这可能是数据分析师最关心的5大问题

数据分析师会被人工智能取代吗？这可能是很多数据分析师都思考过的问题。本文作者从数据分析师的角度出发，对相关的5个问题进行了分析梳理，一起来看看~

已经2020年了，很多同学都在思考职业发展路径问题。最近咨询陈老师的也很多，一个很普遍被问到的，就是： 数据分析师的红旗，到底能打多久？ 今天集中解答一下。

还是陈老师的一贯风格，不吹不黑，客观说事。我们一起来看看，面向2020年，数据分析师们最纠结的五个问题：

问题一：数据分析会不会被人工智能取代？

答：不会！

首先，看到提“人工智能”四个字的所有标题，大家都能认为是引发焦虑的伪问题。真正懂行的都说：算法、机器学习，或者干脆直插CV，NLP，推荐等某个具体领域。

其次， 这俩玩意根本就是两件事。 算法的发展不仅不会取代数据分析，反而会让数据分析更轻松。

为啥？

因为本质上，算法对抗的是低效率。 通过人工标注-模型训练-预测检验的循环，算法可以大量替代以往需要耗费人力的工作。

但是算法实现这个目的是有前提的：第一，需要明确的结果：人工标注的图形、信用违约/未违约记录等等。第二，需要大量的特征数据，用于训练模型。

正是因为如此，我们看到算法应用最成功的就是CV领域。比对人脸、比对证件等就是特征丰富，结果明确。传统的风控、推荐等领域，也有相应进步。NLP领域进展相对较慢，就是被复杂的语境折腾的七荤八素。

本质上，数据分析对抗的是不确定性。 当我们想要分析问题的时候，更多是：

1. 没有数据：新业务刚上线，过往不重视数据采集
2. 有假数据：业务操控，流程缺失，利益驱动
3. 乱七八糟：口径不统一，流程不规范，使用瞎胡闹
4. 人为扭曲：业务方为了保住KPI睁眼睛说瞎话
5. 不会判断：只知道写同比环比，不会解读意义
6. 主观臆断：做数据只为证明自己是对的，强词夺理

这种时候，就相当于根本没有标注，或者人工瞎几把标，模型压根训练不出来。还摸个屁。

正是如此，我才有了数据分析的五大问题：

1. 是什么（量化结果，获取数据）
2. 是多少（树立标准，评价好坏）
3. 为什么（寻找原因，验证假设）
4. 会怎样（综合评估，做出取舍）
5. 又如何（预测前景，探索可能）

通过不断循环的解答这五个问题

1. 我们量化监控业务走势，把不确定变成确定；
2. 我们做出客观的评估，发现问题，沉淀经验；
3. 我们合理预测前景，探索新可能，发现新道路；
4. 最终推动业务持续进步和改善。

这种摸着石头过河的力量，才是算法不可取代的。当然，石头摸清楚了，数据质量好了，经验总结差不多了，这时候有些传统的工作可以用模型来干。比如在风控、推荐领域，传统业务经验越来越让位给模型。同样的，在 新 的领域，数据分析继续做着开路先锋。

比如2019年，陈老师主导的项目，就有大量的 社交电商、分享裂变、网红带货、私域流量转化 的项目，这些项目往往是业务模式创新和数据分析齐头并进的。在这些新领域，各个行业都在摸石头，当然得带着有本事测量深浅的水文师。不然一脚下去踩坑里咋死的都不知道。

有意思的是，所谓的“人工智能会取代数据分析师”，正是来自对数据分析工作的无解。在不懂行的人眼里，数据分析师和算命大师没啥区别，不需要数据采集、不需要数据清洗、不需要数据治理、不需要分析建模、不需要积累经验、不需要你测试验证。只要眉头一皱、掐指一算，咒语一念，符咒一烧，算盘一拨，天上咔嚓一道炸雷掉下一道圣旨：明年业绩1257亿！

在不懂行的人眼里，算法、数据分析、算盘、《周易》没啥区别，反正过程他都看不懂，最后咔嚓一声能出个好牛逼的结果。 有这种幼稚理念，当然会觉得人工智能会取代数据分析了，毕竟阿尔法狗比算盘听起来屌吗。

当然还有一种论调，来自：以后能自动提数了，数据分析师就要下岗了。这个更幼稚了， 谁TM跟你说数据分析师就是人肉跑sql师了！

要我说，这种智能BI越早出越好！正好把那些每天2000行sql的小哥们解放出来，正好把那些无穷无尽的临时取数挡掉，正好可以让市场部那些只懂心机不懂技术的妹子们对着机器咆哮去：“这是总监要的，下班必须给！”这话都冲着阿尔法狗喊去，那画面想想都爽。我们就有更多的时间，来分析问题，来设计实验，来挖掘深层因素，以后出的成绩还多一点。

So，时代淘汰的不是数据分析师，而是只会写sql的肉鸡，是只会到处问“有没有模板抄抄”的菜鸡，是只会写同步环比的草鸡。大家大可安心。

问题二：数据分析会不会被会写sql的运营取代？

答：不会

这个问题陈老师有专门的分享，想看的可以戳文末的链接。这里不再赘述，只说结论： “运营做数据分析是有原罪的，叫：本位主义” 。只要丫的身份还是运营，丫的数据分析结果就是屁股决定脑袋，就是短视且功利的，这一点跳进黄河都洗不清。

况且运营也就只会写sql而已，你让他弄数仓，搞ETL，搞数据治理试试，不累死也恶心死。这又是“只见高楼起万丈，不见地基累又脏”所产生的误解。所以做数据的同学们不要嫌弃这些脏活累活，这反而是我们的一个护城河（虽然里边都是泥巴）。

当然，那些只会写“本月比上月少了1000万业绩，连续三个月下跌”的数据分析师，铁定被运营取代呀。这种玩意只要眼睛不瞎，且识字，都能写呀！连我们家小爷coco都会看着爸比画的条形图说：“这根短了”，他再学会一句“要搞高”，就能去很多互联网公司当“数据分析师”了呀。这种不被取代就见鬼了。

问题三：数据分析就业难不难？

答：难

第一，因为算法被炒得太热，所以很多人会希望数据分析师懂算法，从而增加了面试难度。是滴就是那些不明真相的吃瓜群众，总想着：“算法这么牛逼的都会了，分析还不会吗？”抓着做分析的往死里问算法，进了公司才发现，他喵子的除了交易流水屁数据没有，算法个蛋蛋。

第二，因为很多运营自己开始sql，导致对分析能力的要求更高。一个矛盾点是：很多领导自己也没见过高级的数据分析长啥样，于是会瞎提要求，把很多业务问题归为数据问题，去问数据分析师怎么卖货。这要是正儿八经的数据分析师可能真的就冤死了。

第三，因为互联网行业寒冬，导致释放出来大量劳动力，于是想转行的，算法（只会调参）失业的，做运营的，根红苗正做分析的，都在找数据分析工作，竞争更激烈，自然找工作更难。

综上，难是肉眼可见的难，大家多多努力，少点冲动是正道。

问题四：数据分析想突围，可以准备什么？

严格来说，这篇可以单独写。这里先列个提纲：

1. 连excel，sql，python（速成ESP套餐）都不会的，赶紧学技术，加强能力
2. 吃了ESP套餐的，学点数仓，ETL，数据治理，提升基础能力
3. 和业务走的近的，多补充业务知识，特别是新领域的数据运用
4. 公司数据基础好，本人知识扎实的，挑战一下算法

总之，横行扩宽业务知识面，纵向在数仓方向强化，能力强的看点算法，技多不压身，能力强自然出路多。

问题五：数据分析想转行，可以哪里走

严格来说，这篇又可以单独写。这里先列个提纲：

1. 业务能力强的，可以往用户增长、用户运营等策略性强的部门转，这些部门天生就需要很强的分析能力。
2. 技术强的，可以往数据产品方向转，移动BI、大屏、运营助手等产品是很好的出成绩的地方

有两条路吹的很火，可实际上不是特别好的出路：

1. 数据中台。经过一年爆吹，大家发现：这玩意没鸟用呀。少拿阿里的数据产品举例子，人家天生数据多，可以卖给一堆企业，就我们企业那烂兮兮的数据，建中台有毛用，不是在烂泥巴里起高楼吗，不塌才怪。
2. 数据分析转算法。经过泥沙俱下的18,19年，大家也发现只会调参的“算法工程师”有毛线用。真正算法项目，工程的难度是远远高于算法难度的，这使只会数据的人没啥优势。更何况，现在仍然有大量狂热应届生涌进这个领域，和他们比起来半吊子出身的数据分析是没啥竞争力的。所以谨慎选择转行

以上，大致回答了大家最关心的五个问题。除了问题一，问题二，其他分享都少一点，因为篇幅真的已经很长很长了。有兴趣的话，我们下次继续深入探讨数据分析师的发展。

其实同学们最初的问题是：数据分析师发展前景如何？陈老师不喜欢探讨这么虚的话题，正如上边五个问题一样，大家会发现：如果你持续进步，你始终能在时代中找到自己的位子，如果你原地踏步，那啥玩意都能把你淘汰。 前景不是看出来的，而是自己努力出来的 。 能搞掂的具体问题越多，自然越有前途 。所以新的一年，我们继续具体问题具体讨论，大家一起进步哦。

#专栏作家

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议

作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。


Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: