這可能是今年最值得推薦的資料分析工具！

資料分析 · 發表 2019-01-24 09:17:57

摘要：資料分析時代早就已經來臨，從國家政府到企業個人，”大資料“和”資料分析“已經變成大家耳熟能詳的熱詞了。但是你可能並不具備專業的資料分析知識和語言能力，或者學習了許多關於資料分析空洞的理論知識無法好好落地，在這裡，我們強勢安利一款資料分析的神器，不管你是從未涉獵過資料分析的小白，還是儼然在...

資料分析時代早就已經來臨，從國家政府到企業個人，”大資料“和”資料分析“已經變成大家耳熟能詳的熱詞了。

但是你可能並不具備專業的資料分析知識和語言能力，或者學習了許多關於資料分析空洞的理論知識無法好好落地，在這裡，我們強勢安利一款資料分析的神器，不管你是從未涉獵過資料分析的小白，還是儼然在資料分析領域小成的資料分析師，更或者你想通過資料分析來為企業和部門帶來價值的先鋒者，它都能夠幫助到你，帶給你相對應的價值。

因為，我們說，一款好的工具，首先它應該是功能強大的，它能做到你想得到的事情，也能做到你想不到的事情，更重要的是，它應該不僅僅是工具，它應當是會說話的，會迎合你的思維然後一步步引導你。得出你想要的結果，甚至是意料之外情理之中的驚喜。

FineBI，零程式碼基礎就能直接上手！

資料連線，統一資料入口

在告訴你它如何幫助你分析之前，先來認識一下你平常見到的那些資料這款工具是如何悅納它們的。

我們想分析的資料五花八門，大到錯綜複雜各式各樣億萬級資料量的企業資料庫，小到日常學習工作中最常見和碎片化的Excel檔案，FineBI都能良好地接納。FineBI支援30餘種市面上常用及非常用的資料庫，也支援直接將我們本地的Excel檔案進行上傳快速進行分析。

支援對接30餘種企業級資料庫

支援直接上傳Excel

在找到了資料之後，以下是正餐，我們來看下它是如何迎合你分析，幫助你找到資料的價值。在介紹過程中，會涉及到舉例以便讓你更具體認知，下面是在介紹過程可能需要分析的資料：

【初始篇】迎合人的思考習慣

好的工具，從第一步開始，就可以讓你專注思考，FineBI的自助資料集功能可以取數時，選擇欄位。

做資料分析之前，可以先選擇想分析的相關欄位

一開始，看到上面諸多資料，想挖掘其中的資訊，我們可能不知道該怎麼入手。而好的工具，一開始就嘗試著讓你明白，你要去聚焦你的分析。對於諸多繁雜的資料，FineBI保護著你在分析的時候直接暴露在密密麻麻的各種資料而盲目不知道怎麼下手，在你開始分析之前，它讓你先思考你想要什麼，去儘可能明確你自己想分析的目標是什麼，然後這個時候你嘗試性地去拖拉出可能相關的指標資料，以便你在分析的時候可以儘可能地靠近再靠近你的目標。

完全不懂分析怎麼辦，智慧推薦精準分析教你開啟資料分析第一步

我們對於資料最直觀的認知是建立在明細表之上，然後對於資料想做進步分析的時候，我們會嘗試去選用一些圖表來展現，但實際上我們可能不明白為什麼要選用柱狀圖，不知道選用了漏斗圖是什麼意思。當你想分析兩個或者兩個以上資料欄位的相關性時，FineBI會自動為你選擇最合適的圖表，每種圖表背後都有很強的資料分析演算法，可以幫助你先初步瞭解你的資料情況，邁出資料分析的第一步。

不再用固定圖表去限制你的思考，你的思考都是價值，所思即所見，所見即所得

FineBI基於著名的圖形語法(The Grammar Of Graphics)設計改良，提供了無限的視覺分析可能，我們稱之為“無限圖表型別”。FineBI取消了傳統圖表型別的概念，取代以'形狀'和形狀對應的'顏色'，'大小'，'提示'，‘標籤’等屬性；取消了'分類'、'系列'等概念，取代以'橫軸'、 '縱軸'兩個方向。

上面這句話比較拗口，看不懂也不用費力去理解。簡單來講，FineBI既讓你保留了傳統固定圖表的分析習慣，你可以基於智慧推薦的結果去調整對應圖表型別，但更打破了傳統，鼓勵你去基於你的思考去形成你的分析，所有形狀、顏色、大小、提示、標籤、圖表、警戒標識都將是你思考點的體現，而不再用圖表去限制你的思考。以最簡單的對比分析為例，我們來看下這款工具是如何釋放你的分析能力的：

我們以上面的資料為例，來看一個大區銷售額的對比分析，我們大概可以做到一個什麼程度。

注：以下所有結果都只使用到了大區和銷售額兩個資料

首先我們用智慧推薦：系統為我們智慧推薦了最常用的柱狀圖對比。

智慧推薦

我們可能更習慣橫向去看具體銷售額的數值，從上到下去看對比情況，這時我們希望橫縱軸切換一下分析維度，直接一鍵切換，可以看到切換後意外地發現形成了我們熟悉的條形圖。

根據分析習慣調換大區和銷售額的檢視方式

然後我們如果再來一瞥對顏色、形狀、大小等，來看下可以玩出什麼自己的花樣，你可以設定形狀的顏色不同來區分大區，設定形狀的大小來表示銷售額，甚至直接替換形狀。

對顏色、大小、數值、形狀等進行分析，而不僅侷限於“設定”

以上幾個步驟，你已經可以體會到了FineBI是怎麼迎合你的思維和設計來幫助你良好的進行資料分析的思考。如果你對資料分析還略有涉獵，我知道，上面是滿足不了你的胃口的。可能你會更期望在資料的梳理和挖掘上，FineBI是如何幫助到你的。睜大眼睛，認真看！

【進階篇】主要講計算處理資料的部分

清洗資料，如魚得水，助你認識正確的資料【自助資料集-資料加工，規整資料】

一般來說，我們拿到資料之後，資料並不是那麼完美。對於本身質量很差的資料進行分析往往是南轅北轍的，得出來的分析結果也是錯誤的，進步還會誤導我們對事情本身的判斷，做出錯誤的決策。所以可能我們在開始拿到資料後，需要對資料進行梳理，這也就是我們通常所說的資料清洗。比如某些資料缺失，比如增加一些資料欄位，比如列重新命名、資料型別轉換、異常值處理、合併資料等等。FineBI 擁有強大的梳理資料的功能，可以對資料實現過濾、分組彙總、新增列、欄位設定、排序、合併等等操作，可以把資料進行規整，讓我們正確認識資料的同時，也認識正確的資料。

如果你不明白以上操作什麼意思，沒關係，可以看下方的示意：

如果還不能明白，用你能理解的話來說，FineBI設定了自動化的功能，通過點選滑鼠就能夠完成你對有缺陷資料的清洗。如果你清楚這一系列操作，具體梳理資料能夠到達如何便利強大的程度，你可以看下方”資料分析模型“的介紹。

OLAP分析，對資料的靈活操控，幫助你實現對資料的多角度深入分析【鑽取聯動跳轉，多維資料分析】

OLAP分析，老生常談的分析技術，對資料進行鑽取、放大、過濾、維度切換、跳轉、聯動、匯出、複用等等。通過FineBI的OALP分析，可以輕鬆玩轉你的資料，從大到小，由淺及深，探索資料之間的深層關聯。

比如對區域-門店-品牌-銷售額不同維度之間，快速進行特定區域、門店-品牌的銷售額分析。

【終極篇】——物理分析模型和資料探勘模型

OLAP分析：強大靈活的資料處理能力，輕鬆搭建資料分析模型

真正的資料分析工具，必定脫離不了資料分析模型。長期以來，資料分析的先驅和專家們，沉澱出了不計其數經典的資料分析模型，在諸多領域和行業中得到了廣泛的應用，也帶來了實質的業務價值，同時，經典的資料分析模型，有利於我們快速上手資料分析，減少自我探索過程中的彎路。FineBI強大的資料處理功能，可以很好地接洽搭建各種業務模型，諸如金字塔模型、KANO分析模型、RFM模型、購物籃分析模型、四象限模型等等。

以RFM模型搭建為例，從最基礎的資料（下圖1）到成功搭建一個RFM模型（下圖2），再到進行模型應用（下圖3），只要不到10分鐘的實際。之前研究過RFM客戶價值模型，在市面上尋找體驗了許多分析工具，FineBI絕對是國內製作RFM模型最高效便捷的軟體。

顧客購買的原始資料

經過資料處理快速搭建出RFM價值模型

RFM價值模型快速應用

資料探勘：從已知到未知，從過去到將來，告訴你所不知道又想知道的事

我們說，沒有資料探勘的資料分析都是在人力有限的範圍內進行分析。大資料時代，最不可或缺的當屬資料探勘。資料探勘，或面向過去，發現潛藏在資料表面之下的歷史規律或模式，稱之為描述性分析；或面向未來，對未來趨勢進行預測，稱之為預測性分析，把大資料分析的範圍從“已知”拓展到了“未知”，從“過去” 走向 “將來”，是大資料的生命力和“靈魂” 所在。

FineBI提供了5種快速挖掘的方式，包含時序預測、聚類、分類預測、迴歸和關聯分析。也就是說，如果你想預測未來的銷售額，你想智慧地給使用者群分類，或者你想知道簡訊發給哪個使用者獲得的反饋可能性比較大，將會成為現實。

如果需要更多的演算法怎麼辦，FineBI也為這種複雜的挖掘需求提供了入口，可以直接在FineBI中進行R語言編譯，實現資料統計和分析的需求。