在数据智能方向，我们近期围绕「指标异动的自动归因」做了实验性探索。业务日报里一个良率或达成率指标跳变，人工排查往往要翻多张报表、逐层筛选维度，耗时长且容易漏掉交叉项。
我们的做法分三步：先用分层时序基线（按周内周期与节假日对齐）定位异动的时间点与偏离幅度，把「是否异常」和「异常多大」分开判断；再做维度下钻，按产线、班次、料号、客户等维度计算各取值的贡献度，采用加性分解配合 Shapley 近似分配交叉项，避免单维度排序带来的误判；最后输出归因清单，附上每个结论的支持样本量与置信区间，并给出建议验证动作，而不是直接下结论。
当前进展：在一条电子制造试点数据上，覆盖 12 项日报指标，归因结果的前三位命中率约七成，人工排查时间从小时级压缩到分钟级。
下一步计划：接入变更日志、工单与设备状态数据做事件对齐，把统计相关与已知操作事件区分开，减少伪相关；同时补齐指标口径元数据，让下钻维度可随口径变化自动收敛。
评论