#浏览器 #用户画像 #助睿数智 #可视化 #数据分析 #ELT实战

手把手教你用零代码ETL完成数据加工，支撑业务决策

前言

当你拿到800万条用户行为日志，老板让你一周内出一份“浏览器市场分析大屏”，你该从哪里下手？

是直接写SQL硬查？还是用Excel硬扛？

本文记录了一次完整的浏览器市场与用户画像分析的数据加工过程。我们将使用**助睿数智(Uniplore)**平台的零代码ETL能力，从原始行为日志出发，一步步加工出覆盖市场格局、用户行为、用户画像等多维度的目标表，为后续的数据大屏提供可靠的数据支撑。

文中所有操作均在助睿在线实验平台完成，使用的工具是udi-studio ETL数据集成平台。

---

一、我们要回答什么业务问题？

在做任何数据处理之前，先要搞清楚：我们最终要回答什么？

在本次分析中，我们需要通过数据大屏回答以下核心业务问题：

业务问题	为什么重要
哪个浏览器用户最多？	了解市场领导者
哪个浏览器用户用得最久？	用户粘性比用户数更能反映产品价值
用户活跃度在增长还是下降？	判断产品生命周期
用户什么时候最活跃？	优化运营时机
用户是重度使用还是偶尔打开？	区分核心用户与边缘用户
用户同时用几个浏览器？	了解用户忠诚度
工作日和周末习惯有何不同？	区分工作场景与娱乐场景
核心用户是谁？（性别、年龄、职业等）	指导产品设计与营销方向

这些问题的答案，无法直接从原始日志表里秒级返回——原始表有800万+行记录，直接查询会导致大屏卡死。

所以，提前加工好聚合后的目标表，是数据大屏建设的第一步。

---

二、实验环境与数据说明

2.1 环境

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

• ETL工具：助睿数智 udi-studio（零代码数据集成平台）

• 数据规模：1000个用户，800万+条行为记录，约825MB

2.2 数据来源

本实验基于上一阶段清洗后的数据，加上用户属性表：

数据表	说明
behavior_events	原始用户行为日志（已清洗）
demographic.csv	用户人口属性信息（性别、年龄、学历、职业、收入、省份、居住地类型等）

demographic.csv 存放在实验平台的空间数据资源中可直接导出使用

三、整体分析框架：从业务问题到目标表

我们需要将业务问题转化为技术可执行的分析维度，再反推需要加工哪些目标表。

大屏一：浏览器市场行为分析

维度	目标表	核心指标
市场格局	browser_coverage	用户数、使用时长、人均时长
周活跃趋势	browser_weekly_active	每周活跃用户数
时段偏好	browser_hourly	24小时活跃分布
使用频率	browser_frequency_stats	轻/中/重度用户占比
浏览器使用数量	browser_multi_usage	1种/2种/3种及以上用户占比
工作日vs周末	browser_weekday_weekend	工作日/周末人均时长
核心指标卡片	browser_overview	总时长、人均时长、周活率、重度用户率

大屏二：用户画像分析

维度	目标表	核心指标
性别、年龄、学历、职业、收入、居住地、省份	user_profile_stats	各维度下的用户数

本文重点讲解以上目标表的加工逻辑和操作步骤。

---

四、第一步：准备核心明细表

在加工各项目标表之前，我们需要一份统一的基础明细表：daily_browser_detail（用户-日-浏览器-小时明细表）。

这份表记录了：每个用户、每一天、每个浏览器、每个小时的使用时长和活跃次数。

4.1 创建明细表结构

首先在团队私有数据库中创建表：

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'
);

4.2 复制并改造清洗转换流

上一实验我们已经有了一个“互联网用户行为日志数据清洗抽取”转换流，里面包含了生成明细数据的完整逻辑。我们直接复制一份，改为输出到daily_browser_detail表。

关键改造点：

1. 修正排序字段，确保分组前数据有序

2. 增加值映射组件，将进程名映射为浏览器名称（iexplore.exe → IE浏览器，chrome.exe → Google等）

3. 添加表输出组件，写入daily_browser_detail

执行转换流，等待约15-20分钟（800万+数据），即可得到我们的基础明细表。

---

五、各目标表加工实战

5.1 周活跃趋势表 (browser_weekly_active)

目标：统计每个浏览器在第1-4周的每周活跃用户数。

加工逻辑：

1. 从daily_browser_detail读取数据

2. 将usage_date映射为周区间（如“5/7-5/13”）

3. 按browser_name、week_range分组，对user_id去重计数

关键步骤截图位置：值映射组件配置日期→周区间

📸 日期映射周区间的值映射配置

-- 最终结果示例
browser_name | week_range | active_user_count
Google       | 5/7-5/13   | 312
Google       | 6/4-6/10   | 328
...

---

5.2 使用频率分布表 (browser_frequency_stats)

目标：按轻/中/重度划分用户使用频率（轻度<3h/周，中度3-10h，重度>10h）。

加工逻辑：

1. 按用户+浏览器分组，计算总使用时长（秒→小时）

2. 用JavaScript代码划分等级：<3h→轻度，3-10h→中度，>10h→重度

3. 按浏览器+等级分组，统计用户数

📸 JavaScript代码组件中划分频率等级的代码

var total_hours = total_hours;
var usage_level = '';

if (total_hours < 3) {
    usage_level = '轻度';
} else if (total_hours >= 3 && total_hours < 10) {
    usage_level = '中度';
} else {
    usage_level = '重度';
}

---

5.3 浏览器使用数量分布表 (browser_multi_usage)

目标：统计用户使用1种、2种、3种及以上浏览器的用户数。

加工逻辑：

1. 按user_id分组，对browser_name去重计数 → 得到每个用户使用的浏览器种类数

2. 划分等级：=1→“1种”，=2→“2种”，≥3→“3种及以上”

3. 按等级分组，统计用户数

---

5.4 工作日vs周末对比表 (browser_weekday_weekend)

目标：统计各浏览器在工作日和周末的人均使用时长、总时长、用户数。

加工逻辑：

1. 从usage_date获取星期几（JavaScript代码）

2. 判断：周一至周五→“工作日”，周六周日→“周末”

3. 按browser_name、day_type分组，聚合：

   • 平均时长（秒）

   • 总时长（秒→小时）

   • 用户数（去重）

📸 JavaScript代码判断工作日/周末

var dayOfWeek = date.getDay();
var day_type = "";
if (dayOfWeek >= 1 && dayOfWeek <= 5) {
    day_type = "工作日";
} else {
    day_type = "周末";
}

---

5.5 核心指标表 (browser_overview)

目标：大屏顶部的四个核心指标卡片——总使用时长、人均时长、周活跃率、重度用户率。

加工逻辑：直接用SQL一次性算出所有指标，再用行转列组件转成键值对形式。

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( (周活跃用户数) * 100.0 / 总用户数, 2 ) AS active_ratio,
    ROUND( (重度用户数) * 100.0 / 总用户数, 2 ) AS heavy_ratio
FROM daily_browser_detail

📸 行转列组件的配置（字段→键值对）

---

5.6 用户画像表 (user_profile_stats)

目标：按性别、年龄段、学历、职业、收入、居住地类型、省份，统计每个浏览器的用户分布。

关键点：行为数据中没有用户属性，需要通过user_id关联demographic.csv。

5.6.1 获取人口属性数据

从公共空间导出demographic.csv到项目文件库。

5.6.2 年龄分段

demographic.csv中只有出生年份（BIRTHDAY），需要计算年龄并分段。

// 年龄 = 2012 - 出生年份
var age = year - BIRTHDAY;
var age_group = '';

if (age < 18) age_group = '<18';
else if (age <= 25) age_group = '18-25';
else if (age <= 35) age_group = '26-35';
else age_group = '>35';

5.6.3 关联两张表

使用记录集连接组件，将明细表（按user_id排序）与人口属性表（按USERID排序）做LEFT OUTER JOIN。

📸记录集连接组件的配置（两个排序记录→连接字段user_id）

5.6.4 分组统计

按browser_name + 所有画像维度分组，对user_id去重计数。

最终写入user_profile_stats表。

---

六、结果验证

所有转换流执行完成后，在团队私有数据库中查看各目标表的数据。

以browser_weekly_active为例，应该能看到类似这样的数据：

browser_name	week_range	active_user_count
Google	5/7-5/13	312
Google	6/4-6/10	328
IE浏览器	5/7-5/13	287
...	...	...

📸 数据探查界面，展示某个目标表的前10行

---

七、总结与思考

7.1 我们完成了什么？

通过本次数据加工实验，我们：

1. 从业务问题出发，拆解出分析维度和所需的目标表

2. 基于基础明细表，加工了7张不同粒度的聚合表

3. 跨源关联：行为日志 + 人口属性CSV，完善用户画像

4. 全流程零代码：所有操作均在助睿数智ETL平台通过拖拽组件完成

7.2 可以复用的方法论

• 先问业务问题，再定目标表：不要为了做表而做表

• 公共明细表 + 多项目标表：避免重复计算，保证口径一致

• 提前聚合：大屏直接查聚合表，不查原始大表

• 分层加工：明细层 → 轻度聚合层 → 业务指标层

7.3 下一步

有了这些目标表，我们就可以在数据大屏工具中直接引用，快速搭建出“浏览器市场分析”和“用户画像分析”两大看板。

如果你对数据大屏的搭建也感兴趣，欢迎关注后续文章。

---

参考资料：助睿在线实验平台《实验5-1：浏览器市场与用户画像分析-数据加工（2）》

工具官网：https://www.uniplore.com/

---

转载请联系作者。如果你在实验过程中遇到任何问题，欢迎在评论区留言交流。