要么强化用数据去解决问题的能力，成为 复合型人才 （如战略分析师），要么以技术开发为核心，成为 技术型人才 （如数据科学家）。
具体解析可以参考下文：
客观而残酷的事实是：
大部分数据分析师职业发展前景堪忧！
原因在于数据分析师及商业分析师等职业，它们的 高就业率是和其大部分成长性较低的属于后台性质的岗位绑定的 ，而若想要找到 具备较高职业成长潜力的技术类中台工作 ，门槛很高（数学、计算机软件工程或强相关专业的博士），得有相当强的数学和编程方面底子，显然大部分从业者并不满足。
（关于前中后台的详细解析，可以参考这篇文章：陈思炜：【精】为何很多人不愿做后台工作?——一文带你分清「前中后台」（共8602字，各行业通用））
此外数据分析师的 市场需求 其实并不大：
因为能产生海量一手数据的行业终究是 少数 ，如生物（大健康）、金融、部分制造业、互联网......
而有能力搭建一整个独立数据团队的大型公司更是少数中的 极少数 ，因为从成本方面考虑，大部分公司的数据收集和分析要么交给 第三方 ，要么干脆把这部分工作拆分给 其他部门 。
结合以上两点就会出现这样一个 尴尬的场景 ：
数据分析师的工作内容
关于大部分数据分析师的日常的工作，包括以下 内容 。
先把数据从一个个 「小池子」搬到「大池子」 里，包括数据预处理。
然后找出不同数据之间变化的联系， 线性 的最简单，要么xxx增加ooo减少，要么xxx增加ooo增加：
非线性 的复杂些，一会儿xxx增加ooo减少，一会ooo增加xxx也增加，又一会增加得快，一会增加得慢，或种种指数型函数......比如像 下图 的种种曲线：
更复杂的，加个生命周期，搞个不同用户分层，数据量要大些，整个机器学习聚类......
95% 的数据分析师从事的都是这些 重复性、机械性高，思考性、不可替代性低 的工作（往往在 半年到一年 里，就学不到也接触不到新鲜的工作内容了），而不是更具创造力和深度的 算法设计 或 决策制定 。
说的更直白些，他们的工作只是 把数字「搬」到领导眼前 。而数字背后展现了什么现象，暴露了什么问题，更进一步怎么去利用现象、解决问题，服务于更大的商业目标， 这些更有价值的工作却极少涉及 。
冰冷的数字 体现不出数据分析师们的价值与智慧，加之大部分的数据分析师只是「指令」的接收者和执行者，就更别提进一步建立 「人与人」之间的链接与信任了 。
数据分析师会被代替？
既不具备高端的技术中台能力，也没有与人打交道的前台能力，那么大部分数据分析师在 职场中的不可替代性便不会很高 ，这意味着市场上随时都能找到 更高效率 、 更加稳定 、 更加廉价 的劳动力，在过去这被叫做「35岁职场危机」，而随着AI技术的发展，这场危机只会来得更早，甚至替代你的也无需是人。
前段时间，ChatGPT出了一款叫 「Code Interpreter」 的插件，操作者只需要提供 数据 和所期望的 研究方向 ，它就能自动编程、生成模型、得出统计意义上的结论甚至图表。
不客气的说，就上述的这些功能便已能胜任一位低端数据分析师 近六成的工作量 ，而这只是它的alpha测试版。
AI比起学会你的技能（数据分析）并 替代 你，它甚至会让你引以为傲的技能 变得「廉价」 ，让人人都能以极低的学习成本成为「数据分析师」。
就像算盘被计算器替代，而计算器又被计算机替代一样， 单一维度的技能 ，随着科学技术的发展，终会被「自动化」成一个个小的模块，从而囊括进更大的系统里。
因为只有当过去的技术被优化成 更简洁、更易于操作的「工具」 ，下一代人才能以更低的代价去学习和使用这些「工具」，借以提高自己的产出效率，有精力和能力去解决新问题，再在未来创造出新的「工具」，供后人使用，解决更新的问题，这便是人类文明不断延续、发展的 底层逻辑 。
所以， 数据分析师的落寞实际上是人类文明发展的必然结果 ，但好在这不会是一个很快的过程，数据分析师所辛苦掌握的技能并不会顷刻间就变得一文不值。
可能的未来
在未来，大部分公司不一定会简单粗暴地采取 直接裁员 ，而是先进行内部岗位上的 结构调整 。
随着当下AI的发展， 每个数据分析师的效率都会大大提升 ，那么假设原本 100人 才能完成的工作量，如今只需 60人 就能搞定，该职位的总人数便会逐步从100人调整至60人左右。排除个别人主动转岗（而非被淘汰），那这60人大概率会是100人中能力更强的60人，自然该职位的平均薪资也会有所上涨。
另外的40位数据分析师们则会面临以下 几种情况 ：
1. 发挥自己的数据解读能力，
调配到 运营岗 中的策略运营部门，
可能 调岗降薪 。
2. 发挥自己的编程能力转到 开发岗位 ，
可能 调岗涨薪 。
3. 没有任何可以胜任的岗位，
无奈吞下被 裁员的苦果 。
随着原本数据分析师的从业者去到其他岗位，其他岗位的人员数量也会受到影响，随即产生 一连串的人员变动连锁反应 。
如此看来，这是一个组织 牵一发而动全身 的过程，表面看是单一岗位的没落，实质上是全体从业者「质量」的大洗牌，能力弱者被强者优化（无关岗位）。
所以「数据分析师」的 名称 或许会随着科技的发展，逐渐淡出人们的视野，但从业者所具备的部分通用技能只要能与不同的能力相融合，依然能产生 1+1＞2 的化学反应，让你在职场中保有一席之地。
两条出路
以数据分析师为始，在不变更大赛道的情况下，要想提高职业天花板，要么强化用数据去解决问题的能力，成为 复合型人才 （如战略分析师），要么以技术开发为核心，成为 技术型人才 （如数据科学家）。
不同企业对于数据分析师的称谓可能各不相同，上图只是一种情况，但实际职能不会有太大变化
再次强调：
数据科学家的门槛是数学、计算机软件工程或强相关专业 博士 ，不满足这点的，还是另寻出路吧。
下文的讨论重点会放在以 战略分析师 为代表的复合型人才。
首先摆在我们面前的一个问题是：
什么是战略？
战略是什么
用【孙子兵法】中一句话就是： 胜兵先胜而后战。
这句话的字面意思很容易 理解 ，难点在于如何 做到 ，在解答这个问题之前，我们不妨先来看一个 例子 ：
最初爱迪生在发明电灯泡时，一户人家想要点上灯，需要从发电厂专门接一根电线到家里，其费用约是点蜡烛或者油灯的 一百倍 。
但直到都通上了电，点上了灯，大家才发现，原来 电不止可以用于电灯 。
那些纽约最早的几百户宁愿顶着 百倍成本 ，也要接上电线，让家里点上灯的 「冤大头」 ，既支持了最早一批发电站的建成,也 提前 享受到了电气时代的福利，而剩下的 「聪明人」 则要花费更大的成本才能接上电线，用上电器。
从结果倒推来看， 「接上电线」 显然是一次 正确的战略 ，而 「不接电线」 则是一次 失败的战略 。
为了找到是什么因素决定了战略的成败，我们要对上面两张简化的思维模型图进行 「找不同」：
1. 前者以短期的 成本角度 出发，而后者考虑到了接电线带来的 工具效率提升 ；
2. 前者只看到 眼前的电可以用来照明 ，但后者看到了 电的更多用途 ：通信、交通......
由此我们可以得出战略最重要的两点要素—— 受过检验的系统化的思维模式 （例中除了考虑短期成本维度，还考虑到了长期工具效率维度，而系统化思维模式能帮助我们的思考覆盖更多的维度，比如麦肯锡7s模型、SWOT分析、六西格玛管理......）和 够多、够接近事实的信息 （认识到电除了照明还有更多的用处，知道别人所不知道的，辨别出正确和错误的信息，就能形成战略上的先发优势）。
而这两点无不需要 持续的积累和不断的学习、练习 ，这也是开头「 胜兵先胜而后战 」的含义：能够在战争中取胜的军队必然是提前作好了充分的准备和积累，再开启战争。
由此可见，对于数据的抓取、分析、解读固然很重要，但它只是 「战略」 众多准备和所需能力中的一环。只有对于 市场调研、业务细节、产品了解程度、商业思维 ......了解得足够多、足够精准，再通过不同的思维模型进行正确的评估（需要反复的练习），才能制定出更优的战略，胜任 战略分析师 的岗位。
类似要求复合能力的岗位还有与 财务相结合 的经营分析师、与 运营相结合 的策略分析师，其共同点都是通过对于复合能力的掌握，最终提高了自己的职业发展天花板。
该如何才能具备这些复合能力？
我的建议是「 把自己的成长当成一个项目去运营 」，落实起来可以拆解成 四点：
1. 不断「追问」手头任务的价值，不需要立刻给出解答，但要及时 记录 ，定期 复盘 ，寻找问题之间的联系。
2. 明确任务的导向，包括理解任务目的、预期结果和具体要求。尽可能从大局出发， 合理配置资源 ，识别任务与组织的整体战略目标之间的关联。
3. 系统学习有价值的知识和技能 ，通过阅读、研讨、培训等各种途径提升自我专业素质，拓展思维广度和深度，勿闭门造车。
4. 建立有效的 时间管理策略 ，理解并明确优先级，减少无效工作，提高工作效率。
总结
数据分析师当下的境遇就像一艘在汹涌大海中航行的船只，既要面对 AI技术的风暴 ，又要把握 商业战略的罗盘 。
作为数据分析师，不能仅仅是数据的 搬运工 或 展示者 ，简单地堆砌数字，让他人眼花缭乱。
而是要成为数据的 解读者 和 利用者 ，从数据中挖掘价值，并提出有分量的见解，制定有效的策略并推动落地的执行，为组织 创造更多的收益 。
其实不只是数据分析师，大部分脑力工作者的岗位在AI的冲击下，都在变得岌岌可危，那么他们又该如何应对呢？不妨参考这篇文章：
其他内容推荐：
