哪些数据岗位会被ChatGPT们取代？

1、初级数据分析师

取代可能性：五星

初级数据分析师，日常工作大部分聚焦取数、做报表——例如根据业务或领导要求，收集和整理数据，编写SQL，生成EXCEL报表或粘贴成PPT。这类工作天花板低、重复度高，工作1-2年或可毕业。

我们看到，当前ChatGPT为代表的AI，聊天生成SQL脚本已无大碍、还可以快速进行数据指标设计、自动创建样本数据、快速创建数据摘要，甚至编写数据分析报告大纲。因此，初级分析师从需求量到刚需程度都大打折扣。

取代可能性：四星。

数据开发工程师，日常工作聚焦数仓开发、数据建模、数仓运维、指标开发、BI系统搭建等工作。

随着各企业开展数字化转型，从传统数仓升级大数据平台，此类岗位近些年需求量很大。

新一代的AI技术，让此类工作门槛大幅降低。

例如，当前AI可通过自然语言快速建表，包括自动生成维度表、建立范式模型和星型模型、自动分析表之间的逻辑关系、甚至提供建模建议。

又如，基于AI的BI工具让BI开发更加智能，ChatGPT生成Power BI的DAX，Excel函数都已不在话下，这也让拖拉拽生成SQL的自助方式可能成为历史——AI可根据需求直接生成各类可视化看板，可视化效果更直击要点且酷炫靓丽。

3、数据算法工程师：

取代可能性：三星

除在特定行业和研究性质的部门，算法工程师在大部分企业容易面临尴尬境地。

一是算法很难找到匹配的业务场景来创造出明确的、被业务认可的价值，二是通用算法模型门槛不高，没有深度突破的话也易沦为调参大师。

相信在通用大模型之后，AI会进一步和各个行业领域深度绑定，因为ChatGPT们的训练需结合特定场景做模型，才能给出真正有深度、有价值的洞察。

因此，有深厚算法基础，并对业务有足够认知的复合人才机遇很大。

4、高级商业分析师：

取代可能性：三星

商业分析师，通常距离业务更近。

不论是做战略分析、经营分析还是运营分析，“高阶”的商业分析师，通常对业务有着足够深的认知和理解。

AI让商业分析大大提效。

我们不妨对“增强分析”拭目以待（或者叫ASK DATA、AI+BI）：

一是通过问答交互可实现自动生成商业仪表板；

二是在引导下可实现自动做insight洞察，包括根因分析、预测分析；

三可更轻松实现异常监测，包括异常提示、阈值设计、应对建议等。

“高级商业分析师“为什么不会轻易被AI替代？

此处的“高级”并不是指掌握的商业分析模型的数量或代码能力，高级的壁垒体现在【将业务问题转化为数据问题】，在于【数据思维】，从而驾驭AI更高效解决商业问题。

取代可能性：二星

首先说明此处的数据治理岗，不是数据清洗岗。

真正的数据治理，其实是在做“数据战略管理”——涉及数据资产体系的顶层设计，从组织、机制、流程、文化，到数据管理落地监控的方方面面。

短期看，数据治理可被AI替代的部分有限。

首先，数据清洗、元数据管理、数据模型管理等流程化的工作，AI可以让“脏活累活”提效；

其次，数据治理“人治”和“软性”的部分AI很难支撑——例如，AI无法帮我们拉通各部门，通过反复沟通来定制“数据标准”；

AI也无法做到在全面评估数据资产成熟度的基础上，定制符合企业特色的数据组织和数据制度。

第三，AI的商业实践落地，对数据质量和数据安全有更高的要求，数据治理因此更加成为必答题。

6、数据产品岗：

取代可能性：二星

数据产品，终究是做产品。

数据产品经理，工作中充满了大量的沟通、协调、推动，并在产品中融入对特定人特定需求的理解、把控和灵感设计。

AI短期内还是无法胜任这类工作。

7、数据架构和数字化转型顾问

取代可能性：一星

一是数据架构是和企业架构、业务架构、技术架构深度绑定的，这是通用AI是搞不定的。

二是数字化咨询顾问或者解决方案顾问，需要具备对战略和业务的深度理解。

例如，数字化转型本质是“变革管理”，是要识别多方面因素进而开展体系化的工作，而其中人的因素又AI是最难搞定的。

通过上面的总结，数据从业者如何响应AI时代可能也变得容易回答。在此笔者给出三个建议。

未来已来，希望我们都能乘风破浪，而不是被拍在沙滩。