浏览器市场与用户画像分析实验报告
一、实验目的
本实验基于“用户-日-浏览器-小时”明细数据，完成数据大屏所需的各项统计表加工，并利用可视化工具制作可交互的数据大屏。通过实验掌握：
浏览器行为数据的分组聚合与指标统计（覆盖率、活跃趋势、使用频率、竞品重叠等）
用户画像的多维度分布统计（性别、年龄、学历、职业、收入、地域）
大屏布局设计原则与图表选型
数据源接入与蓝图编辑器配置
二、实验环境
平台：助睿在线实验平台（https://lab.guilian.cn/）
工具：助睿数智（Uniplore）ETL、AI平台、Max数据大屏
数据规模：1000用户，800万+行为记录（约825MB）
三、实验数据
| 数据表 | 说明 |
|---|---|
daily_browser_detail | 用户-日-浏览器-小时明细表（本实验加工产出） |
demographic.csv | 用户人口属性（性别、出生年份、学历、职业、收入、省份、居住地类型） |
| 已产出表 | browser_coverage、browser_hourly（上实验输出） |
四、业务分析框架
4.1 核心业务问题
| 问题 | 对应维度 |
|---|---|
| 哪个浏览器用户最多？用得最久？ | 市场格局（用户数、使用时长、人均时长） |
| 用户活跃度趋势如何？ | 周活跃趋势 |
| 用户何时最活跃？ | 时段偏好（24小时分布） |
| 重度用户还是轻度使用？ | 使用频率分布 |
| 用户同时用几个浏览器？ | 浏览器使用数量 |
| 工作日与周末习惯差异？ | 工作日vs周末对比 |
| 核心用户画像？ | 性别、年龄、学历、职业、收入、地域 |
4.2 目标表设计
| 目标表 | 用途 |
|---|---|
browser_overview | 核心指标卡（总时长、人均时长、活跃占比、重度占比） |
browser_coverage | 市场格局（用户数、使用时长、人均时长） |
browser_weekly_active | 周活跃趋势 |
browser_hourly | 24小时活跃分布 |
browser_frequency_stats | 使用频率分布（轻/中/重度） |
browser_multi_usage | 浏览器使用数量分布（1种/2种/3种+） |
browser_weekday_weekend | 工作日vs周末人均使用时长 |
user_profile_stats | 用户画像（按浏览器分组各维度用户数） |
五、实验步骤（数据加工）
5.1 创建明细表daily_browser_detail
sql
CREATE TABLE daily_browser_detail ( user_id VARCHAR(50) NOT NULL, usage_date DATE NOT NULL, browser_name VARCHAR(50) NOT NULL, hour TINYINT NOT NULL, total_duration_sec INT NOT NULL, active_count INT NOT NULL );
复制上实验的转换流，修正排序字段与分组字段一致，添加浏览器名称值映射（iexplore.exe→IE，chrome.exe→Google等），输出到明细表。
5.2 创建目标表结构
执行SQL脚本创建8张目标表（略，详见原实验SQL）。
5.3 各浏览器周活跃趋势
将
usage_date映射为周区间（如“5/7-5/13”）按
browser_name, week_range分组，对user_id去重计数 →browser_weekly_active
5.4 使用频率分布
按
user_id, browser_name分组，求和total_duration_sec得到总秒数转为小时，划分等级：<3h轻度，3-10h中度，>10h重度
按
browser_name, usage_level分组，统计用户数 →browser_frequency_stats
5.5 浏览器使用数量分布
按
user_id分组，对browser_name去重计数划分等级：1种/2种/3种及以上
按等级分组统计用户数 →
browser_multi_usage
5.6 工作日vs周末对比
根据
usage_date计算星期几，1-5为工作日，6-7为周末按
browser_name, day_type分组，计算人均时长、总时长、用户数 →browser_weekday_weekend
5.7 核心指标概览
一次性SQL计算总时长、人均时长、活跃占比（最后一周活跃用户/总用户）、重度占比（>30小时/四周用户占比），列转行存入browser_overview。
5.8 用户画像统计
读取
demographic.csv，根据出生年份计算年龄并分段（<18,18-25,26-35,>35）关联明细表
daily_browser_detail（按 user_id 左连接）按
browser_name, gender, age_group, edu, job, income, province, city_type分组统计用户数 →user_profile_stats
六、实验步骤（大屏静态布局）
6.1 创建大屏
新建空白大屏，命名“市场分析”
设置背景图、标题 banner、导航按钮（市场分析/用户画像双屏跳转）
6.2 布局与组件放置
按照“从上到下、从左到右”叙事顺序，放置以下区域：
| 区域 | 组件类型 | 数据来源表 |
|---|---|---|
| 顶部指标卡 | 数据翻牌器 ×4 | browser_overview |
| 市场格局 | 柱状图（用户数）、饼图（使用时长）、柱状图（人均时长） | browser_coverage |
| 周活跃趋势 | 折线图 | browser_weekly_active |
| 使用频率 | 堆叠柱状图 | browser_frequency_stats |
| 时段偏好 | 折线图（24h）、分组柱状图（工作日vs周末） | browser_hourly、browser_weekday_weekend |
| 竞争关系 | 饼图（浏览器使用数量） | browser_multi_usage |
每个图表区域包含：区域背景、标题背景、标题文字、具体图表组件。
七、实验步骤（蓝图数据接入）
7.1 创建数据源
在“我的数据”中新建 MySQL 数据源，连接团队私有数据库。
7.2 导出组件到蓝图编辑器
右键每个图表组件 → “导出到蓝图编辑器”。
7.3 配置数据流（核心示例）
（1）市场格局三图表（共用SQL）
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
通过“并行数据处理”节点分别映射：
用户数柱状图：
{x, y: y1}使用时长饼图：
{name, value: y2}人均时长柱状图：
{x, y: y3}
（2）指标卡（共用SQL）
sql
select metric_name, metric_value from labs.browser_overview
并行处理按指标名称过滤，输出[{value: ...}]给各翻牌器。
（3）其他图表各自配置SQL查询
工作日vs周末：
select browser_name as x, avg_duration_sec as y, day_type as s from ...24小时活跃：
select hour as x, active_user_count as y, browser_name as s from ... order by browser_name, hour周活跃趋势：同上结构
使用频率：
select browser_name as s, user_count as y, usage_level as x from ...使用数量分布：
select browser_count as name, user_count as value from ...
7.4 样式微调
饼图内外半径、标签显示
折线图系列颜色统一（IE蓝、Chrome红、360绿等）
柱子间距、边距等
7.5 预览与发布
点击“预览”验证数据正确性
点击“发布”生成分享链接（示例链接见原文档）
八、实验结果
成功生成两张数据大屏（市场分析大屏、用户画像大屏），可交互展示浏览器市场格局、用户行为趋势、用户画像分布等核心指标。所有图表基于真实数据动态刷新，支持筛选器（可扩展）。
