1、分析工具：Excel、Tableau等屬於分析工具類；

2、分析語言：Python、R等屬於分析指令碼語言。

3.挖掘工具：像SPSS/SAS類就屬於挖掘工具。此類挖掘工具側重探索隱藏得比較深的業務知識和模式，挖掘工具側重於業務的影響因素分析、預測性分析等等，講究分析模型（比常規的分析方法要複雜），在分析模型中不見得有統計指標，而是模式。

常用的分析模型：影響因素分析（相關/方差/列聯分析）、資料預測模型（迴歸預測/時序預測）、分類預測模型（決策樹、神經網路、支援向量機等），當然還其它更多的模型，比如聚類、關聯等等。

理論上，高階的資料探勘工具也能夠實現統計分析功能，但坦白地說，用挖掘工具來做統計工具分析，其效率反而沒有統計工具高；而且操作比較複雜，視覺化功能也相對較差。

而且，當前絕大多數公司，都是在用Excel/SQL來做資料分析，可見他們並沒有什麼複雜的業務問題需要用到更高階的挖掘工具，簡單的工具已經足以勝任平時的業務資料分析了。實際上平時的工作中80%的業務資料分析都可以用Excel/SQL或BI工具來完成。

分析語言本身也可以看作是一種特殊的分析工具。只是這種分析工具與SPSS相比不一樣， SPSS只需要透過拖拉就能夠實現資料分析結果，但Python/R則需要透過寫指令碼寫程式碼的方式來執行分析，所以用Python/R做資料分析就比較複雜。

作為工具， SPSS中已經內建和封裝了很多常用的分析方法、分析模型，所以你不需要花太多的時間去弄明白是怎樣實現的，甚至你有時不需要知道資料公式和原理（如果知道的話就更好了），你只需要聚焦在業務層面，就可以實現業務資料分析，得到良好的分析結果。所以，使用工具的優點在於：簡單易操作，不需要掌握深奧的理論知識。

但是，正因為工具封裝了具體的實現過程，無法對分析模型進行修改或自定義，如果你們公司需要一些特殊的分析模型，或者需要對原有的模型進行修改或最佳化，而分析工具又不支援的話，那麼此時你就得要使用分析語言Python來實現自定義的分析流程了。

當你使用Python分析語言時，你就得必須瞭解分析模型的數學原理及實現過程，還得要掌握程式設計的一系列技能，才能夠勝任Python/R的分析工作。同時，你得花大量的時間在如何實現模型上，而無法真正聚焦在業務問題的解決上了。

所以，比起用分析工具，用Python的好處是可以任意修改或定製化模型、可以自動化實現分析流程，但壞處也是顯而易見的（分析複雜、週期較長、技能要求高）。你擁有了定製化，就失去了簡潔；你擁有了超強的功能，就增加了複雜度，此即有得就必有失了。

e��~��