AI大模型“赋能”还是“负能”数据分析师？

既然点进来了，那请随我畅想几个问题吧：

你是什么职业？

你的职业会接触AI吗？

你担心自己的工作会被AI取代吗？

AI大模型无处不在的缠绕着数据分析师，是因为爱得深沉自愿付出，还是孽缘纠葛将其推向死胡同？

在数字技术洪流中席卷而出的数据分析师，也因AI大模型的爆发开始重新思考自身的职业价值。数据分析师一直是个自带话题热度的职业，其岗位需求量在2022年到2023年期间持续快速增长，各企业越来越认可数据分析的价值，职位痛点也持续存在。

于是，出现了这样一个矛盾：“人人都是数据分析师”暗含的数据分析师成为普遍存在的职业景象VS“数据驱动决策”的蓝海市场亟需数据分析师。或许你有听过大家调侃的“茶树菇”“表哥表姐”？坦言之，这一类数据分析师所遭受的职业冲击相对较大。数据分析师们站在技术革命的风口浪尖上搏未来，数智化浪潮下，他们的身份、技能需求乃至行业生态都发生了深刻变革。

本来，数据分析师是作为企业的一盏盏智慧灯塔，擅长透过数字发掘问题、为企业提供科学决策依据和方案。然而，面对AI大模型的侵略式覆盖，他们开始不断发问：AI大模型到底是会成为我的助手，将我从繁琐的计算与基础分析中解放，“赋能”数据解读？还是成为我职业生涯的终结者，“负能”引发职业危机？

数据分析师的职业困境与本质何在？

在BCG波士顿咨询数字经济下的就业与人才研究报告《迈向2035，4亿数字经济就业的未来》中指出未来数字经济中的“就业壁垒”不断被打破，人的个体价值被广泛自由激发、流动和共享，机器能力的持续强化解放了人类部分体力、脑力，但与此同时落后产业和就业机会也会被淘汰。根据不同水平的技能储备，数据分析师可以被进一步分级为初阶、中阶和高阶。AI大模型会吞噬的数据分析师往往以初阶和中阶为主，尤其是在游戏、设计等行业工作的。

令数据分析师苦不堪言的职业窘境：

“职友集大数据”统计共千余份样本后，分别得出北京和上海地区数据分析师工资20,000元-50,000元每月占比最多；深圳、杭州地区10,000元-30,000元每月占比最多；广州地区10,000元-20,000元每月占比最多等数据。学历基本要求本科以上，年薪集中在20万-50万元之间，一线城市和经济发达地区薪酬水平相对较高。

然而，尽管数据分析师职位的薪资较高，对于该职位本身的吐槽依旧层出不穷。毕竟，不是人人都是高阶数据分析师。

“裁员先裁数据分析师”

“数据分析师分析不出自己的绩效”

“AI大模型套路化生成模板与数据分析师部分职业技能的冲突”

（图片为网络截取）

数据分析师原本作为一个与业务端距离较远的岗位，更多的是起到锦上添花的作用，而不是给业务打地基，也就是说，数据分析师的表现往往体现在把业务从9分提高至9.5分，而不是从0分做到8分。

此外，技术发展水平不同对数据分析师技能储备的要求程度也会有所不同，即数据分析师不仅可能远离业务端，还可能没办法紧跟技术发展进度。

数据分析师的本质还要从事物本源讲起......

数据分析师作为新质产业的核心技术岗位之一，发挥着举足轻重的作用，也是推动新质产业发展的关键力量，据中国人民大学中国就业研究所与智联招聘联合发布《2024新质产业人才需求分析报告》统计，在新材料产业、新能源产业、新能源汽车、高端装备产业、民用航空\船舶与海洋工程装备产业均有大量的运营\数据分析岗位需求。

在这样一个需求旺盛的背景下，深入探究数据分析师为何偶尔会陷入职业窘境，成了一个值得深思的话题。而要想真正理解这一现象，就必须触及数据分析师这一职业的本质核心。

已知：混沌伊始，一生阴阳，阴阳和又生万物，这是一个复杂而又精妙的过程，万物相互作用、相互依存、相互转化，共同构成了丰富多彩的宇宙世界。

如果：宇宙包罗万物，“万物皆数，世界是按数的关系构成的和谐整体”。毕达哥拉斯的哲学思想在数字时代得到验证并成立，数据的光辉与价值一览无遗。

那么：数据分析师这一职业的本质是探寻万物之间的关系与逻辑，即从数数关联间发现问题、探寻根源。

当意识到这一本质后，会发现很多困惑迎刃而解。

合格的数据分析师一定具备广泛的技能组合，比如Python、R语言等编程技能，掌握理解SQL等数据库语言和Hadoop、Spark等分布式计算框架，熟悉机器算法，熟练应用数据可视化工具。假设某个公司的业务需要连接的设备数量越来越多，数据量随之增加、访问数据更轻松、客户需求和市场也均有增长，如果数据分析师还是只会操作BI系统、描述图表，那怎么可能不失业？

再以腾讯的游戏数据分析师为例，他们的工作内容被分为对内和对外两种，对内包括游戏数据的埋点设计、常规及专项分析，分析师需要基于玩家在游戏中留下的行为数据，挖掘提升玩家留存和付费的方案，这一部分涉及SQL、假设检验和因果推断技能；对外则是挖掘玩家对游戏的评论及泛玩家群体在社交和视频平台关注话题的偏好，从而针对性地指导游戏的优化及商业化工作，主要涉及爬虫和文本挖掘相关技能。

透过他们的工作内容，可以发现，游戏行业要求数据分析师同时理解业务和技术。既要掌握数据分析技能，又要能够敏锐的洞察玩家心理、识别玩家行为模式，最终有能力提出游戏优化建议，推动游戏行业前进。

不要再造“你死我活”的虐恋景观了

请寻求破局！

正如上文中所讲，很多数据分析师开局便预设了一个“AI大模型是来抢自己饭碗”的情景，即“开局就是对立面”。然而当局者迷，旁观者清，身处局中难免陷入假性自嗨，为了一些虚假幸福而苦苦追寻。当我们尝试跳出个体扁平的思维桎梏，从多维视角来看，数据分析师与AI大模型之间的生死纠葛也许另有玄机。

带着困惑与思考，记者采访了思迈特产品总监杨礼显（以下称杨礼显）、神策数据产品合伙人黄震昕（以下称黄震昕）、观远数据产品负责人严林刚（以下称严林刚）。

这三家公司在数据分析领域均有所深耕。采访初始，三位就都给出了明确观点“AI大模型不会取代数据分析师，而是助力数据分析师”。

当记者问“对数据分析师的需求有多少”“数据分析师这一职业的未来发展空间还乐观吗”这类问题时，三家公司均表示数据分析师的发展空间还很大。严林刚认为AI可以帮助数据分析师减少琐碎，进而将精力集中在具有更高价值的产出上，留给大家的成长空间其实是更大了；黄震昕也坦言“数据分析师整体上处于一个很匮乏的状态”。在神策数据内部，还有一套自己的数据分析师职级体系，并会按照对应级别去相应的训练AI大模型，这其实也说明AI大模型还远远无法满足公司对数据分析师的需求。

那些被AI大模型替换掉的初阶和中阶的数据分析师真的就此失业了吗？其实不然，在记者的追问下，发现他们在以另一种形式工作。被AI大模型替换的数据分析师所做的工作大多是重复性较高、创新性较低、耗时较长，但分析师们自身原有的知识储备不容置疑，这时他们便会转移到AI大模型的后台去做训练、标注等工作，建设所在公司内部的知识库，这一现象目前在各行各业都很常见。也就是说，劳动并没有消失，而是转移并以另一种方式存在。杨礼显还认为“如今，大家看好数据分析领域并认为市场空间足够大、未来它能解决的问题范围更广。”

何以破局？重视技术能力、大模型应用能力和行业经验

再来换位思考，那些高阶的数据分析师有什么过人之处？通过采访，记者抓取到了三个关键点：“技术能力、大模型应用能力和深厚的行业经验”，笔者以为，这三点其实也是数据分析师提高职业性、走出瓶颈、破局的关键。

首先，数据分析师要具备相应的技术能力，要曾经参与过需要专业 IT 人员的数据加工、处理层面的工作。进而，要对AI大模型本身具有深刻的理解，想让AI帮自己解决问题就必须理解其背后的工作原理是什么，如何提出一个大模型能够理解或者能够解决的问题是数据分析师必须具备的能力。同时，还要对自己的业务有足够的理解，否则无法提出有价值的问题。除此之外，严林刚还提到数据分析师要对数字和商业具有一定的敏感度，能够基于业务和技术背景从数字背后看到问题。

同样的答案，在BCG波士顿咨询《迈向2035，4亿数字经济就业的未来》报告中也可以发现，数字技术广泛融入各行各业会深入改变传统行业的商业逻辑和运行方式，会新增和强化那些掌握特定专业技能、具备机器智能尚无法大规模取代人类的人机交互和创造性等素质的就业人群，这也会成为他们的重要就业壁垒，尤其中高端就业机会；大量传统产业+数字化的跨界机会应运而生。

而关于“人人都是数据分析师”这一老生常谈的行业愿景，大家见解不一。对此，严林刚提出自己的看法，认为相较于人人都会数据分析，更希望实现的是人人都能基于数据做决策；黄震昕觉得一个人有可能是数据分析师，但未必专业，大家不能拿自己的爱好和别人吃饭的专业去PK；杨礼显则是认为随着技术发展的不同阶段对这句话的概念也会有不同的解释，换言之，技术发展越快，对数据分析师的职业要求越高。

诚然，“万物皆数”的哲学思想照进了现代社会，但“人是万物的尺度”依旧合理。数据分析师的职业会一直存在，因为人与人的交往从来都是有温度的，与人交道、协调公司内部信息是大模型无法替代的；在为管理者解读数据、发现问题、提供决策依据时凭借的行业经验是大模型无法沉淀的；大模型标准化的套路竭力保证了结果不会出错，但点睛之笔还是要靠数据分析师来执。

AI大模型对于数据分析师的作用除了协助外，还会促逼他们主动提高自身实力。假想有一个希望能够长期留在该行业的数据分析师，面对如此智能的大模型，怎么会不督促自己快速学习呢？

道阻且长，行则将至

行文至此，数据分析师这一职业的本质、要求和AI大模型对其产生的影响，都已明了。当然，关于数据分析师这一职业褒贬不一，网络言论更是良莠不齐，本文并不意在评判对错，而是立足行业视角关注职业动向，注重数据分析师作为个体在行业中的存在。

“数据驱动决策”的蓝海市场的开拓空间还很大，数据分析师的需求仍然旺盛，我们不仅要为AI大模型带来的“赋能”喝彩，也审视潜在的“负能”风险，共同探索一条既高效又可持续的职业发展路径。到时，便会觉得生死虐恋也不过如此。