「做資料分析一定要寫程式嗎？」是許多分析人會面臨的抉擇與問題，程式的入門是相對比較高的門檻。但隨著資料科學的演進，許多商業軟體都逐漸成熟。從完整的套裝軟體到實現彈性比較強的程式來說，大概可以把常見的資料分析工具分成幾種類型：
- ① BI 工具
- ② 分析模型套裝軟體
- ③ 程式語言
BI 工具
BI 是 Business Intelligence，商業智慧 的簡寫，主要強調的點在於「商業價值」的呈現。對資料人來說，其實就是著重在資料視覺化、資料呈現這一件事情上。但「商業價值」並不會憑空從資料直接呈現出來，BI 工具的價值在於如何快速的讓閱讀者，可以看出資料背後的價值所在。
除了統整後的視覺圖表之外，BI 通常會需要具備一筆一筆資料的報表功能。而資料呈現跟原始數據格式有相當大的關係，所以 BI 工具內多少需要提供基本的資料操作功能，能夠讓使用者在比較低的負擔下可以處理資料。
分析模型套裝軟體
第二種類型的分析工具，則是以「模型」為主，著重的是從數據當中找出關係的方法，而找關係的方法就像是統計、資料探勘、機器學習甚至是人工智慧。典型的統計分析模型就像大家熟知的 SPSS、SAS 這種。這種工具專注於統計模型本身，讓使用者不需要投入太多的時間在數學模型的程式實作。
另外也有偏向機器學習、資料探勘方法的模型工具，例如 Orange 或 Weka。但對於資料科學來說，在模型之前的資料前處理往往才是最惱人最費工的，因此現在也有一些 RapidMiner、KNIME 這種的軟體，除了模型之外，也打造了包含資料前處理的一條龍策略。
程式語言
最後一種就是「程式語言」，提供最大的彈性與功能，想要怎樣的資料操作流程或模型方法都可以自己實現。通常會有兩種情況是只有程式才能達到的：
- 客製化的資料處理過程，例如資料很特別、或是數量很大
- 使用最新或冷門的模型，套裝軟體沒有提供 。
當然使用程式語言也不是要從零開始寫程式，現在也有很多第三方的工具可以讓分析更有效率也更方便。不同的程式語言對於資料分析的支援程式也不同，這個部分我們就留到下一次再聊聊囉！
（本文轉載自資料工程師 WeiYuan 的文章 《資料分析工具那麼多，該怎麼選？》）
[optin-monster-inline slug=”efwng9h4usmda0bxuwbi”]
