基于大数据引擎，通过可视化组件、托拉拽式实现数据汇聚与集成开发
指标定义、指标建模、指标固化、指标分析，一体化完成指标的落地与应用
组件化、零sql实现各类复杂报表和丰富多样的图表分析
面向业务人员，简单拖拽即可生成可视化图表
内置150+特效组件，快速打造酷炫灵动的可视化大屏，支持在线编码，拓展视觉体验至极致
搭载自然语言分析引擎，引入AI大模型技术，通过简单的对话问答实现快速数据分析
移动采集、审批、分析一站式解决移动办公诉求
一站式数据分析平台
了解ABI
全程“零”编码，高效实现主数据模型、主数据维护、主数据分发、主数据质量的全过程管理，为企业主数据管理落地提供有效支撑，实现各业务系统间的主数据共享，保障企业主数据的唯一性、准确性、一致性。
内置多类主数据模版，可视化实现多视角模型定义，满足复杂规则的编码自动控制
多种数据接入方式，支持不同场景的审批管控，数据版本可回溯，满足主数据的全生命周期管理
拖拽式任务设计，内置丰富组件，支持主动式、被动式分发模式
全过程质量管控，支持内置及自定义规则，提供图表式质检报告
主数据管理平台
在线模型设计，深度融合数据标准，规范数据定义
自动化元数据感知，全链路血缘提取，理清数据资源
智能化标准推荐，一键式数据落标，树立数据权威
“零”编码规则搭建，全流程质量整改，高速数据质检
规范资产目录，自助式数据共享，释放资产价值
超30+主流数据库、国产库、大数据库、文件、消息队列等接口之间极速交换结构化、非结构化数据
构建分级分类体系，动态数据脱敏，保障数据安全
全盘监控数据，决策数据周期，释放数据资源
智能数据治理平台
了解睿治
覆盖数据建模、采集、处理、集成、共享、交换、安全脱敏于一体，一站式解决数据开发所有的问题。
结合标准体系的可视化建模工具，支持模型的正、逆向构建
拖拽式任务编排，内置丰富组件，支撑亿级数据的快速处理与迁移
具备高并发、高吞吐量、低延迟的一体化任务编排能力，可视化设计、分布式运行
提供图形化的任务监控和日志跟踪，面向运维、管理人员的完善监控体系
数据工厂系统
纯web设计器，零编码完成基本表、变长表、中国式复杂报表、套打表、问卷调查表等制作；支持年报、月报、日报，以及自定义报表期等多种数据采集报送频率
提供在线填报和离线填报两种应用模式，也支持跨数据源取数；填报数据自动缓存在WEB浏览器中，即使宕机也不会丢失
内置灵活轻便的工作流引擎，实现了用户业务过程的自动化；支持层层审批、上级审批、越级审批、自定义审批等多种审批方式
对于下级填报单位上报的数据，上级汇总单位可将其进行汇总；支持层层汇总、直接下级汇总、选择单位汇总、按条件汇总、按代码组汇总、按关键字汇总、自定义汇总等
提供数据锁定机制，防止报表数据被意外修改；支持数据留痕，辅助用户过程追溯；未及时上报的用户自动催报；所见即所得的打印输出等
提供多种类型的数据接口，可以导入EXCEL、DBF、二进制、文本等格式的数据，可以将报表数据批量输出为HTML、EXCEL、XML、TXT等格式
数据采集汇总平台
统一指标定义，实现“一变多变、一数多现”的数据管理效果，为企业提供强有力的数字化保障和驱动效应。
采用可视化、导向式方式构建指标业务域，形成指标地图，全局指标一览在目
流程化自助式的定义、开发、维护各类指标，零建模，业务人员即刻上手
助力企业更好地查询、使用指标，提供共享、交换、订阅、分析、API接口等应用服务
指标管理平台
零代码+AI，有“问”必答的数字助理，利用AI大模型和数字人技术，通过语音&文字输入问题，自动识别业务指令，深度理解用户意图的问题，洞察数据，人机交互，重新定义BI新体验。
面向业务的对话式问数，即问即答，更懂你的诉求
理解数据，洞察数据，更懂数据内容，把数据见解讲给你听
动态地分析数据特点，提供最合适的图表类型展示，让数据展现更简单
完全是颠覆做表的方式，一句话看板创建，启发式内容制作
智能化生成包含深入分析和建议的报告，复杂数据简单化，释放数据潜力
数据跃然屏上的AI大屏汇报，让数据讲述故事
海量知识，一触即达，提供更智能的知识检索服务，快速找到“对”的人
不止于工具，更是随时待命的得力助手。一声指令，为您提供即时的数据分析和决策支持
智能数据问答平台
从采、存、管、用四大方面构建数据治理体系，实现数字化经营
主数据全生命周期管理，保障主数据一致性、权威性、共享性，提高企业运营效率
以元数据管理摸清家底，以资产编目盘点数据资产，提供数据服务
集数据采集补录、数据ETL建模、数据实时存储、数据分析展现等应用场景于一体
集数据集成、数据治理、资产规划开发、资产运营等场景应用于一体
集元数据采集和规整、数据标准建立与评估、数据质量管控等场景应用于一体
面向业务和技术提供指标管理指标分析等服务的指标统一管理平台
涵盖数据存储、数据集成、数据交换、数据共享等方面，为企业用户提供云原生仓湖一体解决方案
提供数据全生命周期过程的数据服务手段，实现数据应用到数据运营
案例中心
学习中心
认证中心
培训活动
亿信社区
伙伴招募
供应商招募
了解亿信
亿信动态
亿信ABI
数据治理
产品解决方案
金融
租赁
医疗卫生
能源
制造
生态环境
政府
其他
IDC蝉联数据治理解决方案市场第一
从业务系统上来说，没有一个大规模企业可以用一套或一个厂商的系统解决所有问题，因为业务系统是实现已知的商业逻辑，解决“存量”问题，但是数据工作可以帮助我们发现未知的商业逻辑，解决“增量”问题，这才是企业数据信息化的关键。它的前提是要实现统一数据定义、统一数据模型、统一数据中心、数据生命周期管理、信息技术保证、保证数据可用等等。这些都需要我们通过合理有效的数据分析来实现。因此本文根据数据分析对象总结了六类分析方法，每类方法里包含各种小方法，在实际数据分析过程中我们可以灵活运用这些方法来对数据进行高效率的处理。
基于硬件成本的不断降低、内存计算的不断成熟和企业业务管理系统应用的不断深入，流程驱动管理逐渐满足不了企业日新月异的发展需求，数据驱动管理越来越得到企业的青睐。企业需要能承载海量数据的高性能数据中心，无论企业应用了什么样的业务管理系统，真正帮助企业经营者做出决策的是数据。
六大类分析方法概要说明
图1六大类分析方法
一分解主题分析
所谓分解主题分析，是指对于不同分析要求，我们可以初步分为营销主题、财务主题、灵活主题等，然后将这些大的主题逐步拆解为不同小的方面来进行分析。
针对销售业务的分析，可以分解为客户分析、品类分析、区域分析、消费频率、价值链分析、促销、渠道、经销商、门店分析、同比环比、社交大数据分析、行业市场分析、行业景气指数的分析、市场占有率分析等。例如营销主题单店分析可以分解为以下不同方面来分析，见下图：
图2门店营销分析分解
针对财务业务的分析，可以分解为成本费用分析、利润、历史对比、财务法定报告及分析、资本性支出分析、财务预算分析、营销投入产出效率分析、会计核算分析、企业合并分析、偿债能力分析、盈利能力分析、经营现金流量分析等。例如财物主题预算分析可以分解为以下不同方面来分析，见下图：
图3财务预算分析分解
二钻取分析
所谓钻取分析，是指改变维的层次，变换分析的粒度。按照方向方式分为：向上和向下钻取。向上钻取是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；是自动生成汇总行的分析方法。向下钻取是从汇总数据深入到细节数据进行观察或增加新维的分析方法。
按照钻取的维度属性划分，可以分为按组织树钻取、按品类树钻取、按其他维度钻取。通过钻取的功能，使用户对数据能更深入了解，更容易发现问题，做出正确的决策。
组织树可以按职能结构、层次结构、部门结构、职权结构来建立。要了解与职权相联系的业务情况，了解了职权的组织树就可以进行钻取分析，要了解部门销售业绩情况，可以按部门钻取分析等。某大型集团组织树结构见下图：
图5某大型集团组织机构图
图6某大型集团物料品类树示例
例如对于各地区各年度的销售情况，可以生成地区与年度的合计行(向上钻取)。例如，用户分析“各地区、城市的销售情况”时，可以对某一个城市的销售额细分为各个年度的销售额，对某一年度的销售额，可以继续细分为各个季度的销售额(向下钻取)。
三常规比较分析
图7某地未来各月月降水量预测
在统计分组的基础上计算结构指标，来反映被研究总体构成情况的方法。应用构成分析法，可从不同角度研究投资构成及其变动趋势，观察投资构成与产业结构、社会需要构成的适应关系，可以揭示事物由量变到质变的具体过程。例如要了解某公司各季度销售收入情况，可以使用构成分析，见下图示例：
图8某公司各季度销售情况概览
在同类事物之间通过比较分析揭示其相异点而产生新认识的方法。在实际研究中人们经常会遇到一些表面上相同但实际上并不同的现象，如果对这些现象不仔细地进行比较研究，就有可能以假当真，或以真当假。因此，在分析研究中对新发现的现象不要轻易地归类，应该认真地反复进行比较研究，尤其对那些小的差异点，更不能放过。同类比较分析经常应用到与竞争对手分析中，例如食品行业同一类食品的销量比较，鞋服行业同一类型鞋子的对比分析等。
为统计方法的一种，包含了许多的方法，最基本的为单指标，再延伸出来的多指标分析。统计资料中有多个指标同时存在时的统计分析，是统计学的重要分支，是单指标统计的发展。例如某公司经营综合情况就可以使用多指标分析，见下图示例：
图9某公司经营综合情况分析
指将客体（问卷、特征、现实）按研究要求进行分类编组，使得同组客体之间的差别小于各种客体之间的差别，进而进行分析研究的方法。其特点在于不依赖于原始资料分布的正常性假设，可以按任意规律分布，在分析既包括数量资料，又包括质量资料的混合资料时尤为重要。例如某公司上半年每月销量与收入情况分析，见下图示例：
图11某公司上半年每月销量与收入情况分析
图12象限分析示例
四大型管理模型分析
以资源(R)、能力(C)、价值(V)3个方面建立的价值链分析体系。例如要了解某大型制造企业，从供应商采购到物流中心到干线运输以及门店的一系列情况，我们可以通过分析人员数量，设备成本，备选供应商总量，活跃供应商数量，采购量，新品导入量等来了解供应商采购这一环节情况；从交易面积，建筑成本，收货能力，收货量，周转量等来了解物流中心这一环节的情况；从车辆数量和总吨位，用油量，运输能力，运输量等来了解干线运输这一环节的情况；从门店数量，经营面积，房租成本，流量，成交量，销售收入等来了解门店这一环节的情况。
图13RVC分析应用示例
将整个公司分割成许多个被称为阿米巴的小型组织，每个小型组织都作为一个独立的利润中心，按照小企业、小商店的方式进行独立经营。这种分割整体逐步细化的思想也适用于数据分析。同时对产品生命周期的分析我们可以参照一下产品线阿米巴，见下图。
图14产品线阿米巴-产品生命周期
公司根据产品品类来进行的品牌管理，它包括高效的产品组合、货架管理、定价与促销、补货及新品引进等。例如通过品类管理我们可以分析哪些品类最受消费者喜爱，某品类购买的消费者是哪些人，消费者用什么方式购买，消费者喜欢在哪里购买等等。在品类管理的过程中我们需要分析了解这些方面，详见下图：
图15企业通过品类管理实现其目标示例
五财务和因子分析
所谓财务和因子分析，主要是指因子分析法在财务信息分析上的广泛应用。因子分析的概念起源于20世纪初的关于智力测试的统计分析，以最少的信息丢失为前提，将众多的原有变量综合成较少的几个综合指标，既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失，达到有效的降维。比较常用的财务和因子分析法有杜邦分析法、EVA分析、财务指标、财务比率、坪效公式、品类公式、流量公式等。
利用几种主要的财务比率之间的关系来综合地分析企业的财务状况。具体来说，它是一种用来评价公司赢利能力和股东权益回报水平，从财务角度评价企业绩效的一种经典方法。其基本思想是将企业净资产收益率逐级分解为多项财务比率乘积，这样有助于深入分析比较企业经营业绩。见下图示例：
图16杜邦分析法算净资产收益率
图17常见财务指标分析具体内容示例
根据同一时期财务报表中两个或多个项目之间的关系，计算其比率，以评价企业的财务状况和经营成果。财务比率可以评价某项投资在各年之间收益的变化，也可以在某一时点比较某一行业的不同企业。财务比率分析可以消除规模的影响，用来比较不同企业的收益与风险，从而帮助投资者和债权人作出理智的决策。
EVA是经济增加值模型（EconomicValueAdded）的简称，是SternStewart咨询公司开发的一种新型的价值分析工具和业绩评价指标，是基于剩余收益思想发展起来的新型价值模型。EVA分析法具体公式：附加经济价值（EVA）=息前税后利润-资金总成本。
此外常见的还有坪效公式：总毛利（元/月）=平均坪效（元/坪/月）*面积（坪）*毛利率（%）；品类公式：总毛利（元/月）=∑单价(元/件)*单价体积(件/坪)*占坪(坪)*周转率(次/月)*毛利率(%)；流量公式：总毛利（元/月）=坪流量（次/坪/月）*面积（坪）*转化率（%）*客单价（元/次）*毛利率（%）。
六专题大数据分析
通过购物篮/购物车所显示的信息来研究顾客的购买行为。购物篮分析最出名的一个案例就是“啤酒与尿布”：20世纪90年代的美国沃尔玛超市中，其管理人员分析销售数据时发现在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，经过调查发现，原来在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒。随后沃尔玛开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品，并很快地完成购物；而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布”故事的由来。
图18购物篮分析之啤酒与尿布案例
应用最多的一种“出行分布模型”。因表述形态与牛顿重力定律而得名。模型认定两区间内的出行次数同出发区的出行产生数成正比，同两区间的交通阻抗的某一乘方数成正比。
是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，目前应用推荐算法比较好的地方主要是网络，其中淘宝做的比较好。所谓推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。
是指从众多不确定性因素中找出对投资项目经济效益指标有重要影响的敏感性因素，并分析、测算其对项目经济效益指标的影响程度和敏感性程度，进而判断项目承受风险能力的一种不确定性分析方法。见下图：
图19敏感性分析示例
根据用户的属性数据分析，对用户进行了分组归类来分析。它其实就是常规比较分析里面的分组分析，不过主要针对的是客户群体。例如某年对小镇青年与都市青年最喜爱的购物APP分组分析得出的结论如下图：