在AI与大数据技术飞速发展的今天，数据已经超越传统资产，成为企业制胜的关键。数据所蕴含的潜力和价值被视为新的“财富”，是企业制定战略、创新业务和提升竞争力的核心要素。通过深度挖掘和分析数据，企业能够洞察市场动态、捕捉客户需求，甚至发现前所未有的商机。这不仅有助于满足现有市场需求，更可开辟全新市场和业务领域。数据还为企业的内部管理、成本优化和运营效率提供强大支持。在这个信息爆炸的时代，真正拥有并善于利用数据的企业，才能在激烈的市场竞争中立足。因此，数据的妥善管理和有效利用，已成为企业追求商业价值最大化的关键。
近年来，互联网电商行业呈现出快速增长的态势，全球范围内的消费者纷纷加入到网购的行列中。作为中国最大的电子商务平台之一，淘宝以其丰富的商品种类和便捷的购物体验，吸引了大量的用户。在这样的背景下，了解用户购物行为和了解市场趋势，成为电商企业制定有效运营策略和提高用户留存率的关键。
DeepBI是一种基于人工智能技术的用户行为分析平台，可以通过对用户行为数据进行深度挖掘和分析，帮助企业了解用户需求、优化产品设计、提高销售业绩。
一句话实现数据可视化
首先我们要了解用户行为，数据可视化无疑是让我们能清晰直观的一种方法。
那么数据可视化我们需要懂统计学和数据分析基础、可视化原理、可视化工具、数据处理、编程语言等等吗？
现在都不需要了，数据可视化一句话搞定！
不信？让我们来试一下，上传好数据集或者连接好数据库后，直接对DeepBI提出需求：（在这你还可以随意指定生成什么样式的图形）
用户行为可视化，用漏斗图表示
DeepBI可以将用户行为数据可视化展示。通过直观的图表和报表，企业管理层可以更加清晰地了解用户行为、产品或服务的使用情况、销售趋势等信息，从而及时做出决策和调整。
让我们继续来提要求：
用柱状图表示每日用户行为总数
从截图我们可以看出，不单单是可视化，并在下方为我们附上了说明，这是多么方便啊！
现在数据分析、数据可视化都不再是技术的比拼了，而是想法的较量。只要有想法，DeepBI就能去完成，而我们只需坐等结果就可以。
DeepBI为我们打破了数据分析的门槛，不用再去懂什么SQL语言、不用再写什么python脚本，只需要一句话即可实现数据可视化！
探索时间趋势找出用户行为随时间的变化规律
DeepBI借助AI数据分析，对用户行为数据进行了深入挖掘，发现了一个引人关注的现象。用户行为与不同日期（周中、周末）之间也有着紧密的联系，了解不同日期的商品行为可以帮助商家制定更加有效的营销策略，提高转化率和客户满意度。这一发现揭示了一个关键的现实：在周中，消费者可能更多地进行工作相关任务、学习或日常生活琐事，因此用户行为表现可能会减少。深入分析这些数据背后的趋势，为企业领导者提供了深刻的洞察，让他们更好地理解用户的消费行为习惯，从而有针对性地调整广告投放策略，个性化推荐系统，促销活动和限时优惠等措施！
DeepBI结合Data-Copilot已经实现数据集范围内任何问题“问不倒，随便问”的强大功能，接着来看：
问：用户活跃时间：用户在一天中的哪个时间段更活跃？
如何自动实现数据可视化
案例Question：
用折线图表示在一天内各小时对商品类别编号为1863、13230、5027、5894、6513的五种类型的平均点击数
然后我们就能看到咱们的业内顶尖的数据分析团队 (muti-Agent)就开始“搓搓小手”准备干活儿了。
团队leader先发话，大概意思就是：
来活儿喽！客户需要用折线图表示在一天内各小时对商品类别编号为1863、13230、5027、5894、6513的五种类型的平均点击数
过程分析：
首先给予问题让“数据分析助手”进行理解，然后团队中我们的数据规划师（assistant）给予了相应的回复：
mysql理解问题并对个字段对应的comment有一定理解后，mysql_echart_assistant做出了任务顺序部署以及执行的代码块。
# 数据库连接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4', }
# 建立数据库连接 connection = pymysql.connect(**db_info)
# SQL查询，选择特定的商品分类，并计算每小时的平均点击数 query = """ SELECT time, item_category, AVG(behavior_type = '点击') AS avg_clicks FROM user_behavior WHERE behavior_type = '点击' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 执行查询语句，并获取数据 df = pd.read_sql(query, con=connection)
# 关闭数据库连接 connection.close()
# 数据处理，以便折线图生成 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() # 将点击数四舍五入保留两位小数 results.append({"name": str(item_category), "data": clicks})
# 创建一个折线图对象 line = Line() # 添加X轴时间信息 line.add_xaxis(list(range(24)))
# 将每一个商品类别的数据添加到折线图 for result in results: line.add_yaxis(result["name"], result["data"])
# 设置图表的全局选项 line.set_global_opts( title_opts=opts.TitleOpts(title="平均点击数随时间的变化"), xaxis_opts=opts.AxisOpts(type_="category", name="小时"), yaxis_opts=opts.AxisOpts(type_="value", name="平均点击数"), )
# 生成图表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 输出结果 output = [{"echart_name": "平均点击数随时间的变化", "echart_code": echart_code}] print(json.dumps(output)) ```
上面的代码应该被保存为 `.py` 文件并在python环境中执行。执行后，它会按照指定的JSON格式输出包含所请求的折线图信息的数据。请运行这段代码，然后将输出结果分享给我。 --------------------------------------------------------------------------------
经过代码的执行虽然成功了但是由于查询时指定的行为类型和数据库中的实际数据可能存在不匹配的情况，mysql_echart_assistant对该问题自身做了调整。
# 数据库连接参数 connection_params = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'use_unicode': True }
# 建立数据库连接 connection = pymysql.connect(**connection_params)
# 调整后的SQL查询，将检查特定商品类别的点击情况是否存在 query = """ SELECT behavior_type, COUNT(*) AS count FROM user_behavior WHERE item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY behavior_type """
# 执行查询并打印结果 df = pd.read_sql(query, con=connection) connection.close()
# 将结果转为JSON格式并打印 print(df.to_json(orient='records', force_ascii=False)) ```
请运行上述代码并分享执行结果，这将帮助我们确定是否要对原始查询进行进一步修改。 --------------------------------------------------------------------------------
python_executor(to mysql_echart_assistant):exitcode: 0 (execution succeeded) Code output: [{"behavior_type":"点击","count":139354},{"behavior_type":"加购","count":2992},{"behavior_type":"收藏","count":3287},{"behavior_type":"购买","count":421}]
经过调整进一步得出结果以及下一步指示：
# 数据库连接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4' }
# 建立数据库连接 connection = pymysql.connect(**db_info)
# 查询已知存在点击行为的商品类别在各个小时的平均点击数 query = """ SELECT time, item_category, COUNT(*) / COUNT(DISTINCT DATE(date)) AS avg_clicks_per_hour FROM user_behavior WHERE behavior_type = '点击' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 执行查询语句，并获取数据 df = pd.read_sql(query, con=connection)
# 关闭数据库连接 connection.close()
# 数据处理，以便折线图生成 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)
# 创建折线图对象 line = Line()
# 添加X轴为小时的信息 line.add_xaxis(hours)
# 将每一个商品类别的数据添加到折线图 for category, data in chart_data.items(): line.add_yaxis(str(category), data)
# 设置图表的全局选项 line.set_global_opts( title_opts=opts.TitleOpts(title="各小时的商品类别平均点击数"), xaxis_opts=opts.AxisOpts(type_="category", name="小时"), yaxis_opts=opts.AxisOpts(type_="value", name="平均点击数"), )
# 生成图表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 输出结果 output = [{"echart_name": "各小时的商品类别平均点击数", "echart_code": echart_code}] print(json.dumps(output)) ```
请将上述修正后的代码保存并执行，然后将输出的结果分享给我。 --------------------------------------------------------------------------------
由于数据庞大难免会出现在类型匹配的问题
但是DeepBI经过自身内部mutiagent的讨论会自主给出修改方案：
针对本问题，
# 数据库连接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4' }
# 建立数据库连接 connection = pymysql.connect(**db_info)
# 查询已知存在点击行为的商品类别在各个小时的平均点击数 query = """ SELECT time, item_category, COUNT(*) / COUNT(DISTINCT DATE(date)) AS avg_clicks_per_hour FROM user_behavior WHERE behavior_type = '点击' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 执行查询语句，并获取数据 df = pd.read_sql(query, con=connection)
# 关闭数据库连接 connection.close()
# 数据处理，以便折线图生成 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']) # 确保这里的类型转换与字典中的键匹配 hour = int(row['time']) # 将时间也转换为整数 avg_clicks = row['avg_clicks_per_hour'] chart_data[category][hour] = float(avg_clicks)
# 创建一个 Line 对象 line = Line()
# 添加 X 轴为小时的信息 line.add_xaxis(hours)
# 将每一个商品类别的数据添加到折线图 for category, data in chart_data.items(): line.add_yaxis(str(category), data)
# 设置图表的全局选项 line.set_global_opts( title_opts=opts.TitleOpts(title="各小时的商品类别平均点击数"), xaxis_opts=opts.AxisOpts(type_="category", name="小时"), yaxis_opts=opts.AxisOpts(type_="value", name="平均点击数"), )
# 生成图表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 输出结果 output = [{"echart_name": "各小时的商品类别平均点击数", "echart_code": echart_code}] print(json.dumps(output)) ```
在对数据处理完成之后，进行绘制折线图确定横轴和纵轴
# 数据库连接信息 db_info = { 'host': 'tNGoVq0KpQ4LKr5WMIZM', 'user': 'kdgtPvEnzGKjE44d38M3', 'password': 'D3uGSjdaHbFL1ZprkIJD', 'database': 'aCyBIffJv2OSW5dOvREL', 'port': 3310, 'charset': 'utf8mb4' }
# 建立数据库连接 connection = pymysql.connect(**db_info)
# 查询已知存在点击行为的商品类别在各个小时的平均点击数 query = """ SELECT time, item_category, COUNT(*) / COUNT(DISTINCT DATE(date)) AS avg_clicks_per_hour FROM user_behavior WHERE behavior_type = '点击' AND item_category IN (1863, 13230, 5027, 5894, 6513) GROUP BY time, item_category ORDER BY time """
# 执行查询语句，并获取数据 df = pd.read_sql(query, con=connection)
# 关闭数据库连接 connection.close()
# 数据处理，以便折线图生成 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']) # 确保这里的类型转换与字典中的键匹配 hour = int(row['time']) # 将时间转换为整数 avg_clicks = row['avg_clicks_per_hour'] chart_data[category][hour] = float(avg_clicks)
# 创建一个 Line 对象 line = Line()
# 添加 X 轴为小时的信息 line.add_xaxis(hours)
# 将每一个商品类别的数据添加到折线图 for category, data in chart_data.items(): line.add_yaxis(str(category), data)
# 设置图表的全局选项 line.set_global_opts( title_opts=opts.TitleOpts(title="各小时的商品类别平均点击数"), xaxis_opts=opts.AxisOpts(type_="category", name="小时"), yaxis_opts=opts.AxisOpts(type_="value", name="平均点击数"), )
# 生成图表的配置信息 ret_json = line.dump_options() echart_code = json.loads(ret_json)
# 输出结果 output = [{"echart_name": "各小时的商品类别平均点击数", "echart_code": echart_code}] print(json.dumps(output)) ```
这段代码将生成正确的小时数作为X轴的数据，从"00:00"至"23:00"。请运行此代码，并将输出的结果分享给我。 --------------------------------------------------------------------------------
修改完成后给出了正确的横轴和纵轴的数据并成功绘图。
最终select_analysis_assistant给出解释：通过这些数据，我们可以观察到用户在一天中不同时间段对于这些商品的关注程度。比如，某些商品可能在夜间或者早晨的点击数较少，而在晚上的点击数增多，这可能反映了用户的活动规律或对商品的兴趣变化。商家可以根据这些数据来做出相应的营销策略调整，例如在用户活跃的时段推广商品，或者针对点击量较大的商品类别进行促销活动。这样的数据分析对商家来说是非常有价值的，有助于理解市场和用户行为，优化商品展示和销售策略。
总而言之：通过深入挖掘用户行为数据，DeepBi可以帮助企业了解用户的偏好、购买决策因素和行为模式，从而制定更有效的营销策略，提高产品和服务的吸引力。DeepBi通过用户数据分析用户行为路径、停留时间、访问频率等，帮助企业了解用户在购物过程中经历的每个步骤，从而揭示用户的购买心理和行为习惯。
更重要的一点是，在数据分析的整个流程中，从数据整理到分析讨论，再到得出关键结论，生成图表，最终生成格式化报告等等，统统都是AI智能体！
没错，全程你只需要提需求，剩下的智能体们会自己讨论、交流，甚至还伴随着battle，最终确定方案并执行，给你一份满意的答案！
其他功能
报表生成
总结
针对用户行为与商品的关系DeepBi的主要功能包括：
用户画像分析：通过对用户行为数据进行分析，建立全面的用户画像，包括用户兴趣、偏好、消费习惯等方面，为企业提供更准确的用户需求信息。
行为路径分析：DeepBi可以追踪和分析用户在产品或服务中的行为路径，从而了解用户在使用过程中的瓶颈和问题，优化产品设计和用户体验。
转化率分析：DeepBi可以分析不同渠道、不同时间段和不同用户群体的转化率，帮助企业制定更加精准的营销策略，提高转化率和销售业绩。
智能推荐引擎：DeepBi基于用户画像和行为路径，可智能推荐商品、服务或内容，提高用户满意度和转化率。
通过DeepBi平台的综合分析，企业可以了解用户行为、了解市场趋势和竞争对手的情况，优化产品设计和营销策略，提高转化率和销售业绩。
关于DeepBI
DeepBI 是基于GPT4的Muti-Agent数据分析软件，现已在GitHub上开源，大家可以随时去下载体验
GitHub开源地址：https://github.com/DeepInsight-AI/DeepBI
DeepBI官网：www.deep-insight.co
现扫二维码加入DeepBI 用户群，联系客服还可免费领取20万试用Token，数量有限，先到先得
