AI时代：还值得把DAX硬啃到底吗？

在 LLM（大语言模型）几乎可以“秒写”各种复杂 DAX 表达式的背景下，很多零售分析师和商业智能（BI）从业者开始反问：花上几百个小时去啃《DAX 圣经》，真的还有必要吗？

我的答案很清晰：DAX 仍然要学，只是投入重心需要发生“换档”。你不必再把时间耗在“手工拼凑复杂嵌套”的熟练度上，但必须具备“逻辑审判”的判断力。

AI 可以把 DAX 的“语法门槛”大幅压低，却没有把“逻辑门槛”一并降低。

如果把 DAX 当作一门语言，过去你得同时做翻译官（把业务意图转成代码），还得做校对员。如今 AI 更像是一位勤快又反应快的翻译官：效率高，但偶尔会一本正经地胡说。

你当然不需要把每一行代码都亲自敲出来，但你必须能一眼看出它有没有把业务上下文理解偏了。完全不懂 DAX 的人，在 AI 面前几乎没有防御：它可能把带有逻辑漏洞的公式当成“正确答案”，而这在超市陈列优化、毛利分析等决策场景里风险非常高。

现在的 AI 就像飞机的自动驾驶系统。在大多数标准航路里，它能把起飞和巡航处理得很稳。但一旦你是机长，就必须完成严格的飞行训练。当遇到复杂气流或传感器数据冲突时，你要懂得升力原理、失速边界，才能在必要时接管飞机。若完全不了解底层逻辑，即便系统出错了，你也可能察觉不到自己正在“掉高度”。

AI 生成的结果有点像“预制菜”。它能让你在 10 分钟内把桌面摆得体面。但真正的主厨要懂食材火候。比如这份预制菜里的肉质不新鲜（数据结构存在问题），或调料配比不适合某种业务场景——不懂的人只会照单全收，而懂行的人会通过观察发现问题并做相应微调。

AI 对语法的把握很强，但它有两个硬伤：它看不到你的物理模型关系，也无法真正理解那些“藏在过滤逻辑背后”的上下文。

需求：计算某个单品（SKU）在所属品类（Category）中的销售占比。 AI 生成：

风险点：AI 往往会用 ALL('Sales') 直接清掉过滤。但在零售报表里，我们通常会接入“门店”或“时间”切片器。这样一来，分母就变成全公司、全时间的总额，最终占比就失去业务参考价值。只有懂 DAX 的人才会知道这里更应使用 ALLSELECTED。

需求：计算去年同期销售额（YoY）。 AI 生成：

风险点：零售行业（尤其是推行 52 周 MD 的企业）常用非标准日历，例如 4-4-5 日历。AI 默认的 SAMEPERIODLASTYEAR 是基于标准公历推算。如果你的日期表没有正确标记，或业务在春节、中秋等农历波动较大的节点上发生对齐偏差，AI 的结果就可能直接误导采购计划。

因此在 AI 时代，我们应该把主要精力放在业务洞察与决策辅助上，而不是纠结如何用 DAX 写出好看、还带层级收缩效果的报表样式。

为了应对零售分析中常见的展示难题，我做了一款专门面向 Power BI 的自定义视觉对象。它可以帮你省去繁琐的 DAX 样式定义流程，转而通过拖拽快速搭建符合专业零售审计口径的深度分析报表。

AI 让我们从“搬砖工”逐步走向“结构工程师”。我们不再需要把手劈红砖练到炉火纯青，但也更不能忽视建筑力学层面的理解与判断。

学习 DAX，本质上是为了在 AI 给出代码时，你能有底气说：“语法看着没问题，但它没有考虑到我的门店切片逻辑，这里必须调整。”这种“一眼定乾坤”的能力，才是 AI 时代分析师真正的核心竞争力。