夜雨聆风这些工具我基本都用过。Excel用了八年左右，SQL大概七年，Python五年，Power BI三年，R也断断续续写过一段时间。
先说结论：没有哪一款工具是绝对最好用的。真正浪费时间的，反而是一直纠结自己到底该学哪一个。
工具怎么选，主要还是看你准备拿它做什么。下面这些都是我自己的实际使用感受，不一定适合所有人，但至少都是踩过坑以后总结出来的。
Excel最大的优点，就是门槛比较低，操作快。
临时想看一下数据分布，或者做一个简单汇总，拉张透视表，几分钟就能得到结果。面对规模不大的数据，做一些快速探索，它确实很好用。
但它的问题也很明显，就是能够处理的数据量和文件复杂度存在上限。数据达到几万行以后，如果公式、格式和透视表比较多，使用体验就会逐渐变差，再继续往上堆，卡顿和崩溃也比较常见。
在取数这件事情上，SQL通常是比较直接的一条路径。
企业的大部分业务数据都存放在数据库里。无论后面准备使用Python、R还是各种可视化软件，第一步往往都是先把需要的数据取出来。
SQL还有一个经常被低估的好处，就是它会逼着你提前想清楚自己到底需要什么：需要哪些字段、筛选什么条件、按照什么维度汇总，这些内容都要在查询语句中写清楚。编写SQL的过程，其实也在帮助我们整理分析思路，而不是先把所有数据复制出来以后再慢慢研究。
当然，SQL也有自己的边界。涉及复杂统计、建模和可视化时，就需要配合其他工具使用。
Power BI和Tableau在用途上比较接近，可以放在一起说。
制作仪表盘、可视化报表和固定汇报时，它们确实比较方便。通过拖拽就能完成不少交互式图表，用来给管理层展示，或者放在大屏上持续监控，效果都比较直观。
但它们更多是展示和监控工具，不是自动帮你寻找原因的诊断工具。指标为什么变化、问题出在哪里，仍然需要分析人员自己继续往下拆。
所以，工作内容主要是制作报表、定期汇报和数据展示，学习Power BI或者Tableau都比较实用。但不能指望只靠一个看板，就自动完成深度分析。
这部分可能会有不同意见，但从业务分析的角度来看，大部分人并不需要优先学习R。除非你做的是偏学术或偏算法的岗位，不然R的优先级往后放就行。
Python什么时候比较有必要？
通常是数据量已经比较大，需要自动执行重复任务，或者涉及建模、文本、图片等非结构化数据处理的时候。
当数据达到十万行以上，或者每天都在重复进行相同的数据整理工作时，Python的优势会越来越明显。
所以，工具选择最终还是要回到自己的工作内容上。
平时主要是查看数据、完成简单分析，先把Excel用熟；经常需要从数据库取数，优先学习SQL，投入产出比通常比较高；数据量经常达到十万行以上，或者需要自动化处理重复任务，再学习Python；工作重点是制作报表和汇报展示，可以学习Power BI或者Tableau；需要开展统计建模、实验分析或者学术研究，再重点学习R。
工具本身没有高低之分，适合当前工作，能够真正解决问题，才是最重要的。