AI 合规开始变严，普通数据人要知道哪几件事？
AI 合规不只是法务问题。随着生成式 AI、深度合成标识、拟人化互动等监管要求逐步落地，数据分析师、数据开发和数据产品经理需要知道数据来源、授权范围、敏感信息、输出标识、日志追溯和责任分工这些工作边界，避免把企业 AI 项目做成不可追溯的生产黑箱。
观点
行业思考与职场感悟
专题
标签
业务反复改口径，不一定是业务不专业
数据团队经常抱怨业务反复改指标口径，但很多口径变化不是业务不专业，而是目标、责任、考核和决策动作还没有对齐。本文从一次销售额口径争议讲起，说明数据分析师和数据开发如何把口径变更从临时改 SQL，变成有场景、有确认、有版本、有通知的协作机制。
数据人不要只盯互联网：制造、医保、政务正在释放新机会
很多数据分析师和数据开发仍把机会想象成互联网大厂的增长、推荐和用户分析。但 2026 年数据要素、工业互联网与人工智能融合、高质量数据集、医保和公共数据场景正在把需求推向制造、医保、政务等真实产业。本文说明数据从业者如何判断这些机会、迁移旧能力，并留下能证明价值的项目证据。
老板让你参加“数据要素×”项目，这到底是机会还是烂活？
公司开始提“数据要素×”、数据资产和项目申报时，数据分析师和数据开发最容易被拉去补材料、盘表和赶节点。本文从一次内部会议拆起，结合 2024—2026 年“数据要素×”行动计划和 2025 年全国数据资源调查，说明普通数据从业者如何判断一个项目是成长机会，还是一场材料劳动。
为什么很多数据项目看起来很热闹，最后都变成填表？
很多数据治理、数据资产和指标体系项目启动时声势很大，最后却变成填字段、补责任人和催模板。问题通常不在数据团队不努力，而在项目没有绑定销售复盘、经营分析、AI 问数等真实决策场景。本文给数据分析师和数据开发一套判断方法：先问谁会使用结果、表格进入哪个流程、30 天后能减少什么返工。
老板说要上 AI 问数，数据团队先别急着接模型
企业想做 AI 问数时，数据团队最容易被拉去选模型、接数据库和做 Demo。但真正决定成败的，是指标口径、权限边界、数据链路、答案审计和责任机制。本文从一个常见会议场景拆起，说明数据团队在接模型前应该先问哪 5 个问题、留下哪些证据。
AI 真会替代数据岗位吗？先看岗位边界怎么变
AI 进入数据团队后，写 SQL、生成报表、整理分析初稿这类低上下文动作会先变便宜；真正变贵的是指标口径判断、权限边界、证据审计和业务结果责任。本文从数据分析师、数据开发的真实日常拆起，说明 AI 不是简单替代岗位，而是在重画岗位边界，也提醒你下一步该把能力放在哪里。
高质量数据集为什么突然被反复提起？
高质量数据集正在从 AI 训练语料变成企业数据工作的核心议题。对数据开发、数据治理和数据分析师来说，它不是“多整理几个文件夹”，而是决定 AI 应用能否落地的业务资产工程：场景、口径、授权、版本和质量责任缺一不可。遇到类似需求时，应该先问什么、留什么证据？
你在公司做了很多数据工作，为什么没人觉得你重要？
很多数据分析师和数据开发做了大量取数、报表、排查和支持，却总觉得自己在公司里不够重要。问题往往不是你做得少，而是这些工作没有被组织识别成结果、责任和可复用资产。真正的价值感，需要从响应需求转向留下证据和推动决策。遇到类似需求时，应该先问什么、留什么证据？
数据要素价值释放年，普通数据人到底该关心什么？
2026 年“数据要素价值释放年”和“数据要素×”大赛被反复提起，普通数据开发、数据分析师到底该关心政策、项目，还是岗位机会？这篇文章从公司内部需求单、数据供给、AI 训练数据和项目证据出发，讲清楚热词落到工位上会变成什么。遇到类似需求时，应该先问什么、留什么证据？
数据团队正在被重新定价：会做报表的人，和能推动决策的人
为什么很多数据分析师明明很忙，却越来越难证明价值？这篇文章从报表交付、经营会议、业务决策和数据团队定位出发，解释数据岗位正在从“产出报表”转向“推动决策”，以及普通数据从业者该怎么调整工作方式。
AI 进了数据团队，最先被放大的不是效率，而是协作问题
企业开始把 AI Agent、Copilot 和自动化分析工具放进数据团队，但效率并不会自动出现。真正先被放大的，是需求表达、口径治理、代码审查、权限边界和跨角色协作中的旧问题。
数据岗位变少了吗？不，是企业更想招“能扛一段结果的人”
数据岗位求职变难，不只是岗位减少，而是企业对数据分析师、数据开发和 BI 的购买理由变了：不再为重复取数、报表和维护动作付高价，而是更愿意招能负责一段结果的人。你能不能把指标、链路、质量、成本和业务动作连起来，正在决定简历和面试里的真实竞争力。
数据人求职最大的问题，不是不会做项目，而是没有可被记住的标签
很多数据人会 SQL、Python、数仓和报表，也做过项目，却在求职时被简历堆淹没。问题往往不是能力为零，而是没有一句能被面试官记住的职业标签：你到底擅长解决哪类数据问题？这篇文章给数据分析师、数据开发和 BI 同学一套重新表达自己的方法。
一个个体户发的大数据开发岗位，为什么会涌来近 200 条私信？
我用工作室的个体工商户身份发布了一个普通大数据开发岗位，不到 24 小时收到近 200 条求职沟通。这个样本不严谨，却提醒我们：数据岗位求职难不只是岗位变少，还包括供需错位、筛选变重、学历标签和 AI 时代的数据价值重估。
企业 Agent 进生产，数据人的机会不在写 Demo
IBM Think 2026、Google Agentic Data Cloud、Citi Arc 都在把 Agent 推进企业生产环境。数据工程师和数据分析师真正该关心什么？不是再做一个会查数的 Demo，而是数据上下文、实时数据、权限治理和可观测性这四层基础设施。
「AI 工程师」是不是泡沫——一个流行标签的虚实
这两年招聘市场上「AI 工程师」标签暴涨，薪资比同段位的传统数据/后端高 30%-50%。但稍微看几份 JD 你会发现，不同公司说的「AI 工程师」完全不是同一种人——有的是真做 LLM 应用，有的是包装过的传统后端，有的是 RAG demo 工程师，有的是啥都做的「AI 杂工」。这一篇拆开「AI 工程师」这个标签的虚和实。
数据人的工具瘾——以为在学新东西，其实在换皮
你五年前学 Hadoop、三年前学 Spark、去年学 dbt、今年在学 LangChain——你比五年前的自己强了多少？大多数数据人陷在一种慢性病里：以为自己在学新东西，其实只是在换皮。这篇讲怎么区分"学工具"和"学能力"，以及为什么工具瘾在 AI 时代会让你死得更快。
2026 数据岗位金字塔变形：入门岗在缩，4-6 年突然变香
2026 年数据岗位市场出现了一个明显的金字塔变形——入门段（0-2 年）持续缩水，4-6 年经验突然变得抢手，入门段年薪反而上涨。Indeed Hiring Lab 报告显示，数据/分析岗 JD 中 45% 已包含 AI 关键词，是所有职业最高。这不是简单的「AI 抢饭碗」，是市场在重新定义「什么样的人值得雇」，每个段位的破局点不一样。
DeepSeek V4 把价格打到 1/7：数据人的工作流要不要切
DeepSeek V4 上周末发布，1.6T 参数、1M 上下文、编码 benchmark 拉平 GPT-5.4 和 Claude Opus 4.6，但价格只要 $3.48 / 百万 token——是 Claude 的 1/7。问题来了：你的日常工作流要不要切？切的隐性成本有哪些？什么时候该切、什么时候别动？
数据开发的八股文，现在还值得背吗
一个朋友在群里问：知识库里有没有初级数据开发的八股文？我的回答是——有，但你不该在这上面押注。面试里八股文的占比已经从三分之二降到塞牙缝，工作里 80% 写 SQL 的时代也过去了。真正的问题不是背不背八股文，而是你还在用执行者的思路寻找出路。这篇讲讲 AI 这波变革为什么躲不过去。