还有同学在焦虑：AI时代的数据分析师该怎么生存？今天陈老师用一个简单例子，系统跟大家讲解下，话不多说，上案例！问题场景

先看看一个简单的例子如下，看图回答问题：6月GMV是多少？？？

有多少同学是脱口而出：400！

恭喜你，如果直接把数据扔给AI，它们也是这么说的。

也就是说，如果你只会就数论数，那真的可以被AI取代了

问题是：如果你把过往三年数据拖出来，很可能如下图。

此时你恍然大悟，说：“数据长这样，咋不早说呀！”你也没主动问呀。

人，是有主动性的，主动提问才是人的价值。

另外，难道看到这张图，就是预测的全部了吗？

1）为什么6月、11月会高涨？

2）是自然原因，还是618/双十一活动？

3）如果是自然原因，是什么业务逻辑？

4）如果是活动原因，那么当时投入力度多大？

不是都不知道？是不是都要补充？这些都是主动思考的一部分

想做好预测，就不能只对着数据本身就数论数，而是得找到数据背后的原因。

比如上图中6月，11月大涨，可能有几个原因：

• 行业因素：行业本身就是夏季、冬季前有一波高峰（比如旅游相关机票、酒店、住宿，赶在寒暑假前大量预定）
• 促销因素：618，双11是主战场，要拼命做大GMV
• 产品因素：这个行业每年6,11月上新品
• 其他因素……

在做预测之前，我们要先了解业务，掌握影响因素。根据影响因素的可辨识程度，大致可分成三类，我们一类一类来看：

第一类：宏观事件型

宏观事件往往备受关注，但是你也没本事预测下个月国际大事，国内政策。所以，利用数据，总结常规季节性、业务发展周期性、突发事件的可能影响范围，做好事件记录（如下图），才是可以提前准备的。

有了上述经验积累后，才可以建立事件薄，每周/每月定期检查：

1）本周/本月有哪些事件预计会发生

2）本周/本月到了什么季节

3）本周/本月是XX业务发展的成熟期/衰退期

这样才好做出相对准确的评估。你要建知识库，训练模型，要写提示词。这些输入都是要提前准备好的，不然AI也只能像个傻子一样念个“预计400”

第二类：投入产出型

投入产出型事件，往往是：大家都知道有影响，但具体影响多少不清楚。这时能体现一定的数据价值。

计算投入产出的常用方式有三种（如下图）

这里最重要的，当然也是数据记录。因为业务做的活动描述，都是非常感性的，充满了你看不懂的说法， 你得敏锐的从报告里剔除无关术语，找到和投入产出有关的部分（如下图）

在这个过程里，你甚至可以发现：业务部门干事情不见得是为了效益最大化，很有可能有政治任务——

比如：

• 老板要大力转型新零售，所以非得强迫客人微信下单
• 我们的KPI是抓老用户，所以效果不好也得强行做
• 部门费用不够了，但活动还得做，所以券全部面额减半

这时候，如果在第一阶段建立过事件薄，就通过历史数据，提前发现问题：

• 微信下单就是垃圾，影响销售
• 老用户响应率就2%，咋做都是死
• 面额减半，响应率不是减半而是减3/4

AI不能替代你和业务开会，不能替代你主动提醒业务埋点缺失，方案有漏洞。上边这些提醒都是你体现价值的地方。你才是能为业务解决问题的人。

那AI干啥呢？当然是帮你搓代码啦！以前搓个预测代码要好久，现在两句话搞完……哪怕不用国外的产品，你就下载个TRAE国内版，都能体验“口述机器学习建模”的爽快感

第三类：内部结构型

当你充分做好1、2步，已经有下边丰富数据（如下图）：

即使是这样，还是很难区分：到底影响因素是个案还是趋势。。比如我们总是说：经济下行，消费降级，需求不足，可真具体到某一月某一日的数据上，你真把特定活动抽出来看，差异不见得太大。

有时候自以为观察到一个变化，可持续看几天，丫又消失了……短期内，永远是宏观事件&投入产出型影响占主导。所以想要观察到一个内部结构变迁的影响，需要长时间观察（如下图）

大家会看到：AI取代表哥表姐，SQL boy，查数姑，工具人，是不可抵挡的。

在数据领域，AI搬砖的效率比人高。但是，做数据的同学，不是最讨厌自己成为工具人吗！提升数据思维，站在“解决业务问题”而不是“这个SQL怎么搓”角度思考，打造专业级的知识库+行业理解，才是我们在这个时代生存法则。AI，他就是个帮我们搓代码的工具。