Catégories :: Fonctions de table

TOP_INSIGHTS (SNOWFLAKE.ML)¶

Détermine les dimensions les plus importantes d’un ensemble de données, puis construit des segments à partir de ces dimensions et détecte lesquels de ces segments ont influencé la métrique.

TOP_INSIGHTS est bien adapté à l’extraction des causes profondes à partir d’ensembles de données comportant un grand nombre de dimensions. Les dimensions continues sont également prises en charge sans prétraitement en dimensions catégorielles, et les résultats peuvent indiquer des dimensions avec des conditions négatives (par exemple, « la région n’est pas l’Amérique du Nord »).

Syntaxe¶

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

Copy

Arguments¶

categorical_dimensions: OBJECT contenant un mappage 1:1 entre les noms des dimensions et les colonnes catégorielles associées. La valeur peut provenir d’une seule colonne ou être dérivée d’une simple combinaison de colonnes.
continuous_dimensions: OBJECT contenant un mappage 1:1 entre les noms des dimensions et les colonnes continues associées. La valeur peut provenir d’une seule colonne ou être dérivée d’une simple combinaison de colonnes. Les valeurs des dimensions continues ne doivent pas être NULL.
metric: Colonne FLOAT représentant une métrique cible qui fait l’objet d’une enquête. Cette valeur doit être strictement non négative. La valeur peut provenir d’une seule colonne ou être dérivée d’une simple combinaison de colonnes.
label: Colonne BOOLEAN qui fait la distinction entre les données de contrôle et les données de test. TRUE représente les données de test et FALSE représente les données de contrôle. La valeur peut provenir d’une seule colonne ou être dérivée d’une simple combinaison de colonnes (par exemple, une comparaison de dates).

Sortie¶

La fonction renvoie les colonnes suivantes :

Nom de la colonne	Type de données	Description
`contributor`	ARRAY	ARRAY de chaînes qui définissent un segment ou un aperçu de l’algorithme. Par exemple : [ "not country = canada", "length_of_vertical <= 4.5", "vertical = finance" ] Copy
`metric_control`	FLOAT	Valeur totale de la métrique au cours de la période de contrôle dans un segment spécifique.
`metric_test`	FLOAT	Valeur totale de la métrique au cours de la période de test dans un segment spécifique.
`surprise`	FLOAT	Quantité que `metric_test` dépasse par rapport à sa valeur attendue sur la base de l’évolution globale de la métrique sur l’ensemble des périodes.
`relative_change`	FLOAT	Quantification de l’évolution de la métrique dans le segment spécifique au fil des périodes par rapport à la métrique globale au cours des mêmes périodes : Une variation relative supérieure à 1,0 signifie que ce segment a progressé à un rythme plus élevé que l’ensemble de la métrique sur l’ensemble des périodes, stimulant ainsi la croissance. Une variation relative inférieure à 1,0 signifie que ce segment a progressé à un rythme inférieur à celui de la métrique globale, entraînant un déclin.
`growth_rate`	FLOAT	Valeur totale de la métrique au cours de la période de contrôle, tous segments confondus.
`expected_metric_test`	FLOAT	Valeur attendue de la métrique au cours de la période de test, sur la base de la relation entre `overall_metric_control` et `overall_metric_test`.
`overall_metric_control`	FLOAT	Valeur totale de la métrique au cours de la période de contrôle, tous segments confondus.
`overall_metric_test`	FLOAT	Valeur totale de la métrique au cours de la période de test sur l’ensemble des segments.
`overall_growth_rate`	FLOAT	Le taux de croissance entre les périodes de contrôle et de test pour tous les segments, défini comme `overall_metric_test` divisé par `overall_metric_control`.
`new_in_test`	BOOLEAN	Indique si le segment spécifique est nouveau dans les données de test.
`missing_in_test`	BOOLEAN	Indique si le segment spécifique est manquant dans les données de test.

Notes sur l’utilisation¶

Les métriques doivent être non négatives.
Les données en entrée doivent être limitées aux seules données de test ou de contrôle.
La durée d’exécution augmente avec le nombre de dimensions et la cardinalité de ces dimensions.
La cardinalité des dimensions catégorielles est automatiquement réduite lorsque leur cardinalité dépasse 5.

Exemple¶

Voir l’exemple de Contribution Explorer.