TOP_INSIGHTS (SNOWFLAKE.ML)¶

在数据集中找到最重要的维度，从这些维度构建片段，然后检测这些片段中哪些对指标有影响。

TOP_INSIGHTS 非常适合从具有大量维度的数据集中提取根本原因。此外，还支持连续维度，而无需将其预处理为分类维度，并能在结果中指出具有负面条件的维度（例如，“区域不是北美”）。

语法¶

SNOWFLAKE.ML.TOP_INSIGHTS(
  <categorical_dimensions>, <continuous_dimensions>,
  <metric>, <label> )

Copy

categorical_dimensions: OBJECT 包含维度名称和关联的分类列之间的 1：1 映射。该值可以来自单个列，也可以派生自列的简单组合。
continuous_dimensions: OBJECT 包含维度名称和关联的连续列之间的 1：1 映射。该值可以来自单个列，也可以派生自列的简单组合。连续维度的值不得为 NULL。
metric: 表示正在调查的目标指标的 FLOAT 列。此值必须严格为非负值。该值可以来自单个列，也可以派生自列的简单组合。
label: 区分控制数据和测试数据的 BOOLEAN 列。TRUE 表示测试数据，FALSE 表示控制数据。该值可以来自单个列，也可以派生自列的简单组合（例如，日期比较）。

该函数返回以下列：

列名称	数据类型	描述
`contributor`	ARRAY	定义算法的段或见解的字符串 ARRAY。例如： [ "not country = canada", "length_of_vertical <= 4.5", "vertical = finance" ] Copy
`metric_control`	FLOAT	控制期间特定段中的指标总值。
`metric_test`	FLOAT	测试期间特定段中的指标总值。
`surprise`	FLOAT	基于跨周期的总体指标变化，`metric_test` 超出其预期值的金额。
`relative_change`	FLOAT	与同一时期的总体指标相比，特定段中的指标在不同时间段内的变化情况的量化：高于 1.0 的相对变化意味着该段在不同时间段内的增长速度高于总体指标，从而推动了增长。低于 1.0 的相对变化意味着该段的增长速度低于总体指标，从而导致下降。
`growth_rate`	FLOAT	控制期间所有段中的指标总值。
`expected_metric_test`	FLOAT	测试期间指标的预期值，基于 `overall_metric_control` 和 `overall_metric_test` 之间的关系。
`overall_metric_control`	FLOAT	控制期间所有段中的指标总值。
`overall_metric_test`	FLOAT	测试期间所有段中的指标总值。
`overall_growth_rate`	FLOAT	所有段的控制期和测试期之间的增长率，定义为 `overall_metric_test` 除以 `overall_metric_control`。
`new_in_test`	BOOLEAN	指示测试数据中特定段是否为新段。
`missing_in_test`	BOOLEAN	指示测试数据中是否缺少特定段。