互联网高速发展的时代,企业分析指标与数据纷繁复杂,统计学与机器学习算法对数据分析提供了重要的理论支持。当指标发生异常波动时,为维持业务稳定和拉动业务增长,对数据异动的归因分析起着至关重要的作用。业界关于归因算法的研究多为衡量维度对指标影响的维度归因,而没有考虑衡量指标间相互影响的关联归因,因此需要建立一个更加完善的归因体系,以更系统、全面地进行异动归因。本文研究将关联规则算法应用于指标关联归因,并扩展当前的维度归因算法,从而建立一个包含关联归因与维度归因的归因算法体系。在关联归因和维度归因两方面的具体工作如下。关联归因研究规则评价指标和频繁项集剪枝,提出Attri＿apriori算法。针对原support-confidence-lift评价框架的不足,提出CITCE规则评价体系,并研究其中新评价指标的性质与区别,包括相关性提升度、因果性提升度、确定度、简洁度、创造度、效用性、不平衡性;最后实验输出更有用的规则。针对频繁项集剪枝的两大问题,提出相对支持度方法和项加权支持度方法,对具体案例证实其关于两大问题的处理效果。维度归因研究Adtributor算法的贡献度问题。分析原贡献度公式对于率型指标不适用的原因,提出基于Hot Spot的单层面贡献度——广义潜力分数,和基于控制变量思想的多层面贡献度——解构影响因子,并对结构因子进行两步优化以适用更多场景。最后,通过实验数据说明新贡献度算法关于率型指标的作用。