變點偵測：精準標出流量轉變的日期

變點偵測(Change Point Detection)會找出每日點擊或曝光穩定在新水準並持續維持的日期，而不是個別異常的單日。每個變點都會列出轉變前後的平均值、相對於每日雜訊的轉變幅度，以及信賴度分數。在著手追查原因之前，可以先用它精準標出下滑或成長的起點。

如何找出轉變

1. 在整個分析期間內，報表會累加每天與期間平均值的差距，也就是累積和(CUSUM)。水準一旦改變，這條累計曲線就會彎折，距離零點最遠的那一天，就是最可能的分割點。
2. 分割點兩側各須至少包含 7 天。
3. 轉變幅度的算法，是兩側平均值的差距除以兩側的合併標準差，換句話說，就是以正常每日雜訊為單位來衡量。只有這個數值達到您設定的靈敏度，分割點才會保留。
4. 信賴度來自排列檢定：將該區段的日期隨機打亂 200 次，信賴度就是 CUSUM 範圍小於實際值的打亂次數所占的比例。
5. 每個保留下來的分割點，會在其兩側再各自搜尋一次（二元分割法），最多找出 8 個變點。

靈敏度的範圍是 0.5 到 3 個標準差，預設為 1.5。數值越低，越能找出較小的轉變。變點的日期是新水準的第一天。NIST 手冊將 CUSUM 描述為適合偵測平均值出現微小且持續偏移的方法，這正是此處要處理的情況。

解讀結果

• 數據卡片：偵測到的變點（含區段數）、最大轉變幅度的百分比（含該數列的每日雜訊）、最近一次變點（含方向與信賴度），以及第一個區段平均值到最後一個區段平均值的變化。
• 含變點的數列會繪出每日數值、7 日平滑線與各區段的平均值，並在每個變點以虛線和百分比變化標示。
• CUSUM 統計量呈現累計曲線本身：斜率的轉折，就代表數列水準的改變。
• 表格列出日期、方向（上升或下降）、轉變前平均、轉變後平均、變化、轉變幅度（標準差單位）、信賴度、前段天數與後段天數。

執行後若變更指標或靈敏度，偵測會在瀏覽器中重新計算。分析範圍至少涵蓋 90 天；若選取的範圍較短，系統會向前延伸，並以備註說明實際使用的日期。

模型假設

• 流量以平坦的階梯式變動。模型由一連串水準加上雜訊構成。穩定的爬升並沒有單一的斷點，因此可能被切成數個階梯，也可能完全偵測不到。
• 星期週期仍保留在資料中。每週的起伏會被視為雜訊，使較小的轉變更難達到門檻。若網站有明顯的每週節奏，請搭配 時間序列分解 一起檢視。
• 近期的變化需要時間才能確認。由於兩側各須至少 7 天，最近六天內開始的轉變目前還無法偵測到。
• 信賴度僅供參考，並非篩選條件。變點是否列出，取決於轉變幅度，而不是信賴度。此外，打亂順序的做法把每天視為獨立，但連續幾天的流量其實相互關聯，因此請將信賴度視為相對指標，而非精確的機率。
• 先找最大的斷點。二元分割法會先找出最強的分割點，再處理較小的，因此相隔一週的兩次轉變，可能會被合併成一個回報。

找到變點後怎麼做

把日期與前後發生的事件對照：部署上線、網站遷移、範本變更、服務中斷，或 Google 排名更新。接著再套用資料夾、國家或裝置篩選重新執行報表，縮小範圍，看看是網站的哪個部分出現變動。確認原因後，可將它記錄為 註解。

若要找的是個別的異常日，而非持續性的變動，請使用 異常偵測。若希望在流量下滑時立即收到通知，請設定 警示。