品牌数据从下载到自动化：你也行！

今天凌晨，OpenAI放出的新模型（GPT-4o）和产品，让人觉得惊艳的地方，有。但前期吊足了大家胃口的GTP-5和与Google竞争的智能化搜索，还是继续待字闺中。

也对，让更多的大众使用，尤其是大家想象着能进入苹果这样巨大用户群体的生态，细无声的成为大家日常生活中随时可以调用的个人助理。这样，在占领广阔市场认知方面，效率最高。的确，我们看看周边的情况，风光无比的perplexity，秘塔，LLama3啊，乃至红得发紫的kimi，现在看来还是很小众的。上网找个东西，还不是顺手就敲入了个baidu？使用习惯呐，得一点点一天天的滋润。

对话唠嗑，画图唱歌，这些看似不太解决提升工作水平的应用，能深入人心。更别说OpenAI这次提出的情感化、人性化的方向，乃至要做到“全民免费计算”(universal basic compute)的未来畅享，使得AI更加普适化。

这么看来大佬们不太看重在专业道路上继续花大力气，可能产出的市场占有率太低了，大佬们也都压力巨大啊！尤其是数据方面的计算、统计、洞察，按照目前的判断，AI的改进不大，用的人也不多。那也好，去处理这些工作中的难题，咱们工程师们暂时就不容易被替代。只要AI不能保证数据的查、算准确和秒出，甚至在逻辑上不能保证严谨，那数据工程师的手艺还是不怕被淘汰。

数据手艺的进化也刻不容缓！不能放着这些好用的，免费的模型和工具弃之不理，还走过去的老路。这显然是和自己过不去。专业的数据工程师，比起来一个AI加持下的数据小白，恐怕竞争力也不是那么强，举一个小例子：

极海品牌监测跟踪的很多品牌，因为开店非常『狠』，每天都会有门店的更新。我们的客户每天都会下载Ta们关注的品牌数据。需要每天统计的数据也许会很简单，一个市场部门的小伙伴，就是想每天出一个列表加一个总结，提醒相关部门的主管。既然这样的工作是重复性的，那就让它自动执行。

假设这个小伙伴是瑞幸的『品牌监测』员。Ta要将最新开的库迪的门店提取出来，找出来离这些门店最近的那些瑞幸门店，计算一下最近距离，从而总结竞争压力和形势。

我们一步一步来分解：

一、数据下载是最简单的。来https://stores.geohey.com 注册以后，搜索库迪，点击数据下载，选择最近的日期。同样，也把瑞幸的数据下载下来，格式为Excel；

虽然说Excel文件中有『开业日期』字段，你完全可以用这个字段排序、筛选，但这样做就得你来『手动操作』了，无法实现自动化。所以一定是要写一点点代码去执行。无论是在Excel中用VBA，还是离开Excel环境去用python，都得换一个使用习惯。我严重推荐在python中练习和大模型配合交互的经验。

二、选一个大模型发送指令，一点一点来，将每一个步骤要解决的问题说清楚，拆的细比粗好，执行一步看看结果（用notebook），然后再继续：

1、分别读取两个Excel文件；

2、用开业日期这个字段将最近一个月的库迪门店提取出来，输出成一个GeoJSON的文件；

3、用经度和纬度两个字段作为位置信息，计算这些库迪门店周边500米范围内所有的瑞幸门店，保存瑞幸门店为单独的一张表，也输出为一个GeoJSON的文件；

4、计算一下范围内每家瑞幸门店，距离其最近的库迪门店的距离；

5、统计一下每一个新开库迪门店500米范围内的瑞幸门店的数量；

6、读取两个GeoJSON文件，截图显示门店的相对位置关系。

三、将你关注的数据字段保存成一个数据库表格，可以自动调用大模型读取，并用于问答或者自动总结：

1、存储到一个可以被大模型读取的『库』中，示例为Notion。Notion有比较完善的API，并且可以通过Notion的云端同步到公有云大模型向量数据库中，减少本地部署的麻烦；

2、用一个流程化的工具同步这个数据库，构建知识库，并按照自己的喜好选择大模型来实现知识库的提取和对话。示例中，我用的是Dify：

至此，从数据下载后的步骤实现都可以是自动化的。你的工作成果，是每周（天）都会可以将最近的库迪门店与最近的瑞幸门店对应起来，并用对话的方式提取这些门店的信息。你可以自动生成一份模板化的报告，也可以类似的，将其它数据的计算统计结果，发布为一个全公司都可以访问的聊天机器人，请同事们根据自己的关注点自行与机器人交流。

在这过程中，大模型（本次操练，我试验的是上周新进网红deepseek2）生成的代码，你可以不必细究，完成任务就好。在有新的工作场景促使你去做改进时，水到渠成的为你带来新的认知。所以，这背后的AI既是一个工作助手，也是一个潜在默默支持你提升技能的导师。

总结： 不管OpenAI、苹果还是谷歌将来为个人的日常生活场景提供多么强大的助手，正如前文所见，数据分析的未来在于AI与人类智慧的协同，暂时看起来AI还无法不通过特定任务的程序处理数据。AI的能力在于自动化重复性任务、快速运算以及提供初步洞察。然而，人类的专业知识、批判性思维和对业务的深刻理解仍然至关重要。数据工程师需要利用AI工具来增强Ta们的技能，而不是被取代。

通过将AI整合到数据分析工作流程中，我们可以：

• 开心工作： 自动化繁琐的任务，例如数据清理和准备，使数据工程师能够专注于更具战略意义的工作。
• 增强洞察力： AI可以帮助我们发现数据中的隐藏模式和趋势，从而提供更深入的洞察。
• 快速更新数据： 通过提供更准确和及时的信息，AI可以支持更明智的决策。

最终目标是创建一个人机协作的环境，在这个环境中，AI和人类可以相互补充，以实现最佳结果。数据工程师的角色正在发生变化，但他们的技能仍然至关重要。通过拥抱AI并不断学习新技能，数据工程师可以确保Ta们在未来几年保持领先地位。

AI时代的数据分析充满了机遇和挑战。除了通过将AI视为强大的盟友，并专注于培养我们的技能和专业知识，我们目前最紧迫的进步空间在于分解问题，表述清楚，以及熟悉机器语言，你就会发现，总有一股能量支撑着你对抗这股挥之不去的时代焦虑。·