《AI 會取代數據分析師嗎？我用 Gemini＋NBP 密集實測的真實心得》

.

NBP 真正的核心不是畫圖，而是視覺敘事（Visual Storytelling）

 

用Gemini3 & Nano Banana Pro 做了25份洞察報告，超過200張報告用途後，我的心得是NBP 的核心不是畫畫，而是視覺敘事（visual storytelling）。

它天生就擅長：

- 主題視覺語氣設定（tone）

- 結構化排版

- 重點層級轉換

- 視覺語意對齊（semantic alignment）

- 地理與光影邏輯一致性

- 風格持續性(讓7-10頁的報告視覺語言一致）

.

Gemini = 論點、架構、邏輯 ；NBP = 做視覺、風格、理解輔助圖

我本來以為：Gemini = 會寫，NBP = 會畫

這個禮拜大爆肝後知道：

Gemini = 找論點 / 主題邏輯 / 架構 / 觀點

NBP = 做視覺敘事 / 建品牌語言 / 做理解輔助圖

兩個一起用可以產出【前言 → 主視覺 → 三大洞察 → 分析圖 → 結構圖 /用戶旅程圖/Persona/地區比較 → 結語 → 參考資料】的報告

 

我的 Gemini＋NBP 一週實測最大心得

 

之前就常聽分析師們擔心，會被AI取代，但在我努力用好用滿 ＆請另外兩大AI查論文、看論壇，再推論的心得是NBP & Gemini 在數字相關的「視覺能力」目前仍然停在：柱狀圖/趨勢圖/比例圓圈/基礎比較/基礎類別統整, 降低資訊密度、可視化樣式化。換句話說：它畫的是「可讀的圖」，不是「能做決策的圖」。

AI 做不到的，是分析師每天在做的真正「戰鬥」工作

不過他還是不能馬上取代數據分析師，在用數據作運營洞察部分，還在『寫意』而非『打仗』階段

 

它還做不到：髒資料判讀清理/運營需求與分析判讀/ KPI drill-down/cohort/retention curve/LTV 分群/funnel 收斂率/兩組對照時的統計顯著性/segment 差異判讀/ RFM分群/ 運營指標的「因果關係拆解」。

 

這些都是「真的數據分析師」每天在做的。

 

數據分析師做的是：問題 framing/指標選擇/數據前處理/切群/自動化比較方法/邏輯迭代/抽掉背景噪音/找不合理處/機制推論/偵錯（debug）/系統性 bias 判讀。

 

AI 目前做得到的只有問題 framing/指標選擇部分的/偵錯（debug）。

 

但真正影響商業結果的，是：顧客行為的異常點/funnel 的流失原因/指標變動的背後機制/事件彼此的關聯性/長期 vs 短期的 trade-off/A/B 測試的偏誤/行銷活動 vs 自然流量的影響拆解

 

目前的AI「讀數字」可以，但「根據情境推論原因」目前還不行，以這個發展速度，AI 明年應該就追上來了，我們還有一點點時間。

 

分析師們，我們還有半集可以急起直追

 

(但另一方面，AI 從數字抽取洞察 & 視覺化的功力實在太強，像一個強悍的會看數字會做簡報寫口號的策略師，我還沒看過有這種功力的數據分析師）」
 

FAQ

Q1：AI 會完全取代數據分析師嗎？

短期內不會，因為 AI 還無法理解因果關係、噪音清理、指標異常與商業判讀。

Q2：AI 目前在數據分析上做得最好的是什麼？

視覺化（柱狀圖、趨勢、比較圖）與問題 framing、指標選擇等初階工作。

Q3：AI 目前無法取代的核心工作是哪些？

cohort、LTV、funnel、顯著性、RFM、debug、bias 判讀與運營機制拆解等。

Q4：NBP 的真正價值是什麼？

視覺敘事（tone、排版、語意一致性），不是「畫圖本身」。

Q5：Gemini 與 NBP 如何分工？

Gemini 做邏輯、洞察、論點；NBP 做視覺、品牌語言、理解輔圖。

Q6：AI 跟分析師哪個更強？

AI 在速度與視覺上強；分析師在推論、機制拆解與商業背景強。

Q7：未來一年會怎麼變化？

AI 會急速補齊「從數字推論原因」這塊功能，人類分析師的優勢窗口正快速縮小。