面对海量数据，该应该如何选择数据分析工具？

一款得心应手的数据分析工具，是每个从业人员做数据分析的利器，面对浩如星海的数据，如何选择数据分析 工具 就成为了运营、产品、市场等职能人员一个难题，本文作者依据自己在数据分析行的实践经验，将数据分析工具分类后与大家分享，大家可以在做数据分析的时候按需选用。

上手简单的数据分析工具——Excel

当销售人员需要根据单价、数量而计算销售总量的时候；当要对杂乱无章的数字进行 排序 的时候；当运营人员整理参会人员基本身份信息的时候；当需要对所呈现数字进行函数运算的时候……Excel则为此时的优选。 !首先，作为office办公系统，Excel的操作界面简单易懂，各种筛选、编辑、搜索、排序、检查等功能按钮对使用者来说最为熟悉。时间、日期、排序等基本数据处理操作简单便捷，一些函数公式下拉即可获得计算结果。

其次，各类统计分析结果均可以数据图表的形式展现，包括二维图表、三维图表，添上相关插件后可完成智能图表以及各种复杂图表的可视化，即使你不会各种炫酷的BI 操作，也能满足数据可视化的基本要求。

另外，数据透视表应当是Excel中使用频率教高的一块内容，有人称它为“Excel中最实用的功能”，它可以将各字段区域中的信息对应，并且通过【值】的方式来计数、求和与求平均值等操作。最方便的是，Excel的使用者可以完全不会任何编程语言和相关脚本程序，只需要选择合适的数据与函数，就可得到相关结果，而且，宏记录器可以记录执行操作，从而直接变成可以运行的宏命令。

但是，使用简单功能强大的Excel也有不可忽视的缺点：例如，最拉低办公效率的就是当数据量过大的时候，查询和计算速度会下降，如果此时的Excel中又包含多个sheet，那么极有可能出现卡死的状况。再如，Excel无法对用户进行角色管理，这也就注定了它较差的保密性，容易被其他软件破解。

其实，Excel基本可以满足非专业数据分析师的日常工作需求，而且对于Excel的使用技巧也不用过于担心，市面上有极多关于Excel的应用类教辅以及视频课程（可在网易云课堂、腾讯课堂、喜马拉雅等平台上获取相关课程）用来辅助使用者迅速掌握Excel。

适用于统计分析的数据分析工具——SPSS

当你手握海量调研问卷的时候；当要对数据进行回归分析、因子分析、聚类分析的时候；当要用收集的数据支持一份多维度的研究报告时，都少不了一种比Excel更适用的数据分析工具——SPSS。

首先，SPSS经常给人一种更“高端”的感觉，因为它既可以很好地进行回归分析、方差分析以及多变量分析等，又几乎不需要进行任何语句的编写，直接用鼠标单击即可完成相关操作。而且还能在计算分析的同时输出图形，极高地提升工作效率。另外，我们在日常工作中常用到的Excel 表格数据、文本格式数据均可以导入SPSS 中进行分析，从而节省了相当大的工作量，并且避免了因复制和粘贴可能引起的错误。

虽然相比Excel，SPSS似乎在统计分析领域有更高一筹的优势，但它依然存在一些将使用者拒之门外的因素。比如它需要使用者对统计学有初步的了解，需要对一些分析模型有理论层面上的理解，而且，它的功能性和丰富性有所欠缺，尤其是与功能包的R相比，在数据可视化方面过于单调，较为成熟的数据分析师甚至会直接跳过SPSS，选取可视化更强的分析工具。

更高阶层的数据分析工具——R

与上述两种分析工具不同的是，R属于开源统计工具，即它的源代码是开放的，一些源代码、程序包等资料都可以在其网站下载。

有人说会用 R 才能算真正会做数据分析，因为只要入了门，R 的功能就能很大程度地帮助使用者实现各种数据分析需求。其中最吸引使用者的是——尽管它需要编写语句，但只要掌握了其编程语法，就可以自由地编制函数来扩展现有的语言，而这也是其程序包繁多并且更新迅速的原因之一。另外需要突出的就是其强大的制图能力，它可以高质量地支持矢量图形，借助 ggplot2，可以快速创建所需的各种图表，并根据图表形状自行调整。

但其实，R 语言跟 SPSS 一样，并不适合毫无统计知识的初学者使用，因为它的数据包来源于不同的贡献者，这些贡献者的水平参差不齐，导致数据包在质量上会存在一些问题，对于判断能力较弱的初学者来说，这无疑增加了学习和使用负担。

如果你需要使用较为系统的数据分析工具并且对可视化的要求较高，同时又对编程语言不反感的话，R 语言或许是一种比较不错的选择。

面面俱到的数据分析工具——Python

随着互联网大数据的发展，Python 逐步被从触不可及的山峰上普及到了各大数据分析领域，不满足于上述工具的数据分析师们开始向各式各样的编程类分析工具迸发，与R相似，Python也是一种开放的自由软件，可以阅读并改动它的源代码。

如果说R的优势在于数据统计分析领域的游刃有余，那么 Python 的优势则在于更加全面，无论是对于系统的操作、文字的处理，还是一些复杂的数据挖掘算法，Python都能平衡兼顾。虽然Python是用 C语言 写的，但是它抛弃了一些复杂的构成，简化了 Python 的语法。而且，除了Python的标准库以外，它还有例如Twisted、wxPython等一些高质量的数据库，可以满足不同程度使用者的需求，但Python的开源性也使得它在保密功能上存在一些隐患。

看上去十分复杂的Python凭借其强悍的功能在一步步地提升开发者的效率，有的数据分析师甚至呼吁未学习R语言的新手分析师可以直接学习用Python进行数据分析。也许是Python广泛的应用领域让其越来越引人注目，因为它不仅仅局限在数据分析领域，它还可以进行Web 开发、网络编程、自动化运维、 Linux 系统管理、科学计算、人工智能、机器学习等等。

移动开发者数据分析工具——友盟

提到企业数据服务就不得不提到友盟，作为早期起步的大数据服务平台，友盟以移动应用统计分析为产品起点，为其提供数据统计分析、开发和运营组件及推广服务。它帮助移动应用开发商统计和分析流量来源、内容使用、用户属性等数据，以便开发商利用数据进行产品、运营、推广策略的决策。尤其是它提出对移动游戏开发者提供一站式解决方案，方便开发者进行更优质的决策判断。

如果你针对各大移动应用平台的数据统计分析，友盟或许是优选，因为在统计分析的同时它还可以提供移动广告的检测数据、品牌广告检测数据、电商广告检测数据等营销数据服务，可以很好地解决一部分B端企业的数据需求。

但是，由于它极强的数据统计属性，让它在实际分析的层面有所欠缺，而且数据采集和统计的局限性让它更偏重事后分析，在时效性的层面还存在一些遗憾。而且，分析深度尚浅，只适合相对基础的数据分析工作。

最懂用户行为的数据分析工具——神策分析

神策分析是神策数据推出的用户行为分析产品。神策数据这几年在大数据分析业界成长迅速，拥有强大的百度技术背景，显著优势是支持“私有化部署”，大数据分析的特点是聚焦在“大数据用户行为”全场景下的数据分析应用。数据分析的深度和广度都有了很大提升，让企业实现更为精细化运营成为可能。

神策数据的九大数据分析模型成为用户行为分析的利器，这九大数据分析模型是“事件分析”“漏斗分析”“留存分析”“分布分析”“点击分析”“用户路径分析”“用户分群分析”“属性分析”“间隔分析” 。

不伦你关注用户行为研究，还是基于用户行为数据寻找业务问题，神策数据能都满足复杂的分析需求，比如：

1 不同渠道的用户转化率高低

2 用户下载APP后的激活数量

3 用户在转化路径的哪个环节流失了

4 对不同行为的用户划分用户分群

5 从流量获取、APP下载激活、购买的全流程分析

其实还有很多数据分析工具，篇幅原因今天本人就说到这了，下次再补充一些数据分析工具的使用方法，大家也要记住任何一款数据分析工具都有其自身特点，选择适合自己的数据分析工具才能让工作得心应手，发挥自己最大价值。

更多数据分析干货和案例，可以关注“神策数据”公众号了解~