大数据可视化分析的实施过程是怎样的？

所谓大数据可视化，也被称为大数据看板，是由运行系统的数据+统计、分析、预测最后统一表达在软件界面的结果。 从概念上来看： 数据可视化这一概念自1987年正式提出，经过30余年的发展，逐渐形成3个分支： 科学计算可视化（scientific visualization） 信息可视化（information visualization） 可视分析（visual analytics） 近些年来，这3 个子领域出现了逐渐融合的趋势。通常统称为“大数据可视化”。

所谓大数据可视化，也被称为大数据看板，是由运行系统的数据+统计、分析、预测最后统一表达在软件界面的结果。
从概念上来看：
数据可视化这一概念自1987年正式提出，经过30余年的发展，逐渐形成3个分支：
科学计算可视化（scientific visualization）
信息可视化（information visualization）
可视分析（visual analytics）
近些年来，这3 个子领域出现了逐渐融合的趋势。通常统称为“大数据可视化”。
从技术上来说，大数据可视化分析的实施步骤主要有四项：需求分析，建设数据仓库/数据集市模型，数据抽取、清洗、转换、加载(ETL)，建立可视化分析场景。
1)需求分析
需求分析是大数据可视化项目开展的前提，要描述项目背景与目的、业务目标、业务范围、业务需求和功能需求等内容，明确实施单位对可视化的期望和需求。包括需要分析的主题、各主题可能查看的角度、需要发泄企业各方面的规律、用户的需求等内容。
2)建设数据仓库/数据集市的模型
数据仓库/数据集市的模型是在需求分析的基础上建立起来的。数据仓库/数据集市建模除了数据库的ER建模和关系建模，还包括专门针对数据仓库的维度建模技术。维度建模的关键在于明确下面四个问题：
哪些维度对主题分析有用?
如何使用现有数据生成维表?
用什么指标来"度量"主题?
如何使用现有数据生成事实表?
3)数据抽取、清洗、转换、加载(ETL)
数据抽取是指将数据仓库/集市需要的数据从各个业务系统中抽离出来，因为每个业务系统的数据质量不同，所以要对每个数据源建立不同的抽取程序，每个数据抽取流程都需要使用接口将元数据传送到清洗和转换阶段。
数据清洗的目的是保证抽取的原数据的质量符合数据仓库/集市的要求并保持数据的一致性。
数据转换是整个ETL过程的核心部分，主要是对原数据进行计算和放大。数据加载是按照数据仓库/集市模型中各个实体之间的关系将数据加载到目标表中。
4)建立可视化场景
建立可视化场景是对数据仓库/集市中的数据进行分析处理的成果，用户能够借此从多个角度查看企业/单位的运营状况，按照不同的主题和方式探查企业/单位业务内容的核心数据，从而作出更精准的预测和判断。

亿信华辰大数据可视化分析平台-亿信ABI
亿信华辰成立于2006年10月，基于核心大数据分析和数据治理产品，覆盖200多个细分行业，包括政务、银行、租赁、制造、能源、卫生、教育等，覆盖全国90%省市财税局，金融租赁市场占有率85%，覆盖全国90%的省市卫健委。
主要产品为亿信ABI，亿信ABI技术自主可控，它打通从数据源接入，到数据采集、数据处理，再到数据分析和挖掘，覆盖数据分析完整流程，实现数据填报、处理、分析一体化，可满足企业经营中各类复杂的分析需求。在可视化分析方面支持复杂报表、Dashboard、3D可视化、大屏分析、GIS地图、预测挖掘等，在自助式分析方面支持敏捷看板、即席报告、幻灯片、移动分析等分析方式。