本文整理大家比较常用的数据分析工具，然后列出了各自软件介绍以及优点其实软件并没有好坏之分，重要的是根据自身的需求，选择最适合的工具进行数据分析一、工具类1. Excel （适合入门）软件介绍：Excel几乎所有行业中很基本的，流行的和广泛使用的分析工具。无论您是Sas，R还是Tableau的专家，您仍然需要使用Excel。Excel优点：1、制作表格。在数字化的今天，在工作和生活中，我们往往使用表格来简化信息，Excel给定了格式来避免我们花大量的时间在表格制作上面。2、绘制图表。图形能够帮助我们更好的理解数字的走势和大小的比较、比例的多少，Excel中自带图形模板，其中常用的有散点图、条形图、折线图、饼图、面积图、股价图、雷达图等多种图形模板。3、函数应用。函数是Excel最常用功能之一，简单到求和，求平均数，最大值，最小值，复杂一点的如if，vlookup，match，indirect以及数组函数等，帮助我们处理数据之间的计算和关系。4、数据分析。Excel不光能罗列数据，展示数据，还能对数据进行分析。简单地，我们可以使用数据透视表功能，数据透视表能够帮我们把简单的、单个的数据根据我们的需要整理成报表形式，优势是简单易学，只需要简单地拖拽就可以实现，对于现如今我们从系统中导出的大量格式化的数据非常实用，缺点是只可以进行简单地描述性数据分析。5、VBA，功能自定义。虽然Excel现在拥有的功能已经让很多人眼花缭乱，但是它还是给用户保留了自定义开发功能的权利，那就是VBA，利用编程来优化操作。说完了Excel的优点，接下来就该说一下Excel日常使用中暴露出的一些缺点了：1、处理数据量小，经常使用Excel的朋友应该都发现过这个问题，当Excel的数据量过大的时候，其查询和计算速度会有明显的下降，会大大影响工作效率。2、数据分析功能弱小，复杂的分析很难实现。现在PowerBi出来了，其实作为一名数据分析师，更加推荐使用这个工具。2、SPSS（适合入门）软件介绍：SPSS非常容易使用，对初学者比较友好。它有一个可以点击的交互界面，能够使用下拉菜单来选择所需要执行的命令。SPSS可以说是一个傻瓜操作软件，只要认识了软件基本界面和功能，然后把你的数据准备好，输进去，点击需要进行分析的功能，软件会自动给你算出分析结果，并不需要写代码或者程序。SPSS优点：1、提供丰富的统计分析方法，例如方差、标准方差、正态分布、F检验等。2、提供完美的图形处理功能帮助使用者在数据分析过程中直观的了解数据分布特征。3、支持多种数据准备技术。4、与SPSS
modeler的无缝集成，可以嵌入modeler的节点（SPSS modeler就是题主提到的Clementine）SPSS统计功能远较Excel易用且强大，并且SPSS非常适合于统计软件的初学者。总的来说，Excel做一些简单的统计没问题，但是如果数据量比较大，SPSS的处理效率会远高于Excel，而且比Excel更专业；如果只是用作简单的数据计算和作图，Excel比SPSS更灵活更方便。软件介绍：SAS最开始发源于北卡罗来纳州立大学，1976年SAS的成套软件从学校分离出来进入公司。用户可以使用SAS数据挖掘商业软件发掘数据集的模式，其描述性和预测性模型为用户更深入的理解数据提供了基础。SAS优点：用户不需要写任何代码，SAS提供易于使用的GUI，并提供从数据处理、集群到最终环节的自动化工具，用户可以从中得出最佳结果做出正确决策。另外SAS包含很多高端的工具，包括自动化、密集像算法、建模、数据可视化等等。SAS相对来说，是一款专业性比较强的商业分析工具，在上手方面相对比较难，而且价格比较贵。4、RapidMiner（适合入门）软件介绍：RapidMiner是一个开源的数据挖掘软件，由Java语言编写而成，提供一些可扩展的数据分析挖掘算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序。该款工具最大的好处就是，用户无需写任何代码。它是作为一个服务提供，而不是一款本地软件。RapidMiner优点：RapidMiner除了可以做数据挖掘，还能实现数据预处理和数据可视化、预测分析和统计建模、评估和部署等功能。RapidMiner 有很方便及很丰富的数据可视化功能，尤其是可以通过鼠标拖拽等操作，从不同角度观察数据结果。RapidMiner已经具备了相当完整的数据挖掘组件体系，结合帮助文档进行学习，对于理解数据分析的套路很有用。5、KNIME（适合进阶）软件介绍：KNIME是一个开源的企业级分析平台，专为数据科学家而设计。KNIME的可视化界面包含从提取到呈现数据的所有节点，并强调统计模型。KNIME优点：1、Knime软件开源，有大量带数据案例可以学习2、Knime支持图形界面，细分非常小的节点和过程3、knime支持Python、R和Weka语言，当然还有原生的Java编程，很容易语言集成4、Knime有社区和实验室，Community Nodes和Knime Labs 不断更新处理新事物二、语言类1. R语言（适合进阶）语言介绍：R语言是业界领先的分析工具，广泛用于数据统计和数据建模。通过R软件可以将一堆原始数据进行处理、运算，以得到我们想要的数值结果或者图形。R语言支持在各种平台上运行，即-UNIX，Windows和MacOS。它有11,556个包，允许您按类别浏览包。R语言还提供了根据用户要求自动安装所有软件包的工具，也可以使用大数据进行组装。R语言优点：1、统计分析方面工作。R提供了各种各样的数据处理和分析技术，几乎任何数据分析过程都可以在R中完成。相比R语言，SPSS、MINITAB、MATLAB等数据分析软件更加适合于已经处理好的、规范的数据，而对于还未完成处理过程，或者在分析中仍需大量与处理过程的数据而言，它们可能会显得繁琐一些。2、R具有顶尖的绘图功能。尤其对于复杂数据的可视化问题，R的优势更加明显。一方面，R中各种绘图函数和绘图参数的综合使用，可以得到各式各样的图形结果，无论对于常用的直方图、饼图、条形图等，还是复杂的组合图、地图、热图、动画，以及自己脑子里突然想到的其他图形展现方式，都可以采用R语言实现。另一方面，从数值计算到得到图形结果的过程灵活，一旦程序写好后，如果需要修改数据或者调整图形，只需要修改几个参数或者直接替换原始数据即可，不用重复劳动。这对需要绘制大量同类图形的用户比较适用。如果你主要从事统计分析工作或学习，R绝对是一门利器。当然，各种统计软件各有优劣，并没有绝对最好的分析工具，只有适合自己的才是最好的。在更多的时候，配合不同软件的优势可能会是更好的选择。如对于小型数据，可以先用EXCEL进行初步预处理，再使用R进行更复杂的数据分析工作；如对于超大型数据，一般的操作是用数据库管理系统存储这些数据，再用R抽取需要的部分进行分析。2.Python（适合进阶）语言介绍：Python是一门面向对象的编程语言，编译速度超快，从诞生到现在已经25个年头了。它具有丰富和强大的库，常被称为“胶水语言”，能够把用其他语言编写的各种模块（尤其是C/C++）很轻松地联结在一起。其特点在于灵活运用，因为其拥有大量第三方库，所以开发人员不必重复造轮子，就像搭积木一样，只要擅于利用这些库就可以完成绝大部分工作。Python的优点：Python在数据分析和交互、探索性计算以及数据可视化等方面都有非常成熟的库和活跃的社区，使python成为数据处理任务重要解决方案。在科学计算方面，python拥有numpy与scipy、pandas、matplotlib、scikit-learn等等一系列非常优秀的库和工具，特别是pandas在处理中型数据方面可以说有着无与伦比的优势。下面具体介绍这几个包：Numpy与ScipyNumPy 来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多，本身是由C语言开发。这个是很基础的扩展，其余的扩展都是以此为基础。Scipy基于Numpy，提供方法(函数库)直接计算结果，封装了一些高阶抽象和物理模型。比方说做个傅立叶变换，这是纯数学的，用Numpy；做个滤波器，这属于信号处理模型了，在Scipy里找。Pandas基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。最具有统计意味的工具包，某些方面优于R软件。MatplotlibPython中最著名的绘图系统，很多其他的绘图例如seaborn（针对pandas绘图而来）也是由其封装而成。绘制的图形可以大致按照ggplot的颜色显示，但是还是感觉很鸡肋。但是matplotlib的复杂给其带来了很强的定制性。其具有面向对象的方式及Pyplot的经典高层封装。另外相比R语言，python不仅在数据分析方面能力强大，在爬虫、web、自动化运维甚至游戏等等很多领域都有广泛的应用。这就使公司使用一种技术完成全部服务成为可能，有利于各个技术组之间的业务融合。以上就是常见的几款数据分析工具，大家可以根据自身需求选择适合自己的软件。----安利环节---数据采集可以使用八爪鱼采集器可视化操作流程，上手十分简单，在防采集方面，软件提供多种解决方案，再也不用担心采集不到数据了下载链接：免费下载 - 八爪鱼采集器}

在去年上海财经大学的MBA讲座中，“下一场数据革命”，本人提出未来数据平台的有几大趋势： 新型的数据交易所可信计算平台
数据安全中台 新型数据分析系统（流式，交互式） 算力云 AI数据库低碳AI ABCD一体化平台例如，阿里的datatrust就是可信计算平台的一种。
datatrust里面有一项特色是对SQL分析的集成。 这里我想谈论的就是 SQL + 分布式(D) + 流式(F) + AI + 隐私计算(PEC) +算力（GPU）六合一数据中台， 正在走向从未有过的融合。 从DataTrust，大致可以看到SQL+PEC的融合。 其实AI+PEC也不是新闻了，只是早期更倾向于使用TEE环境去搞定。Spark也往往是作为底层分布式框架。 只是最近联邦学习， 多方安全计算软件解决方案全面追上来了。 SQL+AI的融合其实SQL+ML融合的思想，在Clickhouse的设计里面就有一定的体现了。 倒是ML毕竟不是AI。 滴滴与蚂蚁金服搞了一个SQLFlow， 希望融合SQL+AI， 其实本质就是AI数据库的思路。 但是就实现上， SQLFlow只是一层解释层，目前语法的接受程度也有限。 底层当然可以实现一定的分布式。SQL+AI+流式 的融合其实阿里的Blink中就有SQL的集成，阿里也有意将这一块推动融入Flink。 所以Blink其实有点SQL+ML+流式的融合了。 要从ML过渡到AI，就得对主流的AI框架进行支持。 最近Fugue项目如火如荼的进行着， 算是前沿的SQL+AI+流式的融合了。 SQL+AI+流式 + 分布式的融合Spark时代BSP分布式模型非常适合大数据计算， 而走向更适合AI的Asynchronous Parameter Server，时代就有很多改造， 例如Glint项目。 但是一个全新的Python的异步服务器分布式平台也是非常好的选择， 例如Dask， Ray。 其实Spark，Dask，Ray有非常相似的地方，就是维护一张分布式宽表。所以他们之间相互调用会比较简单。 很多人好奇，Spark与Ray/Dask有啥不一样呢， 其实一句话可能比较好的解释了：
最好他俩组合起来用， Spark做分布式数据预处理。而且Ray/Dask做分布式训练。 SQL+AI+流式 + 分布式 + GPUAI现在天然离不开算力支持了。 因此不管是DASK，还是Ray对GPU的支持都会比Spark好。 尤其今年虚拟化对GPU的支持也越发有提升。 六合数据中台相信充分的融合后，在算力虚拟化的基础上， 分布式宽表的组织可能能力也不同。 流式 + AI +SQL + 分布式会充分融合成大型数据中台。当然核心功能依然少不了隐私计算的能力。 因为在隐私计算的划分下， 宽表也会分成纵向分割的宽表， 与横向分割的宽表。 对此有兴趣的可以看一下SecretFlow的实现。 小结：从AI数据库到六合一数据中台， 都将是国产的机会。 尤其国内在图AI， 隐私计算方向都有优势。
希望中国可以引领六合数据中台 （SQL + 分布式(D) + 流式(F) + AI + 隐私计算(PEC) +算力（GPU））一张表中通常会包含很多字段，造成数据冗余，在做数据分析时，我们仅需要提取数据分析所需要的字段，这里就需要用到数据选取的知识点，同时还可以依据特定条件筛选。本文介绍数据提取、数据筛选、条件聚合运算等内容，数据筛选后又类比EXCEL做条件计数和条件求和等操作，类似于countif、sumif函数功能，下面一起来学习。示例工具：MySQL8.0、Navicat Premium 12本文讲解内容：SQL简单与高级查询适用范围：SQL中条件聚合运算数据提取按列提取数据，使用SELECT函数，提取对应的字段名即可。#按列提取
SELECT cname
FROM course;按行提取需要特定加一个按行筛选的条件。#按行提取
SELECT * FROM course
WHERE cname='数学';按位置提取数据，这里使用LIMIT限制数据的大小，"LIMIT 3,4"的含义表示从第3行开始筛选4行数据。#按位置提取
SELECT * FROM student
LIMIT 3,4;按条件提取数据，普通提取数据后，需要按照一定的条件筛选数据，这里使用WHERE函数，在后面设定条件即可完成筛选。#按条件提取并计算
SELECT * FROM score
WHERE cid=02 AND score>80;逻辑条件筛选常用的逻辑条件有与(AND)、或(OR)、非(NOT)，这里使用AND函数，筛选条件为课程号为03，且分数大于80分。#数据筛选AND
SELECT * FROM score
WHERE cid=03 AND score>80;此处使用OR函数，筛选学号为01，或者分数大于98分的数据。#数据筛选OR
SELECT * FROM score WHERE sid=01 OR score>98;添加一个不等于条件，筛选性别中不为"女"的数据，其中，不等于号用"!="来表示。#数据筛选(不等于)
SELECT * FROM student
WHERE ssex != '女';使用IN函数，可以将条件值限定为具体的值，从而达到筛选确定值的目的。#数据筛选IN
SELECT * FROM score
WHERE score IN (90,99);使用LIKE模糊筛选，%是通配符，替代一个或多个字符，这里的条件可以筛选姓李的同学。#数据筛选like(模糊筛选)
SELECT * FROM student
WHERE sname LIKE '李%';条件聚合运算条件筛选后计数，类似于EXCEL中的countif函数，这里筛选课程号为03，且成绩大于60分的课程，然后计数。#筛选后计数
SELECT COUNT(cid) AS cid_count FROM score
WHERE cid=03 AND score>60;筛选后求和，类似于EXCEL中的sumtif函数。#筛选后求和
SELECT SUM(score) AS sum_score FROM score
WHERE sid=01 AND cid=01 AND score>60;同理可以设置条件，求条件平均。#筛选后求均值 averageif
SELECT AVG(score) AS avg_score
FROM score WHERE cid != 01;商业数据分析系列文章持续更新中，喜欢就转发分享一下吧~}

不是经济学，统计学出身，工作也不是数据分析师，只是在工作会用到一些，梳理一下思路。只说一些最基本的数据分析常识，太深的不讲（主要是不会）。数据分析是什么？把隐藏在一大批看似杂乱无章的数据背后的信息集中和提炼出来，总结出研究对象的内在规律。帮助管理者进行判断和决策，以便采取适当的策略和行动。分类：描述性数据分析（初级数据分析 常见分析方法：对比分析法、平均分析法、交叉分析法）探索性数据分析：高级数据分析，侧重于在数据之中发现新的特征验证性数据分析：高级数据分析，高级数据分析，侧重于验证已有假设的真伪性数据分析5个阶段数据收集第一手数据：主要指可直接获取的数据;第二手数据：指经过加工整理后得到的数据数据处理目的：从大量的、杂乱无章、难以理解的数据中抽取并推导出对解决问题有价值、有意义的数据数据分析数据挖掘：一种高级的数据分析方法。主要侧重解决四类数据分析问题：分类、聚类、关联、预测数据展现常用数据图：饼图、柱形图、条形图、折线图、散点图、雷达图、金字塔图、矩阵图、漏斗图、帕雷托图报告撰写有一个好的分析框架，并且图文并茂，层次明晰，能够让阅读者一目了然，需要有明确的结论，有建议或解决方案而本题讲的主要是excel作为工具进行数据分析。其他的SPSS Statistics等暂且不提。1、数据收集阶段：这个阶段可以参考这个问题：国内外有哪些比较权威的统计数据网站？ - 互联网，格各位知友都很热心。2、数据处理阶段：这个时候要用到excel了。首先要对数据进行一次大清洗！将多余重复的数据筛选清除，将缺失数据补充完整，将错误数据纠正或删除。这个时候要用到一系列函数：数据重复【（COUNTIF函数），删除重复项】缺失数据【IF And Or 嵌套函数等】数据抽样【Left，Right，CONCATENATE(文本1，文本2....)，VLOOKUP】数据计算【AVERAGE、SUM、MAX、MIN，Date，If】数据分组【VLOOKUP函数，采用近似匹配，SEARCH函数】数据抽样【RAND函数，RAND()】以上只是一些简单的说明，具体问题需要根据需求进行分析。这里推荐一下知乎上很有名的猴子老师，我读了他的书《数据分析思维》，受益颇深。他在知乎上也主要回答数据相关的问题，我看最近他和其他的几位老师一起推出了《数据分析3天实战训练营》，不仅仅能学习到Excel，SQL这些工具，还能学到一些解决业务问题的N种分析方法，复杂的问题简单化-逻辑树分析法，让你不仅仅能熟悉工具，更能学到一些思维。毕竟，工具简单，但是思想学会了，使用工具也会更顺畅。还有3天社群干货分享，全国精英岗位推荐，点击这个卡片领取一下吧！接着来说Excel：3、数据分析阶段：对比分析法：常见的如完成值与目标值的差距，这个月与上个月的对比，同公司间各部门的对比，竞争对手行业内对比，这里要注意的是计算范围计算方法要一致，对象要一致，指标类型要一致。分组分析法：如何用EXCEL进行数据分组结构分析法：平均分析法：交叉分析法：利用Excel2013数据透视图功能，将一维表转为二维表_Word联盟综合评价分析方法：杜邦分析法：杜邦分析法利用各个主要财务比率之间的内在联系，建立财务比率分析的综合模型，来综合地分析和评价企业财务状况和经营业绩的方法。采用杜邦分析图将有关分析指标按内在联系加以排列，从而直观地反映出企业的财务状况和经营成果的总体面貌。漏斗图分析法：漏斗图不仅能够提供用户在业务中的转化率和流失率，还揭示了各种业务在网站中受欢迎的程度。虽然单一漏斗图无法评价网站某个关键流程中各步骤转化率的好坏，但是通过前后对比或是不同业务、不同客户群的漏斗图对比，还是能够发现网站中存在的问题。矩阵关联分析法：关联矩阵法是常用的系统综合评价法，它主要是用矩阵形式来表示每个替代方案有关评价指标及其重要度和方案关于具体指标的价值评定量之间的关系。其他高级分析法：数据透视表：这也是一个大块，需要深入的学习，有机会也会写个简单的答案。4、数据展现：根据数据关系选择图表这部分在另一个答案里有详解的讲解对于没种类型的图表有详解的演示和说明：如何制作图表非常精美的 Excel 文档？ - 忽如远行客的回答成分：饼图、柱形图、条形图、瀑布图排序：柱形图、条形图、气泡图、帕累托图时间序列：折线图、柱形图相关性：散点图、柱形图、对称条形图(旋风图)、散点图、气泡图多重数据比较：雷达图图表注意事项信息完整：图表标题、单位、图例、脚注、来源等避免无意义的图表一表反映一个观点只选对的不选复杂的图表标题一句话阐述清楚反映观点5、报告撰写数据分析报告的作用：展示分析结果 验证分析质量 提供决策依据报告类型：专题分析报告定义：对社会经济现象的某一方面或某一问题进行专门研究的一种数据分析报告作用：为决策者制定某项政策、解决某个问题提供决策参考和依据特点：内容的单一性 分析的深入性综合分析报告定义：全面评价一个地区、单位、部门业务或其他方面发展情况的一种数据分析报告特点：全面性 联系性日常数据通报定义：以定期数据分析报表为依据，反映计划的执行情况，并分析其影响和形成原因的一种数据分析报告特点：进度性 规范性 时效性数据分析报告结构：
标题页标题类型：解析基本观点 概括主要内容 交代分析主题 提出问题标题要求：直接 确切 简洁 前言分析背景：为何开展此次分析？有何意义？分析目的：通过此次分析要解决什么问题？达到何种目的？分析思路：如何开展此次分析？主要通过哪几方面开展？正文是报告最长的主体部分，包含所有数据分析事实和观点，通过数据图表和相关的文字结合分析，正文各部分具有逻辑关系结论和建议以上是一般的数据分析的方法和一些注意事项，事无巨细，数据分析本身就是一个慢活细活，脑力活，透过庞大的数据看本质是一个数据分析人员最应该掌握的东西。接下来才是真正的核心：（工具篇）图转，侵删如果你觉得Excel表格做的数据分析比较复杂，又记不住哪些负责的步骤，其实可以尝试一下伙伴云，一款对于小白也可以很快上手的一款数据分析+可视化工具。主要是个人使用是免费的！ 伙伴云支持数据手动填写和excel导入，有强大的数据分析能力。仪表盘集大数据分析、可视化报表、智能办公桌面于一体，不仅可以用来制作常规的可视化图表，还支持超级炫酷的数据大屏～ 伙伴云是以数据为核心，数据协作是强项，数据自动分析其实很简单！ 再提下Excel的移动端办公。Excel在移动端查看比较容易，但是新增、修改几乎是不可能的。伙伴云表格的移动端使用了一套创新的交互设计，可以很方便地对每一条数据进行增、删、改、查、筛选和排序，实现移动数据协作。接下来较大家如何实现吧：1、自动分析，从导入excel开始 实现数据自动分析，首先您可以先将手头的excel上传至伙伴云，快速实现数据迁移；当然，如果您对业务心中有数，您也可以自己根据需要在系统中创建一个表格~ 2、复杂数据不用愁：数据仓库搞定数据分析！ 如果同时想要分析几张表，可以在数据仓库中将几张表聚合分析~然后再放到仪表盘中进行实时更新~ 伙伴云数据仓库可合并链接多个表格数据，并可对在线表单进行增删改查、批量操作等编辑功能，聚合后的表格添加到仪表盘中，可以进行更加丰富的数据分析。 3、设置仪表盘创建仪表盘，选择需要关联的表格，仪表盘可提供折线图、散点图、条形图、双轴图、饼图、漏斗图、地图等20余种图表组件，用户可以根据不同的应用场景自由选择，点击组件可快速添加图表、拖拽即可完成布局。 无限组合的图表组件最大化的减少了数据噪音，一目了然的向boss传达您想要的信息。即使是不懂任何技术的小白也能够发挥创意，实现自己想要的可视化应用。 4、高端呈现：高端智能数据大屏无论信息公示、公开汇报、实时指挥还是监控预警，数据大屏都能让数据动态一目了然，帮你快速掌握业务进展，及时进行问题追踪。
当面对海量数据时，我们就应该掌握一些工具因为这才是一个数据分析人员真正要面对的。SQL语句：Excel2010 常用SQL语句解释Microsoft Query:实现数据导入/数据处理/数据分析： 微软的官方使用文档：https://support.microsoft.com/zh-cn/kb/136699PowerPivot： 简单数据分析/多表关联分析/字段计算分析/数据分组分析具体参考官方说明文档：PowerPivot 加载项工具库：描述性统计分析 / 直方图 / 抽样分析 /相关分析 /回归分析 /移动平均 / 指数平滑 /
这个教程不错：excel数据分析教程.pdf水晶易表：水晶易表完全教程(完全版)_百度文库VBA：那就是另外一个世界了。还没领取的同学赶紧领取一下，很超值，1毛钱学3天，知乎大V数据分析师猴子老师讲解。最后推荐数据分析的十个博客：数据分析十大博客沈浩老师的博客：沈浩老师的博客数据挖掘与数据分析：http://spss-market.r.blog.163.com/数据挖掘@数据分析 郑来轶_新浪博客数据化管理：http://chemyhuang.blog.163.com/数据元素：Wayne_新浪博客小蚊子乐园：小蚊子数据分析ExcelPro的图表博客：ExcelPro的图表博客网站分析在中国——从基础到前沿(网站分析在中国——从基础到前沿
)网站数据分析：网站数据分析蓝鲸的网站分析笔记：蓝鲸的网站分析笔记除了上边的那个知乎上的收集信息的帖子，再加上这个：哪些数据网站和资料最常用，最好用？不过我是做互联网的，移动互联网数据来源：百度指数淘宝指数艾瑞咨询易观智库CNNIC比达咨询新浪微博：什么时候开始，发布频次，内容特色。粉丝数。微信官号：什么时候开始，发布频次，内容特色。粉丝数。百度搜索前10页，其他渠道覆盖。线上调研
推荐这本书：Excel 2010数据处理与分析实战技巧精粹 (豆瓣)推荐：谁说菜鸟不会数据分析 (豆瓣)我还没有学通，本篇基本就是对这两本书的总结。补充一个excel2016的新功能：本文资料来源：谁说菜鸟不会数据分析 (豆瓣)谁说菜鸟不会数据分析 (豆瓣)关联矩阵法 - MBA智库百科Excel-漏斗图分析（差异分析）如何玩转杜邦分析法}