
DBA技能需紧跟大数据技术发展变化
新技术正在改变数据处理现状。尽管无模式NoSQL、Hadoop平台及其他相关工具越来越流行,但是传统数据库管理的变化可能并不大。然而在许多公司部署了基于这些技术的系统之后,一些新技术很可能会给数据库管理员(DBA)带来压力。DBA安心扮演“数据库模式(schema)管理者”的时间越来越少。
Caserta Concepts LLC是纽约一家专注于数据仓库和大数据部署的咨询与培训服务公司,公司总裁JoeCaserta对TechTarget记者说:“转变显然正在发生,但是它对于DBA的影响并没有想象中那么大。在传统企业数据部门中,DBA的职责仍然是管理长期以来围绕熟悉的SQL建立和运行的关系型数据库和数据仓库。”
然而,开发者在数据设计方面受到的影响越来越大,Caserta认为这种变化将促使一些DBA寻求丰富自己的技能。
有些东西在变,有些东西没有变
例如,开发者现在可以启动一些不使用数据库模式的Hadoop和NoSQL项目,这种现象代表了企业开发方式的一种转变。即便如此,有一些公司仍然很可能继续创建参考数据模型。虽然这些建模工作可能由企业架构师或数据架构师完成,但是Caserta指出,一些DBA也可以参与建模,所以他们需要学习NoSQL系统的工作原理。
“他们会使用不同的工具和不同的建模策略。我们仍然需要一些人来处理这些模型。我们也需要一些了解如何管理这些新数据库的人员。”Caserta说。
要想胜任后一种工作,则必须经过一些新培训:那些通过Oracle数据库认证的DBA未必就知道如何创建和设计一个Cassandra数据库。Caserta说:“一般DBA要求掌握的方法都必须重新学习。管理Hadoop集群的能力也会成为DBA的一项重要技能。通常,他们还需要学习如何在没有模式的数据库保存数据。”
灵活性的代价是什么?
MullinsConsulting公司总裁及首席咨询师Craig Mullins指出,NoSQL流行的前提就是能够简化一些DBA的学习过程。它并不是一些人想象的新事物。例如,面向大型主机的VSAM文件技术与新的键值数据存储之间有着明显的相似性。
但是,它们之间有一些本质区别。NoSQL软件提供的灵活性也有一定的代价,因为它实现数据完整性的难度更大了。但是,对于现在许多公司的Web应用程序而言,完整性优先级不如数据灵活性高。对于DBA而言,最大挑战是适应设计与开发风格的变化。
Mullins有30多年数据管理经验,撰写出版了图书《DBA修炼之道:数据库管理员的第一本书》。他说:“有一些DBA的适应能力强于其他人。过去20年里我们见过许多这样的例子。”
Mullins指出,在许多组织中,DBA总是需要管理多个关系型数据库系统。有这种技能的DBA应该研究NoSQL方法,以便在公司需要使用NoSQL产品时成为指导公司的第一线人员。
Mullins补充说,数据模式定义可能会越来越少,但是系统可用性和理解数据在各个节点的分布方式会变得越来越重要。
DBA的甜蜜时光到头了吗?
事实上,数据管理专家联盟DAMA International主席Sue Geuens认为,新的数据架构让DBA有机会扩大自己在公司中影响力。Geuens在南非约翰尼斯堡工作,是一家SAP软件和服务提供商EPI-USE SystemsLtd.的数据服务主管。她说:“DBA一直以来都被视为一些待在角落里默默监控数据库服务器运行状态的技术极客。我认为DBA已经厌倦了被贴上这样的标签。”
Geuens指出,我们很可能会在将来看到不同类型的DBA,有一些继续坚持从事传统技术与管理工作,而另一些则会努力学习管理大数据的新技术和工具。她说:“我们将看到新的DBA职业头衔,也会看到比现在更加专注于关系数据库的专业头衔。”
正如Geuens所强调的,这并不是DBA第一次增加新技能,他们本身就已经包含很多的职能。他们的技能包括建模、绩效管理和基础管理,而且每一种数据库品牌的专业深度又会进一步增加这个职业的复杂度。
这些专业知识可能就意味着薪资的提升。例如,TechTarget 2014 IT薪资与职业调查显示,近期涨幅居前的数据库管理员平均部薪资为115,630美元。年度增长率达到22%。
著名保险公司MetLife的数据库专家Greg Novikov在10月份波士顿的MongoDB Days 2014活动上指出,接触NoSQL数据库这样的新技术确实要求DBA调整自己的思考方式。但是它在一定程度上也会给DBA带来更丰厚的回报。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13