数据剖析工具生成高级别的统计信息，分析人员能够据此识别数据中的模式并对质量特征进行初始评估。一些工具可以用来执行持续的数据监控。剖析工具对于数据发现工作特别重要，通过它能够实现大型数据集的评估。剖析工具随着数据可视化能力的提高而增强，将有助于发现的进程（参见第5章和第8章以及本章的13.1.3节）。 数据剖析只是数据分析的第一步，它有助于识别潜在问题。数据质量团队成员还需要更深入地查询数据，以回答分析结果提出的问题，并找到能够深入了解数据问题根源的模式。例如，通过查询来发现和量化数据质量的其他方面，如唯一性和完整性。

正确答案是 B: potential anomalies 潜在异常。

数据分析工具（Data profiling tools）主要用于分析数据集，以发现数据中的潜在问题和异常。例如，数据分析工具可以识别出数据中的重复记录、不一致的数据格式、缺失值、异常值等。这些工具帮助数据科学家和数据工程师更好地理解数据的质量和特性，从而进行数据清理和预处理。

以下是对其他选项的简要分析：

A: 数据维度（data dimensions）通常指的是多维数据模型中的维度，如时间、地理位置等。数据分析工具虽然可以帮助理解数据维度，但其主要目标不是发现数据维度。

C: 定义一致性（definitional conformance）指的是数据是否符合预定义的标准和规则。这是数据治理的一部分，但不是数据分析工具的主要功能。

D: 价值领域（value domains）指的是数据可能取值的范围或集合。虽然数据分析工具可以帮助识别和定义这些领域，但其主要目标还是发现数据中的异常和问题。

因此，数据分析工具的主要功能是发现潜在异常（potential anomalies），这对于确保数据质量和后续的数据分析工作至关重要。