bi-dimension-drilldown

bi-dimension-drilldown

对指标按归因维度逐层下拆，通过单维度扫描、交叉分析和层级下钻，定位驱动指标变动的关键维度（组）值。

典型场景：

• 用户要求"按渠道拆一下 DAU 的贡献度"
• 异动分析流程中，异常检测发现异常后需要定位原因

前置检查

开始前确认以下信息已明确：

• 下拆指标：需要下拆的指标及其类型（量值 / 率值 / 加权平均）
• 归因拆解维度：下拆的维度列表及其层级关系（哪些是 0 级平级维度，哪些有父子关系）
• 分布指标（可选）：需要展示分布占比的重点指标

执行步骤

1：数据准备

根据前置检查确认的指标和维度，准备包含往期和当期数据的 CSV 文件，至少包含以下列：

列	说明	示例
维度列	所有涉及的归因拆解维度（每个维度一列，可能多列）	渠道、端类型
往期值列	下拆指标的往期值	DAU_往期
当期值列	下拆指标的当期值	DAU_当期
分布指标列	分布指标值（可选，有分布指标时需要）	访问用户数

若上游步骤已产出可用数据文件则直接使用，否则自行取数。

2：维度下拆

在每一步下拆中，针对当前拆解的维度（组），计算：

• 贡献度（相对于下拆指标）：各维度（组）值对该下拆指标整体变动的贡献大小
• 分布占比（相对于需要展示占比的分布指标）：各维度（组）值在分布指标整体中的比例

按以下步骤逐步拆解：

2.1 单维度扫描

对每个 0 级归因维度逐一执行贡献度计算和分布占比计算，筛选贡献度 Top-N 的维度值，记异常维度值集合为 D1。

2.2 交叉分析（平级维度）

若 D1 中多个平级维度同时出现异常维度值：

1. 将 D1 中的异常维度两两组合
2. 对每个组合执行贡献度计算和分布占比计算，筛选贡献度 Top-N 的维度组合，记异常维度组合集合为 D2

若只有一个维度出现异常，跳过此步。

2.3 层级下钻（层级维度）

取 D2（若存在）或 D1 中的异常维度（组），沿层级关系逐级向下拆解：

1. 对异常维度值，找到其下一级子维度
2. 在该异常维度值的数据范围内，执行贡献度计算和分布占比计算，筛选 Top-N
3. 继续向下拆解（0 级 → 1 级 → 2 级 → ...），直到无更下级维度

每一级的下拆结果都保留，用于最终汇总。

补充说明：

• 默认参数：若用户未要求或其他源未指定，默认 N = 3
• 正负分离判断：默认按整体贡献度排序；当某方向变动量超过整体变动的 30% 时，说明正负抵消严重，需分别筛选正/负贡献度 Top-N

示例：下拆指标为 DAU（日活跃用户数），分布指标为访问用户数，0 级归因维度有"渠道"和"端类型"，"渠道"下有 1 级子维度"子渠道"。

1. 单维度扫描：分别按"渠道"和"端类型"下拆 DAU，发现"渠道=自然流量"贡献度 +45%、"端类型=APP"贡献度 +30%，同时计算各维度值的访问用户数分布占比。两个维度均出现异常 → D1 = {渠道:自然流量, 端类型:APP}
2. 交叉分析："渠道"与"端类型"是平级维度，按"渠道 × 端类型"组合下拆，发现"自然流量 × APP"组合贡献度 +38% → D2 = {自然流量 × APP}
3. 层级下钻："渠道"下有子维度"子渠道"，在"自然流量 × APP"这个组合下继续按"子渠道"下拆，发现"子渠道=搜索引擎"贡献度 +32%，最终定位到异常来源

3：汇总下拆结果

将各层级的下拆结果汇总输出。示例：

单维度扫描（渠道）：

 维度值    DAU贡献度  访问用户数占比
 自然流量   +45%        52.3%
 付费投放   -12%        28.1%

单维度扫描（端类型）：

 维度值    DAU贡献度  访问用户数占比
 APP        +30%        61.5%
 Web        +15%        38.5%