要麽強化用數據去解決問題的能力，成為 復合型人才 （如戰略分析師），要麽以技術開發為核心，成為 技術型人才 （如數據科學家）。
具體解析可以參考下文：
客觀而殘酷的事實是：
大部份數據分析師職業發展前景堪憂！
原因在於數據分析師及商業分析師等職業，它們的 高就業率是和其大部份成長性較低的屬於後台性質的崗位繫結的 ，而若想要找到 具備較高職業成長潛力的技術類中台工作 ，門檻很高（數學、電腦軟件工程或強相關專業的博士），得有相當強的數學和編程方面底子，顯然大部份從業者並不滿足。
（關於前中後台的詳細解析，可以參考這篇文章：陳思煒：【精】為何很多人不願做後台工作?——一文帶你分清「前中後台」（共8602字，各行業通用））
此外數據分析師的 市場需求 其實並不大：
因為能產生海量一手數據的行業終究是 少數 ，如生物（大健康）、金融、部份制造業、互聯網......
而有能力搭建一整個獨立數據團隊的大型公司更是少數中的 極少數 ，因為從成本方面考慮，大部份公司的數據收集和分析要麽交給 第三方 ，要麽幹脆把這部份工作拆分給 其他部門 。
結合以上兩點就會出現這樣一個 尷尬的場景 ：
數據分析師的工作內容
關於大部份數據分析師的日常的工作，包括以下 內容 。
先把數據從一個個 「小池子」搬到「大池子」 裏，包括數據預處理。
然後找出不同數據之間變化的聯系， 線性 的最簡單，要麽xxx增加ooo減少，要麽xxx增加ooo增加：
非線性 的復雜些，一會兒xxx增加ooo減少，一會ooo增加xxx也增加，又一會增加得快，一會增加得慢，或種種指數型函數......比如像 下圖 的種種曲線：
更復雜的，加個生命周期，搞個不同使用者分層，數據量要大些，整個機器學習聚類......
95% 的數據分析師從事的都是這些 重復性、機械性高，思考性、不可替代性低 的工作（往往在 半年到一年 裏，就學不到也接觸不到新鮮的工作內容了），而不是更具創造力和深度的 演算法設計 或 決策制定 。
說的更直白些，他們的工作只是 把數碼「搬」到領導眼前 。而數碼背後展現了什麽現象，暴露了什麽問題，更進一步怎麽去利用現象、解決問題，服務於更大的商業目標， 這些更有價值的工作卻極少涉及 。
冰冷的數碼 體現不出數據分析師們的價值與智慧，加之大部份的數據分析師只是「指令」的接收者和執行者，就更別提進一步建立 「人與人」之間的連結與信任了 。
數據分析師會被代替？
既不具備高端的技術中台能力，也沒有與人打交道的前台能力，那麽大部份數據分析師在 職場中的不可替代性便不會很高 ，這意味著市場上隨時都能找到 更高效率 、 更加穩定 、 更加廉價 的勞動力，在過去這被叫做「35歲職場危機」，而隨著AI技術的發展，這場危機只會來得更早，甚至替代你的也無需是人。
前段時間，ChatGPT出了一款叫 「Code Interpreter」 的外掛程式，操作者只需要提供 數據 和所期望的 研究方向 ，它就能自動編程、生成模型、得出統計意義上的結論甚至圖表。
不客氣的說，就上述的這些功能便已能勝任一位低端數據分析師 近六成的工作量 ，而這只是它的alpha測試版。
AI比起學會你的技能（數據分析）並 替代 你，它甚至會讓你引以為傲的技能 變得「廉價」 ，讓人人都能以極低的學習成本成為「數據分析師」。
就像算盤被小算盤替代，而小算盤又被電腦替代一樣， 單一維度的技能 ，隨著科學技術的發展，終會被「自動化」成一個個小的模組，從而囊括進更大的系統裏。
因為只有當過去的技術被最佳化成 更簡潔、更易於操作的「工具」 ，下一代人才能以更低的代價去學習和使用這些「工具」，借以提高自己的產出效率，有精力和能力去解決新問題，再在未來創造出新的「工具」，供後人使用，解決更新的問題，這便是人類文明不斷延續、發展的 底層邏輯 。
所以， 數據分析師的落寞實際上是人類文明發展的必然結果 ，但好在這不會是一個很快的過程，數據分析師所辛苦掌握的技能並不會頃刻間就變得一文不值。
可能的未來
在未來，大部份公司不一定會簡單粗暴地采取 直接裁員 ，而是先進行內部崗位上的 結構調整 。
隨著當下AI的發展， 每個數據分析師的效率都會大大提升 ，那麽假設原本 100人 才能完成的工作量，如今只需 60人 就能搞定，該職位的總人數便會逐步從100人調整至60人左右。排除個別人主動轉崗（而非被淘汰），那這60人大概率會是100人中能力更強的60人，自然該職位的平均薪資也會有所上漲。
另外的40位數據分析師們則會面臨以下 幾種情況 ：
1. 發揮自己的數據解讀能力，
調配到 營運崗 中的策略營運部門，
可能 調崗降薪 。
2. 發揮自己的編程能力轉到 開發崗位 ，
可能 調崗漲薪 。
3. 沒有任何可以勝任的崗位，
無奈吞下被 裁員的苦果 。
隨著原本數據分析師的從業者去到其他崗位，其他崗位的人員數量也會受到影響，隨即產生 一連串的人員變動連鎖反應 。
如此看來，這是一個組織 牽一發而動全身 的過程，表面看是單一崗位的沒落，實質上是全體從業者「質素」的大洗牌，能力弱者被強者最佳化（無關崗位）。
所以「數據分析師」的 名稱 或許會隨著科技的發展，逐漸淡出人們的視野，但從業者所具備的部份通用技能只要能與不同的能力相融合，依然能產生 1+1＞2 的化學反應，讓你在職場中保有一席之地。
兩條出路
以數據分析師為始，在不變更大賽道的情況下，要想提高職業天花板，要麽強化用數據去解決問題的能力，成為 復合型人才 （如戰略分析師），要麽以技術開發為核心，成為 技術型人才 （如數據科學家）。
不同企業對於數據分析師的稱謂可能各不相同，上圖只是一種情況，但實際職能不會有太大變化
再次強調：
數據科學家的門檻是數學、電腦軟件工程或強相關專業 博士 ，不滿足這點的，還是另尋出路吧。
下文的討論重點會放在以 戰略分析師 為代表的復合型人才。
首先擺在我們面前的一個問題是：
什麽是戰略？
戰略是什麽
用【孫子兵法】中一句話就是： 勝兵先勝而後戰。
這句話的字面意思很容易 理解 ，難點在於如何 做到 ，在解答這個問題之前，我們不妨先來看一個 例子 ：
最初愛迪生在發明電燈泡時，一戶人家想要點上燈，需要從發電廠專門接一根電線到家裏，其費用約是點蠟燭或者油燈的 一百倍 。
但直到都通上了電，點上了燈，大家才發現，原來 電不止可以用於電燈 。
那些紐約最早的幾百戶寧願頂著 百倍成本 ，也要接上電線，讓家裏點上燈的 「冤大頭」 ，既支持了最早一批發電站的建成,也 提前 享受到了電氣時代的福利，而剩下的 「聰明人」 則要花費更大的成本才能接上電線，用上電器。
從結果倒推來看， 「接上電線」 顯然是一次 正確的戰略 ，而 「不接電線」 則是一次 失敗的戰略 。
為了找到是什麽因素決定了戰略的成敗，我們要對上面兩張簡化的思維模型圖進行 「找不同」：
1. 前者以短期的 成本角度 出發，而後者考慮到了接電線帶來的 工具效率提升 ；
2. 前者只看到 眼前的電可以用來照明 ，但後者看到了 電的更多用途 ：通訊、交通......
由此我們可以得出戰略最重要的兩點要素—— 受過檢驗的系統化的思維模式 （例中除了考慮短期成本維度，還考慮到了長期工具效率維度，而系統化思維模式能幫助我們的思考覆蓋更多的維度，比如麥肯錫7s模型、SWOT分析、六西格瑪管理......）和 夠多、夠接近事實的資訊 （認識到電除了照明還有更多的用處，知道別人所不知道的，辨別出正確和錯誤的資訊，就能形成戰略上的先發優勢）。
而這兩點無不需要 持續的積累和不斷的學習、練習 ，這也是開頭「 勝兵先勝而後戰 」的含義：能夠在戰爭中取勝的軍隊必然是提前作好了充分的準備和積累，再開啟戰爭。
由此可見，對於數據的抓取、分析、解讀固然很重要，但它只是 「戰略」 眾多準備和所需能力中的一環。只有對於 市場調研、業務細節、產品了解程度、商業思維 ......了解得足夠多、足夠精準，再透過不同的思維模型進行正確的評估（需要反復的練習），才能制定出更優的戰略，勝任 戰略分析師 的崗位。
類似要求復合能力的崗位還有與 財務相結合 的經營分析師、與 營運相結合 的策略分析師，其共同點都是透過對於復合能力的掌握，最終提高了自己的職業發展天花板。
該如何才能具備這些復合能力？
我的建議是「 把自己的成長當成一個專案去營運 」，落實起來可以拆解成 四點：
1. 不斷「追問」手頭任務的價值，不需要立刻給出解答，但要及時 記錄 ，定期 復盤 ，尋找問題之間的聯系。
2. 明確任務的導向，包括理解任務目的、預期結果和具體要求。盡可能從大局出發， 合理配置資源 ，辨識任務與組織的整體戰略目標之間的關聯。
3. 系統學習有價值的知識和技能 ，透過閱讀、研討、培訓等各種途徑提升自我專業素質，拓展思維廣度和深度，勿閉門造車。
4. 建立有效的 時間管理策略 ，理解並明確優先級，減少無效工作，提高工作效率。
總結
數據分析師當下的境遇就像一艘在洶湧大海中航行的船只，既要面對 AI技術的風暴 ，又要把握 商業戰略的羅盤 。
作為數據分析師，不能僅僅是數據的 搬運工 或 展示者 ，簡單地堆砌數碼，讓他人眼花繚亂。
而是要成為數據的 解讀者 和 利用者 ，從數據中挖掘價值，並提出有分量的見解，制定有效的策略並推動落地的執行，為組織 創造更多的收益 。
其實不只是數據分析師，大部份腦力工作者的崗位在AI的沖擊下，都在變得岌岌可危，那麽他們又該如何應對呢？不妨參考這篇文章：
其他內容推薦：
