• 数据集
• 数据工程
• 数据分析

internship-warehouse 是 FlyRank 实习生计划发布的匿名化内容绩效数据仓库（v20260703 版，约 8180 万行），采用星型模型（Star Schema）组织，覆盖 GSC 搜索表现与 GA4 站点流量，甚至包含 ChatGPT、Perplexity、Gemini 等AI 流量渠道的细分指标。对想做数据分析、SEO 或 AI 搜索趋势课题的新手来说，这是一套"开箱即用"的 Capstone 数据底座。本文给出 6 个由浅入深的选题方向，帮你从基线指标一路分析到 AI 流量趋势。

数据集全景：4 张表 + 月度分区

仓库的核心结构如下，官方说明见 README.md，字段清单见 dataset_infos.json：

几个新手必须知道的设计点：

• 按月分区：日表按month=YYYY-MM目录切分，如 fact_content_daily_performance/month=2026-06/data_0.parquet，共 2025-01 至 2026-06 共 18 个月
• 样本文件先行：fact_content_daily_performance_sample.parquet是最新完整月份，README 明确建议"从这里开始"
• 盐化哈希主键：client_hash_id、content_hash_id等均为加盐命名空间哈希，盐值不下发，天然防反识别
• 非平衡面板：各客户的历史深度不同，分析时间跨度前先看 dim_clients.parquet 里的gsc_data_start/ga4_data_start

⚠️ 合规提醒：数据集仅限匿名化研究与教学用途，任何公开产出（报告、图表、Demo）中不得出现可识别客户的信息。

方向一：数据基线健康检查（最适合作为第 0 步）

长尾关键词：数据仓库质量检查、缺失值与覆盖率分析

不要上来就做业务分析。推荐第一个课题就是基线指标与数据健康度审计：

1. 覆盖率统计：日表中client_has_gsc、client_has_ga4、gsc_data_available、ga4_data_available四类标志位组合，计算每个客户的"数据可用矩阵"
2. 缺失模式定位：哪些客户 × 月份组合 GSC 指标全空？是接入时间晚，还是断流？
3. 一致性校验：gsc_impressions、gsc_clicks是否存在负值或异常尖峰；gsc_avg_position与gsc_sum_position是否自洽
4. 产出物：一张"数据可用日历"（客户 × 月份热力矩阵）+ 异常清单

这个课题工作量小、结论扎实，是 Capstone 答辩中展示工程严谨性的加分项，也能让后续所有方向建立在可信数据上。

方向二：搜索基线指标——CTR 与平均排名分布

长尾关键词：SEO 基线指标分析、GSC CTR 排名关系

基于日表做最经典的搜索绩效基线：

• CTR 分布：gsc_clicks / gsc_impressions在内容项层面的分布，找出"高曝光零点击"的内容
• 排名分层效应：按gsc_avg_position分桶（1-3 / 4-10 / 11-20 / 20+），对比各层的 CTR 与点击贡献，验证"首页门槛效应"
• 时间趋势：利用 18 个月分区，观察整体基线排名是否漂移
• 维度下钻：关联 dim_content.parquet 的content_type、word_count、backlinks、competition_level，回答"什么类型的内容更容易获得高排名"

📌 建议先用 fact_content_daily_performance_sample.parquet 验证 SQL/Python 逻辑跑通，再全量扫描fact_content_daily_performance/**/*.parquet。

方向三：流量渠道结构分析（GA4 Sessions 拆解）

长尾关键词：流量渠道占比分析、GA4 会话渠道拆解

日表内置了完整的渠道会话字段：sessions_organic、sessions_direct、sessions_referral、sessions_social、sessions_paid、sessions_ai。选题思路：

1. 客户级渠道画像：每个客户的渠道占比向量，聚成几类典型模式（自然搜索主导 / 直接访问主导 / 付费主导）
2. 渠道 × 内容相关性：高sessions_organic的内容是否也拥有更高gsc_impressions？跨渠道一致性检查
3. 参与度对比：不同渠道来源的ga4_engaged_sessions、ga4_total_engagement_sec差异，判断哪个渠道带来"更值"的访问
4. 时间结构演变：18 个月窗口内各渠道占比的月度变化曲线

方向四：AI 流量趋势分析（本数据集最大亮点）⭐

长尾关键词：AI 搜索流量趋势、AI 渠道 SEO 分析

数据集单独拆出了 8 个 AI 相关字段：sessions_ai、ai_chatgpt、ai_perplexity、ai_gemini、ai_copilot、ai_claude、ai_meta、ai_other——这在公开实习数据集中非常稀缺。可做的课题：

• AI 流量渗透率曲线：sessions_ai / ga4_sessions的月度走势，量化"AI 渠道份额"的增长斜率
• 模型份额博弈：ChatGPT vs Gemini vs Perplexity vs Claude 的占比变化，找出领跑者与被追赶者
• AI 友好内容画像：AI 流量占比高的内容项，在 dim_content.parquet 中的word_count、backlinks、main_intent、provider_used/model_used（内容生产方式）上有什么共性？
• GSC 交叉验证：AI 流量上升的内容，gsc_clicks是同步上升还是被分流？这是"AI 搜索是否蚕食自然点击"问题的绝好实验场

💡 答辩建议：把"传统渠道 vs AI 渠道"的此消彼长做成一张双轴趋势图，是最有记忆点的结论页。

方向五：Query 粒度深度分析（90 天固定窗口）

长尾关键词：搜索词粒度分析、长尾查询流量结构

fact_content_query_90d.parquet 提供 query 级数据，固定 90 天窗口，且带impressions_last30/impressions_prev30子窗口，天然支持环比分析：

1. 查询集中度：每个内容项的content_visible_query_count与头部 query 占比，识别"单点依赖"型内容
2. 长尾稀有度：rare_query_count（曝光 < 10 的 query 数）与rare_impressions_share，衡量长尾流量的健康度
3. 匿名化占比处理：anonymized_impressions_share字段记录了 Google 匿名化曝光的聚合份额——课题中讨论"小样本数据偏差"时可直接引用
4. 趋势方向：avg_position_last30vsavg_position_prev30，筛出排名快速上升 / 下滑的 query-内容组合，做"机会清单"与"预警清单"

方向六：内容优化效果归因（进阶难度）

长尾关键词：内容优化 ROI 分析、A/B 前后对比

dim_content.parquet 中同时存在"投入侧"与"内容画像侧"字段：last_optimized_date、optimization_eligible_date、is_published、is_deleted、search_volume、competition、cpc。选题：

• 优化前后对比：以last_optimized_date为锚点，取前后各 30 天的日表指标，评估优化对gsc_impressions/gsc_avg_position的边际影响
• 意图 × 难度分层：按main_intent（搜索意图）×competition_level分层，看哪类组合的投入产出比最优
• 生产方式对比：provider_used/model_used区分的内容，在绩效上是否有显著差异——直接回答"AI 生产的内容效果如何"
• 注意混杂因素：dim_clients.parquet 的access_profile与数据起始日期不同，建议先做客户内（within-client）对比而非跨客户简单平均

新手上手路线图

1. 第 1 天：读取样本文件 fact_content_daily_performance_sample.parquet，熟悉 28 个字段含义（对照 dataset_infos.json）
2. 第 2-3 天：完成方向一（基线健康检查），建立数据可用日历
3. 第 4 周：从方向二 / 四中挑一个主课题深入，其余方向作为稳健性检验
4. 工具建议：数据在 Hugging Face 上按 gated 发布，README 给出的两种加载方式——datasets流式读取或 DuckDB 直连（无需全量下载）都适合 Colab 环境

⚡ 一句话总结：先用方向一打好地基，再用方向四做出亮点——AI 流量趋势是当前 SEO 领域最稀缺的分析视角，也是这份 internship-warehouse 数据相对其他练习数据集的核心差异化价值。

• 数据集
• 数据工程
• 数据分析