标签：#助睿数智 #商业数据分析 #数据大屏 #ETL #浏览器分析

实验背景

实验目的

本次实验基于一份包含1000名用户、800余万条浏览器行为记录的原始数据，完成从数据加工、大屏静态布局到动态数据接入的完整可视化分析流程。通过本实验，我希望掌握：

• 使用助睿ETL平台进行数据清洗与聚合表加工

• 根据业务问题设计数据大屏布局与图表选型

• 利用助睿Max的蓝图编辑器配置数据源、SQL查询和数据绑定

• 将真实数据接入图表组件，实现动态展示

实验环境

• 实验平台：助睿在线实验平台（https://lab.guilian.cn/）

• 可视化工具：助睿Max（数据大屏）

• 数据处理：助睿ETL数据集成平台

• 数据来源：团队私有数据库（MySQL）

本次实验使用助睿数智（Uniplore） 作为一站式数据科学平台。该平台覆盖从数据接入、ETL处理、机器学习建模到可视化展示的全链路零代码功能。产品官网：Uniplore iDIS-大数据智能全流程服务平台-BI数据可视化工具

整体处理流程

整个实验分为三个连续部分：

1. 数据加工（实验5-1）：从原始行为明细表出发，加工出8张聚合表，包括浏览器市场格局、周活跃趋势、使用频率分布、浏览器使用数量分布、工作日/周末对比、核心指标以及用户画像统计表。

2. 静态布局制作（实验5-2）：在助睿Max中创建大屏，设计标题、导航、图表区域背景，拖拽图表组件并按草图排版。

3. 蓝图数据接入（实验5-3）：在蓝图编辑器中创建数据源连接，为每个图表编写SQL查询，通过并行数据处理节点分发数据，绑定到图表组件，最终预览并发布。

下面我将按顺序记录详细步骤。

---

第一部分：数据加工（实验5-1）

步骤1：准备用户-日-浏览器-小时明细表

原始数据已经过清洗，生成了daily_browser_detail明细表。我在团队私有数据库中创建该表：

CREATE TABLE IF NOT EXISTS `daily_browser_detail` (
   `user_id` VARCHAR(50) NOT NULL COMMENT '用户ID',
   `usage_date` DATE NOT NULL COMMENT '使用日期',
   `browser_name` VARCHAR(50) NOT NULL COMMENT '浏览器名称',
   `hour` TINYINT NOT NULL COMMENT '小时',
   `total_duration_sec` INT NOT NULL COMMENT '总使用时长(秒)',
   `active_count` INT NOT NULL COMMENT '活跃次数'
);

然后复制已有的“互联网用户行为日志数据清洗抽取”转换流，重命名为“输出用户日浏览器小时明细表”，修正排序字段，添加值映射组件将进程名映射为浏览器名称（iexplore.exe→IE浏览器，chrome.exe→Google等），最后用表输出组件写入daily_browser_detail。

关键点：分组组件前的排序字段必须与分组字段完全一致，否则会产生重复数据。

步骤2：创建目标数据表

新建转换流“创建浏览器大屏分析目标数据表”，用“执行一个SQL脚本”组件一次性创建以下8张表：

• browser_overview：核心指标概览

• browser_weekly_active：各浏览器周活跃趋势

• browser_frequency_stats：浏览器使用频率分布

• browser_multi_usage：用户使用浏览器数量分布

• browser_weekday_weekend：工作日vs周末对比

• user_profile_stats：用户画像统计
   

  -- 1. 核心指标概览表
  DROP TABLE IF EXISTS `browser_overview`;
  CREATE TABLE `browser_overview` (
      `metric_name` VARCHAR(50) NOT NULL COMMENT '指标名称',
      `metric_value` DECIMAL(12,2) NOT NULL COMMENT '指标值'
  ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='核心指标概览表';
  
  -- 2. 各浏览器周活跃趋势表
  DROP TABLE IF EXISTS browser_weekly_active;
  CREATE TABLE `browser_weekly_active` (
      `browser_name` VARCHAR(50) NOT NULL COMMENT '浏览器名称',
      `week_range` VARCHAR(20) NOT NULL COMMENT '周日期范围',
      `active_user_count` INT NOT NULL COMMENT '活跃用户数'
  ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='各浏览器周活跃趋势表';
  
  -- 3. 浏览器使用频率分布表
  DROP TABLE IF EXISTS browser_frequency_stats;
  CREATE TABLE `browser_frequency_stats` (
      `browser_name` VARCHAR(50) NOT NULL COMMENT '浏览器名称',
      `usage_level` VARCHAR(10) NOT NULL COMMENT '使用等级',
      `user_count` INT NOT NULL COMMENT '用户数'
  ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='浏览器使用频率分布表';
  
  -- 4. 用户使用浏览器数量分布表
  DROP TABLE IF EXISTS browser_multi_usage;
  CREATE TABLE `browser_multi_usage` (
      `browser_count` VARCHAR(10) NOT NULL COMMENT '使用浏览器数量',
      `user_count` DECIMAL(5,2) NOT NULL COMMENT '用户数量'
  ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户使用浏览器数量分布表';
  
  -- 5. 浏览器工作日周末对比表
  DROP TABLE IF EXISTS browser_weekday_weekend;
  CREATE TABLE `browser_weekday_weekend` (
      `browser_name` VARCHAR(50) NOT NULL COMMENT '浏览器名称',
      `day_type` VARCHAR(10) NOT NULL COMMENT '工作日/周末',
      `avg_duration_sec` INT NOT NULL COMMENT '人均使用时长(秒)',
      `total_duration_hour` BIGINT NOT NULL COMMENT '总使用时长(小时)',
      `user_count` INT NOT NULL COMMENT '用户数'
  ) COMMENT '浏览器工作日周末对比表';
  
  -- 6. 用户画像统计表
  DROP TABLE IF EXISTS `user_profile_stats`;
  CREATE TABLE `user_profile_stats` (
      `browser_name` VARCHAR(50) NOT NULL COMMENT '浏览器名称',
      `gender` VARCHAR(10) COMMENT '性别',
      `age_group` VARCHAR(10) COMMENT '年龄段',
      `edu` VARCHAR(50) COMMENT '学历',
      `job` VARCHAR(50) COMMENT '职业',
      `income` VARCHAR(50) COMMENT '收入',
      `city_type` VARCHAR(10) COMMENT '居住地类型',
      `province` VARCHAR(50) COMMENT '省份',
      `user_count` INT NOT NULL COMMENT '用户数'
  ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='用户画像统计表';

步骤3：各浏览器周活跃趋势表数据抽取

统计每个浏览器在第1-4周的每周活跃用户数。主要流程：

1. 表输入读取daily_browser_detail
   
   

2. 字段选择将usage_date转为Date类型，格式yyyy-MM-DD
   

3. 值映射将日期映射为周区间（如2012-05-07→5/7-5/13）
   

4. 排序记录按browser_name、week_range升序
   

5. 分组：分组字段browser_name、week_range，聚合user_id去重计数得active_user_count
   

6. 表输出写入browser_weekly_active
   
   

步骤4：各浏览器使用频率分布表数据抽取

划分轻（<3h/周）、中（3-10h）、重（>10h）三类用户：


 

1. 读取表输入
   

2. 按user_id、browser_name升序排序
   

3. 从明细表按user_id、browser_name分组，计算每人每周总使用时长（秒）
   

4. 增加常量3600，用计算器转为小时
   
   

5. JavaScript代码划分等级
   

6. 按browser_name、usage_level升序排序后分组统计去重用户数
   
   

7. 输出到browser_frequency_stats
   
   

步骤5：浏览器使用数量分布表数据抽取

统计用户使用1种、2种、3种及以上浏览器的用户数：

1. 读取表输入(与上一步骤一致，同一个表)

2. 按user_id升序排序并分组，对browser_name去重计数
   
   

3. JavaScript代码将计数转为分类（1种、2种、3种及以上）
   

4. 按browser_count升序排序并分类分组统计用户数
   
   

5. 输出到browser_multi_usage
   
   
   

步骤6：工作日vs周末对比表数据抽取

1. 读取明细表，通过JavaScript获取日期对应的星期几，判断工作日/周末
   
   

2. 按browser_name、day_type分组，计算人均时长（秒）、总时长（秒）、用户数
   
   

3. 增加常量3600，将总时长转为小时
   
   

4. 移除不需要的字段后输出到browser_weekday_weekend
   
   
   
   

步骤7：核心指标数据抽取

用一条SQL直接计算出全局的总使用时长、人均时长、活跃用户占比、重度用户占比，然后通过行转列组件将一行数据转为四行，再用值映射将指标名称转为中文，最终写入browser_overview。
 

SELECT 
    ROUND(SUM(total_duration_sec) / 3600, 2) AS total_hours,
    ROUND(SUM(total_duration_sec) / 3600 / COUNT(DISTINCT user_id), 2) AS avg_hours,
    ROUND(
        (SELECT COUNT(DISTINCT user_id) FROM daily_browser_detail 
         WHERE usage_date BETWEEN '2012-08-06' AND '2012-08-12'
        ) * 100.0 / COUNT(DISTINCT user_id), 2
    ) AS active_ratio,
    ROUND(
        (SELECT COUNT(*) FROM (
            SELECT user_id FROM daily_browser_detail 
            WHERE usage_date BETWEEN '2012-05-07' AND '2012-07-08'
            GROUP BY user_id
            HAVING SUM(total_duration_sec) / 3600 > 30
        ) t) * 100.0 / COUNT(DISTINCT user_id), 2
    ) AS heavy_ratio
FROM daily_browser_detail

步骤8：用户画像表加工

人口属性数据来自demographic.csv（从公共空间导出）。

主要流程：

1. CSV文件输入读取demographic.csv(右键获取字段)
   

2. 增加常量2012，用计算器算出年龄 = 2012 - BIRTHDAY
   
   

3. JavaScript代码将年龄分段（<18,18-25,26-35,>35）
   

4. 表输入读取daily_browser_detail
   

5. 两个数据源分别按user_id排序，然后用记录集连接左关联
   
   
   

6. 按浏览器、性别、学历、职业、收入、省份、居住地类型、年龄段升序排序并分组，统计用户数
   
   

7. 写入user_profile_stats
   
   

实验结果（第一部分）

所有目标表成功生成，数据探查结果符合预期。例如browser_coverage表包含6个浏览器的用户数、总时长、人均时长；browser_weekly_active包含每个浏览器4周的去重活跃用户数。这些表将作为后续大屏的数据源。

---

第二部分：静态布局制作（实验5-2）

步骤1：创建大屏

进入助睿Max，点击“新建大屏” → “空白模板”，命名为“市场分析”。

步骤2：设置大屏样式

• 背景图片：使用提供的bg-2.png链接
  

• 标题banner：添加“单张图片”组件，重命名“标题banner”，设置图片链接为banner01.png，位置(x=0,y=0,宽=1920,高=80)
  
  

• 导航按钮：添加“单张图片”作为按钮背景，添加“通用标题”作为按钮文字。复制一份得到“用户画像”按钮，调整x坐标。
  
  

步骤3：按布局草图添加图表区域

每个图表区域由三部分组成：区域背景（单张图片）、标题背景（单张图片）、标题（通用标题）、具体图表组件。

我按照草图依次制作了以下模块：

• 浏览器用户数（基础柱状图）
  
  

• 浏览器使用时长占比（多维度饼图，设置内外半径和系列颜色）
  
  

• 浏览器人均使用时长（基础柱状图）
  
  

• 数据概览（4个数字翻牌器，每个配图标）
  
  

• 工作日vs周末使用时长（分组柱状图）
  
  

• 24小时活跃用户数分布（区域图）
  
  

• 浏览器周活跃用户数变化（折线图）
  
  

• 使用频率分布（垂直基本柱图）
  
  

• 浏览器使用数量分布（基本饼图）
  
  

关键样式调整

• 饼图：隐藏外圈，设置标签可见，为6个浏览器分配固定色值（#2177FC、#3DC3DF等）

• 分组柱状图：系列2颜色改为#3DC3DF

• 区域图：颜色设为#29F1FA

• 数字翻牌器：设置标题、后缀、居中对齐

实验结果（第二部分）

大屏静态布局完成，所有图表组件已放置到位，但尚未接入数据（显示为模拟数据或空白）。整体叙事顺序符合“从上到下、从左到右”，核心指标突出。

---

第三部分：蓝图数据接入（实验5-3）

步骤1：创建数据库数据源

进入“我的数据” → “+新建” → “新建数据源”，填写团队私有数据库的连接信息（主机、端口、数据库名、用户名、密码），点击“立即添加”。稍等片刻刷新即可看到新数据源。

步骤2：导出组件到蓝图编辑器

在大屏编辑器中，右键单击每个需要接入数据的组件（柱状图、饼图、折线图、数字翻牌器等），选择“导出到蓝图编辑器”。导出成功后，切换到“蓝图编辑器”页面，可以在“导入节点”列表中看到这些组件节点。

步骤3：添加全局节点

在蓝图编辑器的“逻辑节点”面板中，拖入“全局节点”，它将作为页面加载时的触发器。

步骤4：为市场格局3个图表配置数据

这三个图表（浏览器用户数柱状图、使用时长占比饼图、人均使用时长柱状图）共用同一张表browser_coverage，一次查询即可。

1. 添加“SQL请求”节点，从全局节点的“页面初始化完成”连接到它的“执行SQL”。
   

2. 配置SQL：

let sql = `
   select 
      browser_name as x, 
      user_count as y1, 
      round(total_duration_sec/3600,0) as y2, 
      round((total_duration_sec/3600)/user_count,1) as y3 
   from labs.browser_coverage 
   order by browser_name`
return sql

1. 添加“并行数据处理”节点，SQL请求节点的“执行成功”连接到它的输入。在并行节点中增加3个处理方法，分别命名为“各浏览器用户数”、“各浏览器总使用时长”、“各浏览器人均使用时长”。
   
   

2. 编写处理代码（数据映射）：

   • 用户数：return data.map(item => ({ x: item.x, y: item.y1, s: '用户数' }));

   • 总时长：return data.map(item => ({ name: item.x, value: item.y2 }));

   • 人均时长：return data.map(item => ({ x: item.x, y: item.y3, s: '人均时长(小时)' }));

3. 将三个图表的节点添加到画布，分别将三个处理方法的输出连接到对应图表的“导入数据接口”。
   
   

保存后预览，三个图表已显示真实数据。饼图需调整内外半径使样式协调。

步骤5：为指标区域4个数字翻牌器配置数据

1. 新建SQL请求节点，查询browser_overview表：

let sql = `select metric_name, metric_value from labs.browser_overview`
return sql

1. 并行数据处理增加4个方法（总使用时长、人均使用时长、活跃用户占比、重度用户占比），每个方法用data.find提取对应指标值，返回[{ value: xxx }]。
   

2. 将四个数字翻牌器节点添加到画布，连接对应处理方法输出。
   

步骤6：为其余图表逐个配置SQL请求

每个图表单独配置SQL请求节点，并直接连接图表的“导入数据接口”（因为不需要并行分发）。

以“工作日vs周末使用时长”为例：

let sql = `
   select 
      browser_name as x, 
      avg_duration_sec as y, 
      day_type as s 
   from labs.browser_weekday_weekend 
   order by browser_name, day_type`
return sql

其他图表类似，注意折线图（24小时活跃分布、周活跃趋势）有6个系列，需要在画布编辑器的“数据系列”中分别设置每个系列的折线和标记颜色，确保图例与线条颜色一致。

步骤7：预览并发布

所有蓝图连接完成后，点击“保存”，然后点击大屏右上角“预览”按钮，检查每个图表数据是否正确显示。确认无误后，点击“发布” → “发布分享” → 复制分享链接，即可在线访问。

最终发布的大屏链接示例：http://47.109.66.142:30887/#/dataScreen/release?shareId=6c8835415fd44ee88317766691976922

实验结果（第三部分）

所有图表成功接入真实数据，实现了：

• 市场格局一目了然（Chrome用户数最多，IE使用时长占比最高）

• 时段偏好清晰（晚间20-22点为活跃高峰）

• 周活跃趋势显示部分浏览器活跃度波动

• 使用频率分布显示Chrome重度用户占比最高

• 浏览器使用数量分布显示约50%用户只用1种浏览器

---

问题与解决

问题1：分组组件前未按分组字段排序导致重复数据

在加工browser_weekly_active时，分组前没有对数据按browser_name和week_range排序，结果出现重复行。
原因：分组组件依赖排序来合并相同键值，未排序时可能将同一分组的数据分散在不同块中。
解决：在分组前添加“排序记录”组件，排序字段与分组字段完全一致。

问题2：饼图外圈显示多余白色环形

饼图默认有外圈（圆环图样式），影响美观。
解决：在饼图样式中，将外圈颜色的透明度调为0，即可隐藏外圈。

问题3：折线图图例与折线颜色不一致

24小时活跃分布折线图有6个浏览器，默认颜色自动分配，但预览时发现图例颜色和折线颜色不对应。
解决：在画布编辑器中选中图表，点开“数据系列”，为6个系列分别手动设置固定颜色（与饼图色值保持一致）。

问题4：数字翻牌器不显示数据

按照蓝图配置后，数字翻牌器仍显示0或空白。
原因：并行数据处理返回的格式不正确，翻牌器要求[{ value: 数值 }]结构，但我最初返回了{ value: xxx }对象。
解决：修改处理方法，用数组包裹对象。

问题5：复制组件后不显示内容

在布局阶段，复制整个组后，新组的图表或文字不显示。
原因：复制后组件的内部状态未刷新。
解决：选中复制的组件，在右侧“数据”tab中点击“刷新数据”即可。

---

实验总结

收获

通过本次完整的实验，我掌握了以下技能：

1. 数据加工：使用助睿ETL的“表输入”、“分组”、“值映射”、“JavaScript代码”、“记录集连接”等组件，高效完成多张聚合表的加工，理解了数据仓库“分层加工”的思想。

2. 大屏布局设计：从业务问题出发，设计合理的图表选型和布局，利用成组、背景图片、标题装饰等提升大屏美观度。

3. 蓝图编辑器：理解了数据源、触发器、动作、并行数据处理等核心概念，能够为不同图表配置SQL查询，并通过数据处理节点灵活转换数据格式，实现图表与真实数据的绑定。

4. 零代码平台优势：整个过程无需编写后端代码，仅通过拖拽组件和简单SQL即可完成复杂的数据分析可视化项目，极大提升了效率。

对助睿数智平台的评价

助睿数智（Uniplore）真正实现了从数据接入、ETL处理到可视化的全链路零代码操作。其ETL组件丰富（排序、分组、连接、计算器等），基本覆盖了日常数据加工需求；大屏制作支持灵活的样式定制和蓝图交互；蓝图编辑器虽然有一定学习曲线，但熟练后可以高效管理复杂数据流。对于教学场景和企业快速数据分析原型验证，这是一个非常实用的平台。