| 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：
- 将 D1 中的异常维度两两组合
- 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：
- 对异常维度值，找到其下一级子维度
- 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
- 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"。
- 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}
- 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}
- 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%
