Data Analyst là gì? Cần những kỹ năng gì? (updated)

0

Data Analyst là người đại diện cho tiếng nói của dữ liệu. Họ thực hiện các phân tích sâu (deep dive analytics) để cung cấp insights cho những quyết định cũng như kế hoạch của ban lãnh đạo doanh nghiệp.

Đọc bài phỏng vấn của ITviec với chị Nguyễn Thị Thúy Hạnh – Head of International Business BI and Analytics của Ascend Group tại Thái Lan, để biết:

  • Data Analyst là gì và công việc cụ thể của họ?
  • Sự giống và khác nhau giữa Business Analyst và Data Analyst?
  • Những kỹ năng và tố chất cần thiết để trở thành Data Analyst?

Read the English version here.

Nội Dung

Xem việc làm Data Analyst tại ITviec

Tiểu sử: Tốt nghiệp Thạc sĩ chuyên ngành Kinh tế tại Pháp năm 2008, chị Hạnh quay lại Việt Nam và bắt đầu làm việc tại Techcombank từ năm 2009.

Trong 5 năm, chị trải qua các vị trí từ Chuyên viên Phân tích đến Phó phòng của Trung tâm Phân tích Kinh doanh (Analytics and Customer Intelligence) thuộc Khối Bán lẻ của Techcombank.

Năm 2014, chị chuyển sang làm BA Lead tại Ngân hàng Quân Đội (MBBank).

Sau đó, chị làm Analytics Manager cho 701Search (công ty mẹ của Chợ Tốt) tại Singapore.

Hiện tại, chị đang giữ chức vụ Head of International Business BI and Analytics của Ascend Group tại Thái Lan.

Việc làm Data Analyst tại TPHCM

Việc làm Data Analyst tại Hà Nội

Data Analytics nghe có vẻ khô khan và rắc rối. Tại sao chị chọn con đường này?

Mình nghĩ, đôi khi nghề chọn người nhiều hơn là người chọn nghề. Do duyên mà ngay từ lúc mới ra trường mình đã làm về Data. Và càng gắn bó với công việc này thì mình càng yêu thích nó.

Với mình, làm Analytics cũng giống như bước vào phòng thi vậy. Bằng mọi giá, bạn phải tìm ra lời giải cho đề bài được giao. Dù, đôi khi, thời gian thi đã hết mà lời giải đúng bạn vẫn chưa tìm ra. (cười)

Ngoài ra, câu trả lời của bạn rất có thể sẽ có đóng góp to lớn, hoặc gây tổn hại nghiêm trọng đến doanh nghiệp – tùy thuộc vào sự chính xác của nó.

Ví dụ, business user muốn tăng doanh số nhưng không biết phải bắt đầu từ đâu.

Bạn phân tích dữ liệu, và data chỉ ra rằng: loại bỏ bớt X% sale không chất lượng sẽ giúp tăng Z% doanh thu. Bạn báo cáo lại cho business user để họ có kế hoạch hành động.

Tuy nhiên, những đề xuất như thế này cần độ chính xác cao, và tim bạn lúc nào cũng đập thình thịch cho đến khi doanh thu đạt được mức bạn dự báo.

nhiều thách thức như vậy, nên công việc Analytics luôn khiến mình hào hứng.

Hơn nữa, tầm quan trọng của dữ liệu ngày càng được đánh giá cao. Cả technology industry đang tập trung đầu tư vào Trí tuệ nhân tạo (AI). Cho nên, ngành Data hiện có rất nhiều tiềm năng và đang trên đà phát triển mạnh mẽ.

Vậy, lí do mình theo đuổi ngành này không phải quá khó để giải thích, phải không nào? (cười)

Theo chị, Data Analyst có phải là Business Analyst?

Chắc chắn Data Analyst (DA) không phải là Business Analyst (BA).

Nếu làm ở một công ty lớn, ví dụ như ngân hàng, bạn sẽ thấy rất nhiều BA trong khối IT, nơi họ thực sự làm công việc của một Business Analyst: là cầu nối giữa khối business và khối công nghệ.

Nhiệm vụ của BA là diễn giải yêu cầu của business thành ngôn ngữ của developer và ngược lại.

Còn DA là người phân tích và xử lý dữ liệu để tìm ra các insight, từ đó đưa ra các đề xuất/giải pháp cho business. Data Analyst là cầu nối giữa business và data.

Xem thêm: Business Analyst là gì?

20+ tài liệu Business Analyst hữu ích

Chị có thể giải thích rõ hơn điểm giống/khác nhau giữa hai công việc này?

1. Khác nhau:

Khi business user tìm đến BA, thường là họ đã biết mình muốn gì, cần gì. Họ đã có sẵn câu trả lời, và chỉ cần BA diễn giải lại.

Ví dụ, lúc làm BA cho dự án DWH tại MBbank, mình đã có sẵn một hệ thống báo cáo từ các phòng ban trong khối, và chỉ cần hoàn thiện thêm nếu cảm thấy cần thiết.

Công việc chính của mình là giải thích cho đội dự án biết các measurement, dimension, đơn vị dữ liệu.v.v… được tính toán tổng hợp từ những data attribute nào.

Còn khi business user tìm đến với DA, họ thường chỉ có câu hỏi, và lại là một câu hỏi mơ hồ. Họ cảm nhận được khúc mắc gì đó song chưa có cơ sở để khẳng định. DA sẽ căn cứ vào dữ liệu để xác nhận khúc mắc đó có tồn tại hay không, và đề xuất giải pháp.

Thậm chí, đôi khi DA sẽ tự tìm đến business user để cung cấp những thông tin mà business user chưa hề biết tới. Đó là khi data cất lên tiếng nói, và DA lắng nghe được.

Ví dụ, ở vai trò DA, mình là người tạo dựng các báo cáo để business users có thể quản lí business của họ một cách tốt nhất.

Bên cạnh đó, bọn mình thực hiện các phân tích sâu hơn để gợi ý cách giải quyết cho những vấn đề dài hơi hơn của business.

2. Giống nhau:

BA và DA đều thuộc lĩnh vực Data, đều phải hiểu về business và hệ thống data của business đó.

Trên thực tế, có rất nhiều blur lines giữa hai công việc này. Đặc biệt là trong môi trường start-up, nơi bạn thường xuyên thấy mình làm cả hai công việc BA và DA mỗi ngày.

Ví dụ, cả BA và DA đều hay gặp những câu hỏi kiểu như:

“Doanh thu từ hoạt động sale của tôi có vẻ giảm sút. Vậy có cách nào kiểm soát được không? Tôi muốn xem doanh thu của từng nhân viên sale, thì tôi có thể tạo trên hệ thống để cập nhật và xem tự động từ nhà được không?”

Trong trường hợp này, thường là cả BA và DA sẽ có cùng một câu trả lời/giải pháp cho business user.

Analytics Manager là bước phát triển cao hơn của Data Analyst?

Tùy thuộc vào môi trường, công việc, cũng như thị trường bạn đang sống, có rất nhiều nhánh khác nhau trong cùng data area.

Ở Việt Nam, mình gặp nhiều nhất là Data Engineer, Data Architect, Database Administrator, Data Analyst, Business Analyst.

Tại Mĩ, bạn có thể gặp cả Data Visualization Engineer, Statisciants, Data Scientist… hay rất nhiều nhánh nhỏ khác.

Theo mình quan sát thấy, thì hầu hết các bạn Data Analyst đều muốn phát triển thành Data Scientist. Có lẽ vì Data Scientist được các kênh truyền thông “lăng xê” thành rock-star trong ngành dữ liệu chăng? (cười)

Tuy nhiên, theo mình thì mọi nhánh nghề nghiệp đều quan trọng. Rất khó có thể nói công việc nào là bước phát triển cao hơn của công việc nào.

Các đồng nghiệp làm Data Scientist mà mình biết, công việc của họ cũng tương đối giống với công việc mà bọn mình gọi là “Data Analyst”. Sự khác biệt có lẽ chủ yếu ở phần trăm phân bổ giữa các trách nhiệm công việc.

Data Scientist dành nhiều thời gian hơn cho các model phân tích phức tạp, và thực hiện nhiều phân tích chuyên sâu hơn.

Xem thêm Data Scientist là gì?

Việc làm Data Scientist tại TPHCM

Việc làm Data Scientist tại Hà Nội

Cũng tương tự, theo mình, Analytics Manager không phải là bước phát triển cao hơn của vị trí Data Analyst. Đơn giản là, giống như mọi vị trí managing khác, khi chuyển thành Analytics Manager, bạn nhận thêm trách nhiệm quản lý.

Đối với cá nhân mình mà nói, có lẽ do không phát triển được nhiều hơn nữa về kĩ năng chuyên ngành, nên mình chọn phát triển theo hướng managing. (cười)

Trách nhiệm công việc chính của Analytics ?

Trách nhiệm chính của Analytics Manager là:

  • Cung cấp insight phục vụ cho các quyết định mang tính chiến lược, cũng như các hoạt động vận hành doanh nghiệp nói chung của business user.
  • Đảm bảo hệ thống báo cáo/phân tích dữ liệu hoạt động chính xác và hiệu quả.

Một ngày làm việc bình thường của Analytics Manager?

Một ngày làm việc của mình bắt đầu bằng việc:

  • Kiểm tra toàn bộ các stats trong ngày. Đảm bảo hệ thống cung cấp đúng thông tin tới business users (management board, operation managers.v.v…)
  • Đánh giá performance. Xem có tăng giảm đột biến gì ảnh hưởng tới business hay không.
  • Dự đoán tình hình kinh doanh của tháng có đảm bảo chỉ tiêu hay không.

Sau đó, mình sẽ làm một số báo cáo/analysis theo kế hoạch; hoặc hỗ trợ dữ liệu nếu có yêu cầu.

Ngoài giờ làm việc, ngoài những kế hoạch cá nhân, mình sẽ cố sắp xếp để học hay đọc thêm về data, visualization, code, artificial intelligence hay technology industry.

Python và R là hai ngôn ngữ lập trình được các Data Analyst/Scientist ưa thích.

Xem thêm 20 Tài liệu Python cơ bản đến nâng cao hay nhất.

ky-nang-cua-data-analyst-la-gi

Điều mọi người thường hiểu lầm về Data Analyst là gì?

Người ngoài ngành thường không biết bọn mình làm gì, nên chắc là… không có hiểu lầm gì cả (cười).

Còn với những ai sắp/muốn trở thành Data Analyst/Scientist, dường như mọi người thường nghĩ sẽ được làm những project với mô hình predictive hay clustering phức tạp, cũng như muốn vọc sâu vào machine learning.

Nhưng trên thực tế, Data Analyst phải xử lý khá nhiều với dữ liệu thô.

Ví dụ: thu thập dữ liệu, loại bỏ các dữ liệu sai, thực hiện một số tính toán đơn giản để tính theo một số điều kiện nhất định, tổng hợp thành một tổ hợp dữ liệu cần thiết cho phân tích.

Những công việc này thường mất rất nhiều thời gian. Song kỹ năng để thực hiện lại rất đơn giản, với một số query cơ bản.

Điều này nghe có vẻ buồn. Tuy nhiên, nếu thực sự yêu dữ liệu, bạn sẽ cảm thấy phần công việc này giúp bạn hiểu hơn về hệ thống, sản phẩm của công ty.

Bởi vì việc thực hiện tổng hợp mới sẽ giúp bạn biết dữ liệu nào nằm ở đâu, cấu trúc dữ liệu như thế nào… Nếu tìm hiểu kĩ hơn, bạn sẽ hiểu vì sao hệ thống lại ghi nhận dữ liệu như vậy, thay vì tổng hợp luôn như bạn mong muốn.

Thuận lợi, khó khăn khi chuyển từ banking industry sang online industry?

Từ một industry lâu đời như banking chuyển sang một industry đang có đà phát triển như vũ bão, cũng như chuyển từ môi trường corporate sang start-up at heart company. Có nhiều điều ban đầu khiến mình cảm thấy khó khăn.

Công việc ở công ty nhìn chung cố định, mỗi người giống như một mắt xích trong dây chuyền chặt chẽ, với hệ thống quy trình và chính sách đã hoàn thiện. Còn trong start-up, bạn sẽ phải làm quen với sự thay đổi chóng mặt của công việc.

Ví dụ, trong mảng data của ngân hàng, thì sản phẩm chính dành cho khách hàng cá nhân là deposit và loan. Records của các sản phẩm này hầu hết là key in nên khá chuẩn xác và được form cố định.

Ngược lại, với ecommerce, mỗi hoạt động của user như chạm, đổi trang, browse… đều cần ghi nhận. Và ở mỗi giai đoạn khác nhau, để phù hợp với hướng phát triển sản phẩm, bạn sẽ cần ghi nhận những hoạt động khác nhau. Như vậy, người làm data sẽ phải làm quen với một hệ thống data hoàn toàn mới.

Tuy nhiên, bản chất công việc DA khá giống nhau ở mọi môi trường. Có lẽ vì vậy, nên sau khi hiểu hơn về industry, business, cũng như cách làm việc của hai môi trường, mình may mắn đã bắt nhịp được với công việc mới.

Được như vậy, cũng phải cảm ơn các bạn Data Engineer đã giúp xây dựng hệ thống dữ liệu chuẩn và đúng yêu cầu người dùng, giúp việc thao tác và xử lý sau đó không khác nhau nhiều.

Sai lầm “nhớ đời” chị từng phạm phải trong công việc?

Mình từng phạm sai lầm nhớ đời khi làm DA và BA cùng lúc cho một dự án khá lớn.

Sau khi thực hiện xong phần dữ liệu và model tính toán, ở công đoạn cuối cùng, mình cần IT hỗ trợ để upload kết quả lên một website thông báo cho khách hàng. Lúc đó, bọn mình có khoảng 2 triệu khách. Tuy nhiên, trong quá trình trao đổi, hai bên đã bỏ qua dữ kiện này.

Đến ngày upload kết quả, mình mới phát hiện ra: công cụ mà IT xây dựng cho mình chỉ có thể upload 20 nghìn dòng/lần. Nghĩa là, bọn mình sẽ phải upload 100 lần, mỗi lần mất chừng 1 giờ đồng hồ. Đó là chưa kể thời gian đổ dữ liệu từ database sang file excel.

Rốt cuộc, mình phải “cầu viện” manager của mình. Và, vì không thể sai hẹn với khách hàng, cả team đã phải gác lại mọi công việc để tập trung upload dữ liệu lên bằng tool cũ.

Sau lần đó, IT đã upgrade lên một công cụ mới, giúp mình thực hiện việc upload này trong vòng 20 phút/lần/toàn bộ dữ liệu khách hàng.

Dĩ nhiên, sự cố đó có gây thiệt hại, vì bọn mình đã trễ một vài deadline khác của team.

bài học lớn nhất vẫn là “pay attention to details”.

Ai là người truyền cảm hứng về nghề Data Analyst cho chị?

Anh Muthukrishnan, hiện là Head of Retail Bank Finance Analytics của HSBC tại Ấn Độ. Đó là người thầy đầu tiên, đồng thời cũng là người truyền cảm hứng và tình yêu với Analytics cho mình.

Muthu là một lãnh đạo có tầm nhìn sắc bén, đồng thời luôn có giải pháp/đề xuất cho mọi tình huống công việc – đúng như ngành Analytics yêu cầu.

Ngoài ra, team mình lúc đó hầu như đều có background về kinh tế. Chính anh Muthu đã giúp bọn mình tự học SQL/SAS, đồng thời rèn cho bọn mình hiểu rằng không có việc gì là không làm được nếu thực sự nỗ lực.

Một bài học khác nữa mà mình học được từ anh Muthu:

chỉ có người không làm gì thì mới không bao giờ làm sai“, và hãy nghĩ sáng tạo hơn.

Đây là nguồn cổ vũ giúp mình chịu khó học hỏi và thử nghiệm cái mới.

Những kỹ năng cần thiết để trở thành Data Analyst?

Để trở thành Data Analyst, bạn cần:

  • Kỹ năng sử dụng các công cụ phân tích dữ liệu và code cơ bản để xử lý các mô hình dự báo (predictive models).

SQL/SAS/R/Python, hoặc đơn giản là Excel.

  • Kỹ năng sử dụng các công cụ visualize để chuyển hóa dữ liệu thành graphics.

Ví dụ như Excel (cười). Hoặc, Tableau (mình hiện đang dùng).

  • Kỹ năng chuyển hóa dữ liệu thành actionable insight.

Dữ liệu có thể cung cấp cho bạn rất nhiều thông tin. Tuy nhiên, bạn cần phải chọn lọc ra những thông tin thực sự hữu ích, có thể áp dụng vào thực tế và giúp business user vận hành doanh nghiệp.

  • Bạn phải hiểu business, cũng như cấu trúc dữ liệu và hệ thống dữ liệu của công ty. Biết việc gì có thể/không thể làm được, việc gì sẽ mất nhiều thời gian để thực hiện, việc gì chỉ là thay đổi nhỏ.

Ví dụ, đối với một trang thương mại điện tử thì từ lúc khách hàng lựa chọn hàng hóa cho đến lúc mua trải qua rất nhiều bước, các bước này đều được ghi nhận vào hệ thống.

Nếu không hiểu rõ cách track và record các bước này trên hệ thống, bạn có thể nhầm hoặc bỏ sót một vài điều kiện trong cách export dữ liệu. Dẫn đến nhầm lẫn giữa số lượng khách hàng đang chọn lựa, với số lượng khách hàng đã mua hàng.

Và dĩ nhiên, nó sẽ ảnh hưởng rất lớn đến phân tích/báo cáo của bạn.

Nhìn chung, nghề Data Analyst không yêu cầu phải cực kì giỏi về coding. Nhưng nếu có background về software engineering sẽ là lợi thế.

Các bạn coder muốn chuyển sang làm Data Analyst thì cần lưu ý các kỹ năng cơ bản trên, đặc biệt là phải hiểu về business.

Làm thế nào để một bạn trẻ biết có nên theo nghề Data Analyst hay không?

Đây là một câu hỏi rất khó để trả lời. Theo mình, bạn cần tự hỏi bản thân 3 câu hỏi sau:

  • Bạn có kiên trì không?

Làm Analytics cần nhất là sự kiên trì. Bởi vì đôi khi bạn phải khai thác, xử lý rất nhiều dữ liệu để tìm ra một thông tin có giá trị.

Đôi khi, dữ liệu chỉ ra điều hoàn toàn ngược lại với dự đoán của bạn. Lúc đó, bạn phải bắt đầu công việc lại từ đầu với một dự đoán mới.

Hoặc, bạn có thể tìm được rất nhiều thông tin từ dữ liệu, song chỉ cần truyền tải duy nhất một thông điệp quan trọng tới người nghe. Bạn phải chấp nhận vất bỏ những thông tin không phù hợp, dù đã đổ nhiều công sức vào đó.

  • Bạn có thích các thử thách không?

Vì “đề bài công việc” bạn nhận được sẽ luôn thay đổi để phù hợp với sự phát triển của công ty, cũng như tình hình kinh doanh.

  • Bạn có thích làm việc với dữ liệu và máy tính không?

Nếu là một người hướng ngoại, thích tương tác với con người, thì công việc này có lẽ không hợp lắm với bạn.

Ngoài ra, bạn nên:

  • Tìm hiểu kĩ về ngành nghề, hỏi những người có kinh nghiệm, đọc thông tin từ internet…
  • Thử làm công việc trong một thời gian (intern, tham gia các project trên mạng…)
  • Tham gia các nhóm/cộng đồng về Data.

Nếu mọi câu trả lời đều là “có”, và nếu sau khi tìm hiểu, bạn vẫn muốn theo đuổi? Xin chào mừng đến với thế giới của dữ liệu.

Mức lương và cơ hội nghề nghiệp của nghề Data Analyst ở Việt Nam và Singapore theo đánh giá của cá nhân chị?

Theo đánh giá cá nhân của mình thì hiện tại Data Science là một ngành luôn thiếu nhân lực. Không chỉ ở Singapore hay ở Việt Nam, mà bất kì nước nào, cơ hội trong ngành Data cũng rất cao.

Không chỉ ở các công ty công nghệ, mà trong tất cả các ngành nghề khác như y tế, xây dựng, khách sạn, ăn uống, dịch vụ… Data cũng bắt đầu phát triển và được đầu tư khai thác.

Ví dụ như ở Anh, 80% công ty có kế hoạch tuyển thêm nhân lực trong lĩnh vực Data trong năm 2019. Hay theo như thống kê của Bộ Lao Động Mỹ, yêu cầu về nhân lực trong ngành này sẽ tăng tới 19% từ nay tới năm 2026, và là mức tăng ấn tượng so với tất cả các ngành nghề khác.

Có thể hơi khó tưởng tượng, nhưng y tế lại là một trong những ngành cần rất nhiều người làm Data hiện nay. Mình cũng đã may mắn được tiếp xúc với CIO của một số công ty Fortunes 500 làm trong các lĩnh vực khá cổ truyền như Oil and gas hay Transportation. Và có thể thấy nhu cầu khủng khiếp của các công ty với nhân sự ngành này.

Mình nghĩ cơ hội nghề nghiệp của ngành ở VN thật sự rất rộng mở.

Tuy nhiên, hiện tại cũng khá nhiều bạn sinh viên theo đuổi ngành này, nên có lẽ 3-4 năm tới, cung cho ngành cũng khá nhiều và ngành Data sẽ ngày càng thêm cạnh tranh. Người làm trong ngành cũng luôn luôn phải cập nhật trang bị thêm kiến thức để có thể theo kịp những hướng đi mới của thế giới, do vậy công việc cũng sẽ đòi hỏi sự kiên trì và yêu thích nhất định.

Về mức lương thì tuỳ thuộc vào công ty và công việc, vị trí, số năm kinh nghiệm, nên mình sẽ không tổng quát tại đây.

Có một số bạn có email hỏi mình là lương mình bao nhiêu, mình nghĩ đó là một câu hỏi khá nhạy cảm. Và lời khuyên của mình cho các bạn theo đuổi công việc này hay bất kì công việc nào là: hãy làm công việc mà mình cảm thấy có đủ sức để theo đuổi tới lúc mình trở thành một trong những người tốt nhất. Khi đó, dù làm gì, bạn cũng sẽ được trả công xứng đáng.

Chị có trực tiếp tham gia tuyển dụng Data Analyst không? Nếu có thì chị sẽ tuyển người dựa trên những tiêu chí nào?

Mình có tham gia tuyển dụng Data Analyst vài lần. Thường thì các bạn sẽ được làm test trước, để đánh giá trình độ xử lí dữ liệu của các bạn (test SQL/R/Python…). Sau bài test này rồi thì đến phần phỏng vấn, sẽ tập trung nhiều vào business cases hơn, để hiểu bạn ứng xử thế nào trước yêu cầu của business.

Tiêu chí của mình rất đơn giản. Quan trọng nhất là hiếu học, có logic, hiểu mình còn thiếu ở điểm nào và mạnh ở điểm nào và yêu thích công việc, chịu khó tìm tòi.

Mình nghĩ rằng mọi kiến thức đều có thể học được khi bạn thật sự yêu thích công việc và chịu khó phát triển. Tất nhiên, kiến thức và kinh nghiệm là điều mà nhà tuyển dụng nào cũng cần. Nếu bạn thông minh, sắc sảo thì sẽ là điểm cộng.

Các nguồn resource hữu ích cho Data Analyst?

  • Plan tự học Data Analytics: kế hoạch học tập khá hợp lý cho các bạn muốn theo nghề Data Analyst. Có nhiều cấp độ từ cơ bản đến nâng cao.
  • Các MOOC như Coursera, Datacamp, Udemy.v.v… cung cấp rất nhiều khóa học liên quan đến data science.
  • Blog 25giay.vn có nhiều thông tin hữu ích về data.
  • Blog Tony Chu hiện là nguồn tài liệu về data visualization mà mình đang rất thích.

Mình cũng hay đọc thêm các bài trên medium (ví dụ như nhóm Towards Data Science). Ngoài ra lúc rảnh, mình có đọc sách liên quan tới AI/ML hay số liệu. Gần đây số lượng sách về chủ đề này khá nhiều, nên cũng là một nguồn tài liệu phong phú cho các bạn lựa chọn.

Sau gần 10 năm làm việc, 3 bài học lớn nhất chị đúc rút cho bản thân là gì?

1. Be data driven and be strategic

Nói về be data driven trước nhé. Trong cuộc sống hàng ngày, với mỗi quyết định cá nhân, bạn nên dựa trên các dữ liệu/thông tin có được, thay vì chỉ dựa trên cảm tính.

Ví dụ, nếu bạn trai bạn đã từng nói xấu 5/5 người yêu cũ của anh ấy. Hẳn nhiên khi chia tay, bạn sẽ là người thứ 6 bị nói xấu.

Đây là một phép predict cơ bản dựa trên dữ liệu quá khứ. Tuy nhiên, dường như khá nhiều bạn nữ lại thường nghĩ rằng mình là trường hợp ngoại lệ. (cười)

Mình suy nghĩ tới be strategic khá muộn, nhưng hiện tại mình bắt đầu plan (lên kế hoạch) cho cuộc đời mình 3 năm tới, 5 năm tới, thay vì chỉ tập trung vào làm tốt việc hiện tại như trước đây.

2. Be simple

Là phụ nữ, lại làm dữ liệu, mình rất thích những gì phức tạp và fancy (cười).

Tuy nhiên, công việc đã giúp mình hiểu rằng: càng đơn giản càng hiệu quả.

Ví dụ, có lần mình trình sếp một file thuyết trình với rất nhiều slides và charts.

Sếp đã yêu cầu mình cắt số slides xuống tối thiểu, và phải trình bày thật đơn giản, sao cho người không biết gì về analytics cũng có thể hiểu được.

Lúc đó, mình học được rằng, việc quan trọng nhất là truyền tải nội dung cho người đọc, chứ không cần phải ‘khoe’ bọn mình đã làm những việc ‘hậu trường’ gì, xây dựng các charts phức tạp ra sao.

3. Don’t stop improving

Đặc điểm công việc cũng như industry luôn yêu cầu bọn mình phát triển để đáp ứng. Sau một thời gian dài thì đây chính là tiêu chí quan trọng nhất trong cuộc sống của mình.

Điều gì khiến chị giữ được lửa và đam mê công việc cho đến tận bây giờ?

Mình nghĩ mình khá may mắn khi hầu hết bạn bè đồng nghiệp đều là những người giỏi giang, khá tham vọng với công việc và đam mê với việc đi làm, cũng như kiếm tiền. Có lẽ vì vậy mà mình luôn cảm thấy mình còn kém cỏi, lười biếng, và còn nhiều thứ phải làm.

Lý do nữa là vì nghề Data Analyst thực sự giúp doanh nghiệp có thể có những quyết định đúng đắn, mang lại sự thay đổi cho doanh nghiệp. Và khi mình thấy mình có ích, mình có thể yêu nghề hơn chăng?

Nếu được phép thay đổi một điều gì đó trong quá khứ, chị sẽ làm gì?

Thực ra thì mình không muốn thay đổi điều gì, mình khá hài lòng với con đường mình đã chọn. Nếu được thay đổi điều gì thì mình chỉ mong trước đó, khi còn đi học, mình nhận ra tầm quan trọng của việc học và học hành chăm chỉ hơn, vào trường tốt hơn và tốt nghiệp điểm cao hơn (cười).

Lời khuyên/nhắn nhủ chị muốn gửi tới các bạn trẻ muốn theo nghề Data Analyst là gì?

Công việc Analytics cần khá nhiều thời gian. Không phải mọi nghiên cứu hay project nào của bạn cũng trở thành đóng góp giá trị, hay được ghi nhận bởi business.

Nên, nếu đã chọn làm công việc này, mong các bạn luôn kiên trì và yêu nghề.

Nếu muốn trao đổi thêm về nghề Data Analyst, cứ ping mình ở Skype: hanhntt85 hoặc email [email protected] nhé. (Nếu bạn nào đã từng email mà mình không trả lời, bạn có thể vui lòng email lại. Vì hòm mail cá nhân của mình khá nhiều email nên có thể thất lạc.)

Mình cũng đã bắt đầu viết blog nhưng lười quá nên mới được có 3 bài, hi vọng sẽ có lúc viết dài hơi hơn. Bạn có thể tham khảo blog tại đây.

Mình rất vui được trò chuyện, chia sẻ kinh nghiệm cùng các bạn để học hỏi lẫn nhau.

Bạn muốn trở thành một Data Analyst trong tương lai? Hoặc bạn muốn chia sẻ kinh nghiệm về nghề Data Analyst cùng mọi người? Hãy thảo luận ở phần comment phía dưới bài viết nhé!

Và tham khảo ngay việc làm Data Analyst tại ITviec!

Rate this post

Leave A Reply

Your email address will not be published.