Business Intelligence Analisten
Werkgelegenheidsgegevens zijn specifiek voor deze beroepsgroep niet beschikbaar van het Bureau voor Arbeidsstatistieken, dus we gebruiken de gegevens van Data Scientists.
Mensen bekeken ook
Berekend automatiseringsrisico
Hoge Risico (61-80%): Banen in deze categorie lopen een aanzienlijk risico door automatisering, aangezien veel van hun taken gemakkelijk kunnen worden geautomatiseerd met behulp van huidige of nabije toekomstige technologieën.
Meer informatie over wat deze score is en hoe deze wordt berekend, is beschikbaar hier.
Gebruikerspeiling
Onze bezoekers hebben gestemd dat het waarschijnlijk is dat dit beroep geautomatiseerd zal worden. Deze beoordeling wordt verder ondersteund door het berekende automatiseringsrisiconiveau, dat een schatting geeft van 74% kans op automatisering.
Wat denk je dat het risico van automatisering is?
Wat is de kans dat Business Intelligence Analisten binnen de komende 20 jaar vervangen zal worden door robots of kunstmatige intelligentie?
Gevoel
De volgende grafiek wordt opgenomen waar er een aanzienlijke hoeveelheid stemmen is om zinvolle gegevens weer te geven. Deze visuele weergaven tonen de resultaten van gebruikerspeilingen in de loop van de tijd en bieden een belangrijke indicatie van sentimenttrends.
Gevoel over tijd (jaarlijks)
Groei
Het aantal 'Data Scientists' vacatures zal naar verwachting stijgen met 36,0% tegen 2033
Bijgewerkte prognoses zijn verschuldigd 09-2024.
Lonen
In 2023 was het mediane jaarloon voor 'Data Scientists' $ 108.020, of $ 51 per uur
'Data Scientists' werden 124,8% hoger betaald dan het nationale mediane loon, dat op $ 48.060 stond.
Volume
Vanaf 2023 waren er 192.710 mensen in dienst als 'Data Scientists' binnen de Verenigde Staten.
Dit vertegenwoordigt ongeveer 0,13% van de werkende bevolking in het hele land.
Anders gezegd, ongeveer 1 op de 787 mensen is werkzaam als 'Data Scientists'.
Functieomschrijving
Financiële en marktinformatie produceren door gegevensopslagplaatsen te bevragen en periodieke rapporten te genereren. Bedenk methoden voor het identificeren van gegevenspatronen en trends in beschikbare informatiebronnen.
SOC Code: 15-2051.01
Middelen
Als u overweegt een nieuwe carrière te beginnen, of van baan wilt veranderen, hebben we een handige zoektool voor banen gemaakt die u mogelijk helpt bij het vinden van die perfecte nieuwe functie.
Opmerkingen
The bulk of my time as a BI analyst is spent on 2 things. The first is working with domain stakeholders without technical knowledge (marketers in my case). This can often be like herding cats. Lots of people will have lots of different opinions on what KPIs they want to track or how to track them. And often they don't really understand the data limitations of what we can and can't report on, so I need to be there to provide guidance. Much of my job is spent guiding these people along, often massaging their egos along the way, so that the wider group of people arrives at a consensus.
The second is ETL. Even with whole teams of data engineers and operations managers, data is very rarely centralised into a single and easy to understand model. I work with about half a dozen different types of data sources (from AWS to Google Sheets). Each of these have hundreds of different indexes and many of those indexes have hundreds of fields. A tiny fraction of these fields have any kind of documentation and so all you have to go on is the metadata and the name of the db managers who put it together. Actually tracking down the data you need requires getting really into the weeds and following up with multiple people to try to track down who actually knows where to find the data you're looking for. That's just nowhere near enough data for an AI to get a hold of the data it needs.
It is a field where people usually believe in other people rather than AI.
The ETL process is also a complicated, one which most AI is not nor ever may be able to handle, data needs to be cleaned and standardized before AI can take a crack at it, the "AI" and yes I have to put that in quotes does not understand the context of anything, it is a prediction model using gradient boosters that performs quite well under controlled circumstances, thrown into any critical thought role it starts to lose pace. Furthermore nobody who works in the AI space authoring models ands understands the inner workings of "AI" treats this as anything more than a highly sophisticated toy...maybe in another 10 years we can come back to this question and see if we should start to worry.
I spend half of my time maintaining, tweaking, and fixing automation jobs - these include dashboards, data sets, and database tables.
It requires a technical person who is also an expert in their business domain to translate business requirements into data or reports that others need.
Laat een reactie achter over dit beroep