ນັກວິທະຍາສາດຂໍ້ມູນ vs ວິສະວະກອນຂໍ້ມູນ, ມີຄວາມແຕກຕ່າງກັນແນວໃດ?

ນັກວິທະຍາສາດແລະນັກວິສະວະກອນຂໍ້ມູນອາດຈະແມ່ນ ຕຳ ແໜ່ງ ວຽກ ໃໝ່, ແຕ່ວ່າ ໜ້າ ທີ່ວຽກງານຫຼັກແມ່ນຢູ່ໃນໄລຍະ ໜຶ່ງ. ຕາມປະເພນີ, ຜູ້ທີ່ວິເຄາະຂໍ້ມູນຈະຖືກເອີ້ນວ່າ "ນັກວິເຄາະຂໍ້ມູນ" ແລະຜູ້ທີ່ສ້າງເວທີ backend ເພື່ອສະ ໜັບ ສະ ໜູນ ການວິເຄາະຂໍ້ມູນຈະເປັນ "ນັກພັດທະນາຄວາມສະຫຼາດ (BI)".

ດ້ວຍການເກີດຂື້ນຂອງຂໍ້ມູນໃຫຍ່ໆ, ບົດບາດ ໃໝ່ ໄດ້ເລີ່ມຕົ້ນຂື້ນໃນບັນດາບໍລິສັດແລະສູນຄົ້ນຄ້ວາ - ຊື່ວ່ານັກວິທະຍາສາດແລະນັກວິສະວະກອນຂໍ້ມູນ.

ນີ້ແມ່ນສະພາບລວມຂອງພາລະບົດບາດຂອງນັກວິເຄາະຂໍ້ມູນ, ນັກພັດທະນາສອງ, ນັກວິທະຍາສາດຂໍ້ມູນແລະນັກວິສະວະກອນຂໍ້ມູນ.

ນັກວິເຄາະຂໍ້ມູນ

ນັກວິເຄາະຂໍ້ມູນແມ່ນຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນທີ່ມີປະສົບການໃນອົງກອນຂອງພວກເຂົາທີ່ສາມາດສອບຖາມແລະປຸງແຕ່ງຂໍ້ມູນ, ໃຫ້ບົດລາຍງານ, ສະຫຼຸບແລະສັງລວມຂໍ້ມູນ. ພວກເຂົາມີຄວາມເຂົ້າໃຈທີ່ເຂັ້ມແຂງກ່ຽວກັບວິທີການ ນຳ ໃຊ້ເຄື່ອງມືແລະວິທີການທີ່ມີຢູ່ເພື່ອແກ້ໄຂບັນຫາ, ແລະຊ່ວຍໃຫ້ປະຊາຊົນຈາກທົ່ວບໍລິສັດເຂົ້າໃຈການສອບຖາມສະເພາະກັບລາຍງານແລະຕາຕະລາງໂຄສະນາ.

ເຖິງຢ່າງໃດກໍ່ຕາມ, ພວກເຂົາບໍ່ໄດ້ຖືກຄາດຫວັງວ່າຈະຈັດການກັບການວິເຄາະຂໍ້ມູນໃຫຍ່ໆ, ແລະພວກເຂົາກໍ່ບໍ່ຄາດວ່າຈະມີພື້ນຖານທາງຄະນິດສາດຫຼືການຄົ້ນຄວ້າເພື່ອພັດທະນາສູດການຄິດໄລ່ ໃໝ່ ສຳ ລັບບັນຫາສະເພາະ.

ທັກສະແລະເຄື່ອງມື: ນັກວິເຄາະຂໍ້ມູນຕ້ອງມີຄວາມເຂົ້າໃຈພື້ນຖານກ່ຽວກັບທັກສະຫຼັກບາງຢ່າງ: ສະຖິຕິ, ການເກັບຂໍ້ມູນ, ການເບິ່ງເຫັນຂໍ້ມູນ, ການວິເຄາະຂໍ້ມູນ, Microsoft Excel, SPSS, SPSS Modeler, SAS, SAS Miner, SQL, Microsoft Access, Tableau, SSAS .

ນັກພັດທະນາປັນຍາທຸລະກິດ

ນັກພັດທະນາປັນຍາທຸລະກິດແມ່ນຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນທີ່ມີການພົວພັນກັບພາກສ່ວນກ່ຽວຂ້ອງພາຍໃນຢ່າງໃກ້ຊິດເພື່ອເຂົ້າໃຈຄວາມຕ້ອງການໃນການລາຍງານ, ແລະຈາກນັ້ນເກັບ ກຳ ຂໍ້ ກຳ ນົດ, ການອອກແບບ, ແລະກໍ່ສ້າງ BI ແລະການແກ້ໄຂລາຍງານ ສຳ ລັບບໍລິສັດ. ພວກເຂົາຕ້ອງອອກແບບ, ພັດທະນາແລະສະ ໜັບ ສະ ໜູນ ຄັງຂໍ້ມູນ ໃໝ່ ແລະທີ່ມີຢູ່ແລ້ວ, ແພັກເກດ ETL, ຄິວ, dashboard ແລະບົດລາຍງານການວິເຄາະ.

ນອກຈາກນັ້ນ, ພວກເຂົາເຮັດວຽກກັບຖານຂໍ້ມູນ, ທັງກ່ຽວຂ້ອງແລະຫຼາຍຮູບແບບ, ແລະຄວນມີທັກສະໃນການພັດທະນາ SQL ທີ່ດີໃນການເຊື່ອມໂຍງຂໍ້ມູນຈາກແຫລ່ງຕ່າງໆ. ພວກເຂົາໃຊ້ທັກສະທັງ ໝົດ ນີ້ເພື່ອຕອບສະ ໜອງ ຄວາມຕ້ອງການບໍລິການຕົນເອງໃນທົ່ວວິສາຫະກິດ. BI ນັກພັດທະນາໂດຍປົກກະຕິບໍ່ຄາດວ່າຈະປະຕິບັດການວິເຄາະຂໍ້ມູນ.

ທັກສະແລະເຄື່ອງມື: ETL, ບົດລາຍງານການພັດທະນາ, OLAP, ຈັກກະວານ, ປັນຍາເວັບ, ການອອກແບບວັດຖຸທຸລະກິດ, Tableau, ເຄື່ອງມື dashboard, SQL, SSAS, SSIS.

ນັກວິສະວະກອນຂໍ້ມູນ

ນັກວິສະວະກອນຂໍ້ມູນແມ່ນຜູ້ຊ່ຽວຊານດ້ານຂໍ້ມູນທີ່ກຽມພື້ນຖານໂຄງລ່າງ“ ຂໍ້ມູນໃຫຍ່” ທີ່ຈະວິເຄາະໂດຍນັກວິທະຍາສາດຂໍ້ມູນ. ພວກເຂົາແມ່ນນັກວິສະວະກອນຊອບແວທີ່ອອກແບບ, ສ້າງ, ປະສົມປະສານຂໍ້ມູນຈາກແຫລ່ງຕ່າງໆ, ແລະຈັດການຂໍ້ມູນໃຫຍ່. ຈາກນັ້ນ, ພວກເຂົາຂຽນແບບສອບຖາມທີ່ສັບສົນກ່ຽວກັບເລື່ອງນັ້ນ, ໃຫ້ແນ່ໃຈວ່າມັນສາມາດເຂົ້າເຖິງໄດ້ງ່າຍ, ເຮັດວຽກໄດ້ອຍ່າງງ່າຍດາຍ, ແລະເປົ້າ ໝາຍ ຂອງພວກເຂົາແມ່ນເພື່ອເພີ່ມປະສິດທິພາບຂອງລະບົບນິເວດຂໍ້ມູນໃຫຍ່ຂອງບໍລິສັດຂອງພວກເຂົາ.

ພວກເຂົາອາດຈະເຮັດວຽກບາງຢ່າງຂອງ ETL (ສະກັດ, ຫັນປ່ຽນແລະໂຫລດ) ຢູ່ເທິງສຸດຂອງຊຸດຂໍ້ມູນໃຫຍ່ແລະສ້າງສາງຂໍ້ມູນໃຫຍ່ເຊິ່ງສາມາດ ນຳ ໃຊ້ເພື່ອລາຍງານຫຼືວິເຄາະໂດຍນັກວິທະຍາສາດຂໍ້ມູນ. ນອກ ເໜືອ ຈາກນັ້ນ, ເນື່ອງຈາກວ່ານັກວິສະວະກອນຂໍ້ມູນໄດ້ສຸມໃສ່ການອອກແບບແລະສະຖາປັດຕະຍະ ກຳ ຫຼາຍຂື້ນ, ໂດຍປົກກະຕິພວກເຂົາບໍ່ຄາດວ່າຈະຮູ້ຈັກການຮຽນຮູ້ຫຼືການວິເຄາະດ້ານເຄື່ອງຈັກ ສຳ ລັບຂໍ້ມູນໃຫຍ່.

ທັກສະແລະເຄື່ອງມື: Hadoop, MapReduce, Hive, Pig, MySQL, MongoDB, Cassandra, Data streaming, NoSQL, SQL, programming.

ນັກວິທະຍາສາດຂໍ້ມູນ

ນັກວິທະຍາສາດຂໍ້ມູນແມ່ນນັກແລ່ນແຮ່ທາດຂອງສະຕະວັດທີ 21: ຜູ້ທີ່ສາມາດປ່ຽນຂໍ້ມູນດິບເຂົ້າໃນຄວາມເຂົ້າໃຈທີ່ບໍລິສຸດ. ນັກວິທະຍາສາດຂໍ້ມູນ ນຳ ໃຊ້ສະຖິຕິ, ການຮຽນຮູ້ເຄື່ອງຈັກແລະວິທີການວິເຄາະເພື່ອແກ້ໄຂບັນຫາທຸລະກິດທີ່ ສຳ ຄັນ. ໜ້າ ທີ່ຫຼັກຂອງພວກເຂົາແມ່ນເພື່ອຊ່ວຍໃຫ້ອົງກອນຫັນປ່ຽນປະລິມານຂໍ້ມູນໃຫຍ່ໆເຂົ້າໃນຄວາມເຂົ້າໃຈທີ່ມີຄຸນຄ່າແລະມີການກະ ທຳ.

ແທ້ຈິງ, ວິທະຍາສາດຂໍ້ມູນບໍ່ ຈຳ ເປັນຕ້ອງມີສະ ໜາມ ໃໝ່ ຕໍ່ບ່ອນ, ແຕ່ມັນສາມາດຖືວ່າເປັນລະດັບທີ່ກ້າວ ໜ້າ ຂອງການວິເຄາະຂໍ້ມູນທີ່ຖືກຂັບເຄື່ອນແລະອັດຕະໂນມັດໂດຍການຮຽນຮູ້ເຄື່ອງຈັກແລະວິທະຍາສາດຄອມພິວເຕີ້. ເວົ້າອີກຢ່າງ ໜຶ່ງ, ປຽບທຽບກັບ 'ນັກວິເຄາະຂໍ້ມູນ', ນອກ ເໜືອ ຈາກທັກສະການວິເຄາະຂໍ້ມູນ, ນັກວິທະຍາສາດຂໍ້ມູນຄາດວ່າຈະມີທັກສະການຂຽນໂປແກຼມທີ່ເຂັ້ມແຂງ, ມີຄວາມສາມາດໃນການອອກແບບລະບົບ ໃໝ່, ຈັດການກັບຂໍ້ມູນໃຫຍ່, ມີຄວາມ ຊຳ ນານໃນຄວາມຮູ້ກ່ຽວກັບໂດເມນ.

ຍິ່ງໄປກວ່ານັ້ນ, ນັກວິທະຍາສາດຂໍ້ມູນຍັງຄາດວ່າຈະຕີຄວາມ ໝາຍ ແລະສົ່ງຜົນໄດ້ຮັບຈາກການຄົ້ນພົບຂອງພວກເຂົາໂດຍເຕັກນິກການເບິ່ງເຫັນ, ການສ້າງແອັບ science ວິທະຍາສາດຂໍ້ມູນ, ຫຼືເລົ່າເລື່ອງທີ່ ໜ້າ ສົນໃຈກ່ຽວກັບວິທີແກ້ໄຂບັນຫາຂອງຂໍ້ມູນ (ທຸລະກິດ) ຂອງພວກເຂົາ.

ທັກສະໃນການແກ້ໄຂບັນຫາຂອງນັກວິທະຍາສາດຂໍ້ມູນຮຽກຮ້ອງໃຫ້ມີຄວາມເຂົ້າໃຈກ່ຽວກັບວິທີການວິເຄາະຂໍ້ມູນແບບດັ້ງເດີມແລະແບບ ໃໝ່ ເພື່ອສ້າງແບບສະຖິຕິຫຼືຄົ້ນພົບຮູບແບບຕ່າງໆໃນຂໍ້ມູນ. ຕົວຢ່າງ, ການສ້າງເຄື່ອງຈັກແນະ ນຳ, ການຄາດຄະເນຕະຫລາດຫຸ້ນ, ການວິນິດໄສຜູ້ປ່ວຍໂດຍອີງໃສ່ຄວາມຄ້າຍຄືກັນຂອງພວກເຂົາ, ຫລືຊອກຫາຮູບແບບຂອງການເຮັດທຸລະ ກຳ ທີ່ສໍ້ໂກງ.

ນັກວິທະຍາສາດຂໍ້ມູນບາງຄັ້ງອາດຈະຖືກ ນຳ ສະ ເໜີ ຂໍ້ມູນໃຫຍ່ໂດຍບໍ່ມີບັນຫາທາງທຸລະກິດໂດຍສະເພາະ. ໃນກໍລະນີນີ້, ນັກວິທະຍາສາດຂໍ້ມູນທີ່ຢາກຮູ້ຢາກເຫັນຄາດວ່າຈະ ສຳ ຫຼວດຂໍ້ມູນ, ຕອບ ຄຳ ຖາມທີ່ຖືກຕ້ອງ, ແລະໃຫ້ການຄົ້ນພົບທີ່ ໜ້າ ສົນໃຈ! ນີ້ແມ່ນສິ່ງທີ່ຫຼອກລວງເພາະວ່າເພື່ອທີ່ຈະວິເຄາະຂໍ້ມູນ, ນັກວິທະຍາສາດຂໍ້ມູນທີ່ເຂັ້ມແຂງຄວນມີຄວາມຮູ້ທີ່ກວ້າງຂວາງກ່ຽວກັບເຕັກນິກທີ່ແຕກຕ່າງກັນໃນການຮຽນຮູ້ເຄື່ອງຈັກ, ການຂຸດຄົ້ນຂໍ້ມູນ, ສະຖິຕິແລະພື້ນຖານໂຄງລ່າງຂໍ້ມູນໃຫຍ່.

ພວກເຂົາຄວນມີປະສົບການໃນການເຮັດວຽກກັບຊຸດຂໍ້ມູນທີ່ມີຂະ ໜາດ ແລະຮູບຮ່າງທີ່ແຕກຕ່າງກັນ, ແລະສາມາດ ດຳ ເນີນງານສູດການຄິດໄລ່ຂອງລາວກ່ຽວກັບຂໍ້ມູນຂະ ໜາດ ໃຫຍ່ຢ່າງມີປະສິດຕິພາບແລະມີປະສິດຕິພາບ, ເຊິ່ງໂດຍປົກກະຕິ ໝາຍ ເຖິງການຢູ່ກັບເຕັກໂນໂລຢີການຕັດລ້າສຸດລ້າສຸດ. ນີ້ແມ່ນເຫດຜົນທີ່ວ່າມັນເປັນສິ່ງ ຈຳ ເປັນທີ່ຈະຕ້ອງຮູ້ພື້ນຖານດ້ານວິທະຍາສາດຄອມພິວເຕີ້ແລະການຂຽນໂປແກຼມ, ລວມທັງປະສົບການກັບພາສາແລະຖານຂໍ້ມູນເຕັກໂນໂລຢີຖານຂໍ້ມູນ (ໃຫຍ່ / ນ້ອຍ).

ທັກສະແລະເຄື່ອງມື: Python, R, Scala, Apache Spark, Hadoop, ເຄື່ອງມືຂຸດຄົ້ນຂໍ້ມູນແລະສູດການຄິດໄລ່, ການຮຽນຮູ້ເຄື່ອງຈັກ, ສະຖິຕິ.

MUORO - Data & Analytics Genius muoro.io