何谓数据分析工具？关于这个概念目前并没有官方定义 。
在笔者看来 ， 能用来对数据进行提取、处理 ， 并达到分析目的的都能称之为工具 。
这个工具可以是一个软件、一门编程语言 ， 也可以是一个平台、框架或者计算包 。
近几年 ， 数据分析和数据科学领域新出的分析工具层出不穷 ， 有些是通用型工具 ， 有些是针对具体某行业围绕业务的 ， 各有各的长处 ， 身边数据分析师对分析工具的喜好度也不断变化 。
下面一张图为去年某咨询公司做的关于最受欢迎数据分析工具排行榜调研（更多针对国外） ， Python、R、Excel、SQL等常用分析工具都位居前列 。
文章插图
工欲善其事 ， 必先利其器 。 很多人跑过来问用什么数据分析工具或者学什么工具？
只能说 ， 各行各业有差异 。 传统行业和互联网行业风格就很不同；还和你从事的岗位有关 ， 你做业务的、做IT的、做商业分析、做专业技术分析的 ， 都不一样 。
无论是技能学习还是要入职转岗 ， 建议都看看不同行业都在用什么分析工具？对号入座 ， 少走弯路！
银行金融业先来说说我比较熟悉的银行（金融业） 。
相对其他行业 ， 银行业拥有良好的数据土壤 ， 信息化也是走在前列 ， 有大量的客户数据、交易数据、浏览点击数据 ， 数据分析的需求相对成熟 。
简要说说银行业中常用的几种数据分析工具的特点及应用场景 。
1. 人人都会的Excel
Excel是最常用的电子表格处理工具 ， 几乎支持所有标准分析工作流程 ， 具有多种强大的功能 ， 诸如创建图表、数据透视表和VBA编程等 。 Excel适用于简单分析 ， 但不适用于处理大规模数据 ， 难以支持一百万行以上的数据 。 实际业务中如果只是对小规模数据进行简单的组合、汇总、计算、查询 ， 或者绘制简单图表 ， Excel完全可以满足这些基础的需求 。 比如做业务的要对当日某张交易明细表进行交易总金额和交易总笔数的汇总 ， 就可以利用Excel来进行计算和分析 。
2. 便捷优美的BI
BI工具是企业级的商业智能工具 ， 是一套完整的解决方案 ， 可以实现将企业中现有的数据进行有效整合 ， 快速准确地提供报表 ， 为决策提供依据 。 相比于其他数据分析工具 ， BI的优势在于其操作简易 ， 使用门槛低 ， 注重交互性且可视化功能强大 。 目前市面上的BI工具有很多 ， 像FineBI、Tableau等 。 以目前银行业比较流行的自助式BI工具FineBI为例 ， 业务人员可以通过该工具进行方便快捷的数据访问、探索性描述性分析 ， 做报表、做可视化分析报告 ， 实现自助取数分析 。
文章插图
FineBI分析报告
3. 专业取数的SQL
对于银行的数据分析人员 ， 取数是一项无法避免的工作需求 ， 日常工作中他们需要从海量数据中取数 ， 为业务需求部门服务 ， 而SQL是最常用的取数工具 。
分析人员利用SQL可以从数据库成千上万的表中快速提取自己所需的数据 ， 也可以从一张数据量非常庞大的表中取出自己想获得的部分信息 。 例如 ， 业务部门想要在一张全行范围内的表中获取某个分支机构在某个特定时间段的数据 ， 用SQL中的SELECT语句加筛选条件可以轻松实现 。
4. 功能强大的SAS
SAS是老牌的数据分析工具 ， 具有较高的稳定性和安全性 ， 在银行业一直占据着统治性的地位 。 SAS软件提供了丰富的统计分析功能 ， 图形操作界面 ， 便于快速学习 。 SAS可以完成从数据获取、清洗、可视化到建模等一系列完整数据分析流程 。 与其他分析工具相比 ， SAS在风险建模与评估方面具有良好的优越性 ， 在信用风险管理领域发挥了巨大的功效 ， 如银行业常用的信用评分卡模型很多都是基于SAS构建的 。
5. 无所不能的Python
这几年Python在各个领域的应用越来越广泛 。 作为一种开源工具 ， Python中大量的第三方库使得其功能强大而完善 ， 如numpy、pandas、scipy和matplotlib等 ， 能方便快速地实现对数据的批量清洗、处理和可视化 ， 特别是在涉及机器学习和深度学习建模时 ， Python会是绝佳选择 。
相较于其他工具 ， Python在处理非结构化数据时也有着很大优势 。 比如用Python定时爬取财经网站上各公司的新闻舆情 ， 利用Python中的自然语言处理相关包对这些文本数据进行清洗、分词或情感分析 ， 也可以通过文本词云图对大批量的舆情文本进行文本可视化 ， 以此来把握市场动态 ， 做出更准确的决策 。

稿源：(未知)

【傻大方】网址：http://www.shadafang.com/c/111J291552020.html

标题：不同行业都用什么数据分析工具？对号入座，少走弯路