AI如何改写数据分析师的职责

数据分析师的角色被宣告死亡的次数多得数不清。AI 将编写查询、构建仪表板并生成见解。那么为什么还要费心雇佣分析师呢？

因为这种论点混淆了任务与工作。

实际被自动化的是那些消耗分析师时间却从未带来商业价值的工作：整理数据、为每个新利益相关者重建仪表板、为一次性请求编写临时 SQL。只做这些事情的分析师正在被自动化。而能够构建业务问题框架并推动决策的分析师正变得越来越有价值。

这不是预测。这已经在发生。在本文中，我们将解释为什么 AI 不会终结分析师角色；它正在将这一角色恢复到本应一直如此的状态。

我们两人合计雇佣了 50 多名分析师，领导过多学科交付团队，并跨行业设计了 AI 驱动的决策框架。我们最近交流了心得，同样的模式不断出现：那些茁壮成长的分析师并不是编写最佳 SQL 的人，而是提出最佳问题的人。

像 Databricks AI/BI 这样的平台正向着自然语言驱动的分析靠拢。你可以用简单的英语描述你想要的内容，然后获得一个仪表板、一个指标或一个见解。文本转 SQL 工具正在解决这个行业几十年来一直困扰的问题：从问题到输出所需的时间和专业技术。这是一个真正的胜利。但缩小这一差距只会突出那个一直更重要的维度——见解本身的质量。始终存在，也将永远存在另一个差距：首先知道要问什么问题。成为一名优秀的数据分析师最重要的步骤不仅仅是回答被问到的问题，而是通过提炼和塑造来理解真正需要回答的问题。有多少次你被要求获取某个数据点的数据，结果发现这并非业务真正想要评估的内容？

我们如何走到这一步：BI 工具陷阱

这是一个缓慢、渐进的过程。最初，分析师充当业务与拥有数据仓库的 IT 团队之间的联络人，有时更像业务分析师。但随着 QlikView、Power BI 和 Tableau 等工具的出现，面向业务的分析师团队不再受制于传统数据仓库来生成仪表板。这实现了快速迭代，但导致了一系列不同的问题。

分析师变成了仪表板构建者和数据修复者，有时像是影子 IT。突然间，这一角色不再要求他们仅仅是善于沟通、理解业务数据价值的人。他们的时间被消耗在：

• 手动数据整理和管道救火
• 为每个新利益相关者重建仪表板
• 为一次性请求编写临时 SQL
• 弥合 BI 工具与上游数据之间的差距

组织真正需要的技能——业务问题框架——没有得到充分发展。分析师忙碌而劳累，但常常难以展示自己的价值。我们都见过数据团队中无数轮重组，因为人们难以理解他们的价值。

这个角色存在一个持久的核心矛盾：技术专家往往不擅长理解业务，而懂业务的人往往技术能力不强。组织试图通过雇佣两者兼备的人来解决这个问题，但这样的人很少。在我们的经历中，我们见过这种情况。通常，领导者会在团队中组合不同的技能，而不是依赖个人技能，例如有一些非常技术性但不太懂业务上下文的人，以及一些技术性较弱但沟通能力更强的人。但通常在较小的团队中，这会导致这些个体对自己的角色感到不满，因为两组人都需要承担两类工作。更偏向业务的人因技术挑战而沮丧，而技术人员则因必须与业务沟通而沮丧。这导致了许多分析团队专注于呈现数据而非回答问题。分析的核心价值主张——将信息转化为决策——被数据从 A 到 B 的技术过程稀释了。

结果是，一代分析师能告诉你发生了什么，但不知道为何重要或该怎么办。

AI 再次简化一切

每一波工具都承诺将分析师从交付的技术工作中解放出来。实际上，它们让分析师陷得更深。AI 改变了这一点。不是通过取代分析师，而是通过自动化那些埋没他们的工作。

像 AI/BI 仪表板 配合 Genie Code 这样的平台，允许用户用简单的英语描述他们想要的内容，并在几分钟内获得一个可用的、风格一致的仪表板。像 Genie One 这样的自然语言界面意味着利益相关者可以直接提出临时问题，无需提交请求或排队等待。指标定义可以自动生成和完善，AI 作为教练根据实际业务需求打磨这些定义。这些不是渐进式的改进。它们消除了整类摩擦，这些摩擦随着时间推移使分析师角色变得面目全非。技术任务已成为商品。

我们在实践中看到了这一点。一位公共部门组织的分析师需要构建一个客户细分模型，这原本需要两个月的工作，涉及 SQL 开发、数据准备以及与工程团队的迭代。使用 Genie Code，他们半天就完成了。AI 处理了技术执行；分析师专注于定义真正对业务重要的细分。这就是转变：不是分析师更少，而是分析师将时间花在能推动变革的工作上。

但速度本身并不是价值。一个完美回答了错误问题的AI仍然是错误的。这一波新工具明确表明，分析中的瓶颈从来不是SQL或仪表盘。它一直是判断力。仍然需要有人：

• 定义业务实际应该衡量什么，以及为什么
• 在任何人接触数据之前提出正确的问题
• 验证输出在上下文中是否合理
• 将数据点解读为建议的行动方案

AI不会做这些中的任何一项。那是分析师的工作。一直如此，只是我们从未给他们时间去做。

AI简化了执行。它不拥有意图、问责或后果。这种责任仍然牢牢地属于人类。

“随着AI增强流程和自动化常规任务，人类判断、问责和决策所有权仍然至关重要”- 凯捷研究院，《多年期AI优势：构建明天的企业》，第6页

而这就是分析师角色不会消失，而是重新出现的地方。

分析师重生：更少的SQL，更多的“所以呢”

随着技术任务自动化，分析师的价值转向只有人类才能完成的工作：

问题构建

分析师能做的最有价值的事情是帮助利益相关者在任何人接触数据之前阐明正确的问题。这比听起来更难：凯捷研究院发现“只有33%的领导者能向生成式AI系统表达他们的需求”。如果你需要衡量一个营销活动，衡量点击率可能听起来不错，你可以要求AI为你衡量这个，并相信你有一个成功的活动。如果你开发了这个活动，你可能不需要进一步质疑。但你可能没有提出正确的问题。如果电子邮件提供了90%的折扣呢？那么，你还需要查看总收入的情况。需要分析师帮助构建问题并扮演魔鬼代言人，而不需要了解SQL，分析师可以专注于理解业务并充当翻译者。

上下文和判断力

没有上下文的数字只是一个数字。了解业务的分析师可以告诉你，留存率下降5%是令人警惕的，但如果你刚刚改变了指标的定义，下降5%毫无意义。AI没有这种上下文意识。优秀分析师有。

这就是领域知识在实践中的含义。不仅仅是熟悉行业，还要知道上季度的收入激增是一次性促销。或者一个关键客户迁移正在扭曲数据。或者某个领域多年来在CRM中一直被手动修正，因为上游系统从未修复。AI对这些一无所知。

随着AI扩大洞察生成的数量和速度，这种差距不会缩小；它会扩大。AI产生的输出越多，你就越需要有人能将每一个输出与机构现实对比，并询问它是否真的合理。人类解释是对AI两个最大缺陷的补救：

• 幻觉，通常以过度乐观和自信的方式包装在AI的回答中。
• 概率性质-这会影响AI的可靠性。

具有深厚领域知识的分析师是看着一个完美格式化的仪表盘并说：“这个数字是错的，我确切知道为什么。”那种能力不是一个提示。它建立在多年对业务的熟悉之上。

讲故事和影响力

数据不驱动决策；故事驱动。分析师的工作不是呈现一个数字表格。而是走进房间说：“这是正在发生的事情，这是原因，这是我认为我们应该做的。”研究表明，定性数据与定量数据结合总是比纯数字更有说服力；人们记住故事，而不是统计数据（希思兄弟，《让创意更有黏性》）。做出正确的商业决策需要强大的说服技巧和对受众的理解（《哈佛商业评论：数据科学与说服的艺术》）。在董事会上，没有LLM能取代这一点。

治理和信任

随着AI生成更多见解，需要有人确保它们基于事实、可审计且正确。除了像Unity Catalog这样的好编目工具，分析师成为质量层，策划AI输出，根据领域知识验证它们，并在模型产生幻觉或数据错误时标记出来。后者是一个很常见的问题。很多数据并不纯净。手动数据输入、新的查找值、系统外事件。这些都会引入AI不知道的噪声。优秀的分析师知道这一点并相应处理数据。

编排

现代分析师不编写SQL；他们指挥做这件事的AI代理。他们策划Genie空间，定义正确的指标，构建知识库，并设计分析工作流。可以把它看作从球员转变为教练，这本来就是他们应有的角色。

这对组织意味着什么

影响是实际和直接的：

• 招聘：停止筛选分析师的SQL熟练度。开始筛选好奇心、商业敏锐度和沟通技巧。技术技能不再是全部。考虑对现有分析师进行批判性思维技能的培训。
• 价值实现时间：随着AI的出现，组织应该看到价值实现时间的改善。然而，他们需要意识到，由于幻觉或上下文缺失，这将伴随误解的风险。组织需要确保他们不会仅仅依赖AI做出重要业务决策；人机协同至关重要。
• 工具：投资于自动化技术层的平台，以便你的分析师可以专注于“所以呢”。如果你的团队仍然花费大部分时间处理数据和构建仪表盘，请将你的分析师从他们所处的技术债务中解放出来。
• 结构：将分析师嵌入到更接近决策者的位置，而不是更深入数据团队。价值在于数据与业务之间的接口，而不是在管道中。
• 衡量： 停止用交付的仪表板数量或编写的查询数量来衡量分析师。转而衡量他们影响的决策、重新框定的问题以及采取的行动。

AI在分析中的投资回报率不一定是减少分析师，而是分析师真正推动正确的决策。

我现在应该做什么？

如果你的分析师花费更多时间构建仪表板而不是回答业务问题，那就赋予他们正确的工具来自动化这些任务，并提升他们在业务语言方面的技能。

未来的分析师编写更少的SQL，提出更好的问题。他们在查询编辑器上花的时间更少，在会议室里花的时间更多。他们不再只是呈现数据，而是开始塑造决策。对许多分析师来说，这正是他们一直想做的事情。而对于那些更喜欢技术工艺的人来说，不断增长的 analytics engineering 领域正是他们茁壮成长的地方。

准备好让你的分析师摆脱仪表板的束缚了吗？试用 Databricks AI/BI 和 Genie 今天。