数据分析工具应该如何选择？

数据分析工具选型建议（一）根据发展方向来看

在企业中，数据分析往往分为业务和技术两个方向。两者能力和工作内容有较大区别，对于工具的要求也各有侧重。
大家观念里的数据分析师基本是业务方向的，也就是做取数、处理数据、分析数据、制作报表、输出报告，提供决策等工作。根据服务的业务部门的不同，可能叫数据运营，经营分析，会员分析等名字。因为各个业务线具体考虑的问题不同，分析思路与体系均存在一定的区别。
主要使用到的分析工具一般是Excel、SQL、BI工具，深入一些的还会使用到Python、R等
技术方向的已经不能算作是纯粹的数据分析了，有更多细分，数据挖掘工程师、数据工程师、BI工程师、数据架构师等等。不止要懂业务，更要精通技术，比如精通SQL、精通用R/Python做数据处理、懂机器学习、扎实的统计学知识。Hadoop、spark、各种机器学习算法掌握熟练的还可以往数据科学家方向发展。会有这些区别，是因为生产数据，需要一个多层次的复杂的数据系统。一个数据系统，需要数据采集、数据集成、数据库管理、数据算法开发、报表设计几个环节组合。这样才能把分散在各处的一点一滴的数据集中起来，计算成常用的指标，展示成各种炫酷的图表。这里每一个环节都需要对应的技术支持和人员工作，因此有了不同的岗位。
所以，尽管数据分析工具繁多，但是根据不同的方向，还是有所侧重的。大家在刚学习的时候也无需一股脑地学个遍，与其每个工具都浅尝辄止，不如提前确定好发展方向，深钻2-3个工具。

数据分析工具选型建议（二）根据数据应用的不同环节来看

每个数据分析工具都有其侧重的功能点，在不同的数据应用场景下，选择合适的工具，能实现效率最大化。

比如在数据获取时，你可以通过SQL从数据库中提取数据，也可以通过python爬取数据，但你最起码要能熟练掌握SQL；
数据处理时，如果数据量不大，其实Excel是最方便快捷的数据处理工具，在大数据量的情况下，SQL和python的使用更为常见；在大量不可变数据的批处理作业中，hive则最为合适；
分析建模方面，简单的分析，Excel、BI工具已经足够，涉及到建模时，R、SPSS这类专业的统计分析软件，就更能发挥出优势，毕竟建模的思维和统计学是强相关的，当然，python也是一个不错的选择；
在做可视化时，还是建议各位用专业的可视化工具去做，可视化工具的细分上也有很多，像普通的业务数据分析师和业务人员可以使用常见的BI工具tableau、PowerBI、Smartbi等去做，报表工程师更适合选择专业的报表工具例如Smartbi报表平台，开发人员还可以选择一些开源的可视化工具例如echart。