数据分析工具能给人们的业务带来什么变化？

　　对于数据科学家们来说，他们想使用更复杂的数据类型实现更复杂的分析，熟知如何设计，如何应用基础模型来评估内在倾向性或偏差。

对于业务分析师们来说，他们更像是随性的用户，想要用数据来实现主动数据发现，或者实现现有信息和部分预测分析的可视化。

　　然而，对于企业经理来说，他们想要了解模型和结论。

　　当然还有IT开发人员，他们为以上所有类用户提供支持。

　　那么，该如何选择最适合的大数据分析软件

　　分析师的专业知识和技能。有些工具的目标受众是新手用户，有的是专业数据分析师，有的则是针对这两种受众设计的。

　　分析多样性

　　根据不同的用户案例和应用，企业用户可能需要支持不同类型的分析功能，使用特定类型的建模(例如回归、聚类、分割、行为建模和决策树)。这些功能已经能够广泛支持高水平、不同形式的分析建模，但是还是有一些厂商投入数十年的精力，调整不同版本的算法，增加更加高级的功能。理解哪些模型与企业面临的问题最相关，根据产品如何最好地满足用户的业务需求进行产品评估，这些都非常重要。

　　数据范围分析

　　要分析的数据范围涉及很多方面，如结构化和非结构化信息，传统的本地数据库和数据仓库、基于云端的数据源，大数据平台(如Hadoop)上的数据管理等。但是，不同产品对非传统数据湖(在Hadoop内或其他用于提供横向扩展的NoSQL数据管理系统内)上的数据管理提供的支持程度不一。如何选择产品，企业必须考虑获取和处理数据量及数据种类的特定需求。

　　协作

　　企业规模越大，越有可能需要跨部门、在诸多分析师之间分享分析、模型和应用。企业如果有很多分析师分布在各部门，对结果如何进行解释和分析，可能会需要增加更多的共享模型和协作的方法。

　　许可证书和维护预算

　　几乎所有厂商的产品都分不同的版本，购买费用和整个运营成本各不相同。许可证书费用与特性、功能、对分析数据的量或者产品可使用的节点数的限制成正比。

　　易用性。没有统计背景的商业分析师是否也能够轻松地开发分析和应用呢?确定产品是否提供了方便开发和分析的可视化方法。

　　非结构化数据使用率

　　确认产品能够使用不同类型的非结构化数据(文档、电子邮件、图像、视频、演示文稿、社交媒体渠道信息等)，并且能够解析和利用收到的信息。

　　可扩展性和可伸缩性

随着数据量的不断增长和数据管理平台的不断扩展，要评估不同的分析产品如何跟随处理与存储容量的增长而增长。

在过去，大规模分析平台的成本因素使得只有超大型公司才能实现。但是，通用型主导的大数据平台越来越平易近人，能实现大数据具象呈现的平台也越来越多。现在大型企业可能还是会选择高端大数据分析工具，而我们已经分析过了不同类型的工具和他们的用户，下一步就是要确定怎样用这些工具为公司谋利，看一看对于大数据分析不同案例下的使用，如此一来，不管是大型企业还是中小企业，都可以分析权衡一般大数据分析能力来创造和增加价值。