Een bedrijf volgt de verkoopprijzen van sneakers in de loop van de tijd in een Amazon QuickSight-dashboard, waarbij prijzen van veel retailers worden gescrapt. Het bedrijf wil ongewoon hoge prijzen detecteren en deze visueel weergeven. Welke aanpak voldoet aan deze vereisten?

De juiste aanpak is om QuickSight's ingebouwde anomaliedetectie te gebruiken. QuickSight anomaly detection insights zijn specifiek ontworpen om ongebruikelijke patronen in tijdreeksgegevens te identificeren, wat perfect is voor het detecteren van ongewoon hoge sneakerprijzen. Een verticaal staafdiagram is geschikt voor visualisatie. Het kwadrateren van prijswaarden via een berekend veld kan helpen bij het accentueren van verschillen voor visualisatie, vooral bij uitschieters. De andere opties zijn minder geschikt: Het verwijderen van uitschieters met AWS Glue DataBrew en het opslaan in DynamoDB verwijdert de gegevens in plaats van ze te visualiseren, wat niet voldoet aan de vereiste om ze visueel weer te geven. Het gebruik van een aangepaste Lambda-functie voor anomaliedetectie is overbodig wanneer QuickSight deze functionaliteit al biedt. Het nemen van de vierkantswortel van uitschieterprijzen is ook geen standaardmethode voor het visualiseren van anomalieën. Het filteren op de 10 laagste prijzen en het toepassen van een afwijkende kleur detecteert geen ongewoon hoge prijzen, maar richt zich op de laagste waarden.