指标波动归因诊断 Skill 用于回答“指标为什么变了”。它不是一个单一步骤，而是一个诊断流程：先定性（变了多少、跟什么比），再定位（哪个业务环节、哪个维度值），然后找因（外部事件），最后综合结论。
一、主要用途与流程 技能遵循“先定性再定位再找因”的逻辑，包含五个步骤：
- Step 1 确认波动事实：明确变化量、对比基准（环比、同比、目标值）及时间趋势。
- Step 2 因子拆解：若指标有明确业务公式（如 GMV = UV × 转化率 × 客单价），先拆解出哪个业务环节出了问题。乘法公式可用近似法或 Shapley 值分解计算各因子贡献，并生成瀑布图。
- Step 3 维度归因：围绕主因子做多维度横向扫描，计算各维度值贡献度（≥30% 标记为主要贡献者，10%~30% 为次要贡献者），并对贡献最大的维度值进行纵向下钻。
- Step 4 外部事件关联：检索天气、节假日、竞对动作、行业政策、宏观经济、平台规则等外部因素，并与数据发现做时间、空间、方向、量级的一致性对齐。
- Step 5 综合诊断结论：汇总因子拆解、维度归因和外部事件，形成归因报告，区分确定性发现与推测性判断，并给出可操作建议。
二、使用方式 技能复用 metric-query 的 Gateway API 体系。所有请求必须携带 API Key，通过请求头 X-API-Key 传递，$CAN_API_KEY 从环境变量读取（用户需在 ~/.openclaw/.env 中配置 CAN_API_KEY=cgk-xxxxxxxx）。主要接口包括：
- 搜索指标：GET https://gateway.can.aloudata.com/api/metrics/search?keyword={关键词}&pageSize={数量}
- 单指标维度：GET https://gateway.can.aloudata.com/api/metrics/{metricName}/dimensions?keyword={可选过滤词}
- 批量指标维度：GET https://gateway.can.aloudata.com/api/metrics/dimensions?metricNames={指标1,指标2}&keyword={可选过滤词}
- 指标查询：POST https://gateway.can.aloudata.com/api/metrics/query，用 heredoc 传 JSON body。 查询构建需遵守 metric-query 的全部铁律，包括：相对时间必须用 NOW()，禁止硬编码日期；metricDefinitions 中每个 key 必须在 metrics 数组中注册；curl 用 heredoc 传 JSON body；维度值严格按 Gateway 返回的原始写法；URL 中文参数需 URL 编码并使用 --data-urlencode + -G。
三、适用场景 适用于用户需要分析指标波动原因、定位指标变化根因、做因子拆解归因（如 GMV = UV × 转化率 × 客单价）、或理解指标为什么涨跌的场景。典型如：销售额环比下降、转化率异常波动、利润变化分析等。
四、限制与注意事项
- 分析前需确认对比基准；用户未明确基准时，应先向用户确认，而非直接假设。
- 若指标没有明确业务公式，Step 2 不适用，可直接跳到 Step 3 做维度归因。
- 因子变化率较大时，近似分解误差不可忽略，应使用 Shapley 分解或至少报告交叉项。
- 贡献度分母必须用总变化量的绝对值，避免负数导致符号混淆。
- 百分比类指标需区分“百分点变化”和“变化率”。
- 下钻过深可能导致数据量不足，结论不可靠。
- 维度归因发现的是关联，因果推断需结合外部事件和业务逻辑。
- 外部事件检索需使用 WebSearch 工具（如果可用），或提示用户确认已知的外部事件。
- 技能文档中提供了瀑布图生成的 Python 代码示例，但需用户自行运行并嵌入报告。