文档介绍：数据分析平台
解决方案
成都四方伟业软件股份有限公司
2017年1月
目录
1. 背景概述 5
2. 现状分析 6
. 主流BI模式 6
. 传统BI模式 6
. 敏捷BI模式 7
. 平台推荐模式 8
3. 整体需求 10
. 数据源支持 10
. 自助式查询 10
. OLAP联机分析 11
. UI编排功能 12
. 丰富的组件 13
. 多种展示方式 13
. 外部数据服务 14
4. 总体设计 15
. 数据分析 16
. 设计运行 16
. 系统管理 16
. 可视化展示 16
5. 功能设计 17
. 数据分析 17
. 多数据源 17
. 数据建模 18
. 多维BI分析 18
. 设计运行 20
. UI编排 20
. 丰富组件 21
. 事件引擎 24
. 运行引擎 24
. 系统管理 26
. 我的报表 26
. 工程化管理 26
. 主题管理 27
. 布局管理 27
. 数据源管理 27
. 基础管理 27
. 可视化展示 28
. 决策仪表盘 28
. 大屏综合显示 30
. 交互式WEB界面 30
. 基于GIS的数据可视 33
. 其他功能 38
. 数据探索 38
. 事件定义 38
. 项目管理 39
. 基础管理 39
. 安全管理 39
. 部署与集成 40
背景概述
当前，我们的世界已经迈入大数据（Big Data）时代，随着互联网、物联网、云计算等信息技术的迅猛发展，信息技术与人类世界、经济、军事、科研、生活等方面不断交叉融合，催生了超越以往任何年代的巨量数据。数据正在变得无处不在、触手可及，数据的背后隐藏着信息，而信息之中蕴含着知识和智慧。
而数据创造的真正价值，在于我们能否提供进一步的稀缺的附加服务，就是数据分析。数据的分析过程往往离不开机器和人的相互协作与优势互补。从这一立足点出发，大数据分析的理论和方法研究可以从两个维度展开：一是从机器或计算机的角度出发，强调机器的计算能力和人工智能,以各种高性能处理算法、智能搜索与挖掘算法等为主要研究内容，例如基于Hadoop和MapReduce/Spark框架的大数据处理方法以及各类面向大数据的机器学****和数据挖掘方法等，这也是目前大数据分析领域的研究主流；另一个维度从人作为分析主体和需求主体的角度出发,强调基于人机交互的、符合人的认知规律的分析方法，意图将人所具备的、机器并不擅长的认知能力融入分析过程中，这就是大数据可视化分析。
商业智能（Business Intelligence，简称BI）是进行数据可视化分析的一种重要手段。
现状分析
主流BI模式
Gartner的2016 BI和分析平台魔力象限报告指出：当今数据分析向可视化设计UE、自助式探索分析、分析和展现一体化平台发展已经成为大势所趋。2016年，传统的BI厂商已经集体沦陷，全部被驱出了领导象限。
传统BI模式
在对数据进行分析的过程中，传统BI的做法是，IT人员事先根据分析需求来进行建模（以及做二次表或打Cube），提前汇总好数据，业务人员在前端查看分析结果报表。分析过程如下所示。
这种做法很成熟，持续了很多年，但是也存在着一些问题：
1、业务人员查看的报表相对静态，分析的维度和度量的计算方式已在建模时预先设定好，不能更改，比如定好了是求和或求平均数，想改成求方差必须回去修改模型。
2、分析需求变更时，业务人员不能直接调整报表，需要IT人员重新建模或修改已有分析模型，耗时较长，响应速度较久。
敏捷BI模式
随着技术的发展和演进，BI领域已经迎来了新一代敏捷BI的革新。基于大数据的处理技术，其对TB-PB级的数据可实现秒级响应。敏捷BI的数据展现是起点，而不是终点。看到了数据，能交互式分析，能深入向下挖掘，能发现问题找到答案。
敏捷BI的分析报告能让非IT部门的同事直接在分析平台上做出来。不能把所有的分析报告需求都提交到IT部门，这样会严重增加IT部门的工作负担。敏捷BI的实施和操作相比传统BI都要来得更为简单，可以说是以业务人员为使用对象的BI，支持自助探索式分析。
分析报告需求经常需要数据层的改动，需要IT部门去改进数