① 大数据产品有哪些
问题一：目前大数据产品有哪些？ 大数据产品的分类在狭义的范畴里，从使用用户来看，可以是企业内部用户，外部企业客户，外部个人客户等。从产品发展形态来看，从最初的报表型（如静态报表、DashBoard、即席查询），到多维分析型（OLAP等工具型数据产品），到定制服务型数据产品，再到智能型数据产品等。
普通报表型数据产品过于苍白、可视化能力有限，而多维分析型数据产品更适合于专业的数据分析师而不是业务或运营人员，使用局限性也越来越大，所为未来的趋势可能是定制服务式和智能式的数据产品。举个例子，像企业级的大数据产品商业智能正是此趋势下的衍生品，发展数年，像国外的SAP，IBM，Oracle厂商，国内的FineBI等都是代表。
问题二：国内真正的大数据分析产品有哪些 大数据产品是有很多的，例如微信的大数据平台，DD打车的平台。
基于数据挖掘技术的舆情监测系统为另外一个十分重要的产品。
很多 *** ，企业会采用。它的作用，简单来说，就是发现负面信息，收集情报，有价值信息。
实施后好处: 1. 可实时监测微博，论坛，博客，新闻，搜索引擎中相关信息2. 可对重点QQ群的聊天内容进行监测3. 可对重点首页进行定时截屏监测及特别页面证据保存4. 对于新闻页面可以找出其所有转载页面5. 系统可自动对信息进行分类6. 系统可追踪某个专题或某个作者的所有相关信息 7. 监测人员可对信息进行挑选，再分类8. 监测人员可以基于自己的工作结果轻松导出制作含有图表的舆情日报周报
问题三：国内真正的大数据分析产品有哪些 国内的大数据公司还是做前端可视化展现的偏多，BAT算是真正做了大数据的，行业有硬性需求，别的行业跟不上也没办法，需求决定市场。
说说更通用的数据分析吧。
大数据分析也属于数据分析的一块，在实际应用中可以把数据分析工具分成两个维度：
第一维度：数据存储层――数据报表层――数据分析层――数据展现层
第二维度：用户级――部门级――企业级――BI级
1、数据存储层
数据存储设计到数据库的概念和数据库语言，这方面不一定要深钻研，但至少要理解数据的存储方式，数据的基本结构和数据类型。SQL查询语言必不可少，精通最好。可从常用的selece查询，update修改，delete删除，insert插入的基本结构和读取入手。
Access2003、Access07等，这是最基本的个人数据库，经常用于个人或部分基本的数据存储；MySQL数据库，这个对于部门级或者互联网的数据库应用是必要的，这个时候关键掌握数据库的库结构和SQL语言的数据查询能力。
SQL Server2005或更高版本，对中小企业，一些大型企业也可以采用SQL Server数据库，其实这个时候本身除了数据存储，也包括了数据报表和数据分析了，甚至数据挖掘工具都在其中了。
DB2，Oracle数据库都是大型数据库了，主要是企业级，特别是大型企业或者对数据海量存储需求的就是必须的了，一般大型数据库公司都提供非常好的数据整合应用平台。
BI级别，实际上这个不是数据库，而是建立在前面数据库基础上的，企业级应用的数据仓库。Data Warehouse，建立在DW机上的数据存储基本上都是商业智能平台，整合了各种数据分析，报表、分析和展现！BI级别的数据仓库结合BI产品也是近几年的大趋势。
2、报表层
企业存储了数据需要读取，需要展现，报表工具是最普遍应用的工具，尤其是在国内。传统报表解决的是展现问题，目前国内的帆软报表FineReport已经算在业内做到顶尖，是带着数据分析思想的报表，因其优异的接口开放功能、填报、表单功能，能够做到打通数据的进出，涵盖了早期商业智能的功能。
Tableau、FineBI之类，可分在报表层也可分为数据展现层。FineBI和Tableau同属于近年来非常棒的软件，可作为可视化数据分析软件，我常用FineBI从数据库中取数进行报表和可视化分析。相对而言，可视化Tableau更优，但FineBI又有另一种身份――商业智能，所以在大数据处理方面的能力更胜一筹。
3、数据分析层
这个层其实有很多分析工具，当然我们最常用的就是Excel，我经常用的就是统计分析和数据挖掘工具；
Excel软件，首先版本越高越好用这是肯定的；当然对excel来讲很多人只是掌握了5%Excel功能，Excel功能非常强大，甚至可以完成所有的统计分析工作！但是我也常说，有能力把Excel玩成统计工具不如专门学会统计软件；
SPSS软件：当前版本是18，名字也改成了PASW Statistics；我从3.0开始Dos环境下编程分析，到现在版本的变迁也可以看出SPSS社会科学统计软件包的变化，从重视医学、化学等开始越来越重视商业分析，现在已经成为了预测分析软件；
SAS软件：SAS相对SPSS其实功能更强大，SAS是平台化的，EM挖掘模块平台整合，相对来讲，SAS比较难学些，但如果掌握了SAS会更有价值，比如离散选择模型，抽样问题，正交实验设计等还是SAS比较好用，另外，SAS的学习材料比较多，也公开，会有收获的！
JMP分析：SAS的一个分析分支
XLstat：Excel的插件，可以完......>>
问题四：国内真正的大数据分析产品有哪些 目前，大数据分析工具在金融服务、零售、医疗卫生/生命科学、执法、电信、能源与公共事业、数字媒体/精准营销、交通运输等行业都有着广泛的应用。
问题五：目前大数据在哪些行业有案例或者说应用？ 1、体育行业预测
世界杯期间,谷歌、网络、微软和高盛等公司都推出了比赛结果预测平台。其中,网络在小组赛阶段的表现最为亮眼,而进入淘汰赛阶段,网络与微软则以16场比赛15场准确预测的成
绩让人们见识到大数据在预测领域的魅力。从互联网公司的经验来看,只要有体育赛事相关的历史数据,并且与指数公司进行多方合作,就可以在赛事预测领域取得不错的成绩。
2、经济、金融行业预测
2013年,英国华威商学院和美国波士顿大学物理系的研究发现,用户通过谷歌搜索的金融关键词或许可以把脉金融市场的走向,相应的投资战略收益高达326%。而此前,也有专家尝试
通过Twitter博文情绪来预测股市波动。从预测的原理上来看,稳定发展的美国股市是比较适合大数据预测发挥其作用的。
对国内而言,网络推出的中小企业景气指数预测,应用网络海量的搜索数据来刻画我国中小企业运行发展的景气状态,以期能够及时、有效地反映中小企业运行状况,提高经济监测的
全面性和及时性。目前该功能已经上线投入应用。
3、市场物价预测
CPI表征已经发生的物价浮动情况,但统计局数据并不权威。但大数据则可能帮助人们了解未来物价走向,提前预知通货膨胀或经济危机。单个商品的价格预测更加容易,尤其是机票
这样的标准化产品,去哪儿提供的“机票日历”就是价格预测,可以告知你几个月后机票的大概价位。商品的生产、渠道成本和大概毛利在充分竞争的市场中是相对稳定的,与价格相
关的变量相对固定,商品的供需关系在电子商务平台可实时监控,因此价格可以预测,基于预测结果可提供购买时间建议,或者指导商家进行动态价格调整和营销活动以利益最大化。
后面还有用户行为预测、个人健康预测、交通行为预测等领域都有涉及，你可以自己好好看看，希望对你有帮助。ruanyun/news/ryyc/n152.aspx
问题六：国内大数据公司有哪些？ 大数据包涵很广泛，涉及到很多方方面面，技术难度也很大，国内能做的公司不太多，我知道的有网络、华为、联想、浪潮、电科华云、腾讯、阿里巴巴、中科曙光等。
问题七：国内比较好的大数据 公司有哪些 你好，说的是什么领域？数据挖掘、数据研发、数据应用方面都有佼佼者。像商业智能领域的话，国内我比较了解的帆软，一开始做报表软件，做得很好，有比较深的行业基础，后来出的FineBI商业智能软件也延续了FineReport的精华，在行业内比较有代表性，具体的，有官网，可以去了解一下。
问题八：大数据产品主要是用来做什么的 大数据产品有很多，宽泛来讲，大数据产品的作用是对已有数据源中的数据进行收集和存储，在这基础上，进行分析和应用，形成我们的产品和服务，而产品和服务也会产生新的数据，这些新数据会循环进入我们的流程中。当这整个循环体系成为一个智能化的体系，通过机器实现自动化就是一种新的模式，不管是商业的，或者是其他。
而大数据能够实现的应用，可以概括为两个方向，一是精准化定制，二是预测。
精准化定制可以是一些个性化的产品，精准营销，比如互联网推广。
预测主要是围绕目标对象，基于它过去、未来的一些相关因素和数据分析，从而提前做出预警，或者是实时动态的优化。可分为决策支持类的，比如典型的商业智能产品FineBI；风险预警类的,主要用于证券、银行、投资；实时优化类的，比如实时定价。
问题九：国内真正的大数据采集产品有哪些 大数据的应用分为两类
第一类：基于自身平台的数据采集，现在的三大互联网巨头等拥有大量用户数据，通过自身数据挖掘可以完成。
第二类：基于爬虫或者类爬虫技术，帮助企业， *** 采集网络 *** 息，也就是网络信息采集系统，乐趣的“乐”，思维的“思”
其主要应用在于：舆情监测，品牌监测，价格监测，门户网站新闻采集，行业资讯采集，竞争情报获取，商业数据整合，市场研究，数据库营销等领域。
问题十：大数据分析领域有哪些分析模型 IT监控类或者IT运维流程类的产品工具上线运行一段时间之后，一年会产生十几万、甚至几十万的海量数据，包括告警数据、工单数据等IT运维大数据，需要从这些海量数据中获取更有效、更直接、更有价值的分析数据，更快速、有效的提取有意义的决策依据同样需要工具系统来满足运维大数据的IT数据挖掘、IT数据钻取需求。 RIIL Insight目前是国内首款定位于IT管理领域的大数据决策分析系统产品，通过建立多维数据分析模型进行信息提取、统计分析并提出决策依据，是IT运维管理领域的BI。系统通过IT运营管理、IT部门绩效管理、可视化项目管理、资产管理、业务关系管理、供应商软件管理等自定义维度的运行数据进行分析，可快速获取运维管理各方面的直观准确数据，诊断分析问题根源，预判数据走势，洞察全局运维动态。
② 大数据分析中，有哪些常见的大数据分析模型
很多朋友还没有接触过大数据分析方案，认为其仅仅算是个愿景而非现实——毕竟能够证明其可行性与实际效果的案例确实相对有限。但可以肯定的是，实时数据流中包含着大量重要价值，足以帮助企业及人员在未来的工作中达成更为理想的结果。那么，那些领域需要实时的数据分析呢？
1、医疗卫生与生命科学
2、保险业
3、电信运营商
4、能源行业
5、电子商务
6、运输行业
7、投机市场
8、执法领域
9、技术领域
常见数据分析模型有哪些呢？
1、行为事件分析：行为事件分析法具有强大的筛选、分组和聚合能力，逻辑清晰且使用简单，已被广泛应用。
2、漏斗分析模型：漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。
3、留存分析模型留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考察进行初始化行为的用户中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。
4、分布分析模型分布分析是用户在特定指标下的频次、总额等的归类展现。
5、点击分析模型即应用一种特殊亮度的颜色形式，显示页面或页面组区域中不同元素点点击密度的图标。
6、用户行为路径分析模型用户路径分析，顾名思义，用户在APP或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，时常要对访问路径的转换数据进行分析。
7、用户分群分析模型用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。
8、属性分析模型根据用户自身属性对用户进行分类与统计分析，比如查看用户数量在注册时间上的变化趋势、省份等分布情况。
模型再多，选择一种适合自己的就行，如何利益最大化才是我们追求的目标
③ 大数据技术有哪些
随着大数据分析市场迅速扩展，哪些技术是最有需求和最有增长潜力的呢？在Forrester Research的一份最新研究报告中，评估了22种技术在整个数据生命周期中的成熟度和轨迹。这些技术都对大数据的实时、预测和综合洞察有着巨大的贡献。
1. 预测分析技术
这也是大数据的主要功能之一。预测分析允许公司通过分析大数据源来发现、评估、优化和部署预测模型，从而提高业务性能或降低风险。同时，大数据的预测分析也与我们的生活息息相关。淘宝会预测你每次购物可能还想买什么，爱奇艺正在预测你可能想看什么，百合网和其他约会网站甚至试图预测你会爱上谁……
2. NoSQL数据库
NoSQL，Not Only SQL，意思是“不仅仅是SQL”，泛指非关系型数据库。NoSQL数据库提供了比关系数据库更灵活、可伸缩和更便宜的替代方案，打破了传统数据库市场一统江山的格局。并且，NoSQL数据库能够更好地处理大数据应用的需求。常见的NoSQL数据库有HBase、Redis、MongoDB、Couchbase、LevelDB等。
3. 搜索和知识发现
支持来自于多种数据源(如文件系统、数据库、流、api和其他平台和应用程序)中的大型非结构化和结构化数据存储库中自助提取信息的工具和技术。如，数据挖掘技术和各种大数据平台。
4. 大数据流计算引擎
能够过滤、聚合、丰富和分析来自多个完全不同的活动数据源的数据的高吞吐量的框架，可以采用任何数据格式。现今流行的流式计算引擎有Spark Streaming和Flink。
5. 内存数据结构
通过在分布式计算机系统中动态随机访问内存(DRAM)、闪存或SSD上分布数据，提供低延迟的访问和处理大量数据。
6. 分布式文件存储
为了保证文件的可靠性和存取性能，数据通常以副本的方式存储在多个节点上的计算机网络。常见的分布式文件系统有GFS、HDFS、Lustre 、Ceph等。
7. 数据虚拟化
数据虚拟化是一种数据管理方法，它允许应用程序检索和操作数据，而不需要关心有关数据的技术细节，比如数据在源文件中是何种格式，或者数据存储的物理位置，并且可以提供单个客户用户视图。
8. 数据集成
用于跨解决方案进行数据编排的工具，如Amazon Elastic MapRece (EMR)、Apache Hive、Apache Pig、Apache Spark、MapRece、Couchbase、Hadoop和MongoDB等。
9. 数据准备
减轻采购、成形、清理和共享各种杂乱数据集的负担的软件，以加速数据对分析的有用性。
10. 数据质量
使用分布式数据存储和数据库上的并行操作，对大型高速数据集进行数据清理和充实的产品。
④ “大数据”主要涉及哪些领域相关股票分别有哪些
近期，大数据概念正在风靡全球，从华尔街到国内资本市场，大数据概念股持续走强。5月17日，可视化数据分析软件供应商Tableau 及大数据营销公司Marketo一登陆美股市场，便引来疯狂的买盘。截至当日收盘，Marketo的股价飙升77.69%，Tableau的股价也暴涨63.71%。美股对“大数据”概念的疯狂热炒很快传播到了A股市场。今年以来至今，大数据概念股逆市上扬，累计涨幅达47.8%。根据细分行业分类，“大数据”主要涉及七大领域，包括数据处理和分析环节以及综合处理、语音识别、视频识别、商业智能软件、数据中心建设与维护、IT咨询和方案实施、信息安全等。
相关股票
“大数据”涉及的七大领域之一数据处理、分析环节和综合处理，与其相关的国内A股上市公司拓尔思和美亚柏科，近期表现抢眼。
语音识别作为“大数据”涉及的七大领域之一，近期，其相关的科大讯飞、大华股份(002236)、华平股份(300074)、中威电子(300270)和国腾电子(300101)等5只个股受到市场关注。
目前，国内A股市场中涉及视频识别行业的上市公司主要有5家，具体为：海康威视(002415)、大华股份、华平股份、中威电子、国腾电子。这5只个股今年以来至今均有不错表现，大华股份（74.34%）、华平股份（60.34%）、国腾电子（25.49%）、海康威视（22.47%）、中威电子（15.60%）。
目前，A股市场中涉及商业智能软件生产的上市公司主要有：久其软件(002279)、用友软件(600588)、东方国信(300166)。
对于国内企业而言，在大型设备与基础软件方面尚无法与全球IT巨头匹敌。不过，在应用软件、IT服务的多个细分领域，国内企业已积累了客户基础与行业、项目经验，有望借大数据的兴起而获得增长助力。
值得一提的是，汉得信息是我国本土领先的IT咨询企业，多年来致力于为企业提供高端ERP实施服务。
三分技术，七分数据，得数据者得天下。随着未来数据的规模剧增，数据中心的建设与维护是必不可少的。目前A股中涉及数据中心建设与维护的公司包括天玑科技(300245)、银信科技(300231)和荣之联(002642)。
目前A股涉及信息安全领域的个股包括：卫士通(002268)、同有科技(300302)、美亚柏科等等。
⑤ 有谁知道大数据指的是什么
大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。(在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据的方法[2]）大数据的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）。
说起大数据，就要说到商业智能：
商业智能（Business Intelligence，简称：BI），又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。
商业智能作为一个工具，是用来处理企业中现有数据，并将其转换成知识、分析和结论，辅助业务或者决策者做出正确且明智的决定。是帮助企业更好地利用数据提高决策质量的技术，包含了从数据仓库到分析型系统等。
商务智能的产生发展
商业智能的概念经由Howard Dresner(1989年)的通俗化而被人们广泛了解。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。
商务智能是20世纪90年代末首先在国外企业界出现的一个术语，其代表为提高企业运营性能而采用的一系列方法、技术和软件。它把先进的信息技术应用到整个企业，不仅为企业提供信息获取能力，而且通过对信息的开发，将其转变为企业的竞争优势，也有人称之为混沌世界中的智能。因此，越来越多的企业提出他们对BI的需求，把BI作为一种帮助企业达到经营目标的一种有效手段。
目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商资料及来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策既可以是作业层的，也可以是管理层和策略层的决策。
为了将数据转化为知识，需要利用数据仓库、线上分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是ETL、数据仓库、OLAP、数据挖掘、数据展现等技术的综合运用。
把商业智能看成是一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。
企业导入BI的优点
1.随机查询动态报表
2.掌握指标管理
3.随时线上分析处理
4.视觉化之企业仪表版
5.协助预测规划
导入BI的目的
1.促进企业决策流程(Facilitate the Business Decision-Making Process)：BIS增进企业的资讯整合与资讯分析的能力，汇总公司内、外部的资料，整合成有效的决策资讯，让企业经理人大幅增进决策效率与改善决策品质。
2.降低整体营运成本(Power the Bottom Line)：BIS改善企业的资讯取得能力，大幅降低IT人员撰写程式、Poweruser制作报表的时间与人力成本，而弹性的模组设计接口，完全不需撰写程式的特色也让日后的维护成本大幅降低。
3.协同组织目标与行动(Achieve a Fully Coordinated Organization)：BIS加强企业的资讯传播能力，消除资讯需求者与IT人员之间的认知差距，并可让更多人获得更有意义的资讯。全面改善企业之体质，使组织内的每个人目标一致、齐心协力。
商业智能领域的技术应用
商业智能的技术体系主要有数据仓库（Data Warehouse，DW）、联机分析处理（OLAP）以及数据挖掘（Data Mining，DM）三部分组成。
数据仓库是商业智能的基础,许多基本报表可以由此生成,但它更大的用处是作为进一步分析的数据源。所谓数据仓库（DW）就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。多维分析和数据挖掘是最常听到的例子,数据仓库能供给它们所需要的、整齐一致的数据。
在线分析处理（OLAP）技术则帮助分析人员、管理人员从多种角度把从原始数据中转化出来、能够真正为用户所理解的、并真实反映数据维特性的信息，进行快速、一致、交互地访问，从而获得对数据的更深入了解的一类软件技术。
数据挖掘（DM）是一种决策支持过程，它主要基于AI、机器学习、统计学等技术，高度自动化地分析企业原有的数据，做出归纳性的推理，从中挖掘出潜在的模式，预测客户的行为，帮助企业的决策者调整市场策略，减少风险，做出正确的决策。
商业智能的应用范围
1.采购管理
2.财务管理
3.人力资源管理
4.客户服务
5.配销管理
6.生产管理
7.销售管理
8.行销管理
商业智能实施步骤
商业智能系统处理流程[1]
商业智能（BI）作为一个概念，描述与业务紧密结合，并且根据需要进行相关特性展示和数据处理的过程。
为了让数据“活”起来，往往需要利用数据仓库、数据挖掘、报表设计与展示、联机在线分析（OLAP）等技术。数据或者数据源包含的种类繁多，例如存储在关系型数据库中的，在外围数据文件中的，在业务流中实时产生存储在内存中的等等。而商业智能最终能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。
这些分析有财务管理、点击流分析（Clickstream）、供应链管理、关键绩效指标（Key Performance Indicators, KPI）、客户分析等。商业智能关注的是，从各种渠道（软件，系统，人，等等）发掘可执行的战略信息。商业智能用的工具有抽取（Extraction）、转换（Transformation）和加载（Load）软件（搜集数据，建立标准的数据结构，然后把这些数据存在另外的数据库中）、数据挖掘和在线分析（Online Analytical Processing，允许用户容易地从多个角度选取和察看数据）等 。
商业智能系统的功能
商业智能系统应具有的主要功能：
数据仓库：高效的数据存储和访问方式。提供结构化和非结构化的数据存储，容量大，运行稳定，维护成本低，支持元数据管理，支持多种结构，例如中心式数据仓库，分布式数据仓库等。存储介质能够支持近线式和二级存储器。能够很好的支持现阶段容灾和备份方案。
数据ETL：数据ETL支持多平台、多数据存储格式（多数据源，多格式数据文件，多维数据库等）的数据组织，要求能自动化根据描述或者规则进行数据查找和理解。减少海量、复杂数据与全局决策数据之间的差距。帮助形成支撑决策要求的参考内容。
数据统计输出（报表）：报表能快速的完成数据统计的设计和展示，其中包括了统计数据表样式和统计图展示，可以很好的输出给其他应用程序或者Html形式表现和保存。对于自定义设计部分要提供简单易用的设计方案，支持灵活的数据填报和针对非技术人员设计的解决方案。能自动化完成输出内容的发布。
分析功能：可以通过业务规则形成分析内容，并且展示样式丰富，具有一定的交互要求，例如预警或者趋势分析等。要支持多维度的联机在线分析（OLAP分析），实现维度变化、旋转、数据切片和数据钻取等。帮助决策做出正确的判断。
典型的商业智能系统
典型的商业智能系统有：
客户分析系统、菜篮分析系统、反洗钱系统、反诈骗系统、客户联络分析系统、市场细分系统、信用计分系统、产品收益系统、库存运作系统以及与商业风险相关的应用系统等。
[编辑]商业智能解决方案厂商
提供商业智能解决方案的着名IT厂商包括微软、IBM、Oracle、Microstrategy、Business Objects、Cognos、SAS等
最后，希望你关注一下FineBI，帆软软件的大数据解决方案，我看了，还是很不错的