Lộ trình tự học Data Analyst cho người mới

Data Analyst là một trong số ít nghề mà người tự học có thể đi xa mà không cần bằng cấp chuyên ngành. Lý do: đầu ra của nghề này rất dễ kiểm chứng. Bạn hoặc trả lời được câu hỏi bằng dữ liệu, hoặc không.

Bài này đề xuất một lộ trình năm chặng, viết cho người bắt đầu từ con số không và muốn đi làm được — không phải để thi chứng chỉ.

Data Analyst trong ecommerce thực sự làm gì

Trước khi học, phải biết mình đang học để làm gì. Trong một công ty vận hành nhiều thương hiệu ecommerce, một Data Analyst dành phần lớn thời gian cho ba việc:

Trả lời câu hỏi kinh doanh. "SKU nào đang lỗ?" "Vì sao tỉ lệ chuyển đổi tháng này giảm?" Mỗi câu hỏi là một cuộc điều tra nhỏ.

Dựng và duy trì báo cáo. Biến dữ liệu thô rải rác ở nhiều sàn thành một bảng mà người ra quyết định nhìn vào là hiểu ngay.

Phát hiện điều không ai hỏi. Đây là phần tạo khác biệt giữa người làm báo cáo và một analyst thật. Bạn thấy một điểm bất thường, bạn đào, và bạn tìm ra vấn đề chưa ai kịp nhận ra.

Điểm chung của cả ba: kỹ năng kỹ thuật chỉ là phương tiện. Thứ tạo giá trị là khả năng đặt đúng câu hỏi và diễn giải kết quả.

Chặng 1 — Bảng tính, làm cho đến giỏi (3–4 tuần)

Đừng vội bỏ qua Excel hay Google Sheets để nhảy sang thứ nghe "xịn" hơn. Trong thực tế, phần lớn phân tích hằng ngày vẫn diễn ra trong bảng tính.

Cần thành thạo bốn thứ: làm sạch dữ liệu (dòng trùng, ô trống, ngày tháng lộn xộn, số bị lưu dưới dạng chữ); hàm tra cứu và điều kiện; pivot table — công cụ tổng hợp nhanh nhất, phải dùng được như phản xạ; và biểu đồ — chọn đúng loại biểu đồ cho đúng loại câu hỏi.

Sản phẩm cuối chặng: tải một bộ dữ liệu bán hàng công khai, làm sạch nó, và trả lời năm câu hỏi kinh doanh cụ thể bằng pivot và biểu đồ.

Chặng 2 — SQL, ngôn ngữ chung của dữ liệu (4–6 tuần)

SQL (Structured Query Language — ngôn ngữ truy vấn dữ liệu từ cơ sở dữ liệu) là kỹ năng phân tách rõ nhất giữa người biết dùng bảng tính và một Data Analyst.

Học theo thứ tự này:

1. SELECT, WHERE, ORDER BY — lấy đúng dòng mình cần.
2. GROUP BY và các hàm tổng hợp — đây là nơi phần lớn giá trị nằm.
3. JOIN — ghép nhiều bảng. Khái niệm khó nhất với người mới và cũng quan trọng nhất. Phải hiểu rõ khác biệt giữa các kiểu ghép.
4. Subquery và CTE — chia một truy vấn phức tạp thành các bước đọc được.
5. Window function — tính toán theo nhóm mà vẫn giữ từng dòng. Đây là thứ giúp bạn trả lời "SKU này xếp thứ mấy trong danh mục của nó?"

Cách học hiệu quả nhất: giải bài tập trên các nền tảng luyện SQL trực tuyến, mỗi ngày vài bài, đều đặn. Đọc lý thuyết nhiều mà gõ ít là cách chắc chắn để quên.

Sản phẩm cuối chặng: một bộ 15–20 truy vấn trả lời các câu hỏi kinh doanh thật trên một cơ sở dữ liệu mẫu, có ghi chú giải thích logic từng truy vấn.

Chặng 3 — Thống kê vừa đủ (2–3 tuần)

Bạn không cần trở thành nhà thống kê. Bạn cần đủ để không kết luận sai.

Bốn khái niệm bắt buộc:

• Trung bình, trung vị và độ lệch. Biết khi nào trung bình nói dối — thường là khi có vài giá trị cực đoan.
• Nhiễu và ý nghĩa thống kê. Chênh lệch 3% giữa hai nhóm nhỏ có thể chỉ là ngẫu nhiên. Biết điều này giúp bạn khỏi báo cáo một "phát hiện" không tồn tại.
• Tương quan không phải nhân quả. Câu này ai cũng thuộc và rất nhiều người vẫn vi phạm.
• Thiết kế A/B test đơn giản: nhóm đối chứng là gì, cần bao nhiêu dữ liệu, khi nào dừng.

Chặng 4 — Dashboard và cách kể chuyện bằng số (3–4 tuần)

Một phân tích đúng nhưng không ai hiểu là một phân tích vô dụng.

• Công cụ: chọn một công cụ trực quan hóa phổ biến, học đủ để dựng một dashboard tự cập nhật. Một công cụ là đủ; các công cụ khác học sau rất nhanh.
• Nguyên tắc thiết kế: một dashboard trả lời một nhóm câu hỏi. Đừng nhồi 30 biểu đồ vào một màn hình.
• Kể chuyện: bắt đầu bằng kết luận, sau đó mới đến bằng chứng.

Sản phẩm cuối chặng: một dashboard theo dõi hiệu quả của một danh mục sản phẩm, kèm trang tóm tắt viết bằng tiếng người — không phải bằng thuật ngữ.

Chặng 5 — Python, khi nào thì cần (tùy chọn)

Python không bắt buộc để bắt đầu, nhưng nó mở trần cho bạn ở giai đoạn sau. Hai trường hợp thực sự cần: dữ liệu quá lớn hoặc quá bẩn để xử lý trong bảng tính; hoặc bạn cần tự động hóa một việc lặp lại hằng tuần — kéo dữ liệu từ nhiều sàn, làm sạch, ghép, xuất báo cáo.

Chỉ cần học đủ để thao tác dữ liệu dạng bảng, gọi API và vẽ biểu đồ. Bỏ qua phần lập trình hướng đối tượng nếu mục tiêu của bạn là phân tích, không phải làm kỹ sư dữ liệu.

Một analyst giỏi không phải người dùng được nhiều công cụ nhất. Đó là người đặt câu hỏi đúng trước khi mở bất kỳ công cụ nào.

Kỹ năng cần có

• Bảng tính: làm sạch, tổng hợp, trực quan hóa nhanh và chính xác.
• SQL: viết được truy vấn nhiều bảng, có tổng hợp, có window function.
• Tư duy thống kê cơ bản: biết khi nào một khác biệt là thật.
• Hiểu bối cảnh kinh doanh: biết chỉ số nào thực sự quan trọng với người ra quyết định. Ví dụ trong ecommerce, hiểu biên đóng góp của từng SKU quan trọng hơn biết thêm một thư viện mới.
• Giao tiếp: viết ngắn, kết luận trước, số liệu sau.
• Tính hoài nghi: luôn hỏi "số này lấy từ đâu, có thể sai ở đâu".

Bài này hợp với ai

• Người mới ra trường muốn vào nghề dữ liệu nhưng không học chuyên ngành liên quan.
• Người đang làm vận hành, marketing hoặc kế toán, dành nhiều thời gian với số và muốn chuyển hẳn sang phân tích.
• Người thích đào đến tận gốc một câu hỏi hơn là làm theo hướng dẫn có sẵn.

Nghề này không hợp với người muốn kết quả rõ ràng ngay lập tức. Phân tích thường bắt đầu bằng vài ngày đi vào ngõ cụt trước khi tìm ra điều đáng giá.

Vì sao Equarus cần người như vậy

Data là ngôn ngữ chung ở Equarus. Đây không phải một khẩu hiệu — nó là một trong bốn giá trị cốt lõi định hình cách làm việc hằng ngày, như mô tả trong bài bốn giá trị cốt lõi trong công việc hằng ngày.

Vận hành nhiều thương hiệu trên nhiều sàn quốc tế nghĩa là dữ liệu đổ về từ nhiều nguồn, nhiều định dạng, nhiều đơn vị tiền tệ. Người biến mớ đó thành quyết định là người tạo ra giá trị trực tiếp. Bối cảnh ngành được mô tả trong bài ecommerce global là gì và cơ hội cho người Việt.

Nếu bạn đang đi trên lộ trình này và muốn thử sức với dữ liệu thật, các vị trí đang mở là bước tiếp theo.