Webinar Analyzer
一个将原始网络研讨会导出数据转化为两种关键分析答案的工具：
- 每场网络研讨会 — 谁来了，停留了多久，何时离开，他们的身份，他们说了什么。
- 跨所有网络研讨会 — 出席率是否在增长，哪种时段和形式效果最佳，谁在重复参与，以及哪些赞扬和投诉反复出现。
此技能是栈无关的。它定义了数据契约、验证规则、计算逻辑和图表语义。你可以在任意 Web 技术栈中实现它（Flask/Django/FastAPI + Postgres + 任意图表库；Streamlit；Jupyter Notebook；BI 工具）。这些说明所提取的参考实现是一个 Flask + PostgreSQL + ApexCharts 的应用。
开始构建之前：导入对话
不要假设是 Zoom。不要假设是 YouTube。 此工具最大的失败模式是为特定平台的导出格式进行硬编码。用户可能在 Teams、GoToWebinar、Livestorm、Demio、Webex、Hopin、Riverside、StreamYard、Crowdcast、BigMarker 或自定义栈上运行网络研讨会，并且可能在 Vimeo、Wistia、自己的 CDN 上托管回放，或者根本不托管。
在编写代码之前执行此流程：
步骤 1 — 询问使用了哪些平台
以简短的多项选择题形式提问：
- 你在哪个平台上运行实时网络研讨会？（Zoom Webinars / Zoom Meetings / Microsoft Teams / GoToWebinar / Livestorm / Demio / Webex / Hopin / BigMarker / Crowdcast / 其他）
- 网络研讨会后的调查问卷在哪里？（内置于网络研讨会平台 / Typeform / Google Forms / SurveyMonkey / Hubspot / 无）
- 回放视频在哪里（如果有的话）？（YouTube / Vimeo / Wistia / 自托管 / 有门控的着陆页 / 无回放）
- 你有独立的注册数据和出席数据吗？（一个合并的导出 / 两个独立的导出 / 仅有注册数据 / 仅有出席数据）
步骤 2 — 在设计任何内容之前，请求一份真实的导出文件
直截了当地说：“请上传每个来源的一份真实导出文件——出席者、调查问卷、回放——并且已经移除了个人数据。我会读取实际的列标题而不是猜测，并告诉你哪些仪表盘功能你的数据支持，哪些不支持。”
坚持这一点。一份真实的文件就能消除所有假设。如果用户无法分享真实数据，请他们粘贴标题行和 2-3 行完全虚构的数据。
步骤 3 — 对上传的文件执行隐私检查
参见 隐私门。如果文件包含未经处理的个人数据，则拒绝该文件。在提供干净的文件之前，不要继续映射。
步骤 4 — 将他们的列映射到规范模式
向用户展示一个明确的映射表（他们的列 → 规范字段 → 解锁的功能），并指出缺失的内容。参见 字段要求 和 references/platform-exports.md。
步骤 5 — 告诉他们获得哪些图表
在构建之前打印一份功能可用性报告：
✅ 你的数据支持的功能
观看时长分布、并发观看者时间线、掉线检测、
出席漏斗、环比增长、新用户与回访用户。
⚠️ 部分支持的功能
用户画像 — 你有国家/地区但没有职位，因此资历
环形图将被隐藏。
❌ 不支持的功能
回放分析 — 没有回放导出。除非你添加一个（或者通过 CSV 模板手动输入数据），
否则“回放”选项卡将被隐藏。
永远不要构建其输入数据不存在的图表。隐藏整个面板，并显示一行说明，解释需要什么数据才能启用它。
隐私门（必须执行）
每个上传的文件在解析之前、存储之前、分析之前都会通过一次数据清洗检查。如果发现个人数据，拒绝整个文件，指明违规的列和行号，并解释如何清洗。绝不部分导入。绝不静默地自动匿名化。
哪些属于个人数据
| 类别 | 检测方法 |
|---|---|
| 电子邮件地址 | 任何单元格中匹配 [A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,} 的文本 |
| 电话号码 | 匹配 (?:\+?\d[\s\-().]{0,2}){7,15} 且至少有 7 位数字，排除纯时间戳/ID |
| 邮寄地址 | 单元格匹配街道类型关键词（`street |
| 邮政编码 / 邮编 | \b\d{5}(-\d{4})?\b 或 [A-Z]{1,2}\d[A-Z\d]? ?\d[A-Z]{2} 且列名暗示位置信息 |
| IP 地址 | IPv4/IPv6 字面量 |
| 政府 / 支付 ID | \b\d{3}-\d{2}-\d{4}\b（SSN 格式），\b(?:\d[ -]*?){13,16}\b 且通过 Luhn 校验 |
| 可疑列名 | 标题匹配 `email |
规则
- 首先扫描标题。 任何名称匹配可疑列表的列都会被标记，即使采样的单元格看起来是空的——今天为空的列明天可能被填充。
- 扫描每一行的每一个单元格。 不是采样。文件很小（几千行）；全量扫描成本低，而采样扫描会带来虚假的保证。
- 自由文本的问卷回答也要扫描。 人们会在反馈框中输入“请发邮件到 [email protected]”。这是最容易漏掉的泄露。
- 找到第一个类别即拒绝，但报告所有类别。 完成扫描并一次性呈现所有问题，这样用户一次就能修复文件。
- 永远不要将拒绝的文件写入磁盘或数据库。 将其保存在内存中，拒绝，然后丢弃。
- 记录拒绝信息，但不记录违规的值。 仅记录列名和行号——绝不记录检测到的电子邮件/电话号码本身。
允许的标识符（这些不会被拒绝）
- 稳定的假名人员 ID — 在多个文件中保持一致的哈希值、UUID 或顺序整数。这是跨网络研讨会分析所必需的（见下文）。
- 国家/地区名称、组织名称、职位、资历等级。
- 时间戳、持续时间、网络研讨会 ID、主题字符串。
拒绝消息模板
❌ 上传被拒绝 — 在 attendees_march.csv 中检测到个人数据
列 "Email" → 412 个电子邮件地址（第 2–413 行）
列 "Contact Number" → 88 个电话号码（第 2, 5, 9, … 行）
列 "What can we improve?" → 3 个电子邮件地址位于自由文本中
（第 47, 112, 288 行）
未导入任何内容，文件已被丢弃。
修复方法：
1. 将 Email 列替换为稳定的假名 ID — 例如，对小写电子邮件进行
SHA-256 哈希，截断为 16 个字符。
对每个文件使用相同的哈希方法，以便在多个网络研讨会中识别同一人。
2. 完全删除 Contact Number 列 — 它永远不会被用到。
3. 从自由文本答案中删除电子邮件地址，保留评论的其余部分。
清洗后重新上传。请参阅 references/anonymisation.md 获取现成的清洗脚本。
为何稳定的假名 ID 是不可商议的
此工具一半的价值在于跨网络研讨会分析：新用户与回访用户、留存队列、重复注册者、每个人的出席率。所有这些都需要在不知道身份的情况下识别不同文件中的同一人。在导入时明确告知用户——如果他们每份文件都将电子邮件擦除为空白或随机值，那么每个跨网络研讨会的图表都将变得毫无意义。
推荐：person_id = sha256(lower(strip(email)) + fixed_salt)[:16]，盐值存储在数据集之外。references/anonymisation.md 包含一个即用脚本。
字段要求
仪表盘基于规范模式运行。用户的导出列会被映射到该模式上。映射无法填充的任何内容都是将被隐藏的功能。
规范实体：webinar（每次会话一行）
| 字段 | 必需？ | 类型 | 解锁功能 | 典型源列 |
|---|---|---|---|---|
external_id | 必需 | 文本，唯一 | 一切——出席者/调查问卷/回放文件的连接键 | Webinar ID, Meeting ID, Event ID, Session ID |
topic | 必需 | 文本 | 所有标签；重复运行的活动分组 | Topic, Title, Event name |
start_time | 必需 | 时间戳 | 每个基于时间的图表；环比；小时分布；并发时间线 | Actual Start Time, Start, Date |
duration_minutes | 强烈推荐 | 整数 | 并发时间线 X 轴；观看会话百分比 | Actual Duration, Duration |
num_registrants | 推荐 | 整数 | 漏斗，出席率（可通过统计行数得出） | # Registrants, Registered |
unique_viewers | 推荐 | 整数 | 小时分布图表；总触达（可推导） | Unique Viewers, Attendees |
max_concurrent | 可选 | 整数 | 峰值观众统计 | Max Concurrent Views |
时区规则： 一次性决定存储的时间戳是 UTC 还是固定的本地时区，将其写入模式注释，并且永远不要临时转换。月份分组直接读取该字段。对于在本地午夜之后运行且目标受众位于其他时区的会话，提供一个手动月份覆盖机制（参见 月份覆盖）。
规范实体：attendee_session（每人每次加入一行）
掉线并重新加入的人会产生多行。导入时永远不要去重——在分析时有意地去重。
| 字段 | 必需？ | 类型 | 解锁功能 | 典型源列 |
|---|---|---|---|---|
webinar_id | 必需 | 外键 | 一切 | — |
person_id | 必需（假名） | 文本 | 新用户与回访用户、留存、重复注册者、每人去重 | Hashed Email, Attendee ID |
attended | 必需 | 布尔 | 出席/未出席拆分、漏斗、出席率 | Attended (Yes/No) |
is_registrant | 推荐 | 布尔 | 未出席队列；漏斗 | 从 Registration Time 是否存在推导 |
join_time | 推荐 | 时间戳 | 并发时间线、掉线检测 | Join Time |
leave_time | 推荐 | 时间戳 | 并发时间线、掉线检测 | Leave Time |
minutes | 推荐 | 整数 | 观看时长直方图、平均观看时间 | Time in Session (minutes) |
country / region | 可选 | 文本 | 地理环形图、区域时间分析 | Country/Region |
organization | 可选 | 文本 | 账户级视图 | Organization, Company |
job_title | 可选 | 文本 | 资历环形图（推导） | Job Title, Title, Role |
source_name | 可选 | 文本 | 获客渠道环形图 | Source Name, UTM source, Referrer |
registration_time | 可选 | 时间戳 | 注册曲线分析 | Registration Time |
custom_answers | 可选 | JSON | 每个注册问题一个环形图 | 任何未被识别的列 |
未被识别的列规则： 出席者文件中不属于上述已知字段的任何列都被视为注册调查问卷问题，并作为 {question: answer} 存储在 custom_answers 中。每个此类问题会自动生成自己的环形图。这是该工具能够在你从未见过的平台上工作的原因。
推导字段 — seniority： 通过关键词将 job_title 分桶为 C-Level / Founder（ceo, cto, cfo, cmo, coo, chief, founder, owner, president），VP / Director（vp, vice president, head of, director），Manager / Lead（manager, lead, principal），Senior IC（senior, sr.），Junior（junior, jr., intern, associate, assistant），否则为 Individual Contributor。当没有一行有职位信息时，完全隐藏资历图表。
规范实体：feedback_response（每次调查提交一行）
| 字段 | 必需？ | 类型 | 解锁功能 | 典型源列 |
|---|---|---|---|---|
webinar_id | 必需 | 外键 | 将反馈关联到会话 | Meeting/Webinar ID |
person_id | 可选（假名） | 文本 | 将反馈链接到出席行为 | Hashed Email Address |
submitted_at | 可选 | 时间戳 | 排序、时效性 | Submitted Date and Time |
score | 推荐 | 整数 1–5 | 满意度分布 + 平均值 | "How useful did you find…" |
liked_text | 推荐 | 文本 | 赞扬主题聚类 | "What did you like…" |
improve_text | 推荐 | 文本 | 关注点主题聚类 | "What can we do to improve…" |
other_answers | 可选 | JSON | 其他所有内容，逐字记录 | 其余的问题列 |
列检测： 通过标题的关键词匹配（useful/rate/score；like；improve）找到分数/喜欢/改进的列，不区分大小写，第一个匹配胜出。向用户展示检测到的映射并允许他们更正——调查问题的措辞在每个公司都不同。
如果调查问卷位于网络研讨会平台之外（Typeform、Google Forms），它不会携带网络研讨会 ID。这时需要用户添加一个携带网络研讨会 ID 的隐藏字段，或者在 UI 中在上传时选择目标网络研讨会。
规范实体：replay_stats（每个网络研讨会一行）
回放是所有数据中平台差异最大的。支持三种导入路径，按优先级排列：
- API 连接器连接到回放托管平台（YouTube Data/Analytics API、Vimeo、Wistia）——仅当用户拥有并授予凭据时。
- 本地分析 CSV 导出来自回放托管平台，映射到规范字段。
- 手动模板 CSV — 始终可用，始终是回退方案。提供一个可下载的模板，包含标题行、解释每个度量的注释块以及一个示例行。
| 字段 | 必需？ | 类型 | 解锁功能 |
|---|---|---|---|
webinar_id | 必需 | 连接键 | 所有与回放相关的内容 |
video_id / video_url | 可选 | 文本 | 深层链接到托管的视频；API 同步 |
views_day1 | 可选 | 整数 | 早期需求图表 |
views_day7 | 可选 | 整数 | 持续需求图表 |
total_view_hours | 可选 | 数字 | 总回放消费图表 |
avg_view_duration_sec | 可选 | 整数 | 回放参与度图表 |
avg_view_percentage | 可选 | 数字 | 回放留存图表 |
likes、comments、shares、subscribers_gained | 可选 | 整数 | 互动统计 |
每个回放字段都是可选的。将空白存储为 NULL，永远不要使用 0——未测量的指标和测量为零的指标在含义上完全不同。
月份覆盖
即使你采用了严格的时区规则，也会出现网络研讨会在一个时区的日历日举行，但在另一个时区的午夜之后结束的情况。对于跨地区运行的系列，提供一个简单的覆盖机制，允许用户为单个网络研讨会分配一个观察到的月份（即该网络研讨会最大受众群所在的月份），覆盖 start_time 的纪元。
实现方式：在网络研讨会选择中（例如设置页面或上传后仪表盘上）添加一个简单的下拉菜单，显示当前月份并允许覆盖。将此覆盖存储为一个单独的字段 observed_month（格式为 YYYY-MM），并在“按月份 vs 观察到的月份”之间提供一个切换按钮。
示例：一个网络研讨会于悉尼时间 4 月 1 日凌晨 1:00（UTC 时间 3 月 31 日 15:00）举行。如果大多数观众在澳大利亚，您可能希望将其归属于“4 月”进行增长分析，而不是“3 月”。
强制计算：掉线检测
如果没有 join_time 和 leave_time（或 minutes），此部分将被隐藏。
定义
如果某人的 minutes（或其 leave_time - join_time 持续时间）小于网络研讨会总 duration_minutes 的 80%，则视为掉线。（阈值可根据反馈进行调整，但始终记录原因。）
每场网络研讨会的指标
- 高峰后掉线：在达到最高并发观看人数之前离开的掉线人数。以 % 掉线人数显示。隐藏细分，除非掉线人数 ≥ 10。
- 掉线时刻分析：在时间线上对掉线时刻进行分桶（每 5 分钟）。将分布显示为直方图。顶部时刻高亮为“你失去了最多的观众”时刻。
- 留存曲线：X 轴为分钟（或 % 持续时间），Y 轴为仍在线的人数。叠加在并发时间线上（参见下文）。
跨网络研讨会的指标（至少需要 2 个网络研讨会）
- 高峰后掉线趋势：线图，Y 轴为 % 掉线，X 轴为网络研讨会主题（按时间顺序）。标注哪些表单通过了高峰。
- 掉线热点：按次要维度（国家/地区、来源、浏览器——如果有的话）分组的掉线率。显示为热力图。
强制计算：新用户与回访用户（至少需要 2 个网络研讨会）
前提条件
一个跨文件稳定的 person_id。如果用户随意对电子邮件进行哈希处理以致同一人在不同文件中具有不同的 ID，则这些图表将静默地产生误导性结果。指导用户（参见参考文献中的匿名化脚本）。
分配
对于每个 person_id，找到他们首次出现的网络研讨会日期（按 start_time 排序）。
- 首次出现日期的网络研讨会 = 新用户。
- 在同一会话中出现在他们首次出现之后的任何网络研讨会 = 回访用户。
- 在同一网络研讨会但不同会话中？不考虑（这是一个回放问题，而不是新/回访问题，除非用户明确分桶。保持在第一次从属关系层面）。
每场网络研讨会的指标
- 新用户 vs 回访用户饼图/环形图：显示计数和百分比。
- 第一个网络研讨会图：对于每个新用户，显示他们参加的第一个网络研讨会。
跨网络研讨会的指标
- 新用户 vs 回访用户趋势：堆叠面积图（Y 轴：计数；X 轴：按时间顺序排列的网络研讨会）。可能使用 100% 堆叠面积图。
- 留存队列：经典保留分析（周级别或网络研讨会级别——询问用户）。假设网络研讨会级别：第 0 周（首次出现）= 100%，第 1 周 = 返回第 1 次网络研讨会的用户，等等。显示为热力图。
- 重复注册者：有多少人注册了 > 1 个网络研讨会？> 5 个？> 10 个？直方图。
- 未出席队列：注册但未出席的人在新用户中占多少百分比？他们是否不太可能令人惊讶地再次注册？
强制计算：并发出席时间线
每场网络研讨会
对于网络研讨会的每一分钟，统计 join_time <= t AND leave_time >= t 的参加者人数。当 join_time 缺失时（例如，导出来自没有连接/离开时间戳的平台），无法构建时间线。在这种情况下，隐藏时间线并显示一条消息：“此平台不导出加入/离开时间。要启用此图表，请提供一个包含 Join Time 和 Leave Time 的自定义 CSV。”
覆盖留存曲线在相同的时间线上。
X 轴标签：分:秒 从开始。
Y 轴：并发观看者人数。
提供网络研讨会的平均并发观看者作为一个注释数字（等于总观看时间 / 持续时间分钟数）。
跨网络研讨会
- 平均并发曲线：所有网络研讨会每分钟的平均并发观看次数，归一化到平均值（每个网络研讨会受到同等加权，无论收视率）。
- 高峰时间分析：将每个网络研讨会的高峰并发时间绘制为网络研讨会开始后分钟数的散点图。它是否趋向于特定时刻？
强制计算：观看时长分布
每场网络研讨会
使用 minutes 字段（如果可用；否则，从 leave_time - join_time 计算）。分桶为：0–5 分钟，5–10，10–25，25–50，50–75，75–100 分钟。（对于较短的网络研讨会，调整桶——见下文。）
显示为直方图（条形图）或箱线图。标注平均值和中位数。
桶调整
如果网络研讨会持续时间（duration_minutes）< 30 分钟，使用更细的桶：0–2，2–5，5–10，10–20，20–30。如果 > 90 分钟，使用：0–10，10–25，25–50，50–75，75–100，> 100。
跨网络研讨会
- 平均观看时间趋势：Y 轴为平均观看分钟数，X 轴为按时间顺序排列的网络研讨会。
- 箱线图比较：每个网络研讨会观看时长分布的并排箱线图。
强制计算：漏斗——注册 → 出席 → 参与
每场网络研讨会
一个漏斗图表，按顺序显示三个步骤的计数：
- 注册者：
COUNT(DISTINCT person_id WHERE is_registrant = TRUE)或num_registrants。 - 出席者：
COUNT(DISTINCT person_id WHERE attended = TRUE)或unique_viewers。 - 参与度 > 50%：
COUNT(DISTINCT person_id WHERE (minutes / duration_minutes) >= 0.5)。
每个步骤之间的下降显示为箭头中的绝对值 + 百分比。
如果注册数据不可用（is_registrant 全部为 FALSE 或 null），则隐藏步骤 1 并显示一个注释。如果出席数据不可用，则隐藏整个漏斗。
跨网络研讨会
- 注册到出席率趋势：线图，Y 轴为注册到出席的百分比，X 轴为按时间顺序排列的网络研讨会。
- 出席到参与率趋势：类似的线图。
强制计算：按小时、星期几和日期比较
按小时
使用 start_time（提取小时）。显示为聚合：所有网络研讨会的出席者计数（或平均出席者，如果网络研讨会数量 > 1）。直方图。
如果没有任何小时？隐藏。
按星期几
星期几提取自 start_time。显示出席计数的条形图。
日期视图
一个日历热力图，以出席者计数着色。如果有超过 20 个网络研讨会才能有用。否则隐藏。
强制计算：环形图
每个分类字段（国家/地区、组织、来源、资历以及来自 custom_answers 的每个问题）生成一个环形图。规则：
- 隐藏如果基数 > 50：太多的切片会使图表难以阅读。显示一条消息：“此字段有 N 个唯一值。显示前 10 个；其余归入‘其他’。”
- 隐藏如果基数 < 2：一个切片是个笑话。
- 隐藏如果没有数据：字段为空的列不显示图表。
- 自动分桶：如果 > 10 个切片，将最小的切片合并到“其他”中，直到剩下 10 个切片，加上“其他”。
这些是跨网络研讨会图表（聚合所有网络研讨会的所有出席者）。如果用户希望按网络研讨会查看，他们可以按网络研讨会过滤（使用过滤器）。
强制计算：回放
参见 replay_stats 字段定义。
每场网络研讨会
显示为带有两个选项的表格或数据面板：
- 早期需求：
views_day1（条形图）。注释：“首日观看次数。仅当您的数据包含此字段时。格式：整数。” - 持续需求：
views_day7与views_day1的比较。注释：“首周观看次数。仅当您的数据包含此字段时。” - 总观看小时数：一个数字。
- 平均观看时长（秒）：一个数字。
- 平均观看百分比：一个百分比。
- 互动：喜欢、评论、分享、新增订阅者（每个都是数字；如果所有为空则隐藏）。
跨网络研讨会
- 首天 vs 首周趋势：双线图（或一个面积图），按时间顺序排列的网络研讨会。
- 最高回放参与度网络研讨会：按
avg_view_duration_sec排序的表格。
强制计算：调查问卷分析
每场网络研讨会
- 平均评分（如果
score可用）：标量显示 + 网络研讨会的平均评分。 - 评分分布：直方图（1–5 分）。
- 喜欢主题聚类：如果
liked_text中的自由文本，对文本进行简单的关键词聚类（例如，content|material|slides，speaker|presenter|host，interaction|qa|q&a，pacing|timing|length）。显示为词云或类似主题的条形图（取决于 UI 框架）。在每场网络研讨会级别执行。 - 改进主题聚类：相同的聚类方法。
跨网络研讨会
- 平均评分趋势：线图，Y 轴为平均评分，X 轴为按时间顺序排列的网络研讨会。标注标准差误差线（或显示中位数与 IQR 的箱线图）。
- 主题集群比率堆叠条形图：X 轴为按时间顺序排列的网络研讨会；Y 轴为每个主题的提及次数（或百分比）。注释有助于产品路线图。
跨网络研讨会强制计算：网络研讨会概览表格
将所有内容整合在一个概览表格中：每个网络研讨会一行，包含列：
- 主题
- 日期
- 出席者
- 平均观看时间
- 平均评分
- 回访率（= 回访用户 / 总用户）
- 掉线率
- 交互指标（如有）
可排序。可为所有字段搜索。每行可点击以导航到该网络研讨会的仪表盘。由于它是数据密集的，确保表格是虚拟滚动的（例如，使用 react-window 或等效）。
摘要仪表盘
可用于构建摘要仪表盘的洞察。
网格式布局
使用 flexbox 或 CSS 网格来呈现卡片（每张卡片包含一个图表）。在用户滚动时继续加载（延迟加载）。不要加载所有内容——只加载前 5 个，然后按需加载。
卡片结构
每张卡片包含：
- 标题
- 图表
- 注释文本（来自
features-availability-report） - “完整图表”链接（切换或对话框，但不在此处）
排序
卡片按重要性降序排列：“出席者时间线”是最重要的，“环形图”次之。按屏幕宽度调整大小。
个性化与主题
品牌
允许通过 CSS 变量进行自定义：
--primary-color：默认#4A90D9--secondary-color：默认#50E3C2--background-color：默认#F5F7FA--card-color：默认#FFFFFF--text-color：默认#333333
如果用户提供品牌颜色，则渲染仪表盘以匹配。否则，使用默认的未品牌化主题。
排序
仪表盘中的每个元素都提供一个“切换排序”按钮（按值升序/降序/无）。在会话期间记住选择，但不要持久化（不需要服务器端存储）。
导出与共享
提供以下内容：
- 将每张卡片导出为 PNG 或 SVG。
- 将当前仪表盘状态导出为可共享的链接（sessionID，可能有 24 小时的 TTL，对 AI 友好，对机器人安全）。
对于链接共享：确保机器人无法抓取。一种方法：使用一次性链接或链接中的短持续期令牌。
参考文献
用户界面框架
如果用户选择在参考堆栈中实现，这是预期方式：
- 前端：React 或 Vue（建议使用 React）。
- UI 组件：Ant Design 或 Material UI（取决于偏好）。
- 图表：Chart.js、ApexCharts 或 Recharts（取决于设置）。
- 状态管理：对于复杂的仪表盘，使用 Redux 或 Zustand。对于简单的仪表盘，使用 React 上下文。
- API：RESTful（带有
GET /api/webinars、GET /api/webinars/{id}/details、POST /api/upload的 Flask 蓝图）。
数据库
- PostgreSQL：带有 JSONB 列的原生 JSON 支持。
- ORM：SQLAlchemy（Flask 的 flask-sqlalchemy）。
- 迁移：Alembic。
AI 集成（可选）
将其作为连接词提取管道提供，使用一个简单的预训练模型（例如，spaCy 的 en_core_web_sm 用于调查问卷响应中的实体/主题提取）。
结论
Webinar Analyzer 是一个定义明确、严格规范的工具，用于将原始网络研讨会数据转换为可操作的洞察。其栈无关的特性允许在任何 Web 框架中实现，而其强制的隐私门、数据映射和功能可用性报告确保在编写的代码可用之前绝不会浪费。通过遵循本合同中概述的规范，您将构建一个为增长、用户细分和内容优化提供切实价值的仪表盘。