大数据挖掘私有云平台解决方案

无论大数据的任何参与者，都能从大数据挖掘平台中受益
定
管理者
制
开
发
业务用户
业务分析师
分
析 平
数据科学家
台
报表开发人员
打造领导驾驶舱、移动驾驶舱，对公司全面及时的运营监控 最佳的业务分析、洞察、研究的可视化预测平台 最易用的自助可视化与自助挖掘平台 迄今为止算法最丰富、功能最易用、输出最美观的挖掘平台 最易用的报表开发平台，基于EXCEL灵活定制开发报表
大数据私有云平台解决方案
Summary…
1 大数据私有云平台整体介绍
传统数据挖掘面临的困境？
第一，分析周期太长，难以满足快速的商业需求。 第二，要求必须得有历史数据，对于新的产品没有历史数据怎么办呢。 第三，技术门槛太高难以掌握，人才急缺。 第四，数据量太大，挖不动海量的数据。
小就是大，重大…
大数据&数据挖掘&人工智能
从传统报表到商业智能再到预测性分析，数据的价值逐步提升
不只是大数据应用平台，也是可以全面满足各种用户的分析平台
大数据应用门户（创建仪表盘，支持移动端）
精准营销专家系统、客户维稳专家系统、收入预测专家系统、社交媒体传播系统、经分决策系统等…
精准营销模型 动态监测模型
客户维稳模型
生命周期管理 模型
潜在客户挖掘 模型
客户交往圈识 别模型
流量使用跟踪及 激发释放模型
客户偏好模型
渠道常客看管和 识别模型
重点政企客户看 管模型
预警投诉热点客户判 定模型
客户信用等 级评估模型
…
地理信息平台
移动应用平台
指标云
标签库
数据集市
用户管理
数据管理
任务管理
大数据管理平台（内置Hadoop+Mysql存储解决方案）
满 足 业 务 用 户 和 业 务 分 析 人 员 自 由 灵 活 的 探 索 数 据
满 足 业 务 用 户 和 业 务 分 析 人 员 自 由 灵 活 的 探 索 数 据
architecture…
2
大数据平台计算架构
实现挖掘全过程的无代码化
模型最佳设计工具
3.发布 2.制作模型
您可以将模型直接发布到Smartbi服务器 中，也可制定定期定时的模型运行计划， 还可以将模型保存为PMML的通用格式或 者将结果导入数据库中，支持对其进行二 次开发。
1、大数据挖掘平台 2、报表分析平台 3、自助可视化平台
史上最简单的数据挖掘平台，满足业务分析师、数据科学家等自助挖掘数据
有了数据挖掘算法，可视化才充满生命力
大数据挖掘，功能超出你的想象
简单直观的建模方式——WEB工作界面：用户无需安装直接web中建模，对用户PC配置要求低
只需拖拉拽就可以完成大数据挖掘，整个过程可以全部无需编程！
可参考度 84% 8% 6% 1% 1% 30% 50%
智慧云平台解决方案
监控和优化模型
新增模型
建设以人才为系统服务，系统为企业服务的智云平台，对 企业数据进行大融合的同时融合企业专家的经验和能力， 通过智云平台整合不同领域众多专家的能力生产出企业所 需的各种大专家系统，以提升现有专家的能力，降低人才 短缺和流失风险。另外，通过对企业数据的集中管理实现 企业的集中化管理，提高企业执行力和决策能力，并挖掘 企业发展新机会。
部署服务器
1.准备查询
数据库
成果安全分享的平台 数据的集中管理
分布式大数据挖掘示意图
Hadoop分布式计算（Mapreduce）
Spark并行内存计算
HDFS
JDBC数据库
Smartbi服务器
Smartbi 数据源
vendor…
1、大数据挖掘平台 2、报表分析平台 3、自助可视化平台
满 足 报 表 开 发 人 员 灵 活 快 速 的 开 发 报 表
1、大数据挖掘平台 2、报表分析平台 3、自助可视化平台
满 足 业 务 用 户 和 业 务 分 析 人 员 自 由 灵 活 的 探 索 数 据
满 足 业 务 用 户 和 业 务 分 析 人 员 自 由 灵 活 的 探 索 数 据
简单直观的建模方式——客户端工作界面：可以本地执行也可以提交集群服务器执行，大小数据轻松搞定 只需拖拉拽就可以完成大数据挖掘，整个过程可以全部无需编程！
丰富的数据挖掘算法：丰富易操作、Βιβλιοθήκη Baidu布式并行内存计算
购物篮分析
客户流失预测
媒体分级分析
模型评估
时间序列
市场细分
微博分析
文本挖掘
信用评分
系统管理
生产 营销
财务
…
企业内部数据
外部行业数据
外部互联网数据
原始数据示例
销售
回款 应收
指标库 示例
不带现款分析模型最终保留变量
标签库 示例
指标 超期金额比例 定单总金额 超期次数比例 现款金额比例 订单记录数 超期金额比例 定单总金额
标签 适合评估订单超期 适合评估订单超期 适合评估订单超期 适合评估订单超期 适合评估订单超期 适合评估客户等级 适合评估客户等级
医药专家系统
异常检测
云版数据挖掘界面
丰富的数据挖掘算法：丰富易操作、分布式并行内存计算
第一，各种ETL算法； 第二，时间序列预测算法（针对目标为数值型且带时间纬度的预测场景，如预测未来每个月的销 量）：指数平滑算法、Arima算法、线性回归算法、移动平均算法等； 第三，目标变量为字符型的分类预测类算法（比如预测新来的顾客会买什么类型的产品，或者预 测客户属于哪种级别）：决策树算法、神经网络算法、支持向量集算法、贝叶斯网络算法、逻辑 回归算法、KNN算法等； 第四，目标变量为数值型的分类预测类算法（比如预测各种影响因素的变化对汽车销量的影响）： 线性回归算法、神经网络算法、贝叶斯网络算法聚类算法等； 第五，聚类分析类算法（对产品进行分类或者对客户进行分群）：SOTA算法、K-Means、KMedoids、层次聚类、模糊C均值等； 第六，关联分析类算法（源自购物篮分析，比如分析产品购物中，哪些产品会被同时购买的可能 性比较大，这样超市可以将这些产品靠近摆放，即给顾客方便，又可以提高销量）：Apriori算 法、关联规则、子集匹配、项集搜索等； 第七，模型评估类算法（用于评估模型的稳定性和准确性）：交叉验证、分类评估、数值评估等； 第八，各种文本挖掘算法（用于分析非结构化数据）； 第九，各种社会网络分析算法（用于分析社交类数据、意见领袖挖掘等）； 第十，开源算法集成。不仅集成了R的所有算法和优势，还规避了R的不足。