Adobe Sitecatalyst (Omniture): El informe de Anomaly Detection

Anomaly Detection report (Adobe Sitecatalyst)

Adobe Sitecatalyst (Omniture), junto con Google Analytics, es la herramienta más potente de analítica web que existe. Para sacarle partido es necesario personalizar la implementación mediante creación de variables y métricas que permitan medir características propias de nuestro site. Dejando a un lado estos informes personalizados, Sitecatalyst viene “de serie” con varios reportes que pueden ser muy útiles en cualquier site, entre ellos se encuentra el de Anomaly Detection.

El informe de Anomaly Detection es muy útil cuando necesitamos identificar de forma rápida en qué momentos la página ha sufrido algún evento que se sale de lo habitual, desde una caída del servidor o un incremento de Pageviews en una landing, hasta algo más sutil, como un cambio drástico en el Average Order Value (que podría alertarnos sobre un error en el precio de algún producto).

Este informe se encuentra dentro de Site Metrics > Anomaly Detection, su función es examinar el histórico de datos de nuestra Report Suite y crear un pronóstico de los valores esperados bajo un 95% de nivel de confianza. Cualquier valor que se salga de los valores esperados, es marcado como anómalo.

En el informe de Anomaly Detection, debemos seleccionar la métrica cuyo valor esperado queremos examinar, y seleccionar el período de tiempo hacia atrás en el que queremos que se base la predicción. A este período, Sitecatalyst lo denomina “training period”, y en esto no es muy flexible ya que sólo permite tres opciones: 30, 60, o 90 días.

La herramienta utiliza *tres algoritmos para calcular los valores esperados en base al Training period que hemos seleccionado. Una vez que se ejecuta el informe, muestra con puntos verdes los valores por encima de lo esperado, y en azul aquellos que están por debajo. Cuando consultamos este informe, debemos tener en cuenta si el período que estamos examinando o sobre el que se está basando la predicción, está afectado por factores estacionales, como puede ser la navidad en un eCommerce de juguetes.

*“to calculate the data, the daily total for each metric is compared with the training period using each of the following algorithms:

  • Holt Winters Multiplicative (Triple Exponential Smoothing)
  • Holt Winters Additive (Triple Exponential Smoothing)
  • Holts Trend Corrected (Double Exponential Smoothing)

Each algorithm is applied to determine the algorithm with the smallest Sum of Squared Errors (SSE). The Mean Absolute Percent Error (MAPE) and the current Standard Error are then calculated to make sure that the model is statistically valid.” (Adobe documentation)

Opina

*

Blog personal Miguel Molina Alen | Psicología, Marketing, Actualidad TIC

Utilizamos cookies para ofrecer mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de nuestra política de cookies, pinche el enlace para más información. ACEPTAR

Aviso de cookies