DataEase开源数据可视化分析平台于2022年6月正式发布模板市场（https://dataease.io/templates/）。模板市场旨在为DataEase用户提供专业、美观、拿来即用的仪表板模板，方便用户根据自身的业务需求和使用场景选择对应的仪表板模板，并在优质模板的基础上轻松制作自己的仪表板。目前，DataEase模板市场的模板数量已经超过了100个。
2023年9月上新模板
DataEase模板市场定期进行模板上新。2023年9月共上新6个模板，涉及能源、交通、直播运营、地产运营等主题，欢迎大家在DataEase模板市场下载使用。
模板技巧
本月的模版技巧和大家分享一下如何使用DataEase开源数据可视化分析工具进行电商行业的用户运营分析。
一、数据来源
数据来源：https://tianchi.aliyun.com/dataset/649 （阿里天池数据集：淘宝用户行为数据）
1. 字段定义
2. 用户行为类型定义
二、数据清洗
1. 列名的重命名
将获取的原数据导入到数据库中生成数据集时，原数据集中不包含表头。因此需要为列名进行重命名操作。
ALTER TABLE userbehavior CHANGE COLUMN `1` user_id VARCHAR(255);
ALTER TABLE userbehavior CHANGE COLUMN `2268318` item_id VARCHAR(255);
ALTER TABLE userbehavior CHANGE COLUMN `2520377` cat_id VARCHAR(255);
ALTER TABLE userbehavior CHANGE COLUMN pv behavior_type VARCHAR(255);
ALTER TABLE userbehavior CHANGE COLUMN `1511544070` time_stamp VARCHAR(255);2. 重复值与缺失值检验
导入数据后，需要先检查数据集中是否包含重复值或是否有缺失值。
# 重复值检验
SELECT *
FROM userbehavior
GROUP BY user_id,item_id,cat_id,time_stamp
HAVING COUNT(*)>1;
# 缺失值检查
SELECT COUNT(user_id) AS 用户数量
,COUNT(item_id) AS 商品数量
,COUNT(cat_id) AS 商品类目数量
,COUNT(behavior_type) AS 用户行为数量
,COUNT(time_stamp) AS 时间戳数量
FROM userbehavior;根据查询结果，数据集中并不包含重复值，也不存在缺失值。
3. 时间戳格式化
需要将原数据集中的时间戳格式转换为日期的时间格式，以便后续分析处理。
# 新增日期列
ALTER TABLE userbehavior ADD COLUMN `date` VARCHAR(255);
UPDATE userbehavior SET `date`=FROM_UNIXTIME(time_stamp,'%Y-%m-%d');
# 新增时间列
ALTER TABLE userbehavior ADD COLUMN `time` VARCHAR(255);
UPDATE userbehavior SET `time`=FROM_UNIXTIME(time_stamp,'%H:%i:%s');
# 新增小时列
ALTER TABLE userbehavior ADD COLUMN `hour` VARCHAR(255);
UPDATE userbehavior SET `hour`=hour(time);三、数据分析
1. 用户访问分析
1）数据预处理
将新建的SQL数据集导入DataEase后，在DataEase的数据集“字段管理”页面可以看到各字段均为初始的“文本”类型，需要数据集创建者自行将字段修改为合适的字段类型。如下图所示，将“date”和“time”修改为对应的时间格式，将“user_id”和“item_id”转换为维度。
2）视图设计
在DataEase中新建仪表板。选择刚创建的数据集userbehavior，在仪表板中新建名为“用户访问分析”的组合图。如下图所示，在仪表板制作页面右侧编辑栏的空白框中拖入对应字段并进行修改。
视图中需要展示的指标及其含义为：
■ UV（Unique Visitor）：即独立访客。访问某网站的1台电脑客户端即为1个独立访客；
■ PV（Page View）：即页面浏览量，或点击量。用户每1次对网站中的每个网页访问均被记录1次。
具体操作步骤如下：
① 将字段“data”拖入“类别轴/维度”空白框中，并设置排序为“升序”；
② 将字段“user_id”拖入“主轴值/指标”空白框中，设置汇总方式为“计数”，并将显示名改为“PV”；
③ 将字段“user_id”拖入“副轴值/指标”空白框中，选择汇总方式为“去重计数”，并将显示名改为“UV”；
④ 将字段“date”和字段“hour”按顺序拖入“钻取/维度”空白框中。
3）分析结果
配置视图下钻后，点击视图中想要查看的数据点，视图将根据下钻结果跳转至该日期的具体时段数据，以便于观看者查看“UV”和“PV”两项指标的当日数据趋势变化。
从折线图中可以看出：11月25日至12月1日的PV和UV数据波动相对稳定，12月2日至12月3日的PV、UV数据曲线则有明显增幅。其中11月25至26日和12月2至3日均为周末，但11月25、26日和工作日的PV、UV数据相近，而12月2日至3日却有明显增幅。
2. 用户留存分析
1）数据预处理
① 设定自11月25日起新登录的用户为新增用户，查询每位新增用户第一次登录的日期；
# 创建视图，查询用户第一次登录的日期
CREATE VIEW first_log
AS
SELECT user_id,MIN(date) first_logday
FROM userbehaviorGROUP BY user_id;数据预览如下：
② 查询每日新增用户数；
SELECT first_logday,COUNT(user_id) 日新增用户
FROM first_log
GROUP BY first_logday
ORDER BY first_logday;数据预览如下：
③ 创建视图，查询用户登录当天与第一次登录的间隔天数；
# 创建视图，查询用户登录当天与第一次登录间隔天数
CREATE VIEW day_diffAS
SELECT a.user_id,b.first_logday,
DATEDIFF(a.date,first_logday) day_diff
FROM userbehavior a
INNER JOIN first_log b
ON a.user_id=b.user_id
GROUP BY a.user_id,a.date;数据预览如下：
④ 在DataEase中新建SQL数据集，查询不同登录日期的用户每日留存统计。
SELECT first_logday,
SUM(CASE day_diff WHEN 0 THEN 1 ELSE 0 END) day_0,
SUM(CASE day_diff WHEN 1 THEN 1 ELSE 0 END) day_1,
SUM(CASE day_diff WHEN 2 THEN 1 ELSE 0 END) day_2,
SUM(CASE day_diff WHEN 3 THEN 1 ELSE 0 END) day_3,
SUM(CASE day_diff WHEN 4 THEN 1 ELSE 0 END) day_4,
SUM(CASE day_diff WHEN 5 THEN 1 ELSE 0 END) day_5,
SUM(CASE day_diff WHEN 6 THEN 1 ELSE 0 END) day_6,
SUM(CASE day_diff WHEN 7 THEN 1 ELSE 0 END) day_7,
SUM(CASE day_diff WHEN 8 THEN 1 ELSE 0 END) day_8
FROM day_diff
GROUP BY first_logday
ORDER BY first_logday;2）视图设计
在仪表板中新建“明细表”视图，选择刚创建的用户每日留存统计SQL数据集，并按下图所示将各字段拖入“数据列/维度或指标”空白框中。
3）分析结果
在11月25日至30日之间首日登录的用户，在12月2日之前每日的留存率在50%-80%之间浮动；而在12月2日至3日不同批次的用户留存率均有大幅提升（超过90%），可能是由于平台或店铺推出了促销活动，或者每日打卡积分活动等提升了用户活跃度与留存率。
3. 用户复购分析
1）数据预处理
① 在DataEase中新建SQL数据集，查询用户的购买次数；
# 查询用户的购买次数
SELECT user_id,COUNT(user_id) AS 购买次数
FROM userbehavior
WHERE behavior_type='buy'
GROUP BY user_id
ORDER BY 购买次数 DESC;② 选择“字段管理”→“新建计算字段”，对购买频次做数据映射；
■ 字段名称：用户分层
■ 字段表达式，具体如下图所示：
CASE WHEN [购买次数] >=1 AND [购买次数] <= 4 THEN '1-4'
WHEN [购买次数] >=5 AND [购买次数] <= 9 THEN '5-9'
WHEN [购买次数] >=10 AND [购买次数] <= 14 THEN '10-14'
WHEN [购买次数] >=15 AND [购买次数] <= 19 THEN '15-19'
WHEN [购买次数] >=20 AND [购买次数] <= 24 THEN '20-24'
WHEN [购买次数] >=25 AND [购买次数] <= 29 THEN '25-29'
ELSE '>30'
END
数据预览如下：
2）视图设计
在仪表板中新建“基础柱状图”视图，选择刚创建的用户购买次数数据集。如下图所示，在“仪表板制作”页面右侧的编辑栏中将对应的字段拖入空白框并做修改。
① 将新建的“用户分层”字段拖入“类别轴/维度”空白框中；
② 将“购买次数”字段拖入“值轴/指标”空白框中，选择汇总方式为“求和”；
③ 将“记录数”字段拖入“值轴/指标”空白框中，选择汇总方式为“计数”，并将显示名修改为“购买人数”。
3）分析结果
有超过66%的用户发生过复购行为，但多数用户复购次数不超过5次，商家在提升用户复购意愿方面仍有进步空间。
4. 用户转化分析
1）视图设计
新建“漏斗图”视图，选择userbehavior数据集。如下图所示，将对应字段拖入到“仪表板制作”页面右侧编辑栏的空白框中。
① 将“behavior_type”字段拖入“漏斗分层/维度”空白框中，并将显示名修改为“行为类型”；
② 将“user_id”字段拖入“漏斗层宽/指标”中，选择汇总方式为“计数”，并将显示名修改为“用户数”。
2）分析结果
从漏斗图中可知，从“点击”到“收藏”的路径中用户流失较多，而“添加购物车”到“购买”的路径中用户流失极少。
总结
随着“社交电商”、“直播电商”等一次次的电商转型升级，电商平台不仅为企业提供了全新的商业模式，也为消费者带来了更为便捷和多样化的购物体验。然而，随着电商市场竞争的日益激烈，“如何更好地进行用户运营，满足用户需求，提升用户忠诚度”，就成为了电商企业亟需解决的关键问题之一。
数据分析与数据可视化作为强有力的工具，为电商企业开展用户运营提供了深入洞察消费者行为、趋势和偏好的途径。通过DataEase开源数据可视化分析工具进行仪表板制作与展示，电商企业可以对用户数据进行更为全面的分析，并且更准确地了解用户的购物习惯、兴趣爱好，甚至是情感态度。这些数据及其可视化视图不仅有助于企业优化产品和服务，更为重要的是，可以帮助电商企业制定精准的用户运营策略，从而更好地吸引、留存和发展用户群体。
雷军：小米全新操作系统澎湃 OS 正式版已完成封包 国美 App 抽奖页面弹窗辱骂其创始人 Ubuntu 23.10 正式发布，不妨趁周五升级一波！ Ubuntu 23.10 发版插曲：因包含仇恨言论，ISO 镜像被紧急“召回” 23 岁博士生修复 Firefox 中的 22 年“幽灵老 Bug” RustDesk 远程桌面 1.2.3 发布，增强 Wayland 支持 TiDB 7.4 发版：正式兼容 MySQL 8.0 拔出罗技 USB 接收器后，Linux 内核竟然崩溃了 大神用 Scratch 手搓 RISC-V 模拟器，成功运行 Linux 内核 JetBrains 推出 Writerside，创建技术文档的工具