Categorias:: Funções de tabela

TOP_INSIGHTS (SNOWFLAKE.ML)¶

Encontra as dimensões mais importantes em um conjunto de dados, cria segmentos a partir dessas dimensões e, em seguida, detecta quais desses segmentos influenciaram a métrica.

TOP_INSIGHTS é adequado para extrair causas raiz de conjuntos de dados que possuem um grande número de dimensões. Dimensões contínuas também são suportadas sem pré-processá-las em dimensões categóricas, e os resultados podem indicar dimensões com condições negativas (por exemplo, “a região não é a América do Norte”).

Sintaxe¶

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

Copy

Argumentos¶

categorical_dimensions: OBJECT contendo um mapeamento 1:1 entre nomes de dimensão e colunas categóricas associadas. O valor pode ser de uma única coluna ou derivado de uma simples combinação de colunas.
continuous_dimensions: OBJECT contendo um mapeamento 1:1 entre nomes de dimensão e colunas contínuas associadas. O valor pode ser de uma única coluna ou derivado de uma simples combinação de colunas. Valores de dimensões contínuas não devem ser NULL.
metric: Coluna FLOAT que representa uma métrica de destino que está sendo investigada. Este valor deve ser estritamente não negativo. O valor pode ser de uma única coluna ou derivado de uma simples combinação de colunas.
label: Coluna BOOLEAN que distingue entre dados de controle e de teste. TRUE representa dados de teste e FALSE representa dados de controle. O valor pode ser de uma única coluna ou derivado de uma simples combinação de colunas (por exemplo, uma comparação de datas).

Saída¶

A função retorna as seguintes colunas:

Nome da coluna	Tipo de dados	Descrição
`contributor`	ARRAY	ARRAY de cadeias de caracteres que definem um segmento ou insight do algoritmo. Por exemplo: [ "not country = canada", "length_of_vertical <= 4.5", "vertical = finance" ] Copy
`metric_control`	FLOAT	O valor total da métrica no período de controle em um segmento específico.
`metric_test`	FLOAT	O valor total da métrica no período de teste em um segmento específico.
`surprise`	FLOAT	A quantidade que `metric_test` excede seu valor esperado com base na alteração geral da métrica entre os períodos.
`relative_change`	FLOAT	Uma quantificação de como a métrica no segmento específico muda ao longo dos períodos em comparação com a métrica geral nos mesmos períodos: Uma mudança relativa superior a 1,0 significa que esse segmento cresceu a uma taxa mais alta do que a métrica geral ao longo dos períodos, impulsionando o crescimento. Uma mudança relativa inferior a 1,0 significa que esse segmento cresceu a uma taxa menor do que a métrica geral, levando ao declínio.
`growth_rate`	FLOAT	O valor total da métrica no período de controle em todos os segmentos.
`expected_metric_test`	FLOAT	O valor esperado da métrica no período de teste, com base na relação entre `overall_metric_control` e `overall_metric_test`.
`overall_metric_control`	FLOAT	O valor total da métrica no período de controle em todos os segmentos.
`overall_metric_test`	FLOAT	O valor total da métrica no período de teste em todos os segmentos.
`overall_growth_rate`	FLOAT	A taxa de crescimento entre os períodos de controle e teste em todos os segmentos, definida como `overall_metric_test` dividida por `overall_metric_control`.
`new_in_test`	BOOLEAN	Indica se o segmento específico é novo nos dados de teste.
`missing_in_test`	BOOLEAN	Indica se o segmento específico está faltando nos dados de teste.

Notas de uso¶

As métricas devem ser não negativas.
Os dados de entrada devem ser restritos apenas a dados de teste ou controle.
O tempo de execução é dimensionado com o número de dimensões e a cardinalidade dessas dimensões.
A cardinalidade de dimensões categóricas é automaticamente reduzida quando sua cardinalidade excede 5.

Exemplo¶

Veja o exemplo de Contribution Explorer.