AI时代，数据分析能力如何升级？陈老师指出，旧路线已失效，新路径在于贴近业务练分析思维、用标准化指令指挥AI取数，并借助AI学习复杂理论。本文从指标体系、分析思路到数据处理，给出适应AI趋势的成长指南。

AI时代，要怎样提高数据分析能力？当然不是Excel，SQL，Pyhton，PowerBI一路摆开学过去。AI已经能代替其中很多操作，重复造轮子意义不大。

而真正产出价值的分析思路，分析模型又不在这个学习路线上！所以，不要企图拿着旧船票上新船，陈老师带大家梳理下，眼下强化能力的更好的路径。

一、从指标体系开始

数据分析，要有数据，才能分析。理清楚指标体系是分析第一步。

本质上看：数据的指标体系从业务流程中来，所以：

1）清晰自己的行业+场景（生产、销售、运营、物流、客服等）

2）理清业务流程（生产流程，销售转化流程，售后服务流程等）

3）清晰业务流程的结果（增加收入，降低成本，准时交付等）

4）检查流程中采集哪些指标（过程转化率，料工费投入等）

分四步，就能理清指标体系。

在这个过程中，AI还能起到很大辅助作用：

1）客户/商品/物料分类：可以直接问AI行业常见做法

2）过程数据采集：可以直接问AI埋点方案/采集方式

3）业务财务口径对齐：可以直接问AI对口径的要点

清晰自己要分析什么数据，是所有工作基础。这一步AI不可替代，必须自己干。AI不能变出更多数据，AI也不是神仙随便给几个字段就有高超结论。这一步要结合实际多练。

二、分析思路多多练

缺少分析思路，是表哥表姐，查数姑，SQL Boy最大的瓶颈。以前搓SQL取数、整理表格挤占了大量时间，没空思考分析问题。现在AI提高了生产力，更得重点加强这一部分。

数据分析解决业务/财务问题，有2条思考顺序。

顺序一：先有假设，再验证假设。

比如，业务先怀疑是：流量质量/产品质量/转化方式等因素影响了结果。我们去验证这个假设。

这一步可以用AI辅助，提高学习效率：

1）具体到一个行业+场景

2）收集常见的业务假设

3）把业务假设，转化为可衡量的指标/维度

4）生成取数表，带入真实场景，检验结果

对于一些低复杂度问题，上述可以直接套出结果来。

顺序二：先看数据，再提假设，主动发现问题。

拆解数据有固定的顺序，并且可以做成Skill，反复使用。

需要提醒的是：分析思路需要大量练习，才能进步。同学们可以把公司的常见业务场景，比如销售转化、商品进销存、物流时效、活动效果评估等列出清单，已经有监控报表的尝试Skill化，经常被业务提问/提临时取数的，多提假设。这样反复连起来。

三、取数方式AI升级

AI时代，最需要学的是：数据的标准处理步骤。比如：

1）指标、维度的基本概念

2）指标的筛选/计算

3）交叉表的计算

4）聚合函数/窗口函数

5）标签的生成/分类

6）多表链接

注意！学习这些，是为了更精准的控制AI完成任务。用准确的控制语句能极大提高AI生成代码的准确度，减少取数工作的耗时。

所以，还是建议有一些SQL基础，能更好使用AI工具。至于其他概念，特别是Python，不太需要专门学。在准确的数据处理命令之下，AI写python比人的效率高多了。

特别提醒一些只用Excel的表格表姐，这些同学脑子里甚至没有指标/维度的概念，只知道单元格怎么处置，甚至不太描述清楚自己的数据处理需求，这样是不太适应AI化趋势的。

注意，本身取数就是个搬砖的活。特别是公司系统多，数据分散，口径对不齐，历史报表统计逻辑不规范的情况下，极大消耗人的精力。

这一部分可以和指标体系连起来学习，让AI辅助设计新的数据宽表，减少复杂的跨表查询，既能提升效率，又能减少取数工作量，还能为后边ChatBI 数据Agent打好基础。

四、强化理论知识

数据分析的某些议题，有理论支持，比如：

1）ABtest问题：统计学

2）预测问题：统计学/机器学习

3）最优化问题：运筹学

4）因果推断问题：机器学习

以前，这些理论晦涩难懂，前脚学后脚忘。现在在AI的加持之下，反而能极大提升学习效率。一个比较靠谱的做法是：

1）先给一个明确的业务场景（我要做XX测试，我要预测XX指标）

2）给到AI，你可用的数据字段（把本文开头的指标梳理拿来用）

3）让AI基于你的场景+数据，设计一个预测/测试/因果推断/优化方案

4）基于这个方案，进一步了解其中理论细节，比如样本量，模型参数，T检验等

这样理论结合实际，能快速上手学习并运用到工作。继续抱着厚厚一本《统计学》的书来翻，继续前脚看，后脚忘。

总之：贴近业务，多练分析思维+分析模型，用标准化操作指挥AI取数，夯实数据基础，是数据人适应AI时代，长期发展的饭票。