42款好用的数据可视化工具盘点 最近有很多人问我有没有一些好用的数据可视化工具，领导催着要可视化结果，可是很多工具都不怎么好用。作为一名数据分析人，没有一个好的可视化工具怎么能行？其实国内外有不少可视化工具还是相当好用的，比如FineBI、Echart、Tableau等等。借这个话题我盘点了一下国内外的60个可视化工具，涉及数据分析、软件分析、图像处理等等几乎所有可视化相关领域，大家可以Mark起来当做参考。1、FineBI简洁明了的数据分析工具，优点是零代码可视化、可视化图表丰富，只需要拖拖拽拽就可以完成十分炫酷的可视化效果，拥有数据整合、可视化数据处理、探索性分析、数据挖掘、可视化分析报告等功能，更重要的是个人版免费。2、Infogr.am十分强大的图表制作工具，本身带有十分丰富多样的模板，如果个人不满意还可以手动设计，优点也是不需要代码编程，缺点就是只能用来制作图表，更加炫酷的可视化效果实现起来比较困难。3、Easel.ly几年前开始流行的信息图制作软件，界面简洁、操作简便、图片精美，而且用户只需要登录Easel.ly官方网站即可开始进行信息图制作，在网站上你可以尽情分享和查找素材，当然有些是不免费的。4、Color Brewer强大的配色工具，你在这里面几乎可以找到任何你想要的颜色，它本身也是一个绘图系统，拥有很多配色模板，可以当做一个小工具收藏，配合其他可视化工具使用。5、ChartBlocks英国的一家公司开发的制作统计图表的线上工具，省去在Excel软件里制作图表的繁复，让图表更加多样化，无需专业的软件技能就可以轻松制作漂亮的图表，但是功能不多。6、Visual.ly在线图表神器，这家网站以丰富的信息图资源而著称，很多用户乐意把自己制作的信息图上传到网站中与他人分享，最近好像爆出消息还能帮助人们制作信息图，不知道免不免费。7、Nuvi一款非常简单好用的信息图形生成器，拥有好几百个模版，当然，如果你喜欢，也可以不用模版8、Dygraphs用的比较少，网站上资源也几乎没有，在国内属于小圈冷门的可视化工具，但功能其实是很强大的，不想费力找资源的建议选择其他的工具。9、EChartsECharts就不用说了，搞数据可视化的99%都知道，是一款商业级数据图表，纯JavaScript的图标库，缺点是要代码操作，小白上手难度很高，适合码农这样的数据人。10、Cytoscape适合做一些文章里的网格图、散点图、结构图、思维图，写论文、报告等场景下非常好用，适合大学生或者搞科研的人。11、图表秀适合做PPT时做一些好看的图表，图表制作功能比较强大，但是我记得导出高清图片的时候要收费，只能导标清图比较坑吧。12、BDPBDP个人版是国内海致公司旗下的数据可视化分析产品（BDP也有商业版，针对企业用户，但我非商业版用户，所以就不多说了），有多数据整合、数据合表处理、可视化分析等数据功能，总体来看数据功能还是非常全面的，虽然不免费但是成本低一些13、xdatainsight国产的一站式敏捷可视化工具，以前还比较好用，现在基本没人用了14、Tagul国外一款词云制作神器，免费的小工具，非常好用15、Tagxedo跟上面的tagul一样，也是词云制作工具，而且是在线制作网站，但是需要翻墙16、Wordle很老的信息可视化工具了，主要也是制造词云的，当年也是大名鼎鼎，但是也有很多缺点，字体颜色没有意义、可视化还很初级等17、WordItOut词语云一键生成网站，非常方便，但是没办法根据频率调整大小，功能比较粗糙18、ToCloudToCloud是一个在线免费标签云生成器，你可以设置词的长度和频率，还能提取短语，是一个比较好的标签云工具之一利用词频生成词云，你可以快速了解页面优化了某些单词19、图悦这款国内的在线词频分析工具，在长文本自动分词并制作词云方面还是很出众的，而且也容易上手，还可以自定义定制图形模板：标准、微信、地图等，切换自如，用起来体验很不错20、语义分析系统主要是用于分析文章中的各种参数，包括频率等内容，百度的语义分析系统功能还是挺不错的21、腾讯文智腾讯的中文语义网站，分析语句、篇章等，教学类平台22、polymapsPolyMaps是一个地图库，主要面向数据可视化用户，在地图风格化方面有独到之处，类似CSS样式表的选择器，用来做动态地图的23、nodebox可视化进阶神器，NodeBox是OS X上创建二维图形和可视化的应用程序，你需要了解Python程序，NodeBox与Processing类似，但是没有Processing的互动功能24、processing堪比python的编程语言，能够实现几乎所有的可视化效果，语句规范上不如python ，但是比较容易上手25、processingjs跟上面的一样，是一门可视化编程语言，ProcessingJS是它的JavaScript实现，使用HTML5的canvas，配合现代浏览器来实现web客户端的可视化技术26、TangleTangle是个用来探索、Play和查看文档更新的交互式库，既是图表，又是互动图形用户界面的小程序27、FF chartwell一款自动生成分析图的黑科技字体，字体很多28、SAS Visual AnalyticsSAS可视化分析是一款擅长做交互式可视化分析的产品，同时它同样也可以创建出一些很好的可视化图表，不过比较笨拙，不灵活29、数字冰雹国内专门做可视化的，主要是大屏，面向企业而不是个人30、Data-Driven Documents简称D3，是一个很神奇的基于Javascript的在网页上实现数据可视化的工具，不过现在已经不更新了，缺点是要学的东西太多，HTML、编程都得掌握才行31、leafletjs做全屏地图比较方便，同样是需要掌握编程基础，优点是有手机端32、CrossfilterCrossfilter是一个数据计算模型，能够很好地结合DC.JS进行数据解析绘图，属于数理类工具33、openlayersOpenLayers作为业内使用最为广泛的地图引擎之一，已被各大GIS厂商和广大WebGIS二次开发者采用，入门难度极高34、wolframalpha数学开发软件，同时也可以做数理计算可视化，属于专业性质的工具35、visme5Visme为用户提供30万张高清图片、6500种图标、750多种图表模板以及120多种字体36、databoard制作仪表板的，关注数据可视化本身，更多地关注利用可视化技术，高效，批判性地监控数据37、googlecharts文档和帮助信息丰富的 Google Charts 对于刚刚入门 Java 绘图的人来说是极佳的选择。它的文档里到处都是带注释的代码和逐步的讲解，可以直接用来把 HTML5 / SVG 图标嵌入到你的网页中。38、timeline以时间轴的形式进行可视化，别有一番风味39、FusionChartsFusionCharts 支持 vanilla Java、jQuery、Angular 等一系列高人气的库和框架。它内置90多种图表和超过1000种地图，相比 Google Charts 和 MetricsGraphics 要完整得多40、envision.jsJavaScript一种直译式脚本语言，是一种动态类型、弱类型、基于原型的语言，内置支持类型41、SigmaSigma 有着自己独特的定位，那就是图模型的绘制。它基于 Canvas 和 WebGL 开发并提供了公开的 API，所以你可以在GitHub 上找到社区贡献的许多插件42.dc.jsdc.js 是一个开源的 Java 绘图库。它非常适合用来创建交互式的仪表盘（Dashboard），图表之间是有联系的，所以当你与其中一个部分进行交互时，其他部分都会做出实时的反馈本文为专栏文章，来自：帆软软件，内容观点不代表本站立场，如若转载请联系专栏作者 。

小白学数据可视化：前言 曾看过一篇文章，建议学习R语言，从数据可视化入手。一来是有趣味，二来是可以获得快速回报。我赞同这个建议。小白学数据可视化系列，从小白的角度，学习和应用数据可视化，将会包括为什么要数据可视化，数据可视化是什么，如何用R语言工具编写代码实现数据可视化工作等内容。一 为什么要数据可视化“一图胜千言”，“人大部分信息来源视觉化信息”，说明了数据可视化的重要性。通过数据可视化，可以帮助您认识与理解数据发现和识别洞见分享和传播观点构建和讲解数据故事等等因此，巧妙地利用数据可视化技术，可以让您更好地使用数据。二 什么是数据可视化数据可视化是借助工具把数据做视觉化的呈现（常用的是图像）。能够做数据可视化的工具有很多，比方说微软的Excel软件，R语言，Python语言，Tableau等。数据的结构方式具有多样性，包括结构化，半结构化和非结构化。视觉化表示的式样也是各种各样，关键是要针对实际的数据，选择合适的工具和视觉化表示，以实现数据的最佳可视化，做到简洁，清晰和准确的效果。三 R语言编写代码做数据可视化小白学数据可视化系列，主要是用R语言工具编写代码来数据可视化。R语言是一种开源的免费的，适合做统计分析和数据可视化的编程语言和软件，它有着丰富的包和活跃的使用人群，深受着数据工作者的喜欢。四 总结这个前言，表达三个意思：数据可视化很重要，建议学习它，这个投资值得数据可视化技术是利用合适的工具对数据做合适的视觉化表示，其目的实现数据的简洁，清晰和正确的表示实现数据可视化的工具很多，我选择使用R语言这个工具来做数据可视化。请思考：如何使用R语言做数据可视化和讲解数据故事？关于数据可视化的认知，您有什么见解，请留言。本文为专栏文章，来自：数据人网，内容观点不代表本站立场，如若转载请联系专栏作者 。

想成为数据产品经理，先掌握这些数据分析方法论 产品经理的概念在不断泛化。近些年来，随着互联网行业的发展，越来越多的企业意识到了大数据和精细化运营的重要性，为了更好地挖掘数据的价值，指导业务的优化和发展，数据产品经理应运而生，他们基于数据分析方法发现问题，并提炼关键要素，设计产品来实现商业价值。虽为产品经理，但要真正解决核心问题，不免要在前期和中期进行大量的数据分析工作，那么，实用的数据分析方法有哪些呢？1、 业务分析类：1.杜邦分析法杜邦分析法目前主要用于财务领域，通过财务比率的关系来分析财务状况，其核心要点是将一个大的问题拆分为更小粒度的指标，以此了解问题出在了哪儿，从而对症下药。以电商行业为例，GMV（网站成交金额）是考核业绩最直观的指标，当GMV同比或环比出现下滑时候，需要找到影响GMV的因素并逐一拆解。GMV下降如果是因下单用户减少所造成的，那么是访客数（流量）减少了，还是转化率下降了呢？如果是访客数减少了，那是因为自然流量减少了，还是因为营销流量不足？如果是自然流量下降的话，可能需要在用户运营和产品运营端发力，如果是营销流量不足，那么可以通过营销活动或者站外引流的形式增加曝光量。同样，如果是转化率的问题，那么需要对用户进行细分，针对不同阶段的用户采取不同的运营策略，关于用户的部分，这里不做赘述，有兴趣的朋友可以关注后面的文章。最后，如果是因为客单价不高，那么需要进行定价及促销的方案优化，比如识别具有GMV提升潜力的商品进行定价优化，评估当前促销的ROI，针对选品、力度和促销形式进行优化。同时通过关联商品的推荐或商品套装促销的形式，激发用户购买多件商品，也可以有效提高客单价。2.同比热力图分析法同比热力图分析法这个名称是我自己造的，其实无非是把各个业务线的同比数据放到一起进行比较，这样能更为直观地了解各个业务的状况。构建一张同比热力图大致需要三步：第一步，按照杜邦分析法将核心问题进行拆解，这里仍以电商为例，我们将GMV拆成了流量、转化率、商品均价和人均购买量，即GMV=流量*转化率*商品均价*人均购买量；第二步，计算每个业务各项指标的同比数据；第三步，针对每一项指标，对比各业务的同比高低并设定颜色渐变的条件格式，以上图中的转化率同比为例，业务5转化率同比最高，为深橙底色，业务3转化率同比最低且为负值，因此设定为蓝色底色加红色字体。通过同比热力图的分析，首先，可以通过纵向对比了解业务自身的同比趋势，其次，可以通过横向对比了解自身在同类业务中的位置，此外，还可以综合分析GMV等核心指标变动的原因。除了电商业务的分析以外，同比热力图同样适用于互联网产品数据指标的监控及分析，该分析方法的关键点在于拆解核心指标，在本文后面的产品运营类方法中将会介绍相关指标的拆解方法。3.类BCG矩阵BCG矩阵大家都非常熟悉了，以市场占有率和增长率为轴，将坐标系划分为四个象限，用于判断各项业务所处的位置。这里想讲的并非传统的BCG矩阵，而是BCG矩阵的变阵，或者叫类BCG矩阵。根据不同的业务场景和业务需求，我们可以将任意两个指标作为坐标轴，从而把各类业务或者用户划分为不同的类型。比如可以以品牌GMV增长率和占有率构建坐标系，来分析各品牌的状况，从而帮助业务方了解到哪些品牌是未来的明星品牌，可以重点发力，哪些品牌处于弱势且增长匮乏，需要优化品牌内的产品布局。除此之外，我们还可以根据以下场景构建类BCG矩阵：1）分析商品引流能力和转化率：流量份额-转化率2）分析商品对毛利/GMV的贡献：毛利率-销售额3）基于RFM分析用户的价值：访问频率-消费金额按照上述方法，大家可以根据需求大开脑洞，按照一定标准对研究对象进行分类分析。2、 用户分析类1. TGI指数在分析用户时，通常的做法是将目标用户进行分类，然后对比各类用户与总体之间的差异性，TGI指数提供了一个很好的方法，来反映各类用户群体在特定研究范围(如地理区域、人口统计、媒体偏好等)内的强势或弱势。TGI指数=用户分类中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例*100。比如在分析用户的年龄段时，可以通过TGI指数对比各用户分类与总体在各年龄段的差异，设用户分类1中16-25岁的用户占比为4%，而总体中16-25岁的用户占比为8.3%，那么用户分类1在16-25岁用户中的TGI指数为4%/8.3%*100=48。依照这一方法，我们可以对各类用户在各年龄段的TGI指数进行对比。如上图所示，各类目标用户在16-25岁这个年龄段的占比都比总体小（TGI指数<100），其中分类1的用户年龄偏大，因为该类用户在36岁以上各个年龄段的TGI指数都明显高于100，且同时高于其他三类用户。当前在互联网领域，除了用户实名数据以外，其他用户的画像维度一般都通过建立模型进行判断，因此无法完全保证准确性，但不同于小样本调研，大数据分析是能容忍一定数据误差的，不过，这一切都要建立在对比的基础上。所以，在分析用户画像时，需要根据场景进行用户分类，并对比各类用户与总体间的差异，这样才能保证分析结果的可信性和适用性，而TGI指数就是很好的对比指标。2. LRFMC模型RFM模型是客户关系管理中最常用的模型，但这一模型还不够完善，比如对于M(Money)，即消费金额相等的两个用户而言，一个是注册两年的老用户，一个是刚注册的新用户，对于企业来说，这两个用户的类型和价值就完全不同，因此我们需要更全面的模型。LRFMC模型提供了一个更完整的视角，能更全面地了解一个用户的特征，LRFMC各个维度的释义如下：L(lifetime):代表从用户第一次消费算起, 至今的时间，代表了与用户建立关系的时间长度，也反映了用户可能的活跃总时间。R(Recency) :代表用户最近一次消费至今的时间长度，反映了用户当前的活跃状态。F(Frequency) :代表用户在一定时间内的消费频率，反映了用户的忠诚度。M(Monetary) :代表用户在一定时间内的消费金额，反映了用户的购买能力。C(CostRatio):代表用户在一定时间内消费的折扣系数，反映了用户对促销的偏好性。以去哪儿的业务为例，通过LRFMC模型可以综合分析用户的习惯偏好和当前状态，从而指导精准营销方案的实施。L(lifetime):用户来多久了？R(Recency) :用户最近是否有消费，如果来了很长时间都未消费，是否需要进行唤醒？F(Frequency) :用户出行的频率如何，如果是固定周期出行，是否应该进行复购提醒？M(Monetary) :用户的消费金额是多少，是单价高（购买头等舱），还是频次高？C(CostRatio):用户对折扣的偏好如何，是为用户增加权益还是降价促销？三、产品运营类产品运营是一个长期的过程，需要定期对产品的使用数据进行监控，以便发现问题，从而确定运营的方向，同时也可以用于评估运营的效果。产品运营的常用指标如下：1）使用广度：总用户数，月活2）使用深度：每人每天平均浏览次数，平均访问时长3）使用粘性：人均使用天数4）综合指标：月访问时长=月活*人均使用天数*每人每天平均浏览次数*平均访问时长产品所处阶段不同，运营的侧重点也会有所不同。在产品初期，核心的工作是拉新，应该更加关注产品的使用广度，而产品的中后期，应该更加注重使用深度和使用粘性的提升。对于不同的产品也需根据产品的性质来确定核心指标，比如，对于社交类产品，使用广度和使用粘性至关重要，而对于一些中台分析类产品，提升使用深度和使用粘性更有意义。四、结语在一款数据产品诞生前，应该是先有数据，再有分析，然后才是产品，分析的广度和深度直接决定了产品的定位和价值。如果是做一款数据报表类的产品，那么需要了解核心指标，并建立综合指标的评估体系，如果是做一款分析决策类产品，那么还需要基于业务需求，将现有数据指标进行解构再重构。以上内容仅仅是提供了一些基础工具和思考方向，数据产品经理是一个新兴的分支，目前还没有成熟的学习体系，未来还需继续深入浅出，和大家共同成长。本文由 Mr.墨叽（微信公众号：墨叽说数据产品） 投稿至 数据分析网 并经编辑发表，内容观点不代表本站立场，如转载请联系原作者 。

网站分析工具哪家强？ 目前市面上网站分析的工具有很多，有些产品也换了个定位，将自己成为增长工具，营销领域的新名词总是层出不穷，为了在这个行业里面分一杯羹，实质没有太大的变化，或是说规律是一样的，我是将目前的网站分析工具分为几类：一线：GoogleAnalytics，AdobeAnalytics二线：Matomo，WebTrends，CoreMetrics，国双，百度统计类GA工具：GrowingIO，神策，诸葛IO，PT统计工具：CNZZ，51la存在即合理，各个工具都有各自的优点，细分市场和生存空间，下面我们来看看各自的特点：Google AnalyticsGoogleAnalytics，也叫GA，中文名谷歌分析，是著名互联网公司Google为网站提供的数据统计服务。可以对目标网站进行访问数据统计和分析，并提供多种参数供网站拥有者使用，目前是是GoogleMarketingPlatform中的核心产品之一。GA最初是WebDepot开发的，叫Urchin，后面在2005年的时候被谷歌收购，收购的当年年底谷歌就以Urchin为基础发布了GoogleAnalytics。优点：部署简单，只需要部署一段js跟踪代码，就可以获得详尽的报告；计算速度快，GA的数据结果虽然官方对免费版的解释是24~48个小时才出数据，但实际上几个小时就出数据，付费版的是4个小时出数据；分析功能强大，默认提供多个角度数十个报告，还有UTM，细分，次级维度，事件跟踪等功能，很多都已经变成了行业标准。缺点：对于大陆地区的用户，查看报告的网址是访问不了的，看报告有些麻烦；数据收集上，虽然GA收集数据是在北京，但是部分地区在加载跟踪代码时候部署不是很顺畅，会有数据丢失的情况，而且数据量大的时候会抽样；最后就是官方的技术支持欠缺，虽然在大中华地区有人负责，但只是对付费版的，对于免费版的是只能靠自己，虽然有Parnter，但质量参差不齐。付费版：GA除了提供免费版的，，还提供付费的G360，全球统一售价是15W美刀起，流量越高的，价格越高。客户情况：国内有数十个。Adobe AnalyticsAdobe Analytics 属于Adobe Marketing Cloud产品套件的一部分，可帮助在线营销人员将实时分析和详细划分应用到他们的全部营销渠道。最初是叫SuperStats，后面收归Omniture所有，改名为Sitecatalyst，2009年被Adobe收购后改名为AdobeAnalytics。优点：配置完后数据查看简单清晰；组件功能强大；可以与其他一些Adobe的产品结合使用，Adobe的产品已经在Mar-Tech和Ad-Tech都在行业的前沿，很受到世界五百强推崇。缺点：部署复杂，没有专业人员的配置，可以说你是用不了的；没有免费版，需要付费，根据使用量付费，价格区间比较大；国内资源少，官方在大中华地区有技术支持，但一般需付费。客户情况：一般是世界五百强使用Matomo（Piwik）Matomo就是一款开源的访客统计系统，以前叫做Piwik，它就像第三方的统计一样，搭建好之后，可以同时统计多个网站的数据，基本上可以满足大部分常用的统计需要。一般是具备一定开发能力的，对数据安全要求较高的公司会使用。有开源版和专业版之分。优点：私有化部署，代码，数据，数字资产都是私有的。缺点：分析工功能有限，部分需要二次开发，有些是实现不了，需要维护整个系统和服务器。WebTrends来自美国的过气的一个厂家，以前在国际上占有率高，现在已经是默默无闻的了，被AdobePK下去了，是做网站日志分析起家的，曾经是行业的翘楚。优点：功能强大，但在最近五年的的竞争中落后了。缺点：需要专业的配置，需要付费，国内资料少。客户情况：招行，农行CoreMetrics来自美国加州圣马特奥(SanMateo)市一家网络分析软件开发商，对标的竞争对手是Omniture。CoreMetrics创建于1999年，2010年的时候被IBM收购，之后作为IBM营销云中的一分部，但在2019年的时候，IBM寻求将这部分业务售出。收购后，CoreMetrics在走下坡路。优点：功能强大，但在最近十年的的竞争中落后了，与IBM的其他营销云产品结合。缺点：需要专业的配置，需要付费，国内资料少。国双（GSUM）以做SEM代理起家的，后面涉足网站数据检测，数字营销技术，业务一直比较神秘，主要有搜索营销整合。涉及搜索引擎营销(SEM)、搜索引擎优化（SEO）及搜索媒体优化（SMO）的整合，在业内算是数一数二的。数字营销整合。包括广告效果监测、官网流量检测分析、归因分析等；该公司的网站精确分析系统（WD），是国内同行业中最强的。运营商和政府业务。这块的业务量很大，全保密,虽是美国上市公司，但因为信息披露问题惹上不少官司，目前市值只有1亿美元左右。连续多年亏损，市场做卖空的。虽是上市比较早，但现在年营收只要5亿人民币，已经远落后于其他的Ad-Tech或Mar-Tech，且亏损逐年变大，估计境内外信息不对称，国内知道的人并不多，知道的信息也是公关信息。优点：本土主持。缺点：产品没太大惊艳，需付费才有使用。百度统计百度出的一个统计工具，这款工具做的很一般，虽是免费的。优点：能获取百度关键词角度的数据，做国内市场的必用。缺点：功能跟一线的AA、GA差得不是几条街的距离。GrowingIO以无埋点作为卖点的一个数据解决方案，企业无需在网站或app中埋点，即可获取并分析全面、实时的用户行为数据，以优化产品体验，实现精益化运营，无埋点并不是不需要做任何的代码配置的，而是少用代码，减少了代码的使用量，从操作形式上实质是可视化埋点，还是需要通过一些元素去定位的，就是圈点，如GrowingIO是通过Xpath，GA的也可以通过各种属性id，AA的通过CSS选择器，GA和AA不同支持就是没有将页面可视化到工具里面去展示，而是独立于设置页面，所以这种无埋点展示是噱头，本质跟其他AA和GA的并没太大区别，需要产品或市场的人去圈点配置，有可能会出现圈完后跟踪不到的情况。优点：无埋点，本土支持，传媒公关做的不错，有些过度营销了。缺点：需付费，价格不低，体验或首次使用有不少，但续费的低；高级功能欠缺，参考GA的，在这方面还有很长的路要走；基础指标不全，还有待完善；无埋点技术本身的技术缺陷，维护成本高，操作复杂，跟踪不到等问题，神策以私有化部署作为卖点的一个数据解决方案，创始人团队来自百度，历经多轮融资，还是比较土豪的，产品功能还是有比较大的发展空间的，高级分析功能有待提高。优点：私有部署，二次开发等，接口较为完善。缺点：付费，贵，维护成本高。CNZZ一款老字号的免费的站长统计工具，适用于基础指标统计。51La基础指标统计工具。类GA工具都是需要付费的，都面临着续费率低的问题，这些工具号称增长工具，而自己却面临着增长的难题。本文由 GA小站 投稿至 数据分析网 并经编辑发表，内容观点不代表本站立场，如转载请联系原作者 。

数据分析平台豌豆BI试用总结 近日又陷入了分析数据的泥潭，一个搞工程的公司，居然有这么多要分析的数据，真的是大数据时代饶过谁。最开始用excel做透视表和各种复杂函数，后来用过一段时间Tableau Online，最近在用亿信华辰公司的豌豆BI，自己总结了一下Tableau和豌豆BI的优缺点。按照我自己的工作顺序来总结吧。首先，导入数据。我手上的数据都是从各分公司上报过来的excel数据，通常首行有标题，然后有的表头是有合并单元格的这种表格在导入的时候就比较麻烦，Tableau的话，要么在导入前把文件处理成首行为单行表头的样式，要么就要在导入后逐个去修改列名。后来试用的豌豆BI就灵活一些，可以手动设置表头行和数据起始行，设置好之后直接把表头行作为每列的列名，在数据导入这部分可以省事很多。而且导入之后如果有空行或者小计行也可以直接处理，Tableau Online提供了一个可以处理的工具，但是经常加载不出来。不过，Tableau Online在连接数据库这方面比较有优势，支持多种类型的数据库，包括一些云端数据库。然后，进行数据分析。Tableau Online可以设置的内容比较多，都是通过拖拽字段放到设置项上来实现的，对数据分析的规则有一定掌握的话，这个用起来还是比较灵活的，就是有时候设置项太多，想做个简单的调整要找好久，而且有时候行或者列上的字段会在设置之后丢失，有的设置明明勾选了但是又不生效。豌豆BI的设置相对简单一些，可能不能实现太多复杂的效果，但是常用的统计图表的分析还是很好实现的，合计也可以多级展示，而且表格的样式比较符合我们的图表习惯。豌豆BI多个图表可以在一个页面做好，多个图表上点击之后的数据筛选自动保持一致（联动效果），Tableau就需要一些设置才能实现。例如下图：左边饼图点击“正常”，右表的监管单位统计分析里就只统计了预警等级为“正常”的这部分数据。有时候需要在已有指标的基础上，通过编辑计算公式得出一个新的指标，在Tableau和豌豆BI里都有这样的功能，支持的函数也差不多，但是Tableau在这里有个辅助功能，能检查这个公式整体是否能计算出结果来。在数据预警这上面，豌豆BI可以直接设置预警条件和显示样式，tableau需要先设置一个计算字段，然后再拖到详细信息上设置颜色，相比之下豌豆BI的设置方式更为简单。其他的分析功能差别不大，例如在Tableau里有创建组和创建数据桶，豌豆BI里有字符型自定义分组和数值型分段，Tableau里有筛选器，豌豆BI里有过滤条件。最后，制作分析报告。这部分在Tableau里面就深感不便了，做出来的仍然像是一个图表分析拼接的效果，豌豆BI的即席报告更有报告的感觉，而且可以导出成word文档，另外还可以制作幻灯片导出成PPT，不过这个我暂时还没用到，大概年底汇报才会用。另外还有一些在页面上辅助展示的工具，例如锚点工具、选项卡工具、筛选面板工具，不过这些工具导出时候就变成了静态图片，毕竟word里面也不支持这些工具的功能。（自己做的报告不太好看，下图是豌豆BI自带的一个报告）总体来说，豌豆BI比较易用，制作报告也更胜一筹，Tableau支持更复杂的设置，但是学习成本过高。如果是像我一样不懂技术的人，我觉得还是豌豆BI更合适一点。本文由 豆BI 投稿至 数据分析网 并经编辑发表，内容观点不代表本站立场，如转载请联系原作者 。