Data Analytics – Trendy i stabilność¶
Cel¶
Moduł Data Analytics ujawnia długoterminowe wzorce, stabilność i zmienność w Twoich zbiorach danych — przekształcając surowe metryki w istotne wnioski.
Zapewnia warstwę analityczną wyższego poziomu ponad wynikami Data Anomalies, umożliwiając zespołom zrozumienie zmian w czasie i poprawę zarówno jakości danych, jak i obserwowalności pipeline'ów danych.
Poprzez identyfikację przerwań trendów, powtarzających się wzorców i zmian w zmienności, Data Analytics pomaga odróżnić oczekiwane zachowania sezonowe od rzeczywistych problemów z jakością danych.
Przegląd techniczny¶
Statystyki pochodne¶
Data Analytics oblicza właściwości statystyczne takie jak:
- Trend – długoterminowy kierunek metryki (rosnący, malejący, stabilny)
- Volatility – jak bardzo metryka fluktuuje w danym oknie czasowym
- Seasonality – powtarzające się wzorce czasowe (dobowe, tygodniowe, miesięczne)
- Change Points – statystycznie istotne przesunięcia w zachowaniu
Obsługiwane metryki¶
Moduł może analizować dowolną metrykę generowaną przez inne moduły digna, w tym:
- Liczba rekordów
- Wskaźniki brakujących wartości
- Statystyki rozkładu (min, max, średnia, wariancja)
- Agregacje KPI (np. przychody, transakcje, roszczenia)
- Odchylenia timeliness lub częstość występowania anomalii
Analiza szeregów czasowych¶
Data Analytics ocenia stabilność w przekroju okresów — porównując jeden tydzień, miesiąc czy kwartał z innym — wykorzystując zaufanie statystyczne i wizualne miary stabilności trendu.
Jak to działa¶
- Dane wejściowe – digna zbiera metryki szeregów czasowych z innych modułów (np. liczba anomalii).
- Modelowanie statystyczne – funkcje AI i statystyczne identyfikują ukryte trendy i poziomy zmienności.
- Porównanie między okresami – digna porównuje historyczną i aktualną wydajność KPI lub wskaźników jakości.
- Generowanie wniosków – pulpity pokazują wykryte trendy, stabilne okresy i punkty zmian w Inspection Hub oraz widokach analitycznych.
Dzięki temu możliwe jest proaktywne wykrywanie powolnych dryfów lub stopniowej degradacji jakości danych, zanim staną się krytyczne.
Przykładowe przypadki użycia¶
| Use Case | Description |
|---|---|
| Monitoring stabilności KPI | Śledź sprzedaż, transakcje lub roszczenia w czasie i wykrywaj nietypową zmienność. |
| Wykrywanie ukrytego dryfu danych | Obserwuj powolne przesunięcia w rozkładach danych lub wskaźnikach brakujących wartości, które typowe reguły pomijają. |
| Analiza punktów zmiany | Zidentyfikuj momenty, w których metryka zmienia swoje zachowanie (np. nagły wzrost liczby anomalii). |
| Niezawodność operacyjna | Oceń okresy wysokiej i niskiej stabilności danych w systemach lub działach. |
| Wnioski biznesowe | Wyróżnij najlepiej działające kategorie lub produkty w okresach kroczących. |
Korzyści¶
| Area | Benefit |
|---|---|
| Widoczność | Zapewnia długoterminowy wgląd w trendy i wzorce jakości danych. |
| Wczesne ostrzeganie | Wykrywa powolne dryfy, zanim wywołają anomalie lub naruszenia SLA. |
| Optymalizacja | Pomaga zidentyfikować niestabilne źródła danych lub systemy wymagające dostrojenia procesów. |
| Analiza między modułami | Łączy dane z Data Anomalies, Data Validation i Data Timeliness, aby uzyskać holistyczne wnioski. |
| Działania praktyczne | Wspiera zarówno zespoły techniczne, jak i użytkowników biznesowych w zrozumieniu danych i podejmowaniu działań. |