一、数据来源及说明
数据来源:https://www.kaggle.com/edx/course-study
数据解释：数据来源于kaggle上关于2012-2016年Harvard和MIT两校在edX开设在线课程情况的研究。
该数据集中共有290个在线课程的数据，字段信息23个，可大致分为3类：
1、课程相关字段：Institution：课程机构、Course Number：课程编号、Launch Date：上线日期Course Title：课程名称、Instructors：讲师、Course Subject：课程主题、Year ：课程持续时长（年）、Honor Code Certificates：是否提供认证
2、运营相关字段：Participants (Course Content Accessed)：学生数、Audited (> 50% Course Content Accessed) ：完成50%课程人数、Certified获得认证人数、Total Course Hours (Thousands)：总计课程时长（千）、Median Hours for Certification：获得认证的小时数的中位数、% Audited：完成 50%课程人数占比、% Certified：认证人数占比、% Certified of > 50% Course Content Accessed：认证人数在完成50%课程人数中占比、%Play Video：播放视频人数占比、% Posted in Forum： 粘贴到论坛占比、%Grade Higher、Than Zero：分数高于0的百分比
3、学生信息相关字段：Median age：用户年龄中位数、% Male：男性占比、% Female：女性占比、% Bachelor's degree or higher：学生学士学历或以上占比
二、分析维度
三、数据清洗
由于数据量比较小，而且数据很完整，不需要过多的清洗。为了使数据更直观地表现出来，这里需要将列名改成中文，课程机构和课程类别也改成中文，带百分数的列名也要全改成中文，因为在SQL提取数据的会出错。
四、构建模型及数据可视化
1、用户分析
1.1、性别
学习课程的男性百分比的平均数远高于学习课程的女性百分比的平均数，说明参加学习课程男性占多数；学历理工类科学和计算机科学的男性占比很大，远远超过女生，说明男生对理科类的课程比较感兴趣；而学习人文科学和社会科学的男女占比差异不是很大，女性占比比较高，说明女性对文科类的课程比较感兴趣。
1.2、年龄
从参与者的年龄中位数集中程度来看，25-31的占比较多；而年龄中位数的平均值为29.3，由此可看出参与学习的是职场人士或是即将参加工作的学生。
1.3、学历
大部分参与学习课程的学历是学生学士学历或以上，说明用户的学历较高，特别是学习社会科学的用户，高达81.03%。
2、产品分析
2.1、课程数量、各课程用户数
麻省理工和哈佛大学在edx上开放的课程，麻省理工比哈佛大学多，在学生参与上而言，麻省理工也要比哈佛大学多。
2.2、课程类别
麻省理工在社会科学和理工类科学课程的学生参与人数多于哈佛大学，而人文科学少于哈佛大学；两所学校的计算机科学参与人数都比较多。
社会科学两所学校的课程占比数一样，哈佛大学开设的人文科学课程较多，而麻省理工开设的理工类科学、计算机科学课程较多。
2.3、热销课程
前四的课程都是关于Computer Science，看来Computer Science深受大家喜爱，而在课程类别来看，计算机科学也是排在首位，其次是理工类科学。
3、运营分析
3.1、认证人数占比及课程完成度
完成50%课程人数和人数人数都非常少，认证占比较低。而认证人数在完成50%人数中占比相对较高，说明大多数人在完成50%课程之后都会继续学习，最后获得认证。
3.2、粘贴到论坛占比、播放人数占比
各课程播放率很高，但是传播率相对较低，说明很对人在学习完之后都没有进行课程的分享。
3.3、AAARR模型
由于各类别课程的转化率相差不大，所以这里选择了人文科学做漏斗图。变现率，也就是完成认证的人数只有8.05%，相对来说较低，所以需要提高课程的质量，还有加大监督力度。
