一、实验背景
1 实验目的
基于实验7-1、实验7-2 输出的目标表，使用助睿BI完成多维度可视化分析，搭建综合仪表盘，并撰写数据驱动的运营优化报告。
通过本实验，学生应掌握：
- 使用助睿BI的聚合功能（计数、求和、平均、分组）快速制作图表
- 成内容概况、学生表现排名、标题影响分析、平台对比、趋势分析等维度的可视化分析
- 掌握“从图表到洞察”的分析方法，从数据中提炼业务结论
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//
- 可视化工具：助睿BI（可视化探索平台）
助睿BI核心优势：
工作表机制：承载可视化图表、开展数据分析的基础单元，每个工作表可包含一种或多种图表
交互式仪表盘：支持将来自不同业务线的关键图表自由编排，定制个性化管理视图
自助分析：业务人员无需懂SQL即可完成数据探索，拖拽式操作大幅降低分析门槛
丰富图表类型：覆盖柱状图、折线图、散点图、饼图、条形图等所有常见图表类型
3 核心设计思路
3.1 数据特点与分析框架
在开始制作图表之前，需要先理解本次数据的特点，这直接决定了我们应该分析什么、不分析什么。
本次数据有以下几个特点：
- 内容同质化：全班发布的作品主题高度一致（本学期的实验作业）
- 平台固定：发布作品的平台固定，但数据较完整的是B站（视频）+ CSDN（图文）
- 作品数量相近：每位学生发布的作品数量基本一致
- 标题存在差异：虽然内容相同，但标题写法存在差异（如“保姆级”“零代码”“手把手”等关键词的使用）
这意味着内容、平台、数量都是控制变量，标题是主要差异来源。因此，分析应聚焦于：在相同条件下，哪些运营策略差异导致了数据差异？
基于以上特点，分析以下5个维度：
维度 | 分析目标 | 核心问题 |
核心指标 | 了解数据整体情况 | 整体表现如何？ |
排名分析 | 对比学生间、作品间差异 | 同样的内容，谁的数据更好？ |
标题影响 | 量化标题特征对数据的影响 | 为什么做得好？ |
趋势分析 | 时间维度规律 | 数据随时间怎么变化？ |
3.2 仪表盘布局思路
采用“先总后分、左右对照”的布局：
- 顶部指标卡分两行：第一行展示全平台概况，第二行聚焦B站和CSDN
- 之后分为左右两栏：左栏展示B站所有分析图表，右栏展示CSDN所有分析图表
- 每栏内部按“排名→标题分析→趋势”的顺序排列，形成完整闭环
3.3 从图表到洞察
每个图表都应回答一个具体的业务问题。阅读仪表盘时，读者应自然地经历：建立整体认知（指标卡）→ 发现问题（排名）→ 定位原因（标题分析）→ 观察规律（趋势）的思考路径。
以下是常见图表类型的解读方法：
（1）排名类图表
怎么看：关注头部（前3名）和尾部（后3名）。头部代表优秀实践，尾部代表常见问题
洞察方向：
- 头部：他们的内容有什么共同点？
- 尾部：他们遇到了什么问题？
（2）对比类图表
怎么看：关注两组数据的差距大小
洞察方向：
- 差距大 → 因素影响显著，值得深入分析
- 差距小 → 因素影响有限，不必过度关注
（3）分布类图表
怎么看：关注数据集中在哪个区间，是否有异常点
洞察方向：
- 大多数数据集中在低值区间 → 整体水平偏低
- 存在离群点 → 该点值得单独分析
（4）趋势类图表
怎么看：关注曲线的走向（上升/下降/平稳）和拐点
洞察方向：
- 持续上升 → 有积累效应
- 先升后平 → 存在天花板
- 波动较大 → 可能受随机因素影响
（5）散点图（双变量分析）
怎么看：关注点的分布模式和异常点。
洞察方向：
- 正相关：两个指标同步变化
- 无相关：两个指标相互独立
- 负相关：一个上升另一个下降
- 异常点：脱离整体模式，值得单独分析
掌握了这些解读方法，就能从每个图表中提炼出有业务价值的洞察。
二、实验步骤
步骤1：连接数据源
从助睿实验平台进入助睿BI平台，团队私有数据库的数据源已在之前的实验中连接好了，本次实验无需连接。
步骤2：构建数据集
使用实验7-1、7-2输出的summary_all_platforms、content_analysis、title_feature_analysis3张表构建3个数据集。
步骤3：制作工作表
（1）制作核心指标卡-一眼看清整体情况
指标卡的作用是把最关键的几个数字突出显示，让读者在几秒钟内建立起对数据的整体认知。本次实验共6张指标卡：
第一行4张展示全平台概况：
- 全平台作品总数（一共发布了多少作品）
- 分发平台数（数据来自几个平台）
- 全平台总浏览数（所有平台加一起的总流量）
- 全平台总互动数（所有平台加一起的总互动数量）
第二行5
张聚焦重点平台：
- B站作品数、CSDN作品数（两个平台各有多少内容）
- B站总播放量、CSDN总阅读量（各自的总流量）
这6张指标卡形成了一条清晰的阅读路径：先看到总量，再看分平台量，最后看质量
图表 | 数据集 | 配置方法 | 解读要点 |
全平台作品数（指标卡） | 全平台概况数据集 | 所有平台的作品数量求和 | 全班共采集了多少有效内容 |
分发平台数（指标卡） | 全平台概况数据集 | 不同平台去重计数 | 数据涉及几个平台 |
全平台总浏览数（指标卡） | 全平台概况数据集 | 所有平台的浏览数量求和 | 全平台总流量基线 |
全平台总互动数（指标卡） | 全平台概况数据集 | 所有平台的互动数量求和 （使用计算字段） | 全平台作品质量 |
B站作品数（指标卡） | 全平台概况数据集 | 平台=B站 的记录计数 | B站内容体量 |
CSDN作品数（指标卡） | 全平台概况数据集 | 平台=CSDN 的记录计数 | CSDN内容体量 |
B站总播放量（指标卡） | 全平台概况数据集 | 平台=B站 的浏览数量求和 | B站总流量 |
CSDN总阅读量（指标卡） | 全平台概况数据集 | 平台=CSDN 的浏览数量求和 | CSDN总流量 |
（2）制作排名图表-找出标杆和爆款
排名图表分两组：学生排名和作品排名。
学生排名解决的是“谁做得好”的问题：按作者分组，取该学生在某个平台上所有作品的平均播放量（或阅读量），降序排序后取前10名。这个排名反映的是一个人的整体运营水平。
作品排名解决的是“什么内容做得好”的问题：直接按单篇作品的播放量（或阅读量）排序，取前10名。这个排名揭示的是单篇爆款的特征。
两者结合使用：先看学生排名找到表现好的同学，再看他具体做了哪些内容，这样就能总结出可复制的经验。左右两栏分别展示B站和CSDN的排名，可以对比同一个学生在两个平台的表现差异。
图表 | 数据集 | 配置方法 | 解读要点 |
B站学生平均播放量排名TOP10 | 重点平台深度分析数据集 | 筛选平台=B站，维度=作者名称，指标=平均值(浏览数量)，降序排序，限额10 | 找出B站整体运营水平最高的学生 |
B站作品播放量排名TOP10 | 重点平台深度分析数据集 | 筛选平台=B站，维度=作品名称，指标=浏览数量，降序排序，限额10 | 找出B站单篇爆款内容 |
CSDN学生平均阅读量排名TOP10 | 重点平台深度分析数据集 | 筛选平台=CSDN，维度=作者名称，指标=平均值(浏览数量)，降序排序，限额10 | 找出CSDN整体运营水平最高的学生 |
CSDN作品阅读量排名TOP10 | 重点平台深度分析数据集 | 筛选平台=CSDN，维度=作品名称，指标=浏览数量，降序排序，限额10 | 找出CSDN单篇爆款内容 |
（3）制作标题影响分析图表-量化关键词的效果
标题影响分析是本实验最有价值的部分。在内容相同的情况下，标题是导致数据差异的核心因素之一，其业务价值——用数据回答“什么样的标题更好”，直接指导未来的内容创作，让标题写作从“凭感觉”升级为“数据驱动”。
制作方法是：分别计算含有某个关键词（如“保姆级”）的作品的平均播放量，再除以整体的平均播放量，得到“提升倍率”。比如提升倍率1.4表示含这个词的作品平均播放量比整体平均高出40%。用条形图展示所有关键词的提升倍率，哪个柱子最长，哪个词最有效。
此外还可以做更直接的对比：含“保姆级”vs不含“保姆级”两组作品的柱状对比，一眼就能看出差异。左右两栏分别做B站和CSDN的标题分析，因为同一个关键词在两个平台的效果可能不同。
图表 | 数据集 | 配置方法 | 解读要点 |
B站标题特征提升倍率条形图 | 标题关键词互动数据集 | 筛选平台=B站，分别计算含某关键词的平均播放量 ÷ 整体平均播放量 | 找出B站最有效的标题关键词 |
B站标题特征对比柱状图 | 标题关键词互动数据集 | 筛选平台=B站，查看各特征标题平均互动数据，并设置整体平均互动数据水平线 | 每个关键词的平均互动是多少 |
CSDN标题特征提升倍率条形图 | 标题关键词互动数据集 | 筛选平台=CSDN，分别计算含某关键词的平均阅读量 ÷ 整体平均阅读量 | 找出CSDN最有效的标题关键词 |
CSDN标题特征对比柱状图 | 标题关键词互动数据集 | 筛选平台=CSDN，查看各特征标题平均互动数据，并设置整体平均互动数据水平线 | 每个关键词的平均互动是多少 |
（4）制作趋势分析图表-观察时间变化规律
趋势分析回答的是“数据随时间如何变化”。这里的“日期”是采集日期而非发布时间，同一作品在6月8日、9日、10日都会被采集到，播放量逐日累加，所以趋势折线图展示的是截止到每个采集日所有已发布作品的总播放量/阅读量。
如果需要进一步观察老作品的持续传播力，可以加一张“老作品趋势图”——先筛选出6月8日已存在的作品，只统计它们在后续日期的播放量变化。整体趋势看大盘走势（受新作品不断加入的影响），老作品趋势看内容本身的长尾效应（排除了新作品的干扰）。两张图互补使用，可以帮助判断班级整体的流量增长是靠新作品驱动，还是老内容也在持续产生价值。
图表 | 数据源 | 配置方法 | 解读要点 |
B站每日播放量趋势折线图 | 重点平台深度分析数据集 | 筛选平台=B站，维度=日期，指标=求和(浏览数量) | B站累积流量变化趋势 |
CSDN每日阅读量趋势折线图 | 重点平台深度分析数据集 | 筛选平台=CSDN，维度=日期，指标=求和(浏览数量) | CSDN累积流量变化趋势 |
三、实验结果
步骤4：搭建综合仪表盘
仪表盘的布局逻辑——核心指标置顶（一目了然），概况类图表靠前（先建立整体认知），深度分析靠后。参考布局：
步骤5：输出报告分析
从仪表盘导出关键图表，撰写分析报告。报告要讲清楚三个层次：
- 现状是怎样的（数据描述）
- 为什么会这样（原因分析）
- 应该怎么做（优化建议）
每个结论都要配上对应的图表作为证据
四、问题与解决
无
五、实验总结
1、收获
通过本次实验，我掌握了使用助睿BI进行多维度可视化分析的全流程，理解了数据可视化在数据分析中的价值——将抽象的数字转化为直观的图形，让数据说话。在技能层面，我学会了使用助睿BI的聚合功能（计数、求和、平均）快速制作指标卡、排名图、对比图、趋势图等多种图表，掌握了"先总后分、左右对照"的仪表盘布局思路。在分析方法层面，我学会了"从图表到洞察"的解读方法——排名类图表关注头部和尾部，对比类图表关注差距大小，趋势类图表关注走向和拐点，从每个图表中提炼出有业务价值的结论。更重要的是，我理解了内容同质化场景下标题是主要差异来源，通过标题特征分析将标题写作从"凭感觉"升级为"数据驱动"。
2、对平台的整体评价
助睿BI平台具备工作表机制灵活、拖拽式操作便捷、图表类型丰富等优势，无需编写SQL即可完成数据探索和图表制作，大幅降低了可视化分析的门槛。同时，平台在数据集构建的灵活性和图表联动交互方面还有优化空间——目前制作不同维度的图表需要分别构建多个数据集并逐个配置，若能支持在同一数据集内灵活切换分析维度，将进一步提升分析效率。
3、核心知识点总结
- 指标卡的设计：核心KPI突出展示，让读者几秒内建立整体认知
- 学生排名+作品排名：一个找“谁做得好”，一个找“什么内容好”，互为补充
- 标题影响力量化：通过提升倍率计算，识别最有效的标题关键词
- 趋势分析：利用多日期数据观察累积变化，区分整体趋势与老作品持续价值
