数据分析师 / BI 如何转 FDE

岗位说明：“数据型 FDE”是本站教学路线，不是统一职位名称。正式 FDE/FDSE 的具体编码、客户和生产责任应以目标公司的岗位说明为准。

你手里的牌比你想的好

数据分析师和 BI 人员经常与企业数据打交道，这为参与 FDE 式交付提供了有价值的起点：

你知道数据在哪、质量怎么样、业务部门真正关心什么指标。

你的瓶颈通常是：价值停留在"出报表、做看板"，离业务动作还有一步。AI 给了你跨过这一步的能力——从"展示数据"升级为"用数据和 AI 直接解决业务问题"。你的目标方向是 数据型 FDE。

你的优势

1. 懂数据：知道企业数据在哪、怎么取、质量如何，这能补强交付团队的领域上下文。
2. 懂指标：知道每个部门用什么指标衡量工作，效果怎么算。
3. 有工具基础：SQL、Excel、BI 工具，学习 AI 工具的成本低。
4. 离业务近：天天回答业务部门的数据问题，知道他们真正要什么。

你的常见短板

1. 习惯"给数据"而不是"解决问题"：报表交出去就结束了，不管后续动作。
2. 构建能力弱：没做过能交互的小工具，只会看板和报表。
3. 对 AI 的边界不熟：容易高估 AI 的准确率，尤其涉及数字计算时。
4. 推动采用经验少：不擅长培训、推广、收集使用反馈。

适合的 FDE 类型

数据型 FDE：做自然语言查数、智能报表、经营分析助手、异常预警、文档数据提取这类"数据 + AI"的场景。

12 周学习路线

第 1-2 周：整理问题清单

• 列出业务部门反复问你的数据问题，找出"问了之后还要手工处理"的环节。
• 选出 5 个高频、能用现有数据支撑的场景。

第 3-4 周：画现状与目标流程图

• 选一个场景，画出从"业务提问"到"采取行动"的完整流程。
• 标出：哪些步骤可以用 AI（理解问题、生成查询、写解读），哪些必须人工（确认口径、做决策）。

第 5-7 周：做出可演示 MVP

• 学习用大模型 API 或对话工具做"自然语言查数"原型。
• 用 AI 代码工具（Cursor）做一个简单的查询界面或机器人。
• 注意：让 AI 生成查询逻辑、人来核对，而不是让 AI 直接编数字。

第 8-9 周：真实样本评测

• 收集 30-50 个真实业务问题做测试集。
• 记录：答对率、口径错误率、每个问题节省的时间。

第 10-11 周：小范围试点

• 给一个部门的 3-5 个人试用，收集"答不上来"和"答错"的案例。
• 迭代：补充口径说明、限定数据范围、加人工确认环节。

第 12 周：整理案例

• 按"问题 → 数据 → 方案 → 评测数据 → 反思"写成完整案例。

三个项目建议

1. 自然语言查数助手：业务人员用大白话查数据，AI 生成查询、人确认口径后执行。
2. 经营周报生成器：自动汇总关键指标，AI 生成解读草稿，分析师修改后发出。
3. 异常预警助手：自动监控关键指标，发现异常时给出可能原因和责任人提醒。

如何寻找内部场景

• 统计你被问得最多的 10 个数据问题。
• 找出"报表做出来了，但业务还要手工再加工"的环节。

如何与技术人员协作

• 你负责指标口径、数据质量和查询逻辑；技术人员负责接权限、做稳定服务。
• 涉及生产数据库的直连，务必拉上 IT 一起做权限和审计。

避坑指南

1. 不要让 AI 直接算数：让 AI 生成查询和解读，计算交给数据库和代码。
2. 口径不统一先治口径：各部门对同一个指标理解不同时，AI 只会放大混乱。
3. 敏感数据别直接喂公开 AI：先做脱敏，或用企业版 / 私有化方案。
4. 别把准确率目标定成 100%：设定人工兜底，关键数字必须人工确认。

推荐工具组合

能力自检表

• 能说出企业 5 个高频数据问答场景
• 能做出"AI 生成查询、人工确认"的查数原型
• 建立了真实问题测试集并记录答对率
• 知道哪些环节必须人工核对口径
• 有一个部门真实试用过你的工具

下一步

• 实施顾问如何转 FDE
• 售前 / 解决方案架构师如何转 FDE
• FDE 实战方法