贡献分析概览
您可以使用贡献分析（也称为关键驱动因素分析）来生成有关多维数据中关键指标变化的洞见。例如，您可以使用贡献分析来查看两个季度的收入数字变化，或者比较两组训练数据以了解机器学习模型性能的变化。您可以使用 CREATE MODEL 语句在 BigQuery 中创建贡献分析模型。
贡献分析是一种增强型分析，即使用人工智能 (AI) 来增强和自动化数据分析和理解。贡献分析实现了增强型分析的一个关键目标，即帮助用户在数据中发现模式。
贡献分析模型会将一组测试数据与一组控制数据进行比较，从而检测出在统计学上显示指标随时间变化而显著变化的数据细分。这样，您就可以查看数据在时间、地点、客户细分或您关注的任何其他指标方面的变化。例如，您可以将 2023 年底拍摄的表快照与 2022 年底拍摄的表快照进行比较，看看两年间数据有何变化。
该指标是贡献分析模型用来衡量和比较测试数据与对照数据之间的变化的数值。您可以使用贡献分析模型指定可求和指标或可求和比率指标。
细分是指由维度值的指定组合标识的数据切片。例如，对于基于 store_number、customer_id 和 day 维度的贡献分析模型，这些维度值的每个唯一组合都代表一个细分。在下表中，每行代表一个不同的细分：
store_number |
customer_id |
day |
| 商店 1 | ||
| 商店 1 | 客户 1 | |
| 商店 1 | 客户 1 | 星期一 |
| 商店 1 | 客户 1 | 星期二 |
| 商店 1 | 客户 2 | |
| 商店 2 |
如需仅对规模最大且最相关的细分进行建模，请指定一个 apriori 支持阈值，以便从模型中剪除不使用的小细分。这还缩短了模型创建时间。
创建贡献分析模型后，您可以使用 ML.GET_INSIGHTS 函数检索模型计算的指标信息。