Trong bài viết trước, mình đã chia sẻ về quá trình chinh phục chứng chỉ Google Data Analytics Professional (GDAP), bạn có thể đọc lại bài chia sẻ tại đây: https://mcivietnam.com/blog-detail/chinh-phuc-google-data-analytics-professional-certificate/ . Sau đó đã có một số bạn nhắn tin hỏi mình về con đường trở thành một Data Analyst (DA) từ một sinh viên trái ngành (kinh tế, tài chính).

Mình biết ai trong mỗi chúng ta để đưa ra quyết định rẽ hướng sang ngành khác đều rất bỡ ngỡ, tâm lý lo sợ liệu có phù hợp, cản trở về mặt kiến thức chuyên môn,... tất cả đều là những rào cản ban đầu khiến bạn “freak-out”. Và chắc chắn ở thời điểm này, một người định hướng là yếu tố cần thiết để con đường theo đuổi ngành nghề của bạn trở nên đúng hướng hơn, ít nhất, bạn biết chính bạn cần phải làm gì, và sẽ chinh phục nó như thế nào!

Mình có theo dõi một số group, forum, fanpage chia sẻ về con đường trở thành 1 Data Analyst từ con số 0, đa phần các bài đều khuyên tập trung vào technical skills như học thuật toán, kiến thức thống kê, ngôn ngữ lập trình như Python, R,... Với thực tế từ NHỮNG TRẢI NGHIỆM CỦA BẢN THÂN, mình xin gói ghém lại hành trình để mọi người tham khảo thêm. Sau bài chia sẻ này, mọi người sẽ hiểu rõ hơn rằng mình cần bắt đầu từ đâu, học kiến thức và kỹ năng gì để trở thành một Data Analyst. Và cũng hy vọng rằng, bạn sẽ tìm được những người đồng hành tuyệt vời trong chặng đường chinh phục trở thành Data Analyst nhé! 

BẠN CÓ THỰC SỰ PHÙ HỢP?

Để hiểu được bản thân mình, bên cạnh việc tự vấn bản thân, đi trải nghiệm nhiều hay tự self-reflect để hiểu mình muốn gì, cần gì, và hợp với gì, thì hiện tại có rất nhiều bài test tính cách, định hướng nghề nghiệp như: 16personality.com, ennagraminstitute.com,... (trước đây mình có thực hiện trên 16personality). Bên cạnh đó, bạn cần phải học và chuẩn bị thật kĩ càng, hiểu giá trị cốt lõi của nghề phân tích dữ liệu, những công việc cần làm & sẽ làm.
Sau khi đã trả lời được các câu hỏi trên, điều cần làm tiếp theo là bắt tay hành động, hiện thực hóa nó.

BẮT ĐẦU HÀNH TRÌNH THÔI!

Để trở thành một DA cần ít nhất 03-06 tháng, đây là thời gian lý tưởng nếu bạn hoàn toàn nghiêm túc và KIÊN TRÌ. 
Bước đầu tiên bạn cần hiểu kĩ về bản chất và vai trò của một DA. Vai trò của một DA là tìm ra những insights thông qua con số, giúp công ty/doanh nghiệp của bạn đưa ra quyết định, cải thiện tình hình và chất lượng sản phẩm. Để hoàn thành tốt công việc này, một DA cần làm các công việc tuần tự, từ preparation - exploratory - modelling - communication/presentation.
Để làm được các việc trên, bạn cần có một con đường cụ thể, một lộ trình chi tiết nhưng vẫn dễ hiểu, súc tích. Bài viết này sẽ giải quyết cho bạn vấn đề đó.

 Chuẩn bị và làm sạch dữ liệu

1. Có kiến thức tổng quát về dữ liệu ví dụ như relational database hay cách một doanh nghiệp vận hành, quy trình kinh doanh từ bước bán sản phẩm, thành tiền, quản lý kho, công nợ…  Việc hiểu đúng & đủ về dữ liệu là tiên quyết trong việc làm việc với “chúng” sau này.
2. Nắm rõ các thao tác cơ bản: querying, transforming, profiling dữ liệu từ database (thông thường sử dụng SQL)

• Đối với SQL: Thành thạo các câu lệnh cơ bản, bạn hoàn toàn có thể tham khảo các khóa học offline hiện tại hoặc online tại w3school, datacamp, alion, MCI, … - các platforms này đều cung cấp các khóa học cơ bản và đầy đủ về SQL.
• Đối với Python/R/SAS,...: Những thứ cơ bản cần học là: làm quen với thư viện Numpy và Pandas,… với Python hoặc tidyverse, dplyr, datatable,… với R; cleaning & formatting data từ nhiều nguồn dữ liệu: merge, concatenate, combining data frames, pivoting, mapping, replace, group by…

Exploratory Data Analysis (EDA)

Đây là giai đoạn tìm ra insights của dữ liệu. Những thứ bạn cần có là domain knowledge + statistical techniques + visualization skills + problem solving skill

1. Trau dồi domain knowledge và thống kê

Chỉ khi có đủ sự hiểu biết và kinh nghiệm về một lĩnh vực nào đó, bạn mới hiểu rõ về các dữ liệu, nguyên nhân gốc rễ của các vấn đề và đưa ra các câu chuyện có “ý nghĩa”. Khi đó, việc giải quyết vấn đề đó sẽ được thực hiện một cách logic và hệ thống hóa.
Thống kê đóng 1 vai trò quan trọng trong quá trình phân tích dữ liệu ở những bước đầu. Cần phải đảm bảo bạn hiểu rõ ý nghĩa và thống kê một cách hợp lý khi làm EDA.

2. Trực quan hóa dữ liệu với BI Tools (ví dự như Power BI, Google Data Studio,...)

Nhờ khả năng trực quan hóa, bạn sẽ dễ dàng tìm ra những insights mong muốn sau khi phân tích dữ liệu (Ví dụ như các trang web thương mại điện tử ngày nay có thể tiếp nhận hàng chục triệu đơn hàng mỗi ngày như thông tin khách hàng, đơn hàng, sản phẩm, giao hàng… có thể khiến báo cáo của bạn dài đằng đãng. Từ đó, trực quan dữ liệu chính là giải pháp tối ưu nhất, không chỉ giúp báo cáo gọn gàng mà các biểu đồ tương tác còn giúp người xem dễ dàng nhận được thông tin mong muốn). Để dùng tốt các BI tools này, bạn cần nắm chắc kiến thức về ý nghĩa của các loại biểu đồ và xây dựng dashboard trực quan và dễ hiểu. Các BI tools mà các công ty hay sử dụng nhất có thể kể đến Tableau, Power BI hay Google Data Studio. Có một số công cụ miễn phí nên bạn có thể dùng thử để trải nghiệm trước khi có quyết định trả phí hay không.

3. Công cụ lập trình như (Python hoặc R/SAS)

Ở thời điểm hiện tại, Python/R được coi là một yêu cầu tiên quyết khi ứng tuyển vị trí chuyên viên phân tích dữ liệu. Python/R không những có thể query dữ liệu mà còn có nhiều thư viện hỗ trợ chúng ta clean, transform, thực hiện các phép thống kê và visualization.

Xây dựng mô hình (Model development)

Để thực hiện tốt các công việc cho việc xây dựng mô hình cần có sự hiểu biết về các thuật toán “máy học” (ví dụ như các phương pháp logistic regression, decision trees, SVM, ensembles learning, boosting hay bagging... - machine learning). Để làm được như vậy, bạn cần có chút kiến thức về toán để có thể hiểu cơ bản về các thuật toán & làm EDA một cách “chi tiết” & bài bản nhất, tạo ra inputs để làm bước model development.

Trình bày các kết quả đạt được

Dù thời gian để trình bày kết quả với đối tác hoặc cấp trên không có nhiều nhưng đây là bước quan trọng để quyết định thành công (theo đúng nguyên tắc 80-20). Vì vậy việc thuyết trình/trình bày là kỹ năng mà một DA không thể thiếu.

Dưới đây là 2 tips để việc communication of insights được dễ dàng và hiệu quả hơn:
► Data Storytelling: Biết chọn lọc các insights thực sự quan trọng và có ảnh hưởng đến bài toán bạn cần giải quyết.
► Hãy nói bằng ngôn ngữ của người nghe: Quan sát, dự đoán cảm xúc và suy nghĩ của người nghe để có thể tùy tình hình thực tế, ứng biến khôn khéo để truyền tải câu chuyện của mình một cách thu hút và hiệu quả nhất. Đặt mình vào vị trí người nghe để tìm ra một bố cục và mạch câu chuyện hợp lí và dễ hiểu nhất
--------------------------------------------
Lời cuối, trên đây là một số chia sẻ của cá nhân mình về lộ trình theo đuổi vị trí Data Analyst chỉ từ 3-6 tháng từ một sinh viên “trái ngành”. Hy vọng những thông tin này sẽ giúp cho bạn hiểu rõ con đường mình cần đi, và đôi khi bạn chỉ cần TỰ TIN hơn bao giờ hết về những gì mình làm là bạn có thể thực hiện được 100% công suất mục tiêu đó. Có nỗ lực, có quyết tâm ắt có thành công!
Với mình, người THÔNG MINH trên thế giới rất nhiều, nhưng người mà vừa THÔNG MINH vừa KIÊN TRÌ với mục tiêu của mình thì rất ít. Hãy là người THÔNG MINH và KIÊN TRÌ nhé!
—------------------------------------------------
P/s: Bài viết dài hơi cũng chứa đựng nhiều tâm huyết của mình, cám ơn bạn đã ghé qua.
Nếu bạn thấy hữu ích, giúp mình chia sẻ thêm với mọi người nhé!
► Đăng ký tại đây: https://bit.ly/dangkynhantailieudata để nhận thêm những chia sẻ thú vị xoay quanh cuộc sống về Data nhé!