algorithmus in Amazon Quick Sight heißt *BIFOCAL*. Er verwendet zwei RCFs, um eine CALibrated FOrest BI-Architektur zu erstellen. Der erste RCF wird verwendet, um Anomalien herauszufiltern und eine schwache Prognose zu liefern, die vom zweiten korrigiert wird. Insgesamt ermöglicht dieser Ansatz deutlich robustere Prognosen im Vergleich zu anderen allgemein verfügbaren Algorithmen wie ETS.
Die Anzahl der Parameter im Amazon Quick Sight-Prognosealgorithmus ist deutlich geringer als bei anderen allgemein verfügbaren Algorithmen. Auf diese Weise kann er direkt ohne menschliche Anpassung für eine größere Anzahl von Zeitreihendatenpunkten nützlich sein. Da sich in einer bestimmten Zeitreihe mehr Daten ansammeln, können sich die Prognosen in Amazon Quick Sight an Datenverschiebungen und Musteränderungen anpassen. Für Zeitreihen, die Trends anzeigen, wird die Trendermittlung zuerst durchgeführt, um die Reihe stationär zu machen. Die Prognose der stationären Sequenz wird mit dem Trend zurück projiziert.
Da sich der Algorithmus auf einen effizienten Online-Algorithmus (RCF) stützt, kann er interaktive "Was wäre, wenn"-Abfragen unterstützen. In diesen können einige der Prognosen geändert und als Hypothesen behandelt werden, um bedingte Prognosen zu liefern. Dies ist der Ursprung der Möglichkeit zum Untersuchen von „Was wäre, wenn“-Szenarien während der Analyse.
# Referenzen für Machine Learning und RCF
Für weitere Informationen über Machine Learning und diesen Algorithmus empfehlen wir Ihnen die folgenden Ressourcen:
+ Der Artikel [Robust Random Cut Forest (RRCF): Eine Nicht-mathematische Erläuterung](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/) bietet eine klare Erklärung ohne die mathematischen Gleichungen.
+ Das Buch [*The Elements of Statistical Learning: Data Mining, Inference, and Prediction*, Second Edition (Springer Series in Statistics)](https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576) stellt eine umfassende Grundlage für Machine Learning bereit.
+ [http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf), eine akademische Abhandlung, die tief in die Feinheiten der Anomalieerkennung und der Prognose eindringt, mit Beispielen.
Ein anderer Ansatz für RCF zeigt sich in anderen AWS Diensten. Wenn Sie wissen möchten, wie RCF in anderen Services verwendet wird, vgl.:
+ *Amazon Managed Service für Apache Flink SQL-Referenz:* [https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html)
+ * SageMaker Amazon-Entwicklerhandbuch:* [Random Cut Forest (RCF) -Algorithmus](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html). Dieser Ansatz wird auch in [The Random Cut Forest Algorithm](https://freecontent.manning.com/the-randomcutforest-algorithm/), einem Kapitel in [Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (Oktober 2018) erklärt.
# Datensatzanforderungen für die Verwendung von ML-Erkenntnissen mit Amazon Quick Sight
Um mit der Nutzung der maschinellen Lernfunktionen von Amazon Quick Sight zu beginnen, müssen Sie eine Verbindung zu Ihren Daten herstellen oder diese importieren. Sie können einen vorhandenen Amazon Quick Sight-Datensatz verwenden oder einen neuen erstellen. Sie können Ihre SQL-kompatible Quelle direkt abfragen oder die Daten in SPICE aufnehmen.
Die Daten müssen die folgenden Eigenschaften aufweisen:
+ Mindestens eine Metrik (z. B. Verkäufe, Bestellungen, gelieferte Einheiten, Anmeldungen usw.).
+ Mindestens eine Kategoriedimension (z. B. Produktkategorie, Kanal, Segment, Industrie usw.). Kategorien mit NULL-Werten werden ignoriert.
+ Die Anomalieerkennung erfordert mindestens 15 Datenpunkte für die Schulung. Beispiel: Wenn das Aggregationsintervall Ihrer Daten täglich ist, benötigen Sie Daten von mindestens 15 Tagen. Wenn das Aggregationsintervall monatlich ist, benötigen Sie Daten von mindestens 15 Monaten.
+ Prognosen funktionieren am besten mit mehr Daten. Stellen Sie sicher, dass Ihr Datensatz über genügend historische Daten verfügt, um optimale Ergebnisse zu erzielen. Beispiel: Wenn das Aggregationsintervall Ihrer Daten täglich ist, benötigen Sie Daten von mindestens 38 Tagen. Wenn das Aggregationsintervall monatlich ist, benötigen Sie Daten von mindestens 43 Monaten. Im Folgenden finden Sie die Anforderungen für jedes Aggregationsintervall:
+ Jahre: 32 Datenpunkte
+ Quartale: 35 Datenpunkte
+ Monate: 43 Datenpunkte
+ Wochen: 35 Datenpunkte
+ Tage: 38 Datenpunkte
+ Stunden: 39 Datenpunkte
+ Minuten: 46 Datenpunkte
+ Sekunden: 46 Datenpunkte
+ Wenn Sie Anomalien oder Prognosen analysieren möchten, benötigen Sie auch mindestens eine Datumsdimension.
Wenn Sie über keinen Datensatz verfügen, um zu beginnen, können Sie diesen Beispieldatensatz herunterladen: [ML Insights-Beispieldatensatz VI](samples/ml-insights.csv.zip). Nachdem Sie über einen Datensatz verfügen, erstellen Sie eine neue Analyse anhand des Datensatzes.
# Arbeiten mit Erkenntnissen in Amazon Quick Sight
In Amazon Quick Sight können Sie Ihrer Analyse ready-to-use analytische Berechnungen als Widgets hinzufügen. Sie können mit Insights auf zwei Arten arbeiten:
+ **Vorgeschlagene Erkenntnisse**
Amazon Quick Sight erstellt auf der Grundlage der Interpretation der Daten, die Sie in Ihre Grafiken einfließen lassen, eine Liste mit vorgeschlagenen Erkenntnissen. Die Liste ändert sich je nach Kontext. Mit anderen Worten: Sie können unterschiedliche Vorschläge sehen, je nachdem, welche Felder Sie Ihrer Visualisierung hinzufügen und welche Art von Visualisierung Sie auswählen. Wenn Sie beispielsweise über eine Zeitreihenvisualisierung verfügen, können Ihre Erkenntnisse period-over-period Änderungen, Anomalien und Prognosen beinhalten. Wenn Sie Ihrer Analyse weitere Visualisierungen hinzufügen, generieren Sie mehr vorgeschlagene Insights.
+ **Benutzerdefinierte Erkenntnisse**
Benutzerdefinierte Insights ermöglichen es Ihnen, Ihre eigene Berechnung zu erstellen und Ihre eigenen Worte zu verwenden, um den Kontext für die Felder festzulegen, die im Widget angezeigt werden. Wenn Sie ein benutzerdefiniertes Insight erstellen, fügen Sie es zur Analyse hinzu und wählen dann aus, welche Art von Berechnung Sie verwenden möchten. Anschließend können Sie Text und Formatierungen hinzufügen, damit es so aussieht, wie Sie möchten. Sie können auch weitere Felder, Berechnungen und Parameter hinzufügen.
Sie können eine beliebige Kombination von vorgeschlagenen und benutzerdefinierten Insights zu Ihrer Analyse hinzufügen, um die Entscheidungsfindungsumgebung zu erstellen, die Ihren Anforderungen am besten entspricht.
**Topics**
+ [Hinzufügen vorgeschlagener Insights](adding-suggested-insights.md)
+ [Hinzufügen benutzerdefinierter Insights zu Ihrer Analyse](adding-insights.md)
# Hinzufügen vorgeschlagener Insights
Führen Sie die folgenden Schritte aus, um vorgeschlagene Einsichten zu Ihrer Analyse hinzuzufügen.
Bevor Sie beginnen, stellen Sie sicher, dass Ihr Datensatz die in [Datensatzanforderungen für die Verwendung von ML-Erkenntnissen mit Amazon Quick Sight](ml-data-set-requirements.md) angegebenen Kriterien erfüllt.
1. Beginnen Sie mit einer Analyse, die einige Felder einer Visualisierung hinzufügt.
1. Klicken Sie im linken Bereich auf **Insights**. Das Fenster **Einblicke** wird geöffnet und zeigt eine Liste mit ready-to-use vorgeschlagenen Erkenntnissen an.
Jede Visualisierung zeigt auch ein kleines Feld am oberen Rand an, um anzuzeigen, wie viele Insights für diese Visualisierung verfügbar sind. Sie können dieses Feld zum Öffnen des Bereichs **Einsichten** auswählen, und es öffnet die Ansicht, die Sie zuletzt geöffnet hatten.
Sie können nach unten scrollen, um eine Vorschau weiterer Insights anzuzeigen.
Die Einsichten, die angezeigt werden, werden von dem Datentyp der Felder kontrolliert, die Sie für Ihre Visualisierung auswählen. Diese Liste wird jedes Mal generiert, wenn Sie Ihre Visualisierung ändern. Wenn Sie Änderungen vornehmen, überprüfen Sie **Einsichten**, um zu sehen, was neu ist. Zum Abrufen bestimmter Einsichten vgl. [Hinzufügen benutzerdefinierter Insights zu Ihrer Analyse](adding-insights.md).
1. (Optional) Öffnen Sie das Kontextmenü mit mehr Optionen für eine der Einsichten. Um dies zu tun, wählen Sie die Ellipsen oben rechts vom Insight (**…**).
Die Optionen unterscheiden sich je nach Art von Insight. Die Optionen, mit denen Sie interagieren können, umfassen folgende:
+ **Change the time series aggregation** (Ändern der Zeitreihenaggregation) – In Jahr, Quartal, Monat, Woche, Tag, Stunde oder Minute.
+ **Analyze contributions to metrics** (Analysieren von Beiträgen für Metriken) - Wählen Sie Beitragende und einen Zeitrahmen zum Analysieren aus.
+ **Show all anomalies** (Anzeigen aller Anomalien) – Zum Durchsuchen von Anomalien in diesem Zeitraum.
+ **Edit forecast** (Bearbeiten einer Prognose) – Zum Auswählen einer Prognoselänge, eines Voraussageintervalls und einer Saisonabhängigkeit.
+ **Focus on** (Konzentrieren auf) oder **Exclude** (Ausschließen) – Zum Vergrößern oder Verkleinern Ihrer dimensionalen Daten.
+ **Show details** (Einblenden von Details) – Zum Anzeigen weiterer Informationen zu einer aktuellen Anomalie.
+ Geben Sie Feedback zum Nutzen des Insights in Ihrer Analyse.
1. Fügen Sie ein vorgeschlagenes Insight zu Ihrer Analyse hinzu, indem Sie das Pluszeichen (**\$1**) in der Nähe des Insight-Titels auswählen.
1. (Optional) Nachdem Sie ein Insight zu Ihrer Analyse hinzufügen, passen Sie die Beschreibung an, die angezeigt werden soll. Um dies zu tun, wählen Sie das **v**-förmige Visualisierungsmenü aus und klicken Sie dann auf **Customize narrative (Beschreibung anpassen)**. Weitere Informationen finden Sie unter [Autonarrative mit Amazon Quick Sight erstellen](narratives-creating.md).
Wenn Ihr Insight für Anomalien (Ausreißer) ist, können Sie auch die Einstellungen für den Anomalieerkennungsauftrag ändern. Um dies zu tun, wählen Sie **Configure anomaly (Anomalie konfigurieren)** aus. Weitere Informationen finden Sie unter [Einrichten der ML-gestützten Anomalieerkennung für die die Analyse von Ausreißern](anomaly-detection-using.md).
1. (Optional) Um das Insight aus Ihrer Analyse zu entfernen, wählen Sie das **v**-förmige Visualisierungsmenü oben rechts in der Visualisierung aus. Wählen Sie dann **Löschen** aus.
# Hinzufügen benutzerdefinierter Insights zu Ihrer Analyse
Wenn Sie keines der vorgeschlagenen Insights verwenden möchten, können Sie Ihr eigenes benutzerdefiniertes Insight erstellen. Gehen Sie wie folgt vor, um ein benutzerdefiniertes Berechnungs-Insight zu erstellen.
1. Beginnen Sie mit einer vorhandenen Analyse. Klicken Sie in der oberen Menüleiste auf **Add\$1** (Hinzufügen\$1). Wählen Sie dann **Add Insight (Insight hinzufügen)** aus.
Ein Container für das neue Insight wird zur Analyse hinzugefügt.
1. Führen Sie eine der folgenden Aktionen aus:
+ Wählen Sie aus der Liste die Berechnung aus, die Sie verwenden möchten. Wenn Sie jedes Element auswählen, wird ein Beispiel dieser Einsicht-Ausgabe angezeigt. Wenn Sie das Gewünschte gefunden haben, wählen Sie **Select (Auswählen)** aus.
+ Verlassen Sie dieses Fenster, und passen Sie die Einsicht manuell an. Eine nicht konfigurierte Einsicht verfügt über eine **Customize insight (Einsichtanpassen)**-Schaltfläche. Klicken Sie auf die Schaltfläche, um den **Configure narrative (Beschreibung konfigurieren)**-Bildschirm zu öffnen. Weitere Informationen zur Verwendung des Ausdruckseditors finden Sie unter [Autonarrative mit Amazon Quick Sight erstellen](narratives-creating.md).
Da Sie die Erstellung der Einsicht initiieren, basiert sie nicht auf einer vorhandenen Visualisierung. Wenn die Einsicht zur Analyse hinzugefügt wird, zeigt sie eine Notiz an, aus der hervorgeht, welche Art von Daten erforderlich sind, um Ihre Anforderung abzuschließen. Beispielsweise könnte es **1 Dimension in Zeit** verlangen. In diesem Fall fügen Sie eine Dimension in den Feldbereich **Zeit** ein.
1. Nachdem Sie die richtigen Daten haben, befolgen Sie alle verbleibenden Bildschirmanweisungen, um die Erstellung des benutzerdefinierten Insights abzuschließen.
1. (Optional) Um das Insight aus Ihrer Analyse zu entfernen, wählen Sie das **v**-förmige Visualisierungsmenü oben rechts in der Visualisierung aus. Wählen Sie dann **Löschen** aus.
# Autonarrative mit Amazon Quick Sight erstellen
Bei einem *Autonarrative *handelt es sich um ein natürlichsprachiges Zusammenfassungs-Widget, das beschreibenden Text anstelle von Diagrammen anzeigt. Sie können diese Widgets in Ihrer gesamten Analyse einbetten, um wichtige Insights und Legenden hervorzuheben. Sie müssen keine Visualisierungen durchgehen, Drilldowns ausführen, Werte vergleichen und Ideen erneut überprüfen, um eine Schlussfolgerung zu extrahieren. Außerdem müssen Sie nicht versuchen, zu verstehen, was die Daten bedeuten oder unterschiedliche Interpretationen mit Ihren Kollegen besprechen. Deutlich gesagt können Sie das Ergebnis stattdessen aus den Daten extrapolieren und es in der Analyse anzeigen. Eine einzelne Interpretation kann von allen Benutzern gemeinsam genutzt werden.
Amazon Quick Sight interpretiert die Diagramme und Tabellen in Ihrem Dashboard automatisch und bietet eine Reihe von vorgeschlagenen Erkenntnissen in natürlicher Sprache. Die empfohlenen Insights, die zur Auswahl stehen, sind vorgefertigt und verfügen über Wörter, Berechnungen und Funktionen. Sie können diese jedoch auch ändern. Sie können auch Ihre eigenen entwerfen. Als Autor des Dashboards haben Sie die vollständige Freiheit zum Anpassen der Berechnungen und Sprache für Ihre Anforderungen. Sie können Beschreibungen verwenden, um die Geschichte Ihrer Daten effektiv in einfacher Sprache zu erzählen.
**Anmerkung**
Beschreibungen sind getrennt vom Machine Learning. Sie verwenden ML ausschließlich, wenn Sie ihnen Prognose- oder Anomalieberechnungen (Ausreißer) hinzufügen.
**Topics**
+ [Insights mit Autonarratives](auto-narratives.md)
+ [Verwenden des Narrative-Ausdruckseditors](using-narratives-expression-editor-step-by-step.md)
+ [Der Arbeitsbereich des Ausdruckseditors](using-narratives-expression-editor-menus.md)
+ [Hinzufügen URLs](using-narratives-expression-editor-urls.md)
+ [Arbeiten mit Autonarrative-Berechnungen](auto-narrative-computations.md)
# Insights mit Autonarratives
Wenn Sie einen Insight, auch als Autonarrative bezeichnet, Ihrer Analyse hinzufügen, können Sie aus den folgenden Vorlagen auswählen. In der folgenden Liste sind diese nach Beispiel definiert. Jede Definition enthält eine Liste der mindestens erforderlichen Felder, damit das Autonarrative funktionieren kann. Wenn Sie nur die vorgeschlagenen Insights auf der Registerkarte **Insights** verwenden, wählen Sie die geeigneten Felder, damit ein Insight in der Liste der vorgeschlagenen Insights erscheint.
Weitere Informationen zum Anpassen von Autonarratives (automatischen Beschreibungen) finden Sie unter [Arbeiten mit Autonarrative-Berechnungen](auto-narrative-computations.md).
+ **Bottom ranked** (In der Bewertung ganz unten Stehendes) – Z. B. die unteren drei Zustände nach Umsatz. Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Kategorien** eingeben.
+ **Bottom movers** (Untere Beweger) – Z. B. die unteren drei verkauften Produkte nach Umsatz. Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** und mindestens eine Dimension im Feldbereich **Kategorien** eingeben.
+ **Forecast (Prognose)** *(ML-basiertes Insight) *– z. B. „Der Gesamtverkauf wird für Januar 2016 voraussichtlich 58.613 USD betragen“. Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** eingeben.
+ **Growth rate** (Wachstumsrate) – Z. B. „Die dreimonatige durchschnittliche Wachstumsrate für Verkäufe lautet 22,23 %.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** eingeben.
+ **Maximum** – Z. B. „Der Rekordmonat ist November 2014 mit Verkäufen von 112.326 USD.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** eingeben.
+ **Metric comparison** (Metrischer Vergleich) – Z. B. „Die Gesamtverkäufe für Dezember 2014 liegen bei 90.474 USD, 10 % höher als das Ziel von 81.426 USD.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** und mindestens zwei Messwerte im Feldbereich **Werte** eingeben.
+ **Minimum** – Z. B. „Der schwächste Monat ist Februar 2011 mit Verkäufen von 4.810 USD.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** eingeben.
+ **Erkennung von Anomalien** *(ML-gestützte Insights)* – Zum Beispiel die drei wichtigsten Ausreißer und ihre Einflussfaktoren für den Gesamtumsatz am 3. Januar 2019. Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit**, mindestens einen Messwert im Feldbereich **Werte** und mindestens eine Dimension im Feldbereich **Kategorien** eingeben.
+ **Period over period** (Zeitraum über Zeitraum) – Z. B. „Die Gesamtverkäufe für November 2014 sind um 44,39 % (34.532 USD) von 77.793 USD auf 112.326 USD gestiegen.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** eingeben.
+ **Bisheriger Zeitraum** — Beispiel: „ear-to-dateDer Y-Umsatz am 30. November 2014 stieg um 25,87% (132.236\$1) von 511.236\$1 auf 643.472\$1.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** eingeben.
+ **Top ranked** (In der Bewertung ganz oben Stehendes) – Z. B. die drei Top-Staaten nach Umsatz. Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Kategorien** eingeben.
+ **Top movers** (Obere Beweger) – Z. B. Top-Produkte nach Umsatz für November 2014. Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** und mindestens eine Dimension im Feldbereich **Kategorien** eingeben.
+ **Total aggregation** (Gesamte Aggregation) – Z. B. „Die Gesamterlöse betragen 2.297.200 USD.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Zeit** und mindestens einen Messwert im Feldbereich **Werte** eingeben.
+ **Unique values)** (Eindeutige Werte – Z. B. „Es gibt 793 eindeutige Werte in `Customer_IDs`.“ Erfordert, dass Sie mindestens eine Dimension im Feldbereich **Kategorien** eingeben.
# Verwenden des Narrative-Ausdruckseditors
Die folgende Anleitung zeigt ein Beispiel, wie eine Beschreibung angepasst wird. In diesem Beispiel verwenden wir einen zeitraumbasierten Berechnungstyp.
1. Beginnen Sie mit einer vorhandenen Analyse. Fügen Sie ihr ein **zeitraumbasiertes** Insight hinzu. Die einfachste Möglichkeit dafür besteht darin, das Symbol „\$1“, **Add insight (Insight hinzufügen)** und dann einen Insight-Typ aus der Liste auszuwählen. Um zu erfahren, welche Art von Computing-Insights als Autonarratives hinzugefügt werden können, vgl. [Insights mit Autonarratives](auto-narratives.md).
Nachdem Sie einen Insight-Typ ausgewählt haben, wählen Sie **Select (Auswählen)**, um das Widget zu erstellen. Um eine leere Beschreibung zu erstellen, schließen Sie diesen Bildschirm ohne eine Vorlage auszuwählen. Um diesem Beispiel zu folgen, wählen Sie **Zeitraum über Zeitraum** aus.
Wenn Sie beim Hinzufügen des Insight eine Visualisierung ausgewählt hatten, verfügen die Feldbereiche über vorkonfigurierte Felder für das Datum, die Metrik und die Kategorie. Diese stammen aus der Visualisierung, die Sie beim Erstellen des Insights ausgewählt haben. Sie können die Felder nach Bedarf anpassen.
Sie können eine Beschreibung nur für ein neues oder vorhandenes Insight (textbasiert)-Widget anpassen. Sie können keine zu einer bestehenden Visualisierung (diagrammbasiert) hinzufügen, weil es sich hierbei um eine andere Art von Widget handelt.
1. Bearbeiten Sie den Narrative im Ausdruckseditor, indem Sie das Visualisierungsmenü auswählen und auf **Customize narrative (Narrative anpassen)** klicken.
In diesem Zusammenhang sind **Berechnungen** vordefinierte Berechnungen (period-over-period,, Wachstumsrate period-to-date, Max, Min, Top Movers usw.), auf die Sie in Ihrer Vorlage verweisen können, um Ihre Daten zu beschreiben. Derzeit unterstützt Amazon Quick Sight 13 verschiedene Berechnungstypen, die Sie zu Ihren Erkenntnissen hinzufügen können. In diesem Beispiel **PeriodOverPeriod**wird standardmäßig hinzugefügt, weil wir die Vorlage Period **Over Period** aus dem Bereich mit den vorgeschlagenen Erkenntnissen ausgewählt haben.
1. Wählen Sie rechts unten **Add computation (Berechnung hinzufügen)** aus, um eine neue Berechnung hinzuzufügen, und wählen Sie dann eine aus der Liste aus. Wählen Sie für die Zwecke dieses Walkthrough **Growth rate (Wachstumsrate)** aus und klicken Sie dann auf **Next (Weiter)**.
1. Konfigurieren Sie die Berechnung, indem Sie die Anzahl der Zeiträume auswählen, die Sie berechnen möchten. Der Standardwert ist vier und für unser Beispiel geeignet. Optional können Sie den Namen der Berechnung am oberen Rand des Bildschirms ändern. Für unsere Zwecke lassen Sie den Namen jedoch unverändert.
**Anmerkung**
Die Berechnungsnamen, die Sie erstellen, sind innerhalb des Insights eindeutig. Sie können mehrere Berechnungen desselben Typs in Ihrer Beschreibungsvorlage referenzieren. Beispiel: Angenommen, Sie verfügen über zwei Metriken, Umsätze und verkaufte Einheiten. Sie können Wachstumsratenberechnungen für jede Metrik erstellen, sofern sie unterschiedliche Namen haben.
Anomalieberechnungen sind jedoch nicht kompatibel mit anderen Berechnungstypen im gleichen Widget. Die Anomalieerkennung muss selbst in einem Insight existieren. Zur Verwendung anderer Berechnungen in derselben Analyse, legen Sie sie in Insights, getrennt von Anomalien, ab.
Um fortzufahren, wählen Sie **Add (Hinzufügen)** aus.
1. Erweitern Sie **Computations (Berechnungen)** auf der rechten Seite. Die Berechnungen, die Teil der beschreibenden Anzeige in der Liste sind. In diesem Fall ist es **PeriodOverPeriod**und **GrowthRate**.
1. Fügen Sie im Workspace den folgenden Text nach dem letzten Zeitraum gefolgt von einem Leerzeichen hinzu: **Compounded growth rate for the last**
1. Belassen Sie den Cursor als Nächstes hinter dem Leerzeichen nach dem Wort **last**, um die Berechnung hinzuzufügen. Wählen Sie rechts unter **GrowthRate**den Ausdruck **TimePeriods** aus (klicken Sie nur einmal, um ihn hinzuzufügen).
Dadurch wird der Ausdruck **GrowthRate.timePeriods** eingefügt, der die Anzahl der Perioden ist, für die Sie in der Konfiguration festgelegt haben. **GrowthRate**
1. **Vervollständigen Sie den Satz mit ** days is ** (einem Leerzeichen davor und danach) und fügen Sie den Ausdruck hinzu. GrowthRate compoundedGrowthRate.formattedValue**, gefolgt von einem Punkt (). `.` Wählen Sie den Ausdruck aus der Liste aus, anstatt ihn einzugeben. Sie können jedoch den Inhalt des Ausdrucks bearbeiten, nachdem Sie ihn hinzufügen.
![\[Ausdruckseditor mit offener Ausdrucksliste.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/narrative-add-expression.png)
**Anmerkung**
Der **formattedValue**-Ausdruck gibt eine Zeichenfolge zurück, die basierend auf der Formatierung formatiert wird, die für die Metrik im Feld angewendet wird. Um metrische Berechnungen auszuführen, verwenden Sie stattdessen **value (Wert)**, wobei der Rohwert als Ganzzahl oder Dezimalwert zurückgegeben wird.
1. Fügen Sie eine bedingte Anweisung und Formatierung hinzu. Platzieren Sie den Mauszeiger am Ende der Vorlage, nach dem `formattedValue`-Ausdruck. Fügen Sie bei Bedarf ein Leerzeichen hinzu. Wählen Sie in der Menüleiste **Edit narrative (Narrative bearbeiten)** die Option **Insert code (Code einfügen)** und dann aus der Liste **Inline IF** aus. Ein Ausdrucksblock wird geöffnet.
1. Wählen Sie bei geöffnetem Ausdrucksblock,, **GrowthRate**compoundedGrowthRate****, **Wert** aus der Ausdrucksliste aus. Geben Sie am Ende des Ausdrucks **>0** ein. Wählen Sie **Speichern**. Bewegen Sie Ihren Mauszeiger noch nicht.
Es erscheint eine Eingabeaufforderung für die bedingten Inhalte. Geben Sie **better than expected\$1** ein. Wählen Sie dann den gerade eingegebenen Text aus und stellen Sie ihn mithilfe der Formatierungssymbolleiste grün oder fett dar.
1. Fügen Sie einen anderen Ausdrucksblock für den Fall hinzu, wenn die Wachstumsrate nicht so großartig war, indem Sie den vorherigen Schritt wiederholen. Aber dieses Mal geben Sie **<0** und den Text **worse than expected** ein. Ändern Sie ihn in rot statt grün.
1. Wählen Sie **Speichern**. Die benutzerdefinierte Beschreibung, die wir gerade erstellt haben, sollte in etwa wie folgt aussehen.
![\[Angepasste Beschreibung.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/narrative-example-result.png)
Der Ausdruckseditor bietet Ihnen ein ausgereiftes Tool zum Anpassen Ihrer Beschreibungen. Sie können auch die Parameter referenzieren, die Sie für Ihre Analyse oder Ihr Dashboard erstellen, und eine Reihe von integrierten Funktionen zur weiteren Anpassung verwenden.
**Tipp**
Um eine leere Beschreibung zu erstellen, fügen Sie ein Insight mit dem Symbol **\$1** und anschließend der Option **Add insights (Insights hinzufügen)** hinzu. Aber anstelle der Auswahl einer Vorlage schließen Sie einfach den Bildschirm.
Die beste Möglichkeit, mit dem Anpassen von Beschreibungen zu beginnen, ist die Verwendung vorhandener Vorlagen, um die Syntax zu lernen.
# Der Arbeitsbereich des Ausdruckseditors
Verwenden Sie den Ausdruckseditor, um eine Beschreibung so anzupassen, dass sie Ihren Geschäftsanforderungen am besten entspricht. Die folgenden Informationen bieten einen Überblick über den Arbeitsbereich des Ausdruckseditors und listen alle Menüoptionen auf, die für Ihr Narrativ konfiguriert werden können. Eine exemplarische Vorgehensweise, die Ihnen veranschaulicht, wie Sie ein benutzerdefiniertes Narrativ erstellen, finden Sie unter [Verwenden des Narrative-Ausdruckseditors](using-narratives-expression-editor-step-by-step.md).
Auf der rechten Seite des Bildschirms finden Sie eine Liste der Elemente, die Sie dem Narrative hinzufügen können:
+ **Computations** (Berechnungen) Wählen Sie hiermit unter den Berechnungen aus, die in diesem Insight verfügbar sind. Sie können diese Liste erweitern.
+ **Parameters** (Parameter) – Diese Option dient zur Auswahl aus den in Ihrer Analyse vorhandenen Parametern. Sie können diese Liste erweitern.
+ **Functions** (Funktionen) – Verwenden Sie diese Option, um unter Funktionen auszuwählen, die Sie einem Narrative hinzufügen können. Sie können diese Liste erweitern.
+ **Add computation** (Berechnung hinzufügen) – Verwenden Sie diese Schaltfläche, um eine weitere Berechnung zu erstellen. Neue Berechnungen werden in der Liste **Computations (Berechnungen)** angezeigt und können dem Insight hinzugefügt werden.
Am unteren Rand des Narrative-Ausdruckseditors befindet sich eine Vorschau des Narrative, die während der Arbeit aktualisiert wird. Dieser Bereich zeigt auch eine Warnung an, wenn Sie einen Fehler im Narrative verursachen oder wenn der Narrative leer ist. Um eine Vorschau von ML-gestützten Insights wie Anomalieerkennung oder Prognosen anzuzeigen, führen Sie Ihre Insights-Berechnung mindestens einmal aus, bevor Sie das Narrative anpassen.
Die Bearbeitungswerkzeuge befinden sich oben auf dem Bildschirm. Sie bieten die folgenden Möglichkeiten:
+ **Insert code** (Code einfügen) – Sie können die folgenden Codeblöcke aus diesem Menü einfügen:
+ **Expressions** (Ausdrücke) – Fügt einen Freiformausdruck hinzu.
+ **Inline IF** – Fügt eine IF-Anweisung hinzu, die eingebunden im vorhandenen Textblock anzeigt wird.
+ **Inline FOR** – Fügt eine FOR-Anweisung hinzu, die eingebunden im vorhandenen Textblock angezeigt wird.
+ **Block IF** – Fügt eine IF-Anweisung hinzu, die in einem separaten Textblock angezeigt wird.
+ **Block FOR** – Fügt eine FOR-Anweisung hinzu, die in einem separaten Textblock angezeigt wird.
Mit den Anweisungen IF und FOR können Sie Inhalte erstellen, die bedingt formatiert werden. Beispielsweise können Sie eine **block IF**-Anweisung hinzufügen und sie dann so konfigurieren, dass eine Ganzzahl mit einem Wert aus einer Berechnung verglichen wird. Verwenden Sie hierzu die folgenden Schritte, die auch in [Verwenden des Narrative-Ausdruckseditors](using-narratives-expression-editor-step-by-step.md) demonstriert werden:
1. Öffnen Sie das Berechnungsmenü rechts und wählen Sie eines der blau hervorgehobenen Elemente aus einer der Berechnungen aus. Dadurch wird das Element dem Narrative hinzugefügt.
1. Klicken Sie einmal auf das Element, um es zu öffnen.
1. Geben Sie den Vergleich ein, den Sie vornehmen möchten. Der Ausdruck sieht ungefähr so aus: `PeriodOverPeriod.currentMetricValue.value>0`.
1. Speichern Sie diesen Ausdruck im Popup-Editor, der auffordert, eine Eingabe unter **Conditional content (Bedingte Inhalte)** zu machen.
1. Geben Sie ein, was im Insight angezeigt werden soll, und formatieren Sie ihn so, wie er angezeigt werden soll. Wenn Sie möchten, können Sie auch ein Image oder eine URL hinzufügen — oder einem Image eine URL hinzufügen.
+ **Paragraph** (Absatz) – Dieses Menü bietet Optionen für Änderungen an der Schriftgröße:
+ **H1 Large header (H1 großer Absatz)**
+ H2 Header
+ H3 Small header (H2 kleiner Header)
+ ¶1 Large paragraph (1 großer Absatz)
+ ¶2 Paragraph (2 Absatz)
+ ¶3 Small paragraph (3 kleiner Absatz)
+ **Font** (Schriftart) – Verwenden Sie dieses Menüfeld, um Optionen für die Textformatierung auszuwählen. Dazu gehören fett, kursiv, unterstrichen, durchgestrichen, Vordergrundfarbe des Textes (die Buchstaben selbst) und Hintergrundfarbe des Textes. Wählen Sie das Symbol, um eine Option zu aktivieren. Wählen Sie es erneut, um die Option zu deaktivieren.
+ **Formatting** (Formatierung) – Verwenden Sie dieses Menüfeld, um Optionen für die Absatzformatierung auszuwählen, einschließlich Aufzählungsliste, linksbündig, zentriert und rechtsbündig. Wählen Sie das Symbol, um eine Option zu aktivieren. Wählen Sie es erneut, um die Option zu deaktivieren.
+ **Image** (Bild) – Verwenden Sie dieses Symbol zum Hinzufügen einer Image-URL. Das Image wird in Ihrem Insight angezeigt, sofern der Link zugänglich ist. Sie können die Größe der Images ändern. Um ein Image basierend auf einer Bedingung anzuzeigen, verlegen Sie das Image in einen IF-Block.
+ **URL** – Verwenden Sie dieses Symbol, um eine statische oder dynamische URL hinzuzufügen. Sie können auch Bilder URLs hinzufügen. Sie können beispielsweise Ampelindikator-Images zu einem Insight für ein ausführendes Dashboard mit Links zu einem neuen Blatt für rote, gelbe und grüne Bedingungen hinzufügen.
# Hinzufügen URLs
Mit der **URL-Schaltfläche** im Bearbeitungsmenü des narrativen Ausdruckseditors können Sie statische und dynamische URLs (Hyperlinks) zu einer Erzählung hinzufügen. Sie können auch die folgenden Tastenkombinationen verwenden: ⌘\$1⇧\$1L or Ctrl\$1⇧\$1L.
Eine statische URL ist ein Link, der sich nicht ändert; er öffnet immer dieselbe URL. Eine dynamische URL ist ein Link, der sich basierend auf den Ausdrücken oder Parametern ändert, die Sie beim Einrichten angeben. Sie basiert auf dynamisch ausgewerteten Ausdrücken oder Parametern.
Es folgen Beispiele, unter welchen Umständen es empfehlenswert ist, in Ihrem Narrative einen statischen Link hinzuzufügen:
+ **In einer IF-Anweisung können Sie die URL im bedingten Inhalt verwenden.** Wenn eine Metrik in diesem Fall nicht dem erwarteten Wert entspricht, sendet Ihr Link den Benutzer möglicherweise zu einem Wiki mit einer Liste von bewährten Methoden zur Verbesserung der Metrik.
+ **Sie können eine statische URL verwenden, um einen Link zu einem anderen Blatt im selben Dashboard zu erstellen, indem Sie die folgenden Schritte ausführen:**
1. Wechseln Sie zu dem Blatt, zu dem Sie den Link erstellen möchten.
1. Kopieren Sie die URL dieses Blattes.
1. Kehren Sie zum Narrative-Editor zurück und erstellen Sie einen Link mit der URL, die Sie gerade kopiert haben.
Es folgen Beispiele, unter welchen Umständen es empfehlenswert ist, in Ihrem Narrative einen dynamischen Link hinzuzufügen:
+ **Gehen Sie wie folgt vor, um eine Website mit einer Abfrage zu durchsuchen.**
1. Erstellen Sie eine URL mit dem folgenden Link.
```
https://google.com?q=<>
```
Dieser Link sendet eine Abfrage an Google mit Suchtext, der dem ausgewerteten Wert des Folgenden entspricht.
```
formatDate(now(), 'yyyy-MM-dd')
```
Wenn der Wert von `now()` `02/02/2020` ist, enthält der Link in Ihrem Narrative `https://google.com?q=2020-02-02`.
+ **Um einen Link zu erstellen, der einen Parameter aktualisiert.** Erstellen oder bearbeiten Sie dazu einen Link und legen Sie als das URL das aktuelle Dashboard oder Analyse-URL fest. Fügen Sie dann den Ausdruck hinzu, der den Parameterwert am Ende festlegt, z. B. `#p.myParameter=12345`.
Angenommen, Sie beginnen mit dem folgenden Dashboard-Link.
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444
```
Wenn Sie ihm eine Parameterwertzuweisung hinzufügen, sieht er wie folgt aus.
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444#p.myParameter=12345
```
Weitere Informationen zu Parametern in URLs finden Sie unter[Verwenden von Parametern in einer URL](parameters-in-a-url.md).
# Arbeiten mit Autonarrative-Berechnungen
Mithilfe der Informationen in diesem Abschnitt können Sie verstehen, welche Funktionen verfügbar sind, wenn Sie ein Autonarrative anpassen. Sie müssen eine Beschreibung nur dann anpassen, wenn Sie die Standardberechnung ändern oder auf dieser aufbauen möchten.
Nach dem Erstellen eines Autonarratives wird der Ausdruckseditor geöffnet. Sie können den Ausdruckseditor auch aktivieren, indem Sie das Visualisierungsmenü und dann **Customize Narrative (Beschreibung anpassen)** auswählen. Um eine Berechnung hinzuzufügen, während Sie den Ausdruckseditor verwenden, wählen Sie **\$1 Add computation (\$1 Berechnung hinzufügen)** aus.
Sie können den folgenden Codeausdruck zum Erstellen Ihrer automatischen Beschreibung verwenden. Diese sind in der Liste mit der Bezeichnung **Insert code (Code einfügen)** verfügbar. Code-Anweisungen können Inline (in einem Satz) oder als Block (in einer Liste) angezeigt werden.
+ Ausdruck – Erstellen Sie Ihren eigenen Codeausdruck
+ IF – Eine IF-Anweisung mit einem Ausdruck, nachdem eine Bedingung ausgewertet wird.
+ FOR – Eine FOR-Anweisung, die Werte durchläuft.
Sie können die folgenden Berechnungen zum Erstellen Ihres Autonarratives verwenden. Sie können den Ausdruckseditor ohne Bearbeitung einer Syntax verwenden, aber Sie können sie auch anpassen, wenn Sie möchten. Für die Interaktion mit der Syntax öffnen Sie das Berechnungs-Widget im Ausdruckseditor für das Autonarrative.
**Topics**
+ [ML-gestützte Anomalieerkennung für Ausreißer](anomaly-detection-function.md)
+ [Berechnung der unteren Beweger](bottom-movers-function.md)
+ [Berechnung des in der Bewertung ganz unten Stehenden](bottom-ranked-function.md)
+ [ML-gestützte Prognosen](forecast-function.md)
+ [Berechnung der Wachstumsrate](growth-rate-function.md)
+ [Berechnung des Maximums](maximum-function.md)
+ [Berechnung des metrischen Vergleichs](metric-comparison-function.md)
+ [Berechnung des Minimums](minimum-function.md)
+ [Berechnung des Zeitraums über Zeitraum](period-over-period-function.md)
+ [Berechnung des Zeitraums bis zum aktuellen Datum](period-to-date-function.md)
+ [Berechnung der oberen Beweger](top-movers-function.md)
+ [Berechnung des in der Bewertung ganz oben Stehenden](top-ranked-function.md)
+ [Berechnung der gesamten Aggregation](total-aggregation-function.md)
+ [Berechnung eindeutiger Werte](unique-values-function.md)
# ML-gestützte Anomalieerkennung für Ausreißer
Bei der ML-gestützten Anomalieerkennungsberechnung werden Ihre Daten nach Anomalien durchsucht. Sie können beispielsweise die drei oberen Ausreißer für den Gesamtumsatz am 03. Januar 2019 ermitteln. Wenn Sie die Beitragsanalyse aktivieren, können Sie auch die Hauptfaktoren für jeden Ausreißer ermitteln.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Zeit**, mindestens einen Messwert im Feldbereich **Werte** und mindestens eine Dimension im Feldbereich **Kategorien**. Der Konfigurationsbildschirm bietet die Möglichkeit, den Beitrag anderer Felder als Hauptfaktoren zu analysieren, selbst wenn diese Felder nicht in den Feldbereichen liegen.
Weitere Informationen finden Sie unter [Erkennen von Ausreißern mit ML-gestützter Anomalieerkennung](anomaly-detection.md).
**Anmerkung**
Es ist nicht möglich, einer anderen Berechnung eine ML-gestützte Anomalieerkennung hinzuzufügen, und Sie können einer Anomalieerkennung keine andere Berechnung hinzufügen.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Sie können Elemente verwenden, die im **`bold monospace font`** Folgenden in der Beschreibung angezeigt werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `categoryFields` – aus dem Feldbereich **Categories** (Kategorien)
+ `name` – der formatierte Anzeigename des Felds
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `itemsCount` – die Anzahl der Elemente in dieser Berechnung
+ `items` – anomale Elemente
+ `timeValue` – die Werte in der Datumsdimension
+ `value` – das Feld Datum/Uhrzeit an dem Punkt der Anomalie (des Ausreißers)
+ `formattedValue`— Der formatierte Wert im date/time Feld zum Zeitpunkt der Anomalie.
+ `categoryName` – der tatsächliche Name der Kategorie (cat1, cat2 usw.)
+ `direction` – Die Richtung auf der X- oder Y-Achse, die als anomal identifiziert wurde: `HIGH` oder `LOW`. `HIGH` bedeutet „höher als erwartet“. `LOW` bedeutet „niedriger als erwartet“.
`AnomalyDetection.items[index].direction` kann beim Iterieren von Elementen entweder `HIGH` oder `LOW` enthalten. Zum Beispiel `AnomalyDetection.items[index].direction='HIGH'` oder `AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction` kann eine leere Zeichenfolge für `ALL` haben. Ein Beispiel ist `AnomalyDetection.direction=''`.
+ `actualValue` – der tatsächliche Wert der Metrik an dem Punkt der Anomalie oder des Ausreißers
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `expectedValue` – der erwartete Wert der Metrik an dem Punkt der Anomalie (des Ausreißers)
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
# Berechnung der unteren Beweger
Die Berechnung der unteren Beweger zählt die angeforderte Anzahl von Kategorien nach Datum, die im Datensatz des Autonarrative unten rangieren. Beispiel: Sie können eine Berechnung erstellen, um die unteren drei verkauften Produkte nach Umsatz zu suchen.
Um diese Funktion zu verwenden, ist mindestens eine Dimension Im Feldbereich **Zeit** und mindestens eine Dimension im Feldbereich **Kategorien** erforderlich.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Kategorie*
Die Kategoriedimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Anzahl der Beweger*
Die Anzahl der Ergebnisse mit Rang, die angezeigt werden sollen.
*Order by (Sortieren nach)*
Die Reihenfolge, die Sie verwenden möchten: prozentuale oder absolute Differenz.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
**Anmerkung**
Dies sind die gleichen Ausgabeparameter, die auch von der Berechnung der oberen Beweger ausgegeben werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `categoryField` – aus dem Feldbereich **Categories** (Kategorien)
+ `name` – der formatierte Anzeigename des Felds
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `startTimeValue` – der Wert in der Datumsdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `endTimeValue` – der Wert in der Datumsdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte absolute Wert
+ `itemsCount` – die Anzahl der Elemente in dieser Berechnung
+ `items`: Elemente, die nach unten verschoben werden
+ `categoryField` – das Kategorienfeld
+ `value` – der Wert (Inhalt) des Kategorienfelds
+ `formattedValue` – der formatierte Wert (Inhalt) des Kategorienfelds Wenn das Feld Null ist, wird "`NULL`" angezeigt. Wenn das Feld leer ist, wird "`(empty)`" angezeigt.
+ `currentMetricValue` – der aktuelle Wert für das Metrikfeld
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `previousMetricValue` – der vorherige Wert für das Metrikfeld
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `percentDifference` – die prozentuale Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der prozentualen Differenz
+ `formattedValue` – der formatierte Wert der prozentualen Differenz (z. B. -42 %)
+ `formattedAbsoluteValue` – der formatierte absolute Wert der prozentualen Differenz (z. B. 42 %).
+ `absoluteDifference` – die absolute Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der absoluten Differenz
+ `formattedValue` – die absolute Differenz, anhand der Formateinstellungen im Metrikfeld formatiert
+ `formattedAbsoluteValue` – der absolute Wert der Differenz, anhand der Metrik formatiert
# Berechnung des in der Bewertung ganz unten Stehenden
Die Berechnung des in der Bewertung ganz unten Stehenden berechnet die angeforderte Anzahl von Kategorien nach Wert, die im Datensatz der automatischen Beschreibung unten rangieren. Beispiel: Sie können eine Berechnung erstellen, um die unteren drei Staaten nach Umsatz zu suchen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Kategorien**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Kategorie*
Die Kategoriedimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Anzahl der Ergebnisse*
Die Anzahl der Ergebnisse mit Rang, die angezeigt werden sollen.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
**Anmerkung**
Dies sind die gleichen Ausgabeparameter, die auch von der Berechnung des in der Bewertung ganz oben Stehenden ausgegeben werden.
+ `categoryField` – aus dem Feldbereich **Categories** (Kategorien)
+ `name` – der formatierte Anzeigename des Felds
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `itemsCount` – die Anzahl der Elemente in dieser Berechnung
+ `items`: in der Bewertung ganz unten stehende Elemente
+ `categoryField` – das Kategorienfeld
+ `value` – der Wert (Inhalt) des Kategorienfelds
+ `formattedValue` – der formatierte Wert (Inhalt) des Kategorienfelds Wenn das Feld Null ist, wird "`NULL`" angezeigt. Wenn das Feld leer ist, wird "`(empty)`" angezeigt.
+ `metricValue` – das Metrikfeld
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
## Beispiel
Der folgende Screenshot zeigt die Standardkonfiguration für die Berechnung des in der Bewertung ganz unten Stehenden.
![\[Standardkonfiguration für die Berechnung mit dem niedrigsten Rang.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/bottom-ranked-computation.png)
# ML-gestützte Prognosen
Die ML-gestützte Berechnung der Prognose prognostiziert künftige Metriken basierend auf Mustern von früheren Metriken nach Saisonabhängigkeit. Beispiel: Sie können eine Berechnung erstellen, um den Gesamtumsatz für die nächsten sechs Monate vorauszusagen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Time (Zeit)**.
Weitere Informationen zur Arbeit mit Prognosen finden Sie unter [Prognose und Erstellung von Was-wäre-wenn-Szenarien mit Amazon Quick Sight](forecasts-and-whatifs.md).
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Zukünftige Zeiträume*
Die Anzahl der Zeiträume in der Zukunft, die Sie prognostizieren möchten. Von 1 bis 1.000.
*Vergangene Zeiträume*
Die Anzahl der Zeiträume in der Vergangenheit, auf denen Ihre Prognose basieren soll. Von 0 bis 1,000.
*Saisonabhängigkeit*
Die Anzahl der Saisons im Kalenderjahr. Die Standardeinstellung **automatisch** erkennt dies für Sie. Bereiche von 1 bis 180.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `metricValue` – der Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `timeValue` – der Wert in der Datumsdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Datumsfeld formatierte Wert
+ `relativePeriodsToForecast` – Die relative Anzahl der Zeiträume zwischen dem neuesten datetime-Datensatz (Datum/Uhrzeit) und dem letzten Prognosendatensatz
# Berechnung der Wachstumsrate
Die Berechnung der Wachstumsrate vergleicht Werte über mehrere Zeiträume hinweg. Beispiel: Sie können eine Berechnung erstellen, um die dreimonatige durchschnittliche Wachstumsrate für Verkäufe ausgedrückt als Prozentsatz zu suchen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Time (Zeit)**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Anzahl der Zeiträume*
Die Anzahl der Zeiträume in der Zukunft, die Sie verwenden möchten, um die Wachstumsrate zu berechnen.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `previousMetricValue` – der vorherige Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `previousTimeValue` – der vorherige Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `compoundedGrowthRate` – die prozentuale Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der prozentualen Differenz
+ `formattedValue` – der formatierte Wert der prozentualen Differenz (z. B. -42 %)
+ `formattedAbsoluteValue` – der formatierte absolute Wert der prozentualen Differenz (z. B. 42 %).
+ `absoluteDifference` – die absolute Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der absoluten Differenz
+ `formattedValue` – die absolute Differenz, anhand der Formateinstellungen im Metrikfeld formatiert
+ `formattedAbsoluteValue` – der absolute Wert der Differenz, anhand der Metrik formatiert
# Berechnung des Maximums
Die Berechnung des Maximums sucht die maximale Dimension nach Wert. Beispiel: Sie können eine Berechnung erstellen, um den umsatzstärksten Monat zu suchen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Time (Zeit)**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
**Anmerkung**
Dies sind die gleichen Ausgabeparameter, die auch von der Berechnung des Minimums ausgegeben werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `metricValue` – der Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `timeValue` – der Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
# Berechnung des metrischen Vergleichs
Die Berechnung des metrischen Vergleichs vergleicht Werte in verschiedenen Messwerten. Beispiel: Sie können eine Berechnung erstellen, um zwei Werte zu vergleichen, wie z. B. die tatsächlichen Verkäufe im Vergleich zu den Verkaufszielen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Zeit** und mindestens zwei Messwerte im Feldbereich **Werte**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Zielwert*
Das Feld, das Sie mit dem Wert vergleichen möchten.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `fromMetricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `fromMetricValue` – der Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `toMetricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `toMetricValue` – der aktuelle Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `timeValue` – der Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `percentDifference` – die prozentuale Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der prozentualen Differenz
+ `formattedValue` – der formatierte Wert der prozentualen Differenz (z. B. -42 %)
+ `formattedAbsoluteValue` – der formatierte absolute Wert der prozentualen Differenz (z. B. 42 %).
+ `absoluteDifference` – die absolute Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der absoluten Differenz
+ `formattedValue` – die absolute Differenz, anhand der Formateinstellungen im Metrikfeld formatiert
+ `formattedAbsoluteValue` – der absolute Wert der Differenz, anhand der Metrik formatiert
# Berechnung des Minimums
Die Berechnung des Minimums sucht die minimale Dimension nach Wert. Beispiel: Sie können eine Berechnung erstellen, um den umsatzschwächsten Monat zu suchen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Time (Zeit)**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
**Anmerkung**
Dies sind die gleichen Ausgabeparameter, die auch von der Berechnung des Maximums ausgegeben werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `metricValue` – der Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `timeValue` – der Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
# Berechnung des Zeitraums über Zeitraum
Die Berechnung des Zeitraums über Zeitraum sucht und vergleicht Werte aus zwei verschiedenen Zeiträumen. Beispiel: Sie können eine Berechnung erstellen, um herauszufinden, in wie weit sich die Verkäufe seit dem vorherigen Zeitraum erhöht oder verringert haben.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Time (Zeit)**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `previousMetricValue` – der vorherige Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `previousTimeValue` – der vorherige Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `currentMetricValue` – der aktuelle Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `currentTimeValue` – der aktuelle Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `percentDifference` – die prozentuale Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der prozentualen Differenz
+ `formattedValue` – der formatierte Wert der prozentualen Differenz (z. B. -42 %)
+ `formattedAbsoluteValue` – der formatierte absolute Wert der prozentualen Differenz (z. B. 42 %).
+ `absoluteDifference` – die absolute Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der absoluten Differenz
+ `formattedValue` – die absolute Differenz, anhand der Formateinstellungen im Metrikfeld formatiert
+ `formattedAbsoluteValue` – der absolute Wert der Differenz, anhand der Metrik formatiert
## Beispiel
**Zur Erstellung einer Berechnung des Zeitraums über Zeitraum**
1. Wählen Sie in der Analyse, die Sie ändern möchten, die Option **Insight hinzufügen** aus.
1. Wählen Sie als **Berechnungstyp** die Option **Period over Period** (Zeitraum über Zeitraum) und dann **Select** (Auswählten) aus.
1. Fügen Sie in dem neuen Insight, das Sie erstellt haben, die Felder für die Zeitdimension und die Wertdimension hinzu, die Sie vergleichen möchten. In der Abbildung unten werden `Order Date` und `Sales (Sum)` dem Insight hinzugefügt. Wenn diese beiden Felder ausgewählt sind, zeigt Quick Sight den Umsatz des letzten Monats seit Jahresbeginn und den prozentualen Unterschied zum Vormonat an.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/periodOverPeriod1.png)
1. (Optional) Um das Insight weiter zu personalisieren, öffnen Sie das Visualisierungsmenü und wählen Sie **Beschreibung anpassen**. Ziehen Sie im daraufhin angezeigten Fenster **Erzählung bearbeiten** die benötigten Felder per Drag-and-Drop aus der **Berechnungs**liste und wählen Sie dann **Speichern** aus.
# Berechnung des Zeitraums bis zum aktuellen Datum
Die Berechnung des Zeitraums bis zum aktuellen Datum evaluiert Werte für einen festgelegten Zeitraum bis zum aktuellen Datum. Sie können beispielsweise eine Berechnung erstellen, um herauszufinden, wie viel Sie an year-to-date Verkäufen verdient haben.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Time (Zeit)**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Date (Datum)*
Die Datumsdimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Zeitgranularität*
Die Datumsgranularität, die Sie für die Berechnung verwenden möchten, z. B. Jahr bis aktuelles Datum.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `previousMetricValue` – der vorherige Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `previousTimeValue` – der vorherige Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `currentMetricValue` – der aktuelle Wert in der Metrikdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `currentTimeValue` – der aktuelle Wert in der Dimension datetime (Datum/Uhrzeit)
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `periodGranularity` – Der Zeitraumgranularität für diese Berechnung (**MONTH** (MONAT), **YEAR** (JAHR) usw.)
+ `percentDifference` – die prozentuale Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der prozentualen Differenz
+ `formattedValue` – der formatierte Wert der prozentualen Differenz (z. B. -42 %)
+ `formattedAbsoluteValue` – der formatierte absolute Wert der prozentualen Differenz (z. B. 42 %).
+ `absoluteDifference` – die absolute Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der absoluten Differenz
+ `formattedValue` – die absolute Differenz, anhand der Formateinstellungen im Metrikfeld formatiert
+ `formattedAbsoluteValue` – der absolute Wert der Differenz, anhand der Metrik formatiert
## Beispiel
**Zum Erstellen einer Berechnung für den Zeitraum bis heute**
1. Wählen Sie in der Analyse, die Sie ändern möchten, die Option **Insight hinzufügen** aus.
1. Wählen Sie als **Berechnungstyp** die Option **Period to date** (Zeitraum bis heute) und dann **Select** (Auswählen) aus.
1. Fügen Sie in das neue Insight, das Sie erstellt haben, die Felder für die Zeitdimension und die Wertdimension hinzu, die Sie vergleichen möchten. In der Abbildung unten werden `Order Date` und `Sales (Sum)` dem Insight hinzugefügt. Wenn diese beiden Felder ausgewählt sind, zeigt Quick Sight den Umsatz des letzten Monats seit Jahresbeginn und den prozentualen Unterschied zum Vormonat an.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/periodOverPeriod1.png)
1. (Optional) Um das Insight weiter zu personalisieren, öffnen Sie das Visualisierungsmenü und wählen Sie **Beschreibung anpassen**. Ziehen Sie im daraufhin angezeigten Fenster **Erzählung bearbeiten** die benötigten Felder per Drag-and-Drop aus der **Berechnungs**liste und wählen Sie dann **Speichern** aus.
# Berechnung der oberen Beweger
Die Berechnung der oberen Beweger zählt die angeforderte Anzahl von Kategorien nach Datum, die im Datensatz der automatischen Beschreibung oben rangieren. Beispiel: Sie können eine Berechnung erstellen, um die oberen Produkte für einen Zeitraum nach Umsatz zu suchen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Zeit** und mindestens eine Dimension im Feldbereich **Kategorien**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Kategorie*
Die Kategoriendimension für die Rangfolge.
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Anzahl der Ergebnisse*
Die Anzahl der Artikel mit dem höchsten Rang, die Sie suchen möchten.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
**Anmerkung**
Dies sind die gleichen Ausgabeparameter, die auch von der Berechnung der unteren Beweger ausgegeben werden.
+ `timeField` – aus dem Feldbereich **Time** (Zeit).
+ `name` – der formatierte Anzeigename des Felds
+ `timeGranularity` – die Granularität im Zeitfeld (**DAY** (TAG), **YEAR** (JAHR) usw.)
+ `categoryField` – aus dem Feldbereich **Categories** (Kategorien)
+ `name` – der formatierte Anzeigename des Felds
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `startTimeValue` – der Wert in der Datumsdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte Wert
+ `endTimeValue` – der Wert in der Datumsdimension
+ `value` – der Rohwert
+ `formattedValue` – der vom Feld datetime (Datum/Uhrzeit) formatierte absolute Wert
+ `itemsCount` – die Anzahl der Elemente in dieser Berechnung
+ `items`: Elemente, die nach oben veschoben werden
+ `categoryField` – das Kategorienfeld
+ `value` – der Wert (Inhalt) des Kategorienfelds
+ `formattedValue` – der formatierte Wert (Inhalt) des Kategorienfelds Wenn das Feld Null ist, wird "`NULL`" angezeigt. Wenn das Feld leer ist, wird "`(empty)`" angezeigt.
+ `currentMetricValue` – der aktuelle Wert für das Metrikfeld
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `previousMetricValue` – der vorherige Wert für das Metrikfeld
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
+ `percentDifference` – die prozentuale Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der prozentualen Differenz
+ `formattedValue` – der formatierte Wert der prozentualen Differenz (z. B. -42 %)
+ `formattedAbsoluteValue` – der formatierte absolute Wert der prozentualen Differenz (z. B. 42 %).
+ `absoluteDifference` – die absolute Differenz zwischen dem aktuellen und dem vorherigen Wert des Metrikfelds
+ `value` – der Rohwert der Berechnung der absoluten Differenz
+ `formattedValue` – die absolute Differenz, anhand der Formateinstellungen im Metrikfeld formatiert
+ `formattedAbsoluteValue` – der absolute Wert der Differenz, anhand der Metrik formatiert
# Berechnung des in der Bewertung ganz oben Stehenden
Die Berechnung des in der Bewertung ganz oben Stehenden sucht die Dimensionen mit dem höchsten Rang nach Wert. Beispiel: Sie können eine Berechnung erstellen, um die drei oberen Staatennach Umsatz zu suchen.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Kategorien**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Kategorie*
Die Kategoriedimension für die Rangfolge
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
*Anzahl der Ergebnisse*
Die Anzahl der Artikel mit dem höchsten Rang, die Sie suchen möchten.
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
**Anmerkung**
Dies sind die gleichen Ausgabeparameter, die auch von der Berechnung des in der Bewertung ganz unten Stehenden ausgegeben werden.
+ `categoryField` – aus dem Feldbereich **Categories** (Kategorien)
+ `name` – der formatierte Anzeigename des Felds
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `itemsCount` – die Anzahl der Elemente in dieser Berechnung
+ `items`: in der Bewertung ganz oben stehende Elemente
+ `categoryField` – das Kategorienfeld
+ `value` – der Wert (Inhalt) des Kategorienfelds
+ `formattedValue` – der formatierte Wert (Inhalt) des Kategorienfelds Wenn das Feld Null ist, wird "`NULL`" angezeigt. Wenn das Feld leer ist, wird "`(empty)`" angezeigt.
+ `metricValue` – das Metrikfeld
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
# Berechnung der gesamten Aggregation
Die Berechnung der gesamten Aggregation erstellt eine Gesamtsumme des Werts. Beispiel: Sie können eine Berechnung erstellen, um den Gesamtumsatz zu finden.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Zeit** und mindestens einen Messwert im Feldbereich **Werte**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Wert*
Der aggregierte Messwert, auf dem die Berechnung basiert
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
+ `categoryField` – das Kategorienfeld
+ `name` – der Anzeigename des Kategoriefelds
+ `metricField` – aus dem Feldbereich **Values** (Werte)
+ `name` – der formatierte Anzeigename des Felds
+ `aggregationFunction` – die für die Metrik verwendete Aggregation (**SUM** (SUMME), **AVG** (DURCHSCHNITT) usw.)
+ `totalAggregate` – der Gesamtwert der Metrikaggregation
+ `value` – der Rohwert
+ `formattedValue` – der vom Metrikfeld formatierte Wert.
+ `formattedAbsoluteValue` – der vom Metrikfeld formatierte absolute Wert
# Berechnung eindeutiger Werte
Die Berechnung eindeutiger Werte zählt die eindeutigen Werte in einem Kategoriefeld. Beispiel: Sie können eine Berechnung erstellen, um die Anzahl der individuellen Werte in einer Dimension zu zählen, z. B. wie viele Kunden Sie haben.
Um diese Funktion nutzen zu können, benötigen Sie mindestens eine Dimension im Feldbereich **Kategorien**.
## Parameters
*Name*
Eine eindeutiger beschreibender Name, den Sie zuweisen oder ändern. Ein Name wird zugewiesen, wenn Sie keinen eigenen erstellen. Diesen können Sie später bearbeiten.
*Kategorie*
Die Kategoriedimension für die Rangfolge
## Berechnungsaugaben
Jede Funktion generiert eine Reihe von Ausgabeparametern. Sie können die Anzeige anpassen, indem Sie diese Ausgaben zum Autonarrativ hinzufügen. Sie können auch Ihren eigenen, benutzerdefinierten Text hinzufügen.
Um die Ausgabeparameter zu suchen, öffnen Sie die Registerkarte **Computations (Berechnungen)** auf der rechten Seite und suchen Sie die Berechnung, die Sie verwenden möchten. Die Namen der Berechnungen stammen aus dem Namen, den Sie beim Erstellen der Insights bereitstellen. Wählen Sie den Ausgabeparameter, indem Sie einmal darauf klicken. Wenn Sie zweimal klicken, fügen Sie dieselbe Ausgabe zweimal hinzu. Elemente in **Fettdruck** können in der Beschreibung verwendet werden.
+ `categoryField` – das Kategorienfeld
+ `name` – der Anzeigename des Kategoriefelds
+ `uniqueGroupValuesCount` – die Anzahl der eindeutigen Werte in dieser Berechnung
# Erkennen von Ausreißern mit ML-gestützter Anomalieerkennung
Amazon Quick Sight verwendet bewährte Amazon-Technologie, um kontinuierlich ML-gestützte Anomalieerkennung anhand von Millionen von Metriken durchzuführen, um versteckte Trends und Ausreißer in Ihren Daten zu entdecken. Dieses Tool ermöglicht es Ihnen, tiefe Einblicke zu erhalten, die oft in Aggregaten stecken und über eine manuelle Analyse nicht skalierbar sind. Mit der ML-gestützten Anomalieerkennung können Sie nach Ausreißern in Ihren Daten suchen, ohne dazu eine manuelle Analyse, kundenspezifische Entwicklung oder Fachwissen im ML-Bereich zu benötigen.
Amazon Quick Sight benachrichtigt Sie in Ihren Grafiken, wenn es feststellt, dass Sie eine Anomalie analysieren oder Prognosen für Ihre Daten erstellen können.
Die Erkennung von Anomalien ist in der Region `eu-central-2` Europa (Zürich) nicht verfügbar.
**Wichtig**
Die ML-gestützte Anomalieerkennung ist eine rechenintensive Aufgabe. Bevor Sie diese verwenden, können Sie sich einen Eindruck der Kosten machen, indem Sie die Menge der Daten analysieren, die Sie verwenden möchten. Wir bieten ein mehrstufiges Preismodell, das auf der Anzahl der Metriken basiert, die Sie pro Monat verarbeiten.
**Topics**
+ [Begriffsverwendung im Zusammenhang mit dem Erkennen von Anomalien oder Ausreißern](anomaly-detection-outliers-and-key-drivers.md)
+ [Einrichten der ML-gestützten Anomalieerkennung für die die Analyse von Ausreißern](anomaly-detection-using.md)
+ [Untersuchung von Ausreißern und Hauptfaktoren mit ML-gestützter Anomalieerkennung und Beitragsanalyse](anomaly-exploring.md)
# Begriffsverwendung im Zusammenhang mit dem Erkennen von Anomalien oder Ausreißern
Amazon Quick Sight verwendet das Wort *Anomalie*, um Datenpunkte zu beschreiben, die außerhalb eines allgemeinen Verteilungsmusters liegen. Für Anomalien (ein wissenschaftlicher Begriff) werden auch viele andere Begriffe verwendet, u. a. Ausreißer, Abweichungen, Merkwürdigkeiten, Ausnahmen, Unregelmäßigkeiten, Eigenarten und vieles mehr. Der verwendete Begriff basiert ggf. auf dem von Ihnen verwendeten Analysetyp, dem verwendeten Datentyp oder sogar nur auf der Einstellungen Ihrer Gruppe. Diese außerhalb eines Bereichs liegenden Datenpunkte stellen eine Entität dar – eine Person, einen Ort, eine Sache oder eine Zeit – die in irgendeiner Weise außergewöhnlich ist.
Der Mensch kann Muster und Dinge, die nicht wie die anderen sind, leicht erkennen. Wir erhalten diese Informationen über unsere Sinne. Wenn das Muster einfach ist und nur wenige Daten vorhanden sind, können Sie ganz einfach einen Graphen erstellen, um die Ausreißer in Ihren Daten hervorzuheben. Im Folgenden finden Sie einige einfache Beispiele:
+ Ein roter Ballon in einer Gruppe von blauen Ballons
+ ein Rennpferd, das weit vor den anderen ist
+ ein Kind, das während des Unterrichts nicht aufpasst
+ ein Tag, an dem Onlinebestellungen anstehen, aber kein Versand möglich ist
+ eine Person, die sich im Gegensatz zu anderen von einer Krankheit erholte
Einige Datenpunkte stehen für ein signifikantes Ereignis, während andere ein zufälliges Ereignis darstellen. Die Analyse deckt auf, für welche Daten eine nähere Untersuchung angezeigt ist, und zwar basierend auf den Einflussfaktoren (Hauptfaktoren/Schlüsselfaktoren), die zu dem Ereignis beigetragen haben. Fragen sind für die Datenanalyse unerlässlich. Warum ist das geschehen? In welchem Zusammenhang steht es? Ist es nur einmal oder öfter geschehen? Was können Sie tun, um dieses mehr zu unterstützen oder zu verhindern?
Um zu verstehen, wie und warum es Variationen gibt und ob diese ein Muster aufweisen, bedarf es weiterer Überlegungen. Ohne die Unterstützung des Machine Learning könnte jede Person zu einer anderen Schlussfolgerung kommen, weil sie über unterschiedliche Erfahrungen und Informationen verfügt. Daher könnte jede Person leicht anders ausfallende geschäftliche Entscheidungen treffen. Sind dabei viele Daten oder Variablen zu berücksichtigen, kann eine riesige Menge an Analysen erforderlich werden.
Die ML-gestützte Anomalieerkennung identifiziert die Ursachen und Wechselbeziehungen, damit Sie auf Daten gestützte Entscheidungen treffen können. Sie haben weiterhin die Kontrolle darüber, wie beim Auftrag mit Ihren Daten verfahren werden soll. Sie können eigene Parameter angeben und zusätzliche Optionen auswählen, z. B. die Identifizierung von Hauptfaktoren in einer Beitragsanalyse. Oder Sie verwenden die Standardeinstellungen. Der folgende Abschnitt führt Sie durch den Einrichtungsprozess und enthält Erläuterungen zu den verfügbaren Optionen.
# Einrichten der ML-gestützten Anomalieerkennung für die die Analyse von Ausreißern
Verwenden Sie die Verfahren in den folgenden Abschnitten, um mit der Erkennung von Ausreißern, der Erkennung von Anomalien und der Identifizierung der wichtigsten Ursachen zu beginnen, die zu diesen Ausreißern beitragen.
**Topics**
+ [Benachrichtigungen zu Anomalien und Prognosen anzeigen](anomaly-detection-adding-from-visuals.md)
+ [Hinzufügen eines ML-Insights zur Erkennung von Ausreißern und Hauptfaktoren](anomaly-detection-adding-anomaly-insights.md)
+ [Verwendung der Beitragsanalyse für wichtige Einflussfaktoren](anomaly-detection-adding-key-drivers.md)
# Benachrichtigungen zu Anomalien und Prognosen anzeigen
Amazon Quick Sight benachrichtigt Sie auf einer visuellen Anzeige, in der es eine Anomalie, wichtige Faktoren oder eine Prognosemöglichkeit erkennt. Sie können den Anweisungen folgen, um die Erkennung oder Prognose von Anomalien auf der Grundlage der Daten in dieser Visualisierung einzurichten.
1. Suchen Sie in einem vorhandenen Liniendiagramm im Menü des visuellen Widgets nach einer Insight-Benachrichtigung.
1. Wählen Sie das Glühbirnensymbol, um die Benachrichtigung anzuzeigen.
1. Wenn Sie weitere Informationen zu ML Insight wünschen, können Sie den Anweisungen auf dem Bildschirm folgen, um ein ML-Insight hinzuzufügen.
# Hinzufügen eines ML-Insights zur Erkennung von Ausreißern und Hauptfaktoren
Sie können ein ML-Insight hinzufügen, das *Anomalien* erkennt, bei denen es sich um Ausreißer handelt, die signifikant erscheinen. *Zu Beginn erstellen Sie für Ihren Insight ein Widget, das auch als Autonarrativ bezeichnet wird.* Während Sie Ihre Optionen konfigurieren, können Sie sich im **Vorschaufenster** auf dem rechten Bildschirm einen begrenzten Screenshot Ihres Insight ansehen.
In Ihrem Insight-Widget können Sie bis zu fünf Dimensionsfelder hinzufügen, die keine berechneten Felder sind. In den Feldfeldern stellen Werte für **Kategorien** die dimensionalen Werte dar, die Amazon Quick Sight verwendet, um die Metrik aufzuteilen. Nehmen wir zum Beispiel an, Sie analysieren den Umsatz für alle Produktkategorien und Produkte SKUs. Es gibt 10 Produktkategorien mit jeweils 10 Produkten SKUs. Amazon Quick Sight teilt die Metrik nach den 100 eindeutigen Kombinationen auf und führt für die Aufteilung eine Anomalieerkennung für jede Kombination durch.
Das folgende Verfahren zeigt die Vorgehensweise und wie eine Beitragsanalyse hinzugefügt werden kann, um die Hauptfaktoren zu ermitteln, die jede Anomalie verursachen. Sie können die Beitragsanalyse später hinzufügen, wie unter [Verwendung der Beitragsanalyse für wichtige Einflussfaktoren](anomaly-detection-adding-key-drivers.md) beschrieben.
**So richten Sie die Analyse von Ausreißern und deren Schlüsselfaktoren ein**
1. Öffnen Sie die Analyse und wählen Sie in des Symbolleiste **Insights** und dann **Hinzufügen**. Wählen Sie **Anomalieerkennung** und **Auswählen** aus der Liste aus.
1. Folgen Sie den auf dem Bildschirm dargestellten Hinweisen des neuen Widgets, durch das Sie aufgefordert werden, Felder für das Insight auszuwählen. Fügen Sie mindestens ein Datum, einen Messwert und eine Dimension hinzu.
1. Wählen Sie im Widget die Option **Get started (Erste Schritte)** aus. Der Konfigurationsbildschirm wird angezeigt.
1. Wählen Sie unter **Berechnungsoptionen** Werte für die folgenden Optionen aus.
1. Wählen Sie Znter **zu analysierende Kombinationen** eine der folgenden Optionen:
1. **Hierarchical** (Hierarchisch)
Wählen Sie diese Option aus, wenn Sie die Felder hierarchisch analysieren möchten. Wenn Sie beispielsweise ein Datum (T), eine Kennzahl (N) und drei Dimensionskategorien (C1, C2 und C3) wählen, analysiert Quick Sight die Felder hierarchisch, wie im Folgenden dargestellt.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **Exact** (Genau)
Wählen Sie diese Option, wenn Sie nur die genaue Kombination von Feldern im Feldbereich Kategorie genau so analysieren möchten, wie sie aufgelistet sind. Wenn Sie beispielsweise ein Datum (T), eine Kennzahl (N) und drei Dimensionskategorien (C1, C2 und C3) ausgewählt haben, analysiert Quick Sight nur die genaue Kombination von Kategoriefeldern in der Reihenfolge, in der sie aufgelistet sind, wie im Folgenden dargestellt.
```
T-C1-C2-C3-N
```
1. **Alle**
Wählen Sie diese Option, wenn Sie alle Feldkombinationen im Feldbereich Kategorie analysieren möchten. Wenn Sie beispielsweise ein Datum (T), eine Kennzahl (N) und drei Dimensionskategorien (C1, C2 und C3) ausgewählt haben, analysiert Quick Sight alle Feldkombinationen, wie im Folgenden dargestellt.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N, T-C1-C3-N, T-C2-N, T-C2-C3-N, T-C3-N
```
Wenn Sie nur ein Datum und eine Kennzahl ausgewählt haben, analysiert Quick Sight die Felder nach Datum und dann nach Kennzahl.
Im Abschnitt **Fields to be analysis (Felder für die Analyse)** können Sie als Referenz eine Liste der Felder aus den Feldbereichen sehen.
1. Geben Sie unter **Name** einen beschreibenden alphanumerischen Namen ohne Leerzeichen ein, oder wählen Sie den Standardwert. Dies liefert einen Namen für die Berechnung.
Wenn Sie vorhaben, die Beschreibung zu bearbeiten, die automatisch im Widget angezeigt wird, können Sie den Namen zur Bezeichnung der Berechnung dieses Widgets verwenden. Passen Sie den Namen an, wenn Sie planen, das Autonarrativ zu bearbeiten, und wenn andere ähnliche Berechnungen in Ihrer Analyse vorliegen.
1. Wählen Sie im Abschnitt **Anzeigeoptionen** die folgenden Optionen aus, um anzupassen, was in Ihrem Insight-Widget angezeigt wird. Sie können immer noch alle Ihre Ergebnisse untersuchen, unabhängig davon, was Sie anzeigen.
1. **Maximum number of anomalies to show** (Maximale Anzahl der anzuzeigenden Anomalien) – Die Anzahl der Ausreißer, die Sie im Widget „Beschreibung“ anzeigen möchten.
1. **Schweregrad** — Der minimale Schweregrad für Anomalien, die Sie im Insight-Widget anzeigen möchten.
Ein *Schweregrad* ist ein Bereich von Anomaliebewertungen, der durch die niedrigste tatsächliche Anomaliebewertung gekennzeichnet ist, die im Bereich enthalten ist. Alle Anomalien, die höher bewertet werden, sind im Bereich enthalten. Wenn Sie den Schweregrad auf **Low (Niedrig)**, festlegen, werden alle Anomalien angezeigt, die zwischen „Low“ (Niedrig) und „Very high“ (Sehr hoch) liegen. Wenn Sie den Schweregrad auf **Very high (Sehr hoch)** festlegen, zeigt das Insight nur die Anomalien mit den höchsten Anomaliebewertungen an.
Sie können die folgenden Optionen verwenden:
+ **Very high** (Sehr hoch)
+ **High and above** (Hoch und höher)
+ **Medium and above** (Mittel und höher)
+ **Low and above** (Niedrig und höher)
1. **Richtung** — Die Richtung auf der X- oder Y-Achse, die Sie als anomal identifizieren möchten. Sie können aus den folgenden Optionen auswählen:
+ **Höher als erwartet**, um höhere Werte als Anomalien zu identifizieren.
+ **Niedriger als erwartet**, um niedrigere Werte als Anomalien zu identifizieren.
+ **[ALL]** (ALLE), um alle anomalen Werte, hohe und niedrige Werte, zu identifizieren (Standardeinstellung).
1. **Delta** – Geben Sie einen benutzerdefinierten Wert ein, der zur Identifizierung von Anomalien verwendet werden soll. Jeder Wert, der über dem Schwellenwert liegt, gilt als Anomalie. Die Werte hier ändern die Funktionsweise des Insights in Ihrer Analyse. In diesem Abschnitt können Sie Folgendes festlegen:
+ **Absolute value** (Absolutwert) – Der tatsächliche zu verwendende Wert. Beispiel: Angenommen, das ist 48. Amazon Quick Sight identifiziert Werte dann als anomal, wenn die Differenz zwischen einem Wert und dem erwarteten Wert größer als 48 ist.
+ **Percentage** (Prozentsatz) – der prozentuale zu verwendende Schwellenwert. Nehmen wir zum Beispiel an, das sind 12,5 %. Amazon Quick Sight identifiziert Werte dann als anomal, wenn die Differenz zwischen einem Wert und dem erwarteten Wert mehr als 12,5% beträgt.
1. **Sort by** (Sortieren nach) – Wählen Sie eine Sortiermethode für Ihre Ergebnisse. Einige Methoden basieren auf dem Anomalie-Score, den Amazon Quick Sight generiert. Amazon Quick Sight gibt Datenpunkten, die ungewöhnlich aussehen, höhere Punktzahlen. Sie können alle der folgenden Optionen verwenden:
+ **Weighted anomaly score** (Gewichteter Anomaliewert) – Der Anomaliewert multipliziert mit dem Logarithmus des absoluten Wertes der Differenz zwischen dem Istwert und dem erwarteten Wert. Dieser Wert ist immer eine positive Zahl.
+ **Anomaly score** (Anomaliewert) - Der tatsächliche Anomaliewert, der diesem Datenpunkt zugeordnet ist.
+ **Weighted difference from expected value** (Gewichtete Differenz vom erwarteten Wert) – Der Anomaliewert multipliziert mit der Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert (Standard).
+ **Difference from expected value** (Differenz vom erwarteten Wert) – Die tatsächliche Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert (der ist, actual−expected (tatsächlich-erwartet)).
+ **Actual value** (Istwert) - Der tatsächliche Wert ohne angewandte Formel.
1. Im Abschnitt **Schedule options (Zeitplanoptionen)** legen Sie den Zeitplan für die automatische Ausführung der Insight-Neuberechnung fest. Der Zeitplan wird nur für veröffentlichte Dashboards ausgeführt. In der Analyse können Sie diese bei Bedarf manuell ausführen. Der Plan umfasst die folgenden Einstellungen:
+ **Occurrence** (Häufigkeit) – Wie oft soll die Neuberechnung ausgeführt werden: stündlich, täglich, wöchentlich oder monatlich.
+ **Start schedule on** (Starten des Zeitplans am) – Das Datum und die Uhrzeit zum Starten der Ausführung dieses Zeitplans.
+ **Timezone** (Zeitzone) – Die Zeitzone, in der der Zeitplan ausgeführt wird. Um sich eine Liste anzeigen zu lassen, löschen Sie den aktuellen Eintrag.
1. Richten Sie im Bereich **Top-Beitragende** Amazon Quick Sight so ein, dass die wichtigsten Faktoren analysiert werden, wenn ein Ausreißer (Anomalie) erkannt wird.
Amazon Quick Sight kann beispielsweise die wichtigsten Kunden anzeigen, die zu einem Anstieg der Verkäufe von Heimwerkerprodukten in den USA beigetragen haben. Sie können bis zu vier Dimensionen aus Ihrem Datensatz hinzufügen. Dazu gehören Dimensionen, die Sie den Feldbereichen dieses Insight-Widgets nicht hinzugefügt haben.
Für eine Liste der für die Beitragsanalyse verfügbaren Dimensionen wählen Sie die Option **Select fields (Felder auswählen)**.
1. Wählen Sie **Save (Speichern)** aus, um Ihre Auswahl zu bestätigen. Klicken Sie auf **Abbrechen**, um ohne Speichern zu beenden.
1. Wählen Sie vom Insight-Widget **Run now (Jetzt ausführen)**, um die Anomalie-Erkennung auszuführen und das Insight anzuzeigen.
Die Zeit, die für den Abschluss der Anomalieerkennung erforderlich ist, hängt davon ab, wie viele eindeutige Datenpunkte Sie analysieren. Der Vorgang kann bei einer minimalen Anzahl von Punkten einige Minuten dauern oder viele Stunden.
Während er im Hintergrund ausgeführt wird, können Sie andere Aufgaben in Ihrer Analyse erledigen. Stellen Sie sicher, dass Sie bis zum Abschluss warten, bevor Sie die Konfiguration ändern, die Beschreibung bearbeiten oder die Seite **Explore anomalies (Anomalien untersuchen)** öffnen, um dieses Insight zu erhalten.
Das Insight-Widget muss mindestens einmal ausgeführt werden, bevor Sie Insights sehen können. Wenn Sie glauben, dass der Status veraltet sein könnte, können Sie die Seite aktualisieren. Das Insight kann folgende Status aufweisen.
| Erscheint auf der Seite | Status |
| --- | --- |
| Schaltfläche Run now (Jetzt ausführen) | Der Auftrag hat noch nicht begonnen. |
| Meldung über Analyzing for anomalies (die Analyse von Anomalien) | Der Auftrag wird derzeit ausgeführt. |
| Beschreibung der erkannten Anomalien (Ausreißer) | Der Auftrag wurde erfolgreich ausgeführt. Die Meldung besagt, wann die Berechnung dieses Widgets zuletzt aktualisiert wurde. |
| Warnsymbol mit Ausrufezeichen (\$1) | Dieses Symbol zeigt an, dass während der letzten Ausführung ein Fehler aufgetreten ist. Wenn die Beschreibung ebenfalls angezeigt wird, können Sie weiterhin Explore anomalies (Anomalien untersuchen) verwenden, um Daten aus der vorherigen erfolgreichen Ausführung zu nutzen. |
# Verwendung der Beitragsanalyse für wichtige Einflussfaktoren
Amazon Quick Sight kann die Dimensionen (Kategorien) identifizieren, die zu Ausreißern bei Kennzahlen (Metriken) zwischen zwei Zeitpunkten beitragen. Der Hauptfaktor, der zu einem Ausreißer beiträgt, hilft Ihnen bei der Beantwortung der Frage: Was ist passiert, das diese Anomalie verursachte?
Wenn Sie die Erkennung von Anomalien bereits ohne Beitragsanalyse verwenden, können Sie die vorhandenen Insights aus maschinellem Lernen nutzen, um wichtige Einflussfaktoren zu ermitteln. Führen Sie die folgenden Schritte aus, um eine Beitragsanalyse hinzuzufügen und die Hauptgründe für Ausreißer zu ermitteln. Ihre Insights zur Erkennung von Anomalien müssen ein Zeitfeld und mindestens eine aggregierte Metrik (SUM, AVERAGE oder COUNT) enthalten. Sie können auf Wunsch mehrere Kategorien (Dimensionsfelder) einbeziehen, aber Sie können auch eine Beitragsanalyse durchführen, ohne eine Kategorie oder ein Dimensionsfeld anzugeben.
Sie können dieses Verfahren auch verwenden, um Felder zu ändern oder zu entfernen, die bei der Erkennung von Anomalien eine wichtige Rolle spielen.
**Zum Hinzufügen einer Beitragsanalyse für die Identifizierung der wichtigsten Faktoren**
1. Öffnen Sie Ihre Analyse und suchen Sie nach vorhandenen ML-Insights zur Erkennung von Anomalien. Wählen Sie das Insight-Widget aus, um es hervorzuheben.
1. Wählen Sie **Menüoptionen** (**...**) aus dem Menü in der Visualisierung.
1. Wählen Sie **Anomalie konfigurieren**, um die Einstellungen zu bearbeiten.
1. Mit der Einstellung **Beitragsanalyse (optional)** kann Amazon Quick Sight die wichtigsten Faktoren analysieren, wenn ein Ausreißer (Anomalie) erkannt wird. Amazon Quick Sight kann Ihnen beispielsweise die wichtigsten Kunden zeigen, die zu einem Anstieg der Verkäufe von Heimwerkerprodukten in den USA beigetragen haben. Sie können bis zu vier Dimensionen aus Ihrem Datensatz hinzufügen, einschließlich der Dimensionen, die Sie nicht zzu den Feldbereichen dieses Insight-Widgets hinzugefügt haben.
Um sich eine Liste der für die Beitragsanalyse verfügbaren Dimensionen anzeigen zu lassen, wählen Sie die Option **Select fields (Felder auswählen)**.
Wenn Sie die Felder ändern möchten, die Sie als Haupttreiber verwenden, ändern Sie die Felder, die in dieser Liste aktiviert sind. Wenn Sie alle deaktivieren, führt Quick Sight keine Beitragsanalyse zu diesem Insight durch.
1. Um Ihre Änderungen zu speichern, scrollen Sie in den Konfigurationsoptionen ganz nach unten und wählen Sie **Speichern**. Um ohne Speichern zu beenden, wählen Sie **Cancel** (Abbrechen). Um diese Einstellungen vollständig zu entfernen, wählen Sie **Delete** (Löschen) aus.
# Untersuchung von Ausreißern und Hauptfaktoren mit ML-gestützter Anomalieerkennung und Beitragsanalyse
Sie können die Anomalien (auch als Ausreißer bezeichnet) in Ihrer Analyse interaktiv zusammen mit den beitragenden Faktoren (Hauptfaktoren) untersuchen. Die Analyse steht Ihnen nach den ML-gestützten Anomalie-Erkennungsdurchläufen zum Erkunden zur Verfügung. Die Änderungen, die Sie in diesem Bildschirm vornehmen, werden nicht gespeichert, wenn Sie zur Analyse zurückkehren.
Wählen Sie zunächst die Option **Anomalien untersuchen** in dem Insight aus. Der folgende Screenshot zeigt den Bildschirm mit den Anomalien, wie er erscheint, wenn Sie ihn zum ersten Mal öffnen. In diesem Beispiel ist die Analyse der Beitragenden eingerichtet und zeigt zwei Hauptfaktoren.
![\[Analyse von Anomalien mit angezeigten Beitragenden.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/anomaly-exploration-v2.png)
Die Bereiche des Bildschirms umfassen Folgendes, von oben links nach unten rechts:
+ **Beitragende** zeigt die wichtigsten Faktoren an. Um diesen Abschnitt sehen zu können, müssen Sie Beitragende in Ihrer Anomaliekonfiguration eingerichtet haben.
+ **Controls** (Steuerelemente) enthält Einstellungen für die Untersuchung von Anomalien.
+ **Number of anomalies** (Die Anzahl der Anomalien) zeigt Ausreißer an, die im Laufe der Zeit erkannt wurden. Sie können diesen Diagrammabschnitt ein- oder ausblenden.
+ **Ihre Feldnamen** für Kategorie- oder Dimensionsfelder dienen als Titel für Diagramme, in denen Anomalien für jede Kategorie oder Dimension angezeigt werden.
Die folgenden Abschnitte enthalten detaillierte Informationen zu jedem Aspekt der Anomalieerkennung.
**Topics**
+ [Untersuchung der Beitragenden (Haupttreiber)](exploring-anomalies-key-drivers.md)
+ [Einstellung der Steuerelemente für die Erkennung von Anomalien](exploring-anomalies-controls.md)
+ [Anomalien nach Datum ein- und ausblenden](exploring-anomalies-by-date.md)
+ [Untersuchung von Anomalien nach Kategorie oder Dimension](exploring-anomalies-per-category-or-dimension.md)
# Untersuchung der Beitragenden (Haupttreiber)
Wenn Ihr Anomalie-Insight so eingerichtet ist, dass wichtige Faktoren erkannt werden, führt Quick Sight die Beitragsanalyse durch, um zu ermitteln, welche Kategorien (Dimensionen) die Ausreißer beeinflussen. Der Abschnitt **Beitragende** wird auf der linken Seite angezeigt.
**Beitragende** enthält die folgenden Abschnitte:
+ **Narrative** (Beschreibung) – Oben links finden Sie eine Zusammenfassung, in der alle Änderungen an den Kennzahlen beschrieben werden.
+ **Konfiguration der Hauptbeitragenden** - Wählen Sie **Configure** (Konfigurieren) aus, um die beitragenden Faktoren und den Datumsbereich zu ändern, die in diesem Abschnitt verwendet werden sollen.
+ **Sort by** (Sortieren nach) – Legt die Sortierung fest, die auf die Ergebnisse angewendet wird, die unten angezeigt werden. Sie können aus den folgenden Optionen auswählen:
+ **Absoluter Unterschied**
+ **Beitragsprozentsatz** (Standard)
+ **Abweichung vom erwarteten**
+ **Prozentuale Differenz**
+ **Ergebnisse der Hauptbeitragenden** - Zeigt die Analyseergebnisse der hauptbeitragenden Faktoren für den Zeitpunkt an, der in der Zeitlinie rechts ausgewählt wird.
Die Beitragsanalyse identifiziert bis zu vier der wichtigsten beitragenden Faktoren oder Hauptfaktoren einer Anomalie. Amazon Quick Sight kann Ihnen beispielsweise die wichtigsten Kunden zeigen, die zu einem Anstieg der Verkäufe von Gesundheitsprodukten in den USA beigetragen haben. Dieses Fenster wird nur angezeigt, wenn Sie bei der Konfiguration der Anomalie ausgewählt haben, Felder in die Beitragsanalyse einzubeziehen.
Wenn dieses Fenster nicht angezeigt wird und Sie es anzeigen möchten, können Sie es aktivieren. Gehen Sie hierfür zur Analyse, wählen Sie die Anomaliekonfiguration aus dem Insight-Menü und wählen Sie bis zu vier Felder aus, die Sie auf Beiträge hin analysieren möchten. Das Fenster **Contributions (Beiträge)** wird geschlossen, wenn Sie Änderungen an den Blattsteuerelementen vornehmen, die die beitragenden Faktoren ausschließen.
# Einstellung der Steuerelemente für die Erkennung von Anomalien
Sie finden die Einstellungen für die Erkennung von Anomalien im Bereich **Controls** (Steuerelemente) des Bildschirms. Sie können diesen Bereich öffnen und schließen, indem Sie auf das Wort **Controls** (Steuerelemente) klicken.
Die Einstellungen umfassen u. a. folgende:
+ **Controls** (Steuerelemente) – Die aktuellen Einstellungen erscheinen oben im Workspace. Sie können diesen Abschnitt erweitern, indem Sie das Doppelpfeilsymbol rechts anwählen. Die folgenden Einstellungen stehen für die Untersuchung von Ausreißern zur Verfügung, die durch die ML-gestützte Anomalieerkennung erzeugt werden:
+ **Severity** (Schweregrad) – Legt fest, wie empfindlich Ihr Detektor beim Erkennen von Anomalien (Ausreißern) ist. Sie sollten davon ausgehen, dass mehr Anomalien mit der Schwellenwert **Niedrig und höher** angezeigt werden und weniger Anomalien, wenn der Schwellenwert auf **Hoch und höher** eingestellt ist. Diese Empfindlichkeit richtet sich nach den Standardabweichungen der Anomaliebewertung, die durch den RCF-Algorithmus generiert wurden. Die Standardeinstellung ist **Mittel und höher**.
+ **Richtung** — Die Richtung auf der X- oder Y-Achse, die Sie als anomal identifizieren möchten. Der Standardwert ist [ALL] (ALLE). Es gibt die folgenden Optionen:
+ Stellen Sie **Höher als erwartet** ein, um höhere Werte als Anomalien zu identifizieren.
+ Stellen Sie **Niedriger als erwartet** ein, um niedrigere Werte als Anomalien zu identifizieren.
+ Auf **[ALL]** (ALLE) setzen, um alle anomalen Werte, sowohl hohe als auch niedrige, zu identifizieren.
+ **Minimales Delta – absoluter Wert** – Geben Sie einen benutzerdefinierten Wert ein, der als absoluten Schwellenwert zur Identifizierung von Anomalien verwendet werden soll. Jeder Wert, der über dem Schwellenwert liegt, gilt als Anomalie.
+ **Minimales Delta – Prozentsatz** – Geben Sie einen benutzerdefinierten Wert ein, der als prozentualen Schwellenwert zur Identifizierung von Anomalien verwendet werden soll. Jeder Wert, der über dem Schwellenwert liegt, gilt als Anomalie.
+ **Sort by** (Sortierverfahren) – Wählen Sie das Verfahren, das Sie auf das Sortieren von Anomalien anwenden möchten. Diese werden in der bevorzugten Reihenfolge auf dem Bildschirm aufgelistet. In der folgenden Liste finden Sie eine Beschreibung der einzelnen Methoden.
+ **Weighted anomaly score** (Gewichteter Anomaliewert) – Der Anomaliewert multipliziert mit dem Logarithmus des absoluten Wertes der Differenz zwischen dem Istwert und dem erwarteten Wert. Dieser Wert ist immer eine positive Zahl.
+ **Anomaly score** (Anomaliewert) - Der tatsächliche Anomaliewert, der diesem Datenpunkt zugeordnet ist.
+ **Weighted difference from expected value** (Gewichtete Differenz vom erwarteten Wert) – (Standard) Der Anomaliewert multipliziert mit der Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert.
+ **Difference from expected value** (Differenz vom erwarteten Wert) – Die tatsächliche Differenz zwischen dem tatsächlichen Wert und dem erwarteten Wert (actual−expected (tatsächlicherwartet)).
+ **Actual value** (Istwert) - Der tatsächliche Wert ohne angewandte Formel.
+ **Kategorien** – Eine oder mehrere Einstellungen können am Ende der anderen Einstellungen stehen. Für jedes Kategoriefeld, das Sie dem Feldbereich Kategorie hinzugefügt haben, gibt es eine Einstellung. Sie können Kategorieeinstellungen verwenden, um die Daten zu begrenzen, die auf dem Bildschirm angezeigt werden.
# Anomalien nach Datum ein- und ausblenden
Das Diagramm **Number of anomalies** (Anzahl der Anomalien) zeigt Ausreißer, die im Laufe der Zeit erkannt wurden. Wenn Sie dieses Diagramm nicht sehen, können Sie es anzeigen, indem Sie **SHOW ANOMALIES BY DATE** (ANOMALIEN NACH DATUM ANZEIGEN) wählen.
Dieses Diagramm zeigt Anomalien (Ausreißer) für den neuesten Datenpunkt in der Zeitreihe. Im erweiterten Zustand werden die folgenden Komponenten angezeigt:
+ **Anomalies** (Anomalien) – Die Mitte des Bildschirms zeigt die Anomalien für den aktuellen Datenpunkt in der Zeitreihe an. Ein oder mehrere Graphen erscheinen mit einem Diagramm mit Varianten in einer Metrik im Zeitverlauf. Zur Verwendung dieses Graphen wählen Sie einen Punkt auf der Zeitlinie aus. Der aktuell ausgewählte Zeitpunkt wird im Graphen hervorgehoben und umfasst ein Menü, das Ihnen die Möglichkeit zur Analyse von Beiträgen für die aktuelle Metrik bietet. Sie können auch den Mauszeiger über die Zeitlinie ziehen, ohne einen bestimmten Punkt auszuwählen, um den metrischen Wert für diesen Zeitpunkt anzuzeigen.
+ **Anomalies by date** (Anomalien nach Datum) – Wenn Sie **SHOW ANOMALIES BY DATE** (ANOMALIEN NACH DATUM ANZEIGEN) auswählen, erscheint ein anderer Graph, der anzeigt, wie viele erhebliche Anomalien es für jeden Zeitpunkt gab. Sie können die Details in diesem Diagramm im Kontextmenü jeder Leiste anzeigen.
+ **Timeline adjustment** (Zeitlinienanpassung) – Jeder Graph verfügt über ein Zeitlinieneinstelltool unterhalb der Daten, das Sie verwenden können, um einen anzuzeigenden Zeitraum zu komprimieren, erweitern oder auszuwählen.
# Untersuchung von Anomalien nach Kategorie oder Dimension
Der Hauptbereich des Bildschirms **Anomalien untersuchen** befindet sich in der unteren rechten Ecke des Bildschirms. Er bleibt hier, egal wie viele andere Bereiche des Bildschirms geöffnet sind. Wenn mehrere Anomalien vorhanden sind, können Sie nach unten scrollen, um sie hervorzuheben. Das Diagramm zeigt Anomalien in Farbbereichen und zeigt, wo sie im Laufe eines bestimmten Zeitraums auftreten.
![\[Bildschirm „Anomalien untersuchen“.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/anomaly-exploration-1.png)
Jede Kategorie oder Dimension hat ein separates Diagramm, das den Feldnamen als Diagrammtitel verwendet. Jede Grafik enthält die folgenden Komponenten:
+ **Configure alerts** (Alarme konfigurieren) – Wenn Sie Anomalien von einem Dashboard aus untersuchen, wählen Sie diese Schaltfläche, um Benachrichtigungen und Beitragsanalysen zu abonnieren (falls konfiguriert). Sie können die Alarme für den Schweregrad (mittel, hoch usw.) einrichten. Sie können die Top-Fünf-Alarme für **Higher than expected (Höher als erwartet)**, **Lower than expected (Niedriger als erwartet)** oder ALL (ALLE) erhalten. Dashboard-Leser können Alarme selbst konfigurieren. Wenn Sie die Seite **Explore Anomalies (Anomalien untersuchen)** öffnen, zeigt sie diese Schaltfläche nicht an, wenn Sie die Seite aus einer Analyse heraus geöffnet haben.
**Anmerkung**
Die Möglichkeit zum Konfigurieren von Alarmen steht nur in veröffentlichten Dashboards zur Verfügung.
+ **Status** – Unter der Überschrift **Anomalies** (Anomalien) zeigt die Statuskennzeichnung Informationen zur letzten Ausführung an. Beispielsweise könnten Sie „Anomalien beim Umsatz am 17. November 2018“ sehen. Diese Anzeige gibt an, wie viele Metriken verarbeitet wurden und wie lange es her ist. Sie können den Link auswählen, um mehr über die Details zu erfahren, wie beispielsweise wie viele Metriken ignoriert wurden.
# Prognose und Erstellung von Was-wäre-wenn-Szenarien mit Amazon Quick Sight
Mithilfe von ML-gestützten Prognosen können Sie Ihre wichtigsten Geschäftskennzahlen auf einfache Weise prognostizieren. point-and-click Es wird keine Erfahrung in Machine Learning benötigt. Der integrierte ML-Algorithmus in Amazon Quick Sight wurde für komplexe reale Szenarien entwickelt. Amazon Quick Sight verwendet maschinelles Lernen, um zuverlässigere Prognosen zu erstellen, als dies mit herkömmlichen Mitteln möglich ist.
Nehmen wir beispielsweise an, dass Sie ein Geschäftsführer sind. Angenommen, Sie möchten eine Verkaufsprognose erstellen, um zu prüfen, ob Sie Ihr Ziel bis zum Ende des Jahres erreichen. Oder angenommen, Sie erwarten in zwei Wochen einen großen Deal und Sie möchten wissen, wie er Ihre gesamte Prognose beeinflusst.
Sie können Ihren Geschäftsumsatz mit verschiedenen Saisonalitätsstufen prognostizieren (z. B. Verkäufe mit wöchentlichen und vierteljährlichen Trends). Amazon Quick Sight schließt automatisch aus, dass Anomalien in den Daten (z. B. ein Umsatzanstieg aufgrund von Preissenkungen oder Werbeaktionen) die Prognose beeinflussen. Sie müssen die Daten mit fehlenden Werten auch nicht bereinigen und neu vorbereiten, da Amazon Quick Sight das automatisch erledigt. Darüber hinaus können Sie mit ML-gestützten Prognosen "Was wäre, wenn"-Analysen interaktiv ausführen, um die Wachstumskurve zu bestimmen, die Sie zum Erreichen Ihrer Geschäftsziele benötigen.
## Verwenden von Prognosen und "Was wäre, wenn"-Szenarien
Sie können ein Prognose-Widget zu Ihrer vorhandenen Analyse hinzufügen und es als Dashboard veröffentlichen. Um "Was wäre, wenn"-Szenarien zu analysieren, verwenden Sie eine Analyse, kein Dashboard. Mit ML-gestützten Prognosen ermöglicht Ihnen Amazon Quick Sight die Prognose komplexer, realer Szenarien wie Daten mit mehreren Saisonalitäten. Sie schließen Ausreißer automatisch aus, die identifiziert werden, und ersetzen fehlende Werte.
Gehen Sie wie folgt vor, um eine grafische Prognose zu Ihrer Analyse hinzuzufügen, und erkunden Sie "Was wäre, wenn"-Szenarien.
Obwohl die folgende Prozedur für grafische Prognosen gedacht ist, können Sie auch eine Prognose als Beschreibung in einem Insight-Widget hinzufügen. Weitere Informationen hierzu finden Sie unter [Autonarrative mit Amazon Quick Sight erstellen](narratives-creating.md).
[ML-gestützte Prognosen sind nicht mit kleinen Vielfachen kompatibel.](small-multiples.md) Um eine genaue Darstellung von Daten und Prognosen zu gewährleisten, sollten Sie in Ihren Visualisierungen keine kleinen Vielfachen verwenden.
**Zum Hinzufügen einer grafischen Prognose zu Ihrer Analyse**
1. Erstellen Sie eine Visualisierung, die ein einzelnes Datumsfeld und bis zu drei Metriken (Messwerte) verwendet.
1. Wählen Sie im Menü in der oberen rechten Ecke der Visualisierung das Symbol **Menüoptionen** (die drei Punkte) und dann **Prognose hinzufügen** aus.
Quick Sight analysiert die historischen Daten automatisch mithilfe von ML und zeigt eine grafische Prognose für die nächsten 14 Perioden an. Prognoseeigenschaften gelten für alle Metriken in Ihrer Visualisierung. Wenn Sie individuelle Prognosen für jede Metrik wünschen, sollten Sie erwägen, für jede Metrik eine eigene Visualisierung zu erstellen und jeder Metrik eine Prognose hinzuzufügen.
![\[Image eines visuellen Liniendiagramms mit drei prognostizierten Metriken.\]](http://docs.aws.amazon.com/de_de/quick/latest/userguide/images/forecast2.png)
1. Konfigurieren Sie im **Forecast properties (Prognoseeigenschaften)**-Bereich links eine oder mehrere der folgenden Einstellungen:
+ **Forecast length** (Prognoselänge) – Legen Sie **Periods forward** (Zukünftige Zeiträume) zum Prognostizieren fest und **Periods backward** (Vergangene Zeiträume), um nach Mustern zu suchen, auf denen die Prognose basieren soll.
+ **Prediction interval** (Prognoseintervall) – Legen Sie den geschätzten Bereich für die Prognose fest. Dadurch wird geändert, wie breit der Bereich der Möglichkeiten rund um die vorhergesagte Linie ist.
+ **Seasonality** (Saisonabhängigkeit) – Legen Sie die Anzahl der Zeiträume fest, die am vorhersehbaren saisonalen Muster der Daten beteiligt sind. Der Bereich liegt zwischen 1 und 180, und die Standardeinstellung ist **Automatisch**.
+ **Prognosegrenzen** — Legen Sie einen minimalen und/oder maximalen Prognosewert fest, um zu verhindern, dass Prognosewerte einen bestimmten Wert über- oder unterschreiten. Wenn Ihre Prognose beispielsweise voraussagt, dass die Anzahl der Neueinstellungen, die das Unternehmen im nächsten Monat einstellen wird, negativ sein wird, können Sie für die Prognosegrenze einen Mindestwert von Null festlegen. Dadurch wird verhindert, dass die prognostizierten Werte jemals unter Null fallen.
Zum Speichern der Änderungen wählen Sie **Apply (Übernehmen)** aus.
Wenn Ihre Prognose mehrere Metriken enthält, können Sie eine der Prognosen isolieren, indem Sie eine beliebige Stelle innerhalb des orangefarbenen Bandes auswählen. Wenn Sie dies tun, verschwinden die anderen Prognosen. Wählen Sie das isolierte Prognoseband erneut aus, damit sie wieder angezeigt werden.
1. Analysieren Sie "Was wäre, wenn"-Szenarien, indem Sie einen prognostizierten Datenpunkt (im orangefarbenen Bereich) auf dem Diagramm und dann **What-if analysis ("Was wäre, wenn"-Analyse)** aus dem Kontextmenü auswählen.
Der Bereich **What-if analysis ("Was wäre, wenn"-Analyse)** wird links geöffnet. Legen Sie die folgenden Optionen fest:
+ **Scenario** (Szenario) – Legen Sie ein Ziel für ein Datum oder ein Ziel für einen Zeitraum fest.
+ **Dates** (Daten) – Wenn Sie ein Ziel für ein bestimmtes Datum festlegen, geben Sie dieses Datum hier ein. Wenn Sie einen Zeitbereich verwenden, legen Sie das Start- und Enddatum fest.
+ **Target** (Ziel) – Legen Sie einen Zielwert für die Metrik fest.
Amazon Quick Sight passt die Prognose an, um das Ziel zu erreichen.
**Anmerkung**
Die **What-if analysis ("Was wäre, wenn"-Analyse)** ist für Prognosen mit mehreren Metriken nicht verfügbar. Wenn Sie für Ihre Prognose ein Was-wäre-wenn-Szenario durchführen möchten, sollte Ihre Visualisierung nur eine Metrik enthalten.
1. Behalten Sie Ihre Änderungen bei, indem Sie **Apply (Anwenden)** auswählen. Um sie zu verwerfen, schließen Sie den Bereich **"Was wäre, wenn"-Analyse**.
Wenn Sie Ihre Änderungen beibehalten, sehen Sie die für das Ziel angepasste neue Prognose zusammen mit der ursprünglichen Prognose, ohne dem "Was wäre, wenn".
Die "Was wäre, wenn"-Analyse wird in der Visualisierung als Punkt auf der metrischen Linie dargestellt. Sie können mit dem Mauszeiger auf den Datenpunkte auf der Prognoselinie zeigen, um die Details anzuzeigen.
Hier finden Sie andere Dinge, die Sie tun können:
+ Für die Interaktion mit oder dem Entfernen einer Analyse wählen Sie den Punkt auf der metrischen Linie aus.
+ Um zusätzliche "Was wäre, wenn"-Szenarien zu erstellen, schließen Sie die "Was wäre, wenn"-Analyse, bevor Sie einen neuen Punkt auf der Linie auswählen.
**Anmerkung**
"Was wäre, wenn"-Analysen können nur in einer Analyse existieren, nicht in einem Dashboard.