metric-attribution

用途：回答“指标为什么变了”。先量化变化并确认对比基准，再判断是哪个业务环节出了问题，接着定位问题集中维度，最后关联外部事件形成归因结论。\n\n主要能力：复用 metric-query 的 Gateway API 体系检索指标与维度并执行查询；按 GMV=UV×转化率×客单价等公式做因子拆解，小变化用近似法、大变化用 Shapley 分解并生成瀑布图；围绕主因子做多维度横向扫描与逐层下钻；检索天气、节假日、竞对、政策等外部事件并做一致性对齐；输出含波动概况、归因发现、结论与建议的报告。\n\n使用方式：所有请求须带 API Key，通过 X-API-Key 请求头传递，Key 从环境变量 $CAN_API_KEY 读取（在 ~/.openclaw/.env 配置 CAN_API_KEY=cgk-xxxxxxxx）。检索用 GET /api/metrics/search 与 /api/metrics/{metricName}/dimensions，查询用 POST /api/metrics/query，并以 heredoc 传 JSON body。相对时间必须用 NOW()，禁止硬编码日期；metricDefinitions 中每个 key 必须在 metrics 数组注册；维度值按 Gateway 原始写法。\n\n适用场景：GMV、销售额、利润等业务指标的环比/同比波动诊断，因子贡献拆解，维度归因与下钻，外部事件关联。\n\n限制：依赖 Gateway 指标与维度数据，对比基准未明确时需先与用户确认；因子拆解仅适用于有明确业务公式的指标，无公式时直接做维度归因；贡献度分母用总变化量绝对值，各维度贡献度之和应约等于 100%；数据关联不等于因果；下钻过深可能因数据量不足而不可靠；瀑布图生成需要 Python 与 matplotlib；外部事件检索依赖 WebSearch 可用性。官方资料未提供具体收费、价格与部署信息。