关于数据分析，在这之前你可能听过这样的故事：

奥克兰“运动家球队”一反传统球队依据击球率选拔球员，通过数据分析依据“高上垒率”选取了所需的低价球员，取得 20 连胜最终夺冠；

零售帝国沃尔玛在一次例行的数据分析之后发现：跟尿布一起搭配购买最多的商品，竟是啤酒！

Target 超市给女孩邮寄婴儿服装和孕妇服装的优惠券，比女孩的父亲更先知道了该女孩怀孕；

一头刚出生 30 天的猪，数据预测它的生长周期，进而看到“人为刀俎，我为鱼肉”；

在这背后都是大量技术人员专业的规律统计、数据预测和相关性分析。

专业的数据分析还是有一定技术门槛的。但是近两年，很多公司的业务都已经结合着数据分析去开展，比如产品运营需要做运营数据分析，财务管理需要做财务分析，库存管理需要分析产品流转存储，这其中最普遍应用的就是 BI。

BI 全称商业智能（Business Intelligence），在传统企业中，它是一套完整的解决方案。将企业的数据有效整合，快速制作出报表以作出决策，涉及数据仓库，ETL，OLAP，权限控制等模块。

BI 工具主要有两种用途。

一种是利用 BI 制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作可以交给 BI 自动化完成，从数据规整、建模到下载。

另外一种是使用其可视化功能进行分析，BI 的优点在于它提供比 Excel 更丰富的可视化功能，操作简单上手，而且美观，如果大家每天作图需要两小时，BI 会缩短一半时间。

在这里，本文想强势安利一款数据 BI——FineBI，探索性的分析操作、分析图表、数据挖掘，能引导数据走向真相，关键不需要写代码就能直接上手。

以下是介绍纲要：

• 海纳百川，支持各种数据
• 10 秒钟清洗数据，规整数据
• 自动分析，推荐图表
• OLAP：多角度深入分析
• 现成的数据挖掘模型
• 令人眼前一亮的可视化

海纳百川，支持各种数据

一般要分析的数据五花八门，数据量小可以用 Excel 解决。数据量大，大到错综复杂各式各样亿万级数据量的企业数据库，Oracel、DB2、SAP HANA\ 大数据 kylin、hadoop 等，FineBI 都能直接连接，或者直接导入本地 Excel 分析也行。

10 秒钟清洗数据，规整数据

这里假设我已经连接好了数据源，之后要开始分析。我们来看下 FineBI 是如何操作一个数据分析的：

1、准备数据：选数据表和要用到的数据字段

自助数据集这个功能里，可以自行选择数据表和需要用到的数据字段。数据太多，不知道如何入手，所以在开始分析之前，尽可能明确你的分析目标是什么，然后选择作用的数据。

2、清洗数据：数据加工，规整数据

好的数据是数据分析成功的基础。一般来说，我们拿到数据之后，数据并不是那么完美，对于本身质量很差的数据进行分析往往是南辕北辙的，得出来的分析结果也是错误的，进步还会误导我们对事情本身的判断，做出错误的决策。所以可能我们在开始拿到数据后，需要对数据进行梳理，这也就是我们通常所说的数据清洗。比如某些数据缺失，比如增加一些数据字段，比如列重命名、数据类型转换、异常值处理、合并数据等等。

在 FineBI 自助数据集功能里，可以对数据实现过滤、分组汇总、新增列、字段设置、排序、合并等等操作，可以把数据进行规整。

不明白可以看下方的示意：

如果还不能明白，FineBI 设置了自动数据清洗的功能，通过点击鼠标就能够完成你对有缺陷数据的清洗。

探索性分析、自动推荐图表

1、智能推荐图表

图表展示数据一定是最直观的。但实际上我们可能不明白为什么要选用柱状图，不知道选用了漏斗图是什么意思。当你想分析两个或者两个以上数据字段的相关性时，FineBI 会自动为你选择最合适的图表，每种图表背后都有很强的数据分析算法，可以帮助你先初步了解你的数据情况，迈出数据分析的第一步。不用再花时间想用什么图表，随便拖拽就好了，所思即所见，所见即所得。

2、可视化不仅是为了美，更是帮助分析

FineBI 基于著名的图形语法 (The Grammar Of Graphics) 设计改良，提供了无限的视觉分析可能，我们称之为“无限图表类型”。FineBI 取消了传统图表类型的概念，取代以 ’ 形状 ’ 和形状对应的 ’ 颜色 ’，’ 大小 ’，’ 提示 ’，‘标签’等属性；取消了 ’ 分类 ’、’ 系列 ’ 等概念，取代以 ’ 横轴 ’、‘ 纵轴 ’ 两个方向。

上面这句话是官方的，比较拗口。简单来讲就是，FineBI 既让你保留了传统固定图表的分析习惯，你可以基于智能推荐的结果去调整对应图表类型，但更打破了传统，鼓励你去基于你的思考去形成你的分析，所有形状、颜色、大小、提示、标签、图表、警戒标识都将是你思考点的体现，而不再用图表去限制你的思考。

什么意思呢，以上面所取的数据为例，来看一个大区销售额的对比分析：

拖拽字段，智能推荐了最常用的柱状图。

我们可能更习惯横向去看具体销售额的数值，从上到下去看对比情况，这时我们希望横纵轴切换一下分析维度，直接一键切换，可以看到切换后意外地发现形成了我们熟悉的条形图。

甚至可以设置形状的颜色不同来区分大区，设置形状的大小来表示销售额，甚至直接替换形状。

以上几个步骤，就是 FineBI 的基础操作，可以初步的丢手头的数据有个大致的了解，初步形成分析思路。

接下来就要讲讲计算处理数据的部分。

OLAP：多角度深入分析

OLAP 分析，老生常谈的分析技术，对数据进行钻取、放大、过滤、维度切换、跳转、联动、导出、复用等等。

通过 FineBI 的 OALP 分析，可以轻松玩转你的数据，从大到小，由浅及深，探索数据之间的深层关联。

比如对区域 - 门店 - 品牌 - 销售额不同维度之间，快速进行特定区域、门店 - 品牌的销售额分析。

现成的数据挖掘模型

1、搭建各种业务分析模型

真正的数据分析工具，必定脱离不了数据分析模型。长期以来，数据分析的先驱和专家们，沉淀出了不计其数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，有利于我们快速上手数据分析，减少自我探索过程中的弯路。

由于 FineBI 可以各种处理数据：新建数据字段、介入计算公式、过滤等等，所以能再分析时搭建各种业务模型，诸如金字塔模型、KANO 分析模型、RFM 模型、购物篮分析模型、四象限模型等等。

以 RFM 模型搭建为例，从最基础的数据（下图 1）到成功搭建一个 RFM 模型（下图 2），再到进行模型应用（下图 3），只要不到 10 分钟的实际。之前研究过 RFM 客户价值模型，在市面上寻找体验了许多分析工具，FineBI 绝对是国内制作 RFM 模型最高效便捷的软件。

顾客购买的原始数据：

经过数据处理快速搭建出 RFM 价值模型：

2、数据挖掘和 R 语言

数据挖掘是结合数学统计知识，更深入的挖掘数据之间的内在联系。比如面向过去，发现潜藏在数据表面之下的历史规律或模式，称之为描述性分析；或面向未来，对未来趋势进行预测，称之为预测性分析。

FineBI 提供了 5 种现成的数据挖掘模型，时序预测、聚类、分类预测、回归和关联分析。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。

除此之外和集成了 R 语言，可以直接在 FineBI 中进行 R 语言编译，实现更多数据挖掘分析需求，一手写法，一手用 FineBI 出可视化报告。

预测 1：基于过去的航空公司乘客数据预测未来十个月的乘客数量：

预测 2：基于已有会员数据预测未注册客户的会员等级

预测 3：根据花萼长度和宽度、花瓣长度和宽度来对花卉种类分类:

令人眼前一亮的可视化

好马配好鞍，最终的数据分析结果自然少不了一副好的皮囊。作为一款专业的数据分析工具来讲，FineBI 的可视化功能也十分强大，可以制作各种可视化的报告，为数据分析锦上添花。最终数据分析的结果自然要来贴上几张可视化的图，直接来查看下 FIneBI 数据可视化的效果：