As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Obtendo insights com aprendizado de máquina (ML) no Amazon Quick Sight
<a name="making-data-driven-decisions-with-ml-in-quicksight"></a>

O Amazon Quick Sight usa aprendizado de máquina para ajudar você a descobrir tendências e insights ocultos em seus dados, identificar os principais fatores e prever métricas de negócios. Você também pode utilizar esses insights em narrativas de linguagem natural incorporadas em painéis. 

Usando recursos de aprendizado de máquina (ML) e linguagem natural, o Amazon Quick Sight Enterprise Edition leva você além da análise descritiva e diagnóstica, além de iniciar a previsão e a tomada de decisões. Você pode compreender os dados rapidamente, compartilhar suas descobertas e descobrir as melhores decisões para atingir seus objetivos. Você pode fazer isso sem precisar desenvolver equipes e tecnologia para criar os algoritmos e modelos de machine learning necessários. 

Você provavelmente já criou visualizações que respondem a perguntas sobre o que aconteceu, quando e onde, e se aprofundam na investigação e identificação de padrões. Com o ML Insights, você pode evitar gastar horas de análise e investigação manuais. Você pode fazer uma seleção em uma lista de narrativas contextuais personalizadas, chamadas de *narrativas automáticas*, e adicioná-las à sua análise. Além de escolher as narrativas automáticas, você pode optar por visualizar previsões, anomalias e fatores que contribuem com elas. Você também pode adicionar narrativas automáticas que explicam as principais conclusões em uma linguagem simples, fornecendo uma única verdade orientada por dados para sua empresa. 

Conforme o tempo passa e os dados fluem pelo sistema, o Amazon Quick Sight aprende continuamente para poder fornecer insights cada vez mais pertinentes. Em vez de decidir o que os dados significam, você pode decidir o que fazer com as informações fornecidas por eles. 

Com uma base compartilhada fundada em machine learning, todos os seus analistas e investidores podem ver tendências, anomalias, previsões e narrativas personalizadas criadas a partir de milhões de métricas. Eles podem ver as causas, considerar as previsões, avaliar os riscos e tomar decisões justificáveis e bem informadas. 

Você pode criar um painel como este sem análise manual, sem habilidades de desenvolvimento personalizadas e sem compreensão de modelagem ou algoritmos de machine learning. Todo esse recurso está incorporado ao Amazon Quick Sight Enterprise Edition.

**nota**  
Os recursos de machine learning são usados conforme necessário em todo o produto. Os recursos que usam machine learning ativamente são identificados. 

Com o ML Insights, o Amazon Quick Sight fornece três recursos principais:
+ Detecção de **anomalias baseada em ML —** O Amazon Quick Sight usa a tecnologia comprovada de aprendizado de máquina da Amazon para analisar continuamente todos os seus dados para detectar anomalias (discrepâncias). Você pode identificar os principais fatores que contribuem para qualquer mudança significativa nas métricas de sua empresa, como higher-than-expected vendas ou queda no tráfego do seu site. O Amazon Quick Sight usa o algoritmo Random Cut Forest em milhões de métricas e bilhões de pontos de dados. Isso permite que você obtenha insights detalhados que geralmente estão escondidos nos agregados e são inacessíveis por meio de análise manual. 
+ **Previsão baseada em ML —** O Amazon Quick Sight permite que usuários não técnicos prevejam com confiança suas principais métricas de negócios. O algoritmo de ML integrado Random Cut Forest gerencia automaticamente cenários complexos do mundo real, como detectar sazonalidade e tendências, excluir exceções e atribuir valores ausentes. Você pode interagir com os dados com point-and-click simplicidade.
+ **Narrativas automáticas** — Ao usar narrativas automáticas no Amazon Quick Sight, você pode criar painéis avançados com narrativas incorporadas para contar a história dos seus dados em linguagem simples. Isso pode economizar horas de análise de gráficos e tabelas com o intuito de extrair os principais insights para a geração de relatórios. Esse recurso também cria uma compreensão compartilhada dos dados da sua organização para que você possa tomar decisões mais rapidamente. É possível usar a narrativa automática sugerida ou personalizar as computações e a linguagem para atender aos seus requisitos específicos. O Amazon Quick Sight é como fornecer um analista de dados pessoais para todos os seus usuários.

**Topics**
+ [Entendendo o algoritmo de ML usado pelo Amazon Quick Sight](concept-of-ml-algorithms.md)
+ [Requisitos de conjunto de dados para usar insights de ML com o Amazon Quick Sight](ml-data-set-requirements.md)
+ [Trabalhando com insights no Amazon Quick Sight](computational-insights.md)
+ [Criação de narrativas automáticas com o Amazon Quick Sight](narratives-creating.md)
+ [Detectar discrepâncias com a detecção de anomalias baseada em ML](anomaly-detection.md)
+ [Previsão e criação de cenários hipotéticos com o Amazon Quick Sight](forecasts-and-whatifs.md)

# Entendendo o algoritmo de ML usado pelo Amazon Quick Sight
<a name="concept-of-ml-algorithms"></a>


|  | 
| --- |
|  Você não precisa de nenhuma experiência técnica em aprendizado de máquina para usar os recursos baseados em ML no Amazon Quick Sight. Esta seção mostra em detalhes os aspectos técnicos do algoritmo, para aqueles que querem ver os detalhes de funcionamento dele. Não é necessário ler essas informações para usar os recursos.   | 

O Amazon Quick Sight usa uma versão integrada do algoritmo Random Cut Forest (RCF). As seções a seguir explicam o que isso significa e como é usado no Amazon Quick Sight.

Primeiro, vamos ver a terminologia envolvida: 
+ Anomalia: algo caracterizado por diferir da maioria das outras coisas no mesmo exemplo. Também conhecida como uma discrepância, uma exceção, um desvio e assim por diante.
+ Ponto de dados: uma unidade discreta ou, simplesmente, uma linha em um conjunto de dados. No entanto, uma linha pode ter vários pontos de dados quando se usa uma medida em diferentes dimensões.
+ Árvore de decisão: uma maneira de visualizar o processo de decisão do algoritmo que avalia padrões nos dados.
+ Previsão: uma estimativa do comportamento futuro com base nos comportamentos atuais e passados.
+ Modelo: uma representação matemática do algoritmo ou do que ele aprende.
+ Sazonalidade: os padrões repetidos de comportamento que ocorrem ciclicamente em dados de séries temporais.
+ Séries temporais: um conjunto ordenado de dados ou dados temporais em um campo ou uma coluna.

**Topics**
+ [Qual é a diferença entre detecção e previsão de anomalias?](difference-between-anomaly-detection-and-forecasting.md)
+ [O que é RCF?](what-is-random-cut-forest.md)
+ [Como o RCF é aplicado à detecção de anomalias](how-does-rcf-detect-anomalies.md)
+ [Como o RCF é aplicado para gerar previsões](how-does-rcf-generate-forecasts.md)
+ [Referências para machine learning e RCF](learn-more-about-machine-learning-and-rcf.md)

# Qual é a diferença entre detecção e previsão de anomalias?
<a name="difference-between-anomaly-detection-and-forecasting"></a>

A detecção de anomalias identifica discrepâncias e os direcionadores contribuintes correspondentes para responder à pergunta “O que aconteceu que geralmente não acontece? “ A previsão responde à pergunta: "Se tudo continuar a acontecer conforme o esperado, o que acontecerá no futuro?" A matemática que permite a previsão, também nos permite perguntar: "Se algumas coisas mudarem, o que acontecerá?" 

Tanto a detecção quanto a previsão de anomalias começam examinando os pontos de dados atuais conhecidos. A detecção de anomalias do Amazon Quick Sight começa com o que é conhecido para que ele possa estabelecer o que está fora do conjunto conhecido e identificar esses pontos de dados como anômalos (discrepâncias). A previsão do Amazon Quick Sight exclui os pontos de dados anômalos e segue o padrão conhecido. A previsão se concentra no padrão estabelecido de distribuição de dados. Por outro lado, a detecção de anomalias se concentra nos pontos de dados que se desviam do que é esperado. Cada método aborda a tomada de decisões a partir de uma direção diferente. 

# O que é RCF?
<a name="what-is-random-cut-forest"></a>

Uma *floresta de corte aleatório* (RCF, Random Cut Forest) é um tipo especial do algoritmo *floresta aleatória* (RF, Random Forest), uma técnica amplamente usada e bem-sucedida de Machine Learning. Ela utiliza um conjunto de pontos de dados aleatórios, corta-os até o mesmo número de pontos e cria uma coleção de modelos. Em contrapartida, um modelo corresponde a uma árvore de decisão, por isso o nome de floresta. Como não RFs podem ser facilmente atualizados de forma incremental, RCFs foram inventados com variáveis na construção de árvores que foram projetadas para permitir atualizações incrementais. 

Como um algoritmo não supervisionado, o RCF usa análise de cluster para detectar picos nos dados de séries temporais, pausas na periodicidade ou sazonalidade e exceções nos pontos de dados. Os algoritmos RCF podem funcionar como a sinopse ou o esboço de um streaming de dados dinâmico (ou uma sequência de números indexada por tempo). As respostas às nossas perguntas sobre o streaming resultam da sinopse. As seguintes características abordam o streaming e como fazemos conexões com a detecção de anomalias e a previsão:
+ Um *algoritmo de streaming *é um algoritmo online com um pequeno espaço na memória. Um algoritmo online toma uma decisão sobre o ponto de entrada indexado por tempo **t** antes de ver o ponto de st **(t\$11)**. O pequeno espaço de memória permite algoritmos ágeis que podem produzir respostas com baixa latência e permitir que um usuário interaja com os dados.
+ Respeitar a ordem imposta pelo tempo, como em um algoritmo *online*, é necessário na previsão e na detecção de anomalias. Se já soubermos o que acontecerá depois de amanhã, prever o que acontecerá amanhã não será uma previsão, será apenas interpolar um valor ausente desconhecido. Da mesma forma, um novo produto lançado hoje pode ser uma anomalia, mas não necessariamente continuará sendo uma anomalia no final do próximo trimestre. 

# Como o RCF é aplicado à detecção de anomalias
<a name="how-does-rcf-detect-anomalies"></a>

Uma pessoa pode distinguir facilmente um ponto de dados que se destaca do restante dos dados. O RCF faz a mesma coisa ao criar uma "floresta" de árvores de decisão e monitorar como novos pontos de dados alteram a floresta. 

Uma *anomalia* é um ponto de dados que desvia sua atenção dos pontos normais. Pense na imagem de uma flor vermelha em um campo de flores amarelas. Este "deslocamento de atenção" é codificado na posição (esperada) de uma árvore (ou seja, um modelo no RCF) que seria ocupada pelo ponto de entrada. A ideia é criar uma floresta em que cada árvore de decisão cresça a partir de uma partição dos dados usados na amostra para o treinamento do algoritmo. Em termos mais técnicos, cada árvore cria um tipo específico de árvore de particionamento binário de espaço nas amostras. À medida que o Amazon Quick Sight coleta amostras dos dados, o RCF atribui a cada ponto de dados uma pontuação de anomalia. Ele dá pontuações maiores a pontos de dados que parecem anômalos. A pontuação é, na aproximação, inversamente proporcional à profundidade resultante do ponto na árvore. Para atribuir uma pontuação de anomalia, o Random Cut Forest calcula a pontuação média de cada árvore integrante e escala o resultado em relação ao tamanho da amostra. 

Os votos ou as pontuações dos diferentes modelos são agregados, pois cada um dos modelos por si só é um previsor fraco. O Amazon Quick Sight identifica um ponto de dados como anômalo quando sua pontuação é significativamente diferente dos pontos recentes. O que é considerado uma anomalia depende do aplicativo. 

O paper [Random Cut Forest Based Anomaly Detection On Streams](http://proceedings.mlr.press/v48/guha16.pdf) fornece vários exemplos dessa detecção state-of-the-art on-line de anomalias (detecção de anomalias em séries temporais). RCFssão usados em segmentos contíguos ou “telhas” de dados, onde os dados no segmento imediato atuam como um contexto para o mais recente. As versões anteriores dos algoritmos de detecção de anomalias baseados em RCF pontuam uma zona inteira. O algoritmo no Amazon Quick Sight também fornece uma localização aproximada da anomalia no contexto estendido atual. Essa localização aproximada pode ser útil caso haja um atraso na detecção da anomalia. Atrasos ocorrem porque qualquer algoritmo precisa caracterizar "desvios vistos anteriormente" como "desvios anômalos", o que pode levar algum tempo. 

# Como o RCF é aplicado para gerar previsões
<a name="how-does-rcf-generate-forecasts"></a>

Para prever o próximo valor em uma sequência temporal estacionária, o algoritmo RCF responde à pergunta: "Qual seria a conclusão mais provável, depois que tivéssemos um valor candidato?" Ele usa uma única árvore no RCF para executar uma pesquisa pelo melhor candidato. Os candidatos em diferentes árvores são agregados, pois cada árvore por si só é um previsor fraco. A agregação também permite a geração de erros de quantil. Esse processo é repetido **t** vezes para prever o **t**º valor no futuro. 

O algoritmo no Amazon Quick Sight é chamado de *BIFOCAL*. Ele usa dois RCFs para criar uma FOrest arquitetura de CALibrated BI. O primeiro RCF é usado para remover anomalias e fornecer uma floresta fraca, que será corrigida pela segunda. Em geral, essa abordagem fornece previsões significativamente mais robustas em comparação a outros algoritmos amplamente disponíveis, como o ETS. 

O número de parâmetros no algoritmo de previsão do Amazon Quick Sight é significativamente menor do que em outros algoritmos amplamente disponíveis. Isso permite que ele seja útil imediatamente, sem precisar que sejam feitos ajustes humanos para um número maior de pontos de dados de séries temporais. À medida que mais dados se acumulam em uma série temporal específica, as previsões no Amazon Quick Sight podem se ajustar aos desvios de dados e às mudanças de padrão. Para séries temporais que mostram tendências, a detecção de tendências é realizada primeiro para tornar a série estacionária. A previsão dessa sequência estacionária é projetada novamente com a tendência. 

Como o algoritmo se baseia em um algoritmo online eficiente (RCF), ele pode oferecer suporte a consultas de condição interativas. Nelas, algumas das previsões podem ser alteradas e tratadas como hipotéticas para fornecer previsões condicionais. Essa é a origem da capacidade de explorar cenários de condição durante a análise. 

# Referências para machine learning e RCF
<a name="learn-more-about-machine-learning-and-rcf"></a>

Para saber mais sobre machine learning e seu algoritmo, sugerimos os seguintes recursos:
+ O artigo [Robust Random Cut Forest (RRCF): A No Math Explanation](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/) fornece uma explicação lúcida sem as equações matemáticas. 
+ O livro [*The Elements of Statistical Learning: Data Mining, Inference, and Prediction*, Second Edition (Springer Series in Statistics)](https://www.amazon.com/Elements-Statistical-Learning-Prediction-Statistics/dp/0387848576) fornece uma base completa sobre machine learning. 
+ [http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf), um artigo acadêmico que se aprofunda nos conceitos técnicos de detecção e previsão de anomalias, incluindo exemplos. 

Uma abordagem diferente da RCF aparece em outros AWS serviços. Se você quiser explorar como o RCF é usado em outros serviços, consulte:
+ *Amazon Managed Service for Apache Flink Referência SQL:* [https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html)
+ *Guia SageMaker do desenvolvedor da Amazon:* [algoritmo Random Cut Forest (RCF)](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html). Essa abordagem também é explicada em [The Random Cut Forest Algorithm](https://freecontent.manning.com/the-randomcutforest-algorithm/), um capítulo de [Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (outubro de 2018). 

# Requisitos de conjunto de dados para usar insights de ML com o Amazon Quick Sight
<a name="ml-data-set-requirements"></a>

Para começar a usar os recursos de aprendizado de máquina do Amazon Quick Sight, você precisa se conectar ou importar seus dados. Você pode usar um conjunto de dados existente do Amazon Quick Sight ou criar um novo. Você pode consultar diretamente sua fonte compatível com SQL ou ingerir os dados no SPICE. 

Os dados devem ter as seguintes propriedades: 
+  Pelo menos uma métrica (por exemplo, vendas, pedidos, unidades enviadas, inscrições e assim por diante). 
+  Pelo menos uma dimensão de categoria (por exemplo, categoria de produto, canal, segmento, setor e assim por diante). Categorias com valores NULL são ignoradas.
+ A detecção de anomalias exige um mínimo de 15 pontos de dados para treinamento. Por exemplo, se a granularidade dos seus dados for diariamente, você precisará de pelo menos 15 dias de dados. Se a granularidade for mensal, você precisará de pelo menos 15 meses de dados. 
+ A previsão funciona melhor com mais dados. Certifique-se de que seu conjunto de dados tenha uma quantidade suficiente de dados históricos para obter os melhores resultados. Por exemplo, se a granularidade dos seus dados for diariamente, você precisará de pelo menos 38 dias de dados. Se a granularidade for mensal, você precisará de pelo menos 43 meses de dados. Veja a seguir os requisitos para cada granularidade de tempo:
  + Anos: 32 pontos de dados
  + Trimestres: 35 pontos de dados
  + Meses: 43 pontos de dados
  + Semanas: 35 pontos de dados
  + Dias: 38 pontos de dados
  + Horas: 39 pontos de dados
  + Minutos: 46 pontos de dados
  + Segundos: 46 pontos de dados
+ Se quiser analisar anomalias ou previsões, você também precisará de pelo menos uma dimensão de data. 

Se não houver um conjunto de dados para começar, você pode fazer download deste exemplo de conjunto de dados: [ML Insights Sample Dataset VI](samples/ml-insights.csv.zip). Quando tiver um conjunto de dados pronto, crie uma análise desse conjunto de dados.

# Trabalhando com insights no Amazon Quick Sight
<a name="computational-insights"></a>

No Amazon Quick Sight, você pode adicionar cálculos ready-to-use analíticos à sua análise como widgets. Você pode trabalhar com insights de duas formas:
+ **Insights sugeridos**

  O Amazon Quick Sight cria uma lista de ideias sugeridas com base na interpretação dos dados que você coloca em seus recursos visuais. A lista muda com base no contexto. Em outras palavras, você pode ver diferentes sugestões dependendo de quais campos adiciona ao visual e qual tipo de visual escolhe. Por exemplo, se você tiver uma visualização de séries temporais, seus insights podem incluir period-over-period mudanças, anomalias e previsões. À medida que você adiciona mais visualizações à sua análise, são gerados mais insights sugeridos.
+ **Insights personalizados**

  Os insights personalizados permitem criar sua própria computação, usando suas próprias palavras para dar contexto aos campos que aparecem no widget. Ao criar um insight personalizado, você o adiciona à análise e escolhe o tipo de cálculo que quer usar. Em seguida, você pode adicionar texto e formatação para que ele fique da maneira que deseja. Você também pode adicionar mais campos, cálculos e parâmetros.

Você pode adicionar qualquer combinação de insights sugeridos e personalizados à análise para criar o ambiente de tomada de decisões que melhor atende às suas finalidades.

**Topics**
+ [Como adicionar insights sugeridos](adding-suggested-insights.md)
+ [Como adicionar insights personalizados à sua análise](adding-insights.md)

# Como adicionar insights sugeridos
<a name="adding-suggested-insights"></a>

Use o procedimento a seguir para adicionar insights sugeridos à análise.

Antes de começar, verifique se o conjunto de dados atende aos critérios descritos em [Requisitos de conjunto de dados para usar insights de ML com o Amazon Quick Sight](ml-data-set-requirements.md).

1. Comece com uma análise que tenha alguns campos adicionados a um visual. 

1. No lado esquerdo, selecione **Insights**. O painel **Insights** é aberto e exibe uma lista de ideias ready-to-use sugeridas. 

   Cada visual também exibe uma pequena caixa na borda superior para exibir quantos insights estão disponíveis para esse visual. Você pode selecionar essa caixa para abrir o painel **Insights**, e ele será aberto para qualquer visualização aberta mais recentemente.

   Role para baixo para visualizar mais insights. 

   As informações que aparecem são controlados pelo tipo de dados nos campos que você escolher para incluir no seu visual. Essa lista é gerada cada vez que você altera o visual. Se você fizer alterações, verifique **Insights** para ver as novidades. Para ver informações específicas, consulte [Como adicionar insights personalizados à sua análise](adding-insights.md).

1. (Opcional) Abra o menu de contexto com mais opções para um dos insights. Para isso, selecione as reticências na parte superior direita do insight (**…**).

   As opções são diferentes para cada tipo de insight. As opções com as quais você pode interagir incluem:
   + **Alterar a agregação de séries temporais**: para ano, trimestre, mês, semana, dia, hora ou minuto.
   + **Analisar contribuições para métricas**: escolha os contribuintes e um período para a análise.
   + **Mostrar todas as anomalias**: procure anomalias nesse período.
   + **Editar previsão**: escolha a duração, o intervalo e a sazonalidade da previsão.
   + **Foco em** ou **Excluir**: aumentar ou diminuir o zoom dos dados dimensionais.
   + **Mostrar detalhes**: visualize mais informações sobre uma anomalia recente (discrepância).
   + Forneça comentários sobre a utilidade do insight na análise.

1. Adicione um insight sugerido à análise selecionando o sinal de adição (**\$1**) ao lado do título do insight.

1. (Opcional) Após adicionar um insight à análise, personalize a narrativa que você deseja que seja exibida. Para fazer isso, selecione o menu do visual em formato de **v**e selecione **Customize narrative (Personalizar narrativa)**. Para obter mais informações, consulte [Criação de narrativas automáticas com o Amazon Quick Sight](narratives-creating.md).

   Se o insight for para anomalias (discrepâncias), você também poderá alterar as configurações do trabalho de detecção de anomalias. Para fazer isso, selecione **Configure anomaly (Configurar anomalia)**. Para obter mais informações, consulte [Configurar a detecção de anomalias baseada em ML para análise de discrepâncias](anomaly-detection-using.md).

1. (Opcional) Para remover o insight da análise, selecione o menu do visual em formato de **v** no canto superior direito do visual. Escolha **Excluir**. 

# Como adicionar insights personalizados à sua análise
<a name="adding-insights"></a>

Se não quiser usar nenhum dos insights sugeridos, você poderá criar seu próprio insight personalizado. Use o procedimento a seguir para criar um insight computacional personalizado.

1. Inicie com uma análise existente. Na barra de menu superior, escolha **Adicionar\$1**. Em seguida, selecione **Add Insight (Adicionar insight)**. 

   Um contêiner para o novo insight é adicionado à análise.

1. Execute um destes procedimentos:
   + Selecione na lista a computação que você deseja usar. À medida que você escolhe cada item, um exemplo da saída desse insight é exibido. Quando você encontrar o insight que quer usar, clique em **Select (Selecionar)**. 
   + Saia da tela e personalize as informações manualmente. Um insight não configurado tem um botão **Customize insight (Personalizar insight)**. Selecione o botão para abrir a tela **Configure narrative (Configurar narrativa)**. Para obter mais informações sobre como usar o editor de expressões, consulte [Criação de narrativas automáticas com o Amazon Quick Sight](narratives-creating.md). 

   Como você está iniciando a criação do insight, ele não será baseado em um visual existente. Quando o insight é adicionado à análise, ele exibe uma nota mostrando o tipo de dados de que precisa para concluir a solicitação. Por exemplo, ele pode solicitar **1 dimension in Time (1 dimensão em Tempo)**. Nesse caso, você adiciona uma dimensão à fonte de campo **Time (Tempo)**. 

1. Após ter os dados corretos, siga os demais prompts na tela para concluir a criação do insight personalizado.

1. (Opcional) Para remover o insight da análise, selecione o menu do visual em formato de **v** no canto superior direito do visual. Escolha **Excluir**. 

# Criação de narrativas automáticas com o Amazon Quick Sight
<a name="narratives-creating"></a>

Uma *narrativa automática *é um widget de resumo de linguagem natural que exibe um texto descritivo em vez de gráficos. Você pode incorporar esses widgets em toda a análise para destacar os principais insights e callouts. Você não precisa examinar o visual buscando detalhes, comparando valores e verificando novamente as ideias para extrair uma conclusão. Você também não precisa tentar entender o que os dados significam ou discutir diferentes interpretações com seus colegas. Em vez disso, você pode extrapolar a conclusão dos dados e exibi-la na análise, enunciada de maneira simples. Uma única interpretação pode ser compartilhada por todos.

O Amazon Quick Sight interpreta automaticamente os gráficos e tabelas em seu painel e fornece várias sugestões de insights em linguagem natural. Os insights sugeridos que você pode escolher já estão prontos e vêm com palavras, cálculos e funções. No entanto, você poderá alterá-los, se quiser. Você também pode projetar os seus próprios insights. Como autor do painel, você tem total flexibilidade para personalizar as computações e as linguagens de acordo com as suas necessidades. Você pode usar narrativas para contar a história de seus dados de maneira efetiva em linguagem simples.

**nota**  
As narrativas são distintas de machine learning. Elas somente usarão o ML se você incluir nelas computações de anomalias (discrepâncias) ou previsão.

**Topics**
+ [Insights que incluem narrativas automáticas](auto-narratives.md)
+ [Uso do editor de expressões narrativas](using-narratives-expression-editor-step-by-step.md)
+ [O espaço de trabalho do editor de expressões](using-narratives-expression-editor-menus.md)
+ [Adicionando URLs](using-narratives-expression-editor-urls.md)
+ [Trabalhar com computações de narrativas automáticas](auto-narrative-computations.md)

# Insights que incluem narrativas automáticas
<a name="auto-narratives"></a>

Quando adiciona um insight, também conhecido como uma narrativa automática, à sua análise, é possível escolher entre os seguintes modelos. Na lista apresentada a seguir, eles são definidos por meio de exemplos. Cada definição inclui uma lista dos campos mínimos obrigatórios para a narrativa automática poder funcionar. Se você estiver usando somente os insights sugeridos na guia **Insights**, escolha os campos apropriados para que o insight seja exibido na lista de sugestão de insights.

Para obter mais informações sobre como personalizar as narrativas automáticas, consulte [Trabalhar com computações de narrativas automáticas](auto-narrative-computations.md).
+ **Piores classificados**: por exemplo, os três estados com menor receita de vendas. Você precisa ter pelo menos uma dimensão no campo **Categories (Categorias)**. 
+ **Produtos com menor rotatividade**: por exemplo, os três produtos menos vendidos por receita de vendas. Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos uma dimensão no campo **Categories (Categorias)**. 
+ **Previsão** *(insight baseado em ML)*: por exemplo, "A previsão do total de vendas para janeiro de 2016 é de USD 58.613,00". Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)**. 
+ **Taxa de crescimento**: por exemplo, "A taxa de crescimento composta de três meses é de 22,23% em vendas". Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)**. 
+ **Máximo**: por exemplo, "O melhor mês foi novembro de 2014, com USD 112.326,00 em vendas". Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)**. 
+ **Comparação métrica**: por exemplo, "O total de vendas em dezembro de 2014 foi de USD 90.474,00, 10% a mais do que a meta de USD 81.426,00". Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos duas medidas no campo **Values (Valores)**. 
+ **Mínimo**: por exemplo, "O pior mês foi fevereiro de 2011, com USD 4.810,00 em vendas". Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)**. 
+ **Detecção de anomalias** *(insight baseado em ML)*: por exemplo, as três primeiras discrepâncias e seus fatores no total de vendas, em 3 de janeiro de 2019. Requer que você tenha pelo menos uma dimensão no campo **Tempo (Time)**, pelo menos uma medida no campo **Values (Valores)** e pelo menos uma dimensão no campo **Categories (Categorias)**. 
+ **Período sobre período**: por exemplo, "O total de vendas em novembro de 2014 aumentou em 44,39% (USD 34.532,00), de USD 77.793,00 para USD 112.326,00". Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)**. 
+ No **acumulado do período** — Por exemplo, “ear-to-dateAs vendas Y de 30 de novembro de 2014 aumentaram 25,87% (\$1132.236) de \$1511.236 para \$1643.472”. Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)**. 
+ **Melhores classificações**: por exemplo, os três estados com a maior receita de vendas. Você precisa ter pelo menos uma dimensão no campo **Categories (Categorias)**. 
+ **Produtos com maior rotatividade**: por exemplo, os produtos com a maior receita de vendas em novembro de 2014. Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos uma dimensão no campo **Categories (Categorias)**. 
+ **Agregação total**: por exemplo, "A receita total é de USD 2.297.200,00". Você precisa ter pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos uma medida no campo **Values (Valores)**. 
+ **Valores exclusivos**: por exemplo, "Há 793 valores exclusivos em `Customer_IDs`". Você precisa ter pelo menos uma dimensão no campo **Categories (Categorias)**. 

# Uso do editor de expressões narrativas
<a name="using-narratives-expression-editor-step-by-step"></a>

A demonstração a seguir mostra um exemplo de como personalizar uma narrativa. Para este exemplo, usamos um tipo de computação período a período.

1. Comece com uma análise existente. Adicione um insight **período a período** a ela. A maneira mais fácil de fazer isso é selecionar o ícone \$1 e **Add insight (Adicionar insight)** e escolher um tipo de insight na lista. Para saber que tipo de insights computacionais você pode adicionar como narrativas automáticas, consulte [Insights que incluem narrativas automáticas](auto-narratives.md).

   Depois de escolher um tipo de insight, selecione **Select (Selecionar)** para criar o widget. Para criar uma narrativa vazia, feche essa tela sem escolher um modelo. Para seguir este exemplo, selecione **Period over period (Período a período)**.

   Se um visual estava selecionado quando você adicionou o insight, as fontes de campos terão campos pré-configurados de data, métrica e categoria. Eles são provenientes da visualização que você escolheu ao criar o insight. Você pode personalizar os campos conforme necessário.

   Só é possível personalizar uma narrativa para um widget de insight novo ou existente (baseado em texto). Não é possível adicionar uma narrativa a um visual existente (baseado em gráfico), pois é um tipo diferente de widget. 

1. Edite a narrativa no editor de expressões selecionando o menu do visual e a opção **Customize narrative (Personalizar narrativa)**.

   Nesse contexto, os **cálculos são cálculos** predefinidos (period-over-period, period-to-date, taxa de crescimento, máximo, mínimo, principais fatores e assim por diante) que você pode consultar em seu modelo para descrever seus dados. Atualmente, o Amazon Quick Sight oferece suporte a 13 tipos diferentes de cálculos que você pode adicionar ao seu insight. Neste exemplo, **PeriodOverPeriod**é adicionado por padrão porque escolhemos o modelo **Período a Período** no painel de insights sugerido. 

1. Selecione **Add computation (Adicionar computação)** na parte inferior direita para adicionar uma nova computação e, depois, selecione uma opção da lista. Para esta demonstração, selecione **Growth rate (Taxa de crescimento)** e **Next (Próximo)**.

1. Configure a computação escolhendo o número de períodos que você deseja calcular. O padrão é quatro e funciona para nosso exemplo. Se preferir, altere o nome da computação na parte superior da tela. No entanto, para nossa finalidade, deixe o nome inalterado.
**nota**  
Os nomes de computação criados são exclusivos no insight. Você pode fazer referência a várias computações do mesmo tipo no modelo de narrativa. Por exemplo, suponha que você tenha duas métricas: receita de vendas e unidades vendidas. É possível criar computações de taxa de crescimento para cada métrica, desde que elas tenham nomes diferentes.   
No entanto, as computações de anomalias não são compatíveis com nenhum outro tipo de computação no mesmo widget. A detecção de anomalias deve existir em um insight isoladamente. Para usar outras computações na mesma análise, coloque-as em insights separados de anomalias.

   Para prosseguir, selecione **Add (Adicionar)**.

1. Expanda **Computations (Computações)** à direita. As computações que fazem parte da narrativa são exibidas na lista. Nesse caso, é **PeriodOverPeriod**GrowthRate****e. 

1. No workspace, adicione o seguinte texto após o ponto final: **Compounded growth rate for the last** e, então, adicione um espaço.

1. Em seguida, para adicionar a computação, posicione o cursor após o espaço, depois da palavra **last**. À direita, abaixo **GrowthRate**, escolha a expressão chamada **TimePeriods** (clique somente uma vez para adicioná-la). 

   Isso insere a expressão **GrowthRate.timePeriods**, que é o número de períodos definidos na configuração. **GrowthRate** 

1. Complete a frase com ** days is ** (um espaço antes e depois) e adicione a expressão **GrowthRate. compoundedGrowthRate.formattedValue**, seguido por um ponto (). `.` Selecione a expressão na lista, em vez de digitá-la. No entanto, você poderá editar os conteúdos da expressão após adicioná-la.  
![\[Editor de expressões com lista de expressões abertas.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/narrative-add-expression.png)
**nota**  
A expressão **formattedValue** retorna uma string que é formatada com base na formatação aplicada para a métrica no campo. Para executar a matemática de métricas, use **value (valor)**, que retorna o valor bruto como um inteiro ou decimal.

1. Adicione uma formatação e instrução condicional. Coloque o cursor no final do modelo, após a expressão `formattedValue`. Adicione um espaço, se necessário. Na barra de menus **Edit narrative (Editar narrativa)** selecione **Insert code (Inserir código)**, e, em seguida, **Inline IF (IF alinhada)** na lista. Um bloco de expressões será aberto.

1. Com o bloco de expressão aberto, escolha o **valor **GrowthRate**compoundedGrowthRate******,, na lista de expressões. Insira **>0** no final da expressão. Escolha **Salvar**. Não mova o cursor ainda.

   Um prompt será exibido para o conteúdo condicional. Insira **better than expected\$1**, selecione o texto que acabou de inserir e use a barra de ferramentas de formação na parte superior para deixá-lo na cor verde e em negrito.

1. Adicione outro bloco de expressões para casos em que a taxa de crescimento não foi tão boa repetindo a etapa anterior. Porém, desta vez, use **<0** e insira o texto **worse than expected**. Deixe o texto na cor vermelha em vez de verde. 

1. Escolha **Salvar**. A narrativa personalizada que acabamos de criar deve se parecer com a seguinte.  
![\[Narrativa personalizada.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/narrative-example-result.png)

O editor de expressões fornece uma ferramenta sofisticada para personalizar as narrativas. Também é possível fazer referência aos parâmetros criados para a análise ou o painel e usar um conjunto de funções integradas para personalização adicional.

**dica**  
Para criar uma narrativa vazia, adicione um insight usando o ícone **\$1** e selecionando a opção **Add insights (Adicionar insights)**. Mas, em vez de escolher um modelo, basta fechar a tela.   
A melhor maneira de começar a personalização de narrativas é usar os modelos existentes para conhecer a sintaxe.

# O espaço de trabalho do editor de expressões
<a name="using-narratives-expression-editor-menus"></a>

Use o editor de expressões para ajustar a narrativa de acordo com as necessidades dos negócios, proporcionando melhores resultados. As informações apresentadas abaixo fornecem uma visão geral do espaço de trabalho do editor de expressões e listam todas as opções de menu que podem ser configuradas para sua narrativa. Para obter um tutorial que mostra como criar uma narrativa personalizada, consulte [Uso do editor de expressões narrativas](using-narratives-expression-editor-step-by-step.md).

Do lado direito da tela, há uma lista de itens que você pode adicionar à narrativa:
+ **Computações**: use essa opção para escolher entre as computações que estão disponíveis no insight. Você pode expandir essa lista.
+ **Parâmetros**: use essa opção para escolher entre os parâmetros existentes na análise. Você pode expandir essa lista.
+ **Funções**: use essa opção para escolher entre as funções que você pode adicionar a uma narrativa. Você pode expandir essa lista.
+ **Adicionar computação**: use esse botão para criar outra computação. Novas computações aparecem na lista **Computations (Computações)**, prontas para serem adicionadas ao insight.

Na parte inferior do editor de expressões da narrativa, há uma visualização da narrativa que é atualizada à medida que você trabalha. Essa área também mostrará um alerta se você introduzir um erro na narrativa ou se a narrativa estiver vazia. Para acessar uma visualização dos insights baseados em ML, como detecção ou previsão de anomalias, execute o cálculo do insight pelo menos uma vez antes de personalizar a narrativa. 

As ferramentas de edição ficam na parte superior da tela. Elas oferecem as seguintes opções:
+ **Inserir código**: você pode inserir os blocos de código a seguir por meio deste menu.
  + **Expressões**: adicione uma expressão em formato livre. 
  + **Em linha IF**: adicione uma instrução IF que seja exibida em linha com o bloco de texto existente. 
  + **Em linha FOR**: adicione uma instrução FOR que seja exibida em linha com o bloco de texto existente.
  + **Bloco IF**: adicione uma instrução IF que seja exibida em um bloco de texto separado. 
  + **Bloco FOR**: adicione uma instrução FOR que seja exibida em um bloco de texto separado. 

  As instruções IF e FOR permitem a criação de conteúdo que é formatado condicionalmente. Por exemplo, você pode adicionar uma instrução **block IF (IF em bloco)** e configurá-la para comparar um número inteiro ao valor de um cálculo. Para fazer isso, siga estas etapas, que também foram demonstradas em [Uso do editor de expressões narrativas](using-narratives-expression-editor-step-by-step.md):

  1. Abra o menu de cálculos do lado direito e escolha um dos itens realçados em azul de um dos cálculos. Ao fazer isso, você adiciona o item à narrativa.

  1. Clique uma vez no item para abri-lo.

  1. Insira a comparação que deseja fazer. A expressão é semelhante ao seguinte: `PeriodOverPeriod.currentMetricValue.value>0`. 

  1. Salve essa expressão no editor pop-up, que solicitará o **Conteúdo condicional**. 

  1. Insira o que deseja exibir no insight e formate esse conteúdo como desejar. Se preferir, você pode adicionar uma imagem ou um URL, ou adicionar um URL a uma imagem.
+ **Parágrafo**: esse menu oferece opções para alterar o tamanho da fonte:
  + **H1 Large header (Cabeçalho grande H1)**
  + H2 Header (Cabeçalho H2)
  + H3 Small header (Cabeçalho pequeno H3)
  + ¶1 Parágrafo grande
  + ¶2 Parágrafo
  + ¶3 Parágrafo pequeno
+ **Fonte**: use esse menu para escolher as opções de formatação do texto. Elas incluem negrito, itálico, sublinhado, tachado, cor de primeiro plano do texto (as próprias letras) e cor de fundo do texto. Selecione o ícone para ativar uma opção e selecione-o novamente para desativar a opção.
+ **Formatação**: use esse menu para escolher as opções de formatação do parágrafo, incluindo lista com marcadores, justificação à esquerda, centralização e justificação à direita. Selecione o ícone para ativar uma opção e selecione-o novamente para desativar a opção.
+ **Imagem**: use esse ícone para adicionar um URL de imagem. A imagem é exibida no insight, desde que o link esteja acessível. Você pode redimensionar as imagens. Para exibir uma imagem com base em uma condição, coloque a imagem dentro de um bloco de IF.
+ **URL**: use esse ícone para adicionar um URL estático ou dinâmico. Você também pode URLs adicionar imagens. Por exemplo, você pode adicionar imagens de semáforo a um insight de um painel executivo, com links para uma nova planilha para condições em vermelho, âmbar e verde.

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

Usando o botão **URL** no menu de edição do editor de expressões narrativas, você pode adicionar estática e dinâmica URLs (hiperlinks) em uma narrativa. Agora você pode usar os seguintes atalhos de teclado: ⌘\$1⇧\$1L ou Ctrl\$1⇧\$1L. 

Um URL estático é um link que não muda e abre sempre o mesmo URL. Um URL dinâmico é um link que muda com base nas expressões ou nos parâmetros que você fornece ao configurá-lo. Ele é criado com expressões ou parâmetros avaliados dinamicamente. 

Veja a seguir exemplos de quando você pode adicionar um link estático à sua narrativa: 
+ **Em uma instrução IF, é possível usar o URL no conteúdo condicional.** Se fizer isso e uma métrica não atingir um valor esperado, o link poderá enviar o usuário para uma wiki com uma lista de práticas recomendadas para melhorar a métrica. 
+ **Você pode usar um URL estático para criar um link para outra planilha no mesmo painel ao seguir estas etapas:**

  1. Acesse a planilha para a qual você deseja criar o link.

  1. Copie o URL da folha.

  1. Retorne ao editor de narrativa e crie um link usando o URL que acabou de copiar.

Veja a seguir exemplos de quando você pode adicionar um link dinâmico à sua narrativa: 
+ **Para pesquisar um site com uma consulta ao usar as etapas apresentadas abaixo.**

  1. Crie um URL com o seguinte link.

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

     O link envia uma consulta ao Google com um texto de pesquisa que é o valor avaliado do seguinte.

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

     Se o valor de `now()` for `02/02/2020`, o link em sua narrativa conterá `https://google.com?q=2020-02-02`.
+ **Para criar um link que atualiza um parâmetro.** Para fazer isso, crie ou edite um link e defina o URL para o painel atual ou URL de análise. Em seguida, adicione a expressão que define o valor do parâmetro para a finalidade, por exemplo, `#p.myParameter=12345`. 

  Suponha que o seguinte link é o link do painel com o qual você começa.

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

  Se você adicionar uma atribuição de valor de parâmetro a ele, ele será semelhante ao seguinte.

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

  Para obter mais informações sobre os parâmetros em URLs, consulte[Como usar parâmetros em um URL](parameters-in-a-url.md).

# Trabalhar com computações de narrativas automáticas
<a name="auto-narrative-computations"></a>

Use esta seção para entender quais funções estão disponíveis ao personalizar uma narrativa automática. Você só precisa personalizar uma narrativa se deseja alterar ou criar na computação padrão.

Após criar uma narrativa automática, o editor de expressões abrirá. Também é possível ativar o editor de expressões selecionando o menu do visual e a opção **Customize Narrative (Personalizar narrativa)**. Para adicionar uma computação ao usar o editor de expressões, selecione **\$1 Add computation (\$1 Adicionar computação)**.

É possível usar a seguinte expressão de código para criar a narrativa automática. Estão disponíveis na lista **Insert code (Inserir código)**. As instruções de código podem ser exibidas em linha (em uma frase) ou como um bloco (em uma lista).
+ Expressão: crie sua própria expressão de código.
+ IF: uma instrução IF que inclui uma expressão após avaliar uma condição. 
+ FOR: uma instrução FOR que percorre os valores. 

É possível usar as seguintes computações para criar a narrativa automática. É possível usar o editor de expressões sem editar nenhuma sintaxe, mas você também poderá personalizá-la, se quiser. Para interagir com a sintaxe, abra o widget computacional no editor de expressões de narrativa automática.

**Topics**
+ [Detecção de anomalias baseada em ML para discrepâncias](anomaly-detection-function.md)
+ [Computação dos produtos com menor rotatividade](bottom-movers-function.md)
+ [Computação dos piores classificados](bottom-ranked-function.md)
+ [Previsão baseada em ML](forecast-function.md)
+ [Computação da taxa de crescimento](growth-rate-function.md)
+ [Computação do máximo](maximum-function.md)
+ [Computação da comparação métrica](metric-comparison-function.md)
+ [Computação do mínimo](minimum-function.md)
+ [Computação do período sobre período](period-over-period-function.md)
+ [Computação dos acumulados no período](period-to-date-function.md)
+ [Computação dos produtos com maior rotatividade](top-movers-function.md)
+ [Computação das melhores classificações](top-ranked-function.md)
+ [Computação da agregação total](total-aggregation-function.md)
+ [Computação de valores exclusivos](unique-values-function.md)

# Detecção de anomalias baseada em ML para discrepâncias
<a name="anomaly-detection-function"></a>

A computação de detecção de anomalias desenvolvida por ML pesquisa anomalias em seus dados. Por exemplo, é possível detectar as três principais discrepâncias do total de vendas de 3 de janeiro de 2019. Se você habilitar a análise de contribuição, também poderá detectar os principais direcionadores de cada discrepância. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**, pelo menos uma medida no campo **Values (Valores)** e pelo menos uma dimensão no campo **Categories (Categorias)**. A tela de configuração fornece uma opção para analisar a contribuição de outros campos como direcionadores principais, mesmo que esses campos não estejam nas fontes de campos.

Para obter mais informações, consulte [Detectar discrepâncias com a detecção de anomalias baseada em ML](anomaly-detection.md).

**nota**  
Não é possível adicionar a detecção de anomalias desenvolvida com ML a outra computação, e não é possível adicionar outra computação a uma detecção de anomalias.

## Saídas das computações
<a name="anomaly-detection-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome que você fornece ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Você pode usar itens exibidos em **`bold monospace font`** depois da narrativa. 
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `categoryFields`: da fonte do campo **Categorias**.
  + `name`: o nome de exibição formatado do campo.
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `itemsCount`: o número de itens incluídos na computação.
+ `items`: itens anômalos.
  + `timeValue`: os valores na dimensão de data.
    + `value`: o campo de data e hora no momento da anomalia (discrepância).
    + `formattedValue`— O valor formatado no date/time campo no ponto da anomalia.
  + `categoryName`: o nome real da categoria (cat1, cat2 e assim por diante).
  + `direction`: a direção no eixo x ou no eixo y que é identificada como anômala, `HIGH` ou `LOW`. `HIGH` significa “maior do que o esperado”. `LOW` significa “menor do que o esperado”. 

    Ao iterar em itens, `AnomalyDetection.items[index].direction` pode conter `HIGH` ou `LOW`. Por exemplo, `AnomalyDetection.items[index].direction='HIGH'` ou `AnomalyDetection.items[index].direction=LOW`. `AnomalyDetection.direction` pode ter uma string vazia para `ALL`. Um exemplo é `AnomalyDetection.direction=''`. 
  + `actualValue`: o valor real da métrica no momento da anomalia ou discrepância.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
  + `expectedValue`: o valor esperado da métrica no momento da anomalia (discrepância).
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.

# Computação dos produtos com menor rotatividade
<a name="bottom-movers-function"></a>

A computação de movimentações inferiores conta o número solicitado de categorias por data na parte inferior da classificação do conjunto de dados da narrativa automática. Por exemplo, é possível criar uma computação para encontrar os três produtos menos vendidos, por receita de vendas.

Para usar essa função, pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos uma dimensão no campo **Categories (Categorias)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar.

*Categoria*   
A dimensão da categoria que você deseja classificar.

*Valor*   
A medida agregada na qual a computação é baseada.

*Number of movers (Número de transportadores)*   
O número de resultados classificados que você quer exibir.

*Order by (Ordenar por)*   
A ordem que você quer usar: diferença percentual ou diferença absoluta.

## Saídas das computações
<a name="bottom-movers-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 

**nota**  
Esses são os mesmos parâmetros de saída que os retornados pela computação de produtos com maior rotatividade.
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `categoryField`: da fonte do campo **Categorias**.
  + `name`: o nome de exibição formatado do campo.
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `startTimeValue`: o valor na dimensão da data.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `endTimeValue`: o valor na dimensão da data.
  + `value`: o valor bruto.
  + `formattedValue`: o valor absoluto formatado pelo campo de data e hora.
+ `itemsCount`: o número de itens incluídos na computação.
+ `items`: itens de movimentação inferior.
  + `categoryField`: o campo da categoria.
    + `value`: o valor (conteúdo) do campo da categoria.
    + `formattedValue`: o valor formatado (conteúdo) do campo da categoria. Se o campo for nulo, ele exibirá '`NULL`'. Se o campo estiver vazio, ele exibirá '`(empty)`'.
  + `currentMetricValue`: o valor atual para o campo da métrica.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
  + `previousMetricValue`: o valor anterior para o campo da métrica.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
  + `percentDifference`: a diferença percentual entre os valores atuais e anteriores do campo da métrica.
    + `value`: o valor bruto do cálculo da diferença percentual.
    + `formattedValue`: o valor formatado da diferença percentual (por exemplo, -42%).
    + `formattedAbsoluteValue`: o valor absoluto formatado da diferença percentual (por exemplo, 42%).
  + `absoluteDifference`: a diferença absoluta entre os valores atuais e anteriores do campo da métrica.
    + `value`: o valor bruto do cálculo da diferença absoluta.
    + `formattedValue`: a diferença absoluta formatada pelas configurações das preferências de formato do campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto da diferença formatada pelo campo da métrica.

# Computação dos piores classificados
<a name="bottom-ranked-function"></a>

A computação de classificação inferior calcula o número solicitado de categorias por valor que estão na parte inferior da classificação do conjunto de dados da narrativa automática. Por exemplo, é possível criar uma computação para encontrar os três estados com menor receita de vendas.

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Categories (Categorias)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Categoria*   
A dimensão da categoria que você deseja classificar.

*Valor*   
A medida agregada na qual a computação é baseada.

*Number of results (Número de resultados)*   
O número de resultados classificados que você quer exibir.

## Saídas das computações
<a name="bottom-ranked-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 

**nota**  
Esses são os mesmos parâmetros de saída que os retornados pela computação de classificação superior.
+ `categoryField`: da fonte do campo **Categorias**.
  + `name`: o nome de exibição formatado do campo.
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `itemsCount`: o número de itens incluídos na computação.
+ `items`: Itens de classificação inferior.
  + `categoryField`: o campo da categoria.
    + `value`: o valor (conteúdo) do campo da categoria.
    + `formattedValue`: o valor formatado (conteúdo) do campo da categoria. Se o campo for nulo, ele exibirá '`NULL`'. Se o campo estiver vazio, ele exibirá '`(empty)`'.
  + `metricValue`: o campo da métrica.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.

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

A captura de tela a seguir mostra a configuração padrão para a computação dos piores classificados.

![\[Configuração padrão para a computação dos piores classificados.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/bottom-ranked-computation.png)


# Previsão baseada em ML
<a name="forecast-function"></a>

A computação da previsão desenvolvida com ML prevê métricas futuras com base em padrões de métricas anteriores por sazonalidade. Por exemplo, você pode criar uma computação para prever a receita total dos próximos seis meses.

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**. 

Para obter mais informações sobre como trabalhar com previsões, consulte [Previsão e criação de cenários hipotéticos com o Amazon Quick Sight](forecasts-and-whatifs.md).

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar.

*Valor*   
A medida agregada na qual a computação é baseada.

*Periods forward (Períodos posteriores)*   
O número de períodos no futuro que você deseja prever. Varia de 1 a 1.000.

*Periods backward (Períodos anteriores)*   
O número de períodos no passado nos quais você deseja basear sua previsão. Varia de 0 a 1.000.

*Seasonality (Sazonalidade)*   
O número de estações inclusas no ano calendário. A configuração padrão, **automatic (automático)** detecta isso para você. Varia de 1 a 180.

## Saídas das computações
<a name="forecast-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `metricValue`: o valor na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `timeValue`: o valor na dimensão da data.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da data.
+ `relativePeriodsToForecast`: o número relativo de períodos entre o registro de data e hora mais recente e o último registro de previsão.

# Computação da taxa de crescimento
<a name="growth-rate-function"></a>

A computação da taxa de crescimento compara valores ao longo de períodos. Por exemplo, é possível criar uma computação para encontrar a taxa de crescimento composta por três meses de vendas, expressada em uma porcentagem.

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar.

*Valor*   
A medida agregada na qual a computação é baseada.

*Number of periods (Número de períodos)*   
O número de períodos no futuro que você deseja usar para computar a taxa de crescimento.

## Saídas das computações
<a name="growth-rate-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `previousMetricValue`: o valor anterior na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `previousTimeValue`: o valor anterior na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `compoundedGrowthRate`: a diferença percentual entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença percentual.
  + `formattedValue`: o valor formatado da diferença percentual (por exemplo, -42%).
  + `formattedAbsoluteValue`: o valor absoluto formatado da diferença percentual (por exemplo, 42%).
+ `absoluteDifference`: a diferença absoluta entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença absoluta.
  + `formattedValue`: a diferença absoluta formatada pelas configurações das preferências de formato do campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto da diferença formatada pelo campo da métrica.

# Computação do máximo
<a name="maximum-function"></a>

A computação máxima localiza a dimensão máxima por valor. Por exemplo, é possível criar uma computação para localizar o mês com a receita mais alta. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar.

*Valor*   
A medida agregada na qual a computação é baseada.

## Saídas das computações
<a name="maximum-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 

**nota**  
Esses são os mesmos parâmetros de saída que os retornados pela computação mínima.
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `metricValue`: o valor na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `timeValue`: o valor na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.

# Computação da comparação métrica
<a name="metric-comparison-function"></a>

A computação de comparação de métrica compara valores em medidas diferentes. Por exemplo, é possível criar uma computação para comparar dois valores, como as vendas reais comparadas às metas de vendas. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos duas medidas no campo **Values (Valores)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar.

*Valor*   
A medida agregada na qual a computação é baseada.

*Target value (Valor de destino)*   
O campo que você deseja comparar com o valor.

## Saídas das computações
<a name="metric-comparison-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `fromMetricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `fromMetricValue`: o valor na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `toMetricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `toMetricValue`: o valor atual na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `timeValue`: o valor na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `percentDifference`: a diferença percentual entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença percentual.
  + `formattedValue`: o valor formatado da diferença percentual (por exemplo, -42%).
  + `formattedAbsoluteValue`: o valor absoluto formatado da diferença percentual (por exemplo, 42%).
+ `absoluteDifference`: a diferença absoluta entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença absoluta.
  + `formattedValue`: a diferença absoluta formatada pelas configurações das preferências de formato do campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto da diferença formatada pelo campo da métrica.

# Computação do mínimo
<a name="minimum-function"></a>

A computação mínima encontra a dimensão mínima por valor. Por exemplo, é possível criar uma computação para encontrar o mês com a receita mais baixa. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar.

*Valor*   
A medida agregada na qual a computação é baseada.

## Saídas das computações
<a name="maximum-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 

**nota**  
Esses são os mesmos parâmetros de saída que os retornados pela computação máxima.
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `metricValue`: o valor na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `timeValue`: o valor na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.

# Computação do período sobre período
<a name="period-over-period-function"></a>

A computação período a período compara valores de dois períodos diferentes. Por exemplo, você pode criar uma computação para descobrir quanto as vendas aumentaram ou diminuíram desde o período anterior. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar. 

*Valor*   
A medida agregada na qual a computação é baseada. 

## Saídas das computações
<a name="period-over-period-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `previousMetricValue`: o valor anterior na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `previousTimeValue`: o valor anterior na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `currentMetricValue`: o valor atual na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `currentTimeValue`: o valor atual na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `percentDifference`: a diferença percentual entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença percentual.
  + `formattedValue`: o valor formatado da diferença percentual (por exemplo, -42%).
  + `formattedAbsoluteValue`: o valor absoluto formatado da diferença percentual (por exemplo, 42%).
+ `absoluteDifference`: a diferença absoluta entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença absoluta.
  + `formattedValue`: a diferença absoluta formatada pelas configurações das preferências de formato do campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto da diferença formatada pelo campo da métrica.

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

**Criar uma computação do período sobre período**

1. Na análise que você deseja alterar, escolha **Adicionar insight**.

1. Em **Tipo de computação**, escolha **Período sobre período** e, em seguida, **Selecionar**.

1. No novo insight que você criou, adicione os campos de dimensão temporal e dimensão de valor que você deseja comparar. Na captura de tela abaixo, `Order Date` e `Sales (Sum)` são adicionados ao insight. Com esses dois campos selecionados, o Quick Sight mostra as vendas acumuladas no ano mais recente e a diferença percentual em comparação com o mês anterior.  
![\[alt text not found\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Opcional) Para personalizar ainda mais o insight, abra o menu visual e escolha **Personalizar narrativa**. Na janela **Editar narrativa** exibida, arraste e solte os campos de que você precisa da lista **Computações** e, em seguida, escolha **Salvar**.

# Computação dos acumulados no período
<a name="period-to-date-function"></a>

A computação do período até o momento avalia os valores para um período especificado. Por exemplo, você pode criar um cálculo para descobrir quanto você ganhou em year-to-date vendas. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Data*   
A dimensão de data que você deseja classificar. 

*Valor*   
A medida agregada na qual a computação é baseada. 

*Time granularity (Granularidade de tempo)*   
A granularidade de data que você deseja usar para a computação, por exemplo, acumulados no ano.

## Saídas das computações
<a name="period-to-date-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 
+ `timeField`: da fonte do campo **Hora**. 
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `metricField`: da fonte do campo **Valores**. 
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `previousMetricValue`: o valor anterior na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `previousTimeValue`: o valor anterior na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `currentMetricValue`: o valor atual na dimensão da métrica.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
+ `currentTimeValue`: o valor atual na dimensão de data e hora.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `periodGranularity`: a granularidade do período para esse cálculo (**MÊS**, **ANO** e assim por diante).
+ `percentDifference`: a diferença percentual entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença percentual.
  + `formattedValue`: o valor formatado da diferença percentual (por exemplo, -42%).
  + `formattedAbsoluteValue`: o valor absoluto formatado da diferença percentual (por exemplo, 42%).
+ `absoluteDifference`: a diferença absoluta entre os valores atuais e anteriores do campo da métrica.
  + `value`: o valor bruto do cálculo da diferença absoluta.
  + `formattedValue`: a diferença absoluta formatada pelas configurações das preferências de formato do campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto da diferença formatada pelo campo da métrica.

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

**Criar uma computação de acumulados no período**

1. Na análise que você deseja alterar, escolha **Adicionar insight**.

1. Em **Tipo de computação**, escolha **Acumulados no período** e, em seguida, **Selecionar**.

1. No novo insight que você criou, adicione os campos de dimensão do tempo e dimensão do valor que deseja comparar. Na captura de tela abaixo, `Order Date` e `Sales (Sum)` são adicionados ao insight. Com esses dois campos selecionados, o Quick Sight mostra as vendas acumuladas no ano mais recente e a diferença percentual em comparação com o mês anterior.  
![\[alt text not found\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/periodOverPeriod1.png)

1. (Opcional) Para personalizar ainda mais o insight, abra o menu visual e escolha **Personalizar narrativa**. Na janela **Editar narrativa** exibida, arraste e solte os campos de que você precisa da lista **Computações** e, em seguida, escolha **Salvar**.

# Computação dos produtos com maior rotatividade
<a name="top-movers-function"></a>

A computação dos produtos com maior rotatividade conta o número solicitado de categorias por data que estão classificados na parte superior do conjunto de dados da narrativa automática. Por exemplo, é possível criar uma computação para encontrar os principais produtos por receita de vendas por determinado período.

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos uma dimensão no campo **Categories (Categorias)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Categoria*   
A dimensão da categoria que você deseja classificar. 

*Valor*   
A medida agregada na qual a computação é baseada. 

*Number of results (Número de resultados)*   
O número de itens de classificação superior que você deseja encontrar.

## Saídas das computações
<a name="top-movers-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 

**nota**  
Esses são os mesmos parâmetros de saída que os retornados pela computação de transportadores inferiores.
+ `timeField`: da fonte do campo **Hora**.
  + `name`: o nome de exibição formatado do campo.
  + `timeGranularity`: a granularidade do campo de hora (**DIA**, **ANO** e assim por diante).
+ `categoryField`: da fonte do campo **Categorias**.
  + `name`: o nome de exibição formatado do campo.
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `startTimeValue`: o valor na dimensão da data.
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo de data e hora.
+ `endTimeValue`: o valor na dimensão da data.
  + `value`: o valor bruto.
  + `formattedValue`: o valor absoluto formatado pelo campo de data e hora.
+ `itemsCount`: o número de itens incluídos na computação.
+ `items`: Itens de movimentação superior.
  + `categoryField`: o campo da categoria.
    + `value`: o valor (conteúdo) do campo da categoria.
    + `formattedValue`: o valor formatado (conteúdo) do campo da categoria. Se o campo for nulo, ele exibirá '`NULL`'. Se o campo estiver vazio, ele exibirá '`(empty)`'.
  + `currentMetricValue`: o valor atual para o campo da métrica.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
  + `previousMetricValue`: o valor anterior para o campo da métrica.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.
  + `percentDifference`: a diferença percentual entre os valores atuais e anteriores do campo da métrica.
    + `value`: o valor bruto do cálculo da diferença percentual.
    + `formattedValue`: o valor formatado da diferença percentual (por exemplo, -42%).
    + `formattedAbsoluteValue`: o valor absoluto formatado da diferença percentual (por exemplo, 42%).
  + `absoluteDifference`: a diferença absoluta entre os valores atuais e anteriores do campo da métrica.
    + `value`: o valor bruto do cálculo da diferença absoluta.
    + `formattedValue`: a diferença absoluta formatada pelas configurações das preferências de formato do campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto da diferença formatada pelo campo da métrica.

# Computação das melhores classificações
<a name="top-ranked-function"></a>

A computação de classificação superior localiza as dimensões melhor classificadas por valor. Por exemplo, é possível criar uma computação para localizar os três estados com maior receita de vendas. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Categories (Categorias)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Categoria*   
A dimensão da categoria que você deseja classificar. 

*Valor*   
A medida agregada na qual a computação é baseada. 

*Number of results (Número de resultados)*   
O número de itens de classificação superior que você quer encontrar.

## Saídas das computações
<a name="top-ranked-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 

**nota**  
Esses são os mesmos parâmetros de saída que os retornados pela computação de classificação inferior.
+ `categoryField`: da fonte do campo **Categorias**.
  + `name`: o nome de exibição formatado do campo.
+ `metricField`: da fonte do campo **Valores**.
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `itemsCount`: o número de itens incluídos na computação.
+ `items`: Itens de classificação superior.
  + `categoryField`: o campo da categoria.
    + `value`: o valor (conteúdo) do campo da categoria.
    + `formattedValue`: o valor formatado (conteúdo) do campo da categoria. Se o campo for nulo, ele exibirá '`NULL`'. Se o campo estiver vazio, ele exibirá '`(empty)`'.
  + `metricValue`: o campo da métrica.
    + `value`: o valor bruto.
    + `formattedValue`: o valor formatado pelo campo da métrica.
    + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.

# Computação da agregação total
<a name="total-aggregation-function"></a>

A computação de agregação total cria um total geral do valor. Por exemplo, é possível criar uma computação para encontrar a receita total. 

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Time (Tempo)** e pelo menos uma medida no campo **Values (Valores)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Valor*   
A medida agregada na qual a computação é baseada. 

## Saídas das computações
<a name="total-aggregation-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 
+ `categoryField`: o campo da categoria. 
  + `name`: o nome de exibição do campo da categoria.
+ `metricField`: da fonte do campo **Valores**. 
  + `name`: o nome de exibição formatado do campo.
  + `aggregationFunction`: a agregação usada para a métrica (**SUM**, **AVG** e assim por diante).
+ `totalAggregate`: o valor total da agregação de métricas. 
  + `value`: o valor bruto.
  + `formattedValue`: o valor formatado pelo campo da métrica.
  + `formattedAbsoluteValue`: o valor absoluto formatado pelo campo da métrica.

# Computação de valores exclusivos
<a name="unique-values-function"></a>

A computação de valores exclusivos conta os valores exclusivos de um campo de categoria. Por exemplo, você pode criar uma computação para contar o número de valores exclusivos em uma dimensão, como quantos clientes você tem

Para usar essa função, você precisa de pelo menos uma dimensão no campo **Categories (Categorias)**. 

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

*name*   
Um nome descritivo exclusivo que você atribui ou altera. Um nome será atribuído se você não criar o seu próprio. Você poderá editar isso mais tarde.

*Categoria*   
A dimensão da categoria que você deseja classificar. 

## Saídas das computações
<a name="unique-values-computation-outputs"></a>

Cada função gera um conjunto de parâmetros de saída. Você pode adicionar essas saídas às narrativas automáticas para personalizar a exibição. Você também pode adicionar seu próprio texto personalizado. 

Para localizar os parâmetros de saída, abra a guia **Computations (Computações)** à direita, e localize a computação que você deseja usar. Os nomes das computações derivam do nome fornecido ao criar o insight. Escolha o parâmetro de saída clicando nele apenas uma vez. Se você clicar duas vezes, a mesma saída será adicionada duas vezes. Os itens exibidos em **negrito** podem ser usados na narrativa. 
+ `categoryField`: o campo da categoria. 
  + `name`: o nome de exibição do campo da categoria.
+ `uniqueGroupValuesCount`: o número de valores exclusivos incluídos na computação. 

# Detectar discrepâncias com a detecção de anomalias baseada em ML
<a name="anomaly-detection"></a>

O Amazon Quick Sight usa a tecnologia comprovada da Amazon para executar continuamente a detecção de anomalias com base em ML em milhões de métricas para descobrir tendências e discrepâncias ocultas em seus dados. Essa ferramenta permite obter insights aprofundados que geralmente estão ocultos nos agregados e não podem ser escalados com análise manual. Com a detecção de anomalias desenvolvida por ML, você pode encontrar discrepâncias nos dados sem a necessidade de análise manual, desenvolvimento personalizado ou conhecimento do domínio do ML. 

O Amazon Quick Sight notifica você em suas imagens se detectar que você pode analisar uma anomalia ou fazer alguma previsão em seus dados. 

A funcionalidade de detecção de anomalias não está disponível na região Europa (Zurique) `eu-central-2`.

**Importante**  
A detecção de anomalias desenvolvida por ML é uma tarefa de computação intensa. Antes de começar a usá-la, você pode ter uma ideia dos custos analisando a quantidade de dados que deseja usar. Oferecemos um modelo de definição de preço por níveis com base no número de métricas processadas por mês. 

**Topics**
+ [Conceitos da detecção de anomalias ou discrepâncias](anomaly-detection-outliers-and-key-drivers.md)
+ [Configurar a detecção de anomalias baseada em ML para análise de discrepâncias](anomaly-detection-using.md)
+ [Explorar discrepâncias e principais fatores com detecção de anomalias e análise de contribuição baseadas em ML](anomaly-exploring.md)

# Conceitos da detecção de anomalias ou discrepâncias
<a name="anomaly-detection-outliers-and-key-drivers"></a>

O Amazon Quick Sight usa a palavra *anomalia* para descrever pontos de dados que estão fora de um padrão geral de distribuição. Há muitas outras palavras para anomalias, que é um termo científico, incluindo discrepâncias, desvios, idiossincrasias, exceções, irregularidades, peculiaridades e muitos mais. O termo que você usa pode ser baseado no tipo de análise que você faz ou no tipo de dados que você usa, ou mesmo apenas na preferência de seu grupo. Esses pontos de dados discrepantes representam uma entidade, uma pessoa, um lugar, uma coisa ou um tempo, que é excepcional de alguma forma. 

Os humanos reconhecem padrões facilmente e detectam coisas que não são iguais às outras. Nossos sentidos fornecem essas informações para nós. Se o padrão for simples e houver apenas poucos dados, você poderá fazer um gráfico facilmente para destacar as discrepâncias em seus dados. Alguns exemplos simples incluem:
+ Um balão vermelho em um grupo de azuis
+ Um cavalo de corrida que está muito à frente dos outros
+ Uma criança que não está prestando atenção à aula
+ Um dia em que os pedidos online estão ativos, mas o envio está inativo.
+ Uma pessoa que se recuperou, enquanto outras não

Alguns pontos de dados representam um evento significativo, e outros representam uma ocorrência aleatória. A análise revela quais dados vale a pena investigar com base em quais fatores de direcionamento (principais direcionadores) contribuíram para o evento. Perguntas são essenciais para a análise dos dados. Por que isso aconteceu? Com o que isso está relacionado? Aconteceu apenas uma ou várias vezes? O que você pode fazer para encorajar ou desencorajar mais essas ocorrências? 

Compreender como e por que existe uma variação e se existe um padrão nas variações, requer mais análise. Sem a ajuda do machine learning, cada pessoa pode chegar a uma conclusão diferente, porque as pessoas têm experiência e informações diferentes. Portanto, cada pessoa pode tomar uma decisão de negócios ligeiramente diferente. Se houver muitos dados ou variáveis a serem considerados, isso pode exigir uma grande quantidade de análise. 

A detecção de anomalias desenvolvida por ML identifica as causas e correlações para permitir que você tome decisões baseadas em dados. Você ainda tem controle sobre como definir como quer que o trabalho funcione em seus dados. Você pode especificar seus próprios parâmetros e escolher opções adicionais, como identificar os principais direcionadores em uma análise de contribuição. Você pode usar as configurações padrão. A seção a seguir demonstra detalhadamente o processo de configuração e fornece explicações para as opções disponíveis. 

# Configurar a detecção de anomalias baseada em ML para análise de discrepâncias
<a name="anomaly-detection-using"></a>

Use os procedimentos nas seções a seguir para começar a detectar discrepâncias e anomalias, bem como identificar os principais fatores que contribuem para elas.

**Topics**
+ [Como visualizar notificações de anomalias e previsões](anomaly-detection-adding-from-visuals.md)
+ [Como adicionar um insight de ML para detectar discrepâncias e os principais fatores](anomaly-detection-adding-anomaly-insights.md)
+ [Como usar a análise de contribuição para os principais fatores](anomaly-detection-adding-key-drivers.md)

# Como visualizar notificações de anomalias e previsões
<a name="anomaly-detection-adding-from-visuals"></a>

O Amazon Quick Sight notifica você em um visual onde detecta uma anomalia, os principais fatores ou uma oportunidade de previsão. Você pode seguir as mensagens para configurar a detecção ou a previsão de anomalias com base nos dados desse elemento visual.

1. Em um gráfico de linhas existente, procure uma notificação de insight no menu do widget visual. 

1. Escolha o ícone da lâmpada para exibir a notificação.

1. Se quiser obter mais informações sobre o insight de ML, siga as mensagens na tela para adicionar um insight de ML.

# Como adicionar um insight de ML para detectar discrepâncias e os principais fatores
<a name="anomaly-detection-adding-anomaly-insights"></a>

Você pode adicionar um insight de ML que detecte *anomalias*, que são discrepâncias aparentemente significativas. Para começar, crie um widget, também conhecido como *narrativa automática*, para seu insight. Ao configurar suas opções, você pode ver uma captura de tela limitada do seu insight no painel de **Visualização** à direita da tela.

No seu widget de insights, você pode adicionar até cinco campos de dimensão que não sejam campos calculados. Nos poços de campo, os valores de **Categorias** representam os valores dimensionais que o Amazon Quick Sight usa para dividir a métrica. Por exemplo, digamos que você esteja analisando a receita em todas as categorias de produtos e produtos SKUs. Existem 10 categorias de produtos, cada uma com 10 produtos SKUs. O Amazon Quick Sight divide a métrica pelas 100 combinações exclusivas e executa a detecção de anomalias em cada combinação da divisão.

O procedimento a seguir mostra como fazer isso e como adicionar análise de contribuição para detectar os principais fatores que estão causando cada anomalia. Você pode adicionar a análise de contribuição posteriormente, conforme descrito em [Como usar a análise de contribuição para os principais fatores](anomaly-detection-adding-key-drivers.md).

**Configurar a análise de discrepâncias, incluindo os principais fatores**

1. Abra sua análise e, na barra de ferramentas, selecione **Insights** e depois **Adicionar**. Na lista, selecione **Anomaly detection (Detecção de anomalias)** e **Select (Selecionar)**.

1. Siga o prompt de tela no novo widget, que diz para você escolher campos para o insight. Adicione pelo menos uma data, uma medida e uma dimensão. 

1. Escolha **Get started (Começar a usar)** no widget. A tela de configuração é exibida.

1. Em **Opções de computação**, escolha os valores para as opções a seguir.

   1. Em **Combinações a serem analisadas**, selecione uma das seguintes opções:

      1. **Hierárquico**

         Escolha esta opção se quiser analisar os campos hierarquicamente. Por exemplo, se você escolher uma data (T), uma medida (N) e três categorias de dimensão (C1, C2 e C3), o Quick Sight analisará os campos hierarquicamente, conforme mostrado a seguir.

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

      1. **Exato**

         Escolha esta opção se quiser analisar somente a combinação exata dos campos na fonte do campo Categoria, conforme listados. Por exemplo, se você escolher uma data (T), uma medida (N) e três categorias de dimensão (C1, C2 e C3), o Quick Sight analisará somente a combinação exata dos campos de categoria na ordem em que estão listados, conforme mostrado a seguir.

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

      1. **Todos**

         Escolha esta opção se quiser analisar todas as combinações de campos na fonte do campo Categoria. Por exemplo, se você escolher uma data (T), uma medida (N) e três categorias de dimensão (C1, C2 e C3), o Quick Sight analisará todas as combinações de campos, conforme mostrado a seguir.

         ```
         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 você escolher apenas uma data e uma medida, o Quick Sight analisará os campos por data e depois por medida.

      Na seção **Campos a serem analisados**, você pode ver uma lista de campos das fontes dos campos para fins de referência.

   1. Em **Nome**, insira um nome alfanumérico descritivo sem espaços ou escolha o valor padrão. Isso fornece um nome para a computação.

      Se você planejar editar a narrativa exibida automaticamente no widget, poderá usar o nome para identificar o cálculo desse widget. Personalize o nome caso planeje editar a narrativa automática e tenha outros cálculos semelhantes na sua análise.

1. Na seção **Opções de exibição**, escolha as opções a seguir para personalizar o que é exibido no seu widget de insights. Você ainda pode explorar todos os seus resultados, independentemente do que exibir.

   1. **Número máximo de anomalias para mostrar**: o número de discrepâncias que você deseja exibir no widget narrativo. 

   1. **Gravidade**: o nível mínimo de gravidade das anomalias que você deseja exibir no widget de insights.

      Um *nível de gravidade* é um intervalo de pontuações de anomalia caracterizado pela menor pontuação de anomalia real incluída no intervalo. Todas as anomalias com maior pontuação estão incluídas no intervalo. Se você definir a gravidade como **Baixa**, o insight exibirá todas as anomalias classificadas entre baixa e muito alta. Se você definir a gravidade como **Very high (Muito alta)**, o insight exibirá apenas as anomalias que têm as maiores pontuações de anomalia.

      Você pode definir as seguintes opções:
      + **Muito alta** 
      + **Alta e acima** 
      + **Média e acima** 
      + **Baixa e acima** 

   1. **Direção**: a direção no eixo x ou no eixo y que você deseja identificar como anômala. Você pode escolher entre as seguintes opções:
      + **Superior ao esperado** para identificar valores superiores como anomalias.
      + **Inferior ao esperado** para identificar valores inferiores como anomalias. 
      + **[TUDO]** para identificar todos os valores anômalos, altos e baixos (configuração padrão).

   1. **Delta**: insira um valor personalizado para identificar anomalias. Qualquer valor superior ao valor limite conta como uma anomalia. Os valores aqui alteram a forma como o insight funciona na sua análise. Nesta seção, você pode definir o seguinte:
      + **Valor absoluto**: o valor real a ser usado. Por exemplo, suponha que seja 48. O Amazon Quick Sight então identifica valores como anômalos quando a diferença entre um valor e o valor esperado é maior que 48. 
      + **Porcentagem**: o limite percentual a ser usado. Por exemplo, suponha que seja 12,5%. O Amazon Quick Sight então identifica valores como anômalos quando a diferença entre um valor e o valor esperado é maior que 12,5%.

   1. **Classificar por**: escolha um método de classificação para os seus resultados. Alguns métodos são baseados na pontuação de anomalias gerada pelo Amazon Quick Sight. O Amazon Quick Sight dá pontuações mais altas aos pontos de dados que parecem anômalos. Você pode usar qualquer uma das opções a seguir: 
      + **Pontuação de anomalias ponderada**: a pontuação de anomalias multiplicada pelo log do valor absoluto da diferença entre o valor real e o valor esperado. Essa pontuação é sempre um número positivo. 
      + **Pontuação de anomalias**: a pontuação de anomalias real atribuída a esse ponto de dados.
      + **Diferença ponderada do valor esperado**: a pontuação de anomalias multiplicada pela diferença entre o valor real e o valor esperado (padrão).
      + **Diferença do valor esperado**: a diferença real entre o valor real e o valor esperado (ou seja, real-esperado).
      + **Valor real**: o valor real sem nenhuma fórmula aplicada.

1. Na seção **Opções de programação**, defina a programação para executar o recálculo do insight automaticamente. A programação é executada apenas para painéis publicados. Na análise, você pode executá-lo manualmente conforme necessário. A programação inclui as seguintes configurações:
   + **Ocorrência**: a frequência de execução do recálculo que você deseja, se a cada hora, dia, semana ou mês.
   + **Início da programação**: a data e a hora para começar a executar essa programação.
   + **Fuso horário**: o fuso horário no qual a programação será executada. Para visualizar uma lista, exclua a entrada atual. 

1. Na seção **Principais colaboradores**, configure o Amazon Quick Sight para analisar os principais fatores quando uma discrepância (anomalia) for detectada.

   Por exemplo, o Amazon Quick Sight pode mostrar os principais clientes que contribuíram para um aumento nas vendas de produtos de reforma nos EUA. É possível adicionar até quatro dimensões do seu conjunto de dados. Isso inclui dimensões que você não adicionou às fontes dos campos desse widget de insights.

   Para visualizar uma lista de dimensões disponíveis para análise de contribuição, escolha **Selecionar campos**.

1. Escolha **Salvar** para confirmar suas escolhas. Selecione **Cancel (Cancelar)** para sair sem salvar.

1. No widget de insights, escolha **Executar agora** para executar a detecção de anomalias e visualizar o insight.

O tempo necessário para concluir a detecção de anomalias varia dependendo da quantidade de pontos de dados exclusivos que estão sendo analisados. O processo pode levar alguns minutos para um número mínimo de pontos, ou pode levar várias horas.

Enquanto ele estiver sendo executado em segundo plano, você poderá executar outras tarefas na análise. Certifique-se de esperar que seja concluído antes de alterar a configuração, editar a narrativa ou abrir a página **Explorar anomalias** para esse insight.

O widget de insights precisa ser executado pelo menos uma vez para que você possa ver os resultados. Se você achar que o status pode estar desatualizado, atualize a página. O insight pode ter os estados a seguir.


| Aparece na página | Status | 
| --- | --- | 
| Botão Run now (Executar agora) | O trabalho ainda não começou. | 
| Mensagem sobre Analyzing for anomalies (Analisando anomalias) | O trabalho está sendo executado no momento. | 
| Narrativa sobre as anomalias detectadas (discrepâncias)  | O trabalho foi executado com êxito. A mensagem informa quando o cálculo deste widget foi atualizado pela última vez. | 
| Ícone de alerta com um ponto de exclamação (\$1)  | Esse ícone indica que ocorreu um erro durante a última execução. Se a narrativa também for exibida, você ainda poderá usar Explore anomalies (Explorar anomalias) para usar dados da execução bem-sucedida anterior.  | 

# Como usar a análise de contribuição para os principais fatores
<a name="anomaly-detection-adding-key-drivers"></a>

O Amazon Quick Sight pode identificar as dimensões (categorias) que contribuem para valores discrepantes nas medidas (métricas) entre dois pontos no tempo. O principal fator que contribui para uma discrepância ajuda você a responder à pergunta: o que aconteceu para causar essa anomalia? 

Se você já estiver usando a detecção de anomalias sem a análise de contribuição, é possível habilitar o insight de ML existente para encontrar os principais fatores. Use o procedimento a seguir para adicionar uma análise de contribuição e identificar os principais fatores por trás das discrepâncias. Seu insight para a detecção de anomalias precisa incluir um campo de hora e pelo menos uma métrica agregada (SUM, AVERAGE ou COUNT). Você pode incluir várias categorias (campos de dimensão) se desejar, mas também pode executar a análise de contribuição sem especificar nenhuma categoria ou campo de dimensão.

Você também pode usar esse procedimento para alterar ou remover campos como principais fatores na detecção de anomalias.

**Adicionar uma análise de contribuição para identificar os principais fatores**

1. Abra sua análise e localize um insight de ML existente para a detecção de anomalias. Selecione o widget de insights para destacá-lo.

1. Escolha **Opções de menu** (**…**) no menu do elemento visual.

1. Escolha **Configurar anomalia** para editar as configurações.

1. A configuração de **análise de contribuição (opcional)** permite que o Amazon Quick Sight analise os principais fatores quando uma discrepância (anomalia) é detectada. Por exemplo, o Amazon Quick Sight pode mostrar os principais clientes que contribuíram para um aumento nas vendas de produtos de reforma nos EUA. Você pode adicionar até quatro dimensões de seu conjunto de dados, incluindo dimensões que você não adicionou à fontes de campos desse widget de insight.

   Para visualizar uma lista de dimensões disponíveis para análise de contribuição, escolha **Select fields (Selecionar campos)**.

   Se quiser alterar os campos que está usando como principais fatores, altere os campos que estão habilitados nessa lista. Se você desativar todos eles, o Quick Sight não realizará nenhuma análise de contribuição nesse insight.

1. Para salvar suas alterações, role até a parte inferior das opções de configuração e escolha **Salvar**. Selecione **Cancelar** para sair sem salvar. Para remover completamente as configurações, escolha **Excluir**.

# Explorar discrepâncias e principais fatores com detecção de anomalias e análise de contribuição baseadas em ML
<a name="anomaly-exploring"></a>

Você pode explorar interativamente as anomalias (também conhecidas como discrepâncias) em sua análise, juntamente com os contribuidores (direcionadores principais). A análise está disponível para ser explorada após a execução da detecção de anomalias baseada em ML. As alterações feitas nessa tela não serão salvas quando você voltar à análise.

Para começar, escolha **Explorar anomalias** no insight. A captura de tela a seguir mostra a tela de anomalias como ela aparece quando você a abre pela primeira vez. Neste exemplo, a análise de colaboradores é configurada e mostra dois fatores principais.

![\[Análise de anomalias mostrando os colaboradores.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/anomaly-exploration-v2.png)


Abaixo, veja o que está incluso nas seções da tela, do canto superior esquerdo ao canto inferior direito:
+ **Colaboradores** exibe os principais fatores. Para ver esta seção, é necessário ter colaboradores definidos na sua configuração de anomalias. 
+ **Controles** contém configurações para a exploração de anomalias.
+ **Número de anomalias** exibe discrepâncias detectadas ao longo do tempo. Você pode ocultar ou mostrar essa seção do gráfico.
+ **Seus nomes de campo**, para campos de categoria ou dimensão, funciona como títulos para gráficos que mostram anomalias para cada categoria ou dimensão. 

As seções a seguir fornecem informações detalhadas para cada aspecto da exploração de anomalias.

**Topics**
+ [Explorar colaboradores (principais fatores)](exploring-anomalies-key-drivers.md)
+ [Configurar controles para detecção de anomalias](exploring-anomalies-controls.md)
+ [Mostrar e ocultar anomalias por data](exploring-anomalies-by-date.md)
+ [Explorar anomalias por categoria ou dimensão](exploring-anomalies-per-category-or-dimension.md)

# Explorar colaboradores (principais fatores)
<a name="exploring-anomalies-key-drivers"></a>

Se seu insight sobre anomalias estiver configurado para detectar os principais fatores, o Quick Sight executa a análise de contribuição para determinar quais categorias (dimensões) estão influenciando os valores discrepantes. A seção **Colaboradores** aparece à esquerda. 

**Colaboradores** contém as seguintes seções:
+ **Narrativa**: no canto superior esquerdo, um resumo descreve todas as mudanças nas métricas.
+ **Configuração dos principais colaboradores**: selecione **Configurar** para alterar os colaboradores e o intervalo de datas a ser usado nessa seção.
+ **Classificar por**: define a classificação aplicada aos resultados que são exibidos abaixo. Você pode escolher entre as seguintes opções:
  + **Absolute difference (Diferença absoluta)** 
  + **Contribution percentage (Porcentagem de contribuição)** (padrão) 
  + **Deviation from expected (Desvio do esperado)** 
  + **Percentage difference (Diferença percentual)** 
+ **Resultados dos principais colaboradores**: exibe os resultados da análise dos principais colaboradores para o ponto no tempo selecionado na linha do tempo à direita. 

  A análise de contribuição identifica até quatro dos principais fatores colaboradores ou principais direcionadores de uma anomalia. Por exemplo, o Amazon Quick Sight pode mostrar os principais clientes que contribuíram para um aumento nas vendas de produtos de saúde nos EUA. Esse painel será exibido somente se você escolher incluir campos na análise de contribuição ao configurar a anomalia. 

  Se você não estiver visualizando esse painel e quiser exibi-lo, é possível ativá-lo. Para isso, acesse a análise, escolha a configuração de anomalia no menu do insight e selecione até quatro campos a serem analisados para contribuições. Se fizer alterações nos controles de planilha que excluem os fatores de contribuição, o painel **Contribuições** será fechado.

# Configurar controles para detecção de anomalias
<a name="exploring-anomalies-controls"></a>

Você pode encontrar as configurações para a detecção de anomalias na seção **Controles** da tela. Você pode abrir e fechar a seção clicando na palavra **Controles**.

As configurações incluem o seguinte:
+ **Controles**: as configurações atuais são exibidas na parte superior do espaço de trabalho. Você pode expandir a seção selecionando o ícone de seta dupla no canto direito. As configurações a seguir estão disponíveis para explorar discrepâncias geradas pela detecção de anomalias desenvolvida por ML:
  + **Gravidade**: define o nível de sensibilidade do detector às anomalias (discrepâncias) detectadas. Você deve ver mais anomalias com o limite definido como **Baixo e acima**, e menos anomalias quando o limite estiver definido como **Alto e acima**. Essa sensibilidade é determinada com base em desvios padrão da pontuação de anomalia gerada pelo algoritmo RCF. O padrão é **Médio e acima**.
  + **Direção**: a direção no eixo x ou no eixo y que você deseja identificar como anômala. O padrão é [TUDO]. Você pode escolher uma das seguintes opções:
    + Defina como **Superior ao esperado** para identificar valores mais altos como anomalias. 
    + Defina como **Inferior ao esperado** para identificar valores mais baixos como anomalias. 
    + Defina como **[TUDO]** para identificar todos os valores anômalos, altos e baixos. 
  + **Delta mínimo - valor absoluto**: insira um valor personalizado a ser usado como limite absoluto para identificar anomalias. Qualquer valor superior a isso conta como uma anomalia. 
  + **Delta mínimo - porcentagem**: insira um valor personalizado a ser usado como limite percentual para identificar anomalias. Qualquer valor superior a isso conta como uma anomalia. 
  + **Classificar por**: escolha o método que deseja aplicar às anomalias de classificação. Elas são listadas na ordem preferencial na tela. Veja a lista a seguir para obter uma descrição de cada método.
    + **Pontuação de anomalias ponderada**: a pontuação de anomalias multiplicada pelo log do valor absoluto da diferença entre o valor real e o valor esperado. Essa pontuação é sempre um número positivo.
    + **Pontuação de anomalias**: a pontuação de anomalias real atribuída a esse ponto de dados.
    + **Diferença ponderada do valor esperado**: (padrão) a pontuação de anomalias multiplicada pela diferença entre o valor real e o valor esperado.
    + **Diferença do valor esperado**: a diferença real entre o valor real e o valor esperado (real−esperado).
    + **Valor real**: o valor real sem nenhuma fórmula aplicada.
  + **Categorias**: uma ou mais configurações podem aparecer no final das outras configurações. Há um para cada campo de categoria que você adicionou à fonte do campo de categoria. Você pode usar configurações de categoria para limitar os dados que são exibidos na tela. 

# Mostrar e ocultar anomalias por data
<a name="exploring-anomalies-by-date"></a>

O gráfico **Número de anomalias** mostra as discrepâncias detectadas ao longo do tempo. Caso não veja esse gráfico, você pode exibi-lo escolhendo **MOSTRAR ANOMALIAS POR DATA**. 

Este gráfico mostra anomalias (discrepâncias) do ponto de dados mais recente nas séries temporais. Quando expandido, ele exibe os seguintes componentes:
+ **Anomalias**: o meio da tela exibe as anomalias do ponto de dados mais recente nas séries temporais. São exibidos um ou mais gráficos mostrando variações em uma métrica ao longo do tempo. Para usar esse gráfico, selecione um ponto ao longo da linha do tempo. O ponto no tempo que está selecionado atualmente é destacado no gráfico e inclui um menu oferecendo a opção de analisar as contribuições à métrica atual. Também é possível arrastar o cursor sobre a linha do tempo sem selecionar um ponto específico a fim de exibir o valor da métrica para esse ponto no tempo.
+ **Anomalias por data**: se você selecionar **MOSTRAR ANOMALIAS POR DATA**, outro gráfico será exibido para mostrar quantas anomalias significativas havia para cada ponto no tempo. Você pode ver os detalhes desse gráfico no menu de contexto de cada barra. 
+ **Ajuste da linha do tempo**: cada gráfico tem uma ferramenta de ajuste da linha do tempo abaixo das datas, que pode ser usada para comprimir, expandir ou escolher um período de visualização.

# Explorar anomalias por categoria ou dimensão
<a name="exploring-anomalies-per-category-or-dimension"></a>

A seção principal da tela **Explorar anomalias** está bloqueada no canto inferior direito da tela. Ela permanece aqui, independentemente de quantas outras seções da tela estejam abertas. Se existirem várias anomalias, você pode rolar para baixo para destacá-las. O gráfico exibe anomalias em gamas de cores e mostra onde elas ocorrem durante um período. 

![\[Tela de exploração de anomalias.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/anomaly-exploration-1.png)


Cada categoria ou dimensão tem um gráfico separado que usa o nome do campo como título do gráfico. Cada gráfico contém os seguintes componentes:
+ **Configurar alertas**: se estiver explorando anomalias em um painel, selecione esse botão para se inscrever em alertas e análises de contribuição (se estiverem configuradas). Você pode configurar os alertas para o nível de gravidade (médio, alto e assim por diante). Você pode obter os cinco alertas principais para **Higher than expected (Maiores do que o esperado)**, **Lower than expected (Menores do que o esperado)** ou ALL (TUDO). Os leitores de painel podem configurar alertas para si mesmos. A página **Explorar anomalias** não exibe esse botão se você abrir a página em uma análise.
**nota**  
A capacidade de configurar alertas está disponível somente em painéis publicados.
+ **Status**: no cabeçalho **Anomalias**, o rótulo de status exibe informações sobre a última execução. Por exemplo, você pode ver "Anomalias da receita em 17 de novembro de 2018". Esse rótulo informa quantas métricas foram processadas e há quanto tempo. Você pode selecionar o link para saber mais sobre os detalhes, como a quantidade de métricas ignoradas.

# Previsão e criação de cenários hipotéticos com o Amazon Quick Sight
<a name="forecasts-and-whatifs"></a>

Usando a previsão baseada em ML, você pode prever suas principais métricas de negócios com simplicidade. point-and-click Não é necessária experiência em machine learning. O algoritmo de ML integrado no Amazon Quick Sight foi projetado para lidar com cenários complexos do mundo real. O Amazon Quick Sight usa aprendizado de máquina para ajudar a fornecer previsões mais confiáveis do que as disponíveis pelos meios tradicionais.

Por exemplo, suponha que você seja um gerente de negócios. Suponha que você queira prever vendas para ver se atingirá sua meta até o fim do ano. Ou suponha que você espere que um grande negócio seja fechado em duas semanas e queira saber como ele vai afetar a previsão geral. 

Você pode prever a receita da sua empresa com vários níveis de sazonalidade (por exemplo, vendas com tendências semanais e trimestrais). O Amazon Quick Sight exclui automaticamente que anomalias nos dados (por exemplo, um aumento nas vendas devido à queda de preço ou promoção) influenciem a previsão. Você também não precisa limpar e repreparar os dados com valores ausentes, pois o Amazon Quick Sight trata disso automaticamente. Além disso, com previsões desenvolvidas com ML, é possível executar análises de condição interativas para determinar a trajetória de crescimento necessária para atender às metas empresariais.

## Como usar previsões e cenários de condição
<a name="using-forecasts"></a>

É possível adicionar um widget de previsão na análise existente e publicá-lo como um painel. Para analisar cenários de condição, use uma análise, e não um painel. Com a previsão baseada em ML, o Amazon Quick Sight permite que você preveja cenários complexos do mundo real, como dados com várias sazonalidades. Ele exclui automaticamente as exceções identificadas e atribui valores ausentes.

Use o procedimento a seguir para adicionar uma previsão gráfica à análise e explore cenários de condição.

Embora o procedimento a seguir seja para previsões gráficas, você também pode adicionar uma previsão como uma narrativa em um widget de insights. Para saber mais, consulte [Criação de narrativas automáticas com o Amazon Quick Sight](narratives-creating.md).

[A previsão baseada em ML não é compatível com pequenos múltiplos.](small-multiples.md) Para garantir a exibição precisa de dados e previsões, evite usar pequenos múltiplos em suas visualizações.

**Adicionar uma previsão gráfica à sua análise**

1. Crie um elemento visual que use um único campo de data e até três métricas (medidas).

1. No menu do canto superior direito do elemento visual, escolha o ícone **Opções do menu** (os três pontos) e **Adicionar previsão**.

   O Quick Sight analisa automaticamente os dados históricos usando ML e exibe uma previsão gráfica para os próximos 14 períodos. As propriedades da previsão se aplicam a todas as métricas no seu elemento visual. Se quiser previsões individuais para cada métrica, considere criar um elemento visual separado para cada métrica e adicionar uma previsão a cada uma.  
![\[Imagem de um elemento visual de gráfico de linhas com três métricas previstas.\]](http://docs.aws.amazon.com/pt_br/quick/latest/userguide/images/forecast2.png)

1. No painel **Propriedades da previsão** à esquerda, personalize uma ou mais das seguintes configurações:
   + **Duração da previsão**: defina **Períodos posteriores** para previsão ou **Períodos anteriores** para procurar padrões nos quais basear a previsão.
   + **Intervalo de previsão**: defina o intervalo estimado para a previsão. Isso altera a amplitude da faixa de possibilidades em torno da linha prevista. 
   + **Sazonalidade**: defina o número de períodos envolvidos no padrão sazonal previsível dos dados. O intervalo é de 1 a 180 e a configuração padrão é **Automática**.
   + **Limites de previsão**: defina um valor mínimo ou máximo de previsão para evitar que os valores de previsão fiquem acima ou abaixo de um valor especificado. Por exemplo, se a sua previsão prevê que o número de novas contratações que a empresa fará no próximo mês seja negativo, você pode definir um limite mínimo de previsão como zero. Isso impede que os valores previstos fiquem abaixo de zero.

   Para salvar as alterações, selecione **Apply (Aplicar)**.

   Se sua previsão contiver várias métricas, você poderá isolar uma das previsões selecionando qualquer lugar dentro da faixa laranja. Ao fazer isso, as outras previsões desaparecem. Selecione a faixa de previsão isolada novamente para que reapareçam.

1. Analise cenários de condição selecionando um ponto de dados previsto (na faixa laranja) no gráfico e selecionando **What-if analysis (Análise de condição)** no menu de contexto.

   O painel **Análise de condição** é aberto à esquerda. Defina as seguintes opções:
   + **Cenário**: defina um destino para uma data ou para um intervalo de tempo.
   + **Datas**: se estiver configurando um destino para uma data específica, insira essa data aqui. Se você estiver usando um intervalo de tempo, defina as datas de início e de término.
   + **Destino**: defina um valor de destino para a métrica.

   O Amazon Quick Sight ajusta a previsão para atingir a meta. 
**nota**  
A opção **Análise de condição** não está disponível para previsões de várias métricas. Se quiser executar um cenário de condição na sua previsão, seu elemento visual deverá conter apenas uma métrica.

1. Mantenha as alterações selecionando **Apply (Aplicar)**. Para descartá-las, feche o painel **What-if analysis (Análise de condição)**. 

   Se mantiver as alterações, você verá a nova previsão ajustada ao destino ao lado da previsão original sem a condição. 

   A análise de condição é representada no visual como um ponto na linha de métrica. Você pode passar o mouse sobre os pontos de dados na linha de previsões para ver os detalhes. 

Veja outras ações que você pode realizar:
+ Para interagir com ou remover uma análise de condição, selecione o ponto na linha de métrica. 
+ Para criar outros cenários de condição, feche a análise de condição antes de escolher um novo ponto na linha.

**nota**  
As análises de condição podem existir somente dentro de uma análise, não dentro de um painel.