告别 7 月拥抱 AI 增强分析时代下一个阶段我们该准备什么一、7 月是一场认知刷新今天是 7 月 31 日一个月的写作就此收官。回头看这 31 天最大的收获不是写了多少篇文章而是刷新了对数据分析师这个职业的认知。在 7 月之前我认为数据分析师的核心竞争力是技术好SQL 快、Python 熟 业务通懂行业、会表达。但 7 月写下来的这 30 多篇文章让我意识到2026 年的数据分析师核心竞争力正在变成技术好 业务通 会用 AI 放大自己。AI 不是新加的技能点而是放大器。它会让你已有的能力 10 倍释放也让你之前忽略的短板 10 倍暴露。二、7 月给我上的最重要一课如果只能从 7 月的所有思考中选一条最重要的我会选这个数据工作正在从人才密集型走向工具 AI 密集型。解释一下以前做数据分析全靠人头堆——一个业务线配一个分析师分析师多了配数据工程师工程师多了配治理人员。团队规模随业务线性增长。但 AI 打破了这个线性关系。一个会用 AI 的分析师可以 Cover 以前 2-3 个分析师的产出。这不是科幻这是 7 月真实发生在我自己身上的体验# 7月份我自己的效率数据对比 AI 辅助前后 efficiency_data { 日常取数需求: { 以前: 接到需求 → 理解需求(15min) → 写SQL(20min) → 测试(10min) → 出结果(5min) 50min, 现在: 接到需求 → AI翻译需求为SQL(1min) → 人工审核(5min) → 执行出结果(2min) 8min, 效率提升: 84% }, 探索性分析: { 以前: 设计思路(30min) → 写多段SQL/Python(60min) → 整合结果(30min) → 写报告(60min) 3小时, 现在: 描述分析目标给AI(5min) → AI自动探索下钻(15min) → 人工审结果补分析(20min) → AI写报告框架(5min) → 人工润色(15min) 1小时, 效率提升: 67% }, 看板搭建: { 以前: 确认需求(30min) → 写SQL(60min) → 搭图表(60min) → 调样式(30min) 3小时, 现在: Prompt描述看板需求(5min) → AI生成SQL图表配置(10min) → 人工微调(15min) 30min, 效率提升: 83% } }这个效率提升不是说AI 会干掉数据分析师而是说数据分析师的工作性质会变。你不再是一个写 SQL 的人而是一个用数据和 AI 解决业务问题的人。工作重心从执行层上升到策略层。三、下一个阶段AI 增强分析的三个方向方向一从人问 AI到AI 问人现在的 AI 分析模式是人发现问题 → 人问 AI → AI 找数据 → AI 出结论。下一个阶段的模式是AI 自动发现异常 → AI 主动推送分析报告 → 人做决策。这意味着数据分析师的工作不再是等业务方来问我要数据而是让 AI 帮我去发现业务方自己都还不知道的问题。从被动变主动从应答变预测。方向二从分析报告到分析应用过去数据分析的终点是一份 PDF 或一个看板。业务方看一眼哦一声然后继续凭直觉做决策。AI 增强分析的终局是分析直接嵌入业务决策流程。比如 AI 发现某个品类的用户留存异常 → 自动生成具体的运营方案 → 业务方点一下执行 → AI 自动创建用户分群并推送消息。分析不再是一份文件而是一个可行动的应用。方向三从个人工具到组织能力现在大多数人的 AI 使用还停留在个人层面自己用 ChatGPT 写 SQL自己用 Copilot 写代码。但真正的威力在组织层面# 组织级 AI 分析能力的构建路径 organization_ai_capability { 阶段1_个人工具当前主流: { 描述: 每个人用各自的 AI 工具, 问题: 没有共享的 Prompt 模板、没有一致的分析标准, 产出: 效率参差不齐取决于个人水平 }, 阶段2_团队标准化6个月内目标: { 描述: 团队统一 AI 分析工具 共享 Prompt 库, 示例: 公司内部搭建一个AI 分析工具箱包含已验证的 Prompt 模板, 产出: 团队整体效率提升不依赖个别人 }, 阶段3_平台化1年目标: { 描述: AI 分析成为公司基础设施, 示例: 业务方不需要找数据分析师直接在内部平台用自然语言查数据, 产出: 数据民主化分析能力下沉到业务端 }, 阶段4_智能化2年远景: { 描述: AI 主动发现和推送洞察, 示例: 每周一早上 AI 自动生成各部门的数据周报和行动建议, 产出: 从数据驱动决策到AI驱动决策 } }四、8 月行动计划三件现在就可以做的事不要等到准备好了再开始。从 8 月 1 日开始做这三件事第一件建你自己的 AI 分析 Prompt 库# 8月第一件事把你常用的分析 Prompt 整理成库 prompt_library { 日常取数: 你是一个数据分析师。根据以下需求生成 SQL 查询。 数据表{table_info} 指标口径{metric_definitions} 需求{user_request} 要求 1. SQL 可以在 {db_type} 中直接执行 2. 使用中文注释解释每一步的逻辑 3. 如果需求不清晰先提问再写 SQL , 探索性分析: 你是一个资深数据分析师请对以下数据进行探索性分析 数据描述{data_description} 分析目标{goal} 分析步骤 1. 先做描述性统计均值、中位数、分布 2. 再找异常值超过 3 个标准差的数据点 3. 做相关性分析关键变量之间的关系 4. 最后给出 3 条核心发现 输出格式Markdown 报告 , 解释分析结果: 以下是一段数据分析的代码和输出结果。请帮我把结果翻译成业务语言 代码{code} 结果{result} 业务背景{context} 要求 1. 用非技术语言解释假设你的听众是没有数据背景的业务方 2. 指出 1-2 个值得关注的发现 3. 给出 1 条可落地的行动建议 } def get_prompt(template_name: str, **kwargs) - str: 获取格式化后的 Prompt Args: template_name: 模板名称如 日常取数 **kwargs: 模板中的变量值 Returns: 格式化后的完整 Prompt template prompt_library.get(template_name) if template is None: raise ValueError(f未找到 Prompt 模板: {template_name}) return template.format(**kwargs) # 使用示例 # prompt get_prompt( # 日常取数, # table_infoorders 表order_id, user_id, amount, status, created_at, # metric_definitionsGMV 已支付已完成的订单金额, # user_request帮我查7月每天的 GMV 趋势, # db_typeClickHouse # )第二件选一个分析场景全流程 AI 化不要试图把所有的分析都 AI 化。选一个高频、标准化的场景从头到尾跑通候选 1每日经营日报的自动生成和推送候选 2每周用户增长分析报告的自动化候选 3A/B 测试结果的自动分析和解读把这个场景做成可复制、可交接的流水线。一个场景跑通了你就会发现第二个、第三个场景怎么做了。第三件把你的方法论分享出去教别人是最好的学习方式。把你 8 月用 AI 做分析的实践经验写成文章、录成视频、在公司内部做分享。原因有两个写作倒逼你把模糊的感觉变成清晰的方法你的分享会吸引志同道合的人自然形成你的影响力圈五、总结今天是 7 月的最后一天。31 天30 篇文章10 多个方向的深度思考。感谢每一位读到这里的读者。如果用一句话总结这一个月数据分析的未来不在更快的 SQL不在更大的数据量而在于 AI 如何让数据工作者的智慧被释放到真正需要人类判断的地方。7 月收官了但 AI 增强分析时代才刚刚开始。8 月见7 月复盘系列第 10 篇终篇完整系列请查看 22zhuling 博客首页。资料说明本文中的协议、版本、性能、成本和行业趋势应以可核验的一手资料为准。未标注统计口径的比例、时间表和预测仅作工程讨论不应视为行业事实。可参考 0731 资料来源索引并在发布前将具体来源贴到对应断言之后。
