一、算法原理
1. 什么是波动归因？
目前的波动归因功能是针对维度字段的下钻归因，维度归因指通过分析业务指标在不同维度（如用户地域、设备类型、广告主等）上的分布变化，定位指标波动根本原因的算法。例如，当广告收入突然下降时，维度归因能快速识别是某个地区的用户活跃度降低，还是某个广告位的配置错误导致。
核心目标 ：
将复杂的指标波动（如收入、点击率变化）拆解到具体维度，帮助业务人员快速定位问题根源，支持数据驱动的决策。
2. 算法核心机制
解释力（Explanatory Power）
定义 ：衡量某一维度对指标波动的贡献程度。
公式 ：EPij= (实际值i - 预测值i) / (整体实际值 - 整体预测值)
例如，若某广告主的收入下降占整体下降的50%，则其解释力为50%。
作用 ：筛选出对波动影响最大的维度元素（如某个浏览器版本、广告主）。
简洁性（Succinctness）
定义 ：用最少的维度元素解释最大的波动。
实现 ：优先选择解释力高且元素数量少的维度组合。
例如，若“浏览器类型=Chrome”能解释80%的收入下降，则无需列举其他次要因素。
惊喜度（Surprise）
定义 ：衡量维度分布变化的异常程度，通过JS散度 （Jensen-Shannon Divergence）计算。
公式 ：Sij=0.5[plog(2p/(q + p)) + qlog(2q/(q + p))]
（p）：预测分布（如某浏览器历史收入占比30%），
（q）：实际分布（如该浏览器当日收入占比5%）。
作用 ：排除正常波动，聚焦分布显著变化的维度（如某浏览器突然无收入）。
3. 算法实践案例：
数据输入 ：
预测值与实际值（如每小时广告收入、点击量）。
多维度数据（广告主、设备类型、地域等）。
根因筛选流程 ：
步骤1 ：计算每个维度元素的解释力，筛选出贡献超过阈值的元素。
步骤2 ：按简洁性原则，组合最少元素解释最大波动。
步骤3 ：通过惊喜度排序，优先输出分布变化最异常的维度（如某设备类型收入占比从50%骤降至0%）。
衍生指标处理 (支持中)：
对于点击率（CTR）、每点击成本（CPC）等衍生指标，采用偏导数法计算元素贡献4。
例如，若某广告主的点击量增加但收入下降，可能因其低价值广告占比较高，算法会识别其对CPC下降的贡献。
二、权限配置
数据解读作为腾讯云 ChatBI 的智能工具，支持配置此功能的配置。
配置维度：项目维度生效
拥有配置权限的角色：企业管理员、本项目管理员（其他角色不可见配置按钮）
配置路径：ChatBI > 配置 > 智能工具 > 波动归因
配置按钮如下：
单击波动归因按钮进行配置
开启波动归因：默认开启，开启后，问题和结果的明细数据将提供给模型波动归因，通过维度归因的方法分析不同维度对波动的贡献，并给出波动归因的。如果因为数据敏感不想传递给模型，请关闭此功能。
内容默认展开：默认关闭，开启后，波动归因的分析结果将无需点击自动生成并展开。
维度智能选择：默认关闭，数据表维度过多会降低分析速度，开启此选项模型会智能选择分析维度提升分析速度，但模型选择可能会导致重要维度被忽略。
三、功能使用
1. 触发逻辑
单一聚合指标：目前仅支持单一的聚合指标，例如收入情况。支持sum数值/count字符/distinct（count）字符。
明确的时间条件：例如2024年，不支持所有时间。
基期数据：波动归因的前提是需要计算波动数据，因此必须有基期时间的数据。例如：请计算2024年的收入情况？现期是2024年，那么必须有基期2023年的数据。
2. 展示说明
（1）波动分析
2023年Q1与2024年Q1乳制品销售额的波动变化情况和同比率变化
绿色代表减少，红色代表增长。
（2）归因分析
模型将根据2023年1月与2024年1月用户消费金额的波动情况进行归因分析，并按照影响程度从大到小进行维度排序。
说明：
计算方法为分布差异法，即维度相对波动变化的偏移程度，偏移程度越大对波动的影响越大，排名并非是同比增长情况。
维度下钻：根据模型提供的影响度前三的维度，进行维度下钻，计算维度值的同比增长和同比率。
（3）总结和建议
根据用户问题和工具分析结果，从通用知识库中召回相关知识，包括行业知识、节假日信息等。当前支持分析波动归因的前5个top维度。
（4）时间对比周期自定义
支持自定义调整对比的时间周期，波动归因支持按照数据表本身的时间颗粒度做自定义时间对比。
满足客户的非标准时间周期对比需求，例如对比不同年份的春节、对比618大促前后，时间周期随客户自由选择；
（5）维度自定义
支持调整波动归因的分析的维度结果，支持删除和恢复。
删除
恢复
