Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Obtenir des informations grâce à l'apprentissage automatique (ML) dans Amazon Quick Sight
<a name="making-data-driven-decisions-with-ml-in-quicksight"></a>

Amazon Quick Sight utilise l'apprentissage automatique pour vous aider à découvrir des informations et des tendances cachées dans vos données, à identifier les principaux facteurs et à prévoir les indicateurs commerciaux. Vous pouvez également utiliser ces informations dans des récits en langage naturel intégrés dans des tableaux de bord. 

Grâce à l'apprentissage automatique (ML) et aux fonctionnalités du langage naturel, Amazon Quick Sight Enterprise Edition vous emmène au-delà de l'analyse descriptive et diagnostique, et vous permet de vous lancer dans les prévisions et la prise de décision. Vous pouvez comprendre vos données du premier coup d’œil, partager vos résultats et découvrir les décisions les plus appropriées pour atteindre vos objectifs. Vous pouvez le faire sans avoir à développer des équipes et des technologies pour créer les modèles et algorithmes de machine learning nécessaires. 

Vous avez probablement déjà défini des visualisations qui répondent à des questions sur ce qui s’est passé, quand, où et comment, et qui fournissent des niveaux d’exploration plus profonds pour effectuer des recherches et identifier des modèles. Les informations de ML vous évitent de passer des heures à effectuer des analyses et des recherches manuelles. Vous pouvez faire votre choix parmi une liste de récits contextuels personnalisés appelés *narrations automatiques* et les ajouter à votre analyse. Outre le choix des narrations automatiques, vous pouvez choisir d’afficher les prévisions, les anomalies et les facteurs qui y contribuent. Vous pouvez également ajouter des narrations automatiques qui expliquent les principaux points à retenir dans un langage clair et simple, fournissant ainsi une vérité unique basée sur les données pour votre entreprise. 

Au fur et à mesure que le temps passe et que les données circulent dans le système, Amazon Quick Sight apprend en permanence afin de fournir des informations toujours plus pertinentes. Au lieu de décider de la signification des données, vous pouvez décider quoi faire des informations qu’elles fournissent. 

Grâce à une base commune basée sur le machine learning, tous vos analystes et parties prenantes peuvent voir les tendances, les anomalies, les prévisions et les récits personnalisés construits à partir de millions de mesures. Ils peuvent voir les causes profondes, examiner les prévisions, évaluer les risques et prendre des décisions éclairées et justifiables. 

Vous pouvez créer un tableau de bord de ce type sans analyse manuelle, sans compétences en développement personnalisé et sans connaissance de la modélisation ou des algorithmes de machine learning. Toutes ces fonctionnalités sont intégrées à Amazon Quick Sight Enterprise Edition.

**Note**  
Les capacités de machine learning sont utilisées en fonction des besoins dans l’ensemble du produit. Les caractéristiques qui utilisent activement de machine learning sont étiquetées en tant que telles. 

Avec ML Insights, Amazon Quick Sight propose trois fonctionnalités principales :
+ **Détection des anomalies basée sur le ML :** Amazon Quick Sight utilise la technologie éprouvée d'apprentissage automatique d'Amazon pour analyser en permanence toutes vos données afin de détecter les anomalies (valeurs aberrantes). Vous pouvez identifier les principaux facteurs qui contribuent à toute modification significative des indicateurs de votre entreprise, tels que les higher-than-expected ventes ou la baisse du trafic de votre site Web. Amazon Quick Sight utilise l'algorithme Random Cut Forest sur des millions de mesures et des milliards de points de données. Vous pouvez ainsi obtenir des informations précises qui sont souvent enfouies dans les regroupements, inaccessibles avec l’analyse manuelle. 
+ **Prévisions basées sur le ML** : Amazon Quick Sight permet aux utilisateurs non techniques de prévoir en toute confiance leurs principaux indicateurs commerciaux. L’algorithme de ML Random Cut Forest intégré gère automatiquement des scénarios complexes concrets, notamment la détection de la saisonnalité et des tendances, à l’exclusion des valeurs aberrantes, et l’ajout des valeurs manquantes. Vous pouvez interagir avec les données en point-and-click toute simplicité.
+ **Récits automatiques : en utilisant les** récits automatiques dans Amazon Quick Sight, vous pouvez créer des tableaux de bord enrichis avec des récits intégrés pour raconter l'histoire de vos données dans un langage simple. Vous pourrez ainsi économiser des heures à passer au crible les graphiques et les tableaux pour extraire les informations clés pour la production de rapports. De plus, l’ensemble de votre entreprise bénéficiera d’une compréhension commune des données, ce qui implique une prise de décision plus rapide. Vous pouvez utiliser la narration automatique suggérée ou personnaliser les calculs et le langage pour répondre à vos besoins particuliers. Amazon Quick Sight revient à fournir un analyste de données personnelles à tous vos utilisateurs.

**Topics**
+ [Comprendre l'algorithme ML utilisé par Amazon Quick Sight](concept-of-ml-algorithms.md)
+ [Exigences relatives aux ensembles de données pour utiliser ML Insights avec Amazon Quick Sight](ml-data-set-requirements.md)
+ [Utilisation des informations dans Amazon Quick Sight](computational-insights.md)
+ [Création de récits automatiques avec Amazon Quick Sight](narratives-creating.md)
+ [Détection des cas particuliers grâce à la détection des anomalies basée sur le machine learning](anomaly-detection.md)
+ [Prévision et création de scénarios hypothétiques avec Amazon Quick Sight](forecasts-and-whatifs.md)

# Comprendre l'algorithme ML utilisé par Amazon Quick Sight
<a name="concept-of-ml-algorithms"></a>


|  | 
| --- |
|  Vous n'avez pas besoin d'expérience technique en apprentissage automatique pour utiliser les fonctionnalités basées sur le ML d'Amazon Quick Sight. Cette section plonge dans les aspects techniques de l’algorithme, pour ceux qui souhaitent connaître son fonctionnement de façon détaillée. Il n’est pas nécessaire de lire ces informations pour utiliser les fonctionnalités.   | 

Amazon Quick Sight utilise une version intégrée de l'algorithme Random Cut Forest (RCF). Les sections suivantes expliquent ce que cela signifie et comment il est utilisé dans Amazon Quick Sight.

Tout d’abord, nous allons examiner la terminologie utilisée : 
+ Anomalie – Élément qui se caractérise par sa différence avec la majorité des autres éléments dans le même échantillon. Également qualifié de cas particulier, d’exception, d’écart, etc.
+ Point de données – Une unité discrète – ou plus simplement, une ligne – dans un jeu de données. Toutefois, une ligne peut comporter plusieurs points de données si vous utilisez une mesure sur différentes dimensions.
+ Arbre de décision – Manière de visualiser le processus de prise de décision de l’algorithme qui évalue des modèles dans les données.
+ Prévisions – Prédiction des comportements futurs en fonction des comportements actuels et passés.
+ Modèle – Représentation mathématique de l’algorithme ou de ce que l’algorithme apprend.
+ Saisonnalité – Comportements récurrents qui se produisent cycliquement dans des données de séries temporelles.
+ Série chronologique – Ensemble classé de données de date ou d’heure dans un champ ou une colonne.

**Topics**
+ [Quelle est la différence entre la détection des anomalies et les prévisions ?](difference-between-anomaly-detection-and-forecasting.md)
+ [Qu’est-ce que RCF ?](what-is-random-cut-forest.md)
+ [Comment l’algorithme RCF est appliqué à la détection des anomalies](how-does-rcf-detect-anomalies.md)
+ [Comment l’algorithme RCF est appliqué pour générer des prévisions](how-does-rcf-generate-forecasts.md)
+ [Références pour le machine learning et le RCF](learn-more-about-machine-learning-and-rcf.md)

# Quelle est la différence entre la détection des anomalies et les prévisions ?
<a name="difference-between-anomaly-detection-and-forecasting"></a>

La détection d’anomalies identifie les cas particuliers et les facteurs qui y contribuent pour répondre à la question « Que s’est-il passé, qui ne se passe pas habituellement ? » Les prévisions répondent à la question « Si tout continue à se passer comme prévu, que se passera-t-il à l’avenir ? » Le calcul qui permet les prévisions permet également de demander « Si certains éléments changent, qu’arrive-t-il ensuite ? » 

La détection des anomalies et les prévisions commencent toutes deux par l’examen des points de données connus actuels. La détection des anomalies par Amazon Quick Sight commence par ce qui est connu afin d'établir ce qui ne fait pas partie de l'ensemble connu et d'identifier ces points de données comme anormaux (valeurs aberrantes). Les prévisions d'Amazon Quick Sight excluent les points de données anormaux et s'en tiennent au schéma connu. Les prévisions se concentrent sur le modèle établi de distribution des données. En revanche, la détection des anomalies se concentre sur les points de données qui s’écartent de ce qui est attendu. Chaque méthode aborde la prise de décision d’un point de vue différent. 

# Qu’est-ce que RCF ?
<a name="what-is-random-cut-forest"></a>

Un algorithme *random cut forest* (RCF) est un type particulier d’algorithme appelé *forêt aléatoire* (RF), une technique largement utilisée et extrêmement efficace dans le domaine de machine learning. Cette méthode prend un ensemble de points de données aléatoires, les réduit au même nombre de points, puis crée un ensemble de modèles. En revanche, un modèle correspond à un arbre de décision, d’où le nom de forêt. Comme elles ne RFs peuvent pas être facilement mises à jour de manière incrémentielle, nous RCFs avons inventé des variables dans la construction arborescente conçues pour permettre des mises à jour incrémentielles. 

En tant qu’algorithme non supervisé, l’algorithme RCF utilise l’analyse de cluster pour détecter les pics dans les données de séries temporelles, les ruptures de périodicité ou de saisonnalité, et les points de données inclassables. Les RCF (random cut forests) peuvent fonctionner comme une synthèse ou un schéma d’un flux de données dynamique (ou d’une séquence de nombres temporellement indexée). Les réponses à nos questions sur le flux proviennent de cette synthèse. Les caractéristiques suivantes adressent le flux et comment nous faisons des connexions avec la détection d’anomalies et les prévisions :
+ Un *algorithme de streaming *est un algorithme en ligne qui nécessite peu d’espace mémoire. Un algorithme en ligne prend sa décision sur le point d’entrée indexé par le temps **t** avant de voir le point **(t\$11) -**st. La faible mémoire permet des algorithmes légers qui peuvent produire des réponses avec une faible latence et permettre à un d’interagir avec les données.
+ Respecter l’ordre imposé par le temps, comme dans un algorithme *en ligne*, est nécessaire pour la détection et la prévision des anomalies. Si nous savons déjà ce qui se passera après-demain, prédire ce qui se passera demain n’est pas une prévision, il s’agit simplement d’interpoler une valeur manquante inconnue. De même, un nouveau produit introduit aujourd’hui peut être une anomalie, mais il ne le restera pas nécessairement à la fin du trimestre suivant. 

# Comment l’algorithme RCF est appliqué à la détection des anomalies
<a name="how-does-rcf-detect-anomalies"></a>

Un humain peut facilement distinguer un point de données qui se distingue du reste des données. RCF fait de même en construisant une « forêt » d’arbres décisionnels, puis en effectuant le suivi de la façon dont les nouveaux points de données modifient la forêt. 

Une *anomalie* est un point de données qui attire votre attention parmi les points normaux. Imaginez une fleur rouge dans un champ de fleurs jaunes. Ce « déplacement de l’attention » est codé dans la position (attendue) d’un arbre (c’est-à-dire, un modèle dans RCF) qui serait occupé par le point d’entrée. L’idée est de créer une forêt où chaque arbre de décision se développe à partir d’une partition des données échantillonnées pour former l’algorithme. En termes plus techniques, chaque arbre crée un type spécifique d’arbre de partitionnement d’espace binaire sur les échantillons. Au fur et à mesure qu'Amazon Quick Sight échantillonne les données, RCF attribue un score d'anomalie à chaque point de données. Des valeurs élevées indiquent que le point de données est considéré comme anormal. Le score est, approximativement, inversement proportionnel à la profondeur résultante du point dans l’arborescence. L’algorithme Random Cut Forest attribue une valeur d’anomalie en calculant la valeur moyenne de chaque arbre constitutif et en dimensionnant le résultat par rapport à la taille de l’échantillon. 

Les votes ou scores des différents modèles sont regroupés, parce que chacun des modèles en soi est un prédicteur faible. Amazon Quick Sight identifie un point de données comme anormal lorsque son score est significativement différent des points récents. Ce qui est considéré comme une anomalie dépend de l’application. 

Le document [Random Cut Forest Based Anomaly Detection On Streams](http://proceedings.mlr.press/v48/guha16.pdf) fournit de nombreux exemples de cette détection d'anomalies state-of-the-art en ligne (détection d'anomalies en série chronologique). RCFssont utilisés sur des segments contigus ou « bardeaux » de données, où les données du segment immédiat servent de contexte au segment le plus récent. Les versions précédentes des algorithmes de détection des anomalies basés sur un RCF évaluent un shingle entier. L'algorithme d'Amazon Quick Sight fournit également une localisation approximative de l'anomalie dans le contexte étendu actuel. Cet emplacement approximatif peut être utile dans les cas d’un retard dans la détection de l’anomalie. Les retards se produisent parce que tous les algorithmes doivent caractériser les « écarts vus au préalable » en « écarts anormaux », qui peuvent se dérouler sur un certain temps. 

# Comment l’algorithme RCF est appliqué pour générer des prévisions
<a name="how-does-rcf-generate-forecasts"></a>

Pour prévoir la valeur suivante dans une séquence de temps stationnaire, l’algorithme RCF répond à la question « Quelle serait la fin la plus probable, dès que l’on dispose d’une valeur candidate ? » Il utilise un seul arbre dans RCF pour effectuer une recherche de la meilleure candidate. Les candidates dans les différents arbres sont regroupées, car chaque arbre est en soi un faible prédicteur. Le regroupement permet également de générer des erreurs de quantile. Ce processus est répété **t** fois pour prédire la **t**ème valeur dans le futur. 

L'algorithme d'Amazon Quick Sight s'appelle *BIFOCAL*. Il en utilise deux RCFs pour créer une FOrest architecture CALibrated BI. Le premier RCF est utilisé pour filtrer les anomalies et fournir une faible prévision, qui est corrigée par le second. Dans l’ensemble, cette approche fournit des prévisions beaucoup plus robustes que d’autres algorithmes largement disponibles tels qu’ETS. 

Le nombre de paramètres de l'algorithme de prévision Amazon Quick Sight est nettement inférieur à celui des autres algorithmes largement disponibles. Il peut être ainsi utile dès le départ, sans ajustement humain pour un plus grand nombre de points de données en séries chronologiques. À mesure que de plus en plus de données s'accumulent dans une série chronologique donnée, les prévisions d'Amazon Quick Sight peuvent s'adapter aux dérives des données et aux changements de modèle. Pour les séries chronologiques qui affichent les tendances, la détection des tendances est d’abord effectuée pour rendre la série stationnaire. La prévision de cette séquence stationnaire est projetée avec la tendance. 

Étant donné que l’algorithme s’appuie sur un algorithme en ligne efficace (RCF), il peut prendre en charge les requêtes interactives de type « hypothétiques ». Dans ces dernières, certaines prévisions peuvent être modifiées et traitées comme des hypothèses pour fournir des prévisions conditionnelles. Il s’agit de l’origine de la possibilité d’explorer des scénarios « hypothétiques » pendant l’analyse. 

# Références pour le machine learning et le RCF
<a name="learn-more-about-machine-learning-and-rcf"></a>

Pour en savoir plus sur le machine learning et cet algorithme, nous vous conseillons de consulter les ressources suivantes :
+ L’article [Robust Random Cut Forest (RRCF): A No Math Explanation](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/) fournit une explication claire sans équations mathématiques. 
+ Le livre [*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) fournit une base solide sur le machine learning. 
+ [http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf), un article scientifique qui explore les deux aspects techniques de la détection d’anomalies et des prévisions, avec des exemples. 

Une approche différente du RCF apparaît dans d'autres AWS services. Si vous souhaitez explorer la façon dont RCF est utilisé dans d’autres services, consultez les ressources suivantes :
+ *Service géré Amazon pour Apache Flink Référence 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)
+ *Guide SageMaker du développeur Amazon :* [Algorithme Random Cut Forest (RCF)](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html). Cette approche est également expliquée dans [The Random Cut Forest Algorithme](https://freecontent.manning.com/the-randomcutforest-algorithm/), un chapitre de [Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (octobre 2018). 

# Exigences relatives aux ensembles de données pour utiliser ML Insights avec Amazon Quick Sight
<a name="ml-data-set-requirements"></a>

Pour commencer à utiliser les fonctionnalités d'apprentissage automatique d'Amazon Quick Sight, vous devez vous connecter à vos données ou les importer. Vous pouvez utiliser un ensemble de données Amazon Quick Sight existant ou en créer un nouveau. Vous pouvez interroger directement votre source compatible SQL, ou intégrer les données dans SPICE. 

Les données doivent avoir les propriétés suivantes : 
+  Au moins une métrique (par exemple, ventes, commandes, unités expédiées, inscriptions, etc.). 
+  Au moins une dimension de catégorie (par exemple, catégorie de produits, canal, segment, secteur, etc.). Les catégories avec des valeurs NULL sont ignorées.
+ La détection des anomalies nécessite un minimum de 15 points de données pour la formation. Par exemple, si la fréquence de vos données est quotidienne, vous avez besoin de 15 jours de données minimum. Si la fréquence est mensuelle, vous avez besoin de 15 mois de données minimum. 
+ Plus vous disposez de données, plus les prévisions sont précises. Pour un résultat optimal, assurez-vous que votre jeu de données dispose de suffisamment de données historiques. Par exemple, si la fréquence de vos données est quotidienne, vous avez besoin de 38 jours de données minimum. Si fréquence est mensuelle, vous avez besoin de 43 mois de données minimum. Les exigences relatives à la fréquence temporelle sont les suivantes :
  + Années : 32 points de données
  + Trimestres : 35 points de données
  + Mois : 43 points de données
  + Semaines : 35 points de données
  + Jours : 38 points de données
  + Heures : 39 points de données
  + Minutes : 46 points de données
  + Secondes : 46 points de données
+ Si vous souhaitez analyser des anomalies ou des prévisions, vous avez également besoin d’au moins une dimension de date. 

Si vous ne disposez pas d’un jeu de données pour pouvoir commencer, vous pouvez télécharger l’exemple suivant : [ML Insights Sample Dataset VI](samples/ml-insights.csv.zip). Une fois que votre jeu de données est prêt, créez une analyse à partir de ce dernier.

# Utilisation des informations dans Amazon Quick Sight
<a name="computational-insights"></a>

Dans Amazon Quick Sight, vous pouvez ajouter ready-to-use des calculs analytiques à votre analyse sous forme de widgets. Vous pouvez utiliser les informations de deux manières :
+ **Informations suggérées**

  Amazon Quick Sight crée une liste d'informations suggérées en fonction de son interprétation des données que vous insérez dans vos visuels. La liste change en fonction du contexte. En d’autres termes, vous pouvez voir différentes suggestions en fonction des champs que vous ajoutez à votre représentation visuelle et du type de représentation visuelle que vous choisissez. Par exemple, si vous avez une visualisation de séries chronologiques, vos informations peuvent inclure des period-over-period changements, des anomalies et des prévisions. Au fur et à mesure que vous ajoutez davantage de représentations visuelles à votre analyse, vous générez davantage d’informations suggérées.
+ **Informations personnalisées**

  Les informations personnalisées vous permettent de créer vos propres calculs, avec vos propres mots pour fournir du contexte aux champs qui apparaissent dans le widget. Lorsque vous créez une information personnalisée, vous l’ajoutez à l’analyse, puis choisissez le type de calcul que vous souhaitez utiliser. Vous pouvez ensuite ajouter du texte et une mise en forme pour l’afficher comment vous le souhaitez. Vous pouvez également ajouter des champs, des calculs et des paramètres supplémentaires.

Vous pouvez ajouter tout type de combinaisons d’informations suggérées et personnalisées à votre analyse, pour créer l’environnement de prise de décision qui convient le mieux à vos besoins.

**Topics**
+ [Ajouter des informations suggérées](adding-suggested-insights.md)
+ [Ajout d’informations personnalisées à votre analyse](adding-insights.md)

# Ajouter des informations suggérées
<a name="adding-suggested-insights"></a>

Utilisez la procédure suivante pour ajouter des informations suggérées à votre analyse.

Avant de commencer, assurez-vous que votre jeu de données répond aux critères décrits dans [Exigences relatives aux ensembles de données pour utiliser ML Insights avec Amazon Quick Sight](ml-data-set-requirements.md).

1. Commencez par une analyse qui comporte quelques champs ajoutés à une représentation visuelle. 

1. Sur la gauche, choisissez **Insights (Informations)**. Le panneau **Insights** s'ouvre et affiche une liste d'informations ready-to-use suggérées. 

   Chaque représentation visuelle comporte également une petite boîte sur son bord supérieur contenant le nombre de nouvelles informations qui y sont disponibles. Vous pouvez sélectionner cette boîte pour ouvrir le panneau **Insights (Informations)** et il ouvre l’une des vues que vous avez ouvertes récemment.

   Faites défiler l’écran vers le bas pour afficher davantage d’informations. 

   Les informations qui apparaissent sont contrôlées par le type de données des champs que vous choisissez d’inclure dans votre représentation visuelle. Cette liste est générée chaque fois que vous modifiez votre représentation visuelle. Si vous apportez des modifications, consultez les **Insights (Informations)** pour voir ce qu’il y a de nouveau. Pour obtenir des informations spécifiques, consultez [Ajout d’informations personnalisées à votre analyse](adding-insights.md).

1. (Facultatif) Ouvrez le menu contextuel avec plus d’options pour l’une des informations. Pour ce faire, choisissez les points de suspension en haut à droite de l’information (**…**).

   Les options sont différentes pour chaque type d’information. Les options avec lesquelles vous pouvez interagir incluent les éléments suivants :
   + **Modifier le regroupement en séries chronologiques** – Sur année, trimestre, mois, semaine, jour ou minute.
   + **Analyser les contributions aux métriques** – Choisissez des facteurs ayant contribué et une période à analyser.
   + **Afficher toutes les anomalies** – Parcourez les anomalies pendant cette période.
   + **Modifier la prévision** – Choisissez la longueur des prévisions, l’intervalle de prévision et la saisonnalité.
   + **Se concentrer sur** ou **Exclure** – Zoomez en avant ou en arrière sur vos données dimensionnelles.
   + **Afficher les détails** – Affichez plus d’informations sur une anomalie récente (cas particulier).
   + Fournir des commentaires concernant l’utilité de l’information dans votre analyse.

1. Ajoutez une information suggérée à votre analyse en choisissant le signe plus (**\$1**) à côté du nom de l’information.

1. (Facultatif) Après l’ajout d’une information à votre analyse, personnalisez le texte que vous souhaitez qu’elle affiche. Pour ce faire, choisissez le menu de la représentation visuelle en forme de **v**, puis **Customize narrative (Personnaliser narration)**. Pour de plus amples informations, veuillez consulter [Création de récits automatiques avec Amazon Quick Sight](narratives-creating.md).

   Si votre information se rapporte à des anomalies (cas particuliers), vous pouvez également modifier les paramètres pour la tâche de détection des anomalies. Pour ce faire, choisissez **Configure anomaly (Configurer anomalie)**. Pour de plus amples informations, veuillez consulter [Configuration de la détection des anomalies basée sur le Machine Learning pour l’analyse des cas particuliers](anomaly-detection-using.md).

1. (Facultatif) Pour supprimer l’information dans votre analyse, choisissez le menu de la représentation visuelle en forme de **v** dans la partie supérieure droit de cette dernière. Ensuite, choisissez **Supprimer**. 

# Ajout d’informations personnalisées à votre analyse
<a name="adding-insights"></a>

Si vous ne souhaitez pas utiliser les informations suggérées, vous pouvez créer vos informations personnalisées. Utilisez la procédure suivante pour créer une information de calcul personnalisée.

1. Démarrez avec une analyse existante. Dans la barre de menu supérieure, choisissez **Ajouter\$1**. Ensuite, choisissez **Add Insight (Ajouter information)**. 

   Un conteneur pour la nouvelle information est ajouté à l’analyse.

1. Effectuez l’une des actions suivantes :
   + Choisissez le calcul que vous voulez utiliser dans la liste. À mesure que vous choisissez chaque élément, un exemple de sortie de cette information s’affiche. Lorsque vous trouvez celle que vous souhaitez utiliser, choisissez **Select (Sélectionner)**. 
   + Quittez cet écran et personnalisez l’information manuellement. Une information non configurée inclut un bouton **Customize insight (Personnaliser information)**. Cliquez sur le bouton pour ouvrir l’écran **Configure narrative (Configurer narration)**. Pour plus d’informations sur l’utilisation de l’éditeur d’expression, consultez [Création de récits automatiques avec Amazon Quick Sight](narratives-creating.md). 

   Étant donné que vous commencez la création de l’information, elle n’est pas basée sur une représentation visuelle existante. Lors de l’ajout de l’information à l’analyse, un message indiquant le type de données nécessaire pour achever votre requête s’affiche. Par exemple, il peut demander **1 dimension in Time (1 dimension dans le temps)**. Dans ce cas, vous ajoutez une dimension au sélecteur de **Time (Temps)**. 

1. Une fois que vous disposez des données adéquates, suivez les invites de l’écran pour terminer la création de l’information personnalisée.

1. (Facultatif) Pour supprimer l’information dans votre analyse, choisissez le menu de la représentation visuelle en forme de **v** dans la partie supérieure droit de cette dernière. Ensuite, choisissez **Supprimer**. 

# Création de récits automatiques avec Amazon Quick Sight
<a name="narratives-creating"></a>

Une *narration automatique *est un widget de synthèse en langage naturel qui affiche un texte descriptif au lieu de graphiques. Vous pouvez intégrer ces widgets tout au long de votre analyse pour mettre en avant les informations clés. Vous n’avez pas besoin de passer au crible la représentation visuelle, réaliser des recherches, comparer des valeurs et revérifier les idées pour en tirer une conclusion. De même, vous n’avez pas à essayer de comprendre ce que signifie les données ou débattre à propos de différentes interprétations avec vos collègues. Au lieu de cela, vous pouvez extrapoler la conclusion à partir des données et l’afficher dans l’analyse, clairement énoncée. Une interprétation unique peut être partagée par tout le monde.

Amazon Quick Sight interprète automatiquement les graphiques et les tableaux de votre tableau de bord et fournit un certain nombre de suggestions d'informations en langage naturel. Les informations suggérées que vous pouvez ainsi choisir sont prêtes à l’emploi et accompagnées de mots, de calculs et de fonctions. Vous pouvez néanmoins les modifier si vous le souhaitez. Vous pouvez également créer les vôtres. En tant qu’auteur du tableau de bord, vous disposez d’une liberté totale pour personnaliser les calculs et le langage en fonction de vos besoins. Vous pouvez utiliser des narrations pour raconter efficacement l’histoire de vos données dans un langage simple.

**Note**  
Les récits sont distincts de machine learning. Elles utilisent le Machine Learning uniquement si vous leur ajoutez des calculs de prévision ou d’anomalie (cas particuliers).

**Topics**
+ [Informations qui incluent des narrations automatiques](auto-narratives.md)
+ [Utilisation de l’éditeur d’expressions narratives](using-narratives-expression-editor-step-by-step.md)
+ [L’espace de travail de l’éditeur d’expressions](using-narratives-expression-editor-menus.md)
+ [Ajouter URLs](using-narratives-expression-editor-urls.md)
+ [Utilisation des calculs de narrations automatiques](auto-narrative-computations.md)

# Informations qui incluent des narrations automatiques
<a name="auto-narratives"></a>

Lorsque vous ajoutez une information, également connue comme narration automatique, à votre analyse, vous pouvez choisir parmi les modèles suivants. Dans la liste suivante, elles sont définies par exemple. Chaque définition inclut une liste de champs minimum requis pour que la narration automatique fonctionne. Si vous utilisez uniquement les informations suggérées dans l’onglet **Insights (Informations)**, choisissez les champs appropriés pour obtenir une information à afficher dans la liste des informations suggérées.

Pour plus d’informations sur la personnalisation des narrations automatiques, consultez [Utilisation des calculs de narrations automatiques](auto-narrative-computations.md)
+ **Classées en bas** – Par exemple, les trois derniers états par revenus des ventes. Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 
+ **Outils de déplacement du bas** – par exemple, les trois produits les moins vendus, par revenus des ventes. Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)** et au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 
+ **Prévision** *(informations basées sur le machine learning) *– Par exemple, « Le total des ventes devrait s’élever à 58 613 USD en janvier 2016. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)**. 
+ **Taux de croissance** – Par exemple, « Le taux de croissance des ventes cumulées sur 3 mois est de 22,23 %. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)**. 
+ **Maximum** – par exemple, « Le meilleur mois est novembre 2014 avec des ventes s’élevant à 112 326 USD. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)**. 
+ **Comparaison de métriques** – Par exemple, « Le total des ventes pour décembre 2014 s’élève à 90 474 USD, soit 10 % de plus que l’objectif de 81 426 USD. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)** et au moins deux mesures dans le sélecteur de champs **Values (Valeurs)**. 
+ **Minimum** – Par exemple, « Le mois le plus faible est février 2011 avec des ventes s’élevant à 4 810 USD. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)**. 
+ **Détection des anomalies***(informations basées sur le machine mearning)* – Par exemple, les trois principaux cas particuliers et les facteurs qui y contribuent pour le total des ventes le 3 janvier 2019. Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)**, au moins une mesure dans le sélecteur de champs **Values (Valeurs)** et au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 
+ **D’une période à l’autre** – Par exemple « Le total des ventes en novembre 2014 a augmenté de 44,39 % (34 532 USD), passant de 77 793 USD à 112 326 USD. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)**. 
+ **Période à ce jour** — Par exemple, « les ear-to-date ventes Y du 30 novembre 2014 ont augmenté de 25,87 % (132 236\$1), passant de 511 236\$1 à 643 472\$1 ». Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)**. 
+ **Classées en haut** – Par exemple, les trois états les plus élevés par revenus des ventes. Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 
+ **Outils de déplacement du haut** – Par exemple, meilleurs produits par revenus de ventes en novembre 2014. Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)** et au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 
+ **Regroupement total** – Par exemple, « Le chiffre d’affaires total est 2 297 200 USD. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Time (Temps)** et au moins une mesure dans le sélecteur de champs **Values (Valeurs)**. 
+ **Valeurs uniques** – Par exemple, « Il existe 793 valeurs uniques dans `Customer_IDs`. » Nécessite que vous ayez au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 

# Utilisation de l’éditeur d’expressions narratives
<a name="using-narratives-expression-editor-step-by-step"></a>

La procédure suivante présente un exemple de personnalisation d’une narration. Nous utilisons pour ce faire un type de calcul d’une période à l’autre.

1. Commencez avec une analyse existante. Ajoutez une information d’une **période à l’autre** à cette dernière. La manière la plus simple de le faire consiste à choisir l’icône \$1, **Ajouter une information**, puis un type d’information dans la liste. Pour savoir quel type d’informations de calcul vous pouvez ajouter en tant que narrations automatiques, consultez [Informations qui incluent des narrations automatiques](auto-narratives.md).

   Après avoir choisi un type d’aperçu, choisissez **Select (Sélectionner)** pour créer le widget. Pour créer une narration vide, quittez cet écran sans choisir un modèle. Selon cet exemple, choisissez **Period over period (D’une période à l’autre)**.

   Si une représentation visuelle était sélectionnée lors de l’ajout de l’aperçu, les sélecteurs de champs contiennent des champs préconfigurés pour la date, la métrique et la catégorie. Ils proviennent de la visualisation que vous avez choisie lorsque vous avez créé l’information. Vous pouvez personnaliser les champs selon vos besoins.

   Vous pouvez uniquement personnaliser une narration pour un widget d’information nouveau ou existant (basé sur du texte). Vous ne pouvez pas en ajouter un à une représentation visuelle existante (basée sur un graphique), car il s’agit d’un autre type de widget. 

1. Pour modifier la narration dans l’éditeur d’expressions, choisissez le menu de la représentation visuelle, puis **Customize narrative (Personnaliser la narration)**.

   Dans ce contexte, les **calculs sont des** calculs prédéfinis (period-over-period period-to-date,, taux de croissance, max, min, top movers, etc.) auxquels vous pouvez faire référence dans votre modèle pour décrire vos données. Amazon Quick Sight prend actuellement en charge 13 types de calculs différents que vous pouvez ajouter à vos informations. Dans cet exemple, **PeriodOverPeriod**il est ajouté par défaut car nous avons choisi le modèle **Period Over Period** dans le panneau d'informations suggéré. 

1. Choisissez **Add computation (Ajouter un calcul)** en bas à gauche, puis choisissez un calcul dans la liste. Pour les besoins de cette démonstration, choisissez **Growth rate (Taux de croissance)**, puis **Next (Suivant)**.

1. Configurez le calcul en choisissant le nombre de périodes sur lesquelles vous souhaitez effectuer le calcul. La valeur par défaut est 4, ce qui convient parfaitement pour notre exemple. Le cas échéant, vous pouvez modifier le nom du calcul en haut de l’écran. Cependant, pour nos besoins, laissez le nom tel quel.
**Note**  
Les noms de calcul que vous créez sont uniques dans l’information. Vous pouvez référencer plusieurs calculs du même type dans votre modèle de narration. Par exemple, supposons que vous avez deux métriques, revenus de ventes et unités vendues. Vous pouvez créer des calculs de taux de croissance pour chaque métrique s’ils ont des noms différents.   
Toutefois, les calculs d’anomalies ne sont compatibles avec aucun autre type de calcul dans le même widget. La détection des anomalies doit exister dans une information par elle-même. Pour utiliser d’autres calculs dans la même analyse, il faut les placer dans de nouvelles informations différentes des anomalies.

   Pour ce faire, choisissez **Add (Ajouter)**.

1. Développez **Computations (Calculs)** sur la droite. Les calculs qui font partie de la narration s’affichent dans la liste. Dans ce cas, c'est **PeriodOverPeriod**et **GrowthRate**. 

1. Dans l’espace de travail, ajoutez le texte suivant après la dernière période : **Compounded growth rate for the last**, puis ajoutez un espace.

1. Ensuite, pour ajouter le calcul, laissez le curseur après l’espace situé après le mot **last**. Sur la droite, sous **GrowthRate**, choisissez l'expression nommée **TimePeriods (**cliquez une seule fois pour l'ajouter). 

   Cela permet d'insérer l'expression **GrowthRate.timePeriods**, qui correspond au nombre de périodes que vous avez défini dans la configuration pour. **GrowthRate** 

1. Complétez la phrase avec ** days is ** (un espace avant et après), puis ajoutez l'expression **GrowthRate. compoundedGrowthRate.FormattedValue**, suivi d'un point (). `.` Choisissez l’expression dans la liste au lieu de la saisir. Vous pouvez néanmoins modifier le contenu de l’expression après l’avoir ajoutée.  
![\[Éditeur d’expressions avec liste d’expressions ouvertes.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/narrative-add-expression.png)
**Note**  
L’expression **formattedValue** renvoie une chaîne qui est formatée selon le formatage appliqué à la métrique sur le champ. Pour effectuer des calculs de métriques utilisez **value** à la place, laquelle renvoie la valeur brute sous la forme d’un nombre entier ou décimal.

1. Ajouter une instruction conditionnelle et une mise en forme. Situez votre curseur à la fin du modèle, après l’expression `formattedValue`. Ajoutez un espace si nécessaire. Dans la barre de menus **Edit narrative (Modifier la narration)**, choisissez **Insert code (Insérer le code)**, puis **Inline IF (IF intégré)** dans la liste. Un bloc d’expression s’ouvre.

1. Le bloc d'expression étant ouvert **GrowthRate**compoundedGrowthRate****, choisissez **une valeur** dans la liste d'expressions. Saisissez **>0** à la fin de l’expression. Choisissez **Enregistrer**. Ne déplacez pas encore le curseur.

   Une invite apparaît pour le contenu conditionnel, saisissez **better than expected\$1**, puis sélectionnez le texte que vous venez de saisir et utilisez la barre d’outils de mise en forme en haut pour le rendre vert et gras.

1. Ajoutez un autre bloc d’expression pour le cas où le taux de croissance n’était pas très élevé en répétant l’étape précédente. Mais cette fois, appliquez **<0** et saisissez le texte **worse than expected**. Passez-le au rouge au lieu du vert. 

1. Choisissez **Enregistrer**. La narration personnalisée que nous venons de créer doit être similaire à ce qui suit.  
![\[Narration personnalisée.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/narrative-example-result.png)

L’éditeur d’expression met à votre disposition un outil sophistiqué pour personnaliser vos narrations. Vous pouvez également référencer les paramètres que vous créez pour votre analyse ou votre tableau de bord, et utiliser un ensemble de fonctions intégrées pour une personnalisation plus poussée.

**Astuce**  
Pour créer une narration vide, ajoutez une information vide à l’aide de l’icône **\$1** puis **Add insights (Ajouter des informations)**. Cependant, au lieu de choisir un modèle, quittez tout simplement l’écran.   
La meilleure manière de démarrer avec la personnalisation des narrations consiste à utiliser les modèles existants pour apprendre la syntaxe.

# L’espace de travail de l’éditeur d’expressions
<a name="using-narratives-expression-editor-menus"></a>

Utilisez l’éditeur d’expressions pour personnaliser un récit afin qu’il réponde au mieux aux besoins de votre entreprise. Les informations ci-dessous fournissent une vue d’ensemble de l’espace de travail de l’éditeur d’expressions et répertorient toutes les options de menu qui peuvent être configurées pour votre récit. Pour obtenir une procédure pas à pas qui vous montre comment créer une narration personnalisée, consultez [Utilisation de l’éditeur d’expressions narratives](using-narratives-expression-editor-step-by-step.md).

Sur le côté droit de l’écran figure une liste d’éléments que vous pouvez ajouter à la narration :
+ **Calculs** – Utilisez cette option pour choisir parmi les calculs disponibles dans cet aperçu. Vous pouvez développer cette liste.
+ **Paramètres** – Utilisez cette option pour choisir parmi les paramètres qui existent dans votre analyse. Vous pouvez développer cette liste.
+ **Fonctions** – Utilisez cette option pour choisir parmi les fonctions que vous pouvez ajouter à une narration. Vous pouvez développer cette liste.
+ **Ajouter un calcul** – Utilisez ce bouton pour créer un autre calcul. Les nouveaux calculs apparaissent dans la liste **Calculations (Calculs)** prêts à être ajoutés à l’aperçu.

Au bas de l’éditeur d’expression narrative, il y a un aperçu de la narration se met à jour au fur et à mesure que vous travaillez. Cette zone affiche également une alerte si vous introduisez une erreur dans la narration ou si cette dernière est vide. Pour voir un aperçu des analyses alimentées par ML, comme la détection des anomalies ou les prévisions, exécutez le calcul de votre analyse au moins une fois avant de personnaliser la narration. 

Les outils d’édition sont situés en haut de l’écran. Ils offrent les options suivantes :
+ **Insérer le code** – Vous pouvez insérer les blocs de code suivants à partir de ce menu :
  + **Expressions** – Ajoutez une expression de forme libre. 
  + **IF en ligne** – Ajoutez une instruction IF qui s’affiche directement avec le bloc de texte existant. 
  + **FOR en ligne** – Ajoutez une instruction FOR qui s’affiche directement avec le bloc de texte existant.
  + **IF en bloc** – Ajoutez une instruction IF qui s’affiche dans un bloc de texte distinct. 
  + **FOR en bloc** – Ajoutez une instruction FOR qui s’affiche dans un bloc de texte distinct. 

  Les instructions IF et FOR vous permettent de créer du contenu qui est formaté de manière conditionnelle. Par exemple, vous pouvez ajouter une instruction **block IF** puis la configurer pour comparer un entier à la valeur d’un calcul. Pour ce faire, suivez les étapes ci-dessous, également illustrées dans [Utilisation de l’éditeur d’expressions narratives](using-narratives-expression-editor-step-by-step.md):

  1. Ouvrez le menu Calculations (Calculs) à droite et choisissez l’un des éléments bleus surlignés dans l’un des calculs. Vous ajoutez ainsi l’élément à la narration.

  1. Cliquez une fois sur l’élément pour l’ouvrir.

  1. Entrez la comparaison que vous souhaitez effectuer. L’expression doit se présenter comme suit : `PeriodOverPeriod.currentMetricValue.value>0`. 

  1. Enregistrez cette expression dans l’éditeur de fenêtres contextuelles, qui vous invite à entrer du **contenu conditionnel**. 

  1. Entrez ce que vous voulez afficher dans l’aperçu et formatez-le comme vous voulez qu’il apparaisse. Si vous préférez, vous pouvez ajouter une image ou une URL, ou ajouter une URL à une image.
+ **Paragraphe** – Ce menu propose des options pour modifier la taille de la police :
  + **Grand en-tête H1**
  + En-tête H2
  + Petit en-tête H3
  + Grand paragraphe 1
  + Paragraphe 2
  + Petit paragraphe 3
+ **Police** – Utilisez cette barre de menus pour choisir les options de mise en forme du texte. Celles-ci incluent gras, italique, soulignement, barré, couleur de premier plan du texte (pour les lettres elles-mêmes) et couleur d’arrière-plan du texte. Choisissez une icône pour activer l’option correspondante et sélectionnez-la à nouveau pour désactiver l’option.
+ **Mise en forme** – Utilisez cette barre de menus pour choisir les options de mise en forme des paragraphes, y compris la liste à puces, la justification à gauche, le centrage et la justification à droite. Choisissez une icône pour activer l’option correspondante et sélectionnez-la à nouveau pour désactiver l’option.
+ **Image** – Utilisez cette icône pour ajouter une URL d’image. L’image s’affiche dans votre aperçu, à condition que le lien soit accessible. Vous pouvez redimensionner les images. Pour afficher une image en fonction d’une condition, placez l’image dans un bloc IF.
+ **URL** – Utilisez cette icône pour ajouter une URL statique ou dynamique. Vous pouvez également ajouter des URLs éléments aux images. Par exemple, vous pouvez ajouter des images de feux de circulation tricolores à un aperçu d’un tableau de bord exécutif, avec des liens vers une nouvelle feuille pour les conditions rouge, orange et vert.

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

À l'aide du bouton **URL** du menu d'édition de l'éditeur d'expressions narratives, vous pouvez ajouter des éléments statiques et dynamiques URLs (hyperliens) à un récit. Vous pouvez également utiliser les raccourcis clavier suivants : ⌘\$1⇧\$1L ou Ctrl\$1⇧\$1L. 

Une URL statique est un lien qui ne change pas et qui ouvre toujours la même URL. Une URL dynamique est un lien qui change en fonction des expressions ou des paramètres que vous fournissez lorsque vous la configurez. Elle est construite avec des expressions ou des paramètres évalués dynamiquement. 

Voici quelques exemples de cas où vous pouvez ajouter un lien statique dans une narration : 
+ **Dans une instruction IF, vous pouvez utiliser l’URL dans le contenu conditionnel.** Si vous procédez de la sorte et qu’une métrique ne parvient pas à atteindre une valeur attendue, le lien peut envoyer l’utilisateur vers un article wiki proposant une liste des bonnes pratiques susceptibles d’améliorer cette métrique. 
+ **Vous pouvez utiliser une URL statique pour créer un lien vers une autre feuille dans le même tableau de bord, en procédant comme suit :**

  1. Accédez à la feuille vers laquelle vous souhaitez que le lien renvoie.

  1. Copiez l’URL de cette feuille.

  1. Retournez à l’éditeur de narration et créez un lien basé sur l’URL que vous venez de copier.

Voici quelques exemples de cas où vous pouvez ajouter un lien dynamique dans une narration : 
+ **Pour effectuer une recherche sur un site Web à l'aide d'une requête, procédez comme suit.**

  1. Créez une URL avec le lien suivant.

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

     Ce lien envoie une requête à Google avec le texte de recherche correspondant à la valeur évaluée de ce qui suit.

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

     Si la valeur de `now()` est `02/02/2020`, le lien de votre narration contiendra `https://google.com?q=2020-02-02`.
+ **Pour créer un lien qui met à jour un paramètre.** Pour ce faire, créez ou modifiez un lien et définissez l’URL sur l’URL du tableau de bord ou de l’analyse en cours. Ajoutez ensuite l’expression qui définit la valeur du paramètre à la fin, par exemple `#p.myParameter=12345`. 

  Supposons que ce qui suit soit le lien du tableau de bord avec lequel vous commencez.

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

  Si vous lui ajoutez une affectation de valeur de paramètre, il ressemblera à ce qui suit.

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

  Pour plus d'informations sur les paramètres dans URLs, voir[Utilisation de paramètres dans une URL](parameters-in-a-url.md).

# Utilisation des calculs de narrations automatiques
<a name="auto-narrative-computations"></a>

Recourez à cette section pour mieux comprendre quelles fonctions sont disponibles lorsque vous personnalisez une narration automatique. Une narration ne doit être personnalisée que dans le cas où l’on souhaite changer ou construire en se basant sur le calcul par défaut.

Après la création d’une narration automatique, l’éditeur d’expression s’ouvre. Vous pouvez également activer l’éditeur d’expression en choisissant le menu de représentations visuelles, puis **Customize narrative (Personnaliser une narration)**. Pour ajouter un calcul pendant l’utilisation de l’éditeur d’expression, choisissez **\$1 Add computation (\$1 Ajouter calcul)**.

Vous pouvez utiliser l’expression de code suivante pour construire votre narration automatique. Ces éléments sont disponibles à partir de la liste appelée **Insert code (Insérer code)**. Les instructions de code peuvent s’afficher en ligne (dans une phrase) ou sous forme de bloc (dans une liste).
+ Expression – Créez votre propre expression de code.
+ IF – Une instruction IF (SI) qui inclut une expression après l’évaluation d’une condition. 
+ FOR – Une instruction FOR (POUR) qui passe en revue les valeurs. 

Vous pouvez utiliser les calculs suivants pour construire votre narration automatique. Vous pouvez utiliser l’éditeur d’expression sans modifier la syntaxe, mais vous pouvez également le personnaliser si vous le souhaitez. Pour interagir avec la syntaxe, ouvrez le widget de calcul dans l’éditeur d’expression de narration automatique.

**Topics**
+ [Détection des anomalies basée sur le machine learning pour les cas particuliers](anomaly-detection-function.md)
+ [Calcul des outils de déplacement du bas](bottom-movers-function.md)
+ [Calcul du bas du classement](bottom-ranked-function.md)
+ [Prévisions basées sur le ML](forecast-function.md)
+ [Calcul du taux de croissance](growth-rate-function.md)
+ [Calcul du maximum](maximum-function.md)
+ [Calcul de comparaison des métriques](metric-comparison-function.md)
+ [Calcul du minimum](minimum-function.md)
+ [Calcul d’une période à l’autre](period-over-period-function.md)
+ [Calcul d’une période jusqu’à une date](period-to-date-function.md)
+ [Calcul des outils de déplacement du haut](top-movers-function.md)
+ [Calcul du haut du classement](top-ranked-function.md)
+ [Calcul du regroupement total](total-aggregation-function.md)
+ [Calcul des valeurs uniques](unique-values-function.md)

# Détection des anomalies basée sur le machine learning pour les cas particuliers
<a name="anomaly-detection-function"></a>

Le calcul de la détection des anomalies basée sur le Machine Learning recherche des cas particuliers dans vos données. Par exemple, vous pouvez détecter les trois principaux cas particuliers pour les ventes totales au 3 janvier 2019. Si vous activez l’analyse de contribution, vous pouvez également détecter les facteurs clés pour chaque cas particulier. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)**, d’au moins une mesure dans le sélecteur de champs **Values (Valeurs)** et d’au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. L’écran de configuration permet d’analyser la contribution d’autres champs en tant que facteurs clés, même si ces champs ne se trouvent pas dans les sélecteurs de champ.

Pour de plus amples informations, veuillez consulter [Détection des cas particuliers grâce à la détection des anomalies basée sur le machine learning](anomaly-detection.md).

**Note**  
Vous ne pouvez pas ajouter une détection des anomalies basées sur le ML à un autre calcul, et vous ne pouvez pas ajouter un autre calcul à une détection des anomalies.

## Sorties de calculs
<a name="anomaly-detection-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms des calculs correspondent aux noms que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Vous pouvez utiliser les éléments affichés en **`bold monospace font`** dans la narration suivante. 
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `categoryFields` – Du sélecteur de champs **Catégories**.
  + `name` – Le nom d’affichage formaté du champ.
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `itemsCount` – Le nombre d’éléments inclus dans ce calcul.
+ `items` – Éléments anormaux.
  + `timeValue` – Les valeurs dans la dimension de date.
    + `value` – Le champ de date/heure au niveau de l’anomalie (cas particulier).
    + `formattedValue`— La valeur formatée dans le date/time champ au point de l'anomalie.
  + `categoryName` – Le nom réel de la catégorie (cat1, cat2, etc.).
  + `direction` – La direction sur l’axe des x ou l’axe des y qui est identifiée comme anormale : `HIGH` ou `LOW`. `HIGH` signifie « plus élevé que prévu ». `LOW` signifie « plus bas que prévu ». 

    Lors de l’itération sur les éléments, `AnomalyDetection.items[index].direction` peut contenir soit `HIGH`, soit `LOW`. Par exemple, `AnomalyDetection.items[index].direction='HIGH'` ou `AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction` peut contenir une chaîne vide pour `ALL`. Par exemple : `AnomalyDetection.direction=''`. 
  + `actualValue` – La valeur réelle de la métrique au moment de l’anomalie ou du cas particulier.
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
  + `expectedValue` – La valeur attendue de la métrique au point de l’anomalie (cas particulier).
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.

# Calcul des outils de déplacement du bas
<a name="bottom-movers-function"></a>

Le calcul des outils de déplacement du bas comptabilise le nombre de catégories par date demandées, qui se classent dans le bas du jeu de données de la narration automatique. Par exemple, vous pouvez créer un calcul pour trouver les trois produits les moins vendus, par revenu des ventes.

Pour utiliser cette fonction, vous devez avoir au moins une dimension dans le sélecteur de champs **Time (Temps)** et au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer.

*Catégorie*   
La dimension de catégorie que vous souhaitez classer.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé.

*Nombre d’outils de déplacement*   
Nombre de résultats classés que vous souhaitez afficher.

*Classer par*   
Ordre que vous souhaitez utiliser : différence en pourcentage ou différence absolue.

## Sorties de calculs
<a name="bottom-movers-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 

**Note**  
Ces paramètres de sortie sont les mêmes que ceux renvoyés par le calcul des outils de déplacement du haut.
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `categoryField` – Du sélecteur de champs **Catégories**.
  + `name` – Le nom d’affichage formaté du champ.
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `startTimeValue` – La valeur dans la dimension de date.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `endTimeValue` – La valeur dans la dimension de date.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur absolue formatée par le champ datetime.
+ `itemsCount` – Le nombre d’éléments inclus dans ce calcul.
+ `items` : éléments de déplacement du bas.
  + `categoryField` – Le champ de catégorie.
    + `value` – La valeur (contenu) du champ de catégorie.
    + `formattedValue` – La valeur formatée (contenu) du champ de catégorie. Si le champ est null, « `NULL` » s’affiche. Si le champ est vide, « `(empty)` » s’affiche.
  + `currentMetricValue` – La valeur actuelle du champ de métrique.
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
  + `previousMetricValue` – La valeur précédente de la métrique.
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
  + `percentDifference` – La différence en pourcentage entre la valeur actuelle et la valeur précédente du champ de métrique.
    + `value` – La valeur brute du calcul de la différence en pourcentage.
    + `formattedValue` – La valeur formatée de la différence en pourcentage (par exemple, -42 %).
    + `formattedAbsoluteValue` – La valeur absolue formatée de la différence en pourcentage (par exemple, 42 %).
  + `absoluteDifference` – La différence absolue entre les valeurs actuelle et précédente du champ de métrique.
    + `value` – La valeur brute du calcul de la différence absolue.
    + `formattedValue` – La différence absolue formatée par les paramètres dans les préférences de format du champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue de la différence formatée par le champ de métrique.

# Calcul du bas du classement
<a name="bottom-ranked-function"></a>

Le calcul du bas du classement comptabilise le nombre de catégories par valeur demandées, qui se classent dans le bas du jeu de données de la narration automatique. Par exemple, vous pouvez créer un calcul pour trouver les trois derniers états par revenu des ventes.

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Catégorie*   
La dimension de catégorie que vous souhaitez classer.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé.

*Nombre de résultats*   
Nombre de résultats classés que vous souhaitez afficher.

## Sorties de calculs
<a name="bottom-ranked-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 

**Note**  
Ces paramètres de sortie sont les mêmes que ceux qui sont renvoyés par les calculs du haut de classement.
+ `categoryField` – Du sélecteur de champs **Catégories**.
  + `name` – Le nom d’affichage formaté du champ.
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `itemsCount` – Le nombre d’éléments inclus dans ce calcul.
+ `items` : éléments du bas de classement.
  + `categoryField` – Le champ de catégorie.
    + `value` – La valeur (contenu) du champ de catégorie.
    + `formattedValue` – La valeur formatée (contenu) du champ de catégorie. Si le champ est null, « `NULL` » s’affiche. Si le champ est vide, « `(empty)` » s’affiche.
  + `metricValue` – Le champ de métrique.
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.

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

La capture d’écran suivante montre la configuration par défaut pour le calcul du bas de classement.

![\[Configuration par défaut pour le calcul du dernier rang.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/bottom-ranked-computation.png)


# Prévisions basées sur le ML
<a name="forecast-function"></a>

Le calcul des prévisions basé sur le ML prévoit les métriques futures en fonction de modèles de métriques précédentes par saisonnalité. Vous pouvez notamment créer un calcul pour prévoir le total des revenus pour les six prochains mois.

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)**. 

Pour plus d’informations sur l’utilisation des prévisions, consultez [Prévision et création de scénarios hypothétiques avec Amazon Quick Sight](forecasts-and-whatifs.md).

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé.

*Périodes futures*   
Le nombre de périodes à venir que vous souhaitez prévoir. De 1 à 1 000.

*Périodes passées*   
Le nombre de périodes passées sur lequel vous souhaitez baser votre prévision. De 0 à 1 000.

*Saisonnalité*   
Le nombre de saisons incluses dans l’année calendaire. Le paramètre par défaut **automatic (automatique)** le détecte pour vous. De 1 à 180.

## Sorties de calculs
<a name="forecast-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `metricValue` – La valeur dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `timeValue` – La valeur dans la dimension de date.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de date.
+ `relativePeriodsToForecast` – Le nombre relatif de périodes entre l’enregistrement datetime le plus récent et le dernier enregistrement de prévision.

# Calcul du taux de croissance
<a name="growth-rate-function"></a>

Le calcul du taux de croissance compare les valeurs sur des périodes de temps. Vous pouvez notamment créer un calcul pour trouver le taux de croissance composé des ventes sur 3 mois, exprimé sous la forme d’un pourcentage.

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé.

*Nombre de périodes*   
Nombre de périodes futures que vous voulez utiliser pour calculer le taux de croissance.

## Sorties de calculs
<a name="growth-rate-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `previousMetricValue` – La valeur précédente dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `previousTimeValue` – La valeur précédente dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `compoundedGrowthRate` – La différence en pourcentage entre la valeur actuelle et la valeur précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence en pourcentage.
  + `formattedValue` – La valeur formatée de la différence en pourcentage (par exemple, -42 %).
  + `formattedAbsoluteValue` – La valeur absolue formatée de la différence en pourcentage (par exemple, 42 %).
+ `absoluteDifference` – La différence absolue entre les valeurs actuelle et précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence absolue.
  + `formattedValue` – La différence absolue formatée par les paramètres dans les préférences de format du champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue de la différence formatée par le champ de métrique.

# Calcul du maximum
<a name="maximum-function"></a>

Le calcul du maximum permet de trouver la dimension maximale par valeur. Vous pouvez ainsi créer un calcul pour trouver le mois avec le revenu le plus élevé. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé.

## Sorties de calculs
<a name="maximum-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 

**Note**  
Ces paramètres de sortie sont les mêmes que ceux qui sont renvoyés par le calcul du minimum.
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `metricValue` – La valeur dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `timeValue` – La valeur dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.

# Calcul de comparaison des métriques
<a name="metric-comparison-function"></a>

Le calcul de comparaison des métriques compare les valeurs dans différentes mesures. Vous pouvez notamment créer un calcul pour comparer deux valeurs, par exemple, les ventes réelles comparées aux objectifs de ventes. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)** et d’au moins deux mesures dans le sélecteur de champs **Values (Valeurs)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé.

*Valeur cible*   
Champ que vous souhaitez comparer à la valeur.

## Sorties de calculs
<a name="metric-comparison-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `fromMetricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `fromMetricValue` – La valeur dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `toMetricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `toMetricValue` – La valeur actuelle dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `timeValue` – La valeur dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `percentDifference` – La différence en pourcentage entre la valeur actuelle et la valeur précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence en pourcentage.
  + `formattedValue` – La valeur formatée de la différence en pourcentage (par exemple, -42 %).
  + `formattedAbsoluteValue` – La valeur absolue formatée de la différence en pourcentage (par exemple, 42 %).
+ `absoluteDifference` – La différence absolue entre les valeurs actuelle et précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence absolue.
  + `formattedValue` – La différence absolue formatée par les paramètres dans les préférences de format du champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue de la différence formatée par le champ de métrique.

# Calcul du minimum
<a name="minimum-function"></a>

Le calcul du minimum permet de trouver la dimension minimale par valeur. Vous pouvez ainsi créer un calcul pour trouver le mois avec le revenu le plus faible. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé.

## Sorties de calculs
<a name="maximum-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 

**Note**  
Ces paramètres de sortie sont les mêmes que ceux qui sont renvoyés par le calcul du maximum.
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `metricValue` – La valeur dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `timeValue` – La valeur dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.

# Calcul d’une période à l’autre
<a name="period-over-period-function"></a>

Le calcul d’une période à l’autre permet de comparer les valeurs de deux périodes différentes. Vous pouvez ainsi créer un calcul pour connaître l’augmentation ou la diminution des ventes par rapport à la période précédente. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer. 

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé. 

## Sorties de calculs
<a name="period-over-period-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `previousMetricValue` – La valeur précédente dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `previousTimeValue` – La valeur précédente dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `currentMetricValue` – La valeur actuelle dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `currentTimeValue` – La valeur actuelle dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `percentDifference` – La différence en pourcentage entre la valeur actuelle et la valeur précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence en pourcentage.
  + `formattedValue` – La valeur formatée de la différence en pourcentage (par exemple, -42 %).
  + `formattedAbsoluteValue` – La valeur absolue formatée de la différence en pourcentage (par exemple, 42 %).
+ `absoluteDifference` – La différence absolue entre les valeurs actuelle et précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence absolue.
  + `formattedValue` – La différence absolue formatée par les paramètres dans les préférences de format du champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue de la différence formatée par le champ de métrique.

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

**Pour créer un calcul Période sur période**

1. Dans l’analyse que vous voulez modifier, sélectionnez **Ajouter une information**.

1. Pour **Type de calcul**, choisissez **Période sur période**, puis sélectionnez **Sélectionner**.

1. Dans le nouvel aperçu que vous avez créé, ajoutez les champs de dimension temporelle et de dimension de valeur que vous souhaitez comparer. Dans la capture d’écran ci-dessous, `Order Date` et `Sales (Sum)` sont ajoutés à l’information. Lorsque ces deux champs sont sélectionnés, Quick Sight affiche le cumul annuel des ventes du mois dernier et la différence en pourcentage par rapport au mois précédent.  
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Facultatif) Pour personnaliser davantage l’information, ouvrez le menu de représentation visuelle et choisissez **Personnaliser la narration**. Dans la fenêtre **Modifier la narration** qui s’affiche, faites glisser les champs dont vous avez besoin à partir de la liste **Calculs**, puis cliquez sur **Enregistrer**.

# Calcul d’une période jusqu’à une date
<a name="period-to-date-function"></a>

Le calcul de la période jusqu’à une date évalue les valeurs pour une période spécifiée. Par exemple, vous pouvez créer un calcul pour savoir combien vous avez gagné en year-to-date ventes. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Date*   
Dimension de date que vous souhaitez classer. 

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé. 

*Granularité temporelle*   
Granularité des dates que vous voulez utiliser pour le calcul, par exemple depuis le début de l’année.

## Sorties de calculs
<a name="period-to-date-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 
+ `timeField` – Du sélecteur de champs **Temps**. 
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `metricField` – Du sélecteur de champs **Valeurs**. 
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `previousMetricValue` – La valeur précédente dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `previousTimeValue` – La valeur précédente dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `currentMetricValue` – La valeur actuelle dans la dimension de métrique.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
+ `currentTimeValue` – La valeur actuelle dans la dimension datetime.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `periodGranularity` – La granularité de la période pour ce calcul (**MOIS**, **ANNÉE**, etc.).
+ `percentDifference` – La différence en pourcentage entre la valeur actuelle et la valeur précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence en pourcentage.
  + `formattedValue` – La valeur formatée de la différence en pourcentage (par exemple, -42 %).
  + `formattedAbsoluteValue` – La valeur absolue formatée de la différence en pourcentage (par exemple, 42 %).
+ `absoluteDifference` – La différence absolue entre les valeurs actuelle et précédente du champ de métrique.
  + `value` – La valeur brute du calcul de la différence absolue.
  + `formattedValue` – La différence absolue formatée par les paramètres dans les préférences de format du champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue de la différence formatée par le champ de métrique.

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

**Pour créer un calcul Période à date**

1. Dans l’analyse que vous voulez modifier, sélectionnez **Ajouter une information**.

1. Pour **Type de calcul**, choisissez **Période à date**, puis sélectionnez **Sélectionner**.

1. Dans la nouvelle information que vous avez créée, ajoutez les champs de la dimension temporelle et de la dimension de la valeur que vous voulez comparer. Dans la capture d’écran ci-dessous, `Order Date` et `Sales (Sum)` sont ajoutés à l’information. Lorsque ces deux champs sont sélectionnés, Quick Sight affiche le cumul annuel des ventes du mois dernier et la différence en pourcentage par rapport au mois précédent.  
![\[alt text not found\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Facultatif) Pour personnaliser davantage l’information, ouvrez le menu de représentation visuelle et choisissez **Personnaliser la narration**. Dans la fenêtre **Modifier la narration** qui s’affiche, faites glisser les champs dont vous avez besoin à partir de la liste **Calculs**, puis cliquez sur **Enregistrer**.

# Calcul des outils de déplacement du haut
<a name="top-movers-function"></a>

Le calcul des outils de déplacement du haut comptabilise le nombre de catégories par date demandées, qui se classent dans le haut du jeu de données de la narration automatique. Par exemple, vous pouvez créer un calcul pour trouver les produits les plus vendus, par revenu des ventes sur une période temporelle.

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)** et d’au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Catégorie*   
Dimension de catégorie que vous souhaitez classer. 

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé. 

*Nombre de résultats*   
Nombre d’éléments du haut du classement que vous souhaitez rechercher.

## Sorties de calculs
<a name="top-movers-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 

**Note**  
Ces paramètres de sortie sont les mêmes que ceux renvoyés par le calcul des outils de déplacement du bas.
+ `timeField` – Du sélecteur de champs **Temps**.
  + `name` – Le nom d’affichage formaté du champ.
  + `timeGranularity` – La granularité du champ de temps (**JOUR**, **ANNÉE**, etc.).
+ `categoryField` – Du sélecteur de champs **Catégories**.
  + `name` – Le nom d’affichage formaté du champ.
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `startTimeValue` – La valeur dans la dimension de date.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ datetime.
+ `endTimeValue` – La valeur dans la dimension de date.
  + `value` – La valeur brute.
  + `formattedValue` – La valeur absolue formatée par le champ datetime.
+ `itemsCount` – Le nombre d’éléments inclus dans ce calcul.
+ `items` : éléments de déplacement du haut.
  + `categoryField` – Le champ de catégorie.
    + `value` – La valeur (contenu) du champ de catégorie.
    + `formattedValue` – La valeur formatée (contenu) du champ de catégorie. Si le champ est null, « `NULL` » s’affiche. Si le champ est vide, « `(empty)` » s’affiche.
  + `currentMetricValue` – La valeur actuelle du champ de métrique.
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
  + `previousMetricValue` – La valeur précédente de la métrique.
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.
  + `percentDifference` – La différence en pourcentage entre la valeur actuelle et la valeur précédente du champ de métrique.
    + `value` – La valeur brute du calcul de la différence en pourcentage.
    + `formattedValue` – La valeur formatée de la différence en pourcentage (par exemple, -42 %).
    + `formattedAbsoluteValue` – La valeur absolue formatée de la différence en pourcentage (par exemple, 42 %).
  + `absoluteDifference` – La différence absolue entre les valeurs actuelle et précédente du champ de métrique.
    + `value` – La valeur brute du calcul de la différence absolue.
    + `formattedValue` – La différence absolue formatée par les paramètres dans les préférences de format du champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue de la différence formatée par le champ de métrique.

# Calcul du haut du classement
<a name="top-ranked-function"></a>

Le calcul des mieux classés trouve les dimensions les mieux classées en fonction de leur valeur. Par exemple, vous pouvez créer un calcul pour trouver les trois premiers états par revenus des ventes. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Catégorie*   
La dimension de catégorie que vous souhaitez classer. 

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé. 

*Nombre de résultats*   
Nombre d’éléments du haut du classement que vous souhaitez rechercher.

## Sorties de calculs
<a name="top-ranked-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 

**Note**  
Ces paramètres de sortie sont les mêmes que ceux qui sont renvoyés par les calculs du bas de classement.
+ `categoryField` – Du sélecteur de champs **Catégories**.
  + `name` – Le nom d’affichage formaté du champ.
+ `metricField` – Du sélecteur de champs **Valeurs**.
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `itemsCount` – Le nombre d’éléments inclus dans ce calcul.
+ `items` : éléments du haut de classement.
  + `categoryField` – Le champ de catégorie.
    + `value` – La valeur (contenu) du champ de catégorie.
    + `formattedValue` – La valeur formatée (contenu) du champ de catégorie. Si le champ est null, « `NULL` » s’affiche. Si le champ est vide, « `(empty)` » s’affiche.
  + `metricValue` – Le champ de métrique.
    + `value` – La valeur brute.
    + `formattedValue` – La valeur formatée par le champ de métrique.
    + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.

# Calcul du regroupement total
<a name="total-aggregation-function"></a>

Le calcul du regroupement total crée un total général de la valeur. Vous pouvez ainsi créer un calcul pour trouver le revenu total. 

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Time (Temps)** et d’au moins une mesure dans le sélecteur de champs **Values (Valeurs)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Valeur*   
Mesure agrégée sur laquelle le calcul est basé. 

## Sorties de calculs
<a name="total-aggregation-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 
+ `categoryField` – Le champ de catégorie. 
  + `name` – Le nom d’affichage du champ de catégorie.
+ `metricField` – Du sélecteur de champs **Valeurs**. 
  + `name` – Le nom d’affichage formaté du champ.
  + `aggregationFunction` – L’agrégation utilisée pour la métrique (**SUM**, **AVG**, etc.).
+ `totalAggregate` – La valeur totale de l’agrégation de métrique. 
  + `value` – La valeur brute.
  + `formattedValue` – La valeur formatée par le champ de métrique.
  + `formattedAbsoluteValue` – La valeur absolue formatée par le champ de métrique.

# Calcul des valeurs uniques
<a name="unique-values-function"></a>

Le calcul des valeurs uniques comptabilise les valeurs uniques dans un champ de catégorie. Vous pouvez notamment créer un calcul pour comptabiliser le nombre de valeurs uniques dans une dimension, par exemple le nombre de clients que vous avez

Pour utiliser cette fonction, vous avez besoin d’au moins une dimension dans le sélecteur de champs **Categories (Catégories)**. 

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

*nom*   
Un nom descriptif unique que vous attribuez ou modifiez. Si vous ne créez pas le vôtre, un nom est attribué. Vous pouvez le modifier ultérieurement.

*Catégorie*   
La dimension de catégorie que vous souhaitez classer. 

## Sorties de calculs
<a name="unique-values-computation-outputs"></a>

Chaque fonction génère un ensemble de paramètres de sortie. Vous pouvez ajouter ces sorties à la narration automatique pour personnaliser ce qui s’affiche. Vous pouvez également ajouter votre propre texte personnalisé. 

Pour localiser les paramètres de sortie, ouvrez l’onglet **Computations (Calculs)** situé sur la droite, puis recherchez le calcul que vous souhaitez utiliser. Les noms de calcul sont issus du nom que vous fournissez lorsque vous créez l’aperçu. Choisissez le paramètre de sortie en cliquant dessus une seule fois. Si vous cliquez deux fois, vous ajoutez deux fois la même sortie. Les éléments affichés en **gras** peuvent être utilisés dans le texte. 
+ `categoryField` – Le champ de catégorie. 
  + `name` – Le nom d’affichage du champ de catégorie.
+ `uniqueGroupValuesCount` – Le nombre de valeurs uniques incluses dans ce calcul. 

# Détection des cas particuliers grâce à la détection des anomalies basée sur le machine learning
<a name="anomaly-detection"></a>

Amazon Quick Sight utilise la technologie éprouvée d'Amazon pour exécuter en continu une détection des anomalies basée sur le ML sur des millions de métriques afin de découvrir les tendances cachées et les valeurs aberrantes dans vos données. Cet outil vous permet d’obtenir des analyses approfondies qui sont souvent enfouies dans les agrégats et ne sont pas évolutives avec une analyse manuelle. Avec la détection des anomalies basée sur le Machine Learning, vous pouvez détecter des cas particuliers sans effectuer d’analyse manuelle, de développement personnalisé ou posséder un savoir-faire dans le domaine du Machine Learning. 

Amazon Quick Sight vous avertit dans vos visuels s'il détecte que vous pouvez analyser une anomalie ou faire des prévisions sur vos données. 

La détection des anomalies n’est pas disponible dans la région `eu-central-2` Europe (Zurich).

**Important**  
La détection des anomalies basée sur le Machine Learning est une tâche gourmande en calcul. Avant de commencer à l’utiliser, vous pouvez simuler les coûts en analysant la quantité de données que vous souhaitez utiliser. Nous proposons un modèle de tarification progressif basé sur le nombre de métriques que vous traitez par mois. 

**Topics**
+ [Concepts pour la détection des anomalies ou des cas particuliers](anomaly-detection-outliers-and-key-drivers.md)
+ [Configuration de la détection des anomalies basée sur le Machine Learning pour l’analyse des cas particuliers](anomaly-detection-using.md)
+ [Exploration des valeurs aberrantes et des facteurs clés grâce à la détection d’anomalies et à l’analyse de contribution basées sur le ML](anomaly-exploring.md)

# Concepts pour la détection des anomalies ou des cas particuliers
<a name="anomaly-detection-outliers-and-key-drivers"></a>

Amazon Quick Sight utilise le mot *anomalie* pour décrire les points de données qui ne font pas partie d'un schéma général de distribution. Le terme « anomalies » est un terme scientifique qui a de nombreux synonymes, comme cas particuliers, écarts, bizarreries, exceptions, irrégularités, et bien plus encore. Le terme que vous utilisez peut dépendre du type d’analyse que vous effectuez, du type de données que vous utilisez, ou encore simplement de la préférence de votre groupe. Ces points de données marginaux représentent une entité (personne, lieu, objet ou moment) qui est exceptionnelle d’une manière ou d’une autre. 

Les êtres humains reconnaissent facilement les modèles et repèrent les éléments qui diffèrent. Nos sens repèrent ces informations. Si le modèle est simple et que la quantité de données est moindre, vous pouvez facilement créer un graphique pour mettre en évidence les cas particuliers dans vos données. Voici quelques exemples simples :
+ Un ballon rouge dans un groupe de ballons bleus
+ Un cheval de course très en avance sur les autres
+ Un enfant qui n’est pas attentif en classe
+ Une journée où les commandes en ligne sont en hausse, mais les expéditions sont en baisse
+ Une personne qui s’est bien rétablie, contrairement à d’autres personnes

Certains points de données représentent un événement significatif, tandis que d’autres représentent une occurrence aléatoire. L’analyse révèle quelles données méritent d’être étudiées, en fonction des facteurs clés qui ont contribué à l’événement. Les questions sont essentielles à l’analyse des données. Pourquoi cela s’est-il produit ? À quoi est-ce lié ? Cela s’est-il produit une seule fois ou plusieurs fois ? Que pouvez-vous faire pour encourager ou décourager cet événement ? 

Pour comprendre comment et pourquoi un écart existe et si ces écarts font l’objet d’un modèle, vous devez pousser la réflexion plus loin. Sans le Machine Learning, plusieurs personnes peuvent arriver à une conclusion différente, du fait de leurs différentes expériences et informations. Chaque personne est donc susceptible de prendre des décisions professionnelles légèrement différentes. Lorsque de nombreuses données ou variables doivent être prises en compte, l’analyse peut être surchargée. 

La détection des anomalies basée sur le Machine Learning identifie les facteurs et les corrélations pour vous permettre de prendre des décisions basées sur les données. Vous contrôlez et définissez la façon dont vous souhaitez que la tâche analyse vos données. Vous pouvez spécifier vos propres paramètres et choisir d’autres options, telles que l’identification des facteurs clés dans une analyse de contribution. Ou vous pouvez utiliser les paramètres par défaut. La section suivante vous guide tout au long du processus d’installation et fournit des explications sur les options disponibles. 

# Configuration de la détection des anomalies basée sur le Machine Learning pour l’analyse des cas particuliers
<a name="anomaly-detection-using"></a>

Utilisez les procédures décrites dans les sections suivantes pour commencer à détecter les valeurs aberrantes et les anomalies, et pour identifier les facteurs clés qui y contribuent.

**Topics**
+ [Affichage des notifications d’anomalies et de prévisions](anomaly-detection-adding-from-visuals.md)
+ [Ajout d’une analyse ML pour détecter les valeurs aberrantes et les éléments clés](anomaly-detection-adding-anomaly-insights.md)
+ [Utilisation de l’analyse de contribution pour les facteurs clés](anomaly-detection-adding-key-drivers.md)

# Affichage des notifications d’anomalies et de prévisions
<a name="anomaly-detection-adding-from-visuals"></a>

Amazon Quick Sight vous avertit par un visuel qui détecte une anomalie, des facteurs clés ou une opportunité de prévision. Vous pouvez suivre les invites pour configurer la détection d’anomalies ou les prévisions en fonction des données de cette représentation visuelle.

1. Dans un graphique linéaire existant, recherchez une notification d’analyse dans le menu du widget du visuel. 

1. Cliquez sur l'icône en forme d'ampoule pour afficher la notification.

1. Si vous voulez plus d’informations sur l’analyse ML, vous pouvez suivre les invites de l’écran pour ajouter une analyse ML.

# Ajout d’une analyse ML pour détecter les valeurs aberrantes et les éléments clés
<a name="anomaly-detection-adding-anomaly-insights"></a>

Vous pouvez ajouter une analyse ML qui détecte les *anomalies*, c’est-à-dire les valeurs aberrantes qui semblent significatives. Pour commencer, vous créez pour votre analyse un widget, également connu sous le nom d’*autonarration*. Pendant que vous configurez vos options, vous pouvez voir une capture d’écran limitée de votre analyse dans le volet **Aperçu** à droite de l’écran.

Dans votre widget d’analyse, vous pouvez ajouter jusqu’à cinq champs de dimension qui ne sont pas des champs calculés. Dans les puits de champ, les valeurs des **catégories** représentent les valeurs dimensionnelles utilisées par Amazon Quick Sight pour diviser la métrique. Supposons, par exemple, que vous analysiez le chiffre d'affaires de toutes les catégories de produits et de tous les produits SKUs. Il existe 10 catégories de produits, chacune contenant 10 produits SKUs. Amazon Quick Sight divise la métrique par 100 combinaisons uniques et exécute une détection des anomalies sur chaque combinaison pour la division.

La procédure suivante montre comment procéder et comment ajouter une analyse de contribution pour détecter les facteurs clés à l’origine de chaque anomalie. Vous pouvez ajouter l’analyse de contribution ultérieurement, comme décrit dans [Utilisation de l’analyse de contribution pour les facteurs clés](anomaly-detection-adding-key-drivers.md).

**Pour configurer l’analyse des valeurs aberrantes, y compris les facteurs clés**

1. Ouvrez votre analyse et, dans le menu supérieur, choisissez **Insights (Informations)**, puis **Add (Ajouter)**. Dans la liste, choisissez **Anomaly detection (Détection des anomalies)** et **Select (Sélectionner)**.

1. Suivez l’invite à l’écran concernant le nouveau widget, qui vous indique de choisir des champs pour l’information. Vous devez ajouter au moins une date, une métrique et une dimension. 

1. Choisissez **Get started (Démarrer)** sur le widget. L’écran de configuration s’affiche.

1. Sous **Options de calcul**, choisissez des valeurs pour les options suivantes.

   1. Pour **Combinaisons à analyser**, choisissez l’une des options suivantes :

      1. **Hiérarchique**

         Choisissez cette option si vous voulez analyser les champs de manière hiérarchique. Par exemple, si vous avez choisi une date (T), une mesure (N) et trois catégories de dimensions (C1, C2 et C3), Quick Sight analyse les champs de manière hiérarchique, comme indiqué ci-dessous.

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

      1. **Exact**

         Choisissez cette option si vous voulez analyser uniquement la combinaison exacte des champs dans le sélecteur de champs Catégorie, tels qu’ils sont répertoriés. Par exemple, si vous avez choisi une date (T), une mesure (N) et trois catégories de dimensions (C1, C2 et C3), Quick Sight analyse uniquement la combinaison exacte des champs de catégories dans l'ordre dans lequel ils sont répertoriés, comme indiqué ci-dessous.

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

      1. **Tous**

         Choisissez cette option si vous voulez analyser toutes les combinaisons de champs dans le puits de champs Catégorie. Par exemple, si vous avez choisi une date (T), une mesure (N) et trois catégories de dimensions (C1, C2 et C3), Quick Sight analyse toutes les combinaisons de champs, comme indiqué ci-dessous.

         ```
         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 vous avez choisi une date et une mesure uniquement, Quick Sight analyse les champs par date, puis par mesure.

      Dans la section **Champs à analyser**, vous pouvez voir une liste de champs provenant des puits de champs à titre de référence.

   1. Pour **Nom**, saisissez un nom alphanumérique descriptif sans espace ou choisissez la valeur par défaut. Cela permet de donner un nom au calcul.

      Si vous envisagez de modifier la narration qui s’affiche automatiquement sur le widget, vous pouvez utiliser le nom pour identifier le calcul de ce widget. Personnalisez le nom si vous prévoyez de modifier la narration automatique et si vous avez d’autres calculs similaires dans votre analyse.

1. Dans la section **Options d’affichage**, choisissez les options suivantes pour personnaliser ce qui est affiché dans votre widget d’analyse. Vous pouvez toujours explorer tous vos résultats, quel que soit l’affichage choisi.

   1. **Nombre maximal d’anomalies à afficher** – Le nombre d’anomalies que vous voulez afficher dans le widget narratif. 

   1. **Sévérité** – Le niveau minimum de gravité des anomalies que vous voulez afficher dans le widget d’analyse.

      Un *niveau de gravité* est une plage de scores d’anomalie qui se caractérise par le plus faible score réel d’anomalies inclus dans la plage. Toutes les anomalies qui ont une note plus élevée sont incluses dans la plage. Si vous définissez la gravité sur **Faible**, l’aperçu affiche toutes les anomalies qui se classent entre faible et très élevée. Si vous définissez la gravité sur **Très élevée**, l’aperçu affiche uniquement les anomalies présentant les notes d’anomalie les plus élevées.

      Vous pouvez utiliser les options suivantes :
      + **Très élevée** 
      + **Élevée et supérieure** 
      + **Moyenne et supérieure** 
      + **Faible et supérieure** 

   1. **Direction** – La direction sur l’axe des x ou l’axe des y que vous voulez identifier comme anormale. Sélectionnez parmi les éléments suivants :
      + **Plus élevé que prévu** pour identifier les valeurs plus élevées comme des anomalies.
      + **Plus bas que prévu** pour identifier les valeurs plus basses comme des anomalies. 
      + **[TOUT]** pour identifier toutes les valeurs anormales, qu’elles soient élevées ou faibles (paramètre par défaut).

   1. **Delta** – Saisissez une valeur personnalisée à utiliser pour identifier les anomalies. Tout nombre supérieur à la valeur de seuil est considéré comme une anomalie. Les valeurs ici modifient le fonctionnement de l’information dans votre analyse. Dans cette section, vous pouvez définir les éléments suivants :
      + **Valeur absolue** – La valeur réelle à utiliser. Par exemple, supposons qu’il s’agisse de 48. Amazon Quick Sight identifie ensuite les valeurs comme anormales lorsque la différence entre une valeur et la valeur attendue est supérieure à 48. 
      + **Pourcentage** – Seuil de pourcentage à utiliser. Par exemple, supposons qu’il s’agisse de 12,5 %. Amazon Quick Sight identifie ensuite les valeurs comme anormales lorsque la différence entre une valeur et la valeur attendue est supérieure à 12,5 %.

   1. **Trier par** – Choisissez une méthode de tri pour vos résultats. Certaines méthodes sont basées sur le score d'anomalie généré par Amazon Quick Sight. Amazon Quick Sight attribue des scores plus élevés aux points de données qui semblent anormaux. Vous pouvez utiliser les options suivantes : 
      + **Score d’anomalie pondéré** – Score d’anomalie multiplié par le logarithme de la valeur absolue de la différence entre la valeur réelle et la valeur attendue. Il s’agit toujours d’un nombre positif. 
      + **Score d’anomalie** – Score d’anomalie réel attribué à ce point de données.
      + **Différence pondérée par rapport à la valeur attendue** – Score d’anomalie multiplié par la différence entre la valeur réelle et la valeur attendue (par défaut).
      + **Différence par rapport à la valeur attendue** – Différence réelle entre la valeur réelle et la valeur attendue (c’est-à-dire réelle-attendue).
      + **Valeur réelle** – Valeur réelle sans aucune formule appliquée.

1. Dans la section **Options de planification**, définissez la planification de l’exécution automatique du recalcul de l’analyse. La planification s’exécute uniquement pour des tableaux de bord publiés. Dans l’analyse, vous pouvez l’exécuter manuellement si nécessaire. Ce fichier contient les paramètres suivants :
   + **Occurrence** – Définissez la fréquence à laquelle vous voulez que le recalcul soit exécuté : toutes les heures, tous les jours, toutes les semaines ou tous les mois.
   + **Lancer la planification le** – La date et l’heure de début de l’exécution de la planification.
   + **Fuseau horaire** – Le fuseau horaire dans lequel la planification s’exécute. Pour afficher une liste, supprimez l’entrée actuelle. 

1. Dans la section **Principaux contributeurs**, configurez Amazon Quick Sight pour analyser les principaux facteurs en cas de détection d'une valeur aberrante (anomalie).

   Par exemple, Amazon Quick Sight peut indiquer les principaux clients qui ont contribué à l'augmentation des ventes de produits de bricolage aux États-Unis. Vous pouvez ajouter jusqu’à quatre dimensions provenant de votre jeu de données. Il s’agit notamment des dimensions que vous n’avez pas ajoutées aux sélecteurs de champs de ce widget d’analyse.

   Pour obtenir une liste des dimensions disponibles pour l’analyse de contribution, sélectionnez **Sélectionner les champs**.

1. Choisissez **Enregistrer** pour confirmer vos choix. Choisissez **Cancel (Annuler)** pour quitter sans sauvegarder.

1. Dans le widget d’analyse, sélectionnez **Exécuter maintenant** pour lancer la détection d’anomalies et afficher votre analyse.

La durée de la détection d’anomalies varie en fonction du nombre de points de données uniques que vous analysez. Le processus peut prendre quelques minutes pour un nombre réduit de points, ou durer plusieurs heures.

Pendant son exécution en arrière-plan, vous pouvez effectuer d’autres tâches dans votre analyse. Attendez la fin de la détection avant de modifier la configuration, d’éditer la narration ou d’ouvrir la page **Explorer les anomalies** pour cette analyse.

Le widget d’analyse doit être exécuté au moins une fois avant que vous puissiez voir les résultats. Si vous pensez que le statut peut être obsolète, vous pouvez actualiser la page. L’analyse peut avoir les états suivants.


| S’affiche sur la page | Statut | 
| --- | --- | 
| Bouton Run now (Exécuter maintenant) | La tâche n’a pas encore commencé. | 
| Message à propos de Analyzing for anomalies (Analyse des anomalies) | La tâche est en cours d’exécution. | 
| Texte concernant les anomalies détectées (cas particuliers)  | La tâche s’est exécutée avec succès. Le message indique quand le calcul de ce widget a été mis à jour pour la dernière fois. | 
| Icône d’alerte avec un point d’exclamation (\$1)  | Cette icône indique qu’une erreur s’est produite lors de la dernière exécution. Si la narration s’affiche également, vous pouvez toujours utiliser Explore anomalies (Explorer les anomalies) pour utiliser les données de l’exécution réussie précédente.  | 

# Utilisation de l’analyse de contribution pour les facteurs clés
<a name="anomaly-detection-adding-key-drivers"></a>

Amazon Quick Sight peut identifier les dimensions (catégories) qui contribuent aux valeurs aberrantes dans les mesures (métriques) entre deux points dans le temps. Le facteur clé qui contribue à une valeur aberrante vous aide à répondre à la question suivante : Que s’est-il passé pour provoquer cette anomalie ? 

Si vous utilisez déjà la détection d’anomalies sans analyse de contribution, vous pouvez activer l’analyse ML existante pour trouver les facteurs clés. Suivez la procédure suivante pour ajouter l’analyse de contribution et identifier les facteurs clés à l’origine des valeurs aberrantes. Votre analyse pour la détection d’anomalies doit inclure un champ temporel et au moins une métrique agrégée (SOMME, MOYENNE ou COMPTE). Vous pouvez inclure plusieurs catégories (champs de dimension) si vous le souhaitez, mais vous pouvez également exécuter l’analyse de contribution sans spécifier de catégorie ou de champ de dimension.

Vous pouvez également utiliser cette procédure pour modifier ou supprimer des champs en tant que facteurs clés dans votre détection d’anomalies.

**Pour ajouter une analyse de contribution afin d’identifier les facteurs clés**

1. Ouvrez votre analyse et localisez une analyse ML existante pour la détection des anomalies. Sélectionnez le widget de l’analyse pour le mettre en évidence.

1. Choisissez **Options de menu** (**…**) dans le menu de la représentation visuelle.

1. Choisissez **Configurer l’anomalie** pour modifier les paramètres.

1. Le paramètre **Analyse des contributions (facultatif)** permet à Amazon Quick Sight d'analyser les principaux facteurs lorsqu'une valeur aberrante (anomalie) est détectée. Par exemple, Amazon Quick Sight peut vous indiquer les principaux clients qui ont contribué à l'augmentation des ventes de produits de bricolage aux États-Unis. Vous pouvez ajouter jusqu’à quatre dimensions de votre jeu de données, y compris des dimensions que vous n’avez pas ajoutées aux sélecteurs de ce widget d’information.

   Pour afficher la liste des dimensions disponibles pour l’analyse de contribution, choisissez **Select fields (Sélectionner les champs)**.

   Si vous voulez modifier les champs que vous utilisez comme facteurs clés, modifiez les champs activés dans cette liste. Si vous les désactivez tous, Quick Sight n'effectuera aucune analyse des contributions à cet aperçu.

1. Pour enregistrer vos modifications, faites défiler jusqu’au bas des options de configuration et sélectionnez **Enregistrer**. Pour quitter sans sauvegarder, choisissez **Annuler**. Pour supprimer complètement ces paramètres, cliquez sur **Supprimer**.

# Exploration des valeurs aberrantes et des facteurs clés grâce à la détection d’anomalies et à l’analyse de contribution basées sur le ML
<a name="anomaly-exploring"></a>

Vous pouvez explorer de manière interactive les anomalies (également appelées cas particuliers) de votre analyse, ainsi que les facteurs qui y contribuent (facteurs clés). Vous pouvez explorer l’analyse après l’exécution de la détection d’anomalies par le ML. Les modifications que vous apportez dans cet écran ne sont pas enregistrées lorsque vous revenez à l’analyse.

Pour commencer, sélectionnez **Explorer les anomalies** dans l’analyse. La capture d’écran suivante montre l’écran des anomalies tel qu’il apparaît lorsque vous l’ouvrez pour la première fois. Dans cet exemple, l’analyse des contributeurs est configurée et montre deux facteurs clés.

![\[Analyse des anomalies avec affichage des contributeurs.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/anomaly-exploration-v2.png)


Les sections de l’écran sont les suivantes, du haut à gauche au bas à droite :
+ **Contributeurs** affiche les facteurs clés. Pour voir cette section, vous devez avoir des contributeurs dans votre configuration d’anomalie. 
+ **Contrôles** contient les paramètres d’exploration des anomalies.
+ **Nombre d’anomalies** affiche les valeurs aberrantes détectées au fil du temps. Vous pouvez masquer ou afficher cette section du graphique.
+ Les **Noms de vos champs** de catégorie ou de dimension servent de titres aux graphiques qui affichent les anomalies pour chaque catégorie ou dimension. 

Les sections suivantes fournissent des informations détaillées sur chaque aspect de l’exploration des anomalies.

**Topics**
+ [Exploration des contributeurs (facteurs clés)](exploring-anomalies-key-drivers.md)
+ [Paramétrage des contrôles pour la détection des anomalies](exploring-anomalies-controls.md)
+ [Affichage et masquage des anomalies par date](exploring-anomalies-by-date.md)
+ [Exploration des anomalies par catégorie ou dimension](exploring-anomalies-per-category-or-dimension.md)

# Exploration des contributeurs (facteurs clés)
<a name="exploring-anomalies-key-drivers"></a>

Si votre analyse des anomalies est configurée pour détecter les principaux facteurs, Quick Sight exécute l'analyse des contributions afin de déterminer quelles catégories (dimensions) influencent les valeurs aberrantes. La section **Contributeurs** apparaît à gauche. 

**Contributeurs** contient les sections suivantes :
+ **Narratif** – En haut à gauche, un résumé décrit tout changement dans les métriques.
+ **Configuration des principaux facteurs** – Choisissez **Configurer** pour modifier les facteurs et la plage de dates à utiliser dans cette section.
+ **Trier par** – Définit le tri appliqué aux résultats qui apparaissent en dessous. Sélectionnez parmi les éléments suivants :
  + **Absolute difference (Différence absolue)** 
  + **Contribution percentage (Pourcentage de contribution)** (par défaut) 
  + **Deviation from expected (Écart par rapport aux prévisions)** 
  + **Percentage difference (Différence en pourcentage)** 
+ **Résultats concernant les principaux facteurs** – Affiche les résultats de l’analyse des principaux facteurs pour le point dans le temps sélectionné sur la chronologie située à droite. 

  L’analyse des contributions identifie jusqu’à quatre des facteurs principaux ou facteurs clés qui contribuent à une anomalie. Par exemple, Amazon Quick Sight peut vous indiquer les principaux clients qui ont contribué à l'augmentation des ventes de produits de santé aux États-Unis. Ce panneau n’apparaît que si vous choisissez d’inclure des champs dans l’analyse des contributions lorsque vous configurez l’anomalie. 

  Si vous ne voyez pas ce panneau et que vous voulez l’afficher, vous pouvez l’activer. Pour cela, allez à l’analyse, choisissez la configuration des anomalies dans le menu de l’aperçu et choisissez jusqu’à quatre champs pour analyser les contributions. Si vous apportez des modifications aux contrôles de la feuille qui excluent les pilotes contributeurs, le panneau **Contributions** se ferme.

# Paramétrage des contrôles pour la détection des anomalies
<a name="exploring-anomalies-controls"></a>

Vous trouverez les paramètres de la détection d’anomalies dans la section **Contrôles** de l’écran. Vous pouvez ouvrir et fermer cette section en cliquant sur le mot **Contrôles**.

Les paramètres incluent entre autres :
+ **Contrôles** – Les paramètres actuels apparaissent en haut de l’espace de travail. Vous pouvez développer cette section en cliquant sur l’icône à double flèche située à droite. Les paramètres suivants sont disponibles pour explorer les cas particuliers générés par la détection des anomalies basée sur le Machine Learning :
  + **Sévérité** – Définit le degré de sensibilité de votre détecteur aux anomalies détectées (valeurs aberrantes). Vous devriez vous attendre à voir plus d’anomalies lorsque le seuil est réglé sur **Bas et plus**, et moins d’anomalies lorsque le seuil est réglé sur **Haut et plus**. Cette sensibilité est déterminée en fonction des écarts-types du score d’anomalie généré par l’algorithme RCF. La valeur par défaut est **Moyenne et supérieure**.
  + **Direction** – La direction sur l’axe des x ou l’axe des y que vous voulez identifier comme anormale. La valeur par défaut est [ALL] (Toutes). Vous pouvez choisir parmi les options suivantes :
    + Réglez ce paramètre sur **Plus élevé que prévu** pour identifier les valeurs plus élevées comme des anomalies. 
    + Réglez ce paramètre sur **Plus bas que prévu** pour identifier les valeurs inférieures comme des anomalies. 
    + Réglez sur **[TOUT]** pour identifier toutes les valeurs anormales, qu’elles soient élevées ou faibles. 
  + **Delta minimum – valeur absolue** – Saisissez une valeur personnalisée à utiliser comme seuil absolu pour identifier les anomalies. Tout montant supérieur à cette valeur est considéré comme une anomalie. 
  + **Delta minimum – pourcentage** – Saisissez une valeur personnalisée à utiliser comme seuil de pourcentage pour identifier les anomalies. Tout montant supérieur à cette valeur est considéré comme une anomalie. 
  + **Trier par** – Choisissez la méthode que vous voulez appliquer pour trier les anomalies. Sur l’écran, les méthodes sont répertoriées par ordre de préférence. Consultez la liste suivante pour obtenir une description de chaque méthode.
    + **Score d’anomalie pondéré** – Score d’anomalie multiplié par le logarithme de la valeur absolue de la différence entre la valeur réelle et la valeur attendue. Il s’agit toujours d’un nombre positif.
    + **Score d’anomalie** – Score d’anomalie réel attribué à ce point de données.
    + **Différence pondérée par rapport à la valeur attendue** – (Valeur par défaut) Score d’anomalie multiplié par la différence entre la valeur réelle et la valeur attendue.
    + **Différence par rapport à la valeur attendue** – Différence réelle entre la valeur réelle et la valeur attendue (réelle-attendue).
    + **Valeur réelle** – Valeur réelle sans aucune formule appliquée.
  + **Catégories** – Un ou plusieurs paramètres peuvent apparaître à la fin des autres paramètres. Il y en a un pour chaque champ de catégorie que vous avez ajouté au sélecteur de champs. Vous pouvez utiliser les paramètres de catégorie pour limiter les données qui s’affichent à l’écran. 

# Affichage et masquage des anomalies par date
<a name="exploring-anomalies-by-date"></a>

Le graphique **Nombre d’anomalies** affiche les valeurs aberrantes détectées au fil du temps. Si vous ne voyez pas ce graphique, vous pouvez l’afficher en sélectionnant **AFFICHER LES ANOMALIES PAR DATE**. 

Ce graphique montre les anomalies (valeurs aberrantes) pour le point de données le plus récent de la série temporelles. Lorsqu’il est développé, il affiche les éléments suivants :
+ **Anomalies** – Le centre de l’écran présente les anomalies pour le dernier point de données des séries chronologiques. Un ou plusieurs graphiques apparaissent avec les variations d’une métrique au fil du temps. Pour les utiliser, sélectionnez un point sur la ligne de temps. Le point dans le temps actuellement sélectionné est mis en évidence dans le graphique et comprend un menu vous offrant la possibilité d’analyser les contributions à la métrique actuelle. Vous pouvez également faire glisser le curseur sur la ligne de temps sans choisir un point spécifique pour afficher la valeur de la métrique pour cet instant donné.
+ **Anomalies par date** – Si vous choisissez **AFFICHER LES ANOMALIES PAR DATE**, un autre graphique illustre le nombre d’anomalies significatives pour chaque point temporel. Vous pouvez voir les détails de ce graphique dans le menu contextuel de chaque barre. 
+ **Ajustement de la chronologie** – Chaque graphique dispose d’un outil d’ajustement de la chronologie sous les dates, que vous pouvez utiliser pour condenser, développer ou choisir une période de temps à afficher.

# Exploration des anomalies par catégorie ou dimension
<a name="exploring-anomalies-per-category-or-dimension"></a>

La section principale de l’écran **Explorer les anomalies** est verrouillée dans la partie inférieure droite de l’écran. Elle reste à cet endroit, quel que soit le nombre d’autres sections de l’écran ouvertes. S’il existe plusieurs anomalies, vous pouvez les faire défiler pour les mettre en évidence. Le graphique affiche les anomalies dans des gammes de couleurs et montre où elles se produisent sur une période donnée. 

![\[Écran d’exploration des anomalies.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/anomaly-exploration-1.png)


Chaque catégorie ou dimension dispose d’un graphique distinct qui utilise le nom du champ comme titre du graphique. Chaque graphique contient les éléments suivants :
+ **Configurer les alertes** – Si vous explorez les anomalies à partir d’un tableau de bord, sélectionnez ce bouton pour vous abonner aux alertes et à l’analyse de contribution (si elle est configurée). Vous pouvez configurer les alertes pour le niveau de gravité (moyen, élevé, etc.). Vous pouvez recevoir les 5 premières alertes pour **Higher than expected (Plus haute que prévu)**, **Lower than expected (Plus basse que prévu)** ou ALL (TOUTES). Les lecteurs de tableaux de bord peuvent configurer des alertes pour eux-mêmes. Si vous ouvrez la page **Explorer les anomalies**, ce bouton ne s’affiche pas si vous avez ouvert la page à partir d’une analyse.
**Note**  
La possibilité de configurer les alertes n’est disponible que dans les tableaux de bord publiés.
+ **Statut** – Sous l’en-tête **Anomalies**, l’étiquette de statut affiche des informations sur la dernière exécution. Par exemple, vous pouvez voir « Anomalies pour le revenu du 17 novembre 2018 ». Cette étiquette vous indique le nombre de métriques traitées et à quel moment. Vous pouvez choisir le lien pour en savoir plus sur les détails, comme le nombre de métriques ignorées.

# Prévision et création de scénarios hypothétiques avec Amazon Quick Sight
<a name="forecasts-and-whatifs"></a>

Grâce aux prévisions basées sur le ML, vous pouvez prévoir vos principaux indicateurs commerciaux en toute simplicitépoint-and-click . Aucune compétence en matière de machine learning n’est requise. L'algorithme ML intégré à Amazon Quick Sight est conçu pour gérer des scénarios complexes du monde réel. Amazon Quick Sight utilise l'apprentissage automatique pour fournir des prévisions plus fiables que celles disponibles par les moyens traditionnels.

Supposons, par exemple, que vous êtes un responsable commercial. Supposons que vous vouliez prévoir les ventes à venir, pour voir si vous atteindrez votre objectif d’ici la fin de l’année. Ou imaginons que vous vous attendez à ce qu’un gros contrat soit conclu sous deux semaines et que vous souhaitez savoir comment il va affecter vos prévisions globales. 

Vous pouvez prévoir le chiffre d’affaires de votre entreprise avec plusieurs niveaux de saisonnalité (par exemple, les ventes avec des tendances hebdomadaires et trimestrielles). Amazon Quick Sight exclut automatiquement les anomalies dans les données (par exemple, une hausse des ventes due à une baisse de prix ou à une promotion) afin qu'elles n'influencent pas les prévisions. Vous n'avez pas non plus besoin de nettoyer et de préparer à nouveau les données contenant des valeurs manquantes, car Amazon Quick Sight s'en charge automatiquement. De plus, grâce aux prévisions basées sur le ML, vous pouvez effectuer des analyses d’hypothèses interactives pour déterminer la trajectoire de croissance dont vous avez besoin pour atteindre vos objectifs commerciaux.

## Utilisation des prévisions et des scénarios hypothétiques
<a name="using-forecasts"></a>

Vous pouvez ajouter un widget de prévisions à votre analyse existante et le publier dans un tableau de bord. Pour analyser des scénarios hypothétiques, utilisez une analyse, et non un tableau de bord. Grâce aux prévisions basées sur le ML, Amazon Quick Sight vous permet de prévoir des scénarios complexes et réels, tels que des données présentant plusieurs saisonnalités. Il exclut automatiquement les valeurs aberrantes qu’il identifie et impute des valeurs manquantes.

Suivez la procédure ci-dessous pour ajouter une prévision graphique à votre analyse et explorer des scénarios hypothétiques.

Bien que la procédure suivante concerne les prévisions graphiques, vous pouvez également ajouter une prévision sous forme de récit dans un widget d’analyse. Pour en savoir plus, veuillez consulter la section [Création de récits automatiques avec Amazon Quick Sight](narratives-creating.md).

Les prévisions basées sur le ML ne sont pas compatibles avec les [petits](small-multiples.md) multiples. Pour garantir un affichage précis des données et des prévisions, évitez d'utiliser de petits multiples dans vos visualisations.

**Pour ajouter une prévision graphique à votre analyse**

1. Créez une représentation visuelle qui utilise un seul champ de date et jusqu’à trois métriques (mesures).

1. Dans le menu situé dans le coin supérieur droit de la représentation visuelle, sélectionnez l’icône **Options de menu** (les trois points), puis choisissez **Ajouter une prévision**.

   Quick Sight analyse automatiquement les données historiques à l'aide du ML et affiche une prévision graphique pour les 14 prochaines périodes. Les propriétés des prévisions s’appliquent à toutes les métriques de votre représentation visuelle. Si vous voulez des prévisions individuelles pour chaque métrique, envisagez de créer une représentation visuelle distincte pour chaque métrique et d’ajouter une prévision à chacune d’entre elles.  
![\[Image d’une représentation visuelle de graphique linéaire avec trois métriques prévues.\]](http://docs.aws.amazon.com/fr_fr/quick/latest/userguide/images/forecast2.png)

1. Dans le panneau **Propriétés des prévisions** à gauche, personnalisez un ou plusieurs des paramètres suivants :
   + **Durée de la prévision** – Définissez **Périodes en avant** pour effectuer des prévisions ou **Périodes en arrière** pour rechercher des modèles sur lesquels baser les prévisions.
   + **Intervalle de prévision** – Définit la plage estimée pour la prévision. Ce faisant, on modifie l’étendue de la fourchette de possibilités autour de la ligne de prédiction. 
   + **Saisonnalité** – Définissez le nombre de périodes que comporte le modèle saisonnier prévisible des données. La plage est de 1 à 180, et le paramètre par défaut est **Automatique**.
   + **Limites de la prévision** – Définissez une valeur minimale et/ou maximale de la prévision afin d’éviter que les valeurs prédites ne dépassent ou ne soient inférieures à une valeur prédite. Par exemple, si vous prévoyez que le nombre d’embauches effectuées par l’entreprise au cours du mois suivant sera négatif, vous pouvez définir une limite de prévision minimale égale à zéro. Cela empêchera les valeurs prédites de descendre en dessous de zéro.

   Choisissez **Apply (Appliquer)** pour enregistrer vos changements.

   Si votre prévision contient plusieurs métriques, vous pouvez isoler l’une d’entre elles en la sélectionnant n’importe où à l’intérieur de la bande orange. Les autres prévisions disparaissent alors. Sélectionnez à nouveau la bande de prévisions isolées pour les faire réapparaître.

1. Analysez les scénarios hypothétiques en choisissant un point de données prévu (dans la plage orange) sur le graphique, puis en choisissant **What-if analysis (Analyse d’hypothèse)** dans le menu contextuel.

   Le panneau **Analyse what-if** s’ouvre à gauche. Définissez les options suivantes :
   + **Scénario** – Définissez une cible pour une date ou une cible pour une plage de temps.
   + **Dates** – Si vous définissez une cible pour une date spécifique, saisissez cette date ici. Si vous allez utiliser une plage de temps, définissez les dates de début et de fin.
   + **Cible** – Définissez une valeur cible pour la métrique.

   Amazon Quick Sight ajuste les prévisions pour atteindre l'objectif. 
**Note**  
L’option **Analyse what-if** n’est pas disponible pour les prévisions à plusieurs métriques. Si vous voulez réaliser un scénario what-if sur votre prévision, votre représentation visuelle ne doit contenir qu’une seule métrique.

1. Conservez vos modifications en choisissant **Apply (Appliquer)**. Pour les ignorer, fermez le panneau **What-if analysis (Analyse d’hypothèse)**. 

   Si vous conservez vos modifications, vous voyez la nouvelle prévision ajustée à la cible, ainsi que la prévision d’origine sans l’hypothèse. 

   L’analyse d’hypothèse est représentée sur le visuel sous la forme d’un point sur la ligne des métriques. Pour voir les détails, passez le curseur au-dessus des points de données sur la ligne des prévisions. 

Voici d’autres possibilités :
+ Pour interagir avec une analyse hypothétique ou la supprimer, choisissez le point sur la ligne des métriques. 
+ Pour créer de scénarios hypothétiques supplémentaires, fermer l’analyse d’hypothèse avant de choisir un nouveau point sur la ligne.

**Note**  
Les analyses d’hypothèse peuvent exister uniquement dans une analyse, et pas dans un tableau de bord.