Data & analytics · Analysis
bi-dimension-drilldown
/bi-dimension-drilldown
对指标按维度逐层下拆,通过单维度扫描、交叉分析和层级下钻定位关键维度(组)值。当需要知道"从哪些维度拆解、按什么顺序拆解来定位指标变动来源"时调用。
- Author
- agentscope-ai ↗
- Repository
- qwenpaw-data ↗
- Licence
- Apache-2.0
- Last repository change
- 19.10.2026
Assessment and security
96/ 100Class: good
Format25 / 25
Frontmatter with name and description, valid name, description up to 1,024 characters, name matching the folder.
Discoverability21 / 25
Description explains when to use the skill, has a reasonable length and uses third person.
Content35 / 35
At least 150 words and at most 500 lines, headings, step lists, examples or code.
Hygiene15 / 15
No placeholders such as TODO, no Windows paths, with a licence.
Riskno signals detected in the scan
- Files in this package
- 1
- Scripts
- 0
- HTML comments
- 0
- URLs in SKILL.md
- 0
Deprecation
No signals detected. Repository changed on 19.10.2026, without references to retired models or APIs.
Licence
Apache-2.0, otwarta: można używać i zmieniać, z zachowaniem licencji i informacji o zmianach.
What it does and when to use it
对指标按维度逐层下拆,通过单维度扫描、交叉分析和层级下钻定位关键维度(组)值。当需要知道"从哪些维度拆解、按什么顺序拆解来定位指标变动来源"时调用。
Triggers from the description
从哪些维度拆解、按什么顺序拆解来定位指标变动来源
Original author description
对指标按维度逐层下拆,通过单维度扫描、交叉分析和层级下钻定位关键维度(组)值。当需要知道"从哪些维度拆解、按什么顺序拆解来定位指标变动来源"时调用。
How it works
- 前置检查
- 执行步骤
Original SKILL.md headings · 111 lines, 238 words
SKILL.md preview
---
name: bi-dimension-drilldown
description: 对指标按维度逐层下拆,通过单维度扫描、交叉分析和层级下钻定位关键维度(组)值。当需要知道"从哪些维度拆解、按什么顺序拆解来定位指标变动来源"时调用。
---
# bi-dimension-drilldown
对指标按归因维度逐层下拆,通过单维度扫描、交叉分析和层级下钻,定位驱动指标变动的关键维度(组)值。
典型场景:
- 用户要求"按渠道拆一下 DAU 的贡献度"
- 异动分析流程中,异常检测发现异常后需要定位原因
## 前置检查
开始前确认以下信息已明确:
- **下拆指标**:需要下拆的指标及其类型(量值 / 率值 / 加权平均)
- **归因拆解维度**:下拆的维度列表及其层级关系(哪些是 0 级平级维度,哪些有父子关系)
- **分布指标**(可选):需要展示分布占比的重点指标
## 执行步骤
### 1:数据准备
根据前置检查确认的指标和维度,准备包含往期和当期数据的 CSV 文件,至少包含以下列:
| 列 | 说明 | 示例 |
| ---------- | ------------------------------------------------ | ------------ |
| 维度列 | 所有涉及的归因拆解维度(每个维度一列,可能多列) | 渠道、端类型 |
| 往期值列 | 下拆指标的往期值 | DAU_往期 |
| 当期值列 | 下拆指标的当期值 | DAU_当期 |
| 分布指标列 | 分布指标值(可选,有分布指标时需要) | 访问用户数 |
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:维度下拆
在每一步下拆中,针对当前拆解的维度(组),计算:
- **贡献度**(相对于下拆指标):各维度(组)值对该下拆指标整体变动的贡献大小
- **分布占比**(相对于需要展示占比的分布指标):各维度(组)值在分布指标整体中的比例
按以下步骤逐步拆解:
#### 2.1 单维度扫描
对每个 0 级归因维度逐一执行贡献度计算和分布占比计算,筛选贡献度 Top-N 的维度值,记异常维度值集合为 D1。
#### 2.2 交叉分析(平级维度)
若 D1 中多个平级维度同时出现异常维度值:
1. 将 D1 中的异常维度两两组合
2. 对每个组合执行贡献度计算和分布占比计算,筛选贡献度 Top-N 的维度组合,记异常维度组合集合为 D2
若只有一个维度出现异常,跳过此步。
#### 2.3 层级下钻(层级维度)
取 D2(若存在)或 D1 中的异常维度(组),沿层级关系逐级向下拆解:
1. 对异常维度值,找到其下一级子维度
2. 在该异常维度值的数据范围内,执行贡献度计算和分布占比计算,筛选 Top-N
3. 继续向下拆解(0 级 → 1 级 → 2 级 → ...),直到无更下级维度
每一级的下拆结果都保留,用于最终汇总。
**补充说明**:
- **默认参数**:若用户未要求或其他源未指定,默认 N = 3
- **正负分离判断**:默认按整体贡献度排序;当某方向变动量超过整体变动的 30% 时,说明正负抵消严重,需分别筛选正/负贡献度 Top-N
**示例**:下拆指标为 DAU(日活跃用户数),分布指标为访问用户数,0 级归因维度有"渠道"和"端类型","渠道"下有 1 级子维度"子渠道"。
1. **单维度扫描**:分别按"渠道"和"端类型"下拆 DAU,发现"渠道=自然流量"贡献度 +45%、"端类型=APP"贡献度 +30%,同时计算各维度值的访问用户数分布占比。两个维度均出现异常 → D1 = {渠道:自然流量, 端类型:APP}
2. **交叉分析**:"渠道"与"端类型"是平级维度,按"渠道 × 端类型"组合下拆,发现"自然流量 × APP"组合贡献度 +38% → D2 = {自然流量 × APP}
3. **层级下钻**:"渠道"下有子维度"子渠道",在"自然流量 × APP"这个组合下继续按"子渠道"下拆,发现"子渠道=搜索引擎"贡献度 +32%,最终定位到异常来源
### 3:汇总下拆结果
将各层级的下拆结果汇总输出。**示例**:
单维度扫描(渠道):
```
维度值 DAU贡献度 访问用户数占比
自然流量 +45% 52.3%
付费投放 -12% 28.1%
```
单维度扫描(端类型):
```
维度值 DAU贡献度 访问用户数占比
APP +30% 61.5%
Web +15% 38.5%
```
交叉分析:
```
维度组合 DAU贡献度 访问用户数占比
自然流量 × APP +38% 35.2%
自然流量 × Web +7% 17.1%
```
层级下钻:
```
父维度值 子维度 DAU贡献度 访问用户数占比
自然流量 × APP 搜索引擎 +32% 22.8%
自然流量 × APP 社交分享 +6% 12.4%
```
Versions
The database has no other skills named bi-dimension-drilldown.
Database snapshot: 13.11.2026 · package version 1d3ec44696c3 (SHA-256 digest of the entire package)
Downloads in the last 30 days: 0 · ranking
Report a problem with this skill: harmful content, incorrect descriptions or an author’s removal request.
Similar skills
- 96bi-new-dimension-analysis
识别新增维度值并评估其在北极星指标上的表现。当归因维度出现新增值(如新渠道、新品类、新功能)需要评估效果时调用。 - 100cja-dimension-analysis
Comprehensive dimension analysis and reporting for CJA. Use this skill whenever the user wants to analyze one or more dimensions — including cardinality, distribution/skew, trends, anomalies, data quality errors, comparisons, and forecasting. Also trigger when someone asks "what… - 100profile
Profile dimensions in the semantic layer to discover data values, ranges, and cardinality. Use when the user wants to understand what data is in a dimension, find valid filter values, or validate view definitions against actual data. - 100grafana-scenes
Build Grafana plugin pages using the @grafana/scenes framework. Use when creating new scene pages, adding panels/visualizations, setting up drilldown navigation, defining variables, configuring query runners, building table/timeseries/stat panels, or extending SceneObjectBase…