正在进行BI选型，不知道tableau怎么样
有没有哪些比较显著的缺点
之前公司进行BI选型，也调查了市面上的部分BI软件，所以对于这几个还是比较了解的，正好都在调查的范围。
qlikview 和tableau都是国外的软件，所以对于国内的复杂业务，还是有一定的不适应性，现在分别讲下各自的优缺点吧，给你选型做参考~首先是qlikview，qlikview对于使用者有一定的要求，因为其很大一部分功能是基于脚本编辑的，所以就要求使用者有脚本编辑能力，由于qlikview是国外软件，所以在国内的中文资料较少，不易于学习。
qlikview的数据分析能力也稍弱于其他三个，比较侧重于开发和数据可视化，扩展性不错，总体来说，学习起来有困难，学习成本较高，不容易上手，企业内部使用也不容易推广。
其次是tableau，在国内拥有众多可选择的BI软件情况下，个人认为没必要选择tableau，其一是价格，价格确实不低，在BI选型的时候价格也是一个重要的考量因素，能达到同样效果的，一般肯定会选择价低者。
其二，学习成本，大家都知道tableau是国外的老牌BI软件，所以很多的学习教材，包括教学视频，其实都是英文版的，这就加大了学习成本，包括企业内部推广成本，其三，tableau对数据源质量要求很高，不符合它使用规范的数据会引发数据的错乱，而对数据进行预处理需要对数据有深刻的理解和结构化认识，对使用者素质要求较高，这样反而加重了对数据清洗的工作量，当然，tableau在数据可视化方面以及用户权限分配上做的还是挺不错的。
finebi的话，在国内的市场份额还是蛮大的，早期是专注于传统报表的图表组件功能，在敏捷BI的冲击下市场受到了冲击并开始转向敏捷路线，但仍然依赖于Cube处理数据，操作略复杂不支持数据挖掘。
最后说说我比较看好的datafocus吧，用完datafocus之后，最大的感受就是操作简单，功能强大，这个操作简单程度是其他几个没法做到的，主要依赖于他们的交互方式，采用的是他们独有的自然语言处理引擎技术，所以数据分析就跟百度搜索一样，直接输入自然语言，系统智能地以最合适的图表来回答，这个方式很新颖也很方便易学，而且他们在权限控制，图表类型，数据处理方面表现的也蛮强大，可以满足一些复杂的业务当然，最后怎么选择，选择怎么样的BI，还是要结合自己的实际情况啦~最好可以先试用下，很多产品都是可以试用的，例如finebi啊，tableau啊，datafocus啊，都是可以试用哒~
tableau和qlikview哪个好用
OurwayBI采用Node.js。
Node.js是一个Javascript运行环境(runtime)，它实际上是对Google V8引擎进行了封装。
V8引擎执行Javascript的速度非常快，利用基于时间序列的内存计算技术，减少与数据库的交互，可大大提升效率。
操作指引更易上手：OurwayBI为了让用户不进行任何培训即可掌握常用操作，设置了操作指引，智能引导用户逐步掌握基本操作及各项技巧。
整个产品的UI进行了大量细节优化，以增加使用者的美观要求与使用体验等。
新手怎么学习数据分析
对于很多想要从事互联网数据分析的人来说，一大难点就是如何准备行业知识。
一方面很少有学校设置像“互联网数据分析”这样的专业，即使有的学校有诸如 digital marketing 类似的专业，跟公司做的也还是差别不小。
另一方面还有很多人想从别的行业跳到互联网行业，像 Facebook analytics data scientist 就有很大一部分以前是做金融、咨询之类的。
不管是刚毕业的，还是之前从事别的行业想要转到互联网行业的人来说，如果能顺利搞定面试中的案例分析 (case analysis)，基本就成功了一大半。
以 Facebook analytics data scientist 的工作要求为例，基本上一半的要求是跟 technical 相关，例如 SQL 等，另一半则主要跟产品相关，考察的是产品思维 (product sense) 和案例分析的能力，此外还有少数的统计、数学、概率等。
面试中产品思维、案例分析相关更是占据半壁江山。
不同行业不同公司要求会很不一样，比如说银行做数据分析、建模会要求 SAS\\\/SQL，而互联网行业数据分析只要会 SQL 就可以了。
再比如说小公司可能会要求还会 R\\\/Python 什么的，但是稍微中型一点的公司比如说 Facebook 只需要会 SQL 就行了。
乍一看有点奇怪，但其实也不奇怪，因为大一点的公司基础设施 (infra) 做得好，很多事情比如说 A\\\/B test 这种都自动化了，不需要专门写代码。
接下来的内容都搞照中型以上互联网公司为例。
数据分析师需要三个方面的能力：技术（编程），数据分析方法，行业知识。
1. 技术 技术方面就是 SQL，20 个小时，假设文科生，同时对自己要求高一点，最多 80 个小时可以搞定了。
按照这个学习SQL 教程_w3cschool 重点需要注意的：where \\\/ group by \\\/ order by \\\/ left join \\\/ right join \\\/ inner join \\\/ null \\\/ not null \\\/ having \\\/ distinct \\\/ like \\\/ union \\\/ avg \\\/ sum \\\/ min \\\/ max 学完之后再搜索一下 SQL hardest questions, 做做练习。
当然除了 SQL 之外，Excel 也是要会一点的。
不过 Excel 这玩意儿基本多少都会那么些吧，比如说做个图，算算总合、平均之类的，稍微复杂点的数据透视表 (pivot) 就够了。
话说我第一份工作的时候连数据透视表都不会，所以说如果你不会这个，那也没关系。
如果 SQL 上手比较快，时间充裕，那就练练 Tableau, 主要目的是看看都有什么样的图表，感受一下各自适用什么样的场景。
具体怎么做图不是非常重要，真要用的时候搜索一下现学就好了。
Tableau 很贵，所以下个试用版的就可以了，然后试用期学点最基本的就可以了。
这一共就假设用了 80 个小时吧，那么 8 天过去了（没算错，都要速成了，那还不每天学习 10 个小时）。
2. 数据分析方法 学习数据分析的一些书籍 Case in point. 经典的管理咨询的书，哪个版本的都无所谓了，印象中大概看了一半左右。
好像是因为懒，所以没看完，也因为套路都是类似的，看一半也就差不多可以了。
-- 5 天 Introduction to Probability Models by Sheldon M. Ross. 应该是出到第 11 版了，但内容应该区别不大，看第一章就可以了，需要搞清楚条件概率，这个概念还是有点重要的。
-- 4 天然后再找本统计基础的书（随便哪本教科书都差不多，实在不行的话把 wiki 上统计长条目下的多看几遍也可以），不要太纠结于理论、证明，时刻记住你要能把这些概念解释给不懂统计的人听，解释不清楚的东西你也不用搞清楚。
搞清楚几种常见的分布，假设检验，假阳性，假阴性，区别估算，显著性差异，p-value，平均值，中位数，p1\\\/p25\\\/p50\\\/p75\\\/p99，相关性，因果性，幸存者偏差，大数定律，80\\\/20。
-- 10 天 Thinking, Fast and Slow. 当科普书看看就好，如果看不下去的话那就看《牛奶可乐经济学》。
-- 2 天 3. 行业知识 很不幸，这一部分就真的没有什么书可以看的了，基本都靠搜索，总结，思考，再搜索，总结，思考…… 如果平时对互联网、科技行业相对比较关注，这一部分会上手很快，了解一些基本概念，试用一些产品，基本上 20 天肯定可以了。
基本上把这些搞清楚，也差不多可以入门了吧。
看，加起来正好 49 天，7 周速成班，你要不要试试
数据分析入门并不难，难的是之后的积累才是重点，如何在实际工作、项目中真正发挥数据分析的作用，产生价值。
就我个人来说之前在信用卡行业做了两年多，然后转到互联网行业的数据分析，现在又做了半年多，感觉自己除了入门啥都不懂，每到周五下午都很开心，不是因为到周末了，而是因为又一周过去了，而我还没有被走人。
大数据分析软件有哪些
大数析用什么分析软件? 一般基础数据分析用 excelorigin，功能还较强大的，大数据分析用SAS, SPSS，RSA，MATLAB，DPS，EVIEWS, GAUSS, Minitab, Statistica，FineBI，最新的还有采用Hadoop技术。
SAS可以用来设计正交试验，SAS比SPSS功能多一些，RSA用来作相应面分析，MATLAB是面向矩阵的，可以做很多方面，比如：数值分析，模式识别，优化...里面包含了巨丰富的工具箱，小波分析，遗传算法等。
photoshop当然是必需的，可以修整下图片，润色，美化，删繁存简。
国内帆软公司的FineBI支持即时分析和多维分析即OLAP。
以大数据为主题,写一篇1500字的文章
事实上，所谓“大数据时代”的说法并不新鲜，早在2010年，“大数据”的概念就已由美国数据科学家维克托·迈尔·舍恩伯格系统地提出。
他在 大数据时代一书中说，以前，一旦完成了收集数据的目的之后，数据就会被认为已经没有用处了。
比如，在飞机降落之后，票价数据就没有用了；一个网络检索命令完成之后，这项指令也已进入过去时。
但如今，数据已经成为一种商业资本，可以创造新的经济利益。
数据能够成为一种资本，与移动互联网有密切关系。
随着智能手机、平板电脑等移动数码产品的“白菜化”，Wi-Fi信号覆盖的无孔不入，越来越多的人不再有“在线时间”和“不在线时间”之分，只要他们愿意，便可几乎24小时一刻不停地挂在线上；在线交易、在线支付、在线注册等网络服务的普及固然方便了用户，却也让人们更加依赖网络，依赖五花八门的网上平台。
而随着科技的进步，以往需要几盒软盘或一张光盘保存的信息，如今只需一片指甲盖大小的芯片，即可全部储存而且绰绰有余；以往需要电脑、显示器、读卡器等专门设备才能读取的数码信息载体，如今或许只需一部智能手机和一个免费下载的APP第三方应用程序，便可将数据一览无余。
大数据时代的科技进步，让人们身上更多看似平常的东西成为“移动数据库”，如带有存储芯片的第二代银行卡、信用卡，带有芯片读取功能的新型护照、驾驶证、社保卡、图书证，等等。
在一些发达国家，官方为了信息录入方便，还不断将多种“移动数据库”的功能组合成一体。
数字化时代使得信息搜集、归纳和分析变得越来越方便，传统的随机抽样被“所有数据的汇拢”所取代，基于随机抽样而变得重要的一些属性，如抽样的精确性、逻辑思辨和推理判断能力，就变得不那么重要，尽可能汇集所有数据，并根据这些数据得出趋势和结论才至为关键。
简单说，以往的思维决断模式是基于“为什么”，而在“大数据时代”，则已可直接根据“是什么”来下结论，由于这样的结论剔除了个人情绪、心理动机、抽样精确性等因素的干扰，因此，将更精确，更有预见性。
不过，一些学者指出，由于“大数据”理论过于依靠数据的汇集，那么一旦数据本身有问题，在“只问有什么，不问为什么”的模式下，就很可能出现“灾难性大数据”，即因为数据本身的问题，而做出错误的预测和决策。
