项目介绍：大数据价值的核心是应用；大数据应用的目标是发现知识、用的关键是敏捷开发和部署。这种敏捷性不仅是大数据应用开发和人类思维本质性要求，更是数据分析和应用开发人员的关键挑战。因此，无缝地支持数据分析师，在各类数据的“海洋”中自主、交互式、探索式地开展数据处理、分析和挖掘；并根据数据变化，对问题、主题认知的深入进行分析演化、聚焦和迭代，快速、高效地实现分析以及应用开发、利实现大数据云计算、人工智能技术的有机融合，从而快速拥抱“大数据＋”的时代。

主要特点：1、支持大数据生态圈中IT 支撑人员、数据分析师等不同角色的高效协同。

2、底板：一体化的可视化分析与开发环境是“土壤”。

3、积木模块：支持异构并行，可动态部署的“组件”是基础。

4、拼插方式：“组件”动态可视化绑定是开发方式。

5、大幅降低大数据开发难度和周期，将大数据应用开发时间缩短至数十或数分钟。

6、支持各类算法、模型、处理、分析方法、分析策略的积累和共享。

7、众包开发模式。

8、形成“滚雪球”式的“智慧”积累和共享。

9、可拖拽式的建模方式：支持数据分析师通过自主、实时、动态地图形“拖拽”，即可“所见即所得”地即时完成大数据的分析与处理，包括迭代、聚焦、演化等等。

10、探索式交互式可视化分析、交互式可视化流处理、“联动“式可视化分析。

11、主要旨在借助于图形化手段，清晰有效地传达与沟通信息。

12、美学呈现与功能齐头并进；通过直观地传达关键信息与特征，实现对于相当稀疏而又复杂的数据集的深入洞察。

13、分布式 ETL 是对传统 ETL 的横向扩展，将 ETL 活动转化为并行或分布式的ETL,从而缩短数据的处理时间。

14、基于Hadoop平台的分布式ETL系统的实现过程，性能优于目前已存在的分布式ETL系统。采用MapReduce框架的方式实现分布式ETL,而且这种框架主要针对于大数据量而设计，可见其扩展性要更好，基于MapReduce框架的分布式ETL是将ETL用Map和Reduce两个函数进行数据的并行处理，因此，可以提高数据仓库中ETL的开发效率。15、用户可以根据需要灵活部署Deeplnsight平台，这种灵活性在服务器集群中有着很好的体现，集群可以利用多个计算机进行并行计算从而获得很高的计算速度，也可以用多个计算机做备份，集群化操作可以减少单点故障数量，从而使得任何一个机器坏了整个系统还是能正常运行；并且实现了群集化资源的高可用性。

技术水平：技术处于国内领先水平。

应用前景：适用于范围广泛的大数据处理平台。