قابلیت‌های تازه BigQuery برای تحلیل شاخص‌ها

از دیدن تغییر تا بررسی علت

گوگل در ۱۴ سپتامبر ۲۰۲۶ مجموعه‌ای از توابع تحلیل تقویت‌شده را برای BigQuery معرفی کرد. این توابع به بررسی عوامل تغییر شاخص، نقاط تغییر، روند و الگوهای فصلی کمک می‌کنند. خروجی ساخت‌یافته آن‌ها در محیط SQL قابل استفاده است و می‌تواند بخشی از جریان بررسی داده توسط ابزارها و عامل‌های هوشمند باشد.

در میان امکانات معرفی‌شده، AI.KEY_DRIVERS برای یافتن سهم عوامل در تغییر شاخص و ML.DETECT_CHANGE_POINTS برای تشخیص تغییرهای ساختاری مطرح شده‌اند. نکته کاربردی، امکان پیوند چند مرحله تحلیل است. این ابزارها بررسی را آسان‌تر می‌کنند، اما تفسیر مدیریتی هنوز به شناخت داده و شرایط واقعی کسب‌وکار نیاز دارد.

تحلیل خودکار به سؤال دقیق نیاز دارد

پیشنهاد تحلیلی این است که تیم ابتدا تعریف شاخص را تثبیت کند. کاهش فروش ممکن است از تغییر نحوه ثبت سفارش، تأخیر ورود داده یا یک رویداد واقعی ناشی شده باشد. اگر تعریف عدد میان دو دوره متفاوت است، خروجی دقیق یک تابع هم نمی‌تواند مقایسه نادرست را معتبر کند.

بازه مقایسه باید متناسب با کار انتخاب شود. تعطیلات، تغییر ترکیب مشتریان و جابه‌جایی کانال فروش ممکن است بر نتیجه اثر بگذارند. بهتر است پیش از اجرای تحلیل، فرض‌ها و عوامل شناخته‌شده نوشته شوند تا تیم بتواند یافته تازه را از چیزی که از قبل انتظار داشته تفکیک کند.

همبستگی نیز به معنی علت قطعی نیست. مشاهده هم‌زمان دو تغییر می‌تواند سرنخ بسازد، اما تصمیم درباره اقدام باید شواهد بیشتری داشته باشد. برای گزارش مدیریتی، نتیجه عددی همراه با محدودیت داده، فرض‌های تحلیل و توضیح انسانی ارائه شود تا خروجی خودکار بیش از ظرفیتش تفسیر نشود.

WITH daily_trips AS (
  SELECT TIMESTAMP_TRUNC(start_time, DAY) AS trip_day,
         COUNT(*) AS trip_count
  FROM `bigquery-public-data.austin_bikeshare.bikeshare_trips`
  GROUP BY 1
)
SELECT begin_timestamp, end_timestamp,
       metrics.avg AS avg_daily_trips
FROM ML.DETECT_CHANGE_POINTS(
  (SELECT * FROM daily_trips),
  data_col => 'trip_count',
  timestamp_col => 'trip_day'
);

WITH trips AS (
  SELECT bike_type, subscriber_type,
         1 AS trip_count,
         DATE(start_time) >= DATE '2018-02-11' AS after_change
  FROM `bigquery-public-data.austin_bikeshare.bikeshare_trips`
  WHERE DATE(start_time) BETWEEN DATE '2018-01-12'
                             AND DATE '2018-03-13'
)
SELECT drivers, contribution
FROM AI.KEY_DRIVERS(
  (SELECT * FROM trips),
  metric_col => 'trip_count',
  interest_label_col => 'after_change',
  dimension_cols => ['bike_type', 'subscriber_type'],
  top_k => 10
);

یک شاخص آشنا را آزمایش کنید

یک شاخص با سابقه قابل اعتماد انتخاب کنید و تحلیل تازه را با بررسی دستی تیم مقایسه کنید. هزینه اجرا، زمان رسیدن به یافته و قابلیت توضیح نتیجه را بسنجید. این آزمایش نشان می‌دهد قابلیت جدید در کدام بخش از فرایند تحلیل سازمان واقعاً مفید است.

تاریخ انتشار منبع: 2026-09-14. توضیح‌ها و پیشنهادهای اجرایی این مطلب، تحلیل تحریریه دانشنامه لیان هستند.منابع: Google Cloud — BigQuery Augmented Analytics TVFs

این مطلب بازنویسی تحلیلی دانشنامه لیان بر پایه منبع اصلی است.مشاهده منبع اصلی