指标异动的贡献度量化归因

背景

数据监控，核心聚焦在子维度粒度数据波动的解读，但是不便于定位异常波动水平，以及进行指标下钻分析，难以直接定位指标变动来源。难以量化子维度贡献度
例如：11点准时率下滑，但通过分省份数据很难直接各省份波动程度，也不便于定位各省份对11点准时率下滑影响。

目标

自动化实现指标异动监控预警及变化来源量化定位。

方法思路

确定各个维度层级异常预警逻辑，简单定位异常省份&品类：
方法一
绝对值阈值法，直接确定一个边界值，超过即预警，例如准时率低于50%即预警，结果可能预警过多。适用于目标导向，目前值不宜直接拍死，不同情况差异较大，阈值不好定；
方法二
变化值阈值法，直接确定一个边界值，超过即预警；
方法三
箱线图or上下三倍标准差异常剔除；适用于业务发展时间较长，数据丰富且业务稳定期；
其他(放弃)
异常侦测技术，如聚类，Prophet等。

子维度异动的贡献度量化

核心指标变化贡献度分析：按维度拆解&按子指标归因。

指标类型一：加法

结果$y$由$n$个子指标加和构成：
$y={\sum }_{i=1}^n{a}_i\ast x_i,(a_i为常数系数)$
第$i$个指标贡献度计算：
$x_i$的敏感度:
$\frac{\partial y}{\partial x_i}=a_i$
$x_i$的贡献度：
$I(x_i)=\frac{\Delta x_i}{|\Delta y|}\times \frac{\partial y}{\partial x_i}=a_i\frac{\Delta x_i}{|\Delta y|}$
即，$贡献度(子维度i)=常数系数\times \Delta 子维度i/|\Delta 监控指标|$
注：$I(x_i)$有符号，如果是正数，表示$x_i$的变化对于$y$是正向影响，否则表示负向影响。其物理理意义为$x_i$单一因子变化对于整体变化的贡献程度。
例：
缺货投诉率$y$ = 漏件投诉率$x_1$ + 16点未见司机投诉率$x_2$ + 团长拒收率$x_3$
假设上周$(y^{,},x_1^{,},x_2^{,},x_3^{,})=(6\%,1\%,2\%,3\%)$
本周$(y,x_1,x_2,x_3)=(8\%,4\%,2\%,2\%)$
那么，$\Delta y=8\%-6\%=2\%$，其中$x_1,x_2,x_3$的贡献度分别为：
$I(x_1)=\frac{\Delta x_1}{\Delta y}=\frac{4\%-1\%}{2\%}=150\%$
I ( x 2 ) = Δ x 2 Δ y = 2 % − 2 % 2 % = 0 % I(x_2)=\frac{\Delta x_2}{\Delta y} = \frac{2\%-2\%}{2\%} = 0\% I(x2​)=ΔyΔx