本文将告诉您哪个ETL和大数据开发，以及与大数据分析ETL相对应的知识点。我希望这对您有帮助。不要忘记收集此网站。
本文目录清单：
1.哪些数据仓库管理员和ETL开发有望？2。大数据的就业立场是什么3.可以看到哪些大数据开发和大数据。4.大数据技术和应用就业方向？5。哪个方向适合大数据和软件开发？6。BI，数据仓库，ETL，大数据开发工程师，大数据开发工程师的差异是什么？看看您是否想了解业务或主技术。DBA是纯技术的工作。ETL的开发路径可能更多..您可以在更多方向上开发，例如系统架构师，数据架构师。如果业务在-Depth中，您可以进行业务分析，销售前的销售，老板和其他个人仍然认为ETL适合那些想挑战的人
对于求职者而言，大数据只是职业生涯的方向，在职业生涯中做出了什么决定？大数据从业人员/求职者可以根据其技术和兴趣特征选择一个，选择适合大数据相关职位的人。这里是与大数据相关的十个流行职位。
1 ETL R＆D企业数据类型和来源正在增加，数据的集成和处理变得越来越困难。企业迫切需要一个具有数据集成功能的人。ETL开发人员是根据此需求出生的专业职位。只是穷人的穷人
2 Hadoop的开发随着数据规模的不断增加，传统BI的数据处理成本太高，无法增加企业的负担。Hadoop的廉价数据处理能力已被重新推出，公司的需求继续增长。大数据才华必须掌握的技术。
3视觉开发视觉开发是一种视觉开发工具，可以通过可视化工具提供的接口元素自动生成相关的应用程序软件。在过去，数据可视化属于商业智能开发人员的类别，但是随着Hadoop的兴起，可视化已成为独立的专业技能和职位。
4信息架构开发大数据重新刺激主要数据管理的繁荣。公司数据的开发和使用和支持决策 - 制定需要非常专业的技能。信息信息架构师必须了解如何定义和存档关键元素，以确保数据管理和数据管理和以最有效的方式利用。信息架构的关键技能包括主要数据管理，业务知识和数据建模。
5数据仓库研究，以促进公司决策 - 制定以及为分析报告和决策支持创建的数据仓库研究职位是所有类型的数据的战略收集。提供具有业务智能服务的企业，指导业务流程改进和监视时间，监视时间，监视时间，监视时间成本，质量和控制。
6 OLAP开发OLAP在线分析开发人员负责从关系或非关联数据源绘制数据以创建模型，然后创建一个用户界面以提供数据访问以提供高性能预定的查询功能。
7数据科学研究数据科学家是一种可以将企业的数据和技术转变为企业的业务价值的新类型的工作。随着数据科学的进步，越来越多的实际工作将直接针对数据，这将使人类了解数据并了解自然和行为。8数据预测分析市场部经常使用预测分析和预测用户行为或锁定目标用户。预测分析的某些场景开发人员似乎有一些类似的数据科学家，也就是说，基于假设关于公司历史的历史数据，测试阈值并预测未来的绩效。
8数据预测分析市场部经常使用预测分析和预测用户行为或锁定目标用户。预测分析开发人员似乎有一些类似的数据科学家，也就是说，基于对公司历史的历史数据的假设，测试阈值并预测未来的表现。
9企业数据管理企业必须考虑数据管理，以提高数据质量，并因此需要设置数据管家位置。该职位的人员需要使用各种技术工具来收集企业周围的大量数据，并清理和标准化数据。将数据注入数据仓库并成为可用版本。
10数据安全研究数据安全性主要负责企业的大型服务器，存储和数据安全管理以及计划，设计和实施网络和信息安全项目。
大数据开发工程师：
开发，建筑，测试和维护体系结构，负责公司的大数据平台的开发和维护，负责大数据平台的建筑设计和产品开发的持续集成；
大数据可视化：
大数据浓度数据由图形和图像表示。为了通过认知数据帮助用户，新发现发现了这些数据的本质。
传统的显示技术很难满足这一需求，以便以视觉形式完美地显示这些数据。在对此问题的响应中，已经开发了高分，高定义和大型屏幕缝线的视觉技术。它具有优势超大图像，纯色，高亮度，高分辨率与真实的数据绘图技术和GIS空间数据可视化技术，真实的时间图形可视化，场景可视化和数据的真实时间交互。用户可以轻松理解数据并表示空间知识。它可以在命令监视，视觉模拟和三维互动的字段中广泛使用。
两者都属于大数据产业链中的不同链接。前景非常好。不同之处在于，大数据开发对后端工作有偏见。大数据可视化是更清楚地显示数据分析的结果。困难相对难以发展。
大数据的主要三个主要就业方向：
大数据系统研发才能；
大数据应用程序开发才能；
大数据分析才能。
大数据中的十大就业立场：
1. ETL研发
随着数据类型的不断增加，企业对数据集成专业人员的需求变得越来越有活力。ETL开发人员处理不同的数据源和组织，从不同来源提取数据，转换和导入数据仓库以满足企业的需求。
ETL研究和开发，主要负责分散的，异质的数据源，例如关系数据，图形数据文件等，以及临时的中间层用于清洁，转换和集成。分析了处理和数据挖掘的基础。
目前，ETL行业相对成熟，相关职位的工作周期相对较长，通常由内部员工和外包承包商完成。大数据在企业中应用的早期阶段，Hadoop只是穷人的ETL。
2. Hadoop开发
Hadoop的核心是HDFS和MapReduce.hdfs提供了大量的数据存储，MapReduce提供了数据计算。随着数据集的规模不断增加，传统BI的数据处理成本太高，对Hadoop和相关廉价的需求数据处理技术，例如Hive，HBase，MapReduce，Pig等。
第三，可视化（前端显示）工具开发
大规模数据的分析是一个巨大的挑战，新的数据可视化工具（例如Spotifre，Qlikview和Tableau）可以直观有效地显示数据。
Visual Development是一个应用程序软件，该软件是由操作接口元素自动生成的图形用户界面上由视觉开发工具提供的图形用户界面。您还可以在多个资源和级别上连接所有数据。测试时间后，它是完全可扩展的。丰富而全面的视觉组件库为开发人员提供了一个完整易用的组件集合，以构建其构建以构建构建富含富的用户界面。
过去，数据可视化属于商业智能开发人员的类别，但是随着Hadoop的兴起，数据可视化已成为独立的专业技能和职位。
第四，信息架构开发
大数据重新刺激了主要数据管理的繁荣。开发和使用公司数据和支持决策 - 制定需要非常专业的技能。信息构建架构师必须了解如何定义和存档关键要素，以确保数据管理和利用最有效的方法。信息架构师的关键技能包括主要数据管理，业务知识和数据建模。
5.数据仓库研究
数据仓库是所有类型的数据的战略集合，支持所有类型的数据，支持所有级别的决策 - 制定企业制定过程。有需要的商业智能来指导业务流程的改进和监视时间，成本，质量和控制。
数据仓库的专家熟悉所有 - 一部机器，例如Teradata，Neteeza和Exadata。可以完成所有这些机器的数据集成，管理和性能优化。
6. OLAP开发
随着数据库技术的开发和应用，数据库存储中存储的数据量从Mega（M）字节和Gigabit（G）字节（g）字节中存储的数据量，到1980年代到当前的Mega（T）字节和Gigabit（T）字节和Gigabit（p）字节同时，用户的查询需求变得越来越复杂。不仅涉及关系表查询或操纵中的一个或多个记录，还涉及多个表分析和信息合成中数百万记录的数据的数据。OLAP系统（OLAP）系统负责解决该数据这种大规模数据处理的问题。
OLAP在线分析开发人员负责从关系或非关联数据源中提取数据以创建模型，然后创建一个用户界面以提供数据访问以提供高性能预定的查询功能。
七，数据科学研究
过去，该职位也被称为数据架构研究。数据科学家是一种可以将企业的数据和技术转变为企业的业务价值的新类型的工作。随着数据科学的进步，越来越多的实际工作将直接针对数据，这将使人类了解数据和数据为了了解自然和行为。因此，数据科学家首先应具有出色的沟通能力，并可以同时向IT部门和商业部门的领导人解释数据分析结果。
通常，数据科学家是分析师和艺术家的结合，他们需要具有各种交叉和商业技能。
8.数据预测（数据挖掘）分析
营销部门经常使用预测分析并预测用户行为或锁定目标用户。预测分析开发人员似乎有一些相似的数据科学家，也就是说，基于对公司历史的历史数据的假设，测试阈值并预测未来的绩效。
九，公司数据管理
企业必须考虑数据管理，以提高数据质量，并因此设置数据管家位置。该职位的人员需要使用各种技术工具来收集企业围绕企业的大量数据，并清理和标准化数据，将数据导入数据中仓库中，它成为可用版本。然后，通过报告和分析技术，数据被切成薄片，切成部分并交付给数千个人。那些假设数据按钮需要确保的完整性，准确性，独特性，真实性，而不是冗余市场数据的人。
10.数据安全研究
数据安全的位置主要负责企业的大规模服务器，存储和数据安全管理，并计划，设计和实施网络和信息安全项目。DATA安全研究人员还需要具有强大的管理经验，经营和维护管理方面的知识和能力，并对企业的传统业务有深刻的了解，以确保不会省略公司数据安全的安全。
实际上，大数据和软件开发准确地说，大数据也是软件开发的方向。
软件开发，猜猜您应该参考开发工程师和程序员。从职业的角度来看，大数据开发也涵盖了它。从就业前景的角度来看，大数据目前是一个相对流行的方向，而工资也是程序员团体中的佼佼者。
大数据也可以细分。例如，大数据开发主要是技术工作，数据系统平台开发，数据应用程序开发，ETL开发，系统操作和维护等。在这方面，现在需求很普遍，治疗良好。
还有大数据分析和采矿，尤其是发掘算法的方向，现在它也非常有价值，尤其是大公司，有很多数据资源，该领域有很多工作，并且治疗方法超过了许多其他的工作位置在同一级别。
确切地说，商业智能BI不仅包括前端视觉分析和报告显示的能力，还包括基础数据仓库的构建过程。
加特纳（Gartner）提到了1990年代的商业情报商业智能。它更多地将BI作为数据解决方案。使用来自不同企业业务系统的数据的数据进行了清理和分析。转换和加载是提取提取，转换转换和加载加载ETL过程，最后合并到数据仓库中。根据某种建模方法，例如INMON的3NF建模，Kimball维度建模或两者都在某个地方的某个地方，两者都与两者混合。格式模型最终使用适当的分析和显示工具来形成各种视觉分析报告为企业的管理决策层提供数据决策支持。
因此，您可以从这里看到数据仓库数据仓库的位置是视觉报告与基础业务系统的数据源之间的一层。在整个BI项目解决方案中，它发挥了上下效果。因此，在前端的视觉分析层面上，BI必须发挥各种出色的动作。如果没有数据仓库的核心力量，很难做到这一点。
然后，每个人都会问，市场上是否有很多直接链接数据源，可以将其拖放到可以拖动和分析的BI工具产品中吗？制作BI分析报告是一样的吗？这个独立的，独立的BI分析工具，它们的定位是部门级别和个人BI分析工具。无法解决用于深层的复杂数据处理，集成和建模的许多方案。无法解决最佳方法是在底部构建一组完整的数据仓库，标准化许多分析模型，然后使用这些前端BI分析工具进行真正释放前端BI分析能力。
许多公司认为，只要您购买前端BI分析工具，就可以解决企业bis的所有问题。这种观点实际上不可行。在开始时分析场景可能相对简单，并且连接数据的复杂性并不是数据的高复杂性。是螺旋升起的施工过程的特征。因为可能会有越来越多的对接业务系统，因此分析的深度和广度将越来越多，数据的复杂性将变得越来越具有挑战性。目前，没有良好的数据仓库体系结构支持。前端BI分析工具基本上不确定。
因此，在企业中，我们需要澄清我们的BI构造是否针对企业级别或个人和部门分析。如果它是个人数据分析师，则足以使用此类前端BI分析工具。为了构建企业级别的BI项目，您不仅要注意前端的视觉分析功能的水平，还应更多地关注底部 - 层次数据架构的构建，这是数据仓库。
让我们谈谈ETL和大数据开发的介绍。感谢您阅读本网站的内容。有关大数据分析ETL，ETL和大数据开发的更多信息。不要忘记在此站点上找到它