The Future of Data Analytics: Why AI is rewriting the Analyst’s Job Description

数据分析的未来：为什么AI正在重塑分析师的职责 | Databricks 博客

跳至主要内容

数据战略

2026年8月12日

数据分析的未来：为什么AI正在重塑分析师的职责

AI正在自动化SQL、仪表板和临时分析。数据分析的未来不是减少分析师数量——而是让分析师更多地依靠判断力而非查询来主导工作。

作者：Emma Stowell、Angus Morshead 和 Ogo Odili

摘要

• 我们已经看到AI正在自动化SQL和仪表板等耗时的技术任务，使业务用户能够更快地获得答案。

• 分析师的角色正在向不可替代的人类技能转变：提出问题、应用组织背景，并将洞察转化为战略决策。

• 为了捕捉这一价值，组织必须重新定义招聘和成功指标，从技术能力转向决策影响力和问题质量。

数据分析师的角色被宣告"死亡"的次数已经多到无法计数。AI将编写查询、构建仪表板并生成洞察。那么，为什么还要雇佣分析师？

因为这个论点混淆了任务与工作本身。

实际上被自动化的，是消耗分析师时间但从未创造业务价值的工作：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。而那些能够界定商业问题并推动决策的分析师，其价值正变得越来越高。

这不是预测，而是正在发生的现实。在本文中，我们将解释为什么AI不会终结分析师的角色——它正在将分析师的工作恢复到应有的状态。

我们三人合计雇佣了50多名分析师，领导过跨学科交付团队，并在多个行业设计了AI驱动的决策框架。最近我们交流发现，一个共同的模式反复出现：真正表现出色的分析师，不是编写最佳SQL的人，而是提出最佳问题的人。

像Databricks AI/BI这样的平台正在向自然语言驱动的分析方向融合。你可以用普通英语描述需求，直接获得仪表板、指标或洞察。文本到SQL的工具正在解决一个困扰行业数十年的问题：从问题到输出所需的时间和技术知识。这确实是一个重大突破。但弥合这个差距只会凸显出一个始终更重要的维度——洞察本身的质量。一直存在、也永远会存在另一个差距：首先知道该问什么问题。成为一名优秀数据分析师最重要的步骤，不仅仅是回答被提出的问题，更要通过精炼和塑造问题，找到真正需要回答的核心问题。你有多少次被要求获取某个数据点的数据，结果事后才发现这根本不是业务真正想要评估的内容？

我们如何走到今天：BI工具的陷阱

这是一个缓慢而渐进的过程。最初，分析师在业务部门和拥有数据仓库的IT团队之间担任联络人，有时更像是业务分析师。但随着QlikView、Power BI和Tableau等工具的出现，这些面向业务的分析师团队不再依赖传统数据仓库来制作仪表板。这虽然实现了快速迭代，但也带来了新的问题。

分析师逐渐转变为仪表板构建者和数据修复者，有时甚至像影子IT部门一样运作。突然间，这一角色不再仅仅要求他们成为理解企业数据价值的优秀沟通者。他们的时间被以下事务占据：

• 手动处理数据整理和管道维护
• 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
• 桥接BI工具与上游数据之间的鸿沟

组织真正需要的技能——业务问题框架构建——却未得到充分发展。分析师虽然忙碌且资源紧张，但往往难以证明自身价值。我们所有人都见证过数据团队无数次的结构调整，因为人们难以理解自身价值。

这一角色的核心始终存在一种持续的矛盾：技术专家通常难以理解业务，而具备商业洞察力的人则不太可能技术过硬。组织试图通过雇佣能兼顾两者的人来解决这一问题，但这样的人才极为稀缺。我们在实践中多次观察到这一现象。通常，领导者会选择团队中技能组合而非个人技能的平衡，即让一些技术能力极强但不擅长商业背景的人，和一些技术能力较弱但沟通能力更强的人共存。但在小团队中，这种安排通常导致这些人在角色中感到不满，双方都需要承担两种类型的工作。业务导向者因技术挑战而沮丧，技术员工则因需要与业务沟通而烦恼。这些因素导致分析团队逐渐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的传输机制所稀释。

其结果是，出现了一代只能告诉你发生了什么，却无法说明其重要性或该采取什么行动的分析师。

AI再次简化问题

每波工具浪潮都曾承诺让分析师摆脱交付机制的束缚。但实际效果却让他们陷入更深的困境。AI改变了这一现状。不是取代分析师，而是通过自动化那些埋没他们的工作。

像AI/BI仪表板（配备Genie Code）这样的平台允许用户用普通英语描述需求，几分钟内即可获得风格统一的可用仪表板。Genie One等自然语言接口使利益相关者能够直接提出临时问题，无需提交请求或排队等待。度量定义可以自动生成功能，AI充当教练，根据实际业务需求不断优化这些定义。这些改进并非渐进式的。它们消除了大量摩擦，这些摩擦随着时间推移扭曲了分析师角色的本质。技术任务已逐渐变成标准化商品。

我们在实践中见证了这一变化。某公共部门的一名分析师需要构建客户细分模型，过去这需要两个月时间，涉及SQL开发、数据准备和与工程团队的迭代周期。使用Genie Code后，他们仅用半天就完成了。AI处理了技术执行；分析师专注于定义对业务真正重要的细分维度。这种转变的关键在于：不是减少分析师数量，而是让分析师将时间投入到真正推动业务进展的工作中。

但速度本身并不是价值所在。一个AI即使完美地回答了错误的问题，结果仍然是错误的。这一波新工具明确表明，分析领域的瓶颈从未是SQL或仪表板，而是判断力。仍然需要有人：

• 明确业务实际应测量的内容及其原因
• 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的合理性
• 将数据点解释为推荐的行动方案

AI并不执行这些工作。这是分析师的职责。一直以来都是如此，只是我们从未给予他们足够的时间去做。

AI简化了执行过程，但它并不拥有意图、责任或后果。这些责任始终属于人类。

“随着AI增强流程并自动化常规任务，人类的判断力、责任感和决策权仍然是核心。”——Capgemini Research Institute，《多年AI优势：构建未来的企业的企业》，第6页

这正是分析师角色并未消失，而是以新的形式重新出现的地方。

重生的分析师：更少SQL，更多“那又如何”

当技术任务被自动化后，分析师的价值转向只有人类才能完成的工作：

问题构建

分析师最宝贵的贡献是帮助利益相关者在接触数据之前明确提出正确的问题。这听起来似乎简单，但实际难度很大：Capgemini Research Institute发现“只有33%的领导者能够向生成式AI系统清晰表达他们的需求”。如果你需要衡量一个营销活动，测量点击率可能听起来很完美，你甚至可以要求AI为你完成这项任务，并认为这代表了成功的活动。如果你是这个活动的策划者，可能不会进一步质疑这个指标。但你可能没有提出正确的问题。如果这封电子邮件提供的是90%的折扣，那么你还需要查看整体收入情况。分析师的作用正是帮助构建问题框架并扮演魔鬼代言人，而无需掌握SQL，分析师可以专注于理解业务并充当翻译者。

上下文与判断

脱离上下文的数字只是一个数字。了解业务的分析师能告诉你，客户留存率下降5%是令人担忧的，但如果某个指标的定义刚刚被修改，5%的下降则毫无意义。AI缺乏这种上下文意识，而优秀的分析师具备这种能力。

这就是领域知识在实践中的含义。不仅仅是对行业的熟悉，更了解上一季度的收入激增是由于一次性促销活动，或者关键客户迁移正在扭曲数据，或者某个特定字段多年来在CRM中被手动修正，因为上游系统从未修复。AI对这些都没有记忆。

随着AI扩大洞察生成的规模和速度，这种差距不会缩小，反而会扩大。AI产出的输出越多，就越需要有人将每个输出与机构现实进行对照，并质疑其是否真的合理。人类的解释是弥补AI两大缺陷的关键：

• 幻觉，通常表现为AI回答时过度乐观和自信的倾向。
• 概率性质——这可能影响AI的可靠性。

拥有深厚领域知识的分析师会看着一个格式完美的仪表板，说：“这个数字是错误的，我知道确切原因。”这种能力不是通过提示获得的，而是建立在多年业务熟悉度的基础上。

故事叙述与影响力

数据不会驱动决策；故事才会。分析人员的职责不是呈现一串数字表格，而是走进会议室说：“这是正在发生的事情，这是原因，以及我认为我们应该采取的行动。”研究表明，将定性数据和定量数据结合使用，比单纯依靠数字更具说服力；人们记住的是故事，而非统计数据（Heath & Heath，《Made to Stick》）。达成正确的商业决策需要强大的说服技巧和对受众的了解（HBR：《数据科学与说服的艺术》）。在董事会会议上，没有任何LLM能取代人类的这些能力。

治理与信任

随着AI生成更多洞察，必须有人确保这些洞察具有依据、可审计且准确。在像Unity Catalog这样的优秀目录工具辅助下，分析人员成为质量保障层，负责整理AI的输出结果，将其与领域知识进行验证，并在模型出现胡言乱语或数据错误时发出警告。后者是一个非常普遍的问题。许多数据并不纯净。人工数据录入、新的查询值、系统外事件等都会引入AI无法察觉的噪声。优秀的分析人员深知这一点，并据此处理数据。

协调与指挥

现代分析人员不再编写SQL代码；他们指挥执行这些任务的AI代理。他们整理Genie空间，定义合适的指标，构建知识库，设计分析工作流。这就像从“球员”转变为“教练”，这正是他们本应扮演的角色。

对组织的启示

这些影响是实际且立即的：

• 招聘：停止以SQL熟练度作为筛选分析师的标准。开始关注好奇心、商业洞察力和沟通能力。技术能力不再是唯一关键，可考虑为现有分析师提供批判性思维培训。

• 价值实现时间：随着AI的出现，组织应看到价值实现时间的缩短。但需注意，这可能伴随因胡言乱语或信息缺失导致的误判风险。组织必须确保不会将重要商业决策完全交由AI决定；“人机协作”至关重要。

• 工具：投资自动化技术层的平台，让分析师专注于“这意味着什么”。如果团队仍在大量时间用于数据整理和构建仪表板，应帮助分析师摆脱技术债务。

• 组织结构：让分析师更贴近决策者，而非深陷数据团队。数据与商业的交汇点才是价值所在，而非数据管道内部。

• 评估方式：停止以交付的仪表板数量或编写的查询数量来衡量分析师。应衡量他们影响的决策数量、重构的问题数量以及推动的行动数量。

AI在分析领域的投资回报率不一定体现在分析师数量的减少，而是体现在真正推动正确决策的分析师身上。

我现在应该怎么做？

如果分析师花更多时间构建仪表板而非回答商业问题，请为他们提供合适的工具来自动化这些任务，并提升他们在商业语言方面的技能。

未来的分析师编写更少的SQL，提出更高质量的问题。他们花更少时间在查询编辑器中，而是在会议室中投入更多时间。他们不再仅仅呈现数据，而是开始影响决策。对许多分析师来说，这正是他们一直渴望从事的工作。而对于偏爱技术工作的分析师而言，日益发展的分析工程领域正是他们大展身手的最佳场所。

准备好让分析师摆脱数据看板的重复工作？立即体验 Databricks AI/BI 和 Genie。

订阅获取最新文章

订阅我们的博客，最新文章将直接发送到您的邮箱。

立即注册

查看所有博客

slice-start id="_gatsby-scripts-1"

slice-end id="_gatsby-scripts-1"