很多同學都在思考職業發展路徑問題。最近諮詢陳老師的也很多，一個很普遍被問到的，就是：數據分析師的紅旗，到底能打多久？今天集中解答一下。還是陳老師的一貫風格，不吹不黑，客觀說事。我們一起來看看，面向2023年，數據分析師們最糾結的五個問題：
▌問題一：數據分析會不會被Chat GPT取代？
答：不會！
所謂的「人工智慧/智能BI/ChatGPT會取代數據分析師」，正是來自對數據分析工作的不了解。在不懂行的人眼裡，數據分析師和算命大師沒啥區別，不需要數據採集、不需要數據清洗、不需要數據治理、不需要分析建模、不需要積累經驗、不需要你測試驗證。只要眉頭一皺、掐指一算，咒語一念，符咒一燒，算盤一撥，天上咔嚓一道炸雷掉下一道聖旨：明年業績1257億！這就算分析完了。
在不懂行的人眼裡，ChatGPT、人工智慧、數據分析、算盤、《周易》沒啥區別，反正過程他都看不懂，最後咔嚓一聲能出個好牛逼的結果。有這種幼稚理念，當然會覺得人工智慧會取代數據分析了。而實際企業面臨的數據問題是：
1、沒有數據：新業務急匆匆上線，壓根沒採集數據
2、有假數據：業務操控，流程缺失，利益驅動
3、亂七八糟：口徑不統一，流程不規範，使用瞎胡鬧
4、人為扭曲：業務方為了保住KPI睜眼睛說瞎話
5、不會判斷：只知道寫同比環比，不會解讀意義
6、主觀臆斷：做數據只為證明自己是對的，強詞奪理
只要ChatGPT無法穿著西裝打著領帶出現在會議現場，它就沒法解決基礎數據問題，連數據都沒有，還分析啥呀分析。
無論哪朝那代，數據分析始終圍繞五大問題：
1、是什麼（量化結果，獲取數據）
2、是多少（樹立標準，評價好壞）
3、為什麼（尋找原因，驗證假設）
4、會怎樣（預測前景，探索可能）
5、又如何（綜合評估，做出取捨）
通過不斷循環的解答這五個問題
我們量化監控業務走勢，把不確定變成確定；
我們做出客觀的評估，發現問題，沉澱經驗；
我們合理預測前景，探索新可能，發現新道路；
最終推動業務持續進步和改善。
我們量化監控業務走勢，把不確定變成確定；
我們做出客觀的評估，發現問題，沉澱經驗；
我們合理預測前景，探索新可能，發現新道路；
最終推動業務持續進步和改善。
這種摸著石頭過河的力量，是任何算法不可取代的。當然，石頭摸清楚了，數據質量好了，經驗總結差不多了，這時候有些傳統的工作可以用模型來干。比如在風控、推薦領域，傳統業務經驗越來越讓位給模型。同樣的，在新的領域，數據分析繼續做著開路先鋒。
比如這兩年，陳老師主導的項目，就有大量的社交電商、分享裂變、網紅帶貨、私域流量轉化的項目，這些項目往往是業務模式創新和數據分析齊頭並進的。在這些新領域，各個行業都在摸石頭，當然得帶著有本事測量深淺的水文師。不然一腳下去踩坑裡咋死的都不知道。
當然還有一種論調，來自：以後有智能BI，自動生成SQL代碼了，數據分析師就要下崗了。這個更幼稚了，誰TM跟你說數據分析師就是人肉SQL機了！
要我說，這種智能BI越早出越好！正好把那些每天2000行sql的小哥們解放出來，正好把那些無窮無盡的臨時取數擋掉，正好可以讓市場部那些只懂心機不懂技術的妹子們對著ChatGPT咆哮：「這是總監要的，下班必須給！」——這話都衝著ChatGPT喊去，那畫面想想都爽。我們就有更多的時間，來分析問題，來設計實驗，來挖掘深層因素，以後出的成績還多一點。
So，時代淘汰的不是數據分析師，而是只會寫SQL的肉雞，是只會到處問「有沒有模板抄抄」的菜雞，是只會寫同步環比的草雞。大家大可安心。
▌問題二：數據分析會不會被會寫sql的運營取代？
答：不會
這個問題陳老師有經常分享，這裡不再贅述，只說結論：「運營做數據分析是有原罪的，叫：本位主義」。
只要丫的身份還是運營，丫的數據分析結果就是屁股決定腦袋，就是短視且功利的，這一點跳進黃河都洗不清。
況且運營也就只會寫sql而已，你讓他弄數倉，搞ETL，搞數據治理試試，不累死也噁心死。這又是「只見高樓起萬丈，不見地基累又髒」所產生的誤解。所以做數據的同學們不要嫌棄這些髒活累活，這反而是我們的一個護城河（雖然裡邊都是泥巴）。
當然，那些只會寫「本月比上月少了1000萬業績，連續三個月下跌」的數據分析師，鐵定被運營取代呀。這種玩意只要眼睛不瞎，且識字，都能寫呀！連我們家小爺coco都會看著爸比畫的條形圖說：「這根短了」，他再學會一句「要搞高」，就能去很多網際網路公司當「數據分析師」了呀。這種不被取代就見鬼了。
▌問題三：數據分析就業難不難？
答：難
第一，因為算法被炒得太熱，所以很多人會希望數據分析師懂算法，從而增加了面試難度。是滴就是那些不明真相的吃瓜群眾，總想著：「算法這麼牛逼的都會了，分析還不會嗎？」抓著做分析的往死里問算法，進了公司才發現，他喵子的除了交易流水屁數據沒有，算法個蛋蛋。
第二，因為很多運營自己開始sql，導致對分析能力的要求更高。一個矛盾點是：很多領導自己也沒見過高級的數據分析長啥樣，於是會瞎提要求，把很多業務問題歸為數據問題，去問數據分析師怎麼賣貨。這要是正兒八經的數據分析師可能真的就冤死了。
第三，因為網際網路行業寒冬，導致釋放出來大量勞動力，於是想轉行的，算法（只會調參）失業的，做運營的，根紅苗正做分析的，都在找數據分析工作，競爭更激烈，自然找工作更難。
綜上，難是肉眼可見的難，大家多多努力，少點衝動是正道。
▌問題四：數據分析想突圍，可以準備什麼？
嚴格來說，這篇可以單獨寫。這裡先列個提綱：
1、連excel，sql，python（速成ESP套餐）都不會的，趕緊學技術，加強能力
2、吃了ESP套餐的，學點數倉，ETL，數據治理，提升基礎能力
3、和業務走得近的，多補充業務知識，特別是新領域的數據運用
4、公司數據基礎好，本人知識紮實的，挑戰一下算法
總之，橫行擴寬業務知識面，縱向在數倉方向強化，能力強的看點算法，技多不壓身，能力強自然出路多。
▌問題五：數據分析想轉行，可以哪裡走？
嚴格來說，這篇又可以單獨寫。這裡先列個提綱：
1、業務能力強的，可以往用戶增長、用戶運營等策略性強的部門轉，這些部門天生就需要很強的分析能力。
2、技術強的，可以往數據產品方向轉，移動BI、大屏、運營助手等產品是很好的出成績的地方
有兩條路吹得很火，可實際上不是特別好的出路：
1、數據中台。經過一年爆吹，大家發現：這玩意沒鳥用呀。少拿阿里的數據產品舉例子，人家天生數據多，可以賣給一堆企業，就我們企業那爛兮兮的數據，建中台有毛用，不是在爛泥巴里起高樓嗎，不塌才怪。
2、數據分析轉算法。經過泥沙俱下的前幾年，大家也發現只會調參的「算法工程師」有毛線用。真正算法項目，工程的難度是遠遠高於算法難度的，這使只會數據的人沒啥優勢。更何況，現在仍然有大量狂熱應屆生湧進這個領域，和他們比起來半吊子出身的數據分析是沒啥競爭力的。所以謹慎選擇轉行。
以上，大致回答了大家最關心的五個問題。除了問題一，問題二，其他分享都少一點，因為篇幅真的已經很長很長了。
其實同學們最初的問題是：數據分析師發展前景如何？陳老師不喜歡探討這麼虛的話題，正如上邊五個問題一樣，大家會發現：如果你持續進步，你始終能在時代中找到自己的位子，如果你原地踏步，隨便一個玩意都能把你淘汰。
前景不是看出來的，而是自己努力出來的。能搞掂的具體問題越多，自然越有前途。