金融大数据平台的搭建和应用是两个部分，对于金融大数据平台来说，这两个部分都很重要。

所以以下的部分我们从大数据平台和银行可以分析哪些指标这两个角度来阐述。

一、大数据平台

大数据平台的整体架构可以由以下几个部分组成：

从底层逐步往上，如图所示表示这么几个环节：

一、业务应用：其实指的是数据采集，你通过什么样的方式收集到数据。互联网收集数据相对简单，通过网页、App就可以收集到数据，比如很多银行现在都有自己的App。

更深层次的还能收集到用户的行为数据，可以切分出来很多维度，做很细的分析。但是对于涉及到线下的行业，数据采集就需要借助各类的业务系统去完成。

二、数据集成：指的其实是ETL，指的是用户从数据源抽取出所需的数据，经过数据清洗,最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。而这里的Kettle只是ETL的其中一种。

三、数据存储：指的就是数据仓库的建设了，简单来说可以分为业务数据层（DW）、指标层、维度层、汇总层（DWA）。

四、数据共享层：表示在数据仓库与业务系统间提供数据共享服务。Web Service和Web API ，代表的是一种数据间的连接方式，还有一些其他连接方式，可以按照自己的情况来确定。

五、数据分析层：分析函数就相对比较容易理解了，就是各种数学函数，比如K均值分析、聚类、RMF模型等等。

列存储让磁盘中的各个Page仅存储单列的值，并非整行的值。这样压缩算法会更加高效。进一步说，这样能够减少磁盘的I/O、提升缓存利用率，因此，磁盘存储会被更加高效的利用。

而分布式计算能够把一个需要非常大的算力才能解决的问题分成很多小部分，接着把这些部分给到许多计算机同时处理，然后把这些计算结果综合起来，得到最终的结果。

综合这两种技术，就能够大幅度提高分析环节的效率。Yonghong MPP可以说是目前在这两方面做的最出色的了。

六、数据展现：结果以什么样的形式呈现，其实就是数据可视化。这里建议用敏捷BI，和传统BI不同的是，它能通过简单的拖拽就生成报表，学习成本较低。国内的敏捷BI中，个人用户推荐Tableau，像银行这类的企业级需求推荐Yonghong BI 。

七、数据访问：这个就比较简单了，看你是通过什么样的方式去查看这些数据，图中示例的是因为B/S架构，最终的可视化结果是通过浏览器访问的。

二、银行数据分析体系如何搭建？

搭建一个数据平台可能是项目制的工作，在一段时间内会完成，但是搭建数据分析体系这件事却任重而道远。但是如果有人能在做产品的同时，将金融行业同类的数据应用经验也分享给你，帮助你去搭建数据分析体系，那就是真正的“良药”了。

下面分享一个YonghongTech帮助某大型银行数据服务平台建设的案例。

以客户在银行办理业务的行为路径，可以有这样几个主题，不同主题有对应的场景及其指标。

1.一个客户

客户主题：客户属性（客户编号、客户类别）、指标（资产总额、持有产品、交易笔数、交易金额、RFM）、签约（渠道签约、业务签约）组成宽表

2.做了一笔交易

交易主题：交易金融属性、业务类别、支付通道组成宽表。

3.使用哪个账户

账户主题：账户属性（所属客户、开户日期、所属分行、产品、利率、成本）组成宽表

4.通过什么渠道

渠道主题：渠道属性、维度、限额组成宽表

5.涉及哪类业务&产品

产品主题：产品属性、维度、指标组成宽表

三、案例

鉴于篇幅问题，此处可以参考这篇文章：

华夏银行：大数据技术服务业务需求，实现销售高速增长

http://.baidu/builder/preview/s?id=1600613969915764917

【IT168 技术】摘要：通过对数据处理阶段性发展的解析，分析大数据、人工智能技术的发展趋势。结合实际生产需求，验证了基于容器云架构的新一代大数据与人工智能平台在数据分析、处理、挖掘等方面的强大优势。

关键词：大数据 人工智能 云计算 Docker 基础能力 多租户

Abstract：Through analyzing the staged development of data processing, this paper analyzes the development trend of big data and AI technology. According to the requirement of customers, the new generation of big data and AI platform based on Docker Cloud verify the powerful advantages in data analysis, processing, mining and so on.

Key Words：Big data; AI; cloud computing; Docker;basic abilities; Multi-tenant

引言

人工智能、大数据与云计算三者有着密不可分的联系。人工智能从1956年开始发展，在大数据技术出现之前已经发展了数十年，几起几落，但当遇到了大数据与分布式技术的发展，解决了计算力和训练数据量的问题，开始产生巨大的生产价值;同时，大数据技术通过将传统机器学习算法分布式实现，向人工智能领域延伸;此外，随着数据不断汇聚在一个平台，企业大数据基础平台服务各个部门以及分支机构的需求越来越迫切。通过容器技术，在容器云平台上构建大数据与人工智能基础公共能力，结合多租户技术赋能业务部门的方式将人工智能、大数据与云计算进行融合。

数据处理的发展阶段

随着信息技术的蓬勃发展，特别是近十年，移动互联技术的普及，运营商、泛金融、政府、大型央企、大型国企、能源等领域数据量更是呈现几何级数的增长趋势。数据量的膨胀除了带来了数据处理性能的压力外，数据种类的多样性也为数据处理手段提出了新的要求，大量新系统的建设同时产生了众多数据孤岛，给企业的数据运营维护与价值发掘带来了重大的挑战。随着大数据技术的不断发展，企业的数据处理技术转型也经历了几个阶段，如图1所示。

▲图1 企业数据处理转型的阶段变化

在第一阶段，大数据技术发展的早期，为了打破数据孤岛，将各类数据向大数据平台汇集，形成数据湖的概念，作为多源、异构的数据的数据归集，在此基础上进行数据标准化，建立企业数据的汇聚中心。在这个阶段，对非结构化数据处理以存储检索为主，对结构化数据处理提供各类API和少量SQL支持，使海量的以SQL实现为主的业务难以迁移到大数据平台，新业务开发使用门槛高，大数据技术的推广受到阻碍。

在第二阶段，企业客户的需求集中表现为，如何更好地处理结构化数据以及将老的IT架构迁移到分布式架构中。各大数据平台厂商开始在SQL on Hadoop领域进行研发和竞争，不断提高SQL标准的兼容程度。在这个过程中，Spark诞生并逐渐取代了过于笨重且TB量级计算性能存在缺陷的MapReduce架构，Hadoop技术开始向结构化数据处理分析更深度的应用领域进发。随着SQL on Hadoop技术的不断发展与星环科技解决了Hadoop分布式事务的难题，越来越多的客户在Hadoop上构建新一代数据仓库，将Hadoop技术应用于越来越多的业务生产场景，技术门槛的降低，使越来越多的客户可以利用强大的分布式计算能力轻松分析处理海量数据。在这个阶段后期，随着企业客户对实时数据分析研判需求的不断提高，流处理技术得以蓬勃发展。

在第三阶段，一部分企业已经完成了由基于关系型数据库为核心的数据处理体系向基于大数据技术为核心的数据处理体系的转变。在本阶段早期，很多企业客户不满足于通过SQL基于统计对数据的分析和挖掘，促使传统的机器学习算法开始实现分布化，但主要还是针对结构化数据的学习挖掘。随着深度学习技术和分布式技术的碰撞，演化出了新一代的计算框架，如TensorFlow等，计算能力的提升，并结合大量训练数据，使机器学习人工智能技术在结构化与非结构化数据领域产生巨大威力，开始应用于人脸识别、车辆识别、智能客服、无人驾驶等领域;同时，对传统机器学习算法产生了巨大冲击，一定程度上减少了对特征工程与业务领域知识的依赖，降低了机器学习的进入门槛，使人工智能技术得以普及。另一方面，可视化的拖拽页面、丰富的行业模板、高效率的交互式体验，极大地降低了数据分析人员的使用门槛，让人工智能技术进一步走入企业的生产应用。

大数据、人工智能与云技术的融合

随着企业内部对于数据资源的应用不再仅仅局限于IT部门，越来越多的内部项目组与分支机构加入大数据平台的使用中，加之数据处理技术的不断发展，如何解决基础平台的资源隔离问题、管理分配问题、编排调度问题;如何将企业业务应用需要的基础服务能力做更好地抽象，降低应用所需的基础服务的环境搭建、开发、测试部署周期，提升IT支撑效能;如何更好地管理众多的基于大数据与人工智能开发的应用等等成为企业急需解决的问题。

在大数据技术发展的早期，仅仅是在计算框架MapReduce中提供简单的作业调度算法，随着资源管理的需求，在Hadoop 2.0时代，Yarn作为单独组件负责分布式计算框架的资源管理。但是，一方面，Yarn仅仅能够管理调度计算框架的资源;另一方面，资源的管理粒度较为粗放，不能做到有效的资源隔离，越来越不能满足企业客户的需求。

云计算技术作为资源隔离封装虚拟化，以及管理调度的技术，本应应用于解决上述问题。但是，在Docker容器技术被广泛接受之前，云计算虚拟化技术主要基于虚拟机封装资源，并在其之上加载操作系统，资源利用率低，早期有厂商尝试将大数据平台构建在基于虚拟机技术的云化方案上，由于资源利用和稳定性问题，在私有云上的尝试鲜有成功案例。在公有云方面，借助公有云较为强大的基础平台硬件与运维支持能力，有一些非核心业务的应用尝试。

随着Docker、Kubernetes等容器技术的发展，与微服务等技术概念的形成，大数据与人工智能基础平台开始基于容器云构建底层资源管理与调度平台。容器云就像一个分布式的操作系统，将集群中的各类硬件资源进行封装、管理以及调度，将封装的资源作为容器承载大数据的相关组件进程，再将这些容器进行编排，组成一个个的大数据和人工智能的基础服务，如分布式文件系统HDFS、NoSQL数据库Hbase、分布式分析型数据库Inceptor、分布式流处理平台Slipstream、分布式机器学习组件Sophon等。由这些基础服务编排构建公共能力服务层，提供如数据仓库、数据集市、图数据库、全文搜索数据库、流处理服务、NoSQL数据库、机器学习平台服务、定制图像识别服务等，为企业打造全新的数据处理核心系统。基于这一核心系统服务于各类企业的不同部门。通过资源隔离技术，通过对每个租户的资源分配和权限管理，满足业务分析人员的个性化分析需求，专注于业务逻辑的开发和数据的分析挖掘。

技术融合的应用

中国邮政大数据平台建设以Transwarp Data Hub(以下简称TDH)与Transwarp Operating System(以下简称TOS)作为基础架构系统，搭建的新一代逻辑数据仓库和数据集市，完全取代了Teradata和Oracle。

总体架构与实现

中国邮政大数据平台服务于量收、邮务、名址等系统，同时运用容器云TOS实现创新多租户的数据分析挖掘环境。建立从业务层到管理层到决策层的智能分析体系，模拟量化风险和收益，实现对邮政各种业务数据进行分类、管理、统计和分析等功能，给各级管理人员提供各类准确的统计分析预测数据，使其能够及时掌握全面的经营状况，为宏观决策提供支持;为省分公司基层业务人员提供详尽的数据，供其对各自的工作目标、当前和历史状况进行准确的把握，对业务活动进行有效支撑，满足邮政经营分析管理及决策支持。

中国邮政大数据平台以五大基础服务集群域为基础，分别是数据湖集群域、企业数据仓库集群域、省分服务集群域、机器学习实验室集群域、开发/测试/培训集群域。

(1)数据湖集群域：基于TDH平台搭建的数据湖，主要承担多源异构的数据归集，数据湖内包括：原始数据池、清洗加工数据池、整合加工数据池等。

(2)企业数仓集群域：基于TDH搭架的数据仓库集群，基于大数据创新搭架逻辑数据仓库，用于迁移改造原有基于Teradata搭架的数据仓库，数据集市和基于Oracle搭建的报刊集市的邮政量收管理系统。

(3)省分服务集群域：基于TOS搭建容器化多租户数据分析平台云。为省、市分公司开发人员和业务人员提供省分多租户的平台环境，集团分发数据与自有数据存储计算，自有应用的开发与管理，独立租户使用运行。

(4)机器学习实验室集群域：基于TOS搭建的容器化多租户大数据机器学习平台，为集团数据中心分析师提供多租户的开发实验环境平台，进行数据探查、业务建模、算法研究、应用开发、成果推广等。

(5)开发/测试/培训集群域：为应用开发人员、系统测试人员、培训师、学员提供多租户的大数据与机器学习平台，为开发商及内部单位提供开发测试培训服务。

以此为基础，达到了数据管理、服务管理、运维管控、安全管控四个维度的统一。在风险管控、决策支持、服务支撑、流程优化、品牌创新、交叉营销六大应用领域展开应用。实现了租户管理、数据治理、数据加工、数据挖掘、数据探索、数据展现六大平台功能。

数据湖和数据仓库基于TDH构建，将包括业务系统数据、实时流数据、合作单位数据、互联网数据等不同数据源，通过ESB接入、ETL工具、Kafka、Sqoop、文本上传、人工接入等方式，统一汇聚进入数据湖。加工后获得的数据资产发布到数据资产目录，通过数据资产目录的构建TDH与TOS用户间数据交互体系。便于用户快速检索数据，通过数据资产目录实现对数据的集成、融合、安全、共享。数据资产目录包括：元数据、主数据、数据安全、数据标准、数据质量、数据轮廓、数据生命周期等。此外，企业用户通过大数据门户按需申请租户存储计算资源、数据资源、审批流程通过后，集群资源管理员按需快速部署集群，自动化将数据从数据湖加载入数据分析集群或省分集群对应的租户空间，供数据开发人员使用。数据开发人员会将数据应用成果固化到数据湖内，对外提供数据服务。

数据仓库与数据集市的完整迁移

中国邮政大数据平台是全球首个采用Hadoop(TDH)技术完全取代Teradata和Oracle的混合架构搭建新一代逻辑数据仓库和数据集市的系统。

原量收系统使用Teradata的数据仓库和Oracle的数据库，数据使用空间目前已接近30TB，现有使用用户约5万人，提供近约900张报表的灵活查询，单日报表查询频次最高能达到40万次，月初高峰查询需支持约2000计算查询并发。

通过项目前期大量调研准备工作，制定了切实可行的项目实施方案。量收管理系统的总体架构、ESB、BI工具、ETL工具、调度工具、门户等都保持不变，仅将原量收系统的数据仓库和数据集市，使用大数据平台进行完全替换，降低了整个迁移风险。

整个迁移过程中，包括环境部署、模型迁移改造、接口迁移改造、数据迁移、ETL迁移改造、报表迁移改造、数据核对、性能优化、业务应用迁移、风险控制，系统测试等。例如模型迁移改造，不改变原有业务逻辑，只需对接口层模型，基础层模型、汇总层模型进行轻度改造。对于模型改造来说，系统基础层模型结构相对复杂，关联度相对较高，原系统使用Teradata数据库。TDH全面兼容Teradata的数据类型与SQL方言，降低了迁移成本。同时迁移完成后，性能大幅提升，见图2。

▲图2 迁移前后数据集市业务场景500并发测试性能对比

基于容器云的大数据与机器学习平台的全面应用

基于TOS实现的多租户新模式，将大数据与机器学习平台组件完全容器化实现，并在TOS提供能力服务。集团统一部署企业内部云平台，对邮政各个租户(集团、省分、市局等)动态分配存储、计算、网络等资源，并实现完整的资源隔离，使得各个租户数据分析人员和业务人员获得相对独立的资源环境，赋能业务创新，同时可动态调配资源，实现资源的共享优势。

集团、省分、市局各级人员通过多租户平台，实现资源发布、申请，使用及应用开发、成果推广。通过项目立项申请审批后，省分项目组人员在租户空间内，接入访问数据资源，使用平台服务资源，大数据分析工具及机器学习挖掘工具展开数据分析挖掘工作，具体开展数据处理、模型开发、算法应用、应用发布等，在审批验收之后，将成果推广到数据湖上部署对全集团提供数据应用服务。

通过TOS+TDH搭架厚平台、薄应用的微服务架构，实现租户之间的异构性、独立测试与部署、资源按需伸缩、高性能计算能力、租户间错误问题隔离、团队全功能化。实现数据资产化管理。面对集团数据多样、海量、跨板块、跨专业的需求，集团对数据进行了全面梳理，创新集成各版块、专业数据，创建数据资产目录便于快速检索获取资产，管控治理资产，让数据即资产从理论阶段上升到实现阶段。

结语

随着企业数据处理与服务需求的不断发展，由大数据的汇聚，分布式技术释放计算能力开始，技术不断延伸发展，大数据、人工智能与云计算的边界越来越模糊，�...

现如今，大数据已不再是一个流行术语。据相关的调查报告结果显示，在过去的两年时间里，有将近40%的企业正在实施和扩展大数据技术的应用。同时，大数据和业务分析市场的收入将从2018年的1301亿美元增长到2020年的2030多亿美元，数据的可用性、新一代技术以及向数据驱动型决策的文化转型将继续推动企业对大数据分析技术服务的需求。

而达普信构建的“DDP大数据平台”，是以大数据技术为基础为企业客户搭建统一的大数据共享和分析平台，实现对各类业务的前瞻性预测及分析，为各层次用户提供统一的决策分析支持，提升数据的共享与流转能力。

3大平台特点

1、提供自助式分析工具，无需编码轻松实现报表创建；

2、实现可视化管理，大数据平台向导式安装部署，任务管理、平台调度以及系统监控界面化操作；

3、提供R语言环境，轻松实现二次开发。

4大核心优势

构建大数据应用与服务体系

DDP作为大数据基础平台实现大数据应用与业务有机结合，发掘业务价值，构建大数据业务解决方案、数据分析模型与数据价值挖掘，实现大数据保障体系与保障机制。

实现大数据治理

DDP大数据基础平台导入后可实现大数据的有效治疗，解决数据质量、数据孤岛、数据割据等问题。

数据融合与统一数据管理

提供统一的公共数据资源和统一的数据共享交换平台，实现多系统之间，多来源、海量异构异质数据的互联互通，从全域大数据整合分析的视角，达到基于全维度数据的业务开发与业务目标实现。

大数据分析平台与应用验证

构建大数据基础平台能力，实现业务过程中的大数据应用场景，并在平台中进行验证，最终达到数据有效治理，盘活数据资产，最大程度发挥大数据价值。

6大应用场景

金融风控

经营决策

行业应用

智能画像

舆情监控

人工智能

//////////

总的来说，DDP大数据平台着力为企业构建统一的数据存储和数据处理资源，围绕企业业务开展大数据应用建设，最终形成面向服务化的数据资产，助力企业实现数据驱动，更好地建设新时代下的大数据发展战略。

引言： 2017年6月17日，广州思迈特公司在北京举行Smartbi大数据分析技术年度峰会。思迈特公司CEO吴华夫先生亲临现场，携最新的Smartbi Insight V7版本分享数据分析新四化的最新成果，并演示人工智能和数据分析的”首次融合”。

Smartbi智能语音助手数据分析演示

下面分享具体演讲内容：

很感谢大家在周末休息的时候来参加Smartbi V7产品的发布会。

下面，我会介绍一下关于思迈特公司的情况、Smartbi Insight V7版本的新特性和功能。

公司简介

思迈特公司定位成一家大数据分析可视化和商业智能的产品提供商。我们知道数据是企业最重要的资产，要发挥它的价值，就需要使用数据分析，数据分析是企业的重要武器。思迈特软件Smartbi insight就是一个利器，能够有助于发掘企业数据资产的价值。

思迈特公司成立于2011年底，通过这几年的发展，我们在北上广、成都、西安、武汉都有技术支持和销售，希望为各个地方的用户提供更好的体验和服务。

客户介绍

下面介绍我们的客户，我们在金融、政府、企业、高校等领域都有很多的应用。

金融行业。我们的银行客户并不仅仅是项目级别的应用，而是总行、全行、全业务线级别的应用。比如中国银行，我们的产品应用在20多家分行。股份制银行比如说民生银行、光大银行也是我们的老客户。

保险有泰康人寿，PICC、太保、中英人寿、幸福人寿等；证券有中信证券、银河证券、中投证券等客户；另外还有基金、投资公司、金融公司、财务公司等。

政府领域。我们在卫生、税务、财政、工商、公安等政府领域都有比较广泛的应用。

企业客户。比如海航集团、中国电信、石化、南方电网等。

教育行业。我们做了部级、省厅级、以及一百多个大学的大数据分析系统。

Smartbi Insight V7产品重要特性

刚刚介绍了公司和客户的情况，现在我们介绍Smartbi Insight V7的重要特性。

技术架构

Smartbi Insight 是一个大数据中间件产品，定位为数据分析和数据可视化软件产品。

第一层是数据层。包含RDBMS、OLAP Server、MPP、 Hadoop数据库。

第二层是引擎层。目前包含四个引擎：

元数据引擎。它是把技术的数据转换成业务数据，基于它实现我们的自助多维分析。

数据查询分析引擎。包含多维数据库、关系数据库、以及其他扩展的查询。

分布式内存计算。主要功能有ETL数据处理、机器学习、跨数据库计算。

人工智能引擎。这个是我们新增的，在目前所有的国内大数据分析产品中人工智能引擎是我们首创并最先提出来的。

第三层是功能层。主要包含报表报告、数据可视化、数据探查和分析、移动协同决策和人工智能深度学习这五个方面，后面我们会详细介绍。的

第四层是行业产品。除了平台产品，我们还根据行业的应用提供大数据分析解决方案产品。主要包括银行自助分析云平台和高校大数据分析系统。

报表报告

企业报表

Spreadsheet（电子表格）是企业报表平台的解决方案专家，创新的基于Office Excel实现报表设计，满足各种格式的行业监管报表、内部管理报表的需求。包括：清单报表、交叉报表、分组报表、多源分片报表、分块报表、表单报表、图形报表、回写报表、假设分析报表、二次计算报表、套打报表、段落式报表、预警报表（Excel条件格式）、组合报表（智能评语）。

它包括三个特点：

1、 简单易用。电子表格使用Excel、WPS作为报表设计器，可以帮助用户在最熟悉的环境中很容易的获取广泛和丰富的资源去实现需求。

2、 功能强大。不仅支持一般业内的负责报表如交叉报表等，还支持市场上其他报表不具备的统计预测和规划求解，如支持使用Excel函数，包括财务函数、统计函数等。

3、 图表丰富。Excel报表、图形模板资源丰富，本身作图能力也非常强大，日本画家可以基于Excel可以做很多水墨画，甚至美女图。只要有想象力，就可以创造出非常丰富的图形出来。

在V7版本继续增强了报表的功能，主要体现在：

1、 照相机功能。通过照相机拍照功能可以把多个报表合并组合成新的页面，类似黑板报，从而使页面布局灵活、数据格式动态同步，并易于维护更新。

2、 功能增强。包括大清单表的性能优化和对填报审核流程的改进。

3、 增加动态图形。不仅支持Excel静态图形，还支持Echarts动态图形，使图形效果更佳动感，交互性更强。

分析报告

Office Word/PPT也可作为报告的开发工具，基于报表体系制作可刷新数据的报告模板，将数据从IT环节贯通到办公系统，提高报告的制作效率，使业务的工作重心回归问题的原因分析和解决方案设计上。

Smartbi支持使用Word和PowerPoint来开发报告，在开发过程完全可视化，无程序编码，开发的工具Office插件还支持检测更新，自动提醒升级；开发的报告不仅支持在浏览器、移动端上直接查看和一键刷新，还支持后台定时任务，发布报表到个人邮箱。

数据可视化

数据可视化是目前一个炙手可热的话题，我们产品也有自己的可视化特色。主要包括：

交互仪表盘

我们的交互仪表盘就是基于Web上实现的H5版本的水晶易表，和市面上其他的可视化工具不一样，我们是基于Excel的数据模型，利用Excel的计算能力，并通过绑定关系多维数据源来实现交互性强的页面出来。

交互仪表盘的设计更简单、交互性更强、计算能力更强。如下示例：

图一：参数控件、图表联动，在Excel中配置，几分钟即可实现。

图二：what-if分析的示例。它是基于数据模型，通过简单点击交互操作的方式来挖据数据之前的关联影响，从而找到经营指标之间的关系，让领导更容易做出决策。

对公司来说，增加研发费用投入，成本增加了，利润是会增加还是会减少呢？若研发的投入会使产品的竞争力更强，则会有更多的收入。对于这样一个测算的过程，我们只需要通过简单的点击，基于底层的数据模型，就会很容易看出增加的经费对净利润、产品销售量、成本、收入等指标的关联关系的影响。

数据大屏幕

数据大屏幕适用于大型的管理机构，信息量高度集中，相比仪表盘来说弱化交互性，强化炫酷的展示效果。 Smartbi Insight支持非常灵活的布局、样式和图形效果，并且设计、上线速度极快，远超各种开发技术实现的大屏幕！

图形可视化

我们现在有两套图形引擎：静态图形引擎和动态图形引擎。除了内置的两套图形引擎，还支持扩展接口，第三方图形引擎很容易接到我们产品中来。

*动态图形。Smartbi Insight提供丰富的ECharts图形可视化选择，包括散点图、、南丁格尔玫瑰图、油量图、散点图、气泡图、雷达图、关系图、热力图、词云图等等。

*静态图形。通过电子表格（Excel）作图时可使用Excel完成更为复杂的图形设计，如：甘特图、山形图、手风琴图、子弹图、小又多图等等。以及对表格设置条件格式（数据条、色阶、图标集）。

地图分析

地图分析将企业经营数据在地图上进行可视化呈现，形成企业经营的地理导航仪，通过点击、下钻以及图表联动等方式，进行数据分析和展示。

直接支持迁徙地图、航线图、百度地图、热力地图、散点地图、地产密度图等等。地产密度图是和ArcGIS更专业的GIS系统结合，我们产品本身也内置GIS引擎，可以支持各种各样的地图分析。

数据探索和分析

我们在数据自助分析包含两个方面：查询数据和分析数据。这个功能尤其应用在金融电信行业。目前，我们有专门的自助分析云平台的解决方案。

自助查询

自助查询是指用户通过鼠标简单的勾选拖拽就可以找到关心的指标和字段，很轻松在上亿的数据中进行明细查询。这个功能的应用经验是从银行中积累的，因此我们在大数据支撑方面做过很多优化，是经过实践检验的，性能上相对于其他产品是有优势的。

多维分析

企业用户都希望对业务、管理数据进行多维度分析，Smartbi Insight充分满足此类OLAP需求，无论客户的数据环境为多维数据库还是关系数据库，都可以提供相应的功能。

*若使用关系数据库，则无须建模。支持自由钻取、切片、同环比、分组、计算字段、预警、图表联动等。

*若使用多维数据库，可使用Analysis功能，同样可以完成切片、钻取、同环比等功能。

移动协同

移动应用

移动应用让企业员工可以随时随地通过手机、平板查看和分析数据。丰富的图形让数据展现栩栩如生，离线下载随身携带数据，手写批注让信息分享、决策讨论更加轻松。

我们的移动应用开发简单、功能强大，特点如下：

android、iOS的手机、平板都支持

一键发布、支持批注与分享（到社交软件）

集成能力：企业微信、OA及其它移动应用整合

安全性：设备安全管理，通讯加密，离线安全

协同决策

Smartbi产品的协同决策功能就类似一个私有的微信平台，把领导线下决策执行的过程转到线上。在这个平台上，你不仅可以随时发送报表报告、进行实时评论、分享工作，还可以交流讨论、组织在线会议等，让用户可以在Smartbi Insight中进行多人多团队决策、提高决策精准度。

数据源

Smartbi兼容支持各种数据源。我们支持关系数据库（包括Vertica等MPP数据库），多维数据库、大数据库。在V7版本上新增了华为、星环和Kylin等的支持。

系统集成

为了ISV能基于Smartbi平台产品更加方便的打造自己的大数据解决方案，我们对界面可视化配置、权限体系、集成等方面又做了更大的完善和改进，主要包括：

界面风格（LOGO）随意更换，不用重启服务器

J2EE架构、纯WEB方式、无需安装其他插件

用户集成（权限自主管理：资源权限、数据权限、操作权限）

报表集成支持外部链接或内嵌到其它系统中

运维可视化

作为一个大型系统，若有万以上级别的报表该如何管理呢？可以使用我们的运维可视化功能。界面操作，非常易用。

通过界面可视化的运维管理，使得：

运维管理能力更强。可以通过元数据引擎查看报表的关联关系，可以查看报表的访问情况。如看一张报表的访问次数，若少则可下线。

解决问题能力更强。当慢、卡各种情况发生，通过CPU监控、内存监控、网络监控等功能快速定位问题。

自动检测能力更强。系统支持定时提醒，支持自动检测优化，支持调整系统参数，能最好的满足用户的需求。

人工智能

随着大数据作为企业的资产，它的重要性毋庸置疑。我们提供很多方法让用户去查询分析数据，比如通过报表报告发给领导查看，通过大屏幕查看关键KPI指标，通过自助分析使业务人员简单的操作就能自助查询分析数据。的

但是，若是能通过语音语义来表达诉求，通过一个工具接受指令，直接把需要的数据传递给你，会对大数据分析方式产生很大的变革，会使更多的人受益于大数据，会更方便的挖掘大数据的价值。

因此，V7版本上我们发布了人工智能小麦的功能。她基于语音语义模型，通过深度学习的引擎，实现自然语言的理解，并支持用户使用偏好，从而实现数据查询和分析。目前，我们支持打开已有资源，切换参数；还支持自助探索分析。

这种人机交互的方式体现了AI和BI的结合。当然这只是迈开的第一步，我们未来的目标是通过自然语言，用户能轻松自由的利用大数据，不仅能了解现状、挖掘规律，更是预测未来。

作者：冯大福

来源：说说数据分析那些事儿

大数据，这个被炒烂了的概念，现如今已被人工智能替代。我们先不讨论人工智能，就大数据而言，我们都是在强调它的技术，例如网络热词：hadoop+spark，data mining。而我们在用大数据时候，经常神话它的影响。例如，广告投放精准化，社会安全管理有序，医药行业智能化等。

当然这些是我们的畅想，同时确实也离不开数据分析影响，但是我们有没有停下脚步去想一想，到底大数据怎么去落地呢，怎么去分析？怎么利用数据来去使企业做出决策，例如：广告投放精准化？

1

我们了解什么叫大数据分析吗？

麦肯锡给大数据定义：

“一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。”

基于我对以上定义的理解，我总结的大数据分析就是，将获取的数据打通、整合、找寻规律，立即得出决策信息。

数据获取

我总结的数据源可分类三类：

（1）一方数据：用户事实数据

例如用户在某金融机构购买的理财产品，时间、哪个出单口、姓名、电话等，或者运营数据，例如某互联金融app，用户操作行为数据。

（2）二方数据：其实这部分叫做广告投放数据

例如，广告展示量，活动页点击量，广告来源等。也有公司将这部分数据作为第三方数据，因为有些广告监测公司会利用此数据和人群数据整合构建自己dmp这样的公司一般宣称为第三方公司，三方数据。

（3）三方数据：行业数据，也叫公开数据

例如行协的数据，或者互联网行为数据，例如某互联网公司用户在此网站的行为数据，或者嵌入sdk的app后我们能采集到的安装活跃列表，以及可采集到线下数据。

打通：其实就是利用关键点的采集整合一二三方数据。例如我们可以通过手机号将一方和三方数据整合，或者利用cookie，或者imei号等将二方、三方数据整合。但是由于现在监管制度对手机号敏感数据的控制，以及互联网和移动端数据的跨平台打通技术难点，我们现实的匹配率很低，例如一方和三方的数据匹配达到20%其实就算比较不错的情况，当然运营商数据除外。

找寻规律：目标就是数据清理，从非结构化数据变成结构化数据，以便统计，数据探索，找寻规律，形成数据分析报告观点。本文将会在第三部分阐述。

立即决策：将数据分析报告中的观点系统化或产品化，目前而言，大部分公司还是会依靠人工决策。

为什么需要大数据分析？看上去大数据分析似乎按照这些步骤来，但是从第一步的数据源来说，其实已经反应了大数据的特点，就是杂乱无章，那么怎么从这些数据找寻规律，分析的内容和目标是否对应上，似乎就是我们需要大数据分析的理由。

现在，大数据的分析通常采用的数据报表来反映企业运营状况，同时，对于热点，人群分析，我们看到的统计值，目标核心都是用数据分析报告提炼的观点来指导运营，那么问题来了，怎么用数据分析来指导数据决策呢？

2

数据分析的报告思路

（从移动端的角度进行切入）

基于我对数据分析的理解，我将数据报告会分成三大类：市场分析、运营分析、用户行为分析。

市场分析

由于市场分析一般而言是定性、定量分析，最近热播剧《我的前半生》贺函和唐晶的职业就是来去咨询公司的一般会以访谈、问卷调查来一份市场分析报告去告诉客户他们的市场占有量，消费者观点等。

这里，我们以移动互联网数据的市场分析为例，通常来说，数据源是公开数据，或者在第三方数据。正如我们所讲，将sdk嵌入开发者应用，就可以收集到安装以及使用列表，那么开发者使用的sdk越多，我们能收集的数据源也越多，这样就可以形成安装app排名，使用app排名，这里面所说的覆盖率、活跃率也是这个意思，例如：即此款应用安装量、使用量在整体金融类的安装量、使用量占比。

那么，这些市场分析的作用呢，一般而言，是对公司市场营销的总结，比如某金融公司kpi是为了获客，他们做了一系列营销，下个月排名我们可以查询到此款应用的安装量，是否较上个月上升呢？ 那么我们的竞品表现呢，他们是不是也做了一些列的营销活动排名上升下降？我们都可以通过市场分析、竞品分析来观测，但是这部分的观点由于是市场数据，我们只能通过大量的搜寻官网活动，或者互联网广告推测营销来推测是否竞争对手排名上升和这些营销活动有关。

同时，根据市场的走势图，我们能发现潜在的竞争对手，例如：我们能看出下图中的工商银行由于手机属于高覆盖高活跃组，即安装xxapp活跃人群也是最高的，因此，无疑xx银行是所有银行组潜在竞争对手。需要更加注意他们的市场策略。

运营分析

移动互联网提出的方法论：3A3R，笔者之前在做咨询的时候，此方法论也可以将网站分析套用，总结来说3A3R就是：

感知 → 获取 → 活跃 → 获取 → 营收 → 传播 → 感知

这里需要注明下，运营分析只是一个公司的baseline，让产品经理、运营人员、市场人员根据自己本公司的数据参考做出合理的决定，同时，运营的数据只是参考或者叫警示，若要具体，需要特定细节的分析，例如是否app改版，怎么改？需要增加哪家渠道合作？

（1）Awareness 感知

根据广告投放数据进行分析，目的判断渠道广告页对app 或者网站引流情况，同时可以帮助广告主设计监测表格，以数字角度衡量广告投放效果。

但是，广告数据一般而言在广告监测公司手中，或者公开的使用工具上例如GA，我们需要依靠广告公司设计营销环节，例如活动页，加监测代码，或者在媒体、app应用商店加入代码便于监测广告表现，而往往这样的数据很难加载，一般是由应用商店，或者媒体提供，同时，以上数据，监测公司数据一般而言也不会提供给广告主，只是会提供统计值。

言归正传，我们看感知数据其实目的就是想衡量我们的大量的营销投放钱花的对不对，广告的展示量、点击量等是最好衡量一个公司的广告市场部门绩效，没有广告投放，就无法带来获客，因此钱花的值不值，能带来多少客人，才会有下一步 acquisition。

（2）Acquisition 获客

获客是第一步广告投放拓展，用户点击广告后到达应用商店或者着陆页后去下载app，访问网页后，登陆app后的数据是广告公司或者应用商店提供不了的数据，因此获客其实有两重目的。

目的1： 衡量第一步提供的数据是否准确，即是否渠道作弊

目的2： 判断渠道是否好坏

目的3： 判断营销活动是否有效

例如下图中，我们发现4成用户是搜索流量较上个月增加了6%，是不是我们需要增加和sem的合作呢？而在媒体引荐渠道中，我们通过渠道衡量客户转化率，点击-用户激活的，激活的注册转化，可否重点对某应用商店增加合作。

下图是目的3的应用，来衡量三个月内的新增用户，活跃用户是否受活动营销、广告投放、版本更迭等影响。例如：7月28日的版本更迭，增加新用户的利器，那么产品经理需要分析下这个版本到底哪里的改变，让用户增长这么快，而8月份的营销活动会唤醒沉睡用户，反应考核运营人员的绩效，那么，是否我们在做促活时候可以借鉴8月的成功经验呢？而这个成功经验需要进一步做专题分析。

（3）Activities 活跃

获客后，我们想看看我们的新增、活跃用户的表现情况，那么就到了第三步 活跃，其实就是为产品经理改版app或者页面提供数据支持。

活跃分析可参考以下三个步骤：

第一：从页面浏览次数，独立访问人数，来圈定主要页面分析。

例如某款app首页是pv，uv最高，我们会重点分析首页。

第二：根据圈定页面，制作点击热力图，便于产品经理对后续页面改造提供数据支持，例如我们可以将点击量小的按钮在下次改版删除，对点击量大的重新排序。

第三：根据圈定页面，制作点击热力图，便于产品经理对后续页面改造提供数据支持，例如我们可以将点击量小的按钮在下次改版删除，对点击量大的重新排序。

（4）Retention留存分析& Revenue & Refer

这几个实际上在企业运用的并不多，这里简要说明下。

① Retention

用户积累到一定数量后，我们想看下用户粘性，那么我们就来到retention，一般是衡量活动效果时候运用的比较多，来看此次活动过后，是否用户依旧会使用我们的app，但是由于金融app属性不会像游戏应用每天进行访问，因此Retention 在实际应用中不会太多，下面的例子是个展示，不做赘述。

② Revenue

这些留下来的客户给公司贡献多少现金呢？会看收入步骤， 一般公司不会将现金流数据放入在统计平台中，但是我们需要提出用户贡献的流水金额数据供我们使用，便于人群划分，例如下面简要分析：

Refer 传播：

最后，我们想让这些客户进行传播；核心是口碑营销，即用户自发的转发给其他用户链接，让他们下载app或者参与活动，因此传播的下一个环节又会转换营销，但是传播会受到很多限制，例如没有奖励机制的口碑传播，几乎转发量为0，同时，传播若要衡量比较困难，尤其在大量互联网用户基础上，这样会造成资源代码叠加，系统负担，因此一般企业也不会设计这样活动让营销人员参考。

用户分析

若说大数据分析的核心，其实就是在于用户分析，正如我们前面所讲，用户分析的步骤流程如下：

即在力所能及的搜集数据范围内，打通数据，客户用户，精准营销。

第一，我们可以筛选的条件列表，我们可以通过应用条件，位置，标签条件将数据整合，整合的目的就是刻画客户，定出营销策略。

例如：我们想筛选金融客户（应用条件筛选），出现在五星级酒店（位置条件），且为母婴人群（标签）。

但是需要注意的是，条件越多，用户轮廓越清晰，人群会越少。

第二，根据筛选的人群，我们将线上/线上统计化，或者建模多维度分析。

例如，我们根据筛选的人群，发现男性多于女性，苹果手机属性最高，常手机工具使用，那么我们可以将这部分目标人群用增加手机工具合作，或者和苹果合作获客或者促活。

第三，整合以上数据分析，形成人群画像。

文|小天文章源自：起点学院学习联盟

在小白们眼里，大神们的数据分析报表基本上是这样的……

要么就是像这样的……

而大部分人，差不多是这样的……

啊多么痛的领悟……

怎样才能又快又好地做出一份高颜值的数据报表呢？带着立志要把这样的图表从癞蛤蟆脱胎成白天鹅的坚定和悲壮，这里搜集了5个笔者之前用过，用户评价不错，用起来还顺手的可视化数据平台。

话不多说，直接上正文。如果你也有推荐的平台，欢迎留言分享~

-1-Echarts

没想到这个第一次用就惊艳到我的产品竟然是国产，而且还来自百度，简直堪称良心。先上几张用Echarts制作的效果图。

貌似很多小伙伴喜欢用Echarts制作地图类的可视化效果……毕竟酷炫……

除了这些惊艳的地图，Echarts同样可以运用于散点图、折线图、柱状图等这些常用的图表的制作。

如果你需要展示实时变化的数据，相信Echarts里的动态接口会对你十分有帮助。

Echarts的优点在于，文件体积比较小，打包的方式灵活，可以自由选择你需要的图表和组件。而且图表在移动端有良好的自适应效果，还有专为移动端打造的交互体验。

-2-Highcharts

这个也是很多小伙伴在使用的一个平台。完全不用担心找不到参考的样图，因为已经有很多中国区的用户在上面更新并维护着很多实例，你往往能从这些丰富的例子找到类似的表达样图。

它的图表类型自然也是很丰富啦，线图、柱形图、饼图、散点图、仪表图、雷达图、热力图、混合图等类型的图表都可以制作，也可以制作实时更新的曲线图。

Highcharts对非商用免费，对于个人网站，学校网站和非盈利机构，可以不经过授权直接使用Highcharts系列软件。Highcharts还有一个好处在于，它完全基于HTML5技术，不需要安装任何插件，也不需要配置PHP、Java等运行环境，只需要两个JS文件即可使用。

-3-帆软报表（FineReport）

FineReport的可视化效果虽然没有上面两种那么酷炫，因为定位是报表软件。但是赢在操作相当简易，不会上面那些复杂的代码也没关系。它采用类似于Excel的编辑器，只需要点选拖拽等操作，拖动数据列绑定至对应单元格，简单设置就可以在web端查看数据展示。

目前，它有普通报表、聚合报表和决策报表三类报表设计模式，基本可以满足企业各类日常数据分析的情景需求。

数据的可视化与交互效果也很不错。最牛逼的可以做高大上的动态报表

还有一个比较强大的地方，就是它的数据填报。区别于传统意义上只能做数据展示的报表，FineReport允许用户对数据库的增删改。而且，它填报报表的流程非常简单，只要四步：报表设计、控件添加、设置填报属性和填报录入，这样，填报工作就能轻松搞定啦~

-4-数说立方

数说立方是大数据应用与服务提供商“数说故事”旗下一款面向数据分析师的在线商业智能产品。在数据的可视化呈现方面，操作比较简便，即使是非数据分析的专业人员，也能轻松实现。

同时，它的实时数据可视化引擎也能让使用者可以第一时间获得数据的可视化反馈，直观地了解到数据的变化情况。

-5-PowerBI

PowerBI是微软发布的一款可视化BI工具，类似Excel升级版的大表哥。一改以往excel需要数据透视表，写大量函数的复杂特点，这款工具拖拖拽拽操作起来十分简单。

2016 年，滴滴平台用户累计已达到 4 亿，覆盖城市超过 400 座。作为中国出行领域的独角兽公司，滴滴手上所掌握的出行大数据不可小觑。1 月 12 日，财新传媒和滴滴出行主办了“知道·2017 大数据智慧城市论坛”，滴滴出行联合第一财经商业数据中心发布了《2016 智能出行大数据报告》（以下简称《报告》）。不要小看这份出行大数据，它所涵盖的内容远远超过了出行本身：哪个城市最堵？哪家公司加班最晚？哪些景点挤？出行大数据统统都能告诉你答案——杭州智能渗透率居榜首，贵阳发展前景可期从智能渗透率来看，一二线城市依然整体优势明显，杭州继续位居榜首。珠三角地区总体渗透率较高，在用户渗透率排名前 10 的城市中占据 4 席，分别是深圳、广州和东莞、珠海。

在各级城市月人均出行次数上，三四线城市与一二线城市相比仍有较大差距。月人均出行次数排名前五的城市依次是天津、青岛、北京、杭州、宁波。根据智能渗透率，出行活跃度和便捷程度等综合指标测算的智能出行发展指数，杭州、北京、广州、深圳、成都排名前五，一线城市和省会城市明显更高。排名前 20 的城市中有 8 个为珠三角和长三角城市。而潜力城市（二、三、四线城市）多为长三角、珠三角和京津冀地区的二线和三线城市，其中西部城市贵阳排名第 7，前景可期。三四线城市拥堵加剧，北京人均每年“堵”掉近 9000 元堵车永远是人们最关心的交通话题。2016 年，一线城市平均车速略有上升，而三四线城市平均车速下降明显，从 2015 年的 26.2 千米每时降至 2016 年的 25.3 千米每时。2016 年平均车速增幅较大的前三个城市为大连、常州和青岛，而下降幅度最大的城市为丽江、嘉兴、三亚。

根据高峰期拥堵延时指数，西安成为 2016 年堵城冠军。2015 年的拥堵冠军重庆今年位列第 2 位，而去年的亚军青岛 2016 年治堵效果显著，今年仅排名第 9。受极寒天气、冰雪路面、市政建设等影响，哈尔滨也上榜十大堵城，位列第 8。“堵声在外”的北京虽然位列第 4，但因为社会平均工资较高，成为因拥堵造成损失最高的城市——北京人每年因堵车损失 8717 元。而在全国最堵的西安，人均拥堵成本为 6960 元，排名全国第 3。互联网行业工作时间长，京东下班最晚除了与交通出行直接相关的方面，从出行大数据里还能看到很多很有意思的现象。比如在加班重灾区的互联网公司中，哪家公司是加班之王？答案是——京东。京东超越去年的冠军奇虎 360 成为今年平均下班时间最晚的公司，紧随其后的是 360 和阿里巴巴。在榜单前 10 名中，新浪、网易等老牌门户网站也上了榜，而今年的“网红公司”乐视位居第 10，我猜加班的都是公关部的……

不仅加班多，互联网人群平均工作时间也偏长。相较于金融、传媒以及房地产等行业，互联网人群平均工作时间更长，每天超 10 小时，尤其是深圳码农，工作几乎占据了其一半的时间。而且码农们生活节奏更为固定，公司与家两点一线偏多。心疼深圳码农一秒钟……媒体人异地奔波苦，金融从业者“朝七晚五”再说说我最关注的传媒行业。传媒人工作随机性较大，处于随时待命状态，出行峰值曲线较为平缓；同时他们的出差次数最为频繁，往返机场火车站及酒店的出行量接近总出行量的 1/5。金融从业者上班早下班也早，“朝七晚五”是他们的工作特点，同时他们还应酬多，夜生活丰富，下班后 20% 的人不是直接回家，而是去往各种餐饮娱乐场所，夜晚餐饮订单也超出平均水平 40%。同时他们还偏爱高档购物中心，北京的三里屯太古里、上海的国金中心、正大广场都是“金领一族”经常光顾的地方。

对于教师群体来说，二线城市的中小学老师更为辛苦，晚 21：00 后打车出行占比最高的城市为重庆、西安和成都，备课评职称的压力大概大于一线城市。在高校中，山东大学的老师最辛苦，工作日打车回家平均时间最晚。插一句，这份报告简直就是征婚指南啊！喜欢老实的？码农是首选；喜欢摩登的？金融从业者是首选；希望爱人能常伴左右的？那传媒行业的就可以 pass 了……购房热、健身热，出行数据亮点多2016 年春节后全国掀起购房热潮，打车去往房地产交易中心的出行量一年间增长了 2.8 倍。而在房产调控政策下也出现了离婚买房怪象，3 月 25 日，上海颁布最严房产调控政策“沪九条”，当天打车去往民政局的出行量同比增长 120%。房价能和离婚能挂钩，这也就是我天朝的“特殊国情”了吧……

除了购房热潮，2016 年还是奥运年。在里约奥运会期间，体育赛事带动全民健身热，其中较为显著的是去往游泳馆的出行量增长了 32.2%，想必是“洪荒少女”俘获了一批人的心。而在世预赛期间，国足虽然不争气，但球迷痴心不改，“里皮效应”明显，去年 11 月 15 日昆明一战中，有 30% 的球迷从外地远道而来。出行数据看城市性格：绵阳最温情大连最小资一个城市的风气也能从《报告》中看出端倪。根据滴滴顺风车免单占比，2016 年最温情城市（免单比最高）是四川省绵阳市，其他排名前十的城市也多为三四线城市。耳边响起了邓丽君的《小城故事》——小城故事多，充满喜和乐。

从目的地为健身场馆的数据来看，山西太原城市最爱健身的城市，其次为福州、佛山，一线城市中只有广州上榜；十大最爱读书城市长沙位列榜首，其次为青岛，温州；去往休闲娱乐场所占比最高的城市为南宁、太原、大连等；最“小资”的城市为大连、绍兴和上海，那里的人去往咖啡厅、酒吧、电影院占比最高；最后，天津位列十大海鲜之城冠军，重庆居于十大火锅之城榜首。是不是没想到打车数据居然能牵扯到这么多社会的方方面面犄角旮旯？怎么样，你所在的城市上榜了吗？

三秒之内成千上万台车辆统计的多月对比，多张报表数据同时展示。

　　-所有车辆里程累加后本月与上月对比；

　　-所有车辆当月里程排行对比；

　　-单个车辆月（行驶、停驶、超速、总里程、行驶次数等）数据详情；

　　-所有轨迹信息点月分布图（热点图：车辆到过最东、最南、最西、最北）；

　　-数据排行榜（最安全、最危险、最勤奋、最懒惰、行驶最多，最少......）。

作为企业Boss们，每天、每周、每月......不断的查看报表已经习以为常，没错，管理的秘诀是让数据说话（合作请加Acewill1），但看到这样的报表，企业Boss们简直无言以对，直呼：心好累！！！

比如这张报表↓

还有这张报表↓

报表一堆数字，

看不出营业趋势

！

各个部门的不同报表，

数据都无法汇总、统一分析

开发一张定制报表

周期长、造价高，无法复用，且数据延迟

人工录入，

数据准确性无法保证

不能实现

移动端查看报表

大数据时代竞争的关键是什么？

快！精！准！

所以，企业Boss们的内心OS，你真的能读懂多少？

前方高能

奥琦玮大数据分析平台上线啦！

让数据说话

，奥琦玮大数据分析平台更懂企业大佬！

奥琦玮大数据分析平台，围绕以消费者的消费偏好、原材料的损耗规律、资金流转的过程、人力的排版体系四类数据，致力于帮助餐饮连锁企业解决数据分析的难题。

产品优势

1F

报表定制开发费用0元

定制开发0费用，用报表更

省心、更无忧

，免去费用顾虑。

2F

实时数据呈现

数据可视化，样式灵活，拖拽鼠标即可生成自定义报表。

0.5小时内

完成

以往2、3天

的定制开发报表，且匹配好数据后就自动实时展现。

3F

异常数据报警

定义数据指标，

系统进行监控

，达到阈值自动发送报警。

4

跨系统数据汇总

跨系统

连接企业内部所有数据

，并结合相关业务线将其整理成

清晰移动的图表

呈现移动端查看报表，帮助管理层监控总部和门店运营的整体情况，各部门各项指标及目标达成率。

5

移动端

不受时空、地域限制

，随时随地查看报表，方便快捷！

报表呈现展示

数据展示，灵活多样↓

科学算法，数据趋势更清晰↓

可以

全局筛选↓

多表联动

↓

多层钻取↓

对比分析↓

还有

酷炫的动态轨迹

展示↓

移动端报表

不仅以此，除

数据可视化功能

外，奥琦玮大数据分析平台还提供专注

餐饮的数据分析、数据挖掘及预测

：

消费者的消费偏好：

分析谁，在哪儿，什么时间，吃了什么，多少钱。

原材料的损耗：

用什么样的原材料在不改变客户口味的情况下做菜品创新。

人力排班数据：

分析用工合理性或者人员配比合理性。

资金流转的过程：

合理预估资金使用账期关系。

用营业额数据趋势设计开台摆台，用菜品点击设计菜单，用营销活动分析选择合作平台

等等。

奥琦玮大数据分析平台在手，相当于拥有了一支私人定制报表团队：

一位

数据科学家

、一位

数据处理工程师

、一名

专业餐饮行业顾问

和一位

数据挖掘大拿

！！！！

奥琦玮大数据分析平台，

360度全方位

为餐饮连锁企业解决数据分析难题！