这是最好的时代，这是最坏的时代。”

狄更斯在《双城记》开头的这句话，用在当下飞速发展的 AI 时代，或许再合适不过。

对于数据分析师来说，需要迎接这个充满挑战与机遇的“AI 时刻”，因为未来已来，只是尚未均匀分布。

曾经，我们依赖统计学原理、编程技巧和业务理解，在数据的海洋中披沙拣金，试图洞察商业的本质，驱动决策的优化。

如今，AI 如同一位掌握了绝世武功的高手，正以前所未有的力量，重塑着数据分析的每一个环节，开启了一片充满无限可能的“新大陆”。

数据分析师的“新大陆”：AI 带来了什么？

我认为，AI 的到来，并非要完全取代数据分析师，而是为数据分析师插上了翅膀，让他们能够飞得更高、看得更远。

AI 带来的影响是深刻且多维度的，主要体现在以下三个方面：效率革命、认知升级、决策赋能。

（1）效率革命：从“手动驾驶”到“自动驾驶”

回忆过去进行数据分析的场景：繁琐的数据清洗、重复的数据转换、耗时的特征工程、漫长的模型调优……每一个环节都需要投入大量的时间和精力。就像手动驾驶一辆汽车，虽然能精准控制，但在长途跋涉中难免感到疲惫。

然而，随着 AI 技术的发展，尤其是自动化和智能化数据处理工具的出现，正在将数据分析从“手动驾驶”快速推向“自动驾驶”时代。

自动化数据处理：AI 工具能够自动识别数据类型、检测异常值和缺失值，甚至能根据上下文推荐或执行清洗策略，极大地缩短了数据处理的时间。
智能化特征工程：AI 可以自动生成、筛选和组合特征，帮助我们从原始数据中挖掘出更具预测能力的变量，这在过去往往依赖于数据分析师的经验。
模型选择与调优：面对成百上千的算法模型和超参数组合，AI可以在短时间内进行大规模的实验，自动找到最优或接近最优的模型配置，将分析师从繁重的“炼丹”工作中解放出来。

想象一下，过去需要数周才能完成的复杂分析任务，现在借助AI可能在几天甚至几小时内就能获得高质量的结果。这种效率的飞跃，让我们有更多的时间去思考业务问题、解读分析结果、并与业务方进行更深入的沟通，从而创造更大的价值。

（2）认知升级：AI 如何“看见”你没发现的秘密

除了工作效率的大幅提升，AI 更强大的地方在于其“认知能力”的升级。

传统的分析方法在处理高维度、非线性、大规模复杂数据时，往往会遇到瓶颈。而AI特别擅长从看似杂乱无章的数据中，发现隐藏的模式和关联。

洞察更深层的模式：例如，在用户行为分析中，AI 可以通过分析用户在网站或 App 上的点击流、浏览历史、社交互动等海量数据，构建出远比传统用户画像更精细、更动态的用户理解，发现那些人工难以察觉的细微偏好和潜在需求。
处理非结构化数据：文本、图像、语音、视频等非结构化数据蕴含着巨大的信息宝藏，AI 技术使得我们能够更加有效地从这些数据中提取有效的信息。比如，通过分析用户评论，AI可以快速洞察产品的情感倾向和热点问题；通过分析医学影像，AI可以辅助医生进行更精准的诊断。
预测未来的可能性：基于强大的模式识别能力，AI 在预测分析方面展现出惊人的潜力。无论是预测销售额、用户流失，还是设备故障、金融风险，AI模型往往能达到比传统统计模型更高的准确度，为我们预见未来趋势、提前规避风险提供了有力的支持。

AI就像一副高倍的“显微镜”，让我们能够透过数据的表象，洞见到那些曾经被忽略或无法触及的“秘密”，从而做出更明智的判断。

（3）决策赋能：数据驱动的智能化转型

数据分析的目标是为了辅助决策，最终采取更加科学的行动。AI的融入，使得数据驱动决策的能力得到了前所未有的强化，推动我们向更深层次的智能化转型。

实时决策的支持：在许多业务场景下，决策需要快速响应。例如，电商平台的实时推荐、金融交易的实时反欺诈。AI系统能够实时处理和分析数据流，并即时给出决策建议，大大提升了决策的时效性和精准性。
个性体验的提升：AI使得大规模个性化成为可能。无论是为每一位用户推荐独特的商品组合，还是为每一位学生定制个性化的学习路径，AI都能通过精细化的数据分析，实现“千人千面”的精准服务，从而有效提升用户体验。
复杂系统的优化：在供应链管理、物流调度、城市交通等复杂系统中，存在着大量的变量和约束条件。AI算法能够帮助我们找到这些复杂问题的近似最优解，从而优化系统的效率和效益。

总之，AI 不仅仅是提升了分析的效率和深度，更重要的是，它正在将数据分析的成果更紧密地嵌入到业务流程和决策闭环中，真正实现用数据驱动业务增长和创新。

告别焦虑：AI 是助手，不是对手

面对 AI 如此强大的能力，许多数据分析师可能会感到焦虑：“AI 会取代我们吗？”

这种担忧是可以理解的，但其实大可不必。AI的出现，应该被视为一次行业的升级和角色的进化。AI 是我们的强大助手，而不是竞争对手。

为什么？

要回答这个问题，我们先理解一个闭环：从感知、到认知、再到决策和行动。

感知是收集数据的过程，也是与外部世界连接的入口。

比如，你的眼睛看到地上有个坑，耳朵听到有人喊你的名字，鼻子闻到飘来的香味。这些都是感知，如果没有感知能力，后面的一切都无从谈起。

认知是处理信息的过程，也是大脑的思考过程。

比如，你看到地上有个坑，大脑开始思考：这个坑有多大？能跳过去吗？是不是绕过去更安全？

决策是选择知识的过程，也是大脑的判断过程。

比如，你看到那个坑，并思考风险等因素之后，你结合过去的经验，做出一个决定：绕过去。

行动是运用智慧的过程，也是执行决策的过程。

比如，你的大脑指挥双腿，小心翼翼地绕过那个坑。

行动结果又会变成新的感知，让你产生新的认知，最终形成一个闭环。

按照 DIKW 模型（Data 数据，Information 信息，Knowledge 知识，Wisedom 智慧），数据是一些原始的记录，信息是具有意义的线索，知识可以辅助决策，而智慧能够促使行动。

按照马斯洛需求层次理论，人的需求有 5 个层次，由低到高的顺序分别是：生存需求、安全需求、社交需求、尊重需求和自我实现。

从生存需求到安全需求，需要感知和数据；从安全需求到社交需求，需要认知和信息；从社交需求到尊重需求，需要决策和知识；从尊重需求到自我实现，需要行动和智慧。

仔细分析 AI 的能力结构，你认为它在哪些方面比人类更强？

是认知和决策！

为什么？因为我们把人类有史以来积累的数据、信息和知识，包括各种文本、图片、代码、书籍、视频……几乎全都交给 AI 去“学习”了。

AI 就像个超级天才，通过复杂的算法和巨大的算力，从海量信息中掌握了规律，甚至学会了某种程度上的推理能力。这让它在处理信息、生成知识、做出判断这些任务上非常强大。

所以，在认知和决策层面，尤其是基于现有信息的再加工、再创造方面，包括写作能力、总结能力、分析能力等，迟早会超过绝大多数人。

转折来了。

尽管 AI 在认知和决策层面非常强大，但它在感知和行动层面还很弱小。

比如，基于人类情感、复杂情境和社交线索的深度感知能力，目前的 AI 与人类相比还差得很远。

再比如，在物理世界的灵活行动能力上，AI 也远远落后于人类。

另外，无论是国家，还是企业，或者是个人，都有信息保密和隐私保护等方面的要求，所以会有大量的信息场景的物理空间，是 AI 无法直接感知和自由活动的。

因此，AI 虽然很强大，但它并不是万能的。

人机协同：1+1 > 2 的分析新范式

在数据分析领域，AI 擅长一些重复性的任务和大规模的计算，但在以下方面仍有其局限性：

业务理解：AI 缺乏对复杂商业环境的体感和深刻理解，而优秀的数据分析，往往离不开对业务痛点、行业背景的把握。
主动提问：AI 不会主动提出正确的问题，需要靠人类去引导，对于 AI 输出的数据分析结果，人类还需要进行检查核对、批判性审视和合理解读。
推动落实：将复杂的分析结果清晰地呈现给不同背景的决策者，并推动分析结果的落地应用，这需要良好的沟通、协作和影响力，目前 AI 在这方面的能力还比较欠缺。

因此，未来的数据分析，将是人机协同的新范式。AI 负责处理其擅长的部分，将分析师从繁重的体力劳动中解放出来，让分析师更专注于那些更具创造性、战略性和沟通性的工作。

这种 1+1 > 2 的分析新范式，AI 的“智能”与人类的“智慧”相结合，充分发挥各自的优势，将爆发出前所未有的力量。

具体来说，就是我们人类要去看 AI 看不见的地方，做 AI 做不好的事情。

比如，一位经验丰富的数据分析师，可以凭借其对行业发展趋势的敏锐嗅觉，以及对目标市场特定文化背景、消费习惯、政策法规、社会事件的深入理解，去发现 AI 难以捕捉到的信号，提出可落地的优化建议并推动执行。

我们要有远见，能够站在未来看现在，而不是站在现在看未来。

虽然 AI 提供了强大的数据处理能力，能够极大地提升分析效率，但重要的商业决策，离不开数据分析师基于行业经验、商业理解、逻辑推理和沟通协作等。

对于同样一个事物，时间长度不同，性质也会不同。对于同样一件事情，跟不同的人做，结果也可能会不一样。

决定一件事情要不要做，不能只看这件事本身能赚多少钱，关键还要看这件事是否符合你的价值观。

由于目前 AI 的感知和行动能力还比较弱，所以我们可以刻意训练自己的感知和行动能力，与 AI 形成优势互补。

在数据分析领域，AI 主要负责“算得快、算得准、想得开”，而数据分析师主要负责“看得深、看得透、做得对”。

总之，把 AI 当成自己的强大助手，而不是竞争对手，你自己的能力得到增强，AI 也能帮你创造更大的价值。

技能进化： AI 时代生存法则

面对 AI 带来的变革，我们需要主动拥抱变化，实现技能的进化。

这不仅仅是学习新的工具或技术，更重要的是思维方式的转变和能力的拓展。

下面分享 5 条 AI 时代的生存法则：

（1）提升 AI 的素养：了解主流 AI 技术的应用方法、能力边界和适用场景，学会如何与 AI 工具高效协作，例如掌握与 AI 进行有效对话的方法。

例如：每天花 15 分钟体验一款新的 AI 工具，学习优秀的提示词工程实践。

（2）强化业务的理解：越是技术发达，对业务的深刻理解就越重要。只有懂业务，才能提出有价值的分析问题，才能将 AI 的能力真正应用到解决实际问题上。

例如：主动参与业务部门的会议，阅读行业报告，与资深业务专家交流。

（3）培养批判性思维：能够从数据中洞察本质，同时不盲信 AI 的输出，保持审慎和批判的态度，这是 AI 时代数据分析师的核心竞争力。

例如：对 AI 生成的结论进行多方验证，思考其背后的逻辑和潜在偏见。

（4）增强沟通的能力：如何将复杂的 AI 分析结果，用通俗易懂的方式讲清楚，并转化为可行动的建议，未来“用数据讲故事”的能力将更加重要。

例如：学习使用数据可视化工具，练习用简练的语言，向非技术背景的人解释分析结果。

（5）保持学习的热情：AI 技术日新月异，数据分析师需要保持强烈的好奇心和学习的热情，不断更新自己的知识体系和技能储备。

例如：关注行业动态，订阅技术博客，阅读专业书籍、论文或研究报告，参加线上或线下的学习社群。

AI 时代，工作对我们的要求不是降低了，而是变得更高了。

作为数据分析师，未来需要从“数据工匠”向“懂业务、通技术、善沟通、能创造”的复合型人才转变。

抓住红利：成为驾驭 AI 的先行者

每一次技术浪潮都会带来新的机遇。

对于数据分析师而言，AI 时代的到来同样蕴藏着巨大的发展红利。

那些率先理解 AI、掌握 AI、并能将其成功应用于实际工作中的人，将成为行业的佼佼者。

具体来说，我们可以通过以下方式，抓住 AI 时代的红利：

提升核心竞争力：掌握最新的 AI 技能，意味着你能比别人更快、更好地完成分析任务，产出更高质量的洞察，从而在职场中脱颖而出。
拓展职业的边界：AI 的应用场景极其广泛，那些掌握 AI 的数据分析师，可以将自己的能力拓展到更多的领域和行业，拥有更广阔的职业发展空间。
创造更大的价值：通过驾驭 AI，数据分析师可以参与到更具战略意义和创新性的项目中，直接为企业创造更大的商业价值，实现个人价值的跃升。

与其焦虑，不如行动。

让我们知行合一，用自己的血肉之躯，去感知真实的世界，并让 AI 成为我们的合作伙伴，充分发挥各自的优势，努力成为能够驾驭 AI 的先行者，享受技术变革带来的红利。

我们不妨把自己的职业当作一家上市公司来分析，想一想自己的核心竞争力是什么？哪些技能在未来 10 年不会被 AI 取代？然后每天花 1 个小时来强化这些能力，避免用战术上的勤奋来掩盖战略上的懒惰。

运用二八法则，拿出 20% 的时间和精力去探索新的领域，80% 的时间和精力用来强化现有的优势，深耕自己擅长的专业领域，这样更容易产生复利效应。

文章内容来自公众号：林骥