SDCETL提供对企业数据的集成及加工、处理、转换能力，通过数据集成工具可以从不同结构的数据源中抽取数据，对数据进行复杂的清洗转化及加工处理，最后将数据加载到各种存储结构中。支持结构化数据、半结构化数据、非结构化数据、流式数据等多种数据采集处理；数据集成工具提供一个简单易用的开发、管理可视化工具，覆盖从数据集成逻辑的设计、开发、调试、部署到运行、管理、监控全生命周期不同阶段的集成开发，具备高效的数据处理引擎，可支撑各种复杂的数据转换和任务调度流程的高效运行。同时具备强大的调度引擎，支撑高并发任务执行。
　　使用SDCETL可解决以下问题：
　　·解决数据采集量大问题
　　在数据即资产的大数据时代，我们无法预知从业务系统采集哪些数据到数据中心才能产生价值，这就需要先把整个企业的数据进行汇集。数据采集量将是整个企业数据量，所以采集任务重，数据量非常庞大，数据一般由TB快速形成PB级别的数据集。融合数据提供多引擎处理模式，兼容传统数据处理引擎并增加大数据数据处理引擎，支持数据采集分区并行加载技术，提供高效的离线数据抽取、加载服务。
　　·解决数据实时性要求高问题
　　在大数据时代，客户急需转换数据价值，为企业提供分析和运营决策，所以对数据采集的实时性要求很高。融合数据支持以Kafka或其它消息队列（ActiveMQ、RabbitMQ、IBMMQ）作为实时数据源进行实时数据采集，支持秒级数据处理，支持将目标结果重新投递至Kafka指定的Topic或者数据库。
　　·解决数据类型多样化问题
　　传统ETL主要是对结构化数据进行分析。在大数据时代，数据作为数据资产管理的对象，除传统的结构化数据外，文本数据、图像数据、语音数据、视频数据等半结构化数据或非结构化数据占比越来越大，种类日益丰富。融合数据对结构化、半结构化和非结构化数据类型，采用不同的技术手段完成入湖。基于大数据多源异构数据源适配技术，支持多种数据源的连接访问和数据集成，包括主流关系型RDBMS、MPP、Excel/CSV文本数据源、基于Hadoop的大数据平台数据源以及其他多种JDBC数据源等。
　　·解决数据仓库架构调整问题
　　传统的数据集成处理架构为ETL，它是构建数据仓库的重要环节，即用户从数据源抽取出所需的数据，经过数据清洗，最终按照预先定义好的数据仓库模型，将数据加载到数据仓库中去。而大数据背景下的处理架构是推荐ELT结构，根据上层的应用需求，随时从数据湖中抽取数据，进行建模分析。融合数据基于微服务架构开发支持分布式部署，支持横向扩展增加处理能力，并引入Spark分布式内存计算框架，增强离线、实时效率。