大資料行業內普遍用的多的是Excel、R、Python、BI，可以滿足大部分業務需求~
一、Excel
1.一般的辦公需求下的資料處理工作；
2.中小公司資料管理，儲存（很多國有企業都用）；
3.學校學生，老師做簡單的統計分析（如方差分析，迴歸分析）；
4.結合Word，PowerPoint製作資料分析報告；
5.資料分析師的主力分析工具（部分資料分析師的輔助工具）；
6.部分商業雜誌，報刊圖表製作（資料視覺化）；
優點：
1.容易上手；
2.學習資源十分豐富；
3.可以用Excel做很多事情，建模，視覺化，報表，動態圖表；
4.幫助你在進一步學習其它工具之前（比如Python，R），理解很多操作的含義；
缺點：
1.深入學習需要掌握VBA，難度有點高；
2.當資料量較大時，會出現卡頓的情況；
3.到Excel2016版，在不借助其它工具的情況下，Excel資料檔案本身能夠容納的資料僅有108萬行，不適合處理大規模資料集；
4.內建統計分析種類太簡單，實用價值不大；
5.不像Python，R語言等開源軟體，正版Excel需要付費，比如我用office365.每年需要支付300多塊錢（不過也值了）
二、R
透過擴充套件的第三方R包，R能夠做的事情幾乎涵蓋了任何需要資料的領域。就我們一般的資料分析或者學術資料分析工作而言，R能做的事情包括但不限於如下方面：
1.資料清洗與整理；
2.網路爬蟲；
3.資料視覺化；
4.統計假設檢驗（t檢驗，方差分析，卡方檢驗等）；
5.統計建模（線性迴歸，邏輯迴歸，樹模型，神經網路等）；
6.資料分析報告輸出（Rmarkdown）；
R容易學嗎？
從我個人來看，想要入門R是非常簡單的，10天的集中學習，對於掌握R的基本使用，基本資料結構，資料匯入匯出，簡單的資料視覺化，是完全沒有問題的。有了這些基礎，在遇到實際的問題時，去找到需要使用的R包，透過閱讀R的幫助文件，以及網路上的資料，就能夠相對快速的解決具體問題了。
三、Python
R語言和Python同為需要程式設計的資料分析工具，所不同的是，R專門用於資料分析領域，而科學計算與資料分析只是Python的一個應用分支，Python還可以用來開發web頁面，開發遊戲，做系統的後端開發，以及運維工作。
現在的一個趨勢是，Python在資料分析領域正在追趕R，在某些方面已經超越了R，比如機器學習，文字挖掘等偏程式設計的領域，但R語言在偏統計的領域仍然保持優勢。Python在資料分析方面的發展，很多地方借鑑了R語言中的一些特色。所以，如果你現在還是一片空白，還沒開始學習，要做決定學習R還是Python的話，建議從Python入手。
Python和R都比較容易學習，但是如果你同時學習兩者，由於在很多地方它們非常相似，就會很容易混淆，所以建議不要同時學習它們。等其中一個掌握到一定的程度，再著手學習另外一個。
Python能做什麼？
1.網路資料爬取，使用Python能夠很容易的編寫強大的爬蟲，抓取網路資料；
2.資料清洗；
3.資料建模；
4.根據業務場景和實際問題構造資料分析演算法；
5.資料視覺化（個人感覺不如R好用）；
6.機器學習，文字挖掘等高階資料探勘與分析領域；
應該學習R還是Python？
如果因為時間有限，只能選擇其中的一種來學習的話，我建議使用Python。但我仍然建議兩者都瞭解一下，畢竟每個人都不一樣。可能你在某些地方聽說，Python在工作中更加常用，但是工作中，解決問題才是最重要的，如果你能夠用R高效的解決問題，那就用R。實際上，Python很多資料分析方面的特色，是模仿R來實現的，比如pandas的資料框，正在開發中的ggplot視覺化包模仿的是R語言中非常著名的ggplot2.
四、BI
多數分析師日常的工作就是做報表，而資料分析師更多用到的報表是BI。
BI全稱商業智慧，在傳統企業中，它是一套完整的解決方案。將企業的資料有效整合，快速製作出報表以作出決策。涉及資料倉庫，ETL，OLAP，許可權控制等模組。
BI工具主要有兩種用途。一種是利用BI製作自動化報表，資料類工作每天都會接觸大量資料，並且需要整理彙總，這是一塊很大的工作量。這部分工作可以交給BI自動化完成，從資料規整、建模到下載。
另外一種是使用其視覺化功能進行分析，BI的優點在於它提供比Excel更豐富的視覺化功能，操作簡單上手，而且美觀，如果大家每天作圖需要兩小時，BI會縮短一半時間。
BI作為企業級應用，可以透過它連線公司資料庫，實現企業級報表的製作。這塊涉及資料架構，就不深入講了。
關於BI，像Tableau、PowerBI、FineBI、Qlikview這類BI（商業智慧）工具，涵蓋了報表、資料分析、視覺化等多層。底層還可於資料倉庫銜接，構建OLAP分析模型。
再扯遠一點，怎麼樣選擇資料分析工具，學習一些技能其實還要看你是偏業務的還是技術的，還有取決於你公司的IT資訊化水平。
業務類分析師，往往在營運部，市場部，銷售部等，根據服務的業務部門的不同，可能叫資料運營，經營分析，會員分析，商業分析師等名字。因為各個業務線具體考慮的問題不同，分析思路與體系均有不同，所以會有這種區別。日常的工作更多是整理業務報表，針對特定業務做專題分析，圍繞業務增長做需要用到資料的測算、規劃、方案等。
技術類分析師，往往在IT部、資料中心。根據從事的工作環節不同，被分成資料庫工程師，ETL工程師，爬蟲工程師，演算法工程師等角色。在中小企業，往往一個技術小哥通吃這些流程。在大企業，一個標準的資料中心，一般都有資料倉庫、專題分析、建模分析等組來完成資料開發工作，再大的公司，還有專門負責資料治理的小組。之所以有這個區分，是因為生產資料，需要一個多層次的複雜的資料系統。一個數據系統，需要資料採集、資料整合、資料庫管理、資料演算法開發、報表設計幾個環節組合。這樣才能把分散在各處的一點一滴的資料集中起來，計算成常用的指標，展示成各種炫酷的圖表。這裡每一個環節都需要對應的技術支援和人員工作，因此有了不同的崗位。
分析師有技術和業務之分，那對應工具也有這樣的屬性側重。
分析類工具
對於初級資料分析師，玩轉Excel是必須的，資料透視表和公式使用必須熟練，VBA是加分。另外，還要學會一個統計分析工具，SPSS作為入門是比較好的。
對於高階資料分析師，使用分析工具是核心能力，VBA基本必備，SPSS/SAS/R至少要熟練使用其中之一，其他分析工具（如Matlab）視情況而定。
對於資料探勘工程師……嗯，R和Python必備，要靠寫程式碼來解決。
程式碼類工具
對於初級資料分析師，會寫SQL查詢，有需要的話寫寫Hadoop和Hive查詢，基本就OK了。
對於高階資料分析師，除了SQL以外，學習Python是很有必要的，用來獲取和處理資料都是事半功倍。當然其他程式語言也是可以的。
對於資料探勘工程師，Hadoop得熟悉，Python/Java/C++至少得熟悉一門，Shell得會用……總之程式語言絕對是資料探勘工程師的最核心能力。
