据 Google Cloud 介绍，BigQuery 现已上线一套增强分析表值函数（Table-Valued Functions, TVF），将 AI、机器学习与统计方法封装为标准 SQL 调用，用于自动化发现数据模式与解释指标变化。由于计算直接在数据存储位置执行，无需导出至外部工具，且输出为结构化 SQL 结果，可被 AI Agent 作为技能直接调用。
本次新增的六项函数分别对应不同的分析场景：AI.KEY_DRIVERS 用于识别两个时间段或分组之间指标升降的主要驱动因素；AI.CAUSAL_EFFECT 通过对比实际结果与预期基线量化某项动作的真实影响；ML.CORRELATION 评估数值指标对之间的关系方向与强度；ML.DETECT_CHANGE_POINTS 定位时间序列中发生结构性偏移的具体区间；ML.TREND 从短期波动中分离长期趋势；ML.SEASONALITY 发现小时、天、周或季度级别的重复周期。
这些函数支持链式调用，前一步的输出可直接作为下一步的参数。以奥斯汀共享单车公开数据集为例，首先使用 ML.DETECT_CHANGE_POINTS 在时间序列中定位到 2018 年 2 月出现显著结构性变化；随后将该时间切片输入 AI.KEY_DRIVERS，结果显示整体骑行量增长 374.7%，增量主要集中在 UT 学生会员及特定站点；最后通过 AI.CAUSAL_EFFECT 构建 ARIMA_PLUS 反事实模型，测算出该计划带来了高于有机基线 358% 的增量，约 89,775 次额外骑行，因果效应概率为 99.9%。这一过程与当时奥斯汀市议会通过“无桩出行试点计划”以及共享单车项目向德州大学学生提供免费年卡的时间点相吻合。
上述 TVF 已接入 Conversational Analytics，用户可通过自然语言提示词让 Agent 自动编排多步调查。在芝加哥出租车数据集示例中，Agent 组合使用 ML.CORRELATION 与 AI.KEY_DRIVERS，得出信用卡支付是行程距离与小费的正向主要驱动因素，而现金交易则构成负向驱动。在爱荷华州酒类销售数据集中，ML.TREND 与 ML.SEASONALITY 的组合显示销量自 2012 年的 130 万至 150 万瓶持续增长至近年约 260 万瓶，并在 10 月、12 月及 5 月、6 月呈现明显季节性高峰，1 月和 2 月回落。
相关 TVF 技能已在 Google Skills GitHub 仓库开放。