データエンジニアリングとかデータ基盤・ツール方面も知識だけは

このレーダーチャートが好き、ハンターハンターの念能力みたいで（笑）
まじめに、データ利活用まわりの人材のタイプやスキルの違いがわかりやすい。データ利活用人材・スキルについて議論するなら、この程度の解像度は欲しいところ。

ML Ops（AIシステム運用の視点）の件もあり、データの在り方まで提言することは僕もある。けれど実際のデータベースやデータレイクの設計・構築はデータサイエンティストに無理やりやらせるべきじゃない、別の人材・スキルがいるよ！と言うのを今まで馬〇なITコンサルタントや自称上流SE、研究員崩れに何度説明したことか＿|￣|○

データエンジニアリング分野、データレイクとかなんとかの話はDataExpert-io/data-engineer-handbook: This is a repo with links to everything you'd ever want to learn about data engineeringを見とくれ、というか私も困ったときは最初にココを見る。最近は生成AIに聞くことが増えたけど。

もちろん、メタデータ管理とか使えそうなOSSとかは、データサイエンティストも知識としては知っておいて、多少はものが言えた方が良い

最近は常識になりつつあるGitHubについても勉強になるページがある。あとプロジェクト管理からコードレビューまで、開発プロセス全般で使えるツールを販売するGitHub Marketplaceってのもあるらしく、予算があるなら、ありものを使えば十分かな。

• Githubをはじめよう 初心者向け完全ガイド

• GitHub演習

• GitHub Copilot活用【サイボウズ新人研修2025

ちなみに僕は冒頭のレーダーチャートでいうところのデータサイエンティストであり、コンサルタントとしてデリバリーするのでデータアナリストの役割もしていた。機械学習エンジニア的なことも、MLOpsは実際の業務では経験が乏しいので主力として動ける自信はないけど、プロマネまたはイチメンバーとしてなら対応できるはず。

でもデータエンジニアは厳しい。もちろんデータエンジニア自体は尊敬してる、自分にできないことをしてる人だから。違いの分からん解像度の低い人はバカにするが（笑）
たぶん既存のIT業界におけるデータベースエンジニア、データマネジメントをするデータアーキテクトやデータスチュワードに担務してもらう方が、市場の単価や需要、ドメイン知識の理解としてもリーズナブルなんだけどなぁ。 

他の情報を見たい方は、目次ページへ
仕切り直しで収集情報の整理から｜くすぐったがり｜note