用户行为分析项目MySQL+Tableau

已于 2023-02-20 18:56:09 修改
阅读量1.1k 收藏 12
点赞数
分类专栏： Tableau MySQL 文章标签： mysql 数据库 sql Tableau 数据分析
于 2023-02-20 13:59:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46023346/article/details/129029545
版权

文章目录

1. 项目背景及目的

1.1 项目背景

  现有一组用户行为数据，希望通过对用户行为的分析，探究提高销量的措施。

1.2 项目目的
  1. 了解获客和留存情况；
  2. 分析用户行为路径，找到用户活跃的时间规律；
  3. 利用RFM模型对用户进行分类，针对不同的用户类型采用不同的维护方式；
  4. 分析热门浏览商品/品类和热门购买商品/品类之间的关系，找到合理的推送机制。

2. 理解数据

  userbehavior包含了2017年11月25日至2017年12月3日之间所有的用户行为数据，详细字段及期含义见下表：

列名称说明
user_id整数类型，用户ID
item_id整数类型，商品ID
category_id整数类型，商品类目ID
behavior_type行为类型，枚举类型，pv（浏览）、buy（购买）、cart（加购物车）、fav（收藏）
timestamps时间戳

3. 数据预处理

3.1 字段调整
--修改timestamp列为timestamps
alter table userbehavior change timestamp timestamps int;

--增加列datetimes
alter table userbehavior add datetimes datetime;
update userbehavior set datetimes=FROM_UNIXTIME(timestamps);
--增加列dates,times,hours
alter table userbehavior add dates date;
alter table userbehavior add times time;
alter table userbehavior add hours int;
update userbehavior set dates=date(datetimes);
update userbehavior set times=DATE_FORMAT(datetimes,'%H:%i:%s');
update userbehavior set hours=hour(datetimes);
3.2 数据清洗
3.2.1 空值
--检查空值
select * from userbehavior where user_id is null or user_id='' or user_id=' ';
select * from userbehavior where item_id is null or item_id='' or item_id=' ';
select * from userbehavior where category_id is null or category_id='' or category_id=' ';
select * from userbehavior where behavior_type is null or behavior_type='' or behavior_type=' ';
select * from userbehavior where timestamps is null or timestamps='' or timestamps=' ';

  无空值。

3.2.2 重复值

  用户、商品和时间 3个字段租合应该具有唯一性。

select user_id,item_id,timestamps from userbehavior group by user_id,item_id,timestamps having count(*)>1;

  无重复值。

3.2.3 异常值

  时间范围应在2017年11月25日至2017年12月3日之间；
  behavior_type 应该=pv/buy/cart/fav

--检查异常值 
--时间范围应在2017年11月25日至2017年12月3日之间
select min(datetimes),max(datetimes) from userbehavior;
--有44条超出时间范围的异常值
select count(*)'超出时间范围的记录数量' from userbehavior where datetimes<'2017-11-25' or datetimes>'2017-12-03 23:59:59';

-- 删除44条时间异常的数据
delete from userbehavior where datetimes<'2017-11-25' or datetimes>'2017-12-03 23:59:59';

-- behavior_type 应该在pv/buy/cart/fav中
select * from userbehavior where  behavior_type not in ('pv','buy','cart','fav');
--behavior_type无异常

在这里插入图片描述
在这里插入图片描述

4. 数据分析

  分析思路如下：
在这里插入图片描述

4.1 人
4.1.1 获客情况（PV、UV、PV/UV)

页面浏览量PV
独立访客数UV
浏览深度PV/UV

-- 人 获客情况
-- PV、UV
select dates
,count(*) PV
,count(distinct user_id) UV
,round(count(*)/count(distinct user_id),2) 'PV/UV'
from userbehavior where behavior_type='pv' group by dates;

在这里插入图片描述
  可视化如下：
在这里插入图片描述
  11月25日-30日PV和UV一直比较稳定，从12月开始由显著的增长，为探究期增长原因可以提出以下假设：

  1. 周末或节假日十流量增加；
  2. 有活动吸引了新老用户。

  查看日历，12月1日并非周末或节假日，排除假设1。12月有双12活动开始，吸引了新老用户，假设2成立。
  平均每个用户可以带来13个页面浏览量，浏览深度相对稳定。

4.1.2 留存情况（留存率、跳失率）

留存率
跳失率

--人 留存情况
--留存率
create table retention_rate as 
select a.dates
,round(count(distinct case when datediff(b.dates,a.dates)=1 then a.user_id end)/count(distinct a.user_id),2) 次日留存率
,round(count(distinct case when datediff(b.dates,a.dates)=2 then a.user_id end)/count(distinct a.user_id),2) 第2日留存率
,round(count(distinct case when datediff(b.dates,a.dates)=3 then a.user_id end)/count(distinct a.user_id),2) 第3日留存率
,round(count(distinct case when datediff(b.dates,a.dates)=4 then a.user_id end)/count(distinct a.user_id),2) 第4日留存率
,round(count(distinct case when datediff(b.dates,a.dates)=5 then a.user_id end)/count(distinct a.user_id),2) 第5日留存率
,round(count(distinct case when datediff(b.dates,a.dates)=6 then a.user_id end)/count(distinct a.user_id),2) 第6日留存率
,round(count(distinct case when datediff(b.dates,a.dates)=7 then a.user_id end)/count(distinct a.user_id),2) 第7日留存率
,round(count(distinct case when datediff(b.dates,a.dates)=8 then a.user_id end)/count(distinct a.user_id),2) 第8日留存率
from userbehavior a left join userbehavior b on a.user_id=b.user_id
group by a.dates;

-- 跳失率
-- 跳失用户
select user_id
from userbehavior
group by user_id
having count(*)=1;
-- 没有跳失用户。

  可视化如下：
在这里插入图片描述
  多日留存率数据太少，重点看下次日留存率，总体留存率均较高，且没有跳失用户，说明平台粘性很优秀。12月开始留存率有显著增长，原因同样为双12活动。

4.1.3 行为情况（时间序列、用户转化率、行为路径）

时间序列分析

-- 时间序列
create table date_hour_behavior as 
select dates,hours
,count(if(behavior_type='pv',behavior_type,null)) pv_count
,count(if(behavior_type='buy',behavior_type,null)) buy_count
,count(if(behavior_type='cart',behavior_type,null)) cart_count
,count(if(behavior_type='fav',behavior_type,null)) fav_count
from userbehavior
group by dates,hours
order by dates,hours;

可视化图下：
在这里插入图片描述

  1. 统计周期内11月25日-12月3日（周六-周日）用户行为：从12月开始浏览量PV、加购CART和收藏FAV均有明显上升；
  2. 用户日内行为：晚间2-4点操作最少，22点左右各类行为达到当天峰值。

用户转化率分析
  用户的行为路径如下：
在这里插入图片描述

-- 各行为的用户数量
select behavior_type,count(distinct user_id) user_count
from 
(select user_id,
case when behavior_type='fav' or behavior_type='cart' then 'fav_cart' else behavior_type end behavior_type
from userbehavior)t
where user_id in (select distinct user_id from userbehavior where behavior_type='pv')
group by behavior_type; 
-- buy	669
-- fav_cart	838
-- pv	980

-- 总购买率
create table user_buy_rate as 
select count(distinct if(behavior_type='buy',user_id,null))/count(distinct if(behavior_type='pv',user_id,null)) user_buy_rate -- 购买率0.6827
from userbehavior
where user_id in (select distinct user_id from userbehavior where behavior_type='pv');

-- 总收藏加购率0.8551
create table user_fav_cart_rate as 
select count(distinct if(behavior_type='fav' or behavior_type='cart',user_id,null))/count(distinct if(behavior_type='pv',user_id,null)) user_buy_rate 
from userbehavior
where user_id in (select distinct user_id from userbehavior where behavior_type='pv');

-- 周内用户转化率
create table dates_user_rate as 
select dates
,count(distinct if(behavior_type='pv',user_id,null)) pv_count
,count(distinct if(behavior_type='buy',user_id,null)) buy_count
,count(distinct if(behavior_type='cart',user_id,null)) cart_count
,count(distinct if(behavior_type='fav',user_id,null)) fav_count
,count(distinct if(behavior_type='buy',user_id,null))/count(distinct if(behavior_type='pv',user_id,null)) user_buy_rate
,count(distinct if(behavior_type='fav' or behavior_type='cart',user_id,null))/count(distinct if(behavior_type='pv',user_id,null)) user_fav_cart_rate
from userbehavior
where user_id in (select distinct user_id from userbehavior where behavior_type='pv')
group by dates
order by dates;

-- 日内用户转化率
create table hours_user_rate as 
select hours
,count(distinct if(behavior_type='pv',user_id,null)) pv_count
,count(distinct if(behavior_type='buy',user_id,null)) buy_count
,count(distinct if(behavior_type='cart',user_id,null)) cart_count
,count(distinct if(behavior_type='fav',user_id,null)) fav_count
,count(distinct if(behavior_type='buy',user_id,null))/count(distinct if(behavior_type='pv',user_id,null)) user_buy_rate
,count(distinct if(behavior_type='fav' or behavior_type='cart',user_id,null))/count(distinct if(behavior_type='pv',user_id,null)) user_fav_cart_rate
from userbehavior
where user_id in (select distinct user_id from userbehavior where behavior_type='pv')
group by hours
order by hours;

  可视化如下：
在这里插入图片描述

  1. 用户并没有在浏览后退出，购买率68.27%，收藏加购率85.51%；
  2. 购买率基本符合用户行为的一般趋势，在22点左右达到峰值；收藏加购率在夜晚2点左右达到峰值；购买率和收藏加购率分别在11月30日、12月1日达到峰值，说明双12预售活动有显著成效。

行为路径分析
  针对已购买的用户进行行为路径分析，可以分为8类：直接购买、浏览后购买、加购后购买、浏览加购后购买、收藏后购买、浏览收藏后购买、收藏加购后购买、浏览收藏加购后购买。
  未经浏览过程的，是之前已经加购或收藏的用户。

-- 行为路径分析
create table behavior_path as 
select user_id,item_id,behavior_no
,(case when behavior_no=0001 then '直接购买了'
when behavior_no=1001 then '浏览后购买了'
when behavior_no=0011 then '加购后购买了'
when behavior_no=1011 then '浏览加购后购买了'
when behavior_no=0101 then '收藏后购买了'
when behavior_no=1101 then '浏览收藏后购买了'
when behavior_no=0111 then '收藏加购后购买了'
when behavior_no=1111  then '浏览收藏加购后购买了'
end )行为
from 
		-- 行为编码表
	(select user_id,item_id
	,concat(if(count(if(behavior_type='pv',1,null))>0,1,0)
	,if(count(if(behavior_type='cart',1,null))>0,1,0)
	,if(count(if(behavior_type='fav',1,null))>0,1,0)
	,if(count(if(behavior_type='buy',1,null))>0,1,0)) behavior_no
	from userbehavior
	group by user_id,item_id) t
where behavior_no like '%1'

在这里插入图片描述
  大多数用户浏览后直接购买，占比51.27%，并未经过收藏或加购的过程；其次为之前已经加购或收藏的用户，直接进行购买，占比27.01%；还有部分用户经过浏览加购后进购物车进行结算，占比11.27%。

4.1.4 用户定位（ RFM模型）

  RFM是按照R（时间间隔）、F（消费频次）、M（消费金额）3个维度，将用户分为重要价值、重要发展、重要保持、重要挽留、一般价值、一般发展、一般保持、一般挽留8类。

select user_id,count(*)
from userbehavior
where behavior_type='buy'
group by user_id
order by count(*) desc;
-- 消费频次范围 1-43

  由于数据有限，从R、F两个角度，按照下表规则，将用户进行划分

分值R (天）F （次数）
1>71
26-72-5
34-56-10
42-311-20
5<=1天>20

  以R、F求得平均值为标准，按照以下规则，将用户划分为4类

用户类型RF
价值用户>avg（R)>avg（F)
保持用户<avg （R)>avg（F)
发展用户>avg（R)<avg（F)
挽留用户<avg（R)<avg（F)
create view user_rf_score_view as 
select a.user_id,r_score,f_score
from 
-- 各用户的R分数
	(select user_id
	,(case when date_diff<=1 then 5
				when date_diff>=2 and date_diff<=3 then 4
				when date_diff>=4 and date_diff<=5 then 3
				when date_diff>=6 and date_diff<=7 then 2
				when date_diff>7 then 1 end) r_score
	from 
		(select user_id,datediff('2017-12-04',max(dates)) date_diff
		from userbehavior
		where behavior_type='buy'
		group by user_id) t1) a
left join
-- 各用户的f分数
	(select user_id
	,(case when f>20 then 5
				when f>=11 and f<=20 then 4
				when f>=6 and f<=10 then 3
				when f>=2 and f<=5 then 2
				when f=1 then 1 end) f_score
	from 
		(select user_id,count(*) f
		from userbehavior
		where behavior_type='buy'
		group by user_id) t2) b
on a.user_id=b.user_id

-- 创建变量，并用r和f的平均值赋值
set @avg_r=null;
set @avg_f=null;
select  @avg_r :=avg(r_score), @avg_f:=avg(f_score) 
from user_rf_score_view;

-- 同平均值比较，对用户进行分类
create table user_rf as
select user_id,r_score,f_score
,case when r_score>@avg_r and f_score>@avg_f then '价值用户'
			when r_score<@avg_r and f_score>@avg_f then '保持用户'
			when r_score>@avg_r and f_score<@avg_f then '发展用户'
			when r_score<@avg_r and f_score<@avg_f then '挽回用户'
			end 用户价值
from user_rf_score_view

  数据可视化如下：
在这里插入图片描述
  价值用户占比超过40%，另外挽回用户的占比已经超过发展用户，需要重点关注。

4.2 货
4.2.1 商品热度分类（商品、品类、品类商品热度）

  按照PV来进行热度排名。

-- 商品按热度分类 按照PV
-- 热门品类
create table category_count as
select a.category_id,category_pv_count,category_buy_count,rk_pv,rk_buy
from 
		(select category_id,count(*) category_pv_count,rank() over(order by count(*) desc) rk_pv
		from userbehavior
		where behavior_type='pv'
		group by category_id) a
left join 
		(select category_id,count(*) category_buy_count,rank() over(order by count(*) desc) rk_buy
		from userbehavior
		where behavior_type='buy'
		group by category_id) b
on a.category_id=b.category_id
order by 2 desc;

-- 热门商品
create table item_pv_count as 
select a.item_id,item_pv_count,item_buy_count,rk_pv,rk_buy
from 
		(select item_id,count(*) item_pv_count,rank() over(order by count(*) desc) rk_pv
		from userbehavior
		where behavior_type='pv'
		group by item_id) a
left join 
		(select item_id,count(*) item_buy_count,rank() over(order by count(*) desc) rk_buy
		from userbehavior
		where behavior_type='buy'
		group by item_id) b
on a.item_id=b.item_id
order by 2 desc;

-- 热门品类中的热门商品TOP3
create table category_item_pv_count as 
select  category_id,item_id,品类商品浏览量 
from 
	(select category_id,item_id,count(*) 品类商品浏览量
	,rank() over(partition by category_id order by count(*) desc) rk
	from userbehavior
	where behavior_type='pv'
	and category_id in (select category_id
											from (select category_id,count(*),rank() over(order by count(*) desc) rk
														from userbehavior
														where behavior_type='pv'
														group by category_id) t
											where rk<=3)
	group by category_id,item_id
	order by 1,3 desc) t
where rk<=3；

在这里插入图片描述
在这里插入图片描述
  数据可视化如下：
在这里插入图片描述

  商品或品类浏览量排名靠前的，购买量排名并没有靠前，浏览量和购买量不成正比，平台推荐的产品用户的浏览量是有的，但是并没有成功转化购买，说明推荐商品不是用户最感兴趣的品，或非必需品。

4.2.2 商品转化率
-- 商品转化率分析
-- 商品转化率
create table item_conversion_rate as
select item_id
,count(if(behavior_type='pv',behavior_type,null)) pv
,count(if(behavior_type='fav',behavior_type,null)) fav
,count(if(behavior_type='cart',behavior_type,null)) cart
,count(if(behavior_type='buy',behavior_type,null)) buy
,round(count(distinct if(behavior_type='buy',user_id,null))/count(distinct user_id),2) 商品转化率
from userbehavior
group by item_id
order by 商品转化率 desc;

select 商品转化率,count(商品转化率) as co
from
(SELECT item_id
,(case when 商品转化率<=0.1 then '0-10%'
when 商品转化率>0.1 and 商品转化率<=0.3 then '10%-30%'
when 商品转化率>0.3 and 商品转化率<=0.6 then '30%-60%'
when 商品转化率>0.6 and 商品转化率<=1 then '60%-100%' end)商品转化率
from item_conversion_rate
) a
group by 商品转化率

-- 品类转化率
create table category_conversion_rate as
select category_id
,count(if(behavior_type='pv',behavior_type,null)) pv
,count(if(behavior_type='fav',behavior_type,null)) fav
,count(if(behavior_type='cart',behavior_type,null)) cart
,count(if(behavior_type='buy',behavior_type,null)) buy
,round(count(distinct if(behavior_type='buy',user_id,null))/count(distinct user_id),2) 品类转化率
from userbehavior
group by category_id
order by 品类转化率 desc;

select 品类转化率,count(品类转化率) as co
from
(SELECT category_id
,(case when 品类转化率<=0.1 then '0-10%'
when 品类转化率>0.1 and 品类转化率<=0.3 then '10%-30%'
when 品类转化率>0.3 and 品类转化率<=0.6 then '30%-60%'
when 品类转化率>0.6 and 品类转化率<=1 then '60%-100%' end)品类转化率
from category_conversion_rate
) a
group by 品类转化率

  数据可视化如下：
在这里插入图片描述
  虽然用户的转化率很高，但是品类和商品的转化率不高。转化率低于10%的品类和商品占比分别高达78.52%和96.93%。进一步说明，推荐给用户的品类或商品与用户的需求不符。

5. 数据可视化

  完整的数据可视化仪表板如下：
在这里插入图片描述

6. 结论与建议

  • 获客方面：浏览深度在统计周期内相对稳定，保持在12-14之间。
  • 留存率方面：从次日留存率看，均达到77%以上，12月之后由于双12活动预热，留存率有明显增长，统计周期内不存在跳失用户，说明平台粘性较高。

建议： 可以通过策划活动进行获客和提高留存，但要注意一定的周期性。

  • 用户行为方面：

    1. 用户在日内20:00-23:00活跃性高一点，基本在21:00左右达到峰值；在统计周期内，双12活动带来比较明显的各类行为增长；
    2. 用户购买率在22:00达到峰值，收藏加购率在2:00达到峰值；
    3. 在购买的用户中，行为路径排在前3的为浏览后购买的用户51.27%、直接购买的用户27.01%、浏览加购后购买的用户11.71%。

建议： 优惠券、促销或商品推荐等活动建议在20:00-22:00之间进行，此时用户活跃度最高。

  • 用户定位方面：价值用户占比最多，超过40%，但挽回用户同样需要关注，占比将近20%。

建议： 针对不同的用户采用不同的维护策略。针对价值用户重点服务，维持和留存为主；
针对保持用户要防止其流失，通过APP、短信等进行提醒，必要时主动联系，并有针对性推荐产品；
针对发展用户引导加入会员充值，提高消费频次，增加用户粘性，使其成为价值用户；
针对挽回用户要重点召回，挖掘其需求，可以发放优惠券或推荐新品引导回购。

  • 热门品类/商品方面：商品/品类浏览量和购买量的排名相差很大；商品/品类的转化率低于10%高达96.93%和78.52%。说明用户浏览的商品/品类和所需商品/品类，有较大差异。

建议： 优化平台的推荐机制。增加热销产品的推送。根据用户历史购买、加购或收藏的商品进行分析，针对不同的用户推荐不同的商品。

惜木兮
关注
  • 0
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
tableau之异常用户行为分析
weixin_67624659的博客
08-11 532
尝试：各种特征交叉（pandas中聚类可做群集），看聚类类别用户的分布；跟踪：有具体的特征后，将特征转为数据桶，看各聚类类别的占比；基数：各聚类类别用户在重要变量上的统计值；尝试：各种维度交叉，看聚类类别的来源特征；数据合并：三份数据以用户ID为键值合并。......
数据分析实战之淘宝用户行为分析(3) -- 用户行为路径分析
When in April
05-01 1707
数据分析实战之淘宝用户行为分析(3) -- 用户行为路径分析 ①用户行为转化率 (PV) ②用户行为转换率 (UV) ③跳失率分析 嘿嘿。 ...
Tableau实战 Tableau官网各版块访问情况（三）页面停留访问人数交叉分析
程志伟的博客
11-23 523
关注微信公共号：小程在线 关注CSDN博客：程志伟的博客 数据集见微信公共号链接 导入数据 继续使用（一）的数据集 a.在右侧空白处，点击鼠标右键，新建计算字段：单次浏览时长 b.将访问人次放入列，单次访问时长放入行，标记选择为圆。 c. ...
tableau：连接数据库mysql
qq_41081716的博客
05-13 1568
今天尝试用Tableau连接数据库，结果一脸问号？？为什么公众号：连接数据源里说的点击记下就ok了，到我这里就一直报错。解决之后，总结一下就是一个问题：未安装和配置Mysql的ODBC驱动。 软件介绍：win10、Tableau2018.2、Mysql 8.0.17 1.安装： 根据Tableau的错误信息，可以到MySQL :: Download MySQL Connector/ODBC (Archived Versions)下载，一般下载第一个： 下载好了，直接安装就可以了，无需在意路径..
tableau中连接mysql数据库
weixin_43730035的博客
07-22 412
可以看到需要服务器地址以及用户名两个信息， 在mysql中输入select user,host from mysql.user; 输出如下： 最后输入数据库密码即可。
大数据：淘宝用户行为分析完整报告
12-23
项目的意义在于提供了一个实际操作的案例，展示了如何利用大数据工具进行用户行为分析，为企业决策提供数据支持。 二、项目展示 项目展示部分介绍了整个分析过程的工程结构和初步结果。项目工程包括数据获取、数据...
Web数据挖掘-用户行为数据分析项目计划书.rar
09-06
4. **实时性**：用户行为数据变化快，实时分析和响应能力是关键。 **预期成果** 1. **用户行为报告**：详细描述用户行为特征，揭示用户需求和偏好。 2. **决策建议**：基于分析结果提供改善用户体验和提高业务效益...
nyist-studentonline-project:学生在线app用户行为分析
03-23
【nyist-studentonline-project: 学生在线app用户行为分析】 该项目主要关注的是对学生在线应用的用户行为进行深入分析，以提供数据驱动的决策支持和优化建议。在这个项目中，我们将探讨以下几个关键知识点： 1. ...
python源码毕设项目-基于JavaScript+开发的大数据智慧旅游系统源码+详细数据.rar
最新发布
05-19
- 个性化推荐：基于用户历史行为和偏好，提供个性化旅游推荐。 - 数据分析与可视化：展示旅游数据的统计信息和趋势，帮助用户更好地了解旅游市场。 运行测试ok，课程设计高分资源，放心下载使用！该资源适合...
咕泡电商项目实战.rar
05-12
9. **数据分析**：通过对用户行为、购买数据的收集和分析，可以优化商品展示、提高转化率。可能会使用Hadoop、Spark等大数据处理工具，以及Elasticsearch、Tableau等进行数据可视化。 10. **测试与部署**：项目开发...
Tableau 连接mysql进行可视化
weixin_48231783的博客
06-04 466
使用tableau连接MySQL来进行可视化
类比MySQL——学习tableau
数据分析与统计学之美
03-08 1429
目录   1、tableau连接mysql   2、tableau常用组件的学习     1）基本筛选器(类似mysql中的where)      ① 基本筛选器——维度筛选器      ② 基本筛选器——度量筛选器      ③ 基本筛选器——日期筛选器(实际就是维度筛选器)     2）上下文筛选器(类似于mysql中的and)     3）条件筛选器     4）tableau顶部筛选器(类...
Tableau连接MySQL，下载安装MySQL数据库ODBC驱动和配置MySQL ODBC数据源
qq_42375376的博客
12-19 3365
在Navicat查询编辑器中输入以下代码并运行查看结果，得知TCP/IP server的信息是localhost。（在navicat 我的连接下面已经有新建的用户，且设置好了密码，此处密码需与连接下的用户名密码相同）在navicat查询编辑器中输入以下代码并运行查看结果，得知port是3306。，下完安装好后，直接运行MySQL ODBC MSI安装程序。首次配置的话登录按钮是灰色的且在左下角会有一行提示信息。
Tableau 连接mysql详细教程
全栈川川
06-20 3306
在上一篇已经下载安装好了Tableau 2021，由于连接数据库需要瞎子啊驱动，所以下面来下载安装驱动。查看自己版本： 查看版本要求： 进入https://dev.mysql.com/downloads/connector/odbc/ 下载64位： 直接下载： 下载好后双击，全部默认安装即可： 安装好后就可以直接连接了，打开Tableau ，点击Mysql: 填写信息如下：（本地服务器位localhost,用户名位root，密码位mysql的登录密码，我已经配置过mysql了） 登录进去后选怎
Windows基于Tableau连接MYSQL，并绘制简单图表
m0_73096675的博客
05-29 525
2. 选择对应驱动版本点击下载（我这里是8.0.28版本）1.打开tableau，如下操作。2.连接成功，进入下一页面。
MySQL查询用户行为_用户行为分析
weixin_39653764的博客
02-05 598
1、数据集，某宝数据。下载数据后，利用kettle将文本文件导入mysql数据库。数据time从2014-11-18 00到2014-12-18 23。包含如下字段：item_id(产品ID)，behavior_type(包含点击、收藏、加购物车、购买四种行为，分别用数字1、2、3、4表示)，user_geohash(地理位置)，item_category(品类ID)，time(发生行为的时间)...
tableau 连接mysql的操作步骤
热门推荐
lasangluo的博客
06-18 1万+
tableau 连接mysql的操作步骤 一： 应用程序下载 1.数据库mysql 2.数据库管理工具navicat 3.数据可视化工具tableau 4.mysql对应版本的ODBC驱动包 二：配置ODBC 1.控制面板→系统和安全→管理工具中找到"数据源ODBC"，并启动它，如下图 2.点击添加（这个是我已经配置好的） 3.选择要安装的数据源驱动程序（这个驱动程序就是之前下载的ODBC驱动程序），然后点击完成 4.进入配置信息填写 上图中 data source name:名称自己根据实际情况取
数据分析项目---利用mysql+tableau进行客户流失分析（完结）
溺水小鸡_的博客
07-19 1345
数据分析实战：用户流失分析
一次成功的 Tableau连接mysql数据库 步骤
Vincci_Lin的博客
12-13 3028
tableau连接MySQL数据库
springboot+tableau
10-12
可以使用Spring Boot作为后端框架，通过RESTful API提供数据给Tableau进行可视化展示。具体步骤如下： 1. 在Spring Boot中编写RESTful API，提供数据接口。 2. 在Tableau中连接数据源，选择Web Data Connector，输入Spring Boot提供的API地址。 3. 在Tableau中进行数据可视化展示。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值