首先恭喜你，當你看到這篇文章的時候，不管你是小白還是大咖，你都將獲得一個高級工具：一個可幫你引發數據分析思考的BI工具。
關於數據分析，在這之前你可能聽過這樣的故事：
奧克蘭“運動家球隊”一反傳統球隊依據擊球率選拔球員，通過數據分析依據“高上壘率”選取了所需的低價球員，取得20連勝最終奪冠；
零售帝國沃爾瑪在一次例行的數據分析之後發現： 跟尿布一起搭配購買最多的商品，竟是啤酒！
Target超市給女孩郵寄嬰兒服裝和孕婦服裝的優惠券，比女孩的父親更先知道了該女孩懷孕；
一頭剛出生30天的豬，數據預測它的生長週期，進而看到“人為刀俎，我為魚肉”；
在這背後都是大量技術人員專業的規律統計、數據預測和相關性分析。
專業的數據分析還是有一定技術門檻的。但是近兩年，很多公司的業務都已經結合著數據分析去開展，比如產品運營需要做運營數據分析，財務管理需要做財務分析，庫存管理需要分析產品流轉存儲，這其中最普遍應用的就是BI。
BI全稱商業智能（Business Intelligence），在傳統企業中，它是一套完整的解決方案。將企業的數據有效整合，快速製作出報表以作出決策，涉及數據倉庫，ETL，OLAP，權限控制等模塊。
BI工具主要有兩種用途。
一種是利用BI製作自動化報表，數據類工作每天都會接觸大量數據，並且需要整理彙總，這是一塊很大的工作量。這部分工作可以交給BI自動化完成，從數據規整、建模到下載。
另外一種是使用其可視化功能進行分析，BI的優點在於它提供比Excel更豐富的可視化功能，操作簡單上手，而且美觀，如果大家每天作圖需要兩小時，BI會縮短一半時間。
在這裡，本文想強勢安利一款數據BI——FineBI，探索性的分析操作、分析圖表、數據挖掘，能引導數據走向真相，關鍵不需要寫代碼就能直接上手。
以下是介紹綱要：
- 海納百川，支持各種數據
- 10秒鐘清洗數據，規整數據
- 自動分析，推薦圖表
- OLAP：多角度深入分析
- 現成的數據挖掘模型
- 令人眼前一亮的可視化
海納百川，支持各種數據
一般要分析的數據五花八門，數據量小可以用Excel解決。數據量大，大到錯綜複雜各式各樣億萬級數據量的企業數據庫，Oracel、DB2、SAP HANA\大數據kylin、hadoop等，FineBI都能直接連接，或者直接導入本地Excel分析也行。
圖：支持對接30餘種企業級數據庫
圖：支持對接30餘種企業級數據庫
圖：上傳Excel操作
10秒鐘清洗數據，規整數據
這裡假設我已經連接好了數據源，之後要開始分析。我們來看下FineBI是如何操作一個數據分析的：
1、準備數據：選數據表和要用到的數據字段
自助數據集這個功能裡，可以自行選擇數據表和需要用到的數據字段。數據太多，不知道如何入手，所以在開始分析之前，儘可能明確你的分析目標是什麼，然後選擇作用的數據。
2、清洗數據：數據加工，規整數據
好的數據是數據分析成功的基礎。一般來說，我們拿到數據之後，數據並不是那麼完美，對於本身質量很差的數據進行分析往往是南轅北轍的，得出來的分析結果也是錯誤的，進步還會誤導我們對事情本身的判斷，做出錯誤的決策。所以可能我們在開始拿到數據後，需要對數據進行梳理，這也就是我們通常所說的數據清洗。比如某些數據缺失，比如增加一些數據字段，比如列重命名 、數據類型轉換、異常值處理、合併數據等等。
在FineBI自助數據集功能裡， 可以對數據實現過濾、分組彙總、新增列、字段設置、排序、合併等等操作，可以把數據進行規整。
不明白可以看下方的示意：
如果還不能明白，FineBI設置了自動數據清洗的功能，通過點擊鼠標就能夠完成你對有缺陷數據的清洗。
探索性分析、自動推薦圖表
1、智能推薦圖表
圖表展示數據一定是最直觀的。但實際上我們可能不明白為什麼要選用柱狀圖，不知道選用了漏斗圖是什麼意思。當你想分析兩個或者兩個以上數據字段的相關性時，FineBI會自動為你選擇最合適的圖表，每種圖表背後都有很強的數據分析算法，可以幫助你先初步瞭解你的數據情況，邁出數據分析的第一步。不用再花時間想用什麼圖表，隨便拖拽就好了，所思即所見，所見即所得。
2、可視化不僅是為了美，更是幫助分析
FineBI基於著名的圖形語法(The Grammar Of Graphics)設計改良，提供了無限的視覺分析可能，我們稱之為“無限圖表類型”。FineBI取消了傳統圖表類型的概念，取代以'形狀'和形狀對應的'顏色'，'大小'，'提示'，‘標籤’等屬性；取消了'分類'、'系列'等概念，取代以'橫軸'、 '縱軸'兩個方向。
上面這句話是官方的，比較拗口。簡單來講就是，FineBI既讓你保留了傳統固定圖表的分析習慣，你可以基於智能推薦的結果去調整對應圖表類型，但更打破了傳統，鼓勵你去基於你的思考去形成你的分析，所有形狀、顏色、大小、提示、標籤、圖表、警戒標識都將是你思考點的體現，而不再用圖表去限制你的思考。
什麼意思呢，以上面所取的數據為例，來看一個大區銷售額的對比分析：
拖拽字段，智能推薦了最常用的柱狀圖。
我們可能更習慣橫向去看具體銷售額的數值，從上到下去看對比情況，這時我們希望橫縱軸切換一下分析維度，直接一鍵切換，可以看到切換後意外地發現形成了我們熟悉的條形圖。
甚至可以設置形狀的顏色不同來區分大區，設置形狀的大小來表示銷售額，甚至直接替換形狀。
以上幾個步驟，就是FineBI的基礎操作，可以初步的丟手頭的數據有個大致的瞭解，初步形成分析思路。
接下來就要講講計算處理數據的部分。
OLAP：多角度深入分析
OLAP分析，老生常談的分析技術，對數據進行鑽取、放大、過濾、維度切換、跳轉、聯動、導出、複用等等。
通過FineBI的OALP分析，可以輕鬆玩轉你的數據，從大到小，由淺及深，探索數據之間的深層關聯。
比如對區域-門店-品牌-銷售額不同維度之間，快速進行特定區域、門店-品牌的銷售額分析。
現成的數據挖掘模型
1、搭建各種業務分析模型
真正的數據分析工具，必定脫離不了數據分析模型。長期以來，數據分析的先驅和專家們，沉澱出了不計其數經典的數據分析模型，在諸多領域和行業中得到了廣泛的應用，也帶來了實質的業務價值，同時，經典的數據分析模型，有利於我們快速上手數據分析，減少自我探索過程中的彎路。
由於FineBI可以各種處理數據：新建數據字段、介入計算公式、過濾等等，所以能再分析時搭建各種業務模型，諸如金字塔模型、KANO分析模型、RFM模型、購物籃分析模型、四象限模型等等。
以RFM模型搭建為例，從最基礎的數據（下圖1）到成功搭建一個RFM模型（下圖2），再到進行模型應用（下圖3），只要不到10分鐘的實際。之前研究過RFM客戶價值模型，在市面上尋找體驗了許多分析工具，FineBI絕對是國內製作RFM模型最高效便捷的軟件。
顧客購買的原始數據：
經過數據處理快速搭建出RFM價值模型：
2、數據挖掘和R語言
數據挖掘是結合數學統計知識，更深入的挖掘數據之間的內在聯繫。比如面向過去，發現潛藏在數據表面之下的歷史規律或模式，稱之為描述性分析；或面向未來，對未來趨勢進行預測，稱之為預測性分析。
FineBI提供了5種現成的數據挖掘模型，時序預測、聚類、分類預測、迴歸和關聯分析。也就是說，如果你想預測未來的銷售額，你想智能地給用戶群分類，或者你想知道短信發給哪個用戶獲得的反饋可能性比較大，將會成為現實。
除此之外和集成了R語言，可以直接在FineBI中進行R語言編譯，實現更多數據挖掘分析需求，一手寫法，一手用FineBI出可視化報告。
預測1：基於過去的航空公司乘客數據預測未來十個月的乘客數量：
預測2：基於已有會員數據預測未註冊客戶的會員等級
預測3：根據花萼長度和寬度、花瓣長度和寬度來對花卉種類分類:
令人眼前一亮的可視化
好馬配好鞍，最終的數據分析結果自然少不了一副好的皮囊。作為一款專業的數據分析工具來講，FineBI的可視化功能也十分強大，可以製作各種可視化的報告，為數據分析錦上添花。最終數據分析的結果自然要來貼上幾張可視化的圖，直接來查看下FIneBI數據可視化的效果：
ONE MORE THING
如喬布斯的演講，驚喜的彩蛋放在最後！
這個誠心的數據分析工具，個人版免費，在官網上可以下到，戳↓↓↓，大家記得下載最新版5.0！
閱讀更多 帆軟 的文章
