FineBI太难？这些准备工作没做好，难怪效能发挥不到10%

内容导航：

FineBI太难？这些准备工作没做好，难怪效能发挥不到10%

工作两年，想转行做数据分析，不知道路怎样走

大数据处理

数据分析师主要做什么？

一、FineBI太难？这些准备工作没做好，难怪效能发挥不到10%

1. 概述1.1 系统要求

FineBI 支持安装在主流操作系统上，但对操作系统的 CPU、JDK 版本、内存等均有要求。

Windows 系统要求：

Windows（仅支持64位）

系统：Windows7 或更高版本

JDK：JDK 1.8 且小版本需在 JDK8u102 以上（Oracle）

CPU：Intel Core i3-4代 或更快的处理器

内存：4G或以上

磁盘：至少2G可用空间

Mac 系统要求：

Mac（64位）

系统：MacOS10 或更高版本

JDK：JDK 1.8 且小版本需在 JDK8u102 以上（Oracle）

CPU：Intel Core i3-4代 或更快的处理器

内存：4G或以上

磁盘：至少2G可用空间

Linux 系统要求：

Linux

系统：Centos、RedHat 等常见 Linux 版本系统

JDK：JDK 1.8 且小版本需在 JDK8u102 以上（32位：Oracle；64位：Oracle、IBM J9）

CPU：Intel Core i3-4代 或更快的处理器

内存：4G或以上

磁盘：至少2G可用空间

注：除上述列出的操作系统对应JDK外，也支持部分 openjdk，例如亚马逊、adopt 等。在安装前需确认当前操作系统的 CPU 及对应 JDK 版本、厂商，JDK 版本要求：JDK 1.8 且小版本需在 JDK8u102 以上，可去对应厂商处下载 JDK 版本安装部署，否则将无法正确安装。

1.2 安装说明不建议在同一服务器同时运行多个工程。NIO 会将内存占满， 可能会导致另一个工程没法用、宕机卡死、同一浏览器访问提示登陆超时等问题。安装常见问题请参见： FineBI 安装常见问题1.3 安装流程

2. Windows 系统下安装步骤2.1 FineBI 下载

1）打开 FineBI官网 ，页面上方选择产品>产品下载，进入 FineBI 安装包下载页面。如下图所示：

2）安装包下载页面提供了三种版本的安装包，请根据系统选择下载对应版本的安装包，以 Windows 64 位系统为例，将 Windows 64 位版本的安装包下载到本地。如下图所示：

2.2 FineBI 安装

1）双击 FineBI 安装文件，会加载安装向导，安装向导加载完后，弹出如下对话框：

2）点击下一步，弹出许可协议对话框，选择我接受协议。如下图所示：

3）点击下一步，弹出选择安装目录对话框，点击浏览，选择 FineBI 安装目录。如下图所示：

注：不建议将 FineBI 安装在系统盘。

4）点击下一步，弹出设置最大内存对话框，最大 JVM 内存默认为 2048M，也就是 2G，建议您最大 JVM 内存设置为 2G 以上。需要注意的是最大 JVM 内存不能超过本机最大内存。如下图所示：

5）点击下一步，弹出选择开始菜单文件夹对话框，根据您的需求勾选。如下图所示：

6）点击下一步，弹出选择附加工作对话框，根据您的需求勾选。如下图所示：

注：「生成安全密钥文件」按钮的介绍请参见：生成安全密钥文件按钮说明

7）点击下一步，弹出完成 FineBI 安装程序对话框。如果勾选运行 FineBI并点击完成，FineBI 会自动启动并弹出决策系统设置页面。不勾选运行 FineBI点击完成，FineBI 不会自动启动。如下图所示：

3. Windows 版本启动

启动 FineBI 有两种方式：

方法一：通过点击桌面上的快捷图片；

方法二：点击%FineBI%/bin/finebi.exe文件启动。如下图所示：

当前 BI 安装包本身配置了 Tomcat 的服务器环境，点击此文件即弹出加载页面，随后出现 Tomcat 打开 BI 服务器。如下图所示：

当 Tomcat 服务器开启以后，会自动弹出浏览器地址：http://localhost:37799/webroot/decision打开BI平台进入初始化设置，如下图所示：

注：http://localhost:37799/webroot/decision为默认访问地址，可根据实际情况调整。

后续设置操作请参见：初始化设置

注：此处数据决策系统访问地址，在外网访问时，需将 localhost 换成服务器 IP 访问；若外网访问不了，可借助第三方工具：例如花生壳、fcn、frp 等实现内网穿透。

3.1 启动异常

若启动 FineBI 输入注册码弹窗提示异常，可进入 C:\Users\用户\.FineBI50目录下打开的FineBIEnv.xml文件，如下图所示：

更换已有的激活码，如下图所示：

激活码获取方法：登录：FineBI官网，点击「免费试用」，输入相关信息即可获取激活码，如下图所示：

4. Linux 系统下安装步骤

Linux 系统是常用的服务器系统，用户使用 FineBI 经常会采用 Linux 服务器安装，下文介绍 Linux 的安装方式。

4.1 上传文件

在 FineBI官网 下载了 Linux 版本安装包后，使用二进制传输方式将安装文件 Linux_unix_FineBI5_1-CN.sh 上传到 Linux 服务器中。例如 FileZilla：

如果 Linux 连接外网的话，也可直接到 官网下载 Linux版本的安装包。或者在 Linux 命令行下，使用：wget https://fine-build.oss-cn-shanghai.aliyuncs.com/finebi/5.1.3/stable/exe/spider/linux_unix_FineBI5_1-CN.sh，回车开始下载，代码如下所示：

wget https://fine-build.oss-cn-shanghai.aliyuncs.com/finebi/5.1.3/stable/exe/spider/linux_unix_FineBI5_1-CN.sh

4.2 安装 FineBI

文件下载好后，在 Linux 命令行切换到该目录中，先给安装文件权限，如下所示：

chmod 777 linux_unix_FineBI5_1-CN.sh

注：如果不先执行权限命令则会报错：-bash: ./linux_unix_FineBI5_1-CN.sh: Permission denied。

执行安装命令，如下图所示：

./linux_unix_FineBI5_1-CN.sh

选择回车键进行安装，出现许可协议，如下图所示：

继续敲击回车键。如下图所示：

继续敲击回车键，如下图所示：

继续回车，出现是否接受协议，输入1，按回车键，如下图所示：

选择要安装的目录，可按该形式写出要安装的目录路径，此处默认用缺省值，直接选择回车键，如下图所示：

可以设置BI系统使用的最大内存，直接写入数值即可，其单位是M ，此处使用缺省值，直接选择回车键，如下图所示：

注：此处若为64位操作系统，JVM内存最小设置为2048，即2G，否则FineBI无法正常运行。

提示是否创建快捷连接，一般放置在服务器上的并不需要，输入 n，按回车即可。同样桌面快捷方式一般也不需要，同样输入 n，按回车键，然后选择是否生成安全密钥文件，选择后文件即解压进行安装，如下图所示：

注：「生成安全密钥文件」按钮的介绍请参见：生成安全密钥文件按钮说明

完成安装后，提示是否运行，可以输入 y 按回车将 FineBI 运行，如下图所示：

5. Linux 版本启动

详情参见：Linux 中启动 FineBI

启动成功后，可以在浏览器中输入地址：http://IP:37799/webroot/decision访问，其中 IP 为对应安装服务器的 IP 。若外网访问不了，可借助第三方工具：例如花生壳、fcn、frp 等实现内网穿透。后续操作请参见：初始化设置

注：http://localhost:37799/webroot/decision为默认访问地址，可根据实际情况调整。

6. Mac 系统下安装步骤

Mac 系统下安装与 Windows 类似，在 FineBI官网 下载最新版本的安装包文件后，双击如下图的 FineBI 安装文件，会加载安装向导，安装向导加载完后，会弹出对话框，随后按照 Windows 的操作流程即可。

7. Mac 版本启动

MAC 系统启动 FineBI 包含两种方式，一种是直接在程序栏找到安装的 finebi 程序，双击图标启动，如下图所示：

还有一种需要进入FineBI安装目录，通过点击%FineBI%/bin/finebi4shell启动。如下图所示：

启动成功后，就可以在浏览器中输入地址：http://IP:37799/webroot/decision访问，其中 IP 为对应安装服务器的IP。若外网访问不了，可借助第三方工具：例如花生壳、fcn、frp 等实现内网穿透。后续操作请参见：初始化设置

注：http://localhost:37799/webroot/decision为默认访问地址，可根据实际情况调整。

8. 注意事项

若 BI 安装成功后无法启动，详情请参见：BI 无法启动排查步骤

9. 更多

更多内容

帮助文档

说明

初始化设置

初始化设置

第一次安装 FineBI 后，进行初始化操作

界面介绍

FineBI界面介绍

了解 FineBI 操作界面

新手入门

新手入门指南

快速上手 FineBI

管理员配置

管理员操作概述

管理员配置 FineBI 管理系统

一、工作两年，想转行做数据分析，不知道路怎样走

如何转行数据分析师

近年来，各大平台开始炒起了“数据分析”热，导致有不少小伙伴来问我：做数据分析师有那么好吗？如何转行做数据分析师？学数据分析难不难？

我想首先澄清一个概念：“转行”。对于从未接触数据分析领域或者大数据领域的童鞋而言，“转行”这个词其实是不够准确的，大部分的童鞋还是符合“入行”这个词。就我看来，字面意义的“转行”更像是平行概念，似乎是在同一个水平面，走到街转角，然后右转，便到了另一番天地。

但是实际的“转行”是远比这残酷的。

“转行”的第一个动作一定是放弃和下沉。放弃你现在所拥有技能带给你现在的地位和薪资，是走下现在的台阶，到达更低的台阶，然后再往上攀登的过程。也就是说：没有放弃和下沉，你谈不上是在转行。如果你要转行，一定要意识到转行的残酷性。

很好，你已经意识到转行的残酷了。你放弃了现有的，也心态和身体都下沉做好了起跑的准备了。下一步，就是精准地找到那扇门：进入数据分析师世界的大门。

注意“精准”这个词。那一定是旁边那些形形色色的门你都不选，而选了唯一的这一扇门。为了找到这扇门，你经过了无数次的百度搜索，论坛搜知识点，然后在判别上去伪存真，最终找到了进入数据分析师这条正确的大门。

那如何找到这扇门呢？

高度概括就两件事：工具+方法论。工具从初级到高级的排序是：Excel, MySQL, BI, Python, 算法等。

你需要做以下几件事：

1. 掌握数据分析工具

A. 基础工具：excel

excel能够帮助你实现数据透视并可视化，只需用到其中部分功能即可完成日常量数据的计算工作。

B. 提取数据工具：MySQL

MySQL数据库中包含基本的增、删、改、查等语法，你可以利用它对数据进行清洗和规范化。

C. 分析工具：python

爬取数据，并对数据进行分析和挖掘收集，python有非常丰富的库去访问网页文档的api以及后期网页文档的快速处理。

D. 可视化工具：excel、PPT、FineBI

可视化就是将原本比较抽象的数据用图表的方式呈现出来，使数据变得更加清晰，便于理解。excel和PPT就是相当常用的可视化工具。

E. 机器学习或神经网络等算法

算法的作用就是把事物的已有特征跟这件事的结果，这个“特征x”和“结果y”之间建立一个数学公式之间的联系。从无数个已知的x，y之中找到x,y最优的关系的数学公式，最终找到一个数学公式能在已知很多x的情况下，预测它的y值。这个听起来或许没那么直观。但是它的应用是极其广泛的。比如：如果已知各个森林的各种实时数据，就能够知道哪个森林更容易着山火，下次就避免这种山火。

2. 掌握数据分析方法论

这个就是结合到公司的业务要找到最符合公司的数据分析模型。通常每一个特定行业都有业务分析习惯使用的模型，例如电商中常使用的分解因子分析，漏斗分析等；零售行业常用RFM模型；教育行业常用时间趋势分析，描述性统计分析，人物画像分析等。每个行业所对应的数据运营模型甚至是算法，都会是定制化的，个性化的，但是这背后都会有通用逻辑。掌握这些通用逻辑，是数据分析师在业务模型上变通的基础。也就像是学习篮球，你先得学会基本运球技巧，熟练左右手上篮，然后再在实战中练习传球，走位等等。掌握通用技能就是练习左右手上篮以及运球技巧，在实际业务中运用模型也就是练习走位和传球。对于想入行的零基础学员来说，掌握数据分析通用方法论是极其重要的。

然而，没有人是能够一蹴而就就掌握好这么多工具和方法论的。所有的远航都得有一个开始的远点，入门数据分析师也一样。

一开始，你可能只是学习成为初级数据专员。这要求你熟练掌握excel、PPT，会做VBA、会做透视表、会使用基本公式，这样你已经能做很多传统公司的数据专员了。第二阶段是要会SQL、懂业务，能够做一些基本的数据处理，再加上上一阶段的那些技能，你就能做大部分公司的数据运营和数据产品。然后是专业的数据分析师，你要非常熟悉统计学，回归、假设检验、时间序列等等，还要会做数据可视化，掌握了这些技术，就足以应付大多数的互联网业务。最高阶的就是数据科学家，到了这个阶段，已经成为了数据分析师中的王者，要求你精通统计学，会使用机器学习，比如调参数和优化，而取数、数据仓库、可视化什么的，对你来说就是小菜一碟。

其实，数据分析已经逐渐成为了职场中的必备技能，无论你是不是想要成为一名数据分析师，数据分析都应用在我们生活中的方方面面。学习数据分析能够充分发挥你在工作中的超强能力，如果你想要有更系统的学习方案和职业规划，欢迎加入【聚数学院】~

二、大数据处理

大数据技术，就是从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量新的技术，它们成为大数据采集、存储、处理和呈现的有力武器。

大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用(大数据检索、大数据可视化、大数据应用、大数据安全等)。

一、大数据采集技术

数据是指通过RFID射频数据、传感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化(或称之为弱结构化)及非结构化的海量数据，是大数据知识服务模型的根本。重点要突破分布式高速高可靠数据爬取或采集、高速数据全映像等大数据收集技术;突破高速数据解析、转换与装载等大数据整合技术;设计质量评估模型，开发数据质量技术。

互联网是个神奇的大网，大数据开发和软件定制也是一种模式，这里提供最详细的报价，如果你真的想做，可以来这里，这个手技的开始数字是一八七中间的是三儿零最后的是一四二五零，按照顺序组合起来就可以找到，我想说的是，除非你想做或者了解这方面的内容，如果只是凑热闹的话，就不要来了。

大数据采集一般分为大数据智能感知层：主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、传输、接入等技术。基础支撑层：提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。重点攻克分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数据的网络传输与压缩技术，大数据隐私保护技术等。

二、大数据预处理技术

主要完成对已接收数据的辨析、抽取、清洗等操作。1)抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的。2)清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项，因此要对数据通过过滤“去噪”从而提取出有效数据。

三、大数据存储及管理技术

大数据存储与管理要用存储器把采集到的数据存储起来，建立相应的数据库，并进行管理和调用。重点解决复杂结构化、半结构化和非结构化大数据管理与处理技术。主要解决大数据的可存储、可表示、可处理、可靠性及有效传输等几个关键问题。开发可靠的分布式文件系统(DFS)、能效优化的存储、计算融入存储、大数据的去冗余及高效低成本的大数据存储技术;突破分布式非关系型大数据管理与处理技术，异构数据的数据融合技术，数据组织技术，研究大数据建模技术;突破大数据索引技术;突破大数据移动、备份、复制等技术;开发大数据可视化技术。

开发新型数据库技术，数据库分为关系型数据库、非关系型数据库以及数据库缓存系统。其中，非关系型数据库主要指的是NoSQL数据库，分为：键值数据库、列存数据库、图存数据库以及文档数据库等类型。关系型数据库包含了传统关系数据库系统以及NewSQL数据库。

开发大数据安全技术。改进数据销毁、透明加解密、分布式访问控制、数据审计等技术;突破隐私保护和推理控制、数据真伪识别和取证、数据持有完整性验证等技术。

四、大数据分析及挖掘技术

大数据分析技术。改进已有数据挖掘和机器学习技术;开发数据网络挖掘、特异群组挖掘、图挖掘等新型数据挖掘技术;突破基于对象的数据连接、相似性连接等大数据融合技术;突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术。

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘涉及的技术方法很多，有多种分类法。根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等;根据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web;根据挖掘方法分，可粗分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为:归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。统计方法中，可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析
(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。神经网络方法中，可细分为:前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

从挖掘任务和挖掘方法的角度，着重突破：

1.可视化分析。数据可视化无论对于普通用户或是数据分析专家，都是最基本的功能。数据图像化可以让数据自己说话，让用户直观的感受到结果。

2.数据挖掘算法。图像化是将机器语言翻译给人看，而数据挖掘就是机器的母语。分割、集群、孤立点分析还有各种各样五花八门的算法让我们精炼数据，挖掘价值。这些算法一定要能够应付大数据的量，同时还具有很高的处理速度。

3.预测性分析。预测性分析可以让分析师根据图像化分析和数据挖掘的结果做出一些前瞻性判断。

4.语义引擎。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。语言处理技术包括机器翻译、情感分析、舆情分析、智能输入、问答系统等。

5.数据质量和数据管理。数据质量与管理是管理的最佳实践，透过标准化流程和机器对数据进行处理可以确保获得一个预设质量的分析结果。

六、大数据展现与应用技术

大数据技术能够将隐藏于海量数据中的信息和知识挖掘出来，为人类的社会经济活动提供依据，从而提高各个领域的运行效率，大大提高整个社会经济的集约化程度。在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。例如：商业智能技术，政府决策技术，电信数据信息处理与挖掘技术，电网数据信息处理与挖掘技术，气象信息分析技术，环境监测技术，警务云应用系统(道路监控、视频监控、网络监控、智能交通、反电信诈骗、指挥调度等公安信息系统)，大规模基因序列分析比对技术，Web信息挖掘技术，多媒体数据并行化处理技术，影视制作渲染技术，其他各种行业的云计算和海量数据处理应用技术等。

三、数据分析师主要做什么？

1、业务

从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

2、管理

一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。

3、分析

指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。

4、使用工具

指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。

5、设计

懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

扩展资料：

数据分析师是数据师Datician的一种，指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。

这是一个用数据说话的时代，也是一个依靠数据竞争的时代。目前世界500强企业中，有90%以上都建立了数据分析部门。IBM、微软、Google等知名公司都积极投资数据业务，建立数据部门，培养数据分析团队。各国政府和越来越多的企业意识到数据和信息已经成为企业的智力资产和资源，数据的分析和处理能力正在成为日益倚重的技术手段。