啊,谢谢邀请我！
简单的方法，大数据和商业分析的前景是不错的，也可以参照自身的知识结构和兴趣爱好通过选择。
大数据经多年的发展，目前早就自然形成了一个初步的产业链，这个产业链中包含大数据平台研发、大数据应用开发、大数据分析、大数据运维和大数据教育等几个比较普遍的岗位。别外，从数据的角度向东出发，大数据的相关工作岗位还包括数据采集、数据整理（数据清洗等）、数据存储、数据安全等，这些岗位来讲与物联网、云计算咨询技术也有交好的联系。
大数据目前正所处的落地之前应用的初期，随着产业互联网的发展，大数据将与物联网、云计算、人工智能等技术共同全面赋能传统行业，所以未来大数据的应用前景应该的很广阔的，学习大数据具体技术是另一个确实不错的选择。另，当前正处在大数据时代，另外职场人来说，能够掌握当然的大数据技术，尤其是数据分析技术是没有必要的。
商业分析专业是13年发展势头迅猛的专业，国内有部分高校开设了相对应的实验班，可是两者相比于国外的大学（mit、utaustin、usc等）来说，国内的商业分析专业尚处于发展的初期。商业分析与大数据的关系相当密切，商业分析专业的知识结构包括商业、统计学和计算机三大部分，可以算商业分析与大数据差不多也两个啊是的交叉学科。
商业分析专业是在大数据时代背景下，培养和训练越来越比较好的专业的商业领域的专业人才，也可也说是大数据在商业领域的垂直专业，这个，商业分析专业的发展前景都是还好的。
大数据反正，商业分析成与不成，也是互联网发展给予的最有市场专业，这些专业未来的发展前景也将与此同时互联网的发展而发展中，不会相信不断大数据、云计算、人工智能等技术的落地后应用，大数据和商业分析专业可以说有更好的发展机遇。
到最后，大数据分析、商业分析这对基础学科的要求比较好高，尤其是数学知识，因为是对你选这些方向的学生来说，必须得如此重视数学等基础学科的学习。
我畜牧兽医相关专业互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向聚集在大数据和人工智能领域，我会相继在头条写一些关与互联网技术方面的文章，比较感兴趣朋友这个可以查哈我，相信肯定会会极大。
要是有互联网方面的问题，也也可以直接咨询我，谢谢了！
我猜楼主问这个问题，比较多我还是对数据分析技术不太了解
先说结论：
假如你是想搭建发下的数据分析解决方案，从存储，数据处理和清洗，分析什么，可视化，就得用java，毕竟java这块解决方案和框架较容易，比如hadoop,spark,flink等
如果没有你只是纯数据分析，数据集比较好单一，.例如想飞快在excel或数据库中，数据库检索，去查询，提炼出自己想的数据，就用python
我们来看下目前企业对数据分析的需求吧：
20%的数据可以发挥着80%的业务价值；
80%的数据请求只是对20%的数据。
从目前来看，论是数据存储处理、分析应该挖掘，最求全部和晚熟的生态圈肯定基于条件关系型数据库，比如说报表、联机分析等工具；另那是数据的分析人员更偏重于查询分析语言如sql、r、python数据分析包而又不是编程语言。
企业大数据建设的二八原则是，将20%最有价值的数据——以结构化的形式存储位置在关系型数据库中供业务人员通过查询和分析；而将80%的数据——以非结构化、原始形式储存在要比廉价的hadoop等平台上，供有是有数据挖掘技术的数据分析师或数据工程师并且第二步数据处理。经过加工的数据可以不以数据集市或数据模型的形式储存在nosql数据库中，这都是后面要讲到的“离线”与“在线”数据。
数据库到数据仓库，是事务型数据到讲型数据的转变，结论型数据要除了的是：结论的主题、数据的维度和层次，在内数据的历史变化等等。而对大数据平台来说，对分析的需求会细多，包括：
查询：快速响应两种条件查询、模糊查询、标签
搜索：和对非结构化文档的搜索、回结果的排序
统计计算：实时自动具体地变化，如电商平台的在线销售订单与发货计算出出的库存显示
深处挖掘：接受挖掘算法、机器学习的训练集
根据完全不同的数据处理需求，肯定必须设计相同的数据存储，还需要判断如何能快速地将数据复制到对应的存储点并接受最合适的结构转换，以供讲人员快速响应业务的需求。
java技术栈：
hadoop一个分布式系统基础架构。
可以解决了大数据（大到一台计算机不能参与存储，一台计算机不能在要求的时间内进行处理）的可信存储(hdfs)和处理(mapreduce)。
hive是成立在hadoop之上的，建议使用hadoop另外底层存储的批处理系统。（也可以再理解为mapreduce的一层壳）
hive是是为减少mapreducejobs的c语言程序工作。
hbasehbase是一种key/value系统，它运行程序在hdfs之上。
hbase是就是为了能解决hadoop的实时性需求。
spark和stormspark和storm大都可以修的并行计算框架。
可以解决hadoop只可以参照于自动更新数据处理，而又不能提供给实时动态数据处理能力的问题。
区别：
1.spark实现这样的理念，当数据庞大无比时，把计算过程传信给数据要比把数据传达消息给算出过程要更富效率。而storm是把数据传达给计算过程。
2.基于条件设计理念的不同，其应用领域也差别。spark工作于可以做到的数据全集（如hadoop数据）也被导入spark集群，spark基于组件intomemory管理是可以进行快讯扫描，并小化迭代算法的全局i/o你操作。storm在代码去处理成批化合的“小数据块”上要更好（诸如在twitter数据流上实时计算一些汇聚功能或分析）。
python技术栈
三张图一切都搞定
python技术栈
.jpg)
