# bi

很多数据团队一听语义层，就想到老 BI、指标平台和数据治理文档。但 Power BI、Databricks、MIT 和 Lyft 最近都在重新谈 semantic layer。对数据分析师和数据工程师来说，真正的问题是：怎么从 20 个高频业务问题开始，把指标、维度、权限、质量和拒答规则写成 AI 能调用的数据说明书？

很多公司做 AI 问数时，先关心模型会不会写 SQL，却忽略了一个更普通的问题：公司有没有一本能说明指标口径、数据来源、权限边界和适用场景的指标说明书？对数据分析师和 BI 同学来说，AI 最先暴露的往往不是模型能力，而是组织没有把业务语义写下来。

Power BI、Databricks 和 MIT 最近都在把语义模型、治理台和 GenAI 放到一起讲。对数据分析师和 BI 同学来说，问题不只是报表会不会被 AI 取代，而是你的指标、权限、口径和解释，能不能变成 AI 也能调用的业务接口？

很多数据分析师和 BI 同学越做报表越忙，老板却仍然在群里问数、要截图、临时拉人解释。问题不一定是报表不够多，而是报表没有回答决策、口径和责任。本文从一次经营会前的临时取数讲起，拆解 3 类低信任报表和 4 个让看板重新被使用的动作。

一个数据团队做了 10 张经营看板，老板却仍然在微信群里反复追问 GMV、复购和渠道转化。问题真的是看板不够多吗？本文从指标入口、业务语境、签字感和责任边界拆开，帮数据分析师判断下一张看板到底该不该做、该先补页面、补共同口径，还是减少一次反复问数和临时 SQL。

很多数据分析师、数据开发和 BI 同学并不是项目差，而是简历第一屏没有讲清楚自己是谁。面试官通常只用 10 秒判断要不要继续读：你服务过什么业务场景、解决过什么数据问题、留下过什么结果？这篇用 3 个模块和 3 类岗位示例，给出一套可以直接改简历的第一屏结构。

2026 年 Snowflake Cortex Analyst 和 Databricks AI/BI Genie 宣称 Text-to-SQL 准确率达到 90%，数据分析师真的要失业了吗？这篇文章把问题问对：哪种数据分析师要失业、哪种会因此受益。给出三类角色的终局推演和一条清晰的转型路径——写给还在写 SQL 导表的分析师。