Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
ソフトウェアエンジニアとデータエンジニアの違い・キャリアチェンジ
Search
Sponsored
·
Ship Features Fearlessly
Turn features on and off without deploys. Used by thousands of Ruby developers.
→
k.muguruma
November 07, 2025
Technology
2.6k
1
Share
Embed
Copy iframe code
Copy JS code
Copy link
Start on current slide
ソフトウェアエンジニアとデータエンジニアの違い・キャリアチェンジ
試されDATA SAPPORO #1
https://tamesaredatahokkaido.connpass.com/event/369741/
でLTした資料です。
k.muguruma
November 07, 2025
More Decks by k.muguruma
See All by k.muguruma
MCPゲートウェイ MCPass の設計と実装 エンタープライズで AI を「運用できる」状態にする
mtpooh
1
720
Snowflake Summit 2025全体振り返り / Snowflake Summit 2025 Overall Review
mtpooh
2
1k
マルチデータプロダクト開発・運用に耐えるためのデータ組織・アーキテクチャの遷移
mtpooh
1
740
データ基盤におけるIaCの重要性とその運用
mtpooh
6
1.5k
ソフトウェアエンジニアリングの知見を活かして データ基盤をいい感じにする on Snowflake [MIERUNE BBQ #10]
mtpooh
2
820
データドリブンな世界を支える: データプラットフォームエンジニアリングの役割と影響
mtpooh
1
1.3k
Other Decks in Technology
See All in Technology
Baseline対応のDOMの型定義を作った
uhyo
3
700
アラート調査向けAIエージェントの本番導入とその後/AI Agents for Alert Investigation: Production Deployment and After
taddy_919
1
390
AWS Blocks を触ってみた/first-tach-aws-blocks
fossamagna
2
140
依頼文化をやめる日 EM視点で語るPlatform EngineeringとInclusive SRE / Discussing Platform Engineering and Inclusive SRE from an EM's Perspective
shin1988
3
2.7k
AIDLC_ヤフーショッピングの取り組み
lycorptech_jp
PRO
0
540
プライバシー保護の理論と実践
lycorptech_jp
PRO
1
240
認証認可だけじゃない! ID管理の構成要素と ライフサイクルを意識しよう
ritou
1
500
AIペネトレーションテスト・ セキュリティ検証「AgenticSec」紹介資料
laysakura
2
8k
20260702_生成AIはどこまで成長するのか_チャットだけじゃない世界
doradora09
PRO
0
100
はじめてのWDM
miyukichi_ospf
1
120
攻撃者がいなくてもAIエージェントはインシデントを起こす
nomizone
0
200
從觀望到全公司落地:AI Agentic Coding 導入實戰 — 流程整合與安全治理
appleboy
1
1k
Featured
See All Featured
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
34
2.8k
Tips & Tricks on How to Get Your First Job In Tech
honzajavorek
1
550
Why You Should Never Use an ORM
jnunemaker
PRO
61
9.9k
SEO in 2025: How to Prepare for the Future of Search
ipullrank
3
3.6k
Building Applications with DynamoDB
mza
96
7.1k
How Software Deployment tools have changed in the past 20 years
geshan
0
34k
Sam Torres - BigQuery for SEOs
techseoconnect
PRO
0
300
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
46
2.9k
[RailsConf 2023 Opening Keynote] The Magic of Rails
eileencodes
31
10k
<Decoding/> the Language of Devs - We Love SEO 2024
nikkihalliwell
1
270
Design in an AI World
tapps
1
260
The Curse of the Amulet
leimatthew05
2
13k
Transcript
ソフトウェアエンジニアとデータエンジニアの違い ・キャリアチェンジ データ時代の立役者 試されDATA SAPPORO #1 六車 (Muguruma)
自己紹介 • むぐるまです • 株式会社ナウキャスト所属 ◦ データエンジニア/データプラットフォームエンジニア ◦ 社内のデータ基盤のエンハンス・顧客向けデータ基盤構築支援など ◦
webエンジニア出身 • (2025年9月まで)北海道・札幌在住、今は東京に住民票を置いている ◦ 山とスキーが好き • X: @mt_musyu
今日話すこと ソフトウェアエンジニアから データエンジニアに キャリアチェンジして楽しいよという話 ソフトウェアエンジニア(webエンジニア)の方がデータエンジニアに転向してみよ うかな、と思ってくれたら成功!
私のエンジニアパス Webアプリエンジニアとして、フルスタックにフロント画面、API 開発、DB構築をやっていた。とても楽しかったのだけど、レバ レッジの効くこと がしたいという思いがあった キャリアの転換点 業務で特に面白みを感じたのは「データベースのチューニン グ」。アプリケーションのレイテンシ改善からを地道にやることに 喜びを感じ、その文脈からデータエンジニアという職業があるこ とを知った。縁の下の力持ち・総合格闘技
というワードに惹か れる。 なぜソフトウェアエンジニアからデータエンジニアに?
18.15% DEサービス市場の年平均成長率 (CAGR) (2033年まで) *出典: GlobeNewswire (2024) 現代技術のバックボーン AI、リアルタイム分析、パーソナライズされた顧客体験... 全ての「賢い機能」は、DEが構築する信頼性の高いデータ
基盤によって支えられています。 DEの需要は一時的なブームではなく、AI/IoTインフラを支え る恒常的なものと思っています。 なぜ今、データエンジニアなのか?
比較軸 ソフトウェアエンジニア (SE) データエンジニア (DE) 転換の焦点 コア目標 ユーザー向けアプリの機能開発 /安定性の維持 大規模データの収集、処理、品質保証
アプリロジック → データフロー 主要技術 Java, JavaScript, C++, フレーム ワーク、クラウド Python, SQL, Spark, クラウド 分散処理と非構造化データ 技術的規律 コード品質、テスト、レイテンシ データ品質( Data Quality)、スキーマ進化、ガバナンス、データパイプライ ンのステートフルな検証 対象がコードからデータへ ビジネスインパク ト 顧客体験、特定の機能の収益 化 組織全体の意思決定、 AI/MLの土台構築 戦術的 → 戦略的基盤 SE vs DE:技術的・ビジネス役割
現代のデータパイプラインは「スクリプト」ではなく、「堅牢で信頼 性の高いソフトウェア製品」 である — SWEのシステム設計スキルが不可欠な理由 " " データインフラの「ソフトウェア化」
システム設計能力の転用 : マイクロサービスの設計原則は、Data Meshやレイクハウスの設計に直接適用可能。 品質管理の徹底( DataOps): SEのTDD/CI/CD経験は、データがステートフル であることに起因する難易度の高いテストの 自動化に不可欠。 DBの深い知見
: データベースチューニングの経験は、大規模DWHの複雑なクエリ最適化に直結する。 ソフトウェアエンジニアの経験は役に立つ
1. クラウドと分散処理 Apache Spark, Kafka, AWS/GCP/Azure/Snowflake/Databricks の データサービス(最重要ギャップ) 2. データアーキテクチャ
DWH, データレイク, データメッシュの設計原則、ディメンションモデリ ング 3. データ処理言語と SQL Python (Pandas/PySpark) と 高度なSQL (ウィンドウ関数、クエリ チューニング) 埋めるべき 3つの技術ギャップ
SWE:ロジックによる不確実性対応 対象: 外部API、ユーザー入力、競合状態 向き合い方 : アーキテクチャ、型システム、ロジックによる防御 的プログラミング。 ゴール: できるだけステートレス なロジックで問題を解決する。
DE:コミュニケーションによる不確実 性対応 対象: データの発生源(人)、上流システムの「サイレント」な変 更、ビジネス定義の曖昧さ 向き合い方 : 技術に加え、泥臭いコミュニケーション で「人」に 向き合う。 ゴール: ステートフル なデータと組織に向き合い、品質を担保 する。 SWE→DEで変えるメンタルモデル
データインフラの「ソフトウェア化」をリードし、世の 中よくしていきましょう。 Your SWE skills are the key. ご清聴ありがとうございました