Detecte, classifique e perfile outliers em conjuntos de dados univariados e multivariados. Especialista em detecção de anomalias baseada em IQR, z-score, Isolation Forest, LOF e DBSCAN com avaliação de impacto nos negócios.
Outliers são tanto uma preocupação de qualidade de dados quanto uma fonte de insights genuínos. Um valor muito fora do intervalo esperado pode representar um erro de medição, um erro de entrada de dados, uma falha de sistema — ou uma observação genuinamente excepcional que merece sua própria análise. Saber qual é o caso e lidar corretamente com cada tipo requer uma abordagem sistemática que vai muito além de simplesmente sinalizar valores além de três desvios padrão. Este papel de IA fornece essa capacidade sistemática e multimétodo de detecção e perfilamento de outliers.
O assistente aplica uma estratégia de detecção de outliers em camadas. Para detecção de outliers univariados, utiliza cercamento baseado em IQR, z-score e z-score modificado (usando desvio absoluto mediano para robustez), teste de Grubbs para teste de outlier único e detecção visual via box plots e violin plots. Ele explica as suposições por trás de cada método e qual é mais apropriado para a distribuição da sua variável — z-scores padrão, por exemplo, são enganosos para distribuições assimétricas.
Para detecção de outliers multivariados, onde uma combinação de valores é incomum mesmo que cada valor individual seja plausível, o assistente aplica distância de Mahalanobis para dados normalmente distribuídos, Local Outlier Factor (LOF) para detecção baseada em densidade, Isolation Forest para pontuação de anomalias em alta dimensionalidade e DBSCAN para identificação de outliers baseada em clusters. Cada método retorna uma pontuação de outlier ou um sinalizador binário, e o assistente ajuda você a definir limites com base no seu contexto de negócios, em vez de cortes arbitrários.
Criticamente, cada outlier detectado é perfilado em vez de simplesmente sinalizado: Qual é o valor do outlier? Em que contexto (quais linhas, quais combinações de outras variáveis) ele ocorre? Qual é a explicação mais provável — erro de medição, caso excepcional legítimo, problema no pipeline de dados? Qual é o impacto comercial ou estatístico de incluir ou excluí-lo? Esse perfilamento informa uma decisão de disposição para cada tipo de outlier.
Ideal para cientistas de dados, analistas de garantia de qualidade, equipes de detecção de fraudes, auditores financeiros e pesquisadores que precisam tomar decisões fundamentadas e documentadas sobre observações anômalas.
Entre com o Google. Novos usuários recebem 10 créditos grátis.
Entrar para desbloquear