一、实验目的
依托用户 – 日期 – 浏览器 – 小时明细数据，完成数据大屏配套各类统计报表的加工处理，产出多维度分析结果，具体包含：浏览器市场覆盖率与使用时长统计、周活跃趋势统计、使用频率分布、用户浏览器使用数量分布、工作日 / 周末使用对比，以及基于性别、年龄、学历、职业、收入、居住地、省份的用户画像统计。
二、实验环境
实验依托助睿在线实验平台开展，使用 Uniplore 助睿数智全链路数据科学平台完成操作，平台集成数据接入、ETL 数据处理、AI 建模、可视化等零代码能力，适配教学与企业数据加工场景。
- 平台地址：助睿在线实验平台 https://lab.guilian.cn/、助睿数智官网 https://www.uniplore.com/
- 核心工具：助睿 ETL 数据集成平台、助睿 AI 建模平台
- 数据规模：共计 1000 名用户，800 万条以上行为记录，整体数据大小约 825MB
三、实验数据
本次实验数据源分为两部分：一是上一轮实验《浏览器用户行为分析与流失预测 – 数据加工》生成的业务数据表，二是存储用户基础属性的demographic属性表。 已有成果数据表：
四、整体分析思路
4.1 明确业务分析目标
数据大屏不直接调取原始行为明细表，原因在于原始数据体量庞大、查询耗时久，且大屏展示依赖聚合统计结果，提前加工聚合表还能规避多图表重复计算的问题。结合业务需求，梳理出大屏需要解答的核心业务问题：
表格
| 主流浏览器及用户使用时长情况 | 研判市场份额、用户产品粘性 |
| 浏览器用户整体活跃走势 | 判断产品生命周期，及时发现运营风险 |
| 用户活跃时段特征 | 指导运营推送、活动触达时机 |
| 用户使用频次高低 | 区分核心 / 边缘用户，制定分层运营策略 |
| 单用户多款浏览器使用情况 | 评估用户忠诚度、竞品冲击风险 |
| 不同浏览器交叉使用人群 | 定位主要竞品，制定差异化竞争方案 |
| 工作日与周末使用行为差异 | 区分办公、娱乐两大使用场景，优化产品功能 |
| 用户性别、年龄、职业、地域等画像特征 | 锁定目标客群，指导产品设计、市场推广与商业化布局 |
4.2 划分分析维度
整体分为浏览器市场行为分析、用户画像分析两大模块，对应大屏两大展示板块，明确各板块分析维度与核心统计指标。
板块一：浏览器市场行为分析
围绕市场格局、周活跃趋势、时段偏好、使用频率、多浏览器使用、竞品交叉、工作日 / 周末对比七大维度开展分析，配套用户数、使用时长、活跃人数、用户分层占比等指标。
板块二：浏览器用户画像分析
基于用户基础属性，从性别、年龄段、学历、职业、收入、居住地类型、省份七大维度统计人群分布，输出各维度用户数量及占比。
4.3 梳理待加工目标数据表
结合分析维度，反向确定需要创建并加工的统计结果表，明确每张表的分析用途与数据来源：
4.4 数据表关联关系
（原内容无额外图文，此处沿用原有数据关联逻辑：行为明细表为核心基础表，与用户属性表通过用户 ID关联，所有统计报表均由基础表聚合加工生成）
五、各数据表加工规则
按目标表逐一明确使用场景、数据加工逻辑与数据源：
六、详细实验操作步骤
6.1 生成用户 – 日 – 浏览器 – 小时基础明细表
本环节基于上一实验工程，创建并落地核心明细数据表，作为后续所有统计的基础。
6.1.1 新建数据表结构
打开上期创建的互联网用户行为日志项目，新建转换流并命名为「创建用户_日_浏览器_小时明细表」。
画布中添加执行一个 SQL 脚本组件，数据库选择团队私有数据库，粘贴建表 SQL 语句。
运行转换流，完成daily_browser_detail数据表创建。
6.1.2 复用并修改已有转换流
在项目内找到上期「互联网用户行为日志数据清洗抽取」转换流，右键复制
粘贴至项目根目录，并重命名为「输出用户日浏览器小时明细表」。
修正排序记录组件配置，将排序字段调整为与分组组件保持一致（user_id、usage_date、process_name、hour），避免数据重复。
6.1.3 配置浏览器名称映射
在分组组件后新增值映射组件，分别对接原有两条数据分支。
按照进程名与浏览器名称的对应关系，配置映射规则：iexplore.exe→IE 浏览器、360chrome.exe→360 极速、360se.exe→360se、chrome.exe→Google、sogouexplorer.exe→搜狗、QQBrowser.exe→QQ 浏览器。
检查数据过滤规则，剔除 EXCEL.EXE、WINWORD.EXE、AlilM.exe 等非浏览器进程。
6.1.4 配置数据输出并执行
画布添加表输出组件，与值映射组件建立连线。
配置表输出参数：选择团队私有数据库、目标表指定为daily_browser_detail，勾选「裁剪表」清空历史数据，完成字段映射匹配。
运行转换流，将清洗后的明细数据写入目标表。
6.2 批量创建所有分析目标数据表
新建转换流，命名为「创建浏览器大屏分析目标数据表」，添加执行一个 SQL 脚本组件。
选择团队私有数据库，批量执行建表 SQL，脚本中先执行删表语句规避重复建表报错，依次创建browser_overview、browser_weekly_active、browser_frequency_stats、browser_multi_usage、browser_weekday_weekend、user_profile_stats六张统计表。
运行转换流，完成所有目标表结构创建。
6.3 加工浏览器周活跃趋势统计表
目标：按浏览器、周区间统计每周独立活跃用户数。
新建转换流「各浏览器周活跃趋势表数据抽取」，添加表输入组件，读取daily_browser_detail全量数据。
新增字段选择组件
规范日期字段usage_date格式为yyyy-MM-dd。
接入值映射组件
将原始日期转换为对应周区间文本（5/7-5/13、6/4-6/10、7/2-7/8、8/6-8/12），生成新字段week_range。
添加排序记录组件，按browser_name、week_range升序排序。
接入分组组件，以browser_name、week_range为分组依据，对user_id做去重计数，得到周活跃用户数。
配置表输出组件，数据写入browser_weekly_active，勾选裁剪表并完成字段映射，最后运行转换流。
6.4 加工浏览器使用频率分布表
目标：按使用时长将用户划分为轻度、中度、重度三类，统计各层级人数。
新建转换流「使用频率分布数据抽取」，通过表输入读取daily_browser_detail数据。
添加排序记录组件
按user_id、browser_name升序排序
接入分组组件，按用户 + 浏览器分组，对total_duration_sec求和，得到单用户单浏览器总使用数。
新增增加常量组件，设置常量字段值为 3600（秒与小时换算系数）。
使用计算器组件，通过「总秒数 ÷3600」计算得到使用小时数，保留两位小数。
接入JavaScript 代码组件，编写逻辑划分使用等级：时长＜3 小时标记为轻度、3~10 小时标记为中度、＞10 小时标记为重度。
获取变量
usage_level这个字段我们需要在之前的增加常量组件中新增：
再次添加排序记录组件，按browser_name、usage_level排序。
接入分组组件，按浏览器、使用等级分组，统计独立用户数。
配置表输出，数据写入browser_frequency_stats，运行转换流。
可以查看运行日志
6.5 加工用户浏览器使用数量分布表
目标：统计使用 1 种、2 种、3 种及以上浏览器的用户规模。
新建转换流「浏览器使用数量分布数据抽取」，表输入读取明细数据表。
添加排序记录组件
按user_id升序排序
接入分组组件，按用户 ID 分组，对browser_name去重计数，得到每位用户使用的浏览器种类数。
新增JavaScript 代码组件，根据浏览器数量做标签划分：1 个→1 种、2 个→2 种、3 个及以上→3种及以上。
添加排序记录组件，按浏览器数量标签排序。
接入分组组件，按数量标签分组，统计对应用户数。
配置表输出组件，数据写入browser_multi_usage，执行转换流。
查看日志
6.6 加工浏览器工作日 / 周末对比统计表
目标：区分工作日、周末，统计各浏览器使用时长、用户数。
新建转换流「浏览器工作日周末对比数据抽取」，表输入读取daily_browser_detail数据。
接入JavaScript 代码组件，通过日期计算星期，区分「工作日」「周末」并生成day_type字段。
添加排序记录组件，按browser_name、day_type升序排序。
接入分组组件，按浏览器、日期类型分组，分别计算平均使用秒数、总使用秒数、独立用户数。
依次使用增加常量、计算器组件，将总使用秒数换算为小时。
新增字段选择组件，剔除中间冗余字段。
配置表输出，数据写入browser_weekday_weekend
运行转换流
6.7 加工全局核心指标概览表
目标：计算大屏全局核心指标，以键值对形式存入browser_overview。
新建转换流，添加表输入组件，执行聚合 SQL，一次性计算全局总使用时长、人均使用时长、周活跃用户占比、重度用户占比四大指标。
使用行转列组件，将单行多列指标转换为多行键值结构。
接入值映射组件，将英文指标名替换为中文名称。
配置表输出组件，数据写入browser_overview
执行转换流
6.8 加工用户画像统计表
目标：关联行为数据与用户属性，完成全维度人群分布统计。
6.8.1 导入用户属性文件
进入平台公共空间
数据资源
找到demographic.csv
将文件导出至项目根目录
6.8.2 读取属性数据并计算年龄段
新建转换流「用户画像表加工」
添加CSV 文件输入组件，读取demographic.csv，匹配字段、设置编码为 UTF-8。
新增增加常量组件，设置年份常量为 2012。
使用计算器组件，通过「2012 – 出生年份」计算用户实际年龄。
接入JavaScript 代码组件，划分年龄段：＜18、18-25、26-35、＞35。
6.8.3 读取行为明细数据并排序
新增表输入组件，读取daily_browser_detail明细数据。
分别为CSV 属性数据、行为明细数据添加排序记录组件
均按用户 ID 升序排序。
6.8.4 关联两份数据集
画布添加记录集连接组件
对接两组已排序数据，连接类型选择左外连接，同时配置关联字段：明细表user_id 匹配 属性表USERID，完成用户行为与用户属性的关联。
6.8.5 分组统计与数据落地
添加排序记录组件，按browser_name、性别、年龄段、学历、职业、收入、居住地、省份排序。
接入分组组件，基于上述多维度字段分组，统计独立用户数。
配置表输出组件，数据写入user_profile_stats，执行转换流。
查看执行日志
6.8.6 结果校验
加载团队私有数据库元数据，通过数据探查功能，逐一查看所有目标表数据，验证统计结果符合业务预期。
七、实验总结
一、收获
1、掌握了从大屏业务需求反向拆解数据表的思路：先明确业务分析题，再确定分析维度，最后落地目标统计表，理解了分层提前聚合明细数据、避免大屏直查原始大表的工程逻辑，清楚多图表复用中间聚合表可以减少重复计算、优化查询性能。
2、增强了报错排查能力 ：实操中解决了三类典型数据库入库报错：字段NOT NULL为空（hour、browser_name 缺失）、数据表不存在目标列（ISCITY 字段表中无定义）、字段大小写 / 映射遗漏问题，养成了在入库前预览数据、分步调试单条转换流的排错习惯。
3、掌握了指标分层加工逻辑 ：学会分模块加工 7 张业务统计表：市场格局、周活跃、时段分布、使用频率、多浏览器使用、工作日周末对比、用户画像，理解不同指标的统计口径（去重用户数、总时长、人均时长）。
二、对平台的整体评价
1、零代码可视化建模友好：拖拽式组件替代原生 SQL 开发，降低 ETL 开发门槛，适合数据分析课程教学，新手可以直观看见数据流转过程，快速理解数据加工逻辑；
2、组件功能完备：内置计算、脚本、映射、关联、聚合、文件读写全链路组件，覆盖从数据接入、清洗、聚合到入库全场景，一站式完成从原始日志到大屏统计宽表的加工；
3、调试便捷：支持分步运行、数据预览、元数据探查，单组件可独立调试，出现报错能精准定位到出错步骤，方便排查字段丢失、映射错误等问题；
4、数据库联动完善：支持在线执行建表 SQL、自动获取数据表字段，表输出一键关联目标表，适配 MySQL 常规建表、批量入库场景。
