Data engineer là gì? Công việc, kỹ năng, lương và lộ trình

Mục lục

1. Data engineer là gì?
2. Nghề data engineer xuất hiện từ khi nào?
3. Data engineer làm gì? Vòng đời kỹ thuật dữ liệu
4. Hệ thống dữ liệu do data engineer xây gồm những thành phần nào?
5. Những khái niệm kỹ thuật data engineer dùng hằng ngày
6. Một ngày làm việc của data engineer trông như thế nào?
7. Data engineer khác data analyst, data scientist và software engineer thế nào?
8. Data engineer cần những kỹ năng gì?
9. Doanh nghiệp nào cần data engineer và khi nào?
10. Ưu điểm và thách thức của nghề data engineer
11. Lương data engineer ở Việt Nam là bao nhiêu?
12. Có nên thi chứng chỉ data engineer không?
13. Lộ trình trở thành data engineer
14. Data engineer cần biết gì về pháp luật dữ liệu ở Việt Nam?
15. Câu hỏi thường gặp

Data engineer là gì?

Data engineer, dịch là kỹ sư dữ liệu, là người chịu trách nhiệm về đường đi của dữ liệu trong doanh nghiệp. Họ đưa dữ liệu ra khỏi các hệ thống nơi nó phát sinh (phần mềm bán hàng, website, ứng dụng, ERP, CRM, cảm biến), gom về một chỗ, xử lý cho sạch và nhất quán, rồi đưa tới đúng người, đúng định dạng, đúng thời điểm.

Công việc của họ gọi là kỹ thuật dữ liệu (data engineering). Sản phẩm không phải biểu đồ hay mô hình dự báo, mà là hệ thống: đường ống dữ liệu (data pipeline) chạy tự động, bảng dữ liệu được mô hình hoá rõ ràng, các bước kiểm tra chặn số liệu sai trước khi tới tay người dùng.

Hình dung data engineer như người xây và vận hành nhà máy nước, còn data analyst, data scientist là người dùng nước. Đường ống rò rỉ hay nước bẩn thì người dùng giỏi mấy cũng khó làm ra sản phẩm tốt.

Ví dụ dễ hình dung

Ví dụ minh hoạ. Một chuỗi bán lẻ có 60 cửa hàng, một website và một ứng dụng di động. Dữ liệu bán hàng nằm ở phần mềm POS, đơn online nằm ở hệ thống thương mại điện tử, tồn kho nằm ở ERP, còn khuyến mãi được quản lý bằng file Excel. Mỗi sáng, phòng kinh doanh muốn biết doanh thu hôm qua theo cửa hàng, theo kênh và theo nhóm hàng.

• Không có data engineer: nhân viên xuất bốn file, dán vào bảng tính, sửa tay mã hàng lệch. 11 giờ mới xong, mỗi người một con số.
• Có data engineer: mỗi đêm, hệ thống tự kéo dữ liệu bốn nguồn, chuẩn hoá mã hàng, loại đơn trùng, nạp vào kho dữ liệu. 7 giờ sáng đã có số; nguồn nào lỗi, đội dữ liệu nhận cảnh báo trước khi ai mở báo cáo.

Nghề data engineer xuất hiện từ khi nào?

Trước khi có chức danh riêng, việc chuyển và xử lý dữ liệu do lập trình viên ETL, kỹ sư BI (business intelligence) hoặc quản trị cơ sở dữ liệu đảm nhận. Theo cuốn Fundamentals of Data Engineering của Joe Reis và Matt Housley (O’Reilly, 2022), kỹ thuật dữ liệu nổi bật thành nghề riêng cùng lúc với sự lên ngôi của khoa học dữ liệu trong thập niên 2010.

Bài viết “The Rise of the Data Engineer” của Maxime Beauchemin ngày 20/01/2017 thường được nhắc tới như cột mốc định hình nghề. Tác giả kể ông vào Facebook năm 2011 với vai trò kỹ sư BI và đến năm 2013 đã làm data engineer. Theo ông, data engineer bao trùm BI và kho dữ liệu nhưng nặng tính kỹ thuật phần mềm hơn: viết code thay cho công cụ kéo thả, xây công cụ thay vì chủ yếu làm báo cáo. Beauchemin cũng là người khởi xướng Apache Airflow tại Airbnb vào tháng 10/2014; dự án vào Apache Incubator tháng 3/2016 và trở thành dự án cấp cao nhất của Apache năm 2019.

Data engineer làm gì? Vòng đời kỹ thuật dữ liệu

Cuốn Fundamentals of Data Engineering chia vòng đời dữ liệu thành năm giai đoạn: phát sinh (nguồn), lưu trữ, thu nạp, biến đổi và phục vụ, cùng sáu “dòng chảy ngầm” (undercurrents) xuyên suốt: bảo mật, quản lý dữ liệu, DataOps, kiến trúc dữ liệu, điều phối và kỹ thuật phần mềm. Sơ đồ dưới sắp các giai đoạn theo thứ tự dữ liệu đi qua.

1. Hiểu nguồn dữ liệu

Data engineer thường không sở hữu hệ thống nguồn nhưng phải hiểu nó: dữ liệu cập nhật bao lâu một lần, bản ghi cũ có bị sửa, xoá không, ai báo khi cấu trúc bảng thay đổi. Nhiều sự cố dữ liệu bắt đầu từ một thay đổi nhỏ ở nguồn không được thông báo.

2. Thu nạp dữ liệu (ingestion)

Đây là bước kéo dữ liệu về. Các cách phổ biến: gọi API, đọc file định kỳ, sao chép bảng từ cơ sở dữ liệu, bắt thay đổi theo thời gian thực bằng CDC (change data capture), hoặc nhận luồng sự kiện qua một nền tảng như Apache Kafka. Câu hỏi then chốt: lấy toàn bộ hay chỉ phần thay đổi, và xử lý ra sao khi nguồn chậm hoặc thiếu dữ liệu.

3. Lưu trữ

Dữ liệu được đặt vào kho dữ liệu (data warehouse), hồ dữ liệu (data lake) hoặc lakehouse. Lựa chọn quyết định chi phí, tốc độ truy vấn và cách phân quyền.

4. Biến đổi (transformation)

Dữ liệu thô hiếm khi dùng được ngay. Data engineer làm sạch (bỏ trùng, xử lý giá trị thiếu, chuẩn hoá định dạng ngày, mã hàng), ghép dữ liệu từ nhiều nguồn và mô hình hoá thành bảng dễ dùng. Đây thường là phần tốn công nhất và cũng là nơi quyết định chất lượng số liệu.

5. Phục vụ (serving)

Dữ liệu sau xử lý được đưa tới công cụ BI, bảng đặc trưng (feature) cho học máy, API cho ứng dụng hoặc file cho đối tác. Phục vụ tốt nghĩa là người dùng tìm được dữ liệu, hiểu từng cột và tin vào con số.

Những việc chạy xuyên suốt

Song song với năm bước trên, data engineer còn phân quyền, bảo mật; ghi siêu dữ liệu (metadata) để người khác hiểu bảng nào chứa gì; điều phối hàng trăm tác vụ chạy đúng thứ tự; kiểm thử, triển khai code như phần mềm; giám sát để phát hiện đường ống chậm, lỗi hoặc dữ liệu bất thường. Cách làm việc này gần với DataOps, tức áp dụng tư duy tự động hoá và cải tiến liên tục vào quy trình dữ liệu.

Hệ thống dữ liệu do data engineer xây gồm những thành phần nào?

Một nền tảng dữ liệu (data platform) gồm nhiều lớp. Doanh nghiệp nhỏ có thể gộp vài lớp vào một công cụ; doanh nghiệp lớn tách riêng. Tên công cụ trong bảng chỉ để minh hoạ, không phải khuyến nghị.

Thành phần	Vai trò	Ví dụ công cụ thường gặp
Thu nạp	Kéo dữ liệu về theo lịch hoặc theo thời gian thực	Kết nối API, công cụ CDC, Apache Kafka
Lưu trữ	Giữ dữ liệu thô và dữ liệu đã xử lý	Kho dữ liệu trên đám mây, object storage, định dạng bảng mở
Xử lý	Tính toán, biến đổi dữ liệu khối lượng lớn	SQL trong kho dữ liệu, Apache Spark
Biến đổi và mô hình hoá	Quản lý logic biến đổi bằng code có phiên bản	SQL kèm công cụ như dbt
Điều phối	Lên lịch, chạy tác vụ đúng thứ tự, thử lại khi lỗi	Apache Airflow và các công cụ tương tự
Chất lượng và giám sát	Kiểm tra số liệu, cảnh báo bất thường	Bộ kiểm thử dữ liệu, công cụ data observability
Danh mục và quản trị	Mô tả dữ liệu, phân quyền, truy vết nguồn gốc	Data catalog, công cụ quản lý metadata và lineage

Muốn đi sâu từng phần, bạn có thể đọc thêm về data pipeline (đường ống dữ liệu), data warehouse và data lake.

Những khái niệm kỹ thuật data engineer dùng hằng ngày

ETL và ELT

ETL (extract, transform, load) là trích xuất, biến đổi rồi mới nạp vào kho. ELT đảo thứ tự: nạp dữ liệu thô vào kho trước, biến đổi ngay trong kho bằng SQL. ELT phổ biến hơn khi kho dữ liệu trên đám mây đủ mạnh và rẻ để tính toán; ETL vẫn hợp khi cần lọc bớt hoặc che dữ liệu nhạy cảm trước khi rời hệ thống nguồn. Chi tiết từng bước có trong bài ETL là gì.

Xử lý theo lô (batch) và xử lý luồng (streaming)

Tiêu chí	Batch	Streaming
Cách chạy	Gom dữ liệu rồi xử lý theo lịch (mỗi giờ, mỗi đêm)	Xử lý từng sự kiện ngay khi phát sinh
Độ trễ	Vài phút đến vài giờ	Vài giây hoặc thấp hơn
Độ phức tạp	Thấp hơn, dễ chạy lại khi lỗi	Cao hơn: thứ tự sự kiện, dữ liệu đến trễ, trạng thái
Ví dụ	Báo cáo doanh thu ngày, đối soát cuối ngày	Cảnh báo giao dịch bất thường, tồn kho theo thời gian thực

Lời khuyên: chỉ chọn streaming khi quyết định kinh doanh thật sự cần dữ liệu trong vài giây; phần lớn báo cáo quản trị chạy batch là đủ và rẻ hơn.

Mô hình hoá dữ liệu

Mô hình hoá là quyết định dữ liệu được tổ chức thành bảng nào, cột nào, quan hệ ra sao. Trong kho dữ liệu phân tích, cách hay gặp là lược đồ hình sao (star schema): một bảng sự kiện (fact) như “dòng đơn hàng” ở giữa, xung quanh là các bảng chiều (dimension) như khách hàng, sản phẩm, cửa hàng, ngày. Data engineer cũng phải quyết định cách lưu lịch sử thay đổi, ví dụ khi một cửa hàng đổi vùng quản lý thì báo cáo năm ngoái tính theo vùng cũ hay vùng mới.

Kiến trúc medallion: bronze, silver, gold

Theo mô tả của Databricks, medallion là một mẫu thiết kế để tổ chức dữ liệu trong lakehouse thành các lớp, chất lượng tăng dần. Bronze giữ dữ liệu gần nguyên bản kèm thông tin lúc nạp để truy vết và nạp lại; silver đối chiếu, gộp, chuẩn hoá, làm sạch; gold chứa bảng sẵn dùng cho báo cáo, thường mô hình hoá kiểu hình sao.

Ba nguyên tắc giúp đường ống bền vững

• Chạy lại không sinh sai lệch (idempotent): nếu một tác vụ chạy hai lần cho cùng ngày, kết quả vẫn như chạy một lần, không nhân đôi doanh thu.
• Nạp bù được (backfill): khi sửa logic, có thể tính lại dữ liệu của ba tháng trước mà không phải làm tay.
• Kiểm tra trước khi phục vụ: số dòng có giảm bất thường không, khoá chính có trùng không, tổng tiền có khớp với hệ thống nguồn không. Dữ liệu sai bị chặn lại thay vì lặng lẽ đi vào báo cáo.

Một ngày làm việc của data engineer trông như thế nào?

Ví dụ minh hoạ, công việc thực tế khác nhau theo quy mô và ngành:

1. Đầu ngày: xem bảng giám sát, thấy đường ống đơn hàng online lỗi vì đối tác đổi định dạng ngày. Sửa bộ đọc, nạp bù phần thiếu, báo người dùng.
2. Buổi sáng: họp với marketing về nhu cầu ghép dữ liệu quảng cáo với doanh thu. Thống nhất định nghĩa “đơn thành công”, độ trễ chấp nhận được và ai được xem.
3. Buổi chiều: viết code thu nạp, thêm kiểm thử, gửi đồng nghiệp duyệt rồi triển khai qua CI/CD; tối ưu một truy vấn chạy 40 phút bằng cách phân vùng (partition) bảng theo ngày.

Phần lớn thời gian dành cho việc giữ dữ liệu chảy đúng, đủ và đáng tin, không phải tìm ra phát hiện kinh doanh (insight).

Data engineer khác data analyst, data scientist và software engineer thế nào?

Cách phân biệt nhanh: software engineer làm ra ứng dụng sinh dữ liệu; data engineer đưa dữ liệu về và làm cho nó dùng được; data analyst trả lời câu hỏi kinh doanh từ dữ liệu; data scientist xây mô hình dự báo.

Tiêu chí	Data engineer	Data analyst	Data scientist	Software engineer
Câu hỏi chính	Dữ liệu có về đủ, đúng, kịp không?	Chuyện gì đã xảy ra và vì sao?	Điều gì có thể xảy ra, nên làm gì?	Ứng dụng có chạy đúng, nhanh không?
Sản phẩm	Đường ống, bảng dữ liệu, nền tảng	Báo cáo, dashboard, phân tích	Mô hình, thí nghiệm	Ứng dụng, dịch vụ
Công cụ chính	SQL, Python, Spark, công cụ điều phối, đám mây	SQL, bảng tính, công cụ BI	Python, thống kê, thư viện học máy	Ngôn ngữ lập trình, framework
Khi có lỗi	Số liệu toàn công ty sai hoặc trễ	Một báo cáo sai kết luận	Mô hình dự báo lệch	Ứng dụng lỗi chức năng

Ngoài ra còn hai vai trò lai đáng biết. Analytics engineer đứng giữa data engineer và data analyst, tập trung vào biến đổi, mô hình hoá dữ liệu bằng SQL ở lớp sẵn dùng. Machine learning engineer (ML engineer) đứng giữa data engineer và data scientist, lo đưa mô hình vào vận hành.

Data engineer cần những kỹ năng gì?

Kỹ năng kỹ thuật cốt lõi

• SQL thành thạo: không chỉ truy vấn mà còn viết hàm cửa sổ (window function), tối ưu truy vấn, đọc kế hoạch thực thi. Beauchemin xếp thành thạo SQL vào nhóm kỹ năng nền của nghề.
• Một ngôn ngữ lập trình: Python phổ biến nhất; Scala hoặc Java hay gặp trong hệ thống Spark, Kafka.
• Cơ sở dữ liệu và mô hình hoá: hiểu cơ sở dữ liệu quan hệ, NoSQL, chuẩn hoá và phi chuẩn hoá, lược đồ hình sao.
• Xử lý phân tán: phân vùng, xử lý song song, định dạng cột như Parquet.
• Điều phối và tự động hoá: viết luồng tác vụ có phụ thuộc, thử lại khi lỗi, cảnh báo.
• Đám mây: nắm ít nhất một nền tảng lớn, đặc biệt là lưu trữ, phân quyền và cách tính chi phí.
• Kỹ thuật phần mềm: Git, kiểm thử, CI/CD, container, đọc log.

Kỹ năng không thuần kỹ thuật

Bạn cần hiểu nghiệp vụ (biết “doanh thu thuần” khác “doanh thu” ở đâu mới mô hình đúng), giao tiếp để thống nhất định nghĩa chỉ số giữa các phòng ban, viết tài liệu để người khác tự dùng được dữ liệu, và luôn hỏi: dữ liệu này có thể sai ở đâu, ai được xem, có chứa dữ liệu cá nhân không.

Doanh nghiệp nào cần data engineer và khi nào?

Bạn nên cân nhắc tuyển data engineer khi thấy các dấu hiệu sau:

• Dữ liệu nằm ở từ ba hệ thống trở lên và phải ghép tay mỗi tuần.
• Các phòng ban báo cáo cùng một chỉ số nhưng ra số khác nhau.
• Báo cáo quản trị mất nhiều giờ hoặc nhiều ngày mới có.
• Doanh nghiệp muốn làm dự án AI, phân tích dự báo nhưng không biết lấy dữ liệu sạch ở đâu.

Nếu doanh nghiệp chỉ dùng một phần mềm quản lý và báo cáo có sẵn đã đủ, tuyển data engineer toàn thời gian thường chưa cần; có thể bắt đầu bằng một data analyst biết SQL hoặc thuê ngoài dựng nền tảng ban đầu.

Với AI, vai trò của data engineer càng rõ. Gartner dự báo trong thông cáo ngày 26/02/2025 rằng đến hết năm 2026, các tổ chức sẽ bỏ dở 60% dự án AI không có dữ liệu sẵn sàng cho AI; khảo sát của hãng vào tháng 7/2024 cho thấy 63% tổ chức không có hoặc không chắc có cách quản lý dữ liệu phù hợp cho AI. Chuẩn bị dữ liệu sẵn sàng cho AI phần lớn là việc của data engineer.

Ưu điểm và thách thức của nghề data engineer

Ưu điểm	Thách thức
Được tuyển ở nhiều ngành: ngân hàng, bán lẻ, thương mại điện tử, logistics, viễn thông	Công việc ít được nhìn thấy: khi mọi thứ chạy tốt, ít ai nhận ra; khi lỗi, cả công ty biết
Kỹ năng gần kỹ thuật phần mềm nên dễ chuyển sang vai trò kiến trúc, nền tảng, ML engineer	Có thể phải trực xử lý sự cố ngoài giờ khi đường ống quan trọng bị lỗi
Lương trung vị theo khảo sát của ITviec ở mức 41,3 triệu đồng/tháng (xem mục lương bên dưới)	Công cụ thay đổi nhanh, phải học liên tục

Về triển vọng, Báo cáo Tương lai Việc làm 2025 (Future of Jobs Report 2025) của Diễn đàn Kinh tế Thế giới xếp chuyên gia dữ liệu lớn (big data specialist) đứng đầu danh sách nghề tăng trưởng nhanh nhất giai đoạn 2025–2030 tính theo tỷ lệ phần trăm. Nhóm này gần với data engineer dù không trùng hoàn toàn.

Lương data engineer ở Việt Nam là bao nhiêu?

Theo Báo cáo Lương IT và Thị trường tuyển dụng IT Việt Nam 2025–2026 của ITviec, lương trung vị của data engineer là 41,3 triệu đồng/tháng. Ở nhóm 3–4 năm kinh nghiệm, con số này là 56,9 triệu đồng/tháng. Báo cáo không công bố riêng các mốc kinh nghiệm khác của data engineer. Để so sánh, nhóm Data Analyst/Data Scientist/BI Analyst trong cùng báo cáo có trung vị 40,65 triệu đồng/tháng.

Có nên thi chứng chỉ data engineer không?

Chứng chỉ không thay được kinh nghiệm, nhưng giúp học có hệ thống và là điểm cộng khi doanh nghiệp dùng đúng nền tảng đó. Thông tin dưới đây lấy từ trang chính thức, tháng 10/2026:

Chứng chỉ	Hình thức thi	Kinh nghiệm khuyến nghị	Ghi chú
Google Cloud Professional Data Engineer	2 giờ, 40–50 câu, lệ phí 200 USD	Từ 3 năm trong ngành, trong đó từ 1 năm với Google Cloud	Hiệu lực 2 năm; lệ phí chưa gồm thuế, có thể thay đổi
AWS Certified Data Engineer – Associate	130 phút, 65 câu, lệ phí 150 USD	Khoảng 2–3 năm làm data engineering, 1–2 năm thực hành AWS	Phạm vi gồm thu nạp, biến đổi, điều phối, mô hình dữ liệu, chất lượng dữ liệu
Microsoft Certified: Fabric Data Engineer Associate (bài thi DP-700)	100 phút	Trình độ trung cấp	Gia hạn miễn phí bằng bài đánh giá trực tuyến; bản tiếng Anh được cập nhật nội dung từ 19/10/2026

Lộ trình trở thành data engineer

Thời gian tuỳ xuất phát điểm của bạn. Thứ tự học hợp lý:

1. Nền tảng SQL và cơ sở dữ liệu: truy vấn, ghép bảng, hàm cửa sổ, thiết kế bảng, chỉ mục. Đây là kỹ năng dùng nhiều nhất trong nghề.
2. Python cho dữ liệu: đọc ghi file, gọi API, xử lý dữ liệu dạng bảng, viết hàm có kiểm thử.
3. Linux, Git và dòng lệnh: đủ để triển khai và gỡ lỗi trên máy chủ.
4. Mô hình hoá và kho dữ liệu: lược đồ hình sao, bảng fact và dimension, lưu lịch sử thay đổi.
5. Đường ống và điều phối: tự dựng một luồng ETL hoặc ELT chạy theo lịch, có cảnh báo khi lỗi.
6. Xử lý dữ liệu lớn và streaming: làm quen Spark, khái niệm luồng sự kiện qua Kafka.
7. Một nền tảng đám mây: lưu trữ, phân quyền, kho dữ liệu dạng dịch vụ, theo dõi chi phí.
8. Chất lượng, bảo mật và pháp lý dữ liệu: kiểm thử dữ liệu, che dữ liệu nhạy cảm, quy định dữ liệu cá nhân.

Gợi ý dự án cho portfolio

• Thu thập dữ liệu công khai (ví dụ giá vàng, thời tiết, tỷ giá) mỗi ngày qua API, lưu vào cơ sở dữ liệu, dựng bảng tổng hợp và một dashboard đơn giản.
• Dựng mô hình bronze, silver, gold cho một bộ dữ liệu bán hàng mẫu, kèm kiểm thử chất lượng ở mỗi lớp.
• Kèm tài liệu ngắn giải thích thiết kế, cách chạy lại và xử lý khi nguồn lỗi.

Nhiều người vào nghề từ vị trí data analyst, kỹ sư BI, quản trị cơ sở dữ liệu hoặc lập trình viên backend.

Data engineer cần biết gì về pháp luật dữ liệu ở Việt Nam?

Data engineer chạm vào dữ liệu nhiều nhất, nên quyết định kỹ thuật của họ (lưu gì, giữ bao lâu, ai được truy cập) có hệ quả pháp lý. Ba văn bản đáng chú ý:

• Luật Dữ liệu số 60/2024/QH15, thông qua ngày 30/11/2024, hiệu lực từ 01/07/2025. Điều 12 yêu cầu bảo đảm chất lượng dữ liệu, gồm tính chính xác, hợp lệ, toàn vẹn, đầy đủ, cập nhật kịp thời và thống nhất. Đây gần như chính là danh sách kiểm tra mà một đường ống tốt phải có.
• Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, thông qua ngày 26/06/2025, hiệu lực từ 01/01/2026. Điều 30 quy định dữ liệu cá nhân trong xử lý dữ liệu lớn, trí tuệ nhân tạo, điện toán đám mây phải được xử lý đúng mục đích, giới hạn trong phạm vi cần thiết; hệ thống phải có biện pháp bảo mật, xác thực, định danh và phân quyền truy cập phù hợp.
• Nghị định 356/2025/NĐ-CP ngày 31/12/2025 hướng dẫn Luật Bảo vệ dữ liệu cá nhân, hiệu lực từ 01/01/2026, thay thế Nghị định 13/2023/NĐ-CP.

Về kỹ thuật, điều này nghĩa là: chỉ thu nạp cột thật sự cần; che hoặc mã hoá số điện thoại, số giấy tờ tuỳ thân ở lớp dùng chung; phân quyền theo vai trò; ghi nhật ký truy cập; có cơ chế xoá khi hết mục đích. Chính sách, trách nhiệm, phân loại dữ liệu thuộc về quản trị dữ liệu (data governance), nơi data engineer là người thực thi về mặt kỹ thuật.

Câu hỏi thường gặp

Data engineer tiếng Việt là gì?

Data engineer thường được gọi là kỹ sư dữ liệu. Lĩnh vực của họ, data engineering, được gọi là kỹ thuật dữ liệu. Một số tin tuyển dụng ghi là kỹ sư dữ liệu lớn (big data engineer) khi hệ thống xử lý khối lượng dữ liệu rất lớn.

Data engineer có cần giỏi toán không?

Không cần giỏi toán như data scientist. Bạn cần tư duy logic, hiểu thống kê cơ bản để kiểm tra dữ liệu bất thường, và đặc biệt là tư duy hệ thống. Kỹ năng lập trình và hiểu cơ sở dữ liệu quan trọng hơn toán cao cấp.

Data engineer và data analyst, nên chọn nghề nào?

Nếu bạn thích xây hệ thống, viết code, tự động hoá và giải quyết sự cố kỹ thuật, hãy chọn data engineer. Nếu bạn thích đặt câu hỏi kinh doanh, kể chuyện bằng số liệu và làm việc nhiều với phòng ban, data analyst phù hợp hơn. Hai nghề chuyển đổi qua lại khá dễ vì cùng nền tảng SQL.

AI có thay thế data engineer không?

Trợ lý AI đã viết được truy vấn SQL, code chuyển đổi và tài liệu mô tả bảng, giúp làm nhanh hơn. Nhưng quyết định kiến trúc, đánh đổi chi phí, bảo đảm dữ liệu đúng và hợp pháp vẫn cần con người chịu trách nhiệm. Nhu cầu dữ liệu sạch cho AI còn làm việc của nghề tăng lên.