Google Cloud在2026年9月29日宣布，BigQuery的AI.KEY_DRIVERS函数正式商用。数据分析人员可以直接通过GoogleSQL比较关注组与参考组，找出哪些数据分组对销售额、请求量或其他可加总指标的显著变化贡献最大。
这项能力把贡献分析压缩成一次函数调用，不必先创建并维护BigQuery ML模型。它给出的结果是统计意义上的关键数据分组，不等同于证明业务因果关系，更适合作为异常调查和进一步验证的入口。
一个SQL函数即可筛出关键变化来源
AI.KEY_DRIVERS接收表或查询结果，分析关注组与参考组之间的指标差异，并返回造成显著变化的数据分段。例如新品上线后销售额发生变化，可以按地区、城市或渠道寻找最异常的组合。
相比先训练贡献分析模型再调用ML.GET_INSIGHTS，新函数语法更短、返回速度更快，并默认剪除冗余结果。没有模型资产需要管理，也更适合临时调查和可重复的数据分析任务。
输入数据必须满足三类字段要求
输入需要包含一个数值型可加总指标、一个标识关注组与参考组的布尔字段，以及用于切分数据的维度字段。维度类型只支持INT64、BOOL或STRING，并且一次必须提供1至12个维度。
指标表达式只能是数值列本身或SUM形式，不能在参数里嵌套AVG等额外计算。复杂口径应先在输入查询中完成计算和清洗，再把规范化结果交给函数分析。
十二个维度和可加总指标是明确边界
AI.KEY_DRIVERS最多支持12个维度，只处理可加总指标。传统贡献分析模型能够承载更多维度，并支持按比例或类别加总的指标，因此新函数并不是对原有模型路径的完全替代。
当分析涉及转化率、平均时长、复杂比率或超过12个维度时，仍应评估贡献分析模型。对于销售额、订单量、错误次数等直接求和指标，新函数能减少准备成本并加快初步定位。
空值与负数会改变分析结果
维度字段中含有NULL的记录会被移除，未处理的空值可能让重要数据段在分析中消失。可以先使用IFNULL或插补方法补齐，再检查关注组和参考组的记录数量是否符合预期。
默认情况下，指标值需要非负；只有把最小支持度设置为0时才允许负数。涉及退款、冲销或正负混合金额时，应先确认指标含义和参数选择，避免把会计口径差异误判为业务驱动因素。
剪枝和支持度决定最终看到哪些分组
函数可通过最小支持度过滤影响规模太小的分组，也可用top_k限制返回数量，但两项参数不能同时使用。默认剪枝会减少高度相似或重复的洞察，让结果更适合人工阅读。
建议先用默认参数建立基线，再逐步调整支持度或返回数量，并把输出与原始明细和时间趋势交叉验证。最终业务判断仍需要结合发布记录、流量变化和实验数据，不能只依赖一次函数输出。
