統(tǒng)計(jì)中數(shù)據(jù)分析方法(數(shù)據(jù)分析方法)

1.數(shù)據(jù)分析方法有哪些

一、描述性統(tǒng)計(jì)

描述性統(tǒng)計(jì)是一類統(tǒng)計(jì)方法的匯總，揭示了數(shù)據(jù)分布特性。它主要包括數(shù)據(jù)的頻數(shù)分析、數(shù)據(jù)的集中趨勢分析、數(shù)據(jù)離散程度分析、數(shù)據(jù)的分布以及一些基本的統(tǒng)計(jì)圖形。

1、缺失值填充：常用方法有剔除法、均值法、決策樹法。

2、正態(tài)性檢驗(yàn)：很多統(tǒng)計(jì)方法都要求數(shù)值服從或近似服從正態(tài)分布，所以在做數(shù)據(jù)分析之前需要進(jìn)行正態(tài)性檢驗(yàn)。常用方法：非參數(shù)檢驗(yàn)的K-量檢驗(yàn)、P-P圖、Q-Q圖、W檢驗(yàn)、動(dòng)差法。

二、回歸分析

回歸分析是應(yīng)用極其廣泛的數(shù)據(jù)分析方法之一。它基于觀測數(shù)據(jù)建立變量間適當(dāng)?shù)囊蕾囮P(guān)系，以分析數(shù)據(jù)內(nèi)在規(guī)律。

1. 一元線性分析

只有一個(gè)自變量X與因變量Y有關(guān)，X與Y都必須是連續(xù)型變量，因變量Y或其殘差必須服從正態(tài)分布。

2. 多元線性回歸分析

使用條件：分析多個(gè)自變量X與因變量Y的關(guān)系，X與Y都必須是連續(xù)型變量，因變量Y或其殘差必須服從正態(tài)分布。

3.Logistic回歸分析

線性回歸模型要求因變量是連續(xù)的正態(tài)分布變量，且自變量和因變量呈線性關(guān)系，而Logistic回歸模型對因變量的分布沒有要求，一般用于因變量是離散時(shí)的情況。

4. 其他回歸方法：非線性回歸、有序回歸、Probit回歸、加權(quán)回歸等。

三、方差分析

使用條件：各樣本須是相互獨(dú)立的隨機(jī)樣本；各樣本來自正態(tài)分布總體；各總體方差相等。

1. 單因素方差分析：一項(xiàng)試驗(yàn)只有一個(gè)影響因素，或者存在多個(gè)影響因素時(shí)，只分析一個(gè)因素與響應(yīng)變量的關(guān)系。

2. 多因素有交互方差分析：一頊實(shí)驗(yàn)有多個(gè)影響因素，分析多個(gè)影響因素與響應(yīng)變量的關(guān)系，同時(shí)考慮多個(gè)影響因素之間的關(guān)系

3. 多因素?zé)o交互方差分析：分析多個(gè)影響因素與響應(yīng)變量的關(guān)系，但是影響因素之間沒有影響關(guān)系或忽略影響關(guān)系

4. 協(xié)方差分祈：傳統(tǒng)的方差分析存在明顯的弊端，無法控制分析中存在的某些隨機(jī)因素，降低了分析結(jié)果的準(zhǔn)確度。協(xié)方差分析主要是在排除了協(xié)變量的影響后再對修正后的主效應(yīng)進(jìn)行方差分析，是將線性回歸與方差分析結(jié)合起來的一種分析方法。

四、假設(shè)檢驗(yàn)

1. 參數(shù)檢驗(yàn)

參數(shù)檢驗(yàn)是在已知總體分布的條件下（一股要求總體服從正態(tài)分布）對一些主要的參數(shù)（如均值、百分?jǐn)?shù)、方差、相關(guān)系數(shù)等）進(jìn)行的檢驗(yàn) 。

2. 非參數(shù)檢驗(yàn)

非參數(shù)檢驗(yàn)則不考慮總體分布是否已知，常常也不是針對總體參數(shù)，而是針對總體的某些一般性假設(shè)（如總體分布的位罝是否相同，總體分布是否正態(tài)）進(jìn)行檢驗(yàn)。

適用情況：順序類型的數(shù)據(jù)資料，這類數(shù)據(jù)的分布形態(tài)一般是未知的。

1）雖然是連續(xù)數(shù)據(jù)，但總體分布形態(tài)未知或者非正態(tài)；

2）總體分布雖然正態(tài)，數(shù)據(jù)也是連續(xù)類型，但樣本容量極小，如10以下；

主要方法包括：卡方檢驗(yàn)、秩和檢驗(yàn)、二項(xiàng)檢驗(yàn)、游程檢驗(yàn)、K-量檢驗(yàn)等。

2.統(tǒng)計(jì)學(xué)中數(shù)據(jù)分析的依據(jù)和方法有哪些

統(tǒng)計(jì)學(xué)：通過利用概率論建立數(shù)學(xué)模型，收集所觀察系統(tǒng)的數(shù)據(jù)，進(jìn)行量化的分析、總結(jié)，并進(jìn)而進(jìn)行推斷和預(yù)測，為相關(guān)決策提供依據(jù)和參考統(tǒng)計(jì)學(xué)基本理論研究有：概率極限理論及其在統(tǒng)計(jì)中應(yīng)用、樹形概率、Banach空間概率、隨機(jī)PDE'S、泊松逼近、隨機(jī)網(wǎng)絡(luò)、馬爾科夫過程及場論、馬爾科夫收斂率、布朗運(yùn)動(dòng)與偏微分方程、空間分支總體的極限、大的偏差與隨機(jī)中數(shù)、序貫分析和時(shí)序分析中的交叉界限問題、馬爾科夫過程與狄利克雷表的一一對應(yīng)關(guān)系、函數(shù)估計(jì)中的中心極限定理、極限定理的穩(wěn)定性問題、因果關(guān)系與統(tǒng)計(jì)推斷、預(yù)測推斷、網(wǎng)絡(luò)推斷、似然、M——估計(jì)量與最大似然估計(jì)、參數(shù)模型中的精確逼近、非參數(shù)估計(jì)中的自適應(yīng)方法、多元分析中的新內(nèi)容、時(shí)間序列理論與應(yīng)用、非線性時(shí)間序列、時(shí)間序列中確定模型與隨機(jī)模型比較、極值統(tǒng)計(jì)、貝葉斯計(jì)算、變點(diǎn)分析、對隨機(jī)PDE'S的估計(jì)、測度值的處理、函數(shù)數(shù)據(jù)統(tǒng)計(jì)分析。

3.常用的數(shù)據(jù)分析方法有哪些

一、掌握基礎(chǔ)、更新知識(shí)。

基本技術(shù)怎么強(qiáng)調(diào)都不過分。這里的術(shù)更多是（計(jì)算機(jī)、統(tǒng)計(jì)知識(shí)）， 多年做數(shù)據(jù)分析、數(shù)據(jù)挖掘的經(jīng)歷來看、以及業(yè)界朋友的交流來看，這點(diǎn)大家深有感觸的。

數(shù)據(jù)庫查詢—SQL 數(shù)據(jù)分析師在計(jì)算機(jī)的層面的技能要求較低，主要是會(huì)SQL，因?yàn)檫@里解決一個(gè)數(shù)據(jù)提取的問題。有機(jī)會(huì)可以去逛逛一些專業(yè)的數(shù)據(jù)論壇，學(xué)習(xí)一些SQL技巧、新的函數(shù)，對你工作效率的提高是很有幫助的。

統(tǒng)計(jì)知識(shí)與數(shù)據(jù)挖掘 你要掌握基礎(chǔ)的、成熟的數(shù)據(jù)建模方法、數(shù)據(jù)挖掘方法。例如：多元統(tǒng)計(jì)：回歸分析、因子分析、離散等，數(shù)據(jù)挖掘中的：決策樹、聚類、關(guān)聯(lián)規(guī)則、神經(jīng)網(wǎng)絡(luò)等。

但是還是應(yīng)該關(guān)注一些博客、論壇中大家對于最新方法的介紹，或者是對老方法的新運(yùn)用，不斷更新自己知識(shí)，才能跟上時(shí)代，也許你工作中根本不會(huì)用到，但是未來呢？行業(yè)知識(shí) 如果數(shù)據(jù)不結(jié)合具體的行業(yè)、業(yè)務(wù)知識(shí)，數(shù)據(jù)就是一堆數(shù)字，不代表任何東西。是冷冰冰，是不會(huì)產(chǎn)生任何價(jià)值的，數(shù)據(jù)驅(qū)動(dòng)營銷、提高科學(xué)決策一切都是空的。

一名數(shù)據(jù)分析師，一定要對所在行業(yè)知識(shí)、業(yè)務(wù)知識(shí)有深入的了解。例如：看到某個(gè)數(shù)據(jù)，你首先必須要知道，這個(gè)數(shù)據(jù)的統(tǒng)計(jì)口徑是什么？是如何取出來的？這個(gè)數(shù)據(jù)在這個(gè)行業(yè)， 在相應(yīng)的業(yè)務(wù)是在哪個(gè)環(huán)節(jié)是產(chǎn)生的？數(shù)值的代表業(yè)務(wù)發(fā)生了什么（背景是什么）？對于A部門來說，本月新會(huì)員有10萬，10萬好還是不好呢？先問問上面的這個(gè)問題：對于A部門，1、新會(huì)員的統(tǒng)計(jì)口徑是什么。

第一次在使用A部門的產(chǎn)品的會(huì)員？還是在站在公司角度上說，第一次在公司發(fā)展業(yè)務(wù)接觸的會(huì)員？2、是如何統(tǒng)計(jì)出來的。A：時(shí)間；是通過創(chuàng)建時(shí)間，還是業(yè)務(wù)完成時(shí)間。

B：業(yè)務(wù)場景。是只要與業(yè)務(wù)發(fā)接觸，例如下了單，還是要業(yè)務(wù)完成后，到成功支付。

3、這個(gè)數(shù)據(jù)是在哪個(gè)環(huán)節(jié)統(tǒng)計(jì)出來。在注冊環(huán)節(jié)，在下單環(huán)節(jié)，在成功支付環(huán)節(jié)。

4、這個(gè)數(shù)據(jù)代表著什么。10萬高嗎？與歷史相同比較？是否做了營銷活動(dòng)？這個(gè)行業(yè)處理行業(yè)生命同期哪個(gè)階段？在前面二點(diǎn)，更多要求你能按業(yè)務(wù)邏輯，來進(jìn)行數(shù)據(jù)的提?。ǜ嗍菍慡QL代碼從數(shù)據(jù)庫取出數(shù)據(jù)）。

后面二點(diǎn)，更重要是對業(yè)務(wù)了解，更行業(yè)知識(shí)了解，你才能進(jìn)行相應(yīng)的數(shù)據(jù)解讀，才能讓數(shù)據(jù)產(chǎn)生真正的價(jià)值，不是嗎？對于新進(jìn)入數(shù)據(jù)行業(yè)或者剛進(jìn)入數(shù)據(jù)行業(yè)的朋友來說：行業(yè)知識(shí)都重要，也許你看到很多的數(shù)據(jù)行業(yè)的同仁，在微博或者寫文章說，數(shù)據(jù)分析思想、行業(yè)知識(shí)、業(yè)務(wù)知識(shí)很重要。我非常同意。

因?yàn)樽鳛閿?shù)據(jù)分析師，在發(fā)表任何觀點(diǎn)的時(shí)候，都不要忘記你居于的背景是什么？但大家一定不要忘記了一些基本的技術(shù)，不要把基礎(chǔ)去忘記了，如果一名數(shù)據(jù)分析師不會(huì)寫SQL，那麻煩就大了。哈哈。

你只有把數(shù)據(jù)先取對了，才能正確的分析，否則一切都是錯(cuò)誤了，甚至?xí)?dǎo)致致命的結(jié)論。

新同學(xué)，還是好好花時(shí)間把基礎(chǔ)技能學(xué)好。因?yàn)榛A(chǔ)技能你可以在短期內(nèi)快速提高，但是在行業(yè)、業(yè)務(wù)知識(shí)的是一點(diǎn)一滴的積累起來的，有時(shí)候是急不來的，這更需要花時(shí)間慢慢去沉淀下來。

不要過于追求很高級、高深的統(tǒng)計(jì)方法，我提倡有空還是要多去學(xué)習(xí)基本的統(tǒng)計(jì)學(xué)知識(shí)，從而提高工作效率，達(dá)到事半功倍。以我經(jīng)驗(yàn)來說，我負(fù)責(zé)任告訴新進(jìn)的同學(xué)，永遠(yuǎn)不要忘記基本知識(shí)、基本技能的學(xué)習(xí)。

二、要有三心。1、細(xì)心。

2、耐心。3、靜心。

數(shù)據(jù)分析師其實(shí)是一個(gè)細(xì)活，特別是在前文提到的例子中的前面二點(diǎn)。而且在數(shù)據(jù)分析過程中，是一個(gè)不斷循環(huán)迭代的過程，所以一定在耐心，不怕麻煩，能靜下心來不斷去修改自己的分析思路。

三、形成自己結(jié)構(gòu)化的思維。數(shù)據(jù)分析師一定要嚴(yán)謹(jǐn)。

而嚴(yán)謹(jǐn)一定要很強(qiáng)的結(jié)構(gòu)化思維，如何提高結(jié)構(gòu)化思維，也許只需要工作隊(duì)中不斷的實(shí)踐。但是我推薦你用mindmanagement，首先把你的整個(gè)思路整理出來，然后根據(jù)分析不斷深入、得到的信息不斷增加的情況下去完善你的結(jié)構(gòu)，慢慢你會(huì)形成一套自己的思想。

當(dāng)然有空的時(shí)候去看看《麥肯錫思維》、結(jié)構(gòu)化邏輯思維訓(xùn)練的書也不錯(cuò)。在我以為多看看你身邊更資深同事的報(bào)告，多問問他們是怎么去考慮這個(gè)問題的，別人的思想是怎么樣的？他是怎么構(gòu)建整個(gè)分析體系的。

四、業(yè)務(wù)、行業(yè)、商業(yè)知識(shí)。當(dāng)你掌握好前面的基本知識(shí)和一些技巧性東西的時(shí)候，你應(yīng)該在業(yè)務(wù)、行業(yè)、商業(yè)知識(shí)的學(xué)習(xí)與積累上了。

這個(gè)放在最后，不是不重要，而且非常重要，如果前面三點(diǎn)是決定你能否進(jìn)入這個(gè)行業(yè)，那么這則是你進(jìn)入這個(gè)行業(yè)后，能否成功的最根本的因素。 數(shù)據(jù)與具體行業(yè)知識(shí)的關(guān)系，比作池塘中魚與水的關(guān)系一點(diǎn)都不過分，數(shù)據(jù)（魚）離開了行業(yè)、業(yè)務(wù)背景（水）是死的，是不可能是“活”。

而沒有“魚”的水，更像是“死”水，你去根本不知道看什么（方向在哪）。如何提高業(yè)務(wù)知識(shí)，特別是沒有相關(guān)背景的同學(xué)。

很簡單，我總結(jié)了幾點(diǎn)：1、多向業(yè)務(wù)部門的同事請教，多溝通。多向他們請教，數(shù)據(jù)分析師與業(yè)務(wù)部門沒有利益沖突，而更向是共生體，所以如果你態(tài)度好，相信業(yè)務(wù)部門的同事也很愿意把他們知道的告訴你。

2、永遠(yuǎn)不要忘記了google大神，定制一些行業(yè)的關(guān)鍵字，每天都先看看定制的郵件。3、每天有空去瀏。

4.數(shù)據(jù)分析的方法有哪些

分析大數(shù)據(jù)，R語言和Linux系統(tǒng)比較有幫助，運(yùn)用到的方法原理可以翻翻大學(xué)的統(tǒng)計(jì)學(xué)，不需要完全理解，重在應(yīng)用。

分析簡單數(shù)據(jù)，Excel就可以了。Excel本意就是智能，功能很強(qiáng)，容易上手。我沒有見過有人說自己精通Excel的，最多是熟悉Excel。Excel的函數(shù)可以幫助你處理大部分?jǐn)?shù)據(jù)。

數(shù)據(jù)分析是指用適當(dāng)?shù)慕y(tǒng)計(jì)分析方法對收集來的大量數(shù)據(jù)進(jìn)行分析，提取有用信息和形成結(jié)論而對數(shù)據(jù)加以詳細(xì)研究和概括總結(jié)的過程。這一過程也是質(zhì)量管理體系的支持過程。在實(shí)用中，數(shù)據(jù)分析可幫助人們作出判斷，以便采取適當(dāng)行動(dòng)。

數(shù)據(jù)分析的數(shù)學(xué)基礎(chǔ)在20世紀(jì)早期就已確立，但直到計(jì)算機(jī)的出現(xiàn)才使得實(shí)際操作成為可能，并使得數(shù)據(jù)分析得以推廣。數(shù)據(jù)分析是數(shù)學(xué)與計(jì)算機(jī)科學(xué)相結(jié)合的產(chǎn)物。

“啤酒與尿布”的故事產(chǎn)生于20世紀(jì)90年代的美國沃爾瑪超市中，沃爾瑪?shù)某泄芾砣藛T分析銷售數(shù)據(jù)時(shí)發(fā)現(xiàn)了一個(gè)令人難于理解的現(xiàn)象：在某些特定的情況下，“啤酒”與“尿布”兩件看上去毫無關(guān)系的商品會(huì)經(jīng)常出現(xiàn)在同一個(gè)購物籃中，這種獨(dú)特的銷售現(xiàn)象引起了管理人員的注意，經(jīng)過后續(xù)調(diào)查發(fā)現(xiàn)，這種現(xiàn)象出現(xiàn)在年輕的父親身上。

在美國有嬰兒的家庭中，一般是母親在家中照看嬰兒，年輕的父親前去超市購買尿布。父親在購買尿布的同時(shí)，往往會(huì)順便為自己購買啤酒，這樣就會(huì)出現(xiàn)啤酒與尿布這兩件看上去不相干的商品經(jīng)常會(huì)出現(xiàn)在同一個(gè)購物籃的現(xiàn)象。如果這個(gè)年輕的父親在賣場只能買到兩件商品之一，則他很有可能會(huì)放棄購物而到另一家商店， 直到可以一次同時(shí)買到啤酒與尿布為止。沃爾瑪發(fā)現(xiàn)了這一獨(dú)特的現(xiàn)象，開始在賣場嘗試將啤酒與尿布擺放在相同的區(qū)域，讓年輕的父親可以同時(shí)找到這兩件商品，并很快地完成購物；而沃爾瑪超市也可以讓這些客戶一次購買兩件商品、而不是一件，從而獲得了很好的商品銷售收入，這就是“啤酒與尿布” 故事的由來。

當(dāng)然“啤酒與尿布”的故事必須具有技術(shù)方面的支持。1993年美國學(xué)者Agrawal提出通過分析購物籃中的商品集合，從而找出商品之間關(guān)聯(lián)關(guān)系的關(guān)聯(lián)算法，并根據(jù)商品之間的關(guān)系，找出客戶的購買行為。艾格拉沃從數(shù)學(xué)及計(jì)算機(jī)算法角度提 出了商品關(guān)聯(lián)關(guān)系的計(jì)算方法——Aprior算法。沃爾瑪從上個(gè)世紀(jì) 90 年代嘗試將 Aprior 算 法引入到 POS機(jī)數(shù)據(jù)分析中，并獲得了成功，于是產(chǎn)生了“啤酒與尿布”的故事。

5.數(shù)據(jù)分析都有哪些方法

常用數(shù)據(jù)分析方法：聚類分析、因子分析、相關(guān)分析、對應(yīng)分析、回歸分析、方差分析； 問卷調(diào)查常用數(shù)據(jù)分析方法：描述性統(tǒng)計(jì)分析、探索性因素分析、Cronbach'a信度系數(shù)分析、結(jié)構(gòu)方程模型分析（structural equations modeling） 。

數(shù)據(jù)分析常用的圖表方法：柏拉圖（排列圖）、直方圖（Histogram）、散點(diǎn)圖（scatter diagram）、魚骨圖（Ishikawa）、FMEA、點(diǎn)圖、柱狀圖、雷達(dá)圖、趨勢圖。 數(shù)據(jù)分析統(tǒng)計(jì)工具：SPSS、minitab、JMP。

6.數(shù)據(jù)分析的基本方法有哪些

數(shù)據(jù)分析的三個(gè)常用方法：

1. 數(shù)據(jù)趨勢分析

趨勢分析一般而言，適用于產(chǎn)品核心指標(biāo)的長期跟蹤，比如，點(diǎn)擊率，GMV，活躍用戶數(shù)等。做出簡單的數(shù)據(jù)趨勢圖，并不算是趨勢分析，趨勢分析更多的是需要明確數(shù)據(jù)的變化，以及對變化原因進(jìn)行分析。

趨勢分析，最好的產(chǎn)出是比值。在趨勢分析的時(shí)候需要明確幾個(gè)概念：環(huán)比，同比，定基比。環(huán)比是指，是本期統(tǒng)計(jì)數(shù)據(jù)與上期比較，例如2019年2月份與2019年1月份相比較，環(huán)比可以知道最近的變化趨勢，但是會(huì)有些季節(jié)性差異。為了消除季節(jié)差異，于是有了同比的概念，例如2019年2月份和2018年2月份進(jìn)行比較。定基比更好理解，就是和某個(gè)基點(diǎn)進(jìn)行比較，比如2018年1月作為基點(diǎn)，定基比則為2019年2月和2018年1月進(jìn)行比較。

比如：2019年2月份某APP月活躍用戶數(shù)我2000萬，相比1月份，環(huán)比增加2%，相比去年2月份，同比增長20%。趨勢分析另一個(gè)核心目的則是對趨勢做出解釋，對于趨勢線中明顯的拐點(diǎn)，發(fā)生了什么事情要給出合理的解釋，無論是外部原因還是內(nèi)部原因。

2. 數(shù)據(jù)對比分析

數(shù)據(jù)的趨勢變化獨(dú)立的看，其實(shí)很多情況下并不能說明問題，比如如果一個(gè)企業(yè)盈利增長10%，我們并無法判斷這個(gè)企業(yè)的好壞，如果這個(gè)企業(yè)所處行業(yè)的其他企業(yè)普遍為負(fù)增長，則5%很多，如果行業(yè)其他企業(yè)增長平均為50%，則這是一個(gè)很差的數(shù)據(jù)。

對比分析，就是給孤立的數(shù)據(jù)一個(gè)合理的參考系，否則孤立的數(shù)據(jù)毫無意義。在此我向大家推薦一個(gè)大數(shù)據(jù)技術(shù)交流圈： 658558542 突破技術(shù)瓶頸，提升思維能力 。

一般而言，對比的數(shù)據(jù)是數(shù)據(jù)的基本面，比如行業(yè)的情況，全站的情況等。有的時(shí)候，在產(chǎn)品迭代測試的時(shí)候，為了增加說服力，會(huì)人為的設(shè)置對比的基準(zhǔn)。也就是A/B test。

比較試驗(yàn)最關(guān)鍵的是A/B兩組只保持單一變量，其他條件保持一致。比如測試首頁改版的效果，就需要保持A/B兩組用戶質(zhì)量保持相同，上線時(shí)間保持相同，來源渠道相同等。只有這樣才能得到比較有說服力的數(shù)據(jù)。

3. 數(shù)據(jù)細(xì)分分析

在得到一些初步結(jié)論的時(shí)候，需要進(jìn)一步地細(xì)拆，因?yàn)樵谝恍┚C合指標(biāo)的使用過程中，會(huì)抹殺一些關(guān)鍵的數(shù)據(jù)細(xì)節(jié)，而指標(biāo)本身的變化，也需要分析變化產(chǎn)生的原因。這里的細(xì)分一定要進(jìn)行多維度的細(xì)拆。常見的拆分方法包括：

分時(shí) ：不同時(shí)間短數(shù)據(jù)是否有變化。

分渠道 ：不同來源的流量或者產(chǎn)品是否有變化。

分用戶 ：新注冊用戶和老用戶相比是否有差異，高等級用戶和低等級用戶相比是否有差異。

分地區(qū) ：不同地區(qū)的數(shù)據(jù)是否有變化。

組成拆分 ：比如搜索由搜索詞組成，可以拆分不同搜索詞；店鋪流量由不用店鋪產(chǎn)生，可以分拆不同的店鋪。

細(xì)分分析是一個(gè)非常重要的手段，多問一些為什么，才是得到結(jié)論的關(guān)鍵，而一步一步拆分，就是在不斷問為什么的過程。

7.數(shù)據(jù)分析方法5種,數(shù)據(jù)分析有什么方法

借助工具，未至科技魔方是一款大數(shù)據(jù)模型平臺(tái)，是一款基于服務(wù)總線與分布式云計(jì)算兩大技術(shù)架構(gòu)的一款數(shù)據(jù)分析、挖掘的工具平臺(tái)，其采用分布式文件系統(tǒng)對數(shù)據(jù)進(jìn)行存儲(chǔ)，支持海量數(shù)據(jù)的處理。

采用多種的數(shù)據(jù)采集技術(shù)，支持結(jié)構(gòu)化數(shù)據(jù)及非結(jié)構(gòu)化數(shù)據(jù)的采集。通過圖形化的模型搭建工具，支持流程化的模型配置。

通過第三方插件技術(shù)，很容易將其他工具及服務(wù)集成到平臺(tái)中去。數(shù)據(jù)分析研判平臺(tái)就是海量信息的采集，數(shù)據(jù)模型的搭建，數(shù)據(jù)的挖掘、分析最后形成知識(shí)服務(wù)于實(shí)戰(zhàn)、服務(wù)于決策的過程，平臺(tái)主要包括數(shù)據(jù)采集部分，模型配置部分，模型執(zhí)行部分及成果展示部分等。