# 数据分析师

> 把一个业务问题变成查询,把查询变成数字,把数字变成有人会据以行动的决策。

网页: https://flyvolo.ai/zh/careers/data-analyst
影响指数: 63/100 · 置信度 中等置信度 · 评估于 2026-09-10
这不是失业概率。

## 适用范围

适用于使用 SQL、电子表格与 BI 工具的业务、产品与营销分析师。数据工程师、建模的数据科学家以及研究场景中的统计人员情况不同。

## 任务

### 写查询、搭看板

- 方向: 正在自动化
- 依据: 有证据(附已核实记录)
- 为什么: 自然语言转 SQL 和图表生成是大模型最成熟的应用之一,BI 厂商已把它们内建进分析师本来就在用的产品。过去占据分析师大半周时间的机械翻译步骤,在数据干净、问题清楚的前提下,现在就是一句提示词。
- 这还不能说明什么: 「数据干净、问题清楚」是一个很大的前提。大多数公司两者都不成立,工具在含混的表结构上会给出自信的错误答案。
- 记录:
  - 2026-09-10 · 技术能力 · OpenAI 发布数据分析 agent 模板,其自带说明要求指标定义、可信查询与人工纠正由使用团队提供 — https://flyvolo.ai/zh/changes/ev-20260910-data-analyst-3 (来源: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2026-07-20 · 限制或撤回 · 在用真实企业数仓查询日志构建的 text-to-SQL 基准 Beaver 上,纯 LLM 得分为零、智能体方案约 10%,而公开基准上的成绩是 80% 至 90% 以上 — https://flyvolo.ai/zh/changes/ev-20260720-data-analyst-2 (来源: https://cacm.acm.org/blogcacm/if-you-think-you-can-do-real-world-text-to-sql)
  - 2024-09-19 · 实际部署 · Uber 将自然语言转 SQL 工具 QueryGPT 投入运营与支持团队使用,称写一条查询从约 10 分钟降到约 3 分钟,日活约 300 人 — https://flyvolo.ai/zh/changes/ev-20240919-data-analyst-1 (来源: https://www.uber.com/en-US/blog/query-gpt/)

### 弄清楚真正在问什么

- 方向: 仍由人主导
- 依据: 有证据(附已核实记录)
- 为什么: 分析的难点在查询的上游:知道组织的定义、组织的政治、以及这个数字将喂给哪个决策。工具回答的是被问出来的问题;分析师的价值一直在于发现问题本身问错了。
- 这还不能说明什么: 自助工具让管理者可以自己把问题问得不好,而不是去问分析师。「问对问题」仍然有价值,但分析师得在场才能提供 —— 而在场的人变少了。
- 记录:
  - 2025-07-18 · 实际部署 · 领英称,其文本转 SQL 机器人每周有 300 多名用户;数据集负责人的标注把正确或接近正确的回答从 9% 提高到 48%;最常见的错误是筛选条件 — https://flyvolo.ai/zh/changes/ev-20250718-data-analyst-4 (来源: https://arxiv.org/abs/2507.14372)

### 知道数据什么时候在骗人

- 方向: 仍由人主导
- 依据: 有证据(附已核实记录)
- 为什么: 这需要与这份具体数据的相处史 —— 记得它发生过什么、为什么 —— 而这恰恰是没有组织记忆的模型所缺的。更快的查询生成让这件事更重要而不是更不重要,因为错误答案现在来得更快、看起来更精致。
- 这还不能说明什么: 对数据的机构记忆,是靠每天跟它打交道积累出来的。如果日常查询转向自助,支撑这项任务的那份记忆就不再增长。
- 记录:
  - 2026-09-10 · 技术能力 · OpenAI 发布数据分析 agent 模板,其自带说明要求指标定义、可信查询与人工纠正由使用团队提供 — https://flyvolo.ai/zh/changes/ev-20260910-data-analyst-3 (来源: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2026-07-20 · 限制或撤回 · 在用真实企业数仓查询日志构建的 text-to-SQL 基准 Beaver 上,纯 LLM 得分为零、智能体方案约 10%,而公开基准上的成绩是 80% 至 90% 以上 — https://flyvolo.ai/zh/changes/ev-20260720-data-analyst-2 (来源: https://cacm.acm.org/blogcacm/if-you-think-you-can-do-real-world-text-to-sql)

### 让一个数字改变一个决策

- 方向: 正在被增强
- 依据: 有证据(附已核实记录)
- 为什么: 起草叙述和幻灯片更快了。在会议上说服一位持怀疑态度的总监、知道对这群特定听众该把哪个前提放在前面,仍然是人的任务,因为它取决于读懂现场,以及分析师本人的可信度。
- 这还不能说明什么: 可信度是个人的,而且积累得慢 —— 它护住的是已经站稳的分析师,别人沾不上。刚入职的分析师没有可信度,而现在能用来挣可信度的常规任务也变少了。
- 记录:
  - 2026-06-25 · 限制或撤回 · 英国统计监管办公室表示,用 AI 生产或传播官方统计数据的机构应该像对待任何方法一样适用《统计实务守则》,保持人工监督和明确问责 — https://flyvolo.ai/zh/changes/ev-20260625-data-analyst-6 (来源: https://osr.statisticsauthority.gov.uk/publications/state-of-the-statistical-system-2026-2/pages/6/)

### 拥有工具所依赖的指标定义

- 方向: 新出现的任务
- 依据: 有证据(附已核实记录)
- 为什么: 自然语言分析只在定义良好的指标之上才能成立,所以分析师的价值从「回答问题」转向「维护那个让每个人都能自己回答问题的层」。这是新工作,比起做报表更接近数据治理,分析师的编制正被重新导向这里。
- 这还不能说明什么: 维护指标定义是比「回答问题」更小的活,而且一个组织只需要一份。所谓编制「转向」它,委婉地说就是更小的团队在做不同的事。
- 记录:
  - 2026-09-10 · 技术能力 · OpenAI 发布数据分析 agent 模板,其自带说明要求指标定义、可信查询与人工纠正由使用团队提供 — https://flyvolo.ai/zh/changes/ev-20260910-data-analyst-3 (来源: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2025-07-18 · 实际部署 · 领英称,其文本转 SQL 机器人每周有 300 多名用户;数据集负责人的标注把正确或接近正确的回答从 9% 提高到 48%;最常见的错误是筛选条件 — https://flyvolo.ai/zh/changes/ev-20250718-data-analyst-4 (来源: https://arxiv.org/abs/2507.14372)
  - 2024-09-26 · 实际部署 · Grab 称,由 AI 起草、交给数据表负责人接受或修改的文档,把最常查询的数据表的文档覆盖率提高了 70 个百分点,达到约 90%,之后才推出大模型数据发现机器人 — https://flyvolo.ai/zh/changes/ev-20240926-data-analyst-5 (来源: https://engineering.grab.com/hubble-data-discovery)

## 怎么引用

- 单位是任务,不是职位名:说哪些任务在变、哪些不变。
- 每项任务的依据与限制要一起带上;推断不是结论。
- 本页不给年份。不要从中推出一个。
- 更多: https://flyvolo.ai/llms.txt