提升企业数据治理及应用的效率，快速落地

Data Formula整体基于B/S架构，业务人员可以通过浏览器，操控企业数据资产，并对其进行管理，加工和输出；Data Formula主要分为十四大模块，采用标准的微服务架构，每个模块相对独立，可以独立升级维护；同时也可以根据客户实际情况，选择性的部署其中的一部分模块。

Data Formula支持多种数据源类型，包括离线数据文件、各种主流关系型数据库，NoSQL数据库，多维数据库以及第三方系统API接口。Data Formula支持对上述数据源进行数据抽取，用户可以自定义抽取任务的时间，频率，以及导入的具体条件，可以进行一次性全量导入操作，也可以通过定时任务的方式进行增量数据导入操作。Data Formula可以通过前置节点，进行跨网段的数据导入和抽取，支持传输过程加密。同时Data Formula的数据连接器框架也是开放结构，具备二次开发能力，可以根据客户实际情况进行定制开发，接入特定数据源。

Data Formula也可以通过数据订阅功能，被动接受业务系统，IOT采集网关等设备主动上报的数据，数据格式支持JSON，XML等，可以通过路径映射，或编码解析的方式，将数据映射至二维数据表。

Data Formula数据资产管理功能中，可以通过数据模型定位到数据集，也可以通过数据目录定位到数据集。针对每一个数据集（归属于模型或离散的），用户都可以查看浏览该数据集的基本信息，血缘关系，以及对应的数据质量。用户也可以针对该数据集进行进一步的后续操作，进行数据转换加工，纳入某一特定业务模型或将此数据集共享至数据服务。Data Formula中的数据血缘关系，通过数据集与数据集之间的转换关系进行描述，每一个数据变迁过程，都可以追溯到具体的字段以及变化内容。

Data Formula从业务数据应用场景出发，采用业务域的方式，对数据模型进行管理，用户可以直观的通过图形方式，进行业务建模（星型模型，雪花模型），也可以对数据模型进行增删改查操作，或者进行复制，修改等操作。通过基于数据模型的管理方式，可以确保在数据中台内，数据的业务一致性和完整性，该管理方式是Data Formula数据管理方法论中的核心理念。

Data Formula数据中台中，摒弃了传统的二维表格式的扁平化的指标管理方式，通过数据图谱，更加清晰的表达了数据指标的计算逻辑和关系，方便用户进行指标管理和查询。数据指标在定义完成后，可以通过数据服务，对外发布，方便外部系统，查询指标定义和计算逻辑。

元数据通常又可以分为技术元数据，业务元数据以及操作元数据。在Data Formula产品设计中，因为所有的操作行为均可以由系统自动记录，并通过数据资产的血缘关系进行展示，所以元数据管理功能中，只保留了技术元数据以及业务元数据。元数据的生成方式，可以跟随数据来源，由业务系统导入，也可以在Data Formula平台上进行手动维护管理。

Data Formula数据标准功能支持标准的定义和发布，发布过程需要管理员的审核和批准。数据标准可以自动映射至元数据，以及元数据对应的数据字段，自动进行评估，输出评估统计结果，了解整体数据标准建设情况。

Data Formula的数据质量管理，以数据标准为数据检验依据，以元数据为数据检验对象，通过向导化、可视化等简易操作手段，将质量评估、质量检核、质量整改与质量报告等工作环节进行流程整合，形成完整的数据质量管理闭环。

任务调度作为数据处理的核心能力之一，在批量式数据处理过程起到了关键性的作用。Data Formula中针对各类数据处理任务，提供了统一的任务调度管理功能。在任务调度管理模块中，可以看到数据中台内部所有的数据处理任务，包括数据抽取，数据开发，数据推送，质量校验等，以及这些任务的状态，执行历史等信息。

Data Formula的数据加工处理功能，完全可以替代传统的数据ETL过程。数据中台理念中，通过数据的先期导入存储，后续根据业务要求，灵活加工，将传统ETL过程转化成了ELT过程，保证了数据业务的灵活性，快速的满足业务需求。数据Transform的过程中，Data Formula提供了很多数据转换子操作，用户可以灵活的根据业务需要进行组合，从而形成一个功能强大且完整的数据处理流程。在快速满足业务需求的同时，轻松替换传统ETL。

数据标签功能，主要用于数据的维度扩增，通过统计，规则，算法能方式产生针对目标数据的标签体系。可以使用标签功能，进行业务数据标签化，通过业务标签数据集和业务数据集关联，可以形成基于标签的新业务模型。Data Formula中，提供了配置式的标签生产能力，可以帮助用户快速构建标签体系。数据标签体系，和基于标签的数据分群分类功能，通常用于用户洞察，业务洞察，帮助用户更好的开展业务，分析业务。

Data Formula内置了Python引擎，支持用户自定义算法，用户可以将自定义的Python算法引入Data Formula，也可以使用Python中已有的算法，对数据进行加工处理，Data Formula中可以将机器学习（AI）算法和平台内的数据进行结合，从而进行模型训练，测试。

数据服务能力是数据中台区别于数据仓库的核心区别之一。传统数据仓库通过用户名/密码的方式，对外输出数据，这种方式存在较大的安全隐患和性能隐患。在Data Formula数据中台设计理念中，使用数据服务API的方式，对外提供数据服务。API的方式，可以较为灵活的对数据权限进行控制，也可以对访问的压力进行缓冲，从而缓解性能瓶颈。Data Formula产品中，用户可以通过配置的方式，快速生成一个数据服务API，无须进行任何代码的编写。数据服务API采用标准的Restful形式，数据使用标准的JSON / XML，方便业务系统进行对接。

Data Formula采用标准的用户角色权限管理模式。所有的功能，数据都可以根据角色/权限进行分配调整。在大部分实际业务场景中，用户权限角色体系，需要和企业的用户管理，权限管理体系打通，Data Formula在设计的时候就考虑到了这样的实施场景，可以方便的进行对接。用户角色权限体系即可以深度对接，所有的权限管理，均在第三方系统内完成，也可以只进行用户认证体系对接，权限控制依然在中台体系内。具体的对接方式，可以根据业务场景灵活选择。

Data Formula支持多种部署方案，可以独立部署至企业内网，也可以采用混合云架构，部署至企业私有云，或者直接使用DataHunter提供的公有云部署环境。同时Data Formula支持企业内部Windows域、VLAN、VPN等网络环境，从而确保企业在不同的网络环境下都可以使用Data Formula，满足企业的实际应用需求。

Data Formula支持市面上几乎所有的主流操作系统，包括Windows Server，Linux，Unix等。针对Linux的众多发行版，Data Formula也都有很好的支持，如CentOS、 Ubuntu等。针对国产化需求，Data Formula产品同样支持各种基于Arm架构的国产Linux操作系统：深度、红旗，麒麟等。

Data Formula的访问和管理界面，可以通过浏览器进行，属于标准的BS结构产品，因为在开发中使用了前后端分离的技术，也可以根据客户需要，将前端应用直接打包成PC端应用程序。Data Formula目前支持主流的浏览器，包括：Chrome、Firefox、IE edge 等多种常用浏览器。大多数情况下，我们建议您使用Chrome浏览器。