做分析用什么工具
导读
数据分析是数据辅助决策的最后一公里，是最终的数据可视化展示与探索分析的部分，选择使用最适合的数据展示方式，可以帮助分析人员大大提升分析效率。
问题：
● 纠结选择哪个工具
● 纠结从哪里学起，甚至害怕会不会学完就过时没用了
有哪些BI工具
数据分析工具类软件，大体可以分为以下6类： Excel生态工具、数理统计工具、BI工具、数据库工具、编程工具 （Excel单独分成一类，主要是因为它应用场景广泛，且用户基数过于庞大，甚至超过其他所有工具用户之和） 每个类别的代表工具分别有：
● Excel生态：Excel、VBA、PowerQuery、PowerPivot、Power View、Power Map
● 数理统计工具：SAS、SPSS、Stata、Minitab、Eviews、Statistica、MATLAB、Mathematica
● 分析编程工具：Python、R、Julia、Scala、Spark、Java、Hadoop
● BI工具：分为开源BI工具和商业BI工具两大类 ● 商业BI工具有：FineBI、QlikView、Tableau、Power BI、SmartBI、QuickBI等
● 开源BI工具有：Superset、Redash、Metabase、CBoard、Davinci、SpagoBI、Pentaho等
● 数据库工具：MySQL、PostgreSQL、Oracle、SQLServer、MongoDB、Hive
了解数据分析过程
数据分析的过程：数据采集-数据加工-数据处理-数据分析-数据可视化- 报告撰写-分析汇报-数据共享。
了解数据源
增加对数据源的认识，从格式上来看可以分为文本格式、数据库、集群几个概念，从结构上可以划分为结构式数据库和非结构式式数据库
选择数据分析工具
当确认分析目标之后，我们应该根据数据的体量来选择分析工具和报表工具
以往的经验会告诉我们，数据分析效率低大概有这么几个因素：
1、处理小数据的时候，对于非结构化的数据，统计起来很难，需要学习编程类的工具；
2、已有的知识，处理不来大规模数据集，这时候需要学习新的语言，以及熟悉大数据数仓模型中指标、维度、模型的概念；
3、用SQL处理大规模数据的时候，跑数跑的特别慢，需要了解数据库相关的知识，优化慢SQL
● 没有做数据模型，多个表做数据关联，跑起来很慢——dw层建设，抽象成指标做维度建模，T+1任务调度
● 很多个大表关联一起，数据跑不出来——需要做分区设计，根据业务域做ads小表，做指标应用
● 数据跑出来有重复——尽可能少的做
认识BI和BI工具
BI的概念
BI（BusinessIntelligence）即商业智能，越来越多的智能软件供应商推出可视化数据分析工具，应对企业业务人员的大数据分析需求。 清楚几个概念：
商业大数据BI产品
通用的解决方案包括： 1、自助分析平台：包含数据集成、数据洞察分析、数据门户、权限集成的完整解决方案； 2、客户画像：以客户为中心，构建客户全息画像，360°了解客户，帮助企业更精准的解决问题； 3、大数据营销：提供客户数据标签管理、智能圈人、人群扩散、位置营销、营销效果分析； 4、 大数据风控：基于大数据构建风险识别模型，提供交易反欺诈、信用反欺诈服务。
写在最后，给到新来者的建议
工具选择，因人而异，选择适合自己的最重要，不要过分沉迷于工具
1. 选好书籍打基础，资料宜精不宜广
看书籍是为了先打好基础，然后构建个人知识框架。市面上的资源太多了，选择一本经典教材或者课程非常重要，建议买纸质书，花了钱有沉默成本存在，这个书才香，才容易读完。最后利用“碎片化”时间、从解决实际问题出发去提升自己
2. 切忌大而全，工具宜少不宜多
工具是最容易掌握的，真正提高工作效率的，都是大家常提的、公认的，脱离实际场景的内容，正所谓“屠龙之术，学而无用”，很多人都喜欢鼓捣各种软件、工具，后来发现有些工具用过一次就再也没碰过。 比如：你做数据量少了200M的 简单分析，Excel和SPSS一般是最佳选择 出活儿快！ 而SQL是用来提数跑数的，你必须得会，得熟练，不然时间都耗在这儿了 当你遇到数据量较大或者需要复杂模型，就可以上PYTHON和R了 当然如果是你公司有大数据平台，就可能使用HIVE、SPARK、STOM等等
提示一点：切记不要为了追求高大上的模型或者效果
3. 边干边学 边整理 记住“以用促学，以教促学”
一定要带着问题、带着坑，去学习，你的记忆才会深刻 很多人常常翻着一本厚厚的EXCEL秘籍自学，总是感觉学不会、学了就忘呢？使用Excel函数的时候，却又要到处搜索资料，用完即扔。 原因主要有2点：
一是短练，因为没有实战的机会，用的太少了！
二是太懒，用完了就结束了，从来不总结整理！
4、定期整理沉淀自己，消化知识
一种方法是，画思维导图梳理体系，知识才能内化成你自己的东西；
第二是，多多和别人交流和分享，思维的碰撞，能加深个人的理解和感悟 数据分析，是各行各业都需要的技能，不同行业的数据分析，分析方向和内容也是千差万别。不是所有做分析的人，都能获得高财富回报，需要和经营、运营、财务、市场、营销做结合，才能实现价值提升。
多注重业务理解，多实践积累经验，才是王道。
否则，如果提供不到决策支撑、发挥不了数据影响，分析也就没有什么意义。
