DA trong ngành bảo hiểm thì thị trường nhu cầu thím nhé. Mình đã triển khai dự án cho 1 bên, đang tư vấn cho 1 bên khác, xu hướng là lấy người trong công ty build lên. Nhu cầu DA để xử lý nghiệp vụ reporting trước, nhưng nếu thím muốn đi sâu hơn trong mảng phân tích, định giá, rủi ro thì cũng phải cày cuốc thêm về nghiệp vụ bảo hiểm nữa.
e kiểu làm hỗ trợ về mặt hồ sơ khách hàng cho các bạn Claim thím ạ. Chứ quyền thẩm định thì vẫn phải do Claim quyết định có bồi thường hay không. Học thêm nghiệp vụ bảo hiểm thì đau đầu quá. Có đi học ở bên ngoài thêm được không thím? Với cả e thấy trong cty e cũng nhiều bạn CL k học bảo hiểm, học y mà có cả kỹ thuật, điện....xin vào r đc training lại để làm Claim ấy
Ngành Data nói chung dạo này đang hot, các con giời lao vào cũng nhiều mà không có định hướng nên phí thời gian hoặc bị chăn dắt chẳng đi đến đâu.
Mấy tuần nay covid không đi cày được nên lập cái topic tư vấn chơi chơi và kể chuyện công việc, chia sẻ với anh em.
Sơ lược về mình:
Mình làm dữ liệu từ năm 2014, khởi đầu từ Data Analyst sau lấn sang làm đủ thứ từ DBA, Data Quality Control, Head of Data Department, Data Architect, MIS Project Manager.
Ngành học đại học là phân tích tài chính, theo mảng này phải học thêm khá nhiều về CNTT.
Mình có làm thêm mảng đào tạo, tư vấn, triển khai từ 2018. Hiện tại, vẫn đang làm đào tạo cho cá nhân, doanh nghiệp, liên kết với một số trường đại học.
Phạm vi topic này:
Kể chuyện nghề: lịch sử làm việc, những cú để đời trong quá trình hành nghề.
Tư vấn nghề nghiệp: Cho các bạn quan tâm, muốn theo ngành này.
Kết nối đến các thím cùng ngành. Mình có theo dõi vài topic, thấy cũng nhiều thím làm cùng ngành, hi vọng kết nối và hỗ trợ được lẫn nhau.
Tìm đồng đội: Team mình đa phần giờ các anh em đều làm sâu về chuyên môn, không có người làm marketing, vận hành và growth . Hi vọng, kết nối được với các bạn cùng chí hướng và có khả năng làm mảng giáo dục.
Miễn là anh em còn phản hồi, mình sẽ duy trì thread này.
Để mở đầu, mình note lại một số quan điểm cá nhân về một số lầm tưởng trong ngành:
1. Làm dữ liệu phải giỏi siêu nhân về toán, thần thánh về lập trình hoặc công cụ, hiểu rất sâu về business.
Quan điểm cá nhân: Bạn code tốt hơn một ông thuần về business, hiểu về business hơn một ông dev bình thường, hiểu về toán tốt hơn cả 2 ông kia (cũng chưa biết đâu vì nhiều dev xịn mình biết học sư phạm toán với toán ứng dụng ra đấy :-s ). bạn viết truy vấn SQL có thể tốt hơn Dev vì bạn hiểu về business nhưng thử viết một stored produce xử lý một tác vụ của phần mềm xem có toang không đã nhé.
2. Bạn không cần học SQL, lập trình. Mấy cái đó chỉ dành cho các công ty nghèo không có tiền mua tool xịn như Power BI, Alteryx.... Còn làm gì có tool làm được hết rồi, cần thì request IT xử lý..
Quan điểm cá nhân: Tool toy rất tiện và bản thân mình cũng ủng hộ tool nếu có thể. Tuy nhiên tool nào cũng có mặt hạn chế. Thử vào một doanh nghiệp và cần trích xuất dữ liệu trực tiếp với lượng dữ liệu từ vừa đến lớn với logic phức tạp thì SQL sẽ là cứu cánh để bạn triển khai được nhanh, gọn và mạch lạc hơn. Và mình học và làm việc sâu với SQL không phải vì mình "nghèo" mà vì tính phổ biến, khả năng tùy biến của ngôn ngữ và ưu điểm tuyệt đối của nó trong một số hoàn cảnh cụ thể. Ít nhất mình có quyền lựa chọn thay vì chết vì phụ thuộc tool toy.
3. Mình chỉ cần học về tư duy là đủ rồi, chứ công cụ không quan trọng.
Quan điểm cá nhân: Việc đầu tiên khi người ta học làm bếp là học cầm con dao sơ chế miếng thịt, cá như thế nào. Với một chief có thể nấu được bữa ăn từ bất cứ những công cụ gì họ có trong tay. Họ làm được vì họ từng sử dụng qua rất nhiều công cụ chứ không phải họ chỉ ngồi học lý thuyết về ẩm thực. Trước đây mình đã từng viết 1 bài về Law of the Instrument: "if all you have is a hammer, everything looks like a nail". Quá trình sử dụng công cụ để giải quyết vấn đề giúp bạn phát triển tư duy, nếu khả năng sử dụng công cụ của bạn bị giới hạn thì rất có thể bạn sẽ dẫn về số 2, phụ thuộc vào một công cụ nào đó vì không còn quyền lựa chọn. Khá hài hước khi tư tưởng coi thường công cụ nhưng xét mặt nào đó lại bị phụ thuộc vào công cụ. )
4. Ngược lại với 3, mình cần phải giỏi công cụ X, master công cụ Y, công ty không tuyển mình vì mình không giỏi công cụ xyz.
Quan điểm cá nhân: Thành thạo công cụ là một điểm cộng lớn khi bạn apply công việc, nhất là với các vị trí junior. Tuy nhiên, nếu như bạn đã thành thạo và tạo được sản phẩm bằng một công cụ nào đó, bạn hoàn toàn có thể học công cụ tương đương mà không mất nhiều thời gian. Các nguyên lý và cách sử dụng công cụ, ngôn ngữ lập trình đều tương tự nhau, nếu học hãy tập trung vào một số mảng và thực sự thành thạo nó thay vì đẽo cày giữa đường để gom key word ném vào CV.
5. Mình đã luyện xong 1001 đường tịch tà kiếm phổ, sẵn sàng trở thành siêu nhân trong ngành dữ liệu.
Quan điểm cá nhân: Bạn có thể chỉ cần thuần Excel vẫn kiếm được công việc chính thức trong ngành dữ liệu với mức lương tính bằng nghìn USD (người thật việc thật). Nhưng đa phần các công việc trong ngành dữ liệu đều cần tìm hiểu thêm rất nhiều thứ khác, tech stack khác với dự án trước đây, domain khác với domain đã biết, nghiệp vụ hoặc luật lá thay đổi. Bạn sẽ tìm hiểu đủ thứ từ marketing đến UI-UX design, human heuristics.... Giữ tư duy mở và thái độ sẵn sàng học bất cứ cái gì công việc yêu cầu. Khả năng học và vận dụng nhanh mới giúp bạn sống sót và phát triển tốt trong ngành này.
6. Làm BI/DA là phải làm dashboard đẹp, kể được câu chuyện về dữ liệu, phải có 1001 nghiêm quy giới luật về information design cần tuân thủ.
Quan điểm cá nhân: Bạn cần phải làm được những điều trên nhưng chỉ là một phần rất nhỏ trong công việc, nếu bạn tôn thờ nó quá thì nhiều khả năng bạn làm consultant hơn là làm in-house cho doanh nghiệp. Đào bới được dữ liệu xem nó nằm đâu trong hệ thống, thống nhất được với các đơn vị xem dữ liệu nào chính xác đã hộc máu rồi. Nhiều stakeholders chỉ cần một cái pivot table hay chart đơn giản là quá đủ cho nhu cầu của họ. Quan trọng là context và mục đích sử dụng và làm sao tối đa được giá trị cho stakeholders.
Mời các cao nhân khác trao đổi và đóng góp thêm.
Bạn nào có câu hỏi gì cũng thả luôn ở đây nhé.
### Update:
Để mọi người dễ theo dõi, mình xin phép tổng hợp những chia sẻ, thắc mắc được nhiều người quan tâm nhất lên thớt #1. Ngoài ra, mình vẫn sẽ tiếp tục tổng hợp và update những câu hỏi, use case hay và thú vị của những bác hoạt động trực tiếp trong nghề.
1. Học và làm gì để có thể bước vào ngành Data
Các công việc liên quan đến dữ liệu gần như không yêu cầu kiến thức nền và ứng dụng được trong đa ngành, không chỉ riêng kinh tế, kinh doanh. Vì vật, gần như bất cứ ai cũng có thể theo đuổi ngành này, tất nhiên là với mức độ đầu tư và quyết tâm cụ thể.
Mình tạm chia thành 2 nhóm chính:
Sinh viên, người mới ra trường
Khối kinh doanh, kinh tế, tài chính, marketing,...
Khối IT, hệ thống thông tin quản lý, cơ sở dữ liệu,...
Dân IT sẽ có lợi thế hơn về ban đầu vì đã quen thuộc với công nghệ, code. Tuy nhiên là món đa ngành, nên không phải cứ code giỏi là làm được việc mà còn yêu cầu rất nhiều về domain knowledge. Dù là dân Biz hay IT đều phải học thêm. Tuy nhiên định hướng và các vị trí công việc trong ngành cũng rất khác nhau, có thể thuần tech hoặc thuần biz.
Trong quá trình học nên tích cực đi thực tập, làm sớm để hiểu về hoạt động trong doanh nghiệp. Tiếng anh tốt và thi thêm một số chứng chỉ quốc tế cũng có nhiều lợi thế cho các bạn entry level.
Có thể tham khảo:
Hệ thống thông tin quản lý của ngân hàng, thương mại, học viện tài chính. NEU, Bách Khoa và sắp tới cả FTU cũng có ngành phân tích dữ liệu rồi.
Pros:
1. Bằng cấp chính quy bao giờ cũng tốt hơn. Nhất là sau này vào cơ quan nhà nước hoặc xác định học lên tiếp.
2. Chương trình thạc sỹ học lại nhiều môn cơ bản về toán + lập trình, bù đắp cho các phần thiếu hụt của sinh viên kinh tế. Sẽ có ích sau này. Cons:
1. Thời gian đầu tư dài. (1,5-2 năm)
2. Kỹ thuật học nặng về lý thuyết nhưng dàn trải. Sinh viên học xong vẫn phải bơi thêm mới đáp ứng được công việc thực tế.
3. Đầu ra không có định hướng về business, domain hoặc vị trí công việc cụ thể.
Người đã có công việc ổn định và có nhu cầu chuyển ngành
Đối với người làm sales, finance, mkt,... => nếu công việc đang dùng đến data nhiều rồi, có thể cân nhắc học thêm theo hướng áp dụng và phát triển công việc hiện tại, không nhất thuyết phải nhảy hẳn sang job mới để kiếm cái title có chữ D.
Có thể cân nhắc các vị trí admin, chỉ đi tổng hợp số liệu 1 phòng ban kinh doanh nào đó. Ở một số doanh nghiệp lớn, mô hình kinh doanh không đổi nhiều thì DA, DE, DBA làm sau 1-2 năm kinh nghiệm rồi thì khá nhàn (và cũng chán).
Còn nếu muốn chuyển hẳn sang ngành này với mức thu nhập tốt thì nên xác định đầu tư thời gian.
2. Đầu ra của ngành và hướng phát triển
Mức lương
Còn tùy kinh nghiệm và ngành nghề:
Intern - Fresher khoảng 10 đổ lại.
Junior - 1x.
Associate trở lên thì phụ thuộc nhiều yếu tố.
Range trên là tính mặt bằng chung ở HN chỉ mang tính chất tham khảo, HCM cao hơn khoảng 20-30% (estimated).
Các trường hợp ngoại lệ thì không tính. Mảng này đang thiếu nhân sự làm được việc nên nếu tự tin, được refer vị trí phù hợp hoặc phỏng vấn tốt thì thu nhập cũng vô cùng lắm.
Hướng phát triển sự nghiệp
Giờ thị trường đang trending nên loạn lạc. Nhu cầu nhân lực vẫn nhiều, nhưng người làm được không có mấy. Nhiều big corp tuyển về mà không tận dụng hết. Khi mảng dữ liệu trưởng thành hơn sẽ phân tách bộ phận và vai trò rõ ràng hơn, doanh nghiệp và ứng viên có kỳ vọng đúng đắn hơn về ngành.
Tương lai thì các kỹ năng về Data, Analytics sẽ blend vào các vị trí công việc hiện tại của các ngành nghề. Như kiểu tin học văn phòng, tiếng anh bây giờ. Có kỹ năng nhưng không nhất thiết phải title có chữ Data. Dù sao DA là vị trí trung gian nên bước đi tiếp theo cũng có nhiều lựa chọn hơn thuần tech hoặc thuần biz.
Phát triển từ DA
DA có thể đi lên tiếp theo hướng đi sâu một domain hoặc tech stack nào để thành expert, hướng sang các vị trí Analytics Manager, Data Project Manager, dài hạn có thể là CDO. Ngoài ra DA có thể chuyển sang các vị trí khác vì có tư duy tốt phân tích, hiểu nghiệp vụ, có kỹ năng tech sẽ có rất nhiều lợi thế.
DA cũng có thể rẽ sang DE, tuy nhiên con đường là khá hẹp và không hẳn là phù hợp với tất cả mọi người vì yêu cầu rất nặng về tech, tư duy phát triển hệ thống, dev. Một DE xịn, hiểu business sẽ giúp ích rất nhiều ở chỗ đưa cho doanh nghiệp những data mà họ cần.
3. Toolset - Learning path
Start cho người mới
Start đơn giản nhất thì bạn nên bắt đầu với:
Excel, google sheet phải có là tất nhiên rồi.
SQL, học để truy vấn dữ liệu. Nắm logic cơ bản, tự tin xử lý mấy case join nhiều điều kiện, truy vấn con phức tạp là okie.
Một công cụ BI (Power BI, Tableau, Qlik...). Dùng visualize dữ liệu. Recommend là Power BI vì học nhanh, đang phổ biến mạnh và kết hợp với excel tiện.
Một ngôn ngữ lập trình. Python nếu không có ưu tiên gì đặc biệt. R cũng ok.
Về phỏng vấn:
Kiếm dataset về làm một số báo cáo, phân tích mẫu để đưa vào hồ sơ sẽ cho nhà tuyển dụng cân nhắc hơn.
Còn nhiều thứ khác phải học nhưng kiếm job nào phù hợp apply đã mới có chỗ mà thực hành. Đã đi làm 5 năm thì nên tìm job nào trong cùng domain của mình apply sẽ dễ thở hơn.
Toolset
SQL hay rộng hơn là database fundamental quan trọng. Tuy nhiên các bạn học SQL nhưng không có điều kiện ứng dụng trong công việc sẽ khó thành thạo và ngấm được hết để chuyển đổi tư duy sang các công cụ khác.
Ngoài ra, cả hệ sinh thái Power BI nói chung rất rộng, muốn thành thạo nó SQL là quan trọng, nhưng không hẳn là bắt buộc. Và cũng không nên để các bạn hiểu kiểu Power BI là subset của SQL, học SQL xong sẽ có thể thành thạo Power BI ở mức tương đương.
Học SQL tốt cũng có ích trong việc thiết kế CSDL, vẽ ERD.
Hiện tại bên cạnh Power BI, còn có các công cụ BI được sử dụng khá nhiều khác như Tableau, Qlik,... Tuy nhiên mình vẫn +1 cho Power BI vì nó đa dụng, dễ làm quen và mình hay làm việc với hệ sinh thái Microsoft.
Thậm chí, Power BI nó dễ dùng quá dẫn đến cái false sense là t thành master sau 1 tuần.
Mấy thanh niên học tủ thi xong cái DA-100 ra chém gió đi dạy quá trời. Trong khi có team doanh nghiệp làm việc với Power BI cả mấy năm rồi, mời mình về dạy Advanced Dax and Data Modeling phải tẩy não lại từ đầu do cái tư tưởng dùng Power BI thay cho vẽ chart trên Excel.
Julia, R hay Python cũng okie. Có điều Julia chưa phổ biến bằng 2 thằng kia, sau này nếu cần thì học thêm 1 ngôn ngữ khác cũng không vấn đề gì. Python thì đa dụng.
Learning path
Sách
Python for Data Analytics - Wiley
HBR Guide to Data Analytics Basics for Managers - HBR
Modern Database Management System - Pearson
How to lie with statistic
Còn mấy quyển sách giáo khoa kiểu Storytelling with data... thì thôi khỏi nhắc.
Yếu tố nữa cần cân nhắc với các bạn là môi trường làm việc và các bạn ứng dụng như thế nào? Các khóa học sẽ mang lại kiến thức foundation, định hướng cách học tập và hỗ trợ các bạn trong giai đoạn đầu. Nếu học xong các bạn không làm thường xuyên thì lấy gì cạnh tranh với những người cũng học đầy đủ và làm việc đó hàng ngày?
Vì vậy, mình luôn khuyên các bạn nên tích cực đi thực tập, làm sớm để quen với công việc và ứng dụng những gì mình đã học.
Học có giảng viên hướng dẫn thì sẽ có người hệ thống kiến thức, nhấn mạnh và giải thích kỹ hơn về các concept quan trọng, hướng dẫn các tips, tricks kinh nghiệm trong quá trình học và ứng dụng vào công việc nữa. 4. Phân biệt DA vs BI
Quan điểm của mình, với entry level thì skillset và công việc của DA, BI khá tương đồng. Thực tế công việc trong doanh nghiệp cũng không có khác biệt đáng kể.
Thật ra đều là làm việc với dữ liệu và sản phẩm cũng tương tự như nhau nên phân biệt vị trí này là ko cần thiết, cũng như phân biệt DA và DS, thật ra cũng tuỳ định nghĩa từng nơi, ví dụ mấy chú DS tại một số DN làm khác gì DA đâu.
Cách phân biệt gần đúng nhất BI và DA là phân biệt theo "field of application" . Business Intelligence thì sẽ tập trung vào xây dựng hệ thống lưu trữ dữ liệu, hệ thống báo cáo, phân tích, dự báo cho doanh nghiệp, hỗ trợ việc ra quyết định kinh doanh
Data Analytics thì thường tập trung hơn vào hệ thống báo cáo, phân tích, dự báo, và có thể thuộc rất nhiều lĩnh vực chứ ko chỉ Business. Ví dụ như Y tế, chính trị, môi trường.
Có thể hiểu Business Intelligence = Data Analytics (business-oriented) + BI System (DWH+BI tools)
Đừng đọc mấy tài liệu các bạn Marketing chém lung tung lại loạn.
5. Cách tiếp cận một hệ thống CSDL mới
Khi tiếp cận hệ thống mới mình thường chia theo subject area, xem mảng nghiệp vụ nào quan trọng thì tìm hiểu trước. Vẽ lại mô hình kinh doanh để hiểu ý nghĩa chỉ số, dữ liệu trước khi đào vào db. Bên bạn có DWH nếu kiến trúc tốt thì cũng dễ thở.
Sếp dí mà nhiều số không biết tìm ở đâu thì liệt kê ra hỏi lại sếp hoặc đồng nghiệp. Làm 1 cái danh sách để hỏi 1 thể.
Dữ liệu chưa có công thức cụ thể, không biết đúng sai như thế nào thì bác tách rõ vai trò ra, ví dụ:
Định nghĩa công thức, logic tính toán.
Xác định nguồn dữ liệu trong db.
Tính toán chỉ số đưa ra báo cáo, thực hiện các phân tích khác.
1 cần có tài liệu hoặc người hiểu về nghiệp vụ, 2 cần tài liệu hoặc người hiểu về db. Nếu 1 và 2 đều không có thì mình tự định nghĩa, tự mò cũng được nhưng làm xong sẽ viết lại rõ ràng và xác nhận với các bên liên quan. Sau khi đó mới thực hiện tính toán.
Quá trình này có thể lặp lại nhiều lần mới ra kết quả đúng. Tách rõ ra bác sẽ biết và giải trình được vấn đề ở đâu; sau này có ai kế thừa cũng đỡ khổ.
Các dữ liệu quen tay rồi cũng nên double check cẩn thận trước khi đẩy ra ngoài. (Filter xem thử các dòng ntn, so chéo với nguồn dữ liệu khác...)
Dạ bác ơi, em cũng là sinh viên đang theo đuổi mảng Dữ liệu. Bác có thể chia sẻ 1 số đầu sách, có thể giúp mình biết cách khai thác dễ dàng hơn những insights có giá trị từ bộ dữ liệu, hoặc là sách giúp mình tư duy khi làm việc với dữ liệu được không ạ. Em xin chân thành cảm ơn bác
Có bác nào làm bên mảng y sinh học ko. Mình thấy mảng này đặc thù ở chỗ là phải hiểu cơ chế mới phiên giải dữ liệu tốt được. Còn ko cứ làm model tốt nhất về mặt dữ liệu hiện có thì cũng ko nói lên được gì. Nên phải từ background chuyên ngành đi ra, DA chỉ là công cụ hỗ trợ.
Có bác nào làm bên mảng y sinh học ko. Mình thấy mảng này đặc thù ở chỗ là phải hiểu cơ chế mới phiên giải dữ liệu tốt được. Còn ko cứ làm model tốt nhất về mặt dữ liệu hiện có thì cũng ko nói lên được gì. Nên phải từ background chuyên ngành đi ra, DA chỉ là công cụ hỗ trợ.
Cái này thì tuỳ thím ạ, đúng là ngành đặc thù đó thì sẽ cần chuyên môn riêng, tuy nhiên, không bắt buộc là người từ domain đó sang. Mình làm việc với nhiều team học toán tin ứng dụng, họ học thêm về domain mới để làm cũng okie luôn. Hay kiểu 1 tiến sĩ về khí tượng học làm model chính cho algorithm trading chứng khoán. Vì về bản chất nó vẫn là xử lý tín hiệu chuỗi thời gian.
Học ở datapot thì cũng không hẳn "cơ bản" lắm đâu thím, giáo trình ở đó đã cover khá chi tiết các đầu mục quan trọng của từng bộ môn rồi và để dành cho 1-2 năm đầu đi làm ngẫm thêm rồi. Thím follow được và làm hết bài tập với dự án thì quá ổn luôn.
Sách thì có một số quyển sau bật ra trong đầu mình, thím cần thêm về chủ đề, lĩnh vực nào thì nhắn mình nhé:
Dạ bác ơi, em cũng là sinh viên đang theo đuổi mảng Dữ liệu. Bác có thể chia sẻ 1 số đầu sách, có thể giúp mình biết cách khai thác dễ dàng hơn những insights có giá trị từ bộ dữ liệu, hoặc là sách giúp mình tư duy khi làm việc với dữ liệu được không ạ. Em xin chân thành cảm ơn bác
Mình cũng đang làm về mảng data ở trong bank,1 năm làm BI sau đó chuyển sang là về Data governance được gần 3 năm
Hiện tại cũng đang muốn kiếm thêm job làm về mảng này vừa để nâng cao năng lực chuyên môn vừa để kiếm thêm thu nhập,tiền bối có tư vấn gì được không
Em từ bên lập trình 6 năm rồi, tuy nhiên giờ cũng muốn chuyển sang nghành này, các bác có biết trung tâm nào đào tạo món này không, giới thiệu cho em với. Em muốn học offline hơn là online.
Em từ bên lập trình 6 năm rồi, tuy nhiên giờ cũng muốn chuyển sang nghành này, các bác có biết trung tâm nào đào tạo món này không, giới thiệu cho em với. Em muốn học offline hơn là online.
mới nghỉ việc data ở bank (1 yoe), e mới apply DA loanh quanh 1 vài chỗ trong lúc đang cày cert Google DA ở coursera mà có 1 bên đã gửi e bài test r
test họ đưa 1 tập dataset xong hỏi cách process dữ liệu, lấy insights và xây dựng dashboard. Mà tình hình là cv trước của e k có xài Power BI nên e mù tịt vậy có nên skip phần dashboard để tập trung 2 phần kia ko ạ
mới nghỉ việc data ở bank (1 yoe), e mới apply DA loanh quanh 1 vài chỗ trong lúc đang cày cert Google DA ở coursera mà có 1 bên đã gửi e bài test r
test họ đưa 1 tập dataset xong hỏi cách process dữ liệu, lấy insights và xây dựng dashboard. Mà tình hình là cv trước của e k có xài Power BI nên e mù tịt vậy có nên skip phần dashboard để tập trung 2 phần kia ko ạ
Về mặt công cụ, không làm bằng Power BI thì vẽ bằng excel hay cái gì cũng được bạn, nhưng nhà tuyển dụng đang dùng Power BI mà bạn không dùng được thì là điểm trừ lớn. Còn về kĩ năng làm dashboard, từ dùng biểu đồ nào, bố cục ra sao, màu sắc như nào để trình bày được insight thì không skip được đâu, nó là kĩ năng cơ bản rồi. Nếu không thì chịu khó ôn luyện thêm 1 thời gian rồi apply tiếp.
Về mặt công cụ, không làm bằng Power BI thì vẽ bằng excel hay cái gì cũng được bạn, nhưng nhà tuyển dụng đang dùng Power BI mà bạn không dùng được thì là điểm trừ lớn. Còn về kĩ năng làm dashboard, từ dùng biểu đồ nào, bố cục ra sao, màu sắc như nào để trình bày được insight thì không skip được đâu, nó là kĩ năng cơ bản rồi. Nếu không thì chịu khó ôn luyện thêm 1 thời gian rồi apply tiếp.
Em background Dược, 25 tuổi, mong muốn chuyển sang DA, nhưng em thấy yc biz và tech skill. Nên hiện tại e ms chuyển làm MKT Dược được 4 tháng nhưng không đc sâu lắm vì toàn chạy ads và design, nên ko hiểu đc toàn cảnh về business. Em đã học qua Html, CSS, Java, C, sql, git.
1. Mn có thể tư vấn cho em lộ trình để chuyển sang DA không ạ.
2. Em có nên tiếp tục làm marketing (e ko bt kinh nghiệm này có giúp ích chút nào để chuyển sang DA ko), hay nên all-in học DA luôn ạ.
3. Và em nên học VB2 cntt hay nên học MBA kinh tế hơn ạ. Em đã đky cntt của UIT, nhưng mới đky đc 1 kỳ nên nếu có định hg ổn hơn e vẫn có thể rút được ạ.
Em cảm ơn ạ.
)
