下载掌阅APP，畅读海量书库
立即打开
数据分析通常需要遵循以下步骤，如图1-2所示。
图1-2 数据分析的流程
明确分析需求是数据分析的起点。明确分析需求就是确定数据分析的目的，明确分析的主题。
分析需求明确之后，需要设计开展数据分析的整体框架。具体包括：从哪些维度展开分析？采用什么方法进行数据分析？使用哪些指标阐释问题？采用何种形式来呈现结果？
这是指根据确定的分析主题，利用各种数据采集技术从多种渠道收集数据分析的相关数据。
传统的数据采集和大数据采集在数据来源、数据类型和数据存储上都体现了不同。大数据采集具有全面性、多维性、高效性的特点；数据源包括所有格式的传感器数据、互联网数据、日志文件、企业业务系统数据、办公文档、文本、图片、各类报表、图像、音频、视频等信息。企业可以借助数据仓库技术（Extract-Transform-Load,ETL）工具，把分散在不同位置的数据加载到企业数据仓库中。
数据清洗是对采集到的数据进行识别，按照数据规范化的要求进行整理。需要清洗的数据包括：残缺数据、错误数据、重复数据、空值等不规范的数据。数据清洗的内容是对数据的一致性进行检查、对无效值和缺失值进行处理，使其满足下一阶段数据分析的要求。
在完成数据清洗的基础上构建数据模型，建立数据表之间的关联，进行指标计算、数据挖掘。利用数据分析工具针对预先设定的分析主题，从不同的分析维度、选择适当的形式对各项指标进行展现。可视化图形是最直观的展现方式之一，能够帮助并启发管理者发现问题。
数据分析的目标是通过历史和现状分析，发现问题；定位问题原因，制定针对性措施加以改进，以期得到管理改善。而这些都可通过分析报告呈现。
数据分析工具的种类比较多，业务场景不同，使用的工具也有所区别，一款好的数据分析工具可以帮助我们提高数据处理的效率。目前，常用的数据分析工具有以下几款。
作为Office家族的重要成员，通用表格处理软件Excel是最基础的数据分析工具。
Excel 可以满足绝大部分数据分析工作的需求，同时易学易用，但其能够处理的数据量是一定的，因此在大数据处理中难当大任。
SQL可以说是从事数据分析相关岗位的人员都要掌握的工具，其入门相对比较简单，SQL常用于数据的增删改查。
Python是一种面向对象、解释型计算机程序设计语言。它的语法简洁清晰，具有强大的编程能力。Python在爬虫、数据分析和数据可视化等方面都表现出色。
BI（Business Intelligence，商业智能）工具是按照数据分析的流程进行设计的，BI是为数据分析而生的。Tableau、Power BI、FineBI、Smartbi都属于BI。