1. Gegevensbeheersystemen: Deze systemen zijn cruciaal voor het opslaan, organiseren en ophalen van gegevens. Voorbeelden zijn onder meer:

* Relationele databasebeheersystemen (RDBMS): Zoals MySQL, PostgreSQL, Oracle en Microsoft SQL Server. Dit zijn de werkpaarden voor gestructureerde data.

* NoSQL-databases: MongoDB, Cassandra, Redis. Deze zijn beter geschikt voor ongestructureerde of semi-gestructureerde gegevens en kunnen in sommige gevallen effectiever omgaan met grote volumes en hogesnelheidsgegevensstromen dan RDBMS.

* Datawarehouses en datameren: Deze systemen slaan grote hoeveelheden gegevens uit verschillende bronnen op voor analyse en rapportage. Snowflake, Amazon Redshift en Azure Data Lake Storage zijn voorbeelden.

* Gegevenscatalogi en metadatabeheersystemen: Deze systemen bieden een gecentraliseerde inventarisatie van en inzicht in de gegevensassets binnen een organisatie, waardoor de vindbaarheid en het beheer van gegevens worden verbeterd.

2. Data-analyse en Business Intelligence (BI)-systemen: Deze helpen datawerkers gegevens te analyseren en inzichten te verkrijgen.

* Business Intelligence (BI)-hulpmiddelen: Tableau, Power BI, Qlik Sense. Deze bieden visualisaties en dashboards voor het verkennen van gegevens.

* Tools voor gegevensvisualisatie: Veel tools overlappen met BI, maar gespecialiseerde tools zoals D3.js richten zich uitsluitend op het maken van aangepaste visualisaties.

* Statistische softwarepakketten: R, Python (met bibliotheken zoals Pandas, NumPy, Scikit-learn), SAS, SPSS. Gebruikt voor geavanceerde statistische analyse en modellering.

* Machine Learning (ML)-platforms: Deze bieden tools en infrastructuur voor het bouwen en implementeren van machine learning-modellen. Voorbeelden hiervan zijn Azure Machine Learning, AWS SageMaker en Google Cloud AI Platform.

3. Gegevensintegratie en ETL-tools (Extract, Transform, Load): Deze zijn essentieel om gegevens in het juiste formaat en op de juiste locatie te krijgen.

* ETL-hulpmiddelen: Informatica PowerCenter, Talend, Matillion. Deze automatiseren het proces van het extraheren van gegevens uit verschillende bronnen, het transformeren ervan en het laden ervan in doelsystemen.

* API-integratieplatforms: MuleSoft, Zapier. Wordt gebruikt om verschillende applicaties en systemen met elkaar te verbinden en de gegevensuitwisseling te automatiseren.

4. Systemen voor gegevensbeheer en compliance: Deze garanderen de gegevenskwaliteit, beveiliging en naleving van de regelgeving.

* Tools voor gegevenskwaliteit: Deze helpen bij het identificeren en corrigeren van inconsistenties en fouten in gegevens.

* Gegevensbeveiliging en toegangscontrolesystemen: Deze beheren gebruikersrechten en beschermen gevoelige gegevens.

* Tools voor het bijhouden van datalijnen: Deze volgen de oorsprong en transformaties van gegevens en helpen bij audits en probleemoplossing.

5. Cloud computing-platforms: Veel van de bovengenoemde systemen worden nu aangeboden als cloudservices en bieden schaalbaarheid, flexibiliteit en kosteneffectiviteit. Voorbeelden hiervan zijn AWS, Azure en Google Cloud Platform.

De specifieke informatiesystemen die een datawerker gebruikt, zijn afhankelijk van hun rol, de sector waarin ze werken en de technologische infrastructuur van de organisatie. Een datawetenschapper kan sterk afhankelijk zijn van statistische software en ML-platforms, terwijl een data-analist zich kan concentreren op BI-tools en SQL-databases. Een data-ingenieur zou meer betrokken zijn bij data-integratie en managementsystemen.