数据分析师学习什么才能不被淘汰

立正讲数据工作的分类时区分了偏机器学习的建模和偏商业的分析。他说后者在 Facebook 这类场景里，价值不在用模型解题，而在理解商业和复杂问题、把业务问题 frame 成可验证的数据假设，也就是 framing 和 operationalization 的能力⁠1。他在另一期里也把“知道背后的 principle 比知道一个 solution 更重要”作为判断标准，因为经验迁移到新场景时只有一部分能直接用，剩下要靠理解逻辑链去调整⁠2。对数据分析师来说，这意味着 SQL、Python、可视化仍是入场券，但真正稀缺的是把模糊业务问题拆成可检验问题的能力。

立正给数据科学家同行的建议是：先想能不能帮楼下的奶茶店销售额增长 30%，从价值本身出发再想自己能干什么，而不是从自己会什么出发去找价值⁠3。他还说，意识到数据科学工作迟早会被 AI 取代后，他特意离开数据科学岗去做更可迁移的销售、讲故事类工作，理由是沉没成本不是成本⁠3。这条经验对读者的含义是：技能清单会过时，判断“这个场景需要什么、我能补上哪一环”的能力更耐用。他举的奶茶店例子是他自己的说法，不是对每个人可行性的保证。

立正描述面试中看“悟性”的方式：给候选人一份 CLAUDE.md 或 agents.md，看他是复述名词，还是能看出机制——怎么给背景、怎么沉淀偏好、怎么把一次经验写成下次可复用的规则、怎么把“对话”变成“系统”⁠4。他也在分享中用同样工具、同样 prompt、不同 context 的对比演示，说明有完整 context 的模型能自己迭代、识别数据问题，已经像一个很能干的数据分析师⁠5。另一面是软能力：他转述群里的说法，硬能力好培养、软能力难培养，Facebook 的 DS Analytics 面试更看重思考问题而非 SQL 写得多好⁠1。与邹昕的对谈里，双方把 influence、framing、coach 他人列为资深分析师的能力项，邹昕也提醒套框架不贴具体场景会在 senior 角色上掉坑⁠6。这些是嘉宾和立正的经验判断，不是行业统一标准。