数据分析师 · 任务逐条

写查询、搭看板

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。

「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。

弄清楚真正在问什么

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。

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。

知道数据什么时候在骗人

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。

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。

让一个数字改变一个决策

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。

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。

拥有工具所依赖的指标定义

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。

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。