
Tin doanh nghiệp
Đăng ngày
Một điểm tăng mạnh là mùa vụ hay bất thường?
Không thể kết luận chỉ bằng việc điểm hiện tại vượt trung bình. Muốn phân biệt mùa vụ với bất thường, cần so sánh đúng nhóm thời gian tương đương, loại ảnh hưởng của lịch và sự kiện đã biết, kiểm tra chất lượng dữ liệu rồi mới đo phần sai lệch còn lại. Một mức tăng lặp lại vào thứ Hai đầu tháng có thể là quy luật; cùng mức tăng xuất hiện vào một ngày không có nguyên nhân nghiệp vụ mới đáng cảnh báo. Trên BMB Analytics, kết quả nên đi kèm đường cơ sở, khoảng kỳ vọng, yếu tố giải thích và mức tin cậy để người dùng biết vì sao hệ thống gắn nhãn.
Vì sao so với trung bình chung thường gây báo động giả
Trung bình chung trộn nhiều chế độ vận hành. Lưu lượng hồ sơ có thể thấp cuối tuần, cao đầu tuần và tăng vào những ngày cuối kỳ. Doanh số bán lẻ chịu ảnh hưởng của giờ mở cửa, ngày lương về, chương trình khuyến mại và mùa lễ. Nếu lấy trung bình 30 ngày làm ngưỡng duy nhất, hệ thống sẽ cảnh báo gần như mọi sáng thứ Hai và bỏ sót một mức giảm bất thường trong ngày vốn luôn cao. Đường cơ sở cần trả lời câu hỏi “bình thường đối với thời điểm và bối cảnh này là bao nhiêu”, không phải “trung bình toàn bộ là bao nhiêu”. Vì vậy đặc tả cảnh báo phải nêu nhóm so sánh, cửa sổ lịch sử và những sự kiện được loại trừ hoặc gắn cờ.
Xây đường cơ sở từ các thời điểm tương đương
Cách thực tế là chia chuỗi theo nhịp nghiệp vụ: giờ trong ngày, thứ trong tuần, ngày trong tháng và mùa cao điểm. Với mỗi điểm cần đánh giá, hệ thống chọn các điểm lịch sử có bối cảnh tương đương, chẳng hạn bốn đến tám ngày thứ Ba gần nhất cùng khung 9–10 giờ. Đường cơ sở có thể dùng trung vị để ít bị kéo lệch bởi một vài đỉnh lớn, còn độ phân tán dùng khoảng tứ phân vị hoặc sai lệch tuyệt đối trung vị. Nếu hoạt động thay đổi nhanh, nên ưu tiên lịch sử gần hơn bằng trọng số suy giảm. Mô hình phức tạp hơn chỉ có ý nghĩa khi cách phân nhóm cơ bản đã được kiểm chứng và dữ liệu đủ dài để đại diện cho chu kỳ.
Ví dụ với dữ liệu mẫu
Giả sử IOC doanh nghiệp ghi nhận số yêu cầu hỗ trợ mỗi giờ. Trong tám ngày thứ Hai gần nhất, khung 8–9 giờ có các giá trị 92, 97, 101, 95, 99, 104, 96 và 100; trung vị là 98. Một thứ Hai mới ghi nhận 128 yêu cầu, cao hơn trung vị khoảng 30,6%. Tuy nhiên lịch vận hành cho biết đây là ngày đầu triển khai phần mềm mới và 35 yêu cầu được gắn chiến dịch hướng dẫn. Sau khi tách nhóm đã biết, phần còn lại là 93, nằm trong vùng thường thấy. Nếu bỏ qua sự kiện, hệ thống tạo cảnh báo giả. Ngược lại, nếu có 128 yêu cầu mà không có chiến dịch và dữ liệu nguồn đầy đủ, mức chênh lệch cần được điều tra. Tất cả số liệu trong ví dụ là dữ liệu mẫu.
Đo phần dư và chấm mức độ bất thường
Sau khi ước lượng thành phần mùa vụ và tác động đã biết, phần chênh còn lại là phần dư. Điểm bất thường có thể dựa trên độ lớn phần dư so với phân bố lịch sử, nhưng cần kết hợp tác động nghiệp vụ. Một sai lệch 20% trên nhóm chỉ có năm giao dịch có thể kém quan trọng hơn sai lệch 4% trên doanh thu lớn. Cách chấm điểm nên dùng ít nhất ba chiều: độ bất thường thống kê, giá trị ảnh hưởng và độ tin cậy dữ liệu. Ví dụ, điểm tổng hợp 0–100 có thể dành 40 điểm cho độ lệch, 40 điểm cho tác động và 20 điểm cho chất lượng. Trọng số là cấu hình nghiệp vụ, phải thử trên dữ liệu quá khứ chứ không mặc định là chân lý.
Quy trình điều tra một cảnh báo
Khi điểm vượt ngưỡng, bước đầu tiên là xác nhận dữ liệu có đủ và đúng đơn vị đo. Bước hai kiểm tra lịch sự kiện, thay đổi cấu hình và dữ liệu đến muộn. Bước ba phân rã theo chi nhánh, sản phẩm hoặc kênh để tìm nơi đóng góp lớn nhất. Bước bốn so sánh với một nhóm kiểm soát không chịu tác động. Bước năm mới chuyển cảnh báo cho đơn vị xử lý, kèm bằng chứng và câu hỏi cụ thể. Nếu phát hiện nguyên nhân hợp lệ, người dùng gắn nhãn mùa vụ mới hoặc sự kiện đã biết; nhãn đó được dùng làm dữ liệu huấn luyện cho lần hiệu chỉnh tiếp theo. Nếu không có nguyên nhân, cảnh báo giữ trạng thái cần điều tra thay vì tự động kết luận gian lận hay sai phạm.
Ngoại lệ dễ làm mô hình hiểu sai
Chuỗi quá ngắn chưa thể hiện đủ mùa vụ; khi đó nên dùng ngưỡng nghiệp vụ và ghi mức tin cậy thấp. Một thay đổi cấu trúc như mở thêm 30 điểm bán làm đường cơ sở cũ không còn phù hợp; hệ thống cần điểm gãy và giai đoạn học lại. Ngày nghỉ di động không thể so theo ngày dương lịch cố định. Dữ liệu cộng dồn cũng không nên đưa trực tiếp vào thuật toán phát hiện đỉnh vì giá trị vốn luôn tăng; cần chuyển thành mức phát sinh theo kỳ. Ngoài ra, sự cố nguồn có thể tạo một điểm giảm sâu rồi tăng bù ở kỳ sau. Hai điểm này phải được liên kết như một sự kiện chất lượng dữ liệu, không biến thành hai cảnh báo nghiệp vụ độc lập.
Tiêu chí kiểm thử trước khi sử dụng
Bộ kiểm thử nên chứa đủ ngày thường, cuối tuần, kỳ cao điểm, ngày có sự kiện và một số bất thường đã được chuyên gia xác nhận. Nhóm triển khai đo tỷ lệ phát hiện đúng nhưng cũng phải đo số cảnh báo giả trên mỗi đơn vị mỗi tuần, vì một mô hình nhạy quá mức sẽ nhanh chóng bị bỏ qua. Cần kiểm tra tính ổn định khi thêm dữ liệu mới, khả năng giải thích đến từng yếu tố và thời gian từ lúc nhận dữ liệu đến lúc sinh cảnh báo. Một cảnh báo đạt yêu cầu phải cho biết giá trị thực tế, khoảng kỳ vọng, chênh lệch, dữ liệu so sánh và nguyên nhân đã loại trừ. Bài phân tích biến động do thay đổi cơ cấu cung cấp thêm cách tránh gán nhầm thay đổi cấu trúc thành hiệu suất.