当前位置：首页 > news >正文

【助睿实战】大作业三：自媒体运营分析

news 2026/7/8 10:29:08

1.1 实验概述

1.1.1 实验背景

随着自媒体生态的繁荣，如何在资源约束下实现传播效能与用户互动的最大化，已成为内容创作者亟待解决的核心议题。本研究以班级成员在B站、CSDN、微信、知乎及小红书等多平台发布的内容互动数据为样本，旨在通过系统化的数据清洗、特征工程及可视化分析，解构自媒体运营的关键驱动因素。

鉴于原始数据集存在显著的质量缺陷——包括多平台冗余、字段缺失，以及微信与知乎等平台浏览量普遍归零、部分作品核心互动指标（浏览、点赞、收藏）全零或存在空值等问题，直接分析将引发统计偏差与计算异常。为此，本实验首先构建了标准化的ETL预处理流程，以夯实后续分析的数据基础。

从业务价值维度来看，本研究通过量化评估同一主题下差异化运营策略的实际表现，重点探究标题关键词布局对互动数据的边际影响，力求提炼出具有普适性与可复制性的内容运营优化范式，为创作者提供实证层面的决策支持。

1.1.2 实验内容

实验7-1：在助睿ETL中构建summary_all_platforms与content_analysis两张目标表，并导入原始CSV数据。处理逻辑分为两条并行分支：分支一执行全量数据的排序与分组聚合，生成全平台概况表；分支二仅筛选B站和CSDN中浏览数大于0的有效记录，经缺失值填充及字段裁剪后，生成内容分析表。

实验7-2：读取content_analysis表，通过JavaScript组件识别标题中的5类关键词（保姆级、零代码、实战、教程/指南、踩坑），并利用计算器组件汇总互动总数（点赞+收藏+分享+投币）。将提取的特征与互动数据回写至原表后，通过分组统计与记录集连接，计算各关键词作品的平均互动表现，最终输出至title_feature_analysis表。

实验7-3：基于上述三张数据表在助睿BI中创建数据集，搭建“自媒体运营分析”综合仪表盘。看板包含三大模块：一是8张核心指标卡，直观展示全平台及B站、CSDN的作品数与互动量；二是4张TOP10排名图，对比各平台学生与作品的流量表现；三是标题特征提升倍率分析图，以及B站/CSDN的每日流量趋势图，全面揭示运营效果。

1.2 相关技术原理和技术要点

1.2.1 助睿ETL数据集成平台

助睿ETL是一站式数据科学平台的核心数据处理工具，采用全元数据驱动架构，通过零代码拖拽式操作完成数据的抽取（Extract）、转换（Transform）、加载（Load）。其Pipeline（转换）机制由多个不同功能的Transform步骤组合构成，聚焦数据本身的加工转换操作。平台内置筛选、填充、聚合、连接、字段选择等多种预处理组件，灵活应对各类数据清洗场景。

1.2.2 分支处理设计模式

分支处理是ETL流程设计中的一种并行处理模式——同一数据源经过不同处理逻辑后分别输出到不同目标。本次实验面临的核心矛盾是：全平台概况统计需要包含所有平台的原始数据（哪怕浏览数为0也要计入作品数），而重点平台深度分析只需要B站和CSDN的有效记录（浏览数>0）。两类信息对数据的要求不同，因此从CSV文件输入组件拉出两条连接线，形成两个独立分支并行处理。分支一（排序→分组→表输出）完成全平台聚合统计，分支二（过滤→空值替换→字段选择→表输出）完成重点平台数据筛选。

1.3 实验过程

1.3.1 整体流程概述

本次实验的整体执行逻辑分为三个递进阶段：

阶段一：数据清洗与预处理（实验7-1）。从原始CSV文件出发，通过分支处理同时完成两张目标表的输出——全平台概况表（`summary_all_platforms`）和内容分析明细表（`content_analysis`）。前者为后续仪表盘顶部的全平台指标卡提供数据，后者作为实验7-2的输入。

阶段二：作品特征构建（实验7-2）。以`content_analysis`表为基础，通过表输入读取数据，经JavaScript代码组件提取标题关键词特征，经计算器组件计算互动总数，再通过插入/更新组件将计算结果回填到原表。随后通过过滤+分组+记录集连接的方式，分别统计含每个关键词的作品的平均互动总数，输出到`title_feature_analysis`表。

阶段三：可视化探索（实验7-3）。在助睿BI中基于三张数据表创建数据集，制作指标卡、排名图表、标题特征分析图表、趋势图表，最终搭建综合仪表盘。

1.3.2 实验7-1：数据清洗与预处理

（1）创建目标表

操作目的：在数据库中创建两张结构规范的目标表，用于存放清洗后的数据。

操作说明：在助睿ETL中执行DDL语句创建两张表。第一张为全平台概况表（`summary_all_platforms`），字段包含采集日期、平台名称、作品数量、总浏览数、总点赞数、总收藏数、总分享数及各平台特色指标（B站的投币、微信的推荐、知乎的喜欢/赞同），以`(crawl_date, platform)`作为联合主键。第二张为内容分析表（`content_analysis`），字段包含采集日期、作者昵称、作品标题、平台、点赞数、收藏数、分享数、投币数、播放量/阅读量、作品链接及5个标题特征标志字段，以`(date, url)`作为联合主键。

关键截图：

图3-1 创建全平台概况表

图3-2 创建内容分析表

配置要点：两张表均使用`ENGINE=InnoDB DEFAULT CHARSET=utf8mb4`，确保支持中文存储；各数值字段设置`DEFAULT 0`，避免空值影响后续计算。

（2）导入原始数据

操作目的：将公共空间中的原始数据文件导入到自己的工作区。

操作说明：在助睿ETL公共空间中找到“自媒体作品数据明细.csv”文件，先将其从公共空间复制到自己的文件库中。从组件库拖拽“CSV文件输入”组件到画布，双击配置，从自己的文件库中选择已复制的CSV文件。预览数据确认字段解析正确，配置字段类型（日期、文本、数值等）。

关键截图：

图3-3 从公共空间复制文件到个人文件库

图3-4 CSV文件输入组件配置界面

配置要点：注意日期字段的格式解析是否正确；数值字段需确保类型为整数型，避免后续聚合计算时类型不匹配。

（3）分支一：全平台聚合统计

操作目的：对所有平台的原始数据进行按日期和平台的分组聚合，生成全平台概况数据。

操作说明：从CSV文件输入组件的输出端拉出一条连接线到“排序记录”组件。双击排序记录组件，选择排序字段为“采集日期”和“平台”，排序方式均为升序。将排序记录组件的输出连接到“分组”组件。双击分组组件，分组字段选择“采集日期”和“平台”，聚合字段对`like_count`、`favorite_count`、`share_count`、`recommend_count`、`love_count`、`agree_count`、`coin_count`、`view_count`取求和，对`url`取统计不同值的数量（N）作为作品数量。

将分组组件的输出连接到“表输出”组件，选择目标表为`summary_all_platforms`，配置字段映射：流字段`crawl_date`→表字段`crawl_date`，`platform`→`platform`，`like_count`→`total_likes`，`favorite_count`→`total_favorites`，`share_count`→`total_shares`，`recommend_count`→`total_recommend`，`love_count`→`total_likes_zhihu`，`agree_count`→`total_approvals`，`coin_count`→`total_coins`，`view_count`→`total_views`，`url_sum`→`content_count`。写入模式选择“插入”。

关键截图：

图3-5 分支一完整组件连接

图3-6 分组组件聚合字段配置

图3-7 表输出字段映射配置

配置要点：排序记录是分组组件的前置必要步骤——分组组件要求输入数据已按分组字段排序；`url_sum`的聚合类型必须选择“统计不同值的数量(N)”而非“求和”，否则得到的是URL字符串拼接而非作品数量。

（4）分支二：筛选有效记录

操作目的：从原始数据中筛选出B站和CSDN两个平台中浏览数量大于0的有效记录，为后续深度分析提供干净的数据。

操作说明：从CSV文件输入组件的输出端再拉出一条连接线到新的“过滤记录”组件，平台自动创建分支。双击过滤记录组件，设置双重过滤条件：`(平台 = 'B站' AND 浏览数量 > 0) OR (平台 = 'CSDN' AND 浏览数量 > 0)`。条件说明：只保留B站和CSDN两个平台中浏览数量大于0的有效记录。添加空操作，连线选择错误类型。

将过滤记录组件的输出连接到“空值替换”组件。双击配置，设置替换值为“未知”。再将空值替换组件的输出连接到“字段选择”组件。双击字段选择组件，切换到“移除”页签，获取所有字段后剔除`source_file`字段（采集批次标记，分析阶段用不到）。确认保留字段：`crawl_date`、`author_name`、`title`、`platform`、`likes`、`favorites`、`shares`、`coins`、`views`、`url`。

将字段选择组件的输出连接到第二个“表输出”组件，选择目标表为`content_analysis`，配置字段映射：流字段`crawl_date`→表字段`date`，`author_name`→`author_name`，`title`→`title`，`platform`→`platform`，`like_count`→`likes`，`favorite_count`→`favorites`，`share_count`→`shares`，`coin_count`→`coins`，`view_count`→`views`，`url`→`url`。写入模式选择“插入”。

关键截图：

图3-8 分支二完整组件连接

图3-9 过滤记录组件条件配置

图3-10 字段选择组件移除source_file等字段

表输出

配置要点：过滤条件必须使用括号明确AND/OR的优先级；空值替换仅需处理作者名称等文本字段的空值，数值字段的空值已在表结构创建时设置默认值0；字段选择时注意原始数据中的日期字段名可能为`date`或`crawl_date`，需根据实际字段名调整。

（5）运行转换并验证结果

操作目的：执行完整转换流，验证两张目标表的数据是否正确生成。

操作说明：检查完整转换流的组件连接是否正确。点击画布上方的“运行”按钮，查看执行日志确认转换任务成功执行。验证输出结果：检查`summary_all_platforms`表是否包含所有平台按日期分组的汇总数据；检查`content_analysis`表是否只包含B站和CSDN的有效记录（浏览数>0）；核对数据条数符合预期。

关键截图：

图3-11 转换流执行成功日志

图3-12 全平台概况表数据验证

图3-13 内容分析表数据验证

1.3.3 实验7-2：作品特征构建

（1）更新content_analysis表——标题特征与互动总数

操作目的：在实验7-1清洗后的数据基础上，计算作品的互动总数和标题关键词特征，并回填到原表。

操作说明：新建转换流命名“更新content_analysis表”。拖入“表输入”组件，读取`content_analysis`表中的数据。拖入“字段选择”组件，选择所有需要保留的字段。拖入“JavaScript代码”组件，编写关键词匹配脚本：

```javascript

var title = title;

var has_best = title.indexOf("保姆级") !== -1 ? 1 : 0;

var has_lowcode = title.indexOf("零代码") !== -1 ? 1 : 0;

var has_practice = title.indexOf("实战") !== -1 ? 1 : 0;

var has_tutorial = (title.indexOf("教程") !== -1 || title.indexOf("指南") !== -1) ? 1 : 0;

var has_pit = title.indexOf("踩坑") !== -1 ? 1 : 0;

has_best = has_best;

has_lowcode = has_lowcode;

has_practice = has_practice;

has_tutorial = has_tutorial;

has_pit = has_pit;

```

点击“获取变量”获取脚本中定义的字段，调整类型为整数。

拖入“计算器”组件，配置计算`total_interaction = likes + favorites + shares + coins`。拖入“插入/更新”组件，选择目标表`content_analysis`，按`id`字段匹配，更新字段包括`has_best`、`has_lowcode`、`has_practice`、`has_tutorial`、`has_pit`、`total_interaction`。

关键截图：

图3-14 更新content_analysis表完整流程

图3-15 JavaScript代码组件脚本配置

图3-16 计算器组件互动总数计算配置

图3-17 插入/更新组件字段映射配置

配置要点：JavaScript代码中变量名必须与输入字段名完全一致；脚本执行后需点击“获取变量”让组件识别新增字段；计算器组件的公式在重新进入转换流时可能需要重新配置；插入/更新组件需正确区分“更新字段”和“非更新字段”（主键字段不更新）。

（2）关键词级别的汇总数据加工

操作目的：分别统计含每个关键词的作品的平均互动总数，输出到`title_feature_analysis`表。

操作说明：新建转换流命名“关键词的数据汇总加工”。拖入“表输入”组件读取`content_analysis`表数据。拖入“排序记录”组件按`has_best`字段排序。拖入“分组”组件按`has_best`分组，计算互动总数的平均值。拖入“排序记录1”组件按平均互动总数降序排序。拖入“过滤记录”组件筛选`has_best = 1`的记录。拖入“排序记录2”和“分组1”组件对`has_lowcode`、`has_practice`、`has_tutorial`、`has_pit`四个字段依次执行相同的过滤+分组操作。拖入“排序记录3”组件对五个分支的结果分别排序。拖入“记录集连接”组件将五个分支的结果合并。拖入“增加常量”组件为每个关键词分支添加名称标识。拖入“表输出”组件将结果写入`title_feature_analysis`表。

修改过滤记录字段依次选择五个字段（`has_best`、`has_lowcode`、`has_practice`、`has_tutorial`、`has_pit`），并修改增加常量依次对应“保姆级”、“零代码”、“教程”、“实战”、“踩坑”。依次修改完成并执行后，验证`title_feature_analysis`表数据更新。

关键截图：

图3-18 关键词汇总数据加工完整流程

图3-19 分组组件平均值计算配置

图3-20 记录集连接合并分支

配置要点：每个关键词分支需要独立的排序+过滤+分组组件链，确保互不干扰；分组组件中聚合类型必须选择“平均值”而非“求和”；记录集连接需要所有分支的字段结构完全一致；增加常量的值必须与过滤记录选择的字段一一对应。

实验结果

1.3.4 实验7-3：可视化探索

（1）创建数据集

操作目的：在助睿BI中创建三个数据集，分别对接三张数据表，为后续图表制作提供数据源。

操作说明：进入助睿BI，新建三个数据集，分别命名为“全平台概况数据集”、“重点平台深度分析数据集”、“标签关键词互动数据集”。右上角选择“商业数据分析实验”，选择`cs_group_4`。分别拖入三张表：`summary_all_platforms`、`content_analysis`、`title_feature_analysis`。配置好后点击保存并发布。

关键截图：

图3-21 三个数据集的创建与配置

配置要点：数据集名称需清晰标识其数据来源和用途；确保数据集与正确的分组（`cs_group_4`）关联。

（2）制作核心指标卡

操作目的：将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。

操作说明：共制作8张指标卡。第一行4张展示全平台概况：全平台作品总数（所有平台的作品数量求和）、分发平台数（不同平台去重计数）、全平台总浏览数（所有平台的浏览数量求和）、全平台总互动数（所有平台的互动数量求和，使用计算字段）。第二行4张聚焦重点平台：B站作品数、CSDN作品数、B站总播放量、CSDN总阅读量。

以“全平台作品总数”为例：新建工作表，数据集选择“全平台概况数据集”，指标选择`content_count`的求和。设置背景色为蓝色、字体颜色为白色、标题白色居中。保存并发布。其余7张指标卡按同样方法创建。

关键截图：

图3-22 全平台作品总数指标卡配置

图3-23 分发平台数指标卡

图3-24 全平台总浏览数指标卡

图3-25 全平台总互动数指标卡

图3-26 B站作品数指标卡

图3-27 CSDN作品数指标卡

图3-28 B站总播放量指标卡

图3-29 CSDN总阅读量指标卡

配置要点：指标卡的数值格式需统一（如千位分隔符）；全平台互动总数需使用计算字段（`total_likes + total_favorites + total_shares + total_coins + total_recommend + total_likes_zhihu + total_approvals`）。

（3）制作排名图表

操作目的：通过排名发现表现优秀的学生和作品，识别可复制的成功经验。

操作说明：共制作4张排名图表。“B站学生平均播放量排名TOP10”：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。“B站作品播放量排名TOP10”：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。“CSDN学生平均阅读量排名TOP10”：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。“CSDN作品阅读量排名TOP10”：筛选平台=CSDN，维度=作品名称，指标=浏览数量，降序排序，限额10。

关键截图：

图3-30 B站学生平均播放量排名TOP10

图3-31 B站作品播放量排名TOP10

图3-32 CSDN学生平均阅读量排名TOP10

图3-33 CSDN作品阅读量排名TOP10

配置要点：学生排名使用“平均值”而非“总和”，避免因发布作品数量不同造成的偏差；排名图表建议使用条形图，便于直观对比数值差异。

（4）制作标题特征分析图表

操作目的：量化标题中特定关键词对作品互动效果的影响。

操作说明：制作“B站标题特征提升倍率分析”——基于`title_feature_analysis`表，计算含各关键词的作品平均互动总数相对于整体平均值的提升倍率。制作“B站标题特征对比”——将含各关键词与不含各关键词的作品平均互动总数进行对比。CSDN平台同样制作对应的两张图表。

关键截图：

图3-34 B站标题特征提升倍率分析

图3-35 B站标题特征对比

图3-36 CSDN标题特征提升倍率

图3-37 CSDN标签特征对比

配置要点：提升倍率 = 含关键词平均值 ÷ 整体平均值；对比图表使用柱状图并排展示。

（5）制作趋势图表

操作目的：观察播放量/阅读量随时间的变化规律。

操作说明：制作“B站每日播放量趋势图”——维度=采集日期，指标=浏览数量求和，筛选平台=B站。制作“CSDN每日阅读量趋势图”——维度=采集日期，指标=浏览数量求和，筛选平台=CSDN。

关键截图：

图3-38 B站每日播放量趋势图

图3-39 CSDN每日阅读量趋势图

配置要点：趋势图使用折线图，关注曲线的走向（上升/下降/平稳）和拐点；日期维度需确保按时间顺序排列。

（6）搭建综合仪表盘

操作目的：将所有图表整合到一个仪表盘中，形成“先总后分、左右对照”的完整分析视图。

操作说明：新建仪表盘命名“自媒体运营分析”。顶部放置8张指标卡（分两行：第一行全平台概况，第二行B站和CSDN聚焦）。中部左右两栏：左栏展示B站所有分析图表（排名→标题分析→趋势），右栏展示CSDN所有分析图表（排名→标题分析→趋势）。调整各图表尺寸和位置，确保布局整齐美观。保存并发布。

关键截图：

图3-40 自媒体运营分析综合仪表盘

配置要点：指标卡放在最顶部，让读者首先建立整体认知；左右两栏的图表顺序保持一致，便于平台间对比；每个图表添加清晰标题说明其回答的业务问题。

1.4 实验结果及分析

1.4.1 实验结果

（1）全平台概况表（`summary_all_platforms`）

该表包含所有平台按日期分组的汇总数据，字段涵盖作品数量、总浏览数、总点赞数、总收藏数、总分享数及各平台特色指标。从验证结果来看，数据覆盖了B站、CSDN、微信、知乎、小红书等多个平台，各平台的特色指标（B站的投币、微信的推荐、知乎的喜欢/赞同）均独立保留。

（2）内容分析表（`content_analysis`）

该表仅包含B站和CSDN两个平台中浏览数量大于0的有效记录。从验证结果来看，数据已成功完成过滤，`source_file`字段已被剔除，空值已替换为“未知”，各数值字段均有有效值。该表作为实验7-2的输入，已包含标题特征标志字段和互动总数。

（3）标题特征汇总表（`title_feature_analysis`）

该表包含5个关键词（保姆级、零代码、实战、教程/指南、踩坑）各自对应的作品平均互动总数。从验证结果来看，数据已成功写入，每个关键词对应一条记录，包含关键词名称和平均互动总数两个核心字段。

（4）可视化仪表盘

最终搭建的“自媒体运营分析”仪表盘包含以下模块：

顶部指标卡（8张）：全平台作品总数、分发平台数、全平台总浏览数、全平台总互动数、B站作品数、CSDN作品数、B站总播放量、CSDN总阅读量

排名分析（4张）：B站学生平均播放量排名TOP10、B站作品播放量排名TOP10、CSDN学生平均阅读量排名TOP10、CSDN作品阅读量排名TOP10

标题特征分析（4张）：B站标题特征提升倍率分析、B站标题特征对比、CSDN标题特征提升倍率、CSDN标签特征对比

趋势分析（2张）：B站每日播放量趋势图、CSDN每日阅读量趋势图

1.4.2 实验结果分析

（1）全平台概况分析

从指标卡数据可以看出，全班作品覆盖了多个平台，其中B站和CSDN是内容发布的主要阵地。全平台总浏览数和总互动数反映了整体内容传播效果的基础水平。分发平台数的统计揭示了内容分发的广度——平台覆盖越广，潜在受众群体越大。

（2）排名分析

学生平均播放量排名揭示的是一个人的整体运营水平——排名靠前的学生说明其内容在持续获得较好的流量。作品播放量排名揭示的是单篇爆款的特征——这些作品的标题、封面、发布时间等要素值得总结。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。

（3）标题特征影响分析

这是本次实验最核心的分析维度。由于全班发布的作品内容主题高度一致（本学期的实验作业），标题是作品之间最主要的差异来源。通过对比含特定关键词与不含该关键词的作品平均互动总数，可以量化这些标题特征对互动效果的实际影响。

提升倍率大于1说明该关键词对互动有正向促进作用，值得在后续内容创作中优先使用；提升倍率小于1则说明该关键词可能并未带来预期的效果提升，甚至可能有负面影响。这种量化分析为内容创作者提供了数据驱动的标题优化依据，而非依赖直觉或经验。

（4）趋势分析

每日播放量/阅读量趋势图反映了内容热度随时间的变化规律。关注曲线的走向（上升/下降/平稳）和拐点，可以识别出哪些时间节点的内容表现异常突出，进而分析背后的原因。例如，某个日期的播放量突然升高，可能是因为当天发布了爆款内容，也可能是因为外部因素（如节假日、热点事件）带动了流量。

1.5 实验总结

1.5.1 实验收获

理论认知深化：深刻认识到数据清洗是保障分析有效性的基石，有效规避了原始数据中冗余、缺失及无效记录带来的统计偏差。掌握了特征工程的核心方法论，即通过0/1标志位将非结构化文本转化为可量化的数值特征。同时，理解了ETL中分支处理模式的应用场景，实现了“单数据源、多分析需求”的高效解耦。

工程实操落地：全面打通了从数据加工到可视化的全链路。在ETL端，熟练运用CSV输入、排序、分组、过滤、空值处理、JS脚本、计算器及记录集连接等核心组件完成复杂逻辑构建；在BI端，掌握了指标卡、排名条形图、对比柱状图及趋势折线图的配置与美化，具备了独立搭建数据看板的能力。

分析思维进阶：确立了“以业务问题为导向”的数据解读思维。在仪表盘设计上，践行了“先总后分、左右对照”的布局逻辑：以指标卡建立全局认知，通过排名图锁定头部标杆与尾部问题，利用特征对比图探究归因，借助趋势图洞察时间规律。同时，掌握了差异化解读技巧，即通过对比差距评估因素影响权重，从而精准定位运营优化点。