一个能讲清楚每个数字怎么来的数据分析平台
统计分析、机器学习与文本分析在同一张画布上完成。处理逻辑逐节点摊开，换人接手能看懂，下个月重跑结果一样。
看看你是不是卡在这三种情况里
如果都不是，现有工具大概还够用。换平台是有成本的，值得先对号入座。
表格越做越不敢碰
几十个公式互相引用，改一个格子不知道会连带影响什么。每月出报表要花两天，其中一天在核对上个月是怎么做的。
可以做的：把整套处理搭成一条工作流，下个月换数据重跑，步骤和口径都不会走样。参考从 Excel 到 iModel。
脚本只有写的人看得懂
分析是用 Python 或 SQL 做的，跑得没问题，但业务方问「这个数怎么来的」时要现场读代码解释，人一走就没人能维护。
可以做的：把流程搭成可视化节点，代码仍可保留在脚本节点里，但整体链路业务方能自己看懂。
想上模型，卡在数据准备
建模本身不难，难的是每次训练前的数据清洗都要重做一遍，而且训练用的数据和生产环境喂进去的对不上。
可以做的：把数据准备固化成流程，训练与推理复用同一段处理。参考面向 AI 的数据准备。
从数据整理到建模的完整链路
同一套拖拽方式，从最基础的汇总一路用到机器学习。
统计分析
用描述统计摸清数据分布，用推断统计验证判断。
- t 检验、方差分析（ANOVA）
- 线性回归、逻辑回归
- 时间序列分析
代码扩展
可视化搭不出来的逻辑，用脚本节点补，不必换工具。
- Python 与 R 脚本节点
- 沿用已有的算法与库
- 脚本作为流程的一环，同样留痕
从一个人的分析，到团队的流程
桌面版够一个人用；要让流程跑在服务器上、被团队共享，需要企业版承接。
临时做一次分析，和把分析变成流程
现在的工具都能算出结果。差别在第二次做的时候，以及别人接手的时候。
| 对比维度 | 表格 / 脚本临时处理 | iModel 工作流 |
|---|---|---|
| 下次重做 | 凭记忆或注释复原步骤 | 换数据重跑，步骤不会走样 |
| 结果一致性 | 换人操作可能得到不同结果 | 同一输入稳定得到同一输出 |
| 解释来源 | 要现场读公式或代码 | 点开节点看中间结果与配置 |
| 人员交接 | 逻辑随人员流动流失 | 流程本身就是交接物 |
| 数据规模 | 行数上去后卡顿或崩溃 | 由分析引擎处理，不受表格行数限制 |
| 能力上限 | 统计与建模需另配工具 | 统计、机器学习、文本分析同一平台 |
如果一件分析只做一次、也不用跟人解释，表格其实更快。工作流的价值从第二次开始体现。
关于 iModel 数据分析
不会编程能做高级分析吗？
能搭出流程。统计检验、建模这些节点拖过来配置参数就能跑，不用写代码。但要注意：工具门槛降低了，选对方法、看懂结果仍然需要统计基础，这部分工具替不了。可以从数据分析教程入门。
支持哪些统计与机器学习方法？
统计侧包括 t 检验、方差分析、线性与逻辑回归、时间序列分析等；机器学习侧包括分类、聚类、异常检测等常用算法。有特殊算法需求时，可用 Python 或 R 脚本节点沿用现成的库。
和 Excel 比，优势到底在哪？
不在于能算什么，Excel 装上插件也能做回归。差别在于：流程能存下来重跑、每一步的中间结果都在、数据量大了不会卡、以及分析逻辑能交给下一个人。如果一件事只做一次，Excel 通常更快。
能处理文本数据吗？
可以。分词、关键词提取、情感分析、文本分类等节点开箱可用，也可以接大模型做要素抽取与摘要，抽取结果转成结构化字段后进入后续分析。图像与音频这类数据需要额外扩展，建议先确认具体场景。
能和现有的数据库、系统对接吗？
常见的关系型数据库与文件格式都有对应的连接节点，也可以通过接口调用与脚本节点对接自有系统。国产数据库的连接需求请在方案沟通时单独确认，我们按实际环境验证。
