Bi Metric Analysis

bi-metric-analysis

针对原子的 BI 分析条目，完成基本的指标观测和重点指标的异常归因。

前置条件

开始执行前，确认以下信息已就绪：

• 分析条目明确，例如"用户规模分析"、"增长归因"等，清楚本次要分析什么
• 指标与角色已确定，知道要分析哪些指标，每个指标是北极星、展示还是分布角色
• 数据获取能力可用，有可以获取数据的工具或 API

若以上信息不完整（比如不清楚要分析哪些指标，或指标角色未确定），需先回到规划阶段补充，或向用户确认后再开始执行。

分析原则

域覆盖优先级

执行分析时，部分参数和设定可能被多个来源提供。当同一参数存在冲突时，按以下优先级取值：

| 优先级 | 来源 | 示例 | | ------ | ------------ | -------------------------------------- | | 最高 | 用户显式指定 | 用户要求"归因取 Top 5" | | 中 | 域知识包 | 某业务域指定"正/负贡献度各取 Top 3" | | 中 | 语义层接口 | 通过接口查询到的指标维度关联、阈值等 | | 最低 | skill 默认值 | Top 3 贡献 |

技能调用

具体的分析方法（异常检测、维度归因、时间归因、新增维度分析等），若存在对应的原子技能则按需调用，否则自行推理完成。

---

1. 确定关联维度

在开始分析之前，需要：

• 为北极星指标确定归因拆解维度（从哪些角度下拆归因），为展示指标确定展示拆解维度（按什么维度展示分布和占比）；
• 明确各维度之间的层级关系（哪些是平级维度、哪些存在父子层级），层级关系决定了后续下拆的路径。

判断方式参见 references/dimension-association.md。

---

2. 基础观测

对指标执行基础数据观测，包括时间周期确定、指标聚合、衍生指标计算和维度交叉展示表构建。

3. 北极星指标异常检测与归因

基于第 2 步的观测结果，对每个北极星指标依次执行步骤 3.1-3.4。

3.1 异常检测

对北极星指标的时间序列进行异常波动点识别：

• 若未发现异常，给出数据现状的描述性总结，跳过步骤 3.2-3.3，直接进入第 3.4 步。
• 若发现异常，继续执行下一步骤。

3.2 维度下拆

发现异常后，对北极星指标按归因拆解维度逐层下拆（单维度扫描 → 交叉分析 → 层级下钻），定位驱动变动的关键维度（组）值，同步计算分布角色指标的分布占比。

3.3 时间归因

识别指标异常波动是否由具体事件导致并计算影响度。数据来源可能包括（但不限于）：

• 业务事件接口（若有） ：通过工具查询当期和往期发生的业务事件（如产品发布、营销活动等）
• 维度变化识别 ：对比当期与往期的维度构成，识别当期新增但上期没有的维度值（如新增产品功能）

3.4 新增维度分析

依次检查各归因拆解维度是否出现了新增值（上期不存在、本期首次出现）。新增维度值（如新上线的功能、新开拓的渠道）可能是指标变动的重要驱动因素，需评估其对北极星指标的贡献大小和表现水平。

---

4. 汇总结论

完成以上分析后，按步骤汇总该条目的结论，每个步骤记录以下内容：

| 字段 | 说明 | | -------- | -------------------------------------------- | | 执行内容 | 本步骤做了什么 | | 取数文件 | 使用的原始数据文件路径 | | 计算结果 | 产出的结果文件路径（归因表、异常检测结果等） | | 结论 | 本步骤的分析发现 |

依次汇总：基础观测 → 异常检测 → 维度下拆 → 时间归因 → 新增维度分析。

最后附上整体不确定性（数据缺失、口径差异等）和后续建议。

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
• Source: agentscope-ai/QwenPaw-Data
• License: Apache-2.0

Install and usage instructions live in the source repository linked above.