一、指标波动异常怎么办？使用关键驱动因素组件
国内某供应链酒饮部门在分析最近几个月综合毛利率时发现，1到3月有较大的下降。业务部门迫切的想知道哪些因素导致了最近指标的异常波动，并指导平台发现问题并进行优化。
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：
- 某些成员的占比一直都比较高且稳定，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。
在实际过程中，进行归因分析并不简单。当业务遇到指标波动时，需要反复和数据分析师团队进行沟通，然后分析师在进行数据处理、特征工程、假设检验、单因素和多因素相关性分析等建模工作。这个过程有时需要几天时间，无法帮助业务部门高效的决策。
Smartbi 最新版本中提供了归因分析这一功能，对业务新手而言，可以快速发现潜在业务问题。对业务专家而言，通过数据洞察，增加决策的信心。
接下来，我们将使用分销平台经营数据来说明Smartbi中归因分析的具体操作步骤。
关键驱动因素组件使用说明
入口：仪表盘AI组件，关键驱动因素
拖入组件后，我们可以根据业务经验，勾选想要分析的维度和指标来灵活的进行分析。
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。
二、想了解各种因素的组合对指标的影响怎么办？使用首要细分市场组件
首要细分市场中可以了解各种因素的组合如何影响正在分析的指标，气泡的大小是由具体指标值决定。
功能入口：仪表盘新增了一个AI组件，提供了首要细分市场组件
例如，以订单明细数据举例，分析发货人、发货城市、省份、发货区域、订单日期、雇员编号对订单数量的影响。
点击第一个气泡进来可以看到，如果是发货人不是‘王先生’，发货人不是‘周先生’，并且发货人为‘苏先生’，订单数量的平均值为104.58单，比整体平均值61.95高了42.63单。同时，当前分段所占比例为6.88%。
点击第二个气泡进来可以看到，如果是发货人是‘王先生’，发货区域不是‘华东’，并且发货城市不是‘长春’时，订单数量的平均值为91.89单，比整体平均值61.95高了29.95单。同时，当前分段所占比例为9.06%。
三、没有黑匣子，可信的AI-组件设置调参
我们在组件属性面板提供了快捷的设置方式来调整分析参数，比如你可以决定使用哪种分析方式，我们这里提供了两种分析方式，一种是多因素分析，另一种是相关性分析。简单来说多因素分析能够综合考虑多个因素对目标变量的联合影响，而相关性分析更加注重单个变量对目标变量的影响。
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。
为什么我们要强调没有黑盒子这一点，至少有三个原因：
1、如果你做了个模型，只是自己玩玩，错了就错了没啥影响。但是，如果用于支持决策，错了会带来经济上的损失。因此，我们需要检查模型的工作原理，能够进行分析和改进，并向团队证明一切都是正确的。
2、专家数据分析师通过使用这一过程作为他们自己模型的起点，提高了生产力。
3、新数据分析师可以通过检查过程来学习最佳实践。理解和修改分析流程不再集中于特定的人群，能够持续提高组织团队中成员的分析能力，降低人员成本。
