《数据智能》构建了AI时代数据分析师从认知到落地的完整能力体系。开篇聚焦认知重塑，厘清AI与机器学习的本质，破除转型误区，推动分析师从描述统计向智能决策跃迁；进而夯实数据素养与AI学习能力的基础，夯实从理解到实践的核心功底。中间章节聚焦实操价值，一方面通过系统论等新方法优化业务分析与协作模式，深入解析模型算法的应用逻辑与创新技巧，实现从会调参到会用模型的进阶；另一方面梳理智能数据治理、自动化建模等工具矩阵，提升建模与开发效率。后续强调模型解释、部署与价值传递的协同落地，最后通过金融风控、零售营销等四大行业实战案例，验证数据智能解决方案的实用性。整体形成认知能力方法工具协同实践的闭环逻辑，为数据分析师的智能化转型提供可落地的行动指南。

数据分析实物丛书

中国商业联合会数据分析专业委员会出品

把握AI时代技能迭代新机遇
解码AI与数据分析师的未来

数据分析行业推荐用书
《数据跃迁：AI时代的数据分析与商业决策》
《数据智能：数据分析师的AI转型升级指南》
《数据陷阱：避开数据分析中的常见思维误区》
《可视艺术：用可视化路径赋能数据分析》

《数据智能：数据分析师的AI转型升级指南》构建了AI时代数据分析师从认知到落地的完整能力体系。
开篇聚焦认知重塑，厘清AI与机器学习本质，破除转型误区，推动分析师从描述统计向智能决策跃迁；进而夯实数据素养与AI学习能力基础，搭建从理解到实践的核心功底。
中间章节聚焦实践价值，一方面通过系统论等新方法优化业务分析与协作模式，深入解析模型算法的应用逻辑与创新技巧，实现从会调参到会用模型 的进阶；另一方面梳理智能数据治理、自动化建模等工具矩阵，提升建模与开发效率。
后续强调模型解释、部署与价值传递的协同落地，最后通过金融风控、零售营销等四大行业实战案例，验证数据智能解决方案的实用性。
整体形成认知能力方法工具协同实践的闭环逻辑，为数据分析师的智能化转型提供可落地的行动指南。

前 言
现在的企业比以往任何时候都拥有更多的数据。每天产生的数字、报告、日志、客户行为记录，浩如烟海。然而，数据越多，并不意味着决策就越好。很多企业发现，投入了大量资源做分析，却很难直接转化为业务行动；AI技术带来了新的可能，但如何把它落地、融入实际工作流程，仍然是一个现实挑战。
本书正是为应对这一挑战而写，核心目标是帮助企业和分析师在AI时代更好地利用数据，让分析真正产生价值。它关注的不是抽象理论，而是可落地的方法与思路告诉你怎样将数据、模型和业务有机结合，让分析结果不仅能指导决策，还能改善运营、提升效率。
从企业的角度来看，本书主要回应几个关键问题。首先是决策质量。在很多企业中，决策仍依赖经验或零散的分析指标，这容易导致局部优化而错失整体机会。本书提出的系统思维、控制论和信息论方法，帮助企业建立全局视角，兼顾不同业务目标，避免单一指标驱动的决策偏差。作为作者，我在观察企业实践时发现，真正决定分析成效的，不在于模型本身，而在于是否能够将模型与业务目标深度对齐。
其次是分析结果的落地问题。分析师生成的报告或模型，如果不能转化为可操作的业务策略，就无法产生真正价值。书中介绍的可解释AI工具与自动化分析流程，帮助分析师将复杂的技术输出转化为业务语言，使业务部门能够理解并采取行动。无论是医疗领域的个体化诊疗方案，还是零售领域的用户行为分析，模型不仅提供预测结果，更能解释关键因素，帮助业务人员做出具体决策。我个人体会到，再先进的技术，如果不能被实际使用，就是潜在的浪费。
再次是技术与业务协作问题。AI和数据技术发展迅速，为企业带来了新的能力，但如何将技术融入业务流程、形成持续改进机制，是企业普遍面临的挑战。本书提供的方法，包括借助自动化工具提升效率、流程优化和反馈机制设计，让企业能够在不断变化的环境中保持灵活应对。这些方法不是空谈，而是通过案例展示可落地实践路径，让读者看到理论如何落地。
最后是人才与组织能力建设问题。传统分析师往往擅长技术操作，但对业务理解有限；业务人员则可能难以解读分析报告。全书贯穿的分析师能力升级路线，旨在培养既懂业务又懂技术的复合型人才，使分析师成为连接数据与业务的桥梁。以作者角度来看，这种能力建设比单纯技术培训更关键，它决定了企业在AI时代能否持续利用数据创造价值。
贯穿全书的思路是：在AI时代，数据分析师的定位、基础、方法、理解、工具、协同、实践，都需要新的认知和能力。每一章标题前的新字，并非形式化，而是提醒读者，这是一种升级升级思维方式、升级技能结构、升级工作方式、升级价值创造模式。书中通过案例展示我们如何在金融风控、零售营销、医疗健康和智能制造等领域，将分析能力转化为实际价值，并通过反馈机制实现持续优化。对于管理者而言，这意味着更高效地利用数据支持决策；对于分析师而言，则提供了清晰的成长路径，从基础操作升级为战略性分析。
在写作本书的过程中，我深刻体会到：技术创新固然重要，但真正决定价值的，是方法的系统性和业务目标的清晰度。数据分析的最终价值，不在于模型多复杂，而在于它能否改善决策、提升效率、创造可持续的业务成果。
总体来说，本书是一部面向AI时代的实用指南。它不仅告诉我们怎么做分析，更告诉我们分析如何创造价值。无论是提升决策质量、优化资源配置、增强风险管理，还是推动业务协同与组织能力建设，本书都提供了方法、工具和实践经验，帮助企业和分析师在AI时代建立可持续的数据能力。
接下来的章节，将按照道、法、术、器、用的结构，系统展示AI时代数据分析师的能力构建路径。首先，我们会从道出发，梳理数据思维与学习能力的底层逻辑；接着通过法，介绍如何运用三论方法进行业务分析与决策；然后是术，帮助读者理解模型优化与应用的思维方法；紧接着是器，展示提升效率与可解释性的工具与实践；最后通过用，以真实案例说明如何将这些能力落地，实现数据驱动的价值创造。
在本书的编写过程中，我深感幸运，也深知每一份成果都离不开他人的支持与帮助。首先感谢中国商业联合会数据分析专业委员会主任邹东生先生，以及王唯唯、赵丽女士的耐心审核和细致指导，你们的专业意见让本书更加严谨和有深度。感谢机械工业出版社所有编辑老师，在策划、结构设计和出版的每个环节给予的关心与支持，让创作过程顺利，让我充满信心。
最后，特别感谢我的家人。在每一个伏案写作的日夜，你们的理解、包容和鼓励，让我能够专注于思考和文字创作。每一次打字、每一页反复修订背后，都有你们默默的陪伴与支持。正是因为有了你们，我才能将想法落地，也才能把这本书完整呈现给读者。

中国商业联合会数据分析专业委员会（简称中国商联数据委）成立于2008年4月，彼时经国务院国资委审核同意、民政部批准登记。中国商联数据委成立以来，始终紧扣我国数据分析行业发展需求，全力推进行业规范化、标准化、体系化建设，牵头研制行业标准，持续编撰并发布行业发展报告及人才指数报告，搭建行业公益案例库与行业专家智库，为行业高质量、有序发展提供坚实支撑。
作为服务于全国数据分析行业的协会组织，中国商联数据委构建并完善了CPDA数据分析师人才培养体系，建成覆盖全国的人才培养与实践服务模式，培育了大批高素质数据分析专业人才；形成覆盖数据分析师、数据分析师事务所、大数据及人工智能企业的全国性会员服务与管理体系。作为行业交流协作与资源整合的核心平台，中国商联数据委长期举办行业服务大会、专家智库会议及专题研讨活动，汇聚政府、产业、高校、科研机构多方资源，深化行业实践研究、技术创新与产业落地应用，助力企业数字化转型与科学决策能力提升。
中国商联数据委以标准建设、人才培养、行业交流、产业赋能为核心方向，携手各界合作伙伴，共同推动中国数据分析行业持续健康发展。

袁良运 中国东方航空集团有限公司数据部架构师，美国罗山大学（人工智能博士），CPDA（Certified Project Data Analyst），CDA（Certified Data Analyst）1级、2级、3级认证。拥有10年数据领域从业经验，专注于数据分析、数据治理、数据架构，除工作之外还曾参与多个数据分析师协会公益案例库项目，具备丰富的行业实战经验。长期致力于数据科学知识传播，参与数据分析师协会公益项目，推动数据技术在实际业务中的应用，助力企业数字化转型。

丛书序

前 言

第一章 新定位：AI时代数据分析师的认知与能力重塑
第一节 AI与机器学习的真实面貌
一、概念厘清：AI的层次结构
二、机器学习的技术谱系
三、数据分析师视角下的AI理解框架
第二节 破除认知迷雾：避开AI转型的常见陷阱
一、认知误区
二、应用层面的认知偏差
三、组织层面的认知偏差
第三节 数据分析师的认知跃迁：从描述统计到智能决策
一、思维模式的根本转变
二、技能结构的重新构建
三、工作方式的智能化升级
四、价值创造模式的升级
本章总结：AI时代的机遇与挑战

第二章 新基础：构建面向AI的数据思维与学习能力
第一节 数据思维：数据分析能力的底层
一、什么是数据思维
二、数据思维的历史
三、数据思维和数据分析的关系
四、数据分析师的优势
五、从数据思维到大模型思维
第二节 构建面向AI的学习能力
一、以终为始识别新领域知识缺口
二、找到学习起点：看懂底层和趋势
三、AI时代新学习范式
四、AI写代码的实用技巧
本章总结：打造从理解到实践的核心能力

第三章 新方法：AI时代的业务分析与团队协作模式
第一节 AI时代业务分析的新陷阱
一、效率的幻觉：AI在业务分析中的新陷阱
二、AI时代多智能体的困境
三、小张的故事：需求分析的陷阱
第二节 三论如何重塑AI时代的需求分析
一、三论基础概念
二、系统的智慧：从最优到满意
三、基于系统论：设计超越准确性的业务评估指标
第三节 基于三论的可落地实用方法
一、软系统与切克兰德方法
二、硬系统与霍尔三维结合方法
三、为什么以上两种方法论适合AI时代
本章总结：在AI时代有效分析与协作

第四章 新理解：模型算法的应用研究与创新技巧
第一节 模型容量与数据：理解模型行为的经验基础
一、模型的世界观：它相信世界是什么样的
二、模型容量：让模型适合业务数据
三、假设空间：让模型贴近业务现实
第二节 四维框架：理解模型优化的思维基础
一、从算法优化到业务契合
二、四维联动：理解模型优化的内在机制
三、以业务为导向的模型优化思考 .
四、系统诊断：从四维视角识别与应对过拟合
第三节 传统模型家族与选用思维：理解模型差异与适配
一、模型家族图谱：理解模型的性格与血缘
二、模型选择的要素：从问题出发的适配逻辑
三、模型的边界与组合：超越单一模型的智慧
第四节 大模型时代的再理解：从算法到系统的整合能力
一、从算法理解到系统理解：视角的升维
二、掌握大模型工作机制：与黑盒共舞
三、小模型与大模型的互补关系：最佳拍档的诞生
四、理解的演进：从调参到设计智能流程
本章总结：从会调参到会用模型进阶之路

第五章 新工具：AI增强的建模与开发效率提升
第一节 智能数据管道：实现数据资产的自动化治理
一、PyJanitor：链式调用的数据清洗框架
二、OpenRefine：可视化的数据探索与转换平台
三、数据清洗智能体：自动化数据处理的发展方向
四、Featuretools：自动化特征工程引擎
第二节 智能特征提取：AI帮你找到黄金特征
一、为什么要进行智能特征选择
二、智能特征选择的三大主流方法
三、实践策略：如何组合使用这些方法
四、总结：从特征海洋到黄金矿脉
第三节 自动化建模平台：加速模型从0到1的构建过程
一、Scikit-learn：构建标准化机器学习流水线
二、AutoML平台：端到端的智能建模解决方案
第四节 非结构化数据建模：解锁文本、图像中的隐藏价值
一、自然语言处理：从文本中提炼情感与主题
二、计算机视觉入门：让机器看懂图片
三、音频处理：从声音中挖掘信息
四、分析师的新武器：善假于物
五、总结：深度学习，让非结构化数据开口说话
本章总结：构建个人高效建模的工具矩阵

第六章 新协同：AI模型的价值传递
第一节 模型可解释性工具：破解黑箱，建立决策信任
一、为什么需要可解释性
二、SHAP：基于博弈论的全局解释工具
三、LIME：局部近似的解释利器
四、SHAP与LIME：如何选择
五、总结：可解释性，让AI从工具变成伙伴
第二节 洞察呈现与沟通工具：从数据到故事的价值传递
一、分析报告的痛点：信息过载，故事缺失
二、生成式AI：从数据到故事的智能桥梁
三、常用工具：如何高效使用生成式AI
四、总结：让数据故事活起来
第三节 模型部署与应用工具：实现洞察能力的规模化交付
一、Streamlit：快速构建交互式数据应用
二、Flask：构建可扩展的生产级模型API服务
三、Power BI (AI功能集成)：无缝嵌入业务流程的智能仪表盘
本章总结：构建组织协同与价值交付的工具矩阵

第七章 新实践：四大行业中的AI解决方案实战
第一节 金融风控：固定与变化更灵活
一、场景：十年未变的风控体系，为何开始不灵
二、分析：当旧体系遇上新变量
三、方法：在平衡中建立灵活的风控体系
四、实践：让风控逻辑真正动起来
五、总结：从刚性规则过渡到韧性思维数据驱动的风控演进
第二节 零售营销：灌输与共鸣更深入
一、场景：高点击率营销活动为何无法提升用户转化
二、分析：从高点击、低转化悖论看灌输式营销的三大结构性缺陷
三、方法：基于三论框架，从用户行为序列中挖掘共鸣时刻
四、实践：定位共鸣时刻并设计干预实验
五、总结：更深入意味着从历史行为走向因果意图
第三节 医疗健康：群体与个体更精确
一、场景：对群体有效的治疗方案，为何对个体患者可能无效
二、分析：群体层面的统计显著与个体层面的临床有效的差距
三、方法：利用可解释AI为个体患者提供决策证据 .
四、实践：解读乳腺癌复发风险的个体化预测
五、升华：更精准从基于群体数据到关注个体数据的进步
第四节 智能制造：处理与预防更智能
一、场景：能精准归因的根因分析报告，为何无法降低故障率
二、分析：描述过去为何坏与预测未来何时坏的本质区别
三、方法：用时序异常检测构建设备健康状态的领先指标
四、实践：基于设备振动数据构建预测性维护预警系统
五、升华：更智能让数据分析具备前瞻性
本章总结：数据分析的智能化升级与价值创造

第八章 新展望：AI时代数据分析师的未来路径
第一节 核心能力的整合与升华
一、系统思维：从局部到整体的理解
二、模型与工具的理解：结合业务洞察
三、数据价值判断力：从多到准的洞察
四、从整合到成长：能力循环的形成
第二节 持续学习与内在成长：在不确定中找到方向
一、从学知识到学框架
二、学习的节奏：从快到稳
三、与AI共同学习
四、在不确定中找到确定
五、成长的方向
第三节 AI时代数据分析师的发展展望
一、自然化体现在模型能力上
二、自然化也体现在分析流程上

附录 论文研究方法