传统的BI方式可能会需要ETL架构师或者是数据建模师等，但是自助式BI所需要的就很少了，基本上是可以完成人工的解放，尽可能地去减少成本 。
还有一个比较重要的点是，FineBI是通过拖拽字段的方式，实现数据透视分析的，可以一键生成图表，入门门槛比较低，对于数据分析新手来说，比powerBI和tableau要好学一点 。
R语言和python第三类工具，这是最难的回答的 。 虽然像Excel，Bi工具这些软件的设计已经尽最大努力考虑到大部分数据分析的应用场景，但本质上他们都是定制化的，如果没有设计某一项功能，或者开发某项功能的按钮，很有可能你就不能完成你的工作 。
对于这一点，编程语言就不一样了，语言是非常强大非常灵活的，你可以随心所欲地写代码执行你想要的东西 。 比如R和Python语言，作为数据科学家的必备工具，从职业高度上讲，这绝对是高于Excel、BI工具的 。
那么有哪些应用场景，R、Python 可以做，而Excel和BI工具比较难实现呢？
1、专业的统计分析
以R语言来讲，它最擅长的是统计型分析，比如求正态分布，利用算法归类聚群，回归分析等 。 这种分析就好比把数据当做一种实验品，它能够帮助我们回答的问题：
比如数据的分布情况，是正态分布、三角分布还是其他类型的分布？离散情况如何？是否在我们想要达到的统计可控范围内呢？不同参数对结果的影响的量级是多少？以及假设性模拟分析，如果某一参数变化，会带来多大的影响？
2、个体预测分析
比如我们想要预测一位消费者的行为，他会在我们的店里停留多长时间，消费多少，或者通过一个人的淘宝消费记录判断他的个人信用情况，制定贷款额度；再或者根据你在网页上的浏览记录，推送不同的商品 。 这也是涉及到目前比较火的机器学习、人工智能概念 。
总结以上的对比说明了几个软件的差别，我想总结的是，存在即合理 。 Excel\BI\编程语言，这些工具在应用上有交叉重叠的地方，也有互补的地方 。 对于重叠的地方，无论是哪种工具，只要你能利用它解决你遇到的问题，它就是最棒的 。
选择哪个工具，首先要了解你自己的工作，是否会用到我刚才提到的那些应用场景 。 或者想想你的从业方向，是朝着偏重数据的数据科学方向发展，还是偏业务的商业分析方向 。
推荐阅读
- dmg文件怎么打开 | dmg文件格式是什么 - 知道的都在这里了
- 最强蜗牛喂猪方法知道的都在这里了
- 有人说早期不该给孩子太多的刺激，真的应该这样吗？
- 【养生知识】这些人次粗粮癌症在体内疯长！
- 【养生知识】熬夜吃这些食物，让你成垃圾人！
- 下面就给大家简单介绍一下这些推广方式吧 推广形式有哪些？
- 如何画水牛
- 如何画一只豚鼠简笔画
- 如何画驴的简笔画
- 如何画一只哈巴狗简笔画