Data Scientists
Computer and Mathematical Occupations- Code O*NET-SOC
- 15-2051.00
Develop and implement a set of techniques or analytics applications to transform raw data into meaningful information using data-oriented programming languages and visualization software. Apply data mining, data modeling, natural language processing, and machine learning to extract and analyze information from large structured and unstructured datasets. Visualize, interpret, and report data findings. May create dynamic data reports.
- Source des données: BLSPublié: 2026-08
Très élevée· relative
FaibleQuatre bandes relativesTrès élevéeValeur par groupe professionnel
Échelle, base et source
Quatre bandes relatives (Faible / Modérée / Élevée / Très élevée)
831 métiers détaillés du tableau des projections d'emploi du BLS. La valeur est attribuée par code de la National Employment Matrix (NEM), si bien que les métiers partageant un code NEM reçoivent la même bande
- Source des données: AnthropicPublié: 2026-03
0,461
0,000Étendue des valeurs présentées ici0,745Valeur par groupe professionnel
Échelle, base et source
Indice d'exposition observée, 0–1 tel que publié
Rapporté aux tâches O*NET
Publié par profession SOC 2018 ; chaque profession O*NET ayant le même code SOC 2018 reçoit cette valeur
- Source des données: ILOPublié: 2025
0,57
0,09Étendue des valeurs présentées ici0,70Valeur par groupe professionnel
Échelle, base et source
Indice d'exposition à l'IA générative, 0–1 tel que publié
Publié par groupe de base ISCO-08. Relié à ce métier, en tout ou en partie, en appliquant tels que publiés les tableaux de correspondance du U.S. Bureau of Labor Statistics (ISCO-08 vers SOC 2010, SOC 2010 vers SOC 2018)
Quelle est la nature de la valeur publiée par cette source
La catégorie BLS est un rang relatif et non un niveau absolu, et ce n'est pas une mesure de première main : elle regroupe en quatre bandes les rangs centiles du métier dans plusieurs études publiées. Ce n'est ni une prévision d'emploi ou de salaire, ni une probabilité d'adoption, et elle ne distingue pas automatisation et augmentation.
Task-level exposure
Afficher 7 tâches masquées16 tâches évaluées · 16 tâches avec β ≥ 0,5 (100,0%)
β = exposition directe (E1) + 0,5 × exposition lorsque des outils sont disponibles (E2), selon la définition du dépôt source.
- Unité source : tâches O*NET 27.2 → code de métier O*NET 31.0
- Toutes les tâches notées figurent dans la liste des tâches O*NET 31.0.
- Source
- OpenAI "GPTs are GPTs" exposure rubric
- Version
- gh-main-0471612
- Licence
- MIT License, Copyright (c) 2024 OpenAI
| Task (O*NET 30.2) | Claude.aiRaw / share % | APIRaw / share % |
|---|---|---|
Create graphs, charts, or other visualizations to convey the results of data analysis using specialized software.15-2051.00 | 0.360058.1 | 0.060016.2 |
Write new functions or applications in programming languages to conduct analyses.15-2051.00 | 0.120019.4 | 0.100027.0 |
Propose solutions in engineering, the sciences, and other fields using mathematical theories and techniques.15-2051.00 | 0.04006.5 | 0.00000.0 |
Analyze, manipulate, or process large sets of data using statistical software.15-2051.00 | 0.03004.8 | 0.120032.4 |
Identify solutions to business problems, such as budgeting, staffing, and marketing decisions, using the results of data analysis.15-2051.00 | 0.02003.2 | 0.060016.2 |
Clean and manipulate raw data using statistical software.15-2051.00 | 0.02003.2 | —0 |
Identify relationships and trends or any factors that could affect the results of research.15-2051.00 | 0.01001.6 | 0.02005.4 |
Test, validate, and reformulate models to ensure accurate prediction of outcomes of interest.15-2051.00 | 0.01001.6 | 0.01002.7 |
Recommend data-driven solutions to key stakeholders.15-2051.00 | 0.01001.6 | 0.00000.0 |
Values in this tab are predicted labels, not observations. Eloundou et al. (2023) published two rating regimes — human raters and GPT-4 — and the β shown here is derived from the GPT-4 rater basis alone; the same task can take a different value under the other regime. The unit and the meaning differ from the observed shares (%) in the other tabs, so do not place them on the same axis.
| Task (O*NET 27.2) | βE1 + 0.5 × E2 |
|---|---|
Apply feature selection algorithms to models predicting outcomes of interest, such as sales, attrition, and healthcare use.O*NET Task ID 21824 | 1.0 |
Apply sampling techniques to determine groups to be surveyed or use complete enumeration methods.O*NET Task ID 21825 | 1.0 |
Clean and manipulate raw data using statistical software.O*NET Task ID 21826 | 1.0 |
Compare models using statistical performance metrics, such as loss functions or proportion of explained variance.O*NET Task ID 21827 | 1.0 |
Design surveys, opinion polls, or other instruments to collect data.O*NET Task ID 21830 | 1.0 |
Propose solutions in engineering, the sciences, and other fields using mathematical theories and techniques.O*NET Task ID 21834 | 1.0 |
Test, validate, and reformulate models to ensure accurate prediction of outcomes of interest.O*NET Task ID 21837 | 1.0 |
Write new functions or applications in programming languages to conduct analyses.O*NET Task ID 21838 | 1.0 |
Analyze, manipulate, or process large sets of data using statistical software.O*NET Task ID 21823 | 0.5 |
Create graphs, charts, or other visualizations to convey the results of data analysis using specialized software.O*NET Task ID 21828 | 0.5 |
Deliver oral or written presentations of the results of mathematical modeling and data analysis to management or other end users.O*NET Task ID 21829 | 0.5 |
Identify business problems or management objectives that can be addressed through data analysis.O*NET Task ID 21831 | 0.5 |
Identify relationships and trends or any factors that could affect the results of research.O*NET Task ID 21832 | 0.5 |
Identify solutions to business problems, such as budgeting, staffing, and marketing decisions, using the results of data analysis.O*NET Task ID 21833 | 0.5 |
Read scientific articles, conference papers, or other sources of research to identify emerging analytic trends and technologies.O*NET Task ID 21835 | 0.5 |
Recommend data-driven solutions to key stakeholders.O*NET Task ID 21836 | 0.5 |
β = E1 + 0.5 × E2 · E1 = tasks where direct LLM access alone cuts time by at least 50%, E2 = tasks where software built on top of an LLM cuts time by at least 50%. Values take only 0 / 0.5 / 1.0.
Data sources & licenses — O*NET®, Anthropic Economic Index, Eloundou et al. (2023): see full notices on the Credits page
Toutes les tâches O*NET 31.0 (16)
Toutes les tâches O*NET 31.0 de ce métier (en anglais, telles que publiées ; type de tâche principale ou complémentaire). Les valeurs d'exposition ne figurent pas dans cette liste ; elles sont dans le tableau ci-dessus, à côté de chaque tâche dans la formulation de la version O*NET utilisée par chaque source.
| Tâche (O*NET 31.0) | Type |
|---|---|
| Analyze, manipulate, or process large sets of data using statistical software. | Principale |
| Apply feature selection algorithms to models predicting outcomes of interest, such as sales, attrition, and healthcare use. | Principale |
| Apply sampling techniques to determine groups to be surveyed or use complete enumeration methods. | Principale |
| Clean and manipulate raw data using statistical software. | Principale |
| Compare models using statistical performance metrics, such as loss functions or proportion of explained variance. | Principale |
| Create graphs, charts, or other visualizations to convey the results of data analysis using specialized software. | Principale |
| Deliver oral or written presentations of the results of mathematical modeling and data analysis to management or other end users. | Principale |
| Identify business problems or management objectives that can be addressed through data analysis. | Principale |
| Identify relationships and trends or any factors that could affect the results of research. | Principale |
| Identify solutions to business problems, such as budgeting, staffing, and marketing decisions, using the results of data analysis. | Principale |
| Propose solutions in engineering, the sciences, and other fields using mathematical theories and techniques. | Principale |
| Read scientific articles, conference papers, or other sources of research to identify emerging analytic trends and technologies. | Principale |
| Recommend data-driven solutions to key stakeholders. | Principale |
| Test, validate, and reformulate models to ensure accurate prediction of outcomes of interest. | Principale |
| Write new functions or applications in programming languages to conduct analyses. | Principale |
| Design surveys, opinion polls, or other instruments to collect data. | Complémentaire |
0,00/ 3· Indice d'exposition aux robots
Échelle, base et source
Chaque tâche physique reçoit une note de 0 à 3 selon l'environnement dans lequel des robots déjà déployés, vendus ou présentés en démonstration pourraient l'accomplir (0 aucun · 1 environnements conçus pour les robots, comme une cellule robotisée grillagée ou une ligne d'embouteillage · 2 installations structurées, comme une pharmacie hospitalière ou un port à conteneurs · 3 environnements non structurés, comme un domicile privé ou un chantier de construction), puis les notes sont moyennées selon la part du temps de travail
Tâches physiques parmi les tâches O*NET 29.3 de ce métier
Anthropic a estimé les notes et les parts de temps avec Claude Opus 5 à l'aide de la recherche web (situation en 2026).
L'indice d'exposition aux robots est une mesure différente des chiffres d'exposition à l'IA de ce site : il ne peut ni s'y ajouter ni leur être comparé. Il ne mesure ni l'adoption réelle ni le coût, et 0 couvre aussi les métiers sans tâche physique.
Note de chaque tâche physique
Aucune des tâches O*NET 29.3 de ce métier n'est classée comme tâche physique.
Informations professionnelles
Perspectives d’emploi (BLS)
Valeurs de l’ensemble du groupe SOC 15-2051 (Data scientists), et non de ce seul métier O*NET.
- Emploi, 2025
- 276K
- Emploi projeté, 2035
- 371K
- Variation (2025–35)
- +34,6%
- Salaire annuel médian, 2025
- $120 230
- Niveau d’études habituel à l’entrée
- Bachelor's degree
Liens avec la classification coréenne (KSCO)
Liens de la version en vigueur de Korea Occupation Direct Crosswalk v1.1, établi par AI Changing Work. Les valeurs de relation se lisent du côté du métier O*NET-SOC.
| Code KSCO | Intitulé KSCO | Relation | Statut |
|---|---|---|---|
| 22420 | 데이터 분석가 | Même périmètre | confirmé |
Définitions des relations et des statuts(kr-direct v1.1)
Description professionnelle de l’OIT
AI Changing Work relie à cette profession les groupes de base ISCO-08 ci-dessous en appliquant, telles que publiées, les tables de correspondance du Bureau of Labor Statistics des États-Unis (BLS) (SOC 2018 vers SOC 2010, SOC 2010 vers ISCO-08), sans sélection au cas par cas ; chaque lien peut être total ou partiel.
- ISCO-08 3314Statistical, Mathematical and Related Associate Professionals
Professions intermédiaires de la statistique , des mathématiques et assimilées
La définition, les tâches et les exemples ci-dessous sont la description que l'OIT donne de ce groupe de base, et non de cette profession.
Statistical, mathematical and related associate professionals assist in planning the collection, processing and presentation of statistical, mathematical or actuarial data and in carrying out these operations, usually working under the guidance of statisticians, mathematicians and actuaries.
Tâches
- (a) assisting in planning and performing statistical, mathematical, actuarial and related calculations;
- (b) preparing detailed estimates of quantities and costs of materials and labour required for statistical census and survey operations;
- (c) performing technical tasks connected with establishing, maintaining and using registers and sampling frames for census and survey operations;
- (d) performing technical tasks connected with data collection and quality control operations in censuses and surveys;
- (e) using standard computer software packages to perform mathematical, actuarial, statistical, accounting and related calculations;
- (f) preparing statistical, mathematical, actuarial, accounting and other results for presentation in graphical or tabular form;
- (g) applying knowledge of statistical, mathematical, actuarial, accounting and related principles and practices in order to identify and solve problems arising in the course of their work;
- (h) supervising the work of statistical clerks.
Exemples de métiers
Actuarial assistant · Mathematical assistant · Statistical assistant
Sources: ILO ISCO-08 — details: Credits
Vocabulaire professionnel ESCO
Chaque entrée ci-dessous est mise en correspondance avec cette profession dans le ESCO-O*NET Crosswalk publié (version 1, 2022). Les types de correspondance sont ceux de cette table ; la formulation est celle d'AI Changing Work.
- scientifique des donnéesESCO 2511.3Même périmètre
Les spécialistes des données trouvent et interprètent des sources de données riches, gèrent de grandes quantités de données, fusionnent des sources de données, assurent la cohérence des séries de données et créent des visualisations pour aider à comprendre les données. Ils établissent des modèles mathématiques à l’aide de données, présentent et communiquent des informations et des connaissances en matière de données aux spécialistes et aux scientifiques de leur équipe et, le cas échéant, à un public non spécialisé, et recommandent des moyens d’appliquer les données.
- concepteur de systèmes intelligents/conceptrice de systèmes intelligentsESCO 2511.10Cette profession est plus large
Les concepteurs de systèmes intelligents dans le domaine des TIC appliquent des méthodes d’intelligence artificielle dans le domaine de l’ingénierie, de la robotique et de l’informatique pour concevoir des programmes qui simulent des renseignements, notamment des modèles de pensée, des systèmes cognitifs et fondés sur la connaissance, la résolution de problèmes et la prise de décision. Ils intègrent également des connaissances structurées dans des systèmes informatiques (ontologies, bases de connaissances) afin de résoudre des problèmes complexes nécessitant normalement un niveau élevé d’expertise humaine ou de méthodes d’intelligence artificielle.
- analyste de donnéesESCO 2511.2Chevauchement, pas identique
Les analystes de données à l’importation, à l’inspection, à la purification, à la transformation, à la validation, au modèle ou à l’interprétation des collectes de données au regard des objectifs commerciaux de l’entreprise. Ils veillent à ce que les sources de données et les répertoires fournissent des données cohérentes et fiables. Les analystes utilisent différents algorithmes et outils informatiques comme l’exige la situation et les données actuelles. Ils pourraient élaborer des rapports sous la forme de visualisations telles que graphiques, diagrammes et tableaux de bord.
- ingénieur de la connaissance/ingénieure de la connaissanceESCO 2529.8Chevauchement, pas identique
Les ingénieurs de la connaissance intègrent des connaissances structurées dans les systèmes informatiques (bases de connaissances) afin de résoudre des problèmes complexes nécessitant normalement un niveau élevé d’expertise humaine ou de méthodes d’intelligence artificielle. Ils sont également responsables de recueillir ou d’extraire des connaissances provenant de sources d’information, en tenant compte de ces connaissances et en les mettant à la disposition de l’organisation ou des utilisateurs. Pour ce faire, ils sont conscients des techniques de représentation et de maintenance des connaissances (règles, cadres, filets sémantiques, ontologies) et utilisent des techniques et outils d’extraction de connaissances. Ils peuvent concevoir et construire des experts ou des systèmes d’intelligence artificielle qui utilisent ces connaissances.
- statisticien/statisticienneESCO 2120.6Chevauchement, pas identique
Les statisticiens/statisticiennes collectent, présentent sous forme de tableau et, surtout, analysent des informations quantitatives provenant d’un vaste éventail de domaines. Ils/elles interprètent et analysent des études statistiques sur des domaines tels que la santé, la démographie, la finance, les affaires, etc., et fournissent des conseils sur la base de modèles et des analyses réalisées.
Source: European Commission, DG EMPL — ESCO API 2026-08-08 (bridge v1.2.1)
Licence: CC BY 4.0 (EU Reuse Notice)
ESCO reuse terms and the modification notice are in Credits.
Liens avec la classification française (ROME)
Liens établis par AI Changing Work, à l’aide de modèles d’IA, entre ce métier et des fiches ROME 4.0. Les relations se lisent du point de vue de ce métier. Les liens marqués « provisoire » ont été retenus sur la seule base des jugements de deux évaluateurs de la même famille de modèles (Claude), ou par une règle de l'exploitant appliquée à ces jugements, et reposent donc sur des éléments plus faibles que les liens confirmés.
| Code ROME | Intitulé ROME (français) | Relation |
|---|---|---|
| M1405 | Data scientist | Même périmètreprovisoire |
| G1211 | Analyste de la performance sportive | Lié, sans correspondance |
| M1423 | Chief Data Officer | Lié, sans correspondance |
| M1414 | Ingénieur statisticien / Ingénieure statisticienne | Lié, sans correspondanceprovisoire |
| M1419 | Data analyst | Lié, sans correspondanceprovisoire |
| M1811 | Data engineer | Lié, sans correspondanceprovisoire |
Source: France Travail — Répertoire Opérationnel des Métiers et des Emplois (ROME 4.0), version 61, last updated 15 June 2026 (https://www.data.gouv.fr/datasets/repertoire-operationnel-des-metiers-et-des-emplois-rome). Licence Ouverte 2.0.
ROME codes and titles are reproduced unchanged; the links to O*NET-SOC occupations are AI Changing Work's own judgment and are not a France Travail correspondence.
(AI Changing Work link release: fr-direct v1)
Liens avec la classification espagnole (CNO-11)
Liens établis par AI Changing Work, à l’aide de modèles d’IA, entre ce métier et des professions CNO-11. Les relations se lisent du point de vue de ce métier.
| Code CNO-11 | Intitulé CNO-11 (espagnol) | Relation |
|---|---|---|
| 2416 | Estadísticos | Lié, sans correspondanceprovisoire |
| 2729 | Especialistas en bases de datos y en redes informáticas no clasificados bajo otros epígrafes | Lié, sans correspondanceprovisoire |
Source: Instituto Nacional de Estadística (INE), National Classification of Occupations 2011 (CNO-11, Royal Decree 1591/2010) — www.ine.es · Licensed CC BY 4.0. CNO-11 codes and Spanish titles are reproduced unchanged; the links to O*NET occupations are AI Changing Work's own judgment and are not an INE correspondence.
(AI Changing Work link release: es-direct v1)
Liens avec la classification allemande (KldB)
Liens établis par AI Changing Work, à l’aide de modèles d’IA, entre ce métier et des professions KldB. Les relations se lisent du point de vue de ce métier.
| Code KldB | Intitulé KldB (allemand) | Relation |
|---|---|---|
| 43104 | Berufe in der Informatik (ohne Spezialisierung) - hoch komplexe Tätigkeiten | Cette profession est plus étroite |
Source: © Statistik der Bundesagentur für Arbeit — Klassifikation der Berufe 2010 – überarbeitete Fassung 2020, https://statistik.arbeitsagentur.de. KldB codes and titles are reproduced unchanged; the links to O*NET occupations are AI Changing Work's own mapping (eigene Zuordnung) and are not a Bundesagentur für Arbeit correspondence.
(AI Changing Work link release: de-direct v1)
Liens avec la classification japonaise (JSCO)
Liens établis par AI Changing Work, à l’aide de modèles d’IA, entre ce métier et des professions JSCO. Les relations se lisent du point de vue de ce métier.
| Code JSCO | Intitulé JSCO (japonais) | Relation |
|---|---|---|
| 119 | その他の技術者 | Cette profession est plus étroite |
| 109 | その他の情報処理・通信技術者 | Lié, sans correspondance |
Source: Ministry of Internal Affairs and Communications (MIC), Japan Standard Occupational Classification (Dec. 2009, MIC Notification No. 555). JSCO codes and Japanese titles are reproduced unchanged; the links to O*NET occupations are AI Changing Work's own judgment and are not a MIC correspondence.
(AI Changing Work link release: jp-direct v1)
Évolutions récentes concernant ce métier
Les résumés et les mentions de relation sont d'AI Changing Work ; vérifiez les chiffres dans la source liée.
Directement lié BLS Occupational Outlook Handbook (updated Aug 2026): employment of data scientists is projected to grow 35% from 2025 to 2035, much faster than the average for all occupations, with about 24,800 openings a year.
[Source: U.S. Bureau of Labor Statistics]
Sources des données et licences de cette page, et avis de modification et de traduction d'AI Changing Work : Crédits et sources