数据分析夏令营第1期：AI 时代为何仍要学数据分析

📌 要点：
· AI 不替代「为决策负责的」数据分析师，反而放大其价值；
· 业务、数据、分析三者必须连成闭环，这是分析的本质；
· Tableau 原理最严谨、门槛最低、已免费化，是学数据分析的首选工具。

这一期是"喜乐君·数据分析夏令营"的第一讲，定位是开篇引导——不教操作，先把认知和框架立起来，后面几期才逐一落地。

最近有学校邀请做一个系列直播，我就借这个机会把范围放大一点，做一系列分享。这一期我刻意从 Tableau 这个小圈子"适当跳出来"：往前看，看 AI 时代为什么数据分析人反而更重要；往后看，回到业务，从业务角度增强对数据分析的理解。

贯穿始终的一句话：业务、数据、分析这三个环节要连起来——这也是我几本书里一直在讲的事。

这一部分原计划只是"铺垫"，实际讲成了全场主轴。它也是我两本著作一以贯之的方法论：业务向左，分析向右，数据在中间。

一、为什么在 AI 时代，更要学数据分析

1.1 被替代的岗位 vs 难替代的岗位

很多年前我给客户培训时常讲一张图（最早是麦肯锡讲"自动化"、如今换成"AI"）：大量岗位正在被快速替代，但有两类最难：

与政治、与人的不确定性打交道的：比如国会议员、心理医生；
为决策负责的：CEO，以及数据分析师。

关键判断在这里：数据分析师是为 CEO 提供决策建议的人。如果你做分析做不到这个段位，只是做数据整理、简单开发，那你其实就是"表哥/表姐/码农"——段位要往上走。

不同岗位被AI替代的难度阶梯图，数据分析师位于较高位置 — 图：各岗位AI替代难度阶梯

1.2 越抽象，AI 越难席卷

AI 在 coding 上做得好，根本原因是代码世界的数据规范最整齐；越往抽象走，AI 越吃力。数据分析本质上是一个抽象的境地，所以现在用 AI 做数据分析，"更多是噱头"，但它对我们思路的影响是有价值的。

从数据仓库的视角看，分析分两层：

记录（recording keeping）：保存数据、保存业务细节；
决策（decision making）：辅助决策——我们分析的核心在后者。

1.3 给非技术背景者的信心

很多人以为"全面转向 AI 做分析"就不需要学了，但真相是：AI 给结论，人给判断。数据素养是 AI 时代的底层能力——它会提问题、会验证 AI 的输出、会用证据链说话。

二、为什么 Tableau 依然是学习数据分析的首选工具

这一期我反复强调：后面几期依然以 Tableau 为核心。原因有三条，和你补充的观点一致。

2.1 原理最严谨，最贴近"分析的本质"

Tableau 在整个 BI 界里，是最贴近原理的工具——不仅是对数据的严谨，更是对分析的抽象程度。字段的连续/离散、维度/度量、计算的分类，在 Tableau 里最容易入门理解。对比 Excel：BI 里"两个表的混合透视"，Excel 做不到，必须换工具。

2.2 易用性无出其右，门槛最低

PowerBI 也很好，但偏 coding 方向，上限更高（比如能做行级循环迭代），代价是门槛高，挡住了很多人。Tableau 为易用性牺牲了一点上限，但大部分人用好多年都碰不到它的边界。上来就学 coding 逻辑（上下文、迭代），门槛会一下子变得很高。

2.3 免费化：学生赶上了工具民主化的窗口

版本要点（详见《Tableau 安装与数据连接指南》）：

Public：免费，但不能连数据库——这是为避免隐私数据发到社区，所以只允许示例/公开数据；
Free（Desktop Free）：可连数据库、可商用、本地完全免费；唯一限制是不能分享（没有 Creator 许可证无法发布，有服务器即可激活）；
Professional：企业级完整版。

许可证机制基于服务器：有服务器 → 本地激活；无服务器 → 不能激活。过去要花钱学的企业级能力，现在学生零成本就能用。

Tableau Desktop、Public、Cloud三个版本功能特性对比表 — 图：Tableau三版本功能对比

2.4 与代码工具互补，不替代

Tableau 做探索与沟通（看数据、做图、讲故事），Python/R 做清洗与建模。学数据分析不是二选一，而是"左手业务、右手工具"。

三、左右开弓：业务 → 数据 → 分析（本课核心）

3.1 左业务、右分析，数据在中间

左弓 = 业务侧：问题定义、指标口径、业务流程、干系人沟通；
右弓 = 分析侧：取数、建模、可视化、验证；
数据是把两张弓绷成一张弓的弓弦：在中间，承上（反映业务）启下（支撑分析）。

3.2 数据是业务的反映 —— 一面"镜子"

核心命题：数据只是业务的反映，只记录、不创造。

就像镜子：镜中是我，虽"假"却原汁原味；数据就是原汁原味的业务记下来。你有了 BI，等于有了一面 8K 的镜子；而很多人看业务，还停留在 720p 带雪花。所以 BI 之前的部分，是理解业务逻辑——只有理解了过程，才知道数据里的"真相"和"这个值"到底是什么意思。

3.3 数量不是指标，分析是"有中生无"

真实世界 = 业务，反映出来 = 数据表的记录（记录层）。要区分两个世界：

数量是对业务的记录（记录层）；
数量的总和、利润率，才叫指标（抽象层）。

分析 = 抽象 = 有中生无：从现实中概括出本来不存在的东西。几个例子：

利润率：现实里没有，是领导用来感受世界的抽象；
旅客流失系数（如 2.5 / 3）：现实中只有"最后一次飞行时间、历史飞行次数、历史花费"，揉一揉算出一个数；
360 度画像：吸引度、价值、体验三个分，每个分又来自 5–10 个角度。

分析的世界，是 AI 目前不太容易快速席卷的世界——AI 主攻确定性部分（如 coding，逻辑确定、组合无限），而每个企业的业务细节千差万别，抽象的变化部分才是珍贵的。CEO 为决策负责，分析师为 CEO 提供决策建议，两者共同面对的就是这部分。

3.4 业务理解，是和 AI 同行的最底层

没有业务理解，AI 会轻轻松松替代你。业务流程、逻辑的部分，是业务理解的关键。优秀的中高层自己就做分析；优秀的分析师必然要成为业务经理，否则只是 AI 的助理。

3.5 两个扎实的业务案例

库存周转率（供应链）：传统做法用月初、月末两个点算均值，太粗。让客户每天 11 点给库存"拍照"，365 天每天记录，用 360 天均值算，比月初月末准非常多——这就是用 8K 镜子看历史。
旅客流失系数（航空）：用历史飞行次数、花费、末次飞行时间，算出每个旅客的流失风险分（>2.5 高风险，<2.5 中风险），在抽象上再叠一层判断。

四、AI 如何融入这次夏令营（全程渗透，而非独立模块）

这一期没有把"AI"单列成一块，而是全程渗透——因为原则很简单：AI 做重复劳动，人做判断。

4.1 现场用到的真实工具链

WorkBuddy：备稿、整理思路、生成宣讲网页、发博客（本期那张宣讲网页就是 WorkBuddy 在浏览器里生成的）；
CodeBuddy / Codex：做 HTML 呈现、UI 设计 demo——注意，是给客户看"我的想法"，不是解决生产问题；
明道云（低代码）：5 分钟搭一个"中小学心理咨询问卷系统"，把业务流程变成表结构，印证"业务 → 数据"；生成的表后续可在 Tableau 中连接做分析；
Tableau Prep：ETL 工具，收费（依赖 Creator 许可证），数据规范做得好时大部分情况可跳过。

4.2 安全边界（务必记住）

不要把敏感 / 生产数据喂给公开 AI（如把生产数据连到 Codex 有风险）；
Public 版不能连数据库，正是为避免隐私发到社区——这个设计逻辑要记牢。

五、QA 实录（没听直播也能 get 到的关键问答）

Q：AI 时代，数据分析还有出路吗？

A：恰恰相反——是你除了数据分析，没啥好出路了。理由：

分析里的"抽象 + 业务理解"，是 AI 世界少数能突出重围的地方；
越往抽象、越依赖业务理解，AI 越难直接替代；
信息差就是机会：很多客户连 Excel 都没搞清楚，更用不好 AI，你用 AI 降维打击一个行业完全可行；
数据分析的下一步是"做业务经理"——能承担决策、帮领导赚钱，这就是出路。

Q：能用 MCP 吗？

A：MCP 依赖服务器（基于 server online），只有 Desktop 用不了单机版，不在本期范围。

Q：用 Codex 手搓 BI 前端靠谱吗？

A：本质是做 PPT / UI demo，生产中不现实——生产依赖交互（领导想到一个问题要快速变出来），且要实时服务上百个业务人员。可用 Codex 做呈现，但别连生产数据。

六、后续课程预告 & 资源

可能随课程讲解随时变化

第 2 期起：示例超市数据（Superstore）→ 应用设计 / 数据规范 → 可视化 + 模型分析；地图专题用机场 / 航线数据。
博客连载：每期讲前发提纲、讲后由 AI 整理发博客，配套复习。
工具清单：Tableau（Free / Desktop / Public）、Tableau Prep、明道云、WorkBuddy、CodeBuddy。
延伸阅读：喜乐君与姜老师合著《业务流程分析》（第一章即本课框架）；《数据可视化分析》《业务可视化分析》。
主站：vizwise.cn ｜境外：喜乐君.com

结语

AI 不会让数据分析师失业，只会淘汰「只做数据整理」的人；真正稀缺的，是能把业务、数据、分析连成闭环、为决策负责的人。Tableau 以最严谨的原理、最低的门槛、如今完全免费的方式，成为普通人进入这个世界的首选工具——而 AI 做重复劳动，人做判断。

作者：xilejun · v1.0 · 2026-07-08

喜乐君·数据分析夏令营第 1 期：AI 时代，为什么数据分析依然值得学