实验五 浏览器市场与用户画像分析 - 数据加工 + 大屏可视化制作实验报告

课程名称：商业数据分析

实验日期：2026/6/1

一、实验目的

本次实验分为数据 ETL 加工、大屏静态布局搭建、蓝图数据接入三个子实验，整体实现从原始行为数据→聚合统计数据表→可视化数据大屏全流程落地，具体目标：

（1）数据加工（实验 5-1）

1. 基于原始用户行为日志，生成daily_browser_detail用户 - 日 - 浏览器 - 小时明细中间表；

2. 按照业务分析需求，批量构建 8 张统计汇总数据表，覆盖浏览器市场、用户使用行为、用户画像全维度指标；

3. 通过 Uniplore ETL 零代码组件完成分组、计算、字段映射、条件分层、表关联等数据加工，区分轻 / 中重度用户、工作日 / 周末使用、多浏览器使用等细分指标；

4. 关联用户人口属性表demographic.csv，完成用户多维度画像统计（性别、年龄、学历、职业、地域等）。

（2）大屏静态布局（实验 5-2）

1. 结合业务分析逻辑完成大屏版面规划，遵循「总指标→细分市场→用户行为→时段 & 竞品分析」从上至下的展示逻辑；

2. 使用助睿 Max 大屏组件完成页面美化：背景图、顶部标题 Banner、导航切换按钮、各图表分区背景与标题；

3. 根据数据类型匹配对应图表：指标翻牌器、柱状图、饼图、折线图、分组柱状图、堆叠柱状图等。

（3）大屏数据接入（实验 5-3）

1. 掌握 Max 蓝图编辑器核心概念：数据源、SQL 请求、触发器、并行数据处理、组件数据绑定；

2. 创建团队私有 MySQL 数据源，编写各表查询 SQL，将加工后的统计数据动态绑定至大屏各个图表；

3. 调试图表样式与数据映射关系，最终预览、发布大屏并生成在线访问链接。

二、实验环境

1. 实验平台：助睿在线实验平台、Uniplore 一站式数据科学平台、助睿 Max 可视化大屏；

2. 数据存储：团队私有 MySQL 数据库；

3. 原始数据：1000 位用户数据，800 万 + 浏览器行为记录（约 825MB）、用户人口属性文件demographic.csv；

4. 工具：Uniplore ETL 集成组件、Max 大屏编辑器、蓝图低代码编辑器。

三、实验数据源说明

表格

四、实验操作步骤

模块一：浏览器数据加工（实验 5-1）

步骤 1：创建并生成基础明细表 daily_browser_detail

1. 新建转换流，执行建表 SQL，在团队私有库创建daily_browser_detail数据表；

1. 复制上一实验「日志清洗抽取」转换流，修改排序字段为user_id、usage_date、process_name、hour，避免分组重复；

1. 添加值映射组件，将系统进程名（iexplore.exe/chrome.exe 等）映射为中文浏览器名称（IE/Google/360 极速等）；

1. 配置表输出组件，勾选裁剪表，完成字段映射，运行转换流落地明细数据。

步骤 2：批量创建全部目标汇总数据表

新建转换流，通过批量 DROP+CREATE SQL 一次性创建browser_overview、browser_weekly_active、browser_frequency_stats、browser_multi_usage、browser_weekday_weekend、user_profile_stats6 张结果表，执行 SQL 脚本完成建表。

步骤 3：逐个开发统计 ETL 转换流

1. 周活跃统计表 browser_weekly_active

2. 表输入读取明细→字段格式化日期→值映射将日期转为周区间→排序→分组（浏览器 + 周，user_id 去重计数）→表输出入库。

1. 按用户 + 浏览器汇总总秒数→增加常量 3600→计算器换算小时→JS 脚本划分轻度 / 中度 / 重度→再次分组统计各层级用户数。

1. 多浏览器使用分布 browser_multi_usage

2. 按用户分组统计浏览器种类→JS 转为 1 种 / 2 种 / 3 种及以上→分组统计各类人数。

1. 工作日 & 周末对比 browser_weekday_weekend

2. JS 根据日期获取星期，区分工作日 (1-5)/ 周末 (0、6)→分组聚合人均秒、总秒→换算总小时后入库。

1. 全局指标表 browser_overview

2. 单 SQL 一次性计算 4 项全局指标→行转列（字段转行）→值映射字段中文名→写入键值格式指标表。

3. 用户画像 user_profile_stats

4. ① CSV 输入导入 demographic.csv，常量 2012，计算器2012-出生年份计算年龄；JS 划分 <18/18-25/26-35/>35 年龄段；

1. ② 表输入读取明细数据，两份数据分别按 user_id/USERID 排序后，LEFT 外连接；

2. ③ 多字段分组（浏览器 + 性别 + 年龄 + 学历 + 职业 + 收入 + 省份 + 城乡），去重统计用户数，落地画像表。

步骤 4：数据探查校验

在数据探查页面打开各汇总表，核对字段与统计结果是否符合业务逻辑。

模块二：市场分析大屏静态布局制作（实验 5-2）

步骤 1：新建大屏与全局样式配置

1. Max 大屏→新建空白大屏，命名「市场分析」；

2. 页面设置粘贴全局背景图片链接；添加单张图片组件配置顶部 banner 标题图；

1. 制作导航按钮：导航背景图 + 通用标题文字，分别设置「市场分析（选中）」「用户画像（未选中）」两个导航组件，成组置顶。

步骤 2：分区搭建全图表板块（共 9 个区块）

每个区块统一格式：区域背景图→小标题背景图→标题文字→图表组件，逐个布局：

1. 数据概览区（顶部指标卡）：长标题背景，4 组图标 + 数据翻牌器组件，分别对应总使用时长、人均时长、活跃占比、重度占比；

1. 左上：浏览器用户数（基础柱状图）；

2. 左中：浏览器使用时长（多维度饼图），自定义 6 类浏览器配色；

3. 左下：人均使用时长（基础柱状图）；

4. 右上：周活跃趋势（折线图）；

5. 右中：使用频率分布（堆叠柱状图）；

6. 右下：浏览器使用数量（基础饼图）；

7. 中左：工作日 vs 周末对比（分组柱状图）；

8. 中右：24 小时时段活跃（区域折线图）。

步骤 3：组件分组管理

将同区块组件右键成组，优化图层结构，保存大屏静态页面。

模块三：大屏蓝图数据接入（实验 5-3）

步骤 1：配置数据库数据源

我的数据→新建数据源，选择 MySQL，填写团队私有库连接信息，测试连接并保存。

步骤 2：组件导出蓝图

画布右键所有图表、指标组件，全部导出至蓝图编辑器，进入蓝图编辑页面。

步骤 3：全局初始化 + 分模块配置 SQL 与数据映射

1. 拖入全局节点（页面初始化触发），作为所有 SQL 请求的触发源；

2. 市场三大图表（用户数 / 时长饼 / 人均柱）：单 SQL 查询 browser_coverage，并行数据处理拆分 3 套字段映射，分别绑定 3 个图表；

1. 4 项指标翻牌：查询 browser_overview，并行拆分 4 个分支，分别匹配 4 个指标卡 value 字段；

2. 剩余图表逐个配置：工作日周末、24h 活跃、周活跃、使用频率、多浏览器饼图分别新建 SQL 请求，书写对应表查询语句，数据处理后绑定对应图表组件。

步骤 4：预览调试与发布

1. 逐个保存蓝图配置，大屏预览，修正图例、配色、字段映射错误；

2. 确认数据展示无误后点击发布，复制大屏在线分享链接。

五、实验结果

1. 数据加工成果：成功创建daily_browser_detail明细表 + 6 张业务汇总统计表，数据表字段、统计口径与业务需求一致，可支撑大屏全指标展示；

2. 可视化成果：完成浏览器市场分析大屏静态排版 + 全量数据动态接入，9 个图表均可自动从 MySQL 拉取聚合数据，实现指标卡、柱状 / 饼 / 折线图动态渲染；

3. 最终产出：大屏在线访问链接：http://47.109.66.142:30887/#/dataScreen/release?shareId=6c8835415fd44ee88317766691976922，打开链接可在线查看可视化成果。

六、实验问题及解决方案

表格

七、实验总结

1. 知识收获

1. 掌握商业数据分析全链路：原始数据清洗→多维度聚合 ETL→指标体系搭建→可视化大屏落地，理解提前聚合明细数据、避免大屏实时查海量原始数据的工程意义；

2. 熟练使用 Uniplore 零代码 ETL：分组聚合、值映射、JS 条件判断、表关联、单位换算等常用数据处理逻辑；

3. 掌握数据大屏设计规范：遵循「总览 - 细分 - 细节」叙事逻辑、不同指标匹配合适图表类型；理解 Max 蓝图编辑器数据源、触发器、数据分发的运行逻辑。

2. 业务认知

通过数据落地可以量化浏览器市场格局：直观看出各浏览器用户体量、用户粘性差异，区分重度 / 轻度用户占比，对比工作日与娱乐时段使用习惯，基于用户画像精准定位产品核心受众，为产品运营、竞品分析提供数据支撑。

3. 不足与改进

1. 本次未实现用户画像子大屏开发，后续可复用 user_profile_stats 表，搭建第二张画像大屏，按省份地图、年龄分层、收入分段做地域 & 人口可视化；

2. 蓝图仅做页面初始化加载，可增加浏览器筛选下拉组件，通过变量传参实现单浏览器数据筛选交互。