首席金融官

如今，金融业面临众多前所未有的跨界竞争对手，市场格局、业务流程将发生巨大改变，企业更替兴衰；未来的金融业，业务就是IT，IT 就是业务；金融业将开展新一轮围绕大数据、移动化、云的IT 建设投资。本节主要介绍金融行业大数据的应用案例，希望对读者有一定的启发和学习价值。

【案例一】淘宝网掘金大数据金融市场

随着国内网购市场的迅速发展，淘宝网等众多网购网站的市场争夺战也进入白热化状态，网络购物网站也开始推出越来越多的特色产品和服务。

1．余额宝

以余额宝为代表的互联网金融产品在2013 年刮起一股旋风，截至目前，规模超1000亿元，用户近3000 万，如图所示。相比普通的货币基金，余额宝鲜明的特色当属大数据。以基金的申购、赎回预测为例，基于淘宝和支付宝的数据平台，可以及时把握申购、赎回变动信息。另外，利用历史数据的积累可把握客户的行为规律。

2．淘宝信用贷款

淘宝网在聚划算平台推出了一个奇怪的团购“商品”——淘宝信用贷款。开团不到10 分钟，500 位淘宝卖家就让这一团购“爆团”。他们有望分享总额约3000 万元的淘宝信用贷款，并能享受贷款利息7.5 折的优惠。据悉，目前已经有近两万名淘宝卖家申请过淘宝信用贷款，贷款总额超过14 亿元。

淘宝信用贷款是阿里金融旗下专门针对淘宝卖家进行金融支持的贷款产品。淘宝平台通过以卖家在淘宝网上的网络行为数据做一个综合的授信评分，卖家纯凭信用拿贷款，无需抵押物，无需担保人。由于其非常吻合中小卖家的资金需求，且重视信用无担保、抵押的门槛，更加上其申请流程非常便捷，仅需要线上申请，几分钟内就能获贷，被不少卖家戏称为“史上最轻松的贷款”，也成为淘宝网上众多卖家进行资金周转的重要手段。

3．阿里小贷

淘宝网的“阿里小贷”更是得益于大数据，它依托阿里巴巴（B2B）、淘宝、支付宝等平台数据，不仅可有效识别和分散风险，提供更有针对性、多样化的服务，而且批量化、流水化的作业使得交易成本大幅下降。

每天，海量的交易和数据在阿里的平台上跑着，阿里通过对商户最近100 天的数据分析，就能知道哪些商户可能存在资金问题，此时的阿里贷款平台就有可能出马，同潜在的贷款对象进行沟通。

案例解析：通常来说，数据比文字更真实，更能反映一个公司的正常运营情况。通过海量的分析得出企业的经营情况，这就是大数据的应用。在本案例中，正像淘宝信用贷款所体现的那样，这种新型微贷技术不依赖抵押、担保，而是看重企业的信用，同时通过数据的运算来评核企业的信用，这不仅降低了申请贷款的门槛，也极大简化了申请贷款的流程，使其有了完全在互联网上作业的可能性。

大数据的价值已经得到互联网公司以及金融机构的认可，笔者认为：“谁掌握的‘拼图’图块多，谁就能快速拼出客户的图谱，成为真正的王者。”然而，目前来看，谁都不愿意轻易地交出自己手上的“拼图”，于是，互联网公司、银行、支付机构等各个海量数据的拥有者展开了激烈的金融数据争夺战。

【案例二】IBM 用大数据预测股价走势

不久前，IBM 使用大数据信息技术成功开发了“经济指标预测系统”。借助该预测系统，可通过统计分析新闻中出现的单词等信息来预测股价等走势。

IBM 的“经济指标预测系统”首先从互联网上的新闻中搜索与“新订单”等与经济指标有关的单词，然后结合其他相关经济数据的历史数据分析与股价的关系，从而得出预测结果。

在“经济指标预测系统”的开发过程中，IBM 还进行了一系列的验证工作。IBM 以美国“ISM 制造业采购经理人指数”为对象进行了验证试验，该指数以制造业中的大约20 个行业、300 多家公司的采购负责人为对象，调查新订单和雇员等情况之后计算得出。实验前，首先假设“受访者受到了新闻报道的影响”，然后分别计算出约30 万条财经类新闻中出现的“新订单”、“生产”以及“雇员”等5 个关键词的数量。追踪这些关键词在这段时期内的搜索数据变化情况，并将数据和道指的走势进行对比，从而预测该指数的未来动态。

IBM 研究称，一般而言，当“股票”、“营收”等金融词汇的搜索量下降时，道指随后将上涨，而当这些金融词汇的搜索量上升时，道指在随后的几周内将下跌。

据悉，IBM 的试验仅用了6 小时，就计算出了分析师需要花费数日才能得出的预测值，而且预测精度几乎一样。

案例解析：从本案例可以看出，大数据不再仅仅局限在媒体与厂商之间的讨论，它犹如一场数据旋风开始席卷全球，从各行各业的IT 主管到政府部门都开始重视大数据及其价值。

目前，不少信息系统企业都在使用大数据信息技术开发预测系统。例如，2011 年，英国对冲基金Derwent Capital Markets 建立了规模为4000 万美金的对冲基金，该基金是首家基于社交网络的对冲基金，该基金通过从Twitter 的数据内容来感知市场情绪，从而进行投资。无独有偶，美国加州大学河滨分校也公布了一项通过对Twitter 消息进行分析从而预测股票涨跌的研究报告。

笔者认为：“企业数据就是新时代还未开采的石油，具有非常之高的价值。”国外一些金融机构已经开始做一些前瞻性的研究了，这种做法是非常值得国内金融机构学习和借鉴的。例如，国内大部分证券公司仍然没有摆脱交易性数据为主的特点，但很多有前瞻意识的证券公司已经开始做一些转型了，对微博、互联网等外部数据进行一些分析与预测。

【案例三】汇丰银行采用SAS 管理风险

近日，汇丰银行选择SAS 防欺诈管理解决方案构建其全球业务网络的防欺诈管理系统。据悉，这一解决方案是一种实时欺诈防范侦测系统。

SAS 被誉为“全球500 强背后的管理大师”，是全球领先的商业分析软件与服务供应商。SAS 通过三部分服务（包括软件及解决方案服务、咨询服务、培训及技术支持服务）帮助客户洞察商机，成就变革，改善业绩。

凭借丰富的行业专业知识，SAS 的行业解决方案在各领域为行业解析蕴藏于信息之中的独特的商业问题。例如金融服务领域的信用风险管理问题、生命科学领域加快药物上市速度和识别零售领域的交叉销售机会等问题。SAS 还提供跨职能解决方案，不分行业地帮助企业克服其面临的挑战。例如增加客户关系价值、测量和管理风险、检测欺诈和优化IT 网络等。

汇丰银行与SAS 在防范信用卡和借记卡欺诈的基础上，共同扩展了SAS 防欺诈管理解决方案的功能，为多种业务线和渠道提供完善的欺诈防范系统。这些增强功能有助于全面监控客户、账户和渠道业务活动，进一步提高分行交易、银行转账和在线付款欺诈以及内部欺诈的防范能力。通过监控客户行为，汇丰银行可以优化并更加有效地利用侦测资源。

汇丰银行利用SAS 系统，通过收集和分析大数据解决复杂问题，并获得非常精确的洞察，以加快信息获取速度和超越竞争对手。因此，汇丰银行还将继续采用SAS 告警管理、例程和队列优先级软件，提高运营效率，以便迅速启动紧急告警。

案例解析：在当今这个海量数据的时代，如何找到大数据中蕴含的前所未有的商业价值？笔者认为高性能分析就是那把“钥匙”。在本案例中，SAS 高性能分析可以帮助用户：将相关的大数据转变为真正的商业价值，采用世界顶级的分析技术来生成精确的洞察，快速获得答案来改变企业的运营模式，以及部署一个适合未来扩展的分析架构。

总之，高性能分析环境让用户可以充分利用IT 投资，同时克服原有架构的约束，从大数据资产中产生高价值的洞察。

【案例四】Kabbage 用大数据开辟新路径

Kabbage 是一家为网店店主提供营运资金贷款服务的创业公司，总部位于美国亚特兰大，截至目前已经成功融资六千多万美元。Kabbage 的主要目标客户是eBay、亚马逊、雅虎、Etsy、Shopify、Magento、PayPal 上的美国网商。

Kabbage 与“阿里小贷”的经营模式类似，通过查看网店店主的销售和信用记录、顾客流量、评论以及商品价格和存货等信息，来最终确定是否为他们提供贷款以及贷多少金额，贷款金额上限为4 万美元。店主可以主动在自己的Kabbage 账户中添加新的信息，以增加获得贷款的概率。Kabbage 通过支付工具PayPal 的支付API 来为网店店主提供资金贷款，这种贷款资金到账的速度相当快，最快十分钟就可以搞定。

Kabbage 用于贷款判断的支撑数据的来源除了网上搜索和查看外，还来自于网上商家的自主提供，且提供的数据多少直接影响着最终的贷款情况。同时，Kabbage 也通过与物流公司UPS、财务管理软件公司Intuit 合作，扩充数据来源渠道。

目前，使用Kabbage 贷款服务的网店店主已达近万家，Kabbage 的服务范围目前仅限于美国境内，不过公司打算利用这轮融资将服务拓展至其他国家。

案例解析：基于大数据的商业模式创新过程有两个核心环节：一是数据获取；二是数据的分析利用。在本案例中，Kabbage 与阿里金融的区别在于数据获取方面，前者是从多元化的渠道收集数据，后者则是借助旗下平台的数据积累，其中网上商家可自主提供数据且其数据的多少直接决定着最终的贷款额度与成本，这充分体现出大数据的资产价值，就如同传统的抵押物一样可以换取资金。

笔者觉得，虽说大数据是一座极具价值的“金矿”，但如果不能科学地加以利用，那么大数据就变成了一堆堆毫无用处的“石头”，Kabbage 就是借助大数据技术，并结合金融行业的特点，有效地控制了风险，实现了完美融合和创新。 本文来自

金融是服务于实体经济的，随着大数据时代的到来，传统的实体经济形态正在向融合经济形态转变，同时虚拟经济也快速兴起，金融的服务对象必将随之发生变化，这种转变为金融业带来了巨大的机遇和挑战，如图 所示。

融合经济产生新的金融需求

虚拟经济（Fictitious Economy）是经济虚拟化（西方称之为“金融深化”）的必然产物，是指基于计算机和互联网产生的一种经济形态，其产品和服务都具有虚拟化的特点，具体包括软件、网络游戏、社交网络、搜索引擎、门户网站等细分市场领域。实体经济是指物质的、精神的产品和服务的生产、流通等经济活动。随着新兴信息技术的快速发展，实体经济与虚拟经济正在加速融合，从而衍生了未来的主体经济形态，即融合经济，电子商务、O2O 模式都是融合经济发展进程的一个产物。

【案例五】大数据时代信用卡该怎么玩

中信银行信用卡中心是国内银行业为数不多的几家分行级信用卡专营机构之一，也是国内最具竞争力的股份制商业银行信用卡中心之一。近年来，中信银行信用卡中心的发卡量迅速增长。

2013 年11 月，在中信银行与腾讯联合发布“中信银行QQ 彩贝联名信用卡”仪式上，中信银行信用卡中心总裁陈劲表示，该行信用卡发卡量已突破2000 万张，未来将充分利用互联网基因和大数据技术挖掘客户需求。

过去，中信银行信用卡中心无论在数据存储、系统维护等方面，还是在有效地利用客户数据方面，都面临巨大的压力。同时，为了应对激烈的市场竞争，中信银行信用卡中心迫切需要一个可扩展、高性能的数据仓库解决方案，支持其数据分析战略，提升业务的敏捷性。

2010 年4 月，中信银行信用卡中心实施了EMC Greenplum 数据仓库解决方案。Greenplum 数据仓库解决方案为中信银行信用卡中心提供了统一的客户视图，借助客户统一视图，中信银行信用卡中心可以更清楚地了解其客户价值体系，从而能够为客户提供更有针对性和相关性的营销活动。

基于数据仓库，中信银行信用卡中心现在可以从交易、服务、风险、权益等多个层面分析数据。通过提供全面的客户数据，营销团队可以对客户按照低、中、高价值来进行分类，根据银行整体经营策略积极地提供相应的个性化服务。

基于Greenplum 解决方案在系统维护方面的便捷简单，中信银行信用卡中心每年减少了大约500 万元的数据库维护成本，这有助于减少解决方案的总拥有成本。

案例解析：在本案例中，Greenplum 解决方案采用了“无共享”的开放平台MPP架构，此架构是为BI 和海量数据分析处理而设计，相比普通的数据库系统，该系统提供了更高的可扩展性。与其他产品相比，Greenplum 解决方案可以给中信银行信用卡中心提供最高级别的性能。同时，该解决方案与银行所使用的硬件、应用程序和数据源实现了有效集成。此外，Greenplum 解决方案通过把数据集中在一个统一的平台，极大地减少了系统维护的工作量。

笔者认为，大数据对信用卡产品的营销具有很大的促进作用。例如，在大数据的环境下，银行可以利用先进的互联网、云计算等新兴技术，对消费者的刷卡行为进行数据化的分类、统计，通过整理数据获取消费者的消费习惯、消费能力、消费偏好等非常重要的数据信息。通过客户数据、财务数据来区隔客户，通过消费区域定位、内容定向，知晓他们的消费习惯，然后进行深入地数据分析挖掘和展开精准营销。

BI商业智能，这个我安利过很多次。

作为当下最广泛使用的数据分析工具，它的好处实在太多啦：

对比Excel、Python、R，不用写代码，不用写SQL，降低了数据分析的准入门槛，小白上手毫不费劲。能快速响应报表需求，准备好数据，出张报表也就是1个小时的事，再不济当取数机器也是极佳的选择。数据挖掘可视化应有尽有，对比Excel，以及开发级的Echarts，简直良心便利，随时随地出报告，直接Pass掉PPT。……

什么BI分析工具好用？

这个还真不能一刀切下定论。

大家听得最多的莫过于Tableau、微软的Power BI，还有我经常推荐的FineBI。

这3款BI工具各自凭借着可视化、Excel的影响力、以及企业级广泛应用的优势，在市面上都闯出口碑了。而且功能和版本也都在不断更新。

所以，本文花了3天的功夫，整理了近万字的功能对比，看看这三个产品功能优势和差异究竟在哪里？

主要这样几个角度考量：

产品背景数据对接能力数据建模和数据加工数据可视化OLAP计算分析数据挖掘集成应用数据权限管控学习与技术服务一、产品背景

Tableau即公司名，是最早的一代自助式BI分析工具，一直以来最被人称赞的其可视化，能基于可视化做很多数据分析扩展。

Power BI是微软的，14年15年开始初见苗头，之前主要是基于Excel的高级功能，包括Power Query，Power Pivot，Power View和Power Map，后来作为Power BI集合推出。

FineBI源于帆软公司，帆软早期做报表软件，finereport很厉害，在商业领域。后来逐渐发展商业智能BI，目前最新版已迭代到 V5.0。

讲到产品就要谈谈其定位了，就像介绍人要说姓氏一样。Tableau更多定位是可视化分析的工具，所以可视化很突出。PowerBI有走Excel路子的趋势，发力个人用户，个人数据分析。FineBI更倾向于企业级应用的BI，很多功能都体现其企业级的基因。

二、数据对接能力

常规的文件数据如Excel、CSV、TXT等，三者都可以直接导入对接分析。

传统的数据库例如Oracle、SQLServer、MySQL这三款也都可以直接连接取数分析。

大数据平台方面，对于现今比较流行的大数据平台如Kylin、Derby、Gbase、ADS、Hbase、Mongodb，Power BI还不支持。这个Tableau、FineBI目前都有接口可以直接对接。FineBI还可以根据数据量以及并发情况选择直连或分布式连的对接方案。

多维数据库的连接，比如SAP BW、HANA、Essbase等数据仓库，PowerBI还不支持，这块Tableau可以直接连接，FineBI可以通过服务器数据集进行对接。

FineBI 数据连接

数据接口开发方面，在一些需要基于java定制的api程序数据集，PowerBI和Tableau都不支持进行对接，FineBI则可以进行对接，基于java api的程序数据集。不过这是国外产品的老子态了。

Power BI对于一些联机服务器数据源支持的比较好，面向分析，例如Google分析、appFigures等数据。

三、数据建模和数据加工

1、数据建模

首先，三者都是自助式BI，都是自动建模了，这是和传统BI的显著区别之一。打个比方，假设我们要抽取一个数据库的几张表的数据来分析，当导入表时会根据键自动关联，或者手动设置关联联系。

Tableau建立数据模型属于宽表模型，相当于是在原来元数据表的基础上根据新的关联关系再新生成一个结果集，之后的分析都是基于这个结果集来的，元数据发生变化，除非你手动更新，分析结果也不会有变化。

FineBI也是类似的原理，不过建立的骨架数据关联模型都是基于元数据的，元数据变化，分析结果也实时变化。

PowerBI的数据模型建立之后只能针对当前报表进行使用。且在数据源种类整合时，PowerBI无法对不同来源的数据进行实时整合建模，例如下图所示，PowerBI会自动禁用多个数据源的实时建模，需要将数据模式全部修改为抽取数据才可以进行整合关联建模。

其次，FineBI和PowerBI的数据模式都支持实时和抽取模式，但是抽取模式下，由于FineBI的采用的分布式架构引擎进行数据的列式存储（支持十亿大数据量），PowerBI的数据引擎在抽取模式下仅仅是将数据以行式储存方式导入，所以在面对海量大数据时FineBI比PowerBI计算速度更快、性能处理更加强大。另外在数据编码上，FineBI支持对数据进行多种编码类型转换，PowerBI对这方面的转换是不支持的。

2、数据加工

对于数据的清洗加工处理方面，PowerBI提供了一些可视化界面的操作选项，结合M语言和DAX函数，可以进行数据加工处理，但需要用户有一定的公式编码书写能力。

Tableau Desktop没有系统的数据加工功能，今年最新发布的Tableau prep对数据清洗和数据加工方面做了较大的弥补，从数据清理/调整、检查/筛选数据、联接/合并数据都拥有着比较体系的数据加工策略，可以无缝对接Tableau Desktop使用，不过需要同时安装Tableau Prep和Tableau DeskTop。整体数据工作流还是非常清晰、直观的。

FineBI对一些有关数据的加工处理功能，统称为“自助数据集”。包括过滤、分组汇总、新增列、合并表、自循环列（可以有树结构的数据进行分层等集团性企业）、行列转换等操作。都可以快速进行处理，且可视化无代码。

四、数据可视化

从图表丰富度和可视化报告制作能力来比较。

1、图表丰富度

可视化展现能力方面，Tableau最佳，FineBI次之，随后PowerBI。

Tableau除了常规的图表之外，还有盒须图、标靶图等和分析模型深度结合的图表。FineBI也不弱，常规图表都拥有，在数据地图方面，更是有流向地图、点地图等更实用的图表。PoweBI内置的图表种类相对较少，像玫瑰图、多层饼图、词云图、热力地图、流向地图等，需要进行市场图表拓展下载使用，图形属性方面还算丰富，可以由用户自定义进行图表样式属性的设置调节。

操作方面，FineBI和Tableau是大差不差的，都是基于著名的图形语法(The Grammar Of Graphics)设计，以“形状“和对应的“颜色“，“大小“，“提示“，“标签“等属性进行图表类型替代。

在分析区域有两个轴，横轴和纵轴，把所要分析的指标和维度拖拽到两个轴，就会自动出可视化图，图表也是根据分析情况自动给推荐的。

还支持用户将字段绑定到图表的颜色、大小、形状、标签等属性。这样一来图表的可视化展现能力也就更加丰富灵活了，我们可以通过数据——>图表属性的无限组合，尽情地进行数据可视化认知的探索和洞察。

Tableau界面

Power BI就是拖拽图表组件，选定数据的方式来展现。

2、Dashboard展现能力

再来看看3个工具的Dashboard展现能力。

PowerBI首届数据可视化大赛的冠军作品，指标合理呈现，布局直观简洁，秉承微软一贯的方块美。

FineBI的Dashboard，下图是其中内置的一个比较典型的驾驶舱demo，总体来说更加细腻，柱形图圆角、字体颜色、风格、展现形式等，图表还可以有一些闪烁动效。

Tableau的可视化更加丰富，有种信息图的感觉，布局也更加自由。

五、OLAP计算分析

从OLAP多维能力角度来看，3个工具都支持用户进行钻取、联动、切片、切块等分析操作。

计算分析能力方面Tableau和FineBI都支持用户进行排名、排序、过滤、同比、环比、方差、标准差、中位数等快速计算操作，但是在一些高级计算例如移动平均、四分位等分析计算场景，Tableau拥有者更加强大的计算分析能力。

FineBI的快速计算提供现成的同期/环期、同比/环比、排名、累计值、所有值、百分比计算等等，还挺方便的。

另外Tableau在一些需要进行高级计算的场景下，还支持与Matlab进行集成计算，使用 MATLAB 预处理数据，并将该数据保存到 Tableau 数据提取中以便进一步分析。

PowerBI大量的计算需要依靠DAX函数来进行运算，有种Excel函数既视感，其实一些常用的计算公式比如同期环期、同比环比像FineBI可以直接快速计算。

六、数据挖掘能力

FineBI最新版5.0增加了五类现成的数据挖掘算法，分别为时间序列、聚类、分类、回归和关联规则，还支持R语言的集成。时间序列算法和聚类算法还和图表分析相结合，拖拽操作即可立马看到预测和聚类的结果。

不考虑时序关联分析

多元线性回归

PowerBI目前在数据挖掘这方面没有成熟的分析模块，只是简单的集成了一个R语言的执行脚本组件供用户书写代码集成使用。

Tableau目前在数据挖掘内置时序分析预测、聚类算法，可进行简单数据挖掘计算处理（类似分类、关联分析、逻辑回归等算法则是没有的），同时也支持与R语言和Python集成以进行深度的数据挖掘分析。

七、集成应用能力

WEB级别的集成应用方面，Powe BI开放了丰富的接口供大家集成使用，还支持自定义开发集成第三方图标插件。Tableau和FineBI也有WEB接口，比如进行Iframe网页集成，但是无法进行代码级别的自定义图表开发集成。

在移动集成应用中，FineBI支持微信集成和钉钉集成，给当今便捷式社交平台的数据分析查看带来了较大的便利，这方面的应用PowerBI并不支持。

门户集成方面，FineBI开放了单点登录接口，这方面PowerBI暂未直接支持。

FineBI有专门的一个数据报表管理平台以及运维。

八、数据管控能力

数据的权限管控能力方面，PowerBI可以将做好的报表打包发布为组织内容包并且进行指定用户组分配查看权限，并且由管理员进行用户组的行级别权限分配，但是无法控制用户查看的列级别的权限粒度，Tableau也是一样。

这块是FineBI的优势，之前也在产品定位介绍中提到，FineBI是从企业级应用出身的一款BI，所以具有非常完善的数据权限管控能力。除了提供仪表板的权限分配之外，还能够针对不同部门/岗位/角色的人员进行行/列级别的数据权限管控，使得不同的人能够根据权限限制而只能看到自己的部分数据。另外在针对企业集团数据权限管控方面，FineBI提供了多级管控权限供用户进行多层权限分配，为数据权限管控提供了保障。

九、学习与技术服务

Power BI遵循着微软产品相似的理念、原则和体系结构，它也为Windows用户提供了一个简洁熟悉的操作界面，以帮助用户快速适用学习上手。但是，像其他软件一样，它也有其起伏，目前并不是非常成熟，商业选型必须仔细考虑。学习资料方面，关于PowerBI官方的学习资料基础文档还算健全，但是有部分内容是英文的，外部一些Excel社区都各自开了教学课程，但付费居多，这个全靠大家挖掘资料的功力。

Tableau本身是一款非常成熟的全球化商业软件，拥有着非常强大的数据可视化分析功能。学习资料方面，官网也有很多学习文档、案例、视频等资源供用户进行上手学习。相较而言，Tableau产品学习曲线相对要陡峭一些，因为更加适合有专业数据技术能力的数据分析师使用。国内主要是代理商提供项目实施和技术服务，本土化稍微弱一些。

FineBI由于是国内帆软的BI分析平台提供商，所以不论是基础的学习文档还是教学视频资料都比较丰富，另外还有着非常活跃的帆软中文社区供所有用户进行学习交流。技术服务方面，尤其是对于企业级别的用户，还会有专业的技术服务团队响应服务，在国内本土化服务做得相当不错。

最后关键的，价格。

Tableau个人版有15天免费试用版，过后收费。Power BI和FineBI个人使用都免费。

商业部署。Tableau光产品，Desktop+Sever，一套一人加税后是11万多，每增加一人多买一个桌面版，就是15000左右，公司体量如果在3、40套，预计得7、80万，不含定制实施和维护服务。Power BI是按设计用户和节点卖的，按年/按月收费。估计了一下，假设200个用户的企业，40个设计用户，1年收费是45万左右，也就是每年要付出这么多，还是比较贵的。FineBI据我了解是类似软件采购买断式的，价格按照功能模块还有并发数定，平均2、30万起，不算服务实施。但这一性价比也远超于前两者了

个人使用，两者都是免费的。PowerBI毕竟背靠Excel这座大山，和Excel配合使用，大家会普遍觉得习惯。而FineBI又是另一种扁平化的风格，很多计算公式，可视化特效都有现成的，更加自助些。大家不妨都下载试试。

最后

作为数据分析师，也是数据产品的爱好者，我呢喜欢把弄各种工具。Tableau的可视化很人性，个人使用就像是Excel透视表的升级版。Power BI除了M语言和DAX语言得心应手比较难，产品操作也都延续了Excel的思想。但是两者共通的毛病，面向企业的产品定制化以及庞杂的报表分析需求，不是特别友好（开发难度太大，报表制作还得依靠Excel）。但这却是国内大多数企业很普遍的需求，这一块不妨青睐于国内“符合国情”的BI工具FineBI。

所以�...

【论点摘编】

能够定义为“大数据”的信息具有四个特点：数据量巨大；传统计算机难以计算处理；包含非结构化数据；信息密度低。基于这些特点，相对于传统的调查统计数据，宏观经济领域借助于大数据做预测分析具有以下五个方面的优势：及时性、准确性、容易细分、数据成本相对低和样本量巨大。综合当前学者们利用经济大数据做的宏观经济分析和预测研究成果，研究的内容主要集中在失业率、通货膨胀、社会宏观消费、房地产市场、选举问题、社会舆论分析以及GDP预测等方面。当前国内的研究在失业率、社会宏观消费以及GDP预测方面较为缺乏。此外，虽然专家和学者已经将大数据广泛地应用到宏观经济预测分析当中，但应用经济大数据做宏观经济预测时仍然面临如下几个方面的问题：维度灾难、非结构化数据、非线性关系和噪声问题，需要积极探索新的解决方案。

《财经智库》2018年第5期，张涛、刘宽斌撰文

《光明日报》（ 2018年06月27日 11版）

来源：光明网-《光明日报》

上篇文章说到了数据分析最牛工具Excel，实际工作中还会用到其他一些工具，本问稍作引导介绍。

大数据分析入门用到的工具和传统数据分析无二，此文提到的是不区分的。

用到的工具很多，但从用途分类，可以分为如下几类：

一、数据存储类

此类工具主要由IT人员管理并操作，作为数据分析人员主要是从这些工具中提取数据，常用的有：

SQL Server，MySql，Oracle，DB2

这些工具的细节介绍请自行百度，都是关系型数据库系统，可处理的数据量级有区别，本质相同。

对于数据库的数据读取，要用到SQL语句，是数据分析人员必须掌握的，要学习的也就增（Insert）、删（Delete）、改（Update）、查（Select）4个语句而已，学习无门槛，使用很普遍，且通用于各种数据库系统。

这是数据分析人员要掌握的一项技能，之后会有专门文章单独介绍。

二、数据分析类

除了Excel，还有一些工具会被用到，有：

SPSS，SAS，Tableau，BDP、Stata、DAS、Minitab等。这些工具大同小异，侧重点不同，没有必要统统掌握，工具所处的行业不同选择会有偏重，使用较为普遍的是SPSS和SAS软件。

三、报表展现类

此类工具主要用于展示数据分析结果，最常用的就是PPT，这个就不多介绍了，使用没门槛，精通则要多多学习。

还有一个比较常用的工具是XMind，是思维导图软件，是整理思路的必备工具，需要下载安装，免费版有基础功能，专业版年费699元，不过免费版基本能满足要求。

如果觉得XMind下载安装比较麻烦，可以使用百度脑图，直接在线就可以使用，非常方便，使用效果比较理想。

上文说到的工具请自行百度详细了解，我不做搬运工。

上面介绍的都是一些典型的工具，具有代表性，作为初学入门，分析工具都要了解到，展现类工具PPT、Xmind等必须多多学习。本号持续整理各种学习资料，请随时关注免费资源内容。

其他BI类软、R、Python等数据分析工具，本文不做介绍，也不是初学者需要学习的，这些作为中级阶段的内容再学习。

我是公号「大数据分析狮」，只谈大数据力量！

一提到数据分析，很多人可能脑海中可能会浮现出各式各样的数据画面。

比如下图所示，这样的中国式复杂报表在企业中经常被使用，精密的复杂表格样式中蕴含着国人庞大的数据信息量。

再比如这样的数据Dashboard可视化，通常应用于展示KPI业务指标，例如销售额、毛利率、利润率等等，数据的可视化呈现形式清晰直观。

再就是目前火热的不行的可视化大屏，比如下图所示的双11全球天猫狂欢节当日的实时交易统计大屏，除了清晰直观地展示企业核心的KPI指标之外，狂拽炫酷是它至关重要的特征。

大道至简的数据分析方法

但无论是以上的哪一种，无论数据如何变换，所有看似神秘的数据分析过程都可以归纳总结为各种“维度+度量”的组合分析。

维度用于描述事物的属性信息，例如统计各个地区的交易数量时，地区就是维度。

度量（指标）是可以量化统计的数值，例如统计各个地区的交易数量时，交易数量就是度量。但是需要注意的是并不一定所有的数值都是度量，例如学生的学号虽然是数值类型，但是其实它是维度而非度量。

如此一来，我们对数据分析有了从整体上的解释。但是实际应用中，我们并非盲目地去进行各种维度和度量的拼凑组合，而是希望得出的数据分析结果能够指引业务进行决策，终而形成业务闭环效果的。

根据我自身的一些数据分析项目经验，90%以上的基本数据分析问题都可以套用我总结的这七步完成（深入的数据分析需涉及描述性统计分析、相关性分析等专业的统计分析技能）：

数据分析必然需要借助工具，Excel、BI或者R和Python语言都可以帮助实现。

这里为了帮大家更快速地理解数据清洗建模和数据差异分析环节的内容，借助比较简单的BI工具FineBI，为大家进行一个销售数据分析实例，加深大家对数据建模和数据分析过程的理解。感兴趣的可以到官网下载，个人完全免费。

一、确定分析目标

这是分析前的第一步，我们需要明确进行数据分析的对象，也就是需要确定分析目标。

通常来说我们会选取最关心的核心KPI指标，例如电商行业的销量、销售额、利润，制造行业的次品率，互联网行业的用户留存率等等。

一般来说，分析目标不要过多，如果实在是需要同时分析多个关键核心业务KPI指标，那么我们便可以将这些核心指标分解给对应业务负责人，例如销售总监负责提升公司销售业绩，运营总监负责降低成本花费。

二、核心目标拆解

确定好分析目标之后，通常来说我们需要再对核心目标进行子目标分解，这也符合企业各团队分工协作的特性。

核心目标拆解的过程中需要遵循MECE原则，也就是“完全穷举，相互独立”。例如下图所示的电子商务数据分析指标体系，就分别从网站运营指标、经营环境指标、销售指标、营销活动指标、客户价值指标几个方面进行了详尽的拆解，然后交由各个团队进行分工达成。

三、数据清洗和业务建模

确立和分解好数据分析目标之后，下一步就可以进入到数据清洗和业务建模环节了。

数据清洗方面，很多人可能会想到国外传统的一些ETL工具，但是这类工具过于庞大和复杂，国内真正成功落地的案例很少。FineBI商业智能工具其实就提供了轻量级的ETL功能可供用户对数据进行计算和处理，鼠标点击和拖拽操作即可完成轻量的ETL数据处理过程。

业务建模方面，FineBI也是提供了根据不同业务主题分类建立业务包的功能，一般来说按照维度表和事实表建立好关联关系即可，这样一来就为前端的数据差异分析准备好了数据模型。

四、数据差异分析

终于到了数据差异分析这一步，这也是离发现问题原因和业务决策最近的一步。

所谓数据差异分析，自然是需要有差异，才能有分析。

例如今年某某企业7月份的销售额是600万，那么大家会觉得对于这个企业来说是好还是坏？如果只有这一个数据，自然是无所谓数据差异分析的。

如果这家企业的6月份的历史销售额是400万，那么7月份600万的销售额自然是非常好的了，可是如果这家企业的6月份历史销售额是800万，7月份600万的销售额明显是有问题的。

a.纵向对比

按照这个基础的数据差异分析逻辑，我们借助FineBI来初步分析一下某家企业今年各月度的销售额统计走势图：

如上图所示，通过纵向对比不难看出该企业在7月份销售额下降严重，环比6月份的企业销售额下降了22.47%，不是个好现象。老板看到这个数据自然会前来问责，说为什么7月份公司销售业绩下滑这么厉害。那么会是什么原因导致企业7月的销售业绩相对6月下滑这么多呢？我们需要更新一步地进行数据分析，以排查出导致产生问题的”真凶“。

b.横向对比

一般来说销售型企业都会在全国划分各个销售区域，那么这样一来我们除了对时间进行纵向对比之外，还可以结合销售大区维度进行横向比较，分析探索看看能不能发现一些问题。

果不其然，如上图所示，通过时间维度结合销售大区进行横向对比发现，企业的东南大区7月份的销售额相对6月份反而是增长的，看来问题主要出在北方区和中西区，特别是北方区7月份的销售业绩下滑更为严重，最终导致企业7月份总的销售额比6月份严重下滑。

数据分析的丰富度一定程度上依赖于分析工具的功能，比如Excel可能需要写VBA，R和Python需要写代码。

由于FineBI是一款商业智能工具，故而这边可以轻松通过其提供的OLAP联动分析功能，以更进一步的观察各个区域7月份的表现情况，直接点击饼图区域即可联动到月度销售额统计，非常方便。这边我们可以看出，中西区7月份销售额环比轻微下降17.86%，北方区下降严重到50.07%，而东南区则提高了6.06%，综合三个大区的总体销售状况，导致最终表现为7月份销售额环比下降了22.47%。

c.综合对比

上面分析了时间、区域维度相关的销售额结果统计，为了避免结论片面，我们尽量采用多维度的综合对比方式来观察数据，甚至可以是友商的销售情况对比进行差异分析（此处不单独举例说明）。

如上图所示，我们通过时间维度结合产品类型来进行销售额分析，观察7月份各个产品线的数据发现各个产品线在7月份销售额环比都是有所下降的，这说明企业7月份销售额下降和产品种类本身是没有关系的。

五、发现问题原因

综合北方区域和中西区域导致7月份销售额环比下降的各种影响因素，最终发现是由于6、7月份北方区域降雨严重，导致物流周转严重滞后，库存商品无法及时供应，最终导致北方区域7月份销售业绩严重下滑了50.07%。而中西区域本身仓库比较小，按照之前各区域商品物流周转的设计，中西区域的本土供应的差额商品主要是由北方区域供应，但是北方区域由于严重的降雨导致物流周转严重滞后，进而导致中西区域7月份销售业绩也同比下滑了17.86%。

六、制定业务决策

通过结合FineBI工具的OLAP多维数据综合分析方法成功定位到问题原因之后，企业及时调整仓库商品物流周转策略，北方区域物流模式调整为水运，同时将东南区域的部分商品通过物流周转到中西区域。

七、评估决策效果

企业领导决策层8月份通过及时调整北方区域和中西区域的物流策略，北方区域物流模式调整为水运，东南区域的部分商品通过物流周转到中西区域，补充了北方区域和中西区域的库存商品周转。最终8月份企业的总体销售额达到了943万，环比7月销售额提高到了37.32%。

后记

随着信息化的飞速发展，大数据产业呈指数式增长。在我们不断地积累着企业的历史数据的同时，如何利用和分析好这些数据，真正利用大数据分析驱动企业的业务增长也成为了一个很重要的难题。希望本文给大家分享的数据分析方法，结合FineBI商业智能分析工具的OLAP多维分析能力，能够让大家下次在面对企业业务数据分析时不再迷惑，做到步步为营，让数据分析真正释放出潜能，驱动业务快速增长，形成数据和业务之间的闭环

随着人们的生活和行为不断融入互联网，互联网金融犹如一头突然闯入的猛兽，不断冲击着传统银行的地盘。大数据的出现，给了银行们反击的机遇，借助庞大的金融大数据，银行可以实现精准决策和快速反应。大数据分析在金融行业的广泛应用，已经是不可阻挡的时代趋势，极星大数据分析平台，顺应趋势，为金融机构提供量身定制的大数据分析软件，帮助金融机构应对未来挑战。

现如今，互联网已经让社会生活发生根本改变，微博和微信成为了人们沟通交流的主要方式，电商、微商记录着人们的购物行为与习惯，招聘网站记录着人们的求职数据，滴滴、摩拜记录着人们的出行数据……人们的生活、工作、消费、活动的习惯与行为特点在被不断记录，由此产生的海量数据，对各行业来说，是个亟待被挖掘和使用的数据金矿，这在银行等金融机构的业务中尤为凸显。

长期以来，获取新客户、风险控制、留住客户、触发客户消费是金融行业的几大痛点，而金融大数据分析，有效克服了目前金融机构数据来源单一、覆盖率不足、数据挖掘程度不深等问题。

大数据在金融行业的具体运用

金融行业犹如国民经济的血脉，渗入市场的各个环节，与宏观经济和微观经济生活都密切相关，而中国拥有14亿的庞大人口，社会生活多元化，需求多元化。在此复杂多变的背景下，金融机构要想实现正确的商业判断，难度很大，但借助金融大数据分析软件，可以实现更全面更精准的决策。例如，在个人信用风险控制方面，金融机构除了可以从人民银行征信中心调取数据外，还可以利用网络、电商等不同来源的“大数据”，来解决个人客户信用评价的全面性与客观性不足的问题。

目前，金融行业越来越重视大数据的应用，但面临一些疑惑：分析处理什么数据？数据怎么分析处理？数据用在哪些产品或活动中？基于大数据做出的分析判断如何落地推动业务发展？

从现状来看，大数据目前最主要应用在于帮助金融机构实现“精准营销”、“客户价值管理”和“风险控制”。

首先，实现精准营销。传统上，营销无外乎是寻找目标客群、细分目标客群、触达客群个体。但采用利用大数据机器学习的分析手法，金融机构可以判断他们的习惯偏好以及短期需求，形成画像描述，从而找到精准的目标客群。在第三方大数据支持下，金融机构可以在互联网使用者中发掘需求。一般在3-5次业务数据循环后，营销的效果会达到最优。比如，某银行的现金贷款营销中，经过5次大数据优化，客户响应率、响应客户的资质合格率均有大幅度提升。

其次，高效的客户价值管理。目前，尽管大型金融机构沉淀了大量客户及客户信息，但从大数据角度看，由于对客户信息缺乏挖掘、分析，导致对存量客户的了解不能加深，金融机构在进行客户管理时的效率提升会遇到困难。

以客户激活为例，某行有4亿的存量客户，其中30%以上客户为静止客户，但在这1亿多静止客户中，银行对哪些是高净值客户，哪些需要加大力度挽留一直不得而知。如果对所有的静止客户进行激活，则成本会相对较高。

但借助大数据进行客户聚类和客户行为分析，为金融机构的客户激活、客户管理和产品设计提供更精准的依据，帮助金融机构整体提升存量客户的价值，或交叉销售更多的产品，或激活能够带来价值的客户。

最后，加强风险控制。通过客户标签的匹配，对客户进行行为分析，把客户进行聚类，标示客户的风险级别，这样金融机构在客户贷款时，就确立了精准的风险控制，进而减少了违约风险。

大数据在金融行业的未来趋势展望

不可否认互联网极大地丰富了人们行为数据的数量与种类，催生了大数据行业。国务院2015年8月下发了《促进大数据发展行动纲要》，明确表示：信息技术与经济社会的交汇融合引发了数据迅猛增长，数据已成为国家基础性战略资源，大数据正日益对全球生产、流通、分配、消费活动以及经济运行机制、社会生活方式和国家治理能力产生重要影响。

展望未来，随着社交网络化、虚拟化，以及移动互联趋势的形成，互联网交易、互联网金融业务增长必将为金融行业带来深远的影响。我们认为，时代呼唤有金融、征信、互联网和大数据基因的企业出现。可以预见，金融交易与大数据将是一个不断融合的过程，最终将形成大数据与金融相结合的大数据金融模式。在此过程中，极星大数据分析平台，将与金融机构一道，开创金融大数据的广阔未来。

极星大数据分析平台，由深圳康拓普公司开发，是一款专为大型企业及专业机构海量数据，打造的大数据一体化解决方案。极星大数据分析平台能提供强大的海量数据的处理功能，如：数据采集、数据存储、数据处理、数据挖掘、数据分析、数据可视化、数据专业算法等，广泛适用于金融、电力、制造业、石化、燃气、交通等各行各业。

原文链接：http://szcomtop/fastar/news/20170301/news164355.html

工欲善其事，必先利其器，意思就是工匠想要使他的工作做好，一定要先让工具锋利。比喻要做好一件事，准备工作非常重要。优秀的ASO数据分析工具有助于分析产品数据，竞品数据，甚至是可以靠工具体现的各种数据，明确下一步的优化方向。

分享下2017年提供的最佳ASO数据分析优化工具和软件（亲自体验）

一、SplitMetrics

SplitMetrics -A / B测试和分析平台。 它使移动开发者能够优化其App Store和Google Play应用页面的转化率。 该平台可帮助您获得最佳的转换图标，屏幕截图和说明，消除所有猜测。 所有这些功能都将帮助您降低UA成本，并提升有机访问量，从而以最佳方式转换用户并吸引用户。

体验网址：https://splitmetrics/

二、AppTweak

AppTweak立即获取您的应用的ASO报告，并了解应用在商店中的操作行为！ AppTweak使您能够通过直观且功能强大的ASO平台提高应用商店的曝光数并增加下载数据。根据AppTweak的建议来提高应用的曝光量，从而提高应用的排名和下载量。AppTweak的关键字工具可帮助本地化应用，并选择英文，法文，荷兰文，德文，葡萄牙文和西班牙文的正确关键字（研究因不同国家而异）及时跟你的竞争对手跟踪你的关键字的表现。监控您的评论和评分，以了解您应用的用户。

体验地址：https://apptweak/

三、TapTimize

TapTimize是一款自动化的应用商店优化（ASO）工具。 告别关键词研究和无尽的上架更新，让高级人工智能完成所有工作，并为您的应用程序生成搜索优化，高度相关的列表。 通过仪表板检查ASO，观察随着时间的推移，应用的曝光量和下载量会不断增长。

体验地址：https://taptimize/

四、Mobileaction

Mobileaction使用最佳应用商店优化和应用营销工具来提高应用在应用商店中的曝光率，并推动应用更多安装。 公司现在致力于为客户提供关于公关和媒体的idea，以优化其产品的曝光度。 该公司根据近70,000,000个结果跟踪超过600,000次搜索，为您提供有关选择更好关键字的建议。

体验地址：https://mobileaction.co/

五、TestNest

A / B测试应用程序商店页面，创建一个完全类似于App Store页面的Web着陆页，选择您想要测试的内容并上传测试变体，您自己的流量发送到实验目标网页或从我们购买高品质的目标流量。优化您的真实App Store页面，并让更多人安装您的应用。

体验地址：Best self-serve App Store and Google Play A/B testing

六、Sensor Tower

应用营销智能变得简单 - 应用商店优化和应用行业智能的领先平台。 帮助您控制自己的市场知名度，并获得有关竞争对手和更大应用程序经济的宝贵应用程序洞察。 帮助您控制自己的市场知名度，并获得有关竞争对手和更大应用程序经济的宝贵应用程序洞察。 用行业最准确的估算做出战略决策。

体验地址：Sensor Tower - Mobile App Store Marketing Intelligence

七、Storemaven

领先的应用商店图标、截图和视频的AB测试平台.在安装之前大多数用户将在App Store上放置。使用StoreMaven的工具箱来了解哪些App Store内容将推动更多安装。解除安装转换 了解如何设计最佳图标和屏幕截图。根据用户行为制定数据支持的决策，获得你对你的行业进行评估的基准，了解艺术和消息的哪些组合会对观众产生影响。

体验地址：App Store and Google Play AB Testing: Icons, Screenshots and Videos ASO

八、TheTool

TheTool是一个全功能的ASO和应用程序营销平台，也是第一款基于性能的工具，可帮助开发人员和营销人员在91个国家或全球范围内跟踪和优化其ASO策略，进行关键字研究，基准应用程序营销KPI 与竞争对手一起了解营销活动对安装，转化率和收入的影响; 并最终增加他们的应用程序和游戏的下载安装。

体验地址：TheTool - Mobile App Marketing & ASO Tool App Stores Analytics

九、SearchMan

数据丰富的App Store搜索引擎优化和竞争情报。简单的自我服务SEO工具，为所有应用程序提供可操作的数据。追踪搜索可见性，发现更好的单词并优化您的关键字。

体验地址：SearchMan: App Store Optimization & SEO Software, Made Easy

十、Apptamin

制作应用预览视频，通过视频为您的应用获取更多客户。 从专业应用视频中脱颖而出，宣传您的应用并展示其独特之处。

体验地址：Apptamin - the agency for video ads, app previews and game trailers

十一、Appcod

Appcod执行应用程序商店ASO/SEO，跟踪应用的竞争对手、检查热门关键字、有效地分配应用程序的促销代码。 在App Store搜索中快速检查您的应用程序的搜索量,分析竞争对手从他们的描述中追踪他们的新闻提及关键词。

体验地址：AppCodes - App Store Optimization

十二、Keyword Tool

Keyword Tool免费获取超过1,000个免费的App Store优化关键词

免费版的关键字工具可为每个搜索字词生成长达750多个长尾关键字 与关键字其他工具不同，关键字工具非常可靠，因为它的工作时间为99.99％ 即使没有创建帐户，您也可以免费使用关键字工具

体验地址：Keyword Tool

十三、App Annie

体验地址：App Annie -应用分析和应用数据业界标杆

十四、ASOdesk

透过数据驱动的营销技术，提升自然流量下载的效率，ASOdesk为个人开发者、大公司及ASO专家提供应用程序商店优化所需的一

体验地址：应用商店的ASO分析系统（移动版SEO）

实际在企业的数据分析应用中，分析人员对于数据处理的需求灵活多变，并且经常需要对不同的业务数据进行关联性分析。

IT部门提供的基本数据处理和基本的关联关系并不能完全满足分析人员的需求。比如分析人员需要根据公司产品销售明细数据分析购买用户的特征，并调整相应的销售策略，这个时候分析人员需要基于销售清单数据，计算一些相应的分析指标，如每个用户的消费频次，单笔消费最大金额，最近一次消费时间间隔等。这就要用到自助数据集来解决问题。如果分析人员还需要获取一些行业竞争数据，这就要根据同类型的产品，做关联分析和横向对比分析。

这些任务对于接触实际业务较少的IT部门来说，是很难在基础的数据分析中挖掘出来的，再加上业务调整和分析角度的变化不能及时和IT部门同步。这些都是企业在推行数据化管理过程中碰到的亟待解决的问题。

FineBI重点打造的自助数据集，一个是又花了业务提需求，IT做分析的配合流程。改为在一个平台上，IT准备好数据，业务拿着数据自己去分析。

其次，对于拿到的数据，自助数据集环节能帮助分析人员简单较快的对数据进行过滤、增加字段，删减字段，字段计算等可视化清洗操作。

一、FineBI自助数据准备介绍

传统工具在分析数据的过程中，需要极大的程度依赖管理员。业务人员在管理员那里获取数据后还需返还管理员处进行数据处理，这无疑是在做费时费力的无用功，管理员也沦为取数机。FineBI 重点打造的自助数据集，提供了各种简单高效的数据处理功能，给用户更好的数据处理体验，减少无效重复的沟通过程，提高数据分析的效率。

二、核心亮点

1.完善的数据管理策略，基于业务需求做好数据分类可视化管理

企业在发展过程中，信息化程度会不断提高，为了解决特定信息化问题，企业系统中的信息系统数量也越来越多，从企业的大粒度来看，业务流程有一定的联系，但是在细粒度上，数据相互独立，内在逻辑互不联系，信息孤岛问题十分严重。企业经常需要对这些独立系统进行整合，然后进行统一的数据分析。FineBI有着较为完善的数据管理策略：

支持丰富的数据源连接，帮助企业进行多样数据整合；支持数据业务包功能，提高数据分类管理效率；支持智能的表间字段关联，多种关联方式搭配使用；支持表与字段名称智能转义，增强数据可读可用性；FineBI自带数据处理工具，支持对数据进行转换处理，如构建自循环列。从数据采集到数据处理再到数据的存储和管理，FineBI完善的数据管理策略为前端的业务自由探索数据分析提供了强大的数据支持。

2.多种数据处理功能，可视化操作方式解放生产力

对于本身质量很差的数据进行分析往往是南辕北辙，得出来的分析结果可能是错误的，错误的分析结果必定导致错误的决策方案。为了避免这样的事情，当我们拿到数据时，需要对数据进行清洗，比如某些数据缺失，需要增加一些数据字段，某些数据需要重命名 、类型转换、异常值处理、合并等。这些都可以通过FineBI可视化的形式来实现。

3.智能继承数据表的权限与关联，IT省心，业务安心

管理员只需配置基础的数据权限和关联，用户在权限范围内操作，自动继承和关联数据集，提升双方效率。

对于IT管理员：只需要配置基础的数据关联和权限，用户不管进行怎样的数据处理，都一定是在其权限范围内操作，且自助数据集的关联也可以自动继承，不需要管理员再进行配置。对于业务分析人员：IT终于可以放心的将数据下放，分析用户也能拿到自己需要的数据，进行无限次处理和分析。4.Step by step，符合人类思维习惯的数据处理体验

用户在FineBI中的每一个操作都可以增加、删除和修改，并且提供预览。

容忍错误：每一步数据处理操作皆可增/删/改路径清晰：每一步数据处理清晰记录，效果可预览无限层级：无限层次数据加工分析，直到获取所需5.轻松搭建各类分析模型，帮助业务洞察

大佬们经典的数据分析模型在诸多领域和行业中得到了广泛的应用，也带来了实质的业务价值。同时，经典的数据分析模型，更易于我们快速上手，少走很多的弯路。使用FineBI的自助数据处理功能，可以轻松搭建各领域已有的经典业务分析模型，比如金字塔模型、KANO分析模型、RFM模型、购物篮分析模型、四象限模型等等，这些都可根据用户需求来套用，充分发挥数据和模型的价值。

6.预置数据挖掘算法，自助挖掘助力业务预测判断

大数据时代，最不可或缺的就是数据挖掘。数据挖掘，对于已经存在的数据，我们可以通过分析得到一定的规律；对于未知的数据，我们可以通过趋势进行预判。

FineBI内置五种算法：时间序列算法、聚类算法、分类算法，回归算法，关联算法，强化FineBI数据处理能力，与图形分析结合，拖拽展现预测结果。也就是说，如果你想预测未来的销售额，你想智能地给用户群分类，或者你想知道短信发给哪个用户获得的反馈可能性比较大，将会成为现实。集成r语言：如果需要更多的算法怎么办，FineBI也为这种复杂的挖掘需求提供了入口，可以直接在FineBI中进行r语言编译，完美的结合了r语言的统计能力优势和FineBI的展现优势。实现数据统计和分析的需求。集成Python语言：在FineBI中可进行Python语言编译，也支持直接对接Python的dataframe返回结果，实现数据统计和分析的需求，并可将结果通过FineBI展现。三、场景应用

1、通过数据清洗加工得到目标分析数据

图：通过点击鼠标完成新增指标的计算添加

2、构建经典分析模型

RFM客户价值模型

帕累托图分析（二八分析）

图1：二八分析模型搭建过程

矩阵分析模型

3、利用数据挖掘算法对数据潜在价值进行挖掘

4、企业级数据管控及分发

自助数据准备，将数据分发做到了极致。不同岗位的人可以对自助数据拥有不同的权限，控制人员是否能够查看、使用、编辑和分享数据，同时将数据分发的粒度控制大到数据库，小到数据表、数据集，甚至行列权限。

工欲善其事，必先利其器。

一位优秀的数据分析师应该是全能型的，我们需要具备更多的硬能力。写报告时需要优秀的文案能力、做可视化分析时需要创意策划能力、分析问题时需要有热点捕捉的能力。同时还要懂PPT、PS、Visio、脑图、Excel、Axure、SPSS、SQL、SAS………等各种数据分析工具。

下面是小编精心为大家准备的数据分析，必知网站，必备工具，请各位笑纳！

热点捕捉工具

无论你是数据分析师，还是公司的管理者，你都要对社会的热点有捕捉能力。为了增强对市场敏锐度的观察，你需要以下工具的辅助。

1、百度指数http://index.baidu/

2、IWebChoicehttp://iwebchoice/

3、阿里指数https://alizs.taobao/

4、艾瑞网http://iresearch/

5、企鹅智库http://re.qq/

6、微博指数http://data.weibo/index/

7、友盟指数http://umeng/

8、百度预测http://trends.baidu/

9、199IT互联网数据资讯中心http://199it/

10、亿邦动力网http://ebrun/

数据来源网址工具

1、 国家统计局http://stats.gov/

这个就不做解释了，想必大家都知道，国家每个季度的GDP就是他们出的。反正在天国，他算是老大。

2、 中商情报局http://askci/

专业的研究报告及金融咨询服务机构，主要提供行业分析，市场调研,财经资讯，行业研究分析报告，市场调查报告,投资咨询报告。

3、 易观http://analysys/

目前中国互联网市场为数不多的一家领先大数据分析公司。以用户数据及大数据算法模型为核心，打造了强大的数据分析服务体系，通过对用户资产的运营分析，帮企业打开互联网应用新通路。官网的所有数据都是可以免费使用的。

2016年排名前三的国外数据公司网址:

1、Nielsenhttp://nielsen/us/en.html/

全球性的市场研究公司，它的调研集中在快消、汽车、电信等领域，数据涉及消费者偏好、购买行为等多项内容，有时还会提供具有代表性的案例研究。

2、 IMS Healthhttp://imshealth/

艾美仕是一家工作效率高，专业的药企数据分析（据说数据分析强大到可怕！）

3、 Kantarhttp://kantar/

一家综合性的市场研究公司，研究覆盖快消、健康、品牌、金融等领域，数据涉及产品的用户喜好、品牌认知度等内容。Kantar对公众比较开放，网站上的数据和分析可以免费查看。

词云工具

我经常看到一些网站有标签云，现实生活中，应该也会有很多人想做词云，但找不到合适的工具。这就是我分析给大家词云制作工具的原因。

1、 Wordlehttp://wordle/

这些年国内外一直很火的一款词云软件。Wordle优点是可以快速的分析文本或网站的词频，并以多种风格，字体，配色进行展现。做完词云图，生成图像后还可以保存在网络之中供你查看、链接、下载以及与好友分享。

2、 Tagulhttps://tagul/

Tagul是专为网络大师们要放置在网页上漂亮的云彩而准备的。Tagul云可以自定义字体、词云的形状，颜色等，做出来的词云图很酷炫，为网站访问者提供良好的用户体验。

3、 WordItOuthttp://worditout/

操作简单，进入网站后只需要输入一段文本，然后就可以生成各种样式的“云”文字。用户可以根据自己的需要对WordItOut进行再设计，比如颜色、字符、字体、背景、文字位置等，保存下载后，可以复制。

4、 图悦http://picdata/

5、 BDP个人版https://me.bdp/home.html

两款国内词云工具，相对比较容易上手，首先页面全体都是中文简体，操作一番就能了解大概。

数据可视化工具

以下是一些非常狂拽酷炫叼炸天的数据可视化工具。你可以看到各种题材，像人口、世界状况，甚至人类的情感，都可以将进行可视化，帮助你更好地理解数据。

1、Tableauhttp://tableau/zh-cn

2、Infogr.amhttps://infogr.am/

3、ChartBlockshttp://chartblocks/en/

4、iChartshttp://icharts.in/

5、Visual.lyhttp://visual.ly/

6、NVD3http://nvd3.org/

7、Leaflethttp://leafletjs/

8、n3-chartshttps://oschina/p/n3-charts

9、百度EChartshttp://echarts.baidu/

10、Datawrapperhttps://github/datawrapper/datawrapper/

在线调查工具

1、 腾讯问卷调查http://wj.qq/

2、 麦客http://mikecrm/

3、 调查派http://diaochapai/

4、 问道网http://askform/

5、 问卷星http://sojump/

思维导图制作工具/网站

1、XMindhttp://xmindchina/ 价格：免费

2、Cogglehttps://coggle.it/ 价格：免费

3、Freemindhttp://freemind.en.softonic/ 价格：免费

4、LucidCharthttps://lucidchart/ 价格：基础版本 每月4.95美元

5、MindManagerhttps://mindjet/ 价格：完整版 349美元，179美元升级费用

6、SpiderScribehttps://spiderscribe/ 价格：免费(个人版本)

7、 Bubbl.ushttps://bubbl.us/ 价格：免费

8、 Text2MindMaphttps://text2mindmap/ 价格：免费

PPT模板工具

1、 我图网http://so.ooopic/

2、 无忧PPThttp://51ppt/

3、 51PPT模板http://51pptmoban/ppt/

4、 站长之家http://sc.chinaz/ppt/

5、 设计师网址导航http://hao.uisdc/

其他数据分析网址

1、 人大经济论坛-计量经济学与统计区http://pinggu.org/bbs/index.php?gid=148

2、 数据挖掘学习交流论坛http://businessanalysis/

3、 网站数据分析http://webdataanalysis/

4、 数据分析网http://afenxi/

5、 数据分析论坛http://spsschina/

以上网址和网站，都是经过小编亲自从众多网址中精心筛选出来的，赶紧收藏吧！

大数据工具让企业能够从数据仓库获得洞察力，从而在数据驱动的业务环境中提供重要的竞争优势。

为了满足旺盛需求，大数据工具在迅速遍地开花。在大数据这一概念和业务战略出现以来的十年间，市面上出现了成千上万执行各种任务和流程的工具，它们都承诺可为你节省时间和资金，发掘业务洞察力从而实现创收。显然，一个不断增长的市场呈现在大数据分析工具的面前。

其中许多工具一开始就像最初的大数据软件框架Hadoop那样是开源项目，但后来商业公司迅速涌现，为开源产品提供新工具或商业支持和开发。

从中进行遴选可能很困难，尤其是许多大数据工具用途单一，而你可以用大数据处理许多不同的任务，所以你的分析工具箱会塞得满满当当。本文我们列出了市面上主要的大数据分析工具市面上主要的大数据分析工具，分三大?类别来介绍。

·主要的大数据工具·

如前所述，大数据工具往往属于单一用途类别，而使用大数据有多种方式。所以我们将按类别细分，然后讨论每个类别的分析工具。

一、大数据工具：数据存储和管理

大数据完全始于数据存储，也就是说始于大数据框架Hadoop。它是Apache基金会运行的一种开源软件框架，用于在大众化计算机集群上分布式存储非常大的数据集。

很显然，由于大数据需要大量的信息，存储至关重要。但除了存储外，还需要某种方式将所有这些数据汇集成某种格式化/治理结构，从而获得洞察力。因此，大数据存储和管理是真正的基础――离开了它，分析平台一无是处。在一些情况下，这些解决方案还包括员工培训。

这个领域的大玩家包括：

1. Cloudera

实际上是增加了一些额外服务的Hadoop，你会需要它，因为大数据不容易搞。Cloudera的服务团队不仅可以帮助你构建大数据集群，还可以帮助培训你的员工，更好地访问数据。

2. MongoDB

MongoDB是最受欢迎的大数据数据库，因为它适用于管理经常变化的数据：非结构化数据，大数据常常是非结构化数据。

3. Talend

作为一家提供广泛解决方案的公司，Talend的产品围绕其集成平台而建，该平台集大数据、云、应用程序、实时数据集成、数据准备和主数据管理于一体。

图1：Talend大数据集成平台包括数据质量和治理功能

二、大数据工具：数据清理

在你真正处理数据以获取洞察力之前，需要清理和转换数据，转换成可远程搜索的内容。大数据集往往是非结构化、无组织的，因此需要某种清理或转换。

当下，数据可能来自任何地方：移动、物联网和社交媒体，数据清理显得更为必要。并非所有这些数据都可以轻松“清理”以获得洞察力，因此优秀的数据清理工具极其重要。实际上，在未来几年，预计经过有效清理的数据会是可接受的大数据系统与真正出色的大数据系统之间的竞争优势。

4. OpenRefine

OpenRefine是一款易于使用的开源工具，通过删除重复项、空白字段及??其他错误来清理凌乱的数据。它是开源的，但有一个相当大的社区可提供帮助。

5. DataCleaner

与OpenRefine一样，DataCleaner可将半结构化数据集转换成数据可视化工具可以读取的干净可读的数据集。该公司还提供数据仓库和数据管理服务。

6. 微软Excel

说真的，Excel有其用途。你可以从各种数据源导入数据。Excel在手动数据输入和复制/粘贴操作方面特别有用。它能消除重复项，查找和替换内容，检查拼写，还有用于转换数据的许多公式。但Excel很快陷入困境，不适合庞大数据集。

三、大数据工具：数据挖掘

一旦数据经过清理和准备，你可以通过数据挖掘开始搜索数据了。这时你执行这个实际的过程：发现数据、做出决定和进行预测。

数据挖掘是大数据流程的真正核心。数据挖掘解决方案通常底层很复杂，但竭力提供　一种外观漂亮、对用户友好的用户界面，说起来容易做起来难。数据挖掘工具面临的另一个挑战是：它们确实需要人来编制查询，所以数据挖掘工具的好坏取决于使用它的专业人员。

7. RapidMiner

RapidMiner是一款易于使用的预测分析工具，有着对用户友好的可视化界面，这意味着你没必要编写代码即可运行分析产品。

8. IBM SPSS Modeler

IBM SPSS Modeler是一款包括五个数据挖掘产品的套件，面向企业级高级分析。另外IBM的服务和咨询首屈一指。

9. Teradata

Teradata为数据仓库、大数据和分析以及营销等应用提供端到端解决方案。这一切意味着贵公司可以真正成为数据驱动的公司，另外还有商业服务、咨询、培训和支持。

图2：与许多目前的大数据工具一样，RapidMiner解决方案也支持云

四、大数据工具：数据可视化

数据可视化是指以一种可读、实用的格式显示你的数据。你可以查看图表图形以及直观显示数据的其他图像。

数据可视化既是一门科学，又是一门艺术。随着大数据从有大批数据科学家支持的高管转移到整个公司上下，众多员工可以使用可视化工具极为重要。销售代表、IT支持和中层管理，这些团队个个都需要能够理解数据，因此重点放在易用性上。然而，易于阅读的可视化有时与来自深度特征集的数据读出相冲突，这带来了数据可视化工具面临的主要挑战之一。

10. Tableau

Tableau是该领域的领导者，其数据可视化工具专注于商业智能，无需懂得编程，即可创建各种地图、图表、图形及更多可视化元素。它共有五款产品，一款名为Tableau Public的免费版供潜在客户试用。

11. Silk

Silk是Tableau的简单版，让你可以通过地图和图表将数据可视化，无需任何编程。你在首次加载Silk时，它甚至会试着将数据可视化。它还让用户很容易在网上发布结果。

12. Chartio

Chartio使用自己的可视化查询语言，只要点击几下鼠标即可创建功能强大的仪表板，无需懂得SQL或其他建模语言。它有别于其他工具的地方主要在于，你可以直接连接到数据库，因此不需要数据仓库。

13.IBM Watson Analytics

IBM Watson Analytics结合了机器学习和人工智能，有助于提供智能数据科学助手，为业务分析员和数据科学家等拥有众多数据科学技能的用户扮演了向导。

·大数据工具的三个层次·

普华永道的移动数据和分析计划首席技术官Ritesh Ramesh表示，就先进程度和市场战略而言，大数据工具可分成三层金字塔。

第一层：最庞大的是一系列开源工具。每家公司以开源起家，像Cloudera和Hortonworks。除了基本的基础设施、服务器和存储外，没有多大的价值。大多数云厂商已将这一层实现了商品化。

第二层：在这一层，大多数这类厂商已有意增加各自的市场份额，在开源工具上面构建一些专有应用程序，从而做到与众不同。举例说，Cloudera开发了许多产品，比如驻留在Hadoop核心上的数据科学平台。

第三层：这些是针对特定垂直领域的应用程序。这些公司大多与普华永道、高知特或埃森哲等系统集成商合作。真正的价值出在这里，这对大数据工具开发商来说也是非常有效的竞争策略。

Ramesh表示，除了基本功能外，这些工具的三大方面备受欢迎。首先是数据处理工具。他说：“数据学习工具是客户的工具箱中确保数据质量和分析数据的重要工具，比如处理5000万行数据以发现洞察力。”

他表示，领先的厂商包括Trifacta、Paxata和Talend。

第二大类应用程序是治理，比如你如何定义元数据。他说：“好多人在这方面遇到困难。人们只是将大量垃圾数据倒到数据湖。市面上可在数据湖中积极发挥功效的工具不多。由于这项工作主要由IT人员完成，他们更有兴趣将数据倒到数据湖，而不是确立一种治理结构。”

主要厂商包括Waterline Data、以数据编目工具见长的Tamr和Collibra。

Ramesh说，经常出现的第三大需求是安全。他说：“人们希望一个产品就有安全访问的所有层(列、行和对象)。他们希望一款产品为不同的数据对象支持用户访问和安全。这也是个新兴领域。”

这个领域的主要厂商是Wandisco和FireEye。

End.

来源：网络大数据

文章推荐

一份高质量数据分析报告的三板斧

如何完成一份高质量数据分析报告

不同行业的软件都爱用什么编程语言开发？