事实核验：2026-05-09 · 状态：维护中

记录仅说明核验时间与维护状态，不保证适用于所有环境；使用前请留意正文中的版本、适用条件与风险提示。

Decision Scientist升级清单

为什么会出现这个方向

当 AI 能快速完成取数、图表、摘要和初步分析，分析师的时间会被释放出来。问题是：释放出来以后做什么？

低价值路径是继续接更多需求，变成“AI 加速版取数员”。高价值路径是靠近决策：定义问题、设计实验、判断证据、组织讨论、推动行动、验证结果。

这就是 Decision Scientist 的位置。

它不要求你变成算法科学家，也不要求你天天训练模型。它要求你把数据、业务、实验和沟通连接起来，让组织少拍脑袋、少争口径、少做无效动作。

Decision Scientist 与传统分析师的区别

维度	传统数据分析师	Decision Scientist
工作入口	业务提需求	业务有决策难题
核心动作	取数、分析、汇报	定义问题、评估证据、推动选择
AI 关系	用 AI 提效执行	设计 AI 协作流程并审查输出
价值判断	报告是否完整	决策是否更好
主要风险	做慢、做错	误导决策、证据不足、行动失效
核心资产	SQL、看板、报告	指标体系、实验框架、决策复盘、Eval 集

如果你已经读过 Agentic Analytics：分析师角色的终局推演，会发现 Decision Scientist 对应的是那篇文章里“向业务决策现场移动”的路径。

能力模型

flowchart TD
    A["Decision Scientist"] --> B["业务问题定义"]
    A --> C["证据与实验设计"]
    A --> D["AI协作与审查"]
    A --> E["决策沟通"]
    A --> F["行动复盘"]

    B --> B1["目标/约束/利益相关方"]
    C --> C1["指标/样本/因果/不确定性"]
    D --> D1["工作流/语义层/Eval"]
    E --> E1["故事/冲突/取舍"]
    F --> F1["效果追踪/沉淀/迭代"]

    style A fill:#2D5A3D,stroke:#2D5A3D,color:#FDFBF5
    style D fill:#E5EAF0,stroke:#3B5A80,color:#2D2A26
    style C fill:#F6EAD8,stroke:#C08A1A,color:#2D2A26

这五项能力里，AI 协作只是其中一项。真正拉开差距的，是你能否把 AI 产生的信息放进一个严肃的决策框架里。

能力一：业务问题定义

很多分析做不好，不是因为 SQL 不行，而是从一开始问题就错了。

业务说“帮我看看留存为什么下降”，Decision Scientist 不会直接开查，而是先问：

• 留存下降影响了什么业务目标？
• 是哪个用户群、哪个渠道、哪个版本、哪个生命周期阶段？
• 下降是否超过正常波动？
• 这个问题需要解释原因，还是需要选择行动？
• 如果找到了原因，业务团队有什么动作可以做？

这对应 业务问题转化 和 结构化思维。

能力二：证据与实验设计

Decision Scientist 不满足于“数据看起来像这样”。他会继续问：这个证据强不强？能不能支持行动？有没有替代解释？

核心能力包括：

• 区分相关性与因果关系。
• 判断样本量与显著性。
• 设计 A/B 测试或准实验。
• 识别选择偏差、幸存者偏差、混杂变量。
• 用不确定性语言表达结论。

相关基础：实验设计与A/B测试、假设验证法、归因分析方法。

能力三：AI协作与审查

AI 时代的 Decision Scientist，不需要每次手写所有 SQL，但必须能审查 AI 的输出。

你至少要做到：

• 能判断 AI 是否用错指标口径。
• 能看懂 SQL 是否存在明显逻辑风险。
• 能把高频分析需求整理成 Agent 工作流。
• 能维护 AI-BI Eval 集。
• 能把错误反馈给语义层、Prompt 和数据治理流程。

对应学习：AI时代分析工作流重构、AI-BI评估体系与误差治理。

能力四：决策沟通

数据分析不是把真理扔到会议桌上。组织不是这样运转的。组织里有目标冲突、资源约束、部门立场、时间压力，还有人类固有的面子问题。

Decision Scientist 要能把复杂证据讲成可讨论、可选择、可执行的方案。

一个成熟的表达方式通常是：

基于当前数据，我们有较强证据支持 A 假设，但还不能完全排除 B 假设。
如果目标是短期止损，建议先做动作 1；如果目标是长期提升，建议做实验 2。
这两个方案的成本、收益和风险分别是……
我建议先用两周验证指标 X 和 Y，如果没有改善，再切换方案。

这里用到 数据故事讲述、跨部门协作 和 向上管理。

能力五：行动复盘

分析最大的浪费，是提出建议以后没人追踪。Decision Scientist 要把建议变成可验证的行动。

复盘至少包含：

• 当初的决策问题是什么？
• 当时使用了哪些证据？
• 做了什么动作？谁负责？
• 预期改善什么指标？
• 实际结果如何？
• 如果结果不符合预期，是假设错、执行错，还是环境变了？
• 下次应如何调整指标、分析框架或 Agent 规则？

这一步会把个人经验变成团队资产。

90天升级路径

第1阶段：从执行者到审查者（第1-30天）

• [ ] 整理自己最近 5 个分析需求。
• [ ] 标记其中哪些环节可以由 AI 提效。
• [ ] 对每个需求补写业务问题卡和口径卡。
• [ ] 用 AI 生成一次 SQL 或报告初稿，并记录错误。
• [ ] 学习 Text-to-SQL与语义层协同。

第2阶段：从审查者到流程设计者（第31-60天）

• [ ] 选择一个高频分析场景，设计标准流程。
• [ ] 整理 20 个典型问题与正确答案。
• [ ] 建立一个轻量 AI-BI Eval 表。
• [ ] 写出 Agent 追问规则和输出规范。
• [ ] 形成一个可复用分析模板。

第3阶段：从流程设计者到决策伙伴（第61-90天）

• [ ] 主动参与一次业务决策讨论。
• [ ] 不只交付结论，还给出方案比较和验证计划。
• [ ] 跟踪建议执行后的指标变化。
• [ ] 完成一份完整复盘。
• [ ] 将项目整理进 AI时代数据人作品集路线。

作品集项目建议

项目一：AI辅助留存下降诊断

包含业务问题定义、指标口径、AI 初步诊断、人工审查、归因假设、行动建议、后续验证。

项目二：活动效果 AI-BI Eval 集

包含 20-50 个活动效果问题、标准 SQL、评分维度、错误分级和修复闭环。

项目三：语义层指标治理样例

选择一个业务域，如增长、会员、订单、内容，整理指标卡、同义词、典型问题和权限说明。

项目四：决策复盘报告

选择一次真实业务动作，复盘当初的数据证据、决策逻辑、结果和下一步调整。

自检：你是否已经接近 Decision Scientist

• [ ] 业务方找你不是只要数，而是要你参与判断。
• [ ] 你能主动指出需求里的伪问题。
• [ ] 你能解释一个指标为什么这样定义，而不只是怎么计算。
• [ ] 你能判断 AI 输出的分析哪里可能错。
• [ ] 你能设计实验或验证方案。
• [ ] 你的报告里有不确定性和风险提示。
• [ ] 你的建议有负责人、动作、指标和复盘周期。
• [ ] 你能把一次分析沉淀成模板、Eval 或知识资产。

如果你能勾 6 项以上，说明你已经不只是“会分析数据”，而是在帮助组织做更好的决策。

继续阅读

• AI时代数据分析师升级路线
• AI Data Analyst岗位全解析
• 数据分析师职业规划
• Agentic Analytics专题导览