数据分析对大家是一个既熟悉，又陌生的话题。在今天的数据工具概览篇，笔者将聚焦数据分析的工具，从是什么、有啥用2个方面帮助大家科普各类眼花缭乱的数据分析工具，让大家对数据的工具有一个全面、初步的认知。

  

在互联网这种数据驱动为主的公司，我们总会每时每刻接触到各种各样的数据，这些数据是衡量我们日常工作很重要的东西。在讲工具前，首先想让大家看一张图，帮助大家厘清数据相关的工具在日常的企业运作中，究竟是一个什么样的角色。

数据金字塔：从软件、思维、方法3个维度拆解

数据金字塔由软件（工具）、分析方法、分析思维3部分构成。在金字塔的结构中，工具位于底层，它相当于一个基座，也是将我们分析方法和思维实现的载体，从分析工具的维度，我们又可以分为以下4类：

数据工具金字塔：从数据获取、数据处理、数据建模和数据可视化这个流程来拆解

PART 01

___

 SQL——“性价比之王”

我们往往会把工具类型分为两大类：代码类和界面类。相信很多年纪大的人对早期的计算机有一些认知，早期的电脑都是通过写代码来实现功能的，随着技术的发展，代码慢慢变成了可以交互和操作的界面，这一巨大的转变降低了用户的认知成本和学习成本，也使得计算机能够更快的进入到日常的生活与工作之中（说起这个，乔布斯是早期将计算机从编程到界面转化的推动者）。

        

计算机从编程到界面的转化

对应数据分析的工具，代码类就是需要通过写代码实现数据的处理、分析和可视化。但界面类的工具则只需用户按照界面指示进行操作，就可以实现数据的处理和分析。

1.1 是什么？

SQL的全称叫做结构化查询语言（Structured Query Language）。属于代码类分析工具，主要的使用场景是数据获取和数据处理。我们日常使用的数据，全都存储在数据库之中，日常工作中需要做数据分析和提取，就需要用到SQL来对原始的数据进行提取，重组。

1.2 有啥用？

最核心的呈现就是我们日常看到的报表、数据分析的图表、报告等。这些数据不是一开始就长这样，而是通过分析师们的SQL语句从数据库中调取出来。我们来举一个最最简单的例子：

上面的表可以看做是一张原始的表格，我们通过SQL的提取，可以对不同数据做重新的聚合，得到新的数据计算。

数据来源：https://www.w3schools.com/sql/sql_syntax.asp

有一些抽象？没关系，我们用类比的方法，来初步了解一下SQL的用处。如果把整个SQL的提取过程比作做菜，数据底表（放了很多数据的地方）是各种各样的原材料（葱、蒜、肌肉、盐等等），写SQL的过程就是决定你要做什么菜的过程，你需要将需要的原材料选出来（比如烤牛排需要牛排、蒜、黑胡椒、黄油等），然后将之重新组合，嘭~！变成一道色香味俱全的菜！

来源：Unsplash SQL取数的过程就是将原材料提取出来，食材重组变成一道菜的过程

掌握一些SQL的好处：对于非数据从业者而言，掌握SQL最大的好处就是，你可以大大的提升自己的工作效率。因为就某一些日常需要查看的数据（比如产品不同页面的流量，不同模块的点击等），如果你不懂SQL，日常的场景就是找产品，找BI，然后BI排期，接着就迎来了漫长的等待（哭）。自己会基础的语句，能够帮助你更加高效的监测数据，发现潜在问题或机会点，推动项目。有了数据作为支撑和加持，项目推动起来更加顺畅啦~怎么样，听起来是不是很香！

1.3 工具评估

上手难度：⭐️⭐️⭐️⭐️（偏难）

使用场景广度：⭐️⭐️⭐️⭐️⭐️（非常广）

是否免费：大部分情况免费（可网上搜索下载MySQL）

PART 02

___

 Python——“数据分析界的扛把子”

Python为啥叫扛把子，那是因为它的功能实在是太强大了，当我们复习之前的那张数据工具金字塔的时候，就会震惊的发现，在每一个环节，Python都拥有姓名！

在数据分析的每一个环节，python都可以有所应用

1.1 是什么？

Python是著名的“龟叔”Guido van Rossum在1989年圣诞节期间，为了打发无聊的圣诞节而编写的一个编程语言。许多大型网站就是用Python开发的，例如YouTube、Instagram，还有国内的豆瓣。很多大公司，包括Google、Yahoo等，甚至NASA（美国航空航天局）都大量地使用Python。对于python的官方定义：它是一种广泛使用的解释型、高级和通用的编程语言。Python支持多种编程范型，包括函数式、指令式、结构化、面向对象和反射式编程。

大家可能依然看不懂定义里复杂的解释术语，没关系，我们用一个最简单的概念总结：Python是一个可以涵盖从数据获取、数据处理到数据建模和数据可视化整个数据分析流程的工具，不过都需要通过代码来实现。

1.2 有啥用？

Python在数据分析的领域的应用和SPSS软件应用场景差不多，二者的区别在于SPSS可以通过界面进行分析，Python则通过代码实现。此外，Python能处理的数据量级更大（TB量级）在处理效率上也会更高。我们用淘宝用户行为分析作为一个简单的例子，来看一下python如何处理百万量级的淘宝购物数据。

案例整理from简书：https://www.jianshu.com/p/bc503966751d

从上述案例中，我们大致能够get Python在分析中的角色，那就是前期的处理数据（缺失值、异常值、数据类型的转化等），数据处理及可视化。

1.3 工具评估

上手难度：⭐️⭐️⭐️⭐️⭐️（比较难，尤其对于没有代码基础的同学）

使用场景广度：⭐️⭐️⭐️⭐️⭐️（非常广）

是否免费：免费

PART 03

___

SPSS——“小众低调的绅士”

1.1 是什么？

SPSS（Statistical Product and Service Solutions），中文翻译过来叫做“统计产品与服务解决方案”软件。SPSS为IBM公司推出的一系列用于统计学分析运算、数据挖掘、预测分析和决策支持任务的软件产品及相关服务的总称。SPSS 比起其他的几个如雷贯耳的数据工具而言，显得着实有那么一点小众。但是有很多心理学、商科的小伙伴对它却很熟悉。没办法，谁叫它是一个能很快上手，但功能又强大的数据分析软件呢（摊手）。

SPSS属于面板式的分析软件，相比代码式的分析软件，SPSS对于非技术从业者和代码小白更加的友好，操作易用性更高，用户只需要知道基础的统计学原理和常用的建模方法，就可以毫无负担的上手。

1.2 有啥用？

SPSS主要是用来做数据处理和数据建模。我们从数据分析框架来进一步进行理解。数据分析的流程包括业务理解-数据理解-数据准备-建立模型-模型评估-分析结果应用几个链路。

数据分析的流程（作者整理图）

其中，在数据理解的部分，SPSS可对数据进行清洗，剔除无效、极端值，并对部分数据进行定义。在模型建立的阶段，我们只需要知道一共有以下几类主流的分析方法即可（具体选择什么算法和评估标准会受到不同数据而有所差异）。

数据分析模型的类型划分及案例（作者整理图）

在建模环节，我们可以直接在SPSS的界面上点选需要的的模型，所选的方法和评估标准，就可以得到建模结果。

SPSS面板式的分析界面

SPSS的界面操作模式（来源：https://www.yongxi-stat.com/spss-aggregate/）

通过SPSS的分析界面，我们可以实现上述的模型建立，得到的结果也可用来指导具体的业务。不过在建模环节涉及了太多的统计学相关的原理和知识需要掌握，在此便不多做赘述。

总结下来，spss在问卷分析中会有很大施展拳脚的空间，可以处理类别型变量（如单选，多选）和连续型变量（如满意度等评分类题目），并进行各类的交叉分析和建模分析，对于没有编程基础的分析员是一个相当友好的选择。至于如何用SPSS实现一个问卷调研项目，则会在后期更加具体的专题中进行讲解。

1.3 工具评估

上手难度：⭐️⭐️⭐️（中等，工具简单但难的是统计学知识的掌握）

使用场景广度：⭐️⭐️⭐️（中等）

是否免费：非免费（可搜索破解版）

PART 04

___

 Excel——“老大哥respect”

Excel的大名，不需要过多介绍，作为数据界的老大哥，它的地位至今仍然无人撼动，因为它好上手，功能强大，所以受到了众多企业的青睐。         

图：人生不同阶段掌握的数学，成年人的世界只要有Excel就够了

1.1 是什么？

它是一个电子表格软件，可以用来制作电子表格、完成许多复杂的数据运算，进行数据的分析和预测，并且具有强大的制作图表的功能。Excel在我们的日常工作中，更多的是一个记录数据和计算统计的工具。

Excel主要可以实现的功能是数据处理和数据可视化。数据处理过程中我们除了通过各类公式函数进行计算外，更加简单容易上手的就是数据透视表了。数据透视表能够非常高效的将不同数据进行聚合，而可视化则通过图表将数据更加直观的呈现，更方便读者阅读和分析。

1.2 有啥用？

Excel的用处实在太多，通过一篇介绍的文章当然无法面面俱到的介绍，在这里主要说数据处理和数据可视化2个核心的功能。

① 数据处理：主要将原始的数据表格重新进行聚合、分类，以收集到新的数据，找到新的数据洞察。拿以下一组数据为例，数据源是Netflix发布的影视作品，我们可以看到主要有视频时长、影视类型、影视名、添加日期、发布年份、评级、描述、show_id以下几个维度的数据。

拿一组Netflix上线影视作品数据为例

数据来源：https://public.tableau.com/zh-cn/s/resources

在这种情况下，如果我们想要分析不同年份的影视作品的数量，没有用数据透视表的情况下将会耗费≥30min的时间进行人工计算，用数据透视表则只需要一个简单的拖拽就可以实现，并且还可以按照更细的维度进行分析。整个过程只需要1分钟就可以完成。

通过数据透视表处理后的数据（作者整理图）

② 数据可视化：下图为Excel做出的数据可视化看板，是不是完全无法想到Excel能够做出如此高大上的数据看板呢！通过一些筛选操作，我们就可以及时的监测数据，找到数据变化和异常，也因此更高效的发现问题，找到机会点啦~！

Excel搭建的数据看板

来源：知乎_李明殊-【话题】Excel 有什么神奇用途？

以上只是一个相对粗浅的Excel工具介绍，大多数场景下，我们其实并不需要懂得高深的函数、代码、也不需要费尽心思做出漂亮的可视化，更多的场景是能够更高效的管理我们日常使用的数据即可。所以更多应关注基础功能的使用+数据思维的养成。

1.3 工具评估

上手难度：⭐️（简单，但也可以很不简单，比如VBA也需要代码）

使用场景广度：⭐️⭐️⭐️⭐️⭐️

是否免费：免费，人人都在用

PART 05

___

  Tableau——“高贵的名媛新秀”

数据可视化工具，除了可视化的呈现，在我们日常工作中，更多的是利用它们“讲故事”，这里的故事并不是随意的编造的故事，而是通过数据可视化工具，有技巧、有逻辑的呈现出一条生动的故事线，让数据更好地支撑与推动商业决策。

1.1 是什么？

Tableau 是一个交互式数据可视化工具。不像大多数可视化工具那样需要编写脚本，Tableau的简便性可以帮助新手降低使用难度。只需托拉拽的简单操作使数据分析轻松完成。在tableau的官方网站也有“新手入门工具包”和丰富的培训资料，帮助大家更快的上手。

Tableau的产品界面

1.2 有啥用？

Tableau最大的用处是更够更高效的实现实时数据的交互和数据的下钻，它可以接入数据库，所以能够查看实时的数据更新。另外一个优秀的功能是下钻——基于某一个维度查看更细的数据分类。比如下图的某一家公司全美的销售数据表我们可以在地图上通过气泡大小快速get到不同区域的销售情况，当鼠标悬浮在某一个区域上时，便可以查看这个区域更细节的数据（比如每天的销售趋势，不同商品的销售表现等。

Tableau常见的可视化界面

、来源：https://corewin.com.ua/en/tableau-10_5/

与此同时，Tableau为了推广数据意识和思维在公司的普及化，公司和一群数据可视化爱好者们建立了tableau社区，在这个社区里，数据变成了社群成员中的画笔，他们将自己的想法和故事呈现成了一幅幅数据看板，让人在浏览的过程中，即感受到了数据的魅力，也获得了一场视觉的盛宴。

Tableau社区的数据爱好者的作品

来源：Tableau官方社区

1.3 工具评估

上手难度：⭐️⭐️⭐️（中等）

使用场景广度：⭐️⭐️⭐️（相对比较小众，因为要钱）

是否免费：非免费，需要下载软件，并注册激活

PART 06

___

小结

终于介绍完了所有的数据工具，来一个总结吧！

① 工具篇介绍：我们按照数据分析的流程，从数据获取→数据处理→数据建模→数据可视化的角度，介绍了当下比较通用的数据分析工具，简单介绍了它们分别是什么、有啥用。并梳理了使用广度和上手的难度。

② 除了工具本身以外也初步介绍了数据分析的流程和在建模过程中的主要模型和对应的应用场景。让大家对数据分析的过程有一个初步的概念。

学习不是工具本身，而是背后对工具的使用和对统计学原理、建模思路和评估方法的掌握与理解，工具是实现目标的手段，而不是目标本身。所以，在学习工具的过程中，没有好的，只有对的。只要工具本身能为工作带来效率的提升、思维的拓展，不管是Excel也好，还是python也好，都是殊途同归的。

本篇文章来源于微信公众号: TripDesign