做資料分析目前主流的工具是python，python以其豐富強大的類庫和簡潔的編碼規則被應用於越來越多的資料分析場合。利用python，整合Google的深度學習框架tensorflow，可以做出很多不同型別的分析預測。

隨著人工智慧時代的來臨，資料探勘，資料分析必將迎來歷史性的機遇和挑戰，未來前景巨大！

多謝邀請。做資料分析（資料探勘）python會更好些。第一,雖然可以用spss做一些資料探勘的分析，描述性，探索性，迴歸分析，隨機森林等等，可以不需要懂程式碼，但是是收費軟體，相比Python中的numpy和pandas等資料分析包，就可以實現想要的結果。在企業招聘資料分析師時主要是看你的業務分析能力，資料分析有偏業務方向和技術方向，對於資料探勘來講，會python更能構建一些模型來分析企業的業務。當然這個也不是唯一的，企業如果從以往的工作經驗看出你有較強的資料分析能力，一般是會接受的，我也不是很會python，對於spss,excel,sql,tableau 都有接觸過，最關鍵的是你用excel的能力，除非進的企業是急招，進來就要入手的，才可能會不需要。

單純地說哪個好，是沒有意義的，還要看你用來幹什麼？

我來幫你區分一下這些術語。

1）分析工具：Excel、SPSS、Tableau屬於分析工具類；

2）分析語言：Python、R屬於分析指令碼語言。

分析工具類，如果細分還可以分為統計工具和挖掘工具。

1）統計工具：比如像Excel/Tableau/PowerBI都屬於統計工具，此類工具的很簡單，是基於統計（比如分類彙總）的分析工具，透過統計指標，檢視業務的規律、變化、趨勢等等，來作出對業務的判斷並給出合適的業務策略。所以，此類工具側重於業務的描述性分析（業務規律、業務變化、業務週期），常用有的分析方法有：對比分析、分佈分析、結構分析、趨勢分析等等。

2）挖掘工具：像SPSS/SAS類就屬於挖掘工具。此類挖掘工具側重探索隱藏得比較深的業務知識和模式，挖掘工具側重於業務的影響因素分析、預測性分析等等，講究分析模型（比常規的分析方法要複雜），在分析模型中不見得有統計指標，而是模式。常用的分析模型：影響因素分析（相關/方差/列聯分析）、資料預測模型（迴歸預測/時序預測）、分類預測模型（決策樹、神經網路、支援向量機等），當然還其它更多的模型，比如聚類、關聯等等。

理論上，使用高階的資料探勘工具也是可以進行常規的資料統計分析的，即Excel能夠實現的，理論上SPSS也可以實現。但坦白地說，用挖掘工具來做統計工具分析，其效率反而沒有統計工具高。

不過，當前絕大多數公司，都是在用Excel/SQL來做資料分析，可見他們並沒有什麼複雜的業務問題需要用到更高階的分析工具，簡單的工具已經足以勝任平時的業務資料分析了。

最後再來說分析語言Python/R。

3）分析語言。

當然你也可以認為分析語言本身也是一種分析工具。只是這種分析工具與Excel/SPSS相比不一樣，Excel/SPSS只需要透過拖拉就能夠實現資料分析結果，但Python/R則需要透過寫指令碼寫程式碼的方式來執行分析。

作為工具，Excel/SPSS中已經內建和封裝了很多常用的分析方法、分析模型，所以你不需要花太多的時間去弄明白是怎樣實現的，甚至你有時不需要知道資料公式和原理（如果知道的話就更好了），你只需要聚焦在業務層面，就可以實現業務資料分析，得到良好的分析結果。

但是，如果你們公司需要一些特殊的分析模型，或者需要對原有的模型進行修改或最佳化，而分析工具又不支援的話，那麼此時你就得要使用分析語言Python來實現自定義的分析流程了。而且，當你使用Python分析語言時，你就得必須瞭解分析模型的原理及實現，還得懂程式設計的一系列技能，那麼你得花大量的時間在如何實現模型上，無法聚焦在業務問題的解決上了。所以，比起用分析工具，用Python的好處是可以任意修改或定製化模型、可以自動化實現分析流程，但壞處也是顯而易見的（分析複雜、週期較長、效果不一定好）。你擁有了定製化，就失去了簡潔；你擁有強的功能，就增加了複雜度，此即有得就必有失了。

所以，一般人我是不建議他們學習Python的。因為學習難度高，學習週期長，還不一定有Excel/SPSS好用和效果好。除非你本身就具有程式設計能力，此時轉學Python就相對容易了。

關於就業，最後說一下：

----實際情況，當前絕大多數的企業，業務簡單到只需要用Excel等分析工具，就能夠解決工作中80%的業務問題，部分複雜問題只需要用SPSS也可以基本解決；

----當然，如果你說你懂什麼Python/Hadoop等，那絕對是裝B的加分項。儘管有很多公司領導甚至不知道這兩個英文是什麼意思。