浏览器市场与用户画像分析-数据加工1 实验目的本实验基于“用户-日-浏览器-小时”明细表完成数据大屏所需的各项统计表加工包括浏览器市场格局统计覆盖率、使用时长浏览器周活跃趋势统计浏览器使用频率分布统计用户浏览器使用数量分布统计浏览器工作日与周末使用对比统计用户画像统计性别、年龄、学历、职业、收入、居住地类型、省份分布2 实验环境实验平台助睿在线实验平台 https://lab.guilian.cn/本次实验使用助睿数智Uniplore作为一站式数据科学平台。该平台覆盖从数据接入、ETL处理、机器学习建模到可视化展示的全链路零代码功能适用于数据分析教学与企业数据加工场景。助睿数智官网为 https://www.uniplore.com/数据处理助睿 ETL 数据集成平台建模平台助睿 AI 人工智能平台数据规模1000 用户800 万 条行为记录约 825MB3 实验数据基于《浏览器用户行为分析与流失预测-数据加工》产出的数据及原始demographic用户属性表。已输出数据daily_browser_detail用户-日-浏览器-小时明细表browser_coverage浏览器市场覆盖率统计表browser_hourly浏览器时段活跃统计表4 整体分析框架4.1 业务问题业务问题 重要性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 反映用户依赖度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 优化推送时机用户是重度使用还是偶尔打开 区分核心/边缘用户用户同时用几个浏览器 了解用户忠诚度用户还用什么其他浏览器 识别竞争对手工作日和周末使用习惯有何不同 区分工作/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用户的教育/收入水平如何 影响产品复杂度与商业化策略用户分布在哪里 指导区域市场拓展4.2 分析维度大屏一浏览器市场行为分析维度 核心指标市场格局 用户数、使用时长占比、人均时长周活跃趋势 每周活跃用户数时段偏好 24小时活跃分布使用频率 轻/中/重度用户占比浏览器使用数量 1种/2种/3种及以上用户占比竞品重叠 同时使用两个浏览器的用户数工作日vs周末 工作日/周末使用时长对比大屏二浏览器用户画像分析维度 核心指标性别/年龄/学历/职业/收入分布 各维度用户数及占比居住地类型分布 城市/城郊/乡村用户占比地域分布 各省份用户数4.3 目标表目标表 数据来源browser_overview daily_browser_detailbrowser_coverage daily_browser_detailbrowser_weekly_active daily_browser_detailbrowser_hourly daily_browser_detailbrowser_frequency_stats daily_browser_detailbrowser_multi_usage daily_browser_detailbrowser_cooccurrence daily_browser_detailbrowser_weekday_weekend daily_browser_detailuser_profile_stats demographic daily_browser_detail5 目标表加工逻辑目标表 加工逻辑browser_coverage 按browser_name分组统计用户数、总时长、人均时长browser_hourly 按browser_name、hour分组统计活跃用户数browser_weekly_active 按browser_name和周编号分组统计每周活跃用户数browser_frequency_stats 计算用户周使用时长按阈值划分等级轻度3h、中度3-10h、重度10hbrowser_multi_usage 统计每个用户使用的浏览器种类数按1种、2种、3种及以上分组browser_cooccurrence 统计每对浏览器被同一用户使用的人数browser_weekday_weekend 按浏览器和日期类型分组统计人均使用时长user_profile_stats 按性别、年龄、学历、职业、收入、省份、居住地类型分组统计6 实验步骤6.1 准备明细表 daily_browser_detail建表在团队私有数据库中执行SQL创建daily_browser_detail表。复制转换流复制上个实验的“互联网用户行为日志数据清洗抽取”重命名为“输出用户日浏览器小时明细表”。修正排序确保“排序记录”组件的排序字段与分组字段一致user_id、usage_date、process_name、hour。浏览器名称映射添加“值映射”组件将进程名映射为浏览器名。iexplore.exe → IE浏览器360chrome.exe → 360极速chrome.exe → Google等过滤记录确保仅保留主要浏览器进程。表输出添加“表输出”组件写入daily_browser_detail表勾选“裁剪表”。6.2 创建目标表在团队私有数据库中执行SQL创建以下表browser_overviewbrowser_weekly_activebrowser_frequency_statsbrowser_multi_usagebrowser_weekday_weekenduser_profile_stats6.3 加工 browser_weekly_active读取daily_browser_detail将usage_date映射为周区间如“5/7-5/13”按browser_name、week_range分组对user_id去重计数输出到browser_weekly_active6.4 加工 browser_frequency_stats读取daily_browser_detail按user_id、browser_name分组对total_duration_sec求和将秒转换为小时划分使用等级轻度(3h)、中度(3-10h)、重度(10h)按browser_name、usage_level分组统计user_id去重计数输出到browser_frequency_stats6.5 加工 browser_multi_usage读取daily_browser_detail按user_id分组统计使用的浏览器种类数划分浏览器数量等级1种、2种、3种及以上按browser_count分组统计user_id去重计数输出到browser_multi_usage6.6 加工 browser_weekday_weekend读取daily_browser_detail根据usage_date判断工作日/周末按browser_name、day_type分组计算平均时长(秒)、总时长(秒)、用户数将总时长秒转小时输出到browser_weekday_weekend6.7 加工 browser_overview使用SQL一次性计算全局指标总使用时长(小时)人均使用时长(小时)周活跃率最近一周活跃用户数 / 总用户数重度用户率总使用时长30小时的用户数 / 总用户数使用“行转列”将指标转为键值对输出到browser_overview6.8 加工 user_profile_stats获取人口属性数据从公共空间导出demographic.csv到项目文件库。CSV输入读取demographic.csv。计算年龄增加常量year2012计算 age 2012 - BIRTHDAY。年龄分段18、18-25、26-35、35。读取行为数据读取daily_browser_detail。关联将行为数据与人口属性数据按user_id左连接。分组统计按browser_name、性别、学历、职业、收入、省份、居住地类型、年龄组分段统计user_id去重计数。输出写入user_profile_stats。最终大屏化结果
