数据建模方面，两个都支持对数据表进行自由的关联设置，并且都支持跨数据源进行关联建模。现代的BI工具都是自动建模了，与传统BI的显著区别之一。
但是Tableau建立的数据模型属于宽表模型，相当于是在原来元数据表的基础上根据新的关联关系再新生成一个结果集，这样一来建立的数据模型拓展性和灵活性相对低一些。
而FineBI在数据建模这方面相对Tableau的可复用性更强，因为FineBI建立的骨架数据关联模型都是基于元数据的，相对来说FineBI这样形成的数据模型可拓展性和灵活性都比Tableau要高一些。
考虑到Tableau的设计用户通常都是有专业数据分析能力的数据分析师，对数据的模型理解相对较深，技术能力相对较强，所以设计用户也承担了数据建模的工作。而FineBI在数据工作流程方面较Tableau分工更为精细，将数据准备阶段（包括数据建模）的工作交由IT管理员完成，业务人员/数据分析师在分配到管理员的数据权限之后即可开始进行自由的可视化探索分析。
数据建模总结：
从数据建模所处的数据分析工作流程对比而言，Tableau更加适合有专业数据分析能力的数据分析师个人使用，FineBI则更加契合企业分工协作的工作流程。
b.数据加工
Tableau Desktop没有系统的数据加工功能，18年最新发布的Tableau prep对数据清洗和数据加工方面做了较大的弥补，从数据清理/调整、检查/筛选数据、联接/合并数据都拥有着比较体系的数据加工策略，可以无缝对接Tableau Desktop使用，不过需要同时安装Tableau Prep和Tableau DeskTop。整体数据工作流还是非常清晰、直观的。FineBI对一些有关数据的加工处理功能，统称为“自助数据集”。包括过滤、分组汇总、新增列、合并表、自循环列（可以有树结构的数据进行分层等集团性企业）、行列转换等操作。都可以快速进行处理，且可视化无代码。
数据加工总结：
相对Tableau Prep而言，FineBI的自助数据集工作流没有Tableau那么全局直观清晰，但是分析过程操作界面更加简单，对普通用户的使用和上手门槛相对更低一些。对于专业的ETL工程师，使用Tableau Prep可能会更加容易上手。
三、数据可视化
数据可视化方面，Tableau虽然一直以可视化著称，但其实FineBI也不弱。操作上，大家都只要点击和拖拽，即可快速进行数据的可视化探索。
a.图表丰富度
两款产品都是基于同样的图形语法(The Grammar Of Graphics)设计，除了常规图表的快速分析之外：还支持用户将字段绑定到图表的颜色、大小、形状、标签等属性。这样一来图表的可视化展现能力也就更加丰富灵活了，我们可以通过数据——>图表属性的无限组合，尽情地进行数据可视化认知的探索和洞察。
Tableau 数据可视化界面：可视化作品：FineBI可视化操作界面：FineBI可视化作品：
数据可视化总结：
整体看来，两者的可视化操做是类似的，图表丰富度各有所长。该有的属性、布局、样式、配色设置也都有。FineBI还内置了许多经典的配色、样式、风格供意见切换，算是一个对小白用户的一个小惊喜吧。
四、OLAP计算分析
从OLAP多维能力角度来看，两个工具都支持用户进行钻取、联动、切片、切块等分析操作，但是对于预览状态下的维度旋转分析，Tableau只能在仪表板编辑状态下实现。
计算分析能力方面两个工具都支持用户进行排名、排序、过滤、同比、环比、方差、标准差、中位数等快速计算操作，但是在一些高级计算例如移动平均、四分位等分析计算场景，Tableau拥有者更加强大的计算分析能力。
另外Tableau在一些需要进行高级计算的场景下，还支持与Matlab进行集成计算，使用 MATLAB 预处理数据，并将该数据保存到 Tableau 数据提取中以便进一步分析。
OLAP计算分析总结：
总体来看，Tableau前端的一些更为专业和高级计算分析能力更加强大，不过FineBI由于提供了自助数据集供分析用户进行数据处理使用，通常情况下的数据分析计算场景其实也是都能满足的。
五、数据挖掘分析
Tableau目前在数据挖掘内置时序分析预测、聚类算法，可进行简单数据挖掘计算处理（类似分类、关联分析、逻辑回归等算法则是没有的），同时也支持与R语言和Python集成以进行深度的数据挖掘分析。FineBI的数据挖掘分析模块中除了内置了时序预测、聚类、分类、回归、关联规则五大成熟的模型算法之外，还支持用户进行自定义级别的R语言集成使用。可以直接可视化数据挖掘。比如说预测未来的销售额，用户群分类，建立商品关联销售模型。数据挖掘能力总结：
Tableau目前在数据挖掘领域做的相对比较简单，只是内置了预测和聚类两个挖掘分析算法，也许是目前没有大的计划在数据挖掘领域长期发展。FineBI在内置的数据挖掘算法方面相对比较丰富一些，除了预测和聚类之外，还支持分类、回归、关联规则等五大数据挖掘模型算法，官网也有显示说明未来会在数据挖掘领域深入发展，作为不会数据挖掘的小白，期待ing。
但是在挖掘语言集成方面，Tableau目前除了支持R语言（FineBI仅支持R语言集成）之外，还支持与Python语言的集成。
六、集成应用
在WEB集成应用方面，FineBI和Tableau两款产品都可以很方便的进行Iframe网页集成，但是FineBI提供的例如单点登录等WEB接口可以更加方便地进行和例如泛微、用友等业务系统门户进行集成，除此之外还支持与CAS等系统进行深度无缝集成应用。
在移动集成应用中，FineBI支持微信集成和钉钉集成，给当今便捷式社交平台的数据分析查看带来了较大的便利，还支持app移动查看模式等等，这方面的应用Tableau并不支持。
集成应用总结：
集成应用方面，不用多说，FineBI全方位支持。毕竟国内厂商，本土化应用会做得强些，更贴近“国情”。
七、数据权限管控
数据的权限管控能力方面，Tableau支持将做好的内容打包发布为工作簿和数据源并且进行指定用户组分配查看权限，同时由管理员可通过筛选器进行用户组的行级别权限分配，但是无法控制用户查看的列级别的权限粒度。FineBI具有很完善的数据权限管控能力，除了提供仪表板的权限分配之外，还能够针对不同部门/岗位/角色的人员进行行/列级别的数据权限管控，使得不同的人能够根据权限限制而只能看到自己的部分数据。另外在针对企业集团数据权限管控方面，FineBI提供了强大的多级管控权限供用户进行多层权限分配，为集团性企业的数据权限管控提供了保障。数据管控能力总结：
数据权限管控能力FineBI是有压倒性的优势的，本身也是企业级应用BI出身，Tableau稍有不足，本质上还是产品定位的区别（Tableau更加适合个人数据分析师用户作为数据可视化工具使用）。
八、学习与技术服务
Tableau本身是一款非常成熟的全球化商业软件，拥有着非常强大的数据可视化分析功能。学习资料方面，官网也有很多学习文档、案例、视频等资源供用户进行上手学习。相较而言，Tableau产品学习曲线相对要陡峭一些，因为更加适合有专业数据技术能力的数据分析师使用。国内主要是代理商提供项目实施和技术服务，本土化稍微弱一些。
FineBI由于是国内帆软的BI分析平台提供商，所以不论是基础的学习文档还是教学视频资料都比较丰富，另外还有着非常活跃的帆软中文社区供所有用户进行学习交流。技术服务方面，尤其是对于企业级别的用户，还会有专业的技术服务团队响应服务，在国内本土化服务做得相当不错。
从仪表板（Dashboard）设计习惯上来说，虽然目前Tableau也有Server版，但是由于部分功能在WEB端缺失，另外使用流畅度和开发也会打些折扣，所以Tableau通常是使用Tableau Desktop来进行开发的，相当于需要单独安装一个C/S的设计器来进行开发。FineBI由于是天然的纯B/S架构，这方面做数据仪表板开发起来更加方便一些，直接在WEB端即可流畅地进行开发。