一、先从一个教学情境开始
下面不是一段真实访谈，而是一个用来拆解分析方法的教学情境。
设想一家社区咖啡店，经营者每天在小黑板上记录售出杯数，同时标记星期、天气、促销和缺货情况。积累一段时间后，他发现周一记录通常较高，雨天记录通常较低，于是准备据此调整备货。
这个动作已经包含了数据分析的雏形：记录事实、寻找差异、形成判断、决定行动。但“周一更高”只是样本中的相关关系，不能直接证明星期导致销量变化。写字楼客流、促销、节假日、门店营业时长和缺货都可能同时变化。更稳妥的做法，是先固定口径和观察窗口，再比较相似条件下的日期；若要判断某项动作是否带来增量，还需要对照或实验，而不是只看一条趋势。
这个情境之所以有用，不是因为粉笔比 Python 更朴素，而是因为它提醒我们：工具只负责处理信息，分析者仍要说明数字代表什么、证据支持到哪一步、下一步怎样验证。
我在互联网数据领域工作了 11 年，曾在阿里巴巴担任高级数据架构专家。长期参与数据体系建设后，我越来越在意一个问题：当查询、建表和制图变得越来越容易，数据工作的价值究竟还剩下什么？我的答案是，价值不在工具清单，而在把事实转成可验证判断、再把判断转成行动的能力。
二、技能与能力的边界在哪里
让我们继续做一个思想实验。以下 A、B 均为教学角色，不对应真实人物或访谈。假设有两个数据分析师，A 和 B。
A精通SQL、Python、R，会用Tableau做出漂亮的可视化图表，熟练掌握各种统计模型。技能清单拉出来，能写满两页纸。
B只会基础的Excel和SQL，统计学知识也就是大学水平。
现在，业务部门提出一个需求：“我们的用户增长放缓了，帮我分析一下原因。”
A的反应是：“请明确数据需求。你要看哪个时间段的数据？对比维度是什么？增长放缓的定义是什么？”
B的反应是：“我先了解一下，最近产品有什么变化吗？市场上有什么新动向？我们的竞争对手在做什么？”
三天后，A交出了一份技术上无懈可击的报告，用了时间序列分析、漏斗模型、cohort分析，图表精美，逻辑严密。结论是：新用户获取成本上升，老用户流失率增加。
B交出了一份简单的PPT，只用了几张基础图表。但他指出：增长放缓始于两个月前的一次产品改版，新版本提高了注册门槛，而这个时期正好赶上竞品做大促。他建议：要么降低注册门槛，要么在留存上下功夫。
你说，谁的分析更有价值？
这个例子可能有些极端，但它说明了一个重要的事实：数据分析的价值不在于你用了多么高级的方法，而在于你是否真正理解了问题的本质。技能可以学习，可以被工具替代，但洞察力、判断力、以及将数据转化为行动的能力，这些才是真正的护城河。
三、从工具人到咨询师的进化论
我越来越觉得，数据分析不应该是一个职业，而应该是一种能力——就像写作、沟通、逻辑思维一样，是每个职场人都该具备的基础能力。
这份判断也来自长期的数据体系建设工作。数据链路不仅服务分析师：产品经理会看用户行为，运营会看转化和留存，销售会看业绩指标，组织管理者也会看招聘与人员流动。专业角色不同，但都要面对同一个基本任务：用边界清楚的数据支持决定。
从架构的视角看，如果把数据分析仅仅当作一个专门的职业，那就像把”会说话”当成一个专门的职业一样荒谬。我们要做的，是搭建一个让所有人都能做数据分析的体系，而不是把数据分析变成少数人的特权。
但矛盾的是，企业确实需要专门的数据分析师。这就像虽然人人都会做饭，但还是需要厨师；人人都会写字，但还是需要作家。
问题在于，如果数据分析师只把自己定位成从数据库里取数、跑模型的技术支持，交付就容易停在“给出结果”。更有价值的定位，是成为企业内部的咨询式分析者。
什么是内部咨询师？可以用一组可复算的教学数据说明。假设某业务连续三个月 GMV 下滑。拆解后看到：购买用户数从 10 万增至 10.2 万，但人均成交额从 100 元降至 85 元，降幅为“（100-85）÷100=15%”。于是，“是不是没人来买了”可以先被排除，讨论转向了客单变化。
但这一步仍然只完成了描述，不足以证明低价活动导致客单下降。活动人群构成、商品结构、退款和季节都可能变化。分析师应继续分层比较活动参与者与未参与者，核对活动前基线，必要时设计对照。最终建议也应写成“优先验证客群与商品结构假设”，而不是把一个同时发生的现象写成因果结论。
内部咨询式分析的价值，不是把猜测包装成洞察，而是重新定义问题、标出证据边界，并让决策者知道下一步要验证什么。
四、数据政治学：如何在夹缝中生存
但是，企业里的分析不会发生在真空中。时效、口径、资源和不同角色的目标会同时影响一次汇报。所谓“懂组织”，不该等于迎合某位负责人，也不该把不受欢迎的数据藏起来；更可靠的做法，是把事实、解释和建议分开。
再设一个教学情境：某产品标价 120 元，主要竞品标价 100 元，因此前者比后者高“（120-100）÷100=20%”。同期销量下降。现有证据可以支持“价差存在”和“销量同期下降”，却不能单独证明价差就是原因。分析报告可以按下面的顺序组织：
- 明确价格、销量、渠道和时间窗的取数口径；
- 展示价差与销量变化，并列出促销、功能、供给等替代解释；
- 提出分渠道、分人群或价格实验的验证方案；
- 说明每个选项的成本、风险与判定标准。
这样的表达既不回避事实，也不越过证据。分析者的职责不是替组织消除分歧，而是让分歧围绕同一组可复核事实展开。
五、算法时代的人的位置
现在我们来谈谈大家都关心的问题：在AI时代，数据分析师还有存在的必要吗？
生成式 AI 已经可以辅助写 SQL、整理分析步骤和生成报告草稿。它在具体任务上是否更快、更准，取决于模型、数据、提示和验收方式，不能一概而论。如果一个数据分析师的价值仅仅是操作某个工具，那么这部分工作确实更容易被自动化。
从数据体系建设的视角看，分析不能只盯着结果，还要理解数据从哪里来、经过哪些规则、在哪些边界内可用。技术进步会持续自动化一部分重复工作，也会把验证责任推到更靠近业务决策的位置。
但是，让我们回到本质问题：数据分析的目的是什么？是为了得出一个数字，还是为了驱动一个决策？是为了展示一个趋势，还是为了改变一个现状？
AI 可以提出“为什么”和“怎么办”的候选答案，也可能整理组织背景，但这些输出不等于已经获得业务证据。权限、隐含约束、数据质量、真实目标和行动责任仍需由了解现场的人核对。NIST 的生成式 AI 风险管理资料也把治理、测量和持续管理放在具体使用情境中，而不是把模型输出视为自动可信的结论。
所以，与其只问“会不会被替代”，不如先划分任务：让工具辅助整理数据、生成候选分析和重复性报告；由人确认业务定义、检查证据、承担决策沟通与行动责任。边界会随工具能力变化，但验证不能省略。
六、如何做与如何成为
如果你还是想做数据分析，或者正在做数据分析，我有几个建议。这些建议来自 11 年互联网数据工作与数据架构实践的总结。它们不是某条唯一职业路线，而是面对不同岗位时都可以练习的基本功：
第一，培养业务思维。 不要只盯着数据，要理解数据背后的业务流程。为什么这个指标会波动？哪些因素只是同时发生，哪些因素可以通过对照得到验证？先把问题和口径写清，再选择方法。
第二，锻炼结构化思维。 面对复杂问题，先拆分目标、事实、假设和约束，再决定优先级。好的数据架构需要这种结构化理解，好的分析同样需要。
第三，提升沟通能力。 要能把复杂的分析结果用简单的语言讲清楚。记住，你的听众不是数据科学家，而是需要做决策的业务人员。 沟通的目标不是把复杂性藏起来，而是让听众知道结论、边界和风险。
第四，保持好奇心。 对数据好奇，对业务好奇，对技术好奇。从分析到开发到架构，每一步都需要学习新东西。好奇心会驱动你不断探索，不断进步。
第五，建立自己的方法论。 每个优秀的数据人都有自己的一套方法论。做分析有分析的方法论，做开发有开发的最佳实践，做架构有架构的设计原则。这需要时间积累，需要不断实践和反思。
但最重要的是，要明白数据分析不是目的，而是手段。无论你是分析师、开发还是架构师，目的都是解决问题、创造价值、让世界变得更好一点。
不同阶段的数据人会问不同的问题：新人关心先学什么，熟练之后关心怎样理解业务，再往后关心怎样影响决策。答案没有统一模板，但判断自己是否只在交付工具结果，是一个有效起点。
七、回到那块教学用的小黑板
现在回到开头的教学情境。经营者若只写下每日杯数，得到的是一串记录；若同时写明天气、营业时长、促销和缺货，才有比较条件；若根据记录调整备货并继续观察浪费与缺货，分析才真正进入行动闭环。
这块黑板既不能证明某种经营规律适用于所有门店，也不能替代更严谨的实验。它的价值是让问题变得可见，让经营者知道下一次应该多记录什么、少武断什么。
数据分析是一种能力，也是一种看待问题的习惯。 它可以用分布式计算和机器学习，也可以从一张定义清楚的表开始。关键不在工具有多高级，而在于你是否能解释数字的含义、区分相关与因果、承认未知，并推动一次可检验的行动。
我叫石头，在互联网数据领域工作 11 年，曾任阿里巴巴高级数据架构专家。十一年没有给任何观点自动盖章；它只让我更确信，成熟的数据工作不是说出最肯定的话，而是让证据、判断和行动彼此对得上。
参考资料：NIST：Artificial Intelligence Risk Management Framework—Generative Artificial Intelligence Profile