# Bi Attribution Analysis > 计算各维度（组）值对指标变动的贡献度，支持可加型量值指标和加权平均型/率值指标。当需要计算贡献度、解释指标"为什么涨/跌"时调用。 - **Type:** Skill - **Install:** `agentstack add skill-agentscope-ai-qwenpaw-data-bi-attribution-analysis` - **Verified:** Yes — security-reviewed for prompt injection and unsafe behavior - **Seller:** [agentscope-ai](https://agentstack.voostack.com/s/agentscope-ai) - **Installs:** 0 - **Category:** [Databases](https://agentstack.voostack.com/c/databases) - **Latest version:** 0.1.0 - **License:** Apache-2.0 - **Upstream author:** [agentscope-ai](https://github.com/agentscope-ai) - **Source:** https://github.com/agentscope-ai/QwenPaw-Data/tree/main/packages/datapaw-skills/skills/atomic/bi-attribution-analysis ## Install ```sh agentstack add skill-agentscope-ai-qwenpaw-data-bi-attribution-analysis ``` Requires the [AgentStack CLI](https://agentstack.voostack.com/docs/cli). Works with Claude Code, Cursor, and any MCP-compatible agent. ## About # bi-attribution-analysis 计算各维度（组）值对指标变动的贡献度，量化每个维度值对整体变动的贡献大小，常见场景： - **维度下拆归因**：指标异常后，逐维度下拆定位驱动变化的关键因素 - **交叉维度归因**：多维度组合下拆，定位高贡献的维度组合 适用指标： - **维度间可加的量值指标**：各维度值可直接求和得到整体值，如访问用户数、GMV、订单量 - **率值指标**：整体值 = 分子总和 / 分母总和，如转化率、留存率 - **加权平均型指标**：整体值由各维度值按权重加权得到。如按渠道拆解客单价（= 各渠道总收入 / 各渠道订单数，各渠道客单价不可直接求和）、按客户群拆解人均收入（= 各群总收入 / 各群用户数） ## 执行步骤 ### 1：数据准备 包含维度往期/当期指标数据的 CSV 文件，至少包含以下列： **维度间可加的量值指标**： | 列 | 说明 | 示例 | | -------- | ---------- | ----------- | | 维度列 | 维度名称 | 渠道 | | 往期值列 | 往期指标值 | 销售额_往期 | | 当期值列 | 当期指标值 | 销售额_当期 | **率值指标**额外需包含分子和分母的往期/当期值： | 列 | 说明 | 示例 | | --------- | ---------- | ------------- | | 分子_往期 | 往期分子值 | 转化人数_往期 | | 分子_当期 | 当期分子值 | 转化人数_当期 | | 分母_往期 | 往期分母值 | 访问人数_往期 | | 分母_当期 | 当期分母值 | 访问人数_当期 | **加权平均型指标**额外需包含指标的分子（被加权的总量）和分母（权重来源）的往期/当期值，示例同上。 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：选择贡献度计算方法 根据指标类型选择计算方法： **维度间可加的量值指标**： | 方法 | 适用场景 | | ----------------------------------------- | -------------------------------------------------------------------------------------------------------------------------- | | **quantity-standard**（标准法） | 默认选择。按维度增量占总增量的比例计算贡献度 | | **quantity-separate**（正负分离法） | 当正负变化相互抵消严重时使用（例如，某方向变动量超过整体变动的 30%），将正贡献和负贡献分别归一化，避免抵消掩盖真实驱动因素 | **加权平均型指标和率值指标**： | 方法 | 适用场景 | | ------------------------------------------ | ---------------------------------------------------------------------------------------------------------------------------------- | | **ratio-cross-term**（保留交叉项法） | 默认选择。将变动拆解为三部分：结构效应（权重变化的影响）、水平效应（指标值本身变化的影响）和交互效应（两者同时变化产生的交叉影响） | | **ratio-average**（平均权重法） | 当不需要区分交互效应、希望结果更简洁时使用。用往期和当期的平均权重消除交互项，只输出结构效应和水平效应两项 | ### 3：执行贡献度计算 按以下优先级选择计算方式，命中即停： #### 方式一：使用脚本 路径：`scripts/contribution_calc.py` 原理：按上述方法计算各维度值的贡献度。支持传入多个维度列进行交叉分析。 若脚本**适用**于当前场景，按以下方式调用： **参数**： | 参数 | 说明 | | --------------------- | ---------------------------------------------------------- | | --input-file | 输入数据文件路径（必填） | | --dimension | 维度列名，支持多个（必填，如 `--dimension 渠道 端类型`） | | --history-col | 往期值列名（必填） | | --current-col | 当期值列名（必填） | | --method | 归因方法（必填，见上方方法选择表） | | --numerator-history | 分子往期列名（率值/加权平均指标时必填） | | --numerator-current | 分子当期列名（率值/加权平均指标时必填） | | --denominator-history | 分母往期列名（率值/加权平均指标时必填） | | --denominator-current | 分母当期列名（率值/加权平均指标时必填） | | --output-file | 输出结果文件路径（可选） | **调用示例**： ```bash # 单维度 - 量值指标标准法 python scripts/contribution_calc.py \ --input-file data.csv \ --dimension "渠道" \ --history-col "销售额_往期" \ --current-col "销售额_当期" \ --method quantity-standard \ --output-file contribution_result.csv # 多维度交叉 - 量值指标标准法 python scripts/contribution_calc.py \ --input-file data.csv \ --dimension "渠道" "端类型" \ --history-col "销售额_往期" \ --current-col "销售额_当期" \ --method quantity-standard \ --output-file contribution_result.csv # 率值指标 - 保留交叉项法 python scripts/contribution_calc.py \ --input-file data.csv \ --dimension "品类" \ --history-col "转化率_往期" \ --current-col "转化率_当期" \ --numerator-history "转化人数_往期" \ --numerator-current "转化人数_当期" \ --denominator-history "访问人数_往期" \ --denominator-current "访问人数_当期" \ --method ratio-cross-term \ --output-file contribution_result.csv # 加权平均指标 - 按渠道拆客单价 python scripts/contribution_calc.py \ --input-file data.csv \ --dimension "渠道" \ --history-col "客单价_往期" \ --current-col "客单价_当期" \ --numerator-history "总收入_往期" \ --numerator-current "总收入_当期" \ --denominator-history "订单数_往期" \ --denominator-current "订单数_当期" \ --method ratio-cross-term \ --output-file contribution_result.csv ``` **输出格式**： quantity-standard（标准法）： ``` 渠道 往期值 当期值 增量 贡献度 华东 100 150 +50 83.3% 华南 80 100 +20 33.3% 华北 60 50 -10 -16.7% ``` ratio-cross-term（保留交叉项法）： ``` 品类 往期率值 当期率值 权重_往期 权重_当期 结构效应 水平效应 交互效应 总贡献 A类 5.00pt 6.00pt 60.00% 55.00% -0.25pt +0.55pt -0.05pt +0.25pt B类 3.00pt 4.00pt 40.00% 45.00% +0.15pt +0.45pt +0.05pt +0.65pt ``` #### 方式二：自行实现 若脚本不适用于当前场景，参考上述原理自行实现贡献度计算。 ## Source & license This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code. - **Author:** [agentscope-ai](https://github.com/agentscope-ai) - **Source:** [agentscope-ai/QwenPaw-Data](https://github.com/agentscope-ai/QwenPaw-Data) - **License:** Apache-2.0 Install and usage instructions live in the source repository linked above. ## Pricing - **Free** — Free ## Security capabilities Automated source analysis of v0.1.0 — what this tool can access: - **Network access:** no - **Filesystem access:** no - **Shell / process execution:** no - **Environment & secrets:** no - **Dynamic code execution:** no *"Yes" means the capability is present in the source — more access means more to trust, not that it is unsafe.* ## Versions - **0.1.0** — security scan: passed — Imported from the upstream source. ## Links - Listing page: https://agentstack.voostack.com/l/skill-agentscope-ai-qwenpaw-data-bi-attribution-analysis - Seller: https://agentstack.voostack.com/s/agentscope-ai - Browse the marketplace: https://agentstack.voostack.com/browse --- Listed on AgentStack — the marketplace for AI agent skills and MCP servers. Every listing is security-reviewed. Creators keep 70%.