异常维度定位：Adtributor 的意外性与解释力

好物优选的 GMV 从 2000 万掉到 1400 万，一个月掉了 30%。

数据团队按三个维度各拆了一遍，每个维度都给出了"主因"：

三个头名都是 50%——各自扛下了跌幅的一半。排查资源按这个顺序排了下去：先查推荐，再查服饰，再查一线。

结果推荐这边查了两天，什么都没查出来：素材没换、召回没动、排序模型没发版、AB 实验也没开。推荐一切正常。

问题出在哪？

**贡献度回答的是"谁造成的变化大"，而异动归因要找的是"谁反常"。**这是两个不同的问题，排序规则也就完全不同。上面那张表之所以把"推荐"推上第一，不是因为推荐反常，而是因为推荐本来就占大盘 35%——它跌得多，理应贡献得多。

这是全系列第 07 篇，讲 Adtributor 这个算法。它不按贡献度排序，而是按意外性排序：一把尺子量反常程度，一把尺子量体量，两把一起用。

一、维度归因的三个盲区

1.1 盲区一：占比大的维度天然霸榜

贡献度 Cᵢ = Vᵢ / ΔY，分子是某个因子自己的变化量，分母是这次变化的总量。这等于把体量和异常揉进了同一个数。

推论很直接：**大盘里占比越大的维度，波动一下贡献度就越高。**推荐的预期占比是 35%（700 万 / 2000 万），它跌了 300 万，贡献度自然冲到 50%。但这恰恰是"它本来就大"的正常表现——一个占三分之一盘子的东西，少掉的量当然多。

反过来看直播：预期 300 万，实际 200 万，绝对贡献同样是 −100 万，贡献度 16.67%。听起来"没那么重要"，可它自身跌了 33.3%，大盘跌 30%，它基本是跟着大盘一起走的，没有任何异常。

把贡献度当异常探测器用，等于在排序里混进了一个"体量"因子。体量大的维度天然霸榜，体量小的维度再怎么反常也挤不上来。

1.2 盲区二：维度组合爆炸

真实业务里维度不是三个，是几十个：渠道、品类、城市线级、终端、新老客、会员等级、支付方式、履约方式……每个维度各有 10–30 个枚举值。

一旦想看"组合"，单元格数量就是乘法：三个维度各 20 个值，组合出 8000 个格子。两个坏结果随之而来。

**一是信号被稀释。**每个组合单元格的贡献度均值量级在 1/8000，排序出来的名次差异完全被噪声淹没，第 5 名和第 50 名可能只差几个基点。

**二是组合的"贡献度"在数学上根本不成立。**同一个用户既可能被算进"搜索 × 一线 × 服饰"，也可能被算进"推荐 × 二线 × 食品"。各组合的贡献度加起来不会等于 100%，因为发生了重叠计数。这不是一个分解，它根本不是一个可加的分解。

1.3 盲区三：绝对贡献小但相对变化大的被埋没

第三种情况更隐蔽。一个只占大盘 1% 的枚举值翻了倍，绝对变化只有大盘的 1% 量级，贡献度排在榜尾——但它是唯一一个真的出问题的。

反过来也可能：一个占大盘 40% 的枚举值跌了 30%，贡献度榜一，但它只是跟着大盘走。

在贡献度排名里，这两类是完全无法区分的。

1.4 核心转变：两个不同的问题

flowchart TB
    A["维度归因：GMV 掉了 30%"] --> B["盲区一
占比大的维度天然霸榜"]
    B --> C["盲区二
维度组合爆炸，排序变成噪声"]
    C --> D["盲区三
绝对量小但相对变化大被埋没"]
    D --> E["核心转变
贡献度答「谁造成的变化大」
归因要找的是「谁反常」"]

二、意外性：衡量分布差异，而不是绝对变化

2.1 换一个视角

Adtributor 的第一步动作是把问题换掉。不问"这个枚举值掉了多少"，而问：

这个枚举值在大盘里的占比，和预期相比变了多少？

占比的偏移不受体量影响。一个只占 1% 的枚举值，如果占比翻倍，它的占比偏移和一个大枚举值的占比偏移在同一个尺度上，可以直接比。

2.2 JS 散度

把预测分布和实际分布各写成一组占比。对维度 i 下的枚举值 j：

p = F_ij / F     预测占比
q = A_ij / A     实际占比

两个分布之间的 Jensen-Shannon 散度：

D_JS(P, Q) = ½ [ Σ pᵢ log₂(2pᵢ/(pᵢ+qᵢ)) + Σ qᵢ log₂(2qᵢ/(pᵢ+qᵢ)) ]

单个枚举值的意外性，就是 JS 散度在这个枚举值上的贡献：

S_ij = ½ [ p log₂(2p/(p+q)) + q log₂(2q/(p+q)) ]

有个顺手的性质：**一个维度所有枚举值的 S 之和，正好等于该维度预测分布与实际分布之间的 JS 散度。**所以 S_ij 既可以单独读（这个枚举值有多反常），也可以汇总读（这个维度的整体分布形状变了多少）。

2.3 为什么用 JS 散度，而不是 KL 散度

相对熵（KL 散度）是度量两个分布差异的更古老的工具，但它在这个场景有两个硬伤。

第一，KL 散度不对称。KL(P‖Q) ≠ KL(Q‖P)，方向反了数值就变了。而"实际和预期差多少"这件事，在业务上是对称的——预期 40% 变实际 50%，和预期 50% 变实际 40%，应该是同一个严重程度。

**第二，KL 散度在零值处未定义。**只要有一个 pᵢ = 0 而 qᵢ > 0（或反过来），KL 散度就是无穷大。业务里某个枚举值为 0 太常见了：某个渠道当天没量、某个品类断货、某个广告主暂停投放。

JS 散度把两个问题都绕开了：它对称，并且在零值处有限（pᵢ = 0 时那一项按极限取 0，剩下的一半仍然可算）。另外它的值域有界 [0, 1]，跨维度比较时不需要归一化——这一点在维度排名时很关键。

2.4 JS 散度的直觉

它衡量两个分布"重叠得有多差"。

把预测分布和实际分布各自当成一堆概率质量，JS 散度问的是"这两堆东西错位得有多厉害"。取 0 表示两个分布完全一致；越大表示分布形状完全变了，极端情况下（p 和 q 完全不重叠）取 1。

因为公式里用的是 log₂，量纲是比特。所以 S 值都是 0.004016 这种小数——**别把它读成 0.4%，它没有任何百分比含义。**要用就用它的相对排序：同一个维度内谁比谁更反常，不同维度之间比大小（因为值域有界）。

三、解释力 EP

3.1 定义

EP_ij = (A_ij − F_ij) / (A − F)

这就是第一篇 讲的贡献度在 Delta 法下的样子：分子是该枚举值自己的变化量，分母是大盘总变化量。前提是指标在这个维度上可加——第一篇 3.1 节讲过，可加性不成立时这个式子直接没有意义。

3.2 它保证同维度内加总为 100%

Σ_j EP_ij = Σ_j (A_ij − F_ij) / (A − F) = (A − F) / (A − F) = 1

因为分母对同一维度内的所有枚举值都是同一个，分子可以直接整体求和。这是 EP 最重要的性质：它是一把体量尺，告诉你这个枚举值能解释多少总变化。

两个边界情况要记住：EP 可以为负（该枚举值与大盘反向变动），也可以超过 100%（它自己变化的幅度超过了大盘总变化）。

3.3 两把尺子一起用

单用 EP 会退化成贡献度排序（老问题），单用 S 会选出一堆"占比抖了一下、体量微不足道"的小枚举值。候选集的筛选必须同时用两个：单项 EP 太低的不进候选（解释不了多少），S 太低的也不该进（一点都不反常）。

四、算法流程

flowchart TB
    A["输入：各维度枚举值的预期 F 与实际 A"] --> B["第一步
算每个枚举值的意外性 S"]
    B --> C["第二步
维度内按 S 降序遍历"]
    C --> D["EP 不低于 T_EEP 才加入候选集"]
    D --> E["累计 EP 达到 T_EP 时停止"]
    E --> F["第三步
各维度按候选集 S 之和排序"]

4.1 输入

对每个维度 i 下的每个枚举值 j，需要三个数：

• F_ij：预期值，来自异动检测模块的预测
• A_ij：实际值
• F、A：大盘的预期值与实际值（在每个维度上都是同一组数）

4.2 第一步：算意外性

对所有维度、所有枚举值算一遍 S_ij，用 2.2 的公式。

4.3 第二步：维度内生成候选集

在每个维度内部，按 S 从大到小遍历枚举值，做两件事：

1. 若 EP_ij ≥ T_EEP（单个元素至少要解释这么多），把它加入该维度的候选集
2. 累计 EP 达到 T_EP 时停止遍历

这两个阈值各管一件事：

• T_EEP 管"候选集里能塞几个元素"（奥卡姆剃刀）——单个元素解释不了多少，就别往里塞
• T_EP 管"候选集要解释掉多少"——解释到这个比例就收工

4.4 第三步：维度排序

每个维度输出一个候选集，按候选集内枚举值的 S 之和排序，取前几个输出。

**这里有个必须钉死的口径：分子只能是候选集内枚举值的 S 之和。**有的资料在某个维度上误用了"该维度所有枚举值的 S 之和"，会把没入选的枚举值一并计入，维度之间的排名会直接错乱。第五节有具体对照。

4.5 两个阈值怎么定

Adtributor 原文的部署取值是 T_EP = 0.67、T_EEP = 0.10，这两个数字来自排查专家手工流程的习惯值。

调高得到"核心结论"，调低得到"候选线索"。排查工单适合高阈值（要一个能立刻开工的结论），定期巡检适合低阈值（宁可多给线索）——两个场景共用一个阈值是最常见的误配。

五、实算

5.1 三个维度的数据

大盘：预期 2000 万 → 实际 1400 万，Δ = −600 万。以下金额单位均为万元。

渠道维度：

品类维度：

城市线级维度：

5.2 候选集生成

按 T_EEP = 0.10、T_EP = 0.60 跑一遍：

三个维度都没遍历完就停了。注意私域：它的 EP 是 16.67%、够得上 T_EEP，排在搜索和推荐之后——但因为推荐已经把累计 EP 推到 66.67%，它根本没轮到。

5.3 核心教学点：三个维度，三种结果

渠道维度：EP 最高的是「推荐」，但 S 最高的是「搜索」。

搜索自己只跌了 12.5%（800 → 700），绝对量上是四个渠道里跌得最轻的，贡献度只有 16.67%。可它偏偏是最反常的那个——大盘跌了 30%，而搜索的占比从 40% 升到了 50%。

怎么理解这件事？**在一个整体收缩 30% 的盘子里，一个只跌了 12.5% 的板块，份额反而涨了 10 个百分点。**这只有两种解释：别的东西塌得比它更狠，或者这个板块被大盘的结构性变化推了上来。无论哪种，搜索都在做一件"大盘做不出来"的事，这正是要查的信号。

推荐则是另一回事。它跌了 42.9%，比大盘还狠 12.9 个百分点，占比从 35% 掉到 28.57%，反常程度排第二（S = 0.002349）。它是这次下跌里体量最大的贡献者，但它的下滑幅度仍然在"能解释"的范围内——贡献度第一不等于最反常。

城市线级：EP 最高的是「一线」，但 S 最高的是「二线」。

二线自己跌了 40%（500 → 300），比大盘还狠，占比从 25% 掉到 21.43%。一线跌了 25%（1200 → 900），比大盘轻，占比反而从 60% 升到 64.29%。所以一线虽然贡献了一半的跌幅（体量最大），它的行为却比大盘更"抗跌"，反常程度反倒低于二线。

品类维度：服饰 EP 最高，S 也最高，两者一致。

服饰自己跌了 50%，是实打实的问题。家电跌了 20%（比大盘轻），占比从 50% 升到 57.14%，EP 33.33% 全部来自体量。食品跌了 25%，占比几乎没动，S = 0.000178。

**直播的 S 近乎 0（0.000063）。**它预期 300 实际 200，跌了 33.3%，跟大盘的 30% 基本同步，占比从 15% 只滑到 14.29%。分布形状几乎没变，所以 S 几乎为零。这类枚举值不该浪费排查资源——它的变化完全可以用"大盘变了"解释掉。

三个维度的对照：

5.4 维度排名

结论是：**先查品类。**服饰是这个维度里 EP 和 S 双高的枚举值，它自己跌了 50%，比大盘的 30% 深得多，是本期最硬的问题。渠道维度紧随其后，但要看的是搜索而不是推荐。

**一个必须点出的口径陷阱。**如果把"候选集 S 之和"误算成"该维度所有枚举值的 S 之和"，渠道维度会变成 0.008153（0.004016 + 0.002349 + 0.001726 + 0.000063），品类维度变成 0.007073，排名直接翻转成渠道第一。差别来自没进候选集的私域（0.001726）和直播（0.000063）——它们被算了进去，扭曲了两个维度的可比性。

5.5 实现

核心逻辑是"算 S → 按 S 降序生成候选集 → 汇总"，几十行代码：

import math

EPS = 1e-12


def surprise(p: float, q: float) -> float:
    """意外性 S_ij：JS 散度在单个枚举值上的贡献（log 取 2 为底）"""
    if p + q <= EPS:                          # 预期与实际都为 0，该项没有信息
        return 0.0
    return 0.5 * (p * math.log2(2 * p / (p + q)) + q * math.log2(2 * q / (p + q)))


def explain_power(f: float, a: float, F: float, A: float) -> float:
    """解释力 EP：这个枚举值能解释多少总变化，同维度内求和等于 100%"""
    return (a - f) / (A - F)

两把尺子算完之后，剩下的是候选集的生成与汇总：

def analyze(forecast: dict, actual: dict, t_eep=0.10, t_ep=0.60) -> dict:
    """单个维度跑完整流程：算 S → 按 S 降序生成候选集 → 汇总"""
    F, A = sum(forecast.values()), sum(actual.values())   # 大盘预期与实际
    rows = []
    for k, f in forecast.items():
        a = actual[k]
        p, q = f / F, a / A                              # 预测占比 / 实际占比
        rows.append({"k": k, "p": p, "q": q,
                     "S": surprise(p, q),
                     "EP": explain_power(f, a, F, A)})
    cand, cum_ep, cand_s = [], 0.0, 0.0
    for r in sorted(rows, key=lambda r: -r["S"]):         # 维度内按 S 降序遍历
        if r["EP"] < t_eep:                              # 单项解释力太低，不进候选
            continue
        cand.append(r["k"]); cum_ep += r["EP"]; cand_s += r["S"]
        if cum_ep >= t_ep:                              # 解释力够了，收工
            break
    return {"rows": rows, "cand": cand, "cum_ep": cum_ep, "cand_s": cand_s}

套上三个维度的数据：

dims = {
    "渠道": ({"搜索": 800, "推荐": 700, "直播": 300, "私域": 200},
             {"搜索": 700, "推荐": 400, "直播": 200, "私域": 100}),
    "品类": ({"家电": 1000, "服饰": 600, "食品": 400},
             {"家电": 800, "服饰": 300, "食品": 300}),
    "城市线级": ({"一线": 1200, "二线": 500, "三线及以下": 300},
                 {"一线": 900, "二线": 300, "三线及以下": 200}),
}
out = {name: analyze(fc, ac) for name, (fc, ac) in dims.items()}   # 三个维度各跑一次
for name, r in out.items():
    for row in sorted(r["rows"], key=lambda x: -x["S"]):
        print(f"  {name} · {row['k']:<6s} p={row['p']:>7.2%} q={row['q']:>7.2%} "
              f"S={row['S']:.6f}  EP={row['EP']:>7.2%}")
    print(f"  -> 候选集 {r['cand']}  累计 EP {r['cum_ep']:.2%}  候选集 S 之和 {r['cand_s']:.6f}\n")

print("维度排名（按候选集 S 之和）")
for name, r in sorted(out.items(), key=lambda x: -x[1]["cand_s"]):
    print(f"  {name}: {r['cand_s']:.6f}")

输出：

  渠道 · 搜索     p= 40.00% q= 50.00% S=0.004016  EP= 16.67%
  渠道 · 推荐     p= 35.00% q= 28.57% S=0.002349  EP= 50.00%
  渠道 · 私域     p= 10.00% q=  7.14% S=0.001726  EP= 16.67%
  渠道 · 直播     p= 15.00% q= 14.29% S=0.000063  EP= 16.67%
  -> 候选集 ['搜索', '推荐']  累计 EP 66.67%  候选集 S 之和 0.006364

  品类 · 服饰     p= 30.00% q= 21.43% S=0.005177  EP= 50.00%
  品类 · 家电     p= 50.00% q= 57.14% S=0.001719  EP= 33.33%
  品类 · 食品     p= 20.00% q= 21.43% S=0.000178  EP= 16.67%
  -> 候选集 ['服饰', '家电']  累计 EP 83.33%  候选集 S 之和 0.006895

  城市线级 · 二线     p= 25.00% q= 21.43% S=0.000992  EP= 33.33%
  城市线级 · 一线     p= 60.00% q= 64.29% S=0.000533  EP= 50.00%
  城市线级 · 三线及以下  p= 15.00% q= 14.29% S=0.000063  EP= 16.67%
  -> 候选集 ['二线', '一线']  累计 EP 83.33%  候选集 S 之和 0.001525

维度排名（按候选集 S 之和）
  品类: 0.006895
  渠道: 0.006364
  城市线级: 0.001525

六、预期值 F 从哪来

这是本篇与"异动检测"的接口。前面几篇的方法只需要两期实际值，Adtributor 需要的是预期值 + 实际值——预期值从哪来属于统计异动检测的范畴，本系列不展开，这里只交代四个层级。

**①是 ARIMA 的退化形式。**朴素预测相当于把模型阶数取 0，丢掉了一切结构信息。之所以常用，是因为它零成本，并且在小波动场景下够用。

**③是性价比最高的一层。**电商指标普遍有"周中低周末高"和"大促脉冲"两种周期性，用历史同期做基线，往往比通用时间序列模型更准，也更容易向业务解释。

**④是 Adtributor 原文的做法。**原文把预期值交给一个基于 ARMA 的模型预测模块，它基于 8 周历史数据生成预测，并显式考虑了时段（time-of-day）与周内（day-of-week）的正常波动。

第一篇 的五步 SOP 里，第 ③ 步之后才进入场内归因。预期值从哪来，属于第 ③ 步之前的检测环节：Adtributor 是本系列第一个依赖预测值的方法，也正因为如此，它才有能力在几百个维度里"搜索"问题。

七、衍生指标怎么处理

3.2 节那个 EP 公式只对可加指标成立。比率型（转化率、ROI、CPC）和乘法型（人均消费、GPM）衍生指标都不满足"各部分相加 = 整体"，原始定义直接失效，需要换一套构造。

7.1 比率型衍生指标：反事实

核心思想一句话：假设只有这一个枚举值变了，其它全部保持预期值，衍生指标会变成多少？

设衍生指标 M = N / D，枚举值 j 的反事实值为：

M_j^cf = (F(N) + ΔN_j) / (F(D) + ΔD_j)

其中 ΔN_j = A_j(N) − F_j(N)，ΔD_j = A_j(D) − F_j(D)

分子分母都是"总体预期值 + 该枚举值自己的偏离"，等价于"其它枚举值全部停在预期值，只有 j 取实际值"。

单因子影响与归一化：

ΔM_j = M_j^cf − M⁰        M⁰ = F(N) / F(D) 是整体预期值
EP_j = ΔM_j / Σ_k ΔM_k

注意 Σ_k ΔM_k 并不等于实际的 ΔM，差额是交互项——归一化正是为了消掉这个差额，让同维度加总恰好 100%。

flowchart TB
    A["衍生指标 M = N / D"] --> B["反事实：只让 j 的原子取实际值
其余全部保持预期值"]
    B --> C["得到 M_j 的反事实值"]
    C --> D["单因子影响 ΔM_j = M_j 反事实 − M 预期"]
    D --> E["归一化：EP_j = ΔM_j / Σ ΔM_k"]

举例。三个渠道的转化率数据：

整体转化率：预期 180 / 1800 = 10.00%，实际 121 / 1300 = 9.31%，Δ = −0.69pp。逐个做反事实：

读法：推荐的转化率从 10% 掉到 7%，单它一个就把整体转化率拖低 0.80pp，EP 128.3%——比 100% 还大，因为搜索的转化率从 10% 升到 11%，反向把整体往回拉了 0.41pp。归一化把这种正负对冲压到了同一口径上，加总恰好 100%。

这个构造与 Adtributor 原文的有限差分公式完全等价。原文对 m1/m2 形式的衍生指标给出的形式是：

EP_ij = [ΔA_ij(m1)·F(m2) − ΔA_ij(m2)·F(m1)] / [F(m2)·(F(m2) + ΔA_ij(m2))]

把反事实式展开，分子分母化简之后正是这一串。

7.2 乘法型衍生指标

M = X₁ · X₂ · ... · X_k，反事实更直接：只把第 j 个原子换成实际值，其余留在预期值。

M_j^cf = X_j¹ · Π_{i≠j} X_i⁰
ΔM_j = M_j^cf − M⁰
EP_j = ΔM_j / Σ_k ΔM_k

举个小例子。整体客单价 = 订单数 × 单件价格：

整体客单价从 20000 掉到 18700，跌了 1300。订单数单它一个会把客单价砸到 17000（−3000），是总跌幅的两倍多；单件价格则是正向的（+2000）。归一化之后，订单数拿到 300%、单件价格拿到 −200%。

**EP 大于 100% 和小于 0%，都出现在这里。**它们不是计算错误，正是"多个原子对冲"时必然出现的形态——第二篇 讲残差时说过一次。

7.3 S 值的可加性：一个工程近似

衍生指标的意外性没法像 EP 那样直接反事实——占比 p、q 是相对于衍生指标自身的分布算的，而衍生指标在维度内部根本不是可加的。

Adtributor 原文走的是相对熵的联合分布路线：如果各原子指标相互独立，那么联合分布的 JS 散度等于各原子指标 JS 散度之和。于是衍生指标的意外性近似为：

S(衍生指标) ≈ Σ_k S(原子指标 k)

**这是一个工程近似，不是严格推导。**原文明确承认指标之间往往相关（搜索量涨，广告收入通常跟着涨），这个加法在相关时会失真。

工程上的处理办法是按相关性给各原子指标配权重，而不是简单相加。相关性矩阵可以从历史数据上估（各原子指标变动的滚动相关系数），权重按相关程度打折。

这是本文里最需要工程判断的一环。衍生指标和它的原子指标强相关时，S 的简单相加会高估意外性，进而把一个实际上"随大流"的维度顶进候选集。

八、四个坑

8.1 坑一：0 值

JS 散度里有两处会碰到 0。

某个枚举值的 p 或 q 为 0。log₂(2p/(p+q)) 在 p = 0 时是 log₂(0)，数学上未定义。正确的处理是按极限取 0（因为 0·log 0 的极限是 0），整体不会炸。

**整体 A = 0。**此时 q = A_ij / A 全部未定义，整个维度失去意义。大盘实际值为 0 时不能做归因。

工程上统一用 x → max(ε, x) 兜底，ε 取 1e-9 量级。但要清楚这只是在数值上避免除零，不是数学上的正确答案——p = 0 的枚举值在业务上往往本身就是重要信息（“这个渠道当天完全没量"比"这个渠道跌了 1%“严重得多），最好在代码里显式区分"p = 0 且 q > 0”（冒出一个从未有过的枚举值，是强信号）和"p = q = 0”（两边都没有，无信息）。

8.2 坑二：只输出单维度

算法的输出是"一个维度 + 该维度的一组枚举值"，它不输出维度组合。

想看"地域 × 渠道"的组合怎么办？把组合本身当成一个新维度——枚举值从"一线 × 搜索"到"三线 × 私域"，重新跑一遍。代价是单元格数量翻倍、噪声更大，通常只对已经锁定的那一个维度做这种二次下钻。

8.3 坑三：结构性重组

有一类情况会让 EP 变得很难读：大盘的变化量 (A − F) 很小，但维度内部结构大变。

比如大盘只跌了 1%，而某个枚举值的占比从 40% 掉到 20%。此时 EP 的分母 (A − F) 极小，算出来的 EP 会是几百上千这种数值——它没有业务含义，只是分母太小的算术结果。

这类情况要单独判定：先看 |A − F| 相对大盘的量级，如果大盘变化本身就在噪声范围内、而某个维度内部结构剧变，那多半是结构性重组（比如渠道占比整体平移）。这种情况应该换方法——第三篇 的组间组内拆解正是为它准备的。

8.4 坑四：维度选取依赖业务

枚举值该切多细，是业务决策，不是算法决策。

切太粗：几个枚举值合在一起，异常被稀释，S 算不出差别。切太细：每个枚举值的占比都很小，S 被小分母放大，噪声直接淹没有效信号——这正是 1.2 节说的维度组合爆炸。

实用做法是按排查专家能直接对应到工单归属的粒度来切（渠道、城市线级、品类、终端），并且先跑一遍，看 S 的分布是否有一个明显的断层。如果所有 S 值都在同一个数量级里，说明这个维度切得太细，或者这期确实没异常。

九、全系列收官

flowchart TB
    A["指标异动归因 7 篇"] --> B["第 01 至 06 篇
验证一个你已经知道的假设"]
    B --> C["大盘跌了，你怀疑某个渠道
去验证它对不对"]
    C --> D["第 07 篇
在几百个维度里搜索假设"]
    D --> E["你不知道问题在哪
让算法按反常程度排序"]

9.1 七篇的分工

第一篇 到第三篇 讲的都是验证一个你已经知道的假设：大盘跌了，你怀疑是某个渠道，去验证它对不对。前提是方向已经有了，方法提供的是"这个结论有多可信"和"它解释了多大比例"。第四篇 到第六篇 把同一套思路分别用到漏斗、多因素叠加和用户路径上，性质一样。

本篇讲的是在几百个维度里搜索假设：你不知道问题在哪，让算法按反常程度把候选排出来。

这个区别对应两种不同的工程形态：

9.2 方法对照表

9.3 全系列篇目

回到开头那个场景：推荐被标记成"主因"，排查了两天一无所获。**它不是主因，它只是这次下跌里体量最大的那个参与者。**真正反常的是搜索——它只跌了 12.5%，份额却从 40% 涨到 50%。

如果把排序口径从"贡献度"换成"意外性"，同一个问题当天就能定位到搜索身上。而这不是什么魔法，只是换了一把尺子。

**贡献度回答"谁造成的变化大"，归因要找的是"谁反常"。**Adtributor 把排序口径从体量换成分布形状，再用解释力兜住体量——两把尺子一起用，才既不会漏掉小而反常的枚举值，也不会被大而无奇的维度带偏。

如果只能带走五句话：

1. **贡献度排序和归因排序是两个不同的问题。**前者问"谁造成的变化大"，后者问"谁的行为偏离了预期"；大盘占比越大的维度贡献度天然越高，跟它反不反常无关。
2. **意外性用 JS 散度算，比的是分布形状。**p 是预期占比、q 是实际占比，S_ij 衡量这个枚举值的占比偏离预期多少；用 JS 而不是 KL，是因为 KL 不对称、且在零值处未定义。
3. **意外性必须配解释力一起用。**S 挑出反常的，EP 保证它有体量、能解释总变化；候选集用两个阈值筛选（T_EP 取 0.6–0.8，T_EEP 取 0.05–0.1）。
4. **维度排序用"候选集内枚举值的 S 之和"。**误用"该维度全部枚举值的 S 之和"会把没入选的枚举值算进去，维度之间的排名会直接错乱。
5. 衍生指标靠反事实算。“只有这个枚举值变了会怎样"给出单因子影响，归一化后同维度加总 100%；S 的可加性是独立假设下的工程近似，相关性强时要按相关性调权。

十、参考资料

• R. Bhagwan, V. Karamcheti, N. McSherry, V. Sivaraman, Adtributor: Revenue Debugging in Advertising Systems, USENIX NSDI 2014，https://www.usenix.org/system/files/conference/nsdi14/nsdi14-paper-bhagwan.pdf
• Jensen-Shannon divergence, Wikipedia，https://en.wikipedia.org/wiki/Jensen%E2%80%93Shannon_divergence
• Kullback-Leibler divergence, Wikipedia，https://en.wikipedia.org/wiki/Kullback%E2%80%93Leibler_divergence