在数据分析领域，不会被 AI 替代的核心技能是什么？一个电商需求从运营交给分析师后，题目里被藏掉的指标、品类与消费者未被满足的需求，得先被还原、翻译成人话口径。作者用一次完整对照演示说明：这一步没有可配对的模型能力，只能靠人沟通消化。

好久不见～今天我想通过一个具体案例讨论一个问题：在数据分析领域，不会被AI替代的核心技能有什么？我会尽量通过对比+还原过程，来说明这项核心技能

除了对这个案例进行技术性分析，我还打算在结尾对其进行围绕人性课题的讨论：AI大跃进运动方兴未艾，我们身处其中倘若发现了部分AI使用者的盲目和无知，我们该如何身心愉悦的吃下这颗巧克力味的屎？

阅读声明：

1. 案例发生的背景是互联网平台公司，你可以想象成京东、天猫、抖音、快手等任何一个，反正就是既有搜索数据、又有内容数据、还有转化数据

2. 为了方便大家阅读理解，我已经把案例简化成了一个数据分析项目，需求方是运营，承接方是数据分析师，目的就是帮运营通过AI+数据分析解决一些高价值业务问题，我这里只选了一个题目——在某个品类下消费者未被满足的需求是什么？

3. 在这个案例中，运营是会使用AI的，所以他们已经针对那个业务问题写了一个skill，这个skill就是他们的原始需求了。下面的篇幅中我们可以研读分析这个skill、并对其进行升级改造优化。请注意，为了将信息脱敏，我只是将skill“写意”的呈现，隐去了其中很多指标。但这丝毫不会影响我们今天讨论的问题，因为需求翻译的核心是大道至简的

问题拆解：

好了进入正题，我们先看运营原本给出的skill⬇️

我们先稍微拆解下题目本身（在某个品类下消费者未被满足的需求是什么？）品类你可以简单理解为电商网站下商品的分类，比如酸奶、篮球鞋、手机、洗衣机等；未被满足的需求本身也是题眼，它可以是消费者大量吐槽的点（比如xx手机信号不好）、也可以是天马行空的许愿（比如来个折耳根味儿的酸奶让咱试试）

好了，简单拆解完题目后，我们来分析下运营的skill。不知道大家感受如何，我反正第一眼看完就觉得满脑袋问号：

针对步骤1（抽取要分析品类下的Top1000搜索词，对这些搜索词用LLM做语义聚类，找出搜索需求大、但内容供给少的。这些就是需求的空白点）：Top1000搜索词非全量数据，是否会导致得到的结果有偏？LLM做语义聚类每次结果不稳定，商业化toB场景给客户看ok么？通过分析搜索词来洞察消费者需求，这个没问题，但怎么从搜索词就跳跃到内容供给了呢？

针对步骤2（针对该品类拉取近期天高点赞内容下的所有评论，对这些评论用LLM提取出1）用户不满意的点2）用户想要但市面上没有的功能，这些用户原声就是需求空白点的证据）：仅针对高赞内容的评论分析，明显以偏概全；LLM提取同样不稳定；评论中消费者不满意的点有很多，到底选哪个？

针对步骤3（找到竞争对手的评论，识别出用户认为竞争对手的短板，这个就是可以重点打出差异化的卖点）：跟前面2个分析步骤没有衔接关系，且最后也没整合到建议结论中

针对步骤4（针对上面的需求空白点，分析该点能覆盖的人群规模有多大）：意图是什么？人群规模大说明什么？是能判断某个需求空白点是否成立，还是给需求空白点做排序？

针对步骤5（输出品类品类空白需求建议：每个候选方向给出「需求增速+供需比+竞品空白+用户原声需求+人群规模」五维对比）：仅有五维对比，但对比后怎么排序呢？输出的建议怎么跟5个维度结合起来呢？

我们进一步可以把上面的疑问归纳成3类：

一类是整体逻辑思路不清晰。比如整体有供需、竞品、人群3大分析维度，但3者之间的关系看上去是割裂的。似乎是依赖向AI“许愿”来完成整体分析？

一类是明显能看出分析方法不严谨不合理。比如第一步仅仅用Top1000搜索词，第二步只用高赞评论分析、只说用LLM提取不满意点没说提取后怎么选用。比较典型的缺乏统计常识和量化分析思维

一类是不清楚需求方的用意。比如第三步为什么要看人群规模，它对挖掘消费者尚未被满足的需求点有什么帮助？大概率是运营没有表达清楚，当然很多时候表达不清楚的根源就是没想清楚

以上这3类问题，第二类问题是AI基本可以比较好识别并解决的，其实不太需要人工介入；但第一类和第三类问题，往往就需要。因为我们看完后只能说觉得奇怪，但说不出它一定是错的，本质上就是不知道给出需求的原始用户到底是什么目的意图，这就需要人来沟通消化理解厘清。至于人到底该怎么介入，我们下面举例来说

优化教学：

先拿第四步人群规模举例（针对上面的需求空白点，分析该点能覆盖的人群规模有多大），当我们去找运营沟通的时候，我们最好不是直接去问你这个人群规模打算用什么数据怎么算、计算口径是什么。这是搞数据分析、甚至搞技术的人最容易犯的问题，总喜欢一头扎入细节。我们最好直接去问运营，这个人群规模的多少，跟一个尚未被满足的需求点之间的关系是什么？是人群规模越大，这个需求点就越应该被重视么？如果一个需求点，它的人群规模很小，但前面分析出来的搜索量很大、对应的内容供给很少，那这个需求点是直接作废不要了、还是仅仅重视程度优先级降低？聪明的你已经发现了，核心就在始终围绕目标问题「在某个品类下消费者未被满足的需求是什么？」，先搞清楚局部与整体目标的关系，先能用大白话说清楚为什么要这么做、然后再去考虑技术实现。在这一连串询问下，运营如实反馈：人群规模越大说明后续投放的「抓手」越牢靠，但只是锦上添花，并不是判断是否真需求空白点的关键筛选指标，最多就是排序用

上面这个其实还是简单的沟通，更复杂的是整体结构的问题，就是第一类问题。我们必须知道，运营既然能写出这种看起来逻辑混乱的解题步骤，就意味着他们本身就没想明白，即便你去找他们沟通，他们也不会主动灵光一闪逻辑通顺了。大概率就是你反复被他们的跳跃性思维带跑，比如当你问“这个供需、竞品、人群3者之间是顺序依次的，还是并列平行的？”，运营可能会回答你“诶我突然发现还可以增加一个维度是xxx，因为xxx”。这种情况会反复出现在跟运营的沟通中，你以为你已经直击问题本质要害，你以为你已经问的够富含逻辑了，但对方直接跳过。其实不必抓狂，因为如果对方是具备一定逻辑分析思维的，他给你的初稿就不可能是看起来奇奇怪怪的。这时候我们要做的，已经不是循循善诱的让需求方说出正确的逻辑分析思路，而是需要我们直接给出一个思路，让需求方直接做判断题。对，是判断题，这个时候选择题都不行。那我们怎么才能直接给出一个八九不离十的答案让运营判断呢？这就不仅仅需要我们有逻辑，懂指标会分析，更重要的是我们能够在对业务有一定理解的同时，能够讲大白话！

这里我强调一下，不是让你比运营还懂业务！这本身就是不合常理的要求，过去那么多年说什么让数据分析师比业务还懂业务（或者退一步跟业务一样懂业务）本身就是扯淡。术业有专攻，大家日常精力分配本来就不同。我们的定位，应该是当业务能给出一个骨架之后，我们能很好的消化理解并添砖加瓦。打个比方，当业务给出1之后，我们能在后面补充0，让它从1变成10甚至100、1000。不要总幻想我们直接就能给出100取代这个取代那个的，尊重专业人员，本身就是一种素质

讲大白话，这个真的不需要强迫你懂那么深的业务，真的就是一件事情如果能用大白话说清楚、那就是对的。好比一个产品的价值定位，如果一句话说不出清楚，那就一定是有问题的。很多初级选手会迷恋各种专有名词+黑话，仿佛掌握了这些话术自己就入门了，其实入的都是旁门左道。你就努力尝试把这个事情说的，让你那些不在互联网行业的朋友也能听懂就ok。回到我们这个问题，我们完全可以在不考虑数据指标口径的前提下，先用大白话做一个梳理：

1. 整体将品类下用户尚未被满足的需求，拆分成痛点+痒点2类

2. 痛点先用负面评价筛选出一个备选池，然后在这个备选池范围内结合需求量级、供需比、竞品对照、人群规模4个维度加权综合做一个榜单排序，排出痛点的优先级

3. 痒点用全量的评论，直接LLM提取出类似许愿的功能即可

当有了上述这个结构框架后，我们再去填充细节内容。你看上面这个框架它基本就是一个大白话，需要很多业务知识么？我想反复强调重复一句话：并不需要一步到位、一步就完善好细节。我们就把需求的消化翻译当成装修or化妆好不好？它本来就不是一蹴而就的，而是需要一层一层反复刷的，第一层先打基础搭骨架，后面几层才是细节。先宏观再微观，这个习惯也是非常建议初级选手从平时养成下

ok有了上面2个举例后，我们再把一些细节稍做填充，完整的优化过的分析步骤就有了，我们直接把它跟之前运营的初稿做一个分栏对照如下⬇️它不见得就是完美的，但比起原本运营自研的skill，已经是更能用的了

延伸讨论：

至此技术性问题算是解决了，我们还可以探讨一些非技术问题：当你面对的人，就是不知道自己的局限，且认为自己原本做的就挺好的，作为项目合作方你能怎么办？

我们日常接触的业务合作方，大多不具备量化分析思维，但他们有充沛的业务知识。且叠加如今的AI技术后，之前不会取的数能取了、之前不会的分析似乎也瞬间会了，所以很多业务合作方一开始都会由衷的赞叹AI（也是感叹自己）。这种情况下，像本文案例中我们试图优化运营原本的skill，对方往往一开始并不会那么领情。当然这也是人之常情～

如果我们一开始就穷追猛打，非要让对方意识到自己原本的方法就是有问题，不仅成本高，且只能算一时胜利、不利于后续长期合作。很简单，因为没有人愿意直面自己比别人差的感觉，就算是事实也不行。所以更好的路径其实还是上面我们提过的，让运营做1，我们给添加0。就像伺候老板一样，直接让他们做判断题，我们只是在人家的基础上做了一些优化，然后经过跟人家的讨论后得到更好的方案。核心就是最后公开场景要夸奖对方的专业知识到位，才能让这个方法论run起来，我们只是润滑剂而已。但这种主动退后，又会带来另一个潜在风险——如果老板也真的觉得我们的努力可有可无、只是锦上添花怎么办？

更进一步就是，当我们（少数人）发现了AI在实际应用中的问题，而这也正是我们不可被AI替代的能力后，作为打工人我们怎么让领导认识到呢？本文案例中的情况不是个例，各家大厂都正在或者已经经历过这种全民AI总动员，大家各显神通写skill，用这些UGC的skill做分析出结果报告。只不过有些skill的结果是对内看，有些是直接对客户。不论是公司内部的老板，还是外部的客户，普遍并没有审视过这些skill的准确率和稳定性。本文案例中运营给的skill，原本很有可能就是要直接让AI运行然后取数分析出结果的。AI在执行上的能力真的很强，不论这个skill本身写的对不对，反正“啪”的一下准能出结果，然后再配合html的界面包装，犹如屎配上巧克力薄膜

回到这个困境本身，我们连合作方的脸都不好意思打，难道还敢打老板们的脸么？肯定不行，我过往见识过无数次职场里的大小运动，凡是“顶风作案”脑子清醒不随大流的，轻则忽视、重则打压。或许比较好的方式就是主动让自己边缘化？不站在风口浪尖，既不做风口的猪赶时髦追热点，也不赌气出走逃离运动。前者是因为那样也挺累的，也不是什么性格的人都愿意的；后者是因为如今遍地都是草台班子，躲得过初一躲不过十五，频繁跳槽也对自身发展不利。所以不妨主动边缘化自己，让自己能一直近距离观察风暴中心，又不至于被卷入太多，还能一直享用一些公司资源（平台？token？信息？）

当然还可以换个思路，不做打工人的话，很多限制条件也就不存在了，但这就是另一个话题了，以后有空我们单开。总之面对这种局面，我能想到的办法不多，抛砖引玉，大家有好办法也可以评论区讨论