单纯地说哪个好，是没有意义的，还要看你用来干什么？
偶来帮你区分一下这些术语。
1）分析工具：Excel、SPSS、Tableau属于分析工具类；
2）分析语言：Python、R属于分析脚本语言。
分析工具类，如果细分还可以分为统计工具和挖掘工具。
1）统计工具：比如像Excel/Tableau/PowerBI都属于统计工具，此类工具的很简单，是基于统计（比如分类汇总）的分析工具，通过统计指标，查看业务的规律、变化、趋势等等，来作出对业务的判断并给出合适的业务策略。所以，此类工具侧重于业务的描述性分析（业务规律、业务变化、业务周期），常用有的分析方法有：对比分析、分布分析、结构分析、趋势分析等等。
2）挖掘工具：像SPSS/SAS类就属于挖掘工具。此类挖掘工具侧重探索隐藏得比较深的业务知识和模式，挖掘工具侧重于业务的影响因素分析、预测性分析等等，讲究分析模型（比常规的分析方法要复杂），在分析模型中不见得有统计指标，而是模式。常用的分析模型：影响因素分析（相关/方差/列联分析）、数据预测模型（回归预测/时序预测）、分类预测模型（决策树、神经网络、支持向量机等），当然还其它更多的模型，比如聚类、关联等等。
理论上，使用高级的数据挖掘工具也是可以进行常规的数据统计分析的，即Excel能够实现的，理论上SPSS也可以实现。但坦白地说，用挖掘工具来做统计工具分析，其效率反而没有统计工具高。
不过，当前绝大多数公司，都是在用Excel/SQL来做数据分析，可见他们并没有什么复杂的业务问题需要用到更高级的分析工具，简单的工具已经足以胜任平时的业务数据分析了。
最后再来说分析语言Python/R。
3）分析语言。
当然你也可以认为分析语言本身也是一种分析工具。只是这种分析工具与Excel/SPSS相比不一样，Excel/SPSS只需要通过拖拉就能够实现数据分析结果，但Python/R则需要通过写脚本写代码的方式来运行分析。
作为工具，Excel/SPSS中已经内置和封装了很多常用的分析方法、分析模型，所以你不需要花太多的时间去弄明白是怎样实现的，甚至你有时不需要知道数据公式和原理（如果知道的话就更好了），你只需要聚焦在业务层面，就可以实现业务数据分析，得到良好的分析结果。
但是，如果你们公司需要一些特殊的分析模型，或者需要对原有的模型进行修改或优化，而分析工具又不支持的话，那么此时你就得要使用分析语言Python来实现自定义的分析流程了。而且，当你使用Python分析语言时，你就得必须了解分析模型的原理及实现，还得懂编程的一系列技能，那么你得花大量的时间在如何实现模型上，无法聚焦在业务问题的解决上了。所以，比起用分析工具，用Python的好处是可以任意修改或定制化模型、可以自动化实现分析流程，但坏处也是显而易见的（分析复杂、周期较长、效果不一定好）。你拥有了定制化，就失去了简洁；你拥有强的功能，就增加了复杂度，此即有得就必有失了。
所以，一般人偶是不建议他们学习Python的。因为学习难度高，学习周期长，还不一定有Excel/SPSS好用和效果好。除非你本身就具有编程能力，此时转学Python就相对容易了。
关于就业，最后说一下：
—-实际情况，当前绝大多数的企业，业务简单到只需要用Excel等分析工具，就能够解决工作中80%的业务问题，部分复杂问题只需要用SPSS也可以基本解决；
—-当然，如果你说你懂什么Python/Hadoop等，那绝对是装B的加分项。尽管有很多公司领导甚至不知道这两个英文是什么意思。