当前，在人工智能技术持续演进与企业数字化转型浪潮的双重推动下，数据分析已从后台支撑角色逐步走向业务前台，成为驱动企业决策、优化运营、塑造竞争力的关键引擎。政策层面亦频频释放积极信号，鼓励各类企业推动数据应用场景落地，深化数据要素价值挖掘。在这一背景下，数据分析行业有哪些新趋势？人才培养体系又该如何适应时代需求？中国商业联合会数据分析专业委员会会长邹东生围绕这一话题做分享。

  新华网：近年来，AI技术与应用场景深度融合已成为显著趋势。从数据分析行业视角，您如何看待这一变化？

  邹东生：应用场景的落地，始终是行业协会多年来反复强调并推动的核心方向。我们高兴地看到，当前从国家政策到企业实践，都在积极鼓励将数据分析能力与业务场景紧密结合——无论是央企的示范引领，还是民营企业的广泛参与，都在共同推进数据应用的成形与落地。

  目前，我们正步入一个以场景驱动为核心的AI与数据融合新阶段。其重要意义在于，推进数据分析转型，推进企业快速地引入私域数据，形成场景落地，帮助企业实现盈利或者提高竞争力。行业协会也持续在这一领域深耕，助力企业实现场景化落地。

  新华网：作为数据分析行业人才培养的主力军，协会近期开展了哪些具体工作？

  邹东生：2025年确实是我们在人才培养上投入巨大、变革显著的一年。我们的数据分析师全面地更新了课程体系，并升级了配套的代码平台，帮助分析师更高效地构建和实现业务场景。

  此外，我们与机械工业出版社合作推进“领航者计划”，近期推出了多本聚焦实战应用丛书。同时，在本次行业会议上，我们发布了《数据分析行业人才指数报告》与行业年度报告，明确提出全行业应全面强化场景落地能力，培养“全链路数据分析师”。

  所谓“全链路”，是强调分析师不能仅停留在数据清洗、报表制作等基础环节，更要懂业务、懂行业，能够贯穿从问题识别、数据建模到业务落地、效果评估全过程，成为企业数字化转型中的关键设计者与实践者。

  新华网：在AI技术快速发展的当下，AI是否会替代分析师的部分职能？哪些能力又是难以被替代的？

  邹东生：我们认为，AI与数据分析并非替代关系，随着大模型与智能体技术的发展，大量模型调优、参数校正、场景适配工作，恰恰需要数据分析师深度参与。

  AI的进步，实际上将分析师从重复、低效的数据处理工作中解放出来，使其能更聚焦于业务落地和场景应用落地上。换言之，AI替代的是“重复劳动”，但替代不了“业务理解”与“场景创新”。数据分析师作为连接数据、技术与业务的纽带，其角色正从“技术执行者”向“业务赋能者”与“创新推动者”演进。这也正是在当前阶段特别鼓励应用场景落地的重要原因——通过人与技术的协同，真正释放数据要素的生产力价值。