Sự phát triển của vị trí Data Analyst

Trong những năm gần đây, Data Analyst ngày càng trở thành vị trí mơ ước và mục tiêu của nhiều ứng viên. Điều này không có gì ngạc nhiên vì lượng dữ liệu khổng lồ mà tất cả mọi người tạo ra trong thế giới hiện đại. 

Bất kỳ một lĩnh vực nào hay quy mô ra sao thì cũng cần sự hỗ trợ của dữ liệu. Từ việc phân tích dữ liệu, trích xuất những insights có ý nghĩa dựa trên dữ liệu từ dữ liệu đó và sử dụng những insights đó để giúp doanh nghiệp giải quyết các vấn đề kinh doanh. Bên cạnh đó, các chuyên gia còn đưa ra những lý do giải thích cho việc bùng nổ vị trí Data Analyst như sau:

• The demand for roles: Thị trường việc làm cho các nhà phân tích dữ liệu đang bùng nổ và không có dấu hiệu chậm lại trong thời gian tới. Dữ liệu từ Cục Thống kê Lao động Hoa Kỳ cho thấy số lượng việc làm cho các Data Analyst dự kiến ​​sẽ tăng 23% từ năm 2021 đến năm 2031. 
• The salary: Vai trò của nhà phân tích dữ liệu thường được trả mức lương khá cao. (Mức lương trung bình ở Hoa Kỳ là khoảng 63.632 USD.)
• The job satisfaction: Theo khảo sát của PayScale, các nhà phân tích dữ liệu nhìn chung khá hài lòng với công việc của họ với điểm trung bình là 3,9/5 sao. 

Lộ trình trở thành Data Analyst

Thời gian trở thành một Data Analyst chuyên nghiệp sẽ phụ thuộc vào từng cá nhân. Với những người đã có kiến thức và kinh nghiệm ở các lĩnh vực về kinh tế, kinh doanh thường chỉ mất vài tháng để thành thạo kỹ năng. Ngược lại, với những người bắt đầu từ con số 0 sẽ mất nhiều thời gian hơn và có thể tính bằng năm. Chính vì vậy, lộ trình dưới đây chỉ là lộ trình tham khảo giúp người học định hướng con đường của mình. 

Bước 1: Tìm hiểu các kỹ năng phân tích dữ liệu cần thiết

Hãy bắt đầu với những kiến ​​thức cơ bản nhất về phân tích dữ liệu. Chính vì vậy, toán học, thống kê và lập trình là những kiến thức nền tảng mà bất kỳ Data Analyst nào cũng phải có. Hãy nắm vững những kỹ năng phân tích dữ liệu cơ bản như measures of center and spread, probability distributions, hypothesis testing. 

Là vị trí đòi hỏi những nghiên cứu chuyên sâu nên các kỹ năng như sáng tạo và tò mò về dữ liệu, có tư duy khám phá, có khả năng suy nghĩ phân tích sẽ hỗ trợ rất nhiều trong công việc của bạn. Đồng thời, làm việc độc lập hoặc theo nhóm cùng với các phòng ban khác cũng được đánh giá cao trong vị trí này. 

Bên cạnh những kỹ năng mềm thì kỹ năng sử dụng thành thạo các công cụ cũng không thể bỏ qua. Về cơ bản, bạn sẽ cần thành thạo SQL để truy vấn và thao tác với cơ sở dữ liệu. Ngôn ngữ Python và R sẽ hỗ trợ nhập, làm sạch, thao tác và trực quan hóa dữ liệu. Một số thư viện có thể giúp bạn thực hiện các tác vụ khác nhau và phát triển kỹ năng lập trình của mình. 

Bước 2: Đạt đủ điều kiện trong phân tích dữ liệu

Hầu hết các nhà tuyển dụng đều muốn tìm hiểu về trình độ của bạn trong phân tích dữ liệu. Chính vì vậy, “đủ điều kiện” có nghĩa là bạn có các bằng cấp, chứng chỉ thể hiện kinh nghiệm hay trình độ học vấn liên quan đến phân tích dữ liệu hay không. Ở Việt Nam các chương trình học về Phân tích dữ liệu hay Khoa học dữ liệu chưa thực sự phổ biến và đào tạo chuyên sâu. Vậy nên những khóa học trực tuyến hay các trung tâm đào tạo luôn được ứng viên lựa chọn đầu tiên. Với các khóa học ngắn hạn cùng chi phí tiết kiệm, học viên hoàn toàn nắm vững tất tần tật kiến thức về phân tích dữ liệu như Statistics, Visualization hay Storytelling. 

Bước 3: Thực hành kỹ năng phân tích dữ liệu của bạn 

Khi bạn đã thành thạo một số kỹ năng cần thiết, việc tiếp theo là bắt tay vào thực hành các mini project để xây dựng CV chuyên nghiệp. Thực hành các kỹ năng và giải quyết các vấn đề giả định hoặc trong thế giới thực sẽ giúp bạn có cơ sở vững chắc cho kinh nghiệm làm việc trong tương lai. 

Các bước thực hiện project bao gồm: 

• Chọn chủ đề
• Thu thập dữ liệu cần thiết
• Nghiên cứu quy trình và hướng giải quyết
• Thiết kế cấu trúc dự án
• Kiểm tra các giả thuyết
• Visualization kết quả dữ liệu
• Thiết lập/ Xây dựng kế hoạch dựa trên insights

Mặc dù các project cá nhân sẽ mất rất nhiều thời gian để lựa chọn, tìm kiếm và thực hiện nhưng chắc chắn sẽ làm nổi bật portfolio của bạn so với các ứng viên khác. 

Bên cạnh đó, bạn có thể sử dụng một số bộ dữ liệu miễn phí dành cho các project của mình:

• DataCamp Workspace – Tích hợp với IDE (integrated development environment) các bộ dữ liệu có sẵn để viết mã, phân tích dữ liệu và thực hành các kỹ năng 
• Kaggle – Trang web phổ biến nhất lưu trữ hàng nghìn bộ dữ liệu miễn phí về các chủ đề khác nhau.
• UCI Machine Learning Repository – Chứa các bộ dữ liệu mã nguồn mở. Hầu hết trong số đó đều rõ ràng, có cấu trúc tốt và được ghi chép đầy đủ.
• FiveThirtyEight – Tại đây, bạn sẽ tìm thấy các bài viết dựa trên dữ liệu về các chủ đề khác nhau, cũng như bộ dữ liệu được sử dụng cho các bài viết này.
• Google Dataset Search – Một công cụ tìm kiếm dựa trên từ khóa, giống như tìm kiếm thông thường của Google. Nó lưu trữ hơn 25 triệu bộ dữ liệu công khai miễn phí.

Bước 4: Xây dựng Portfolio 

Sau khi đã thành thạo với các project cá nhân cũng như các mini project trên các nền tảng trực tuyến thì hãy bắt tay vào xây dựng portfolio và chuẩn bị nộp CV. 

Nên nhớ một điều rằng, portfolio của bạn không chỉ thể hiện những dự án cơ bản hay công việc liên quan đến dữ liệu ở trường mà hãy trình bày thật chi tiết về quy trình bạn đã thực hiện một project như thế nào. Bạn xây dựng project này với mục tiêu gì? Bạn sử dụng công cụ nào ? Có những khó khăn nào trong dữ liệu của bạn hay kết quả cuối cùng như thế nào ?

Bạn có thể xây dựng danh mục các dự án phân tích dữ liệu của mình trên DataCamp Workspace , GitHub hoặc Kaggle miễn phí. Mặc dù không phải nền tảng miễn phí tốt nhất nhưng những nền tảng này phổ biến rộng rãi và là lựa chọn tốt nhất cho các chuyên gia. Tạo một trang web cá nhân để thể hiện portfolio của mình cũng là một ý tưởng sáng tạo dành cho data analyst. 

Bước 5: Apply entry- level Data Analyst

Khi bạn tự tin vào kinh nghiệm, kỹ năng và CV của mình đã hoàn hảo thì hãy tự tin apply vào các vị trí Fresher Data Analyst. Hãy xem qua các mô tả về công việc cho nhà phân tích dữ liệu và liệt kê các kỹ năng yêu cầu để thể hiện chúng trong CV. Một số kỹ năng cơ bản thường gặp trong các Job Description: 

• Python hoặc R 
• SQL
• Làm sạch và sắp xếp dữ liệu
• Phân tích dữ liệu
• Trực quan hóa dữ liệu
• Storytelling
• Dealing with unstructured data
• Data cleaning and wrangling
• Thống kê

Cuối cùng, đừng quên thể hiện những kỹ năng mềm phù hợp với Data Analyst trong CV của mình: 

• Tư duy phân tích
• Sáng tạo
• Kỹ năng giao tiếp
• Có khả năng làm việc cả độc lập và theo nhóm
• Kiến thức lĩnh vực kinh doanh

Tổng kết:

Đi đôi với sự phát triển chính là sự cạnh tranh vô cùng lớn trong ngành phân tích dữ liệu. Vậy nên, hãy xây dựng lộ trình học phù hợp với nền tảng kiến thức đã có. Đồng thời, xác định những kiến thức quan trọng nhất đối với doanh nghiệp để tránh lãng phí thời gian. Hy vọng bài viết sẽ là nguồn tài liệu tham khảo hữu ích trong việc xây dựng lộ trình trở thành Data analyst chuyên nghiệp của bạn.