Data Analytics - Chia sẻ chuyện nghề.

thuocdo181 said:

Chuyển hoàn toàn sang DA thì thím up cái CV hoặc chi tiết hơn về kinh nghiệm một chút mình tư vấn kĩ hơn.

Dù mình làm đào tạo cho trong ngành này nhưng cũng phải nói thẳng DA giờ yêu cầu cũng khá cao. Không phải là nhà tuyển dụng không muốn tuyển mà đầu vào chưa đủ đáp ứng yêu cầu công việc nên họ chậm lại hoặc treo ở đó. Có 1 khoảng cách giữa ông muốn apply và ông muốn tuyển nhưng chưa được fill vào.

Xu hướng phân hoá thành 2 nhóm đi rộng hoặc chuyên sâu:
1. DA cho đa dạng ngành nghề - Nhóm này được đòi hỏi dần thành full stack. Từ kĩ thuật như coding cũng xoay sở được, build apps để collect dữ liệu, build pipeline hay làm việc với người dùng cuối để thu thập nhu cầu, thực hiện phân tích,... Các bạn trong team dự án của mình hay định hướng là problem solver có kĩ năng về data analysis. Nhóm này thành lính đánh thuê chuyên nghiệp, domain dự án mới sẽ học và thích nghi dần. Có thể dịch chuyển sang các vị trí Engineering, Architect, PM tuỳ định hướng nghề nghiệp. Cũng có thể làm sâu 1 domain để sang nhóm 2.

2. DA chuyên về 1 domain nào đó. Nhóm này không đòi hỏi quá nặng dạng về kĩ thuật, tập trung nhiều hơn vào bài toán cụ thể hơn. Các bạn làm DA cho 1 domain cụ thể lâu có thể dịch chuyển sang hoặc từ các bạn làm 1 nghiệp vụ học thêm về DA. Nhóm này dần thành expert cho một mảng chuyên môn đó, sau này phát triển thêm kĩ thuật và đi ngang sang các domain khác thì career path tương tự nhóm 1, sau này đi tiếp chuyên sâu hơn thành chuyên gia hoặc quản lý cao cấp về mảng đó.

Click to expand...

vtghqvn said:

E hộp bác tư vấn e chút đc k ạ
Ra tết e cũng ra HN tìm việc. Cuộc sống đang có chút trục trặc năm nay rầu ơi là rầu

Click to expand...

laliga2000 said:

Mình thấy nhóm 1 thì cơ hội có vẻ rộng mở hơn, nhóm 2 lại bó hẹp quá, sợ tay ngang hoặc trái ngành thì khó tìm đc job thím nhỉ?

Click to expand...

thuocdo181 said:

Xu hướng phân hoá thành 2 nhóm đi rộng hoặc chuyên sâu:
1. DA cho đa dạng ngành nghề - Nhóm này được đòi hỏi dần thành full stack. Từ kĩ thuật như coding cũng xoay sở được, build apps để collect dữ liệu, build pipeline hay làm việc với người dùng cuối để thu thập nhu cầu, thực hiện phân tích,... Các bạn trong team dự án của mình hay định hướng là problem solver có kĩ năng về data analysis. Nhóm này thành lính đánh thuê chuyên nghiệp, domain dự án mới sẽ học và thích nghi dần. Có thể dịch chuyển sang các vị trí Engineering, Architect, PM tuỳ định hướng nghề nghiệp. Cũng có thể làm sâu 1 domain để sang nhóm 2.

Click to expand...

Hoai cmn Linh said:

Em đang làm dev backend, nhưng background của e là finance, thím có chỗ nào nhận em chuyển nghề k ạ.
Và mức lương trả cho fresher hay junior tầm bn ạ

Click to expand...

vuaxedung_94 said:

Chào bác chủ thớt. Mình năm nay 30 tuổi, có kn 8 năm làm ngân hàng, vị trí tín dụng, tiếng anh ổn. Giờ mình muốn nhảy vào ngành này thì theo bác liệu có trễ quá ko, và mình nên bắt đầu từ đâu. Mong bác tư vấn. Tks a lot.

Click to expand...

Arina Hashimoto said:

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

Click to expand...

thuocdo181 said:

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:

+ 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.

Click to expand...

0beronkt said:

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

Click to expand...

talatroi said:

à bác đánh giá sao về tablau vs đám GG analystic nhỉ ?

Click to expand...

thuocdo181 said:

Bác follow mấy tài liệu của các app analytics tool như appflyer, adjust hoặc tool bên bác đang dùng tham khảo thêm.

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...

Click to expand...

thuocdo181 said:

Bác cứ tóm tắt rồi up lên đây, ngoài mình còn có các anh em khác tư vấn thêm.

Nhóm nào cũng có ưu thế riêng bác ơi. Bác làm đủ sâu một domain thì họ có dự án tương tự cũng tìm đến bác thôi.
Ngành này nó vốn nằm giữa nhiều ngành nên cũng không có ai tính là trái ngành hoàn toàn cả đâu thím. Mình muốn có đội ngũ cũng phải chấp nhận tuyển chọn với đào tạo thêm chứ cũng có người đủ kĩ năng sẵn đâu.

Click to expand...

talatroi said:

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).....

Click to expand...

thuocdo181 said:

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...

Click to expand...

talatroi said:

mình hỏi vậy vì mình thấy thằng AI dạo này nó trend quá, mình định đào sâu vào 1 trong 2 á bác

Click to expand...

thuocdo181 said:

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:

+ 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.

Click to expand...

Slavicky said:

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)

Click to expand...