資料分析師 AI 焦慮完整解方｜60 天升級行動清單

我認識一個資料分析師，姓林，34 歲，做了 8 年。她跟我說：「上禮拜公司新進的行銷助理用 ChatGPT 寫了一份留存率分析報告，結論跟我兩個月前做的那份 85% 重疊。她花了一個下午，我花了三週。」——她不是個案。

行銷 / 業務 / 老闆學會「用 ChatGPT 看數據」之後，第一個被衝擊的職業就是資料分析師。Anthropic 與 Slack 在 2026 年 4 月做的 Workforce AI Adoption 追蹤 顯示，過去 12 個月被 AI 直接重組工作內容最劇烈的職務前 3 名，資料分析師排第 2，僅次於初階軟體工程師。不只是 SQL 會被自動寫掉的問題——更深的是「把數據翻譯成商業決策」這件事，已經不再是分析師的專利。

資料分析師 AI 焦慮升級行動清單示意圖

但這篇不是要嚇你。我們陪過幾位 30 多歲的資料分析師重新定位，60 天大概是一個合理的升級窗口。這篇拆給你看：「資料分析師」原本的 6 個工作面向，哪些會被 AI 吃掉、哪些被放大、哪些會變成新的金礦。下半部給你 60 天行動清單與新的定價結構建議——從「按專案出 Tableau / Power BI dashboard」升級成「商業洞察策略架構師」按月顧問費收。

先盤點：資料分析師的 6 個傳統工作面向，AI 怎麼吃

工作面向	傳統佔工時	AI 衝擊程度	60 天後該怎麼做
寫 SQL 撈資料	30%	高（ChatGPT / Claude 直接寫）	讓 AI 跑、你做 review 與 schema 治理
建 ETL / 資料清理 pipeline	20%	中（Cursor + dbt 自動化）	升級成資料架構師角色
畫 dashboard（Tableau / Power BI / Looker）	20%	中（看板自動生成）	從工具操作員變商業意義詮釋者
定期報告（週報 / 月報）	15%	極高（GPT 看數據總結到位）	完全自動化、人力轉去深度分析
特定問題深度分析（流失原因、定價分群）	10%	低（仍需業務情境判斷）	這是你的主戰場，要佔回 50%+ 工時
跟業務 / 老闆口頭溝通決策	5%	極低（AI 取代不掉）	從 5% 拉到 30%，這是新的 high-leverage 區

這張表是給「公司內 in-house 分析師」用的視角。如果你是接案分析師、或在管顧公司做 data project，比例會略不同——但 60 天升級的方向本質一樣：把工時從「執行端」搬到「策略 + 詮釋端」。延伸閱讀可以看 PM 產品經理 AI 一日工作流，PM 跟資料分析師在「拿數據做決策」這條交集越來越深，懂這條交集的分析師會被搶走當 Head of Insights。

AI 焦慮的真正來源：你被困在「執行型分析師」這層

我們陪過的客戶裡，焦慮最深的其實是「SQL 寫得很快、dashboard 做得很漂亮、但說不清楚決策建議」的人，「不會寫 SQL」的那群反倒沒這麼焦慮。GA4 跟 BigQuery 的世界裡，技能再強都會被新工具吃一塊——但「能跟 CMO 講清楚為什麼這個 A/B test 不該繼續跑」這種能力，目前沒有任何模型能取代。Gartner 在 2026 年初的 Data & Analytics Summit 也指出，資料分析職務的價值光譜正在加速兩極化：執行端被自動化吃掉、策略端薪資 12 個月漲 22%。

執行型 vs 策略型分析師的 5 個分水嶺

執行型：「行銷說要 funnel report，我就出。」　vs　策略型：「為什麼要 funnel？funnel 假設使用者是線性的，但你們業務模型其實是 cyclical 的，我建議改成 cohort + retention curve。」
執行型：dashboard 的數字準確就好　vs　策略型：dashboard 上每個指標背後的決策能說清楚
執行型：被指派題目　vs　策略型：自己發題目（「上週流失率異常，我覺得跟產品團隊上週改的 onboarding 流程有關，我們應該停下來看一下」）
執行型：交報告 → 結束　vs　策略型：交報告 → 跟業務 owner 共同制定行動方案 → 跟蹤 30 天結果
執行型：按工時計價　vs　策略型：按「為公司 unlock 的價值」計價

60 天升級路線圖：從執行型升級到策略型

Day 1–14：盤點現況、釐清目標

把過去 3 個月你做過的所有分析任務列出來，按上面 6 個工作面向分類，算每類的工時比例
找出 3 個「業務 owner 看完報告後沒有任何行動」的案例 → 訪談 owner 問為什麼沒行動 → 90% 的答案會是「不知道下一步該做什麼」
找出 3 個「業務 owner 看完後自己做決策」的案例 → 拆解你的報告哪些元素導致他能決策（這是你的 strength patterns）
用這些 patterns 寫一份「我的策略型分析輸出 prototype」，挑公司現在最重要的 1 個業務問題試做

Day 15–35：用 AI 把執行端壓到 30% 以內、騰出策略時間

把日常 SQL 寫作交給 Claude / ChatGPT，你做 review。建議用 schema-aware 的 prompt 模板（公司 schema 貼一次，後面對話都共用）
週報 / 月報用 AI 自動生成草稿，你只改「結論」與「建議行動」兩段
Dashboard 維護工作交給「dashboard self-service」化——讓業務團隊自己拖 Tableau 欄位，你做 governance
騰出來的時間全部投入 1–2 個深度商業議題（不要分散到 5 個）

Day 36–60：建立你的「策略架構師」對外定位

在公司內部主動發起 1 場「analytics review」，挑一個 leadership 關心的議題做 30 分鐘深度報告 + 30 分鐘工作坊
把這場 review 的內容濃縮成 LinkedIn / Medium 一篇文章發出去——對內提升 leverage、對外建立個人品牌
如果你想轉接案 / 顧問，準備 3 份「商業診斷案例集」（匿名版）當作 portfolio
重新議薪資（in-house）或重新設計報價結構（接案）：從按工時改成按「為客戶 unlock 的決策價值」

新的定價結構：從按專案到按月顧問費

這是接案分析師最頭痛的環節。傳統 Tableau / Power BI 一份 dashboard 接案 5–15 萬，做完就結。但 AI 把這條收費邏輯打掉了——客戶用 ChatGPT + Snowflake Cortex 直接拖出來的 dashboard，視覺上差不多。升級成「策略架構師」之後，報價結構也要跟著轉。

收費模式	適合的服務內容	客戶類型	月收參考
按專案（傳統）	做 dashboard、寫報告	中小企業、一次性 audit	5–15 萬 / 案
按月 retainer（推薦）	每月 1–2 次策略 review、半即時 Slack 諮詢	成長期新創、品牌方	8–25 萬 / 月
Outcome-based（進階）	幫客戶把某 KPI 從 X 拉到 Y，按提升幅度抽成	電商、SaaS、有清楚北極星指標的公司	10 萬底薪 + 提升的 10–20%
Fractional Head of Analytics	扮演客戶公司「兼職 Head of Insights」，2–3 天 / 週	Series A–B 新創	30–60 萬 / 月

「Fractional Head」模式在 2026 年的台灣才剛起步，但矽谷已經發展成成熟的服務形態。對 8–15 年資的資深分析師，這條路的天花板比繼續按專案收費高 5–10 倍。對應的能力組合可以看 35-45 歲職涯升級完整戰略 裡的「決策者技能組合」那節。

工具堆疊：60 天升級期間的標配

類別	推薦工具	原因	月費
AI 寫 SQL	Claude Code + Cursor	1M context 吃整個 schema 不卡	$100–200
Dashboard 自動化	Hex Magic / Mode Notebooks + AI Copilot	AI 寫 SQL + 自動畫圖 + 自動寫 commentary	$50–100
週報自動化	n8n + Claude API + Slack	排程跑、推到對應 channel、人工只改結論段	$30
深度商業分析	Claude Opus 4.8 + 1M context	塞 6 個月 historical data 一次分析	走 API
客戶溝通 / proposal	Notion AI 3 + Claude for Office	把分析結果包成 leadership 看得懂的格式	$25

ℹ️我們做過這件事

順帶說一下，這篇講的方法我們公司自己每天都在跑——目前內部就有 20+ 個 AI 流程在工作中，其中 4 條就是內部的「資料分析自動化」。我們也陪過一家成長期電商客戶的內部資料團隊重新定義角色，從「每週出 5 份 dashboard」轉成「每月做 1 場 leadership data review + 維運 self-service BI」，3 個月後分析師人手從 4 個 → 2 個，但 leadership 的決策節奏明顯加快。看到這裡，如果你也在想『這套放在我們公司會是什麼樣子』——我們很樂意聽你聊聊現在的實際情況，一起看看哪些做得起來、能從哪一塊開始。

被忽略的領域：資料分析師升級成「Analytics Engineer」這條路

除了往策略端走，還有一條「往工程端走」的升級路。Analytics Engineer 是過去 3 年從 dbt 社群推出來的新職務——簡單講是「會寫 SQL 的資料工程師」，介於 data engineer 跟 analyst 之間。對「不想做太多人際溝通、想專心建系統」的分析師更適合。

技能堆疊：dbt + Snowflake / BigQuery + version control + CI/CD + 一點 Airflow
市場行情：台灣中位數 130–180K / 月（資深 200K+），美國 remote $130–180K USD
適合性格：享受把混亂資料整理乾淨、看到 query 跑得更快會有成就感、不太想跟 CMO 開會

這條路跟我們之前寫的 客製化 BI 報表與資料 Dashboard 系統開發完整指南 有些重疊，可以一起看。

常見的 5 個誤區

Q我只要學 Python ML 就能轉資料科學家、避開 AI 衝擊嗎？

資料科學家在過去 18 個月被衝擊比資料分析師還大——AutoML、Foundation Model fine-tuning 把模型 baseline 拉得很高，「自己跑 sklearn」的價值快速降低。轉資料科學家不是逃路、是換一個賽道再被追。真正的避險是往「商業詮釋」與「跨部門溝通」走，這兩件 AI 還沒辦法。

Q我在公司年資長、報告做得很穩，會被新人 + ChatGPT 取代嗎？

看你做的「穩」是哪一種。如果是「報告格式穩定、SQL 寫得快、數字不出錯」這種——會。如果是「公司每個業務 owner 都信任你的判斷」這種——不會，反而會被升等。問你自己：上次 leadership 問你「我們該怎麼做」而不是「給我看數字」是什麼時候？如果想不起來，你可能正卡在執行端。

Q我需要花時間學 Cursor / Claude Code 這些工程師工具嗎？

至少要會基本的 Cursor + AI 寫 SQL。重點是因為 60 天升級的關鍵是「把執行端壓到 30%」——壓不下去就沒時間做策略，學這些工具的目的並非要轉去當工程師。Cursor + Claude 寫 SQL 的學習曲線大概 2 週上手，是 ROI 最高的投資。

Q如果我公司根本沒有「策略分析」的需求，怎麼辦？

兩個選擇：(1) 主動發起一個 leadership data review，自己創造需求——通常老闆只是不知道分析師「可以做這個」。(2) 公司真的扁平到不需要策略分析 → 你的個人成長天花板已經到，是時候換環境。30 多歲是換職涯軌道最好的窗口。

QAI 會不會把資料分析師整個職業消滅？

不會消滅、會「重新分配」。執行端的工作消失 60%、策略端的需求增加 200%，淨人數可能持平。但個別人會經歷劇烈洗牌——升不上策略端的會被裁，升上去的薪水跳 30–80%。未來 24 個月是分水嶺，現在就要動。

資料分析師 60 天升級行動 checklist 下載

把這篇文章的 60 天行動清單轉成可印出來打勾的 checklist，附上每週要交付的具體 deliverable 範例。想看實際長怎樣？先到 /services/ai-consult 留下你的職務現況，我們會把這份 checklist 與配套的「商業診斷案例集」範本一起寄給你。

結語：焦慮不會消失，但你可以選擇成為「跟 AI 一起決策的人」

林姊上個月用上面這套路線圖跑了 6 週，目前在重新議她的角色定位——她跟 leadership 提了一個「Fractional Head of Insights」的內部模式，把她的時間切 60% 給高層策略 + 40% 給原本的分析工作。leadership 點頭了，下個月開始試行 3 個月。她說：「沒有 AI，我可能還在每週跑那 5 份報告。」

如果你也在類似的關卡，可以把你的現況丟過來，我們 陪你看看適合走哪一條。先聊聊你現在卡在哪——升級值不值得做、從哪一步開始最划算，我們會直接告訴你。