Moeten Business Intelligence-analisten leren coderen?

Elke dag genereren we een onvoorstelbare hoeveelheid data. Volgens Statista bereikte de totale hoeveelheid wereldwijd geproduceerde data in 2020 64,2 zettabyte (één zettabyte = één miljard terabyte), en in de komende vijf jaar zal dit naar verwachting groeien tot meer dan 180 zettabyte. 

Met deze explosie aan datavolumes spelen data science en business intelligence een sleutelrol bij het helpen van organisaties om deze data te begrijpen. 

Terwijl de toolbox van de data scientist vooral draait om codegebaseerde tools zoals Python, R, commandoregeltools en meer, maken business intelligence-analisten gebruik van geavanceerde GUI-tools zoals Tableau of Power BI. 

In deze context spelen business intelligence-analisten een belangrijke rol bij het aansturen van de inzichtlaag van elke organisatie. Daarom is de vraag naar business intelligence-rollen groeiende. In de Verenigde Staten is het gemiddelde jaarsalaris voor een business intelligence-analist bijvoorbeeld $84.019 per jaar. 

Nu low-code tools geavanceerder worden en business intelligence-functies steeds meer waarde leveren, hoe belangrijk is programmeerkennis voor BI-analisten om in hun loopbaan te groeien? In dit artikel beantwoorden we precies die vraag. 

Het is lastig om een kort antwoord te geven zonder een overzicht te bieden van de evolutie van de moderne analistenrol, de soorten taken waarvoor je moet kunnen coderen, en de waarde van leren programmeren. Laten we beginnen!

De geschiedenis van Business Intelligence

De term “business intelligence” werd voor het eerst gebruikt in 1865 door auteur Richard Millar Devens in de Cyclopaedia of Commercial and Business Anecdotes om te beschrijven hoe een financier zijn concurrenten te slim af was door informatie te verzamelen en daarop te handelen. 

De basis voor moderne business intelligence kwam echter pas met de uitvinding van de harde schijf, ontwikkeld door IBM in 1956. Hiermee konden gebruikers 5 MB aan data opslaan, wat destijds een enorme hoeveelheid was. 

Twee jaar later publiceerde IBM-onderzoeker Hans Peter Luhn het artikel A Business Intelligence System, waarin hij de principes van Business Intelligence introduceerde door te wijzen op de uitdagingen waarmee bedrijven te maken hebben bij het omgaan met en gebruiken van grote hoeveelheden data om betere beslissingen te nemen. Om deze redenen wordt Hans beschouwd als de vader van business intelligence.

Tussen de jaren zestig en zeventig werden de eerste datamanagementsystemen en beslissingsondersteunende systemen ontwikkeld, wat in de jaren tachtig zou leiden tot de creatie van het datawarehouse, dat tot op de dag van vandaag wordt gebruikt. 

Datawarehouses zijn systemen die data uit verschillende bronnen verzamelen en organiseren in één centrale opslagplaats, waardoor effectievere en diepgaandere analyses mogelijk zijn. In de late jaren negentig werden de voorlopers van moderne BI-systemen werkelijkheid dankzij technologische innovaties, de opkomst van pc’s en de geboorte van het internet. 

De opkomst van de moderne BI-analist

In de afgelopen twee decennia is de rol van de business intelligence-analist enorm geëvolueerd. De opkomst van big data en steeds groeiende datavolumes leidde tot een grotere vraag naar geavanceerde BI-platforms en -tools om analisten te helpen de data van hun bedrijf te doorgronden. 

In de late jaren 90 en vroege jaren 2000 gebruikten analisten tools zoals Excel, SQL of rudimentaire BI-tools om de data van hun organisatie te analyseren en te visualiseren. Met de komst van tools als Power BI, Tableau en Qlik wordt van moderne analisten echter verwacht dat ze verschillende tools beheersen in hun dagelijkse werkzaamheden. 

Buiten technische expertise in specifieke tools wordt van moderne analisten verwacht dat ze breed georiënteerde experts zijn. Dit betekent dat sterke projectmanagementvaardigheden, domeinkennis, storytelling en communicatievaardigheden tegenwoordig een basisvereiste zijn voor de moderne analist.  

Met dat in gedachten is het tijd om terug te keren naar de hoofdvraag van het begin: moeten Business Intelligence-analisten leren coderen? Het antwoord is ja! 

Hoewel veel Business Intelligence-functies mogelijk geen programmeervaardigheden vereisen, kunnen programmeervaardigheden analisten in staat stellen om de waarde die ze organisaties bieden te versnellen en zich te onderscheiden op de arbeidsmarkt. Hieronder vind je vijf belangrijke redenen waarom Business Intelligence-analisten zouden moeten leren programmeren. 

De waarde van leren programmeren voor een Business Intelligence-analist

1. Betere probleemoplossende vaardigheden

Of het nu gaat om het begrijpen van de impact van een A/B-test op kernmetrics, het bouwen van dashboards voor stakeholders of het geven van aanbevelingen op basis van datainsights: Business Intelligence-analisten lossen dagelijks problemen op. Leren programmeren kan deze vaardigheden versnellen, omdat programmeren een nieuwe lens biedt om naar technische problemen te kijken. 

De link tussen programmeren en verbeterde probleemoplossende vaardigheden is uitgebreid onderzocht, omdat het beoefenaars traint om na te denken over een breed spectrum aan oplossingen voor potentiële problemen. 

2. Beter samenwerken met andere datateamleden

Business Intelligence-analisten maken vaak deel uit van bredere analytics- of datateams. Dit betekent dat ze samenwerken met code-first professionals zoals data engineers, data scientists en data-analisten. Een belangrijk voordeel van leren programmeren voor business intelligence-analisten is meer empathie en betere samenwerking met andere teamleden. 

Leren programmeren helpt BI-analisten om gerichtere verzoeken te formuleren aan andere teamleden, ad-hocoplossingen te creëren die programmeervaardigheden vereisen wanneer de tijd van anderen beperkt is, en de workflows van hun collega’s beter te begrijpen. Betere teamcohesie leidt alleen maar tot betere resultaten voor de bredere organisatie. 

3. Complexere datavisualisaties en workflows bouwen

Beheersing van BI-tools zoals Tableau en Power BI is een basisvereiste voor moderne businessanalisten. Maar leren programmeren kan de workflow van een Business Intelligence-analist op verschillende manieren versnellen. 

Ten eerste bieden Tableau en Power BI integraties met R en Python. Dit stelt analisten in staat hun workflows te automatiseren met scripts in hun favoriete BI-tool. Een goed voorbeeld hiervan is het draaien van Python in Power BI om een stap in datamanipulatie op een veelgebruikte dataset te automatiseren. 

Bovendien kunnen programmeertalen zoals R en Python je in staat stellen complexere data-analyses en visualisaties te bouwen die niet mogelijk zijn in BI-tools. Met pakketten zoals R’s ggplot2 en Python’s Matplotlib kunnen beoefenaars bijvoorbeeld extreem aangepaste visualisaties en rapporten ontwerpen. 

4. Onderdeel worden van de open-sourcegemeenschap

Een uniek aspect van programmeertalen is dat bijna alle tools die de beste beoefenaars en onderzoekers gebruiken open source zijn. Dit betekent dat iedereen op elk moment de krachtigste en meest geavanceerde tools gratis kan downloaden, zonder drempels. 

Daarnaast betekent dit ook dat beoefenaars direct in contact kunnen treden met de makers van deze tools en verbeteringen aan de broncode kunnen voorstellen. Deel uitmaken van een open-sourcegemeenschap kan analisten helpen hun carrière, kennis en reputatie te verrijken. Dit leidt op termijn tot betere carrièremogelijkheden en rijkere connecties binnen de datawereld. 

5. Kansen voor loopbaangroei

Een groot voordeel van leren programmeren is de mogelijkheid om je carrièremogelijkheden uit te breiden en zelfs over te stappen naar andere paden. Business intelligence is een groot domein met veel verschillende loopbaanrichtingen, zoals data-analist, productanalist, BI-ontwikkelaar en business intelligence-architect. Programmeerbanen zijn erg in trek, bieden goede salarissen en veel voldoening, blijkt uit statistieken van Glassdoor. 

Voorbeelden van zulke rollen zijn data-analistposities, die nauw verwant zijn aan de BI-rol maar een hogere mate van programmeer- en statistische kennis vereisen. Het mediaansalaris van data-analisten in de Verenigde Staten is ongeveer $94.687 per jaar en kan oplopen tot $391K. 

Bovendien zien we voortdurend een grote vraag naar data engineers en data scientists. Data engineers spelen een relevante rol bij het consolideren van grote hoeveelheden data, die vervolgens door data scientists worden benut om inzichten te extraheren en machinelearningmodellen te bouwen. De mediaansalarissen voor data engineers en data scientists zijn respectievelijk $112.493 per jaar en $117.212 per jaar.

De toekomst van de analistenrol

Naarmate business intelligence zich blijft ontwikkelen, zal de moderne BI-analist mee moeten evolueren. Programmeervaardigheden verwerven kan zorgen voor betere probleemoplossing, betere samenwerking met teamleden, efficiënte en complexe workflows, groeikansen in je carrière en meer. 

Als dit artikel je heeft geïnspireerd om te beginnen met programmeren, bekijk dan zeker de onderstaande bronnen.