How to Avoid AI Replacement as an Analytics Professional in 2027
TL;DR · AI 摘要
数据分析师应专注于理解数据链路和工具开发,以避免被AI取代。
核心要点
- 数据分析师应学习数据从输入到输出的完整链路。
- 将模糊需求转化为团队信任的确定性工具是关键。
- AI无法替代理解企业系统中数据生成和使用的专业人员。
结构提纲
按章节快速跳转。
- §引言
作者分享了自己使用AI工具后对职业价值的担忧。
AI工具如Claude Code可以自动部署算法,但存在局限性。
AI无法解决企业中数据链路不清晰、KPI定义混乱等问题。
数据分析师应专注于理解数据链路和工具开发。
作者建议通过学习和实践提升数据链路和工具开发能力。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- 如何避免被AI取代
- AI的局限性
- 数据链路不清晰
- KPI定义混乱
- 数据分析师的应对策略
- 理解数据链路
- 开发确定性工具
金句 / Highlights
值得收藏与分享的关键句。
AI agents now handle a growing part of the analytics value chain, so I had to work out where I remain relevant as a supply chain and analytics expert.
No agent could have solved these on its own, and this is our chance (as analytics professionals) to stay relevant.
My goal for 2027: make sure that I don't become what we call a 'meat proxy', a human whose only job is to pass requests to an AI and its answers back.
如何避免被 AI 取代成为数据分析师
职业建议
2027 年如何避免被 AI 取代:分析专业人士的应对之道
从制造和物流项目的经验中汲取教训:从输入到输出追踪数据,然后将模糊的请求转化为团队信任的确定性工具。
2026 年 11 月 16 日
12 分钟阅读
更喜欢我们在 Google 上的版本
分享
照片由 Homa Appliances 提供,来源:Unsplash
我仍然记得第一次使用 Claude Code 时的兴奋之情。
仅凭一个提示,它就将我多年前设计的算法适配到了我当前的项目中,并部署在我的服务器上,随时准备连接客户 Google Sheets。
这是一次变革,让我拥有了半自动的方式,将我花费数月时间开发的任何优化算法产品化并部署。
当时,我为这种带来的生产力提升感到兴奋。
然而,18 个月后,我每天醒来都会问自己一个问题:“我的价值在哪里?我该如何避免被 AI 取代?”
如今,AI 代理正在处理越来越多的分析价值链,因此我必须弄清楚作为供应链和分析专家,我仍然在哪里具有相关性。
幸运的是,我在制造和物流运营中实施 AI 的经验告诉我,这些项目很少能满足自动化期望。
我曾见过一位计划员因为他的 AI 助手在 Excel 中每天对同一个问题给出不同的答案而放弃使用它,也曾在一家公司中看到团队以 36 种未记录的方式衡量同一个 KPI。
没有一个代理能独自解决这些问题,而这正是我们(作为分析专业人士)保持相关性的机会。
我在 2027 年的目标是确保自己不会成为所谓的“肉身代理”,即一个唯一职责是将请求传递给 AI 并将 AI 的回答传回的“人”。
在本文中,我将分享我在中型和大型公司管理代理项目的经验,以展示 AI 在企业环境中的局限性。
这将帮助我们理解 AI 无法复制的基本技能:
- 学习数据在整个流程中所经过的全部链条:数据是如何在企业系统中生成、转换和使用的
- 将请求转化为团队真正需要的工具
最后,我将分享我如何利用我在博客上分享的免费资源来培养这些技能的个人建议。
障碍 1:AI 无法仅通过查看数据库来猜测系统是如何被使用的
企业在部署 AI 解决方案时面临的第一个障碍是流程的映射,我们现在称之为本体论。
AI 与它应该运行的系统之间的障碍(图片由 Samir Saci 提供)
在一家典型的消费品公司中,管理制造、物流、财务和人力资源的系统并不构成一个具有中央数据来源的单一整体。
大多数是遗留系统,多年来为了满足各个团队以他们自己的方式生成和使用数据的需求,进行了许多特定的开发。
四个系统,四种生成和使用数据的方式(图片由 Samir Saci 提供)
让我用一个消费品公司项目中的例子来说明。
我的任务是设计一个工具,用于找出门店交货延迟的根本原因。
这从一个简单的任务开始:确定每次交货是否准时或延迟。
在纸面上,公式很简单:从企业资源计划(ERP)系统中获取名为“交货时间”的字段,并将其与“要求交货时间”字段进行比较,以生成一个布尔值(准时为 1,否则为 0)。
准时交货率:OTIF(图片由 Samir Saci 提供)
在与物流团队进行了 12 周的研讨会后,我发现他们使用了 36 种不同的方式来定义这个布尔值。
例如:
- 法国团队使用“发货时间”,因为门店使用自己的卡车运输
- 巴西团队只有在货物到达时间比要求交货时间晚 10 天时,才会将交货标记为延迟,因为他们使用的是具有可变交货时间的海运
一次交货,三种对延迟的定义(图片由 Samir Saci 提供)
这些边缘情况在任何地方都没有被记录。
它们需要我这样的人类去询问其他人类,并将他们的答案转化为系统内外数据转换的模型。
AI 代理无法仅通过查看数据库中的交易数据来感知这种复杂性。
花了 12 周的研讨会才得出这张表(图片由 Samir Saci 提供)
这需要人类目前还缺乏的软技能:
- 在公司内部建立联系,找到拥有你需要信息的正确人员
- 与运营和业务团队领导和组织研讨会,以收集正确的信息(例如,如何定义门店交货延迟?)
- 通常在线上未被记录的行业经验(例如,我之前项目中知道 ERP 系统中的同一字段可能被两个团队以不同的方式使用)
如果你从团队中提取了这些知识,你就为实施任何与公司系统连接的分析或代理产品奠定了基础。
不幸的是,部署解决方案并不总是足以推动用户采用。
- 我们需要多少个生产批次才能将库存减少 15%?
他的想法是通过实施“分析即服务”(analytics-as-a-service)来实现,使用代理(agent)来根据计划人员的需求实时回答他们的问题。
这个想法是:通过代理实现“分析即服务”(Image by Samir Saci)
供应链总监:“这变成了一个运营上的混乱。”
一位计划人员承认,她因为“AI 对于同样的问题,每天可能会给出不同的答案”而重新回到了使用 Excel 进行计划的电子表格。
我们一起查看了代理生成的不同分析,发现对于同样的问题和同样的输入 Excel 文件,它生成了两个不同的 Python 脚本。
随机模型在生成稳健且可重复的解决方案方面并不可靠 -(Image by Samir Saci)
我决定组织研讨会,以了解这些计划人员的需求,提出了以下问题:
- 他们需要哪些类型的分析?
- 涉及哪些输入和输出数据?
- 哪些任务需要完全自动化,为什么?
结论是明确的:他们并不需要 AI。
使用确定性代码编写的分析和数据科学工具可以完全满足他们的需求:
- 用 Python 编写的库存管理规则(在本文中解释),用于找出满足生产线需求所需的原材料最低安全库存量
- 像 Wagner-Whitin 这样的动态算法可以告诉他们每个批次应生产多少单位产品,以交付客户订单,同时避免库存积压过多
这些解决方案是确定性的(运行 100 次,你总会得到相同的结果),并由一位人类(我自己)设计,这位人类花时间了解了运营环境和他们的内部和外部约束。
供应链总监:“我们需要有人来挑战我们的需求,提出一个结构化的过程,从数据中生成洞察,并设计出我们可以依赖的稳健工具。”
为了说明他们对 AI 的工作原理了解得多么少,当我说出助理也在生成代码来回答计划人员的问题时,这位总监感到非常惊讶。
另一个问题是,代理只能根据计划人员在提示中分享的上下文进行操作,而我这边则花了数小时向他的团队提出了数百个问题。
这两个例子有一个共同点:一位高技能的工程师可以弥补 AI 的局限性,并通过将运营和业务需求转化为分析解决方案来解锁某些情况。
工程师可以提供帮助的地方 ——(Image by Samir Saci)
这些技能将使你在公司越来越多地引入代理工作流程时保持相关性。
现在的问题是:你如何培养这些技能?
在接下来的章节中,我将分享我的观点,这些观点基于我参与的数十个分析和 AI 项目。
技能 1:学习数据在整个流程中所经过的整个链条
在第一个例子中,我们了解到,仅通过查看数据库中的交易记录,我们无法理解公司是如何运作的。
我培养的第一个技能来自于我作为持续改进工程师的多年经验:了解一个过程的全流程。
在我面前的每个团队都只了解他们自己的步骤,而工具必须涵盖所有这些步骤 ——(Image by Samir Saci)
在我从事物流行业时,我经常比客户自己的团队更了解他们的供应链。
我通过询问他们流程是如何运作的而发现了这一点,而他们却无法回答。
因为我的职责是建立一个整体的视角:了解仓库和运输操作是如何作为一个链条运作的。
在我面前的每个人都在思考他们自己的步骤。
作为一名分析专家,你需要沿着数据的生命周期进行追踪:
- 输入:数据是如何进入系统的
- 处理:信息是如何在系统中存储和更新的
- 输出:团队如何读取数据以及他们如何使用数据
这个框架将帮助你组织工作坊,向团队提出正确的问题,并在开始构建解决方案之前设定预期。
你不需要有十年的供应链经验,也能提出正确的问题。
沿着数据的生命周期追踪(图片由 Samir Saci 提供)
让我们回到我们之前提到的这家快消公司,他们有36种公式来衡量商店是否延迟交付:
- 输入:请求的交货日期包含在商店订单中,如果客户要求新日期,客户服务中心管理员可能会修改该日期
- 处理:法国团队实施了一个脚本,如果延迟低于服务水平协议(SLA),该脚本会修改请求的交货日期
- 输出:美国团队在标记延迟交付时并不查看交货日期,而是查看实际的发货日期,因为他们不负责运输
这三个点总结了与团队进行12周密集工作坊后提取出的所有知识。
从输入到输出追踪一个准时交付的度量(图片由 Samir Saci 提供)
供应链总监对他的分销链的复杂性感到惊讶,并承认公司里没有人预料到准时交付的衡量会如此复杂。
我的问题是:“你认为将 Claude Code 插入 ERP 的 SQL 数据库中,是否有助于获得这些洞察?”
不,在我见过的大多数 AI 项目中,我们仍然需要一个了解每个团队输入、修改并传递给下一个团队的人。
在我合作过的大多数组织中,这样的人并不存在,这使得问题更多是管理问题,而不是技术问题。
因此,公司始终需要具备分析技能的人,他们可以从业务和运营团队收集流程知识,将其结构化,并将其转化为代理工作流可以使用的数据。
技能 2:将请求转化为团队所需的工具
我坚信公司并不需要那些设计成对任何用户请求都说“是”的随机鹦鹉。
因此,你需要的第二个技能是将业务请求转化为团队所需的工具,并对其进行转化和挑战。
让我回到第二个例子:计划人员的 AI 助手根据有限的上下文回答他们的请求。
他们没有要求额外的信息,也没有组织工作坊来澄清需求;他们只是根据提示文本生成最可能的输出。
助手根据提示进行工作,而不是根据其周围的上下文(图片由 Samir Saci 提供)
他们也没有对请求提出质疑:计划人员并不需要每次通过重写代码生成的临时分析。
AI 助手回答请求;它不会询问这是否是正确的请求。
让我用我在瑞士一家机械零件制造商参与的一个项目来说明这一点。
供应链总监通过我关于生产计划优化的文章找到我,并要求一个类似的解决方案以降低成本。
当时,他本可以要求 Claude Code 从我在 GitHub 上分享的工具中提取 Python 实现,并用他们的数据运行它。
他们需要的是一个统一的流程,而不是一个神奇的算法。
但当我观察计划人员的工作方式时,算法并不是首要问题。
客户订单通过电子邮件到达,直接来自客户或商业团队,每个计划小组都有一个邮箱。
一个邮箱,一组计划人员,每条运输路线对应一个 Excel 文件(图片由 Samir Saci 提供)
然后,计划人员在 Excel 中手动创建生产批次,通常库存过多或批次过多,因为可以共享批次的 SKU 订单没有被归类在一起。
我们没有设计一个独立的算法,而是设计了一个三步流程,每一步都经过计划人员验证后才进行下一步:
- 数据:所有客户订单集中在一个地方,Anaplan,而不是每个计划小组一个邮箱
- 优化:使用 Wagner-Whitin 批次大小算法,将可以共享批次的 SKU 或 SKU 家族的订单进行归类
- 应用:优化过程在计划人员日常工作中运行,通过仪表盘和电子邮件工作流,而不是作为一个独立工具
他们要求一个算法;我设计了一个流程(图片由 Samir Saci 提供)
这满足了他们的需求:预计生产成本将下降 30%,主要得益于库存减少。
由于优化是作为服务封装的确定性代码,其他团队将其用于自己的模拟,通过一个中央日志系统来跟踪所有分析。
一个编码助手会编写他们要求的算法,而不会质疑这个过程。
在构建任何东西之前,请问这个工具将改变什么决策,以及谁将做出这个决策。
到目前为止,这些代理还做不到这一点。
这就是为什么我相信,如果我们想在这个以 AI 为主导的新时代变得反脆弱,这种技能非常重要。
但我们要如何培养这些技能呢?
我的技能来自于多年在亚太和欧洲 60 多个国际供应链运营中设计和优化供应链解决方案的经验。
学习每个模型背后的流程和操作
你可以通过这篇博客和我的 YouTube 频道学习我的经验,我在其中与数据科学社区分享真实的操作项目。
对于希望学习操作技能的分析专业人士,我创建了一个包含 5 分钟视频的播放列表,其中我介绍了 25 多个分析和数据科学概念:
- 一个真实世界操作和商业用例的介绍
- 使用操作术语陈述问题
- 部署解决方案以确保操作影响的方法
- 源代码和匿名化数据集
这些简短的教程旨在帮助你提升操作和商业文化,同时加强避免被生成代码的随机鹦鹉取代所需的技能。
如果你遵循这些指南,你可以在 2027 年自信地认为你不会被一个代理工作流取代。
关于我
在 LinkedIn 和 Twitter 上与我联系。我是一名供应链工程师,利用数据分析来改进物流运营并降低成本。
如需咨询或建议有关分析和可持续供应链转型的问题,请随时通过 Logigreen 联系我。
如果你对数据分析和供应链感兴趣,请查看我的个人博客和 YouTube 频道,获取更多教程。