基于助睿BI的学生考勤画像可视化分析：精准锁定“纪律高危型“群体

维度关键发现管理启示整体规模全校421人，占比可控但影响恶劣需要建立"重点关注名单"制度性别特征已知性别中男生略多于女生不能简单归因于性别，需结合基数分析校区差异老校区明显多于新校区老校区/新校区管理资源需重新分配班级聚集高三（09）、高三（08）羊群效应对TOP问题班级进行专项整顿本次实验基于助睿数智（Uniplore）平台，通过零代码拖拉拽的方式，完成了从数据集构建到多维可视化分析，再到BI驾

2301_81464909

236人浏览 · 2026-05-25 11:40:53

2301_81464909 · 2026-05-25 11:40:53 发布

同样是做学生考勤管理，为什么有的人只能每天对着Excel里的"迟到/早退"记录头疼，而有的人却能用一张炫酷的BI数据大屏，直接揪出背后的"纪律高危人群"，甚至精准定位到具体班级和群体特征？

今天，我将带大家硬核上手，基于真实的脱敏考勤数据，用全程零代码的方式，在助睿数智（Uniplore）平台上完成一次堪比专业数据分析师的"考勤画像可视化分析"。小白也能轻松复现，建议先收藏再看，以防找不到！

一、实验背景

1.1 实验目的：精准"捕获"纪律高危群体

基于前期已经完成 K-Means 聚类打标的学生数据，本次实验我们将拿着放大镜，专门盯住"纪律高危型"这个群体。他们存在高频违纪、多维度异常叠加等行为特征，是校园考勤管理中风险最高、影响最大的群体，堪称校园管理的"定时炸弹"。

我们要通过可视化的手段，把这群人的整体规模、性别倾向、年级分布、校区差异扒得一干二净，用数据为学校的精准干预和重点整治提供铁证，助力校园精细化管理！

1.2 实验环境与工具

神仙平台：助睿数智（Uniplore）一站式数据科学实验平台。这里强烈安利，它把数据接入、ETL、机器学习到可视化全包了，纯小白也能靠"拖拉拽"起飞。
平台传送门：https://lab.guilan.cn/
产品官网：https://www.uniplore.com/
核心工具：助睿BI（数据可视化探索平台）、MySQL数据库
数据源：student_attendance_stats（学生考勤主题标签表，内含上万条多维脱敏数据）

1.3 实验数据

本次实验的核心"弹药"是存放在团队私有数据库中的 student_attendance_stats（学生考勤主题标签表）。这张表不仅包含了学生的脱敏基础信息，还汇总了他们各个维度的考勤指标，以及前期算法打上的"考勤群体分类"标签。

核心数据表结构：

字段名	字段类型	中文释义
id	int	自增主键
student_id	int	学生 ID
student_name	varchar(50)	学生姓名（已脱敏）
class_id	int	班级 ID
class_name	varchar(50)	班级名称
grade	varchar(10)	年级（如高一、高二、高三）
gender	varchar(10)	性别
birth_date	varchar(10)	出生日期
political_status	varchar(20)	政治面貌
is_boarder	varchar(10)	是否住校
campus_type	varchar(10)	校区类型（老校区 / 新校区）
late_count	int	迟到次数
early_leave_count	int	早退次数
leave_count	int	请假次数
uniform_violate_count	int	没穿校服次数
create_time	datetime	统计入库时间
cluster	varchar(10)	聚类簇编号（前期机器学习算法产出）
attendance_group	varchar(30)	考勤群体分类（本次分析的核心靶点）

真实脱敏数据样例：

id	student_id	student_name	class_name	grade	gender	campus_type	late_count	leave_count	cluster	attendance_group
1	10842	马某某	高三(09)	高三	未知	老校区	1	3	C3	纪律高危型
2	10844	叶某某	高三(09)	高三	未知	老校区	0	5	C3	纪律高危型
3	10845	孙某某	高三(09)	高三	未知	老校区	3	0	C3	纪律高危型

📌 点评：有了这些多维度的特征数据，我们就能在 BI 平台里把高危群体的画像精准捏出来！

二、保姆级实验步骤

🛠️ 步骤 1：进入助睿BI可视化平台

登录助睿实验平台后，目光锁定左侧菜单栏，点击"助睿BI"，进入数据可视化探索平台。

进入首页后，你可以像指挥官一样俯瞰当前账户的数据资产：数据源、数据集、工作表、仪表盘数量一目了然，下方还展示了支持的各种数据库类型（MySQL、PostgreSQL、Oracle、Doris等）。

🛠️ 步骤 2：连接数据源

student_attendance_stats 存放于我们的团队私有数据库中。得益于上一个实验（聚类簇编号对应的考勤群体分类分析）中已经打通了团队私有 MySQL 数据库的连接，这一步我们直接白嫖之前的数据源，无需再进行繁琐的数据源配置，省时省力！

🛠️ 步骤 3：构建数据集

要想让图表听话，得先构建"数据集"。

1. 新建数据集

点击左侧菜单"数据集" → 点击左上角 "＋" → "新建数据集"
在弹窗中输入数据集名称（如：学生考勤主题数据集），选择所属分组，填写备注信息后点击"确认"

2. 选择数据源

数据集创建成功后，会自动跳到配置页面。第一步选择数据源：
- 第一个下拉框选中我们的私有数据源
- 第二个下拉框选择 student_attendance_stats 所在的目录（如 labs 或 se_group_1）

3. 拖拽数据表

数据源选择完成后，目录下的数据表自动出现在画布左侧
将 student_attendance_stats 优雅地拖拽至中间画布中

4. 保存并发布

查看数据的表结构及数据预览，确认无误后点击画布左上角"保存"按钮
在保存提示中选择"保存并发布"（只有发布后的数据集才能在工作表中引用）

⚠️ 注意：助睿BI平台为防止遗漏数据源选择步骤，做了强提醒，点击"好的，我知道了"即可关闭提醒。

🛠️ 步骤 4：制作工作表

工作表是承载可视化图表、开展数据分析的基础单元。

1. 新建分组

点击左侧菜单"工作表" → 点击左上角 "＋" → "新建分组"
输入分组名称（如：学生考勤画像分析），填写备注后确认
建议将相同主题分析的工作表都放置在一个目录下，方便管理

2. 新建工作表

右键点击新建的分组 → 选择"新建工作表"
在弹窗中输入工作表名称、选择所属分组、填写备注信息后点击"确认"

三、核心可视化图表制作（剥析纪律高危型群体）

⚔️ 维度一：整体概况

目标：制作指标卡，直观展示纪律高危型群体的核心统计数值。

制作"纪律高危型总人数"指标卡：

新建工作表：命名为"纪律高危型总人数"
选择数据集：在右上角数据集下拉框中选择刚才发布的"学生考勤主题数据集"
选择图表类型：在右侧基础图表中点击"指标卡"
配置数值：
- 将字段 student_id（学生ID） 拖拽到"值"区域
- 点开字段设置，将聚合类型改为"去重计数"（保证人数不重复统计
添加过滤器：
- 点击图形设置图标打开设置面板
- 在过滤器处点击"＋"，选择 attendance_group（考勤群体分类）
- 点击过滤器后的"···" → "编辑"
- 选择"包含以下选项"，勾选"纪律高危型"，点击确认
样式美化（颜值即正义）：
- 进入"样式设置"：
  - 边距拉满到16
  - 标题设置：显示标题、字体大小16、红色、顶部居中
  - 数值设置：字体大小30、红色、加粗、水平居中
保存发布：点击保存 → "保存并发布"

📊 效果：指标卡将显示纪律高危型学生总人数（如：421人）

举一反三——制作性别细分指标卡：

按照上述方法，再制作三张细分指标卡：

"纪律高危型男生人数"：过滤器叠加 gender = 男
"纪律高危型女生人数"：过滤器叠加 gender = 女
"纪律高危型未知性别人数"：过滤器叠加 gender = 未知

💡 维度一数据深度洞察（宏观基本盘）：从这四张高亮指标卡中，我们能一眼看清战场全貌：

全校纪律高危型学生总人数为 421人

虽然占万名总人数的比例可控，但这421人的高频、多维考勤违纪行为会严重侵蚀正常的班学风

在已知性别的学生中，男生为267人，女生为302人，未知性别528人

初步业务洞察：在已知性别的纪律高危学生中，女生人数略多于男生。但这真的是因为"女生更容易考勤违纪"吗？还是说仅仅是因为这所学校里女生基数大导致的？后续可以引入对照组进行求证！

⚔️ 维度二：性别特征

目标：通过饼图/环形图，分析纪律高危型学生的性别占比特征。

制作"纪律高危型学生性别占比"环形图：

新建工作表：命名为"纪律高危型学生性别占比"
选择图表类型：右侧选择"饼图"（或环形图）
配置维度与数值：
- 将 gender（性别） 拖拽到"维度"（或颜色）
- 将 student_id（学生ID） 拖拽到"值"，聚合方式设为"去重计数"
添加过滤器：attendance_group 包含"纪律高危型"
样式设置：
- 选择环形图样式
- 设置标签显示百分比和人数
- 配色方案选择对比鲜明的颜色
保存并发布

💡 维度二洞察：通过性别占比可视化，可以直观判断高危群体是否存在显著的性别倾斜，为后续的针对性管理策略提供依据。

⚔️ 维度三：年级分布（哪个年级是"重灾区"？）

目标：通过柱状图，分析纪律高危型学生在各年级的分布情况。

制作"纪律高危型学生年级分布"柱状图：

新建工作表：命名为"纪律高危型学生年级分布"
选择图表类型：右侧选择"柱状图"
配置维度与数值：
- 将 grade（年级） 拖拽到"维度"（X轴）
- 将 student_id（学生ID） 拖拽到"值"（Y轴），聚合方式"去重计数"
添加过滤器：attendance_group 包含"纪律高危型"
样式设置：
- 柱子颜色设为警示色（如红色/橙色）
- 显示数据标签
- 添加标题"各年级纪律高危型学生人数分布"
保存并发布

💡 维度三洞察：通过年级分布，可以快速定位"重灾区"年级。比如如果高三的纪律高危人数显著高于高一高二，可能说明毕业班学生的纪律管理压力更大，需要重点关注。

⚔️ 维度四：校区差异（老校区 vs 新校区）

目标：通过交叉分析，对比不同校区的高危群体特征。

制作"校区-年级交叉分析"堆叠柱状图：

新建工作表：命名为"纪律高危型学生校区年级分布"
选择图表类型：右侧选择"堆叠柱状图"（或分组柱状图）
配置维度：
- 将 campus_type（校区类型） 拖拽到"维度"（X轴）
- 将 grade（年级） 拖拽到"颜色"（图例）
- 将 student_id（学生ID） 拖拽到"值"，聚合方式"去重计数"
添加过滤器：attendance_group 包含"纪律高危型"
保存并发布

💡 维度四洞察：通过校区维度的交叉分析，可以发现不同校区的管理差异。例如老校区可能因为设施老旧、管理松懈等原因，高危群体比例显著高于新校区。

⚔️ 维度五：班级溯源（精准定位"问题班级"）

目标：通过排序条形图，找出高危学生最聚集的班级。

制作"纪律高危型学生班级TOP榜"条形图：

新建工作表：命名为"纪律高危型学生班级分布TOP榜"
选择图表类型：右侧选择"条形图"（横向柱状图）
配置维度与数值：
- 将 class_name（班级名称） 拖拽到"维度"（Y轴）
- 将 student_id（学生ID） 拖拽到"值"（X轴），聚合方式"去重计数"
添加过滤器：attendance_group 包含"纪律高危型"
排序设置：按人数降序排列，只显示TOP15或TOP20
保存并发布

💡 维度五洞察：通过班级溯源，可以精准定位"问题班级"。如果某个班级的高危人数异常集中，可能说明该班级存在班风问题或班主任管理缺位，需要重点约谈和整改。

四、搭建综合BI驾驶舱大屏

4.1 新建仪表盘

点击左侧菜单"仪表盘" → 新建仪表盘
命名为"学生考勤画像分析大屏"

4.2 整合所有工作表

将刚才制作的所有工作表（指标卡、饼图、柱状图、条形图等）拖拽到仪表盘画布中：

顶部区域：放置4张核心指标卡（总人数、男生、女生、未知性别），一目了然
左侧区域：放置性别占比饼图 + 年级分布柱状图
右侧区域：放置校区交叉分析图 + 班级TOP榜
整体风格：选择深色主题，营造"数据驾驶舱"的专业感

4.3 添加联动与筛选

在仪表盘顶部添加全局筛选器（如年级筛选、校区筛选）
配置图表间的联动关系：点击某个年级的柱子，其他图表自动过滤显示该年级数据
这样管理者可以像操作"数据魔方"一样，任意下钻分析

4.4 发布与分享

点击"保存并发布"
生成分享链接，发送给学校管理层、年级主任、班主任

五、洞察输出与管理建议

5.1 核心发现总结

通过本次可视化分析，我们对"纪律高危型"群体形成了立体认知：

维度	关键发现	管理启示
整体规模	全校421人，占比可控但影响恶劣	需要建立"重点关注名单"制度
性别特征	已知性别中男生略多于女生	不能简单归因于性别，需结合基数分析
校区差异	老校区明显多于新校区	老校区/新校区管理资源需重新分配
班级聚集	高三（09）、高三（08）羊群效应	对TOP问题班级进行专项整顿