Profesionalni profil

Znanstvenik/znanstvenica za podatke

Brz pregled

Znanstvenici za podatke prikupljaju i tumače bogate izvore podataka, upravljaju velikim količinama podataka, spajaju izvore podataka, osiguravaju dosljednost skupova podataka i stvaraju vizualizacije za pomoć pri razumijevanju podataka. Izrađuju matematičke modele pomoću podataka, predstavljaju i priopćuju svoja saznanja i nalaze na temelju podataka stručnjacima i znanstvenicima u svojem timu i prema potrebi nestručnoj publici te preporučuju načine za primjenu tih podataka.

Tržište rada
Manjak u zemlji Austrija i još 8 zemalja
ELA/EURES 2025
Industrija
Digitalna tehnologija
Obrazovanje
Preddiplomski sveučilišni studij
34%
Otpornost Rezultat · 2026 (Što više, to bolje)
Preddiplomski sveučilišni studij 58% AI izloženost · 2026
Tržište rada

Gdje se traži ovo zanimanje

Prijavljeni manjak i višak radne snage, po godinama. Objavljuje se za skupine zanimanja, ne za pojedinačne nazive radnih mjesta.

Brojke obuhvaćaju Stručnjaci/stručnjakinje za informacijsku i komunikacijsku tehnologiju — 75 zanimanja, uključujući ovo.

10 od 14 s manjkom2025Svih 30 raste3.7Mradna mjesta do 2035.

Manjak: Austrija, Belgija, Bugarska, Cipar i još 6.

Najdulji manjak: Austrija, 3 godine.

Odaberite područje na karti kako biste vidjeli njegove podatke.

O ovom izvoru›

Izvor: ELA/EURES, manjak i višak radne snage. Podaci se objavljuju na razini skupine zanimanja i obuhvaćaju Europu. Izdanja se razlikuju po ustroju priloga i po obuhvaćenim zemljama, pa razlika među godinama ne znači uvijek da se tržište rada promijenilo. Zemlje u sivoj nisu prijavljene, što nije isto što i uravnoteženost.

Što ove riječi znače

Četiri stvari koje ovaj odjeljak prikazuje

Prijavljena potražnja
Prijavljena potražnja pokazuje navode li poslodavci da im trebaju ljudi za ovo zanimanje — riječ je o procjeni koju objavljuje nacionalno tijelo ili tijelo EU-a, a ne o brojčanom podatku.
U kojem smjeru ide
U kojem smjeru ide pokazuje u kojem se smjeru očekuje da će se zaposlenost u ovom zanimanju kretati tijekom sljedećih godina, na temelju službene projekcije.
Slobodna mjesta
Slobodna mjesta pokazuju koliko se otprilike otvara radnih mjesta — zbog rasta i zbog ljudi koji napuštaju to zanimanje.
Uobičajena plaća
Uobičajena plaća pokazuje koliko ljudi u ovom zanimanju obično zarađuju ondje gdje izvor objavljuje taj podatak. Ako je podatak prazan, to ne znači da se posao ne plaća; znači da ga nitko ne objavljuje za to mjesto.

Mjera se izostavlja kada je nitko ne objavljuje za to mjesto, umjesto da se prikaže kao nula.

Na koju stranu tržište naginje

U vašu korist
Više slobodnih mjesta nego tražitelja — poslodavci se natječu za kandidate.
Uravnoteženo
Slobodna mjesta i tražitelji približno su izjednačeni.
Konkurentno
Više tražitelja nego slobodnih mjesta — očekujte konkurenciju.
Proturječni podaci
Izvori se ne slažu ili u istoj skupini zanimanja negdje nedostaje ljudi, a drugdje ih je višak.

Svaki izvor rezultat svrstava u jednu od ove četiri kategorije: U vašu korist, Uravnoteženo, Konkurentno ili Proturječni podaci, pa trebate naučiti samo jedan skup naziva. Razlikuju se dokazi koji stoje iza toga, a oni su navedeni ispod svake kategorije — izmjereni omjer slobodnih mjesta i tražitelja posla ili procjena koju objavljuje nacionalno tijelo.

Kako se ovo zanimanje uspoređuje s drugim zanimanjima u istoj zemlji

Snažna
Među najjačima u državi that country
Dobra
Jače od većine zanimanja u državi that country
Mješovita
Otprilike uobičajeno za državu that country
Slaba
Slabije od većine zanimanja u državi that country

Ovo je poredak unutar jedne zemlje, a ne ocjena koju možete uspoređivati preko granica — registri na kojima se podaci temelje u dvjema zemljama obuhvaćaju različite ljude, pa isti broj u svakoj zemlji znači nešto drugo. Zato se zanimanje može ubrajati među najjača u zemlji, a ipak biti označeno kao Konkurentno: predvodi područje na tržištu koje je u cjelini pretrpano.

Odakle dolaze ovi podaci

Svaki podatak objavljuje nacionalni statistički ured, javna služba za zapošljavanje ili tijelo EU-a, a na svakoj je kartici naveden izvor i razdoblje na koje se podatak odnosi. U nekim se mjestima podaci prikupljaju mjesečno, a u drugima se procjenjuju jednom ili dvaput godišnje, pa dva mjesta na istoj karti mogu opisivati različite trenutke — datum je uvijek naveden.

Ništa od ovoga ne predviđa izglede pojedinca. Opisuje tržište.

Prijavljena potražnja · Uobičajena plaća · U kojem smjeru ide (Hrvatska, Slovenija, Austrija, Njemačka, Italija, Irska)
Prijavljena potražnja · Uobičajena plaća · U kojem smjeru ide
Prijavljena potražnja Uobičajena plaća U kojem smjeru ide
Hrvatska Prijavljen manjak ELA/EURES 2022 * — +96,6% 2023–2035 · Cedefop 2026 *
Slovenija Prijavljen manjak ELA/EURES 2025 * — +60,9% 2023–2035 · Cedefop 2026 *
Austrija Prijavljen manjak ELA/EURES 2025 * — +48,8% 2023–2035 · Cedefop 2026 *
Njemačka Prijavljen manjak ELA/EURES 2024 * — +15,6% 2023–2035 · Cedefop 2026 *
Italija Nije prijavljeno — +40% 2023–2035 · Cedefop 2026 *
Irska Prijavljen manjak ELA/EURES 2025 * — +32,3% 2023–2035 · Cedefop 2026 *

* Objavljuje se za skupine zanimanja, ne za pojedinačne nazive radnih mjesta.

Pružate li karijerno savjetovanje učenicima, klijentima ili zaposlenicima? Upotrijebite ove podatke o zanimanju u svojoj organizaciji.

NexFuture™

Budućnost za znanstvenik/znanstvenica za podatke

The outlook for znanstvenik/znanstvenica za podatke reflects a balanced mix of automation exposure and durable, human-led work.

Kako se računaju ovi rezultati?

Indeks otpornosti (0–100) procjenjuje koliko je ovo zanimanje strukturalno zaštićeno od automatizacije i AI ometanja, temeljen na analizi na razini zadataka. Viši rezultati znače više zadataka koji zahtijevaju ljudsku prosudbu. AI izloženost prikazuje procijenjeni postotak radnih sati koje bi trenutačne AI mogućnosti mogle zahvatiti. Ovo su strukturalni pokazatelji izvedeni iz modela, ne predviđanja o individualnoj sigurnosti posla.

Igraj budućnost
Kako bi se znanstvenik/znanstvenica za podatke mogao promijeniti kako usvajanje umjetne inteligencije raste?

Nekoliko područja zadataka može se pomaknuti prema tijekovima rada potpomognutim umjetnom inteligencijom, tako da ponovna vještina postaje važnija.

Značajna transformacija na razini zadataka procjenjuje se za 11 godina (oko 2037) prema odabranom scenariju „Očekivano“.
~30%
Otpornost
Rizik automatizacije
EXP~60%
Ljudski rub
MOAT~35%

Ilustrativni scenarij na temelju automatizacije zadataka — nije prognoza. Vrijednosti se zaokružuju što gledate dalje unaprijed.

2026
2032
2042
Brzina usvajanja umjetne inteligencije:

Procjena na temelju modela. Koristite ga kao signal za planiranje, a ne jamstvo.

Kako AI može promijeniti ovu ulogu

Deterministička interpretacija trenutnih signala uloga na temelju modela — nije jamstvo zamjene.

34% U ljudskom vlasništvu

Što još ovisi o ljudima

  • Komunicirati na profesionalnoj razini u istraživačkom i poslovnom okruženju.
  • ocjenjivati istraživačke aktivnosti
  • upravljati pravima intelektualnog vlasništva
Ljudska prednost Da biste ostali ispred u ovoj ulozi, fokusirajte se na izvlačenje informacija i kategorizacija informacija. Ove vještine usmjerene na čovjeka najteže je AI replicirati u sljedećih 20 godina.
27% Asist

Gdje AI može postati kopilot

  • upravljati otvorenim publikacijama
  • pokazivati stručno znanje u svojem području
  • upravljati pristupačnim, interoperabilnim podacima koji se mogu pronaći i ponovno upotrijebiti
58% Automatizirati

Zadaci koji su najviše izloženi automatizaciji

  • rukovati uzorcima podataka
  • sakupiti IKT podatke
  • objedinjavati informacije
Detaljna analiza

Vitalni znakovi i AI vektori

Vektori izloženosti umjetnoj inteligenciji

0-100%
AI / strojno učenje 27%

Izloženost AI-podržanoj analizi, prepoznavanju uzoraka i zadacima prediktivnog modeliranja

Generativna AI 9%

Izloženost generiranju sadržaja, kreativnom povećanju i alatima velikih jezičnih modela

Kognitivni softver 1%

Izloženost automatizaciji toka rada, softveru za podršku odlučivanju i digitalizaciji procesa

Robotska i fizička automatizacija 0%

Izloženost fizičkoj automatizaciji, robotici i pomicanju zadataka vođenom senzorima

Tehnički detalji
Metodologija: NexFuture v3.0 Izvori: O*NET® 30.3, ESCO v1.2.1 Ažurirano: lis 2026.

NexFuture v3.0 procjenjuje izloženost automatizaciji izravno iz ESCO-ovih ključnih skupina vještina, ponderiranu masom vještina i kalibriranu prema stručnim sidrima. Rezultati su vjerojatnosne procjene, ne jamstva. Za potpune pojedinosti pogledajte NexFuture metodološku bijelu knjigu.

Mjeri izloženost automatizaciji. Ne mjeri plaću, potražnju ni koliko poslova postoji u vašoj blizini.

Dan u životu

Što ljudi u ovoj ulozi obično rade

Digitalna tehnologija

Dan u životu

Tipičan dan kao znanstvenik/znanstvenica za podatke

09
09:00 · jutro
graditi sustave za preporuke
Graditi sustave za preporuke na temelju velikih skupova podataka upotrebom programskih jezika ili računalnih alata kako bi se stvorio podrazred sustava filtriranja informacija kojim se želi predvidjeti ocjena ili sklonost koju korisnik daje stavci.
10
10:30 · Sredina jutra
razviti aplikacije za obradu podataka
Izraditi prilagođeni softver za obradu podataka odabirom i upotrebom odgovarajućeg jezika računalnog programiranja kako bi IKT sustav proizveo tražene proizvode koji se temelje na očekivanom unosu.
12
12:00 · podne
kreirati shemu baza podataka
Izraditi shemu baza podataka u skladu s pravilima sustava upravljanja relacijskim bazama podataka (RDBMS) u svrhu izrade logički organizirane skupine objekata, kao što su tablice, stupci i procesi.
14
14:00 · poslijepodne
normalizirati podatke
Reducirati podatke do njihova točnog osnovnog oblika (normalni oblici) kako bi se postigli rezultati kao što je smanjenje ovisnosti, uklanjanje višaka, povećanje dosljednosti.
15
15:30 · Kasno popodne
razvijati softver otvorenog koda
Koristiti i proizvoditi softvera otvorenog koda. Poznavati glavne modele otvorenog koda, sustave licenciranja i prakse kodiranja koje se obično primjenjuju u proizvodnji softvera otvorenog koda.
17
17:00 · Zaključak
upravljati pravima intelektualnog vlasništva
Baviti se privatnim pravima kojima se proizvodi intelektualnog vlasništva štite od nezakonite uporabe.

Redoslijed zadataka je ilustrativan. Pojedini dani variraju.

Vještine i znanja

Što vam je potrebno za ovaj posao

Vještine, znanja i alati koje ova uloga zahtijeva — te osobine i nagrade koje s njom dolaze.

Bitne vještine
provođenje akademskog istraživanja ili istraživanja tržišta
  • upravljati pristupačnim, interoperabilnim podacima koji se mogu pronaći i ponovno upotrijebiti

    Izrađivati, opisivati, pohranjivati, čuvati i (ponovno) upotrebljavati znanstvene podatke na temelju načela „FAIR” (pristupačni, interoperabilni podaci koji se mogu pronaći i ponovno upotrijebiti), čime se podaci čine što otvorenijima i zatvorenima prema potrebi.

  • provoditi znanstvena istraživanja

    Sudjelovati u osmišljavanju ili stvaranju novih znanja oblikovanjem istraživačkih pitanja, istraživanjem, poboljšanjem ili razvojem koncepata, teorija, modela, tehnika, instrumenata, softvera ili operativnih metoda te korištenjem znanstvenih metoda i tehnika.

  • primjenjivati načela istraživačke etike i znanstvenog integriteta u istraživačkim aktivnostima

    Primjenjivati temeljna etička načela i zakonodavstvo na znanstvena istraživanja, uključujući pitanja istraživačkog integriteta. Provoditi, preispitivati ili izvještavati o istraživanjima izbjegavajući kršenje tih načela izmišljanjem, krivotvorenjem i plagijatima.

  • promicati otvorene inovacije u istraživanju

    Poticati integriranu suradnju u okviru koje različiti dionici zajedno stvaraju inovacije kao zajedničku vrijednost.

  • uključivati rodnu dimenziju u istraživanje

    U cijelom istraživačkom procesu uzeti u obzir biološke karakteristike te društvene i kulturne značajke žena i muškaraca koje se mijenjaju (rod).

  • provoditi istraživanja u različitim disciplinama

    Provoditi istraživanja u različitim područjima i izvan uobičajenih granica djelovanja.

  • promicati sudjelovanje javnosti u istraživanju

    Surađivati s javnošću u oblikovanju, provedbi i diseminaciji istraživanja.

upravljanje digitalnim podacima te njihovo prikupljanje i pohranjivanje
  • normalizirati podatke

    Reducirati podatke do njihova točnog osnovnog oblika (normalni oblici) kako bi se postigli rezultati kao što je smanjenje ovisnosti, uklanjanje višaka, povećanje dosljednosti.

  • koristiti se tehnikama za obradu podataka

    Prikupljati, obrađivati i analizirati relevantne podatke i informacije, pravilno pohranjivati i ažurirati podatke te predstavljati podatke s pomoću grafikona i statističkih dijagrama.

  • utvrditi podatkovne procese

    Upotrebljavati IKT alate za primjenu matematičkih, algoritamskih ili drugih postupaka za manipulaciju podatcima kako bi se stvorile informacije.

  • upotrebljavati baze podataka

    Upotrebljavati softverske alate za upravljanje i organizaciju podataka u strukturiranom okruženju koje se sastoji od atributa, tablica i veza radi izvršavanja upita i izmjene pohranjenih podataka.

  • konsolidirati podatke

    Otkrivati i ispravljati oštećene zapise iz skupova podataka, osiguravati da podaci postanu i ostanu strukturirani u skladu sa smjernicama.

  • provesti procese vezane uz kvalitetu podataka

    Primjenjivati tehnika analize, potvrđivanja i provjere kvalitete podataka kako bi se provjerila cjelovitost kvalitete podataka.

pisanje stručnih ili akademskih tekstova
  • pisati znanstvene i stručne radove, izrađivati tehničku dokumentaciju

    Pisati i uređivati znanstvene, akademske ili tehničke tekstove o različitim temama.

  • dijeliti i širiti rezultate u znanstvenoj zajednici

    Objavljivati znanstvene rezultate javnosti svim prikladnim sredstvima, uključujući na konferencijama, radionicama, seminarima i u znanstvenim publikacijama.

  • objavljivati znanstvena istraživanja

    Provoditi znanstvena istraživanja u svojem području na visokoj školi, sveučilištu ili samostalno i objavljivati rezultate u knjigama ili znanstvenim i stručnim časopisima kako bi ostvarili znanstveni doprinos i postigli osobnu akademsku akreditaciju.

  • pisati znanstvene publikacije

    Prezentirati hipotezu, pronalaske i zaključke znanstvenog istraživanja u vašem stručnom području u profesionalnoj publikaciji.

programiranje računalnih sustava
  • razvijati softver otvorenog koda

    Koristiti i proizvoditi softvera otvorenog koda. Poznavati glavne modele otvorenog koda, sustave licenciranja i prakse kodiranja koje se obično primjenjuju u proizvodnji softvera otvorenog koda.

  • graditi sustave za preporuke

    Graditi sustave za preporuke na temelju velikih skupova podataka upotrebom programskih jezika ili računalnih alata kako bi se stvorio podrazred sustava filtriranja informacija kojim se želi predvidjeti ocjena ili sklonost koju korisnik daje stavci.

  • razviti aplikacije za obradu podataka

    Izraditi prilagođeni softver za obradu podataka odabirom i upotrebom odgovarajućeg jezika računalnog programiranja kako bi IKT sustav proizveo tražene proizvode koji se temelje na očekivanom unosu.

prikupljanje informacija iz fizičkih ili elektroničkih izvora
  • rukovati uzorcima podataka

    Prikupljati i izabrati skup podataka iz populacije putem statističkog ili drugog definiranog postupka.

  • sakupiti IKT podatke

    Prikupljati podatke izradom i primjenom metoda pretraživanja i uzorkovanja.

  • objedinjavati informacije

    Kritički čitati, tumačiti i sažimati nove i složene informacije iz različitih izvora.

upravljanje informacijama
  • upravljati istraživačkim podacima

    Proizvoditi i analizirati znanstvene podatke koji proizlaze iz kvalitativnih i kvantitativnih istraživačkih metoda. Pohranjivati i održavati podatke u istraživačkim bazama podataka. Podupirati ponovnu uporabu znanstvenih podataka i biti upoznat s načelima otvorenog pristupa podacima.

  • upravljati sustavima za prikupljanje podataka

    Razviti i upravljati metodama te strategijama koje se upotrebljavaju radi maksimiziranja kvalitete i statističke učinkovitosti podataka u prikupljanju podataka kako bi se osigurala optimizacija prikupljenih podataka za daljnju obradu.

iznošenje istraživačkih i stručnih informacija
  • vizualno prikazati podatke

    Stvarati vizualne prikaze podataka kao što su grafikoni ili dijagrami radi lakšeg razumijevanja.

  • komunicirati o znanstvenim rezultatima

    Razmjenjivati najnovije spoznaje i entuzijazam za znanost s javnošću, unapređivati poznavanje, uvažavanje i razumijevanje znanosti među građanima, promicati upotrebu znanstvenih rezultata u oblikovanju mišljenja.

praćenje kretanja u području stručnosti
  • tumačiti trenutne podatke

    Analizirati podatke prikupljene iz izvora kao što su podatci o tržištu, znanstveni radovi, zahtjevi kupaca i upitnici koji su aktualni i ažurirani kako bi se ocijenio razvoj i inovacije u područjima stručnosti.

rad s drugima
  • Komunicirati na profesionalnoj razini u istraživačkom i poslovnom okruženju.

    Odnositi se s poštovanjem prema drugima i biti kolegijalan. Slušati, davati i primati komentare o radu, obazrivo postupati s drugima neovisno o ulozi – to uključuje nadzor nad osobljem i vođenje u profesionalnom okruženju.

služenje stranim jezicima
  • govoriti različite jezike

    Savladati strane jezike radi komuniciranja na jednom ili više stranih jezika.

Područja znanja & Softver i tehnologije
Područja znanja
  • izvlačenje informacija

    Tehnike i metode koje se upotrebljavaju za prikupljanje i izvlačenje informacija iz nestrukturiranih ili polustrukturiranih digitalnih dokumenata i izvora.

  • kategorizacija informacija

    Postupak razvrstavanja informacija u kategorije i prikaz odnosa između podataka u neke jasno definirane svrhe.

  • modeli podataka

    Tehnike i postojeći sustavi koji se upotrebljavaju za strukturiranje podatkovnih elemenata i prikaz međusobnih odnosa te metode za tumačenje podatkovnih struktura i odnosa.

  • online analitička obrada

    Internetski alati kojima se analiziraju, objedinjavaju i prikazuju višedimenzionalni podatci koji korisnicima omogućuju interaktivno i selektivno izdvajanje i pregledavanje podataka s određenih stajališta.

  • rudarenje podataka

    Metode umjetne inteligencije, strojnog učenja, statistike i baza podataka koje se upotrebljavaju za izvlačenje sadržaja iz skupa podataka.

  • tehnike statističkog modeliranja

    Pristupi za primjenu statističke analize na skupove podataka u području podatkovne znanosti. Cilj je izraditi predviđanja stvarnosti pomoću statističkih modela i eksplicitnih pretpostavki.

  • tehnike vizualne prezentacije

    Tehnike vizualnog prikaza i interakcije, kao što su histogrami, dijagrami raspršenja, dijagrami površine, prikazi u obliku grananja i dijagrami paralelnih koordinata, koji se mogu upotrebljavati za predstavljanje apstraktnih numeričkih i nenumeričkih podataka kako bi se osnažilo ljudsko razumijevanje tih informacija.

  • upitni jezici

    Područje standardiziranih računalnih jezika za dohvat informacija iz baze podataka i dokumenata koji sadržavaju potrebne informacije.

  • upitni jezik općeg okvira opisivanja resursa

    Upitni jezici kao što su SPARQL, koji se upotrebljavaju za dohvaćanje podataka i manipuliranje podacima pohranjenima u formatu okvir za opis resursa (RDF).

Međusektorske vještine
  • empirijska analiza
  • etika podataka
  • kvantitativna analiza
Softver i tehnologije
Structured query language SQLSASPythonRMicrosoft SQL ServerThe MathWorks MATLABIBM SPSS StatisticsC++TableauOracle JavaJavaScriptTeradata DatabaseCAtlassian JIRAPerlAmazon Web Services AWS softwareMicrosoft Azure softwareC#Atlassian ConfluenceApache HadoopGitSplunk EnterpriseApache HiveGitHubApache CassandraRubyNoSQLAmazon RedshiftPostgreSQLElasticsearchMongoDBApache KafkaGoDockerJavaScript Object Notation JSONAmazon Elastic Compute Cloud EC2Microsoft Power BIScalaApache SparkJenkins CI
Ključne osobine koje su vam potrebne
Analitičko razmišljanje Integritet Priznanje Pouzdanost Suradnja Postignuće Postignuće/Napori Raznolikost Prilagodljivost/Fleksibilnost Otpornost na stres Samokontrola Neovisnost Inovacija Vođstvo Briga za druge Socijalna orijentacija
Ključne nagrade koje možete očekivati
PostignućeUvjeti radaPriznanjeOdnosiPodrškaNeovisnost
Kako se kvalificirati

Znanstvenik/znanstvenica za podatke: kako steći kvalifikacije i gdje studirati

Što je obično potrebno za kvalifikaciju: razina obrazovanja, gdje je to regulirana profesija i gdje studirati.

Tipična razina obrazovanja

Preddiplomski sveučilišni studij

Napredovanje u karijeri

Putovi rasta i slične uloge

Istražite tipične putove napredovanja u karijeri, srodne vještine i slične uloge kako biste planirali svoj sljedeći prijelaz.

Za organizacije

Podaci na ovoj stranici u službi su vaših učenika, klijenata i zaposlenika.

Uobičajena pitanja

Često postavljana pitanja

Koje su najvažnije vještine potrebne za uspjeh u ulozi znanstvenika/znanstvenice za podatke?
Osim solidnog matematičkog znanja i statističkih metoda, ključne su vještine programiranja (npr. Python, R), rada s bazama podataka (SQL), vizualizacije podataka (Tableau, Power BI) i izvrsne komunikacijske vještine za prezentiranje složenih informacija na jasan i razumljiv način.
Kako se ova uloga uklapa u organizacijsku strukturu?
Uloga znanstvenika/znanstvenice za podatke se obično nalazi unutar odjela za analitiku, istraživanje i razvoj ili strategiju. Često surađujete s različitim timovima unutar organizacije kako biste identificirali potrebe za analizom podataka i donijeli informirane odluke.
Koji su tipični poslovi za znanstvenike/znanstvenice za podatke?
Uloga je najčešće zaposlena u korporacijama, tehnološkim tvrtkama, financijskim institucijama, državnim institucijama i istraživačkim centrima. U Hrvatskoj je ova pozicija sve popularnija, ali je i konkurencija velika.
Znanstvenik/Znanstvenica Za Podatke — kolika je plaća u Sjedinjenim Državama?
112.590 dolara godišnje prema medijanu, na dan 2025-05. Medijani saveznih država kreću se od 69.490 do 163.350 dolara. Izvor: US Bureau of Labor Statistics. Podatak se odnosi na Sjedinjene Države i nije projekcija za Europu.

Izvori: ESCO O*NET ELA/EURES Cedefop BLS Podaci ažurirani 3. listopada 2026. O našim podacima