2023 年，生成式 AI 爆炸性問世，不僅讓我們見識到未來工作模式改變的各種可能性，也引發了各行各業的焦慮，擔心自己的職位可能會被 AI 取代。身為數據分析師的我，也開始思考 AI 在我的職涯中究竟會扮演什麼角色。

AI 衝擊！數據分析的工作要被取代了嗎？

記得有一次，我面對一堆格式混亂的資料，用了一整天才完成資料前處理。而如今，透過 AI 工具，這些繁瑣的任務只需幾分鐘便能搞定。數據分析師的工作真的會因此被取代嗎？還是藉由生成式 AI 的幫助，能迎來新的發展契機？

生成式 AI 的崛起，確實為數據分析師的日常工作帶來了深遠影響。不僅大幅提升了數據處理的效率，還改變了分析師看待數據的方式。許多過去需要手動完成的大量數據整理和預處理，現在已能部分交由 AI 自動化處理。更令人驚喜的是，AI 還能協助生成分析報告，甚至提供策略建議，讓分析師的技能需求變得更加多元化。

然而，這些變化也伴隨著挑戰。還記得我剛開始認識生成式 AI 時，看到 AI 製作出來的圖表以及撰寫的洞察，看似正確、又講的頭頭是道，可當我仔細查看之後，發現竟然是「一本正經的胡言亂語」，讓我意識到過度依賴工具的危險。數據分析的核心價值，始終在於確保數據品質和對商業問題的深刻洞察，而不僅僅是熟練使用工具。

數據分析師該如何應用AI？五大應用場景！

然而，善用 AI 確實能為我們的工作帶來極大的幫助，今天想跟大家分享五個數據分析師可以應用 AI 的五個工作場景：

場景一：資料收集與清理

以前我們常說，數據分析師的工作比起分析數據、找出洞察，更多的時間可能必須花在「資料蒐集」或是「資料清理」上，把雜亂的數據源整理乾淨，建立可靠的 Data Pipeline，才有辦法開始分析。然而，在有了生成式 AI 之後，這件事有可能發生改變。

舉例來說，以前拿到資料時，資料中若有缺失值、異常值，分析師需要手動檢查、補值或刪除，需要花許多時間，又容易出錯。現在，AI 工具能自動掃描資料，快速識別問題區域，並提供補值建議，幾分鐘的時間就可以完成原本需要數小時執行的工作。

場景二：資料探索與資料視覺化

過去，要分析一份資料往往需要耗費不少時間。我們可能得編寫程式碼，或者在試算表中拉樞紐分析和圖表，才能初步了解數據中的資訊。但現在，有了 AI 的幫助，這一切變得更加簡單高效。只要上傳一份資料，AI 不僅能快速理解數據內容，還能自動生成圖表，讓資料探索變得更加直觀。

舉例來說，有一次我將一份數據上傳到 ChatGPT。這份數據原本需要花整整一天來整理出趨勢，但  ChatGPT 僅用了幾分鐘就生成了清晰的視覺化圖表，並附帶了一些洞察。這樣的效率不僅大幅縮短了我的分析流程，還讓我能將更多精力投入到挖掘洞察和制定策略上。

場景三：分析資料描述結論

在撰寫數據分析報告時，有時最困難的事情不是如何寫程式、或是繪製出數據圖表，而是當看到數據結果之後，該如何把從數據中獲得的 insight 寫成文字清楚表達。該怎麼下標題？如何描述結果？如何用精煉的文字傳遞核心觀點？這些問題常常讓人感到頭痛。

但是，有了生成式 AI 之後，這些問題都不太需要煩惱了。AI 不僅能根據數據自動生成報告摘要，還能提供多種標題建議，甚至能幫助我組織報告的邏輯結構。例如，有一次我在撰寫一份數據分析報告時，AI 不僅快速生成了一段清晰易懂的結論，還幫我建議了更具吸引力的標題，讓報告更有說服力。

場景四：生成程式碼與除錯

對於許多數據分析的新手來說，編寫程式碼或 SQL 是一道難以跨越的門檻。當程式碼出現錯誤訊息，無數次搜尋 Google 卻仍找不到有效的解決方案，這種挫折感往往會磨損學習的熱情。然而，有了生成式 AI 之後，一切變得不再那麼困難。AI 不但能生成完整、能運行的程式碼，還可以幫忙除錯、甚至提供教學指引，對於程式新手來說可以說是一大福音！

舉例來說，過去我在處理資料需求時，必須將需求轉換成 SQL 程式碼，並從資料庫中提取數據。如果遇到較為複雜的查詢需求，可能需要花上半天才能完成。但現在，我只需將需求告訴 ChatGPT，AI 便能快速生成可直接運行的 SQL 程式碼。這不僅大幅縮短了我的工作時間，也加速了資料團隊幫助公司實現數據驅動目標的進程。

場景五：應用程式中的 Copilot 與外掛

除了透過 ChatGPT 等聊天機器人與 AI 互動外，現在許多應用程式也逐步整合 AI 功能，讓數據分析師能在熟悉的工作環境中更輕鬆地使用 AI 工具。例如，Google Sheets 的 AI 外掛和 GitHub 的 Copilot 功能，都是非常實用的工具。

舉例來說，我可以在 Google Sheets 中安裝相關的 AI 外掛，直接在試算表內完成更進階的任務，例如自動化資料分析或生成特定格式的報表。同樣地，當我進行程式開發時，GitHub Copilot 也能成為我的得力助手。它能在撰寫程式碼的同時，提供建議、生成程式碼片段，甚至協助完成重複性高的開發任務，大幅提升工作效率。

隨著 AI 技術的不斷進化，這些應用程式中的 AI 輔助功能無疑會成為未來工作的強大助力。

未來的數據分析：不只數據！更要「智能＋數據」運行模式

在生成式 AI 的加持下，數據分析的未來將不僅限於數據的分析與應用，而是必須思考如何將智能與數據深度結合，進一步推動決策的自動化與策略的優化。這意味著，未來的數據分析師不僅需要熟悉數據處理與分析的技術，還要懂得如何設計並應用智能運行模式。

舉例來說，我在上一篇文章「未來的企業如何使用數據？解密SUPA運行模式」有提到，SUPA（Sensing、Understanding、Planning、Acting）模式的運用，便是將智能與數據結合的典範。

在 S（Sensing）階段，生成式 AI 可協助自動化資料的收集與清理。例如，當我分析一份銷售數據時，AI 能迅速檢測缺失值與異常值，讓資料品質得以保障。而在 U（Understanding）階段，AI 則能通過分析大量數據，快速生成視覺化報告和洞察，幫助我更直觀地掌握數據趨勢與問題點。這些基礎數據工作完成後，便能更高效地支持 P（Planning）和 A（Acting）的落實。

未來，數據分析將逐步邁向「智能驅動的數據分析」時代。這不僅是技術的進步，更是工作模式的革新，而這場變革的核心正是我們如何與 AI 和數據共存、共進。

新手變熟手：如同穿上知識防護盔甲

最近我聽過很多人告訴我，他們覺得生成式 AI 會讓數據新手變得不好找工作，因為太多初階的工作都被取代了！然而我卻不這麼認為，我認為：生成式 AI 其實為數據分析新手提供了一層知識的「防護盔甲」，這個防護盔甲幫助他們快速克服學習上的各種障礙，從而更自信地面對複雜的數據挑戰。

舉例來說，透過 AI 工具的輔助，新手不再需要在數據清理、程式碼生成或報告撰寫上花費大量的時間與精力，而是能更專注於學習數據背後的業務邏輯與策略洞察。

另一方面，對於已有一定程度經驗的熟手來說，AI 則成為一種提升效率與增強能力的「秘密武器」，讓他們如虎添翼。無論是應對高壓的專案需求，還是探索全新的分析方法，AI 都能提供即時的支援與靈感來源，使熟手能將更多的精力投入到創造性的工作中。

也因此，無論是新手還是熟手，與其害怕被取代，不如擁抱這場變革，讓 AI 成為我們的好夥伴，共同開創數據分析的全新局面，將「數據」與「智能」深度融合，打造出屬於自己的分析競爭力吧！

如果喜歡我的文章，歡迎「註冊就享知平台」，並「訂閱我」喔！