视频版本：数据数据分析师成长路线 L3：高级专家——技术很强却总被忽视?L3数据分析师的真正瓶颈不是技能,是影响力系统 本期内容,我会用"注意力经济学"和"价值创造系统"两个模型,拆解L3阶段最容易被忽视的真相: ✅ 组织不是技能市场,是注意力分配系统 ✅ 技术是1X,影响力是10X ✅ 你的价值不是你产出了什么,而是你改变了什么 📌 章节导航: 00:00 开场:为什么技术强但晋升难? 01:14 第一部分:L3核心技能清单 03:29 - 机器学习应用 05:29 - AB测试与因果推断 07:00 - 时间序列与预测 07:45 - 体系化与自动化 08:35 - 在AI时代的专家定位 11:18 第二部分:组织的注意力经济学 15:34 第三部分:个人影响力的系统架构 15:36 - 第一层:成为信息节点 17:40 - 第二层:建立协作网络 19:37 - 第三层:框架设定权 21:40 第四部分:系统运营的关键节点 21:47 - 节点一:在注意力经济中定位自己 24:08 - 节点二:运营你的互惠账户 26:44 - 节点三:在会议中运营你的系统 28:48 第五部分:一个更深层的认知转变 30:27 第六部分:给L3学习者的行动清单 32:59 结尾:技术是1,影响力是10 💡 核心收获: • L3阶段5大核心技能详解 • 注意力经济学的底层逻辑 • 个人影响力的三层架构(信息节点+协作网络+框架设定权) • 3个系统运营的实战案例 • 4个这周就能开始做的行动清单 📚 延伸学习: 本期提到的完整方法论、实战案例、学习路径,都在全栈知识库中: 👉 pro.ss-data.cc (包含100+个不同行业的详细案例,涵盖成功和失败经验) 📖 配套文章: 公众号搜索「拾穗数据工作室」,回复「L3」获取完整文稿 🎓 成长路线系列: • L1 数据分析师入门篇 • L2 从"取数机器"到"业务军师" • L3 高级专家篇(本期) • L4 领域领航篇(即将更新)

EP009——数据治理到底是技术问题还是人性问题，为什么我们总在屎山上雕花 🎉 听友专属福利 全栈数据知识库：pro.ss-data.cc 9 折邀请码：【DATA26】 (限量 5 个，手慢无) 🎙️ 节目简介 辛辛苦苦跑了一周模型，结果因为上游改了一个枚举值，汇报时被老板当场合上电脑？ 每一个数据从业者，可能都经历过这种“至暗时刻”。 我们常自嘲是在“炼丹”，但如果扔进炉子里的都是垃圾，不管炉火多旺，练出来的只能是一坨更有光泽的垃圾。 这期节目，我们不聊高大上的技术架构，聊聊那些让数据人崩溃的“屎山”现状，以及为什么说数据治理本质上不是技术问题，而是一个“人性问题”。 🧶 时间轴 * 00:00 开场：从“那一页被老板合上的 PPT”说起 * 01:34 并不存在“干净”的数据：全能文本框、幽灵账号与表格治国 * 03:44 为什么治理比登天还难？数据链路上的“公地悲剧” * 05:22 数据人的自救指南：建立你的“防御工程” * 07:14 结尾：在熵增的宇宙里，保持一点“洁癖” (注：时间轴为自动估算，可能存在细微偏差) 关于「疯语大数据」 这里没有晦涩的术语，只有真实的职场故事和犀利的行业观察。 主播：石头

EP008 | 2026，新人还能入场数据分析吗？ 🎙️ 节目简介 "只会写 SQL 就能拿高薪"的掘金时代彻底结束了。 面对 2026 年的行业深水区，AI 把"搬运"做到了极致，还在读研的你，或者正准备转行的你，手里这碗饭还端得住吗？ 本期节目，石头不贩卖焦虑，只想和你实打实地算一笔账：现在的入场费是多少？未来的收益率还有多高？ 🎧 时间轴 * 00:00 开场：读研同学的扎心一问，我们还没上桌，饭碗就碎了？ * 01:45 认清现实：数据分析的“掘金时代”已过，生态位消失了 * 03:20 企业真相：从买“手”（做表）到买“脑”（省钱/赚钱） * 04:50 面试复盘：为什么技术流 A 同学输给了看财报的 B 同学？ * 06:15 新人超车指南一：选赛道 > 选工具（带着行业认知降维打击） * 07:30 新人超车指南二：别做玩具项目，去做点“脏”数据 * 08:45 结论：种一棵树最好的时间是十年前，其次是现在 🎁 听友福利 & 延伸阅读 为了帮助大家更好地迈出第一步，我们在知识库中更新了**《数据分析师 L1 入门筑基》**学习路线图，并录制了配套视频。 * 全栈知识库官网：pro.ss-data.cc包含本期逐字稿、L1 学习路线图、技能树详解 * 限时优惠：订阅知识库会员，结账时输入优惠码 DATA26 立享 8 折优惠（仅限前 5 名） * 公众号：拾穗数据工作室，获取本期思维导图和免费资料包 * B 站视频：搜索“停车拾穗”，观看入门避坑指南 关于我们： 《疯语大数据》是一档关注数据从业者职业成长与行业真相的播客。我们拒绝宏大叙事，只聊这行里最真实的“饭碗”问题。

展望 2026 —— AI 时代数据人的生存与进阶指南 数据从业者全栈知识库（完整的数据领域全栈知识网络、没有幻觉的知识库问答、面试学习小程序） https://pro.ss-data.cc/membership?invite=NY2026 优惠券：NY2026 联系方式：WX：shisuidata（加群） 本期简介：在上期聊完心态调整后，本期节目主播将带领大家“向远看”，提前探讨 2026 年即将到来的行业变局。随着国家数据要素三年行动计划将在 2026 年收官，数据行业将从基础设施建设迈向以“价值变现”为核心的深水区。面对 AI 填平技术门槛的现状，数据从业者该如何构建新的护城河？本期节目深入剖析了数据分析师与开发工程师的转型路径，并给出了具体的行业选择建议。 ⏱️ 时间轴与核心看点 01. 为什么现在就要谈论 2026 年？ * 2026 年是一个关键的时间节点，标志着国家层面的数据要素三年行动计划收官，行业将真正进入价值变现的深水区。 * 当下的技术门槛正被 AI 逐渐填平，我们需要思考在未来如何保持不可替代的价值。 02. 职场现状：残酷的“哑铃型”结构 * 就业环境变化：以前掌握 Hadoop、Spark 或 SQL 就能由此获得竞争力，但现在企业不再招募只能完成标准化动作的人员,。 * 哑铃型分布：一端是基础执行类岗位（如提取数据、制作报表）需求萎缩，因为 AI 效率更高；另一端是对能理解业务、主导 AI、处理合规问题的专家人才极度渴求。 03. 角色转型指南：如何跨越鸿沟 * 📊 数据分析师的进阶：告别单纯的工具人：只会用 Python 清洗数据或做描述性报表的价值将被稀释，因为 BI 软件已深度集成 AI。 核心竞争力：业务归因能力：AI 缺乏对业务上下文的感知，分析师需利用对业务逻辑的深刻理解排除噪音，找到真实的因果关系（例如区分流量下降是因竞对促销还是投放策略调整）。 结构化思维：将模糊的商业目标转化为 AI 能理解并执行的技术语言。 * 💻 数据开发工程师的蜕变：单纯的 ETL 管道维护价值正在降低。 新角色一：守门人（负责防御）：建立机制识别和保护由人类产生的“有机数据”，防止 AI 生成数据泛滥导致的“模型崩溃”，保证核心资产纯净度。 新角色二：炼金术士（负责进攻）：利用智能体（Agent）监控数据质量、生成合成数据解决冷启动问题，并掌握隐私计算（如联邦学习）以实现数据价值流通。 04. 行业赛道与避坑指南 * 三大潜力领域：智能制造与新能源：汽车已变成高度数字化的移动终端，需要懂制造工程的复合型数据人才。 企业出海：跨境数据合规（如应对 GDPR）人才紧缺。 金融科技。 * 避坑建议：警惕那些技术栈过于陈旧、需要大量手动维护表格或修补老旧系统的岗位，这些最容易被自动化取代。 * 必备新技能：培养“管理智能体”的能力，学会像管理实习生一样给 AI 分配任务、制定标准并审核产出。 💡 结语与福利 技术在变，但数据工作“通过信息消除不确定性”的本质未变。我们最宝贵的资产是对世界的感知力、对业务的洞察力以及解决实际问题的职业素养。 🎁 特别福利：为了庆祝即将迈入的 2026 年，主播在“拾穗数据工作室”出品的全栈知识库中更新了相关内容，欢迎大家访问并在简介中获取最新优惠码订阅，系统提升节目中提到的核心能力。 主播：疯语大数据 公众号：

🎙️ Show Notes：消失的两周与数据人的 2026 【本期主题】 在公号停更的两周里，主播石头把自己关进了“小黑屋”，没有炒币跑路，也没有提前放假，而是像个手艺人一样去打磨了一件东西。在这个 2025 与 2026 交接的缝隙，当我们习惯了作为系统里的“取数接口”或“下水道修理工”时,，我们该如何重新思考这份工作的意义？本期节目，是一次打工人心贴心的“掏心窝子”局，聊聊在 AI 代码写得比人还快的时代，如何保留那份属于人的“温热”,。 【时间轴 & 高光时刻】 • 00:00 消失的两周我去哪了？ 辟谣“跑路”传闻。石头把自己关进小黑屋，在没有流量焦虑的状态下，体验了一次纯粹手艺人的打磨过程。 • 03:15 数据人的集体困境：虚假的忙碌 2025 年大家都喊“累”。 ◦ 数据分析师 (DA)：住在 PPT 里，为了年终总结把 SQL 跑烂，觉得自己只是个“PPT 美化专员”。 ◦ 数据工程师 (DE)：盯着监控红线，半夜修复 Spark 任务，觉得自己只是个“下水道修理工”。 ◦ 共性：我们把自己磨得越来越薄，只剩下一个职级，却忘了作为“人”的厚度。 • 06:40 AI 时代的生存法则：保留“人”的感知 当 AI 写代码的速度超过初级开发，我们还需要卷底层原理吗？ 石头分享了重写小程序 UI 的故事：放弃了大厂科技风，选择了一种温润的米白色——“暖纸”。因为技术是冷的，但使用技术的人，心应该是热的。 • 10:20 关于职业成长的硬核建议 ◦ 反内卷：砍掉过时的“屠龙技”，不再纠结偏门算法，回归解决问题的思维。 ◦ 新打法：以打工人的心态干活（代码写给公司），以创业者的心态成长（逻辑留给自己）。公司可能会倒闭，但长在你骨血里的定力，是谁也带不走的。 • 14:00 给数据人的新年礼物 介绍全新的“暖纸”版小程序和 2026 版题库。这不是为了制造刷题焦虑，而是提供一个在技术满天飞的时代里的成长锚点。 【金句摘录】 “我们在这个所谓的系统里面把自己磨得越来越薄。薄到最后只剩下一个职级 P6 或者是 P7……我们却忘了自己作为‘人’的厚度。” “那一次我手画了一张图……那一刻的成就感，比我后来优化了一个 TPC-H 的基准测试要真实的多。因为在那一刻，那是人和人之间的链接。” “代码是写给公司的，但脑子里的逻辑，心里的感悟是留给自己。” 【相关资源】 • 文章详情与优惠码：关于“暖纸”UI 的设计细节及跨年礼物（优惠码），请查看同名公众号文章 👉 [消失的两周，我重新思考了数据人的 2025],。 优惠码：NY2026 --- New Year 2026 直达链接：https://pro.ss-data.cc/membership?invite=NY2026 数据从业者全栈知识库：https://pro.ss-data.cc • 工具推荐：全新改版的数据人题库小程序（暖纸版）已上线。 【主播寄语】 新的一年，愿你不再是系统的附庸。愿你即使在最冰冷的代码世界里，也能找到属于自己的那份具体的、温热的意义。

🎙️ 特别篇 | 关于我和拾穗数据工作室 Topic:技术越强话语权越弱？从数据分析到大厂架构专家的11年真实经历｜数据开发/治理从业者必看的职场避坑指南、晋升方法和价值创造底层逻辑 ━━━━━━━━━━━━━━━━━━━━ 💬 本期简介 这是一期特别节目。 我想和你聊聊我这几年的经历,还有我为什么现在在做知识星球、知识库、咨询,以及播客、公众号这些事情。 如果你也在做数据,也遇到过技术很强但职场话语权不高的困惑,这期可能会给你一些启发。 ━━━━━━━━━━━━━━━━━━━━ ⏱️ 内容大纲 开场:以为技术是护城河,后来发现不是 我的职业经历:从分析到开发到架构 技术很强,但好像哪里不对 想明白的那个道理 为什么开始做内容和咨询 现在在做的三件事 一些真诚的建议 片尾 ━━━━━━━━━━━━━━━━━━━━ 📖 核心内容 ▶️ 我以为技术是护城河 我以前一直以为,技术越强,在公司就越有话语权。 所以那几年拼命学技术——Hive、Spark、Flink,数仓建模、实时计算,能学的都学了。技术确实是强了,从数据分析做到了数据开发,又做到了数据架构,后来还做了数据治理。也进了大厂,在杭州的一家大厂做数据架构专家,待了几年。 但慢慢发现,技术越来越强,在公司里的话语权并没有变强。做了很多技术改造,搭了很多平台,但老板好像也不太在意。绩效评估的时候,发现很难讲清楚自己做的事情到底有什么价值。 那时候有个做业务分析的同事,技术其实一般,SQL 写得也就那样。但他升得比我快。 为什么? 因为他能把数据和业务结合起来讲故事。他做的分析能直接影响业务决策,老板看得到价值。而我做的技术改造,老板根本不关心你用的是 Hive 还是 Flink,他只关心你能不能解决他的问题。 ▶️ 想明白的那个道理 💡 真正的护城河不是你会用什么技术,而是你能用技术解决什么问题。 听起来好像是废话,但很多人,包括以前的我,都没想明白这个道理。 我们总觉得,只要技术够强,就能证明自己的价值。但其实不是这样的。公司要的不是技术,公司要的是结果。你用什么技术实现的,没人在乎。 ▶️ 为什么开始做这些事情 想明白这个道理之后,我就开始写点东西,把这些年的经历和想法写下来。 写着写着,发现很多做数据的人,都在走我以前走过的弯路: • 技术很强,但不知道怎么和业务沟通 • 做了很多事,但不知道怎么证明价值 • 想晋升,但不知道怎么准备答辩 我就想,如果能把我踩过的坑、想明白的道理分享出来,也许能帮到一些人。 所以后来就开始做内容,做咨询,做知识库。 ▶️ 现在在做的三件事 1️⃣ 全栈知识库 (199元) 一个"软硬结合"的数据知识网络。不只讲方法论,更讲底层的技术原理。用最通俗的语言,把这些原理讲清楚。 包含:数据分析、数据开发架构、数据治理、行业理解、求职晋升等内容。 访问地址: pro.ss-data.cc 2️⃣ 知识星球 (498元/年) 帮数据从业者在职场中获得突破。 核心权益: ✅ 《职场底层认知体系》专栏 ✅ 全栈知识库访问权(原价 199元) ✅ 无限次图文咨询 ✅ 语音咨询 5 折优惠(原价 600元/小时) ✅ 简历优化 5 折优惠(原价 600元/次) 3️⃣ 1v1 咨询 • 语音咨询:600元/小时(星球会员 5 折) • 简历优化:600元/次(星球会员 5 折) 我做咨询的方式比较简单,就是通过提问帮你理清思路。很多时候你不是不知道答案,而是没想清楚问题。 ━━━━━━━━━━━━━━━━━━━━ 🎁 本期福利 感谢你听到这里。 为了感谢播客听众的支持,我准备了 5 个知识星球早鸟价名额: 🔥 原价 498元/年,早鸟价 398元/年(省 100 元) 前 5 位通过以下方式加入星球的朋友,可享受早鸟价: 📝 领取方式: ⚠️ 名额有限,先到先得。 ━━━━━━━━━━━━━━━━━━━━ 💭 一些真诚的建议 说实话,做这些东西,赚钱肯定是原因之一。但更重要的是,我希望分享的东西是真正有用的。 我不做结果承诺。不会说加入星球你就一定能涨薪,做了咨询你就一定能晋升。但我可以保证,我所有的内容都是以结果为导向的,都是从"怎么解决实际问题"出发,而不是讲一堆听起来很对但没用的道理。 如果你觉得有价值,可以加入星球或者找我咨询。如果觉得不需要,也完全没问题,继续听播客、看文章,我们慢慢交流。 💡 技术当然重要,但更重要的是,你要知道怎么用技术创造价值,怎么让别人看到你的价值。 ━━━━━━━━━━━━━━━━━━━━ 💬 想听听你的经历 1. 你在职场中有没有遇到过类似的困惑? 2. 你觉得数据从业者最大的职业瓶颈在哪? 3. 你有什么职业成长的心得? 评论区聊聊,互相交流。 ━━━━━━━━━━━━━━━━━━━━ 📚 往期节目推荐 • EP001: 为什么业务部门还是更爱Excel? • EP002: AI来了,数据分析师真的要失业了吗? • EP003: 数据指标的谎言:那些漂亮数字背后的猫腻 • EP004: 聊聊数据部门为什么总是背锅 • EP005: 聊聊A/B测试那些坑 ━━━━━━━━━━━━━━━━━━━━ 👨‍💼 关于主播 石头,前大厂数据架构专家,做数据这些年,踩过很多坑,也慢慢想明白了一些道理。 现在做知识星球、全栈知识库、1v1 咨询,以及播客、公众号,希望能帮数据从业者少走一些我走过的弯路。 定位:不卖焦虑,只讲实话。不堆理论,只给方法。 ━━━━━━━━━━━━━━━━━━━━ 📱 联系方式 公众号:拾穗数据工作室 知识星球:搜索"数据从业者们" 全栈知识库:pro.ss-data.cc 微信: shisuidata (咨询/早鸟价) 邮箱:shitou@ss-data.cc ━━━━━━━━━━━━━━━━━━━━ 💌 最后说两句 这期准备了挺久,一直在想该怎么聊这个话题。 很多人做自我介绍,都会把自己包装得很厉害。但我不想这样。我就是个普通学校毕业的,也走过不少弯路,吃过不少亏。 现在做这些事情,就是想把我踩过的坑、想明白的道理,分享给同样在做数据的人。 可能帮不到所有人,但如果能帮到一些人,我觉得就值了。 如果你也在做数据,也遇到过类似的困惑,欢迎加入我们。 不管是听播客、看文章,还是加入星球、做咨询,都是一种陪伴和交流。 就聊到这,我是石头,我们下期见。 ━━━━━━━━━━━━━━━━━━━━ 🎁 记得领取早鸟价名额: 评论区留言或添加微信 shitou_data 备注"播客早鸟价" ━━━━━━━━━━━━━━━━━━━━ 👍 如果这期对你有启发,欢迎订阅、评分和分享给同样在做数据的朋友!

最近刷到好多这种标题："大数据已死，转行要趁早"、"2025年千万别学大数据"、"AI取代数据分析师倒计时"。 说实话，看到这些我真的挺生气的。这些标题党，不是蠢，就是坏。 要么是自己根本不懂行业就瞎说，要么就是明知道不是这么回事，故意贩卖焦虑赚流量。 如果你现在也在焦虑，纠结要不要转行，别急。我花5分钟，跟你好好聊聊这事儿该怎么想。 欢迎添加我的微信：shisuidata ，让我们共同成长

本期简介 A/B测试听起来很科学——用数据说话，避免拍脑袋决策。但在实际工作中，A/B测试的坑也不少。 什么时候该测，什么时候不该测？怎么选指标？怎么解读结果？为什么有些A/B测试反而成了问题的来源？ 这期就随便聊聊我踩过的坑和一些思考。不是教程，只是经验交流。 内容大纲 * 00:00 开场：为什么想聊A/B测试 * 02:00 A/B测试看起来很美好 * 04:30 我见过的一些坑 * 10:00 为什么会有这些坑 * 12:30 我觉得应该怎么用 * 15:30 我的一些经验教训 * 17:30 片尾 核心内容 A/B测试看起来很美好 理论上，A/B测试确实很科学： * 有个想法不确定好不好，就做个实验 * 把用户分成两组，一组看A方案，一组看B方案 * 看数据，得出科学的结论 用数据说话，避免拍脑袋决策。很多公司都在推A/B测试，产品、运营、算法团队都在用。 但理论和实际往往有差距。很多A/B测试看起来做得很正规，流程也对，但最后要么得出的结论没用，要么压根做错了。 我见过的一些坑 很多A/B测试其实没必要做 改个按钮颜色要测，改个文案也要测，调整个页面边距还要测。做是做了，结果呢？"没有显著性差异"。 有些东西压根不需要测试。用户体验优化、视觉美观度改进，这些很难通过A/B测试来验证。而且，微小的改动需要非常大的样本量才能看出差异。 最后要么样本不够，要么花了很多时间资源，却得出个"没差异"的结论。这就是浪费。 测试指标选错了 改了个功能，希望提升用户留存，结果A/B测试看的是点击率。点击率确实提升了，就说实验成功，全量上线。结果一看留存，没变化，甚至还下降了。 为什么？因为测试的指标和真正的目标不一致。点击率提升可能只是因为用户好奇点了一下，但体验不好，反而流失了。 还有更复杂的情况——短期指标好，长期指标差。A/B测试一般只看短期，结果长期埋下隐患。 样本污染 理论上，A/B测试要求对照组和实验组完全随机，互不干扰。但实际上很难做到。 测试一个社交功能，A组用户看到了新功能，B组没有。但A组用户可能会告诉B组用户，或者在社交网络上分享，B组就被"污染"了。 还有，很多公司同时跑很多A/B测试，互相之间可能有影响。一个用户同时在好几个实验里，最后也不知道到底是哪个因素起作用。 过度解读结果 A/B测试告诉你，B方案比A方案好5%。然后大家就说："B方案更优，全量上线！" 但问题是，为什么B好？好在哪？是设计好，还是文案好，还是流程好？ 很多时候，A/B测试只能告诉你"哪个好"，但不能告诉你"为什么好"。如果不知道原因，这个实验的价值就很有限。 把A/B测试当成挡箭牌 这个我遇到过好几次。产品或运营有个想法，心里已经决定要做了，但为了显得"科学"，要做个A/B测试。 结果呢？如果测试结果支持，就说"看，数据证明了"；如果不支持，就说"样本不够""时间太短""指标选得不对"，然后还是做。 这就是形式主义了。A/B测试变成了走流程的工具，而不是真正的决策依据。 为什么会有这些坑 A/B测试看起来简单，但其实挺复杂 很多人觉得，A/B测试就是"分两组，跑数据，看结果"。但实际上，怎么分组、测多久、看哪些指标、怎么排除干扰因素，都需要仔细设计。 很多公司把A/B测试当成了"万能药" 什么决策都要测，什么东西都要数据支撑。但有些东西真的不适合用A/B测试。用户体验、品牌调性、长期战略，这些很难通过短期的A/B测试来验证。 对"科学决策"有误解 觉得只要用了数据、做了实验，就一定科学。但实际上，数据也可能被误用，实验也可能被误解。 科学决策不是说一定要用A/B测试，而是说，要理解你在测什么、为什么测、结果意味着什么。 说白了，A/B测试是个工具。工具没有好坏，关键看怎么用。 我觉得应该怎么用 在做A/B测试之前，想清楚三个问题 1. 这个东西有必要测吗？如果只是小改动，或者改善用户体验的事，可能直接做就好了。 2. 我想验证什么？要有明确的假设，不是说"看看哪个好"，而是"我认为B比A好，因为某某原因，我想用数据来验证"。 3. 什么指标能证明我的假设？不是所有指标都有意义，要想清楚什么指标能真正反映你想要的效果。 做实验的时候，要考虑全面一点 不是只看一个指标，而是看多个指标。不是只看短期效果，也要考虑长期影响。 还有，要控制变量，尽量减少干扰因素。如果做不到，至少要意识到这些干扰的存在。 解读结果的时候，要谨慎 A/B测试能告诉你"哪个好"，但不一定能告诉你"为什么好"。 结果出来之后，最好结合用户反馈、定性研究，去理解背后的原因。 而且，不要过度依赖A/B测试。数据是决策的依据之一，但不是唯一依据。有时候，用户研究、行业趋势、竞品分析，这些定性的东西，同样重要。 总之，A/B测试是个很有用的工具，但不是万能的。关键是要理解它能做什么、不能做什么，然后合理地用。 我的一些经验教训 以前刚接触A/B测试的时候，觉得这个东西很牛，科学决策的利器。所以什么都想测，小到改个按钮，大到做个功能。 结果呢？很多实验其实没什么价值。要么结果不显著，要么结果出来了也不知道怎么用。 慢慢地，我意识到，A/B测试不是用得越多越好，而是用得越准越好。真正有价值的A/B测试，是那些能解决关键问题、能影响重要决策的。 还有，我以前看A/B测试结果，就看最终指标。比如转化率提升了，就觉得实验成功了。但后来发现，有时候指标提升了，但用户体验变差了；有时候短期指标好，但长期埋下隐患。 所以现在我会更全面地看结果，不只是看数字，还会去了解用户的真实感受。 A/B测试这个东西，其实挺考验功力的。不是说会用工具就行了，而是要理解业务、理解用户、理解数据。这些，都需要时间积累。 想听听你的经历 1. 你做过哪些A/B测试？踩过什么坑？ 2. 你觉得A/B测试最大的挑战在哪？ 3. 你有什么使用A/B测试的心得？ 评论区聊聊，互相交流。 往期节目 * EP001：为什么业务部门还是更爱Excel? * EP002：AI来了，数据分析师真的要失业了吗? * EP003：数据指标的谎言：那些漂亮数字背后的猫腻 * EP004：聊聊数据部门为什么总是背锅 下期预告 下期可能聊聊数据仓库，或者数据治理。还没完全想好，到时候看心情。

本期简介 这期想聊聊一个话题——数据部门为什么总是背锅。这些年见过太多数据人抱怨,老板不重视、业务不配合、总是背锅。我自己也经历过,也观察过很多团队。后来慢慢发现,这事儿没那么简单,很多时候问题出在我们自己身上。 今天就随便聊聊我的一些观察和感悟吧。 内容大纲 - 00:00 开场:聊聊这个话题 - 02:00 数据部门常背的几种锅 - 05:00 我观察到的一些问题 - 08:00 见过的一些改变 - 11:00 我自己的一点感悟 - 14:00 片尾 核心内容 数据部门常背的几种锅 数据对不上 这个太常见了。市场部说的用户数和财务部对不上,老板问数据部门到底是多少,然后发现是统计口径不一样。老板就会说:"连自己的口径都统一不了?" 以前遇到这种事,数据人都觉得很冤——明明是不同部门要的东西不一样。但仔细想想,为什么会有这么多口径?为什么没人提前协调?这确实也是数据部门该做的事。 数据出问题 数据开发最常遇到的。可能是早上数据没跑出来,延迟了;可能是业务说数据不对,查了半天发现是上游的问题;可能是Pipeline挂了,所有人都在催。 最后结论:"数据不稳定,数据团队要负责。" 但很多时候,数据开发只是中间环节,上游变了没通知,下游需求变了也没说。出了问题,第一个被问责的就是数据团队。 决策出问题 业务让数据部门推荐个东西,推荐了,做了,结果不理想,业务说:"你们数据不是说这个好吗?" 数据人会说:"我只说了A指标好,B指标我又没分析。"但问题是,做决策需要看哪些指标,数据分析师应该比业务更清楚吧? 需求反复改 这个分析和开发都会遇到。业务提需求,做完说不对,改,再改,再改...最后延期了,结论是数据部门效率低。 数据人会觉得:"明明是你自己需求没想清楚。"但反过来想,为什么不能一开始就多问几句,帮业务想清楚? 我观察到的一些问题 说实话,这些年我自己做数据,也接触过不少数据团队,发现几个普遍的问题。 太被动 大部分数据人的工作模式是:业务提需求,我做数据,交付完事。从来不多问一句"为什么要这个""想解决什么问题"。 久而久之,就真的变成工具人了。数据开发变成"表哥",业务要什么表就建什么表;数据分析变成"取数机器",业务要什么数就取什么数。 不太懂业务 很多数据人只懂数据技术,不懂业务逻辑。 数据开发建表,字段定义不清楚,业务用起来一头雾水。数据分析做报告,业务看完不知道该干什么。 做出来的东西,业务看不懂,或者用不上。 总在等问题 数据开发看到任务延迟、数据质量问题,不主动去解决,等业务来催;数据分析看到指标异常,写在日报里(没人看),不主动去沟通。 等业务发现问题来兴师问罪,数据说:"这个我早就看到了。"业务说:"那你为什么不早说?" 这就是典型的把自己当成"观察员",而不是"参与者"。 见过的一些改变 也不是说没有做得好的。我见过一些数据团队,慢慢把局面扭转过来了。 减少重复劳动 有的团队做了自助查询平台,把常规需求都产品化了。业务自己去平台上拉数,不用每次都找数据分析。 有的团队做了数据质量监控,异常自动告警,不用数据开发天天盯着看任务跑没跑成功。 这样数据团队就有时间做更有价值的事。当然,这需要投入精力去做,短期看不到收益,但长期绝对值得。 深入业务 还有的团队,数据分析师去参加业务会议,数据开发去了解业务系统。时间长了,对业务就比较了解了,做出的东西也更有用。 数据开发知道业务要什么,建表的时候字段定义就更合理;数据分析知道业务痛点,做分析的时候就更能切中要害。 而且业务也会慢慢信任数据部门,有决策会主动找数据来讨论,而不是事后来取数或者甩锅。 主动展示价值 有的团队会定期做"数据价值报告",把数据部门做的事情,带来的价值,都量化出来。 数据开发说清楚数据管道的稳定性提升了多少,数据分析说清楚洞察带来了多少收益。让老板、让业务都看到。 这个很重要。你不说,别人不知道你做了什么。 我自己的一点感悟 说实话,数据部门地位低、背锅多,我以前也抱怨过。觉得是老板不懂、业务不配合。 但这些年下来,慢慢觉得,很多时候问题出在我们自己身上。 我们把自己定位成"服务部门"——你要什么我给什么。但其实应该是"驱动部门"——我主动告诉你有什么问题,有什么机会。 定位不一样,做事的方式就不一样,别人对你的看法也不一样。 当然,改变不容易。有时候主动了,业务也不一定领情。但至少,不能总是等着、抱怨着。 我现在慢慢在改变自己的工作方式。比如接到需求会多问几句,看到异常会主动去沟通,做报告尽量用业务听得懂的语言。 效果还不错,至少业务开始觉得我更懂他们了,也更愿意找我讨论问题。 一句话总结:与其抱怨环境,不如改变自己。 听起来很鸡汤,但这确实是我这些年最大的感悟。 想听听你的经历 1. 你背过哪些冤枉的锅? 2. 你觉得数据部门最大的问题在哪? 3. 你有没有一些改变现状的经验? 评论区聊聊,互相交流。 往期节目 - EP001:为什么业务部门还是更爱Excel? - EP002:AI来了,数据分析师真的要失业了 - EP003:数据指标的谎言:那些漂亮数字背后的猫腻 关于主播 石头,拾穗数据咨询工作室创始人。做数据这些年,背过锅,踩过坑,也慢慢摸索出一些经验。做这个播客就是想和大家随便聊聊,互相学习。 ## 联系方式 - 公众号: 拾穗数据 - 微信: shisuidata - 邮箱: shitou@ss-data.cc 这期准备的时候,一直在想该怎么聊这个话题。 说实话,这些问题没有标准答案。每个公司情况不一样,每个人的情况也不一样。 但我觉得,至少可以从改变自己开始。不再只是抱怨,而是想想能做什么。 可能改变不了环境,但至少能改变自己的工作方式,改变别人对你的看法。 就聊到这,我是石头,我们下期见。 如果这期引起了你的共鸣,欢迎分享给同样在做数据的朋友。

《疯语大数据》EP03 Show Notes 数据指标的谎言：那些漂亮数字背后的猫腻 一句话介绍 500万用户？180万活跃？8万付费？同一家公司，三个部门，三个数字。欢迎来到数据指标的化妆术现场，石头带你看穿那些"创造性统计"的把戏。 本期金句 💎 "数据就像橡皮泥，怎么捏都行。" "指标是用来衡量目标的，不是目标本身。" "数据既是照妖镜，也是化妆品。" 本期要点 🎯 【开场案例】同一家公司的用户数据： * 市场部：500万（累计注册） * 产品部：180万（月活） * 财务部：8万（付费）谁在说谎？都没有，只是各自在讲故事 【DAU的五种算法】 1. 必须有核心行为（最严格） 2. 只要登录就算 3. 打开APP就算 4. 点击推送通知也算 5. 后台自动刷新都算（最离谱） 【常见数字游戏】 * 增长率魔术：选择性对比基期 * 平均数陷阱：掩盖真实分布 * 统计口径：灵活定义指标 【真实案例】某社交产品的数据真相： * 对外宣称：2000万用户 * 实际日活：3万 * 其中员工及亲友：1万 * 真实自然用户：2万结果：因数据造假，融资失败 时间轴 ⏱️（14分钟完整版） 00:00 开场：三个部门三个数字 01:30 DAU的五种算法 03:30 增长率的选择性展示 05:00 平均数的误导陷阱 06:30 为什么都在玩数字游戏 08:30 真实案例：2000万到3万的真相 10:30 如何识别数据猫腻 12:00 正确的数据观 13:00 个人感悟 14:00 结束语 讨论话题 💬 这期内容可能扎心了，想问问大家： 1. 你在工作中见过最离谱的指标定义是什么？ 2. 你觉得"适度美化"和"数据造假"的界限在哪里？ 3. 如果老板要求你"优化"数据，你会怎么办？ 评论区见！匿名爆料也欢迎（记得打码） 往期回顾 📻 * EP01：为什么业务部门还是更爱Excel？（15分钟） * EP02：AI来了，数据分析师真的要失业了（14分钟） 下期预告 EP04：《数据部门的生存困境：为什么我们总是背锅？》 * 为什么数据部门地位普遍不高？ * "取数机器"的标签怎么撕掉？ * 如何从成本中心变成价值中心？ 节目时长 本期节目：14分钟适合场景：通勤路上、午休时间、健身跑步 短小精悍，不占用你太多时间，但保证每分钟都有干货。 特别声明 本期内容纯属行业观察，不针对任何具体公司。如有雷同，纯属巧合（才怪）。 数据本身没有对错，关键在于使用的人。希望大家都能诚实面对数据，理性使用指标。 联系我们 * 微信：shisui_data * 邮箱：shitou@ss-data.cc * 小红书：拾穗数据 * 微信公众号：拾穗数据 * Blog：https://blog.ss-data.cc 版权声明 本播客由拾穗数据咨询工作室出品。欢迎转发分享，转载请注明出处。 最后的悄悄话 知道为什么很多公司喜欢用MAU而不是DAU吗？ 因为MAU永远比DAU好看啊！一个月怎么也能凑个数出来。 知道为什么喜欢说同比不说环比吗？ 因为去年这个时候可能更惨啊！ 这些小秘密，做数据的都懂。但问题是，自己骗自己，真的有用吗？ 数据是工具，可以用来发现真相，也可以用来掩盖真相。选择权在你。 我是石头，下期我们聊聊数据部门为什么总是背锅。那会是个更扎心的话题。 本期时长：14分钟（刚好一个通勤站） #数据分析 #KPI #数据指标 #数据造假 #疯语大数据 #石头 转发这期节目的朋友，都是勇士。因为你可能会被老板拉黑。😏

AI来了，数据分析师真的要失业了 一句话介绍 当AI能在几秒钟写出完美的SQL，当它能自动生成数据报告，数据分析师还有存在的价值吗？石头用亲身经历告诉你：有些人确实要失业了，但可能这是件好事。 本期要点 🎯 【现实冲击】 * AI写SQL比80%的分析师写得好（真的，我测试过） * Python代码规范到让人汗颜 * 分析报告有模有样，逻辑清晰 【但是...】 * 为什么GMV下降15%？AI：不知道 * 数据异常是bug还是口径变了？AI：不知道 * 该优化哪个功能？AI：标准答案（但可能是错的） 【扎心真相】 * 如果你80%的时间在取数、做报表，那确实该慌了 * 很多数据分析师把自己活成了"SQL工具人" * 被AI替代的，可能本来就不该存在 【真实案例】某电商公司数据团队的逆袭： * AI接管了取数工作 * 数据团队反而被解放了 * 从成本中心变成决策中心 核心观点 💡 "AI不是来抢饭碗的，是来帮我们正本清源的。它把那些本来就不应该占用我们时间的工作自动化了。" "真正的数据分析不是写SQL，是理解为什么要写这个SQL。" "AI可以给建议，但不能担责任。敢为决策负责，这就是人的独特价值。" 讨论话题 💬 听完想问大家几个问题： 1. 你现在有多少时间花在"可被AI替代"的工作上？ 2. 如果不用取数了，你最想用省下的时间做什么？ 3. 你觉得数据分析师最不可替代的能力是什么？ 欢迎在评论区分享！特别精彩的留言下期节目会读出来。 【石头的小广告】 👥 加入社群 关于《疯语大数据》 一档由10年数据老兵石头主理的播客节目。不说大话，不炒概念，只聊数据行业的真实现状。每周三更新。 已更新节目： * EP01：为什么业务部门还是更爱用Excel？ * EP02：AI来了，数据分析师真的要失业了（本期） 支持我们 如果觉得内容有价值： * 五星好评（让更多人听到） * 分享给需要的朋友 * 留言你想听的话题 版权声明 本节目由拾穗数据咨询工作室制作，欢迎转载，转载请注明出处。 最后的最后 记住，AI时代不是数据分析师的末日，是"SQL工具人"的末日。 如果你现在还在纠结要不要学Python，不如想想怎么让AI帮你写Python。 时代变了，思维也要变。 我是石头，咱们下期聊数据造假...哦不，是数据指标的艺术。😏 #数据分析 #AI #职业发展 #播客 #疯语大数据

Show Notes（节目简介） 一句话介绍 做数据的朋友们，你是否也曾疑惑：为什么掌握了那么多技术，做了那么多报表，业务部门还是偏爱他们的Excel？这期节目，我们来聊聊数据人容易陷入的三个误区，以及如何真正创造数据价值。 本期亮点 🎯 【痛点直击】 * 为什么你的RFM模型输给了简单粗暴的新老客分类？ * 为什么100%准确的日报，不如80%准确的实时数据？ * 为什么老板总是提临时需求，而你总在救火？ 【真实案例】 * 一份Wiki如何解决了跨部门的数据口径之争 * 从简单的四象限分析开始，如何进化成核心数据产品 * "数据下午茶"：用半小时改变整个团队的数据文化 【实用建议】 * 如何成为技术和业务之间的"翻译官" * 怎样从被动接需求到主动做数据产品 * 面对不合理需求时的优雅推回话术 金句摘录 💎 "我们要解决的不是技术问题，是业务问题。技术只是手段。" "80%的准确性如果能早3个小时拿到，可能比100%的准确性更有价值。" "先跑起来，再优化。不要憋大招。" "做数据也要做人，沟通和技术同样重要。" 适合谁听 👥 * 数据分析师 / BI工程师 / 数据工程师 * 刚入行的数据新人 * 想转型做数据的朋友 * 经常和数据团队打交道的业务人员 讨论话题 💬 听完这期节目，想和大家讨论： 1. 你遇到过最离谱的数据需求是什么？ 2. 在技术能力和业务理解之间，你认为哪个更重要？ 3. 有什么好方法能让业务部门更好地理解数据工作？ 欢迎在评论区分享你的故事！ 主播介绍 🎙️ 石头 - 拾穗数据咨询工作室创始人 * 10年大数据行业经验 * 从数据分析师到创业者的完整经历 * 专注于帮助企业落地数据价值 联系方式 📮 * 微信公众号：拾穗数据 下期预告 📻 EP02：《数据分析师的职业发展：技术专家还是业务专家？》 * 数据分析师的三条职业路径 * 什么时候该跳槽？什么时候该坚守？ * 从打工到创业：一个数据人的转型之路 版权声明 本节目由石头独立制作，欢迎转发分享，转载请注明出处。 特别感谢 感谢每一位在数据一线奋斗的朋友，你们的故事就是最好的素材。