1.2.4 數據分析工具

掌握兩個及兩個以上的分析工具能更好地進行數據分析，分析工具大體可分成以下3類。

（1）數據庫：按照數據結構來組織、存儲和管理數據的倉庫，常見的數據庫有Access、MySQL、Oracle、DB2等。

（2）數據分析與可視化：用于組織數據并進行數據分析和可視化的工具，常見的工具有Excel、Power BI、Tableau等。

（3）統計與挖掘數據：用于進行統計分析和數據挖掘的工具，常見的工具有R語言、Python、SPSS、SAS等。

根據企業的不同需求階段，數據分析人員需要掌握的工具有所不同，具體如下。

第一階段：這個階段的數據一般用Excel或WPS文件存儲，數據文件多而雜，經營多年的電商企業甚至會有超過10萬張的歷史數據表格。企業無法對龐大的歷史數據進行分析，數據管理雜亂。這個階段企業需要解決數據的統一管理及分析問題，可選用Excel和MySQL工具。Excel解決分析層和應用層的問題，MySQL解決大量數據的存儲和計算問題，且Excel和MySQL在國內企業的占有率和普及率都相對較高。

第二階段：這個階段企業已經實現了數據的統一管理和分析，但隨著數據量的增加和數據應用能力的提升，Excel已經滿足不了對大量數據進行多表建模聯合分析的需求，可能刷新一個分析模型文件所需的時間都會很久。此時需要使用BI產品滿足復雜的業務建模需求，企業可選用微軟旗下的Power BI。部分企業在這個階段會有專業統計方法和數據挖掘的需求，可選擇SPSS，其使用難度不大。SPSS有兩個工具。一個是Statistics，用于統計分析；另一個是Modeler，用于商業數據的分析與挖掘。SPSS在國內企業的占有率較低。

第三階段：這個階段的企業已經屬于數據驅動型企業，數據應用需要在生產、流通、銷售和管理等各個環節滲透。隨著數據種類的復雜化，原有的數據采集、清洗及算法應用的效率已經滿足不了需求。要運用IT技術和算法解決商業問題，真正將數據轉變成生產力，可以在R語言和Python之間擇其一，這兩者都是應用非常廣泛的編程語言。

第四階段：這個階段的企業已經是資深的數據驅動型企業。進入這個階段的企業只有少數的龍頭企業，他們通過技術手段極大地提高工作效率和商業收益，轉入智慧商業領域，運用大數據和人工智能升級改造所有的環節。企業在這個階段需要應用大數據框架（如Hadoop等）來解決并發問題，并用人工智能框架（如TensorFlow等）來解決應用問題。