在AI與大數(shù)據(jù)技術(shù)飛速發(fā)展的今天，數(shù)據(jù)已經(jīng)超越傳統(tǒng)資產(chǎn)，成為企業(yè)制勝的關(guān)鍵。數(shù)據(jù)所蘊(yùn)含的潛力和價(jià)值被視為新的“財(cái)富”，是企業(yè)制定戰(zhàn)略、創(chuàng)新業(yè)務(wù)和提升競(jìng)爭(zhēng)力的核心要素。通過深度挖掘和分析數(shù)據(jù)，企業(yè)能夠洞察市場(chǎng)動(dòng)態(tài)、捕捉客戶需求，甚至發(fā)現(xiàn)前所未有的商機(jī)。這不僅有助于滿足現(xiàn)有市場(chǎng)需求，更可開辟全新市場(chǎng)和業(yè)務(wù)領(lǐng)域。數(shù)據(jù)還為企業(yè)的內(nèi)部管理、成本優(yōu)化和運(yùn)營(yíng)效率提供強(qiáng)大支持。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)，才能在激烈的市場(chǎng)競(jìng)爭(zhēng)中立足。因此，數(shù)據(jù)的妥善管理和有效利用，已成為企業(yè)追求商業(yè)價(jià)值最大化的關(guān)鍵。

近年來，互聯(lián)網(wǎng)電商行業(yè)呈現(xiàn)出快速增長(zhǎng)的態(tài)勢(shì)，全球范圍內(nèi)的消費(fèi)者紛紛加入到網(wǎng)購(gòu)的行列中。作為中國(guó)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(gòu)物體驗(yàn)，吸引了大量的用戶。在這樣的背景下，了解用戶購(gòu)物行為和了解市場(chǎng)趨勢(shì)，成為電商企業(yè)制定有效運(yùn)營(yíng)策略和提高用戶留存率的關(guān)鍵。

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，幫助企業(yè)了解用戶需求、優(yōu)化產(chǎn)品設(shè)計(jì)、提高銷售業(yè)績(jī)。

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，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)、可視化原理、可視化工具、數(shù)據(jù)處理、編程語言等等嗎？

現(xiàn)在都不需要了，數(shù)據(jù)可視化一句話搞定！

不信？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(kù)后，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，用漏斗圖表示

DeepBI可以將用戶行為數(shù)據(jù)可視化展示。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、產(chǎn)品或服務(wù)的使用情況、銷售趨勢(shì)等信息，從而及時(shí)做出決策和調(diào)整。

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，不單單是可視化，并在下方為我們附上了說明，這是多么方便?。?/p>

現(xiàn)在數(shù)據(jù)分析、數(shù)據(jù)可視化都不再是技術(shù)的比拼了，而是想法的較量。只要有想法，DeepBI就能去完成，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，不用再去懂什么SQL語言、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！

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，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。用戶行為與不同日期（周中、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(yíng)銷策略，提高轉(zhuǎn)化率和客戶滿意度。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)、學(xué)習(xí)或日常生活瑣事，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)，為企業(yè)領(lǐng)導(dǎo)者提供了深刻的洞察，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，個(gè)性化推薦系統(tǒng)，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，隨便問”的強(qiáng)大功能，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、13230、5027、5894、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。

團(tuán)隊(duì)leader先發(fā)話，大概意思就是：

來活兒嘍！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、13230、5027、5894、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，mysql_echart_assistant做出了任務(wù)順序部署以及執(zhí)行的代碼塊。

# 數(shù)據(jù)庫(kù)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(kù)連接 connection = pymysql.connect(**db_info)

# SQL查詢，選擇特定的商品分類，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，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)

# 關(guān)閉數(shù)據(jù)庫(kù)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。執(zhí)行后，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，然后將輸出結(jié)果分享給我。 --------------------------------------------------------------------------------

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(kù)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。

# 數(shù)據(jù)庫(kù)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(kù)連接 connection = pymysql.connect(**connection_params)

# 調(diào)整后的SQL查詢，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。 --------------------------------------------------------------------------------

python_executor(to mysql_echart_assistant):exitcode: 0 (execution succeeded) Code output: [{"behavior_type":"點(diǎn)擊","count":139354},{"behavior_type":"加購(gòu)","count":2992},{"behavior_type":"收藏","count":3287},{"behavior_type":"購(gòu)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(kù)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(kù)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，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)

# 關(guān)閉數(shù)據(jù)庫(kù)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，然后將輸出的結(jié)果分享給我。 --------------------------------------------------------------------------------

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(kù)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(kù)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，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)

# 關(guān)閉數(shù)據(jù)庫(kù)連接 connection.close()

# 數(shù)據(jù)處理，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(kù)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(kù)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，并獲取數(shù)據(jù) df = pd.read_sql(query, con=connection)

# 關(guān)閉數(shù)據(jù)庫(kù)連接 connection.close()

# 數(shù)據(jù)處理，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)，從"00:00"至"23:00"。請(qǐng)運(yùn)行此代碼，并將輸出的結(jié)果分享給我。 --------------------------------------------------------------------------------

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)，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。比如，某些商品可能在夜間或者早晨的點(diǎn)擊數(shù)較少，而在晚上的點(diǎn)擊數(shù)增多，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(yíng)銷策略調(diào)整，例如在用戶活躍的時(shí)段推廣商品，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，有助于理解市場(chǎng)和用戶行為，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)，DeepBi可以幫助企業(yè)了解用戶的偏好、購(gòu)買決策因素和行為模式，從而制定更有效的營(yíng)銷策略，提高產(chǎn)品和服務(wù)的吸引力。DeepBi通過用戶數(shù)據(jù)分析用戶行為路徑、停留時(shí)間、訪問頻率等，幫助企業(yè)了解用戶在購(gòu)物過程中經(jīng)歷的每個(gè)步驟，從而揭示用戶的購(gòu)買心理和行為習(xí)慣。

更重要的一點(diǎn)是，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，再到得出關(guān)鍵結(jié)論，生成圖表，最終生成格式化報(bào)告等等，統(tǒng)統(tǒng)都是AI智能體！

沒錯(cuò)，全程你只需要提需求，剩下的智能體們會(huì)自己討論、交流，甚至還伴隨著battle，最終確定方案并執(zhí)行，給你一份滿意的答案！

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，包括用戶興趣、偏好、消費(fèi)習(xí)慣等方面，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，從而了解用戶在使用過程中的瓶頸和問題，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、不同時(shí)間段和不同用戶群體的轉(zhuǎn)化率，幫助企業(yè)制定更加精準(zhǔn)的營(yíng)銷策略，提高轉(zhuǎn)化率和銷售業(yè)績(jī)。

智能推薦引擎：DeepBi基于用戶畫像和行為路徑，可智能推薦商品、服務(wù)或內(nèi)容，提高用戶滿意度和轉(zhuǎn)化率。

通過DeepBi平臺(tái)的綜合分析，企業(yè)可以了解用戶行為、了解市場(chǎng)趨勢(shì)和競(jìng)爭(zhēng)對(duì)手的情況，優(yōu)化產(chǎn)品設(shè)計(jì)和營(yíng)銷策略，提高轉(zhuǎn)化率和銷售業(yè)績(jī)。

關(guān)于DeepBI

DeepBI? 是基于GPT4的Muti-Agent數(shù)據(jù)分析軟件，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，聯(lián)系客服還可免費(fèi)領(lǐng)取20萬試用Token，數(shù)量有限，先到先得