當我們從互聯網上獲取到獲取大量數據的時候，由于對數據本身缺乏了解，因而難以進行常規的數據分析，而探索性數據分析(EDA: Exploratory Data Analysis)能夠在這種情況下，通過同用戶的不斷交互，不斷探索，幫助我們獲取到有用的相關信息。

　　探索性數據分析是啟發式、開放式和完全動態的，它以數據為基礎，通過對數據的分解、過濾和計算等操作，幫助我們運用多種可視化的方法實現“讓數據說話”。JMP中的交互式圖形和數據管理工具是非常理想的探索性數據分析工具。更值得一提的是，即使面對的是海量數據，也不論數據中隱藏著何種信息，JMP特別的“In-memory”架構也能夠非常敏捷地對指令做出反應，使數據探索過程充滿樂趣。

　　圖1：探索性數據分析

　　◆基于實驗設計的產品設計

　　金融產品的風險和收益都受到諸多因素的影響，如何正確的認識這些因素，準確的度量這些因素的影響力，將為我們進行產品的設計和基于市場動態進行產品調整提供巨大的幫助。JMP 為用戶提供完全析因、篩選、響應曲面和田口設計表等經典的實驗設計模型。幫助用戶在定義因子和響應之后，自動的進行試驗模型的選擇，并提供的一系列設計評估工具，例如預測方差刻畫和 FDS 圖，幫助用戶進行模型評估，確保實驗設計的正常性。此外，JMP還在構建好模型之后，通過各個刻畫器，以可視方式幫助我們確定可行的操作架構和因子設定點。一旦找到最佳點，就可使用集成的 Simulator 來了解其在實踐中的可靠性。

　　圖2：實驗設計刻畫器

　　◆對于業務過程的質量過程監控

　　金融產品的整個過程是否合規，也是保證金融風險的重要內容。JMP 提供各種統計流程控制 (SPC) 圖來有效分離普通和特殊原因，幫助我們進行各種過程分析，包括問題調查、失控狀況和穩定性持續監控。控制圖生成器通過拖放操作以交互方式幫助用戶創建控制圖，使得我們可以輕松使用不同的圖表類型和分組策略來劃分變異源，并確定最合適的控制策略。此外，當面臨多個隨機變異源時，我們還可以利用控制圖生成器的互動性，實現靜態控制圖無法提供的方法進行性能評估。

　　圖3：質量過程監控

　　◆基于客戶風險等級的客戶分群

　　通過對客戶的行為特征進行分析，從中識別出風險影響因子，實現對客戶的分群，這樣將幫助我們更好的認識客戶，從而實現更好的客戶服務和產品銷售。JMP提供了決策樹、神經網絡、分類模型等多種分類模型，幫助我們更好的進行客戶分群。此外，JMP 分類平臺還將分析報告同 JMP 中的數據過濾器一起使用，為用戶提供各種圖表的展示，為大型調查數據快速而簡便的查看方法。

　　圖4：客戶分群報告