1樓：Jack Sun
這個問題和另乙個挺火熱的問題「未來五年，資料科學家（Data Scientist）的崗位需求會如何變化？」很像，對這個問題我是這樣看的：
題主對分析師的前景給出悲觀判斷的邏輯鏈類似於是：資料產品和AutoML會把大量分析自動化->「做表哥、取數姐和調包俠」被取代。這個邏輯鏈存在的乙個前提是：
AutoML/資料產品/程式能夠極大程度上將分析工作自動化。並且基本上做的和人一樣好。然而這個前提是否成立呢？
我認為不成立。
在網際網路公司，乙個探索性分析的流程經常是：對某個事情的好奇->乙個具體的商業問題->乙個具體的資料問題（至少要明確應該輸入什麼，我們想得到什麼）->得到資料結果並轉化為商業洞見->基於商業洞見確定我們該做什麼，這是分析的全鏈路。在這個鏈路當中，AutoML技術和其他資料產品可以提公升「資料問題明確後得到可靠資料結果」過程的效率，以前這個過程需要知識和經驗來進行模型選擇和調參，未來可能是全自動的；但商業問題向資料問題的轉化、資料結果向商業洞見的轉化、基於商業洞見確定優化方向這三步是AutoML不能取代的，我認為這些才是分析師的核心價值。
從前我也一度認為資料分析成功的關鍵在於技術的深度，但後來我開始意識到資料分析人員創造價值的核心能力是思辨能力（具體指定義明確的問題的能力、根據資料結果得到正確商業認知的能力、根據認知設計優化方案的能力），而非分析技術。
將商業問題轉化為資料問題的過程尤其需要分析師基於數理知識和思辨能力提供價值輸入。在工作中就遇到過這樣的case：
以目前的情況來看，具有極強的分析思辨能力而又具備較好資料能力的人在國內是很稀缺的，而這類人又是分析人員中能真正幫助企業解決問題帶來價值的人。
2樓：雪后欣晨
馬雲曾在演講中提到說「十年後沒有資料分析師職業」，那時候的人工智慧真的能達到這種程度嗎？個人覺得有些言過其實了，資料分析師畢竟是乙個需要集技術和業務於一身的職業，業務問題雖然可以歸類整理出固定的分析模式，但技術是會隨著時代的發展不斷創新的，換言之，資料分析師需要在熟悉業務的同時不斷學習新的技術，工作內容並不會趨於高度重複，因此具有「有限思維」的機械人在近些年是不能完全勝任和取代這個崗位的。
3樓：
其實現在一部分
資料採集-分析-得出結論-實踐應用
的工作已經可以脫離人工了，就是機器學習。之所以還需要人工，是因為實際工作中從結論到應用的通路並不是那麼順暢，這個模糊導致了資料分析師有市場。
不過未來隨著資料分析工具越來越完善，資料分析這個會逐漸變成其他職能崗位的職業技能，專職資料分析師的存在意義會越來越弱。這個和互動設計現在的處境有點像，不過互動設計有自己獨有的立場和信仰，資料分析可沒有。
4樓：托塔天王冠
因為經濟學的成熟度太低，人類世界的數學模型不好建立；
因為個性化的資料分析任務還比較多；
因為領導的需求不好量化，審美不夠標準化；
因為機器沒有好奇心，沒有探索世界的慾望；
最終選擇，還是看成本與收益。
資料分析為什麼常用Jupyter而不是直接使用Python指令碼或Excel
mao.gang 和傳統的 ide的工作方式不同，也和傳統的命令式互動不同，技術上不算什麼，但在僅僅只是這麼乙個不起眼的改變，卻足以改變人在使用計算機的工作方式，jupyter notebook 是一種新的可選工作方式 簡單的事情，還是excel方便。尤其是金融 財務領域資料量不大的時候，用pyth...
想做業務資料分析，需要學習些什麼？
北辰 我就是業務型資料分析，目前是高階資料運營的title 業務型資料分析大概率會轉向資料運營，至於學什麼？電商來說，Excel PPT 金字塔思維 對比分析 描述性統計 溝通能力，完全就夠了，其他的你會也就是加分項，不是剛需。最重要的是，深入業務，參與業務，慢慢的積累更多的經驗，完全就夠了 一八同...
轉行資料分析為什麼這麼難？
資料的追隨者 其實樓主沒有找到正確的方法，可能對資料分析崗位有一定的認知偏差。有2條路徑可以考慮一下，可以轉向資料產品經理，本身還是產品經理，同時開始對資料有全域性性的考慮，慢慢積累資料感覺 在目前產品經理的職位上繼續做著，本身作為產品經理應該知道，需要經常需要看並分析各種資料，這些資料怎麼來的，b...