一、实验目的
随着互联网产品竞争日益激烈,精细化运营成为产品成功的关键要素之一。用户画像是精细化运营的基础——只有清晰地知道“谁在使用我们的产品”,才能制定有针对性的产品迭代策略和营销方案。本次实验围绕浏览器用户画像分析这一主题,借助助睿数智(Uniplore)平台和助睿Max低代码数据可视化工具,分三个阶段完成一个完整的数据大屏项目:
1. 静态布局设计:根据业务分析需求,合理规划大屏的信息结构与视觉叙事逻辑,利用多种图表组件完成大屏界面的静态搭建。
2. 数据动态接入:使用蓝图编辑器将后台数据库中的用户画像数据绑定到图表组件,并配置筛选器实现多浏览器联动查询。
3. 交互功能设置:实现市场分析与用户画像两个大屏之间的切换,以及地图省份点击下钻联动指标卡的交互效果。
通过本次实验,应达到以下学习目标:
• 理解不同图表类型(饼图、柱状图、条形图、地图、指标卡、轮播列表等)在用户画像分析场景中的适用性和分析价值;
• 掌握蓝图编辑器的核心概念(数据源、触发器、动作、变量传递、并行数据处理),能够独立完成数据接入与交互配置;
• 学会从“数据产品”视角思考大屏如何向不同受众传递价值,将统计数据转化为可支撑决策的用户洞察;
• 具备完整的数据可视化大屏开发能力,涵盖布局设计、数据绑定与交互设置的全流程。
二、实验环境
实验平台:贵兰在线实验,https://lab.guilian.cn/
• 可视化工具:助睿Max(数据大屏),一款低代码数据可视化平台,具备以下核心能力:
• 丰富的图表组件库,覆盖折线图、柱状图、饼图、雷达图、地图、指标卡、列表等各类可视化场景
• 图层管理功能,支持堆叠、锁定、隐藏、排序,便于构建复杂布局
• 蓝图编辑器,以可视化节点-连线方式配置数据流与交互逻辑
• 工业级数据处理与渲染性能,支持千万级数据点秒级响应
• 数字孪生支持,可构建3D场景、GIS地图和实时物联数据可视化系统
• 数据来源:团队私有 MySQL 数据库
三、实验数据说明
本实验沿用上一阶段加工完成的 user_profile_stats 用户画像统计表。该表以浏览器名称为维度,汇总了用户在各人口属性维度上的分布情况。表结构如下:
|
字段名 |
类型 |
说明 |
|
browser_name |
VARCHAR(50) |
浏览器名称(如 Chrome、IE、360等) |
|
gender |
VARCHAR(10) |
性别 |
|
age |
INT |
年龄 |
|
age_group |
VARCHAR(10) |
年龄段(如 <18、18-25、26-35等) |
|
edu |
VARCHAR(50) |
学历层次 |
|
job |
VARCHAR(50) |
职业类别 |
|
income |
VARCHAR(50) |
收入区间 |
|
city_type |
VARCHAR(10) |
居住地类型(城市/城郊/乡村) |
|
province |
VARCHAR(50) |
所在省份 |
|
user_count |
INT |
用户数量 |
关键说明:原始表中仅包含 age_group 字段(年龄段分组),缺少精确年龄值。为准确计算用户平均年龄指标(相比用年龄段中值估算更精确),需要在实验过程中对表结构进行扩展,增加 age 字段。
四、实验步骤
4.1 整体分析框架
在动手搭建大屏之前,首先需要明确核心业务问题与分析逻辑。用户画像大屏的根本目标是回答以下四个问题:
|
业务问题 |
对应分析维度 |
推荐图表 |
|
目标用户是谁? |
年龄、性别、职业 |
饼图、柱状图 |
|
用户的教育与收入水平如何? |
学历、收入 |
条形图、柱状图 |
|
用户分布在哪里? |
省份、居住地类型 |
中国地图、饼图 |
|
不同浏览器的用户画像有何差异? |
浏览器筛选对比 |
下拉多选筛选器 |
基于以上分析框架,设计大屏的模块划分方案如下:
|
模块 |
子模块 |
指标 |
图表组件 |
|
数据概览 |
用户概况 |
覆盖用户数 |
数字翻牌器 |
|
|
性别比例 |
性别分布 |
数字翻牌器 |
|
|
年龄均值 |
用户平均年龄 |
数字翻牌器 |
|
|
高学历占比 |
本科以上比例 |
数字翻牌器 |
|
|
消费潜力 |
中高收入(月入>5k)占比 |
数字翻牌器 |
|
基本信息 |
性别结构 |
男/女分布 |
基础饼图 |
|
|
年龄结构 |
各年龄段用户数 |
基础柱状图 |
|
|
学历结构 |
各学历层次用户数 |
水平基础柱图 |
|
|
职业结构 |
各职业类别用户数 |
基础柱状图 |
|
|
收入结构 |
各收入区间用户数 |
水平基础柱图 |
|
地域分布 |
城乡分布 |
城市/城郊/乡村占比 |
轮播饼图 |
|
|
省份分布 |
各省用户数 |
基础平面地图(区域热力层) |
|
|
TOP5省份 |
用户数排名前五省份 |
轮播列表 |
|
筛选交互 |
浏览器选择 |
按浏览器筛选 |
下拉多选组件 |
项目说明:本次大屏项目包含“市场分析”和“用户画像”两个子大屏,通过顶部导航切换。市场分析大屏已在前期实验中完成,本次实验专注于用户画像部分。两个大屏共存于同一文件中,利用图层分组的可见性控制实现切换,便于统一管理。
本大屏整体参考设计如下:

4.2 第一阶段:大屏静态布局制作
4.2.1 前置准备:图层分组管理
1. 打开前期实验制作的大屏文件。
2. 在右侧“图层”面板中,找到“市场分析”组,右键复制该组,将复制的组重命名为“用户画像”。
3. 将“市场分析”组暂时隐藏(点击眼睛图标),避免与当前制作的用户画像内容重叠干扰。

4.2.2 用户省份分布——中国地图
设计思路:省份分布是识别区域市场“热点”与“空白”的关键。地图能够保留省份之间的空间位置关系,观众可以一眼识别出沿海高活跃带或中西部空白区域——这是柱状图无法传达的空间聚集信息。因此将地图放置在大屏最醒目的主视觉位置(中右部核心区域),作为视觉焦点。
操作步骤:
1. 从组件库中添加“基础平面地图”组件,调整尺寸和位置,使其占据右侧核心区域。
2. 在地图组件内添加“区域热力层”子组件,用于后续渲染各省份的颜色深浅。
3. 在右侧属性面板中配置地图样式,包括底色、边界线宽、高亮效果等参数,使地图风格与大屏整体色调统一。

4.2.3 核心指标卡——数字翻牌器
设计思路:决策者需要快速获取用户群的整体印象。我们设计四个核心指标来回答:用户规模有多大?(总用户数)、用户偏年轻还是成熟?(平均年龄)、教育水平如何?(本科及以上占比)、消费潜力如何?(中高收入占比)。指标卡以大而醒目的数字呈现,没有任何冗余元素,观众的第一眼目光直接落在关键数值上。四个指标卡纵向排列在地图左侧,与地图形成“数据总览 + 空间分布”的呼应关系。
操作步骤:
1. 添加四个“数字翻牌器”组件,纵向排列于大屏左侧区域。
2. 为每个翻牌器设置标题(总用户数/平均年龄/本科及以上占比/中高收入占比)。
3. 使用“单张图片”组件为每个指标卡标题设置背景装饰,背景图链接:https://gzu-edu-quality-max-studio.oss-cn-chengdu.aliyuncs.com/practice/browser-analysis/mbg.png
4. 调整翻牌器的字体大小、颜色、千分位分隔符等样式参数。

4.2.4 省份排行榜——轮播列表
设计思路:地图展示了全国分布的全貌,但观众很难精确读出每个省份的具体用户数值。排行榜以列表形式直接呈现TOP5省份及其用户数,与地图形成互补——地图看趋势和空间关系,排行榜看具体排名和数值。这有助于运营团队快速定位核心区域、制定优先级策略。
操作步骤:
1. 先使用“单张图片”组件设置排行榜区域的背景,背景图链接:https://gzu-edu-quality-max-studio.oss-cn-chengdu.aliyuncs.com/enrollment-data/top-list-bg.png
2. 添加“通用标题”组件,设置标题文字为“各省用户数TOP5”,调整字体、颜色等样式。
3. 添加“轮播列表”组件,配置行高、列宽、字体大小,设置交替行背景色以增强可读性。


4.2.5 性别分布——基础饼图
设计思路:了解浏览器的性别构成是认识用户画像的第一步。男女用户在内容偏好上存在显著差异——男性通常更关注科技、财经类内容,女性则偏重娱乐、生活类内容。这种差异直接影响广告投放和信息流推荐策略。性别仅有两三个类别,饼图的扇形角度能被大脑瞬间解读为比例关系,直观且高效。
操作步骤:
1. 使用“单张图片”组件设置图表区域背景。
2. 添加标题文字“性别分布”。
3. 添加“基础饼图”组件,调整合适的大小和位置。

4.2.6 年龄段分布——基础柱状图
设计思路:年龄结构是洞察用户需求的切入点。不同年龄段的用户对浏览器的功能诉求差异明显——年轻用户偏好个性化和社交功能,成熟用户更看重稳定性和办公协同能力。如果用户年龄结构持续老化,意味着产品对新生代用户吸引力不足,需警惕品牌老化风险。年龄是多个有序区间的变量,柱状图能直观展示分布形态和集中趋势。
操作步骤:
1. 使用“单张图片”组件设置图表区域背景。
2. 添加标题文字“年龄段分布”。
3. 添加“基础柱图”组件(助睿Max支持基础柱图、弧形柱图、胶囊柱图等多种柱状图样式,此处选用基础柱图)。

4.2.7 学历分布——水平条形图
设计思路:学历层次从侧面反映用户群体的认知水平与信息获取习惯。高学历用户对新功能、专业工具的接受度通常更高,这会影响产品的复杂度设计决策。学历类别名称较长(如“高中/中专/技校”),使用横向条形图可以让名称自然左对齐,阅读流畅度优于垂直柱状图。
操作步骤:
1. 使用“单张图片”组件设置图表区域背景。
2. 添加标题文字“学历分布”。
3. 添加“水平基础柱图”组件(即横向条形图),调整样式参数。

4.2.8 职业分布——基础柱状图
设计思路:职业分布帮助我们理解用户的生活场景和使用模式。学生用户居多可推学习辅助功能,IT从业人员多则可强化开发者工具,职场白领多则可加强办公协同属性。某一职业群体占比较低时,也可能是未来定向推广的增长机会点。职业类别名称不长,适合用垂直柱状图进行清晰的横向对比。
操作步骤:
1. 使用“单张图片”组件设置图表区域背景。
2. 添加标题文字“职业分布”。
3. 添加“基础柱图”组件,调整大小和位置。


4.2.9 收入分布——水平条形图
设计思路:收入水平是衡量用户付费能力与消费意愿的核心指标,直接关联产品商业化的天花板。如果高收入用户占比较高,可考虑订阅制、云服务会员等高端增值服务;如果用户收入集中在中低端,则免费增值模式(如去广告付费)可能更合适。收入分段是有序变量,且收入区间描述较长(如“5001~8000元”),使用水平条形图更能舒适地展示。
操作步骤:
1. 使用“单张图片”组件设置图表区域背景。
2. 添加标题文字“收入分布”。
3. 添加“水平基础柱图”组件,调整样式。该图表展示绝对用户数,与顶部指标卡中的“中高收入用户占比”形成互补——占比给出结构结论,绝对值给出执行规模。


4.2.10 居住地类型分布——轮播饼图
设计思路:居住地类型(城市/城郊/乡村)反映用户所处环境的数字化程度。城市用户网络基础设施更好、线上消费更活跃;乡村用户则对轻量级应用有独特需求。了解这一分布有助于制定差异化市场策略。为增强视觉表现力,此处选用轮播饼图——在基础饼图之上增加了轮播动画效果,依次高亮每个扇区并显示详细数值,在有限空间内提升了信息传递的动态性。
操作步骤:
1. 使用“单张图片”组件设置图表区域背景。
2. 添加标题文字“居住地类型分布”。
3. 添加“轮播饼图”组件,调整饼图内外圈半径、动画速度等参数。

4.2.11 浏览器筛选器——下拉多选
设计思路:用户画像分析的核心价值之一,是支持按不同浏览器进行对比分析。筛选器让大屏从“静态展示”升级为“可探索的分析工具”。运营人员可以查看全部浏览器的整体画像,也可以聚焦单个浏览器(如只查看Chrome用户),或选择多个浏览器进行横向对比。下拉多选组件占用空间小、选项清晰,适合浏览器数量不多(6个)但需要灵活选择的场景。
操作步骤:
1. 在大屏顶部右侧添加“下拉选择”组件(位于“交互”组件分类中),重命名为“浏览器筛选”。
2. 在右侧属性面板中配置组件的样式,包括背景色、字体颜色、边框等,使其与大屏整体风格协调。
3. 后续将在蓝图编辑器中配置该筛选器的选项数据和联动逻辑。

4.3 第二阶段:数据接入与联动配置
4.3.1 蓝图编辑器简介
蓝图编辑器是助睿Max中用于配置数据流和交互逻辑的可视化编程工具,采用“节点-连线”的方式组织逻辑。相比传统编程方式,蓝图编辑器有以下优势:
• 可视化编排:数据流和交互逻辑以节点和连线的方式直观呈现,降低开发门槛;
• 实时同步:保证交互与数据的一致性,无需手动刷新;
• 请求合并与分发:支持一个数据源同时驱动多个图表,减少重复请求;
• 模块化拆分:每条交互链路独立配置,只需专注业务规则即可。
核心概念:
|
概念 |
说明 |
|
数据源 |
定义数据库连接配置,指定数据来源 |
|
SQL请求 |
编写SQL查询语句,定义获取哪些数据 |
|
触发器 |
定义触发数据加载的事件(页面加载、组件点击、定时刷新等) |
|
动作 |
触发器执行后的响应操作(如查询数据、刷新图表、切换图层可见性) |
|
变量 |
在节点之间传递参数的全局变量(如筛选器选中的浏览器名称) |
|
并行数据处理 |
接收一个数据源,拆分为多条分支并分别处理,实现一对多的数据分发 |
4.3.2 数据表结构重构
问题背景:在用户画像大屏中,需要展示用户的平均年龄指标。原有 user_profile_stats 表中仅有 age_group 字段(年龄段分组),缺少精确年龄值。使用年龄段中值估算(如26-35岁取30.5岁)会引入误差。为保证指标精确性,需要扩展表结构。
操作步骤:
1. 在团队私有数据库中执行以下SQL,重建 user_profile_stats 表(增加 age 字段):
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` INT NOT NULL COMMENT '年龄', `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';
2. 修改“用户画像表加工”转换流:在排序记录组件中增加 age 字段的升序排序,在分组组件中增加 age 作为分组字段。
3. 重新执行转换流以生成包含年龄数据的新表。




4.3.3 组件导出到蓝图编辑器
只有将大屏组件导出到蓝图编辑器后,才能为其配置数据绑定和交互逻辑。
1. 在画布编辑器中,依次右键单击以下组件,选择“导出到蓝图编辑器”:
• 浏览器筛选器(下拉多选)
• 性别分布饼图
• 年龄段分布柱状图
• 学历分布条形图
• 职业分布柱状图
• 收入分布条形图
• 居住地类型饼图
• 用户省份分布地图
• 省份排行榜(轮播列表)
• 四个核心指标卡(总用户数、平均年龄、本科及以上占比、中高收入占比)
2. 导出完成后,点击“蓝图编辑器”图标切换至蓝图编辑页面,可在导入节点列表中看到对应的节点。

4.3.4 浏览器参数接收节点
筛选器组件本身只能输出“我选中了哪个值”,需要一个中间节点来记住用户的选择并驱动下游SQL查询。使用“并行数据处理”组件创建“浏览器参数接收”节点。
操作步骤:
1. 添加“并行数据处理”节点,重命名为“浏览器参数接收”。
2. 在节点中添加处理方法,在每次筛选器变化时执行:
const SELECTED_BROWSER = data.value; window.GLOBAL_SELECTED_BROWSER = SELECTED_BROWSER; return { value: SELECTED_BROWSER };
此方法将用户选中的浏览器名称存入全局变量 window.GLOBAL_SELECTED_BROWSER,后续所有SQL查询节点均可从中读取。
3. 为浏览器下拉多选组件配置静态数据选项(6个浏览器),格式为:
{ "title": "Chrome浏览器", "value": "Chrome浏览器" } { "title": "IE浏览器", "value": "IE浏览器" } …

4.3.5 维度数据SQL请求节点
此节点负责一次性查询所有分析维度的数据(性别、年龄、学历、职业、收入、居住地类型、省份),使用 UNION ALL 合并输出,每条记录带 dimension_type 字段标记其所属维度。
操作步骤:
1. 添加“SQL请求”节点,重命名。
2. 编写查询代码:
— 以性别分布为例
// 从全局变量获取选中的浏览器值
const selectedBrowser = window.GLOBAL_SELECTED_BROWSER;
let sql = `
— 性别分布
select
'gender' as dimension_type,
gender as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
group by gender
union all
— 年龄段分布
select
'age' as dimension_type,
age_group as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
group by age_group
union all
— 学历分布
select
'edu' as dimension_type,
edu as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
group by edu
union all
— 职业分布
select
'job' as dimension_type,
job as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
group by job
union all
— 收入分布
select
'income' as dimension_type,
income as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
group by income
union all
— 居住地类型分布
select
'city_type' as dimension_type,
city_type as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
group by city_type
union all
— 省份分布
select
'province' as dimension_type,
province as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
group by province
`;
return sql
其中 selectedBrowser 从全局变量 window.GLOBAL_SELECTED_BROWSER 中读取。

4.3.6 核心指标SQL请求节点
此节点单独查询四个核心指标(总用户数、平均年龄、本科及以上占比、中高收入占比)。与维度数据不同,核心指标的计算涉及聚合函数和加权运算,逻辑相对独立。
操作步骤:
1. 添加“SQL请求”节点,重命名为“核心指标SQL请求”。
2. 编写查询代码:
// 从全局变量获取选中的浏览器值
const selectedBrowser = window.GLOBAL_SELECTED_BROWSER;
let sql = `
— 核心指标(总用户数、平均年龄、本科及以上占比、中高收入占比)
select
'total_users' as name,
sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
union all
select
'avg_age' as name,
round(sum(age * user_count) / sum(user_count), 1) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
union all
select
'high_edu_ratio' as name,
round(sum(case when edu in ('本科', '硕士及以上') then user_count else 0 end) * 100.0 / sum(user_count), 1) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
union all
select
'high_income_ratio' as name,
round(sum(case when income in ('5001~8000元', '8001~12000元','12000元以上') then user_count else 0 end) * 100.0 / sum(user_count), 1) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}'
`;
return sql

4.3.7 数据分发节点
维度数据SQL返回的是一张包含所有维度的大表,但每个图表只关心其中一部分。需要两个“并行数据处理”节点分别完成维度数据和核心指标的数据拆分与分发。
维度数据分发节点(按 dimension_type 过滤并格式化):
|
分支 |
目标图表 |
数据处理逻辑 |
|
分支1 |
性别分布饼图 |
过滤 dimension_type='gender',输出 {name, value} |
|
分支2 |
年龄段分布柱状图 |
过滤 dimension_type='age',按年龄段顺序排序,输出 {x, y, s} |
|
分支3 |
学历分布条形图 |
过滤 dimension_type='edu',按学历层次排序,输出 {x, y, s} |
|
分支4 |
职业分布柱状图 |
过滤 dimension_type='job',输出 {x, y, s} |
|
分支5 |
收入分布条形图 |
过滤 dimension_type='income',按收入金额排序,输出 {x, y, s} |
|
分支6 |
居住地类型饼图 |
过滤 dimension_type='city_type',输出 {name, value} |
|
分支7 |
省份排行榜 |
过滤 dimension_type='province',按用户数降序取前5,输出 {province, user_count} |


核心指标分发节点(将单行多列数据拆分为四个独立数值):
SQL返回四行数据(每个指标一行),分发节点按 name 字段过滤,将每个指标单独发送给对应的指标卡。以总用户数分支为例:
var item = data.find(item => item.name === 'total_users'); return [{ value: item ? item.value : 0 }];
其余三个分支逻辑相同,仅需修改 name 的匹配值。

4.3.8 蓝图连线总览
按照以下连线关系完成所有节点的连接,形成完整的数据流链路:
|
起点节点 |
终点节点 |
含义 |
|
页面加载 |
浏览器参数接收(输入) |
大屏打开时初始化参数 |
|
浏览器筛选器 |
浏览器参数接收(输入) |
用户选择浏览器后更新参数 |
|
浏览器参数接收(输出) |
维度数据SQL请求(执行SQL) |
传递浏览器参数 |
|
浏览器参数接收(输出) |
核心指标SQL请求(执行SQL) |
传递浏览器参数 |
|
维度数据SQL请求(执行成功) |
维度数据分发(输入) |
传递维度查询结果 |
|
核心指标SQL请求(执行成功) |
核心指标分发(输入) |
传递核心指标查询结果 |
|
维度数据分发(分支1-7) |
各维度图表(导入数据接口) |
将数据渲染到图表 |
|
核心指标分发(分支1-4) |
四个指标卡(导入数据接口) |
将指标渲染到翻牌器 |
核心数据流: 页面加载/用户选择浏览器 → 参数接收节点 → 两个SQL请求节点并行执行 → 数据分发节点拆分 → 各图表组件接收并渲染数据。

4.4 第三阶段:交互功能设置
4.4.1 大屏切换交互——市场分析 / 用户画像
实现原理:市场分析和用户画像两个大屏实际位于同一文件中,通过图层组的可见性切换来实现显示内容的变化。使用Tab列表组件捕获用户的点击操作,通过蓝图中的分支判断节点识别目标大屏,再执行“设置图层可见性”动作。
操作步骤:
1. 添加“Tab列表”组件,调整其大小和位置,使其与顶部导航栏的两个导航按钮重合。
2. 在组件基本设置中,将行数设为1、列数设为2;在标签样式配置中,将“背景颜色”、“选中背景色”、“悬浮背景色”的透明度均设为0,使Tab列表在视觉上透明——用户看到的是下层导航按钮。
3. 在Tab列表的数据源中,保留2列数据,ID分别设为1(对应市场分析)和2(对应用户画像),content为空。配置完成后刷新数据。
[
{
"id": 1,
"content": ""
},
{
"id": 2,
"content": ""
}
]

4. 将“市场分析”组、“用户画像”组以及Tab列表组件导出到蓝图编辑器。
5. 在蓝图中添加“分支判断”节点,接收Tab列表的“当Tab点击时”事件。判断逻辑为:return data.id == 1。

6. 在“满足”分支(ID=1,即用户点击“市场分析”)上,添加两个“设置图层可见性”动作:显示市场分析组,隐藏用户画像组。
7. 在“不满足”分支(ID=2,即用户点击“用户画像”)上,添加两个“设置图层可见性”动作:隐藏市场分析组,显示用户画像组。
4.4.2 地图省份点击联动核心指标
功能说明:在用户画像大屏中,点击地图上的任意省份,右侧四个核心指标卡应立即切换显示为该省份的用户画像数据。这是一种典型的地理下钻交互,帮助用户从全国概览深入到省份细节。
实现原理:
1. 触发:地图组件中区域热力层的“点击区域时”事件,输出被点击区域的地理信息(省份全称)。
2. 名称映射:地图返回的是省份全称(如“江苏省”、“广西壮族自治区”),数据表中存储的是简称(如“江苏”、“广西”)。需要通过名称映射表进行转换。对于直辖市(如北京市→北京)、自治区(如广西壮族自治区→广西)、特别行政区等特殊情况,使用特殊映射表处理;一般省份则去除末尾的“省”、“自治区”、“市”等后缀。
3. SQL查询:根据当前选中的浏览器和点击的省份,查询该省份的四个核心指标。
4. 数据分发:将查询结果按指标名拆分,分别发送给四个指标卡。

操作步骤:
(1)添加“并行数据处理”节点,命名为“提取地区名称”。输入以下核心代码完成名称映射:
// 省份特殊映射(直辖市、自治区、特别行政区)
const specialMap = {
'北京市': '北京', '天津市': '天津', '上海市': '上海', '重庆市': '重庆',
'广西壮族自治区': '广西', '内蒙古自治区': '内蒙古', '西藏自治区': '西藏',
'宁夏回族自治区': '宁夏', '新疆维吾尔自治区': '新疆',
'香港特别行政区': '香港', '澳门特别行政区': '澳门'
};
let provinceName = data.name;
// 优先使用特殊映射
if (specialMap[provinceName]) {
provinceName = specialMap[provinceName];
} else {
// 通用处理:去除末尾的“省”、“自治区”、“市”
provinceName = provinceName.replace(/(省|自治区|市)$/, '');
}
window.globalProvinceName = provinceName;
return provinceName;

(2)添加“SQL请求”节点,命名为“省份核心指标查询”。根据 window.GLOBAL_SELECTED_BROWSER 和 window.globalProvinceName 两个全局变量,查询目标省份的四个核心指标(与4.3.6节的SQL结构一致,只在WHERE条件中增加省份过滤)。
const selectedProvince = window.globalProvinceName;
console.log("点击的省份名称(处理后):", selectedProvince);
const selectedBrowser = window.GLOBAL_SELECTED_BROWSER;
const sql = `
select 'total_users' as name, sum(user_count) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}' and province = '${selectedProvince}'
union all
select 'avg_age' as name,
round(sum(age * user_count) / sum(user_count), 0) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}' and province = '${selectedProvince}'
union all
select 'high_edu_ratio' as name,
round(sum(case when edu in ('本科', '硕士及以上') then user_count else 0 end) * 100.0 / sum(user_count), 2) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}' and province = '${selectedProvince}'
union all
select 'high_income_ratio' as name,
round(sum(case when income in ('5001~8000元', '8001~12000元','12000元以上') then user_count else 0 end) * 100.0 / sum(user_count), 2) as value
from cs_group_10.user_profile_stats
where browser_name = '${selectedBrowser}' and province = '${selectedProvince}'
`;
console.log("生成的省份核心指标SQL:", sql);
return sql;

(3)添加“并行数据处理”节点,命名为“省份核心指标分发”。与4.3.7节的核心指标分发逻辑一致,按 name 字段过滤输出四个独立数值到四个指标卡。
分支示例:
var item = data.find(item => item.name === 'total_users');
return [{ value: item ? item.value : 0 }];

(4)按照以下顺序完成蓝图连线:
区域热力层(点击区域时) → 提取地区名称 → 省份核心指标查询 → 省份核心指标分发 → 四个指标卡

4.4.3 地图热力层——按用户数渲染颜色
功能说明:地图上各省份颜色的深浅反映该省份在当前浏览器下的用户数(用户数越多颜色越深),形成直观的热力图效果。该功能独立于点击联动,但同样依赖SQL查询和数据处理节点。
实现原理:
1. 从地图内置GeoJSON数据中提取各省份的 adcode(行政区划代码)和标准名称,建立“省份名称→adcode”映射表,存入全局变量。
2. 根据当前选中的浏览器,查询所有省份的用户数。
3. 将查询结果中的省份名称与adcode映射表匹配,生成 {name, value, area_id} 格式的数据。
4. 将该数据导入地图的“区域热力层”子组件,平台自动按 value 数值渲染颜色深浅。
操作步骤:
(1)添加“并行数据处理”节点,命名为“提取adcode映射表”。将其连接到区域热力层的“当数据接口地理边界geojson数据加载完成时”事件,处理方法提取每个省份的adcode:
/**
* 提取地理数据中的 adcode 和 name,建立名称→adcode 映射
* @param {Object} data – 地理数据对象(包含 features 数组)
* @returns {Object} 名称到 adcode 的映射表
*/
function extractAdcodeAndName(data) {
if (!data || !Array.isArray(data.features)) {
console.error('无效的地图数据格式');
return {};
}
const nameToAdcode = {};
data.features.forEach(feature => {
const props = feature.properties;
if (props && props.adcode && props.name) {
nameToAdcode[props.name] = props.adcode;
}
});
return nameToAdcode;
}
const mapping = extractAdcodeAndName(data);
window.globalProvinceAdcode = mapping;
console.log("省份adcode映射表已加载", Object.keys(mapping).length);
return mapping;

(2)添加“SQL请求”节点,命名为“各省份用户数查询”,根据当前浏览器统计每个省份的用户总数:
const selectedBrowser = window.GLOBAL_SELECTED_BROWSER; // 当前选中的浏览器
const sql = `
SELECT
province AS name,
SUM(user_count) AS value
FROM cs_group_10.user_profile_stats
WHERE browser_name = '${selectedBrowser}'
AND province IS NOT NULL
AND province != ''
GROUP BY province
ORDER BY value DESC
`;
console.log("生成的所有省份用户数SQL:", sql);
return sql;

(3)添加“并行数据处理”节点,命名为“地图数据与用户数映射”。将SQL查询结果中的省份名称与adcode映射表匹配,生成目标格式 {name, value, area_id}。对未能直接匹配的省份,尝试通过简化名称(去除“省”、“自治区”等后缀)进行模糊匹配。
function convertToMapData(data) {
if (!Array.isArray(data) || data.length === 0) {
return [];
}
return data.map(item => {
const provinceName = item.name; // 注意:SQL 返回字段名为 name
let area_id = globalProvinceAdcode[provinceName];
// 如果直接匹配失败,尝试简化名称(案例中已实现)
if (!area_id) {
const simplifiedName = provinceName.replace(/省|市|自治区|特别行政区|回族|壮族|维吾尔|藏族|苗族/g, '');
for (const fullName in globalProvinceAdcode) {
if (fullName.includes(simplifiedName)) {
area_id = globalProvinceAdcode[fullName];
break;
}
}
}
if (!area_id) {
// console.warn(`未找到省份 "${provinceName}" 的匹配 adcode`);
area_id = "000000";
}
return {
name: provinceName,
value: parseFloat(item.value) || 0,
area_id: Number(area_id)
};
});
}
const result = convertToMapData(data);
// console.log("最终返回的地图热力数据:", result);
return result;

(4)将“地图数据与用户数映射”节点的输出连接到区域热力层的“导入热力值数据接口”。

4.5 保存、预览与发布
完成上述所有布局、数据接入和交互配置后:
1. 在蓝图编辑器中点击“保存”按钮。
2. 返回大屏画布,点击“预览”进入全屏预览模式,依次验证以下功能:
• 大屏整体布局是否协调、组件是否对齐、颜色风格是否一致;
• Tab列表切换是否正常——点击“市场分析”显示对应内容,点击“用户画像”显示用户画像内容;
• 地图热力层是否按用户数正确渲染各省份颜色;
• 浏览器筛选器切换后,所有图表是否同步刷新;
• 点击地图上的某个省份后,右侧四个核心指标卡是否更新为该省份的数据。

3. 点击“发布”按钮,在发布对话框中打开发布分享开关,复制分享链接可在浏览器中在线观看。
五、实验结果
经过上述三个阶段的实验操作,成功完成了一个功能完整的浏览器用户画像分析大屏。具体成果如下:
5.1 大屏静态布局
大屏按照预设的分析框架,完成了所有图表组件的布局与样式配置:
• 核心指标区(左侧纵列):4个数字翻牌器分别展示总用户数、平均年龄、本科及以上占比和中高收入占比,配合装饰背景构成醒目的数据概览区域。
• 地图区域(右侧核心区):基础平面地图配合区域热力层子组件,占据大屏主视觉位置,直观呈现全国各省份用户分布。
• 维度分析区(中下部横排):6个图表依次排列——性别分布饼图、年龄段分布柱状图、学历分布条形图、职业分布柱状图、收入分布条形图、居住地类型轮播饼图,覆盖用户画像的全部核心维度。
• 排行榜区:轮播列表展示TOP5省份用户数排名。
• 交互控件:顶部下拉多选筛选器支持按浏览器切换数据视图。
5.2 数据接入成果
通过蓝图编辑器完成了全部数据接入配置:
• 成功扩展了 user_profile_stats 表结构,增加 age 字段支持精确平均年龄计算。
• 配置了2个SQL请求节点,分别负责维度数据(7个维度)和核心指标数据(4个指标)的查询。
• 配置了2个并行数据处理分发节点,实现数据从SQL查询结果到各图表组件的自动路由。
• 实现了浏览器筛选器联动:切换选中浏览器后,所有图表数据自动同步刷新,无需手动干预。
5.3 交互功能成果
• 大屏切换:通过Tab列表 + 分支判断 + 图层可见性控制,实现了“市场分析”与“用户画像”两个大屏之间的无缝切换。
• 地图省份点击下钻:点击地图上的任意省份,右侧核心指标卡即时更新为该省份的用户画像数据,实现了从全国到省份的地理下钻分析。
• 地图热力图:各省份根据用户数自动渲染颜色深浅,直观反映用户分布的热点与冷区。
5.4 发布成果
大屏项目成功发布并生成了在线分享链接,可在任何浏览器中访问,实现了企业级数据大屏的完整交付流程。


六、问题与解决
在实验过程中遇到了以下几个问题,经过分析和调试均已成功解决:
问题一:数据表缺少年龄字段,无法精确计算平均年龄
问题描述:原始 user_profile_stats 表只有 age_group 字段,没有精确年龄值。如果使用年龄段中值估算平均年龄,会产生一定的计算偏差,影响指标的准确性。
解决方案:在实验开始前对数据表进行重构,在表中增加 age(INT类型)字段存储精确年龄。同步修改上游ETL转换流,在排序和分组组件中增加 age 字段的处理逻辑,重新执行转换流以生成包含精确年龄数据的新表。最终使用加权平均公式 SUM(age × user_count) / SUM(user_count) 计算平均年龄,保证了指标的准确性。
问题二:轮播列表的数据字段映射不匹配
问题描述:将省份排行榜数据导入轮播列表后,列表无法正确显示内容。分析发现,轮播列表组件内部的“数据系列”配置项需要与数据输出中的字段名一一对应。
解决方案:在维度数据分发的省份排行榜分支中,将数据格式明确转换为组件所需的字段名,而不是使用通用的 name 和 value。同时确保轮播列表组件内部的“列”配置中的映射字段与数据字段名保持一致。
七、实验总结
本次实验以浏览器用户画像分析为业务场景,完整地走完了一个企业级数据大屏从设计、布局到数据接入、交互配置、最终发布的全流程。通过三个阶段、历时约6个课时的实践操作,对数据可视化大屏的开发方法论有了系统的认识,现将核心收获总结如下:
7.1 方法论层面
先设计后搭建是高质量大屏的基础。在实验初期,我们花费大量时间明确“这个大屏要帮助谁、看懂什么”这个根本问题——围绕用户规模、年龄结构、教育水平、消费潜力和地域分布五个维度,逐层拆解业务问题、匹配分析维度和图表类型。这个过程确保了后续的布局搭建是“有据可依”的,而不是随意堆放图表组件。一个清晰的分析框架决定了最终大屏的信息传递效率和分析价值。
7.2 工具能力层面
助睿Max平台在本实验中展现了低代码数据可视化平台的专业能力。丰富的图表组件库(涵盖柱状图、饼图、地图、指标卡、列表等所有常见类型)、图层堆叠管理机制、蓝图编辑器的可视化数据流编排、并行数据处理节点的一对多分发能力——这些功能组合使零基础用户也能在较短时间内完成专业级的数据大屏开发。尤其是蓝图编辑器以节点-连线方式替代传统编程,使数据流和交互逻辑变得可视化和可维护,大幅降低了技术门槛。
7.3 数据处理层面
通过本实验认识到,数据可视化项目中“数据处理”环节的重要性往往被低估。从表结构扩展(增加age字段)、省份名称映射(全称→简称的特殊处理)、收入区间排序(提取数值再比较),到SQL中加权平均值、条件占比的计算——这些细节处理直接决定了最终可视化结果的准确性。可视化只是“冰山在水面上的部分”,水面下是大量的数据清洗、转换和预处理工作。
7.4 交互设计层面
三个核心交互——浏览器筛选联动、大屏切换、地图省份点击下钻——让大屏从“静态报表”升级为“可探索的分析工具”。筛选器让用户能够按不同浏览器对比用户画像差异;大屏切换实现了市场分析和用户画像两个分析视角的无缝衔接;地图下钻则支持从全国概览自然过渡到省份细节。这些交互不是“锦上添花”,而是让数据大屏真正具备分析价值的关键要素。
7.5 整体感悟
数据可视化的终极目标不是制作“好看”的图表,而是让数据讲出“有用”的故事。每一个图表的选择、每一个交互的设计、每一个核心指标的突出展示,都应服务于帮助决策者更快地理解现状、发现问题、做出判断。本次实验完成后,我们不仅积累了具体的技术操作经验(丰富的图表类型选用、蓝图编辑器使用、SQL动态查询编写),更重要的是建立了“以业务问题驱动可视化设计”的思维习惯——这才是能在未来数据分析工作中持续发挥价值的能力。
附录:素材链接汇总(在评论区,需要自取,发这里违规^_^)
