BigQuery 增强分析（Augmented Analytics）是一组结合 AI、ML（Machine Learning，机器学习）和统计方法的数据分析能力，用于回答“指标为什么变化、什么时候变化、哪些因素推动变化，以及某项业务行动产生了多少实际影响”等问题。通过增强分析 TVF（Table-Valued Function，表值函数），复杂的数据分析方法可以直接在 BigQuery 中被调用和组合。
这些增强分析 TVF 覆盖关键驱动因素、因果影响、相关性、变化点、趋势和季节性等分析任务。它们直接在 BigQuery 数据所在的位置运行，返回结构化 SQL 结果，可以继续组合成多步骤分析流程，也可以作为 AI Agent 的 Skills 被调用。其中 AI.KEY_DRIVERS 等能力可以在数百万行多维数据上以秒级完成分析。
BigQuery 增强分析能解决哪些业务问题？
BigQuery 增强型分析（Augmented Analytics）增强分析的核心是把原本需要逐步完成的数据诊断、趋势分析和影响评估，封装成可以直接调用的分析能力。围绕企业常见的数据问题可以归纳为以下七类：
-
指标为什么发生变化？ 当收入等核心指标出现明显上升或下降时，可以进一步分析哪些维度对变化贡献最大。例如比较本季度与上季度的收入数据，寻找推动增长的关键因素。AI.KEY_DRIVERS 就用于识别两个时间段或群体之间，推动某项指标增长或下降的主要驱动因素。
-
一次业务行动实际带来了多少影响？ 业务指标本身可能存在自然增长，因此活动前后的数据差值无法完整说明行动本身产生的增量。AI.CAUSAL_EFFECT 可以将实际结果与预期基线进行比较，用于量化价格调整、项目上线等行动或事件产生的影响。
-
指标从什么时候开始发生结构变化？ML.DETECT_CHANGE_POINTS 可以识别时间序列中相对于周围模式出现明显变化的日期或时间区间。例如平台延迟在哪些时间段出现持续性的结构变化。
-
两个指标之间有什么关系？ML.CORRELATION 用于衡量两个数值指标之间关系的方向和强度。例如分析用户会话时长增加是否与更高的客户生命周期价值相关。
-
长期趋势到底是什么？ 一条业务曲线可能同时包含短期高峰、异常下降和随机波动。ML.TREND 可以将这些短期变化与长期增长或下降趋势分离，帮助判断指标长期变化的方向。
-
数据中是否存在稳定的周期规律？ML.SEASONALITY 用于寻找小时、天、周、月或季度等固定时间跨度中重复出现的模式。例如识别一周中哪些天服务器负载持续处于高位。
-
多个分析步骤如何自动串联？ 一个函数输出的结果，可以继续作为下一步分析的参数。例如先找出指标发生变化的时间窗口，再围绕这个区间分析关键驱动因素，最后衡量相关业务行动产生的影响。Conversational Analytics（对话式分析）还可以根据自然语言问题组织这类多步骤调查流程。
什么是 BigQuery 增强分析 TVF？
TVF 全称是 Table-Valued Function，即表值函数。BigQuery 官方文档将它定义为一种返回表的函数，可以在能够使用表的位置调用，同时还能接收参数。
放到增强分析场景中，可以把 TVF 理解成三个步骤：输入数据和分析条件，执行一种特定的数据分析方法，再返回一张结构化结果表。
例如 AI.KEY_DRIVERS 可以接收需要分析的指标、两组用于对比的数据以及多个维度，并找出哪些维度组合对指标变化贡献最大。从业务问题来看，普通查询可以回答“销售额是多少”，增强分析 TVF 可以进一步回答“哪些因素推动了销售额变化”。
增强分析的另一个特点是数据就地计算。这些函数直接在 BigQuery 数据所在的位置运行，可以减少为了完成分析而把数据导出到其他工具的需要。由于函数本身结构紧凑，输出又是结构化 SQL 结果，一个分析步骤得到的信息也可以继续进入下一个步骤。
BigQuery 增强分析目前包括 6 个针对不同分析问题的 TVF：
BigQuery TVF 如何组合完成多步骤分析？
增强分析 TVF 的一个重要能力是 Chaining Insights（链式组合分析）。上一步得到的结构化结果，例如检测出的时间窗口，可以直接成为下一步分析的参数。
Google Cloud Blog 中提到的 Austin Bikeshare 共享单车案例展示了一条典型的三步分析链：先找到骑行量什么时候发生变化，再分析哪些因素推动了增长，最后衡量相关项目实际产生了多少增量。
1、如何找到指标发生变化的时间？
第一步使用 ML.DETECT_CHANGE_POINTS。该函数会在时间序列中识别具有统计显著性的结构性变化或水平变化，并返回具体的变化区间。这项能力可以扩展到数百万条独立时间序列。
图片来源：Google Cloud Blog
在 Austin Bikeshare 的每日骑行数据中，分析发现2018 年 2 月出现了明显的结构变化。这一时间与 Austin City Council 通过 Dockless Mobility Pilot Program（无桩出行试点计划）的日期吻合。该计划涉及将共享电动滑板车和自行车进一步纳入当地交通体系。
2、如何找到推动指标变化的关键因素？
确定变化时间后，可以把这一时间窗口继续传入 AI.KEY_DRIVERS。分析时，将变化后的数据作为 interest group（关注组），将变化前的数据作为 reference group（基准组），再比较起始站点、结束站点、会员类型、自行车类型等多个维度。
图片来源：Google Cloud Blog
AI.KEY_DRIVERS 可以在数百万行多维数据中快速寻找贡献最大的维度值和维度组合。Austin Bikeshare 的分析结果显示，参考时间段与关注时间段之间，整体骑行量增长374.7%，增加40,159 次骑行。其中增长高度集中在 U.T. Student Memberships（+7,167.1%）以及终点为 21st & Speedway @PCL 的骑行（+20,739.1%）。
这一变化与当时发生的业务事件相吻合。2018 年 2 月初，Austin Bikeshare 与 University of Texas 推出了一项大型推广合作，为 UT 学生提供免费的年度会员。通过 Key Drivers 分析，整体增长进一步被拆解到具体的会员群体和站点。
3、如何衡量业务行动产生的实际增量？
找到变化时间和关键驱动因素后，还可以继续回答一个问题：如果相关项目没有发生，骑行量原本可能是多少？
AI.CAUSAL_EFFECT 会建立一个 Counterfactual（反事实）基线，用来估算“如果这项行动没有发生，指标可能如何变化”。在 Austin Bikeshare 案例中，函数通过 ARIMA_PLUS 时间序列方法建立这一预测基线，再将预测结果与实际骑行量进行比较。
图片来源：Google Cloud Blog
结果显示，该项目带来的骑行量相对于 organic baseline（自然增长基线）高出358%，估算增加89,775 次增量骑行，因果效应概率为99.9%。一条完整的分析链由此形成：确定什么时候发生变化，找到哪些因素推动变化，再估算相关行动实际产生的增量。
BigQuery 如何分析相关性、长期趋势和季节性？
除了 Austin Bikeshare 的“变化点 → 关键驱动因素 → 因果影响”，增强分析 TVF 还可以针对其他业务问题进行组合。
相关性分析 + 关键驱动因素分析
在 Chicago Taxi Trips 数据中，一个自然语言问题是：“哪个指标与司机获得小费的相关性最强？然后分析哪些类别维度最明显地推动这个指标。”
这套分析首先使用 ML.CORRELATION 寻找相关指标，再使用 AI.KEY_DRIVERS 进一步做归因。结果显示，信用卡支付是行程距离的主要正向驱动因素之一，从 O’Hare International Airport 出发的行程也形成明显的正向贡献；现金交易则表现为负向驱动因素。
内容来源：Google Cloud Blog
长期趋势 + 季节性周期分析
在 Iowa Liquor Sales 数据中，分析通过 ML.TREND 和 ML.SEASONALITY 组合完成。长期趋势显示，瓶装酒销量从 2012 年约130 万—150 万瓶持续增长，近年来逐渐稳定在约260 万瓶；季节性分析则显示，10 月、12 月以及 5 月、6 月存在明显销售高峰，1 月和 2 月出现规律性回落。
这两个案例体现了 TVF 的组合方式：根据业务问题选择不同的分析函数，并把多个步骤连接起来，形成一次连续的数据调查。
BigQuery 增强分析与 Meridian 如何配合？
BigQuery 增强分析更适合日常的数据诊断和业务探索，例如发现指标什么时候发生变化、哪些因素推动变化、数据是否存在趋势或周期，以及一次明确业务行动产生了多少增量影响。
Google Meridian 则更聚焦跨渠道营销衡量。它可以从更长周期评估不同媒体渠道对 KPI 的增量贡献，并进一步分析 Incremental Outcome、ROI、mROI 和 Response Curves，为后续预算优化提供依据。
两者可以建立在同一套 BigQuery 数据基础之上。企业可以先利用 BigQuery 增强分析和 AI Agent 处理日常的数据诊断、趋势分析和原因探索，再针对长期、跨渠道的营销效果衡量，引入 Meridian 进行更系统的 MMM 分析。这样既覆盖日常经营分析，也覆盖营销投资决策。
为什么 BigQuery 增强分析适合 AI Agent 调用？
BigQuery 这组增强分析能力具备明显的Agent-ready analytics特征，核心来自四个方面。
第一，输入和输出结构清晰。TVF 可以接收参数，并返回结构化的表格结果。这种明确的输入输出形式，便于后续程序或 AI Agent 继续读取和处理。
第二，多个分析函数可以连续组合。一个函数输出的时间窗口、指标或其他分析结果，可以继续成为下一步分析的参数。例如 ML.DETECT_CHANGE_POINTS 找出的时间窗口，可以直接用于 AI.KEY_DRIVERS 或 AI.CAUSAL_EFFECT 的后续分析。
第三，分析直接在 BigQuery 数据上执行。这些函数直接在数据所在的位置运行，可以减少数据导出到外部分析工具的需要，并有助于加快分析。
第四，可以作为 AI Agent 的 Skills。Conversational Analytics 可以根据自然语言问题，组织多个 TVF 形成 multi-step investigative workflows（多步骤调查分析流程）。
在 Google Cloud 官方发布的文档中，这组新增强分析函数已被描述为可用于 Conversational Analytics；当前官方文档列出的具体支持函数范围可能随产品更新发生变化，实际使用时建议以 BigQuery 最新文档为准。
BigQuery 增强分析能给业务带来什么价值？
从业务使用角度看，增强分析扩大了 BigQuery 可以直接处理的问题范围。
从看到指标，到找到原因。当收入、使用量或其他指标发生变化后，可以进一步确定变化发生的时间，并分析哪些维度贡献最大。
从短期波动，到理解长期规律。Trend 和 Seasonality 可以帮助区分长期趋势、短期波动以及重复出现的周期规律。
从活动前后对比，到估算实际增量。Causal Effect 可以建立反事实基线，将实际结果与“如果行动没有发生”的预期结果进行比较，为业务行动的影响评估提供进一步依据。
从一个问题，到多步骤分析。多个 TVF 可以组合使用，Conversational Analytics 还可以根据自然语言问题组织多个分析步骤，让一次数据查询进一步发展成连续的数据调查。
想进一步了解 BigQuery 增强分析、Conversational Analytics 、Meridian 或 AI Agent 如何应用到实际业务中？欢迎联系触脉咨询。
作为 Google Cloud 与 Google Marketing Platform（GMP）双认证合作伙伴，触脉咨询可结合企业现有数据架构与业务场景，协助梳理分析需求、验证适合的数据与 AI 分析路径，并推动从数据接入、分析到实际应用的落地。
Google Cloud Blog：https://cloud.google.com/blog/products/data-analytics/bigquery-augmented-analytics-tvfs
「版权提示」：信息来自于互联网，不代表官方立场，内容仅供网友参考学习。如发现本站内容存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至 contact@glosellers.com，我们将及时沟通与处理。如若转载请联系原出处。 「注意事项」：锦品出海(含网站、客户端等)所展示的商品/服务的标题、价格、详情等信息内容由实际供应商/服务商提供。如用户对商品/服务的标题、价格、详情等任何信息有任何疑问的，可直接同供应商/服务商沟通确认，其他问题，请向锦品出海客服咨询。因第三方供应商/服务商与用户因服务行为所发生的纠纷由第三方供应商/服务商与该用户自行处理或通过法律途径解决并自行承担法律后果。锦品出海根据用户申请可参与相关协调调解工作，但不对纠纷事项及调解工作承担任何责任。
