本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。
# 在 Amazon Quick Sight 中使用機器學習 (ML) 取得洞見
Amazon Quick Sight 使用機器學習來協助您發現資料中的隱藏洞見和趨勢、識別關鍵驅動因素，以及預測業務指標。您也可以使用內嵌於儀表板中採用自然語言敘述的這些洞見。
使用機器學習 (ML) 和自然語言功能，Amazon Quick Sight Enterprise Edition 可讓您超越描述性和診斷分析，並啟動預測和決策。您可以一看便知資料的意涵、共享您的發現，以及探索達成目標的最佳決策。無須培養團隊和開發科技，即可建立所需的機器學習模型和演算法，達成此目標。
您可能已建置視覺效果，來回答發生什麼情況、何時發生、在哪裡發生等相關問題，並提供向下鑽研資訊，以便調查和辨識模式。藉由 ML 洞見，您可以避免耗費數小時的時間來手動分析和調查。您可以從自訂的上下文相關敘述清單 (稱為*自動敘述*) 選取上下文相關敘述，然後新增至您的分析中。除了選擇自動敘述之外，您還可以選擇檢視預測、異常，以及造成這些情況的因素。您也可以新增以純語言解釋關鍵要點的自動敘述，為貴公司提供單一的資料導向事實。
隨著時間經過且資料流經系統，Amazon Quick Sight 會持續學習，以便提供更相關的洞見。您可以決定要以其提供的資訊進行哪些動作，而不是決定資料代表哪些意義。
有了以機器學習為基礎的共享基礎，您的所有分析師和利害關係人都可以看到立基於數百萬指標的趨勢、異常、預測和自訂敘述。他們可以看到根本原因、考量預測、評估風險，以及制定明智、合理的決策。
您可以建立像這樣的儀表板，無需手動分析、無需自訂開發技能，也無需了解機器學習模型或演算法。所有此功能都內建於 Amazon Quick Sight Enterprise Edition 中。
**注意**
機器學習功能於產品內根據需要使用。主動採用機器學習的功能正是如此標示。
透過 ML Insights，Amazon Quick Sight 提供三個主要功能：
+ **採用 ML 技術的異常偵測** – Amazon Quick Sight 使用 Amazon 經過驗證的機器學習技術，持續分析所有資料以偵測異常 （極端值）。您可以辨識造成您業務指標出現重大變化的主要驅動因素，例如高於預期的銷售量或網站流量滑落。Amazon Quick Sight 在數百萬個指標和數十億個資料點上使用 Random Cut Forest 演算法。這樣做可讓您取得常埋藏於彙總資料中，無法透過手動分析存取的深入洞見。
+ **採用 ML 技術的預測** – Amazon Quick Sight 可讓非技術使用者自信地預測其關鍵業務指標。內建 ML Random Cut Forest 演算法自動處理複雜的真實情境，例如偵測季節性和趨勢，排除極端值並推算遺漏值。您可以利用簡單的點選式介面與資料互動。
+ **自動敘述** – 透過在 Amazon Quick Sight 中使用自動敘述，您可以建置具有內嵌敘述的豐富儀表板，以純語言說出您資料的故事。這樣做可讓您省下細細篩選圖表和資料表的時數，就能擷取用於報告的關鍵洞見。它也會在您的組織內對於資料凝聚共識，以便您更快制定決策。您可以使用建議的自動敘述，或自訂運算和語言，以符合您的特有需求。Amazon Quick Sight 就像提供個人資料分析師給您的所有使用者一樣。
**Topics**
+ [了解 Amazon Quick Sight 使用的 ML 演算法](concept-of-ml-algorithms.md)
+ [搭配 Amazon Quick Sight 使用 ML 洞察的資料集需求](ml-data-set-requirements.md)
+ [在 Amazon Quick Sight 中使用洞見](computational-insights.md)
+ [使用 Amazon Quick Sight 建立自動敘述](narratives-creating.md)
+ [透過採用 ML 技術的異常偵測來偵測極端值](anomaly-detection.md)
+ [使用 Amazon Quick Sight 預測和建立假設案例](forecasts-and-whatifs.md)
# 了解 Amazon Quick Sight 使用的 ML 演算法
| |
| --- |
| 您不需要任何機器學習技術經驗，即可在 Amazon Quick Sight 中使用 ML 功能。如果讀者想仔細了解此演算法的詳細資訊，本節探討此演算法的技術層面。使用其中功能不需要閱讀本資訊。 |
Amazon Quick Sight 使用內建版本的隨機剪切森林 (RCF) 演算法。下列各節說明 Amazon Quick Sight 的意義及其使用方式。
首先，我們看一下其中涉及的一些術語：
+ 異常：以相同樣本中異於其他多數為特點來描繪的事物。也稱為極端值、例外、偏差等。
+ 資料點：資料集中的一個離散單元，或者簡單地說，即一個資料列。不過，如果您對不同的維度使用量值，則一個資料列可以有多個資料點。
+ 決策樹：將評估資料模式的演算法決策過程視覺化的方式。
+ 預測：會根據目前和過去行為來預測未來行為。
+ 模型：演算法或演算法所學習結果的數學表示法。
+ 季節性：時間序列資料中週期性發生的重複行為模式。
+ 時間序欄：一個欄位或資料欄中一組已排序的日期或時間資料。
**Topics**
+ [異常偵測與預測之間有何差異？](difference-between-anomaly-detection-and-forecasting.md)
+ [什麼是 RCF？](what-is-random-cut-forest.md)
+ [RCF 如何套用到異常偵測上](how-does-rcf-detect-anomalies.md)
+ [如何套用 RCF 來產生預測](how-does-rcf-generate-forecasts.md)
+ [機器學習和 RCF 的參考](learn-more-about-machine-learning-and-rcf.md)
# 異常偵測與預測之間有何差異？
異常偵測可識別極端值及其貢獻驅動因素以回答這個問題：「發生了什麼通常不會發生的事？」 預測則會解答像是「如果每件事持續如預期發生，未來會出現什麼情況？」之類的問題。允許預測的數學也可讓我們提問「如果有些事改變了，到時出現什麼情況？」
異常偵測和預測一開始時都會檢查目前已知的資料點。Amazon Quick Sight 異常偵測從已知項目開始，因此可以建立已知集合以外的項目，並將這些資料點識別為異常 （極端值）。Amazon Quick Sight 預測會排除異常資料點，並遵循已知模式。預測專注於已建立的資料分佈模式。反之，異常偵測專注於偏離預期情況的資料點。每種方法從不同的方向來制定決策。
# 什麼是 RCF？
*隨機切割森林* (RCF) 是一種特殊類型的*隨機森林* (RF) 演算法，是機器學習中廣泛採用的成功技巧。它需要一組隨機資料點、切削成相同數量的點，然後建立一組模型。反之，模型對應到決策樹，所以稱為森林。由於 RF 無法以遞增方式輕鬆更新，因此在樹狀建構中以變數發明 RCF，目的是允許遞增更新。
RCF 為非監督演算法，使用叢集分析來偵測時間序列資料的峰值、週期性或季節性中斷，以及資料點例外。隨機切割森林可以做為動態資料串流 (或以時間編製索引的數字序列) 的概要或草圖運作。對於串流的問題，該概要可以回答。以下特點解釋串流及我們如何銜接到異常偵測和預測：
+ *串流演算法*是佔用較少記憶體的線上演算法。在線上演算法看見第 **(t\$11)-** 個點之前，會對依時間 **t** 編製索引的輸入點制定決策。佔用較少的記憶體時，靈活的演算法即能在低延遲下產生解答，並讓使用者與資料互動。
+ 在異常偵測和預測中，必須如同在*線上*演算法中，顧及時間加諸的順序。如果我們已經知道大後天將會發生什麼情況，那麼預測明天會發生什麼情況就不算是預測，而就只是插補未知的遺漏值。同樣地，今天推出的新產品可以是異常，但在下一季結束時不必然是異常。
# RCF 如何套用到異常偵測上
人類可以輕鬆區別異於其餘資料的資料點。RCF 會建置決策樹的「樹系」，然後監控新的資料點如何改變樹系，藉此跟人類做同樣的動作。
*異常*是把您的注意力從正常資料點吸引過來的資料點，想像一下在滿佈黃花田野中出現一朵紅花的影像。此「注意力轉移」編碼於樹中 (也就是 RCF 中的模型) 可能會被輸入點佔用的 (預期) 位置。此概念是建立樹系，其中每個決策樹源自於為了訓練演算法而取樣的資料分割。以更技術性的用語來說，每個決策樹會在樣本上建置特定類型的二元空間分割樹。當 Amazon Quick Sight 取樣資料時，RCF 會為每個資料點指派異常分數。它會給看來異常的資料點打更高的分數。分數大致與此樹中所產生的資料點深度成反比。隨機切割森林演算法會藉由計算出每個組成樹的平均分數，並根據樣本大小來擴充結果，以指派異常分數。
由於各模型本身即是較弱的預測器，因此會彙總不同模型的投票或分數。當資料點的分數與最近的分數明顯不同時，Amazon Quick Sight 會將資料點識別為異常。什麼情況稱得上異常，這取決於應用程式。
[在串流使用穩健的以 Random Cut Forest 為基礎的異常偵測](http://proceedings.mlr.press/v48/guha16.pdf)一文提供此先進線上異常偵測的多種範例 (時間序列異常偵測)。RCF 用於資料的接續區段或「瓦片」，其中鄰近區段中的資料會做為最近資料的內容。上一版採用 RCF 技術的異常偵測演算法會給整塊瓦片打分數。Amazon Quick Sight 中的演算法也提供目前延伸內容中異常的大致位置。在異常偵測出現延遲的情境下，此約略位置相當實用。由於任一演算都都需要將「之前察覺到的偏差」描述成「異常偏差」，因而會發生延遲，而此延遲會隨著時間發生。
# 如何套用 RCF 來產生預測
若要預測固定時間序列中的下一個值，RCF 演算法則會解答「在我們有候選值之後，最有可能完成哪些事情？」的問題。它會使用 RCF 中的單一樹來搜尋最佳候選值。由於每個樹本身即是較弱的預測器，因此會彙總不同樹的候選值。彙總值也可用於產生分位數誤差。此流程會反覆執行 **t** 次，以預測未來的第 **t** 個值。
Amazon Quick Sight 中的演算法稱為 *BIFOCAL*。它使用兩條 RCF 來建立 CALibrated BI-FOrest 架構。第一條 RCF 用於篩選出異常，並提供較弱的預測，然後以第二條 RFC 修正。整體而言，此方法提供比如 ETS 等其他廣泛可用之演算法更健全的預測。
Amazon Quick Sight 預測演算法中的參數數目遠低於其他廣泛可用的演算法。這可讓該演算法立即發揮功效，無需人工調整更龐大的時間序列資料點。隨著特定時間序列中累積更多資料，Amazon Quick Sight 中的預測可以根據資料偏離和模式變更進行調整。對於顯示趨勢的時間序列而言，會先執行趨勢偵測，以使序列固定。使用趨勢回推固定序列的預測。
由於演算法仰賴有效率的線上演算法 (RCF)，因此可支援「模擬」查詢。在這些之中，部分預測可以修改並視為假設處理，以提供有條件的預測。這是在分析時探索「模擬」情境之能力的起源。
# 機器學習和 RCF 的參考
若要進一步了解機器學習和此演算法，我們建議使用以下資源：
+ [強健的 Random Cut Forest (RRCF)：不用數學解說](https://www.linkedin.com/pulse/robust-random-cut-forest-rrcf-math-explanation-logan-wilt/)文章提供清楚易懂的解說，沒有數學方程式。
+ [*《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)一書提供徹底的機器學習概論。
+ [http://proceedings.mlr.press/v48/guha16.pdf](http://proceedings.mlr.press/v48/guha16.pdf) 是學術性論文，深入探討異常偵測和預測的技術，並附上範例。
其他服務中會出現不同的 RCF 方法 AWS 。若要探索如何在其他服務中使用 RCF，請參閱下列各項：
+ *Amazon Managed Service for Apache Flink SQL 參考：*[RANDOM\$1CUT\$1FOREST](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest.html) 和 [RANDOM\$1CUT\$1FOREST\$1WITH\$1EXPLANATION](https://docs.aws.amazon.com/kinesisanalytics/latest/sqlref/sqlrf-random-cut-forest-with-explanation.html)
+ *Amazon SageMaker 開發人員指南：*[Random Cut Forest (RCF) 演算法](https://docs.aws.amazon.com/sagemaker/latest/dg/randomcutforest.html)。[Machine Learning for Business](https://www.amazon.com/Machine-Learning-Business-Doug-Hudgeon/dp/1617295833/ref=sr_1_3) (2018 年 10 月) 中的 [The Random Cut Forest Algorithm](https://freecontent.manning.com/the-randomcutforest-algorithm/) 一章對這種方法作了解釋。
# 搭配 Amazon Quick Sight 使用 ML 洞察的資料集需求
若要開始使用 Amazon Quick Sight 的機器學習功能，您需要連線到或匯入資料。您可以使用現有的 Amazon Quick Sight 資料集或建立新的資料集。您可以值接查詢您的 SQL 相容來源，或將資料擷取到 SPICE。
資料必須擁有下列屬性：
+ 至少一個指標 (例如，銷售、訂單、出貨單位、註冊等等)。
+ 至少一個類別維度 (例如，產品類別、通路、區隔、產業等)。NULL 值的類別會遭到忽略。
+ 異常偵測至少需要 15 個資料點來進行訓練。例如，如果資料的粒紋是每日，則至少需要 15 天的資料。例如，如果資料的粒紋是每月，則至少需要 15 個月的資料。
+ 預測最適合處理更多資料。請確定您的資料集擁有足夠的歷史資料，以取得最佳結果。例如，如果資料的粒紋是每日，則至少需要 38 天的資料。例如，如果資料的粒紋是每月，則至少需要 43 個月的資料。以下為時間粒紋的要求：
+ 年：32 個資料點
+ 季：35 個資料點
+ 月：43 資料點
+ 週：35 個資料點
+ 天：38 個資料點
+ 小時：39 個資料點
+ 分鐘：46 資料點
+ 秒：46 個資料點
+ 若要分析異常或預測，至少也需要一個日期維度。
如果您沒有可以開始著手的資料集，可以下載此範例資料集：[ML Insights 範例資料集 VI](samples/ml-insights.csv.zip)。備妥資料集後，即可從該資料集建立新分析。
# 在 Amazon Quick Sight 中使用洞見
在 Amazon Quick Sight 中，您可以將ready-to-use分析運算新增至分析，做為小工具。您可以透過兩種方式使用洞見：
+ **建議的洞見**
Amazon Quick Sight 會根據對您放入視覺效果中的資料的解釋，建立建議的洞見清單。此清單會根據內容改變。換言之，您可以看到根據您新增至視覺效果的欄位，以及您所選擇的視覺效果類型而出現的不同建議。例如，如果您有的是時間序列視覺效果，您的洞見可能包括逐個期間變化、異常及預測的洞見。隨著您新增更多視覺效果至分析中，就會產生更多建議的洞見。
+ **自訂洞見**
自訂洞見可讓您用自己的文字提供 widget 中欄位內容，建立自己的運算方式。當您建立自訂洞見時，您會將該洞見新增至分析中，然後選擇您要使用的計算類型。然後您可以新增文字和格式，使外觀變成您想要的風格。您也可以新增更多欄位、計算和參數。
您可以將任何建議和自訂洞見的組合新增至分析之中，以建立最符合您用途的決策制定環境。
**Topics**
+ [新增建議的洞見](adding-suggested-insights.md)
+ [將自訂洞見新增至您的分析](adding-insights.md)
# 新增建議的洞見
請使用下列步驟，將建議的洞見新增到您的分析之中。
開始之前，請確定您的資料集符合 [搭配 Amazon Quick Sight 使用 ML 洞察的資料集需求](ml-data-set-requirements.md)中概述的準則。
1. 從新增一些欄位至視覺效果的分析開始。
1. 在左側，選擇 **Insights (洞見)**。**Insights (洞見)** 面板隨即開啟，並顯示即時可用的建議洞見清單。
每個視覺效果也會在上邊界顯示小方塊，以顯示該視覺效果有多少洞見可用。您可以選擇此方塊，來開啟 **Insights (洞見)** 面板，然後就會開啟至您最近開啟的任何檢視。
向下捲動，以預覽更多洞見。
顯示的洞見取決於您選擇加入視覺效果中的欄位的資料類型。每次變更視覺效果時，就會產生此清單。如果您進行變更，請查看 **Insights (洞見)**，以了解最新動向。若要取得特定的洞見，請參閱[將自訂洞見新增至您的分析](adding-insights.md)。
1. (選用) 開啟內有更多選項的內容選單，查看其中一項洞見。若要執行此操作，請選擇洞見右上方的省略符號 (**…**)。
每種洞見類型的選項不同。您可以互動的選項包括以下選項：
+ **變更時間序列彙總**：變更為年、季、月、週、天、小時或分鐘。
+ **分析對於指標的貢獻**：選擇要分析的貢獻因子和時間範圍。
+ **顯示全部異常**：瀏覽此時間範圍中的異常。
+ **編輯預測**：選擇預測長度、預測間隔和季節性。
+ **專注於**或**排除**：放大或縮小您的維度資料。
+ **顯示詳細資訊**：來查看更多最近的異常 (極端值) 資訊。
+ 對於洞見在您的分析中的實用性提供意見回饋。
1. 選擇洞見標題旁的加號 (**\$1**)，將建議的洞見新增至您的分析。
1. (選用) 新增洞見至您的分析後，請自訂您想要顯示的敘述。若要執行此操作，請選擇 **v** 型視覺效果選單，然後選擇**Customize narrative (自訂敘述)**。如需詳細資訊，請參閱[使用 Amazon Quick Sight 建立自動敘述](narratives-creating.md)。
如果您的洞見適用於異常 (極端值) ，您也可以變更異常偵測任務的設定。若要執行此操作，請選擇**Configure anomaly (設定異常)**。如需詳細資訊，請參閱[設定採用 ML 技術的異常偵測以進行極端值分析](anomaly-detection-using.md)。
1. (選用) 若要從您的分析中移除洞見，請從視覺效果右上方的 **v** 型視覺效果選單。然後選擇**刪除**。
# 將自訂洞見新增至您的分析
如果您不想要使用任何建議的洞見，您可以建立自己的自訂洞見。透過以下程序，建立自訂運送洞見。
1. 使用現有分析開始著手。在上層選單列上，選擇**新增\$1**。然後選擇 **Add Insight (新增洞見)**。
新洞見的容器即新增至分析。
1. 執行以下任意一項：
+ 從清單中選擇要使用的運算。選擇每個項目時，即顯示該洞見輸出的範例。當您找到要使用的洞見時，請選擇 **Select (選取)**。
+ 離開此畫面，手動自訂洞見。尚未設定的洞見具有 **Customize insight (自訂洞見)** 按鈕。選擇此按鈕開啟 **Configure narrative (設定敘述)** 畫面。如需有關使用表達式編輯器的詳細資訊，請參閱[使用 Amazon Quick Sight 建立自動敘述](narratives-creating.md)。
由於您正在開始建立洞見，因此它不是以現有的視覺效果為基礎。當新增洞見至分析時，就會顯示筆記，指出需要哪種資料才能完成您的請求。例如，可能會要求**1 dimension in Time (1 維時間)**。在此情況下，您會新增維度至 **Time (時間)** 欄位集。
1. 擁有正確資料後，請依照任何其餘的畫面提示，完成建立自訂洞見的作業。
1. (選用) 若要從您的分析中移除洞見，請從視覺效果右上方的 **v** 型視覺效果選單。然後選擇**刪除**。
# 使用 Amazon Quick Sight 建立自動敘述
*自動敘述*是自然語言摘要 widget，會顯示描述性文字，而非圖表。您可以在分析中各處內嵌這些 widget，以強調關鍵洞見和標註。您無需篩檢視覺效果、向下切入、比較數值，以及重新檢查想法，就能得出結論。您也無需嘗試了解資料的意涵，或與您的同事討論不同的解釋。您反而能夠從資料推斷結論，並在分析中顯示結論，平淡地陳述。任何人都可共享單一解釋。
Amazon Quick Sight 會自動解譯儀表板中的圖表和資料表，並以自然語言提供許多建議的洞見。您可以選擇的建議洞見皆為現成，並附上文字、計算和函數。但您也可以變更建議的洞見。您也可以設計自己的洞見。身為儀表板的作者，您擁有根據自身需求全權自訂運算和語言的彈性。您可以使用敘述，以純語言有效地述說資料的真相。
**注意**
敘述獨立於機器學習。只有在敘述中加入預測或異常 (極端值) 運算時，才會使用 ML。
**Topics**
+ [包含自動敘述的洞見](auto-narratives.md)
+ [使用敘述表達式編輯器](using-narratives-expression-editor-step-by-step.md)
+ [表達式編輯器工作區](using-narratives-expression-editor-menus.md)
+ [新增 URL](using-narratives-expression-editor-urls.md)
+ [使用自動敘述運算](auto-narrative-computations.md)
# 包含自動敘述的洞見
當您將洞見 (也稱為自動敘述) 新增至您的分析時，您可以選擇以下範本。在以下清單中，它們以範例來定義。每個定義包含讓自動敘述發揮作用所至少需要的欄位清單。如果您只使用 **Insights (洞見)** 索引標籤中建議的洞見，請選擇適當的欄位，讓洞見出現在建議的洞見清單中。
如需有關自訂自動敘述的詳細資訊，請參閱[使用自動敘述運算](auto-narrative-computations.md)。
+ **底端排名**：例如，依銷售營收列出位居底端的三個州。您在**類別**欄位集至少需要有一個維度。
+ **底端移動工具**：例如，依銷售營收列出位居底端的三項產品。您在**時間**欄位集至少需要有一個維度，在**類別**欄位集至少需要有一個維度。
+ **預測** *(採用 ML 技術的洞見)：*例如，「2016 年 1 月的總銷售額預測為 58,613 美元」。此外，他們還擁有至少一項維度，您需要在**時間**欄位。
+ **成長率**：例如，「3 個月的銷售複合成長率為 22.23%」。此外，他們還擁有至少一項維度，您需要在**時間**欄位。
+ **最大值**：例如，「最高的月份是 2014 年 11 月，銷售額為 112,326 美元」。此外，他們還擁有至少一項維度，您需要在**時間**欄位。
+ **指標比較**：例如，「2014 年 12 月的總銷售額為 90,474 美元，比 81,426 美元的目標高 10%」。您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Values (值)** 欄位集至少需要有兩個量值。
+ **最小值**：例如，「最低的月份是 2011 年 2 月，銷售額為 4,810 美元」。此外，他們還擁有至少一項維度，您需要在**時間**欄位。
+ **異常偵測** *(採用 ML 技術的洞見)*：例如，2019 年 1 月 3 日總銷售的前三項極端值及其貢獻驅動因素。您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Values (值)** 欄位集至少需要有一個量值，在 **Categories (類別)** 欄位集至少需要有一個維度。
+ **逐個期間**：例如，「2014 年 11 月的總銷售額增加 44.39% (34,532 美元)，從 77,793 美元增加到 112,326 美元」。此外，他們還擁有至少一項維度，您需要在**時間**欄位。
+ **期間至今**：例如「2014 年 11 月 30 日年初至今的銷售額增加 25.87% (132,236 美元)，從 511,236 美元增加到 643,472 美元」。此外，他們還擁有至少一項維度，您需要在**時間**欄位。
+ **頂端排名**：例如，依銷售營收列出位居頂端的三個州。您在**類別**欄位集至少需要有一個維度。
+ **頂端移動工具**：例如，依銷售營收列出 2014 年 11 月位居頂端的產品。您在**時間**欄位集至少需要有一個維度，在**類別**欄位集至少需要有一個維度。
+ **彙整總和**：例如，「總營收為 2,297,200 美元。」 您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Values (值)** 欄位集至少需要有一個量值。
+ **不重複的值**：例如，「在 `Customer_IDs` 中有 793 個不重複的值」。您在**類別**欄位集至少需要有一個維度。
# 使用敘述表達式編輯器
以下逐步解說顯示如何自訂敘述的範例。在此範例中，我們使用逐個期間運算類型。
1. 使用現有分析開始著手。新增 **逐個期間**洞見至現有分析。最簡單的方法是選擇 \$1 圖示、選擇**Add insight (新增洞見)**，然後從清單中選擇洞見類型。若要了解何種運算洞見可新增為自動敘述，請參閱[包含自動敘述的洞見](auto-narratives.md)。
選擇洞見的類型後，選擇 **Select (選取)** 來建立小工具。若要建立空白敘述，請關閉此畫面，不要選擇範本。若要依照此範例進行，請選擇 **Period over period (逐個期間)**。
如果您在新增洞見時已選取視覺效果，欄位集會有預先設定的日期、指標和類別欄位。這些設定是在建立洞見時所選擇的視覺效果。您可以視需要自訂欄位。
您僅可為新的或現有洞見 (文字型) widget 自訂敘述。由於現有的視覺效果 (圖表型) 是不同類型的 widget，因此您無法新增至現有的視覺效果。
1. 選擇視覺效果附帶選單，然後選擇 **Customize narrative (自訂敘述)**，來編輯表達式編輯器中的敘述。
在此情況下，**Computations (運算)** 是預先定義的計算 (逐個期間、期間至今、成長率、最大值、最小值、頂端移動工具等)；您可以在範本中參考這些計算，以描述您的資料。目前，Amazon Quick Sight 支援 13 種不同類型的運算，您可以將這些運算新增至洞見。在此範例中，預設為新增 **PeriodOverPeriod**，這是因為我們從建議的洞見面板中選擇 **Period Over Period (逐個期間)** 範本。
1. 選擇右下方的 **Add computation (新增運算)**，以新增新的運算，然後從清單中選擇一個運算。針對此演練，請選擇 **Growth rate (成長率)**，然後選擇 **Next (下一步)**。
1. 選擇要計算的期間數量，來設定運算。預設值為四，且適用於我們的範例。或者，您可以變更位於畫面頂端的運算名稱。然而，就我們的目的而言，請沿用此名稱。
**注意**
您建立的運算名稱在洞見中是唯一的名稱。您可以參考敘述範本中相同類型的多個運算。例如，假設您有兩個指標、銷售營收及售出的單元。如果各指標的名稱不同，您就能建立各指標的成長率運算。
不過，異常運算不相容於相同 widget 中的任何其他運算類型。異常偵測本身必須存在於洞見中。若要在相同分析中使用其他運算，請與異常分開放入洞見。
選擇 **Add (新增)** 繼續操作。
1. 展開右側的 **Computations (運算)**。屬於敘述一部分的運算則在清單中顯示。在此情況下，運算是 **PeriodOverPeriod** 和 **GrowthRate**。
1. 在工作空間中，請在最終句點後方新增下列文字：**Compounded growth rate for the last**，接著新增空格。
1. 接下來，如果要新增運算，請將您的游標放在單字 **last** 後方的空格。在右側 **GrowthRate** 下方，選擇名為 **timePeriods** 的表達式 (按一下即可新增)。
這麼做會插入表達式 **GrowthRate.timePeriods**，這是您在 **GrowthRate** 組態中設定的期間數量。
1. 以 ** days is ** (前後空格) 完成句子，並新增表達式 **GrowthRate.compoundedGrowthRate.formattedValue**，後面接著句點 (`.`)。請清單選擇表達式，而不要輸入進去。不過，您可以在新增表達式後編輯其中的內容。
![\[開啟了表達式清單的表達式編輯器。\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/narrative-add-expression.png)
**注意**
**formattedValue** 表達式會傳回根據適用於欄位上指標的格式進行格式化的字串。若要執行指標數學運算，請使用 **value**，即可傳回整數或十進位的原始值。
1. 新增有條件的陳述式和格式。請將游標放在範本最後，在 `formattedValue` 表達示之後。您可以視需要新增空格。在 **Edit narrative (編輯敘述)** 選單列上，選擇 **Insert code (插入程式碼)**，然後從清單選擇 **Inline IF (內嵌 IF)**。即開啟表達式區塊。
1. 在表達式區塊開啟後，請從表達式清單選擇 **GrowthRate**、**compoundedGrowthRate**、**value**。在表達式最後輸入 **>0**。選擇**儲存**。目前先不要移動游標。
針對條件式內容會顯示提示；請輸入 **better than expected\$1** 然後選取您剛輸入的文字，並使用頂端的格式工具列，使文字變為綠色粗體。
1. 成長率不夠好時，請重複上一步，新增另一個表達式區塊。但這次請改成 **<0**，然後輸入文字 **worse than expected**。讓文字變成紅色，而非綠色。
1. 選擇**儲存**。我們剛建立的自訂敘述看起來應如下所示。
![\[自訂敘事。\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/narrative-example-result.png)
表達式編輯器提供自訂敘述的複雜的工具。您也可以參考為分析或儀表板建立的參數，並使用一組內建函數，以進一步自訂。
**提示**
若要建立空白敘述，請使用 **\$1** 圖示新增洞見，然後 **Add insights (新增洞見)**。但不要選擇範本，只要關閉畫面。
想開始自訂敘述時，最好的方法是使用現有的範本來學習語法。
# 表達式編輯器工作區
使用表達式編輯器來自訂最符合您業務需求的敘述。下方資訊提供表達式編輯器工作區的概覽，並列出可為您的敘述設定的所有選單選項。如需說明如何建立自訂敘述的逐步說明，請參閱[使用敘述表達式編輯器](using-narratives-expression-editor-step-by-step.md)。
在畫面的右側上，您可以找到可新增到敘述的項目清單：
+ **運算**：您可以使用此項目，來從此洞見中可用的運算進行選擇。您可以展開此清單。
+ **參數**：您可以使用此項目，來從分析中存在的參數進行選擇。您可以展開此清單。
+ **函數**：您可以使用此項目，來從可新增到敘述中的函數進行選擇。您可以展開此清單。
+ **新增運算**：您可以使用此按鈕建立另一個運算。新的運算會出現在 **Computations (運算)** 清單中，並準備好新增到洞見。
您可以在敘述表達式編輯器的底部，找到隨著您作業而更新的敘述預覽。如果您在敘述中導入錯誤，或是敘述為空白，則此區域也會顯示提醒。若要查看機器學習技術的洞見預覽 (例如異常偵測或預測)，請在自訂敘述前至少執行洞見計算一次。
編輯工具位在畫面的頂端。這些工具提供以下選項：
+ **插入程式碼**：您可以從此選單插入以下程式碼區塊：
+ **表達式**：新增自由格式的表達式。
+ **內嵌 IF**：新增會與現有文字區塊同步顯示的 IF 陳述式。
+ **內嵌 FOR**：新增會與現有文字區塊同步顯示的 FOR 陳述式。
+ **區塊 IF**：新增會在個別文字區塊中顯示的 IF 陳述式。
+ **區塊 FOR**：新增會在個別文字區塊中顯示的 FOR 陳述式。
IF 和 FOR 陳述式可讓您建立有條件格式化的內容。舉例來說，您可以新增 **block IF (區塊 IF)** 陳述式，接著加以設定來將整數與運算的值比較。若要執行此作業，請使用以下步驟，此外也可參考[使用敘述表達式編輯器](using-narratives-expression-editor-step-by-step.md) 中的示範：
1. 開啟右側的運算選單，並從其中一個運算選擇其中一個以藍色反白的項目。這麼做會將項目新增到敘述。
1. 在項目上按一下即可開啟。
1. 輸入您要進行的比較。表達式看起來像這樣：`PeriodOverPeriod.currentMetricValue.value>0`。
1. 在快顯編輯器中儲存此表達式，此編輯器會提示您輸入**條件式內容**。
1. 輸入您想要在洞見中顯示的內容，並依照您想要的方式設定它的格式。或者，如果您願意，您可以新增影像或 URL，或向影像新增 URL。
+ **段落**：此選單提供讓您變更字型大小的選項：
+ **H1 Large header (H1 大型標題)**
+ H2 Header (H2 標題)
+ H3 Small header (H3 小型標題)
+ ¶1 大型段落
+ ¶2 段落
+ ¶3 小型段落
+ **字型**：您可以使用此選單匣來選擇文字格式化的選項。這些選項包含粗體、斜體、底線、刪除線、文字的前景顏色 (文字本身) 和文字的背景顏色。您可以選擇圖示來開啟選項，以及再次選取來將選項切換為關閉。
+ **格式化**：您可以使用此選單匣來選擇段落格式化的選項，包括項目符號清單、向左對齊、置中或向右對齊。您可以選擇圖示來開啟選項，以及再次選取來將選項切換為關閉。
+ **影像**：您可以使用此圖示來新增影像 URL。如果提供的連結可供存取，影像就會顯示在您的洞見中。您可以調整影像的大小。如果要根據條件顯示影像，請將影像放在 IF 區塊內。
+ **URL**：您可以使用此圖示來新增靜態或動態 URL。您也可以將 URL 新增至影像。舉例來說，您可以針對執行儀表板新增交通號誌指標影像到洞見，並附上根據紅色、琥珀色和綠色條件連結至新的表單。
# 新增 URL
您可以使用敘述表達式編輯器編輯選單上的 **URL** 按鈕，來新增靜態和動態 URL (超連結) 到敘述。您也可以使用下列鍵盤快速鍵：⌘\$1⇧\$1L 或 Ctrl\$1⇧\$1L。
靜態 URL 是不會變更的連結，一律會開啟相同的 URL。動態 URL 是會根據您在設定時提供的表達式或參數，而變更的連結。動態 URL 使用動態評估的表達式或參數建立。
以下是您在敘述中新增靜態連結的範例：
+ **在 IF 陳述式中，您可以在條件式內容中使用 URL。**如果您這麼做，但指標無法滿足預期的值，則連結可能會向使用者傳送具有最佳實務清單的 Wiki，來改善指標。
+ **您可以使用靜態 URL 來建立相同儀表板中另一個工作表的連結，方法是使用下列步驟：**
1. 前往您要建立連結的表單。
1. 複製該表單的 URL。
1. 返回敘述編輯器，並使用剛剛複製的 URL 來建立連結。
以下是您在敘述中新增動態連結的範例：
+ **若要使用查詢搜尋網站，請使用下列步驟。**
1. 使用以下連結建立 URL。
```
https://google.com?q=<>
```
此連結會以下列項目評估值的搜尋文字，向 Google 傳送查詢。
```
formatDate(now(), 'yyyy-MM-dd')
```
如果 `now()` 的值為 `02/02/2020`，則敘述上的連結會包含 `https://google.com?q=2020-02-02`。
+ **建立更新參數的連結。**若要執行此作業，請建立連結，並對目前的儀表板或分析 URL 設定 URL。接著，在結尾新增會設定參數值的表達式，例如 `#p.myParameter=12345`。
假設以下是您開始使用的儀表板連結。
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444
```
如果您對其新增參數值指派，則會如下所示。
```
https://us-east-1.quicksight.aws.amazon.com/sn/analyses/00000000-1111-2222-3333-44444444#p.myParameter=12345
```
如需 URL 中參數的詳細資訊，請參閱[在 URL 中使用參數](parameters-in-a-url.md)。
# 使用自動敘述運算
依照本節協助您了解在自訂自動敘述時可用的函數。若要變更預設預算或以預設運算建置，僅需自訂敘述。
建立自動敘述後，表達式編輯器便會開啟。您也可以選擇視覺效果選單，然後選擇 **Customize Narrative (自訂敘述)**，啟用表達式編輯器。若要在使用表達式編輯器時新增運算，請選擇 **\$1 Add computation (\$1 新增運算)**。
您可以使用下列程式碼表達式，來建置您的自動敘述。這些可以從標示為 **Insert code (插入程式碼)** 的清單中取得。代碼陳述式可以顯示內嵌 (在句子中) 或做為區塊 (在清單中) 顯示。
+ 表達式：建立您自己的程式碼表達式。
+ IF：在評估條件後包括表達式的 IF 陳述式。
+ FOR：循環使用值的 FOR 陳述式。
您可以使用下列運算，來建置您的自動敘述。您無需編輯任何語法，即可使用表達式編輯器，但您也可自訂。若要與語法互動，請在自動敘述表達式編輯器中開啟運算 widget。
**Topics**
+ [採用 ML 技術的異常偵測極端值](anomaly-detection-function.md)
+ [底端移動工具運算](bottom-movers-function.md)
+ [底端排名運算](bottom-ranked-function.md)
+ [採 ML 技術的預測](forecast-function.md)
+ [成長率運算](growth-rate-function.md)
+ [最大值運算](maximum-function.md)
+ [指標比較運算](metric-comparison-function.md)
+ [最小值運算](minimum-function.md)
+ [逐個期間運算](period-over-period-function.md)
+ [期間至今運算](period-to-date-function.md)
+ [頂端移動工具運算](top-movers-function.md)
+ [頂端排名運算](top-ranked-function.md)
+ [彙整總和運算](total-aggregation-function.md)
+ [唯一值運算](unique-values-function.md)
# 採用 ML 技術的異常偵測極端值
採用 ML 技術的異常偵測運算會搜尋您的資料是否出現極端值。例如，您可以偵測 2019 年 1 月 3 日總銷售的前三項極端值。若啟用貢獻分析，您也可以偵測每個極端值的主要驅動因素。
若要使用此函數，您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Values (值)** 欄位集至少需要一個量值，在 **Categories (類別)** 欄位集至少需要有一個維度。組態畫面提供了一個選項來分析促成主要驅動因素的其他欄位，即使這些欄位不在欄位集中也無妨。
如需詳細資訊，請參閱[透過採用 ML 技術的異常偵測來偵測極端值](anomaly-detection.md)。
**注意**
您無法將採用 ML 技術的異常偵測新增至另一個運算，而且也無法將另一個運算新增至異常偵測。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。您可以在敘述中後續使用 **`bold monospace font`** 中顯示的項目。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `categoryFields`：為**分類**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `itemsCount`：此運算中包含的項目數量。
+ `items`：異常項目。
+ `timeValue`：日期維度中的值。
+ `value`：異常點 (極端值) 的日期/時間欄位。
+ `formattedValue`：異常點日期/時間欄位中的格式化值。
+ `categoryName`：類別的實際名稱 (cat1、cat2 等)。
+ `direction`：識別為異常的 x 軸或 y 軸方向：`HIGH` 或 `LOW`。`HIGH` 表示「高於預期」。`LOW`表示「低於預期」。
逐一查看項目時，`AnomalyDetection.items[index].direction` 可以包含 `HIGH` 或 `LOW`。例如，`AnomalyDetection.items[index].direction='HIGH'` 或 `AnomalyDetection.items[index].direction=LOW`。`AnomalyDetection.direction` 針對 `ALL` 可以有一個空字串。例如，`AnomalyDetection.direction=''`。
+ `actualValue`：異常點或極端值的指標實際值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `expectedValue`：異常點 (極端值) 的指標預期值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
# 底端移動工具運算
排名最低運算會依日期計算請求的類別數量 (在自動敘述資料集排名最低)。例如，您可以建立運算，依銷售營收尋找位居底端的三項產品。
若要使用此函數，您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Categories (類別)** 欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*類別*
您想要排名的類別維度。
*Value*
以此為基礎來運算的彙總度量。
*排名數量*
您要顯示的排名結果數量。
*排序依據*
您想要使用的順序；百分比差異或絕對差異。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
**注意**
這些輸出參數與最高移動器運算傳回的輸出參數相同。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `categoryField`：為**分類**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `startTimeValue`：日期維度的值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `endTimeValue`：日期維度的值。
+ `value`：原始值。
+ `formattedValue`：由日期時間欄位格式化的絕對值。
+ `itemsCount`：此運算中包含的項目數量。
+ `items`：底部移動項目。
+ `categoryField`：類別欄位。
+ `value`：類別欄位的值 (內容)。
+ `formattedValue`：類別欄位格式化的值 (內容)。如果欄位為 null，這會顯示 '`NULL`'。如果欄位為，它會顯示 '`(empty)`'。
+ `currentMetricValue`：目前值欄位的指標。
+ `value`：原始值。
+ `formattedValue`：指標欄位格式化的值
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `previousMetricValue`：指標欄位的之前值。
+ `value`：原始值。
+ `formattedValue`：指標欄位格式化的值
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `percentDifference`：指標欄位目前和之前值的百分比差異。
+ `value`：百分比差異運算的原始值。
+ `formattedValue`：百分比差異的格式化值 (例如，-42%)。
+ `formattedAbsoluteValue`：百分比差異的格式化絕對值 (例如，42%)。
+ `absoluteDifference`：指標欄位目前和之前值之間的絕對差異。
+ `value`：絕對差異運算的原始值。
+ `formattedValue`：指標欄位格式偏好設定格式化的絕對差異。
+ `formattedAbsoluteValue`：由指標欄位格式化的差異絕對值。
# 底端排名運算
底端排名運算會依數值計算請求的類別數量 (在自動敘述資料集底端排名)。例如，您可以建立運算，依銷售營收尋找位居底端的三個州。
若要使用此函數，您在**類別**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*類別*
您想要排名的類別維度。
*Value*
以此為基礎來運算的彙總度量。
*結果數量*
您要顯示的排名結果數量。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
**注意**
這些輸出參數與最高排名運算傳回的輸出參數相同。
+ `categoryField`：為**分類**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `itemsCount`：此運算中包含的項目數量。
+ `items`：底部排名項目。
+ `categoryField`：類別欄位。
+ `value`：類別欄位的值 (內容)。
+ `formattedValue`：類別欄位格式化的值 (內容)。如果欄位為 null，這會顯示 '`NULL`'。如果欄位為，它會顯示 '`(empty)`'。
+ `metricValue`：指標欄位。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
## 範例
以下螢幕擷取畫面顯示底端排名運算的預設組態。
![\[底端排名運算的預設組態。\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/bottom-ranked-computation.png)
# 採 ML 技術的預測
採用 ML 技術的預測運算會依季節性，根據之前指標的模式預測未來指標。例如，您可以建立一項運算，來預測未來六個月的總營收。
若要使用此函數，您在**時間**欄位集至少需要有一個維度。
如需有關使用預測的詳細資訊，請參閱[使用 Amazon Quick Sight 預測和建立假設案例](forecasts-and-whatifs.md)。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*Value*
以此為基礎來運算的彙總度量。
*向前期間*
您想要預測的未來時間期間數量。範圍從 1 到 1,000。
*向後期間*
您想要據此預測的過去時間期間數量。範圍從 0 到 1,000。
*季節性*
日曆年中包括的季節數量。預設設定 **automatic** 會為您偵測。範圍從 1 到 180。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `metricValue`：指標維度中的值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `timeValue`：日期維度的值。
+ `value`：原始值。
+ `formattedValue`：由日期欄位格式化的值。
+ `relativePeriodsToForecast`：在最新的日期時間記錄和上次預測記錄之間的相對期間數目。
# 成長率運算
成長率運算會比較時間期間內的數個值。例如，您可以建立一項運算，找出銷售的三個月複合成長率，以百分比表示。
若要使用此函數，您在**時間**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*Value*
以此為基礎來運算的彙總度量。
*期間數*
您想要用來計算成長率的未來期間數。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `previousMetricValue`：指標維度中的之前值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `previousTimeValue`：日期時間維度中的之前值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `compoundedGrowthRate`：指標欄位目前和之前值的百分比差異。
+ `value`：百分比差異運算的原始值。
+ `formattedValue`：百分比差異的格式化值 (例如，-42%)。
+ `formattedAbsoluteValue`：百分比差異的格式化絕對值 (例如，42%)。
+ `absoluteDifference`：指標欄位目前和之前值之間的絕對差異。
+ `value`：絕對差異運算的原始值。
+ `formattedValue`：指標欄位格式偏好設定格式化的絕對差異。
+ `formattedAbsoluteValue`：由指標欄位格式化的差異絕對值。
# 最大值運算
最大值運算會依值尋找最大值維度。例如，您可以建立一項運算，尋找最高營收的月份。
若要使用此函數，您在**時間**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*Value*
以此為基礎來運算的彙總度量。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
**注意**
這些輸出參數與最小運算傳回的輸出參數相同。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `metricValue`：指標維度中的值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `timeValue`：日期時間維度中的值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
# 指標比較運算
指標比較運算會比較不同度量中的值。例如，您可以建立一項運算，比較兩個值 (如實際銷售比較銷售目標)。
若要使用此函數，您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Values (值)** 欄位集至少需要有兩個量值。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*Value*
以此為基礎來運算的彙總度量。
*目標值*
您要與數值比較的欄位。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `fromMetricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `fromMetricValue`：指標維度中的值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `toMetricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `toMetricValue`：指標維度中的目前值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `timeValue`：日期時間維度中的值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `percentDifference`：指標欄位目前和之前值的百分比差異。
+ `value`：百分比差異運算的原始值。
+ `formattedValue`：百分比差異的格式化值 (例如，-42%)。
+ `formattedAbsoluteValue`：百分比差異的格式化絕對值 (例如，42%)。
+ `absoluteDifference`：指標欄位目前和之前值之間的絕對差異。
+ `value`：絕對差異運算的原始值。
+ `formattedValue`：指標欄位格式偏好設定格式化的絕對差異。
+ `formattedAbsoluteValue`：由指標欄位格式化的差異絕對值。
# 最小值運算
最小值運算會依值尋找最小值維度。例如，您可以建立一項運算，尋找最低營收的月份。
若要使用此函數，您在**時間**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*Value*
以此為基礎來運算的彙總度量。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
**注意**
這些輸出參數與最大運算傳回的輸出參數相同。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `metricValue`：指標維度中的值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `timeValue`：日期時間維度中的值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
# 逐個期間運算
逐個期間運算會比較兩個不同時間期間的值。例如，您可以建立一項運算算，了解自上一個時間期間起增加或減少的銷售額。
若要使用此函數，您在**時間**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*Value*
以此為基礎來運算的彙總度量。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `previousMetricValue`：指標維度中的之前值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `previousTimeValue`：日期時間維度中的之前值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `currentMetricValue`：指標維度中的目前值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `currentTimeValue`：日期時間維度中的目前值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `percentDifference`：指標欄位目前和之前值的百分比差異。
+ `value`：百分比差異運算的原始值。
+ `formattedValue`：百分比差異的格式化值 (例如，-42%)。
+ `formattedAbsoluteValue`：百分比差異的格式化絕對值 (例如，42%)。
+ `absoluteDifference`：指標欄位目前和之前值之間的絕對差異。
+ `value`：絕對差異運算的原始值。
+ `formattedValue`：指標欄位格式偏好設定格式化的絕對差異。
+ `formattedAbsoluteValue`：由指標欄位格式化的差異絕對值。
## 範例
**建立逐個期間運算**
1. 在要變更的分析中，選擇**新增洞見**。
1. 對於**運算類型**，選取**逐個期間**，然後選擇**選取**。
1. 在您建立的新洞見中，新增您要比較的時間維度和值維度欄位。在下面的螢幕擷取畫面中，`Order Date` 和 `Sales (Sum)` 已新增到洞見中。選取這兩個欄位後，Quick Sight 會顯示上個月的年初至今銷售額，以及與上個月相比的百分比差異。
![\[alt text not found\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/periodOverPeriod1.png)
1. (選用) 若要進一步自訂洞見，請開啟視覺化效果選單並選擇**自訂敘述**。在出現的**編輯敘述**視窗中，從**運算**清單中拖曳所需的欄位，然後選擇**儲存**。
# 期間至今運算
指定期間到目前為止，日期運算期間評估的值。例如，您可以建立一個運算，以瞭解您年初迄今獲得的銷售。
若要使用此函數，您在**時間**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*日期*
您想要排名的日期維度。
*Value*
以此為基礎來運算的彙總度量。
*時間精細程度*
您想要用於運算的日其精細程度，例如年初至今。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `previousMetricValue`：指標維度中的之前值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `previousTimeValue`：日期時間維度中的之前值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `currentMetricValue`：指標維度中的目前值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `currentTimeValue`：日期時間維度中的目前值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `periodGranularity`：此運算的期間精細程度 (**MONTH**、**YEAR** 等)。
+ `percentDifference`：指標欄位目前和之前值的百分比差異。
+ `value`：百分比差異運算的原始值。
+ `formattedValue`：百分比差異的格式化值 (例如，-42%)。
+ `formattedAbsoluteValue`：百分比差異的格式化絕對值 (例如，42%)。
+ `absoluteDifference`：指標欄位目前和之前值之間的絕對差異。
+ `value`：絕對差異運算的原始值。
+ `formattedValue`：指標欄位格式偏好設定格式化的絕對差異。
+ `formattedAbsoluteValue`：由指標欄位格式化的差異絕對值。
## 範例
**建立期間至今運算**
1. 在要變更的分析中，選擇**新增洞見**。
1. 對於**運算類型**，選擇**期間至今**，然後選擇**選取**。
1. 在您建立的新洞見中，新增要比較的時間維度和價值維度欄位。在下面的螢幕擷取畫面中，`Order Date` 和 `Sales (Sum)` 已新增到洞見中。選取這兩個欄位後，Quick Sight 會顯示上個月的年初至今銷售額，以及與上個月相比的百分比差異。
![\[alt text not found\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/periodOverPeriod1.png)
1. (選用) 若要進一步自訂洞見，請開啟視覺化效果選單並選擇**自訂敘述**。在出現的**編輯敘述**視窗中，從**運算**清單中拖曳所需的欄位，然後選擇**儲存**。
# 頂端移動工具運算
排名最高運算會依日期計算請求的類別數量 (在自動敘述資料集排名最高)。例如，您可以建立運算，依銷售營收尋找一段時間期間內位居頂端的產品。
若要使用此函數，您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Categories (類別)** 欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*類別*
您想要排名的維度類別。
*Value*
以此為基礎來運算的彙總度量。
*結果數量*
您想要尋找的前幾項排名物品數量。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
**注意**
這些輸出參數與底部移動器運算傳回的輸出參數相同。
+ `timeField`：為**時間**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `timeGranularity`：時間欄位精細程度 (**DAY**、**YEAR** 等)。
+ `categoryField`：為**分類**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `startTimeValue`：日期維度的值。
+ `value`：原始值。
+ `formattedValue`：日期時間欄位格式化的值。
+ `endTimeValue`：日期維度的值。
+ `value`：原始值。
+ `formattedValue`：由日期時間欄位格式化的絕對值。
+ `itemsCount`：此運算中包含的項目數量。
+ `items`：頂端移動項目。
+ `categoryField`：類別欄位。
+ `value`：類別欄位的值 (內容)。
+ `formattedValue`：類別欄位格式化的值 (內容)。如果欄位為 null，這會顯示 '`NULL`'。如果欄位為，它會顯示 '`(empty)`'。
+ `currentMetricValue`：目前值欄位的指標。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `previousMetricValue`：指標欄位的之前值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
+ `percentDifference`：指標欄位目前和之前值的百分比差異。
+ `value`：百分比差異運算的原始值。
+ `formattedValue`：百分比差異的格式化值 (例如，-42%)。
+ `formattedAbsoluteValue`：百分比差異的格式化絕對值 (例如，42%)。
+ `absoluteDifference`：指標欄位目前和之前值之間的絕對差異。
+ `value`：絕對差異運算的原始值。
+ `formattedValue`：指標欄位格式偏好設定格式化的絕對差異。
+ `formattedAbsoluteValue`：由指標欄位格式化的差異絕對值。
# 頂端排名運算
頂端排名運算會依值尋找頂端排名維度。例如，您可以建立運算，依銷售營收尋找位居頂端的三個州。
若要使用此函數，您在**類別**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*類別*
您想要排名的類別維度。
*Value*
以此為基礎來運算的彙總度量。
*結果數量*
您想要尋找的排名最高項目數量。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
**注意**
這些輸出參數與底部排名運算傳回的輸出參數相同。
+ `categoryField`：為**分類**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `itemsCount`：此運算中包含的項目數量。
+ `items`：頂端排名項目。
+ `categoryField`：類別欄位。
+ `value`：類別欄位的值 (內容)。
+ `formattedValue`：類別欄位格式化的值 (內容)。如果欄位為 null，這會顯示 '`NULL`'。如果欄位為，它會顯示 '`(empty)`'。
+ `metricValue`：指標欄位。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
# 彙整總和運算
彙整總和運算會建立數值的總計。例如，您可以建立一項運算，尋找總營收。
若要使用此函數，您在 **Time (時間)** 欄位集至少需要有一個維度，在 **Values (值)** 欄位集至少需要有一個量值。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*Value*
以此為基礎來運算的彙總度量。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
+ `categoryField`：類別欄位。
+ `name`：類別欄位的顯示名稱。
+ `metricField`：為**數值**欄位集。
+ `name`：欄位的格式化顯示名稱。
+ `aggregationFunction`：用於指標 (**SUM**、**AVG** 等) 的彙總。
+ `totalAggregate`：指標彙總的總值。
+ `value`：原始值。
+ `formattedValue`：由指標欄位格式化的值。
+ `formattedAbsoluteValue`：由指標欄位格式化的絕對值。
# 唯一值運算
唯一值運算會計數類別欄位中的唯一值。例如，您可以建立一項運算，來計數維度中的唯一值數量，例如您有多少位客戶
若要使用此函數，您在**類別**欄位集至少需要有一個維度。
## Parameters
*name*
您指派或變更的唯一描述名稱。如果您未建立自己的名稱，則會指派一個名稱。您稍後可以編輯此名稱。
*類別*
您想要排名的類別維度。
## 運算輸出
每個函數會產生一組輸出參數。您可以將這些輸出新增到自動敘述以自訂其顯示內容。您也可以新增自己的自訂文字。
若要尋找輸出參數，請開啟右側的**運算**標籤，並找出您想要使用的運算。運算的名稱是來自您建立洞見時所提供的名稱。選擇輸出參數 (僅按一下即可)。如果您按了兩下，您將新增兩次相同的輸出。以**粗體**顯示的項目為敘述中可用的項目。
+ `categoryField`：類別欄位。
+ `name`：類別欄位的顯示名稱。
+ `uniqueGroupValuesCount`：包含在此運算鐘的唯一值數量。
# 透過採用 ML 技術的異常偵測來偵測極端值
Amazon Quick Sight 使用經過驗證的 Amazon 技術，持續跨數百萬個指標執行採用 ML 技術的異常偵測，以探索資料中的隱藏趨勢和極端值。此工具可讓您取得埋藏於彙總值，無法使用手動分析擴展的深入洞見。藉由採用 ML 技術的異常偵測，您無須進行手動分析、自訂開發或 ML 網域專業知識，即可在資料中找到極端值。
如果 Amazon Quick Sight 偵測到您可以分析異常或對資料進行一些預測，則會在視覺效果中通知您。
異常偵測功能在 `eu-central-2` 歐洲 (蘇黎世) 區域不可用。
**重要**
採用 ML 技術的異常偵測是一項需要密集運算的工作。開始使用之前，您可以分析想要使用的資料量，了解成本的概念。我們提供根據您每個月處理的指標數量的分層定價模型。
**Topics**
+ [異常或極端值偵測的概念](anomaly-detection-outliers-and-key-drivers.md)
+ [設定採用 ML 技術的異常偵測以進行極端值分析](anomaly-detection-using.md)
+ [透過採用 ML 的異常偵測和貢獻分析來探索極端值和主要驅動因素](anomaly-exploring.md)
# 異常或極端值偵測的概念
Amazon Quick Sight 使用*異常*一詞來描述超出整體分佈模式的資料點。還有許多其他形容異常的用詞，這是科學術語，包括極端值、偏差、奇異、例外、不規則、突變等等。您使用的術語可能取決於您執行的分析類型，或是您使用的資料類型，甚或是群組的偏好設定。這些外圍資料點代表一個實體 (人、地點、事物或時間) 在某種程度上是特殊的。
人類的過人之處在於很容易就可以辨識出模式並發現事物。我們的感官為我們提供這些資訊。如果模式很簡單，並且只有少量資料，很輕鬆就可以製作圖表來突顯資料中的極端值。一些簡單的範例包括如下：
+ 一組藍色氣球中的一顆紅色氣球
+ 遠遠領先於其他賽馬的一匹賽馬
+ 一個在課堂上沒有認真上課的孩童
+ 當線上訂單增加，但出貨減少的一天
+ 一個恢復健康但其他人沒有的人
一些資料點代表一個重要事件，而其他資料點則代表隨機發生的事件。視何種驅動因素 (主要驅動因素) 促成事件而定，分析可揭露哪些資料值得調查。問題對於資料分析至關重要。發生的原因？ 與何有關？ 只發生一次或多次？ 您可以採取什麼動作來鼓勵或阻止更多類似的情況？
了解變化的存在方式和原因，以及變化中是否存在模式，都需要進一步思考。在不借助機器學習下，每個人可能會得到不同的結論，因為他們有不同的經驗和資訊。因此，每個人可能做出稍微不同的業務決策。如果有大量的資料或變數需要考慮，可能需要大量分析。
採用 ML 技術的異常偵測可識別因果關係和相關性，讓您能夠做出資料驅動的決策。您仍然可以控制如何定義您希望任務處理資料的方式。您可以指定自己的參數，並選擇其他選項，例如識別貢獻分析中的主要驅動因素。您也可以使用預設設定。下一節將引導您完成設定程序，並提供可用選項的說明。
# 設定採用 ML 技術的異常偵測以進行極端值分析
透過以下各章節中的程序開始偵測極端值和異常，並識別導致這些狀況的主要驅動因素。
**Topics**
+ [檢視異常和預測通知](anomaly-detection-adding-from-visuals.md)
+ [增加 ML 洞見來偵測極端值和主要驅動因素](anomaly-detection-adding-anomaly-insights.md)
+ [使用主要驅動因素的貢獻分析](anomaly-detection-adding-key-drivers.md)
# 檢視異常和預測通知
Amazon Quick Sight 會在偵測到異常、關鍵驅動因素或預測機會的視覺效果上通知您。您可以根據該視覺化效果中的資料按照提示設定異常偵測或預測。
1. 在現有折線圖中，在視覺化效果小工具的選單中尋找洞察通知。
1. 選擇燈泡圖示以顯示通知。
1. 如需進一步了解 ML 洞見，可以按照螢幕提示新增 ML 洞見。
# 增加 ML 洞見來偵測極端值和主要驅動因素
您可以新增 ML 洞見來偵測*異常* (看起來很重要的極端值)。首先，您需要為洞見建立一個小工具 (也稱為*自動敘述*)。設定選項時，您可以在螢幕右側的**預覽**窗格中，檢視洞見的有限螢幕擷取畫面。
在洞見小工具中，您最多可以新增五個非計算欄位的維度欄位。在欄位集內，**類別**的值代表 Amazon Quick Sight 用來分割指標的維度值。例如，假設您正在分析跨所有產品類別和產品 SKU 的營收。有 10 個產品類別，每個類別有 10 個產品 SKU。Amazon Quick Sight 會將指標分割為 100 個唯一組合，並對分割的每個組合執行異常偵測。
以下程序展示如何執行此操作，以及如何新增貢獻分析以偵測導致每個異常的主要驅動因素。您可以稍後新增貢獻分析，如 [使用主要驅動因素的貢獻分析](anomaly-detection-adding-key-drivers.md) 中所述。
**設定極端值分析 (包括驅動因素)**
1. 開啟您的分析，然後在工具列中，選擇**洞察**，然後選擇**新增**。從清單選擇 **Anomaly detection (異常偵測)** 和 **Select (選取)**。
1. 遵循新的小工具上的螢幕提示，這會告訴您為洞見選擇欄位。至少新增一個日期、一個度量和一個維度。
1. 在小工具上選擇 **Get started (開始使用)**。組態畫面隨即出現。
1. 在**運算選項**下，選擇下列選項的值。
1. 針對**要分析的組合**，選擇以下選項之一：
1. **階層**
若要按階層分析欄位，請選擇此選項。例如，如果您選擇日期 (T)、度量 (N) 和三個維度類別 (C1、C2 和 C3)，Quick Sight 會階層分析欄位，如下所示。
```
T-N, T-C1-N, T-C1-C2-N, T-C1-C2-C3-N
```
1. **精確**
若只要分析「類別」欄位集中列出的欄位的確切組合，請選擇此選項。例如，如果您選擇日期 (T)、度量 (N) 和三個維度類別 (C1、C2 和 C3)，Quick Sight 只會依列出的順序分析類別欄位的確切組合，如下所示。
```
T-C1-C2-C3-N
```
1. **全部**
若要分析「類別」欄位集中的所有欄位組合，請選擇此選項。例如，如果您選擇日期 (T)、度量 (N) 和三個維度類別 (C1、C2 和 C3)，Quick Sight 會分析欄位的所有組合，如下所示。
```
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
```
如果您只選擇日期和量值，Quick Sight 會依日期和量值來分析欄位。
在**要分析的欄位**區段中，您可以看到欄位集的欄位清單 (供參考用)。
1. 對於**名稱**，輸入不含空白的描述性字母數字名稱，或選擇預設值。如此便可為運算命名。
如果您計劃編輯自動顯示在小工具上的敘述，您可以使用名稱來識別這個小工具的運算。但是，如果您規劃編輯自動敘述，並且在分析中有其他類似的運算，請自訂名稱。
1. 在**顯示選項**區段中，選擇以下選項來自訂洞見小工具中顯示的內容。無論顯示什麼，您仍然可以探索所有結果。
1. **要顯示的異常狀況數量上限**：要在敘述小工具中顯示的極端值數量。
1. **嚴重性**：要在洞見小工具中顯示的異常的最低嚴重程度。
*嚴重性等級* 是一系列異常分數，其特徵為範圍中包含的最低實際異常分數。所有分數較高的異常都包含在此範圍內。如果您將嚴重性設定為**低**，洞見會顯示等級在低和非常高之間的所有異常。如果您將嚴重性設定為 **Very high (非常高)**，洞見只會顯示具有最高異常評分的異常。
您可以使用下列選項 ：
+ **非常高**
+ **高度以上**
+ **中等以上**
+ **低度以上**
1. **方向**：要識別為異常的 x 軸或 y 軸方向。您可以選擇下列項目：
+ **高於預期**，將較高值識別為異常。
+ **低於預期**，將較低值識別為異常。
+ **[全部]**，將識別包含高值和低值在內的所有異常值 (預設設定)。
1. **差異**：輸入用於識別異常的自訂值。任何高於臨界值的數量都會視為異常。這個值會變更洞見在分析中的運作方式。在此章節中，您可以設定下列項目：
+ **絕對值**：要使用的實際值。例如，如果將此設定為 48，然後，當值與預期值之間的差異大於 48 時，Amazon Quick Sight 會將值識別為異常。
+ **百分比**：要使用的百分比閾值。例如，如果您將此設定為 12.5%，然後，當值與預期值之間的差異大於 12.5% 時，Amazon Quick Sight 會將值識別為異常。
1. **排序依據**：選擇結果的排序方法。有些方法是根據 Amazon Quick Sight 產生的異常分數。Amazon Quick Sight 為看起來異常的資料點提供更高的分數。您可以使用下列任一選項：
+ **加權的異常分數**：乘以實際值和預期值差異絕對值對數的異常分數。此分數一律為正數。
+ **異常分數**：指派給此資料點的實際異常分數。
+ **加權的預期值差異**：乘以實際值和預期值差異的異常分數 (預設值)。
+ **與預期值的差異**：實際值與預期值間的實際差異 (即實際預期)。
+ **實際值**：未套用公式的實際值。
1. 在**排程選項**區段中，您可以設定排程，以自動執行洞見重新計算。僅發布的儀表板才會執行排程。在分析中，您可以依需要手動執行。排程包括下列設定：
+ **出現次數**：設定多久要重新計算一次 (每小時、每天、每週或每月)。
+ **排程開始日期**：設定開始執行此排程的日期和時間。
+ **時區**：設定排程執行的時區。若要檢視清單，請刪除目前項目。
1. 在**最高貢獻者**區段中，設定 Amazon Quick Sight 在偵測到極端值 （異常） 時分析關鍵驅動因素。
例如，Amazon Quick Sight 可以顯示導致家庭改善產品在美國銷售遽增的主要客戶。您可以從資料集中新增最多四個維度。其中包括您未新增到此洞見小工具的欄位集的維度。
如需可供貢獻分析的維度清單，請選擇**選取欄位**。
1. 選擇**儲存**以確認選擇。若要退出而不儲存，請選擇 **Cancel (取消)**。
1. 從洞見小工具選擇**立即執行**，以執行異常偵測並檢視洞見。
完成異常偵測所需的時間各有不同，取決於您正在分析的唯一資料點數量。最少的資料點只需要數分鐘就能完成此流程，但此流程也可能會執行數小時。
在背景中執行時，您可以在分析中進行其他工作。請等待它完成後，再變更組態、編輯內容或開啟**探索異常**頁面以取得此洞見。
洞見小工具需要至少執行一次才能顯示結果。如果您認為狀態可能已過期，可以重新整理頁面。洞見可以有以下狀態。
| 出現在頁面上 | 狀態 |
| --- | --- |
| Run now (立即執行) 按鈕 | 任務尚未開始。 |
| 關於 Analyzing for anomalies (分析異常) 的訊息 | 任務目前正在執行中。 |
| 有關偵測到的異常情況的敘述 (極端值) | 任務已順利執行。訊息指出這個小工具的運算何時最後更新。 |
| 帶有驚嘆號的提醒圖示 (\$1) | 此圖示表示上次執行期間發生錯誤。如果同時有顯示敘述，您仍然可以使用 Explore anomalies (探索異常) 來使用前一次成功執行的資料。 |
# 使用主要驅動因素的貢獻分析
Amazon Quick Sight 可以識別造成兩個時間點之間量值 （指標） 極端值的維度 （類別）。導致極端值的主要驅動因素可協助您找到導致異常的原因。
如果您已經在使用異常偵測但沒有使用貢獻分析，則可以啟用現有的 ML 洞見來尋找主要驅動因素。透過以下程序新增貢獻分析，並識別造成極端值的主要驅動因素。異常偵測的洞見需要包含時間欄位和至少一個彙總指標 (SUM、AVERAGE 或 COUNT)。您可以包含多個類別 (維度欄位)，也可以在不指定任何類別或維度欄位的情況下執行貢獻分析。
您還可以透過此程序變更或移除異常偵測中作為主要驅動因素的欄位。
**新增貢獻分析以識別主要驅動因素**
1. 開啟分析並找到一個用於異常偵測的現有 ML 洞見。選取相應的洞見小工具以讓它反白顯示。
1. 從視覺化效果的選單中選擇**選單選項** (**…**)。
1. 選擇**設定異常**以編輯設定。
1. **貢獻分析 （選用）** 設定可讓 Amazon Quick Sight 在偵測到極端值 （異常） 時分析關鍵驅動因素。例如，Amazon Quick Sight 可以向您展示導致家庭改善產品在美國銷售遽增的主要客戶。您最多可以從資料集新增四個維度，包括未新增至此洞見小工具的欄位集的維度。
若要檢視可供貢獻分析的維度清單，請選擇 **Select fields (選取欄位)**。
若要變更用作主要驅動因素的欄位，請變更此清單中啟用的欄位。如果您停用所有項目，Quick Sight 將不會執行此洞見中的任何貢獻分析。
1. 若要儲存變更，請捲動至組態選項底部，然後選擇**儲存**。若要退出而不儲存，請選擇**取消**。若要完全移除這些設定，請選擇**刪除**。
# 透過採用 ML 的異常偵測和貢獻分析來探索極端值和主要驅動因素
您可以互動方式探索分析中的異常 (也稱為極端值)，以及貢獻因子 (主要驅動因素)。在採用 ML 技術的異常偵測執行之後，即可開始探索分析。您在此畫面中所做的變更不會在您返回分析時儲存。
首先，在洞見中選擇**探索異常狀況**。以下螢幕擷取畫面顯示了首次開啟時出現的「異常」畫面。此範例設定了貢獻因子分析並顯示了兩個主要驅動因素。
![\[顯示貢獻因子的異常分析。\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/anomaly-exploration-v2.png)
畫面的各個區段包括 (從左上到右下)：
+ **貢獻因子**顯示主要驅動因素。若要查看此區段，您需要在異常組態中設定貢獻因子。
+ **控制項**包含異常探索的設定。
+ **異常數量**顯示一段時間內偵測到的極端值。您可以隱藏或顯示此圖表區段。
+ 類別或維度欄位的**欄位名稱**充當顯示每個類別或維度異常的圖表標題。
以下區段提供了探索異常各個方面的詳細資訊。
**Topics**
+ [探討貢獻因子 (主要驅動因素)](exploring-anomalies-key-drivers.md)
+ [設定異常偵測控制項](exploring-anomalies-controls.md)
+ [按日期顯示和隱藏異常](exploring-anomalies-by-date.md)
+ [探索每個類別或維度的異常](exploring-anomalies-per-category-or-dimension.md)
# 探討貢獻因子 (主要驅動因素)
如果您的異常洞見設定為偵測關鍵驅動因素，Quick Sight 會執行貢獻分析，以判斷哪些類別 （維度） 正在影響極端值。**貢獻因子**區段顯示在左側。
**貢獻因子**包含以下區段：
+ **敘述**：摘要 (左上角) 描述指標中的變更。
+ **主要貢獻因子組態**：選擇**設定**變更貢獻因子和日期範圍，以在此區段中使用。
+ **排序依據**：設定套用至在下方顯示之結果的排序。您可以選擇下列項目：
+ **絕對差異**
+ **貢獻百分比** (預設)
+ **預期偏差**
+ **百分比差異**
+ **主要貢獻因子結果**：在進行主要貢獻因子分析時，顯示在右側時間線上所選取之時間點的分析結果。
貢獻分析最多可識別異常的四個最主要的貢獻因素或主要驅動因素。例如，Amazon Quick Sight 可以向您展示導致美國健康產品銷售遽增的主要客戶。只有當您在設定異常時選擇將欄位包含在貢獻分析中，才會顯示此面板。
如果您沒有看到這個面板，並且想要顯示它，您可以開啟它。若要執行此動作，請前往分析，從洞見的選單中選擇異常組態，然後最多選擇四個欄位來分析貢獻。如果您在排除貢獻驅動因素的工作表控制項中進行變更，**貢獻**面板會關閉。
# 設定異常偵測控制項
您可以在畫面的**控制項**區段找到異常偵測的設定。您可以透過按一下**控制項**來開啟和關閉此區段。
設定包括：
+ **控制項**：目前設定會在工作空間頂端顯示。您可以選擇右邊的雙箭頭圖示展開此區段。下列設定可用於探索採用 ML 技術的異常偵測產生的極端值：
+ **嚴重性**：設定您的偵測器對於已偵測異常 (極端值) 的靈敏度。閾值設為**低度以上**時，應可看見更多異常，而閾值設為**高度以上**時，應可看見較少異常。根據 RCF 演算法產生之異常分數標準差，判定靈敏度。預設為**中等以上**。
+ **方向**：要識別為異常的 x 軸或 y 軸方向。預設值為 [全部]。您可以選擇下列選項：
+ 設定為**高於預期**，以將較高的值識別為異常。
+ 設定為**低於預期**，以將較低的值識別為異常。
+ 設定為 **[ALL]**，以識別包含高值和低值在內的所有異常值。
+ **最小差異 - 絕對值**：輸入自訂值，用作識別異常的絕對閾值。任何高於這個值的數量都會視為異常。
+ **最小差異 - 百分比**：輸入自訂值，用作識別異常的百分比閾值。任何高於這個值的數量都會視為異常。
+ **排序依據**：選擇要套用以排序異常的方法。它們會依偏好的順序列在畫面中。檢視以下每種方法的描述清單。
+ **加權的異常分數**：乘以實際值和預期值差異絕對值對數的異常分數。此分數一律為正數。
+ **異常分數**：指派給此資料點的實際異常分數。
+ **加權的預期值差異**：(預設值) 乘以實際值和預期值差異的異常分數。
+ **與預期值的差異**：實際值與預期值間的實際差異 (實際預期)。
+ **實際值**：未套用公式的實際值。
+ **類別**：一個或多個設定可以出現在其他設定的末端。您新增至類別欄位集的每個類別欄位都有一個。您可使用類別設定限制在畫面中顯示的資料。
# 按日期顯示和隱藏異常
**異常數量**圖表顯示一段時間內偵測到的極端值。如果您沒有看到此圖表，可以透過選擇**依日期顯示異常狀況**來顯示它。
此圖表顯示時間序列中最新資料點的異常 (極端值)。展開後，它顯示以下元件：
+ **異常**：畫面中心顯示時間序列中最近資料點的異常。一張或多張圖搭配圖表顯示，指出隨著時間產生的指標變化。若要使用此圖，請選擇沿著時間線的一點。目前選擇的時間點會在圖中反白顯示，並具有選單，提供您分析目前指標貢獻的選項。您也可以在時間線上拖曳游標，而不選擇特定一點，即可顯示該時間點的指標值。
+ **依日期顯示異常狀況**：如果您選擇**依日期顯示異常狀況**，另一張圖表則會顯示每個時間點有多少個重大異常。您可以在每一列的內容選單上，查看此圖表中的詳細資訊。
+ **時間線調整**：每張圖表在日期下方都有時間線調整工具，您可以用來壓縮、展開或選擇一段時間期間來檢視。
# 探索每個類別或維度的異常
**探索異常**畫面的主要區段被鎖定在螢幕的右下角。無論螢幕的其他區段開啟多少，它都會保留在那裡。如果存在多個異常，您可以捲動以將它們反白顯示。此圖表以不同的顏色顯示異常，並顯示它們在一段時間內發生的時間點。
![\[探索異常畫面。\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/anomaly-exploration-1.png)
每個類別或維度都有一個單獨的圖表，圖表使用欄位名稱作為圖表標題。每個圖表都包含下列元件。
+ **設定提醒**：如果從儀表板探索異常，您可以選擇此按鈕訂閱提醒和貢獻分析 (若已設定)。您可以設定提醒的嚴重性層級 (中、高等等)。您可以取得 **Higher than expected (高於預期)**、**Lower than expected (低於預期)** 或 ALL (全部) 的前 5 個提醒。儀表板讀者可以自行設定提醒。如果您從分析開啟頁面，開啟**探索異常**頁面不會顯示此按鈕。
**注意**
只能在已發布的儀表板中使用設定提醒的功能。
+ **狀態**：在**異常**標頭下方，狀態標籤會顯示上一次執行的資訊。例如，您可能會看到 "Anomalies for Revenue on November 17, 2018"。此標籤會告訴您處理多少過指標，且在多久之前處理。您可以選擇連結，以進一步了解詳細資訊，例如略過多少指標。
# 使用 Amazon Quick Sight 預測和建立假設案例
您可以藉由採用 ML 技術的預測，利用簡單的點選式介面預測關鍵業務指標。無需機器學習專業知識。Amazon Quick Sight 中的內建 ML 演算法旨在處理複雜的真實世界案例。Amazon Quick Sight 使用機器學習來協助提供比傳統方法更可靠的預測。
例如，假設您是業務經理。假設您想要預測銷售，以查看您是否會在年底達到目標。或者，假設您在未來兩週內會有大筆訂單成交，因此您想要知道這會對整體預測帶來怎樣的影響。
您可以透過多個季節性等級來預測業務收入 (例如，包含每週和每季度趨勢的銷售額預測)。Amazon Quick Sight 會自動排除資料中的異常 （例如，由於價格下降或提升導致的銷售遽增） 影響預測。您也不需要清除和複寫缺少值的資料，因為 Amazon Quick Sight 會自動處理該值。此外，藉由採用 ML 技術的預測，您可以執列互動式模擬分析，以判斷您需要符合業務目標的成長軌跡。
## 使用預測和模擬情境
您可以將預測 widget 新增至現有的分析，然後做為儀表板發布此分析。若要分析模擬情境，請使用分析，而非儀表板。透過採用 ML 技術的預測，Amazon Quick Sight 可讓您預測複雜的真實案例，例如具有多個季節性的資料。它會自動排除其辨識的極端值和推算遺漏值。
請透過以下程序將圖形化預測新增至您的分析，並探索模擬情境。
雖然以下程序適用於圖形化預測，您也可以在洞見 widget 中將預測做為敘述新增。如需詳細資訊，請參閱 [使用 Amazon Quick Sight 建立自動敘述](narratives-creating.md)。
採用 ML 技術的預測與[小型倍數](small-multiples.md)不相容。為了確保準確顯示資料和預測，請避免在視覺化中使用小倍數。
**將圖形化預測新增至分析**
1. 建立使用單一日期欄位和最多三個指標 (量值) 的視覺化效果。
1. 在該視覺化效果右上角的選單上，選擇**選單選項**圖示 (三個點)，然後選擇**新增預測**。
Quick Sight 會使用 ML 自動分析歷史資料，並顯示未來 14 個期間的圖形預測。預測屬性套用於視覺化效果中的所有指標。如果您希望對每個指標進行單獨預測，請考慮為每個指標建立單獨的視覺化效果，並向每個視覺化效果新增預測。
![\[具有三個預測指標的折線圖影像。\]](http://docs.aws.amazon.com/zh_tw/quick/latest/userguide/images/forecast2.png)
1. 在左側的**預測屬性**面板上，自訂下列一個或多個設定：
+ **預測長度**：設定要預測的**向前期間**和尋找藉以預測之模式的**向後期間**。
+ **預測間隔**：設定預測的預估範圍。這麼做會變更預測時間線周圍的可能性區間有多寬。
+ **季節性**：設定涉及可預測之資料季節性模式的時間期間數量。範圍為 1–180，預設設定為**自動**。
+ **預測界限**：設定最小和/或最大預測值，以防止預測值高於或低於指定值。例如，如果預測的結果是公司下個月將招募的新員工數量為負數，則您可以將預測界限最小值設為零。這可以防止預測值低於零。
選擇 **Apply (套用)** 來儲存您的變更。
如果預測包含多個指標，您可以透過選取橘色區間內的任意位置來隔離其中一個預測。這樣做時，其他預測就會消失。再次選取孤立的預測區間可以讓它們重新出現。
1. 選擇圖表上預測的資料點 (在橘色區間)，然後從內容選單選擇 **What-if analysis (模擬分析)**，來分析模擬情境。
**模擬分析**面板在左側開啟。設定下列選項：
+ **情境**：設定日期的目標，或設定時間範圍的目標。
+ **日期**：如果您正設定特定日期的目標，請在這裡輸入該日期。如果您正使用時間範圍，請設定開始和結束日期。
+ **目標**：設定指標的目標值。
Amazon Quick Sight 會調整預測以符合目標。
**注意**
**模擬分析**選項不適用於多指標預測。若要對預測執行模擬情境，視覺化效果應僅包含一個指標。
1. 選擇 **Apply (套用)** 來保留您的變更。若要捨棄變更，請關閉 **What-if analysis (模擬分析)** 面板。
若要保留變更，您會看到針對目標調整的新預測，伴隨著未模擬的原始預測。
模擬分析會在視覺效果上以指標線上的圓點呈現。您可以暫留在預測線上的資料點，以查看詳細資訊。
以下是您可以進行的其他工作：
+ 與模擬分析互動或移除，選擇指標線上的圓點。
+ 建立其他模擬情境，在線上選擇新點之前關閉模擬分析。
**注意**
模擬分析僅可存在於分析中，不可在儀表板中。