Présentation de l'analyse des contributions

Ce document vous permet de comprendre le cas d'utilisation de l'analyse des contributions et les options disponibles pour effectuer une analyse des contributions dans BigQuery ML.

Qu'est-ce que l'analyse des contributions ?

L'analyse des contributions, également appelée analyse des principaux facteurs, est une méthode utilisée pour générer des insights sur les modifications apportées aux métriques clés de vos données multidimensionnelles. Par exemple, vous pouvez utiliser l'analyse des contributions pour voir quelles données ont contribué à une modification des revenus sur deux trimestres ou pour comparer deux ensembles de données d'entraînement afin de comprendre les changements de performances d'un modèle de ML.

L'analyse des contributions est une forme d' analyse augmentée, qui consiste à utiliser l'intelligence artificielle (IA) pour améliorer et automatiser l' analyse et la compréhension des données. L'analyse des contributions atteint l'un des objectifs clés de l'analyse augmentée, qui consiste à aider les utilisateurs à trouver des tendances dans leurs données.

Analyse des contributions avec BigQuery ML

L'analyse des contributions détecte les segments de données qui présentent des modifications dans une métrique donnée en comparant un ensemble de données de test à un ensemble de données de contrôle. Par exemple, vous pouvez utiliser un instantané de table des données de ventes prises à la fin de 2023 comme données de test et un instantané de table pris à la fin de 2022 comme données de contrôle, puis les comparer pour voir comment vos ventes ont évolué au fil du temps. L'analyse des contributions peut vous montrer quel segment de données, tel que les clients en ligne dans une région particulière, a entraîné la plus grande variation des ventes d'une année à l'autre.

Une métrique est la valeur numérique utilisée par les modèles d'analyse des contributions pour mesurer et comparer les modifications entre les données de test et de contrôle. Vous pouvez spécifier les types de métriques suivants avec un modèle d'analyse des contributions :

  • Sommable: additionne les valeurs d'une colonne de métriques que vous spécifiez, puis détermine un total pour chaque segment des données.
  • Ratio sommable: additionne les valeurs de deux colonnes numériques que vous spécifiez et détermine le ratio entre elles pour chaque segment des données.
  • Sommable par catégorie: additionne la valeur d'une colonne numérique et la divise par le nombre de valeurs distinctes d'une colonne catégorielle.

Un segment est une tranche des données identifiée par une combinaison donnée de valeurs de dimension. Par exemple, pour un modèle d'analyse des contributions basé sur les dimensions store_number, customer_id et day, chaque combinaison unique de ces valeurs de dimension représente un segment. Dans le tableau suivant, chaque ligne représente un segment différent :

store_number customer_id day
Magasin 1
Magasin 1 Client 1
Magasin 1 Client 1 Lundi
Magasin 1 Client 1 Mardi
Magasin 1 Client 2
Magasin 2

Analyser des données sans modèle

Si vous avez moins de 12 dimensions et que vous utilisez une métrique sommable, vous pouvez effectuer une analyse des contributions à l'aide de la AI.KEY_DRIVERS TVF. Pour la plupart des applications, nous vous recommandons d'utiliser la fonction AI.KEY_DRIVERS plutôt que de créer un modèle, car elle offre une syntaxe simplifiée, des résultats plus rapides et un élagage automatique. La sortie de la fonction se compose de lignes d'insights, où chaque insight correspond à un segment et fournit les métriques correspondantes du segment.

Utiliser un modèle d'analyse des contributions

Pour une analyse répétée, ou si vous avez besoin de plus de 12 dimensions ou d'autres types de métriques, vous pouvez créer un modèle d'analyse des contributions avec l'instruction CREATE MODEL.

Pour réduire le temps de création du modèle, spécifiez un seuil de prise en charge a priori. Un seuil de prise en charge a priori vous permet d'élaguer les segments petits et moins pertinents afin que le modèle n'utilise que les segments les plus grands et les plus pertinents.

Une fois que vous avez créé un modèle d'analyse des contributions, vous pouvez utiliser la ML.GET_INSIGHTS fonction pour récupérer les informations sur les métriques calculées par le modèle. La sortie de la fonction se compose de lignes d'insights, où chaque insight correspond à un segment et fournit les métriques correspondantes du segment.

Parcours utilisateur de l'analyse des contributions

Le tableau suivant décrit les instructions et les fonctions que vous pouvez utiliser avec l'analyse des contributions :

Instruction ou fonction Prétraiter des caractéristiques Génération d'insights Tutoriels
AI.KEY_DRIVERS Prétraitement manuel N/A Exemple d' analyse des contributions sur les données de ventes de boissons alcoolisées dans l'Iowa
CREATE MODEL Prétraitement manuel ML.GET_INSIGHTS

Étape suivante