Ниже отображаются каналы с наибольшим уровнем аномальности по собственной 7-дневной модели. Витрина обновляется на основе minute-level снапшотов, завершённых стримов и расчёта базовой нормы поведения канала.
TwitchChecker не публикует голословные обвинения и не делает выводы по одному скриншоту, одному пику или одному тихому чату. Платформа формирует аналитическую оценку на базе minute-level статистики, завершённых стримов и 7-дневной модели поведения канала. Итогом расчёта становится не «ярлык», а взвешенная оценка риска, подозрительной доли аудитории и надёжности вывода.
Для каждого канала сервис строит свежую модель поведения на основании последних 7 дней. Это позволяет учитывать реальный ритм стримов, привычные временные слоты, частоту выходов в эфир и типичный диапазон онлайна именно для этого канала, а не сравнивать его с абстрактной «средней температурой» по платформе.
Основа расчёта — minute-level снапшоты. Система анализирует не только итоговые цифры, но и саму форму движения аудитории: как быстро канал набирает зрителей, как долго удерживает пик, насколько плавно или неестественно меняется онлайн внутри одной сессии и как выглядит распад аудитории после всплеска.
У каждого канала своя нормальная модель поведения. Для одного стримера обычен плавный рост, для другого — резкий набор в первые минуты, для третьего — высокий процент тихого просмотра. Поэтому TwitchChecker сначала определяет базовую норму конкретного канала, а уже потом ищет отклонения от этой нормы.
В расчёт входят динамика просмотра, peak-нагрузка, средний онлайн, часы просмотра, число стримов в окне, внутрисессионная волатильность и отклонение от собственной исторической модели канала. Это позволяет оценивать не одну цифру, а совокупность поведенческих сигналов, собранных в единую аналитическую картину.
Платформа показывает два разных показателя. Риск аномальной аудитории — это итоговый score по шкале от 0 до 100, который отражает силу отклонения от нормальной модели. Подозрительная доля — это оценка вероятно искусственных viewer-minutes внутри анализируемого 7-дневного окна. Один показатель отвечает за уровень сигнала, второй — за предполагаемый масштаб аномалии.
Вместе с риском публикуется и надёжность вывода. Она показывает, насколько уверенно модель может интерпретировать найденные отклонения на основе накопленного объёма данных. Если данных мало, период слишком короткий или картина неоднозначна, сервис не должен делать чрезмерно жёсткий вывод — и именно поэтому оценка сопровождается отдельным уровнем confidence.