大数据分析 · 数据挖掘 · 数据可视化
把 PB 级原始数据 变成可决策的信号：从接入、清洗、特征工程到模型挖掘与可视化叙事， 全链路沉淀为可复用资产。创意排版让指标层级一目了然，互动设计让每一次下钻都有反馈， 用户体验优化让数据科学家与业务方读同一张图、说同一句话。
不堆砌功能名词，只回答一个问题：从原始表到可上线模型，每一步由谁负责、产出什么、如何验收。
支持关系库、埋点流、对象存储与 API 拉取四类入口，接入即生成字段血缘与空值率、重复率、枚举越界三类质量报告，异常字段自动打标而非静默丢弃。
内置 180+ 特征算子与 26 种挖掘算法模板，覆盖分类、回归、聚类、关联规则与异常检测。
26算法模板
同一份指标可切换折线、热力、桑基与流向图，图表配置随看板版本化，避免口径漂移。
12图表类型
点击任意维度即联动其余图表，交互响应控制在 300ms 内，保持分析思路不中断。
300ms 响应上限
模型版本、训练数据快照与线上指标三者绑定，支持一键回滚到上一稳定版本；业务方看到的不是 AUC，而是转化率、留存与成本变化的对照表。
超大字号对比用于强调关键数字，错位叠压用于区分「总量 / 增量 / 异常」三种语义，非对称栅格让异常指标自然获得更大视觉权重。
按「数据量级 + 模型数量 + 服务方式」定价，合同内明确交付物清单与验收指标，不做无边界承诺。
按项目约 3–5 周
按年订阅含季度迭代
私有化专属环境
把「分析」拆成可排期的工序，避免项目在第 3 周还在争论字段口径。
与业务方共同把模糊诉求翻译为可计算指标，明确预测目标、观察窗口与决策动作。
产出：指标定义卡 · 1–2 天
逐字段核对来源、更新频率与负责人，先做小样本抽样验证再全量接入。
产出：血缘图 + 质量报告 · 3–5 天
按时间切分训练/验证集，防止未来数据泄漏；保留至少 20% 时间窗做回测。
产出：特征清单 + 基线模型 · 5–8 天
先定信息层级再做视觉：一个页面只回答一个核心问题，下钻路径不超过 2 层。
产出：看板原型 + 交互说明 · 3–4 天
灰度 10% 流量运行 7 天，对比线上指标与离线评估差异，差异超阈值即回滚。
产出：监控看板 + 复盘报告 · 持续
以下每条都来自真实项目的返工原因，带具体参数与阈值，可直接抄进项目排期表。
把「活跃用户」「有效订单」等关键词写成定义卡：计算逻辑、过滤条件、时间归属规则、负责人四项齐全。经验值：口径卡未签字前不进入开发，可减少约 40% 的口径返工；同一指标在离线与实时链路必须共用一份定义。
随机切分会让未来信息泄漏到训练集，导致离线 AUC 虚高 0.05–0.15。正确做法：按时间留出最后 20% 作为验证集，再做一次前向滚动回测；若线上效果与离线差距超 15%，优先排查泄漏而非调参。
不要逐表临时决定。约定三类动作：可解释缺失（保留并加标记位）、采集故障（回补后重跑）、业务不适用（置为独立枚举）。关键字段空值率阈值设 3%，超阈值进入人工确认队列，避免脏数据静默污染特征。
单屏保留 3–4 个核心数字、1 条主趋势线，其余降级为辅助色小图。文字与背景对比度 ≥ 4.5:1，弱化标签用中性灰；下钻层级不超过 2 层，每次点击后的响应控制在 300ms 内，否则用户会放弃探索路径。
每次上线记录：模型版本号、训练数据快照日期、特征清单哈希、线上指标基线。灰度先放 10% 流量跑 7 天，核心指标低于基线 5% 立即回滚；把回滚脚本写成一条命令并纳入例行演练，别等故障当天现写。
指标全部来自生产环境观测口径，可按季度复核；任何一项持续两个季度下滑，都需触发架构评审。
8万行/秒
单节点接入吞吐
横向扩容至 4 节点可达 30 万行/秒
300ms
看板交互响应
指标下钻与图表联动的响应上限
99.9%
核心链路可用性
按月统计，故障复盘 3 个工作日内交付
14天
Pilot 首个场景上线
含数据接入、建模、看板与验收全流程
先给结论，再给依据；涉及边界的问题会明确写出「不适用」的场景。
若已有可用的数仓或对象存储，Pilot 场景通常 14 天内上线；若数据仍散落在业务库且缺主键，建议先用 1–2 周完成主数据对齐，否则后续每次建模都要重复处理脏数据。
先看三件事：标签是否覆盖完整决策周期、特征是否含未来信息、正负样本比例是否失真。经验上，约七成效果瓶颈来自标签与特征设计，而非换算法；建议先做一次特征重要度与泄漏排查再调参。
给每个看板指定唯一负责人与使用场景，连续两个季度访问量低于阈值即下线归档。原则是「一屏一问题」，指标数量控制在 4 个以内，把探索性分析留给自助查询而非堆在看板上。
采用行级与列级双重权限，敏感字段默认脱敏展示，导出行为全量留痕。审计日志保留不少于 180 天，权限变更需双人确认；对外共享的数据集必须经过脱敏校验后才能创建链接。