Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Ottenere informazioni dettagliate con l'apprendimento automatico (ML) in Amazon Quick Sight
Amazon Quick Sight utilizza l'apprendimento automatico per aiutarti a scoprire informazioni e tendenze nascoste nei tuoi dati, identificare i fattori chiave e prevedere le metriche aziendali. Puoi usare queste informazioni anche in descrizioni in linguaggio naturale integrate in pannelli di controllo.
Utilizzando l'apprendimento automatico (ML) e le funzionalità del linguaggio naturale, Amazon Quick Sight Enterprise Edition ti porta oltre l'analisi descrittiva e diagnostica e ti lancia nella previsione e nel processo decisionale. Potrai comprendere i dati in modo immediato, condividere le tue scoperte e individuare le migliori decisioni per raggiungere i tuoi obiettivi. Tutto questo senza sviluppare team e tecnologie per creare i modelli e gli algoritmi di Machine Learning necessari.
Probabilmente avrai già creato visualizzazioni che rispondono a domande su quanto è successo, quando e dove e che forniscono approfondimenti per l'esame e l'identificazione di modelli. Con le informazioni basate su Machine Learning, puoi evitare di sprecare ore e ore in analisi e verifiche manuali. Puoi selezionare descrizioni contestuali personalizzate, denominate *descrizioni automatiche* da un elenco e aggiungerle alle analisi. Oltre a selezionare le descrizioni automatiche, puoi scegliere di visualizzare previsioni, anomalie e i fattori che vi contribuiscono. Puoi anche aggiungere descrizioni automatiche per presentare le principali conclusioni in un linguaggio semplice, in modo da fornire un'unica versione dei fatti basata sui dati per la tua azienda.
Man mano che il tempo passa e i dati fluiscono attraverso il sistema, Amazon Quick Sight impara continuamente in modo da poter fornire informazioni sempre più pertinenti. Invece di stabilire il significato dei dati, puoi decidere che cosa fare con le informazioni che ti fornisce il servizio.
Attraverso un punto di partenza condiviso basato su Machine Learning, tutti gli analisti e le parti interessate possono individuare tendenze, anomalie, previsioni e descrizioni personalizzate generate da milioni di parametri. Potranno inoltre esaminare le cause principali, considerare le previsioni, valutare i rischi e adottare decisioni ben informate e giustificabili.
Puoi creare un pannello di controllo come questo senza analisi manuali, competenze nello sviluppo personalizzato e comprensione dei modelli o degli algoritmi di Machine Learning. Tutte queste funzionalità sono integrate in Amazon Quick Sight Enterprise Edition.
**Nota**
Le funzionalità di Machine Learning vengono usate nel modo necessario in tutto il prodotto. Le caratteristiche che usano attivamente Machine Learning vengono contrassegnate come tali.
Con ML Insights, Amazon Quick Sight offre tre funzionalità principali:
+ **Rilevamento delle anomalie basato su ML:** Amazon Quick Sight utilizza la comprovata tecnologia di machine learning di Amazon per analizzare continuamente tutti i dati per rilevare anomalie (valori anomali). Puoi identificare i principali fattori che contribuiscono a qualsiasi cambiamento significativo delle tue metriche aziendali, come le higher-than-expected vendite o un calo del traffico del tuo sito web. Amazon Quick Sight utilizza l'algoritmo Random Cut Forest su milioni di metriche e miliardi di punti dati. In questo modo, puoi ottenere informazioni approfondite che sono spesso nascoste nelle aggregazioni e inaccessibili tramite l'analisi manuale.
+ **Previsioni basate sul machine learning:** Amazon Quick Sight consente agli utenti non esperti di prevedere con sicurezza le proprie metriche aziendali chiave. L'algoritmo Random Cut Forest di Machine Learning integrato gestisce automaticamente scenari reali complessi come il rilevamento della stagionalità e delle tendenze, escludendo gli outlier e deducendo i valori mancanti. Puoi interagire con i dati con semplicità. point-and-click
+ **Narrazioni automatiche: utilizzando le narrazioni** automatiche in Amazon Quick Sight, puoi creare dashboard complete con narrazioni incorporate per raccontare la storia dei tuoi dati con un linguaggio semplice. In questo modo, puoi evitare di sprecare tempo a setacciare grafici e tabelle per estrarre le informazioni più importanti per la creazione di report. Questo approccio favorisce inoltre una comprensione condivisa dei dati all'interno dell'organizzazione, per poter adottare decisioni più rapidamente. Puoi usare la narrazione automatica suggerita oppure puoi personalizzare i calcoli e il linguaggio in base a requisiti specifici. Amazon Quick Sight è come fornire un analista di dati personali a tutti i tuoi utenti.
**Topics**
+ [
# Comprensione dell'algoritmo ML utilizzato da Amazon Quick Sight
](concept-of-ml-algorithms.md)
+ [
# Requisiti del set di dati per l'utilizzo di ML Insights con Amazon Quick Sight
](ml-data-set-requirements.md)
+ [
# Lavorare con gli approfondimenti in Amazon Quick Sight
](computational-insights.md)
+ [
# Creazione di narrazioni automatiche con Amazon Quick Sight
](narratives-creating.md)
+ [
# Rilevamento di outlier con il rilevamento delle anomalie con il machine learning
](anomaly-detection.md)
+ [
# Previsione e creazione di scenari ipotetici con Amazon Quick Sight
](forecasts-and-whatifs.md)
# Comprensione dell'algoritmo ML utilizzato da Amazon Quick Sight
| |
| --- |
| Non è necessaria alcuna esperienza tecnica nell'apprendimento automatico per utilizzare le funzionalità basate su ML di Amazon Quick Sight. Questa sezione si occupa degli aspetti tecnici dell'algoritmo, per coloro che desiderano dettagli su come funziona. Non è necessario leggere queste informazioni per utilizzare le funzionalità. |
Amazon Quick Sight utilizza una versione integrata dell'algoritmo Random Cut Forest (RCF). Le sezioni seguenti spiegano cosa significa e come viene utilizzato in Amazon Quick Sight.
Innanzitutto analizziamo la terminologia utilizzata:
+ Anomalia: qualcosa che è caratterizzato dalla differenza rispetto alla maggior parte delle altre cose nello stesso campione. Conosciuta anche come un outlier, un'eccezione, una deviazione e così via.
+ Punto dati: un'unità discreta, o semplicemente una riga, in un set di dati. Tuttavia, una riga può avere più punti dati se si utilizza una misura su dimensioni diverse.
+ Albero delle decisioni: un modo di visualizzare il processo decisionale dell'algoritmo che valuta modelli nei dati.
+ Previsione: una previsione del comportamento futuro in base al comportamento passato e presente.
+ Modello: una rappresentazione matematica dell'algoritmo o ciò che l'algoritmo apprende.
+ Stagionalità: i comportamenti ripetitivi che si verificano ciclicamente nei dati delle serie temporali.
+ Serie temporali: un set ordinato di dati relativi a orario o data in un campo o in una colonna.
**Topics**
+ [
# Qual è la differenza tra rilevamento delle anomalie e previsione?
](difference-between-anomaly-detection-and-forecasting.md)
+ [
# Che cos'è un RCF?
](what-is-random-cut-forest.md)
+ [
# Applicazione dell'algoritmo RCF per rilevare le anomalie
](how-does-rcf-detect-anomalies.md)
+ [
# Applicazione dell'algoritmo RCF per generare le previsioni
](how-does-rcf-generate-forecasts.md)
+ [
# Riferimenti per machine learning e RCF
](learn-more-about-machine-learning-and-rcf.md)
# Qual è la differenza tra rilevamento delle anomalie e previsione?
Il rilevamento delle anomalie identifica gli outlier e i fattori che contribuiscono a rispondere alla domanda "Che cosa è successo che non accade abitualmente?" Una previsione risponde alla domanda: "Se tutto continua ad accadere come previsto, che cosa succederà in futuro?" La matematica che permette le previsioni ci permette anche di chiederci: "Se alcune cose cambiano, che cosa accadrà?"
Sia il rilevamento che la previsione delle anomalie iniziano con l'esame dei punti dati attualmente noti. Il rilevamento delle anomalie di Amazon Quick Sight inizia da ciò che è noto, in modo da poter stabilire cosa si trova al di fuori del set noto e identificare tali punti dati come anomali (valori anomali). Le previsioni di Amazon Quick Sight escludono i punti dati anomali e si attengono allo schema noto. La previsione si concentra sul modello stabilito di distribuzione dei dati. Al contrario, il rilevamento delle anomalie si concentra sui punti dati che deviano da quanto previsto. Ogni metodo adotta un approccio al processo decisionale da una direzione diversa.
# Che cos'è un RCF?
Un *random cut forest* (RCF) è un tipo speciale di algoritmo *random forest* (RF), una tecnica largamente utilizzata nel machine learning. Utilizza un set di punti di dati casuali, li ridimensiona allo stesso numero di punti e in seguito crea una raccolta di modelli. Al contrario, un modello corrisponde a un albero decisionale, da cui il nome foresta. Poiché non RFs possono essere facilmente aggiornate in modo incrementale, RCFs sono state inventate con variabili nella costruzione ad albero progettate per consentire aggiornamenti incrementali.
In qualità di algoritmo non controllato, RCF impiega cluster di analisi per rilevare picchi in dati di serie temporali, interruzioni nella periodicità o stagionalità ed eccezioni dei punti dati. Gli algoritmi random cut forest possono operare come sinossi o sketch di un flusso di dati dinamico (o una sequenza di numeri indicizzata temporalmente). Le risposte alle nostre domande sul flusso derivano da quella sinossi. Le seguenti caratteristiche affrontano il flusso e come eseguiamo connessioni al rilevamento e alla previsione di anomalie.
+ Un *algoritmo di streaming *è un algoritmo online con footprint della memoria ridotto. Un algoritmo online prende la decisione sul punto di input indicizzato dal tempo **t** prima di osservare il **(t\$11)-**esimo punto. La memoria ridotta favorisce algoritmi agili che possono produrre risposte con bassa latenza e permettere a un utente di interagire con i dati.
+ Il rispetto dell'ordine imposto dal tempo, come in un algoritmo *online*, è necessario nel rilevamento delle anomalie e nelle previsioni. Se sappiamo già cosa accadrà dopodomani, allora prevedere cosa accadrà domani non è una previsione, ma solo l'interpolazione di un valore mancante sconosciuto. Analogamente, un nuovo prodotto introdotto oggi può essere un'anomalia, ma non necessariamente resterà tale alla fine del prossimo trimestre.
# Applicazione dell'algoritmo RCF per rilevare le anomalie
Un essere umano può facilmente riconoscere un punto dati che spicca rispetto al resto dei dati. RCF fa la stessa cosa creando una "foresta" di alberi decisionali e quindi monitorando il modo in cui i nuovi punti dati modificano la foresta.
Un'*anomalia* è un punto dati che distoglie l'attenzione dai punti normali: si pensi all'immagine di un fiore rosso in un campo di fiori gialli. Questo "spostamento dell'attenzione" è codificato nella posizione (prevista) di un albero (ovvero un modello in RCF) che sarebbe occupata dal punto di input. L'idea è creare una foresta in cui ogni albero decisionale ha origine da una partizione dei dati campionati per il training dell'algoritmo. In termini più tecnici, ogni albero crea un tipo specifico di albero di partizionamento dello spazio binario sui campioni. Man mano che Amazon Quick Sight campiona i dati, RCF assegna a ciascun punto dati un punteggio di anomalia. I punteggi maggiori vengono assegnati ai punti dati che appaiono anomali. Il punteggio è, nel ravvicinamento, inversamente proporzionale alla profondità risultante del punto nell'albero. Random Cut Forest assegna un punteggio di anomalia calcolando il punteggio medio di ogni albero costituente e adattando il risultato alla dimensione del campione.
I voti o punteggi dei diversi modelli vengono aggregati perché ciascun modello è in se stesso un indicatore di previsione debole. Amazon Quick Sight identifica un punto dati come anomalo quando il suo punteggio è significativamente diverso dai punti recenti. Cosa viene definito come un'anomalia varia a seconda dell'applicazione.
Il paper [Random Cut Forest Based Anomaly Detection On Streams](http://proceedings.mlr.press/v48/guha16.pdf) fornisce diversi esempi di questo rilevamento di anomalie state-of-the-art online (rilevamento di anomalie in serie temporali). RCFsvengono utilizzati su segmenti contigui o «insiemi» di dati, in cui i dati del segmento immediato fungono da contesto per quello più recente. Le versioni precedenti degli algoritmi di rilevamento delle anomalie basati su RCF assegnano un punteggio a un'intera sovrapposizione. L'algoritmo di Amazon Quick Sight fornisce anche una posizione approssimativa dell'anomalia nel contesto esteso corrente. Questa posizione approssimativa può essere utile nello scenario in cui si verifica un ritardo nel rilevare l'anomalia. I ritardi si verificano perché qualsiasi algoritmo deve caratterizzare le "deviazioni precedentemente osservate" come "deviazioni anomale" e questo può richiedere diverso tempo.
# Applicazione dell'algoritmo RCF per generare le previsioni
Per prevedere il valore successivo in una sequenza di tempo stazionaria, l'algoritmo RCF risponde alla domanda: "Quale sarebbe la conclusione più probabile una volta ottenuto un valore candidato?" L'algoritmo usa un singolo albero nella RCF per eseguire una ricerca del candidato migliore. Vengono aggregati i candidati di alberi diversi, perché ogni albero è in se stesso un indicatore di previsione debole. L'aggregazione permette anche la generazione di errori di quantile. Questo processo viene ripetuto **t** volte per prevedere il **t**-esimo valore in futuro.
L'algoritmo di Amazon Quick Sight si chiama *BIFOCAL*. Ne usa due RCFs per creare un'architettura CALibrated BI-. FOrest La prima RCF viene usata per escludere le anomalie e fornire una previsione debole, che viene corretta dalla seconda. Nel complesso, questo approccio fornisce foreste significativamente più affidabili rispetto agli altri algoritmi ampiamente disponibili, ad esempio ETS.
Il numero di parametri nell'algoritmo di previsione di Amazon Quick Sight è notevolmente inferiore rispetto ad altri algoritmi ampiamente disponibili. Questo aspetto lo rende utile immediatamente, senza modifiche da parte dell'utente per un numero elevato di punti dati di serie temporali. Man mano che si accumulano più dati in una particolare serie temporale, le previsioni di Amazon Quick Sight possono adattarsi alle variazioni dei dati e ai cambiamenti di modello. Per le serie temporali che mostrano tendenze, il rilevamento delle tendenze viene eseguito innanzitutto per rendere le serie stazionarie. La previsione della sequenza stazionaria viene prevista di nuovo con la tendenza.
Poiché l'algoritmo si basa su un algoritmo online efficiente (RCF), può supportare query di simulazione interattive. In queste query alcune delle previsioni possono essere alterate e considerate ipotetiche per fornire previsioni condizionali. Da qui deriva la possibilità di esplorare scenari ipotetici durante l'analisi.
# Riferimenti per machine learning e RCF
Per ulteriori informazioni su Machine Learning e su questo algoritmo, suggeriamo di consultare le risorse seguenti:
+ L'articolo [Robust Random Cut Forest (RRCF): A No Math Explanation](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/) offre una descrizione chiara senza equazioni matematiche.
+ Il libro [*The Elements of Statistical Learning: Data Mining, Inference, and Prediction*, seconda edizione (Springer Series in Statistics)](https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576) offre nozioni di base complete sul machine learning.
+ [http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf), è un whitepaper accademico che analizza gli aspetti tecnici del rilevamento e della previsione delle anomalie e ne fornisce degli esempi.
Un approccio diverso a RCF appare in altri AWS servizi. Se desideri ottenere maggiori informazioni su come RCF viene utilizzato in altri servizi, consulta quanto segue:
+ *Servizio gestito Amazon per Apache Flink [Riferimento SQL: [RANDOM\$1CUT\$1FOREST e RANDOM\$1CUT\$1FOREST\$1WITH\$1EXPLANATION](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest.html)](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html)*
+ *Guida per SageMaker sviluppatori Amazon:* [algoritmo Random Cut Forest (RCF)](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html). Questo approccio viene descritto anche in [The Random Cut Forest Algorithm](https://freecontent.manning.com/the-randomcutforest-algorithm/), un capitolo di [Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (ottobre 2018).
# Requisiti del set di dati per l'utilizzo di ML Insights con Amazon Quick Sight
Per iniziare a utilizzare le funzionalità di apprendimento automatico di Amazon Quick Sight, devi connetterti o importare i tuoi dati. Puoi utilizzare un set di dati Amazon Quick Sight esistente o crearne uno nuovo. Puoi eseguire query direttamente sull'origine compatibile con SQL o inserire i dati in SPICE.
I dati devono avere le proprietà seguenti:
+ Almeno un parametro (ad esempio, vendite, ordini, unità spedite, registrazioni e così via).
+ Almeno una dimensione categoria (ad esempio, categoria di prodotti, canale, segmento, settore e così via). Le categorie con valori NULL vengono ignorate.
+ Il rilevamento di anomalie richiede un minimo di 15 punti dati per l'addestramento. Ad esempio, se la granularità dei dati è giornaliera, ti servono almeno 15 giorni di dati. Se la granularità è mensile, ti servono almeno 15 mesi di dati.
+ Le previsioni funzionano meglio con più dati. Assicurati che il set di dati contenga una quantità sufficiente di dati cronologici per garantire risultati ottimali. Ad esempio, se la granularità dei dati è giornaliera, ti servono almeno 38 giorni di dati. Se la granularità è mensile, ti servono almeno 43 mesi di dati. Di seguito vengono indicati i requisiti per ogni granularità temporale:
+ Anni: 32 punti dati
+ Trimestri: 35 punti dati
+ Mesi: 43 punti dati
+ Settimane: 35 punti dati
+ Giorni: 38 punti dati
+ Ore: 39 punti dati
+ Minuti: 46 punti dati
+ Secondi: 46 punti dati
+ Se vuoi analizzare le anomalie o le previsioni, ti serve anche almeno una dimensione data.
Se non disponi di un set di dati per iniziare, puoi scaricare questo set di dati di esempio: [ML Insights Sample Dataset VI](samples/ml-insights.csv.zip). Una volta pronto il set di dati, crea una nuova analisi dal set di dati.
# Lavorare con gli approfondimenti in Amazon Quick Sight
In Amazon Quick Sight, puoi aggiungere calcoli ready-to-use analitici alle tue analisi come widget. Puoi usare le informazioni in due modi:
+ **Informazioni suggerite**
Amazon Quick Sight crea un elenco di approfondimenti suggeriti in base alla sua interpretazione dei dati che inserisci nelle tue immagini. L'elenco cambia in base al contesto. In altri termini, puoi visualizzare suggerimenti diversi a seconda dei campi aggiunti all'elemento visivo e al tipo di elemento visivo scelto. Ad esempio, se disponi di una visualizzazione di serie temporali, le tue informazioni potrebbero includere period-over-period modifiche, anomalie e previsioni. Man mano che aggiungi più visualizzazioni all'analisi, generi più informazioni suggerite.
+ **Informazioni personalizzate**
Le informazioni personalizzate ti permettono di creare calcoli personali, usando le tue parole per fornire contesto ai campi visualizzati nel widget. Quando crei informazioni personalizzate, aggiungile all'analisi e scegli il tipo di calcolo da utilizzare. Puoi quindi aggiungere testo e formattazione per conferire l'aspetto desiderato. Puoi anche aggiungere altri campi, calcoli e parametri.
Puoi aggiungere qualsiasi combinazione di informazioni suggerite e personalizzate all'analisi, per creare l'ambiente decisionale più adatto ai tuoi obiettivi.
**Topics**
+ [
# Aggiunta di approfondimenti suggeriti
](adding-suggested-insights.md)
+ [
# Aggiunta di approfondimenti personalizzate all'analisi
](adding-insights.md)
# Aggiunta di approfondimenti suggeriti
Usa la procedura seguente per aggiungere informazioni suggerite all'analisi.
Prima di iniziare, verifica che il set di dati soddisfi i criteri delineati in[Requisiti del set di dati per l'utilizzo di ML Insights con Amazon Quick Sight](ml-data-set-requirements.md).
1. Iniziare con un'analisi in cui siano stati aggiunti pochi campi a un elemento visivo.
1. A sinistra scegliere **Insights (Informazioni)**. Il pannello **Approfondimenti** si apre e mostra un elenco di approfondimenti ready-to-use suggeriti.
Sul bordo superiore di ogni elemento visivo viene visualizzata anche una piccola casella che indica quante informazioni sono disponibili per l'elemento visivo specifico. È possibile scegliere questa casella per visualizzare il pannello **Insights (Informazioni)**, che mostra l'ultima visualizzazione aperta.
Scorrere verso il basso per visualizzare in anteprima più informazioni.
Le informazioni che appaiono sono controllate dal tipo di dati dei campi che si sceglie di includere nell'elemento visivo. Questo elenco viene generato ogni volta che si modifica la visualizzazione. Se si apportano modifiche, controllare il pannello **Insights (Informazioni)** per osservare le novità. Per ottenere determinate informazioni, consulta [Aggiunta di approfondimenti personalizzate all'analisi](adding-insights.md).
1. Facoltativo: aprire il menu contestuale con altre opzioni per una delle informazioni. A questo scopo, seleziona i puntini di sospensione alla destra dell'approfondimento (**…**).
Le opzioni sono diverse per ogni tipo di informazione. Le opzioni con cui è possibile interagire includono le seguenti:
+ **Modifica l'aggregazione della serie temporale**: è possibile scegliere un'aggregazione in base a anno, trimestre, mese, settimana, giorno, ora o minuto.
+ **Analizza fattori determinanti per i parametri**: scegli i fattori determinanti e un intervallo di tempo da analizzare.
+ **Mostra tutte le anomalie**: per esplorare le anomalie in questo intervallo di tempo.
+ **Modifica previsione**: per scegliere la durata, l'intervallo e la stagionalità delle previsioni.
+ **Attenzione a** o **Escludi**: per approfondire o escludere i dati dimensionali.
+ **Mostra dettagli**: per visualizzare ulteriori informazioni su un'anomalia recente (outlier).
+ Fornire feedback sull'utilità delle informazioni nell'analisi.
1. Aggiungere un'informazione suggerita all'analisi scegliendo il segno più (**\$1**) accanto al titolo dell'approfondimento.
1. Facoltativo: dopo aver aggiunto un'informazione all'analisi, personalizzare la descrizione che si desidera visualizzare. A questo scopo, scegliere il menu associato all'elemento visivo indicato, da una **V**, e quindi scegliere **Customize narrative (Personalizza descrizione)**. Per ulteriori informazioni, consulta [Creazione di narrazioni automatiche con Amazon Quick Sight](narratives-creating.md).
Se le informazioni riguardano le anomalie (outlier), è possibile modificare le impostazioni per l'attività di rilevamento delle anomalie. A questo scopo, scegliere **Configure anomaly (Configura anomalia)**. Per ulteriori informazioni, consulta [Impostazione del rilevamento delle anomalie con il machine learning per l'analisi degli outlier](anomaly-detection-using.md).
1. Facoltativo: per rimuovere l'informazione dall'analisi, scegliere il menu associato all'elemento visivo, indicato da una **V**, in alto a destra dell'elemento visivo. Scegli **Elimina**.
# Aggiunta di approfondimenti personalizzate all'analisi
Se non desideri usare alcuna delle informazioni suggerite, puoi creare informazioni personalizzate. Completa la procedura seguente per creare informazioni di calcolo personalizzate.
1. Iniziare da un'analisi esistente. Nella barra dei menu in alto, scegli **Aggiungi\$1**. Scegliere quindi **Add Insight (Aggiungi informazione)**.
Un container per il nuovo approfondimento viene aggiunto all'analisi.
1. Esegui una delle seguenti operazioni:
+ Scegliere il calcolo che si desidera usare dall'elenco. Ogni volta che si sceglie una voce, viene visualizzato un esempio dell'output delle informazioni. Una volta trovata la voce che si desidera utilizzare, scegliere **Select (Seleziona)**.
+ Uscire da questa schermata e personalizzare le informazioni manualmente. Accanto alle informazioni non configurate viene visualizzato un pulsante **Customize insight (Personalizza informazione)**. Scegliere il pulsante per aprire la schermata **Configure narrative (Configura descrizione)**. Per ulteriori informazioni sull'uso dell'editor di espressioni, consultare [Creazione di narrazioni automatiche con Amazon Quick Sight](narratives-creating.md).
Poiché si sta iniziando a creare l'informazione, non si basa su un elemento visivo esistente. Quando l'informazione viene aggiunta all'analisi, viene visualizzata una nota che indica il tipo di dati necessari per completare la richiesta. Ad esempio, può essere richiesto **1 dimension in Time (1 dimensione in Tempo)**. In questo caso, aggiungere una dimensione al campo **Time (Tempo)**.
1. Dopo aver corretto i dati, seguire le indicazioni rimanenti nella schermata per completare la creazione dell'informazione personalizzata.
1. Facoltativo: per rimuovere l'informazione dall'analisi, scegliere il menu associato all'elemento visivo, indicato da una **V**, in alto a destra dell'elemento visivo. Scegli **Elimina**.
# Creazione di narrazioni automatiche con Amazon Quick Sight
Una *descrizione automatica *è un widget di riepilogo in linguaggio naturale che visualizza testo descrittivo invece di grafici. Puoi integrare questi widget in tutta l'analisi per evidenziare le informazioni chiave e i callout. Per estrarre una conclusione, non dovrai setacciare l'elemento visivo, eseguirne il drill-down, confrontare valori e ricontrollare le idee. Non dovrai neanche provare a comprendere il significato dei dati o confrontare interpretazioni diverse con i tuoi colleghi. In pratica, potrai semplicemente estrapolare la conclusione dai dati e visualizzarla nell'analisi. Un'unica interpretazione potrà essere condivisa tra tutti.
Amazon Quick Sight interpreta automaticamente i grafici e le tabelle nella dashboard e fornisce una serie di approfondimenti suggeriti in linguaggio naturale. Le informazioni suggerite tra cui puoi scegliere sono pronte per l'uso e includono parole, calcoli e funzioni. Puoi tuttavia modificarle se lo desideri. Puoi anche progettarne di personalizzate. Come autore del pannello di controllo, disponi di tutta la flessibilità necessaria per personalizzare i calcoli e il linguaggio in base alle tue esigenze. Puoi usare descrizioni per raccontare in modo efficace la storia dei dati con un linguaggio semplice.
**Nota**
Le descrizioni sono separate da Machine Learning. Usano Machine Learning solo se vi aggiungi previsioni o calcoli delle anomalie (outlier).
**Topics**
+ [
# Approfondimenti che includono narrazioni automatiche
](auto-narratives.md)
+ [
# Utilizzare l'editor delle espressioni di narrazioni
](using-narratives-expression-editor-step-by-step.md)
+ [
# L'area di lavoro dell'editor di espressioni
](using-narratives-expression-editor-menus.md)
+ [
# Aggiungendo URLs
](using-narratives-expression-editor-urls.md)
+ [
# Utilizzo dei calcoli per le narrazioni automatiche
](auto-narrative-computations.md)
# Approfondimenti che includono narrazioni automatiche
Quando si aggiunge un'informazione dettagliata, nota anche come descrizione automatica, all'analisi, è possibile scegliere tra i seguenti modelli. Nel seguente elenco sono definiti come esempio. Ogni definizione include un elenco dei campi obbligatori minimi affinché funzioni la dichiarazione automatica. Se si stanno utilizzando solo le informazioni dettagliate suggerite nella scheda **Insights (Informazioni dettagliate)**, scegli i campi appropriati affinché venga visualizzata un'informazione dettagliata nell'elenco di informazioni dettagliate suggerite.
Per ulteriori informazioni sulla personalizzazione delle descrizioni automatiche, consulta [Utilizzo dei calcoli per le narrazioni automatiche](auto-narrative-computations.md)
+ **Classificazione dal basso**: ad esempio, gli ultimi tre stati in base al fatturato. Richiede di avere almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
+ **Ultimi posizionati**: ad esempio, i tre prodotti meno venduti in base al fatturato. Richiede che si disponga di almeno una dimensione nel contenitore di campi **Time (Orario)** e almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
+ **Previsione** *(approfondimento con machine learning)*: ad esempio, "Le vendite totali previste ammonteranno a 58.613 USD per gennaio 2016". Richiede che si disponga di almeno una dimensione nel contenitori di campi **Time (Orario)**.
+ **Tasso di crescita**: ad esempio, "Il tasso di crescita composto di 3 mesi per le vendite è del 22,23%". Richiede che si disponga di almeno una dimensione nel contenitori di campi **Time (Orario)**.
+ **Massimo**: ad esempio, "Il mese migliore è novembre 2014 con vendite per 112.326 USD". Richiede che si disponga di almeno una dimensione nel contenitori di campi **Time (Orario)**.
+ **Confronto parametri**: ad esempio, "Le vendite totali per dicembre 2014 ammontano a 90.474 USD, il 10% in più rispetto l'obiettivo di 81.426 USD". Richiede che si disponga di almeno una dimensione nel contenitori di campi **Time (Orario)** e almeno due misure nel contenitore di campi **Values (Valori)**.
+ **Minimo**: ad esempio, "Il mese peggiore è febbraio 2011 con vendite per 4.810 USD". Richiede che si disponga di almeno una dimensione nel contenitori di campi **Time (Orario)**.
+ **Rilevamento delle anomalie** *(approfondimento con machine learning)*: ad esempio, i primi tre outlier e i fattori che contribuiscono relativamente alle vendite totali il 3 gennaio 2019. Richiede che si disponga di almeno una dimensione nel contenitore di campi **Time (Orario)**, di almeno una dimensione nel contenitore di campi **Values (Valori)** e di almeno una dimensioni nel contenitore di campi **Categories (Categorie)**.
+ **Periodo nel periodo**: ad esempio "Le vendite totali per novembre 2014 sono aumentate del 44,39% (34.532 USD) da 77.793 USD a 112.326 USD". Richiede che si disponga di almeno una dimensione nel contenitori di campi **Time (Orario)**.
+ **Periodo fino ad oggi**: ad esempio, «ear-to-dateLe vendite di Y del 30 novembre 2014 sono aumentate del 25,87% (132.236 USD) da 511.236 USD a 643.472 USD». Richiede che si disponga di almeno una dimensione nel contenitori di campi **Time (Orario)**.
+ **Primi classificati**: ad esempio, i primi tre stati in base al fatturato. Richiede di avere almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
+ **Primi posizionati**: ad esempio, i primi prodotti in base al fatturato per novembre 2014. Richiede che si disponga di almeno una dimensione nel contenitore di campi **Time (Orario)** e almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
+ **Aggregazione totale**: ad esempio "Il fatturato totale è di 2.297.200 USD". Richiede che si disponga di almeno una dimensione nel contenitore di campi **Time (Orario)** e di almeno una misura nel contenitore di campi **Values (Valori)**.
+ **Valori univoci**: ad esempio: "Sono presenti 793 valori univoci in `Customer_IDs`". Richiede di avere almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
# Utilizzare l'editor delle espressioni di narrazioni
La procedura guidata seguente mostra un esempio di come personalizzare una descrizione. Ai fini di questo esempio, useremo un tipo di calcolo tra periodi diversi.
1. Iniziare da un'analisi esistente. Aggiungere all'analisi un'informazione di tipo **Period over period (Periodo su periodo)**. Il metodo più semplice a questo scopo consiste nel selezionare l'icona \$1, selezionare **Add insight (Aggiungi informazione)** e quindi scegliere un tipo di informazione dall'elenco. Per scoprire quali tipi di informazioni di calcolo è possibile aggiungere come descrizioni automatiche, consulta [Approfondimenti che includono narrazioni automatiche](auto-narratives.md).
Dopo aver scelto un tipo di informazioni dettagliate, scegliere **Select (Seleziona)** per creare il widget. Per creare una descrizione vuota, chiudere questa schermata senza scegliere un modello. Per seguire questo esempio, scegliere **Period over period (Periodo su periodo)**.
Se quando è stata aggiunta l'informazione era selezionato un elemento visivo, i contenitori di campi contengono campi preconfigurati per data, parametro e categoria. Questi provengono dalla visualizzazione scelta al momento della creazione dell'informazione. È possibile personalizzare i campi in base alle esigenze.
È possibile personalizzare una descrizione solo per un widget di informazioni (basato su testo) nuovo o esistente. Non è possibile aggiungerne una a un elemento visivo esistente (basato su grafico), perché è un tipo diverso di widget.
1. Modificare la descrizione nell'editor di espressioni scegliendo il menu associato all'elemento visivo e quindi scegliendo **Customize narrative (Personalizza descrizione)**.
In questo contesto, i **calcoli** sono calcoli predefiniti (period-over-period, period-to-date, tasso di crescita, max, min, top movers e così via) a cui puoi fare riferimento nel tuo modello per descrivere i tuoi dati. Attualmente, Amazon Quick Sight supporta 13 diversi tipi di calcoli che puoi aggiungere alle tue informazioni. In questo esempio, **PeriodOverPeriod**viene aggiunto per impostazione predefinita perché abbiamo scelto il modello **Period Over Period** dal pannello di approfondimenti suggerito.
1. Scegliere **Add Computation (Aggiungi calcolo)** in basso a destra per aggiungere un nuovo calcolo e quindi sceglierne uno dall'elenco. Per questa spiegazione passo per passo, scegliere **Growth rate (Tasso di crescita)** e quindi scegliere **Next (Avanti)**.
1. Configurare il calcolo selezionando il numero di periodi in base ai quali eseguire il calcolo. Il valore predefinito è 4 ed è appropriato per questo esempio. È facoltativamente possibile modificare il nome del calcolo nella parte superiore della schermata. Tuttavia, ai fini di questo esempio, lasciare invariato il nome.
**Nota**
I nomi dei calcoli creati sono univoci all'interno di ogni informazione. È possibile fare riferimento a più calcoli dello stesso tipo nel modello di descrizione. Ad esempio, si supponga la presenza di due parametri, i ricavi di vendita e le unità vendute. È possibile creare calcoli del tasso di crescita per ogni parametro se hanno nomi diversi.
Tuttavia, i calcoli delle anomalie non sono compatibili con altri tipi di calcolo nello stesso widget. Il rilevamento delle anomalie deve essere presente all'interno delle informazioni stesse. Per usare altri calcoli nella stessa analisi, inserirli in informazioni separatamente dalle anomalie.
Per continuare, scegliere **Add (Aggiungi)**.
1. Espandere **Computations (Calcoli)** a destra. I calcoli che fanno parte della descrizione vengono visualizzati nell'elenco. In questo caso, è **PeriodOverPeriod**e **GrowthRate**.
1. Nell'area di lavoro aggiungere il testo seguente dopo il punto finale: **Compounded growth rate for the last**, quindi aggiungere uno spazio.
1. Quindi, per aggiungere il calcolo lasciare il cursore dopo lo spazio dopo la parola **last (ultimo)**. A destra, sotto **GrowthRate**, scegli l'espressione denominata **TimePeriods** (fai clic una sola volta per aggiungerla).
In questo modo viene inserita l'espressione **GrowthRate.timePeriods**, che è il numero di periodi per cui è stato impostato nella configurazione. **GrowthRate**
1. **Completa la frase con ** days is ** (uno spazio prima e dopo) e aggiungi l'espressione. GrowthRate compoundedGrowthRate.formattedValue**, seguito da un punto (). `.` Scegliere l'espressione dall'elenco invece di digitarla. Tuttavia, è possibile modificare il contenuto dell'espressione dopo averla aggiunta.
![\[Editor di espressioni con elenco di espressioni aperte.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/narrative-add-expression.png)
**Nota**
L'espressione **formattedValue** restituisce una stringa che viene formattata in base alla formattazione applicata per il parametro nel campo. Per eseguire calcoli matematici dei parametri, usare invece **value**, che restituisce il valore non elaborato come numero intero o decimale.
1. Aggiungere un'istruzione condizionale e la formattazione. Posizionare il cursore alla fine del modello, dopo l'espressione `formattedValue`. Aggiungere uno spazio, se necessario. Nella barra dei menu **Edit narrative (Modifica descrizione)** scegliere **Insert code (Inserisci codice)**, quindi scegliere **Inline IF (IF in linea)** dall'elenco. Viene aperto un blocco di espressione.
1. Con il blocco di espressioni aperto **GrowthRate**compoundedGrowthRate****, scegliete il **valore dall'elenco** delle espressioni. Immettere **>0** alla fine dell'espressione. Scegli **Save** (Salva). Non spostare ancora il cursore.
Viene visualizzata un'istruzione per il contenuto condizionale. Immettere **better than expected\$1** e quindi selezionare il testo appena immesso, usando la barra degli strumenti di formattazione nella parte superiore per applicarvi il grassetto e il colore verde.
1. Aggiungere un altro blocco di espressione per il caso in cui il tasso di crescita non indica un valore ideale ripetendo la fase precedente. Questa volta, tuttavia, specificare **<0** e immettere il testo **worse than expected**. Applicare il colore rosso al testo invece del verde.
1. Scegli **Save** (Salva). La descrizione personalizzata appena creata sarà simile alla seguente.
![\[Narrativa personalizzata.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/narrative-example-result.png)
L'editor di espressioni è uno strumento sofisticato per personalizzare le descrizioni. È anche possibile fare riferimento ai parametri creati per l'analisi o al pannello di controllo e usare un set di funzioni predefinite per un'ulteriore personalizzazione.
**Suggerimento**
Per creare una descrizione vuota, aggiungere un'informazione usando l'icona **\$1** e quindi scegliendo **Add insights (Aggiungi informazioni)**. Tuttavia, invece di scegliere un modello, chiudere la schermata.
Il modo migliore per iniziare a usare descrizioni personalizzate consiste nell'usare i modelli esistenti per apprenderne la sintassi.
# L'area di lavoro dell'editor di espressioni
Usa l'editor di espressioni per personalizzare una narrazione e adattarla al meglio alle tue esigenze aziendali. Le informazioni riportate di seguito forniscono una panoramica dell'area di lavoro dell'editor di espressioni ed elencano tutte le opzioni di menu che possono essere configurate per la narrazione. Per una procedura dettagliata che illustra come creare una narrazione personalizzata, consulta [Utilizzare l'editor delle espressioni di narrazioni](using-narratives-expression-editor-step-by-step.md).
Sul lato destro dello schermo è riportato un elenco di elementi che è possibile aggiungere alla descrizione:
+ **Calcoli**: utilizza questa opzione per scegliere tra i calcoli disponibili in questi approfondimenti. È possibile espandere questo elenco.
+ **Parametri**: utilizza questa opzione per scegliere tra i parametri presenti nell'analisi. È possibile espandere questo elenco.
+ **Funzioni**: utilizza questa opzione per scegliere tra le funzioni che puoi aggiungere a una narrazione. È possibile espandere questo elenco.
+ **Aggiungi calcolo**: utilizza questo pulsante per creare un altro calcolo. I nuovi calcoli vengono visualizzati nell'elenco **Computations (Calcoli)** pronti per essere aggiunti all'analisi dettagliata.
Nella parte inferiore dell'editor di espressioni di testo descrittivo, è disponibile un'anteprima della descrizione che si aggiorna man mano che si lavora. Questa area mostra anche un avviso se si introduce un errore nella descrizione o se questa è vuota. Per visualizzare un'anteprima degli approfondimenti basati su ML, come il rilevamento delle anomalie o la previsione, esegui almeno una volta il calcolo dell'approfondimento prima di personalizzare la narrazione.
Gli strumenti di modifica si trovano nella parte superiore dello schermo. Offrono le seguenti opzioni:
+ **Inserisci codice**: puoi inserire i seguenti blocchi di codice da questo menu:
+ **Espressioni**: aggiungi un'espressione in formato libero.
+ **IF in linea**: aggiungi un'istruzione IF che viene visualizzata in linea con il blocco di testo esistente.
+ **FOR in linea**: aggiungi un'istruzione FOR che viene visualizzata in linea con il blocco di testo esistente.
+ **Block IF**: aggiungi un'istruzione IF da visualizzare in un blocco di testo separato.
+ **Block FOR**: aggiungi un'istruzione FOR da visualizzare in un blocco di testo separato.
Le istruzioni IF e FOR consentono di creare contenuto formattato in modo condizionale. Ad esempio, è possibile aggiungere un'istruzione **block IF (IF blocco)**, quindi configurarla per confrontare un numero intero con un valore da un calcolo. A tale scopo, è possibile utilizzare le seguenti fasi, illustrate anche in [Utilizzare l'editor delle espressioni di narrazioni](using-narratives-expression-editor-step-by-step.md):
1. Aprire il menu dei calcoli a destra e scegliere uno degli elementi evidenziati in blu da uno dei calcoli. In questo modo si aggiunge l'elemento alla descrizione.
1. Fare clic sull'elemento una volta per aprirlo.
1. Immettere il confronto che si desidera effettuare. L'espressione ha un aspetto simile a questo: `PeriodOverPeriod.currentMetricValue.value>0`.
1. Salva questa espressione nell'editor del popup, che richiede **Contenuto condizionale**.
1. Immettere ciò che si desidera visualizzare nell'analisi dettagliata e formattare per la visualizzazione desiderata. Oppure, se preferisci, puoi aggiungere un'immagine o un URL o aggiungere un URL a un'immagine.
+ **Paragrafo**: questo menu offre opzioni per modificare la dimensione del carattere:
+ **H1 Large header**
+ H2 Header
+ H3 Small header
+ ¶1 Large paragraph
+ ¶2 Paragraph
+ ¶3 Small paragraph
+ **Carattere**: utilizza questa barra dei menu per scegliere le opzioni per la formattazione del testo. Queste includono grassetto, corsivo, sottolineatura, barrato, colore di primo piano del testo (le lettere stesse) e colore di sfondo del testo. Scegliere l'icona per attivare un'opzione; sceglierla di nuovo per disattivarla.
+ **Formattazione**: utilizza questa barra dei menu per scegliere le opzioni per la formattazione dei paragrafi, tra cui elenco puntato, giustificazione a sinistra, al centro e giustificazione a destra. Scegliere l'icona per attivare un'opzione, sceglierla di nuovo per disattivarla.
+ **Immagine**: utilizza questa icona per aggiungere l'URL di un'immagine. L'immagine viene visualizzata nelle informazioni dettagliate, a condizione che il collegamento sia accessibile. È possibile ridimensionare le immagini. Per visualizzare un'immagine in base a una condizione, inserire l'immagine all'interno di un blocco IF.
+ **URL**: utilizza questa icona per aggiungere un URL statico o dinamico. Puoi anche aggiungere URLs alle immagini. Ad esempio, è possibile aggiungere immagini degli indicatori dei semafori a un'informazione dettagliata per un pannello di controllo esecutivo, con collegamenti a un nuovo foglio per le condizioni di rosso, giallo e verde.
# Aggiungendo URLs
Utilizzando il pulsante **URL** nel menu di modifica dell'editor di espressioni narrative, puoi aggiungere elementi statici e dinamici URLs (collegamenti ipertestuali) a una narrazione. È inoltre possibile utilizzare i seguenti tasti di scelta rapida: ⌘\$12\$1\$1L o Ctrl\$1i\$1L.
Un URL statico è un collegamento che non cambia; apre sempre lo stesso URL. Un URL dinamico è un collegamento che cambia in base alle espressioni o ai parametri forniti durante la configurazione. È costruito con espressioni o parametri valutati dinamicamente.
Di seguito sono riportati alcuni esempi di quando è possibile aggiungere un collegamento statico nella descrizione:
+ **In un'istruzione IF, è possibile utilizzare l'URL nel contenuto condizionale.** Se lo si fa e un parametro non riesce a soddisfare un valore previsto, il link potrebbe inviare l'utente a un wiki con un elenco di best practice consigliate per migliorare il parametro.
+ **È possibile utilizzare un URL statico per creare un collegamento a un altro foglio nello stesso pannello di controllo, attenendosi alla seguente procedura:**
1. Andare al foglio per il quale si desidera creare il collegamento.
1. Copiare l'URL del foglio.
1. Tornare all'editor di testo descrittivo e creare un collegamento utilizzando l'URL appena copiato.
Di seguito sono riportati esempi di quando è possibile aggiungere un collegamento dinamico nella descrizione:
+ **Per cercare un sito web con una query, completa la seguente procedura.**
1. Creare un URL con il seguente link.
```
https://google.com?q=<>
```
Questo link invia una query a Google con un testo di ricerca che è il valore valutato di quanto segue.
```
formatDate(now(), 'yyyy-MM-dd')
```
Se il valore di `now()` è `02/02/2020`, allora il link sulla descrizione contiene `https://google.com?q=2020-02-02`.
+ **Per creare un collegamento che aggiorni un parametro.** A tale scopo, creare o modificare un collegamento e impostare l'URL sul pannello di controllo corrente o sull'URL di analisi. Quindi aggiungere l'espressione che imposta il valore del parametro alla fine, ad esempio `#p.myParameter=12345`.
Si supponga che il seguente sia il collegamento del pannello di controllo iniziale.
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444
```
Se si aggiunge ad esso un'assegnazione del valore di parametro, sarà simile al seguente.
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444#p.myParameter=12345
```
Per ulteriori informazioni sui parametri in URLs, vedere. [Utilizzo di parametri in un URL](parameters-in-a-url.md)
# Utilizzo dei calcoli per le narrazioni automatiche
Usa questa sezione per acquisire familiarità con le funzionalità disponibili quando desideri personalizzare una descrizione automatica. Devi personalizzare una descrizione solo se vuoi modificare il calcolo predefinito o usarlo come base per altre operazioni.
Dopo aver creato una descrizione automatica, viene aperto l'editor di espressioni. Puoi anche attivare l'editor di espressioni scegliendo il menu associato all'elemento visivo e quindi selezionando **Customize Narrative (Personalizza descrizione)**. Per aggiungere un calcolo mentre usi l'editor di espressioni, scegli **\$1 Add computation (\$1Aggiungi calcolo)**.
Puoi utilizzare l'espressione di codice seguente per creare la descrizione automatica. Queste sono disponibili nell'elenco alla voce **Insert code (Inserisci codice)**. Le istruzioni di codice possono essere visualizzate inline (in una frase) o come blocco (in un elenco).
+ Espressione: crea un'espressione di codice personalizzata.
+ IF: una istruzione IF che include un'espressione dopo aver valutato una condizione.
+ FOR: una istruzione FOR che include a ciclo continuo tutti i valori.
Per creare la descrizione automatica, puoi usare i calcoli seguenti. Puoi usare l'editor di espressioni senza modificare alcuna sintassi, ma puoi anche personalizzare la sintassi se lo desideri. Per interagire con la sintassi, apri il widget di calcolo nell'editor di espressioni per le descrizioni automatiche.
**Topics**
+ [
# Rilevamento delle anomalie con il machine learning per gli outlier
](anomaly-detection-function.md)
+ [
# Calcolo degli elementi posizionati più in basso
](bottom-movers-function.md)
+ [
# Calcolo degli elementi classificati più in basso
](bottom-ranked-function.md)
+ [
# Previsioni con tecnologia ML
](forecast-function.md)
+ [
# Calcolo del tasso di crescita
](growth-rate-function.md)
+ [
# Calcolo dei risultati massimi
](maximum-function.md)
+ [
# Calcolo di confronto tra parametri
](metric-comparison-function.md)
+ [
# Calcolo dei risultati minimi
](minimum-function.md)
+ [
# Calcolo tra periodi diversi
](period-over-period-function.md)
+ [
# Calcolo di un periodo fino alla data attuale
](period-to-date-function.md)
+ [
# Calcolo degli elementi posizionati più in alto
](top-movers-function.md)
+ [
# Calcolo degli elementi classificati più in alto
](top-ranked-function.md)
+ [
# Calcolo di aggregazione totale
](total-aggregation-function.md)
+ [
# Calcolo dei valori univoci
](unique-values-function.md)
# Rilevamento delle anomalie con il machine learning per gli outlier
Il calcolo del rilevamento delle anomalie con tecnologia Machine Learning cerca gli outlier nei dati. Ad esempio, puoi rilevare i primi tre outlier per le vendite totali il 3 gennaio 2019. Se si abilita l'analisi dei fattori determinanti, è anche possibile rilevare i fattori chiave per ogni outlier.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)**, di almeno una misura nel contenitore di campi **Values (Valori)** e di almeno una dimensione nel contenitore di campi **Categories (Categorie)**. La schermata di configurazione fornisce un'opzione per analizzare i fattori determinanti di altri campi come i fattori chiave, anche se tali campi non si trovano nei contenitori di campi.
Per ulteriori informazioni, consulta [Rilevamento di outlier con il rilevamento delle anomalie con il machine learning](anomaly-detection.md).
**Nota**
Non puoi aggiungere il rilevamento delle anomalie con tecnologia Machine Learning a un altro calcolo e non puoi aggiungere un altro calcolo a un rilevamento delle anomalie.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome che è stato indicato al momento della creazione delle informazioni dettagliate. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. È possibile utilizzare gli elementi visualizzati in **`bold monospace font`** dopo la descrizione.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `categoryFields`: dal contenitore di campi **Categorie**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `itemsCount`: il numero di elementi inclusi in questo calcolo.
+ `items`: elementi anomali.
+ `timeValue`: i valori nella dimensione data.
+ `value`: il campo data/ora in corrispondenza del punto di anomalia (outlier).
+ `formattedValue`— Il valore formattato nel date/time campo nel punto dell'anomalia.
+ `categoryName`: il nome della categoria (cat1, cat2 e così via).
+ `direction`: la direzione sull'asse x o sull'asse y identificata come anomala: `HIGH` o `LOW`. `HIGH`significa "più alto del previsto". `LOW` significa "più basso del previsto".
Quando si esegue un'iterazione sugli elementi, `AnomalyDetection.items[index].direction` può contenere `HIGH` o `LOW`. Ad esempio, `AnomalyDetection.items[index].direction='HIGH'` o `AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction` può avere una stringa vuota per `ALL`. Un esempio è `AnomalyDetection.direction=''`.
+ `actualValue`: il valore effettivo del parametro in corrispondenza del punto di anomalia o outlier.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `expectedValue`: il valore previsto del parametro in corrispondenza del punto di anomalia o outlier.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
# Calcolo degli elementi posizionati più in basso
Il calcolo degli elementi posizionati più in basso conteggia il numero richiesto di categorie per data situate più in basso nel set di dati della descrizione automatica. Ad esempio, puoi creare un calcolo per individuare gli ultimi tre prodotti venduti in base ai ricavi di vendita.
Per utilizzare questa funzione, sono necessarie almeno una dimensione nel contenitore di campi **Time (Orario)** e almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Categoria*
La dimensione della categoria che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Number of movers (Numero di elementi posizionati)*
Il numero di risultati classificati che si desidera visualizzare.
*Order by (Ordina per)*
L'ordine che desideri utilizzare: differenza in percentuale o differenza assoluta.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
**Nota**
Questi sono gli stessi parametri di output di quelli restituiti dal calcolo dei top mover.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `categoryField`: dal contenitore di campi **Categorie**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `startTimeValue`: il valore nella dimensione data.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `endTimeValue`: il valore nella dimensione data.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore assoluto formattato dal campo data/ora.
+ `itemsCount`: il numero di elementi inclusi in questo calcolo.
+ `items`: elementi in movimento in basso.
+ `categoryField`: il campo della categoria.
+ `value`: il valore (contenuto) del campo della categoria.
+ `formattedValue`: il valore formattato (contenuti) del campo della categoria. Se il campo è nullo, questo visualizza '`NULL`'. Se il campo è vuoto, visualizza '`(empty)`'.
+ `currentMetricValue`: il valore corrente per il campo del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `previousMetricValue`: il valore precedente per il campo del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `percentDifference`: la differenza percentuale tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza percentuale.
+ `formattedValue`: il valore formattato della differenza percentuale (ad esempio, -42%).
+ `formattedAbsoluteValue`: il valore assoluto formattato della differenza percentuale (ad esempio, 42%).
+ `absoluteDifference`: la differenza assoluta tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza assoluta.
+ `formattedValue`: la differenza assoluta formattata in base alle impostazioni nelle preferenze di formato del campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto della differenza formattata dal campo del parametro.
# Calcolo degli elementi classificati più in basso
Il calcolo degli elementi classificati in basso conteggia il numero richiesto di categorie per valore situate in basso nel set di dati della descrizione automatica. Ad esempio, puoi creare un calcolo per individuare gli ultimi tre stati in base ai ricavi di vendita.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Categoria*
La dimensione della categoria che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Number of results (Numero di risultati)*
Il numero di risultati classificati che si desidera visualizzare.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
**Nota**
Questi sono gli stessi parametri di output restituiti dl calcolo classificato più in alto.
+ `categoryField`: dal contenitore di campi **Categorie**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `itemsCount`: il numero di elementi inclusi in questo calcolo.
+ `items`: elementi classificati in basso.
+ `categoryField`: il campo della categoria.
+ `value`: il valore (contenuto) del campo della categoria.
+ `formattedValue`: il valore formattato (contenuti) del campo della categoria. Se il campo è nullo, questo visualizza '`NULL`'. Se il campo è vuoto, visualizza '`(empty)`'.
+ `metricValue`: il campo del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
## Esempio
Lo screenshot seguente mostra la configurazione predefinita per il calcolo degli elementi classificati più in basso.
![\[Configurazione predefinita per il calcolo di livello inferiore.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/bottom-ranked-computation.png)
# Previsioni con tecnologia ML
Il calcolo delle previsioni con tecnologia Machine Learning prevede i parametri futuri in base ai modelli dei parametri precedenti per stagionalità. Ad esempio, puoi creare un calcolo per prevedere i ricavi totali per i sei mesi successivi.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)**.
Per ulteriori informazioni sull'uso delle previsioni, consulta [Previsione e creazione di scenari ipotetici con Amazon Quick Sight](forecasts-and-whatifs.md).
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Periods forward (Periodi futuri)*
Numero di periodi di tempo nel futuro per cui desideri generare una previsione. Valore compreso tra 1 e 1.000.
*Periods backward (Periodi precedenti)*
Numero di periodi di tempo nel passato su cui desideri basare la previsione. Valore compreso tra 0 e 1.000.
*Seasonality (Stagionalità)*
Numero di stagioni incluse nell'anno di calendario. L'impostazione predefinita **automatic (automatica)** rileva questo numero per te. Valore compreso tra 1 e 180.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `metricValue`: il valore della dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `timeValue`: il valore nella dimensione data.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato in base al campo data.
+ `relativePeriodsToForecast`: il numero relativo di periodi tra il record data/ora più recente e l'ultimo record di previsione.
# Calcolo del tasso di crescita
Il calcolo del tasso di crescita confronta valori tra periodi di tempo diversi. Ad esempio, puoi creare un calcolo per individuare il tasso di crescita composto di tre mesi per le vendite, espresso come percentuale.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Number of periods (Numero di periodi)*
Numero di periodi di tempo nel futuro che desideri usare per calcolare il tasso di crescita.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `previousMetricValue`: il valore precedente nella dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `previousTimeValue`: il valore precedente nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `compoundedGrowthRate`: la differenza percentuale tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza percentuale.
+ `formattedValue`: il valore formattato della differenza percentuale (ad esempio, -42%).
+ `formattedAbsoluteValue`: il valore assoluto formattato della differenza percentuale (ad esempio, 42%).
+ `absoluteDifference`: la differenza assoluta tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza assoluta.
+ `formattedValue`: la differenza assoluta formattata in base alle impostazioni nelle preferenze di formato del campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto della differenza formattata dal campo del parametro.
# Calcolo dei risultati massimi
Il calcolo dei risultati massimi individua la dimensione massima in base al valore. Ad esempio, puoi creare un calcolo per individuare il mese con i ricavi maggiori.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
**Nota**
Questi sono gli stessi parametri di output restituiti dal calcolo minimo.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `metricValue`: il valore della dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `timeValue`: il valore nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
# Calcolo di confronto tra parametri
Il calcolo di confronto tra parametri confronta i valori in misure diverse. Ad esempio, puoi creare un calcolo per confrontare due valori, ad esempio le vendite effettive rispetto agli obiettivi di vendita.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)** e di almeno due misure nel contenitore di campi **Values (Valori)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Target value (Valore target)*
Campo che desideri confrontare con il valore.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `fromMetricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `fromMetricValue`: il valore della dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `toMetricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `toMetricValue`: il valore corrente nella dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `timeValue`: il valore nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `percentDifference`: la differenza percentuale tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza percentuale.
+ `formattedValue`: il valore formattato della differenza percentuale (ad esempio, -42%).
+ `formattedAbsoluteValue`: il valore assoluto formattato della differenza percentuale (ad esempio, 42%).
+ `absoluteDifference`: la differenza assoluta tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza assoluta.
+ `formattedValue`: la differenza assoluta formattata in base alle impostazioni nelle preferenze di formato del campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto della differenza formattata dal campo del parametro.
# Calcolo dei risultati minimi
Il calcolo dei risultati minimi individua la dimensione minima in base al valore. Ad esempio, puoi creare un calcolo per individuare il mese con i ricavi minori.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
**Nota**
Questi sono gli stessi parametri di output restituiti dal calcolo massimo.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `metricValue`: il valore della dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `timeValue`: il valore nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
# Calcolo tra periodi diversi
Il calcolo tra periodi diversi confronta i valori tra due periodi di tempo diversi. Ad esempio, puoi creare un calcolo per individuare di quanto sono diminuite o aumentate le vendite rispetto al periodo di tempo precedente.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `previousMetricValue`: il valore precedente nella dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `previousTimeValue`: il valore precedente nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `currentMetricValue`: il valore corrente nella dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `currentTimeValue`: il valore corrente nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `percentDifference`: la differenza percentuale tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza percentuale.
+ `formattedValue`: il valore formattato della differenza percentuale (ad esempio, -42%).
+ `formattedAbsoluteValue`: il valore assoluto formattato della differenza percentuale (ad esempio, 42%).
+ `absoluteDifference`: la differenza assoluta tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza assoluta.
+ `formattedValue`: la differenza assoluta formattata in base alle impostazioni nelle preferenze di formato del campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto della differenza formattata dal campo del parametro.
## Esempio
**Creazione di un calcolo periodo su periodo**
1. Nell'analisi che desideri modificare, scegli **Aggiungi approfondimenti**.
1. Per **Tipo di calcolo**, scegli **Periodo dopo periodo**, quindi scegli **Seleziona**.
1. Nella nuova analisi che hai creato, aggiungi i campi dimensione tempo e dimensione valore che desideri confrontare. Nella schermata qui sotto, `Order Date` e `Sales (Sum)` vengono aggiunti all'approfondimento. Con questi due campi selezionati, Quick Sight mostra le vendite da inizio anno dell'ultimo mese e la differenza percentuale rispetto al mese precedente.
![\[alt text not found\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/periodOverPeriod1.png)
1. (Facoltativo) Per personalizzare ulteriormente l'analisi, apri il menu visivo e scegli **Personalizza narrazione**. Nella finestra **Modifica narrazione** che appare, trascina e rilascia i campi necessari dall'elenco **Calcoli**, quindi scegli **Salva**.
# Calcolo di un periodo fino alla data attuale
Il periodo fino alla data attuale valuta i valori di calcolo per un periodo di tempo specificato. Ad esempio, puoi creare un calcolo per scoprire quanto hai guadagnato nelle year-to-date vendite.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Data*
La dimensione della data che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Time granularity (Granularità tempo)*
Granularità della data che desideri usare per il calcolo, ad esempio l'ultimo anno.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `previousMetricValue`: il valore precedente nella dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `previousTimeValue`: il valore precedente nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `currentMetricValue`: il valore corrente nella dimensione del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `currentTimeValue`: il valore corrente nella dimensione data/ora.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `periodGranularity`: il periodo di granularità per questo calcolo (**MESE**, **ANNO** e così via).
+ `percentDifference`: la differenza percentuale tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza percentuale.
+ `formattedValue`: il valore formattato della differenza percentuale (ad esempio, -42%).
+ `formattedAbsoluteValue`: il valore assoluto formattato della differenza percentuale (ad esempio, 42%).
+ `absoluteDifference`: la differenza assoluta tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza assoluta.
+ `formattedValue`: la differenza assoluta formattata in base alle impostazioni nelle preferenze di formato del campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto della differenza formattata dal campo del parametro.
## Esempio
**Creazione di un calcolo Periodo fino alla data**
1. Nell'analisi che desideri modificare, scegli **Aggiungi approfondimenti**.
1. Per **Tipo di calcolo**, scegli **Periodo fino alla data**, quindi scegli **Seleziona**.
1. Nel nuovo approfondimento creato, aggiungi i campi della dimensione temporale e della dimensione del valore che desideri confrontare. Nella schermata qui sotto, `Order Date` e `Sales (Sum)` vengono aggiunti all'approfondimento. Con questi due campi selezionati, Quick Sight mostra le vendite da inizio anno dell'ultimo mese e la differenza percentuale rispetto al mese precedente.
![\[alt text not found\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/periodOverPeriod1.png)
1. (Facoltativo) Per personalizzare ulteriormente l'analisi, apri il menu visivo e scegli **Personalizza narrazione**. Nella finestra **Modifica narrazione** che appare, trascina e rilascia i campi necessari dall'elenco **Calcoli**, quindi scegli **Salva**.
# Calcolo degli elementi posizionati più in alto
Il calcolo degli elementi posizionati più in alto conteggia il numero richiesto di categorie per data situate più in alto nel set di dati della descrizione automatica. Ad esempio, puoi creare un calcolo per individuare i primi tre prodotti venduti in base ai ricavi di vendita per un periodo di tempo.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)** e di almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Categoria*
La dimensione della categoria che si desidera posizionare in classifica.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Number of results (Numero di risultati)*
Numero di voci classificate più in alto che desideri trovare.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
**Nota**
Questi sono gli stessi parametri di output restituiti dal calcolo dei bottom mover.
+ `timeField`: dal contenitore di campi **Ora**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `timeGranularity`: la granularità del campo tempo (**GIORNO**, **ANNO** e così via).
+ `categoryField`: dal contenitore di campi **Categorie**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `startTimeValue`: il valore nella dimensione data.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo data/ora.
+ `endTimeValue`: il valore nella dimensione data.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore assoluto formattato dal campo data/ora.
+ `itemsCount`: il numero di elementi inclusi in questo calcolo.
+ `items`: Elementi top moving.
+ `categoryField`: il campo della categoria.
+ `value`: il valore (contenuto) del campo della categoria.
+ `formattedValue`: il valore formattato (contenuti) del campo della categoria. Se il campo è nullo, questo visualizza '`NULL`'. Se il campo è vuoto, visualizza '`(empty)`'.
+ `currentMetricValue`: il valore corrente per il campo del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `previousMetricValue`: il valore precedente per il campo del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
+ `percentDifference`: la differenza percentuale tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza percentuale.
+ `formattedValue`: il valore formattato della differenza percentuale (ad esempio, -42%).
+ `formattedAbsoluteValue`: il valore assoluto formattato della differenza percentuale (ad esempio, 42%).
+ `absoluteDifference`: la differenza assoluta tra i valori corrente e precedente del campo del parametro.
+ `value`: il valore non elaborato del calcolo della differenza assoluta.
+ `formattedValue`: la differenza assoluta formattata in base alle impostazioni nelle preferenze di formato del campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto della differenza formattata dal campo del parametro.
# Calcolo degli elementi classificati più in alto
Il calcolo degli elementi classificati più in alto individua le prime dimensioni classificate in base al valore. Ad esempio, puoi creare un calcolo per individuare i primi tre stati in base ai ricavi di vendita.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Categoria*
La dimensione della categoria che si desidera classificare.
*Valore*
Misura aggregata su cui si basa il calcolo.
*Number of results (Numero di risultati)*
Il numero di voci classificate in alto che si desidera trovare.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
**Nota**
Questi sono gli stessi parametri di output restituiti dal calcolo dei classificati più in basso.
+ `categoryField`: dal contenitore di campi **Categorie**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `itemsCount`: il numero di elementi inclusi in questo calcolo.
+ `items`: elementi primi classificati.
+ `categoryField`: il campo della categoria.
+ `value`: il valore (contenuto) del campo della categoria.
+ `formattedValue`: il valore formattato (contenuti) del campo della categoria. Se il campo è nullo, questo visualizza '`NULL`'. Se il campo è vuoto, visualizza '`(empty)`'.
+ `metricValue`: il campo del parametro.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
# Calcolo di aggregazione totale
Il calcolo di aggregazione totale crea un totale complessivo del valore. Ad esempio, puoi creare un calcolo per individuare i ricavi totali.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Time (Orario)** e di almeno una misura nel contenitore di campi **Values (Valori)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Valore*
Misura aggregata su cui si basa il calcolo.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
+ `categoryField`: il campo della categoria.
+ `name`: il nome visualizzato del campo categoria.
+ `metricField`: dal contenitore di campi **Valori**.
+ `name`: il nome della visualizzazione formattato del campo.
+ `aggregationFunction`: l'aggregazione utilizzata per il parametro (**SOMMA**, **MEDIA** e così via).
+ `totalAggregate`: il valore totale dell'aggregazione di parametri.
+ `value`: il valore non elaborato.
+ `formattedValue`: il valore formattato dal campo del parametro.
+ `formattedAbsoluteValue`: il valore assoluto formattato dal campo del parametro.
# Calcolo dei valori univoci
Il calcolo dei valori univoci conteggia i valori univoci in un campo di categoria. Ad esempio, puoi creare un calcolo per conteggiare il numero di valori univoci in una dimensione, ad esempio il numero di clienti.
Per utilizzare questa funzione, è necessario disporre di almeno una dimensione nel contenitore di campi **Categories (Categorie)**.
## Parameters
*name*
Nome descrittivo univoco da te assegnato o modificato. Se non crei un nome, ne viene assegnato uno automaticamente. Potrai modificare questo valore in seguito.
*Categoria*
La dimensione della categoria che si desidera classificare.
## Output del calcolo
Ogni funzione genera un set di parametri di output. È possibile aggiungere questi output all'autonarrativa per personalizzare ciò che viene visualizzato. È anche possibile aggiungere un testo personalizzato.
Per individuare i parametri di output, aprire la scheda **Computations (Calcoli)** a destra e individuare il calcolo che si desidera utilizzare. I nomi delle operazioni di calcolo provengono dal nome indicato al momento della creazione dei dati approfonditi. Scegli il parametro di output facendo clic su di esso solo una volta. Se si fa clic due volte, è possibile aggiungere lo stesso output due volte. Gli elementi visualizzati in **grassetto** possono essere utilizzati nella narrazione.
+ `categoryField`: il campo della categoria.
+ `name`: il nome visualizzato del campo categoria.
+ `uniqueGroupValuesCount`: il numero di valori univoci inclusi nel calcolo.
# Rilevamento di outlier con il rilevamento delle anomalie con il machine learning
Amazon Quick Sight utilizza la comprovata tecnologia Amazon per eseguire continuamente il rilevamento delle anomalie basato su ML su milioni di parametri per scoprire tendenze nascoste e valori anomali nei dati. Questo strumento ti permette di ottenere informazioni approfondite che sono spesso nascoste nelle aggregazioni e non dimensionabili con l'analisi manuale. Con il rilevamento delle anomalie con tecnologia Machine Learning, è possibile trovare outlier nei dati senza la necessità di analisi manuale, sviluppo personalizzato o esperienza in Machine Learning.
Amazon Quick Sight ti avvisa nelle immagini se rileva che puoi analizzare un'anomalia o fare previsioni sui tuoi dati.
Il rilevamento delle anomalie non è disponibile nella regione `eu-central-2` Europa (Zurigo).
**Importante**
Il rilevamento delle anomalie con tecnologia Machine Learning è un'attività a uso intensivo di risorse di calcolo. Prima di iniziare a usarlo, puoi farti un'idea dei costi analizzando la quantità di dati che desideri usare. Offriamo un modello di prezzi a livelli basato sul numero di parametri che elabori ogni mese.
**Topics**
+ [
# Concetti per il rilevamento di anomalie o outlier
](anomaly-detection-outliers-and-key-drivers.md)
+ [
# Impostazione del rilevamento delle anomalie con il machine learning per l'analisi degli outlier
](anomaly-detection-using.md)
+ [
# Esplora i valori anomali e i fattori chiave con il rilevamento delle anomalie e l'analisi dei contributi basati su ML
](anomaly-exploring.md)
# Concetti per il rilevamento di anomalie o outlier
Amazon Quick Sight usa il termine *anomalia* per descrivere punti dati che non rientrano in un modello di distribuzione generale. Ci sono molte altre parole per le anomalie, che è un termine scientifico, tra cui outlier, deviazioni, stranezze, eccezioni, irregolarità, bizzarrie e molti altri. Il termine utilizzato potrebbe essere basato sul tipo di analisi eseguita o sul tipo di dati utilizzati o anche solo sulla preferenza del gruppo. Questi punti dati periferici rappresentano un'entità, una persona, un luogo, una cosa o un tempo, che è in qualche modo eccezionale.
Gli esseri umani riconoscono facilmente gli schemi e notano cose che non sono come le altre. I nostri sensi ci forniscono queste informazioni. Se il modello è semplice e ci sono solo pochi dati, puoi facilmente creare un grafico per evidenziare gli outlier nei dati. Alcuni semplici esempi includono quanto segue:
+ Un palloncino rosso in un gruppo di palloncini blu
+ Un cavallo da corsa che è molto più avanti rispetto agli altri
+ Un bambino che è distratto durante la lezione
+ Un giorno in cui gli ordini online sono in aumento, ma le spedizioni sono in calo
+ Una persona che si è rimessa, mentre altre no
Alcuni punti dati rappresentano un evento significativo e altri rappresentano un'occorrenza casuale. L'analisi scopre su quali dati vale la pena indagare, in base a quali fattori determinanti (fattori chiave) hanno contribuito all'evento. Le domande sono fondamentali per l'analisi dei dati. Perché è accaduto? A cosa si riferisce? È accaduto una sola volta o più volte? Cosa puoi fare per incoraggiare o scoraggiare questi tipo di situazioni?
Capire come e perché esiste una variazione, e se c'è un modello nelle variazioni, richiede più riflessione. Senza l'assistenza del machine learning, ognuno potrebbe giungere a una conclusione diversa, perché ha esperienza e informazioni diverse. Pertanto, ognuno potrebbe prendere una decisione aziendale leggermente diversa. Se ci sono molti dati o variabili da considerare, ciò può richiedere una enorme quantità di analisi.
Il rilevamento delle anomalie con tecnologia Machine Learning identifica le cause e le correlazioni per consentire di prendere decisioni basate sui dati. Hai ancora il controllo sulla definizione del modo in cui vuoi che l'attività operi sui dati. È possibile specificare i propri parametri e scegliere opzioni aggiuntive, ad esempio l'identificazione dei fattori chiave in un'analisi dei fattori determinanti. Oppure è possibile utilizzare le impostazioni predefinite per entrambi. La sezione seguente illustra il processo di configurazione e fornisce spiegazioni per le opzioni disponibili.
# Impostazione del rilevamento delle anomalie con il machine learning per l'analisi degli outlier
Utilizza le procedure descritte nelle sezioni seguenti per iniziare a rilevare outlier e anomalie e identificare i fattori chiave che contribuiscono.
**Topics**
+ [
# Visualizzazione delle notifiche di anomalie e previsioni
](anomaly-detection-adding-from-visuals.md)
+ [
# Aggiunta di un'analisi ML per rilevare valori anomali e fattori chiave
](anomaly-detection-adding-anomaly-insights.md)
+ [
# Utilizzo dell'analisi dei contributi per i fattori chiave
](anomaly-detection-adding-key-drivers.md)
# Visualizzazione delle notifiche di anomalie e previsioni
Amazon Quick Sight ti avvisa con una visuale in cui rileva un'anomalia, fattori chiave o un'opportunità di previsione. Puoi seguire i prompt per configurare il rilevamento o la previsione delle anomalie in base ai dati presenti in quell'elemento visivo.
1. In un grafico a linee esistente, cerca una notifica di approfondimento nel menu del widget visivo.
1. Scegli l'icona a forma di lampadina per visualizzare la notifica.
1. Se desideri maggiori informazioni sull'approfondimento ML, puoi seguire le istruzioni sullo schermo per aggiungere un approfondimento ML.
# Aggiunta di un'analisi ML per rilevare valori anomali e fattori chiave
Puoi aggiungere un approfondimento di machine learning che rileva le *anomalie*, che sono valori anomali che sembrano significativi. Per iniziare, crei un widget per il tuo approfondimento, noto anche come *narrazione automatica*. Durante la configurazione delle opzioni, puoi visualizzare uno screenshot limitato delle tue informazioni nel riquadro di **anteprima** nella schermata destra.
Nel widget di approfondimenti, è possibile aggiungere fino a cinque campi dimensionali che non sono campi calcolati. Nei pozzetti dei campi, i valori per **le categorie** rappresentano i valori dimensionali utilizzati da Amazon Quick Sight per suddividere la metrica. Ad esempio, supponiamo che tu stia analizzando le entrate di tutte le categorie di prodotti e prodotti. SKUs Esistono 10 categorie di prodotti, ciascuna con 10 prodotti SKUs. Amazon Quick Sight divide la metrica per 100 combinazioni uniche ed esegue il rilevamento delle anomalie su ciascuna combinazione per la suddivisione.
La procedura seguente mostra come eseguire questa operazione e come aggiungere l'analisi dei contributi per rilevare i fattori chiave che causano ciascuna anomalia. È possibile aggiungere l'analisi dei contributi in un secondo momento, come descritto in [Utilizzo dell'analisi dei contributi per i fattori chiave](anomaly-detection-adding-key-drivers.md).
**Configurazione dell'analisi degli outlier, inclusi i fattori chiave**
1. Aprire l'analisi e, nella barra degli strumenti, scegli **Informazioni dettagliate**, quindi **Aggiungi**. Nell'elenco scegli **Rilevamento anomalie**, quindi **Seleziona**.
1. Seguire le istruzioni a video sul nuovo widget, che indica di scegliere i campi per l'analisi. Aggiungere almeno una data, una misura e una dimensione.
1. Scegli **Get started (Inizia)** sul widget. Viene visualizzata la schermata di configurazione.
1. In **Opzioni di calcolo**, scegli i valori per le seguenti opzioni.
1. Per **Combinazioni da analizzare**, scegli una delle seguenti opzioni:
1. **Gerarchico**
Seleziona questa opzione se desideri analizzare i campi gerarchicamente. Ad esempio, se scegli una data (T), una misura (N) e tre categorie dimensionali (C1, C2 e C3), Quick Sight analizza i campi gerarchicamente, come illustrato di seguito.
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **Esatto**
Scegli questa opzione se desideri analizzare bene solo la combinazione esatta di campi nel campo Categoria, così come sono elencati. Ad esempio, se hai scelto una data (T), una misura (N) e tre categorie dimensionali (C1, C2 e C3), Quick Sight analizza solo l'esatta combinazione di campi di categoria nell'ordine in cui sono elencati, come illustrato di seguito.
```
T-C1-C2-C3-N
```
1. **All** (Tutti)
Scegli questa opzione se desideri analizzare bene solo la combinazione esatta di campi nel campo Categoria, così come sono elencati. Ad esempio, se hai scelto una data (T), una misura (N) e tre categorie di dimensioni (C1, C2 e C3), Quick Sight analizza tutte le combinazioni di campi, come illustrato di seguito.
```
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
```
Se hai scelto solo una data e una misura, Quick Sight analizza i campi per data e poi per misura.
Nella sezione **Campi per l'analisi** è possibile visualizzare un elenco di campi dai contenitori di campi, a scopo di riferimento.
1. Per **Nome**, inserisci un nome alfanumerico descrittivo senza spazi o scegli il valore predefinito. Fornisce un nome per il calcolo.
Se si prevede di modificare la descrizione che viene visualizzata automaticamente nel widget, è possibile utilizzare il nome per identificare il calcolo di questo widget. Personalizza il nome se pianifichi di modificare la narrazione automatica e se ci sono altri calcoli simili nell'analisi.
1. Nella sezione **Opzioni di visualizzazione**, scegli le seguenti opzioni per personalizzare ciò che viene visualizzato nel tuo widget di approfondimenti. Puoi comunque esplorare tutti i risultati, indipendentemente da ciò che visualizzi.
1. **Numero massimo di anomalie da mostrare**: il numero di valori anomali che desideri visualizzare nel widget di narrazioni.
1. **Gravità**: il livello minimo di gravità per le anomalie che desideri visualizzare nel widget di approfondimento.
Un *livello di gravità* è un intervallo di punteggi di anomalia caratterizzato dal punteggio di anomalia effettivo più basso incluso nell'intervallo. Tutte le anomalie con punteggio più alto sono incluse nell'intervallo. Se si imposta il livello di gravità su **Basso**, l'approfondimento visualizza tutte le anomalie che si classificano tra Basso e Molto alto. Se si imposta il livello di gravità su **Very high (Molto alto)**, le informazioni dettagliate visualizzano solo le anomalie con i punteggi di anomalia più alti.
Puoi utilizzare le seguenti opzioni:
+ **Molto alto**
+ **Alto e superiore**
+ **Medio e superiore**
+ **Basso e superiore**
1. **Direzione**: la direzione sull'asse x o sull'asse y che si desidera identificare come anomala. È possibile scegliere tra le seguenti opzioni:
+ **Maggiore del previsto**: per identificare i valori più alti come anomalie.
+ **Minore del previsto**: per identificare i valori più bassi come anomalie.
+ **[TUTTI]** per identificare tutti i valori anomali, alti e bassi (impostazione predefinita).
1. **Delta**: immetti un valore personalizzato da utilizzare per identificare le anomalie. Qualsiasi quantità superiore al valore di soglia è considerata un'anomalia. I valori inseriti qui cambiano il modo in cui l'analisi opera. In questa sezione è possibile impostare quanto segue:
+ **Valore assoluto**: il valore effettivo da utilizzare. Ad esempio, supponiamo che sia 48. Amazon Quick Sight identifica quindi i valori come anomali quando la differenza tra un valore e il valore previsto è maggiore di 48.
+ **Percentuale**: la soglia della percentuale da utilizzare. Ad esempio, supponiamo che sia 12,5%. Amazon Quick Sight identifica quindi i valori come anomali quando la differenza tra un valore e il valore previsto è superiore al 12,5%.
1. **Ordina per**: scegli un metodo di ordinamento per i risultati. Alcuni metodi si basano sul punteggio di anomalia generato da Amazon Quick Sight. Amazon Quick Sight assegna punteggi più alti ai punti dati che sembrano anomali. È possibile utilizzare una qualsiasi delle seguenti opzioni:
+ **Punteggio ponderato delle anomalie**: il punteggio delle anomalie moltiplicato per il log del valore assoluto della differenza tra il valore effettivo e quello previsto. Questo punteggio è sempre un numero positivo.
+ **Punteggio delle anomalie**: il punteggio delle anomalie effettivo assegnato al punto dati in questione.
+ **Differenza ponderata dal valore previsto** (impostazione predefinita): il punteggio delle anomalie moltiplicato per la differenza tra il valore effettivo e il valore previsto.
+ **Differenza dal valore previsto**: la differenza effettiva tra il valore effettivo e quello previsto (ovvero, effettivo-previsto).
+ **Valore effettivo**: il valore effettivo senza l'applicazione di formule.
1. Nella sezione **Opzioni di pianificazione** imposta la pianificazione per l'esecuzione automatica del ricalcolo dell'approfondimento. La pianificazione viene eseguita solo per i pannelli di controllo pubblicati. Nell'analisi, è possibile eseguirlo manualmente secondo necessità. La pianificazione include le seguenti impostazioni:
+ **Occorrenza**: imposta la frequenza con cui si desidera che venga eseguito il ricalcolo: ogni ora, ogni giorno, ogni settimana o ogni mese.
+ **Inizia la pianificazione il**: imposta la data e l'ora di inizio dell'esecuzione della pianificazione.
+ **Fuso orario**: il fuso orario in cui viene eseguita la pianificazione. Per visualizzare un elenco, eliminare la voce corrente.
1. Nella sezione **Collaboratori principali**, imposta Amazon Quick Sight per analizzare i fattori chiave quando viene rilevato un outlier (anomalia).
Ad esempio, Amazon Quick Sight può mostrare i principali clienti che hanno contribuito a un aumento delle vendite negli Stati Uniti di prodotti per la casa. Puoi aggiungere un massimo di quattro dimensioni dal tuo set di dati. Queste includono dimensioni che non hai aggiunto ai contenitori di campi di questo widget di approfondimento.
Per un elenco di dimensioni disponibili per l'analisi dei fattori determinanti, scegli **Seleziona campi**.
1. Quindi scegli **Conferma** per salvare le modifiche. Scegliere **Cancel (Annulla)** per uscire senza salvare.
1. Dal widget di approfondimento, scegli **Esegui ora** per eseguire il rilevamento delle anomalie e visualizza l'approfondimento.
Il tempo necessario per completare il rilevamento delle anomalie varia a seconda di quanti punti dati univoci vengono analizzati. Il processo può richiedere alcuni minuti per un numero minimo di punti oppure anche molte ore.
Mentre il processo è in esecuzione in background, è possibile eseguire altre attività nell'analisi. Tuttavia, è necessario attendere il completamento prima di modificare la configurazione, modificare la descrizione o aprire la pagina **Esplora anomalie** per questo approfondimento.
Il widget di approfondimento deve essere eseguito almeno una volta prima di poter visualizzare i risultati. Se si ritiene che lo stato non sia aggiornato, è possibile aggiornare la pagina. L'approfondimento può avere i seguenti stati.
| Appare nella pagina | Status |
| --- | --- |
| PulsanteRun now (Esegui ora) | L'attività non è ancora iniziata. |
| Messaggio relativo a Analyzing for anomalies (Analisi delle anomalie) | L'attività è attualmente in esecuzione. |
| Descrizione delle anomalie rilevate (outlier) | L'attività è stata eseguita correttamente. Il messaggio indica quando il calcolo di questo widget è stato aggiornato per l'ultima volta. |
| Icona di avviso con un punto esclamativo (\$1) | Questa icona indica che si è verificato un errore durante l'ultima esecuzione. Se viene visualizzata anche la descrizione, è comunque possibile utilizzare Explore anomalies (Esplora anomalie) per utilizzare i dati dell'esecuzione precedente corretta. |
# Utilizzo dell'analisi dei contributi per i fattori chiave
Amazon Quick Sight è in grado di identificare le dimensioni (categorie) che contribuiscono a creare valori anomali nelle misure (metriche) tra due momenti nel tempo. Il fattore chiave che contribuisce a creare un outlier ti aiuta a rispondere alla domanda: cosa è successo che ha causato questa anomalia?
Se stai già utilizzando il rilevamento delle anomalie senza l'analisi dei contributi, puoi abilitare l'analisi ML esistente per trovare i fattori chiave. Segui questa procedura per aggiungere analisi dei contributi e identificare i fattori chiave alla base dei valori anomali. Le tue informazioni per il rilevamento delle anomalie devono includere un campo temporale e almeno un parametro aggregato (SUM, AVERAGE o COUNT). Se lo desideri, puoi includere più categorie (campi di dimensione), ma puoi anche eseguire l'analisi dei contributi senza specificare alcuna categoria o campo di dimensione.
È inoltre possibile utilizzare questa procedura per modificare o rimuovere i campi come fattori chiave nel rilevamento delle anomalie.
**Aggiunta dell'analisi dei contributi per identificare i fattori chiave**
1. Apri la tua analisi e individua un approfondimento di machine learning esistente per il rilevamento delle anomalie. Seleziona il widget di approfondimento per evidenziarlo.
1. Scegli **Opzioni di menu** (**...**) dal menu dell'elemento visivo.
1. Scegli **Configura anomalia** per modificare le impostazioni.
1. L'impostazione **Analisi dei contributi (opzionale)** consente ad Amazon Quick Sight di analizzare i driver chiave quando viene rilevato un valore anomalo (anomalia). Ad esempio, Amazon Quick Sight può mostrarti i principali clienti che hanno contribuito a un aumento delle vendite negli Stati Uniti di prodotti per la casa. È possibile aggiungere fino a quattro dimensioni dal set di dati, incluse le dimensioni che non sono state aggiunte ai contenitori di campi di questo widget di analisi.
Per visualizzare un elenco di dimensioni disponibili per l'analisi dei fattori determinanti, scegliete **Select fields (Seleziona campi)**.
Se desideri modificare i campi che utilizzi come fattori chiave, modifica i campi abilitati in questo elenco. Se li disabiliti tutti, Quick Sight non eseguirà alcuna analisi del contributo in base a questa analisi.
1. Per salvare le modifiche, scorri fino alla parte inferiore delle opzioni di configurazione e seleziona **Salva**. Scegliere **Annulla** per uscire senza salvare. Per rimuovere completamente queste impostazioni, scegli **Elimina**.
# Esplora i valori anomali e i fattori chiave con il rilevamento delle anomalie e l'analisi dei contributi basati su ML
È possibile esplorare in modo interattivo le anomalie (note anche come outlier) nell'analisi, insieme ai fattori determinanti (fattori chiave). L'esplorazione dell'analisi è disponibile dopo l'esecuzione del rilevamento delle anomalie basato su ML. Le modifiche apportate in questa schermata non vengono salvate quando si torna all'analisi.
Per iniziare, scegli **Esplora anomalie** nell'approfondimento. La schermata seguente mostra la schermata delle anomalie come appare la prima volta che la apri. In questo esempio, l'analisi dei contributi è impostata e mostra due fattori chiave.
![\[Viene mostrata l'analisi delle anomalie con i contributori.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/anomaly-exploration-v2.png)
Le sezioni dello schermo includono le seguenti, dall'alto a sinistra verso il basso a destra:
+ **Contributori** mostra i fattori chiave. Per visualizzare questa sezione, è necessario che i contributori siano configurati nella configurazione delle anomalie.
+ **Controlli** contiene le impostazioni per l'esplorazione delle anomalie.
+ **Numero di anomalie** mostra i valori anomali rilevati nel tempo. Puoi nascondere o mostrare questa sezione del grafico.
+ **I nomi dei tuoi campi** di categoria o dimensione fungono da titoli per i grafici che mostrano le anomalie per ogni categoria o dimensione.
Le sezioni seguenti forniscono informazioni dettagliate su ogni aspetto dell'esplorazione delle anomalie.
**Topics**
+ [
# Esplorazione dei contributori (fattori chiave)
](exploring-anomalies-key-drivers.md)
+ [
# Impostazione dei controlli per il rilevamento delle anomalie
](exploring-anomalies-controls.md)
+ [
# Mostrare e nascondere le anomalie per data
](exploring-anomalies-by-date.md)
+ [
# Esplorazione delle anomalie per categoria o dimensione
](exploring-anomalies-per-category-or-dimension.md)
# Esplorazione dei contributori (fattori chiave)
Se l'analisi delle anomalie è configurata per rilevare i fattori chiave, Quick Sight esegue l'analisi dei contributi per determinare quali categorie (dimensioni) stanno influenzando i valori anomali. La sezione **Controbutori** viene visualizzata sulla sinistra.
**Contributori** contiene le sezioni seguenti:
+ **Narrazione**: in alto a sinistra, un riepilogo descrive eventuali modifiche ai parametri.
+ **Configurazione fattori determinanti principali**: scegli **Configura** per modificare i fattori determinanti e l'intervallo di date da usare in questa sezione.
+ **Ordina per**: imposta l'ordine applicato ai risultati elencati di seguito. È possibile scegliere tra le seguenti opzioni:
+ **Absolute difference (Differenza assoluta)**
+ **Contribution percentage (Percentuale fattori determinanti)** (impostazione predefinita)
+ **Deviation from expected (Deviazione dal previsto)**
+ **Percentage difference (Differenza in percentuale)**
+ **Risultati fattori determinanti principali**: visualizza i risultati dell'analisi dei fattori determinanti principali per il punto temporale selezionato nella sequenza temporale a destra.
L'analisi dei fattori determinanti individua fino a quattro tra i fattori determinanti principali o fattori chiave di un'anomalia. Ad esempio, Amazon Quick Sight può mostrarti i principali clienti che hanno contribuito a un aumento delle vendite di prodotti sanitari negli Stati Uniti. Questo pannello viene visualizzato solo se sono stati scelti i campi da includere nell'analisi dei fattori determinanti quando è stata configurata l'anomalia.
Se non vedi questo pannello e desideri visualizzarlo, puoi abilitarlo. A tale scopo, tornare all'analisi, scegliere la configurazione delle anomalie dal menu dell'analisi e scegliere fino a quattro campi da analizzare per i fattori determinanti. Tieni presente che se si apportano modifiche ai controlli fogli che escludono i fattori determinanti, il pannello **Fattori di contribuzione** si chiude.
# Impostazione dei controlli per il rilevamento delle anomalie
Puoi trovare le impostazioni per il rilevamento delle anomalie nella sezione **Controlli** della schermata. È possibile aprire e chiudere questa sezione facendo clic sulla parola **Controlli**.
Le impostazioni includono quanto segue:
+ **Controlli**: le impostazioni correnti vengono visualizzate nella parte superiore dell'area di lavoro. Puoi espandere questa sezione scegliendo l'icona a doppia freccia sulla destra. Le seguenti impostazioni sono disponibili per esplorare gli outlier generati dal rilevamento delle anomalie con tecnologia Machine Learning:
+ **Gravità**: imposta il livello di sensibilità dello strumento di rilevamento nel rilevare le anomalie (outlier). Verranno restituite più anomalie con la soglia impostata su **Bassa e al di sopra** e meno anomalie con la soglia impostata su **Alta e al di sopra**. Questa sensibilità viene determinata in base alle deviazioni standard del punteggio di anomalia generato dall'algoritmo RCF. L'impostazione predefinita è **Media e superiore**.
+ **Direzione**: la direzione sull'asse x o sull'asse y che si desidera identificare come anomala. Il valore di default è [TUTTI]. Puoi scegliere le seguenti opzioni:
+ Imposta su **Maggiore del previsto** per identificare i valori più alti come anomalie.
+ Imposta su **Minore del previsto** per identificare i valori più bassi come anomalie.
+ Imposta su **[TUTTI]** per identificare tutti i valori anomali, alti e bassi.
+ **Delta minimo - valore assoluto**: immettere un valore personalizzato da utilizzare come soglia assoluta per identificare le anomalie. Qualsiasi quantità maggiore di questo valore conta come anomalia.
+ **Delta minimo - percentuale**: immetti un valore personalizzato da utilizzare come soglia di percentuale per identificare le anomalie. Qualsiasi quantità maggiore di questo valore conta come anomalia.
+ **Ordina per**: scegli il metodo da applicare all'ordinamento delle anomalie. Nello schermo, sono elencati nell'ordine preferito. Visualizza l'elenco seguente per una descrizione di ciascun metodo.
+ **Punteggio ponderato delle anomalie**: il punteggio delle anomalie moltiplicato per il log del valore assoluto della differenza tra il valore effettivo e quello previsto. Questo punteggio è sempre un numero positivo.
+ **Punteggio delle anomalie**: il punteggio delle anomalie effettivo assegnato al punto dati in questione.
+ **Differenza ponderata dal valore previsto** (impostazione predefinita): il punteggio delle anomalie moltiplicato per la differenza tra il valore effettivo e il valore previsto.
+ **Differenza dal valore previsto**: la differenza effettiva tra il valore effettivo e quello previsto (effettivo-previsto).
+ **Valore effettivo**: il valore effettivo senza l'applicazione di formule.
+ **Categorie**: una o più impostazioni possono essere visualizzate alla fine delle altre impostazioni. Ce n'è una per ogni campo della categoria che hai aggiunto al contenitore di campi della categoria. È possibile utilizzare le impostazioni di categoria per limitare i dati visualizzati sullo schermo.
# Mostrare e nascondere le anomalie per data
Il grafico **Numero di anomalie** mostra i valori anomali rilevati nel tempo. Se non vedi questo grafico, puoi visualizzarlo scegliendo **MOSTRA ANOMALIE PER DATA**.
Questo grafico mostra le anomalie (outlier) per i dati più recenti della serie temporale. Una volta espanso, visualizza i seguenti componenti:
+ **Anomalie**: al centro della schermata vengono visualizzate le anomalie per il punto dati più recente nella serie temporale. Vengono visualizzati uno o più grafici, uno dei quali mostra le variazioni di un parametro nel tempo. Per usare questo grafico, seleziona un punto lungo la linea temporale. Il punto attualmente selezionato viene evidenziato nel grafico ed è associato a un menu contestuale che offre l'opzione per analizzare i fattori determinanti del parametro corrente. Puoi anche trascinare il cursore sulla linea temporale senza scegliere un punto specifico, in modo da visualizzare il valore del parametro per il punto temporale.
+ **Anomalie per data**: se scegli **MOSTRA ANOMALIE PER DATA**, viene visualizzato un altro grafico che indica quante anomalie significative sono state rilevate per ogni punto temporale. Puoi visualizzare i dettagli in questo grafico nel menu contestuale di ogni barra.
+ **Modifica sequenza temporale**: ogni grafico include uno strumento di modifica della sequenza temporale sotto le date, che puoi usare per comprimere, espandere o scegliere un periodo di tempo da visualizzare.
# Esplorazione delle anomalie per categoria o dimensione
La sezione principale della schermata **Esplora le anomalie** è bloccata nella parte inferiore destra dello schermo. Rimane qui indipendentemente dal numero di altre sezioni dello schermo aperte. Se esistono più anomalie, puoi scorrere verso il basso per evidenziarle. Il grafico mostra le anomalie nelle gamme di colori e mostra dove si verificano in un periodo di tempo.
![\[Esplora la schermata delle anomalie.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/anomaly-exploration-1.png)
Ogni categoria o dimensione ha un grafico separato che utilizza il nome del campo come titolo del grafico. Ogni grafico contiene i seguenti componenti:
+ **Configura avvisi**: se stai esplorando le anomalie da un pannello di controllo, puoi utilizzare questo pulsante per effettuare la sottoscrizione agli avvisi e all'analisi dei fattori di contribuzione (se l'opzione è configurata). È possibile impostare gli avvisi per il livello di gravità (medio, alto e così via). Puoi ottenere i 5 avvisi principali per **Higher than expected (Più alto del previsto)**, **Lower than expected (Più basso del previsto)** o per ALL (TUTTI). Gli utenti reader possono configurare gli avvisi autonomamente. Se hai aperto la pagina **Esplora anomalie** da un'analisi, il pulsante non viene visualizzato.
**Nota**
La possibilità di configurare gli avvisi è disponibile solo nei pannelli di controllo pubblicati.
+ **Stato**: sotto l'intestazione **Anomalie**, l'etichetta dello stato visualizza informazioni sull'ultima esecuzione. Ad esempio, potresti vedere "Anomalie delle entrate al 17 novembre 2018". L'etichetta indica quanti parametri sono stati elaborati e quanto tempo fa. Puoi scegliere il link per ottenere ulteriori dettagli, ad esempio quanti parametri sono stati ignorati.
# Previsione e creazione di scenari ipotetici con Amazon Quick Sight
Utilizzando le previsioni basate sul machine learning, puoi prevedere le tue metriche aziendali chiave con semplicità. point-and-click Non è richiesta alcuna esperienza in Machine Learning. L'algoritmo ML integrato in Amazon Quick Sight è progettato per gestire scenari reali complessi. Amazon Quick Sight utilizza l'apprendimento automatico per fornire previsioni più affidabili di quelle disponibili con i mezzi tradizionali.
Supponi, ad esempio, di essere un manager aziendale. Immagina di voler prevedere le vendite per determinare se raggiungerai il tuo obiettivo entro la fine dell'anno. Oppure immagina che tra due settimane sia in arrivo un grosso affare e vuoi capire se influirà sulla previsione complessiva.
Puoi prevedere le entrate della tua azienda con più livelli di stagionalità (ad esempio, vendite con tendenze settimanali e trimestrali). Amazon Quick Sight esclude automaticamente le anomalie nei dati (ad esempio, un picco nelle vendite dovuto al calo dei prezzi o alla promozione) dall'influenzare le previsioni. Inoltre, non è necessario pulire e ripreparare i dati con valori mancanti perché Amazon Quick Sight li gestisce automaticamente. Inoltre, le previsioni con tecnologia Machine Learning ti permettono di eseguire analisi ipotetiche interattive per determinare la traiettoria di crescita necessaria per realizzare gli obiettivi aziendali.
## Uso di previsioni e scenari ipotetici
Puoi aggiungere un widget di previsione all'analisi esistente e pubblicarlo come pannello di controllo. Per analizzare scenari ipotetici, usa un'analisi, non un pannello di controllo. Con le previsioni basate sul machine learning, Amazon Quick Sight ti consente di prevedere scenari complessi e reali, come dati con stagionalità multiple. Il servizio esclude automaticamente gli outlier che identifica e deduce i valori mancanti.
Usa la procedura seguente per aggiungere una previsione grafica all'analisi ed esplorare scenari ipotetici.
Anche se questa procedura è per le previsioni grafiche, è anche possibile aggiungere una previsione come descrizione in un widget di approfondimento. Per ulteriori informazioni, consulta [Creazione di narrazioni automatiche con Amazon Quick Sight](narratives-creating.md).
[Le previsioni basate sul machine learning non sono compatibili con piccoli multipli.](small-multiples.md) Per garantire una visualizzazione accurata dei dati e delle previsioni, evita di utilizzare piccoli multipli nelle visualizzazioni.
**Aggiunta di una previsione grafica alla tua analisi**
1. Crea un elemento visivo che utilizzi un singolo campo data e fino a tre parametri (misure).
1. Nel menu nell'angolo in alto a destra dell'elemento visivo, scegli l'icona delle **Opzioni del menu** (i tre puntini), quindi scegli **Aggiungi previsione**.
Quick Sight analizza automaticamente i dati storici utilizzando il machine learning e visualizza una previsione grafica per i prossimi 14 periodi. Le proprietà della previsione si applicano a tutti i parametri dell'elemento visivo. Se desideri previsioni individuali per ogni parametro, valuta la possibilità di creare un elemento visivo separato per ogni parametro e di aggiungere una previsione a ciascuno di essi.
![\[Immagine di un grafico a linee con tre parametri previsti.\]](http://docs.aws.amazon.com/it_it/quick/latest/userguide/images/forecast2.png)
1. Nel pannello **Proprietà previsione** visualizzato a sinistra personalizza una o più delle impostazioni seguenti:
+ **Durata previsione**: imposta **Periodi futuri** su previsione o imposta **Periodi precedenti** per individuare i modelli sui cui basare la previsione.
+ **Intervallo previsione**: imposta l'intervallo stimato per la previsione. In questo modo, viene modificata l'ampiezza dello spettro di possibilità attorno alla linea prevista.
+ **Stagionalità**: imposta il numero di periodi di tempo inclusi nel modello stagionale prevedibile dei dati. L'intervallo è 1-180 e l'impostazione predefinita è **Automatico**.
+ **Limiti di previsione**: imposta un valore di previsione minimo e/o massimo per evitare che i valori di previsione superino o scendano al di sotto di un valore specificato. Ad esempio, se le previsioni prevedono che il numero di nuove assunzioni che l'azienda effettuerà nel mese successivo sia in cifre negative, puoi impostare un limite di previsione minimo pari a zero. In questo modo si evita che i valori previsti scendano sempre al di sotto dello zero.
Per salvare le modifiche, scegliere **Apply (Applica)**.
Se la tua previsione contiene più parametri, puoi isolare una delle previsioni selezionando un punto qualsiasi all'interno della banda arancione. In questo modo, le altre previsioni scompaiono. Seleziona nuovamente la banda di previsione isolata per farla riapparire.
1. Analizzare scenari ipotetici scegliendo un punto dati previsto (sulla striscia arancione) sul grafico e quindi scegliendo **What-if analysis (Analisi ipotetica)** dal menu contestuale.
Viene visualizzato il pannello **Analisi ipotetica** sulla sinistra. Impostare le seguenti opzioni:
+ **Scenario**: imposta una destinazione per una data o per un intervallo di tempo.
+ **Date**: se si imposta una destinazione per una data specifica, immettere la data qui. Se si usa un intervallo di tempo, impostare le date di inizio e di fine.
+ **Destinazione**: imposta un valore di destinazione per il parametro.
Amazon Quick Sight modifica la previsione per raggiungere l'obiettivo.
**Nota**
L'opzione di **analisi what-if** non è disponibile per le previsioni con più parametri. Se desideri eseguire uno scenario ipotetico sulla tua previsione, l'elemento visivo deve contenere solo un parametro.
1. Per mantenere le modifiche, scegliere **Apply (Applica)**. Per ignorarle, chiudere il pannello **What-if analysis (Analisi ipotetica)**.
Se si mantengono le modifiche, sarà possibile osservare la nuova previsione modificata in base al target, insieme alla previsione originale senza ipotesi.
L'analisi ipotetica è rappresentata sull'elemento visivo da un punto sulla linea dei parametri. È possibile posizionare il puntatore del mouse sui punti dati nella linea di previsione per visualizzare i dettagli.
Ecco alcune operazioni che è possibile eseguire:
+ Per interagire con un'analisi ipotetica o rimuoverla, scegliere il punto sulla linea dei parametri.
+ Per creare altri scenari ipotetici, chiudere l'analisi ipotetica prima di scegliere un nuovo punto sulla linea.
**Nota**
Le analisi ipotetiche possono essere incluse solo all'interno di un'analisi e non di un pannello di controllo.