DS 岗位不会消失,但会从“做模型”转向“用数据直接驱动业务决策”;你继续做 Product Analyst 并往业务靠,和把数据能力做成产品,是两条都成立但验证方式不同的路。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
岗位会变,但“离业务近”才是护城河
立正认为 DS 的工作内容一定会发生巨大变动,什么都不改变才是最 risky 的选择,所以第一个问题不是怎么变,而是要不要变1。他反复讲,真正稀缺的是能跟业务 partner 对话、能从数据里挖出 insight 的人,而不是只会调模型的人;越难的技术往往 application 越少、impact 越小2。这也解释了为什么“离业务更近”被反复强调:AI 能自动化 dashboard、埋点、常规分析,但判断该做什么、结果对不对,仍要人负责3。所以 DS 更可能变成一种“嵌在业务里、用数据做判断”的角色,而不是消失。
Product Analyst 和“做数据产品”是两种验证
AI推演你现在的 Product Analyst 确实离业务更近,但“更近”不等于自动更好。增长分析盯的是北极星指标本身,产品分析关心的是某个模块里的驱动因素,两者关注点不同4。如果继续做 PA 并往业务转,你验证的是:能不能把分析直接变成业务决策、影响收入或用户增长。如果把 data science 做成产品去服务小公司,你验证的是另一件事:能不能把数据能力打包成别人愿意付钱的东西。后者要面对 demo 和 production 之间的鸿沟——第一版做出来只是开始,真正的成本在后面持续维护和 ownership5。两条路没有绝对优劣,取决于你更想积累“业务判断”还是“把能力产品化”。
材料里没有你所在公司、行业和具体职责的信息,所以无法判断哪条路对你更合适;另外部分视频字幕为未校对转录,人名和数字可能有误差。
出处
- 1AI会干掉中产吗?一场来自科技从业者的深度对话
直接回应 DS 会不会被 AI 取代、要不要变,适合先看这份建立判断。
- 2数据科学对公司的真正价值,以及向上管理秘籍
讲清为什么“离业务近、能挖 insight”比做模型更被需要,适合核对岗位价值逻辑。
- 3为了躲开AI,我差点去美国开餐馆,最后为什么卖起了课?
可回到原文核对这部分判断
- 4《Growth Data Analytics Playbook》中文版 · 第1章 用增长分析驱动产品成功
区分增长分析和产品分析的关注点,适合判断你继续做 PA 的方向。
- 5Don't build: 看清demo和production之间的鸿沟
讲 demo 和产品之间的鸿沟,适合评估把数据能力做成产品的真实成本。
你也有想问的?
卡住的时候,问问立正:回答只从立正讲过、写过的东西里来,每一段都能点回原文。
问类似的问题也可以接着问:
别人还问了
- 数据科学、数据分析在AI时代的价值是什么
数据科学的价值不在写模型或做报表,而在把数据变成更好的决策;AI压缩了执行环节,反而放大了判断、归因和把问题翻译成可执行方案的能力。
- 做Data Analyst几年后,感觉这个职位在本地发展上限很低,高价值的数据岗大多开在别的地区。长期发展该继续做这个职位,还是转往别的领域?
关键不在职位名,而在于你积累的是「可迁移到高价值场景的判断力」还是「绑定在特定公司流程里的执行技能」。数据工作分DE、DS、DA三类,DS从没被准确定义过,求职者常发现什么都要会;更该问的是你几年积累的是某类数据能力的深度…
- 做数据分析,也在探索 AI、商业分析与商业化的交叉方向。想理解 AI 时代分析工作的价值、职业选择和做真实项目,最值得先读哪些文章、看哪些视频?请给出阅读顺序和理由。
先读《到底什么才算AI Native人才?》重新定义分析交付什么,再读《不要一上来就让 AI 判断一百万条数据》看真实项目怎么分工,最后读《AI时代,大厂打工人的五条路》想职业位置。
- 当前时间点,转行ai产品经理是性价比高的职业路径吗?没有产品经验
资料没有直接回答“现在转行AI产品经理是否划算”,但能给出判断框架:性价比取决于你能否对业务结果负责,而不只是拿到一个岗位名。
- jev 火了一周 现在销声匿迹了,是伪概念还是什么?
热度退潮不等于概念是假的,但也不等于它值得采用。判断标准是:它改善的指标是不是你任务的瓶颈,以及不用它时你最好的替代方案是什么。
- 你觉得 AI 的下一个风口是什么?
材料里没人给出一个确定的风口,反而反复说五年后的事很难预测;能站得住的判断是:机会在把 AI 落到真实业务结果上,而不是押某个具体赛道。