---
author: 课代表立正
date: '2026-05-26'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=yWTjrqx8SJE
speaker: 课代表立正
tags:
  - growth-data-analysis
  - product-led-growth
  - retention-metrics
  - experimentation-design
  - data-driven-culture
  - ai-impact
  - data-science-future
  - data-storytelling
title: 增长数据分析的实践与AI时代数据工作变革
summary: 本场座谈深入探讨了增长数据分析的核心方法论，包括PLG、留存指标与实验设计，并展望了AI对数据工作的深远影响。嘉宾强调数据分析的价值在于辅助决策，而非堆砌技术难度，并指出数据专业人士应培养主观能动性与好奇心，拥抱“构建者”角色。讨论还涉及数据工程师文化、非量化数据分析以及AI时代数据科学家就业市场的挑战与机遇。
insight: ''
draft: true
series: ''
category: ai-ml
area: tech-engineering
project: []
people:
  - Mengying Li
  - Joe
  - Yuzheng Sun
  - Julie Zhou
companies_orgs:
  - Pylon
  - Theory Ventures
  - Felicis
  - Meta
  - Notion
  - Sundial
  - Statics
  - Amazon
  - Instagram
  - Bring Trust
  - OpenAI
products_models:
  - ChatGPT
  - Omni
  - Shopify
  - Credit Karma
  - Mcore
  - NHN
media_books:
  - Growth Data Analysis Playbook
  - The Making of a Manager
status: evergreen
---
大家好，我叫Mengying，是**《增长数据分析实战手册》**这本书的合著者之一。今天我非常激动也很荣幸能和大家齐聚于此，庆祝这本书的发行。

首先，我要隆重感谢今天的主办方**Pylon**，这是他们的办公室。**Pylon**（Support Platform: 专门为B2B公司打造，整合所有客户沟通工具如Discord、Slack、在线客服、邮件等）在我看来，它是目前最好也是唯一能整合所有客户沟通工具的支持平台。我认识这三位联合创始人很久了，大概两年半前，他们只有三个人在Oracle Park附近的一个阁楼里创业。现在队伍已经发展到六七十人的规模，而且他们刚刚完成了B轮融资。所以如果您的团队也在使用Slack Teams这类工具，欢迎和他们交流，因为他们能提供最棒的客户支持平台。或者如果您正在考虑加入他们，也可以和他们的团队成员聊聊。

其次，我还要隆重感谢今天的赞助商，也就是**Theory Ventures**和**Felicis**。**Theory Ventures**（Venture Capital Firm: 位于旧金山的风投公司）投资于雄心勃勃的创始人，帮助这些有远见的想法转化为市场优势。他们投资了很多很棒的数据基础设施公司，比如**Omni**。Brian也在这里，他来自**Theory Ventures**，负责公司的AI方向投资。如果有兴趣了解更多关于**Theory Ventures**的信息，欢迎会后和他交流。另一位要感谢的赞助商是**Felicis**。很遗憾，**Felicis**的Nancy今天没能到场。**Felicis**也是一家拥有近20年历史的风投机构，他们投资了很多优秀的公司，比如**Shopify**、**Credit Karma**、**Notion**，最近还在投资**Mcore**、**NHN**等优质企业。如果你想了解更多关于他们的公司，也可以去了解一下。

最后，我还要热烈欢迎**Julie**。非常感谢你今天来主持我们的会议。我想这里很多人都知道**Julie**的事，我之前还和**Julie**开玩笑说，今天一半的人不是为我们而来，而是为她而来。我从在**Facebook**工作时就认识**Julie**了，我还记得我们和Chris Cox一起开会讨论如何提升通知质量的日子。**Julie**现在是**Sundial**的创始人，这是一个产品分析平台。它不像传统的产品分析平台，它能帮你读懂数据趋势背后的真正原因，平台背后有很多专业模型支撑，而且在我看来，我认为这是最好的设计产品分析工具。另外，**Julie**还是畅销书**《经理人养成手记》**的作者，这也是我最喜欢的书之一，我从个人贡献者转型成为管理者的过程中从这本书里学到了很多。现在我把话筒交给**Julie**，正式开始今天的分享。

大家好，非常感谢你们能来。我想说，我真的很荣幸受邀参加这次活动。大家通常会邀请我聊管理或者设计，但从**Sundial**开始，我的目标就是能被数据和分析平台领域接纳。所以非常感谢大家，谢谢你Joe、Yuzheng和Mengying。特别了不起的是，这些在顶尖公司工作过的专家，把从实验方法论、PLG实战到规模化增长的所有经验都浓缩进了这本书里。我知道你们很多人可能已经看过或者买了，但我强烈建议你们都上亚马逊买一本。稍后我们会开放提问环节。

首先，让我介绍今天的重磅嘉宾。正如你们所知，我们有**Mengying Li**，她是一个我认为几乎不需要介绍的人。她曾在**Notion**、**Facebook**、**MotherDuck**负责增长数据工作，她还深度参与创业和数据分析生态。她的建议我一直都很重视。谢谢你。

接下来是**Joe**。我们几个人在**Meta**都有交集，**Joe**拥有近十年的数据工程经验，他简直是数据工程领域的天才。**Meta**最受欢迎、最有影响力的项目之一，就是他和Yuzheng共同打造的**固定粒度框架**（Fixed Granularity Framework: 帮助Meta实现分析规模化，快速从数据中获取答案）。非常期待他在接下来的对话中分享实战经验。

最后是**Yuzheng Sun**博士。他是数据和增长领域的杰出人物，我们都知道他在**腾讯**、**Meta**和**Amazon**一直是一个不可思议的倡导者。他的中文播客和内容账号拥有30万粉丝。他现在非常专注于AI教育，同时也是实验方法论领域的顶尖专家。非常欢迎三位嘉宾，掌声送给他们。

让我们言归正传。是什么让你们决定，大家都需要这样一本书，并且动笔去写？

### 《增长数据分析实战手册》的创作初衷

**Mengying Li**: 这是个好问题。我觉得这本书非常重要，完全源于我自己的亲身经历。当我在**Facebook**的时候，我在做产品分析，我以前从未研究过增长数据。然后我加入了**Notion**，成为第一个增长数据科学家。我感到非常孤独，因为在**Facebook**有很多数据科学家，公司里有Workplace平台，类似**Facebook**信息流，你可以从其他数据科学家那里学到很多东西，关于他们在做什么。所以我们可以从和我做类似事情的人身上学到很多东西。但在**Notion**，因为我是最早加入公司的数据科学家之一，所以当我有任何问题时，没有人可以求助，也不知道谁在做数据相关工作。所以我只能依靠自己的人脉，我开始不断请教**Facebook**的老朋友，还读了很多博客，努力搞清楚如何更好地分析增长，对于像**Notion**这样的成长阶段公司来说，什么样的指标最重要。后来我自己想通了，但这非常痛苦和低效。所以我当时就希望，如果有一套框架能帮我快速入门就好了，我觉得会很棒的。我认为这是我们开始准备这本书的动机之一。Joe，也许你可以再分享一下你的创作动机，还有你们是如何在繁忙的工作之余完成这本书的。

**Joe**: 你可能听过我分享这个故事，但我在2015年加入了**Meta**，我来自一家非科技公司。我之前在东海岸一家脊柱植入器械工程公司工作，我们连汽水都要自己花钱买。这是非常非常传统的，对吧？我在做传统的商业智能。加入**Meta**后，我开始真正思考分析工作为公司带来的价值。我当时一直在思考一个问题：如果把所有分析人员都裁掉，公司真的会损失任何东西吗？还是会继续维持下去？我花了几个月思考这个问题，我意识到，我们实际上就像帮助推出成功的产品，这就是数据分析的核心价值，对吧？所以如果要通过数据分析推出成功产品，那么这意味着我们需要更好地了解产品开发，这样才能更好地运用数据分析，对吧？如果你是一个体育分析师，你就得懂比赛规则；如果你是销售分析师，你可能就理解销售，对吧？产品分析也是如此，你需要了解产品。

我看到的差距是，大多数其他领域，如会计、金融，你能想到的任何领域，它们背后有非常标准化的理论，对吧？在一段时间或几十年内，它们都被调整了很多。但对于产品分析，却没有这样的体系，知识只掌握在少数公司的少数人手里，对吧？所以我的动机就是，如何打造一套实战手册，捕捉所有这些知识。它汇聚了行业顶尖人才的经验，我想感谢在座的各位。如何把这些经验整合为一套实战手册，这就是我的动机，也是这个想法在**Meta**内部的演变过程。这也是我想把这些经验分享给**Meta**之外的人的原因。我们看到很多公司的数据科学家、数据工程师，都在做增长和产品分析，但差距是，我们没有理论，也没有一套方法来构建体系、落地应用、驱动产品增长。这就是我的动机，这是一个很长的答案。

现在来谈谈你的另一个问题：这是怎么发生的？我想Mengying最初发起了这个，她当时说，“我有个想法，或许可以写点东西”。当时**Yuzheng**在**Statics**，**Statics**团队帮我们梳理了思路。这就是我们如何开始的，但这是一个非常漫长的过程，大量的头脑风暴，牺牲了无数周末和夜晚。其实我们一直用**Notion**文档来协作，然后当我们真正看到这本书的时候，感觉特别不真实。就像，“我的天啊，这竟然是真的！”确实花了很久时间，但很高兴看到这一切发生。

**Mengying Li**: 我想分享一个创作背后的小故事。两年前，我和Vijaye见了面，他是**Statics**的CEO，而且现在也是**OpenAI Apps**的CTO。我在活动上遇到他，我说我真的想多写一点东西，把自己的想法传递出去。他对我的回答是：“我们为什么不一起写本书？”我当时说：“写书？”他说：“对，写书，我们一起写本书吧。”然后他给我写了一份非常详细的写书计划。我们看看时间表，心想这根本不可能。但这就是为什么我很开心能有真正帮助我的好朋友。这就是背后的小故事。

**Yuzheng Sun**: 你的动机是什么？我也很好奇，有没有哪件事让你觉得行业特别需要这样一本书？写完书后我才真正意识到行业需要它。我知道成长很重要，但我想补充的是，我记得**Vijaye**的时间线是每章两周或一个月，还要兼顾全职工作。这本书存在的原因是因为我们的无知，我们不知道这有多难。如果知道难度，这本书根本不会开始。别告诉别人。如果你有正确的期望，可以做到，但这很难。我感觉就像创业一样，对吧？你带着无知进去，但一路上，你试着做一些令人惊奇的事情。

我职业生涯一直专注于增长。在**亚马逊**时，我是经济学家，负责建模，但我在想，我作为数据分析者的价值在于能解决难题，我会建模。到了**Facebook**，这个想法被彻底颠覆。我记得我的第一份工作是构建逻辑回归模型或随机森林模型，但经理嫌我太慢，即使我已经比在**亚马逊**快得多了。他只放了几个数据点，写了备注就发布了，@了所有高管，就这样搞定了。我这才意识到数据的价值是辅助更好地决策，而不是做困难的事情。为什么你需要做出更好的决定？最终我明白，增长就是我们工作的意义，以及公司为什么这样运转，增长才是最重要的。所以我一直深耕增长领域。但写完这本书后我意识到，这些知识都是我通过与人交流、看各种资料学到的。例如，比如参加**Facebook**分析训练营或者自己踩坑。市面上没有一本书能系统学到这些知识。

### 产品驱动增长（PLG）的误区与衡量

**Julie Zhou**: 让我们深入了解这本书的一些秘密。Mengying，我要从你开始。你非常懂PLG（Product Led Growth: 产品驱动增长），你做这个领域很多年了。大多数人或公司对产品驱动增长的误区是什么？

**Mengying Li**: 这是个好问题。我想很多人都弄错了，他们以为PLG就是自然增长。他们过度依赖口碑传播，不做营销，甚至不挖掘优质销售线索。我见过一些人，他们说“我们的产品正在增长，就让它们自然增长”，但实际上，真正的PLG是一个**飞轮**（Flywheel: 指通过循环增强各个环节，使整个系统加速运转的模式）。所以基本上，你从早期粉丝、早期用户那里积累口碑，然后需要营销来放大这种影响力，触达那些不会自然发现你产品的人。这些优质线索会成为你的产品支持者，然后你应该把它们送到销售部，转化为企业级交易。另一方面，它们实际上是改进之一，你的产品企业就绪，同时也能打造更好的品牌故事，反哺PLG，因为用户会更信任你的产品。这应该是我见过最多人犯的错误。

**Julie Zhou**: 你怎么知道你做得好不好？我们有哪些指标或KPI来衡量我们是否执行良好？

**Mengying Li**: 这是个好问题。如何定义你做得好或不好，我认为这取决于你所处的阶段。整个产品生命周期有很多阶段，从最小可行产品（MVP）到产品市场匹配（PMF），再到增长期、成熟期。在不同的阶段，不同阶段要用不同指标衡量健康度。不要盲目照搬市面上的指标，理解自己的业务才是做好指标衡量的关键。

### 产品市场匹配（PMF）的量化衡量与留存

**Julie Zhou**: Joe，接下来问你，因为这是一个很好的衔接问题。你刚刚提到了产品市场契合度，我知道你对此思考很多。我们之前在谈论**保留**（Retention）。在增长阶段之前，如何判断是否达到产品市场匹配？能不能从量化角度帮我们定义一下？

**Joe**: 当然，书里有更详细的内容，但我们先给大家一个核心框架。我认为即使是产品市场契合度（Product Market Fit, PMF）的定义也必须深入思考。只是因为我们经常听到这个词，有时就随口用了，对吧？我们就说“我们达到产品市场匹配了”，但是如果你仔细想想，它其实不是一个终点，不是“我实现了产品市场契合度就万事大吉了”。事实并非如此，它是一个持续的过程。你可能已经实现了产品市场契合度，但你要确保能维持住，对吧？有很多因素会影响它：您的产品可能会发生变化，你可能会失去产品市场契合度；你的市场可能会改变，你也可能会失去产品市场契合度。所以哪怕是这个词，也要谨慎使用，对吧？深入思考。

你如何量化衡量？还是那句话，**留存是核心**，这是产品市场契合度的最强指标，对吧？我之前告诉过Julie，我以前在**Meta**给新入职的分析人员做培训，我会专门讲留存课程。我曾经有一张幻灯片是关于强调留存的重要性，我放了三句名言，一个是Julie的，另一个来自Alex Schultz (Meta CMO)，然后是Chris Cox。**Meta**所有高管都非常重视留存，没有人会在不看留存的情况下批准产品上线。所以留存确实是最核心的指标，但故事并没有就此结束。

要理解留存，也要理解是否有可持续增长，对吧？例如，你可能有很好的留存，但只有十个人用，但这能算产品市场匹配吗？你不能这么说“你留存再好，但是你有多少人？”“十个？”我觉得不算，对吧？答案取决于不同情况，你需要有一定的用户规模和增长势头，对吧？一定数量的用户，这取决于你的业务类型。如果是SaaS业务，十个用户可能很不错，但是如果你是面向大众的产品，那可能不行，要考虑这一点。

第三个因素是产品的**用户参与度**（Engagement: 用户使用产品的深度和频率），对吧？看用户是否有深度使用。这是个很宽泛的术语，可以用很多指标替代，也许是关于强大的变现能力，也可能是使用频率高，还是要看具体产品。但如果能抽象成这几个因素，形成一套方法，明确核心指标，用这些因素来评估产品市场匹配，然后为每一个因素都制定指标，综合起来，就能量化评估产品市场匹配。但重要的是要**持续监控，保持一致性**，对吧？不要达到一个阶段就不管了，把它作为一个**护栏**（Guardrail: 一种风险控制或行为规范的机制），长期监控，确保匹配度不下。

**Julie Zhou**: 现在是百万美元的问题，因为我经常被问到这个问题。到底多少留存率才算好？是百分之十三？百分之二十？你能给我们什么指导？

**Joe**: 我觉得留存没有绝对的黄金数字，这真的取决于你的产品。我们给大家几个判断标准。
**1. 留存率是否在持续提升**：比如您在1月推出产品，也许你的留存率是X%，理想情况下，您希望在一段时间内改善产品体验。所以理想情况下，在六月，你的产品应该有更好的体验，6月的用户群留存应该比1月的好很多。所以这是一种了解你的产品是否具有更好留存率的方法。
**2. 行业基准**：简单来说，有很多行业基准。社交应用应该有X百分比，你完全可以参考行业基准。
**3. 内部对比**：在自己产品体系内，对比其他功能或产品的留存。这样能更好判断留存好坏。

但我不认为这是一个价值数百万美元的问题，但这些方法能帮你判断什么是好留存。

**Mengying Li**: 我想补充一下，因为留存的定义差异很大。一切都基于**积极性**（Activeness: 用户活跃的程度），每家公司都有自己对积极性的定义。有人认为，只要登录就叫活跃；有人觉得，使用至少3秒才算活跃。这上面有很多细微差别，所以很难直接横向对比。

### 实验的重要性与数据驱动文化

**Julie Zhou**: Yuzheng，你是实验领域的专家。你给我们一些建议，关于公司应该什么时候开始试验，多少实验量是健康的？比如多少算合适，多少算太少或太多？

**Yuzheng Sun**: 问得好。我尽量简化来讲，因为就像我知道的，作为数据人，我们讨厌过于简单化，但简单易记的方法适合入门。在**Statics**，我们服务B2B和B2C公司，我们有两套判断标准：

**1. 样本量取决于你预期的效果**：如果你测量50%的影响，您可能只需要30个样本，但是如果你测量1%的增量，那你需要很多样本。我记得一个公式，如果样本超过1万人，就能测1%-5%的效果。这是我们简化后的答案，这也和合适的实验数量有关。

**2. 覆盖率比实验数量更重要**：实际上，我认为**覆盖率**（Coverage: 新功能或代码被实验验证的比例）是一个比实验数量更重要的指标。原因是，如果你能百分之百覆盖你的新功能，你不能**鸡蛋里挑骨头**（Cherry Pick: 指选择性地挑选有利的证据，而忽略不利的证据）。做实验的风险在于人们会主观验证自己的想法，这变成了一个文化问题。他们只把最有把握的功能拿去实验，在这种情况下，实验没有价值。因为你预期是正向的，实验也验证正向，实验不会创造任何价值。价值在于你预期正向，结果发现是负向，那么你实际上需要思考：调整认知，更新产品路线。所以我认为覆盖率很重要。在**Facebook**，我们几乎可以做到百分之百的覆盖，尤其是在重要的大功能上，这并不难做到。但我意识到大多数公司没有合适的基础设施。

我要顺便给**Statics**打个广告，即使我离开了公司。技术核心是**功能开关**（Feature Flags: 允许团队在不重新部署代码的情况下开启或关闭特定功能）和**实验系统**（Experimentation System: 用于A/B测试和衡量功能影响的平台）要一体化。所以功能开关和实验是同一个对象，这样每一个用功能开关的功能都能自动做实验。如果你有这个设置，你可以做到百分之百的覆盖，但这个系统入门容易，规模化难。

### 投资人眼中的数据严谨性与数据故事力

**Julie Zhou**: 好的，回到你。你是活跃的顾问和投资人，当你观察公司并评估创始人时，你看重哪些特质，判断他们是否具备数据严谨性、数据驱动思维？什么样的创始人会让你想要投资？

**Mengying Li**: 这是个好问题。到目前为止，对于我谈过的大多数创始人来说，大多数都在光谱的极端。要么就像“我不在乎数据，我认识我的每一个顾客，我和他们所有人都谈过”，或者在另一个极端，“我要记录客户的每一个细节，我生怕错过他们使用产品的任何细节”。老实说，很多人觉得数据只是数据问题，我认为这样想不对，因为**数据问题实际上是业务问题**。思考需要什么数据是非常重要的，要做什么样的分析是围绕着一开始想要回答什么样的基本问题，以及为什么这个问题对你现在很重要。这是为什么你应该问这个问题，所以才需要数据和分析的严谨性。但如果有些问题不是很重要，连数据都像垃圾一样，暂时也没关系。这是我的看法。

**Julie Zhou**: 听起来关键是，要明白数据能告诉你什么。这回到你们之前说的，一切都是为了驱动决策，如果你能保持你心中的行动或决定，就能更好判断这个数据问题是否有那么大价值。有道理。你再聊聊**数据叙事**（Data Storytelling: 将数据洞察以引人入胜的故事形式呈现的能力）吧。你经常做内容分享、布道，且在这方面很有成效。你觉得数据从业者的叙事能力有多重要？

**Yuzheng Sun**: 我觉得有两点，数据人的叙事能力和数据叙事，它们并不总是一样的。我从前经理那里听到这个观点，我非常认同：数据人最被低估和欠缺的两个能力就是**叙事**（Storytelling: 讲故事的能力）和**做图表**（Chart Making: 制作有效视觉化图表的能力）。好的图表能清晰传达所有信息，很有说服力。而叙事能力，我不记得我参加了多少次会议，如果我放表格或图表，哪怕信息很全，但五分钟后，大家可能就会走出会议室。然后问他们：“你还记得我的观点吗？”他们不记得了。我觉得人脑就是不擅长记事实，但如果用故事包装，我发现这对设计师非常有效。每当我与设计师交谈时，我总是尝试截屏用户旅程，然后它就变成了设计师的笔。如果我只是说：“这个转化率是12%，太低了”，他们什么都感觉不到。但如果我说：“这个步骤有问题，所以转化率才这么低”，他们会立即修复它。我认为**故事能引起共鸣，驱动同理心，并推动行动**。

**Julie Zhou**: 你能多聊聊图表吗？什么是真正好的图表？

**Yuzheng Sun**: 我认为非常好的图表只讲一个核心观点，而且只有一点。我见过很多数据人犯的错，就是在图表里塞太多信息，想做一个超级复杂的图表，同时讲述十个故事。但这需要和行动导向有关，对吧？想清楚你要建议什么行动，就做一个图表。如果你有三个故事，或三个数据点，或结论，做三个图表。做到清晰明了，加上标注。不要只放一个折线图什么都不说。要简洁优雅，核心信息一目了然，你没有任何多余的信息，还要用好颜色、标注、线条。比如要说有下降，就标出下降点和趋势。所以我认为**有明确观点的图表才是好图表**。它几乎就像你先知道你的故事，然后找到最能表达观点的图表。当经理这么说的时候，我记得作为数据科学家，有观点让我很不自在。但我认为一个好的数据人应该有观点。

### 数据驱动的工程文化与AI时代数据应用变革

**Julie Zhou**: 懂了。Joe，你再说多点，作为一个数据科学家，你觉得健康的数据驱动工程文化是什么样的？

**Joe**: 从工程的角度来看，这真的就像让团队朝着一个特定的目标前进，然后有一种方法来跟踪这些目标并确保能够朝着一个目标前进，我认为这真的很关键。我已经看到**Meta**做得很好了，我们有特定的目标，然后将其转化为指标，然后作为一个团队专注于这个指标，这样能确保大家方向一致，不跑偏。

要实现这一点，合适的**工具栈**（Tool Stack: 一套用于开发和运行软件的工具和技术组合）至关重要，对吧？让团队能轻松做实验、评估实验结果非常重要，真正了解产品全貌也很重要，对吧？作为一名工程师，我们想知道“我是否在朝着目标前进的轨道上？”产品是领导、经理、工程师、所有人都关心的，就是这一个或几个核心指标。所以有了这些**关键数据工件**（Key Data Artifacts: 指数据分析中产生的关键输出，如模型、报告、仪表板等），拥有一个能帮助你评估价值的**仪表板**（Dashboard: 以视觉化方式展示关键数据和指标的界面）是很重要的。能够更深层次地理解数据，但工程团队很重要，如果他们推出新功能，他们想快速看到：这个功能是否有效？人们是否使用这个？流失点在哪里？这些常见问题，工程师需要能轻松找到答案。

我认为当你降低使用数据的门槛，工程师就会更愿意用数据，帮他们更好地开展工作。因为当你删除它时，真正访问数据和获取信息变得非常困难，那就好像人们不会有动力去实际数据，对吧？但如果提供易用的系统，问问你的工程团队：“你想使用数据来做决定吗？”我觉得没人会拒绝，所有人都会说“当然想！”所以降低门槛能提升使用数据的严谨性。

**Julie Zhou**: 我听你说人们天生好奇，人们想要答案，他们希望能够制造最好的产品。如果你在帮助支持一个工程团队，降低他们使用数据的门槛，他们就能顺应好奇心，打造最好的产品。

这是一个问题，问你们所有人。因为当然我们处于AI时代，这改变了一切，或许变好，或许变坏。我很想知道你认为会有什么变化，你们对团队使用AI，AI改变决策和数据使用方式的预测是什么？从Joe开始。

**Joe**: 我可以分享一些想法。我看到两个变化：
**1. 产品分析的核心价值不变**：无论用什么工具，最终你都是在做产品，服务用户，实现增长，你仍然需要有数据。产品分析不仅不会消失，而且可能会变得比现在更重要，因为要让团队推出成功的产品。现在有太多AI助手、工具，我相信每一个产品仍然需要了解他们的客户，我不认为有什么方法可以替代它。了解客户的一种方法是什么？如果你只有十个用户，你可以去和他们谈谈，但你肯定想要更多用户，对吧？所以我们拥有的是**数据就是用户的声音**，我们希望有正确的数据来了解我们的用户。无论有没有AI，这一点都不会变。
**2. AI重塑数据消费与生产**：但是人工智能将如何影响数据呢？我认为这是一个关键问题。我认为AI会极大改变**数据消费**（Data Consumption: 指用户获取、理解和使用数据的过程）方式。不再是无数个看板、各种查看数据的方式，这可能会是一个非常不同的界面，也许是一个对话界面，会有一个助手帮你解答产品相关问题，更智能、更标准化。我想也许我们离它还有点距离，但最终这会是一个方向。我还看到**数据生产**（Data Production: 指数据从收集、清洗、建模到存储的整个过程）端也会有类似变化。你如何创造合适的数据仓库，或者你如何创造正确的数据模型和数据架构，您如何正确记录数据？现在这些都非常依赖领域知识，这一切都是基于工程团队的实力。但最终会有AI助手更好地理解这些模式，它甚至能自动帮你**埋点**（Data Logging: 指在应用程序中嵌入代码以记录用户行为和数据），帮你搭建合适的数据仓库等等。所以无论是在数据生产端还是在数据消费端，AI绝对有很强的影响力。

**Julie Zhou**: YZ你觉得呢？

**Yuzheng Sun**: 我可以讲一小时吗？开玩笑啦，我讲两分钟。我有很多想说的，只讲一个相关的。看看衬衫就知道了，这是我的主业，我是AI教育者。但对在座各位，最相关的是**数据的定义很特别**。文本是数据，但是当我们想到数据时，总觉得是数字，但数据不是数字，**数据就是一切**。AI让我们能分析和使用**非量化数据**（Non-Quantitative Data: 指非数值型数据，如文本、图像、音频等），这一点更重要。为什么呢？因为现在产品迭代速度更快，不仅实验需要大量样本，还有留存，您需要一个月才能获得每月留存，然后你只得到一个数据点。所以我们需要有方法来分析非定量数据并提供有用的见解，我认为我们可以做到这一点。作为数据科学家的角色，不要把我们当成数字或数学科学家，我们是真正的**数据科学家**（Data Scientist: 结合统计学、计算机科学和领域知识，从数据中提取洞察的人）。

**Julie Zhou**: 可以举几个你觉得会越来越重要的非量化数据例子吗？

**Yuzheng Sun**: 我的第一家投资公司来自我的朋友。他曾是多家公司的增长负责人，他也是**Instagram**的前十位机器学习工程师。他花了数十亿美元试图发展，但他创办的公司是关于**用户研究**（User Research: 通过观察和访谈等方式了解用户需求和行为）。当我第一次听说这件事时，我就想，这是我们在AI之前无法做到的。现在我们可以做到了，因为我们总是想和顾客沟通，但如何从大量沟通中提取有效信息，如何在产品里智能触发合适的用户反馈，这很难做到。但现在很容易做到，或者不容易但有可能。

**Julie Zhou**: 你呢，Mengying？

**Mengying Li**: 我想从和他们不同的角度谈谈。
**1. 数据人成为真正的“构建者”**：我认为现在所有的数据人都有潜力成为真正的**构建者**（Builder: 指能够亲手创建和实现产品或功能的人）。因为说实话，依我看，数据人一直是工程团队之外最懂技术的人。因为我们懂SQL，懂循环、条件判断这些逻辑，这些本质就是代码。当然工程师懂HTML、CSS，他们知道如何建造更华丽的东西，但现在我们有了AI。所以我想对我来说，因为数据团队他们有这种非常坚实的基础，了解数据，非常了解业务，还是和所有利益相关方沟通的中心，我们非常适合成为构建者。这是我现在公司正在实践的。我最近刚把一个功能上线，并意识到“我的天啊，有人用自己做的功能，这种感觉太棒了！”这就是工程师的感觉。当然没那么容易，但也不是不可能。所以我非常鼓励在座各位动手尝试，尝试你以前从未做过的事情，不仅在分析上，也在其他事情上。为团队做一个数据功能。我正在把所有统计功能集成到我们产品里，全程自己开发。我不只是做原型，告诉别人这是P值，这是置信区间，我直接做出来了。我真的认为人工智能让这成为可能。
**2. AI助力PLG公司发展**：第二件事是，我认为这也是建立PLG公司的好时机。原因也与AI有关。我记得去年很多VC，就像**Statics**，“我们需要更多**现场部署工程师**（Forward Deployment Engineer: 负责将产品部署到客户环境中并解决现场技术问题的工程师）”。我不知道团队有没有这个趋势。人还是很重要的，要帮助客户上手，获得成功之类的。但说实话，现在AI让理解文档、获取指导变得非常容易。只要你有好的文档、好的演示，它实际上使PLG变得更加容易了。很多以前不懂产品的障碍，现在问AI就行，他们会给你答案，给你一个演示，你就能直接上手。确保你有好的文档，大模型就能读取。我觉得这是现在打造优秀PLG公司最重要的基础。

**Julie Zhou**: 太棒了，非常鼓舞人心！我觉得在场所有人都会成为构建者、创作者，去行动、去实现。现在交给观众提问，如果你有问题，举手，然后我就把麦克风发过来。任何一个问出好问题的人，我们要免费送一本签名的书。你如何评价好？你如何评估？我不知道，你来告诉我。数据驱动？没法量化。我现在就把麦克寄过去。

### 数据科学家：从“数据专家”到“构建者”

**Miranda**: 大家好，我叫Miranda，谢谢举办活动。首先，很多内容让我非常有共鸣。我是一名全职数据科学家，带领团队做网红营销和AI内容优化。说到文本分析，我也看到很多应用场景，比如网红的社交评论等等。我也非常认同数据科学家能成为构建者，但我意识到今天很多界限变得模糊。所以我很好奇，你们觉得数据科学家下一个最重要、最能脱颖而出的技能是什么？因为现在数据科学和数据工程、产品经理边界模糊，所有人都能做所有事，全员上阵。你们认为在这个竞争激烈的环境里，什么独特技能能让人脱颖而出？

**Yuzheng Sun**: 我有一个简短的回答，之后我们可以再深入交流。我认为我对普通人群的回答和数据科学家都是一样的：就是**主观能动性**（Agency: 指个人或组织自主行动和决策的能力）和**品味**（Taste: 指在决策和设计中展现出的审美和判断力）。拥有主观能动性，你就能做很多别人想不到的事，或是别人无法落地的事。品味最终让你与众不同，让你做出更好的决定。

**Mengying Li**: 我再补充一点，可能是**好奇心**（Curiosity: 探究和学习的欲望）。我认为好奇心是一切的驱动力。你必须对业务的运转保持强烈好奇，比如好奇为什么数据和预期不一样，为什么这个功能看起来这么奇怪，为什么我们的博客要做成这样，为什么那里没有按钮？保持好奇，主动提问。即使你不是这方面的专家，人们会回答你的问题，并会告诉你我们这么做的原因。或者他们会说：“其实我们从没想过这个，也许我们应该这么做。”这就是我们贡献的方式。

**Joe**: 我想这是对的，非常非常重要。无论岗位边界是否模糊，真正退一步，用**第一性原理**（First Principles Thinking: 从最基本的假设出发，而不是依赖过去的经验或类比来解决问题）思考“解决问题需要什么条件，该如何切入并搭建方案”，我觉得还是很关键的。谢谢你。

### AI时代数据科学家的职业发展与智能体评估

**Jerry**: 大家好，我叫Jerry，我的问题是，大家都在说岗位边界模糊，在AI时代数据科学家需要掌握不同的技能组合。对数据科学家的就业市场有什么预测？我想有入门级、中级和更高级别。我认为越往高层，核心就是决策能力与影响力。但是你的预测是什么？感觉所有科技岗位的市场似乎都会收缩，这是我的第一反应，可能是错的。

**Mengying Li**: 我还在招人，所以各位，这正好给我的岗位打个广告，如果有人有兴趣加入**Bring Trust**担任增长方向数据科学家或资深数据分析师，也可以随时和我谈谈。回答你的问题，我确实这么认为。我要说的一件事是，如今和以前相比，我招人的时候，我也看看“他们有多少年的经验”、“他们在简历上还有什么东西”、“他们以前在什么样的公司工作？”但现在我对这些看得更淡了。说实话，正如刚才各位所说，我真正看重的是**主观能动性**、**好奇心**，以及他们能否用正确的工具把事做成。我认为这非常重要。所以我喜欢甚至在招聘启事里，会让求职者分享一个主动解决问题的故事，哪怕不是本职工作，或是一个非常棘手的问题。我想这能让我知道这个人是什么样的人，我认为这非常重要。所以在人工智能时代，编码不是最重要的。

**Yuzheng Sun**: 我想显然，它对初级岗位的冲击尤其大。举个例子，**Statics**曾发布一个初级数据科学家岗位，这实际上很罕见，公司基本不再招聘初级数据科学家了。我们一天内收到了大概3000份申请，但我们只能筛选2到50份，不像两年前。所以我认为AI确实带来了冲击，对初级岗位的冲击尤为严重。但我之前邀请Howie参加另一场圆桌，Howie对类似问题的回答是：二十年前没有数据科学家，数据科学家是被创造出来的职位。它不像农民这种传统岗位，它甚至不像厕所清洁，它是一个被创造出来的岗位。所以我确实认为我们角色的意义会改变。所以无论你是高级还是初级从业者，专注于你要解决的问题。我们招聘高级人才时，看重的是你对业务运转有更成熟的认知，所以你有更好的判断力。初级人员，看重的是你的综合能力，既能写代码，又能做分析，还有统计学基础，分析能做到严谨。所以我认为如果拆解来看，什么特质有价值，尤其是现在技能本身越来越容易获取，那也许你找到工作的机会更大。

**听众**: 最后一个问题。我的问题是，我们聊了很多用AI辅助数据科学，但我想问另一个问题。在这个时代，越来越多**智能体产品**（Agent Products: 指基于AI技术，能够自主执行任务并与环境交互的产品）问世。我们如何衡量它们？尤其是当智能体产品有自己的，例如**亚马逊**有个叫**Roofers**的智能体。这些传统业务已经有了一套成熟的衡量标准，比如KPI。但是当他们推出新的智能体产品时，你觉得怎么样？他们应该改变KPI吗？因为如果他们用传统的KPI来衡量，你会发现收益可能抵不上成本，因为开发智能体的成本非常高。我认为这个问题在硅谷会越来越普遍。

**Joe**: 我觉得真的要好好思考代理的成功是什么样子的？再把它转化为可衡量的指标。例如，你想解决什么问题？并再次理解，我认为**核心衡量逻辑不会有太大改变**。我知道现在智能体概念很火，有很多流行语之类的，但退一步说，我认为**核心就是核心**。依我看，你仍然想了解你的用户，依然要用同样的衡量逻辑，我不认为需要为了衡量智能体而创造全新指标。归根结底，智能体是用来解决问题的。本质上，那个问题是什么样的？我认为即便**ChatGPT**依然用周活等指标衡量。所以我想还是一样的，而且这样衡量成功认知成本更低，因为我们已经习惯了用这套逻辑衡量产品成功。我相信会有一些事情发生变化，但在我看来，依然是了解用户，遵循核心逻辑，标准指标依然适用。

**Yuzheng Sun**: 我以为问题是关于人工智能评估的：如何评估智能体的质量与效果。但你问题的后半部分，我在想，你到底为什么需要这个智能体？如果你看不到业务成果的积极增长，我认为你想要智能体的原因，要么是你可以节省成本，要么是提效，或者你可以做以前做不到的新事情。如果没有实现新突破，而且没有KPI，没有改善，就不要使用智能体。为什么你为什么要使用？

**听众**: 我觉得是也不是，因为你仍然看到所有大公司都在大力推进，每个组织的目标都是布局AI。我认为这其中有投资的成分，大家害怕跟不上趋势。所以我们投资，为了使用AI而使用AI，即使可能没有效果，但我们把它当作对未来的投资。

**Yuzheng Sun**: 我觉得从那个角度，那就当是投资吧。

**Julie Zhou**: 好的，谢谢你。让我们给嘉宾们热烈的掌声！感谢各位今晚的参与。我们会再留一会儿。我听说有签售环节？

**Mengying Li**: 其实没有签售，但我会把书送给刚才提问精彩的观众。我们要分享一些蛋糕。

**Julie Zhou**: 太棒了！我们会再呆一会儿，大家可以分组继续交流。好的，谢谢大家。