Een data-analist zet gegevens die een bedrijf al heeft om in antwoorden waarop het kan handelen: rapportages en dashboards bouwen, controleren of een getal echt is of een meetfout, en uitleggen wat er veranderd is en waarom. Zij werken vooral met SQL, spreadsheets en een BI-tool, en hun eindproduct is een beslissing, geen datapijplijn.
Een data-analist zet gegevens die een bedrijf al bezit om in antwoorden waarop het kan handelen. In de praktijk betekent dat: rapportages en dashboards bouwen die mensen daadwerkelijk lezen, controleren of een getal echt is of een gevolg van hoe er geteld werd, en uitleggen wat er veranderde en waarom — doorgaans met SQL, een spreadsheet en een BI-tool.
Het eindproduct van het vak is een beslissing, geen dataset. Een analist die een prachtig dashboard oplevert dat niemand gebruikt heeft het werk niet gedaan; wie u vertelt dat de marge daalde door het retourpercentage van één klant wel.
Vier terugkerende bezigheden. Ophalen van gegevens uit de systemen die ze bevatten, meestal met SQL. Opschonen, wat veel langer duurt dan iemand begroot en waar de meeste fouten worden gevonden. Analyseren — perioden vergelijken, segmenteren, toetsen of een verschil betekenis heeft of ruis is. En overbrengen: een grafiek, een korte geschreven conclusie, een aanbeveling waar deze week iets mee kan. Dat laatste onderscheidt een goede analist van een rapportgenerator.
Een analist beantwoordt vragen met gegevens die er zijn. Een data-engineer bouwt het leidingwerk dat die gegevens betrouwbaar laat aankomen. Een data scientist bouwt modellen die voorspellen of classificeren in plaats van beschrijven. In een bedrijf onder de vijftig medewerkers is dit meestal dezelfde persoon met drie petten, en de eerlijke volgorde is analist eerst — het heeft geen zin volgend kwartaal te voorspellen als niemand het getal van vorig kwartaal vertrouwt.
Wanneer beslissingen worden uitgesteld of betwist omdat niemand het eens is over het getal, en wanneer degene die nu rapporteert dat 's avonds doet bovenop een andere functie. Daaronder lost een goed gebouwd dashboard met een heldere definitie per meetwaarde het meestal op. Daarboven verschijnen de kosten van het níet hebben als beslissingen die worden genomen op de luidste mening in de kamer.
Om te beginnen meestal niet. Een analist kan voor een eerste set vragen rechtstreeks tegen uw operationele systemen werken, en juist dat maakt zichtbaar welke dataproblemen het oplossen waard zijn. Een warehouse verdient zijn kosten wanneer meerdere systemen routinematig gecombineerd moeten worden en het handmatig samenvoegen het knelpunt wordt — de grens uit heeft u een datawarehouse nodig.
Minder dan vacatureteksten suggereren. De kern is stabiel en al jaren dezelfde.
Het vervangt delen van de taak en niets van de verantwoordelijkheid. Modellen zijn inmiddels goed in queries schrijven en verklaringen opstellen.
Hangt ervan af of de vragen terugkeren of eenmalig zijn.
Wilt u dit toepassen in uw bedrijf? Bekijk hoe wij het naar productie brengen:
Wij bouwen deze AI in productie — met vaste prijzen en een vaste expert. Begin met een gratis consult.
Gratis consult boeken →