#助睿数智 #商业数据分析 #机器学习 #数据可视化 #KMeans聚类 #用户画像

一、实验背景与目的

在数字化校园建设的背景下，学生考勤数据不仅仅是简单的“迟到”或“早退”记录，更是反映学生学习状态、规则意识乃至校园管理水平的重要指标。传统的统计方法往往只能看到“平均值”，而无法识别出那些“高频违纪”且“多维度异常”的特殊群体。

本次实验基于助睿数智（Uniplore）一站式数据科学实验平台（https://lab.guilan.cn/），旨在完成一项全链路的数据分析任务。实验分为两个核心阶段：

1. 数据挖掘阶段：利用K-Means无监督学习算法，对全校学生进行聚类，识别出“纪律高危型”群体。
2. 深度画像阶段：基于上一阶段的聚类结果，利用BI工具进行多维下钻分析，探究该群体在性别、年级、校区、班级上的分布特征。

通过本实验，我们将实现从“数据”到“模型”再到“业务洞察”的完整闭环，为校园精细化管理提供数据支撑。

---

二、实验环境与数据准备

• 实验平台：助睿数智（Uniplore）平台。该平台覆盖了数据接入、ETL处理、机器学习建模（AI Studio）及可视化分析（助睿BI）的全链路功能。
• 数据来源：student_attendance_stats（学生考勤主题标签表）。
• 关键字段：
  • late_count（迟到次数）
  • early_leave_count（早退次数）
  • leave_count（请假次数）
  • uniform_violate_count（校服违规次数）
  • attendance_group（考勤群体分类，由模型生成）

三、第一阶段：AI Studio聚类建模

1. AI Studio聚类建模
（1）构建工作流与数据加载
登录助睿数智平台后，首先进入“人工智能平台（AI Studio）”模块，点击“新建工作流”。在画布左侧的控件列表中，搜索并拖拽“数据库加载”控件。双击该控件，配置团队私有数据库连接信息，并选择student_attendance_stats表。

为了聚焦考勤核心指标，我们在字段配置环节进行了精简。仅保留student_id、class_id、late_count（迟到次数）、early_leave_count（早退次数）、leave_count（请假次数）以及uniform_violate_count（校服违规次数）。特别注意，需将student_id和class_id设置为“类别型”（Categorical），其余次数指标设置为“数值型”（Numeric），这是保证后续算法正确运行的基础。

（2）K-Means算法配置与运行
从控件列表中拖拽“K-Means”组件至画布，并连接在“数据库加载”组件之后。双击K-Means组件进行参数配置，在本次实验中，基于考勤业务的理解以及数据量级的考量，我们将簇数量（Cluster Count）设定为固定的3个。K-Means算法对初始质心敏感，但考虑到数据维度清晰且变量间相关性低，我们保持其他参数默认，直接运行该控件。

运行成功后，查看输出结果，此时数据流中已多出了一个Cluster字段，每个学生都被标记上了C1、C2或C3的簇编号。

（3）结果入库
为了便于后续分析，我们需要将聚类结果持久化存储。拖拽“数据入库”组件，连接K-Means组件。配置数据库连接后，选择“新建数据表”，命名为student_cluster。执行整个工作流，待运行成功后，聚类结果便保存在了数据库中。

2. 助睿BI可视化画像解读
（1）数据源连接与数据集构建
切换至“助睿BI”模块，新建MySQL数据源连接。连接成功后，创建新的数据集，选取刚刚生成的student_cluster表。为了提升分析效率，我将字段备注修改为中文，如将Cluster改为“聚类簇编号”，并发布该数据集。

（2）多维散点图分析：构建“两两指标”散点矩阵

进入“工作表”模块后，新建一个名为“迟到早退次数的聚类簇分析”的工作表，并选择之前发布的“聚类簇编号数据集”作为数据源。为了彻底解读机器生成的C1、C2、C3三个簇到底代表什么类型的群体，我决定采用“两两指标”的散点图分析法。因为单一维度的图表很难展现多维特征，只有通过不同指标的组合交叉，才能还原出学生真实的考勤行为画像。

进入“工作表”模块，基于已发布的“聚类簇编号数据集”新建工作表。为了科学、全面地解读C1、C2、C3三个簇的特征，需采用“两两指标”的散点图分析法，通过可视化手段观察不同维度下的数据分布规律。

1. 图表构建与字段配置

• 图表创建：在工作表设计页面，选择图表类型为“探索器”。依次拖拽字段至对应区域：将late_count（迟到次数）拖至X轴，early_leave_count（早退次数）拖至Y轴。
• 颜色区分：点击图形设置面板中的“颜色”区域，选择“+”，在下拉框中选择Cluster（聚类簇编号）字段。系统将自动为不同簇分配不同颜色，便于区分。
• 信息提示：在“信息”区域同样添加Cluster字段，以便在鼠标悬停时显示具体的簇编号。
• 数据限额调整：由于系统默认显示前2000条数据，为避免数据遗漏，需将数据限额设置为100%，确保所有记录完整呈现。
• 主题优化：为增强视觉对比度，点击颜色区域的设置按钮，切换至对比强烈的主题色系（如红-绿-蓝或黄-青-品红），使不同群体的分布特征更加醒目。

2. 分析维度组合

为确保分析的全面性，需重复上述步骤，构建以下6组散点图组合，覆盖所有核心考勤指标的两两交叉分析：

• 迟到 vs 早退次数分析：考察学生迟到与早退行为的相关性。
• 迟到 vs 请假次数分析：分析迟到是否伴随频繁请假。
• 迟到 vs 没穿校服次数分析：观察纪律松懈是否体现在着装与出勤双重维度。
• 早退 vs 请假次数分析：验证早退行为是否与请假习惯有关联。
• 早退 vs 没穿校服次数分析：评估早退学生是否存在其他违规倾向。
• 请假 vs 没穿校服次数分析：综合判断学生在非出勤类纪律上的表现。

3. 分布特征观察与初步判断

通过观察6张散点图的整体分布趋势，可初步识别各簇的业务含义：

• C1簇（蓝色）：数据点高度集中于坐标原点附近，即迟到、早退、请假、校服违规等各项指标均为极低值，表现为全维度的低频异常，属于纪律优良群体。
• C2簇（青色）：数据点主要分布在低频区域，但分布范围较C1更广，部分样本在请假或校服违规维度上有轻微偏离，表现为偶发性的小幅波动，整体可控。
• C3簇（黄色）：数据点明显远离原点，呈现出显著的“离群”特征。该类学生在多个维度上均表现出高频异常，如高迟到率伴随高早退率或高请假率，属于多维度违纪叠加的典型代表。

3. 数据集成（ETL）标签回写
（1）表结构扩展
回到“数据集成平台”，为了存储新的标签，我首先执行了一条DDL语句，为student_attendance_stats表新增两个字段：cluster（聚类簇编号）和attendance_group（考勤群体分类）。

（2）数据流清洗与映射
新建转换流，首先通过“表输入”读取student_cluster数据，利用“字段选择”组件剔除无关字段，仅保留student_id和Cluster。紧接着，使用“值映射”组件将机器语言转化为业务语言：C1映射为“轻微波动型”，C2映射为“自律模范型”，C3映射为“纪律高危型”。

（3）数据更新
最后，使用“更新”组件，配置数据库连接指向student_attendance_stats表。设置查询关键字为student_id，将流中的Cluster和attendance_group字段更新至目标表的对应列中。运行转换流，完成标签的闭环回写。

三、实验结果

实验最终成功将学生划分为三类清晰的考勤群体。在student_attendance_stats表中，新增的attendance_group字段已成功填充。

从结果分布来看，“自律模范型”学生占据了绝大多数，这符合校园管理的常态；“轻微波动型”学生存在偶发性的小问题，属于需要日常提醒的群体；而“纪律高危型”学生虽然数量不多，但其高频的迟到和多维度的违纪行为被成功识别出来。这一结果验证了K-Means算法在处理非负整数型考勤数据时的有效性，且无需复杂降维即可获得高解释性的聚类结果。

四、第二阶段：纪律高危型学生深度画像（本轮实验核心）

在上一环节完成数据清洗与集成后，我们基于已打标（attendance_group）的 student_attendance_stats 表，进入助睿BI（商业智能）模块进行深度的可视化分析。本阶段旨在通过多维下钻，精准刻画“纪律高危型”学生的性别、年级、校区及班级特征。

1. 数据集构建与连接

首先，我们需要将带有聚类标签的表引入BI环境，作为后续所有分析的底层数据源。

• 进入BI模块：登录助睿数智平台，点击左侧菜单栏的“助睿BI”。
• 新建数据集：在BI首页，点击左侧菜单的“数据集”，随后点击左上角的 “+” 号，选择 “新建数据集”。
• 选择数据源：
  • 在弹窗中，数据源选项选择团队私有的数据库连接（如“商业数据分析实验”）。
  • 目录选项选择表所在的Schema（如 labs）。
• 加载表：将右侧列表中的 student_attendance_stats 表拖拽至画布中。
• 字段检查：确认 student_id、class_name、late_count 等字段的类型识别正确（文档样例显示出生日期为varchar，需注意）。
• 保存发布：点击左上角 “保存”，命名为“学生考勤主题数据集”，并选择 “保存并发布”，确保后续工作表能引用此数据。

2. 整体概况指标卡制作

为了快速掌握高危群体的总体规模及性别构成，我们首先制作核心指标卡。

• 新建工作表：点击左侧菜单 “工作表”，新建一个工作表，命名为“纪律高危型整体概况”。
• 创建指标卡：
  • 在图表类型中选择 “指标卡”。
  • 将字段 student_id（学生ID）拖拽至 “值” 区域。
  • 点击 student_id 的聚合类型，选择 “去重计数”（因为一个学生可能有多条记录，需去重）。
• 配置过滤器（关键步骤）：
  • 点击画布右侧的 “过滤器” 中的 “+” 号。
  • 选择字段 attendance_group（考勤群体分类）。
  • 点击 “编辑”，设置规则为 “包含以下选项”，并勾选 “纪律高危型”，点击确认。
• 样式优化：在“图形设置”中，将标题改为“纪律高危型总人数”，调整字体大小为30，颜色可设为警示红色。
• 细分制作：以此类推，复制该工作表或新建组件，分别添加 gender（性别）字段的过滤器，制作 “纪律高危型男生人数”（过滤条件：gender = 男）和 “纪律高危型女生人数”（过滤条件：gender = 女）的指标卡。
  • 注：根据文档样例数据，需注意处理“未知”性别的情况。

3. 性别特征分析（饼图）—— 排除基数干扰

为了探究高危群体的性别倾向是否受全校总人数基数的影响，我们需要制作对比饼图。

• 图表选择：新建工作表，选择 “饼图”。
• 字段配置：
  • 值（Y轴）：student_id（去重计数）。
  • 分类（X轴）：gender（性别）。
• 双重过滤设置：
  • 过滤器1（考勤分类）：添加 attendance_group，设置为 “包含：纪律高危型”。
  • 过滤器2（排除未知）：添加 gender，设置为 “排除以下选项”，勾选 “未知”（确保图表仅显示男/女比例）。
• 样式设置：在“图形设置”中，开启 “标签显示形式” 为 “百分比”，并调整内环大小（建议50%）以增强视觉效果。
• 对比分析：复制该工作表，修改名称为“全校学生性别占比”，删除 attendance_group 的过滤器，仅保留 gender 的过滤器（排除未知）。将两张图并列摆放，进行视觉对比。
  • 分析结论参考：若高危群体男生占比（如54.22%）高于全校男生占比（53.03%），则说明男生违纪风险确实更高。

4. 年级与校区交叉特征分析（堆叠柱状图）

本步骤旨在揭示不同年级、不同校区的管理差异，定位高危行为的高发区域。

• 图表选择：新建纪律高危型学生年级特征分析工作表，选择 “柱状图”。
• 字段配置：
  • X轴：grade（年级）。
  • Y轴：student_id（去重计数）。
  • 分组/图例：campus_type（校区类型）。
• 数据筛选：在过滤器中锁定 attendance_group 为 “纪律高危型”。
• 深度洞察：
  • 观察柱子的高度：老校区（尤其是高三年级）的柱子通常显著高于新校区。
  • 观察分布形态：老校区呈现“随年级升高而增加”的趋势（高一463人 -> 高二853人 -> 高三786人），而新校区人数较少且高三可能无数据。
• 样式调整：取消柱子的“边框色”，调整主题色系（如老校区用深红，新校区用浅灰），使对比更强烈。

参考“纪律高危型学生年级特征分析”的步骤，完成纪律高危型学生校区类型 + 年级交叉特征分析和不同校区类型各年级学生人数。

5. 班级特征分析（水平条形图）—— 定位管理薄弱点

为了将管理责任落实到具体班级，我们需要分析高危学生在班级维度的分布。

• 图表选择：新建工作表，选择 “水平条图”（Bar Chart）。
• 字段配置：
  • Y轴：class_name（班级名称）。
  • X轴：student_id（去重计数）。
• 排序设置（关键步骤）：
  • 点击X轴（值）的下拉菜单，选择 “降序排序”。
  • 这样可以将人数最多的班级置于最上方，一眼识别出“重灾区”。
• 结果解读：图表会清晰展示出 “高三07班”（38人）、“高三08班”等排名靠前的班级。这表明高危行为具有明显的班级聚集性，与班级管理强度和班风直接相关。
• 过滤器：同样不要忘记在过滤器中添加 attendance_group = “纪律高危型”。

五、第三阶段：仪表盘集成与发布

在完成了各项独立图表的分析与制作后，最后一步是将这些零散的数据洞察整合为一个逻辑严密、视觉统一的综合管理驾驶舱。这不仅能提升汇报的专业度，更能为管理层提供一站式的决策支持视图。

1. 仪表盘布局设计
进入助睿BI的“仪表盘”模块，新建一个空白画布。遵循“总-分”的信息展示逻辑进行排版：

• 标题与核心结论区：拖拽“文本组件”至画布最上方，输入主标题“纪律高危型学生用户画像分析报告”。在标题下方，利用富文本功能添加关键结论文本框，例如高亮标注：“️ 核心预警：老校区高三年级为违纪高发重灾区，需重点干预。”
• 核心指标概览区：将上一阶段制作的“高危总人数”、“男生占比”、“女生占比”等指标卡整齐排列在标题下方。这部分作为第一视觉落点，能让管理者一眼掌握整体风险规模。
• 多维特征分析区：将“性别对比饼图”、“年级校区堆叠柱状图”以及“班级排行水平条形图”按从左到右、从上到下的阅读习惯依次排布。建议将宏观维度的图表（如年级、校区）放在中部，将微观维度的图表（如具体班级排名）放在底部，形成层层下钻的视觉流。

2. 交互与发布分享
为了让数据真正流动起来，我们需要配置仪表盘的发布权限：

• 预览与微调：点击顶部的“预览”按钮，检查各图表在不同分辨率下的显示效果，确保没有文字遮挡或布局错乱。
• 生成分享链接：确认无误后，点击右上角的“发布”按钮。在弹出的设置中，选择“公开分享”或“指定人员分享”，系统将自动生成一个独立的访问链接。
• 跨部门协作价值：该链接支持免登录直接访问（取决于安全策略设置），校领导和班主任无需掌握复杂的BI操作技能，只需在手机或电脑端点击链接，即可查看全屏交互式仪表盘。这极大地降低了数据获取门槛，方便了德育处与年级组之间的跨部门协同治理。

---

六、实验结果总结与管理建议

通过本次全链路的数据挖掘与可视化分析，我们不仅成功识别出了潜在的违纪群体，更通过多维交叉分析得出了极具业务指导意义的核心结论。

1. 核心画像特征总结

• 性别画像：高危群体呈现明显的“男性主导”特征。男生占比略高于全校男生的自然基数，反映出在青春期阶段，男生在规则意识建立和时间自我管理上相对薄弱，是纪律教育的重点关注对象。
• 年级画像：违纪风险随年级升高呈显著上升趋势，高三年级成为绝对的“峰值区”。这与毕业班面临的升学压力增大、心态浮躁以及部分学生出现的“破窗效应”密切相关。
• 校区画像：空间分布上存在极大的不平衡性。老校区由于设施陈旧、通勤环境复杂及生源基数大，成为了高危行为的主要聚集地；相比之下，新校区封闭化管理优势明显，整体风险可控。
• 班级画像：高危学生并非均匀随机分布，而是呈现出极强的“班级聚集性”。少数特定班级（如高三09班）集中了大量高危个体，这直接折射出该班级可能存在管理松懈、班风涣散或同伴负面效应传染等深层问题。

2. 针对性管理建议
基于上述数据洞察，建议学校管理层从以下四个维度开展精准干预：

• 分层教育，关注重点人群：针对高年级男生群体，开设专门的“时间管理与自律力”工作坊，不再进行大水漫灌式的全校说教，而是进行小范围的深度辅导。
• 区域联动，强化老校区治理：优化老校区的通勤路线与考勤监督点位，特别是在早读和晚自习前后的关键时间节点，增加巡查力度，营造严谨的外部约束环境。
• 靶向整治，整顿高危班级：对筛查出的“高危班级”启动专项整顿计划。加强班主任的监管考核力度，引入优秀班干部协助管理，重塑积极向上的班级舆论场。
• 一人一档，实施家校共育：为421名高危学生建立电子成长台账，落实“一对一”导师制。定期与家长同步考勤数据，制定个性化的行为矫正方案，形成家校闭环合力。

---

七、问题与解决（踩坑详解）

在实验过程中，为了保证可视化效果的完美呈现，我们也遇到了一些典型的技术细节问题，以下是具体的排查与解决过程：

1. 问题现象：班级名称重叠显示
在制作“班级特征分析”的水平条形图时，由于涉及的班级数量较多（Y轴类目密集），导致左侧的班级名称（如“高三(09)班”）出现严重的文字重叠，甚至部分被截断，完全无法辨认。

2. 问题原因
这是由于图表默认的画布高度不足，且系统默认的字体大小和行间距是按照常规数据量设计的，未能自动适配长文本、多类目的极端展示需求。

3. 解决方法
我们通过“三步走”策略完美解决了该问题：

• 调整画布高度：手动拉长该图表组件的垂直高度，物理上为Y轴标签留出更多的纵向排列空间。
• 开启智能换行：进入右侧的“图形设置” -> “样式” -> “坐标轴”选项，找到Y轴标签设置，将“文本过长处理”策略由默认的“截断”修改为“换行”。
• 交互体验优化：在“提示”选项中，启用“鼠标悬停显示完整信息”功能。这样即使在小屏幕查看时，管理者只需将鼠标悬停在条形上，即可浮窗查看完整的班级名称和具体人数。

---

八、实验总结

本次实验依托助睿数智（Uniplore）平台，从零代码的角度完美演绎了“数据挖掘 + 业务分析”的深度融合。我们跳出了传统Excel手工制表的低效模式，体验了从K-Means算法的精准聚类识别，到BI仪表盘直观呈现的全流程自动化作业。

收获与评价：

• 全链路闭环体验：平台打通了数据接入、ETL清洗、AI建模到可视化展示的每一个环节，数据流转顺畅无阻，让我们深刻理解了现代数据分析工程的标准化作业流。
• 极高的业务落地价值：实验不仅仅是跑通了模型，更重要的是产出了可直接指导行动的业务洞察。特别是精准定位了“老校区高三09班”这一管理盲区，证明了数据分析在教育资源优化配置中的巨大潜力。
• 零代码赋能业务人员：全程拖拽式的操作极大降低了技术门槛，让不懂Python和SQL的教育工作者也能轻松驾驭复杂的数据分析。这种“人人都是分析师”的模式，非常契合当前教育行业数字化转型的实际需求。