Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Obtener información con el aprendizaje automático (ML) en Amazon Quick Sight
<a name="making-data-driven-decisions-with-ml-in-quicksight"></a>

Amazon Quick Sight utiliza el aprendizaje automático para ayudarlo a descubrir información y tendencias ocultas en sus datos, identificar los factores clave y pronosticar las métricas empresariales. También puede consumir esta información en narraciones de lenguaje natural integrada en los paneles. 

Con capacidades de aprendizaje automático (ML) y lenguaje natural, Amazon Quick Sight Enterprise Edition lo lleva más allá del análisis descriptivo y de diagnóstico, y lo lanza a la previsión y la toma de decisiones. Puede entender sus datos de un vistazo, compartir sus hallazgos y detectar las mejores decisiones para lograr sus objetivos. Puede hacerlo sin necesidad de desarrollar equipos y tecnología para crear los modelos y algoritmos de machine learning necesarios. 

Es probable que ya haya creado visualizaciones que respondan a preguntas sobre lo que sucedió, cuándo y dónde, y que proporcionen información detallada para la investigación y la identificación de patrones. Con la información de machine learning puede evitar pasar horas analizando e investigando manualmente. Puede seleccionar de una lista de narraciones personalizadas sensibles al contexto, llamadas *narraciones automáticas*, y añadirlas a su análisis. Además de elegir las narraciones automáticas, puede optar por ver las previsiones, las anomalías y los factores que contribuyen a ellas. También puede añadir narraciones automáticas que expliquen las principales actividades en un lenguaje sencillo, proporcionando una única realidad basada en datos de su compañía. 

A medida que pasa el tiempo y los datos fluyen por el sistema, Amazon Quick Sight aprende continuamente para poder ofrecer información cada vez más pertinente. En lugar de decidir qué significan los datos, puede decidir qué hacer con la información que proporcionan. 

Con un fundamento compartido basado en el machine learning, todos sus analistas y partes interesadas pueden ver tendencias, anomalías, previsiones y narraciones personalizadas que se basan en millones de métricas. Pueden ver las causas principales, considerar las previsiones, evaluar los riesgos y tomar decisiones con fundamento y justificables. 

Puede crear un panel como este sin análisis manual, sin habilidades de desarrollo personalizadas y sin entender el modelado o los algoritmos de machine learning. Toda esta capacidad está integrada en Amazon Quick Sight Enterprise Edition.

**nota**  
Las capacidades de machine learning se utilizan según sea necesario en el producto. Las características que utilizan activamente el machine learning se etiquetan como tales. 

Con ML Insights, Amazon Quick Sight ofrece tres funciones principales:
+ Detección de **anomalías con tecnología ML:** Amazon Quick Sight utiliza la probada tecnología de aprendizaje automático de Amazon para analizar continuamente todos sus datos y detectar anomalías (valores atípicos). Puede identificar los principales factores que contribuyen a cualquier cambio significativo en las métricas de su empresa, como las higher-than-expected ventas o la caída del tráfico de su sitio web. Amazon Quick Sight utiliza el algoritmo Random Cut Forest en millones de métricas y miles de millones de puntos de datos. Esto le permite obtener información detallada que suele estar enterrada en los agregados e inaccesible a través del análisis manual. 
+ **Pronósticos basados en ML:** Amazon Quick Sight permite a los usuarios sin conocimientos técnicos pronosticar con confianza sus principales métricas empresariales. El algoritmo integrado de bosque de corte aleatorio del machine learning controla automáticamente complejos escenarios del mundo real, como la detección de estacionalidad y tendencias, la exclusión de valores atípicos y la imputación de valores perdidos. Puede interactuar con los datos de forma sencilla. point-and-click
+ **Narrativas** automáticas: al usar narrativas automáticas en Amazon Quick Sight, puede crear paneles completos con narrativas integradas para contar la historia de sus datos en un lenguaje sencillo. De este modo puede ahorrar horas de análisis de gráficos y tablas para extraer la información clave para la elaboración de informes. También crea una comprensión compartida de los datos en su organización para que pueda tomar decisiones más rápidamente. Puede utilizar la narración automática sugerida o puede personalizar los cálculos y el lenguaje para satisfacer sus necesidades únicas. Amazon Quick Sight es como proporcionar un analista de datos personales a todos sus usuarios.

**Topics**
+ [Descripción del algoritmo de aprendizaje automático que utiliza Amazon Quick Sight](concept-of-ml-algorithms.md)
+ [Requisitos de conjuntos de datos para usar información sobre aprendizaje automático con Amazon Quick Sight](ml-data-set-requirements.md)
+ [Cómo trabajar con información en Amazon Quick Sight](computational-insights.md)
+ [Creación de narrativas automáticas con Amazon Quick Sight](narratives-creating.md)
+ [Detección de valores atípicos mediante la detección de anomalías basada en ML](anomaly-detection.md)
+ [Previsión y creación de escenarios hipotéticos con Amazon Quick Sight](forecasts-and-whatifs.md)

# Descripción del algoritmo de aprendizaje automático que utiliza Amazon Quick Sight
<a name="concept-of-ml-algorithms"></a>


|  | 
| --- |
|  No necesita ninguna experiencia técnica en aprendizaje automático para utilizar las funciones de aprendizaje automático de Amazon Quick Sight. En esta sección, se analizan los aspectos técnicos del algoritmo, para quienes deseen conocer los detalles sobre cómo funciona. No es obligatorio leer esta información para utilizar las características.   | 

Amazon Quick Sight utiliza una versión integrada del algoritmo Random Cut Forest (RCF). En las siguientes secciones se explica qué significa y cómo se usa en Amazon Quick Sight.

En primer lugar, veamos algunos de los términos implicados: 
+ Anomalía: algo que se caracteriza por su diferencia con respecto a la mayoría del resto de cosas de la misma muestra. También se denomina valor atípico, excepción, desviación, etc.
+ Punto de datos: una unidad independiente o, dicho de manera sencilla, una fila de un conjunto de datos. Sin embargo, una fila puede contar con varios puntos de datos si utiliza una medida en diferentes dimensiones.
+ Árbol de toma de decisiones: una forma de visualizar el proceso de decisión del algoritmo que evalúa patrones en los datos.
+ Previsión: una predicción de un comportamiento futuro basada en el comportamiento actual y del pasado.
+ Modelo: una representación matemática del algoritmo o de lo que aprende el algoritmo.
+ Estacionalidad: la repetición de patrones de comportamiento que se dan cíclicamente en datos de serie temporal.
+ Series temporales: un conjunto ordenado de datos de fechas u horas en un campo o una columna.

**Topics**
+ [¿Cuál es la diferencia entre la detección de anomalías y la previsión?](difference-between-anomaly-detection-and-forecasting.md)
+ [¿Qué es RCF?](what-is-random-cut-forest.md)
+ [Cómo se aplica RCF para detectar anomalías](how-does-rcf-detect-anomalies.md)
+ [Cómo se aplica RCF para crear previsiones](how-does-rcf-generate-forecasts.md)
+ [Referencias sobre machine learning y RCF](learn-more-about-machine-learning-and-rcf.md)

# ¿Cuál es la diferencia entre la detección de anomalías y la previsión?
<a name="difference-between-anomaly-detection-and-forecasting"></a>

La detección de anomalías identifica los valores atípicos y los factores que contribuyen a que se produzcan, para responder a la pregunta «¿Qué ha ocurrido que no suele suceder?» La previsión responde a la pregunta: “Si todo sigue sucediendo del modo previsto, ¿qué ocurrirá en el futuro?”. El cálculo matemático que permite predecir también nos permite preguntarnos: “Si algunas cosas cambian, ¿qué sucederá?”. 

Tanto la previsión como la detección de anomalías comienzan por examinar los puntos de datos conocidos actualmente. La detección de anomalías de Amazon Quick Sight comienza con lo que se conoce para poder establecer lo que está fuera del conjunto conocido e identificar esos puntos de datos como anómalos (valores atípicos). Las previsiones de Amazon Quick Sight excluyen los puntos de datos anómalos y siguen el patrón conocido. La previsión se centra en el patrón establecido de la distribución de datos. Por el contrario, la detección de anomalías se centra en los puntos de datos que se desvían de lo previsto. Cada método aborda la toma de decisiones desde una dirección distinta. 

# ¿Qué es RCF?
<a name="what-is-random-cut-forest"></a>

Un *bosque de corte aleatorio* (RCF) es un tipo especial de algoritmo de *bosque aleatorio* (RF), una técnica que goza de amplia difusión en el machine learning. Este toma un conjunto de puntos de datos aleatorios, los reduce al mismo número de puntos y, a continuación, crea una colección de modelos. En contraste, un modelo corresponde a un árbol de decisiones, de ahí el nombre de bosque. Debido a que no se RFs puede actualizar fácilmente de forma incremental, RCFs se inventaron variables en la construcción de árboles que se diseñaron para permitir actualizaciones incrementales. 

Como algoritmo no supervisado, el RCF utiliza el análisis del clúster para detectar picos en los datos de serie temporal, interrupciones en la periodicidad o estacionalidad y excepciones de puntos de datos. Los bosques de corte aleatorio pueden funcionar como una sinopsis o un boceto de un flujo de datos dinámico (o una secuencia de números indexados en el tiempo). Las respuestas a nuestras preguntas sobre el flujo proceden de dicha sinopsis. Las siguientes características se aplican al flujo y al modo en que efectuamos las conexiones para la previsión y la detección de anomalías:
+ Un *algoritmo de streaming *es un algoritmo online que ocupa poco en la memoria. Un algoritmo online toma su decisión sobre el punto de entrada indexado por el tiempo **t** antes de ver el punto **(t\$11)**ésimo. El poco espacio en memoria permite algoritmos ágiles que pueden producir respuestas con baja latencia y permiten al usuario interactuar con los datos.
+ Respetar el orden impuesto por el tiempo, como en un algoritmo *online*, es necesario en la detección y previsión de anomalías. Si ya sabemos lo que sucederá pasado mañana, predecir lo que sucederá mañana no es un previsión, tan solo es una interpolación de un valor desconocido que falta. Del mismo modo, un nuevo producto presentado hoy puede ser una anomalía, pero no necesariamente lo seguirá siendo al final del próximo trimestre. 

# Cómo se aplica RCF para detectar anomalías
<a name="how-does-rcf-detect-anomalies"></a>

Una persona puede distinguir fácilmente un punto de datos que destaca del resto. RCF hace lo mismo mediante la creación de un “bosque” de árboles de decisión y, a continuación, monitorizando cómo los nuevos puntos de datos cambian el bosque. 

Una *anomalía* es un punto de datos que aleja su atención de los puntos normales. Piense, por ejemplo, en una imagen de una flor roja en un campo de flores amarillas. Este “desplazamiento de la atención” se codifica en la posición (esperada) de un árbol (es decir, un modelo en RCF) que estaría ocupado por el punto de entrada. La idea es crear un bosque donde cada árbol de decisiones crezca de una partición de los datos muestreados para entrenar el algoritmo. En términos más técnicos, cada árbol crea un tipo específico de árbol de partición de espacio binario en las muestras. A medida que Amazon Quick Sight toma muestras de los datos, RCF asigna a cada punto de datos una puntuación de anomalía. Concede puntuaciones más altas a los puntos de datos que parecen anómalos. La puntuación es, en aproximación, inversamente proporcional a la profundidad resultante del punto en el árbol. El bosque de corte aleatorio asigna una puntuación de anomalías calculando la puntuación media de cada árbol constituyente y escalando el resultado en relación con el tamaño de la muestra. 

Se suman los votos o las puntuaciones de los diferentes modelos porque cada uno de los modelos es, en sí mismo, un predictor débil. Amazon Quick Sight identifica un punto de datos como anómalo cuando su puntuación es significativamente diferente de los puntos recientes. La consideración de anomalía depende de la aplicación. 

El artículo [Random Cut Forest Based Anomaly Detection On Streams](http://proceedings.mlr.press/v48/guha16.pdf) proporciona varios ejemplos de esta detección de anomalías state-of-the-art en línea (detección de anomalías en series temporales). RCFsse utilizan en segmentos contiguos o «tejas» de datos, donde los datos del segmento inmediato actúan como contexto para el segmento más reciente. Las versiones anteriores de los algoritmos de detección de anomalías basados en RCF puntúan una capa completa. El algoritmo de Amazon Quick Sight también proporciona una ubicación aproximada de la anomalía en el contexto extendido actual. Esta ubicación aproximada puede ser útil en el caso de que se produzca un retraso en la detección de la anomalía. Los retrasos se deben a que cualquier algoritmo debe caracterizar las "desviaciones vistas anteriormente" como “desviaciones anómalas”, que pueden desarrollarse a lo largo del tiempo. 

# Cómo se aplica RCF para crear previsiones
<a name="how-does-rcf-generate-forecasts"></a>

Para prever el siguiente valor en una secuencia temporal estacionaria, el algoritmo RCF responde a la pregunta: “¿Cuál sería la finalización más probable, después de tener un valor candidato?”. Utiliza un solo árbol en el RCF para realizar una búsqueda del mejor candidato. Se agregan los candidatos en los diferentes árboles, porque cada uno, en sí mismo, es un predictor débil. La agregación también permite la generación de errores de cuantiles. Este proceso se repite **v** veces para predecir el valor **v**ésimo en el futuro. 

El algoritmo de Amazon Quick Sight se denomina *BIFOCAL*. Utiliza dos RCFs para crear una FOrest arquitectura de CALibrated BI. El primer RCF se utiliza para filtrar las anomalías y proporcionar una previsión débil, que se corrige con el segundo. En general, este enfoque proporciona previsiones significativamente más sólidas en comparación con otros algoritmos de amplia disponibilidad, como ETS. 

El número de parámetros del algoritmo de pronóstico Quick Sight de Amazon es significativamente menor que el de otros algoritmos ampliamente disponibles. Esto permite que sea útil de manera inmediata, sin ajustes manuales para un mayor número de puntos de datos de series temporales. A medida que se acumulan más datos en una serie temporal determinada, las previsiones de Amazon Quick Sight se pueden ajustar a las desviaciones de los datos y a los cambios de patrón. En el caso de las series temporales que muestran tendencias, la detección de estas se realiza en primer lugar para convertir la serie en estacionaria. La previsión de esa secuencia estacionaria se proyecta con la tendencia. 

Debido a que el algoritmo se basa en un eficiente algoritmo online (RCF), puede admitir consultas “condicionales” interactivas. En estas, algunas de las previsiones se pueden modificar y tratar como casos hipotéticos para ofrecer previsiones condicionales. Este es el origen de la capacidad de explorar escenarios “condicionales” durante el análisis. 

# Referencias sobre machine learning y RCF
<a name="learn-more-about-machine-learning-and-rcf"></a>

Para obtener más información sobre el machine learning y este algoritmo, sugerimos los siguientes recursos:
+ En el artículo [Robust Random Cut Forest (RRCF): A No Math Explanation](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/) se ofrece una explicación lúcida sin las ecuaciones matemáticas. 
+ El libro [*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) constituye una base sólida para el machine learning. 
+ [http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf), un documento técnico académico que examina en profundidad los aspectos técnicos de la previsión y la detección de anomalías con ejemplos. 

En otros AWS servicios aparece un enfoque diferente del RCF. Si desea saber cómo se utiliza el RCF en otros servicios, consulte los siguientes temas:
+ *Amazon Managed Service para Apache Flink Referencia de SQL:* [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)
+ *Guía para SageMaker desarrolladores de Amazon:* [algoritmo Random Cut Forest (RCF)](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html). Este enfoque también se explica en [The Random Cut Forest Algorithm](https://freecontent.manning.com/the-randomcutforest-algorithm/), un capítulo de [Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (octubre de 2018). 

# Requisitos de conjuntos de datos para usar información sobre aprendizaje automático con Amazon Quick Sight
<a name="ml-data-set-requirements"></a>

Para empezar a utilizar las capacidades de aprendizaje automático de Amazon Quick Sight, debe conectarse a sus datos o importarlos. Puede usar un conjunto de datos de Amazon Quick Sight existente o crear uno nuevo. Puede consultar directamente su origen compatible con SQL o adquirir los datos en SPICE. 

Los datos deben tener las siguientes propiedades: 
+  Al menos una métrica (por ejemplo, ventas, pedidos, unidades enviadas, inscripciones, etc.). 
+  Al menos una dimensión de categoría (por ejemplo, categoría de producto, canal, segmento, sector, etc.). Se ignoran las categorías con valores NULL.
+ La detección de anomalías requiere un mínimo de 15 puntos de datos para el entrenamiento. Por ejemplo, si la frecuencia de datos es diaria, necesita al menos 15 días de datos. Si la frecuencia es mensual, necesita al menos 15 meses de datos. 
+ La previsión funciona mejor con más datos. Asegúrese de que su conjunto de datos tenga suficientes datos históricos para obtener resultados óptimos. Por ejemplo, si la frecuencia de datos es diaria, necesita al menos 38 días de datos. Si la frecuencia es mensual, necesita al menos 43 meses de datos. A continuación se muestran los requisitos para cada frecuencia de tiempo:
  + Años: 32 puntos de datos
  + Trimestres: 35 puntos de datos
  + Meses: 43 puntos de datos
  + Semanas: 35 puntos de datos
  + Días: 38 puntos de datos
  + Horas: 39 puntos de datos
  + Minutos: 46 puntos de datos
  + Segundos: 46 puntos de datos
+ Si desea analizar anomalías o previsiones, también necesita al menos una dimensión de fecha. 

Si no tiene un conjunto de datos para comenzar, puede descargar este de muestra: [Conjunto de datos de muestra VI de ML Insights](samples/ml-insights.csv.zip). Después de tener listo un conjunto de datos, cree un nuevo análisis a partir de él.

# Cómo trabajar con información en Amazon Quick Sight
<a name="computational-insights"></a>

En Amazon Quick Sight, puede añadir cálculos ready-to-use analíticos a sus análisis como widgets. Puede trabajar con la información de dos formas:
+ **Información sugerida**

  Amazon Quick Sight crea una lista de información sugerida en función de su interpretación de los datos que incluye en sus imágenes. La lista cambia en función del contexto. En otras palabras, puede ver diferentes sugerencias según los campos que añada a su elemento visual y el tipo de elemento visual que elija. Por ejemplo, si tiene una visualización de series temporales, sus conocimientos pueden incluir period-over-period cambios, anomalías y previsiones. A medida que añada más visualizaciones a su análisis, generará más sugerencias de información.
+ **Información personalizada**

  La información personalizada le permite crear su propio cálculo, utilizando sus propias palabras para dar contexto a los campos que aparecen en el widget. Al crear información personalizada, se añade al análisis y, a continuación, se elige el tipo de cálculo que se desea utilizar. Después, puede añadir texto y formato para que tenga el aspecto que desea. También puede añadir más campos, cálculos y parámetros.

Puede añadir cualquier combinación de información sugerida y personalizada a su análisis para crear el entorno de toma de decisiones que mejor se adapte a sus fines.

**Topics**
+ [Adición de información sugerida](adding-suggested-insights.md)
+ [Adición de información personalizada a su análisis](adding-insights.md)

# Adición de información sugerida
<a name="adding-suggested-insights"></a>

Utilice el siguiente procedimiento para añadir información sugerida a su análisis.

Antes de comenzar, asegúrese de que el conjunto de datos cumpla los criterios que se describen en [Requisitos de conjuntos de datos para usar información sobre aprendizaje automático con Amazon Quick Sight](ml-data-set-requirements.md).

1. Comience con un análisis que tenga unos pocos campos añadidos a un elemento visual. 

1. A la izquierda, seleccione **Información**. Se abre el panel **Perspectivas** y muestra una lista de ideas ready-to-use sugeridas. 

   Cada elemento visual también muestra un pequeño cuadro en su borde superior para indicar la cantidad de información disponible para dicho elemento visual. Puede elegir este cuadro para abrir el panel **Información**, que se abre en cualquier vista que haya abierto más recientemente.

   Desplácese hacia abajo para obtener una vista previa de más información. 

   El tipo de datos de los campos que elija incluir en el elemento visual controla la información que aparece. Esta lista se genera cada vez que cambie el elemento visual. Si hace cambios, consulte **Información** para ver las novedades. Para obtener una información concreta, consulte [Adición de información personalizada a su análisis](adding-insights.md).

1. (Opcional) Abra el menú contextual con más opciones para una información. Para ello, elija los puntos suspensivos en la parte superior derecha de la información (**…**).

   Las opciones son diferentes para cada tipo de información. Entre las opciones con las que puede interactuar se incluyen las siguientes:
   + **Cambiar la agregación de serie temporal**: a año, trimestre, mes, semana, día, hora o minuto.
   + **Analizar las contribuciones a las métricas**: elija las contribuciones y un periodo de tiempo para analizar.
   + **Mostrar todas las anomalías**: se buscarán las anomalías en este periodo de tiempo.
   + **Editar previsión**: elija la duración de la previsión, el intervalo de predicción y la estacionalidad.
   + **Centrarse en** o **Excluir**: permiten aumentar o reducir los datos dimensionales.
   + **Mostrar detalles**: se muestra más información sobre una anomalía reciente (valor atípico).
   + Proporcione comentarios sobre la utilidad de la información en su análisis.

1. Para agregar una sugerencia de información en su análisis, seleccione el signo más (**\$1**) cerca del título de la información.

1. (Opcional) Después de añadir una información a su análisis, personalice la narración que desea que se muestre. Para ello, seleccione el menú en el elemento visual en forma de **v** y, a continuación, **Personalizar narración**. Para obtener más información, consulte [Creación de narrativas automáticas con Amazon Quick Sight](narratives-creating.md).

   Si la información es de anomalías (valores atípicos), también puede cambiar la configuración del trabajo de detección de anomalías. Para ello, elija **Configure anomalía**. Para obtener más información, consulte [Configuración de la detección de anomalías basada en ML para el análisis de valores atípicos](anomaly-detection-using.md).

1. (Opcional) Para eliminar la información de su análisis, elija en el elemento menú visual en forma de **v** en la parte superior derecha del elemento visual. A continuación, elija **Eliminar**. 

# Adición de información personalizada a su análisis
<a name="adding-insights"></a>

Si no desea utilizar la información sugerida, puede crear su información personalizada. Siga este procedimiento para crear una información informática personalizada.

1. Comience con un análisis existente. En la barra de menú superior, elija **Agregar**. A continuación, elija **Agregar información**. 

   Se añade al análisis un contenedor para la nueva información.

1. Realice una de las siguientes acciones:
   + Seleccione el cálculo que desea utilizar de la lista. A medida que selecciona cada elemento, se muestra un ejemplo de la salida de esa información. Cuando encuentre la que desea utilizar, elija **Seleccionar**. 
   + Salga de esta pantalla y personalice la información manualmente. Una información no configurada tiene el botón **Personalizar información**. Elija el botón para abrir la pantalla **Configurar narración**. Para obtener más información acerca del uso del editor de expresiones, consulte [Creación de narrativas automáticas con Amazon Quick Sight](narratives-creating.md). 

   Debido a que está iniciando la creación de la información, no se basa en un elemento visual existente. Cuando se añade la información al análisis, se muestra una nota que presenta el tipo de datos que necesita para completar su solicitud. Por ejemplo, podría solicitar **1 dimensión en el tiempo**. En este caso, añada una dimensión al cuadro de campos **Tiempo**. 

1. Una vez que tenga los datos correctos, siga las restantes instrucciones de la pantalla para terminar de crear la información personalizada.

1. (Opcional) Para eliminar la información de su análisis, elija en el elemento menú visual en forma de **v** en la parte superior derecha del elemento visual. A continuación, elija **Eliminar**. 

# Creación de narrativas automáticas con Amazon Quick Sight
<a name="narratives-creating"></a>

Una *narración automática *es un widget de resumen en lenguaje natural que muestra texto descriptivo en lugar de gráficos. Puede integrar estos widgets en su análisis para resaltar las informaciones y las llamadas clave. No tiene que analizar el elemento visual, desglosar, comparar valores y volver a revisar las ideas para extraer una conclusión. Tampoco es necesario que intente comprender el significado de los datos ni que debata las diferentes interpretaciones con sus compañeros. En su lugar, puede extrapolar la conclusión a partir de los datos y mostrarla en el análisis, como se indica claramente. Una sola interpretación puede ser compartida por todos.

Amazon Quick Sight interpreta automáticamente los gráficos y las tablas del panel de control y proporciona una serie de sugerencias de información en lenguaje natural. La información sugerida que puede elegir ya está preparada e incluye texto, cálculos y funciones. Pero puede cambiarla si lo desea. También puede diseñar una propia. Como autor del panel, tiene total flexibilidad para personalizar los cálculos y el texto según sus necesidades. Puede utilizar narraciones para contar de un modo eficaz la historia de sus datos en un lenguaje sencillo.

**nota**  
Las narraciones son independientes del machine learning. Solo utilizan el machine learning si se añaden cálculos de previsión o de anomalías (valores atípicos).

**Topics**
+ [Información que incluye narraciones automáticas](auto-narratives.md)
+ [Uso del editor de expresiones de narración](using-narratives-expression-editor-step-by-step.md)
+ [Espacio de trabajo del editor de expresiones](using-narratives-expression-editor-menus.md)
+ [Añadir URLs](using-narratives-expression-editor-urls.md)
+ [Uso de cálculos de narraciones automáticas](auto-narrative-computations.md)

# Información que incluye narraciones automáticas
<a name="auto-narratives"></a>

Cuando se añade una información, también conocida como narración automática, al análisis, puede elegir una de las siguientes plantillas. En la siguiente lista, se definen mediante un ejemplo. Cada definición incluye una lista de los campos obligatorios mínimos para que la narración automática funcione. Si utiliza únicamente la información sugerida en la pestaña **Información**, elija los campos correspondientes para obtener la información que se mostrará en la lista de información sugerida.

Para obtener más información sobre la personalización de las narraciones automáticas, consulte [Uso de cálculos de narraciones automáticas](auto-narrative-computations.md)
+ **Peor clasificado**: por ejemplo, los tres últimos estados por ingresos de ventas. Requiere que disponga de al menos una dimensión en el cuadro de campo **Categorías**. 
+ **Impulsores inferiores**: por ejemplo, los tres últimos productos vendidos, por ingresos de ventas. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo** y al menos una dimensión en el cuadro de campo **Categorías**. 
+ **Previsión** *(información basada en ML)*: por ejemplo, “Se prevé un total de ventas de 58 613 USD para enero de 2016”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo**. 
+ **Tasa de crecimiento**: por ejemplo, “La tasa de crecimiento compuesto de las ventas en 3 meses es del 22,23 %”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo**. 
+ **Máximo**: por ejemplo, “El mes más alto es noviembre de 2014, con ventas de 112 326 USD”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo**. 
+ **Comparación de métricas**: por ejemplo, “El total de ventas de diciembre de 2014 es de 90 474 USD, un 10 % más que el objetivo de 81 426 USD”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo** y al menos dos medidas en el cuadro de campo **Valores**. 
+ **Mínimo**: por ejemplo, “El mes más bajo es febrero de 2011, con ventas de 4810 USD”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo**. 
+ **Detección de anomalías** *(información basada en ML)*: por ejemplo, los tres valores atípicos principales y los factores que contribuyen a que se produzcan para el total de las ventas del 3 de enero de 2019. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo**, al menos una medida en el cuadro de campo **Valores** y al menos una dimensión en el cuadro de campo **Categorías**. 
+ **Periodo por periodo**: por ejemplo, “El total de ventas de noviembre de 2014 aumentó un 44,39 % (34 532 USD) de 77 793 USD a 112 326 USD”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo**. 
+ **Período hasta la fecha**: por ejemplo, «ear-to-datelas ventas de Y del 30 de noviembre de 2014 aumentaron un 25,87% (132.236 dólares), pasando de 511.236 dólares a 643.472 dólares». Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo**. 
+ **Mejor clasificado**: por ejemplo, los tres primeros estados por ingresos de ventas. Requiere que disponga de al menos una dimensión en el cuadro de campo **Categorías**. 
+ **Impulsores principales**: por ejemplo, los mejores productos por ingresos de ventas en noviembre de 2014. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo** y al menos una dimensión en el cuadro de campo **Categorías**. 
+ **Suma total**: por ejemplo, “Los ingresos totales son de 2 297 200 USD”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Tiempo** y al menos una medida en el cuadro de campo **Valores**. 
+ **Valores únicos**: por ejemplo, “Hay 793 valores únicos en `Customer_IDs`”. Requiere que disponga de al menos una dimensión en el cuadro de campo **Categorías**. 

# Uso del editor de expresiones de narración
<a name="using-narratives-expression-editor-step-by-step"></a>

El siguiente tutorial muestra un ejemplo de cómo personalizar una narración. En este ejemplo utilizamos un tipo de cálculo de periodo a periodo.

1. Comience con un análisis existente. Agréguele una **información de periodo a periodo**. La forma más fácil de hacerlo es elegir el icono \$1, **Agregar información** y, a continuación, un tipo de información de la lista. Para saber qué tipo de información computacional puede añadir como narraciones automáticas, consulte [Información que incluye narraciones automáticas](auto-narratives.md).

   Después de elegir un tipo de información, elija **Seleccionar** para crear el widget. Para crear una narración vacía, cierre esta pantalla sin elegir una plantilla. Para seguir este ejemplo, seleccione **Periodo por periodo**.

   Si seleccionó un elemento visual cuando agregó la información, los cuadros de campos tienen campos preconfigurados para la fecha, la métrica y la categoría. Proceden de la visualización que eligió al crear la información. Es posible personalizar los campos según sea necesario.

   Solo puede personalizar una narración para un widget de información (basada en texto) nuevo o ya existente. No puede añadir uno a un elemento visual existente (basado en gráfico), porque es un tipo diferente de widget. 

1. Edite la narración en el editor de expresiones eligiendo el menú del elemento visual y, a continuación, **Personalizar narración**.

   En este contexto, los **cálculos** son cálculos predefinidos (period-over-period, period-to-date, tasa de crecimiento, valores máximos, mínimos, máximos, máximos, etc.) a los que puede hacer referencia en la plantilla para describir los datos. Actualmente, Amazon Quick Sight admite 13 tipos diferentes de cálculos que puede añadir a sus conocimientos. En este ejemplo, **PeriodOverPeriod**se añade de forma predeterminada porque elegimos la plantilla **Periodo tras Periodo** del panel de información sugerida. 

1. Elija **Añadir cálculo** en parte inferior derecha para agregar un nuevo cálculo y, a continuación, elija uno de la lista. Para este tutorial, elija **Tasa de crecimiento** y, a continuación, **Siguiente**.

1. Configure el cálculo eligiendo el número de periodos en los que desea realizar el cálculo. El valor predeterminado es cuatro y sirve para nuestro ejemplo. También puede cambiar el nombre del cálculo en la parte superior de la pantalla. Sin embargo, para nuestro propósito, no cambie el nombre.
**nota**  
Los nombres de cálculo que cree son únicos en la información. Puede hacer referencia a varios cálculos del mismo tipo en su plantilla de narración. Por ejemplo, suponga que tiene dos métricas, ingresos de ventas y unidades vendidas. Puede crear cálculos de la tasa de crecimiento para cada métrica, siempre y cuando tengan nombres diferentes.   
Sin embargo, los cálculos de anomalías no son compatibles con ningún otro tipo de cálculo en el mismo widget. La detección de anomalías debe existir en una información por sí misma. Para utilizar otros cálculos en el mismo análisis, inclúyalos en informaciones independientes de las anomalías.

   Para continuar, elija **Añadir**.

1. Expanda **Cálculos** en la parte derecha. Los cálculos que forman parte de la narración se muestran en la lista. En este caso, es **PeriodOverPeriod**y **GrowthRate**. 

1. En el espacio de trabajo, agregue el siguiente texto después del período final: **Compounded growth rate for the last** y, después, agregue un espacio.

1. A continuación, para agregar el cálculo, deje el cursor después del espacio, tras la palabra **last** A la derecha, debajo **GrowthRate**, elija la expresión denominada **TimePeriods** (haga clic solo una vez para añadirla). 

   De este modo, se inserta la expresión **GrowthRate.TimePeriods**, que es el número de períodos para los que se establece en la configuración. **GrowthRate** 

1. **Complete la oración con ** days is ** (un espacio antes y después) y añada la expresión. GrowthRate compoundedGrowthRate.formattedValue**, seguido de un punto (). `.` Elija la expresión de la lista, en lugar de escribirla. Sin embargo, puede editar el contenido de la expresión después de añadirla.  
![\[Editor de expresiones con lista de expresiones abierta.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/narrative-add-expression.png)
**nota**  
La expresión **formattedValue** devuelve una cadena que se formatea según el formato aplicado a la métrica en el campo. Para realizar el cálculo de métrica, utilice **valor** en su lugar, que devuelve el valor bruto como un entero o un decimal.

1. Añada una instrucción condicional y un formato. Coloque el cursor al final de la plantilla, después de la expresión `formattedValue`. Agregue un espacio, si es necesario. En la barra de menús **Editar narración**, elija **Insertar código** y, a continuación, seleccione **Instrucción IF insertada** en la lista. Se abre un bloque de expresión.

1. Con el bloque de expresiones abierto, elija, **GrowthRate**compoundedGrowthRate****, **valor en la lista** de expresiones. Escriba **>0** al final de la expresión. Seleccione **Save**. No mueva el cursor todavía.

   Aparece una solicitud del contenido condicional; escriba **better than expected\$1**. A continuación, seleccione el texto que acaba de escribir y use la barra de herramientas de formato en la parte superior para ponerlo en verde y en negrita.

1. Repita el paso anterior para añadir otro bloque de expresión para el caso en el que la tasa de crecimiento no haya sido tan grande. Pero esta vez, conviértalo en **<0** y escriba el texto **worse than expected**. Cámbielo a color rojo en vez de verde. 

1. Seleccione **Save**. La narración personalizada que acabamos de crear debe ser similar a la siguiente.  
![\[Narración personalizada.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/narrative-example-result.png)

El editor de expresiones le proporciona una herramienta sofisticada para personalizar las narraciones. También puede hacer referencia a los parámetros que crea para el análisis o panel, y utilizar un conjunto de funciones integradas para ofrecer una mayor personalización.

**sugerencia**  
Para crear una narración vacía, añada una información con el icono **\$1** y, a continuación, **Añadir información**. Pero en lugar de elegir una plantilla, cierre la pantalla.   
La mejor manera de comenzar a personalizar narraciones es usar las plantillas existentes para aprender la sintaxis.

# Espacio de trabajo del editor de expresiones
<a name="using-narratives-expression-editor-menus"></a>

Use el editor de expresiones para personalizar una narración que se adapte mejor a las necesidades de su empresa. La siguiente información proporciona una descripción general del espacio de trabajo del editor de expresiones y enumera todas las opciones de menú que se pueden configurar para su narración. Para ver un tutorial que muestra cómo crear una narración personalizada, consulte [Uso del editor de expresiones de narración](using-narratives-expression-editor-step-by-step.md).

En el lado derecho de la pantalla hay una lista de los elementos que puede agregar a la narración:
+ **Cálculos**: utilice esta opción para elegir entre los cálculos disponibles en este apartado. La lista puede expandirse.
+ **Parámetros**: utilice esta opción para elegir entre los parámetros que existen en el análisis. La lista puede expandirse.
+ **Funciones**: utilice esta opción para elegir entre las funciones que se pueden agregar a una narración. La lista puede expandirse.
+ **Agregar cálculo**: utilice este botón para crear otro cálculo. Los nuevos cálculos aparecen en la lista **Cálculos**, listos para agregarlos a la información.

En la parte inferior del editor de expresiones de narración aparece una vista previa de la narración, que se actualiza a medida que trabaja. Además, se muestra una alerta en esta área en caso de introducirse un error en la narración o si la narración está vacía. Para obtener una vista previa de la información basada en ML, como las previsiones o la detección de anomalías, ejecute su información al menos una vez antes de personalizar la narración. 

Las herramientas de edición se encuentran en la parte superior de la pantalla. Ofrecen las siguientes opciones:
+ **Insertar código**: puede insertar los siguientes bloques de código desde este menú:
  + **Expresiones**: agregue una expresión de forma libre. 
  + **IF en línea**: agregue una instrucción IF que aparezca en línea con el bloque de texto existente. 
  + **FOR en línea**: agregue una instrucción FOR que aparezca en línea con el bloque de texto existente.
  + **IF en bloque**: agregue una instrucción IF que aparezca en un bloque de texto independiente. 
  + **FOR en bloque**: agregue una instrucción FOR que aparezca en un bloque de texto independiente. 

  Las instrucciones IF y FOR le permiten crear contenido con formato condicional. Por ejemplo, puede agregar una instrucción **IF en bloque** y, a continuación, configurarla para comparar un entero con el valor de un cálculo. Para ello, realice los pasos siguientes, que también se muestran en [Uso del editor de expresiones de narración](using-narratives-expression-editor-step-by-step.md):

  1. Abra el menú de cálculos a la derecha y elija uno de los elementos resaltados en azul de uno de los cálculos. Al hacerlo, el elemento se agrega a la narración.

  1. Haga clic una vez en el elemento para abrirlo.

  1. Escriba la comparación que desea realizar. La expresión tiene un aspecto similar a este: `PeriodOverPeriod.currentMetricValue.value>0`. 

  1. Guarde la expresión en el editor emergente, que solicita **Contenido condicional**. 

  1. Escriba los elementos que desea incluir en la información y aplique formato para que aparezcan tal y como desea. Si lo prefiere, puede agregar una imagen o una URL o bien agregar una URL a una imagen.
+ **Párrafo**: este menú ofrece opciones para cambiar el tamaño de la fuente:
  + **Encabezado grande H1**
  + Encabezado H2
  + Encabezado pequeño H3
  + ¶1 Párrafo grande
  + ¶2 Párrafo
  + ¶3 Párrafo pequeño
+ **Fuente**: utilice esta bandeja de menús para elegir opciones de formato de texto. Entre estas se incluyen las opciones de negrita, cursiva, subrayado, tachado, color de primer plano del texto (las propias letras) y color de fondo de este. Elija el icono para activar una opción y vuelva a elegirlo para desactivarla.
+ **Formato**: utilice esta bandeja de menús para elegir opciones de formato de párrafos, como la lista con viñetas, el alineado a la izquierda o a la derecha y el centrado. Elija el icono para activar una opción y vuelva a elegirlo para desactivarla.
+ **Imagen**: utilice este icono para agregar la URL de una imagen. La imagen se muestra en la información, siempre que se pueda acceder al enlace. El tamaño de las imágenes puede modificarse. Para mostrar una imagen en función de una condición, incluya dicha imagen dentro de un bloque IF.
+ **URL**: utilice este icono para agregar una URL estática o dinámica. También puede añadir URLs a las imágenes. Por ejemplo, puede agregar imágenes de indicadores de semáforo a la información de un panel ejecutivo, con enlaces a una nueva hoja en función de las distintas condiciones: rojo, ámbar y verde.

# Añadir URLs
<a name="using-narratives-expression-editor-urls"></a>

Con el botón **URL** del menú de edición del editor de expresiones narrativas, puede añadir elementos estáticos y dinámicos URLs (hipervínculos) a una narración. También puede utilizar los siguientes métodos abreviados de teclado: ⌘\$1⇧\$1L o Ctrl\$1⇧\$1L. 

Una URL estática es un enlace que no cambia; siempre abre la misma URL. Una URL dinámica es un enlace que cambia en función de las expresiones o parámetros que se proporcionan al configurarlo. Se construye con expresiones o parámetros evaluados dinámicamente. 

A continuación se muestran algunos ejemplos de cuándo puede agregarse un enlace estático a la narración: 
+ **En una instrucción IF, puede usar la URL en el contenido condicional.** Si lo hace y alguna de las métricas no cumple un valor esperado, es posible que el enlace envíe al usuario a una wiki con una lista de prácticas recomendadas para mejorar la métrica. 
+ **Puede usar una URL estática para crear un enlace a otra hoja en el mismo panel, si realiza los pasos siguientes:**

  1. Vaya a la hoja para la que desea crear el enlace.

  1. Copie la URL de esa hoja.

  1. Vuelva al editor de narraciones y cree un enlace con la URL que acaba de copiar.

A continuación se muestran algunos ejemplos de cuándo puede agregarse un enlace dinámico a la narración: 
+ **Para buscar en un sitio web con una consulta, siga estos pasos.**

  1. Cree una URL con el enlace siguiente.

     ```
     https://google.com?q=<<formatDate(now(),'yyyy-MM-dd')>>
     ```

     El enlace envía una consulta a Google con el texto de búsqueda, que es el valor evaluado de lo siguiente.

     ```
     formatDate(now(), 'yyyy-MM-dd')
     ```

     Si el valor de `now()` es `02/02/2020`, el enlace de la narración contiene `https://google.com?q=2020-02-02`.
+ **Para crear un enlace que actualice un parámetro.** Para ello, cree o edite un enlace y establezca la URL en la dirección URL de análisis o del panel actual. A continuación, agregue la expresión que establece el valor del parámetro al final, por ejemplo, `#p.myParameter=12345`. 

  Supongamos que el siguiente es el enlace el panel con el que comienza.

  ```
  https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444
  ```

  Si le agrega una asignación de valor de parámetro, tendrá el siguiente aspecto.

  ```
  https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444#p.myParameter=12345
  ```

  Para obtener más información sobre los parámetros de URLs, consulte[Uso de parámetros en una URL](parameters-in-a-url.md).

# Uso de cálculos de narraciones automáticas
<a name="auto-narrative-computations"></a>

Utilice esta sección para comprender las funciones que tiene a su disposición cuando personalice una narración automática. Solo necesita personalizar una narración si desea cambiar o ampliar el cálculo predeterminado.

Después de crear una narración automática, se abre el editor de expresiones. También puede activar el editor de expresiones eligiendo el menú en el elemento visual y, a continuación, **Personalizar narración**. Para añadir un cálculo con el editor de expresiones, seleccione **\$1 Añadir cálculo**.

Puede usar la siguiente expresión de código para crear su narración automática. Está disponible en la lista que está etiquetada como **Insertar código**. Las instrucciones de código pueden mostrarse insertadas (en una frase) o como un bloque (en una lista).
+ Expresión: cree su propia expresión de código.
+ IF: una instrucción IF que incluye una expresión después de evaluar una condición. 
+ FOR: una instrucción FOR que recorre los valores. 

Puede usar los siguientes cálculos para crear su narración automática. Puede usar el editor de expresiones sin editar la sintaxis, pero también puede personalizarla si lo desea. Para interactuar con la sintaxis, abra el widget de cálculo en el editor de expresiones de narraciones automáticas.

**Topics**
+ [Detección de anomalías basada en ML para valores atípicos](anomaly-detection-function.md)
+ [Cálculo de impulsores inferiores](bottom-movers-function.md)
+ [Cálculo de peor clasificado](bottom-ranked-function.md)
+ [Previsión basada en ML](forecast-function.md)
+ [Cálculo de tasa de crecimiento](growth-rate-function.md)
+ [Cálculo de máximo](maximum-function.md)
+ [Cálculo de comparación de métricas](metric-comparison-function.md)
+ [Cálculo de mínimo](minimum-function.md)
+ [Cálculo de periodo por periodo](period-over-period-function.md)
+ [Cálculo de periodo hasta fecha concreta](period-to-date-function.md)
+ [Cálculo de impulsores principales](top-movers-function.md)
+ [Cálculo de mejor clasificado](top-ranked-function.md)
+ [Cálculo de suma total](total-aggregation-function.md)
+ [Cálculo de valores únicos](unique-values-function.md)

# Detección de anomalías basada en ML para valores atípicos
<a name="anomaly-detection-function"></a>

El cálculo de detección de anomalías basada en ML busca valores atípicos en los datos. Por ejemplo, puede detectar los tres valores atípicos más importantes del total de ventas del 3 de enero de 2019. Si habilita el análisis de contribuciones, también puede detectar los factores clave que contribuyen a generar cada valor atípico. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo**, al menos una medida en el cuadro de campo **Valores** y al menos una dimensión en el cuadro de campo **Categorías**. La pantalla de configuración proporciona una opción para analizar la contribución de otros campos en tanto que factores clave, aunque esos campos no pertenezcan a los cuadros de campo.

Para obtener más información, consulte [Detección de valores atípicos mediante la detección de anomalías basada en ML](anomaly-detection.md).

**nota**  
No puede añadir la detección de anomalías basada en ML a otro cálculo y no puede añadir otro cálculo a una detección de anomalías.

## Resultados del cálculo
<a name="anomaly-detection-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Puede utilizar los elementos que se muestran en **`bold monospace font`** a continuación en la narración. 
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `categoryFields`: del cuadro de campo **Categorías**.
  + `name`: el nombre de visualización con formato del campo.
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `itemsCount`: el número de elementos incluidos en este cálculo.
+ `items`: elementos anómalos.
  + `timeValue`: los valores en la dimensión de fecha.
    + `value`: el campo de fecha/hora en el punto de la anomalía (valor atípico).
    + `formattedValue`— El valor formateado del date/time campo en el punto de la anomalía.
  + `categoryName`: el nombre real de la categoría (cat1, cat2, etc.).
  + `direction`: la dirección en el eje x o el eje y que se identifica como anómala: `HIGH` o `LOW`. `HIGH` significa “más alto de lo esperado”. `LOW` significa “más bajo de lo esperado”. 

    Al iterar sobre elementos, `AnomalyDetection.items[index].direction` puede contener `HIGH` o `LOW`. Por ejemplo, `AnomalyDetection.items[index].direction='HIGH'` o `AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction` puede tener una cadena vacía para `ALL`. Un ejemplo es `AnomalyDetection.direction=''`. 
  + `actualValue`: el valor real de la métrica en el punto de la anomalía o valor atípico.
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
  + `expectedValue`: el valor previsto de la métrica en el punto de la anomalía (valor atípico).
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.

# Cálculo de impulsores inferiores
<a name="bottom-movers-function"></a>

El cálculo de los impulsores inferiores cuenta el número de categorías solicitadas por fecha que se encuentran en la parte inferior del conjunto de datos de la narración automática. Por ejemplo, puede crear un cálculo para encontrar los tres últimos productos vendidos, por ingresos de ventas.

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo** y al menos una dimensión en el cuadro de campo **Categorías**. 

## Parameters
<a name="bottom-movers-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar.

*Categoría*   
La dimensión de categoría que desea clasificar.

*Valor*   
La medida agregada en la que se basa el cálculo.

*Número de impulsores*   
El número de resultados clasificados que desea mostrar.

*Ordenar por*   
La orden que desea utilizar: diferencia porcentual o diferencia absoluta.

## Resultados del cálculo
<a name="bottom-movers-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 

**nota**  
Estos son los mismos parámetros de salida que los que devuelve el cálculo de impulsores principales.
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `categoryField`: del cuadro de campo **Categorías**.
  + `name`: el nombre de visualización con formato del campo.
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `startTimeValue`: el valor en la dimensión de fecha.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `endTimeValue`: el valor en la dimensión de fecha.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor absoluto con formato del campo de fecha y hora.
+ `itemsCount`: el número de elementos incluidos en este cálculo.
+ `items`: elementos transferibles inferiores.
  + `categoryField`: el campo de categoría.
    + `value`: el valor (contenido) del campo de categoría.
    + `formattedValue`: el valor con formato (contenido) del campo de categoría. Si el campo es nulo, se muestra “`NULL`”. Si el campo está vacío, se muestra “`(empty)`”.
  + `currentMetricValue`: el valor actual del campo de métrica.
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
  + `previousMetricValue`: el valor anterior del campo de métrica.
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
  + `percentDifference`: la diferencia porcentual entre los valores actual y anterior del campo de métrica.
    + `value`: el valor sin formato del cálculo de la diferencia porcentual.
    + `formattedValue`: el valor con formato de la diferencia porcentual (por ejemplo, -42 %).
    + `formattedAbsoluteValue`: el valor absoluto con formato de la diferencia porcentual (por ejemplo, 42 %).
  + `absoluteDifference`: la diferencia absoluta entre los valores actual y anterior del campo de métrica.
    + `value`: el valor sin formato del cálculo de la diferencia absoluta.
    + `formattedValue`: la diferencia absoluta con formato de la configuración en las preferencias de formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto de la diferencia con formato del campo de métrica.

# Cálculo de peor clasificado
<a name="bottom-ranked-function"></a>

El cálculo de peor clasificado calcula el número de categorías solicitadas por valor que se encuentran en la parte inferior del conjunto de datos de la narración automática. Por ejemplo, puede crear un cálculo para encontrar los tres últimos estados, por ingresos de ventas.

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Categorías**. 

## Parameters
<a name="bottom-ranked-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Categoría*   
La dimensión de categoría que desea clasificar.

*Valor*   
La medida agregada en la que se basa el cálculo.

*Número de resultados*   
El número de resultados clasificados que desea mostrar.

## Resultados del cálculo
<a name="bottom-ranked-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 

**nota**  
Estos son los mismos parámetros de salida que los que devuelve el cálculo mejor clasificado.
+ `categoryField`: del cuadro de campo **Categorías**.
  + `name`: el nombre de visualización con formato del campo.
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `itemsCount`: el número de elementos incluidos en este cálculo.
+ `items`: elementos peor clasificados.
  + `categoryField`: el campo de categoría.
    + `value`: el valor (contenido) del campo de categoría.
    + `formattedValue`: el valor con formato (contenido) del campo de categoría. Si el campo es nulo, se muestra “`NULL`”. Si el campo está vacío, se muestra “`(empty)`”.
  + `metricValue`: el campo de métrica.
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.

## Ejemplo
<a name="bottom-ranked-function-example"></a>

En la siguiente captura de pantalla se muestra la configuración predeterminada para el cálculo de peor clasificado.

![\[Configuración predeterminada para el cálculo de peor clasificado.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/bottom-ranked-computation.png)


# Previsión basada en ML
<a name="forecast-function"></a>

El cálculo de la previsión basada en machine learning prevé métricas futuras basándose en patrones de métricas anteriores por estacionalidad. Por ejemplo, puede crear un cálculo para prever los ingresos totales de los próximos seis meses.

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo**. 

Para obtener más información sobre el uso de las previsiones, consulte [Previsión y creación de escenarios hipotéticos con Amazon Quick Sight](forecasts-and-whatifs.md).

## Parameters
<a name="forecast-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar.

*Valor*   
La medida agregada en la que se basa el cálculo.

*Periodos futuros*   
El número de periodos de tiempo en el futuro que desea prever. Va de 1 a 1000.

*Periodos pasados*   
El número de periodos de tiempo en el pasado en los que desea basar la previsión. Va de 0 a 1000.

*Estacionalidad*   
El número de estaciones incluidas en el año natural. La configuración predeterminada, **automático**, lo detecta automáticamente. Va de 1 a 180.

## Resultados del cálculo
<a name="forecast-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `metricValue`: el valor en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `timeValue`: el valor en la dimensión de fecha.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha.
+ `relativePeriodsToForecast`: el número relativo de periodos ente el último registro de fecha y hora y el último registro de previsión.

# Cálculo de tasa de crecimiento
<a name="growth-rate-function"></a>

El cálculo de la tasa de crecimiento compara valores a lo largo de periodos de tiempo. Por ejemplo, puede crear un cálculo para encontrar la tasa de crecimiento compuesto de tres meses para las ventas, expresada como un porcentaje.

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo**. 

## Parameters
<a name="growth-rate-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar.

*Valor*   
La medida agregada en la que se basa el cálculo.

*Número de periodos*   
El número de periodos de tiempo en el futuro que desea utilizar para calcular la tasa de crecimiento.

## Resultados del cálculo
<a name="growth-rate-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `previousMetricValue`: el valor anterior en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `previousTimeValue`: el valor anterior en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `compoundedGrowthRate`: la diferencia porcentual entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia porcentual.
  + `formattedValue`: el valor con formato de la diferencia porcentual (por ejemplo, -42 %).
  + `formattedAbsoluteValue`: el valor absoluto con formato de la diferencia porcentual (por ejemplo, 42 %).
+ `absoluteDifference`: la diferencia absoluta entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia absoluta.
  + `formattedValue`: la diferencia absoluta con formato de la configuración en las preferencias de formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto de la diferencia con formato del campo de métrica.

# Cálculo de máximo
<a name="maximum-function"></a>

El cálculo de máximo encuentra la dimensión máxima por valor. Por ejemplo, puede crear un cálculo para encontrar el mes con los ingresos más altos. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo**. 

## Parameters
<a name="maximum-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar.

*Valor*   
La medida agregada en la que se basa el cálculo.

## Resultados del cálculo
<a name="maximum-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 

**nota**  
Estos son los mismos parámetros de salida que los que devuelve el cálculo del mínimo.
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `metricValue`: el valor en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `timeValue`: el valor en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.

# Cálculo de comparación de métricas
<a name="metric-comparison-function"></a>

El cálculo de comparación de métricas compara valores en diferentes medidas. Por ejemplo, puede crear un cálculo para comparar dos valores, como las ventas reales comparadas con los objetivos de ventas. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo** y al menos dos medidas en el cuadro de campo **Valores**. 

## Parameters
<a name="metric-comparison-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar.

*Valor*   
La medida agregada en la que se basa el cálculo.

*Valor de destino*   
El campo que desea comparar con el valor.

## Resultados del cálculo
<a name="metric-comparison-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `fromMetricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `fromMetricValue`: el valor en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `toMetricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `toMetricValue`: el valor actual en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `timeValue`: el valor en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `percentDifference`: la diferencia porcentual entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia porcentual.
  + `formattedValue`: el valor con formato de la diferencia porcentual (por ejemplo, -42 %).
  + `formattedAbsoluteValue`: el valor absoluto con formato de la diferencia porcentual (por ejemplo, 42 %).
+ `absoluteDifference`: la diferencia absoluta entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia absoluta.
  + `formattedValue`: la diferencia absoluta con formato de la configuración en las preferencias de formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto de la diferencia con formato del campo de métrica.

# Cálculo de mínimo
<a name="minimum-function"></a>

El cálculo de mínimo encuentra la dimensión mínima por valor. Por ejemplo, puede crear un cálculo para encontrar el mes con los ingresos más bajos. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo**. 

## Parameters
<a name="minimum-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar.

*Valor*   
La medida agregada en la que se basa el cálculo.

## Resultados del cálculo
<a name="maximum-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 

**nota**  
Estos son los mismos parámetros de salida que los que devuelve el cálculo del máximo.
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `metricValue`: el valor en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `timeValue`: el valor en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.

# Cálculo de periodo por periodo
<a name="period-over-period-function"></a>

El cálculo de periodo por periodo compara valores de dos periodos de tiempo diferentes. Por ejemplo, puede crear un cálculo para averiguar cuánto aumentaron o disminuyeron las ventas desde el periodo de tiempo anterior. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo**. 

## Parameters
<a name="period-over-period-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar. 

*Valor*   
La medida agregada en la que se basa el cálculo. 

## Resultados del cálculo
<a name="period-over-period-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `previousMetricValue`: el valor anterior en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `previousTimeValue`: el valor anterior en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `currentMetricValue`: el valor actual en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `currentTimeValue`: el valor actual en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `percentDifference`: la diferencia porcentual entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia porcentual.
  + `formattedValue`: el valor con formato de la diferencia porcentual (por ejemplo, -42 %).
  + `formattedAbsoluteValue`: el valor absoluto con formato de la diferencia porcentual (por ejemplo, 42 %).
+ `absoluteDifference`: la diferencia absoluta entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia absoluta.
  + `formattedValue`: la diferencia absoluta con formato de la configuración en las preferencias de formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto de la diferencia con formato del campo de métrica.

## Ejemplo
<a name="period-over-period-computation-example"></a>

**Creación de un cálculo de periodo por periodo**

1. En el análisis que desee cambiar, elija **Agregar información**.

1. En **Tipo de cálculo**, elija **Período por período** y, a continuación, elija **Seleccionar**.

1. En la nueva información que ha creado, añada los campos de dimensión de tiempo y dimensión de valor que desee comparar. En la captura de pantalla siguiente, `Order Date` y `Sales (Sum)` se agregan a la información. Con estos dos campos seleccionados, Quick Sight muestra las ventas del último mes en lo que va de año y la diferencia porcentual en comparación con el mes anterior.  
![\[alt text not found\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Opcional) Para personalizar aún más la información, abra el menú visual y seleccione **Personalizar narración**. En la ventana **Editar narrativa** que aparece, arrastre y suelte los campos que necesite de la lista **Cálculos** y, a continuación, seleccione **Guardar**.

# Cálculo de periodo hasta fecha concreta
<a name="period-to-date-function"></a>

El cálculo del periodo hasta la fecha evalúa los valores de un periodo hasta una fecha concreta especificado. Por ejemplo, puede crear un cálculo para averiguar cuánto ha ganado en year-to-date ventas. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo**. 

## Parameters
<a name="period-to-date-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Fecha*   
La dimensión de fecha que desea clasificar. 

*Valor*   
La medida agregada en la que se basa el cálculo. 

*Grado de detalle del periodo de tiempo*   
El grado de detalle de fechas que desea utilizar para el cálculo, por ejemplo, año a año.

## Resultados del cálculo
<a name="period-to-date-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 
+ `timeField`: del cuadro de campo **Tiempo**. 
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `metricField`: del cuadro de campo **Valores**. 
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `previousMetricValue`: el valor anterior en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `previousTimeValue`: el valor anterior en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `currentMetricValue`: el valor actual en la dimensión de métrica.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
+ `currentTimeValue`: el valor actual en la dimensión de fecha y hora.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `periodGranularity`: el grado de detalle del periodo para este cálculo (**MES**, **AÑO**, etc.).
+ `percentDifference`: la diferencia porcentual entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia porcentual.
  + `formattedValue`: el valor con formato de la diferencia porcentual (por ejemplo, -42 %).
  + `formattedAbsoluteValue`: el valor absoluto con formato de la diferencia porcentual (por ejemplo, 42 %).
+ `absoluteDifference`: la diferencia absoluta entre los valores actual y anterior del campo de métrica.
  + `value`: el valor sin formato del cálculo de la diferencia absoluta.
  + `formattedValue`: la diferencia absoluta con formato de la configuración en las preferencias de formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto de la diferencia con formato del campo de métrica.

## Ejemplo
<a name="period-to-date-computation-example"></a>

**Creación de un cálculo de período hasta fecha concreta**

1. En el análisis que desee cambiar, elija **Agregar información**.

1. En **Tipo de cálculo**, elija **Período hasta fecha concreta** y, a continuación, elija **Seleccionar**.

1. En la nueva información que ha creado, agregue los campos de dimensión de tiempo y dimensión de valor que desee comparar. En la captura de pantalla siguiente, `Order Date` y `Sales (Sum)` se agregan a la información. Con estos dos campos seleccionados, Quick Sight muestra las ventas del último mes en lo que va de año y la diferencia porcentual en comparación con el mes anterior.  
![\[alt text not found\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Opcional) Para personalizar aún más la información, abra el menú visual y seleccione **Personalizar narración**. En la ventana **Editar narrativa** que aparece, arrastre y suelte los campos que necesite de la lista **Cálculos** y, a continuación, seleccione **Guardar**.

# Cálculo de impulsores principales
<a name="top-movers-function"></a>

El cálculo de los impulsores principales cuenta el número de categorías solicitadas por fecha que se encuentran en la parte superior del conjunto de datos de la narración automática. Por ejemplo, puede crear un cálculo para encontrar los tres primeros productos por ingresos de ventas durante un periodo de tiempo.

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo** y al menos una dimensión en el cuadro de campo **Categorías**. 

## Parameters
<a name="top-movers-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Categoría*   
La dimensión de categoría que desea clasificar. 

*Valor*   
La medida agregada en la que se basa el cálculo. 

*Número de resultados*   
El número de elementos de la clasificación superior que desea encontrar.

## Resultados del cálculo
<a name="top-movers-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 

**nota**  
Estos son los mismos parámetros de salida que los que devuelve el cálculo de impulsores inferiores.
+ `timeField`: del cuadro de campo **Tiempo**.
  + `name`: el nombre de visualización con formato del campo.
  + `timeGranularity`: el grado de detalle del campo de tiempo (**DÍA**, **AÑO**, etc.).
+ `categoryField`: del cuadro de campo **Categorías**.
  + `name`: el nombre de visualización con formato del campo.
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `startTimeValue`: el valor en la dimensión de fecha.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de fecha y hora.
+ `endTimeValue`: el valor en la dimensión de fecha.
  + `value`: el valor sin formato.
  + `formattedValue`: el valor absoluto con formato del campo de fecha y hora.
+ `itemsCount`: el número de elementos incluidos en este cálculo.
+ `items`: elementos transferibles superiores.
  + `categoryField`: el campo de categoría.
    + `value`: el valor (contenido) del campo de categoría.
    + `formattedValue`: el valor con formato (contenido) del campo de categoría. Si el campo es nulo, se muestra “`NULL`”. Si el campo está vacío, se muestra “`(empty)`”.
  + `currentMetricValue`: el valor actual del campo de métrica.
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
  + `previousMetricValue`: el valor anterior del campo de métrica.
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.
  + `percentDifference`: la diferencia porcentual entre los valores actual y anterior del campo de métrica.
    + `value`: el valor sin formato del cálculo de la diferencia porcentual.
    + `formattedValue`: el valor con formato de la diferencia porcentual (por ejemplo, -42 %).
    + `formattedAbsoluteValue`: el valor absoluto con formato de la diferencia porcentual (por ejemplo, 42 %).
  + `absoluteDifference`: la diferencia absoluta entre los valores actual y anterior del campo de métrica.
    + `value`: el valor sin formato del cálculo de la diferencia absoluta.
    + `formattedValue`: la diferencia absoluta con formato de la configuración en las preferencias de formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto de la diferencia con formato del campo de métrica.

# Cálculo de mejor clasificado
<a name="top-ranked-function"></a>

El cálculo de mejor clasificado encuentra las dimensiones de la clasificación superior por valor. Por ejemplo, puede crear un cálculo para encontrar los tres primeros estados, por ingresos de ventas. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Categorías**. 

## Parameters
<a name="top-ranked-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Categoría*   
La dimensión de categoría que desea clasificar. 

*Valor*   
La medida agregada en la que se basa el cálculo. 

*Número de resultados*   
El número de elementos de la clasificación superior que desea encontrar.

## Resultados del cálculo
<a name="top-ranked-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 

**nota**  
Estos son los mismos parámetros de salida que los que devuelve el cálculo peor clasificado.
+ `categoryField`: del cuadro de campo **Categorías**.
  + `name`: el nombre de visualización con formato del campo.
+ `metricField`: del cuadro de campo **Valores**.
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `itemsCount`: el número de elementos incluidos en este cálculo.
+ `items`: elementos mejor clasificados.
  + `categoryField`: el campo de categoría.
    + `value`: el valor (contenido) del campo de categoría.
    + `formattedValue`: el valor con formato (contenido) del campo de categoría. Si el campo es nulo, se muestra “`NULL`”. Si el campo está vacío, se muestra “`(empty)`”.
  + `metricValue`: el campo de métrica.
    + `value`: el valor sin formato.
    + `formattedValue`: el valor con formato del campo de métrica.
    + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.

# Cálculo de suma total
<a name="total-aggregation-function"></a>

El cálculo de suma total crea un total general del valor. Por ejemplo, puede crear un cálculo para encontrar los ingresos totales. 

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Tiempo** y al menos una medida en el cuadro de campo **Valores**. 

## Parameters
<a name="total-aggregation-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Valor*   
La medida agregada en la que se basa el cálculo. 

## Resultados del cálculo
<a name="total-aggregation-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 
+ `categoryField`: el campo de categoría. 
  + `name`: el nombre de visualización del campo de categoría.
+ `metricField`: del cuadro de campo **Valores**. 
  + `name`: el nombre de visualización con formato del campo.
  + `aggregationFunction`: la agregación utilizada para la métrica (**SUMA**, **PROMEDIO**, etc.).
+ `totalAggregate`: el valor total de la agregación de métricas. 
  + `value`: el valor sin formato.
  + `formattedValue`: el valor con formato del campo de métrica.
  + `formattedAbsoluteValue`: el valor absoluto con formato del campo de métrica.

# Cálculo de valores únicos
<a name="unique-values-function"></a>

El cálculo de valores únicos cuenta los valores únicos en un campo de categoría. Por ejemplo, puede crear un cálculo para contar el número de valores únicos de una dimensión, como el número de clientes que tiene.

Para utilizar esta función, necesita de al menos una dimensión en el cuadro de campo **Categorías**. 

## Parameters
<a name="unique-values-function-parameters"></a>

*name*   
Un nombre descriptivo único que se asigna o modifica. Se asigna un nombre si no crea uno. Puede editarlo más adelante.

*Categoría*   
La dimensión de categoría que desea clasificar. 

## Resultados del cálculo
<a name="unique-values-computation-outputs"></a>

Cada función genera un conjunto de parámetros de salida. Puede añadir estos resultados a la narración automática para personalizar qué se muestra. También puede añadir su propio texto personalizado. 

Para localizar los parámetros de salida, abra la pestaña **Cálculos** a la derecha y localice el cálculo que desea utilizar. Los nombres de los cálculos provienen del nombre que proporciona al crear la información. Elija el parámetro de salida haciendo clic solo una vez. Si hace clic dos veces, añade el mismo resultado dos veces. Los elementos que se muestran en **negrita** se pueden utilizar en la narración. 
+ `categoryField`: el campo de categoría. 
  + `name`: el nombre de visualización del campo de categoría.
+ `uniqueGroupValuesCount`: el número de valores únicos incluidos en este cálculo. 

# Detección de valores atípicos mediante la detección de anomalías basada en ML
<a name="anomaly-detection"></a>

Amazon Quick Sight utiliza la tecnología comprobada de Amazon para ejecutar de forma continua la detección de anomalías mediante ML en millones de métricas para descubrir tendencias ocultas y valores atípicos en sus datos. Esta herramienta le permite obtener información detallada que suele estar oculta en los agregados y que no es escalable con el análisis manual. Con la detección de anomalías basada en ML, puede encontrar valores atípicos en sus datos sin necesidad de analizarlos manualmente, realizar desarrollos personalizados ni tener experiencia en el ámbito del ML. 

Amazon Quick Sight le notifica en sus imágenes si detecta que puede analizar una anomalía o realizar alguna previsión con sus datos. 

La detección de anomalías no está disponible en la región de `eu-central-2` Europa (Zúrich).

**importante**  
La detección de anomalías basada en ML es una tarea de cómputo intensivo. Antes de comenzar a utilizarla, puede hacerse una idea de los costos si analiza la cantidad de datos que desea utilizar. Ofrecemos un modelo de precios por niveles que se basa en el número de métricas que procesa por mes. 

**Topics**
+ [Conceptos relativos a la detección de anomalías o valores atípicos](anomaly-detection-outliers-and-key-drivers.md)
+ [Configuración de la detección de anomalías basada en ML para el análisis de valores atípicos](anomaly-detection-using.md)
+ [Exploración de los valores atípicos y los factores clave con la detección de anomalías basada en ML y el análisis de contribuciones](anomaly-exploring.md)

# Conceptos relativos a la detección de anomalías o valores atípicos
<a name="anomaly-detection-outliers-and-key-drivers"></a>

Amazon Quick Sight usa la palabra *anomalía* para describir los puntos de datos que quedan fuera de un patrón general de distribución. Hay muchos otros términos que se refieren a las anomalías, que es un término científico, tales como valores atípicos, desviaciones, rarezas, excepciones, irregularidades o peculiaridades, entre otros. El término utilizado puede basarse en el tipo de análisis que se lleva a cabo, en el tipo de datos que se utiliza o, incluso, en las preferencias del grupo. Estos puntos de datos atípicos representan una entidad (una persona, un lugar, un objeto o un momento) que es excepcional de alguna manera. 

Los seres humanos reconocemos fácilmente los patrones y detectamos los elementos que no son como los demás. Nuestros sentidos nos proporcionan esta información. Si el patrón es simple y la cantidad de datos es reducida, se puede trazar fácilmente un gráfico para resaltar los valores atípicos presentes en los datos. A continuación citamos algunos ejemplos sencillos:
+ Un globo rojo en un grupo de globos azules
+ Un caballo de carreras que está muy por delante de los demás
+ Un niño que no está prestando atención durante la clase
+ Un día en que los pedidos en línea han subido pero los envíos han bajado
+ Una persona que se ha curado entre varias que no

Algunos puntos de datos representan un hecho significativo y otros representan un suceso aleatorio. El análisis revela qué datos merece la pena investigar, en función de los factores que han contribuido al hecho (factores clave). Las preguntas son esenciales para el análisis de datos. ¿Por qué ha sucedido? ¿Con qué está relacionado? ¿Ha ocurrido una sola vez o muchas? ¿Qué se puede hacer para fomentar o evitar que se produzcan casos iguales? 

Comprender cómo y por qué se produce una variación, así como si existe algún un patrón en las variaciones, requiere más reflexión. Sin la ayuda del machine learning, cada persona puede llegar a una conclusión diferente, porque tienen diferentes experiencias e información. Por lo tanto, cada persona podría tomar una decisión de negocio ligeramente diferente. Si hay muchos datos o variables que tener en cuenta, el esfuerzo de análisis puede ser abrumador. 

La detección de anomalías basada en ML identifica las causas y las correlaciones que permiten tomar decisiones basadas en datos. Usted controla la definición de cómo desea efectuar el trabajo con los datos. Puede especificar sus propios parámetros y elegir opciones adicionales, tales como identificar los factores clave en un análisis de contribuciones. Si lo prefiere, puede utilizar la configuración predeterminada. La siguiente sección le guía a lo largo del proceso de configuración y proporciona explicaciones sobre las opciones disponibles. 

# Configuración de la detección de anomalías basada en ML para el análisis de valores atípicos
<a name="anomaly-detection-using"></a>

Utilice los procedimientos de las siguientes secciones para empezar a detectar valores atípicos, detectar anomalías e identificar los factores clave que contribuyen a que se produzcan.

**Topics**
+ [Visualización de notificaciones de anomalías y previsiones](anomaly-detection-adding-from-visuals.md)
+ [Adición de información sobre el ML para detectar valores atípicos y factores clave](anomaly-detection-adding-anomaly-insights.md)
+ [Uso del análisis de contribuciones para los factores clave](anomaly-detection-adding-key-drivers.md)

# Visualización de notificaciones de anomalías y previsiones
<a name="anomaly-detection-adding-from-visuals"></a>

Amazon Quick Sight le notifica de forma visual si detecta una anomalía, factores clave o una oportunidad de previsión. Puede seguir las instrucciones para configurar la detección o la previsión de anomalías en función de los datos de ese elemento visual.

1. En un gráfico de líneas existente, busque una notificación de información en el menú del widget visual. 

1. Selecciona el icono de la bombilla para mostrar la notificación.

1. Si quiere obtener más información acerca de la información sobre el ML, puede seguir las instrucciones de la pantalla para agregar información sobre el ML.

# Adición de información sobre el ML para detectar valores atípicos y factores clave
<a name="anomaly-detection-adding-anomaly-insights"></a>

Puede agregar información sobre el ML que detecte *anomalías*, que son valores atípicos que parecen significativos. Para empezar, debe crear un widget para la información, también conocido como *narración automática*. A medida que vaya configurando sus opciones, podrá ver una captura de pantalla limitada de la información en el panel **Vista previa** situado a la derecha de la pantalla.

En el widget de información, puede agregar hasta cinco campos de dimensiones que no sean campos calculados. En los pozos de campo, los valores de **las categorías** representan los valores dimensionales que Amazon Quick Sight utiliza para dividir la métrica. Por ejemplo, supongamos que está analizando los ingresos de todas las categorías de productos y productos SKUs. Hay 10 categorías de productos, cada una con 10 productos SKUs. Amazon Quick Sight divide la métrica entre las 100 combinaciones únicas y realiza la detección de anomalías en cada combinación de la división.

El siguiente procedimiento muestra cómo hacerlo y también cómo agregar un análisis de contribuciones para detectar los factores clave que causan cada anomalía. Puede agregar el análisis de contribuciones más adelante, tal y como se describe en [Uso del análisis de contribuciones para los factores clave](anomaly-detection-adding-key-drivers.md).

**Configuración de análisis de valores atípicos, incluidos los factores clave**

1. Abra el análisis y, en la barra de herramientas, elija **Información** y, continuación, **Agregar**. En la lista, elija **Detección de anomalías** y **Seleccionar**.

1. Siga las instrucciones de la pantalla del nuevo widget, que le indican que elija los campos para la información. Agregue al menos una fecha, una medida y una dimensión. 

1. Seleccione **Comenzar** en el widget. Aparecerá la pantalla de configuración.

1. En **Opciones de cálculo**, elija valores para las siguientes opciones.

   1. En **Combinaciones que desee analizar**, elija una de las siguientes opciones:

      1. **Jerárquico**

         Elija esta opción si desea analizar los campos de forma jerárquica. Por ejemplo, si ha elegido una fecha (T), una medida (N) y categorías de tres dimensiones (C1, C2 y C3), Quick Sight analiza los campos jerárquicamente, como se muestra a continuación.

         ```
         T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
         ```

      1. **Exacto**

         Elija esta opción si desea analizar únicamente la combinación exacta de campos del cuadro de campo Categoría, tal como aparecen en la lista. Por ejemplo, si eligió una fecha (T), una medida (N) y categorías tridimensionales (C1, C2 y C3), Quick Sight analiza solo la combinación exacta de los campos de categoría en el orden en que aparecen, como se muestra a continuación.

         ```
         T-C1-C2-C3-N
         ```

      1. **Todo**

         Elija esta opción si desea analizar todas las combinaciones de campos del cuadro de campo Categoría. Por ejemplo, si eligió una fecha (T), una medida (N) y categorías de tres dimensiones (C1, C2 y C3), Quick Sight analiza todas las combinaciones de campos, como se muestra a continuación.

         ```
         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
         ```

      Si ha elegido solo una fecha y una medida, Quick Sight analiza los campos por fecha y, después, por medida.

      En la sección **Campos que se van a analizar** puede ver una lista de campos de los cuadros de campo, con fines de referencia.

   1. En **Nombre**, introduzca un nombre alfanumérico descriptivo sin espacios o elija el valor predeterminado. Proporciona un nombre para el cálculo.

      Si va a editar la narración que se muestra automáticamente en el widget, puede usar su nombre para identificar el cálculo de este widget. Personalice el nombre si tiene previsto editar la narración automática y tiene otros cálculos similares en el análisis.

1. En la sección **Opciones de visualización**, elija las siguientes opciones para personalizar lo que se muestra en el widget de información. Puede seguir explorando todos los resultados, independientemente de lo que muestre.

   1. **Número máximo de anomalías que se pueden mostrar**: el número de valores atípicos que quiere mostrar en el widget narrativo. 

   1. **Gravedad**: el nivel mínimo de gravedad de las anomalías que desea mostrar en el widget de información.

      Un *nivel de gravedad* es un rango de puntuaciones de anomalía que se caracteriza por la puntuación de anomalía real más baja incluida en el rango. Todas las anomalías que tengan una puntuación más alta se incluyen en el rango. Si establece la gravedad en **Baja**, la información muestra todas las anomalías que se sitúan entre las gravedades baja y muy alta. Si establece la gravedad en **Muy alta**, la información muestra solo las anomalías que tienen las puntuaciones de anomalía más altas.

      Puede usar las siguientes opciones:
      + **Muy alta** 
      + **Alta y más** 
      + **Media y más** 
      + **Baja y más** 

   1. **Dirección**: la dirección en el eje x o el eje y que desea identificar como anómala. Puede elegir entre las siguientes opciones:
      + **Más alto de lo esperado** para identificar valores más altos como anomalías.
      + **Más bajo de lo esperado** para identificar valores más bajos como anomalías. 
      + **[TODOS]** para identificar todos los valores anómalos, altos y bajos (configuración predeterminada).

   1. **Delta**: introduzca un valor personalizado para usarlo para identificar anomalías. Cualquier cantidad superior al valor de umbral se considerará una anomalía. Los valores que se especifican aquí cambian el modo en que opera la información en el análisis. En esta sección, puede establecer lo siguiente:
      + **Valor absoluto**: el valor real que desea usar. Por ejemplo, supongamos que es 48. A continuación, Amazon Quick Sight identifica los valores como anómalos cuando la diferencia entre un valor y el valor esperado es superior a 48. 
      + **Porcentaje**: umbral porcentual que desea utilizar. Por ejemplo, supongamos que es 12,5 %. A continuación, Amazon Quick Sight identifica los valores como anómalos cuando la diferencia entre un valor y el valor esperado es superior al 12,5%.

   1. **Ordenar por**: elija un método de clasificación para los resultados. Algunos métodos se basan en la puntuación de anomalías que genera Amazon Quick Sight. Amazon Quick Sight otorga puntuaciones más altas a los puntos de datos que parecen anómalos. Puede utilizar cualquiera de las siguientes opciones: 
      + **Puntuación de anomalías ponderada**: la puntuación de anomalías multiplicada por el registro del valor absoluto de la diferencia entre el valor real y el valor esperado. Esta puntuación es siempre un número positivo. 
      + **Puntuación de anomalías**: la puntuación de anomalías real asignada a este punto de datos.
      + **Diferencia ponderada del valor esperado**: la puntuación de anomalías multiplicada por la diferencia entre el valor real y el valor esperado (predeterminado).
      + **Diferencia del valor esperado**: la diferencia real entre el valor real y el valor esperado (es decir, real esperado).
      + **Valor real**: el valor real sin la fórmula aplicada.

1. En la sección **Programación** puede establecer la programación con el fin de ejecutar automáticamente el nuevo cálculo de información. La programación se ejecuta solo para los paneles publicados. En el análisis, puede ejecutarlo manualmente según sea necesario. La programación incluye las opciones siguientes.
   + **Incidencia**: la frecuencia con la que se desea que se ejecute el recálculo: cada hora, cada día, cada semana o cada mes.
   + **Iniciar programación el**: establezca la fecha y la hora para comenzar la ejecución de esta programación.
   + **Zona horaria**: establezca la zona horaria en la que se ejecuta la programación. Para ver una lista, elimine la entrada actual. 

1. En la sección **Colaboradores principales**, configure Amazon Quick Sight para que analice los factores clave cuando se detecte un valor atípico (anomalía).

   Por ejemplo, Amazon Quick Sight puede mostrar los principales clientes que contribuyeron al aumento de las ventas de productos de mejoras para el hogar en EE. UU. Puede agregar hasta cuatro dimensiones a su conjunto de datos. Estas incluyen dimensiones que no agregó a los cuadros de campo de este widget de información.

   Para ver una lista de dimensiones disponibles para el análisis de contribuciones, elija **Seleccionar campos**.

1. Seleccione **Guardar** para confirmar sus opciones. Elija **Cancelar** para salir sin guardar.

1. En el widget de información, elija **Ejecutar ahora** para ejecutar la detección de anomalías y ver la información.

El periodo de tiempo que tarda en completarse la detección de anomalías varía según el número de puntos de datos únicos que esté analizando. El proceso puede durar unos minutos para un número mínimo de puntos o puede durar muchas horas.

Mientras se ejecuta en segundo plano, puede realizar otras tareas en su análisis. Asegúrese de que se complete antes de cambiar la configuración, editar la narración o abrir la página **Explorar anomalías** correspondiente a esta información.

El widget de información debe ejecutarse al menos una vez para que pueda ver los resultados. Si cree que el estado podría no estar actualizado, puede actualizar la página. La información puede tener los siguientes estados.


| Aparece en la página | Status | 
| --- | --- | 
| Botón Ejecutar ahora | El trabajo aún no ha comenzado. | 
| Mensaje Analizando en busca de anomalías | El trabajo se está ejecutando actualmente. | 
| Narración sobre las anomalías detectadas (valores atípicos)  | El trabajo se ha ejecutado correctamente. El mensaje indica cuándo se actualizó por última vez el cálculo de este widget. | 
| Icono de alerta con un signo de exclamación (\$1)  | Este icono indica que se ha producido un error durante la última ejecución. Si también aparece la narración, puede usar Explorar anomalías para utilizar los datos de la última ejecución correcta.  | 

# Uso del análisis de contribuciones para los factores clave
<a name="anomaly-detection-adding-key-drivers"></a>

Amazon Quick Sight puede identificar las dimensiones (categorías) que contribuyen a los valores atípicos en las medidas (métricas) entre dos momentos. El factor clave que contribuye a la aparición de un valor atípico le ayuda a responder a la siguiente pregunta: ¿Qué causó esta anomalía? 

Si ya utiliza la detección de anomalías sin un análisis de contribuciones, puede utilizar la información sobre el ML existente para encontrar los factores clave. Utilice el siguiente procedimiento para agregar un análisis de contribuciones e identificar los factores clave que se encuentran detrás de los valores atípicos. La información para la detección de anomalías debe incluir un campo de tiempo y al menos una métrica agregada (SUMA, PROMEDIO o RECUENTO). Si lo desea, puede incluir varias categorías (campos de dimensiones), pero también puede realizar un análisis de contribuciones sin especificar ningún campo de categoría o dimensión.

También puede utilizar este procedimiento para cambiar o eliminar campos como factores clave en la detección de anomalías.

**Adición de un análisis de contribuciones a fin de identificar los factores clave**

1. Abra el análisis y localice información sobre el ML existente para la detección de anomalías. Seleccione el widget de información para resaltarlo.

1. Seleccione **Opciones de menú** (**...**) en el menú del elemento visual.

1. Seleccione **Configurar anomalía** para editar la configuración.

1. La configuración **Análisis de contribución (opcional)** permite a Amazon Quick Sight analizar los factores clave cuando se detecta un valor atípico (anomalía). Por ejemplo, Amazon Quick Sight puede mostrarte los principales clientes que han contribuido al aumento de las ventas de productos de mejoras para el hogar en EE. UU. Puede agregar hasta cuatro dimensiones del conjunto de datos, incluidas las dimensiones que no agregó a los cuadros de campo de este widget de información.

   Para ver una lista de dimensiones disponibles para el análisis de contribuciones, seleccione **Seleccionar campos**.

   Si desea cambiar los campos que utiliza como factores clave, cambie los campos que están habilitados en esta lista. Si los desactiva todos, Quick Sight no realizará ningún análisis de contribución a esta información.

1. Para guardar los cambios, desplácese hasta la parte inferior de las opciones de configuración y elija **Guardar**. Para salir sin guardar, elija **Cancelar**. Para eliminar completamente esta configuración, elija **Eliminar**.

# Exploración de los valores atípicos y los factores clave con la detección de anomalías basada en ML y el análisis de contribuciones
<a name="anomaly-exploring"></a>

Puede explorar de forma interactiva las anomalías (también denominadas valores atípicos) en su análisis, junto con los contribuidores (controladores clave). El análisis está disponible después de que se haya ejecutado la detección de anomalías basada en ML. Los cambios que se efectúan en esta pantalla no se guardan al volver al análisis.

Para empezar, elija **Explorar anomalías** en la información. En la siguiente captura de pantalla se muestra la pantalla de anomalías tal y como aparece la primera vez que la abre. En este ejemplo, el análisis de los colaboradores está configurado y muestra dos factores clave.

![\[Se muestra el análisis de anomalías con los colaboradores.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/anomaly-exploration-v2.png)


Las secciones de la pantalla incluyen lo siguiente, desde la parte superior izquierda hasta la parte inferior derecha:
+ **Colaboradores** muestra los factores clave. Para ver esta sección, necesita tener los colaboradores configurados en la configuración de anomalías. 
+ **Controles** contiene ajustes para la exploración de anomalías.
+ **Número de anomalías** muestra los valores atípicos detectados a lo largo del tiempo. Puede ocultar o mostrar esta sección del gráfico.
+ Los **nombres de los campos** de categorías o dimensiones actúan como títulos para los gráficos que muestran anomalías en cada categoría o dimensión. 

En las siguientes secciones se proporciona información detallada sobre cada aspecto de la exploración de anomalías.

**Topics**
+ [Exploración de los colaboradores (factores clave)](exploring-anomalies-key-drivers.md)
+ [Configuración de los controles para la detección de anomalías](exploring-anomalies-controls.md)
+ [Muestra y ocultación de anomalías por fecha](exploring-anomalies-by-date.md)
+ [Exploración de anomalías por categoría o dimensión](exploring-anomalies-per-category-or-dimension.md)

# Exploración de los colaboradores (factores clave)
<a name="exploring-anomalies-key-drivers"></a>

Si su análisis de anomalías está configurado para detectar los factores clave, Quick Sight ejecuta el análisis de contribución para determinar qué categorías (dimensiones) influyen en los valores atípicos. La sección **Colaboradores** aparece a la izquierda. 

**Colaboradores** contiene las siguientes secciones:
+ **Narración**: en la parte superior izquierda, hay un resumen que describe cualquier cambio en las métricas.
+ **Configuración de colaboradores principales**: elija **Configurar** para cambiar los colaboradores y el intervalo de fechas que se utilizarán en esta sección.
+ **Ordenar por**: establece el orden aplicado a los resultados que se muestran debajo. Puede elegir entre las siguientes opciones:
  + **Diferencia absoluta** 
  + **Porcentaje de contribución** (predeterminado) 
  + **Desviación de lo previsto** 
  + **Diferencia de porcentaje** 
+ **Resultados de los colaboradores principales**: muestra los resultados del análisis de los colaboradores principales para el momento seleccionado en la línea temporal de la derecha. 

  El análisis de contribuciones identifica hasta cuatro de los principales factores contribuyentes o factores clave de una anomalía. Por ejemplo, Amazon Quick Sight puede mostrarte los principales clientes que han contribuido al aumento de las ventas de productos de salud en EE. UU. Este panel solo aparece si ha seleccionado campos para incluirlos en el análisis de contribuciones al configurar la anomalía. 

  Si este panel no está visible y desea mostrarlo, puede activarlo. Para ello, vuelva al análisis, elija la configuración de anomalías en el menú de información y elija hasta cuatro campos que analizar en busca de contribuciones. Si realiza cambios en los controles de hoja que excluyen los factores contribuyentes, se cerrará el panel **Colaboradores**.

# Configuración de los controles para la detección de anomalías
<a name="exploring-anomalies-controls"></a>

Puede encontrar los ajustes para la detección de anomalías en la sección **Controles** de la pantalla. Para abrir y cerrar esta sección, haga clic en la palabra **Controles**.

La configuración incluye lo siguiente:
+ **Controles**: la configuración actual aparece en la parte superior del espacio de trabajo. Puede expandir esta sección con el icono de flecha doble en el extremo derecho. Los siguientes ajustes están disponibles para explorar los valores atípicos generados por la detección de anomalías basada en ML:
  + **Gravedad**: establece la sensibilidad del detector con las anomalías (valores atípicos) detectadas. Es posible que vea más anomalías con el umbral establecido en **Baja y más** y menos anomalías si el umbral se establece en **Alta y más**. Esta sensibilidad se determina basándose en las desviaciones estándar de la puntuación de anomalía generada por el algoritmo RCF. El valor predeterminado es **Media y más**.
  + **Dirección**: la dirección en el eje x o el eje y que desea identificar como anómala. El valor predeterminado es [TODOS]. Puede elegir entre las siguientes opciones:
    + Configure esta opción en **Más alto de lo esperado** para identificar valores más altos como anomalías. 
    + Configure esta opción en **Más bajo de lo esperado** para identificar valores más bajos como anomalías. 
    + Configure esta opción en **[TODOS]** para identificar todos los valores anómalos, altos y bajos (configuración predeterminada). 
  + **Delta mínimo: valor absoluto**: introduzca un valor personalizado para usarlo como umbral absoluto para identificar las anomalías. Cualquier cantidad superior a este valor se considerará una anomalía. 
  + **Delta mínimo: porcentaje**: introduzca un valor personalizado para usarlo como umbral porcentual para identificar las anomalías. Cualquier cantidad superior a este valor se considerará una anomalía. 
  + **Ordenar por**: elija el método que desea aplicar a la clasificación de anomalías. Se muestran en el orden preferido en la pantalla. Consulte la siguiente lista para ver una descripción de cada método.
    + **Puntuación de anomalías ponderada**: la puntuación de anomalías multiplicada por el registro del valor absoluto de la diferencia entre el valor real y el valor esperado. Esta puntuación es siempre un número positivo.
    + **Puntuación de anomalías**: la puntuación de anomalías real asignada a este punto de datos.
    + **Diferencia ponderada del valor esperado**: (predeterminado) la puntuación de anomalías multiplicada por la diferencia entre el valor real y el valor esperado.
    + **Diferencia del valor esperado**: la diferencia real entre el valor real y el valor esperado (real esperado).
    + **Valor real**: el valor real sin la fórmula aplicada.
  + **Categorías**: pueden aparecer una o más configuraciones al final de las otras configuraciones. Hay una para cada campo de categoría que haya agregado correctamente al campo de categoría. Puede utilizar esta configuración de categoría para limitar los datos que se muestran en la pantalla. 

# Muestra y ocultación de anomalías por fecha
<a name="exploring-anomalies-by-date"></a>

El gráfico **Número de anomalías** muestra los valores atípicos detectados a lo largo del tiempo. Si no ve este gráfico, puede mostrarlo seleccionando **MOSTRAR ANOMALÍAS POR FECHA**. 

Este gráfico muestra las anomalías (valores atípicos) del punto de datos más reciente de la serie temporal. Al expandirse, muestra los siguientes componentes:
+ **Anomalías**: en el medio de la pantalla se muestran las anomalías del punto de datos más reciente de la serie temporal. En uno o varios gráficos se muestra un gráfico con las variaciones de una métrica a lo largo del tiempo. Para utilizar este gráfico, seleccione un punto a lo largo de la línea temporal. El punto en el tiempo seleccionado actualmente se resalta en el gráfico e incluye un menú que le ofrece la opción de analizar las contribuciones en la métrica actual. También puede arrastrar el cursor sobre la línea temporal sin seleccionar un punto específico, para mostrar el valor de la métrica de ese punto en el tiempo.
+ **Anomalías por fecha**: si elige **MOSTRAR ANOMALÍAS POR FECHA**, aparece otro gráfico que muestra cuántas anomalías significativas había para cada punto temporal. Puede ver los detalles en este gráfico en el menú contextual de cada barra. 
+ **Ajuste de la línea temporal**: cada gráfico tiene una herramienta de ajuste de la línea temporal debajo de las fechas, que puede utilizar para comprimir, expandir o elegir un periodo de tiempo para verlo.

# Exploración de anomalías por categoría o dimensión
<a name="exploring-anomalies-per-category-or-dimension"></a>

La sección principal de la pantalla **Explorar anomalías** está bloqueada en la parte inferior derecha de la pantalla. Permanece aquí sin importar cuántas otras secciones de la pantalla estén abiertas. Si existen varias anomalías, puede desplazarse hacia abajo para resaltarlas. El gráfico muestra las anomalías en gamas de colores y muestra dónde se producen durante un período de tiempo. 

![\[Pantalla Explorar anomalías.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/anomaly-exploration-1.png)


Cada categoría o dimensión tiene un gráfico independiente que utiliza el nombre del campo como título del gráfico. Cada gráfico contiene los siguientes componentes:
+ **Configurar alertas**: si está explorando anomalías en un panel, puede utilizar este botón para suscribirse a alertas y análisis de contribuciones (si está configurado). Puede configurar las alertas según el nivel de gravedad (medio, alto, etc.). Puede obtener las cinco primeras alertas para **Más de lo previsto**, **Menos de lo previsto** o TODO. Los lectores de paneles pueden configurar alertas para sí mismos. La página **Explorar anomalías** no muestra este botón si la página se abre desde un análisis.
**nota**  
La capacidad de configurar alertas solo está disponible en los paneles publicados.
+ **Estado**: debajo del encabezado **Anomalías**, la etiqueta de estado muestra información sobre la última ejecución. Por ejemplo, es posible que vea “Anomalías en los ingresos del 17 de noviembre de 2018”. Esta etiqueta indica cuántas métricas se han procesado y cuánto tiempo ha transcurrido. Puede elegir el enlace para obtener más información sobre los detalles, por ejemplo, cuántas métricas se ignoraron.

# Previsión y creación de escenarios hipotéticos con Amazon Quick Sight
<a name="forecasts-and-whatifs"></a>

Con la previsión basada en ML, puede pronosticar las métricas clave de su empresa con sencillez. point-and-click No se requiere experiencia en machine learning. El algoritmo de aprendizaje automático integrado en Amazon Quick Sight está diseñado para gestionar escenarios complejos del mundo real. Amazon Quick Sight utiliza el aprendizaje automático para ofrecer pronósticos más fiables que los disponibles por medios tradicionales.

Por ejemplo, suponga que administra un negocio. Suponga que desea prever las ventas para ver si va a alcanzar su objetivo para finales de año. O bien, suponga que espera que se cierre un gran acuerdo en dos semanas y desea saber cómo va a afectar a su previsión general. 

Puede pronosticar los ingresos de su empresa con varios niveles de estacionalidad (por ejemplo, las ventas con tendencias semanales y trimestrales). Amazon Quick Sight excluye automáticamente las anomalías en los datos (por ejemplo, un aumento en las ventas debido a una bajada de precio o a una promoción) para que no influyan en la previsión. Tampoco tiene que limpiar y volver a representar los datos con los valores faltantes, ya que Amazon Quick Sight se encarga automáticamente de ello. Además, con la previsión basada en ML, puede realizar análisis condicionales interactivos para determinar la trayectoria de crecimiento que necesita para alcanzar los objetivos de negocio.

## Uso de previsiones y escenarios condicionales
<a name="using-forecasts"></a>

Puede añadir un widget de previsión a su análisis existente y publicarlo como un panel. Para analizar escenarios condicionales, utilice un análisis, no un panel. Con la previsión basada en ML, Amazon Quick Sight le permite pronosticar escenarios complejos del mundo real, como datos con varias estacionalidades. Excluye automáticamente los valores atípicos que identifica e imputa los valores que faltan.

Utilice el siguiente procedimiento para añadir una previsión gráfica a su análisis y explorar los escenarios condicionales.

Aunque el siguiente procedimiento corresponde a la previsión gráfica, también puede agregar una previsión como narración en un widget de información. Para obtener más información, consulte [Creación de narrativas automáticas con Amazon Quick Sight](narratives-creating.md).

[La previsión basada en ML no es compatible con múltiplos pequeños.](small-multiples.md) Para garantizar una visualización precisa de los datos y las previsiones, evite utilizar múltiplos pequeños en sus visualizaciones.

**Adición de una previsión gráfica a su análisis**

1. Cree un elemento visual que utilice un único campo de fecha y hasta tres métricas (medidas).

1. En el menú de la esquina superior derecha de la imagen, seleccione el icono de **opciones de menú** (los tres puntos) y, a continuación, elija **Agregar previsión**.

   Quick Sight analiza automáticamente los datos históricos mediante el aprendizaje automático y muestra una previsión gráfica para los próximos 14 períodos. Las propiedades de previsión se aplican a todas las métricas del elemento visual. Si quiere previsiones individuales para cada métrica, considere la posibilidad de crear una imagen independiente para cada métrica y agregar una previsión a cada una de ellas.  
![\[Imagen de un gráfico de líneas con tres métricas pronosticadas.\]](http://docs.aws.amazon.com/es_es/quick/latest/userguide/images/forecast2.png)

1. En el panel **Propiedades de previsión** que se abre en la parte izquierda, personalice una o más de las siguientes opciones:
   + **Duración de la previsión**: establezca **Periodos futuros** para la previsión y **Periodos pasados** para buscar patrones en los que se basará la previsión.
   + **Intervalo de la predicción**: establezca el intervalo estimado para la previsión. Al hacerlo, se cambia la amplitud de la banda de posibilidad en torno a la línea prevista. 
   + **Estacionalidad**: establezca el número de periodos de tiempo que intervienen en el patrón estacional predecible de los datos. El rango es 1–180, y la configuración predeterminada es **Automático**.
   + **Límites de previsión**: defina un valor de previsión mínimo o máximo para evitar que los valores de previsión superen o bajen un valor especificado. Por ejemplo, si la previsión predice que el número de nuevas contrataciones que la empresa contratará en el mes siguiente será negativo, puede establecer un límite mínimo de previsión en cero. Esto evita que los valores pronosticados nunca caigan por debajo de cero.

   Para guardar los cambios, elija **Aplicar**.

   Si su previsión contiene varias métricas, puede aislar una de las previsiones seleccionando cualquier punto dentro de la banda naranja. Al hacer esto, las demás previsiones desaparecen. Vuelva a seleccionar la banda de previsión aislada para que vuelva a aparecer.

1. Analice escenarios condicionales seleccionando un punto de datos previsto (en la banda naranja) en el gráfico y, a continuación, seleccione **Análisis condicional** del menú contextual.

   Se abre el panel **Análisis condicional** en la parte izquierda. Establezca las siguientes opciones:
   + **Escenario**: establezca un objetivo para una fecha o defina un objetivo para un intervalo de tiempo.
   + **Fechas**: si establece un objetivo para una fecha específica, escriba aquí la fecha. Si usa un intervalo de tiempo, defina las fechas de inicio y finalización.
   + **Objetivo**: establezca un valor objetivo para la métrica.

   Amazon Quick Sight ajusta la previsión para cumplir el objetivo. 
**nota**  
La opción **Análisis condicional** no está disponible para las previsiones con varias métricas. Si desea realizar un escenario condicional en la previsión, el elemento visual debe contener solo una métrica.

1. Para mantener los cambios, elija **Aplicar**. Para descartarlos, cierre el panel **Análisis condicional**. 

   Si mantiene los cambios, la nueva previsión se ajustará al objetivo, junto con la previsión original sin el análisis condicional. 

   El análisis condicional se representa en el elemento visual como un punto en la línea de métrica. Puede colocar el cursor por encima de los puntos de datos en la línea de previsión para ver los detalles. 

A continuación se indican otras acciones que puede hacer:
+ Para interactuar con un análisis condicional o eliminarlo, elija el punto en la línea de métrica. 
+ Para crear escenarios condicionales adicionales, cierre el análisis condicional antes de elegir un nuevo punto en la línea.

**nota**  
Los análisis condicionales solo pueden estar un análisis, no en un panel.