你需要游戏数据分析师吗？哪些部分可以自动化 — GameAnalytics

对于游戏数据分析师而言，这个问题似乎格外尖锐。大部分日常工作已经变成 AI 智能体几分钟内就能完成的事情。当然，所有 LinkedIn 帖子、中型数据团队的裁员，以及关于 AI 取代 80% 分析师工作的头条新闻，都可能成为任何近期角色被快速自动化的人的压力源。（幸运的是）对于数据分析师而言，AI 正瞄准这项工作的技术层面。最近 Databricks 的一篇文章很好地概括了这一点：

AI 并没有终结分析师这一角色；它正在将其恢复为它本应有的样子。

游戏数据分析师本不该每周都忙于为 LiveOps 团队的一次性请求运行临时 SQL，每次有新制作人加入项目时都要重建同一个群组视图，还要与没有人正确建模的原始事件流作斗争。他们本应把关于玩家行为的问题转化为关于游戏的决策。执行机制只是碍事了，幸运的是，这部分正是自动化程度最高的部分。

文章这样写道：

只做那些事情的分析师正在被自动化。能够界定业务问题并推动决策的分析师正变得越来越有价值。

也许你会觉得一天中很大的一部分时间交给了机器，但工作室里的分析师仍有大量工作可做，而且这让你有自由把专业知识集中在最重要的地方。因此，如果有什么变化的话，这份工作正在变得更精细，而决定什么对游戏重要仍然由人来判断。

智能体擅长回答问题，但不擅长知道接下来该针对你的游戏、你的玩家群体、你当前的线上活动或即将发布的版本提出哪个问题。这种判断力、产品背景和工作室直觉，只有人类才能带来。同样，验证一个洞察是否有意义，仍然需要人类的筛选。AI 会自信地报告那些只是噪声、你的群组定义中样本选择偏差造成的假象，或限时活动期间小样本带来的统计偶然性的相关性。而由你来决定这种模式是否真实。 在接下来的几周里，我将撰写关于 AI 为何会给出自信但错误的回答，以及你可以采取哪些步骤来防止这种情况。请持续关注我们的博客，以免错过。

如果你还在寻找更多，可以考虑对那些可能误导团队的数据请求提出反对。你肯定熟悉关于指标代表什么以及应如何解读的激烈讨论。智能体可以制作你的 CEO 要求的留存图表，但你的角色是指出该图表回答的是错误的问题，并建议正确的方法论。指标定义的所有权仍然属于你，当这些定义发生漂移时（随着新机制上线、旧指标不再具有原有含义，它们必然会漂移），需要在下一次董事会更新建立在看似正确实则不正确的数字之前，有人发现这一点。

最后，来自数据之外的定性背景几乎完全由人掌握。想想 App Store 政策变化对激励视频投放的影响，或者竞争对手上线了一个功能，让你的受众注意力被吸引走两周。数据仓库对此一无所知，但你（理想情况下）知道。

这条几周前传开的帖子，很好地体现了我观点的实践版本和该角色的转变：

@ezekiel_aleke 如果高管团队现在只需索要一个仪表盘。这意味着把搭建做对更加关键。 流程。业务规则。定义。所有权。数据产品和模型。

— Bruce Dando | Finance Transformation (@brucedando_) October 10, 2026

Databricks 那篇文章里的一张可视化图，让这种分层版本变得具体：

金字塔一直看起来是这样的。区别在于谁负责哪一层。AI 正在接管数据收集、存储、管道和数据整理，并且越来越多地处理指标、查询、报告和可视化。留给分析师的工作位于顶端：发现模式和异常、结合上下文、做出判断并进行决策。

随着越来越多的技术工作被自动化，工作中可商品化的部分逐渐消失，分析师正在成为游戏团队的逻辑层。这主要是因为业务逻辑和组织知识（你的工作室如何运作、你的受众对什么有反应、你的 LiveOps 节奏有何要求）仍然难以被 AI 捕捉。看看来自 Weng Honn 的 Substack的这份拆解中的右栏，并注意 AI 在哪些方面力不从心。这些条目并不涉及技术；它们更依赖判断力，也更人性化。

同样的转变也体现在 Olga Berezovsky 在 Data Analysis Journal 上的文章中，她在文中巧妙地概述了分析职能的三个不同时代：

2015: 报告 → 2020: 优化 → 2026: 决策
- 报告时代：数据团队的工作是解释已经发生的事情。成功意味着准确性、一致性和速度。
- 优化时代：工作转向改善结果。成功意味着提升转化率、留存率和 LTV（现在你的数据团队知道它意味着什么），并建立实验能力以可靠地做到这一点。
- 决策基础设施时代：工作变为驱动人类和 AI 的决策。成功由你能做出的快速、因果且可安全自动化的决策数量来衡量。

应用于游戏工作室，这意味着从“分析师告诉我们上个月的留存曲线是什么样”转变为“分析师设计实验框架，让我们每两周发布一个新引导流程，并在四天内知道是否保留它。”这与大多数工作室习惯的范围、价值和角色类型都不同。分析师正在成为策展人，并对其工作所引发的决策承担更多责任，这改变了人们对其角色的看法。一旦 AI 数据工作流到位，目标就是优先考虑解释而非执行，管理 LiveOps 团队和制作人直接交互的代理，并在各游戏团队之间协调洞察。

我认为 Ethan Aaron 的这篇帖子（在我看来，他是数据相关领域最顶尖的人物之一）很好地总结了这一职业正走向何方，以及数据分析师如何为未来做好准备：

如果你跳出日常争论，尝试评估这一职业的持久性，劳动力市场数据相当令人安心（至少目前如此）。2026 年 3 月，Anthropic 发布了一份名为 《AI 对劳动力市场的影响：一项新衡量指标与早期证据》的报告，考察哪些职业最容易受到 AI 替代的影响。最易受影响的职业表格值得仔细阅读：

数据录入员是唯一出现在濒危数据相关职位中的角色，而该角色本质上是将信息从一个系统输入到另一个系统，与（游戏）数据分析师截然不同，后者的工作是解读玩家行为并制定产品和 LiveOps 决策。市场研究分析师和营销专员以 64.8% 的比例出现，但即便如此，这也反映的是 AI 处理准备和格式层，而非判断层。

而 世界经济论坛《2025年未来就业报告》也呼应了这一点，它将数据录入员列为到2030年下降最快的职业之一，而包括大数据专家在内的技术相关职业在百分比增长方面位居前列。为这种一致的模式欢呼吧：数据录入被自动化，数据判断被放大。

如果你是一位正在阅读这篇文章的工作室负责人，并想知道在宏大的 2026 年是否仍然需要游戏数据分析师，答案仍然是需要。但可能不是出于几年前你会雇佣他们的理由。筛选那些能够定义指标并为其辩护、在接触数据之前先框定产品问题、并在证据与自身判断相矛盾时改变想法的分析师。SQL 你可以教。或者更准确地说，你可以让 AI 来处理它，并把培训时间花在一切能推动关键指标、让你的游戏变得更好的其他事情上