LỘ TRÌNH TRỞ THÀNH DATA ANALYST NĂM 2027

Bốn chặng kỹ năng và ba dự án hồ sơ năng lực giúp bạn có công việc phân tích dữ liệu đầu tiên

---

Data Analyst, hay chuyên viên phân tích dữ liệu, là một trong những vị trí được nhiều sinh viên kinh tế, quản trị và cả người đi làm muốn chuyển ngành nhắm tới. Lý do dễ hiểu: hầu như doanh nghiệp nào cũng có dữ liệu, nhưng không nhiều người biết biến dữ liệu thành câu trả lời cho những câu hỏi kinh doanh cụ thể. Ngưỡng vào nghề cũng không quá cao: không cần bằng khoa học máy tính, không cần toán cao cấp, chỉ cần một bộ kỹ năng có thể tự học trong khoảng sáu đến chín tháng nếu học có kế hoạch.

Khó khăn nằm ở chỗ tài liệu quá nhiều và quá rời rạc. Người mới dễ rơi vào vòng lặp học hết khóa này đến khóa khác, sưu tầm chứng chỉ, nhưng vẫn chưa làm được một dự án nào với dữ liệu thật. Một lộ trình tốt không phải là danh sách dài các công cụ, mà là một thứ tự hợp lý, với đầu ra cụ thể ở mỗi chặng và luôn gắn với công việc thật mà một chuyên viên phân tích làm hằng ngày.

Bài viết gồm năm phần. Mục 1 mô tả Data Analyst làm gì và khác các vai trò dữ liệu khác thế nào. Mục 2 trình bày bốn chặng kỹ năng: Excel, SQL, Power BI và Python, cùng nền tảng thống kê xuyên suốt. Mục 3 gợi ý ba dự án cho hồ sơ năng lực. Mục 4 bàn về chứng chỉ và tài nguyên học. Mục 5 nhìn vào thị trường Việt Nam và tác động của AI đến nghề.

1. Data Analyst làm gì?

Trước khi chọn học gì, cần hiểu công việc hằng ngày của nghề này. Mục này mô tả chu trình công việc của một chuyên viên phân tích dữ liệu và phân biệt vai trò này với các vai trò dữ liệu khác.

1.1. Chu trình công việc

Công việc của Data Analyst không bắt đầu bằng dữ liệu, mà bắt đầu bằng một câu hỏi kinh doanh và không kết thúc ở biểu đồ, mà ở một quyết định. Hình 1 mô tả chu trình sáu bước.

Hình 1. Chu trình công việc của một Data Analyst.

Trong thực tế, phần lớn thời gian của chu trình ở Hình 1 nằm ở bước hiểu câu hỏi, lấy dữ liệu và làm sạch, không phải ở bước phân tích hay vẽ biểu đồ. Một câu hỏi như "vì sao doanh thu tháng này giảm" có thể cần một buổi trao đổi để làm rõ giảm so với gì, ở kênh nào, rồi vài giờ để gom dữ liệu từ hệ thống bán hàng và làm khớp các bảng, trước khi phân tích thật sự bắt đầu. Bài Từ bài toán kinh doanh đến giải pháp dữ liệu trình bày cách biến một câu hỏi mơ hồ thành bài toán dữ liệu cụ thể.

1.2. Data Analyst và các vai trò dữ liệu khác

Tên gọi các vị trí dữ liệu thường chồng lấn và khác nhau giữa các công ty. Bảng 1 phân biệt bốn vai trò phổ biến theo câu hỏi chính và công cụ thường dùng.

Bảng 1. Bốn vai trò dữ liệu phổ biến

Với người xuất phát từ kinh tế, quản trị, Data Analyst trong Bảng 1 thường là cửa vào tự nhiên nhất, vì lợi thế hiểu nghiệp vụ bù cho khoảng cách về kỹ thuật. Từ đây, người học có thể đi tiếp sang BI, khoa học dữ liệu hoặc chuyển về vai trò quản lý có năng lực dữ liệu. Bài Nghề nhà khoa học dữ liệu năm 2027 mô tả con đường tiếp theo nếu muốn đi sâu về mô hình dự báo.

2. Bốn chặng kỹ năng

Lộ trình được đề xuất gồm bốn chặng công cụ nối tiếp nhau, cộng với nền tảng thống kê và hiểu nghiệp vụ xuyên suốt. Mục này trình bày thứ tự học, lý do của thứ tự đó và đầu ra của từng chặng.

2.1. Thứ tự học

Bốn chặng được sắp theo mức độ phổ biến trong tin tuyển dụng và theo logic kỹ năng: mỗi chặng dùng lại kiến thức của chặng trước. Hình 2 tóm tắt lộ trình.

Hình 2. Bốn chặng kỹ năng của lộ trình Data Analyst.

Thời lượng trong Hình 2 giả định khoảng 8–10 giờ học mỗi tuần; tổng cộng khoảng sáu đến chín tháng. Người đã thành thạo Excel có thể rút ngắn chặng đầu, còn người chưa từng lập trình nên dành thêm thời gian cho SQL. Bảng 2 trình bày nội dung và đầu ra của từng chặng.

Bảng 2. Nội dung và đầu ra của bốn chặng

Đầu ra trong cột cuối của Bảng 2 quan trọng hơn thời lượng. Chỉ chuyển chặng khi đã tự làm được sản phẩm đầu ra mà không cần xem lại hướng dẫn từng bước.

2.2. Vì sao Excel và SQL đứng trước?

Excel đứng đầu vì gần như mọi doanh nghiệp đều dùng và vì nó dạy tư duy cơ bản của phân tích: lọc, nhóm, tổng hợp, so sánh. SQL đứng thứ hai vì là ngôn ngữ chung để lấy dữ liệu ở hầu hết tổ chức có hệ thống thông tin; một chuyên viên phân tích không biết SQL sẽ luôn phải chờ người khác xuất dữ liệu cho mình. Bài SQL từ cơ bản đến nâng cao là tài liệu cho chặng này.

Power BI đứng thứ ba vì cần nền SQL và tư duy bảng để xây mô hình dữ liệu đúng. Bài Power BI là gì? Lộ trình tự học Power BI cho người mới trình bày lộ trình sáu tuần cho chặng này, còn bài Nên học Power BI, Tableau hay Data Studio? giúp quyết định có nên thay Power BI bằng Tableau hay không.

2.3. Python: cần đến mức nào?

Python đứng cuối không phải vì kém quan trọng, mà vì nhiều vị trí Data Analyst ở Việt Nam chưa yêu cầu bắt buộc, trong khi lại là yêu cầu thường gặp ở công ty công nghệ, thương mại điện tử và công ty đa quốc gia. Với Data Analyst, mức cần đạt là dùng pandas (McKinney, 2022) để làm sạch, gộp, tổng hợp dữ liệu lớn hơn mức Excel xử lý tốt, vẽ biểu đồ khám phá và chạy các kiểm định thống kê cơ bản. Học máy là phần mở rộng, không phải yêu cầu đầu vào.

2.4. Nền tảng xuyên suốt

Ba năng lực không gắn với công cụ nào nhưng xuất hiện ở mọi chặng. Thống kê cơ bản giúp đọc đúng số liệu: trung bình và trung vị, phân phối, tương quan và nhân quả, sai số mẫu. Hiểu nghiệp vụ giúp đặt đúng câu hỏi: doanh thu, lợi nhuận gộp, tỷ lệ giữ chân, chi phí có khách hàng nghĩa là gì và tính thế nào. Kể chuyện bằng dữ liệu giúp phát hiện được dùng để ra quyết định. Bài Tương quan không phải nhân quả và 5 bẫy cần tránh và bài Kể chuyện bằng dữ liệu để ra quyết định là hai điểm khởi đầu tốt.

3. Ba dự án cho hồ sơ năng lực

Nhà tuyển dụng tin vào sản phẩm hơn vào lời tự giới thiệu. Mục này gợi ý ba dự án tương ứng với các chặng trong lộ trình và cách trình bày chúng.

3.1. Ba dự án gợi ý

Ba dự án trong Bảng 3 được chọn để mỗi dự án chứng minh một nhóm kỹ năng khác nhau và cả ba cùng cho thấy khả năng đi từ câu hỏi kinh doanh đến đề xuất hành động.

Bảng 3. Ba dự án gợi ý cho hồ sơ năng lực

Dự án tự chọn trong Bảng 3 thường gây ấn tượng nhất, vì cho thấy người học tự đặt câu hỏi và tự tìm dữ liệu. Bài Lập hồ sơ khách hàng từ dữ liệu gợi ý hướng cho dự án phân tích khách hàng.

3.2. Trình bày dự án

Mỗi dự án nên có một trang mô tả ngắn theo cấu trúc: câu hỏi kinh doanh, dữ liệu và cách làm sạch, phân tích chính, ba phát hiện, một đề xuất hành động và giới hạn của phân tích. Mã SQL, Python để trên GitHub; dashboard xuất bản ở chế độ công khai nếu dữ liệu là dữ liệu mở; phần trình bày có thể là một video ngắn. Không dùng dữ liệu của công ty nơi bạn thực tập hay làm việc cho hồ sơ công khai, kể cả khi đã xóa tên.

4. Chứng chỉ và tài nguyên học

Chứng chỉ là tín hiệu hữu ích, nhất là với người chuyển ngành, nhưng không thay thế được dự án. Mục này giới thiệu các chứng chỉ phổ biến và cách chọn tài nguyên học.

4.1. Chứng chỉ phổ biến

Bảng 4 liệt kê bốn chứng chỉ thường được nhắc đến trong tin tuyển dụng và cộng đồng học dữ liệu.

Bảng 4. Bốn chứng chỉ phổ biến cho Data Analyst

Nguồn: Google (n.d.), IBM (n.d.), Microsoft (n.d.), Salesforce (n.d.).

Hai chứng chỉ đầu trong Bảng 4 là chứng chỉ khóa học: chứng nhận đã hoàn thành chương trình, có giá trị định hướng học tập. Hai chứng chỉ sau là chứng chỉ thi: kiểm tra năng lực dùng một công cụ cụ thể, có giá trị tín hiệu cao hơn với nhà tuyển dụng dùng đúng công cụ đó. Nên chọn một chứng chỉ khóa học nếu cần lộ trình và tối đa một chứng chỉ thi gắn với công cụ chính.

4.2. Tài nguyên học

Phần lớn kiến thức trong lộ trình có thể học miễn phí: Microsoft Learn cho Power BI, các khóa học có chế độ dự thính trên Coursera và edX, tài liệu chính thức của pandas và các bộ dữ liệu mở. Bài Lộ trình học nền tảng dữ liệu hiện đại tổng hợp nơi học theo từng nền tảng và các chương trình miễn phí cho sinh viên. Nguyên tắc chọn tài nguyên đơn giản: mỗi chặng chỉ một nguồn chính, học xong nguồn đó và làm xong đầu ra rồi mới tìm nguồn khác.

5. Thị trường Việt Nam và tác động của AI

Lộ trình chỉ có ý nghĩa khi gắn với thị trường thật. Mục này nhận xét về nhu cầu tuyển dụng ở Việt Nam và bàn về việc AI đang thay đổi nghề phân tích dữ liệu như thế nào.

5.1. Nhu cầu tuyển dụng

Ở Việt Nam, vị trí phân tích dữ liệu xuất hiện ở nhiều loại tổ chức: ngân hàng và công ty tài chính, thương mại điện tử và bán lẻ, công ty công nghệ, công ty hàng tiêu dùng và ngày càng nhiều ở doanh nghiệp vừa. Yêu cầu khác nhau đáng kể. Ngân hàng thường nhấn mạnh SQL và hiểu nghiệp vụ tài chính; thương mại điện tử nhấn mạnh phân tích hành vi khách hàng và thử nghiệm; doanh nghiệp vừa thường cần một người vừa làm Excel, vừa dựng dashboard, vừa hiểu số liệu kế toán.

Thay vì dựa vào nhận xét chung, người học nên tự khảo sát tin tuyển dụng của đúng loại doanh nghiệp mình nhắm tới: đọc 30–50 tin gần nhất, ghi lại kỹ năng và công cụ được yêu cầu, rồi điều chỉnh lộ trình. Cách làm chi tiết được mô tả trong bài so sánh công cụ ở Mục 2.2. Với sinh viên, vị trí thực tập phân tích dữ liệu hoặc phân tích kinh doanh là con đường vào nghề phổ biến; một hồ sơ có hai, ba dự án tốt thường đủ để vượt qua vòng hồ sơ.

5.2. AI thay đổi nghề như thế nào?

Các trợ lý AI ngày nay có thể viết truy vấn SQL, viết công thức DAX, viết mã pandas và đề xuất biểu đồ từ một câu mô tả bằng tiếng Việt. Điều này làm giảm thời gian cho các thao tác kỹ thuật, nhưng không làm giảm nhu cầu với những gì AI chưa làm tốt: hiểu câu hỏi kinh doanh thật sự là gì, biết dữ liệu nào đáng tin, phát hiện kết quả sai dù trông hợp lý và thuyết phục người ra quyết định.

Hệ quả cho người học là hai điều. Thứ nhất, vẫn phải hiểu SQL, DAX, pandas đủ để đọc và kiểm tra mã do AI viết; người không hiểu sẽ không biết khi nào AI sai. Thứ hai, nên dành nhiều thời gian hơn cho nghiệp vụ, thống kê và kỹ năng trình bày, vì đó là phần giá trị ngày càng tăng. Bài Ra quyết định dựa trên dữ liệu bàn về vai trò của người phân tích trong quy trình ra quyết định.

Kết luận

Data Analyst là người biến câu hỏi kinh doanh thành câu trả lời dựa trên dữ liệu, qua chu trình hiểu câu hỏi, lấy dữ liệu, làm sạch, phân tích, trình bày và theo dõi kết quả. Với người xuất phát từ kinh tế, quản trị, đây là cửa vào tự nhiên của nghề dữ liệu, nơi hiểu nghiệp vụ là lợi thế. Lộ trình bốn chặng Excel, SQL, Power BI, Python, mỗi chặng có đầu ra cụ thể, kèm nền tảng thống kê, nghiệp vụ và kể chuyện xuyên suốt, có thể hoàn thành trong khoảng sáu đến chín tháng.

Ba dự án với câu hỏi kinh doanh rõ ràng có giá trị hơn nhiều chứng chỉ; chứng chỉ nên chọn có chủ đích, gắn với công cụ chính. Thị trường Việt Nam có nhu cầu đa dạng theo ngành, nên hãy tự khảo sát tin tuyển dụng để điều chỉnh lộ trình. Trong thời AI, kỹ năng kỹ thuật vẫn cần để kiểm tra mã, nhưng giá trị ngày càng nằm ở khả năng đặt đúng câu hỏi, đánh giá đúng kết quả và giúp người khác ra quyết định.

Đọc thêm

• SQL từ cơ bản đến nâng cao
• Power BI là gì? Lộ trình tự học Power BI cho người mới
• Lộ trình học nền tảng dữ liệu hiện đại
• Nghề nhà khoa học dữ liệu năm 2027
• Ba cách hiểu đúng về trí tuệ kinh doanh

Tài liệu tham khảo

Google. (n.d.). Google Data Analytics Professional Certificate. Coursera. https://www.coursera.org/professional-certificates/google-data-analytics

IBM. (n.d.). IBM Data Analyst Professional Certificate. Coursera. https://www.coursera.org/professional-certificates/ibm-data-analyst

McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter (3rd ed.). O'Reilly Media. https://wesmckinney.com/book/

Microsoft. (n.d.). Microsoft Certified: Power BI Data Analyst Associate. Microsoft Learn. https://learn.microsoft.com/en-us/credentials/certifications/data-analyst-associate/

Salesforce. (n.d.). Tableau Certified Data Analyst. https://www.tableau.com/learn/certification/certified-data-analyst