...
我们可能会想到通过计算维度成员占比的方式得出关键影响因素，根据占比大小来排名，但是这种方式存在如下问题：1、某些成员的占比一直都比较高，但实际上并不是影响指标上升或者下降的关键因素，甚至和指标波动没有关系。
- 某些成员的占比一直都比较高，但实际上并不是影响指标上升或者下降的关键因素，甚至和指标波动没有关系。
...
- 影响某一业务波动的因素有很多，比如天气可能会影响商品的销量，仅通过计算维度成员的占比无法发现潜在的关键影响者。
...
- 在同一个字段下，有些成员是正向影响，有些成员是负向影响，我们需要能够找出来。
为了更好的找到决定问题的关键因素有哪些，我们运用机器学习的方式来进行更加深入的分析，这个过程我们可称为归因分析。
...
选择需要筛选的时间区间到筛选器上，我们会使用这段时间的数据来进行分析。
在分析前，我们所选的数据中，城市字段下有100多个成员，项目下有1500多个成员，哪些成员是正向影响，哪些是负向影响，我们难以快速的知道。
在分析前，我们所选的数据中，城市字段下有100多个成员，项目下有1500多个成员，哪些成员是正向影响，哪些是负向影响，我们难以快速的知道。在分析完成后，我们想要获得的是每个字段下各个成员的对分析字段的影响程度，我们得到了对综合毛利有提高影响以及降低影响的成员，比如在100多个城市成员下找到了武汉，在1500多个项目成员下找到了景芝对综合影响综合毛利的影响是提高的。在分析完成后，我们得到了对综合毛利有提高影响以及降低影响的成员，比如在100多个城市成员下找到了武汉，在1500多个项目成员下找到了景芝对综合影响综合毛利的影响是提高的。
点击左上角可以切换查看哪些成员对指标是降低的影响。切换后，我们可以发现同样在项目字段下长城葡萄酒这个成员对综合毛利率是降低的影响。点击柱子，我们可以进一步看到其在整个产品中的分布情况。
...
尽管我们知道了影响综合毛利的关键因素有哪些，但是你可能想看看如何完成这个分析过程的。我们在组件属性面板可以点开支撑我们完成这次分析的建模平台。
Smartbi提供了专业的数据挖掘平台来支撑这一分析过程，我们可以
和分析师团队一道查看这个建模各阶段的每个细节，可以检查模型的工作原理并且确保是正确的。我们可以修改这个过程，你甚至可以让分析师团队基于这个过程进一步加深问题分析的深度。Smartbi提供了专业的数据挖掘平台来支撑这一分析过程，我们可以和分析师团队一道查看这个建模各阶段的每个细节，可以检查模型的工作原理并且确保是正确的。我们可以修改这个过程，你甚至可以让分析师团队基于这个过程进一步加深问题分析的深度。
为什么我们要强调没有黑盒子这一点，至少有三个原因：
...
