AI 都会写 SQL 和 Python 了,新手还要不要学数据分析?

前几天有个读者问我：「现在 AI 连代码都能写了，我还花几个月学 SQL、Python，是不是白学？」

说实话，半年前我也慌过。我打开 AI，把一份销售数据丢进去，让它「分析一下为什么这个月销售额下降了」——它几秒钟就写出了 SQL、跑出了图、还列了三条结论。那一刻我确实想：那我学这些还有什么意义？

但用了几个月之后，我的答案变了，而且变得很坚定：该学，但学的重点要变。

一、先承认现实：AI 确实替代了一部分「体力活」

老老实实讲，下面这些事，AI 现在做得又快又好，新手没必要再死磕：

• 写一段 GROUP BY、JOIN 的查询语句；

• 用 Python 的 pandas 做分组、求和、画个柱状图；

• 把一段报错信息丢给它，让它告诉你哪写错了。

如果你学数据分析的目标，是「成为一个能照着需求把 SQL 敲出来的人」，那这条路确实越来越窄了——因为这件事 AI 几乎免费。

二、但 AI 替代不了的，恰恰是分析里最值钱的部分

我用一个真实的小例子说明。同样一份「销售额下降」的数据，我让两个朋友各自用 AI 去分析：

• A 直接问 AI：「帮我分析这份数据。」AI 给了一堆图，他原样截图发给了老板。老板问：「所以呢？我该干嘛？」他答不上来。

• B 先自己想清楚再问 AI：「销售额=订单数×客单价，请帮我把这两个拆开，再按城市和产品分别看，哪个维度下降最多。」AI 给出结果后，他发现是「佛山的 A 产品订单数掉了一半」，顺着去问了业务，原来是当地一个大客户流失了。

两个人用的是同一个 AI，差距在哪？差在 B 知道该问什么。

AI 是一个执行力极强、但完全没有「业务嗅觉」的实习生。它能跑数，但它不知道：这个数下降算不算严重？该从哪个角度拆？拆出来的结论对业务意味着什么？——这些判断才是分析师真正的价值，而它们都建立在「你懂业务、会拆问题」之上。

三、所以新手现在该学什么？（这是重点）

1. 必须自己会的（AI 替代不了）：把模糊问题（「销售怎么样？」）拆成具体、可量化的问题；指标口径怎么定义；结论靠不靠谱、有没有业务意义。

2. 要会「看懂」而不必会「手写」的：SQL/Python 的逻辑你要看得懂——AI 写的查询你得能判断对不对、有没有漏条件。但不必把每个函数背熟。

3. 新增的、别人还没重视的：怎么把活儿「指挥」给 AI——怎么提需求、怎么验证输出、怎么把 AI 接进分析流程。这部分后面几篇会专门拆。

一句话对比：以前「数据分析师 = 会取数 + 会分析」；现在更像「会提问 + 会指挥 AI 取数 + 会判断结论」。门槛不是变高了，而是从「记代码」挪到了「会思考」。

四、对新手其实是好消息

过去新手最大的拦路虎，是被环境配置、语法报错、记不住函数劝退在门口，还没碰到「分析」就放弃了。现在 AI 把这些门槛踏平了，你可以把省下来的时间全花在「思考」上——这反而是 0 基础入场最好的时候。

这周给你一个小行动：找一份数据（你的公众号后台数据就行），先别急着丢给 AI。自己写下「我想回答的 3 个问题」，再一个个交给 AI 去跑。你会立刻感受到：带着问题用 AI，和无脑问 AI，产出完全是两回事。

下一篇我接着聊：AI 时代，数据分析师身上到底哪几种能力最值钱、最该提前攒。