KPI 的 Remove-one 分析：事件贡献分解

拆解个体事件对聚合KPI的贡献：移除单一样本分析法

综合供应商绩效（ISP）指标以各0.25的权重聚合了交付率、质量评分、准时足量交付率和交货周期。企业不仅需要KPI数值，还需精确识别哪些采购订单降低了该数值及其影响程度。简单地按单个采购计算指标是错误的：所有指标均基于数据窗口内的聚合值构建——当前日期减去14天加上回溯30天，以考虑延迟。

移除单一样本分析法解决了这一问题：计算所有数据下的指标（Metric_all），然后移除一条记录（Metric_without_i），差值即为该记录的贡献。若移除后指标上升，则该采购订单使其恶化。

交付率计算示例

考虑三个采购订单：

| 采购订单 | 订购量 | 供应商取消量 |

|----------|---------|-----------------|

| A | 100 | 5 |

| B | 200 | 0 |

| C | 50 | 15 |

总体交付率 = (1 - 20/350) × 100 = 94.29%。

移除C后： (1 - 5/300) × 100 = 98.33%。C的贡献：94.29 - 98.33 = -4.04个百分点。

交付率公式：(1 - Σ供应商取消量 / Σ订购量) × 100。移除操作因分母变化非线性地影响聚合值。

质量评分的挑战

质量评分 = 100 - 缺陷率。缺陷率有两个分支：

• 缺陷率_件数 = Σ缺陷件数 / Σ订购件数
• 缺陷率_金额 = Σ缺陷金额 / Σ订购金额

选择逻辑：

• 若 (100 - 缺陷率_件数) < 90，使用件数。
• 否则若 (100 - 缺陷率_金额) < 90，使用金额。
• 否则，使用件数。

问题：移除单一样本时，分支可能切换。例如，所有数据使用件数，但移除i后使用金额。比较不可比的值会扭曲贡献。

解决方案：在聚合指标级别固定分支。算法：

• 计算QualityScore_all和calculation_mode。
• 对每个采购订单，以相同模式计算without_i。

实施陷阱

• 非线性：贡献取决于整个数据集；移除一个元素可能产生不成比例的影响。
• 公式切换：需要固定模式。
• 滑动窗口：每日重新计算会随时间改变贡献。

另一种方法是假设分析：将采购状态替换为理想状态并重新计算。区别：

• 移除单一样本：对当前KPI的实际贡献。
• 假设分析：完美采购下的假设改进。

我们选择移除单一样本以准确解释实际下降。

关键要点

• 聚合指标需要移除单一样本分析法以正确分解贡献。
• 固定calculation_mode可防止非线性分支导致的扭曲。
• 数据窗口（14+30天）考虑了交货延迟。
• 该方法类似于机器学习中的留一法和经济学中的沙普利值。
• 后端实现结合了离散数学和工程权衡。

在其他领域的应用

移除单一样本的敏感性分析用于：

• 机器学习中的留一法验证。
• 可解释AI用于模型解读。
• 合作博弈中的沙普利值贡献分配。
• 数据分析中的事件归因。

在后端，这成为一项在大数据量上稳定计算而不失可解释性的任务。

— Editorial Team