Аномалия в аналитике - это сигнал, что с метрикой произошло что-то необычное и это нужно проверить. Например, конверсия резко упала, CPA вырос в два раза, заявки пропали после релиза, выручка внезапно просела в одном канале или событие начало отправляться в аналитику слишком часто.
Важный момент: не любое изменение метрики является аномалией. Метрика может расти или падать из-за сезона, акции, выходного дня, изменения бюджета или маленькой выборки. Аномалией обычно называют отклонение от базового уровня: предыдущих дней, недель, плана, прогноза или ожидаемого диапазона.
Чтобы аномалии не превращались в шум, для них задают правила: какая метрика проверяется, какой период сравнения используется, какой минимальный объем данных нужен, какой процент отклонения считается важным и кто отвечает за проверку. Для разных метрик правила будут разными: падение платежей на 20% может быть критичным, а колебание кликов на маленькой кампании - нет.
Причина аномалии не всегда в бизнесе. Иногда это ошибка трекинга, дубль события, задержка загрузки данных, сбой API, бот-трафик, изменение UTM-меток или сломанный импорт из CRM. Поэтому хороший разбор начинается не с вывода "все плохо", а с проверки источников, сегментов и свежих изменений.
ИИ-агент в аналитике может находить такие отклонения, сравнивать сегменты, собирать возможные причины, прикладывать ссылки на графики и формировать задачу для ответственного. Но агент не должен сам менять бюджеты, цены, рекламные правила или бизнес-процессы без подтверждения человека.
Практичный журнал аномалий обычно хранит поля: anomaly_id, metric_key, segment, observed_value, baseline_value, delta_percent, severity, detected_at, source, evidence_url, likely_causes, owner, status и next_action. Так команда видит не просто тревогу, а понятный след проверки.
Примеры
- Конверсия из регистрации в активацию упала с 42% до 28% за один день.
- CPA в рекламной кампании вырос в два раза при том же дневном бюджете.
- После релиза событие product_view перестало приходить в аналитику.
- Выручка резко выросла, но проверка показала дубль платежных событий.
- Фактические заказы сильно превысили прогноз из-за акции и сезонного спроса.
Где используется
- Мониторинг продуктовых метрик и пользовательских событий.
- Контроль воронки продаж, лидов, сделок и выручки.
- Поиск проблем в BI-дашбордах и управленческих отчетах.
- Контроль рекламных кампаний: CPA, CPL, ROAS, расход и конверсия.
- Проверка качества данных после релизов, миграций и интеграций.
- Отслеживание ошибок прогноза спроса и план-факт отклонений.
- Автоматическая подготовка задач для аналитика, маркетолога или владельца метрики.
Связанные термины
Частые вопросы
Что такое аномалия в аналитике простыми словами?
Это ситуация, когда метрика ведет себя не как обычно: резко падает, растет, пропадает, дублируется или меняется только в одном сегменте. Такой сигнал нужно проверить, потому что за ним может быть бизнес-событие или ошибка данных.
Чем аномалия отличается от обычного изменения метрики?
Обычное изменение укладывается в ожидаемый диапазон: сезонность, недельный ритм, плановый рост или небольшие колебания. Аномалия заметно выбивается из baseline, прогноза или правил контроля и требует разбора.
Почему для аномалий нужен baseline?
Baseline показывает нормальный уровень метрики. Без него агент или аналитик не понимает, что считать странным: падение с 1000 до 900 может быть нормой, а падение с 30 до 5 может быть критичным.
Какие причины бывают у аномалий?
Причины бывают бизнесовые и технические: акция, сезонность, изменение бюджета, релиз, сбой трекинга, задержка импорта, дубли событий, бот-трафик, ошибка API или изменение правил расчета метрики.
Что должен делать ИИ-агент при обнаружении аномалии?
Он должен показать метрику, период, сегмент, величину отклонения, baseline, возможные причины и ссылки на данные. Дальше агент может создать задачу или черновик рекомендации, но критичные действия лучше отправлять на подтверждение человеку.
