在“制造2025战略”、“大数据”以及“工业4.0”已经广为探讨和实践的今天，依然有大量的制造企业仍然停留在通过Excel制作SPC质量分析报告的阶段。Excel的工作流程往往是这样子的：

虽然Excel能够利用已有的数据进行多种图表和表格的制作，能够完成部分的分析工作，但是对于整体生产过程的质量控制和管理来说，它是无法实现对品质管理的有效控制的。 Excel在数据采集及分析管理方面存在的挑战： ① 生产数据必须依靠一线人员手工录入，无法实现数据的自动采集，容易导致数据出错； ② 所有人员都可以对Excel中的数据进行直接修改，无法确保数据的准确性和客观性；③ Excel文件本身缺乏安全的保护和备份机制，容易被损毁、破坏和恶意删除；④ Excel只能一个方向数据录入，如往下或往右，无法控制数据的录入跳转方向； ⑤ 无法实时计算CPK、PPK等SPC分析指标； ⑥ 缺少权限控制功能，容易出现数据造假的现象； ⑦ 历史文件查找困难，无法对历史文档进行可追溯性和持续跟踪； ⑧ 无法对数据进行实时监控分析，对于超规格值无法进行实时报警功能； ⑨ 其他问题； 在“制造2025战略”、“大数据”以及“工业4.0”等背景下，我们需要寻求一款更好的工具来协助我们实现SPC质量分析，【QCData软件】---一款专门应用于品质数据采集管理与分析的软件。功能强大，操作简单，效率高，性价比高！

如今很多企业都喜欢炫酷的报表效果，钟情于大数据可视化分析软件此类产品。但是仅仅一个可视化数据分析软件就够了吗？数据可视化完全等同于数据分析吗？讲到数据分析，作为一款现代全能的数据分析工具来说，仅仅好看是不够的，可视化数据分析软件的前端后端技术也很重要。

现如今数据可视化越来越流行，用商业智能来解决问题也越来越普及，但有时我们由此得到的可能是一个欺骗性的方案，为了避免这样问题的发生，我们就必须正确认识数据可视化与数据分析了。

重要的是区分两种类型的业务分析和智能工具：端到端解决方案和仅是前端的解决方案。端到端解决方案由平台后端组成，基本上是处理准备所有数据的工具和算法，以及创建数据可视化和仪表板报告的前端。

虽然人们喜欢看到其数据易于处理可视化，但只有这样的平台还不足以从企业的数据获得真正的见解。使用大数据可视化软件，从他们的名字可以想象其作用，人们没有所有的初始，背景阶段的准备和加入的数据。这意味着用户需要首先具有可以送入软件的数据，即预先制作的中央数据库。

当涉及企业需求时，这两种类型的软件之间的区别是显而易见的。人们需要明白的是，可视化虽然很重要，但不能成为强大的商业智能软件的唯一组件。

为了有效分析的目的，工作人员首先需要把所有的数据放在一个中心位置，希望能够更新和更改它，同时仍然能够使用相同的数据源。然而。如今为业务创建数据存储库不是那么简单。

可视化工具专注于报告数据而不是分析数据，因此它们只使用限制性平台来限制每个公式可以输入的聚合数。 使用端到端解决方案就可以避免这些繁琐的过程。

因此，大数据可视化分析软件不完全等同于数据分析，仅仅靠数据可视化是不够的，可以处理大量杂乱数据的健壮的后端对于大多数企业是至关重要的。

质量管理五大核心工具

质量管理五大工具，也称品管五大工具。包括：

1、统计过程控制（SPC，Statistical Process Control）

统计过程控制（简称SPC)是应用统计技术对过程中的各个阶段进行评估和监控，建立并保持过程处于可接受的并且稳定的水平，从而保证产品与服务符合规定的要求的一种质量管理技术。

SPC的内容

SPC是过程控制的一部分,从内容上说主要是有两个方面:

1）过程运行状态是否稳定，可利用控制图这一统计工具进行测定，对过程存在的异常因素进行预警； 2）过程能力是否充足，可通过过程能力分析来实现，计算过程能力指数分析稳定的过程能力满足技术要求的程度,对过程质量进行评价。

实施SPC的目的

1）对过程做出可靠的评估；

2）确定过程的统计控制界限，判断过程是否失控和过程是否有能力；

3）为过程提供一个早期报警系统，及时监控过程的情况以防止废品的发生；

4）减少对常规检验的依赖性，定时的观察以及系统的测量方法替代了大量的检测和验证工作

2、测量系统分析（MSA，Measure System Analyse）

测量系统分析（MSA）是对每个零件能够重复读数的测量系统进行分析，评定测量系统的质量，判断测量系统产生的数据可接受性。

理想的测量系统在每次使用时，应只产生“正确”的测量结果。每次测量结果总应该与一个标准值相符。一个能产生理想测量结果的测量系统，应具有零方差、零偏倚和所测的任何产品错误分类为零概率的统计特性。

MSA的目的

了解测量过程，确定在测量过程中的误差总量，及评估用于生产和过程控制中的测量系统的充分性。MSA促进了解和改进（减少变差）。

在日常生产中，我们经常根据获得的过程加工部件的测量数据去分析过程的状态、过程的能力和监控过程的变化；那么，怎么确保分析的结果是正确的呢？我们必须从两方面来保证：

1）确保测量数据的准确性/质量，使用测量系统分析（MSA）方法对获得测量数据的测量系统进行评估； 2）确保使用了合适的数据分析方法，如使用SPC工具、试验设计、方差分析、回归分析等。 MSA使用数理统计和图表的方法对测量系统的分辨率和误差进行分析，以评估测量系统的分辨率和误差对于被测量的参数来说是否合适，并确定测量系统误差的主要成分。

3、失效模式和效果分析（FMEA，Failure Mode & Effct Analyse）；、

FMEA用来分析当前和以往过程的失效模式数据，以防止这些失效模式将来再发生的正式的结构化的程序。

v失效一词乃指出物品的功能失去原先设定的运用效果，失效的原因可能来自：错误、遗漏、没有或仅部分动作、产生危险、有障碍等与原先产品设定机能的目标不符的情形。 v这些状况的产生会造成顾客对制造者与销售者的不满，可能产生的情形有大有小、也因使用时间有长有短而发生，对于设计、生产乃至检验者而言，都需要对自己负责的部分将隐藏的失效因素排除。 v失效是客户抱怨的主要来源，必须依照一定的步骤予以分析解构，将这样具模组化的作业方式整合成一种模式，称之为失效模式分析（FMEA）。

FMEA的目的

1）能够容易、低成本地对产品或过程进行修改，从而减轻事后修改的危机。 2）找到能够避免或减少这些潜在失效发生的措施。

4、产品质量先期策划（APQP，Advanced Product Quality Planning）

为满足产品、项目或合同规定,在新产品投入以前,用来确定和制定确保生产某具体产品或系列产品使客户满意所采取的一种结构化过程的方法。为制订产品质量计划提供指南，以支持顾客满意的产品或服务的开发。

特点

1）目标明确：满足顾客要求，不断改进。 2）按规定的方法和组织形式进行策划。 3）应用各类分析工具：FMEA,MSA,SPC、流程图，QFD等。 4）保证跨职能活动的效率：横向协调小组。

5、生产件批准程序（PPAP，Production Part Approval Process）

生产件批准程序(PPAP)规定了包括生产件和散装材料在内的生产件批准的一般要求。PPAP的目的是用来确定供应商是否已经正确理解了顾客工程设计记录和规范的所有要求，以及其生产过程是否具有潜在能力，在实际生产过程中按规定的生产节拍满足顾客要求的产品

PPAP的目的

1）确定供方是否已经正确理解了顾客工程设计记录和规范的所有要求。 2）并且在执行所要求的生产节拍条件下的实际生产过程中，具有持续满足这些要求的潜能。

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

2017年8月31日，宝马集团发布消息表示将把智能数据分析应用引进到车辆生产作业当中。该应用会对汽车生产中生成的大量数据进行选择性分析，从而进一步强化生产能力及品质。

提供更大可能性及全新机会

智能数据分析应用会利用远超过往数据分析的可能性为车辆生产提供全新机遇，大幅提升全新解决方案的实用化速度。此外还可以与全新IoT传感器、云端及大数据技术组合在一起，降低技术性课题解决难度，削减作业成本。

宝马集团各部门事例都表明智能数据分析应用拥有巨大优势。例如有一个重约40吨长约3km的不锈钢钢圈，在冲压成型过程中会被切断成多个部分，之后再加工成车辆部件。但不锈钢材料各部分的厚度、强度及表面质感等都存在差异。如果与标准品质数值之间存在差距，那么受到特定应力后有可能会出现龟裂现象。

如果使用智能数据分析应用便可顺利解决这一问题。在进入冲压成型之前，激光会根据该应用指示在材料上标注若干数字，而这就是各部分的专享ID。之后根据这些ID相关系统会根据各部分不同特性对冲压压力进行微调。

2017年5月宝马集团在德国慕尼黑工厂中史上首次导入了全自动化品质管理系统。它可以捕捉到人类眼睛察觉不到的错误。这些数据将会成为涂装工艺精度的宝贵反馈，同时让系统可以更加快速的识别错误之处。

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）

对于许多大企业来说，开源大数据分析已经成为日常业务中一个必不可少的组成部分。据New Vantage Partners公司对《财富》1000强公司的高层主管开展的调查显示，如今62.5%的企业在生产环境中至少运行一种大数据工具或应用软件。这比2013年给出同样回复的企业数量高出近一倍，只有5.4%的受访企业没有大数据计划。

说到大数据分析，开源软件是常态，而不是异数。许多企业使用的一些领先工具由Apache基金会管理，许多商业工具至少一部分基于这些开源解决方案。

我们在本文中介绍了市面上12款顶尖的开源数据分析解决方案，其中一些为大数据分析提供了全面的端到端平台，另一些要与其他技术结合起来。它们都适合大企业使用，都是市面上领先的数据分析工具。

1. Hadoop

谈到开源数据分析技术，就不可能不提到Hadoop。Apache基金会的这个项目已经几乎成为大数据的同义词，它让企业能够大规模分布式处理极其庞大的数据集。TDWI和SAS联合开展的一项调查发现，近60%的企业预计在2016年年底之前会在生产环境中拥有Hadoop集群。

然而值得一提的是，Hadoop本身无法实现数据分析。它通常是从大数据获取洞察力的整个更庞大解决方案的一部分。

2. Spark

Spark也是Apache旗下的一个项目，它承诺可以迅速处理大数据。实际上，它声称“在内存中运行程序的速度比Hadoop MapReduce快100倍，在磁盘上运行程度的速度快10倍。”由于这种出色性能，它常常用于分析流式数据或用于需要交互式分析功能的应用软件中。许多公司经常把它与Hadoop或Mesos一起使用，不过它也能独立运行。最近，它的人气得到了急剧提升，Syncsort在2016年开展的一项调查发现，受访的企业大数据工作人员中近70%对Spark有兴趣。

3. Talend

不像前面两个项目，Talend由一家营利公司管理，而不是由基金会管理。因而，提供收费支付服务。Talend既提供免费产品，又提供收费产品。它免费的开源解决方案名为Talend Open Studio，下载量已超过了200万人次。

市场研究公司Gartner最近将Talend评为数据集成领域的“领导者”。这家公司声称，相比与之竞争的解决方案，它帮助企业分析大数据的速度快五倍，而成本却只有五分之一。

4. Jaspersoft

与Talend一样，Jaspersoft也有多个版本，有的版本免费，有的版本收费。社区版是免费、开源的，而Reporting版、AWS版、专业版和企业版需要收费，不过随带支持服务。

Jaspersoft是一款开源商业智能工具，旨在让企业用户可以借助自助服务，满足自己的要求。该公司声称，它的技术支持130000多款应用软件，提供嵌入式商业智能功能。

5. Pentaho

Pentaho自诩为“全面的数据集成和商业智能平台。”该公司主要大力推销它的商业版软件，该软件基于开源社区版。许多公司将它与Hadoop和Spark之类的工具一起使用，以便能够报告和显示大数据。该软件声称拥有一大批的知名客户，包括英国电信(BT)、卡特皮勒、纳斯达克、美国国土安全部、美国国家海洋和大气局(NOAA)、《纽约时报》、EMC及其他许多企业组织。

6. RapidMiner

RapidMiner声称是“头号开源数据科学平台”，Gartner将它评为高级分析魔力象限报告中的领导者。它能够实现自助式预测分析，承诺有望提升速度飞快的性能。用户包括宝马、汉莎航空、达美乐比萨公司、索尼、福特、Salesforce、国际特赦组织和通用电气公司。整个RadiMiner平台包括三个独立的组件：RapidMiner Studio、RapidMiner Server和RapidMiner Radoop。这三个组件都采用开源许可证或商业许可证，商业版价格取决于用户数量。

7. Storm

Apache Storm被雅虎、推特、Spotify、Yelp、Flipboard和Groupon之类的公司所使用，它是一种实时大数据处理引擎。它的官方网站解释：“Storm让用户很容易可靠地处理无限制的数据流，它在实时处理方面的功能好比Hadoop在批处理方面的功能。”客户可以将它与任何数据库或任何编程语言一起使用。它具有可扩展、容错、易于部分使用的优点。然而用户要注意的是，Storm还没有进入到1.0版本这个阶段。

8. H2O

H2O被60000多个数据科学家和7000多家企业组织所使用，声称是“世界上领先的开源机器学习平台。”由于它的内存技术，它提供了极其出色的性能。它还与Hadoop和Spark之类的其他许多开源数据分析工具整合起来，支持所有主要的流行数据库，提供收费的支持服务。

除了标准版的H2O外，该公司还提供Sparkling Water，这个版本整合了Spark和Steam，后者是一种端到端人工智能应用引擎。

9. Lumify

Lumify由一家名为Altamira 科技的公司开发，自称是“开源大数据分析和可视化平台。”它让用户易于创建二维或三维图形，可显示实体之间的关系，或在地图上覆盖数据。对于有兴趣深入了解它的工作原理的那些人来说，官方网站提供了几个视频，显示了Lumify的实际运行，上面还有一个演示网站，让用户可以上传自己的数据，并试用软件。

10. Drill

Apache Dril让用户得以使用SQL查询用于非关系型数据存储系统。它支持一系列NoSQL和基于云的数据存储系统，包括HBase、MongoDB、MapR-DB、HDFS、MapR-FS、亚马逊S3、Azure Blob Storage、谷歌云存储和Swift。它还让用户可以使用单一查询，即可搜索用不同技术存储起来的多个数据集。此外，它支持许多流行的商业智能工具。

11. MongoDB

作为最知名的NoSQL数据库之一，MongoDB是一种开源非关系型数据存储解决方案。客户包括大都会人寿(MetLife)、芝加哥市、Expedia、谷歌、气象频道、BuzzFeed和Facebook。除了免费开源版外，该公司还提供一款收费的企业版和云托管的版本MongoDB Atlas。知名市场研究机构弗雷斯特研究公司将MongoDB评为大数据NoSQL领域的“领导者”。

12. SpagoBI

SpagoBI是一款开源商业智能和大数据分析平台。该软件完全免费，但还提供收费的用户支持、维护、咨询和培训等服务。它包括了用于报告、多维分析(OLAP)、图表、位置情报、数据挖掘、ETL(抽取转换和加载)及更多其他方面的工具。它还与流行的内存处理引擎整合起来，能够实现实时处理。

原文地址：http://linuxprobe/12-valuable-data-analysis.html

关注微信公共号，掌握最新IT资讯，免费领取RHCE考试真题。

目前，大部分工作的品质管理工作中都普遍面临以下问题：

以纸张的方式作为品质记录；

纸张记录保存占用空间，且难于管理；

历史记录查询困难，费时费力；

检查结果反馈速度慢，数据共享难；

数据利用价值小

针对以上问题，太友科技自主首创研发了一套将平板APP与工厂品质检测及管理工作相结合、符合工厂实际需求的 QSmart QAS品质无纸化系统，做到无纸化办公、节省人力成本， 提高品质检测人员工作效率，同时缩短现场品质问题的反馈时间。

系统作用

实现品质检查的无纸化、信息化，以及提高检查的效率；

加快质量信息的反馈速度及质量信息的数据共享，如通过邮件，微信等方式实现检查结果的实时反馈；

实现品质数据的查询，分析功能，如供应商品质状况汇总分析，详细不良项目汇总分析等；

品质无纸化平台具备良好的扩展性，当需要时，可向供应商及客户延伸；

通过配置无线传输卡尺等硬件，提高检查的效率，进一步提高数据的准确性；

系统组成：APP平板端+WEB端

APP平板端：

1）用于检验单的创建、查询、下载以及上传等；

2）数据录入：a）手工录入：计数型+计量型检测数据；b)自动数据采集：三坐标等检测设备；

WEB端：包括检验单模板的创建、检验单的审核以及各类报表管理等内容；

系统工作流程

系统收益

欲善其事，必先利其器！

QSmart QAS品质无纸化系统，是每一个高效的品质检测人员都应该去利用的。 通过安装个APP，你可以：加强品质控制能力，加快品质问题的信息反馈速度，提升品质数据的分析利用价值，实现品质数据信息化，提升检查效率。

通过平板进行检查及录入数据，实现信息化；

数据保存在数据库中，有需要才打印出报告；

短时间内可查询出历史记录；

可实时反馈检查结果给到相关人员；

提升数据的利用价值，如品质分析，供应商分析等；

大家都知道，选购可视化大数据分析软件就是为了通过数字化运营来促进收益。一款出色的可视化分析软件会将各个指标的数据都分析到位，帮助领导做出良好正确的决策。然而，不是所有可视化大数据分析软件都能发挥该发挥的作用。其实，在使用可视化大数据分析软件的过程中，学会几招重要技巧，可以帮助最大程度发挥可视化分析软件的功能。

采用动态报告

当企业需要实施商业智能解决方案时您应该考虑动态报告。动态报告可以随意创建，操作和修改。

它们旨在为企业提供想要的信息。企业可以通过添加、过滤，以及更改信息来控制如何查看数据。

当企业使用动态报告分析销售指标时，可以按地区，产品或客户细分信息。简而言之，动态报告是直接而直观的。静态分析报告无法提供其相同的灵活性。一旦建立了静态报告，就不能改变其基本结构。

对于像提交月度报告和季度报告，这可能没有问题，但是，企业将无法深入分析数据。

自助式商业智能

在数据分析方面，传统上只有专家能够理解复杂的报告。而另一方面，商业智能使数据分析更加简单。现在任何级别的用户都可以随时轻松访问数据。这就是为什么自助式商业智能越来越受欢迎的原因。它允许人们使用商业智能解决方案来实时研究数据，并自行构建准确的可视化报告。

选择自助式可视化大数据分析软件，将为企业的工作人员提供易用性。

移动商业智能

一个良好的商业智能解决方案应该让用户随时随地访问信息。移动应用的增长和智能手机的能力已经导致移动商业智能(Mobile BI)的兴起。

根据阿伯丁集团的数据，使用移动商业智能的公司比没有采用的公司有更多的时间获得商业数据。这是一个竞争优势，因为能够做出明智的商业决策。

行业的认可

企业应该检查自己正在考虑的商业智能提供商是否具有良好的信誉。 包括业务价值，客户满意度，以及供应商支持。

着眼未来

对商业智能解决方案的投资是企业对其业务未来的投资。如果企业选择一个正在向前发展的供应商，其业务也将向前发展。

以上就是一款出色的可视化大数据分析软件该具备的几个被人忽视的功能。好好掌握这几招，将对你的企业决策有一定的帮助。

　　BI(BusinessIntelligence)即商业智能，越来越多的智能软件供应商推出可视化数据分析工具，应对企业业务人员的大数据分析需求。然而如果你觉得不是数据分析专业、没有挖掘算法基础就无法使用BI工具?NO，自助式分析工具已经让数据产品链条变得大众化。为了更好地帮助读者选择分析工具，重庆IT培训的老师将为大家介绍数说立方、数据观、BDP等11款BI-商业智能产品，排名不分先后!

　　1、数说立方

　　数说立方是数说故事新推出的一款面向数据分析师的在线商业智能产品。最重要的特点是配备百亿级社交数据库，同时支持全网公开数据实时抓取，从数据源端解决分析师难点;另外数说立方搭载了分布式搜索、语义分析、数据可视化三大引擎系统的海量计算平台，实现数据处理“探索式分析”和“秒级响应”的两个核心功能。同时数说立方是数说故事三大主打产品之一，并与其他两大产品数说聚合和数说雷达实现从数据源、数据分析、到数据展示完整的数据解决方案。

　　优点：

　　即便是个人免费版，体验和功能仍然非常好;

　　与自家产品“数说聚合”的无缝接入，支持定向抓取微信、微博等数据;

　　功能完善，集数据处理、特征工程、建模、文本挖掘为一体的机器学习平台;

　　可视化视图展现、友好的客户感知页面;

　　支持SAAS，私有化部署，有权限管理;

　　缺点：

　　产品新上市，操作指导页不太完善;

　　体验过程中有一些小bug;

　　2、数加平台

　　数加是阿里云发布的一站式大数据平台，可以提供数据采集、结构化、加工到展示分析整套的一站式数据服务。 可采集不同系统及物理存储的源头数据，在分布式计算平台上进行数据的深度整合、计算、挖掘，将计算的结果通过可视化的工具进行个性化的数据分析和展现，也可直观的展示分析现有云上业务系统的数据库数据。

　　优点：

　　有完整的产品规划，功能完善;

　　图形展示和客户感知良好;

　　提供SQL查询;

　　缺点：

　　需要捆绑阿里云才能使用，一般用户还不能真正使用起来;

　　部分体验功能一般，有一定的学习成本;

　　3、Tableau

　　Tableau是目前市面上较为成功的BI工具。产品既有针对性，又有普适性。拖放式界面，操作简单。数据兼容性强，适用于多种数据文件与数据库，同时也兼容多平台，windows、mac、Online均可使用。而且重要的一点是免费为用户安排现场培训或按需求进行在线培训。

　　优点：

　　处于行业领导者地位，功能完善;

　　有较好的图形展现与客户感知;

　　新产品开始支持云端展现，但是需要客户端支持;

　　缺点：

　　相比于商业智能BI，更像一个基于数据查询的数据展示工具;

　　处理不规范数据、转化复杂模型比较难;

　　无法处理大量数据;

　　国内网络连接Online版速度较慢;

　　4、Qlik

　　QlikView只需轻轻单击几下，就可以对所有数据源进行合并、搜索、可视化和分析，可在不影响性能的前提下连接到多个数据源;其次视图种类丰富，界面简洁，互动性强，总体来说是一款简单易用的BI产品。Qlik用户可通过各类可视化效果，将Qlik扩展到任何应用程序中。另外用户也可以通过使用标准的和最新的网络API，可将可视化效果数据嵌入网站或应用程序。

　　优点：

　　产品功能完善，图形展现和客户感知良好;

　　支持SAAS，有权限管理功能;

　　缺点：

　　有一定的学习成本;

　　报表规范性要求很高;

　　数据抓取功能都非常弱，需要有非常好的数据仓库作为基础;

　　5、Spotfire

　　Spotfire服务对象是一线工作人员和日常决策人员，其交互界面形象易懂，无需写脚本语言和编写程序就可以对数据进行添加、分离操作。内置搜索引擎，可以随意查找任意信息。支持R、S+等统计、挖掘功能;有丰富、开源的R模型。标记有自身特色，提供了过滤、钻取等功能，多个标记同时还可以实现图形化的集合运算。

　　优点：

　　交互界面形象易懂，即使是普通的业务人员也能轻而易举地进行复杂的数据分析;

　　不一定要建数据仓库，还可以直接从多个异构数据源提取数据进行分析;

　　支持SAAS，有权限管理功能;

　　缺点：

　　SAAS版只支持30M，由于是国外服务器所以上传很慢;

　　不适合中国式的固定报表;

　　进军中国市场较晚，国内案例较少;

　　工具的适应性范围广，但是难易跨度大;

　　6、神策分析

　　神策分析的产品有完整的使用文档，每个模块都有详细的使用说明以及示例，降低了用户的学习成本。而且支持私有部署、任意维度的交叉分析，并帮助客户搭建专属的数据仓库。目前提供事件分析、漏斗分析、留存分析、数据管理等功能，未来预计会增加用户分群、用户人群分析、推送和异常维度组合挖掘等，工具需要付费使用。

　　优点：

　　专注于用户行为数据分析，不追求做大而追求做全;

　　有详细的产品使用文档以及案例;

　　提供SQL查询;

　　缺点：

　　更多的是demo示例，不能开箱即用;

　　纯dashboard展示，并不能对单独一块数据作自定义分析;

　　7、BDP

　　BDP个人版使用免费，只需导入数据，设定分析维度，即可实时得到图表分析结果。产品示例和视频教学很细致，交互页面很友好。每次数据更新，对应的图表也会自动更新，可以免去一些重复分析、制作图表的数据工作。另外，分享环节也很贴心，数据仪表盘可以一键导出，也可直接生成链接分享给他人或分享到微信、微博等社交平台。

　　优点：

　　产品支持移动端;手机同步呈现最新数据

　　用户可以免费使用工具，还有免费公开的数据源;

　　操作体验流畅，界面友好，功能全，总体来说是一款不错的产品;

　　即便是个人免费版，体验和功能仍然非常好;

　　数据可以同步更新，免去了重复劳动的工作;

　　缺点：

　　官网的介绍比较简单;

　　8、永洪BI

　　永洪BI是一款可在前端进行多维分析和报表展现的BI软件。支持拖拽操作，数据源格式多样，提供不同级别的查询支持，支持跨库跨源连接。另外永洪提供了一款数据存储、数据处理的软件——MPP数据集市，可与BI打通，使得数据查询，钻取和展示的速度大幅度提高。不过其产品用户体验一般，拖拽过于自由，导致仪表盘布局不好控制;主题样式虽多但是给人感觉样式还是很传统。

　　优点：

　　商业流程完善，给人专业的感觉;

　　产品定制化的版本效果不错;

　　支持的数据接入较多;

　　缺点：

　　SAAS版体验很差，有一定的学习成本;

　　UI的视觉效果一般，整体可视化效果不够现代化;

　　9、数据观

　　数据观的功能设计理念是极简、无门槛，所以它最大的特点就是简单。数据观数据来自云端，如：百度 网盘、微盘、salesforce等。数据上传后，马上有推荐图表，引导明确。另外产品的使用没有技术门槛，无需专业IT知识，同时适用于非专业分析师出身的业务人员，可以快速将数据转化成直观的图表，适合一开始接触数据分析工具的非专业数据从业人员。

　　优点：

　　注册只需填写邮箱，且支持明道账号登陆;

　　使用引导明确，支持salesforce、百度云数据导入;

　　分析结果支持链接分享，大大降低用户的沟通成本;

　　缺点：

　　不支持超过20MB的数据上传;

　　数据导入后，数据分析体验方面存在bug;

　　产品的使用以点击为主，不支持拖拽操作;

　　10、FineBI

　　FineBI分为数据处理、可视分析和分享公用三大功能模块。支持多种数据源，图表风格清爽美观，可选择任意维度分析。分析页面由控件和组件组成，控件和组件的数量是可以添加至任意多个，但是布局的交互比较僵硬，且使用逻辑有点乱，引导不明确。需要安装本地客户端才能使用。

　　优点：

　　有较为详细的行业案例与技术方案;

　　产品演示和资源中心也较为清晰

　　缺点：

　　需要使用客户端，增加了使用的不便利性

　　只有仪表盘展示，BI报表需要另一款产品;

　　无法处理大量的数据;

　　11、魔镜

　　魔镜支持自动拖拽建模，同时可视化效果库十分酷炫。用户可以邀请团队成员到自己的项目，合作进行探索分析，并且按照需求有效控制访问数据的成员权限。产品模块规划完整，有基础企业版到hadoop等5种选择为，而且可以支持定制化服务。但是可能是云平台版的缘故，使用过程中出现不少BUG，企业版的体验可能会相对好一点。

　　优点：

　　产品模块的规划比较健全，其中包括数据源导入、数据分析、仪表盘、数据挖掘和数据工厂;

　　官网的设计不错，模板选择性大，颜值控可能会喜欢;

　　工具使用指导清晰，使用篇和方法篇等比较详细;

　　缺点：

　　产品存在较多的BUG，UI和功能相对其他产品来说较简陋;

　　部分产品模块并不能切实用于数据分析;

　　选择一款适用的BI产品，能够大大简化数据分析的繁杂工作，提高分析效率与质量。当然，以上每个工具各有优点，工具地址都给大家了，接下来就是轮到你动手的时候了，找一个自己喜欢的工具，开始吧!