一般来说，从事数据分析工作的同学，通常都离不开工具三件套，其中包括Excel，还有SQL，以及一款可视化工具。

Excel是日常使用频率高、用于处理少量数据的通用的最佳工具，SQL是数据库取数的常见工具，数据可视化工具是把规范标准的数据加工成美观图表的手段，一般意义上而言，若有进一步岗位需求，像大数据处理、高级建模或者机器学习，R等也是需要掌握的。

的确，这些工具的运用能够极大地提升工作产生的效率，然而，学习曲线以及学习成本存在着不同。对我来讲，三件套已然可以满足日常的需求，并且是在最近几年数据分析工具的学习里面，ROI比较高的一款。

大概在2018年及以前我就最早接触了，因我之前也碰到许多同学有类似问题，想寻觅一款做数据分析敏捷，图表颜值还不低的工具。检索时留意到了和，之后这两款工具都深入学过。可是真正使用是在2019年往后，断断续续学了几个视频教程，实际制作了几份可视化作品后，我切实体会到带来的灵便与创造力，所以我决定把进阶提升当作年度主攻计划之一。

怀着这样一种经由引出输出从而推动输入的理念信念，紧接着随后，我会凭借自身过去以及未来在学习同时还有使用方面所具有心得体会，去开设一个名为基本知识之能力的专门主题单元，意图期望是记录下自身于学习以及探索运用实行数据分析以及可视化的整个进程过程，与此同时并且，还能够给予那些对此抱以兴趣的同学们一些参照借鉴以及引导指引，在此热忱欢迎大家进行关注留意、给予点赞赞许、实施收藏留存、展开转发传播。

今日，乃是基本功专题的首篇，着重讲述的是历史，以及产品，还有产品特点。

是什么

它属于数据可视化工具，是当今数据科学专业人士中，使用率比较高的，同时也是商业智能（BI）专业人士里占有率较高的工具之一。

根据权威评级中的魔力象限，自2013年起，其在魔力象限里，于分析和商业智能平台的位置上，持续处于领导者行列，同样处于领导者区间的，尚有微软的相关部分，以及追赶者Qlik 。

所谓商业智能（BI），根据官网的介绍：

很抱歉，你提供的内容似乎不太完整且存在一些混乱，不太能明确准确的表述要求，仅根据给定内容勉强改写为：有数据，有数据，有数据工具，并且并且最好是去助力促使制造更多数据型的。 。 （但这整体逻辑并不是很清晰，建议你补充完整准确的内容以便能更好地改写）

商业智能，借助商业分析，运用数据挖掘，通过数据可视化，利用数据工具和设施，结合最佳实践，助力企业产生更多由数据驱动的决策。

而根据维基百科的定义：

但严格来讲，根据原句现有内容按要求改写后的句子应该是：(BI) 被用于数据使用所用和数据有关关联有关有关系的那些东西之时事物 。 。 或 (BI) 被用以用于之时之时之时之时之时之时之时之时之时 的那个那个用于的数据相关关联有关有关系的那些这个那个东西等等待事物 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。

商业智能是企业为了数据分析和商业信息管理所使用的策略和技术

而我认为更加直观和准确的定义来自于博主Josh ：

(我不太理解你提供的这个内容，它似乎比较混乱且不符合正常语法逻辑，无法准确按照要求对你提供的内容进行改写，你可以检查一下内容后重新提示) 。

商业智能，借助软件，借助服务，把数据转化为可执行的洞见，辅助企业制定战略，辅助企业制定策略性的商业决策。

一款作为商业智能的软件，整合了数据管理，进行了数据清洗，开展了数据分析，实现了数据可视化，还做到了数据预测等数据分析过程，通过自助式的手段，借助敏捷的方式方法，高效传递数据信息，为商业决策给以辅导。

因其操作具备简单的拖拉拽的轻便特性，图表视觉拥有高颜值的特点，交互十分灵活，所以受到诸位来自世界各国的数据爱好者的喜爱，当下它是国外企业首选工具，是与另一工具并列看待用以数据和处理分析的同类工具。

简史

的创始人 ，Chris 和 Pat (从左到右)

最初，来自斯坦福大学教授Pat指导的在读博士Chris开始，Chris有着博士答辩作品原型，此原型被称为后来的雏形，大概是在2000年， Chris和导师Pat还合著过一篇论文《: A for Query, and of Multi- 》，那次论文所提及的系统就是博士答辩作品原型，其核心创新是发明了一个叫做VizQL的领域特定语言，这个语言将数据的查询和数据可视化编码结合起来，这也是后来成功的基础，是后续创新的主要来源 ， 。

Chris，在加拿大西蒙菲莎大学，亦称西蒙弗雷泽大学，简称为SFU，取得了本科学位，毕业后，做过数据库方面的软件工程师，直至成为Pat教授的博士生。

Pat，是斯坦福大学的全职教授，专职于计算机图形领域，他曾是动画公司皮克斯的早期工作人员，他因在图形渲染方面所做出的贡献而获得奥斯卡奖。

在斯坦福大学，他获取了工商管理硕士学位，早些时段，他跟Chris合伙开启创业历程，从事自动生成地图方便人们导航之事，在2003年，他参与了Chris的论文答辩。

2003年，有三位爱好者，他们来自斯坦福大学，在数据库方面有所专长，同时也是图形处理方面的专家，正式创立了。

2004年，取得了A轮融资方面的进展codejock software，并且跟数据库公司订立乃至达成了首份OEM合同；

2005年4月， V1.0版本发布；

2007年11月，发布企业数据共享和管理平台 ；

2008年，第一届 大会召开；

2010年，创始人曾认真地考虑以2.5亿美元卖掉公司；

2010年2月，免费产品出现了，它让学生、博主、数据新闻记者能够于网页上分享数据可视化作品，社区以及之前的大会极大地促使了社区的发展壮大。 ， ， 。

2013年3月发布云产品 ；

2013年5月公司在纽交所IPO上市，股票代码DATA；

2018年6月，公司有所动作，进行收购操作，被收购的是这样一家人工智能初创公司，该公司源自麻省理工学院概率计算实验室，其具备自动化统计分析技术，这项技术能够被集成到相关平台 ；

2019年6月，公司被收购，收购方是全球SaaS行业巨头，是美国客户关系管理（CRM）软件服务商，收购金额为157亿美元，三位创始人退出；

2021年3月，发布 功能，加速在机器学习方面的探索；

产品线

基于网络资料，目前主要的产品如上图所示。

在此之中，我们个体用户所用到的主要内容是桌面版，还有可视化分享社区。企业用户会运用到数据清洗工具Prep，以及数据管理平台等。

如果不是特别说明，以后提到主要指的是桌面端 。

好在，不管是在系统之中，还是在Mac系统之内，均能够被使用。然而在这一关键要点之上，却是不行的，原因在于它属于微软公司所拥有的，仅仅能够在电脑之上才能得以使用。

产品特点

按照我个人运用的些许经历，于我们日常开展数据分析工作时，主要存在以下这些特点或者优点：

入门这件事是比较容易的，新人完全能够在不到一小时的时长内就做到掌握基本的操作，要是新人拥有良好的SQL知识，那么新人就更能够加快对于相关内容的理解，当新人使用相关内容久了之后，新人就会发现，所涉及的相关内容与SQL底层是那么相像；

即便是连篇累牍都难以详述其中繁复，然而实际操作却仅需简单地通过对鼠标来回拖动抽取以及轻巧地曳拉放置，便能够轻易地达成，并且所呈现出来的正是你所实际看到的那般，其效果确凿实实在在地得以当场彰显。你根本无需如同在Excel软件环境下那般，一会儿进行复制进而粘贴的操作，一会儿又去折腾极为复杂的编程语言，仅仅凭借鼠标简单地拖拉拽此类交互动作，便能够制作出具备美观特质的基础图表；

可贯穿数据的整个流程，能够达成数据连接，能进行数据简单清洗，可开展数据计算，可实施数据分析，可实现数据可视化，可完成数据报告，包括数据看板，还有数据演示story，并且能实现数据分享，这一切都集中于一端，如此一来，便极大便利了日常的数据分析工作；

图表具有较高颜值，能够将市面上众多数据分析工具以及可视化工具比下去，这也是众多人进行选择的原因因素之一，其图表符合商务场景，同时符合传播场景，令人看上去心情愉悦；

激发那种没有上限的对于创意的创作能力，基本的图表已然满足日常所需量，而为，但凡是有丰富想象力以及创作激情的艺术家，能够凭借其创作出美妙绝伦的可视化作品，这极大地丰富了表现的场景，要是你不信的话，那就去社区逛一逛 ；

以上这些特点，正是因为当初的数据库，以及数据视觉编码基因而获得，并且，还在加大AI方面投入，相信这在下一次的更新之中将会展现出来。

当然，如同任何一款工具都存在着其适用的场景，并且也绝对不存在是全能的这种情况。总体来说，具备着像是下面所要阐述的这些缺乏以及受到限制的方面：

入门这件事是比较容易的，然而精通却存在难度，新人能够较为轻易地掌握基础部分，可是要把基础应用到能够游刃有余的程度，这可不是一件轻松容易的事情，就如同喜乐君所讲的那样，表计算以及LOD表达式对于众多新人而言，是阻碍他们前进的难题，除此之外，高级互动同样是一个难点。

个人用户不擅长数据清洗，对于不使用Prep的情形，各种脏数据的清洗以及不规范数据的整理无法实现，所以在使用之前我们拿到手的得是干净且规范的数据文件，在这一点上Power Query和M函数专门处理这种问题要强很多；

它没办法处理高级建模，虽然有内置的简单聚类，有回归分析，还有预测模型，可是我们日常所需的复杂建模却没办法达成，同样，在这方面它是强项，DAX函数特别强大，当然，高级数据建模最好借助专门编程工具，就是和R等 。

且不论上面所讲的那些情况，它终归是一款针对新人展现出友好特质、学习成本相对偏低同时学习ROI相当高的，有关数据分析以及可视化操作方面的软件，不然的话说不通啊，它不可能具备长期处于魔力象限领导者范畴之内这种情况，并且也没法解释为何会被全球范围内的科技公司、互联网公司以及教学机构还有非盈利组织所采用。

为止于这前置的介绍，我已然搭建了选题库，且持续不断地在丰富它，往后我会不定期去更新计算方面的分享，还有基本图表的分享，以及高级图表的分享，欢迎一直关注。

数据分析岗位的现状与机会

最后来谈一谈，很多人所关心的，数据分析岗位的现状，以及前途情况，给出一点愚见，仅供各位参考。

要是你翻阅知乎上跟互联网以及数据分析有关联的帖子，差不多总归能够瞧见如此这般的问题：

这属于新手常有的困惑类问题，并且是前些年出现频率特别高的问题，然而最近这两年，你常常能看到如下问题：

这自然是因近三年大环境欠佳致使数据分析行业供需失衡所致，经济陷入困顿，企业实施降本增效举措从而对相关方面予以压制，并且，数据分析行业的严峻态势还源于其他缘由。

前些年，数据分析岗位虚火，在各类培训机构推波助澜下，“人人都是数据分析师”的风潮出现，这使得大量的人去学习数据分析，有限的岗位需求迎来了各种背景的求职者，不管是产品相关方面、运营相关方面，还是统计学相关专业、新闻传播专业的，于是，从业门槛逐渐提升，从比拼工具的熟练度codejock software，到比拼算法和机器学习的掌握程度，再到比拼学历，行业内卷化日趋严峻。

多年来进行的基础设施建设，以及人才培养，使得一二线大厂具备了能足够支撑业务发展的数据体系，众多公司里面，不少部门出现了数据分析师冗余的情况，这在一定程度上致使表哥表姐这类人群的出现，这些人相应地缺乏职业成就感，进而对数据分析岗位去魅。

多种具备轻巧特性的、低门槛的数据分析工具出现，无代码产品出现，智能化产品出现，SaaS工具出现，私有化部署数据平台出现，使得开展数据分析这件事变得简便。这些不同类型工具的出现推动了数据分析的普及，还解放了部分人员的双手，并且这会是一种大趋势。

于是，我们看到了，“青十五”在《策略产品经理：模型与方法论》中提到的，目前数据分析师行业存在的“职场积压”现象，即在工作过程中，部分工作内容被上游或下游职位替代的现象。“青十五”还指出，数据分析师面临的是双向的职能积压。对此，他给出的建议是，数据分析师一方面需要向上游延伸，比如学习数据库等底层的数据源方面的知识，一方面也可以向下游数据应用方面发展，或者结合各种业务场景深入业务底层中去。例如，我们察觉到像经营分析岗位，商业分析岗位，供应链分析岗位，数据产品等岗位，在求职市场中的需求与日俱增啦，如果数据分析师不朝着上游深入钻研的话，那么在下游方面会有在数据分析跟上与实际的业务和业务场景紧紧结合起来的比例相当大的机会哟。

from 青十五《策略产品经理：模型与方法论》

另外，我的个人观点是，数据驱动以及数据素养在国内企业的实践当中还不足够，特别是在数量众多的中小企业里，喊了许多年的数字化转型常常仍旧处于低水平的阶段。数据文化与数据能力的代差明显存在着，从一线城市直至其他城市、从互联网公司到其他实体企业还存在着溢出红利，时光机理论还有发挥效力的可能。搭建数据驱动体系以及设施、建设数据文化都需要相关的人才，这便是结构化的机会。,然而，此类机会却预示着，数据分析的场景，已与往日大厂有所不同，其流程，也和过去不尽相同，地位亦是如此，部门协作同样有别，那些想要朝着这方面发展的数据分析师，理应具备相应的预期，并有心理准备。

参考资料

维基百科

官网

JOCK ： the of

#请重新提供句子内容#

: , , and

https://www..com/---11157//

What is ? data into

这个句子无法按照要求进行改写，因为它看起来像是一个网址链接，并不是一个完整的、可改写的句子结构 。

: A

https://www..com/learn//-

of

你提供的内容好像并不是一个完整的句子呀，请你提供准确完整的句子以便我进行改写。目前仅有的这些字符没法按要求进行改写。

收购人工智能初创公司

https://mp..qq.com/s/Jw

如有侵权请联系删除！