疯语大数据

本期内容来自拾穗数据同名文章与视频口播稿。

我用自己工作室的个体工商户身份，在招聘平台上发布了一个普通的大数据开发岗位。公司很小，岗位也不稀奇，但不到 24 小时，后台涌来了接近 200 条主动沟通。

这不是一次严谨的行业调研，也不能直接推出“大数据开发没机会了”这样的结论。但它像一个真实现场，让我重新思考：数据岗位求职变难，背后到底是岗位少了，还是企业想买的东西变了？

本期推荐

1. 本期视频版由 Talk About 自动剪辑完成

这期内容的视频版本，录制后的粗剪、停顿整理和节奏处理，主要由 Talk About 自动完成。它更适合像这类口播、访谈、知识分享内容：先把长素材录下来，再让工具帮你做初步剪辑，创作者把精力放回到表达和选题上。

Talk About：https://talkaboutstudio.com

2. 拾穗数据知识库

如果你正在做数据开发、数据分析，或者想把传统数据能力接到 AI 工作流里，可以看拾穗数据知识库：

https://pro.ss-data.cc

这里会持续整理数据工程、数据分析、AI 应用、知识库、求职项目表达等内容，不只是追工具，而是帮你把能力重新组织起来。

3. 原文阅读

这期播客对应的完整文章在拾穗数据主站：

https://ss-data.cc/posts/ss-7c9e2b

如果你想看更完整的文字版本、配图和后续延伸文章，可以去主站阅读。

本期你会听到

• 一个小工作室发布大数据开发岗位后，为什么会在 24 小时内收到近 200 条主动沟通

• 为什么“岗位少了”只是表层原因，更深的变化是企业正在重新计算数据工作的价值

• 数据开发、数据分析简历为什么越来越像，以及相似能力在低增长市场里为什么会变成问题

• 招聘方第一眼到底在看什么：打招呼话术、在线简历、项目证据、学历标签和技术关键词

• AI 并没有简单替代大数据开发，但它正在让重复动作变便宜，让复杂判断变贵

• 普通数据从业者如何把自己的能力重新分层：基础能力、项目证据、业务理解、AI 时代的新接口

本期核心观点

我不想把这期节目做成“大数据开发完了”的焦虑内容。

真正值得讨论的不是某个岗位突然消失，而是传统数据岗位的供需关系正在变化。企业并不是完全不需要数据人，而是不再像过去那样，为每一个取数、报表、任务维护、口径解释都单独配一个人。

过去很多岗位买的是人力：会不会写 SQL，会不会跑任务，会不会做报表。

现在企业越来越想买结果：能不能让指标更可信，能不能让业务少一点重复取数，能不能把数据接进 AI 流程里，能不能把一个问题从口径、链路、看板到复盘真正负责起来。

所以求职难，不一定是你不努力，也不一定是你完全没有价值。

更可能是：你所在的市场换了筛选规则，而你的简历、项目表达和能力证据，还停留在上一套规则里。

给数据从业者的一个建议

先别急着追下一个风口，也别只是一边焦虑一边囤课。

更重要的是回到自己的经历里，问清楚几个问题：

• 我到底解决过什么真实问题？

• 我做过哪些判断，而不是只执行了哪些任务？

• 我的项目能不能说明结果？

• 如果被追问，我能不能讲清楚业务背景、技术取舍和后续影响？

• 我过去的数据能力，可以接到哪些新的 AI 场景里？

如果这些问题还答不上来，可能不是再投 100 份简历就能解决的事。

它需要你重新整理自己的项目、证据和表达方式。

适合谁听

• 正在找工作的数据开发、数据分析师、大数据工程师

• 感觉简历投出去没有回应的人

• 做了几年数仓、BI、离线任务，但不知道下一步怎么走的人

• 想理解 AI 时代数据岗位会怎么变化的人

• 正在招聘数据岗位、想理解候选人供给变化的团队负责人

互动

如果你也是做数据开发、数据分析，或者正在准备转型，欢迎在评论区说说：

你现在找工作最难的地方，是岗位少、简历没人看，还是面试时讲不清项目？

后面我也会继续聊：怎么把自己的项目和经历，整理成一套真正经得起筛选的证据。

在小宇宙查看该单集文稿

混乱是梯子：为什么"等 AI 落地再说"是最危险的策略

本节目由拾穗数据工作室赞助播出：pro.ss-data.cc 【数据从业者全栈知识库】

前两天在群里，有同学问了一个挺典型的问题：现在该不该投入时间学 AI，还是老老实实刷算法打基础，等 AI 真正落地了再说？

有人回复说，"以不变应万变"，先把基本功搞扎实，AI 的事等它成熟了再看。

说实话，一年前我大概也会这么说。

但今天我不这么想了。我甚至觉得，"等 AI 落地再行动"这句话听起来理性、稳健，实际上可能是你能选择的最危险的策略。

大数据"落地"了吗？

我做了十一年数据。如果有人问我，大数据落地了吗？

我还真不好回答。

你说它落地了吧——大多数公司的数据基础设施还是一团糟，数据驱动决策在很多企业里依然是一句口号，数仓建了拆、拆了建，BI 报表做出来没人看。这能叫落地吗？

你说它没落地吧——2015 到 2020 年那波大数据热潮里进场的人，该吃到的红利早已吃完。薪资涨了，职级升了，行业经验积累了。到了 2023 年再想入场，对不起，"数据分析师"已经从稀缺岗变成了内卷岗。

所以你看，大数据从来没有一个"现在落地了"的官宣时刻。它是慢慢渗进各行各业的，一点一点地、混乱地、反复地。而红利窗口的打开和关闭，跟"落地"这件事，完全不同步。

窗口在混乱期就打开了。等你看见尘埃落定的时候，窗口已经关了。

这个规律，我觉得在 AI 这件事上会重演。而且速度会更快。

等待，看似最稳，其实最贵

"等等看"的逻辑是这样的：现在 AI 还不成熟，方向不明确，我投入时间可能打水漂。不如等它成熟了，方向清晰了，我再高效地学，岂不是更划算？

这个逻辑不能说错。它在很多事情上确实成立。买第一代产品不如等第二代，装修风格不确定不如先租房。

但职业发展不是买手机。

职业发展有一个残酷的特性：经验的价值与时间高度绑定。 同样一个技能，你 2025 年会和 2028 年会，含金量完全不同。不是因为技能本身变了，而是因为 2025 年会的人少，你有先发优势、有踩坑经验、有真实案例、有行业认知。2028 年会的人多了，你只是"达标"。

等 AI 成熟了再学，你学到的东西不会比别人少，但你少了三年在混乱中摸索的经验。而那些经验——踩过的坑、犯过的错、试过的弯路——恰恰是最不可替代的。

没有人会因为你"等到了最佳时机入场"而给你加分。简历上只看得见你做过什么，看不见你"明智地等了三年"。

混乱就是梯子

《权力的游戏》里小指头说过一句话，我一直记得：

"混乱不是深渊。混乱是梯子。"

（Chaos isn't a pit. Chaos is a ladder.）

这句话放在职场里，精准得让人不舒服。

大多数人害怕混乱。技术路线不清晰、行业标准没建立、工具一年换三轮——这些不确定性让人焦虑。于是本能反应是等一等，等方向明确了再走。

但问题是：方向明确的时候，路上已经站满了人。

混乱的时候反而是窗口最大的时候。因为大家都在犹豫，都在观望，都在"理性分析"。这时候你只要比别人早迈出一步，不需要迈对，只需要迈出去，你就已经在积累别人没有的经验。

走错了怎么办？走错了就调整。走过的弯路不是浪费，是你理解这个领域地形的方式。那些只站在起点研究地图的人，永远不会真正认识这片地形。

我们不可能以终为始地等一个结论出现再去行动。跟着潮流一起出发、一起犯错、一起消耗，才能遇到途中的机会。弯路本身就是你抓住机会时的经验和资本。

说说我自己的"克制"

过去一年，我刻意克制自己不追 AI 热点。

什么又颠覆了，什么又被革命了，什么大模型又刷新了排行榜——这些新闻看多了，说句实话，我有点疲惫。不是对技术疲惫，是对那些赚流量的话术疲惫。

我给自己的品牌起名叫"拾穗"。拾穗——就是弯下腰，捡地上的麦粒。这个名字的意思是：不要过于追求远方和高处，应该低下头来，把真正应该关心的事情和人像拾起麦粒一样捡起来。那才是真正值得珍惜的东西。

所以在过去的文章和分享里，我有意不碰 AI 话题。不是不关注，是觉得不成熟的东西追了也没意义，反而容易变成自己曾经讨厌的那种内容。

那为什么今天写这篇？

因为我觉得有些东西变了。不是某个模型又更新了，不是某个公司又发了新闻稿。而是 AI 应用的范式开始出现真正的转折。

具体来说，我看到像 OpenClaw 这样的东西出现了——AI 不再只是一个对话框、一个 API、一个需要程序员套壳才能用的工具，而是开始形成自己独立的应用范式。这跟"又出了一个新模型"完全不是一回事。

新模型只是算力军备赛，跟普通从业者关系不大。但应用范式的转变，意味着千千万万个企业开始真正思考"AI 怎么用到我的业务里"。这才是红利窗口打开的信号。

一个克制了一年不追 AI 热点的人，今天告诉你"该上车了"——我希望这句话的分量，比那些天天喊"AI 革命"的人稍微重一点。

二十年

人生很长，但有条件抓住时代机会的，其实也就二十年不到。

从你能独立做决定开始，到你的精力、学习能力和承受风险的意愿开始衰减，这个窗口并不宽。

如果二十年后 AI 才算"落地"，你到那时候再去接触和行动吗？当然这个例子有点极端。但哪怕是五年——五年后你再开始，你觉得还来得及吗？

来得及学，来不及赶。

技术可以后学，但窗口关了就是关了。大数据的故事已经演示过一遍了，不需要再演示第二遍。

不知道终点是沙漠还是绿洲

我不想假装我知道 AI 的终局是什么。没有人知道。

也许三年后回头看，今天的很多判断都是错的。也许 OpenClaw 没有成为我预期的那个转折点，也许 AI 的商业化路径跟所有人想的都不一样。

但我坚持认为一件事：如果你不上车，等到终点的那一刻，也不会有你的座位。

车上的人和我们一样，不知道终点是沙漠还是绿洲。但他们有一样东西——相信的勇气。

不是盲信，不是 FOMO，不是被贩卖焦虑后的应激反应。是看清了"等待"的真实成本之后，做出的主动选择。

我选择上车。

你呢？

——石头

如果这篇文章让你觉得"该动了"，不妨从系统学起。

拾穗数据知识库涵盖数据分析师和数据工程师的完整成长路径——技术栈、求职方法论、职场晋升——都是从真实经历里提炼出来的，不卖焦虑，只讲可落地的东西。

在小宇宙查看该单集文稿

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)

在小宇宙查看该单集文稿

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

在小宇宙查看该单集文稿

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。

在小宇宙查看该单集文稿

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：

在小宇宙查看该单集文稿

🎙️ 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。

在小宇宙查看该单集文稿

🎙️ 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:[email protected]

━━━━━━━━━━━━━━━━━━━━

💌 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!

在小宇宙查看该单集文稿

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

在小宇宙查看该单集文稿

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。

在小宇宙查看该单集文稿