在ai时代 data scientist更应该develop什么skillset 是product/strategy方向 还是更technical/statistics方向

王晨璐把 analytics track 的数据科学家技能拆成三块：统计概率、编程（SQL、Python/R、Tableau）、product sense。她认为统计和编程相对容易查漏补缺，product sense 则要靠平时积累，用来把模糊的商业问题拆解、量化并给出有商业价值的建议⁠1,2。立正把编程和统计概括为工具，把 product sense 说成把商业问题转化成统计问题的能力⁠2。按这个分工，technical/statistics 不是与 product/strategy 对立的方向，而是后者的前提；缺了前者做不了分析，缺了后者分析落不到决策上。

立正在 2026 年的文章里直接以 Data Scientist 为例：原来“理解一点业务、操作一点数据、输出一点洞察、支撑一点决策”的中间层动作，大量是 AI 擅长压缩的。他建议往“更接近模型、也更接近结果”的位置走，价值在于四件事：把模糊业务问题翻译成 AI 可消费的 context、设计 eval 与反馈回路、编排模型工具数据和流程、判断什么该自动化什么该人工⁠3。这是立正本人的主张，不是对嘉宾观点的转述。它指向的不是“更 technical”或“更 product”的简单选择，而是从执行一段分析转向设计整个系统。

如果你现在主要在做取数、跑 A/B test、出报表，那么只补统计或只补 product 都不够：统计和 SQL 要保底到能独立设计并解释实验，product sense 要练到能把“收入下降”这类模糊问题拆成可量化的指标⁠1,2。在此之上，按立正的框架，值得投入的是评估设计、把业务问题写成模型可用的 context、以及判断哪些环节该自动化⁠3。一个可观察的检验：下次做分析时，看自己产出的是“一份结果”，还是“一套别人能复用、能判断对错的评估与流程”。这是 AI 基于材料的应用建议，不是材料中的原话。