AI都来了，你还只会用SQLBoy给它查数吗？数据分析师的饭碗能保住吗？答案是：必须得懂点业务逻辑，光会写代码可不行！看个真实案例就能明白。6月GMV到底是多少？脱口而出400？这就太对了！把数据扔给AI，它们也能算出这个数。但你要是把过去三年的图拖出来一看，很可能傻眼。人有主动性，知道主动提问才能体现价值，AI可做不到这一点。 是不是以为看张图就能完事？别急，还有这些问题：6月、11月为啥涨？是因为季节还是活动？活动的投入力度有多大？这些都得靠人主动去想。要做好预测，就得深挖数据背后的原因。拿上图来说，大涨可能有几种因素：行业本身有夏季冬季的旺季，也可能是618、双十一的促销活动。在做预测前，你得先搞清楚业务情况。 影响因素大致分三类来看。第一类是宏观事件型的，比如国际大事或者国内政策变化。虽然咱们没法预测下个月发生啥，但可以利用数据总结季节性规律和突发事件的影响范围。建立一个事件簿记录下来，每周每月检查一遍就能提前准备好。知识库和提示词都得提前备好，不然AI也只能傻傻念个“预计400”。 第二类是投入产出型的。大家都知道有影响但具体多少不清楚。计算投入产出常用三种方式（图）。关键在于数据记录！业务报告里的术语太感性了，你得从中剔除无关部分找到关键的投入产出数据（图）。有时候你还会发现业务部门做事不一定是为了效益最大化，可能还有政治任务——老板要转型新零售强行让客人微信下单、KPI是抓老用户效果不好也得做、部门费用不够了券面额减半。这时候用历史数据就能发现问题：微信下单影响销售、老用户响应率只有2%、面额减半响应率不是减半而是减3/4。 AI不能替你去开会提醒埋点缺失和方案漏洞，这些都是你体现价值的地方。至于代码那是AI的事！以前搓个预测代码得好久，现在两句就搞定了！哪怕不用国外产品下载个TRAE国内版就能体验“口述机器学习建模”的爽快感。 第三类是内部结构型的。当你做完前两步有了丰富数据后（图），还是很难区分个案还是趋势。有时候经济下行需求不足听起来很唬人，但真具体到某一天的数据上差异不大。短期里宏观事件和投入产出型影响占主导。要想观察到内部结构变迁的影响得长时间观察（图）。 大家都会发现AI在数据领域搬砖效率比人高得多。但做数据的同学最讨厌自己变成工具人！提升数据思维从“解决业务问题”出发而不是“这个SQL怎么搓”，打造专业级知识库和行业理解才是生存法则。AI不过是个帮我们搓代码的工具而已！