大数据行业内普遍用的多的是Excel、R、Python、BI，可以满足大部分业务需求~
Excel：
1.一般的办公需求下的数据处理工作；
2.中小公司数据管理，存储(很多国有企业都用)；
3.学校学生，老师做简单的统计分析(如方差分析，回归分析)；
4.结合Word，PowerPoint制作数据分析报告；
5.数据分析师的主力分析工具(部分数据分析师的辅助工具)；
6.部分商业杂志，报刊图表制作(数据可视化)；
优点：
1.容易上手；
2.学习资源十分丰富；
3.可以用Excel做很多事情，建模，可视化，报表，动态图表；
4.帮助你在进一步学习其它工具之前(比如Python，R)，理解很多操作的含义；
缺点：
1.深入学习需要掌握VBA，难度有点高；
2.当数据量较大时，会出现卡顿的情况；
3.到Excel2016版，在不借助其它工具的情况下，Excel数据文件本身能够容纳的数据仅有108万行，不适合处理大规模数据集；
4.内置统计分析种类太简单，实用价值不大；
5.不像Python，R语言等开源软件，正版Excel需要付费，比如我用office365.每年需要支付300多块钱(不过也值了)
R：
通过扩展的第三方R包，R能够做的事情几乎涵盖了任何需要数据的领域。就我们一般的数据分析或者学术数据分析工作而言，R能做的事情包括但不限于如下方面：
1.数据清洗与整理；
2.网络爬虫；
3.数据可视化；
4.统计假设检验(t检验，方差分析，卡方检验等)；
5.统计建模(线性回归，逻辑回归，树模型，神经网络等)；
6.数据分析报告输出(Rmarkdown)；
R容易学吗？
从我个人来看，想要入门R是非常简单的，10天的集中学习，对于掌握R的基本使用，基本数据结构，数据导入导出，简单的数据可视化，是完全没有问题的。有了这些基础，在遇到实际的问题时，去找到需要使用的R包，通过阅读R的帮助文档，以及网络上的资料，就能够相对快速的解决具体问题了。
Python
R语言和Python同为需要编程的数据分析工具，所不同的是，R专门用于数据分析领域，而科学计算与数据分析只是Python的一个应用分支，Python还可以用来开发web页面，开发游戏，做系统的后端开发，以及运维工作。
现在的一个趋势是，Python在数据分析领域正在追赶R，在某些方面已经超越了R，比如机器学习，文本挖掘等偏编程的领域，但R语言在偏统计的领域仍然保持优势。Python在数据分析方面的发展，很多地方借鉴了R语言中的一些特色。所以，如果你现在还是一片空白，还没开始学习，要做决定学习R还是Python的话，建议从Python入手。
Python和R都比较容易学习，但是如果你同时学习两者，由于在很多地方它们非常相似，就会很容易混淆，所以建议不要同时学习它们。等其中一个掌握到一定的程度，再着手学习另外一个
Python能做什么？
1.网络数据爬取，使用Python能够很容易的编写强大的爬虫，抓取网络数据；
2.数据清洗；
3.数据建模；
4.根据业务场景和实际问题构造数据分析算法；
5.数据可视化(个人感觉不如R好用)；
6.机器学习，文本挖掘等高级数据挖掘与分析领域；
应该学习R还是Python？
如果因为时间有限，只能选择其中的一种来学习的话，我建议使用Python。但我仍然建议两者都了解一下，毕竟每个人都不一样。可能你在某些地方听说，Python在工作中更加常用，但是工作中，解决问题才是最重要的，如果你能够用R高效的解决问题，那就用R。实际上，Python很多数据分析方面的特色，是模仿R来实现的，比如pandas的数据框，正在开发中的ggplot可视化包模仿的是R语言中非常著名的ggplot2.
BI
多数分析师日常的工作就是做报表，而数据分析师更多用到的报表是BI。
BI全称商业智能，在传统企业中，它是一套完整的解决方案。将企业的数据有效整合，快速制作出报表以作出决策。涉及数据仓库，ETL，OLAP，权限控制等模块。
BI工具主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作可以交给BI自动化完成，从数据规整、建模到下载。
另外一种是使用其可视化功能进行分析，BI的优点在于它提供比Excel更丰富的可视化功能，操作简单上手，而且美观，如果大家每天作图需要两小时，BI会缩短一半时间。
BI作为企业级应用，可以通过它连接公司数据库，实现企业级报表的制作。这块涉及数据架构，就不深入讲了。
关于BI，像Tableau、PowerBI、FineBI、Qlikview这类BI(商业智能)工具，涵盖了报表、数据分析、可视化等多层。底层还可于数据仓库衔接，构建OLAP分析模型。
再扯远一点，怎么样选择数据分析工具，学习一些技能其实还要看你是偏业务的还是技术的，还有取决于你公司的IT信息化水平。
业务类分析师，往往在营运部，市场部，销售部等，根据服务的业务部门的不同，可能叫数据运营，经营分析，会员分析，商业分析师等名字。因为各个业务线具体考虑的问题不同，分析思路与体系均有不同，所以会有这种区别。日常的工作更多是整理业务报表，针对特定业务做专题分析，围绕业务增长做需要用到数据的测算、规划、方案等。
技术类分析师，往往在IT部、数据中心。根据从事的工作环节不同，被分成数据库工程师，ETL工程师，爬虫工程师，算法工程师等角色。在中小企业，往往一个技术小哥通吃这些流程。在大企业，一个标准的数据中心，一般都有数据仓库、专题分析、建模分析等组来完成数据开发工作，再大的公司，还有专门负责数据治理的小组。之所以有这个区分，是因为生产数据，需要一个多层次的复杂的数据系统。一个数据系统，需要数据采集、数据集成、数据库管理、数据算法开发、报表设计几个环节组合。这样才能把分散在各处的一点一滴的数据集中起来，计算成常用的指标，展示成各种炫酷的图表。这里每一个环节都需要对应的技术支持和人员工作，因此有了不同的岗位。
分析师有技术和业务之分，那对应工具也有这样的属性侧重。
分析类工具
对于初级数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。
对于高级数据分析师，使用分析工具是核心能力，VBA基本必备，SPSS/SAS/R至少要熟练使用其中之一，其他分析工具(如Matlab)视情况而定。
对于数据挖掘工程师……嗯，R和Python必备，要靠写代码来解决。
代码类工具
对于初级数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。
对于高级数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。
对于数据挖掘工程师，Hadoop得熟悉，Python/Java/C++至少得熟悉一门，Shell得会用……总之编程语言绝对是数据挖掘工程师的最核心能力。
