Detección de anomalías: vigilancia proactiva y el algoritmo SR-CNN

Introducción: Del diagnóstico reactivo a la vigilancia algorítmica

En la primera etapa de nuestro análisis, logramos desmantelar la latencia cognitiva mediante el uso de algoritmos de minería de variación. Aprendimos que entender el «porqué» de una desviación no es una tarea de intuición, sino un proceso determinista que aísla causas raíz en milisegundos. Sin embargo, el análisis de variaciones, por potente que sea, sigue teniendo una naturaleza reactiva: actuamos porque el gráfico ya muestra una caída o un aumento.

El siguiente salto evolutivo en la estrategia de datos de un CMO no consiste en explicar lo que ya ha pasado, sino en auditar el presente en tiempo real. Para ello, debemos superar la «ceguera de la media», esa tendencia peligrosa de los cuadros de mando tradicionales a enmascarar crisis críticas bajo promedios mensuales aparentemente saludables.

En esta segunda entrega, activamos al «centinela del tiempo». Pasamos de la herramienta de insights a la Detección de Anomalías, un sistema basado en visión artificial y el algoritmo SR-CNN. No se trata de simples reglas de alerta fijas, sino de una inteligencia que aprende la «fisiología» de nuestro negocio y es capaz de distinguir entre el ruido estadístico y una ruptura estructural de la verdad matemática. A continuación, desglosaremos cómo implementar este sistema de vigilancia proactiva para asegurar que ninguna desviación crítica vuelva a pasar desapercibida tras la máscara de la estacionalidad.

1. El problema de negocio: la ceguera de la media

En los cuadros de mando tradicionales, los analistas pueden ser víctimas de lo que se denomina la «trampa de los promedios». Un KPI mensual puede parecer saludable (por ejemplo, «Tráfico web estable: +2%»), pero ese promedio suele enmascarar eventos críticos de corta duración. Imaginemos que la web estuvo caída durante cuatro horas un martes, perdiendo miles de euros, pero el tráfico inusualmente alto del domingo compensó la cifra final.

El fallo estructural reside en que el ojo humano no está diseñado para escanear cientos de puntos de datos en una serie temporal y detectar desviaciones sutiles. ¿Es normal tener 2.000 visitas un domingo? Probablemente sí. ¿Es normal tener esas mismas 2.000 visitas un martes laborable? Probablemente no. Para nosotros el número es el mismo, pero para el negocio el contexto lo cambia todo: el martes es un fracaso; el domingo es un éxito.

Necesitamos un sistema que entienda el contexto temporal.

La solución de Power BI

Aquí entra en juego la detección de anomalías. Es destacable poner de relieve que no hablo de una regla condicional simple del tipo «avísame si el dato baja de 1.000». Me estoy refiriendo a un sistema de inteligencia artificial basado en visión artificial que aprende la «forma» única de un negocio y solo emite una alerta cuando esa forma se rompe.

2. Arquitectura del algoritmo: SR-CNN (Spectral Residual – Convolutional Neural Network)

Para defender la implementación de esta tecnología ante un comité técnico o dirección, debemos ser precisos con la terminología. Power BI no utiliza medias móviles simples ni desviaciones estándar básicas. Implementa el algoritmo SR-CNN, desarrollado por Microsoft Research para Azure Anomaly Detector.

Lo revolucionario de este enfoque es que trata un gráfico de ventas no como una lista de números, sino como una imagen.

Fase A: Transformada de Fourier (del tiempo a la frecuencia)

El algoritmo toma la serie temporal de sus datos (p. ej., sesiones diarias) y aplica una Transformada Rápida de Fourier (FFT). El objetivo es mover los datos del «dominio del tiempo» al «dominio de la frecuencia». En este mundo de frecuencias, los patrones repetitivos —como las tendencias o la estacionalidad semanal— se agrupan y forman el «fondo» de la imagen.

Fase B: Sustracción del residuo espectral (el filtro de saliencia)

El sistema calcula el promedio de ese fondo y lo resta. Se basa en el concepto de saliencia visual: al igual que el ojo humano detecta instantáneamente una manzana roja en un cesto de manzanas verdes, el algoritmo busca qué frecuencias «sobresalen» matemáticamente una vez eliminado el ruido de fondo (la tendencia normal). El resultado es el residuo espectral, que contiene exclusivamente la información «novedosa» o inesperada.

Fase C: Inferencia vía CNN (Deep Learning)

Finalmente, ese residuo se pasa a través de una Red Neuronal Convolucional (CNN). Esta red ha sido entrenada con millones de patrones sintéticos para distinguir con precisión entre una anomalía real (p. ej., caída de servidor) y un pico irrelevante (p. ej., ruido estadístico).

3. Operacionalización: el intervalo esperado y el rombo de alerta

Para el usuario de negocio, toda esta complejidad matemática se encapsula en una interfaz visual elegante: el intervalo esperado.

Analicemos el tráfico diario de un portal corporativo para entender cómo razona la máquina:

Caso de estudio: anomalía en pageviews

Figura 13. Páginas vistas en un período de tiempo

En el gráfico se observan muchos “picos” bajos y altos que, como buenos analistas, debemos preguntarnos si, a pesar de que destaquen, estos picos son normales en el contexto de la estacionalidad de un negocio.

Por ejemplo, en un medio de comunicación, un pico de páginas vistas el 22 de diciembre es algo que destacará si vemos la evolución de esta métrica a lo largo del año, pero si hiciéramos una comparación interanual, podríamos comprobar que todos los mismos días de diciembre ese pico se repite, siendo por tanto un dato normal que corresponde con la estacionalidad del negocio.

Por tanto, para poder identificar un dato destacado como una verdadera anomalía debemos profundizar en nuestros análisis para poder contrastarla.

Vamos a analizar un ejemplo extraído del gráfico de la figura 13, para ello, en Power BI, sólo tenemos que activar el apartado “Anomalías” dentro del apartado “Agregar más análisis a sus objetos visuales” dentro de la columna “Visualizaciones”. Al hacerlo, aparecen en el gráfico una serie de “Burbujas”, si seleccionamos la primera burbuja del martes, 28 de agosto de 2018, el pico que tiene las siguientes características:

Figura 14. Anomalías detectadas en las páginas vistas en un período de tiempo

• Fecha crítica: martes, 28 de agosto de 2018.
• Datos que nos ofrece la herramienta de anomalías:
  • Dato real: 487 pageviews.
  • Valor esperado: 2.922 pagviews.
  • Valor mínimo esperado: 2.220 pagviews.
  • Valor máximo esperado: 3.624 pagviews.

El modelo SR-CNN analiza los martes anteriores, la tendencia del mes y la estacionalidad anual para generar una predicción de 2.922 páginas vistas. A partir de ahí, define un «corredor de confianza»: cualquier valor entre 2.220 (mínimo) y 3.624 (máximo) se considera comportamiento normal.

El diagnóstico

Dado que el valor real (487 páginas vistas) es inferior al límite mínimo tolerado (2.220), el sistema dispara la alerta y visualiza un globo gris oscuro sobre el punto. El mensaje para el CMO es claro: «Señor director, hoy no ha sido un día flojo. Hoy ha sido un día estadísticamente imposible según nuestro histórico. Algo estructural se ha roto».

4. Calibración estratégica: la sensibilidad del modelo

No todos los negocios toleran el riesgo de la misma manera. Power BI permite al analista configurar la «paranoia» del algoritmo mediante el parámetro confidencialidad (en realidad la palabra más adecuada sería “sensibilidad”).

Figura 15. % de Confidencialidad

A. Alta sensibilidad (>85%): el enfoque «cero defectos»

Técnicamente, el «corredor gris» del intervalo esperado se estrecha drásticamente. El algoritmo marcará como anomalía incluso desviaciones minúsculas.

• Caso de uso en marketing: Monitorización de pasarelas de pago o formularios de captación de leads. Si la tasa de conversión cae un 0,5%, queremos saberlo inmediatamente, porque significa dinero perdido. En este escenario, preferimos tener «falsos positivos» (falsas alarmas) a perder una sola venta.

B. Baja sensibilidad (<70%): el enfoque «tendencia macro»

El corredor se ensancha y el algoritmo se vuelve más tolerante. Solo alertará ante catástrofes evidentes o éxitos rotundos («cisnes negros»).

• Caso de uso en marketing: Monitorización de tráfico orgánico (SEO) o alcance en redes sociales. Estas métricas son ruidosas por naturaleza (un día suben, otro bajan). No queremos una alerta cada vez que Instagram cambia el algoritmo; solo queremos alertas si el tráfico desaparece por completo.

5. Análisis de causa raíz: la explicabilidad automática

Detectar que «algo va bien» es solo la mitad del trabajo. La otra mitad es saber por qué. Aquí es donde Power BI integra el motor de insights dentro de la propia anomalía.

Caso de estudio: la subida de año nuevo

El 2 de enero de 2020 observamos una subida abrupta de tráfico a 1.175 visitas. Al hacer clic en el globo de anomalía en el gráfico, el panel «Posibles explicaciones» se activa y el sistema ejecuta una correlación cruzada entre la serie temporal principal y todas las dimensiones del modelo proporcionando una explicación en lenguaje natural de la anomalía y los factores asociados a ella, ordenados según la solidez de la explicación.

Figura 16. Posibles explicaciones de la anomalía

Figura 17. Posibles explicaciones de la anomalía 2

En el ejemplo indicado, Power BI nos da la siguiente explicación de la anomalía: “El valor de Pageviews era inesperadamente alto el jueves, 02 de enero de 2020. Tenía un valor de 10.549, que está por encima del intervalo esperado (2.614 – 3.230)”.

En cuanto a los factores asociados a la anomalía, la herramienta selecciona las siguientes dimensiones: médium, socialNetwork, userType, Market es Europe, US State, hasSocialSourceReferral y M_organicSearches.

El porcentaje de fortaleza indicado en cada una de las dimensiones que aparecen entre las “Posibles explicaciones” muestra el grado de correlación de cada valor con la anomalía. Cuanto mayor sea la intensidad, más grande habrá podido ser el impacto.

Figura 18. Configurar explicaciones de anomalías

Configurar explicaciones

La herramienta también permite controlar los campos que Power BI usa para el análisis.

Por ejemplo, seleccionando los campos: browser, campaign, city, country, deviceCategory, language, sourceMedium y userType al campo “Explicar por”, Power BI restringe el análisis únicamente a esos campos. En este caso, la anomalía del 2 de enero parece estar asociada a un país concreto (España), a un navegador concreto (Chrome), indicando además, que los usuarios usan dispositivos de escritorio.

6. Gobernanza técnica y limitaciones del sistema

Para desplegar este «centinela» en un entorno de producción, debemos respetar las leyes de la física de datos. El algoritmo SR-CNN tiene requisitos estrictos que debemos conocer:

1. Densidad de datos (Cold Start): El modelo necesita aprender el patrón antes de poder detectar desviaciones. Se requiere un mínimo de 12 puntos de datos, aunque para capturar estacionalidades semanales complejas recomendamos al menos 4 semanas de historia. Sin historia, el intervalo esperado será errático e inútil.
2. Topología del gráfico: Solo funciona en gráficos de líneas. Existe una restricción crítica: no puede haber leyendas (múltiples líneas en un gráfico) ni ejes secundarios. El algoritmo analiza una sola serie temporal a la vez. Si necesita analizar 5 países simultáneamente, deberá usar la funcionalidad de «múltiplos pequeños» (small multiples) o crear 5 gráficos distintos.
3. Incompatibilidad predictiva: No es posible activar la «detección de anomalías» y la «previsión» (forecasting) en el mismo gráfico. La razón es técnica: son paradigmas opuestos. El forecasting (ETS) intenta suavizar el ruido para dibujar el futuro, mientras que la detección de anomalías (SR-CNN) intenta resaltar el ruido para auditar el presente. Compiten por el

7. Consideraciones y limitaciones

La detección de anomalías está disponible exclusivamente para objetos visuales de gráficos de líneas que presentan datos de series temporales en el campo Eje. Esta funcionalidad no es compatible con leyendas, valores múltiples o valores secundarios en el objeto visual del gráfico de líneas.

Para habilitar la detección de anomalías, se requiere un mínimo de cuatro puntos de datos. Cabe señalar que las líneas de previsión, así como los cálculos de Mínimo, Máximo, Promedio, Mediana y Percentil, no son compatibles con la detección de anomalías.

Tampoco se admite Direct Query desde orígenes de datos SAP, Power BI Report Server y conexiones en tiempo real a Azure Analysis Services ni SQL Server Analysis Services. Finalmente, la obtención de detalles para avanzar al siguiente nivel de la jerarquía de los objetos visuales no está soportada.

Conclusión: Hacia la arquitectura de la causalidad

Con la implementación del centinela del tiempo, hemos blindado la organización contra la «ceguera de la media». Ahora, el sistema no solo visualiza datos, sino que audita activamente su integridad, alertándonos mediante el algoritmo SR-CNN cuando la realidad matemática del negocio se fractura. Hemos pasado de preguntarnos qué pasó, a recibir una notificación automática cuando algo estadísticamente imposible ocurre, manteniendo siempre la ejecución en local para preservar nuestra soberanía informativa.

Sin embargo, detectar una anomalía es solo el diagnóstico del síntoma. Para alcanzar la excelencia operativa, debemos ser capaces de entender las fuerzas invisibles que provocan esos cambios. No basta con saber que el tráfico ha caído; necesitamos cuantificar qué palancas específicas —dispositivos, mercados o tipos de cliente— están moviendo la aguja y cómo interactúan entre sí.

En la tercera y última entrega de esta serie, abordaremos la arquitectura de la causalidad. Exploraremos el uso de Influenciadores Clave y la segmentación algorítmica para desvelar nichos ocultos y patrones multivariantes. Cercaremos la «última milla» de la analítica aumentada, transformando la complejidad técnica en narrativa pura y decisiones estratégicas de alto impacto.

La organización gobernada por la verdad matemática está a solo un paso de completarse. Nos vemos en la entrega final.