早上好，我是まさきん。
关于数据分析、网站流量分析这类工作，「是不是一份专业性很高的工作」这个话题，我这些年听过、见过不少次。
我自己长期做这份工作后感觉到，真正需要的与其说是高深的统计学或机器学习知识本身，不如说是另一种能力。
分析负责人应该是「翻译者」
数据分析的角色，容易被认为是专业性非常高的工作。不过，这和以前读《分析力：数据驱动型企业的制胜之道》后想到的事也有重合之处，我个人并不这么认为。
当然，也有人能从高深的分析中提炼出商业洞察，也有人能从分析一路做到设计、实现。但我觉得，这样的人并不算多。
在很多现场，真正被需要的，其实是把数据这种专业语言，翻译成商业语言的能力。不只是盯着数字看，而是把数字所代表的意义，转化成相关人员能理解的形式，这才是这份工作的核心。
这种「翻译」的感觉，或许也能用在工作以外的数字上。比如每月的话费，如果只是盯着数字看，也看不出什么意义。
沦为「便利的查询工具」的风险
分析组织容易掉进的一个陷阱，我一直很在意。那就是分析团队变成单纯的「查询窗口」。
「请把那个数字拉出来」「请展示这段时间的变化趋势」，这类需求当然也是重要的工作，但如果止步于此，就会稍微偏离本来被期待的「辅助决策」这个角色。如果只是把别人要的数字原样搬出来，分析团队的价值就永远走不出「方便的查询专员」这个范畴。
话虽如此，我并不认为应该一味否定这种状态。作为第一步，踏踏实实地做一个响应查询请求的组织，我觉得也没问题。哪怕范围很小，持续增加看得见的信息，并把这些信息不断传递出去，才能一点一点积累出下一步的信任。既不放弃想要抵达的目标，又扎实地做好眼下能做的事，保持这样的心态或许刚刚好。
偏向使用侧还是构建侧
与数据相关的工作，大致可以分成两个方向。一个是使用产出数字的一方，另一个是采集、整理数据的构建一方。
如果偏向使用侧，工作会延伸到CRM分析、用户教育、推荐系统设计等领域。如果偏向构建侧，则包括数据需求设计、实现，甚至数据基础设施的建设。
在规划职业发展时，把重心放在哪一边，需要打磨的技能会有很大不同。以前思考「产品经理」这份工作时也有过类似的纠结，说实话，我自己至今也没能给出一个明确的答案，到底该把重心放在哪一边。作为一个从用户侧出发、在设计、实现、具体项目之间来回穿梭过的人，「想更多地锻炼构建侧的能力」这种想法，和对现在所处位置的迷茫，说实话到现在依然同时存在。
在生成式AI的时代，翻译力的重要性反而在上升
现在借助生成式AI，写SQL、做仪表盘这类工作，比以前容易多了。
最近读到的一篇讨论里提到，这种变化被描述为从「分析能力」转向「找出胜负关键的能力」。数据加工、可视化、模型选择这类固定作业能交给AI去做之后，找出KPI的能力、以及设定「到底该问什么问题」这种假设构建的能力，权重反而在提高。另一种说法认为，数据科学家的角色会朝三个方向扩展：跨领域知识的桥梁、战略性提问的角色、把分析结果转化为经营决策的讲故事的人。
也就是说，「该问什么」「拿到数字后该如何解读并转化为商业行动」这部分的权重，反而在增加。工具越聪明，提问能力和翻译答案能力之间的差距，就越会直接变成成果上的差距。最终止步于单纯的查询工具，还是能作为翻译者深入到决策之中，分界点其实也在这里。
如果要在实务中锻炼这种能力，我会有意识地先把「看到这个数字的人，接下来希望他做什么」用语言表达出来，然后才开始分析。不是先拿出数字再想解读方式，而是先带着想传达的结论假设去面对数据。仅仅是顺序上的这点差别，作为翻译者产出的质量就会有相当大的变化。
「分析民主化」这个说法，最近也经常能看到。因为生成式AI，即使没有专业知识，也能自己向数据提问的人变多了，以前只有分析团队才拥有的「查询能力」本身的稀缺性正在下降。正因如此，如何解读得出的答案、如何转化为下一步行动，作为翻译者的附加价值反而变得更加突出，这是我实际的感受。
正因为现在现场的每个成员都能在某种程度上接触数据，把专业术语拆解说明这个角色，反而变得需要分散在公司内的各个角落。只有分析团队才能当翻译者的时代，或许正在一点点走向终结。
小结
技术和工具会随着时代改变。但站在数据和商业之间的「翻译者」角色，其本质我觉得并没有太大变化。
说起来，自己身边的数字，其实意外地没有好好看过。就先从每月的话费开始，自己动手重新审视一下吧。
本文包含联盟营销广告。如果您通过本站链接申请相关商品或服务，我们可能会从合作企业获得报酬。此外，运营者是乐天集团的员工，也可能通过员工推荐计划获得报酬。文章内容与评价均基于运营者的真实体验与调查完成，与是否存在广告无关，但请您在阅读前了解上述关系。详情请参阅免责声明与联盟营销说明。 免责声明与联盟营销说明
本文包含机器翻译内容。正式条件请以乐天移动官方网站的多语言页面为准。
如果您对乐天移动的通信区域·信号状况有疑问，可以通过官方的 电波改善调查申请表 进行咨询。
