在AI與大數(shù)據(jù)技術(shù)飛速發(fā)展的今天始藕，數(shù)據(jù)已經(jīng)超越傳統(tǒng)資產(chǎn)序宦，成為企業(yè)制勝的關(guān)鍵茧妒。數(shù)據(jù)所蘊(yùn)含的潛力和價(jià)值被視為新的“財(cái)富”疗垛，是企業(yè)制定戰(zhàn)略店展、創(chuàng)新業(yè)務(wù)和提升競爭力的核心要素决左。通過深度挖掘和分析數(shù)據(jù)耘子，企業(yè)能夠洞察市場動(dòng)態(tài)液南、捕捉客戶需求，甚至發(fā)現(xiàn)前所未有的商機(jī)枚赡。這不僅有助于滿足現(xiàn)有市場需求氓癌，更可開辟全新市場和業(yè)務(wù)領(lǐng)域。數(shù)據(jù)還為企業(yè)的內(nèi)部管理贫橙、成本優(yōu)化和運(yùn)營效率提供強(qiáng)大支持贪婉。在這個(gè)信息爆炸的時(shí)代，真正擁有并善于利用數(shù)據(jù)的企業(yè)卢肃，才能在激烈的市場競爭中立足疲迂。因此，數(shù)據(jù)的妥善管理和有效利用莫湘，已成為企業(yè)追求商業(yè)價(jià)值最大化的關(guān)鍵尤蒿。
近年來，互聯(lián)網(wǎng)電商行業(yè)呈現(xiàn)出快速增長的態(tài)勢(shì)幅垮，全球范圍內(nèi)的消費(fèi)者紛紛加入到網(wǎng)購的行列中腰池。作為中國最大的電子商務(wù)平臺(tái)之一，淘寶以其豐富的商品種類和便捷的購物體驗(yàn)忙芒，吸引了大量的用戶示弓。在這樣的背景下，了解用戶購物行為和了解市場趨勢(shì)匕争，成為電商企業(yè)制定有效運(yùn)營策略和提高用戶留存率的關(guān)鍵避乏。
DeepBI是一種基于人工智能技術(shù)的用戶行為分析平臺(tái)，可以通過對(duì)用戶行為數(shù)據(jù)進(jìn)行深度挖掘和分析甘桑，幫助企業(yè)了解用戶需求拍皮、優(yōu)化產(chǎn)品設(shè)計(jì)、提高銷售業(yè)績跑杭。
一句話實(shí)現(xiàn)數(shù)據(jù)可視化
首先我們要了解用戶行為铆帽，數(shù)據(jù)可視化無疑是讓我們能清晰直觀的一種方法。
那么數(shù)據(jù)可視化我們需要懂統(tǒng)計(jì)學(xué)和數(shù)據(jù)分析基礎(chǔ)德谅、可視化原理爹橱、可視化工具、數(shù)據(jù)處理窄做、編程語言等等嗎愧驱？
現(xiàn)在都不需要了，數(shù)據(jù)可視化一句話搞定椭盏！
不信组砚？讓我們來試一下，上傳好數(shù)據(jù)集或者連接好數(shù)據(jù)庫后掏颊，直接對(duì)DeepBI提出需求：（在這你還可以隨意指定生成什么樣式的圖形）
用戶行為可視化糟红，用漏斗圖表示
DeepBI可以將用戶行為數(shù)據(jù)可視化展示艾帐。通過直觀的圖表和報(bào)表，企業(yè)管理層可以更加清晰地了解用戶行為盆偿、產(chǎn)品或服務(wù)的使用情況柒爸、銷售趨勢(shì)等信息，從而及時(shí)做出決策和調(diào)整事扭。
讓我們繼續(xù)來提要求：
用柱狀圖表示每日用戶行為總數(shù)
從截圖我們可以看出捎稚，不單單是可視化，并在下方為我們附上了說明求橄，這是多么方便把粼濉！
現(xiàn)在數(shù)據(jù)分析谈撒、數(shù)據(jù)可視化都不再是技術(shù)的比拼了腥泥，而是想法的較量。只要有想法啃匿，DeepBI就能去完成蛔外，而我們只需坐等結(jié)果就可以。
DeepBI為我們打破了數(shù)據(jù)分析的門檻溯乒，不用再去懂什么SQL語言夹厌、不用再寫什么python腳本，只需要一句話即可實(shí)現(xiàn)數(shù)據(jù)可視化裆悄！
探索時(shí)間趨勢(shì)找出用戶行為隨時(shí)間的變化規(guī)律
DeepBI借助AI數(shù)據(jù)分析矛纹，對(duì)用戶行為數(shù)據(jù)進(jìn)行了深入挖掘，發(fā)現(xiàn)了一個(gè)引人關(guān)注的現(xiàn)象光稼。用戶行為與不同日期（周中或南、周末）之間也有著緊密的聯(lián)系，了解不同日期的商品行為可以幫助商家制定更加有效的營銷策略艾君，提高轉(zhuǎn)化率和客戶滿意度采够。這一發(fā)現(xiàn)揭示了一個(gè)關(guān)鍵的現(xiàn)實(shí)：在周中，消費(fèi)者可能更多地進(jìn)行工作相關(guān)任務(wù)冰垄、學(xué)習(xí)或日常生活瑣事蹬癌，因此用戶行為表現(xiàn)可能會(huì)減少。深入分析這些數(shù)據(jù)背后的趨勢(shì)虹茶，為企業(yè)領(lǐng)導(dǎo)者提供了深刻的洞察逝薪，讓他們更好地理解用戶的消費(fèi)行為習(xí)慣，從而有針對(duì)性地調(diào)整廣告投放策略蝴罪，個(gè)性化推薦系統(tǒng)董济，促銷活動(dòng)和限時(shí)優(yōu)惠等措施！
DeepBI結(jié)合Data-Copilot已經(jīng)實(shí)現(xiàn)數(shù)據(jù)集范圍內(nèi)任何問題“問不倒洲炊，隨便問”的強(qiáng)大功能感局，接著來看：
問：用戶活躍時(shí)間：用戶在一天中的哪個(gè)時(shí)間段更活躍？
如何自動(dòng)實(shí)現(xiàn)數(shù)據(jù)可視化
案例Question：
用折線圖表示在一天內(nèi)各小時(shí)對(duì)商品類別編號(hào)為1863暂衡、13230询微、5027、5894狂巢、6513的五種類型的平均點(diǎn)擊數(shù)
然后我們就能看到咱們的業(yè)內(nèi)頂尖的數(shù)據(jù)分析團(tuán)隊(duì) (muti-Agent)就開始“搓搓小手”準(zhǔn)備干活兒了撑毛。
團(tuán)隊(duì)leader先發(fā)話，大概意思就是：
來活兒嘍唧领！客戶需要用折線圖表示在一天內(nèi)各小時(shí)對(duì)商品類別編號(hào)為1863藻雌、13230、5027斩个、5894胯杭、6513的五種類型的平均點(diǎn)擊數(shù)
過程分析：
首先給予問題讓“數(shù)據(jù)分析助手”進(jìn)行理解，然后團(tuán)隊(duì)中我們的數(shù)據(jù)規(guī)劃師（assistant）給予了相應(yīng)的回復(fù)：
mysql理解問題并對(duì)個(gè)字段對(duì)應(yīng)的comment有一定理解后受啥，mysql_echart_assistant做出了任務(wù)順序部署以及執(zhí)行的代碼塊做个。
# 數(shù)據(jù)庫連接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4', }
# 建立數(shù)據(jù)庫連接 connection = pymysql.connect(**db_info)
# SQL查詢，選擇特定的商品分類滚局，并計(jì)算每小時(shí)的平均點(diǎn)擊數(shù) query = """ SELECT time, item_category, AVG(behavior_type = '點(diǎn)擊') AS avg_clicks FROM user_behavior WHERE behavior_type = '點(diǎn)擊' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 執(zhí)行查詢語句居暖，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)
# 關(guān)閉數(shù)據(jù)庫連接 connection.close()
# 數(shù)據(jù)處理，以便折線圖生成 results = [] for item_category in (1863, 13230, 5027, 5894, 6513): category_data = df[df["item_category"] == item_category] clicks = category_data["avg_clicks"].astype(float).round(2).tolist() # 將點(diǎn)擊數(shù)四舍五入保留兩位小數(shù) results.append({"name": str(item_category), "data": clicks})
# 創(chuàng)建一個(gè)折線圖對(duì)象 line = Line() # 添加X軸時(shí)間信息 line.add_xaxis(list(range(24)))
# 將每一個(gè)商品類別的數(shù)據(jù)添加到折線圖 for result in results: line.add_yaxis(result["name"], result["data"])
# 設(shè)置圖表的全局選項(xiàng) line.set_global_opts( title_opts=opts.TitleOpts(title="平均點(diǎn)擊數(shù)隨時(shí)間的變化"), xaxis_opts=opts.AxisOpts(type_="category", name="小時(shí)"), yaxis_opts=opts.AxisOpts(type_="value", name="平均點(diǎn)擊數(shù)"), )
# 生成圖表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 輸出結(jié)果 output = [{"echart_name": "平均點(diǎn)擊數(shù)隨時(shí)間的變化", "echart_code": echart_code}] print(json.dumps(output)) ```
上面的代碼應(yīng)該被保存為 `.py` 文件并在python環(huán)境中執(zhí)行藤肢。執(zhí)行后太闺，它會(huì)按照指定的JSON格式輸出包含所請(qǐng)求的折線圖信息的數(shù)據(jù)。請(qǐng)運(yùn)行這段代碼嘁圈，然后將輸出結(jié)果分享給我省骂。 --------------------------------------------------------------------------------
經(jīng)過代碼的執(zhí)行雖然成功了但是由于查詢時(shí)指定的行為類型和數(shù)據(jù)庫中的實(shí)際數(shù)據(jù)可能存在不匹配的情況，mysql_echart_assistant對(duì)該問題自身做了調(diào)整最住。
# 數(shù)據(jù)庫連接參數(shù) connection_params = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'use_unicode': True }
# 建立數(shù)據(jù)庫連接 connection = pymysql.connect(**connection_params)
# 調(diào)整后的SQL查詢冀宴，將檢查特定商品類別的點(diǎn)擊情況是否存在 query = """ SELECT behavior_type, COUNT(*) AS count FROM user_behavior WHERE item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY behavior_type """
# 執(zhí)行查詢并打印結(jié)果 df = pd.read_sql(query, con=connection) connection.close()
# 將結(jié)果轉(zhuǎn)為JSON格式并打印 print(df.to_json(orient='records', force_ascii=False)) ```
請(qǐng)運(yùn)行上述代碼并分享執(zhí)行結(jié)果，這將幫助我們確定是否要對(duì)原始查詢進(jìn)行進(jìn)一步修改温学。 --------------------------------------------------------------------------------
python_executor(to mysql_echart_assistant):exitcode: 0 (execution succeeded) Code output: [{"behavior_type":"點(diǎn)擊","count":139354},{"behavior_type":"加購","count":2992},{"behavior_type":"收藏","count":3287},{"behavior_type":"購買","count":421}]
經(jīng)過調(diào)整進(jìn)一步得出結(jié)果以及下一步指示：
# 數(shù)據(jù)庫連接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4' }
# 建立數(shù)據(jù)庫連接 connection = pymysql.connect(**db_info)
# 查詢已知存在點(diǎn)擊行為的商品類別在各個(gè)小時(shí)的平均點(diǎn)擊數(shù) query = """ SELECT time, item_category, COUNT(*) / COUNT(DISTINCT DATE(date)) AS avg_clicks_per_hour FROM user_behavior WHERE behavior_type = '點(diǎn)擊' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 執(zhí)行查詢語句略贮，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)
# 關(guān)閉數(shù)據(jù)庫連接 connection.close()
# 數(shù)據(jù)處理，以便折線圖生成 hours = sorted(df['time'].unique()) chart_data = {category: [0] * 24 for category in (1863, 13230, 5027, 5894, 6513)}
for _, row in df.iterrows(): category = row['item_category'] hour = row['time'] avg_clicks = row['avg_clicks_per_hour'] chart_data[category][hour] = float(avg_clicks)
# 創(chuàng)建折線圖對(duì)象 line = Line()
# 添加X軸為小時(shí)的信息 line.add_xaxis(hours)
# 將每一個(gè)商品類別的數(shù)據(jù)添加到折線圖 for category, data in chart_data.items(): line.add_yaxis(str(category), data)
# 設(shè)置圖表的全局選項(xiàng) line.set_global_opts( title_opts=opts.TitleOpts(title="各小時(shí)的商品類別平均點(diǎn)擊數(shù)"), xaxis_opts=opts.AxisOpts(type_="category", name="小時(shí)"), yaxis_opts=opts.AxisOpts(type_="value", name="平均點(diǎn)擊數(shù)"), )
# 生成圖表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 輸出結(jié)果 output = [{"echart_name": "各小時(shí)的商品類別平均點(diǎn)擊數(shù)", "echart_code": echart_code}] print(json.dumps(output)) ```
請(qǐng)將上述修正后的代碼保存并執(zhí)行仗岖，然后將輸出的結(jié)果分享給我逃延。 --------------------------------------------------------------------------------
由于數(shù)據(jù)龐大難免會(huì)出現(xiàn)在類型匹配的問題
但是DeepBI經(jīng)過自身內(nèi)部mutiagent的討論會(huì)自主給出修改方案：
針對(duì)本問題，
# 數(shù)據(jù)庫連接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4' }
# 建立數(shù)據(jù)庫連接 connection = pymysql.connect(**db_info)
# 查詢已知存在點(diǎn)擊行為的商品類別在各個(gè)小時(shí)的平均點(diǎn)擊數(shù) query = """ SELECT time, item_category, COUNT(*) / COUNT(DISTINCT DATE(date)) AS avg_clicks_per_hour FROM user_behavior WHERE behavior_type = '點(diǎn)擊' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 執(zhí)行查詢語句轧拄，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)
# 關(guān)閉數(shù)據(jù)庫連接 connection.close()
# 數(shù)據(jù)處理揽祥，以便折線圖生成 hours = sorted(df['time'].astype(int).unique()) chart_data = {category: [0] * 24 for category in [1863, 13230, 5027, 5894, 6513]}
for _, row in df.iterrows(): category = int(row['item_category']) # 確保這里的類型轉(zhuǎn)換與字典中的鍵匹配 hour = int(row['time']) # 將時(shí)間也轉(zhuǎn)換為整數(shù) avg_clicks = row['avg_clicks_per_hour'] chart_data[category][hour] = float(avg_clicks)
# 創(chuàng)建一個(gè) Line 對(duì)象 line = Line()
# 添加 X 軸為小時(shí)的信息 line.add_xaxis(hours)
# 將每一個(gè)商品類別的數(shù)據(jù)添加到折線圖 for category, data in chart_data.items(): line.add_yaxis(str(category), data)
# 設(shè)置圖表的全局選項(xiàng) line.set_global_opts( title_opts=opts.TitleOpts(title="各小時(shí)的商品類別平均點(diǎn)擊數(shù)"), xaxis_opts=opts.AxisOpts(type_="category", name="小時(shí)"), yaxis_opts=opts.AxisOpts(type_="value", name="平均點(diǎn)擊數(shù)"), )
# 生成圖表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 輸出結(jié)果 output = [{"echart_name": "各小時(shí)的商品類別平均點(diǎn)擊數(shù)", "echart_code": echart_code}] print(json.dumps(output)) ```
在對(duì)數(shù)據(jù)處理完成之后，進(jìn)行繪制折線圖確定橫軸和縱軸
# 數(shù)據(jù)庫連接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4' }
# 建立數(shù)據(jù)庫連接 connection = pymysql.connect(**db_info)
# 查詢已知存在點(diǎn)擊行為的商品類別在各個(gè)小時(shí)的平均點(diǎn)擊數(shù) query = """ SELECT time, item_category, COUNT(*) / COUNT(DISTINCT DATE(date)) AS avg_clicks_per_hour FROM user_behavior WHERE behavior_type = '點(diǎn)擊' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 執(zhí)行查詢語句檩电，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)
# 關(guān)閉數(shù)據(jù)庫連接 connection.close()
# 數(shù)據(jù)處理拄丰，以便折線圖生成 hours = [f'{i:02d}:00' for i in range(24)] chart_data = {category: [0] * 24 for category in [1863, 13230, 5027, 5894, 6513]}
for _, row in df.iterrows(): category = int(row['item_category']) # 確保這里的類型轉(zhuǎn)換與字典中的鍵匹配 hour = int(row['time']) # 將時(shí)間轉(zhuǎn)換為整數(shù) avg_clicks = row['avg_clicks_per_hour'] chart_data[category][hour] = float(avg_clicks)
# 創(chuàng)建一個(gè) Line 對(duì)象 line = Line()
# 添加 X 軸為小時(shí)的信息 line.add_xaxis(hours)
# 將每一個(gè)商品類別的數(shù)據(jù)添加到折線圖 for category, data in chart_data.items(): line.add_yaxis(str(category), data)
# 設(shè)置圖表的全局選項(xiàng) line.set_global_opts( title_opts=opts.TitleOpts(title="各小時(shí)的商品類別平均點(diǎn)擊數(shù)"), xaxis_opts=opts.AxisOpts(type_="category", name="小時(shí)"), yaxis_opts=opts.AxisOpts(type_="value", name="平均點(diǎn)擊數(shù)"), )
# 生成圖表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 輸出結(jié)果 output = [{"echart_name": "各小時(shí)的商品類別平均點(diǎn)擊數(shù)", "echart_code": echart_code}] print(json.dumps(output)) ```
這段代碼將生成正確的小時(shí)數(shù)作為X軸的數(shù)據(jù)府树，從"00:00"至"23:00"。請(qǐng)運(yùn)行此代碼料按，并將輸出的結(jié)果分享給我奄侠。 --------------------------------------------------------------------------------
修改完成后給出了正確的橫軸和縱軸的數(shù)據(jù)并成功繪圖。
最終select_analysis_assistant給出解釋：通過這些數(shù)據(jù)载矿，我們可以觀察到用戶在一天中不同時(shí)間段對(duì)于這些商品的關(guān)注程度垄潮。比如，某些商品可能在夜間或者早晨的點(diǎn)擊數(shù)較少闷盔，而在晚上的點(diǎn)擊數(shù)增多弯洗，這可能反映了用戶的活動(dòng)規(guī)律或?qū)ι唐返呐d趣變化。商家可以根據(jù)這些數(shù)據(jù)來做出相應(yīng)的營銷策略調(diào)整逢勾，例如在用戶活躍的時(shí)段推廣商品牡整，或者針對(duì)點(diǎn)擊量較大的商品類別進(jìn)行促銷活動(dòng)。這樣的數(shù)據(jù)分析對(duì)商家來說是非常有價(jià)值的溺拱，有助于理解市場和用戶行為果正，優(yōu)化商品展示和銷售策略。
總而言之：通過深入挖掘用戶行為數(shù)據(jù)盟迟，DeepBi可以幫助企業(yè)了解用戶的偏好秋泳、購買決策因素和行為模式，從而制定更有效的營銷策略攒菠，提高產(chǎn)品和服務(wù)的吸引力迫皱。DeepBi通過用戶數(shù)據(jù)分析用戶行為路徑、停留時(shí)間辖众、訪問頻率等卓起，幫助企業(yè)了解用戶在購物過程中經(jīng)歷的每個(gè)步驟，從而揭示用戶的購買心理和行為習(xí)慣凹炸。
更重要的一點(diǎn)是戏阅，在數(shù)據(jù)分析的整個(gè)流程中，從數(shù)據(jù)整理到分析討論啤它，再到得出關(guān)鍵結(jié)論奕筐，生成圖表，最終生成格式化報(bào)告等等变骡，統(tǒng)統(tǒng)都是AI智能體离赫！
沒錯(cuò)，全程你只需要提需求塌碌，剩下的智能體們會(huì)自己討論渊胸、交流，甚至還伴隨著battle台妆，最終確定方案并執(zhí)行翎猛，給你一份滿意的答案胖翰！
其他功能
報(bào)表生成
總結(jié)
針對(duì)用戶行為與商品的關(guān)系DeepBi的主要功能包括：
用戶畫像分析：通過對(duì)用戶行為數(shù)據(jù)進(jìn)行分析，建立全面的用戶畫像切厘，包括用戶興趣萨咳、偏好、消費(fèi)習(xí)慣等方面迂卢，為企業(yè)提供更準(zhǔn)確的用戶需求信息。
行為路徑分析：DeepBi可以追蹤和分析用戶在產(chǎn)品或服務(wù)中的行為路徑桐汤，從而了解用戶在使用過程中的瓶頸和問題而克，優(yōu)化產(chǎn)品設(shè)計(jì)和用戶體驗(yàn)。
轉(zhuǎn)化率分析：DeepBi可以分析不同渠道怔毛、不同時(shí)間段和不同用戶群體的轉(zhuǎn)化率员萍，幫助企業(yè)制定更加精準(zhǔn)的營銷策略，提高轉(zhuǎn)化率和銷售業(yè)績拣度。
智能推薦引擎：DeepBi基于用戶畫像和行為路徑碎绎，可智能推薦商品、服務(wù)或內(nèi)容抗果，提高用戶滿意度和轉(zhuǎn)化率筋帖。
通過DeepBi平臺(tái)的綜合分析，企業(yè)可以了解用戶行為冤馏、了解市場趨勢(shì)和競爭對(duì)手的情況日麸，優(yōu)化產(chǎn)品設(shè)計(jì)和營銷策略，提高轉(zhuǎn)化率和銷售業(yè)績逮光。
關(guān)于DeepBI
DeepBI? 是基于GPT4的Muti-Agent數(shù)據(jù)分析軟件代箭，現(xiàn)已在GitHub上開源，大家可以隨時(shí)去下載體驗(yàn)
GitHub開源地址：https://github.com/DeepInsight-AI/DeepBI
DeepBI官網(wǎng)：www.deep-insight.co
現(xiàn)掃二維碼加入DeepBI 用戶群涕刚，聯(lián)系客服還可免費(fèi)領(lǐng)取20萬試用Token嗡综，數(shù)量有限，先到先得
