Arina Hashimoto
Senior Member
Theo bác nhóm này hiện yêu cầu tech stack gồm những gì và sâu đến đâu nhỉ, và doanh nghiệp thường họ có yêu cầu kinh nghiệm ít nhất về 1 business domain nào không bác
thảo luận Data Analytics - Chia sẻ chuyện nghề.
- Người tạo chủ đề thuocdo181
- Ngày bắt đầu
Thả nhẹ 1 chiếc link về khoá học Data Analyst cho anh chị em có nhu cầu Khóa học Data Analyst: Phân tích dữ liệu cho người mới bắt đầu (http://ldp.ink/khoa-hoc-data-analyst-1)
Thả nhẹ 1 chiếc link về khoá học Data Analyst của trung tâm X cho anh em tham khảo. Khóa học Data Analyst: Phân tích dữ liệu cho người mới bắt đầu (http://ldp.ink/khoa-hoc-data-analyst-1)
thuocdo181
Member
Bác cứ học để thêm kỹ năng và ứng dụng trong công việc đã, một thời gian thấy phù hợp hãy nghĩ đến chuyển ngành. Lúc đó domain ngân hàng của bác cũng hỗ trợ được nhiều thứ.
Giờ chuyển thẳng sang 1 ngành mới hoàn toàn thì chấp nhận đi lên từ đầu là một rủi ro khá lớn.
Nếu học trung tâm, bác có thể tham khảo khoá Data Analytics Foundation ở Datapot.
Nếu tự học, bác có thể tham khảo mấy khoá ở DataCamp, Coursera. Ưu tiên của mình về kĩ năng cứng vẫn là làm việc thành thạo với SQL + Power BI. Còn domain và các kĩ năng khác sẽ build dần theo kinh nghiệm và định hướng của bác.
thuocdo181
Member
Bộ trang bị khởi đầu vẫn là Excel, SQL, Power BI, Python. Mà cần học và hiểu tương đối sâu về công cụ, làm được một số use-case cơ bản. Mình note tạm một vài đầu mục ở đây, thừa thiếu nhờ các bác khác bổ sung thêm:Theo bác nhóm này hiện yêu cầu tech stack gồm những gì và sâu đến đâu nhỉ, và doanh nghiệp thường họ có yêu cầu kinh nghiệm ít nhất về 1 business domain nào không bác
+ Excel: Tin học văn phòng cơ bản, dùng các hàm, format files thành thạo.
+ SQL: Hiểu được cách thức và nguyên lý làm việc của SQL. Có khả năng giao tiếp với người dùng để lấy yêu cầu và xử lý các truy vấn phức tạp. Một số kỹ thuật phải dùng mà không cần nghĩ: join nhiều điều kiện, join bất cân bằng, join nhiều bảng với nhiều lớp sub-queries phức tạp. Nói chung là đọc đến yêu cầu lấy dữ liệu nào là dịch nó sang SQL được.
+ Power BI: Sử dụng được Power BI trong các tác vụ phân tích bao gồm nhưng không giới hạn trong:
1. Trao đổi được với người dùng để lấy nhu cầu và đề xuất giải pháp. Thuyết trình được về kết quả sau triển khai, phân tích.
2. Tư duy tổ chức, mô hình hoá dữ liệu (data modeling). Hiểu và vận dụng được các khái niệm bảng Dim, Fact; các yếu tố của các mối quan hệ và cách thức mô hình dữ liệu vận hành. Hiểu được pros & cons khi dịch yêu cầu phân tích thành mô hình dữ liệu.
3. Hiểu được nguyên lý và thực hiện được các công thức DAX một cách chủ động (thay vì đi search code trên mạng và thử sai). Một số khái niệm cần nắm (filter context, row context, context transitions). Thành thạo các nhóm hàm cơ bản. Hiểu được cách DAX tương tác với mô hình dữ liệu.
4. Hiểu được các nguyên tắc trong trình diễn dữ liệu. Vận dụng để tư vấn cho các người dùng cuối. Xây báo cáo ra sao, tinh chỉnh như thế nào. Từ bố cục báo cáo, chọn màu sắc cho đến từng chi tiết của mỗi biểu đồ.
5. Có thể xử lý, làm sạch dữ liệu với Power Query, không cần thành thạo đến mức viết mới M-Query nhưng cần hiểu cách và khả năng kết nối để tư vấn cho người dùng cách tổ chức dữ liệu sao cho hợp lý để sử dụng được.
6. Publish được báo cáo, đặt lịch, chia sẻ, quản lý workspace.
Power BI là thằng người mới học hay bị tự tin quá vì nó kéo thả cũng dễ, làm quen tí là có báo cáo đẹp đẹp rồi. Nếu cần hiểu và vận dụng được và chủ động trong các bài toán thì không đơn giản. Mấy cái nâng cao như phân quyền theo dòng dữ liệu, theo đối tượng hay tối ưu model, chi phí license các kiểu còn chưa nhắc đến ở đây.
+ Python: Hiểu basic về Python: kiểu dữ liệu, biến, hàm, cấu trúc rẽ nhánh vòng lặp. Làm việc với một số công cụ crawl dữ liệu, api. Tự làm được một số chương trình cơ bản để tự động hoá, biết cách de-bug code. Làm việc được với một số thư viện xử lý dữ liệu phổ biến (Pandas, Numpy, Pyplot, Scikilearn). Về vụ lập trình này cứ biết cách tư duy còn lại google hoặc co-pilot sẽ giúp bạn.
talatroi
Senior Member
à bác đánh giá sao về tablau vs đám GG analystic nhỉ ?
thuocdo181
Member
Bác follow mấy tài liệu của các app analytics tool như appflyer, adjust hoặc tool bên bác đang dùng tham khảo thêm.Chào bác chủ thớt, em mới nhận job data analytics liên quan tới app di dộng và web app. Công ty em sản xuất phân bón, phát triển app này để hỗ trợ nông dân liên quan tới canh tác, tính toán phân bón, cập nhật tin tức, không có chức năng mua bán hay shop trong app. Em làm liên quan tới tracking plan, user behavior và analysis report trên data được generate từ app và users phục vụ cho team marketing và product owner. Bác thớt cho em xin tài liệu liên quan tới domain app analysis (ko phải app liên quan tới fmcg và e-commerce) với ạ. Dạo này làm với marketing team thấy mình ko có view để đóng góp cho họ (ví dụ như họ đang xây dựng OKR cho app) hay sense để đánh giá app theo từng giai đoạn trong life cycle của app. Em search google mà thấy chủ yếu toàn cho e-commerce. Bác có lời khuyên gì hay tài liệu gì thì cho em xin nha. Em cảm ơn bác thớt trước
Nhưng thường dữ liệu in app mỗi domain khác nhau nên bác sẽ không thấy một bài toán về app chung chung đâu mà nó sẽ quy về bài toán MKT, vận hành tương ứng, họ coi app tracking là dữ liệu đầu vào cho bài toán đó thôi.
Trước mình làm thì vẽ toàn bộ điểm chạm của khách hàng ra, coi in-app chỉ là 1 phần của customer journey. Tracking hết số ra đã. Xem các kênh KH vào có thể tối ưu được gì, các điểm KH rời bỏ có thể làm được gì. VD như màn hình nào KH hay rời bỏ, hay tắc ở đâu...
Còn bài toán để làm thì bác xem nhu cầu của các bên là gì, các KPI chính họ quan tâm rồi offer các bài toán tương ứng với KPI đó. Như mình thường thấy đội MKT sẽ có A/B testing, customer segmentation, MKT campaign evaluation, Cohort Analysis, Churn Prediction...
thuocdo181
Member
Tableau cũng ngon từ lâu đời rồi, visual xây trên nó có nhiều cái Power BI cũng học theo. Thằng này đang mất dần thị phần do giá cao và không thân thiện với người dùng cuối. Cộng đồng người dùng cũng đang hẻo dần.à bác đánh giá sao về tablau vs đám GG analystic nhỉ ?
GG chắc ý bác là Google Data Studio aka Locker Studio. Free và khá tiện khi làm việc trên cùng hệ sinh thái google. Trước đây nó là Google Data Studio, được tính là visualization tool chứ không nên xếp cùng mâm với Tableau và Power BI (BI solutions) do phần semantic layer không đủ tốt. Sau google mua thằng Locker, tích hợp vào xong đổi tên phần semantic model của nó mình thấy không thân thiện lắm, nên khi xây báo cáo phức tạp là hơi oải.
Một số phần mình lấy dữ liệu từ google analytics với google seach console vẫn đang dùng thằng này cho tiện.
Về vụ tools này bác tương đối thành thạo 1 con thì sang con nào cũng dành vài tiếng đọc docs xoay sở được hết mấy tình huống thông thường.
0beronkt
Đã tốn tiền
Em cảm ơn bác nhiều nha, bác có sách nào để đọc thêm ko bác. Bên em dùng amplitude, chắc để em đọc thêm use cases của bên này thế nào.
talatroi
Senior Member
à bác cho mình hỏi thêm, theo bác thì nếu trình cỡ bác thì theo bác thứ tự cái nào nên master trước giữa phân tích dữ liệu và trực quan dùng tool như power BI (DAX).....
thuocdo181
Member
Câu hỏi của bác mình hiểu là bác đang hỏi đối với fresher thì giữa 2 yếu tố sau, nên ưu tiên cái nào trước:
1. Tư duy về phân tích, hiểu + đề xuất được các bài toán và giải pháp cho khách hàng.
2. Nắm được các công cụ, kỹ thuật để triển khai được nó.
Theo quan điểm của mình thì không có cái nào có thể master nếu thiếu cái còn lại. Kiểu học quá nhiều về công cụ, kỹ thuật [2] mà không biết nó ứng dụng và làm gì thì cứ học vẹt mãi, khó hoặc rất lâu mới có thể thành thạo. Chiều ngược lại, quá nhiều về tư duy, bài toán [1] nhưng không biết công cụ, kỹ thuật hỗ trợ đến đâu hay triển khai ntn thì lại thành NATO (No Action, Talk Only), mà không biết kỹ thuật thì cũng không biết cái nào khả thi để mà tư vấn cho người ta nữa.
Với fresher thì ưu tiên tương đối thành thạo tương đối về mặt công cụ, kỹ thuật [2] trước (vì nó đơn giản) còn vẫn cần có ưu tiên phát triển số [1] trong trung và dài hạn. 2 cái đó sẽ bổ trợ cho nhau trong quá trình học.
Nghĩ đơn giản giống nghề đầu bếp chẳng đi, bếp trưởng sẽ ưu tiên tuyển phụ bếp là mấy thằng có kỹ năng cơ bản kiểu thái rau, cắt thịt, cầm chảo, nấu mấy món cơ bản được đã, vì nó làm được việc. Rồi sẽ đào tạo dần về tư duy ẩm thực, tại sao lại thái mỏng, thái dày, tại sao nguyên liệu A lại mix với B sau...
talatroi
Senior Member
mình hỏi vậy vì mình thấy thằng AI dạo này nó trend quá, mình định đào sâu vào 1 trong 2 á bác
thuocdo181
Member
Nếu thím đang làm mảng nào mà có kinh nghiệm rồi có thể ưu tiên 1, đặt câu hỏi đúng cho đám AI cũng tận dụng được nhiều việc rồi. 2 thì đụng đâu học đó (nếu cần).mình hỏi vậy vì mình thấy thằng AI dạo này nó trend quá, mình định đào sâu vào 1 trong 2 á bác
BigDee
Senior Member
Mình làm culi ngành này cũng 5 năm rồi, thì phân tích chỉ số gợi ý này nọ lọ chai thì user lâu lâu mới xem, còn các anh các chú các sếp thì chỉ thích xem data live thôi mà data live thì như rùa bò, nên về mặt tối ưu data query phải tốt thì chấp tất cả các thể loại data rối mù như bùng binh mới được.
Slavicky
Senior Member
e làm văn phòng trong lĩnh vực bảo hiểm, kiểu nhập liệu, kiểm tra hồ sơ bồi thường, đánh giá chứng từ y tế của KH. E mới đky khóa DA ở X, liệu có cơ hội làm DA trong ngành bảo hiểm ko thím? Vì e nghĩ nghiệp vụ trong bảo hiểm của e k cao như các bạn Claim giải quyết bồi thường(có thể học từ ngành Bảo hiểm tốt nghiệp hoặc fresher được cty bồi thường đào tạo từ đầu)
thuocdo181
Member
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.
Slavicky
Senior Member
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
jackeyphuoc
Senior Member
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 bácNgành 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:
Phạm vi topic này:
- 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.
Miễn là anh em còn phản hồi, mình sẽ duy trì thread 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.
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
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.
- Khối kinh doanh, kinh tế, tài chính, marketing,...
- Khối IT, hệ thống thông tin quản lý, cơ sở dữ liệu,...
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:
Về phỏng vấn:
- 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.
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.
Học online
Mình thấy Datacamp khá okie. Nếu chưa muốn đầu tư lắm thì học các open course trên coursera, edx, mooc mấy trường lớn cũng nhiều khóa ngon. Quan trọng là có học hay không thôi.
Về Power BI
Nếu bạn có khả năng tự học tốt, muốn tự bơi thì có thể tham khảo learning path của MS, cũng đầy đủ và cấu trúc tốt:
Exam DA-100: Analyzing Data with Microsoft Power BI - Certifications (https://docs.microsoft.com/en-us/learn/certifications/exams/da-100)
Sau khi học xong, các bạn có thể thi các chứng chỉ của Microsoft như PL-300 (DA-100)
Exam PL-300: Microsoft Power BI Data Analyst - Certifications | Microsoft Learn
Rất phù hợp với Entry level
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.
Nếu bạn muốn học trực tiếp với giảng viên hướng dẫn, thúc đẩy trong quá trình học thì có thể tham khảo và ủng hộ khóa học ở chỗ mình. Bên mình là Learning Partner của Microsoft, khóa học tổ chức theo tiêu chuẩn của hãng:
PL-300 - Analyzing Data with Power BI - Datapot.vn (https://home.datapot.vn/product/powerbi-and-analytical-thinking/)
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)
Các bạn tham khảo thêm bài viết này, logic khá tốt: BI Analyst vs Data Analyst: Here's 7 KEY Differences! (https://anyinstructor.com/data-analyst-vs-bi-analyst-a-helpful-comparison/)
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:
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.
- 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.
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...)
thuocdo181
Member
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.
Chủ đề tương tự
