Nhà phân tích Thông minh Kinh doanh
Dữ liệu về việc làm không có sẵn cụ thể cho nghề nghiệp này từ Cục Thống kê Lao động, vì vậy chúng tôi đang sử dụng dữ liệu từ Data Scientists.
Người khác cũng đã xem
Rủi ro tự động hóa đã được tính toán
Rủi ro cao (61-80%): Các công việc trong hạng mục này đối mặt với mối đe dọa đáng kể từ việc tự động hóa, vì nhiều công việc của họ có thể dễ dàng được tự động hóa bằng công nghệ hiện tại hoặc gần tương lai.
Thêm thông tin về điểm số này, và cách tính nó có sẵn ở đây.
Cuộc thăm dò ý kiến của người dùng
Khách thăm trang web của chúng tôi đã bình chọn rằng có khả năng công việc này sẽ được tự động hóa. Sự đánh giá này được hỗ trợ thêm bởi mức độ rủi ro tự động hóa đã được tính toán, ước lượng có 74% cơ hội cho việc tự động hóa.
Bạn nghĩ rủi ro của việc tự động hóa là gì?
Khả năng nào mà Nhà phân tích Thông minh Kinh doanh sẽ bị thay thế bởi robot hoặc trí tuệ nhân tạo trong 20 năm tới?
Tình cảm
Biểu đồ sau đây được bao gồm ở bất cứ nơi nào có một lượng lớn phiếu bầu để tạo ra dữ liệu có ý nghĩa. Những biểu đồ trực quan này hiển thị kết quả thăm dò ý kiến của người dùng theo thời gian, cung cấp một chỉ báo quan trọng về xu hướng cảm xúc.
Cảm xúc theo thời gian (hàng năm)
Sự phát triển
Số lượng vị trí làm việc 'Data Scientists' dự kiến sẽ tăng 36,0% vào năm 2033
Dự báo cập nhật sẽ được công bố vào 09-2024.
Lương
Tại 2023, mức lương hàng năm trung bình cho 'Data Scientists' là 108.020 $, hoặc 51 $ mỗi giờ
'Data Scientists' đã được trả mức lương cao hơn 124,8% so với mức lương trung bình toàn quốc, đứng ở mức 48.060 $
Dung tích
Tính đến 2023, có 192.710 người được tuyển dụng làm 'Data Scientists' tại Hoa Kỳ.
Điều này đại diện cho khoảng 0,13% lực lượng lao động có việc làm trên toàn quốc
Nói cách khác, khoảng 1 trong 787 người được tuyển dụng làm 'Data Scientists'.
Mô tả công việc
Sản xuất thông tin tài chính và thị trường bằng cách truy vấn các kho dữ liệu và tạo báo cáo định kỳ. Đề xuất phương pháp để xác định các mô hình và xu hướng dữ liệu trong các nguồn thông tin có sẵn.
SOC Code: 15-2051.01
Tài nguyên
Nếu bạn đang suy nghĩ về việc bắt đầu một sự nghiệp mới, hoặc tìm kiếm công việc thay đổi, chúng tôi đã tạo ra một công cụ tìm kiếm việc làm tiện lợi có thể giúp bạn giành được vị trí mới hoàn hảo.
Bình luận
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.
Để lại phản hồi về nghề nghiệp này