固定报表需实时查询响应：掌上银行业务场景不断丰富，银行对用户需求的响应速度、反馈内容的个性化程度，均对数据分析的实时性有更高的要求。传统T+1固定报表模式下，严重影响分析效率，数据价值呈现有较大延迟。

支持跨业务跨系统的复杂查询：银行业务流程链路长，产生的数据繁多，跨业务跨系统的复杂数据源和异构数据大大增加了数据整合、统计分析的难度。监管数据报送场景，需要在有限时间内提供有效报告，要求数据架构的分析层需具备更快更灵活的多维分析能力，保证报送数据按时处理完成。

需支持用户画像的灵活分析：通过客户持仓总额、交易总次数、持仓板块类别、持仓偏好、换手频次等数据，构建灵活的营销中心，精准掌握清晰的用户画像，进行成本收益估算、客群圈选及精准推送，实现数字化获客、激活和销售转化，达成高净值高粘性的客群积累。

需支持自助式一体化数据分析能力：相对于低效的拖拽式报表，如何面向客户提供更加灵活的自助式分析、动态查询和组合指标计算，给固定收益团队提供实时动态债券评级、年累计收益率、净值、Sharp 比率等关键数据指，这些都标尤为紧急且重要。

统一保险体系数据孤岛：保险业务体系庞大，数据孤岛现象严重，数据分析时需接入多个系统查询，再进行汇算和多维分析。指标定义不规范、多头定义、逻辑不统一和孤立呈现等问题，使管理人员难以准确把握业务现状，无法满足管理层基于分析结果快速决策的需求。

快速响应监管报送和策略决策：在监管报送场景下，需对亿级历史数据做关联分析，且分析结果需快速响应。监管报表的开发往往需要在给定的时间窗口内，要求开发人员给出精准的报表结果，因此极速的分析性能是关键，因此极速的分析性能是关键。

需多维分析获取客户信用全貌：从不同数据源中采集事实与维度数据，进行深层次加工。如对海量数据进行拉取和去重操作，提炼用户标签属性，不同标签维度组合计算，满足对各业务客群的查询，以支撑精准营销、信贷风险管理、风险分层和预警等业务。

支持画像标签数据秒级入库与更新：海量的用户数据对数仓引擎的性能和存储能力有很高的要求。在记录和存储数十亿级画像相关数据时，后端数据存储需能支撑不断增加的维度，实现秒级入库与更新。