证书还没学完，WorkBuddy 已经把脏活干完了

你可能觉得我在抬杠，但我真是这么想的：Google 那个 Data Analytics 证书课程，放在两年前是刚需，放在现在，对于大部分干活的普通人来说，有点跑偏了。

先说清楚，我不是说课程内容不行。Google 那个项目我大概翻过，从数据清洗到 Python 基础到可视化，体系是完整的，大厂出品也确实挑不出硬伤。问题在于它的前提假设：你得先花三到六个月把课啃完，才能开始处理你手头真实的脏数据。但现实里没有人给你六个月。

我上个月接了个人力那边的活，他们丢过来一个压缩包，里面三十多个 CSV，文件名清一色「6月绩效-最终版-真的最终版-别改了-2」，日期格式至少五种，列名中英文混着来，备注栏还写着「已催三次别打了」。当时我已经装了 WorkBuddy 三周，正愁没有实战样本，就直接丢给它了。

结果是我用大约半小时跑通了全流程。先让它自动识别所有文件的列结构，把同义不同名的列合并掉，日期格式全部归一化，备注栏空的填充「无」。它做这堆事的时候我就在旁边看着，中途手动调整了两个识别错的列，剩下全自动。最后导出一张干净的透视表，人力那边的人直说「这活儿以前要干一整天」。

这事给我的冲击挺大的。不是它多智能，是它把那个「先学六个月再做」的路径直接折叠了。证书课程教你怎么用 Pandas 清洗数据，说得挺细，但你真打开 Jupyter Notebook 动手写的时候会发现，光是处理「文件名里那句『别再改了』怎么提取成标签」就能让你怀疑人生。而你问 WorkBuddy 的时候，它一分钟之内就给你写好了。

所以我的判断是：Google 那个证书的价值正在从「教你干活」转向「帮你理解」。它告诉你数据的结构长什么样，为什么脏数据是个问题，visualization 为什么重要。

这些认知层面的东西是长期有用的，但你要是抱着「学完就能去处理真实工作」的预期，大概率会失望。因为真实工作里，工具的占比越来越大，你花三个月学的 Pandas 语法，WorkBuddy 一个对话就帮你写完了。

我现在的用法是反过来的。先把 WorkBuddy 当老师，遇到一个不会的操作就直接问它，让它给我写代码片段，我在旁边看它怎么组织逻辑。等看得多了，再回去翻课程补理论。上周我拿它练了一把 Python，客户要的数据对比报告，我让它先写了一个分析流程，然后让它把这套流程翻译成 Python 脚本给我看。那是我正儿八经接触 Python 的第三天，但看它写的脚本，居然能看懂大概的循环和判断，这放到两周前我根本不敢想。

倒不是说人人都得这么干。你要是想转行做数据工程师，那该啃的课一门都别少。但你要就是个普通上班族，日常跟 Excel、报表、周报打交道，我的建议是别把六个月砸在证书上。先让 WorkBuddy 把那些重复劳动接过去，省下来的时间拿去看课程的「概念部分」，知道数据模型、可视化原则、Python 能干嘛这些就够了。等真实需求砸过来的时候，再带着具体问题去补细节，效率高得多。

这次交完人力的活，我顺手试了试它处理发票归档。每天从客户、财务、各个群收下来的 PDF 全堆在下载文件夹里，合同、报表、发票图片、会议截图混成一锅粥。我让它按内容自动命名、按日期归类，跑了一晚上，准确率大概八成。剩下两成是拍歪的、带水印的，它识别不了，得手动处理。但就这八成，已经把我每周五下午的整理时间从四十分钟压缩到了不到十分钟。

当然它也有做不到的。比如那种需要业务判断的活，比如「这个合同重点看的是付款条款还是违约责任」，它只能帮你把条款摘出来，但判断还得你自己来。可这恰恰是我乐意看到的，工具把能自动化的部分全自动化了，剩下的时间拿来干真正需要人的思考才能做的事，这才是工具存在的意义。

最后说个观点，不一定对。我觉得未来的学习路径会变成「工具先行、理论跟进」。Google 这个证书如果还按老路走，隔着六个月的授权课教 Python，它的价值会越来越稀释。反倒是那种「遇到问题让工具先干一版，然后看它怎么干的」的学习方式，会越来越主流。技术没变，但因为你已经亲手干过一遍了，再学理论的时候，每个概念都有了着落，比照本宣科扎实得多。

反正我这边是这么干的。课还放在收藏夹里，慢慢看，不急了。