做了多年商分后才懂，拉开差距的根本不是工具

SQL能学，Python能学，AI能用。但有一样东西学不来，也恰好是商分人真正的分水岭。

· · ·

先说个场景。

业务方跑过来："嘿，帮我看看最近用户怎么少了。"

新人商分听了，打开数据库就写SQL：SELECT * FROM users WHERE create_time > '2026-05-01'...

做了五年的人听了，先问三个问题：

这三问一出，问题已经清晰了一半。而那个直接写SQL的新人，可能查了半天发现"用户没少，是数据口径变了"。

差距不在SQL水平。在翻译能力。

· · ·

一、商分的本质是翻译

做了多年商分之后，我对这份工作的理解越来越简单：商分就是翻译。

一份完整的商业分析，中间要经过三次翻译：

大多数商分人只练中间那层——从分析问题翻译成数据问题的能力，也就是SQL/Python/AI这些工具技能。但真正拉开差距的是第一层和第三层。

第一层决定了你做的分析方向对不对。第三层决定了你的报告有没有人看。中间那层只是执行。

· · ·

二、一个真实的翻译案例

上周我写了一篇出海报告，用AI做了一份电动三轮车的商业计划书。很多人都问：你怎么想到要去分析这个市场的？其实过程很简单，跟一次翻译有关。

兄弟打电话说："阿根廷有人做电动三轮车做得不错，我们想去看看。"

如果我没有翻译能力，接下来就会去搜"阿根廷电动三轮车市场分析"。

但我的第一反应是翻译：

你看，从"阿根廷有人做得好"到"先做墨西哥"，中间经历了三层翻译。每一层都在把模糊的信息变具体，把具体的需求变可执行。AI在这个过程中能帮你查数据、做表格、写报告——但它不能替你做第一层翻译。因为第一层翻译需要你理解那个打电话的人真正想要什么。

· · ·

三、工具是放大器，翻译是基本功

现在AI能写SQL了。你跟它说"查一下上个月活跃用户"，它能直接生成一段能跑的代码。

这件事让很多人焦虑：SQL都不需要学了，商分以后还有什么壁垒？

但你看一下AI能替你做的是哪一层——是第二次翻译（分析问题→数据问题）。它把你的"查一下上个月活跃用户"翻译成了SQL。但"上个月活跃用户"这个分析问题本身，是你先想出来的。

AI加速的是从分析问题到数据结果这一段。但"业务问题→分析问题"和"数据结果→业务结论"这两段，AI帮不了你。

为什么？因为业务问题和业务结论都是用"人话"写的。人话有潜台词、有情绪、有没说出口的前提。AI不理解这些——它只能处理已经说清楚的东西。

· · ·

四、三个练翻译能力的方法

翻译能力不是天赋，可以练。我用了三个笨方法，坚持了几年：

方法一：接到需求，先问三遍"所以呢？"

业务方说"A跌了"。

→ 所以呢？"B也会跌。"

→ 所以呢？"我们需要调整策略。"

→ 所以呢？"……你先帮我算一下A跌了多少、哪个渠道跌的、持续了多久。"

三遍"所以呢"之后，业务方才会说出他真正想要的分析。大多数时候，第一个需求是伪需求。

方法二：写完分析，用一句话说结论

不管报告写了多长，最后必须能用一句话说清楚结论。如果一句话说不清楚，说明没想清楚。

好结论的标准：业务方能直接拿去用，不需要二次翻译。

方法三：定期做"翻译练习"

找个业务会议录音，转成文字，做三件事：

这个练习做三个月，你的翻译速度会比绝大多数人快。

· · ·

最后说几句实在的。

我从Excel做到SQL做到Python做到AI，工具换了四代。每一次新工具出来，都有人说"商分人要被取代了"。但14年过去，我还在做商分，而且越做越觉得这行有意思。

因为工具在变，但有一件事从来没变：能问出对的问题的人，永远比能写出快的SQL的人值钱。

SQL可以学，AI可以用。但"这个问题对不对"——只有你自己能判断。

这就是商分人真正的护城河。外面的人不知道，知道的人不说。我今天说了。