English
Deutsch
PolskiAlerty GA4 przy małych liczbach: próg, przedział i szum statystyczny
Management Summary
Alerty GA4 mogą zwracać uwagę na spadek aktywności zakupowej, zanim problem biznesowy stanie się wyraźny. Przy małych liczbach duży spadek procentowy może jednak wynikać ze zwykłego przypadku. Próg alarmu i długość obserwacji równoważą szybkie wykrywanie z liczbą zbędnych ostrzeżeń. Dłuższe okresy dostarczają więcej danych, ale reagują wolniej. Szczególnie w mniejszych sklepach alert jest więc sygnałem do oceny rzeczywistych zamówień i ostatnich zmian, a nie dowodem awarii zakupów.
Spis treści
- Przykład z jawnym obliczeniem dla małych liczebności
- Niższy próg zmienia oba rodzaje błędów
- Dłuższe przedziały: więcej danych, późniejsza reakcja
- Właściwa baza ogranicza zbędną zmienność
- Wskaźniki względne wymagają właściwej definicji
- Pytania i odpowiedzi
- Źródła
- Kontrola w praktyce: baza dni tygodnia bez sprawdzanego dnia
Spadek liczby zdarzeń dodania do koszyka może wskazywać na awarię procesu zakupowego. Małe liczby zdarzeń silnie wahają się jednak także bez usterki technicznej. Alert wymaga więc odpowiedniej bazy porównawczej, jawnie ustalonego progu i dostatecznie aktualnych danych.
Osobnego rozpatrzenia wymagają trzy wielkości: zaobserwowane odchylenie, prawdopodobieństwo fałszywego alarmu i prawdopodobieństwo wykrycia rzeczywistej awarii. Przekroczenie progu nie dowodzi ani usterki technicznej, ani wykluczenia przypadku. Brak alertu również nie wyklucza awarii.
Przykład z jawnym obliczeniem dla małych liczebności
Prosty model stanowi rozkład Poissona: zdarzenia napływają niezależnie ze stałą intensywnością. Przy oczekiwanej średniej μ odchylenie standardowe wynosi √μ. Dla 25 oczekiwanych zdarzeń jest to 5, a dla 2500 zdarzeń — 50. Względne wahanie spada zatem z 20% do 2%.
Prosta dolna granica kontrolna ma postać L = μ − 3√μ. Alert pojawia się, gdy zaobserwowana liczba spada poniżej L. Względna odległość granicy od średniej wynosi 3/√μ. Tabela zakłada znaną, stabilną wartość oczekiwaną; oszacowanie bazy porównawczej wprowadza dodatkową niepewność.
| Oczekiwane zdarzenia w przedziale | Odległość do granicy 3σ |
|---|---|
| 50 | 42,4 % |
| 200 | 21,2 % |
| 800 | 10,6 % |
| 3200 | 5,3 % |
Wartości procentowe opisują odległość do granicy kontrolnej, a nie najmniejszą awarię wykrywaną z pewnością. Przy μ = 50 granica wynosi około 28,8; alert wywołują całkowite liczby do 28 włącznie. Rzeczywisty spadek o jedną trzecią obniża nową wartość oczekiwaną do około 33,3. Część przedziałów może nadal wypaść poniżej 28,8, a część powyżej. Wymagane prawdopodobieństwo wykrycia potrzebuje osobnego obliczenia.
Dla μ ≤ 9 granica 3σ wynosi zero lub mniej. Żadna nieujemna liczba zdarzeń nie może spaść poniżej granicy równej zero. Nie oznacza to zasadniczej niewykrywalności awarii: odpowiednio skalibrowana reguła Poissona albo osobny alert braku zdarzeń może być lepszym rozwiązaniem.
Niższy próg zmienia oba rodzaje błędów
Granica oddalona o 2 zamiast 3 odchyleń standardowych leży bliżej średniej i reaguje na mniejsze odchylenia. Rośnie jednak również prawdopodobieństwo fałszywego alarmu. Dla znanego rozkładu normalnego jednostronne prawdopodobieństwa poniżej −2σ oraz −3σ wynoszą około 2,28% i 0,135%: różnica jest niemal siedemnastokrotna.
Te wartości rozkładu normalnego nie są uniwersalnymi częstościami fałszywych alertów GA4. Małe liczebności Poissona przyjmują tylko liczby całkowite, takie jak 0, 1 lub 2; nakładające się okna i wiele metryk wprowadzają zależności oraz dodatkowe okazje do alarmowania. Ustawienia wymagają więc oceny na danych historycznych możliwie wolnych od awarii. Częste fałszywe alarmy mogą osłabić uwagę poświęcaną rzeczywistym usterkom.
Dłuższe przedziały: więcej danych, późniejsza reakcja
W przykładzie Poissona czterokrotnie większa oczekiwana liczba zmniejsza o połowę względną odległość do tej samej granicy 3σ. Dłuższe okno gromadzi więcej zdarzeń, lecz wymaga czasu. Krótka awaria może też zostać rozmyta przez poprawne działanie w pozostałej części okna.
| Okno | Oczekiwane zdarzenia | Odległość do granicy 3σ |
|---|---|---|
| 5 min | 16,7 | 73,5 % |
| 15 min | 50,0 | 42,4 % |
| 1 h | 200,0 | 21,2 % |
| 4 h | 800,0 | 10,6 % |
Tabela zakłada stałe 4800 zdarzeń na dobę. Pierwszy wiersz odpowiada 16,67 oczekiwanego zdarzenia przed zaokrągleniem. Już okno pięciominutowe może sygnalizować znaczną awarię; uniwersalna granica 100% byłaby błędna.
Długość okna i opóźnienie alertu to różne wielkości. Znaczenie mają także początek i czas trwania awarii, harmonogram obliczeń, granice okien oraz dostępność danych. Okno czterogodzinne może być zbyt wolne dla procesu zakupowego, a odpowiednie dla codziennego dostarczania danych.
Właściwa baza ogranicza zbędną zmienność
Ruch w sklepie podlega rytmom dobowym i tygodniowym. Kampanie, święta, grupy klientów i zgody również zmieniają liczebności. Rzeczywiste dane mogą zatem wykazywać większy rozrzut niż model Poissona. Tabele celowo nie zawierają nieudokumentowanego uniwersalnego narzutu na „rzeczywisty ruch”.
Porównanie z tą samą godziną i dniem tygodnia może uwzględnić powtarzalne wzorce. Trendy, akcje specjalne i niewielka liczba tygodni referencyjnych pozostają możliwymi źródłami błędów. Taka korekta nie odpowiada gwarantowanemu czterokrotnemu zwiększeniu ruchu ani nie usuwa całej niepewności.
Wskaźniki względne wymagają właściwej definicji
Odsetek sesji z dodaniem do koszyka może częściowo zrównoważyć zmiany wielkości ruchu. W prostym modelu dwumianowym każda sesja liczy się najwyżej raz: sesje z co najmniej jednym dodaniem do koszyka podzielone przez wszystkie analizowane sesje. Liczba wszystkich zdarzeń dodania do koszyka na sesję to inna metryka; wielokrotne zdarzenia mogą dawać wartości powyżej jedności.
Dla niezależnych sesji o stałym prawdopodobieństwie p przybliżone odchylenie standardowe odsetka wynosi √(p(1−p)/n), gdzie n oznacza liczbę sesji. Przy 50 pasujących sesjach na 1000 odsetek wynosi 5%, a oszacowane odchylenie standardowe około 0,69 punktu procentowego. Małe próby nadal silnie się wahają. Przy zerowej liczbie sesji odsetek jest niezdefiniowany.
Odsetki również mogą zmieniać się zależnie od kanału, pory dnia i grupy klientów. Awaria nie musi od razu powodować widocznej zmiany. Granicy kontrolnej dla liczby zdarzeń nie można zatem bez zmian stosować do każdego ilorazu.
Pytania i odpowiedzi
Dlaczego czterokrotna liczba zmniejsza względną odległość o połowę?
W modelu Poissona odchylenie standardowe rośnie jak √μ. Względna odległość granicy kσ wynosi k/√μ. Pomnożenie μ przez cztery podwaja mianownik i zmniejsza odległość o połowę. Opis dotyczy granicy, a nie automatycznie podwojonego prawdopodobieństwa wykrycia.
Czy całkowitą awarię łatwiej wykryć?
Często tak. W stabilnym modelu Poissona prawdopodobieństwo zera zdarzeń wynosi e−μ. Dla μ = 17 jest to około 4,14 na 100 milionów przedziałów, a dla μ = 2 już około 13,5%. Alert braku zdarzeń wymaga więc wartości oczekiwanej dopasowanej do pory dnia. Brakujące lub opóźnione dane pomiarowe także mogą dawać zero; alert nie dowodzi awarii sklepu.
Czy godzinny alert GA4 pojawia się po godzinie?
Tylko przy odpowiedniej dostępności danych i sposobie obliczeń. Zwykłe raporty GA4 mogą być uzupełniane po wielu godzinach; Google podaje od 24 do 48 godzin dla ogólnego przetwarzania. Dzienny eksport BigQuery nie ma gwarantowanej stałej godziny ukończenia. Pozorny spadek może zatem oznaczać niekompletną dostawę danych.
Realtime API obejmuje ostatnie 30 minut dla standardowych usług i do 60 minut dla Analytics 360. Jedno zapytanie na godzinę przy oknie 30-minutowym nie obejmuje całej godziny. Częstsze obliczenia z wyraźnymi granicami i zapisem bez podwójnego zliczania wymagają osobnej implementacji. Strumieniowy eksport BigQuery działa szybciej, lecz jest usługą best effort z możliwymi lukami. Dla zakończonych zakupów lepszym źródłem kontrolnym może być tabela zamówień sklepu.
Źródło danych wpływa nie tylko na czas oczekiwania, lecz także na zakres, definicję i kompletność metryki. Znaczniki czasu, zgody, filtry i spóźnione dane należą więc do kontroli alertu tak samo jak próg statystyczny. Źródła sprawdzone 24 października 2026 r.
Źródła
Kontrola w praktyce: baza dni tygodnia bez sprawdzanego dnia
Detektor anomalii GA4 porównuje teraz wybrany dzień raportowy z tym samym dniem tygodnia z ośmiu poprzednich tygodni. Czwartek jest porównywany z ośmioma czwartkami. Sprawdzany dzień nie wchodzi do średniej odniesienia ani odchylenia standardowego próby. Silny spadek nie obniża więc własnej bazy.
Narzędzie odczytuje sesje, wszystkich użytkowników, wyświetlenia stron/ekranów, kluczowe zdarzenia, liczbę zdarzeń, łączne przychody i współczynnik zaangażowania przez Data API tylko do odczytu. Domyślnie wybrany jest dzień sprzed czterech dni, aby uwzględnić czas przetwarzania. Ten odstęp nie potwierdza jednak kompletności danych. Nadal istotne są strefa raportowania usługi i metadane odpowiedzi.
- Wybór zakończonego dnia i kontrola ośmiu dat odniesienia pokazanych w wyniku.
- Jeżeli w odpowiedzi brakuje wymaganej daty, porównanie zostaje wstrzymane. Brak wiersza nie jest po cichu zastępowany zerem; jawnie raportowane zero pozostaje zerem.
- Opisowy wynik z określa odległość od średniej odniesienia w jednostkach odchylenia standardowego odniesienia. Wynik jest porównywany z wybranym progiem. Dla stałej bazy pokazywany jest brak zmiany lub zmiana względem stałej wartości, bez dzielenia przez zero.
- Pobranie dziewięciu porównywanych dat jako CSV i zestawienie wskazań z wdrożeniami, kampaniami, świętami i innymi dowodami.
Osiem obserwacji to niewielka baza. Wskazania nie są skalibrowanymi testami istotności, a siedem równoczesnych kontroli metryk może dawać przypadkowe wyniki. Porównanie tych samych dni tygodnia nie usuwa trendów, akcji specjalnych, zmian zgód ani opóźnień przetwarzania. Brak wskazania nie dowodzi kompletności pomiaru, a wskazanie nie ustala przyczyny. To narzędzie do ręcznej analizy, nie usługa cyklicznych alarmów.
Źródła: dokumentacja Google runReport, definicje metryk i NIST o wykrywaniu obserwacji odstających i jego założeniach.
Powiązane artykuły
