Đã hơn một năm kể từ ngày tôi bắt đầu công việc full-time đầu tiên tại Mỹ: Data Analyst (Chuyên viên phân tích dữ liệu) tại trường Đại học Penn State (The Pennsylvania State University)—cũng là nơi tôi vừa lấy bằng Tiến sĩ.
Ban đầu khi mới bắt đầu công việc này, tôi chỉ nghĩ đây là một công việc văn phòng bình thường, không có gì quá “sexy” cả 🙈 nên ít khi chia sẻ trên blog. Tuy vậy, càng ngày càng có nhiều bạn trẻ—cả Việt Nam lẫn nước ngoài—hỏi tôi về ngành nghề này. Các vị trí tuyển dụng cho ngành này dường như cũng tăng theo cấp số nhân trong năm vừa qua, chứng tỏ sức hút và nhu cầu ngày càng tăng với nghề Data Analytics. Ngay bản thân tôi sau một thời gian làm việc thì cũng hiểu hơn về công việc này và thấy yêu quý nó hơn cả thời điểm tôi mới nhận được việc làm.
Bởi vậy, bài viết này phân tích năm khía cạnh lớn nhất nghề này, dưới quan điểm và kinh nghiệm thực tiễn của tôi, bao gồm: (1) Data Analyst là gì, (2) Hành trình của tôi đến với nghề này, (3) Các kỹ năng cần thiết cho công việc, (4) Kinh nghiệm để trở thành một Data Analyst giỏi, và (5) Lời khuyên để chuẩn bị một hồ sơ cạnh tranh cho vị trí Data Analyst.
Lưu ý nhỏ trước khi đọc: Trong quá trình thực hiện bài viết, tôi đã tham khảo rất nhiều nguồn tài liệu cả tiếng Anh và tiếng Việt, khảo sát nhiều vị trí tuyển Data Analyst tại nhiều ngạch công việc khác nhau ở các quốc gia để viết một bài khách quan, khái quát, và có tính ứng dụng cao nhất. Tuy nhiên, do đặc thù là ngành tương đối mới và ở mỗi ngạch công việc lại có yêu cầu khác nhau nên một bài viết nhỏ không thể bao quát được hết từng vị trí. Do vậy, thông tin dưới đây chỉ có tính tham khảo và bạn đọc nên tự nghiên cứu, tìm tòi, và kiểm chứng thông tin cho riêng mình.
UPDATE 11/2021: Hiện tôi đã ngừng công việc này và chuyển sang làm college professor ở một trường Đại học khác theo đúng ước mơ và nguyện vọng ban đầu; nhưng quá trình hai năm làm Data Analyst cũng dạy cho tôi rất nhiều điều bổ ích. Bạn có thể nghe chia sẻ của tôi trong podcast này:
Data Analyst là gì
Đúng như tên gọi của nó, Data Analyst hay Chuyên viên phân tích dữ liệu là công việc tập trung vào việc thu thập, khai thác và xử lý bộ dữ liệu để đưa ra quan sát, nhận định, báo cáo về một vấn đề cụ thể. Mục đích của một báo cáo phân tích dữ liệu là để giúp lãnh đạo nắm được tình hình thực tế và để tham mưu đưa ra quyết định đúng đắn (data-driven decision making).
Đây là một công việc có ý nghĩa và có tầm quan trọng lớn đối với bất cứ tổ chức hoặc doanh nghiệp nào. Trong thời đại số hiện nay, hầu như ai cũng hiểu được tầm quan trọng của số liệu—data được thu thập khắp mọi nơi trên mạng xã hội, qua survey khảo sát, qua phiếu ý kiến khách hàng…—vì những người làm lãnh đạo nhạy bén hiểu rằng họ phải biết đối tượng sử dụng dịch vụ của mình có những nhu cầu gì, có điều gì mình cần thay đổi để đáp ứng tốt hơn nhu cầu đó không. Với khối lượng lớn dữ liệu như vậy, cần có ít nhất một người có khả năng tổng hợp, phân tích, và diễn giải số liệu ra những thông tin súc tích và thiết thực nhất cho tổ chức-doanh nghiệp của mình phát triển theo đúng hướng. Ngay cả lãnh đạo nhà nước cũng cần Data Analyst để giải đáp bộ số liệu quốc gia và vạch ra chính sách đúng đắn cho toàn dân (chúng ta đang chứng kiến điều này qua sự kiện COVID-19 trên khắp thế giới).
Tuy nhiên, mỗi vị trí Data Analyst rất khác nhau tuỳ thuộc vào từng ngạch công việc, từng tổ chức, và từng loại dữ liệu cần xử lý. Đơn cử, nếu ngay bây giờ bạn gõ tìm kiếm, Google sẽ đưa ra hàng ngàn kết quả với hàng trăm lời khuyên “đập nhau chan chát” về nghề Data Analyst—khiến bạn không biết nên bắt đầu từ đâu. Bởi vậy, khi tìm hiểu về nghề Data Analyst, điều quan trọng nhất là phải biết được hoàn cảnh (context) và ngạch công việc (industry) của từng vị trí.
Do đó, trước khi đưa ra bất kỳ lời khuyên nào về ngành này, tôi muốn kể cho bạn hành trình của tôi để trở thành một Data Analyst.
Hành trình của tôi đến với nghề Data Analyst
Đầu tiên, tôi phải thú nhận rằng Data Analyst không phải “dream job” (công việc trong mơ) của tôi, ít nhất theo cái nghĩa mà mình mơ ước được làm nghề, luyện tập kỹ năng để thi thố, và chuyên tâm ứng tuyển vào vị trị này. Nói cho đúng hơn, gần như “dòng đời xô đẩy” đưa tôi đến với nghề Data Analyst.
Tôi bắt đầu tìm công việc fulltime tại Mỹ khi đang trong quá trình viết luận án Tiến sĩ (chưa tốt nghiệp) vì tôi muốn khi ra trường mình đã có công việc rồi chứ không phải rơi vào hoàn cảnh chơi vơi thất nghiệp. Hơn nữa, ra ngoài ra việc đi làm cũng là giải pháp giúp tôi ra khỏi nhà và trở lại với chính mình sau thời gian sinh con đầu lòng nhiều stress. Vì background của tôi là nghiên cứu về giáo dục nên ban đầu tôi nghĩ mình sẽ tiếp tục con đường học thuật để làm giảng viên, nhà khoa học, hay nghiên cứu sau tiến sĩ (post-doc). Tuy nhiên, thị trường tuyển dụng mảng học thuật vô cùng hạn chế và cạnh tranh cao nên cơ hội rất ít; ngoài ra nếu được nhận việc khả năng cao tôi sẽ phải di chuyển tới bang/thành phố khác—một điều tôi chưa muốn làm tại thời điểm đó vì con còn quá nhỏ. Bởi vậy, tôi quyết định bước ra khỏi “vùng an toàn” của mình để nộp những công việc khác với dự tính ban đầu nhưng ở ngay thành phố tôi đang sống.
Đó là khi tôi tình cờ nhìn thấy thông tin tuyển dụng của vị trí Data Analyst tại trường Đại học Penn State.
Thông báo tuyển dụng chỉ nêu ngắn gọn là cần tuyển một người vào vị trí Higher Education Data Analyst (Chuyên viên phân tích dữ liệu đại học). Yêu cầu có tối thiểu bằng Đại học, có kỹ năng quản lý, khai thác và phân tích dữ liệu, làm được báo cáo giúp đưa ra quyết định dựa trên số liệu khoa học. Ngoài công việc phân tích dữ liệu thông thường, vị trí này còn làm việc với dự án đánh giá năng lực của nhà trường để tìm giải pháp giúp các hoạt động giảng dạy và dịch vụ cho sinh viên được tốt hơn. (Gần như là Data Analystics + Evaluation/Assessment)
Thú thật là đấy là lần đầu tiên tôi mới biết đến cái gọi là Higher Education Data Analyst 🙈. Mặc dù chưa có đầy đủ thông tin nhưng qua thông báo tuyển dụng, tôi cảm nhận được mình có đủ năng lực làm công việc này. Mặc dù tôi không được đạo tạo chuyên về số liệu nhưng tôi làm việc với số liệu rất nhiều trong quá trình học Thạc sĩ và Tiến sĩ tại Mỹ. Qua quá trình làm nghiên cứu, tôi cũng thông thạo một số phần mềm phân tích số liệu như Stata, SPSS, Atlas.ti, NVivo… Ngoài ra, tôi còn có lợi thế là sinh viên Penn State nên tôi hiểu rõ về hoàn cảnh nhà trường (context) và vì làm nghiên cứu giáo dục, tôi có kiến thức tốt về giáo dục đại học và sau đại học tại Mỹ (industry). Bởi vậy, tôi mạnh dạn nộp hồ sơ.
Sau hai vòng phỏng vấn, một lần online qua Zoom và một lần trực tiếp với hơn 20 cán bộ trong trường, tôi nhận được offer công việc!
Tuy nhiên, quá trình đến với vị trí Data Analyst của tôi cũng không thiếu những “drama” 🙊. Ví dụ, trong vòng phỏng vấn qua Zoom, tôi được hỏi có biết hay đã có kinh nghiệm sử dụng SQL (một ngôn ngữ truy vấn cơ sở dữ liệu) hay không—tôi thành thật trả lời là không biết, đó là lần đầu tiên tôi mới nghe đến SQL. Trong vòng phỏng vấn trực tiếp, tôi nhận ra các đồng nghiệp tương lai có phần dè dặt và lo lắng khi nghĩ đến vai trò của tôi trong việc “soi xét” họ ở dự án đánh giá năng lực của nhà trường. Vào làm được khoảng một tháng, tôi phát hiện ra là trước tôi, nhà trường có tuyển một Data Analyst đã có bằng Tiến sĩ và rất giỏi chuyên môn vào đúng vị trí này nhưng vì một số lý do, người này bị buộc thôi việc khi mới làm có 6 tháng.
Tại sao tôi lại kể cho bạn tất cả câu chuyện này, bao gồm những “drama” nói trên? Vì phần dưới đây, tôi sẽ chỉ cho bạn thấy cách tôi xử lý thành công những thiếu hụt của mình và trở thành một Data Analyst tốt dựa vào việc học những thất bại của người đi trước. Qua đó, tôi hy vọng bạn cũng rút ra được bài học bổ ích cho mình.
Các kỹ năng cần thiết của một Data Analyst
Trong quá trình tìm hiểu thông tin bằng tiếng Việt cho bài viết này, tôi nhận ra trên mạng Internet có nhiều “lời khuyên” ngộ nhận, thái quá, không thực tế về các kỹ năng và kiến thức nghề Data Analyst cần. Điều này dẫn đến việc các bạn trẻ không biết bắt đầu từ đâu, sợ mình không đủ kiến thức, không dám bắt đầu vì có quá nhiều kỹ năng đòi hỏi.
Vì vậy, dưới đây, tôi sẽ nếu ra một số điều mà bạn không thực sự cần (hoặc có cần nhưng không tới mức thái quá) trước khi đi đề cập các kỹ năng thực sự cần thiết cho nghề này. Trong đó, tôi lồng ghép một số kinh nghiệm thực tế từ trải nghiệm và quan sát của mình sau một năm làm nghề.
Những điều bạn không thực sự cần
- Siêu sao về Toán: Trái với quan điểm của nhiều người rằng bạn phải rất giỏi Toán (tầm math genius) để có thể trở thành Data Analyst, tôi cho rằng bạn chỉ cần có kiến thức Toán cơ bản, nắm được khái niệm (concept) đằng sau các công thức, mô hình Toán và Xác suất thống kê là đủ. Tại sao? Bởi vì các thuật toán khó, những con số rắc rối (mà khi còn đi học chúng ta phải cặm cụi tính bằng tay hay bằng máy tính bỏ túi) thì rất nhiều phần mềm hiện đại đã lo cho rồi! Cái ta cần chỉ là hiểu rõ khái niệm cơ bản để thiết kế cho phần mềm tính toán đưa ra kết quả mình mong muốn mà thôi. Bản thân tôi không phải người quá giỏi về Toán (tôi thậm chí còn là dân Chuyên Văn!) nhưng thực tế chứng minh kiến thức Toán cơ bản là đủ để bắt đầu với ngành này.
- Cực giỏi về phần mềm, programming, coding: Để bắt đầu ngành này, bạn cần biết một số phần mềm phân tích số liệu cơ bản phục vụ cho công việc, nhưng nếu bạn chưa phải là “cực phẩm” ngay từ đầu, từng quá lo lắng. Tại sao? Bởi vì tất cả các phần mềm, programming, coding đều có thể học được và học được rất nhanh thông qua thực hành trong công việc thực tế. Ai chưa làm nghề này thì đều rất sợ phải học kỹ thuật nhưng ai đã làm nghề rồi thì sẽ hiểu là học rất dễ, đặc biệt, nếu bạn chỉ học đúng mảng kỹ thuật phục vụ đúng cho nội dung công việc thôi thì còn dễ hơn và nhanh hơn nữa. Như đã chia sẻ phía trên, khi phỏng vấn cho vị trí hiện tại, tôi chưa từng biết đến SQL nhưng vẫn được nhận; và khi đã vào làm, tôi chỉ học SQL qua online course trong 5 ngày là đã thành thạo cho công việc của mình. Sau này, tôi có nghe đồng nghiệp kể trong quá trình tuyển dụng, có 4 ứng viên được phỏng vấn, 3 người kia thành thạo SQL nhưng đều trượt còn tôi không biết gì về SQL lại được nhận. Vì vậy, đừng để việc thiếu kỹ năng làm chùn bước bạn, cái gì cũng có thể học được hết và giỏi ngay từ không phải là yếu tố tiên quyết!
- Bằng cấp cao chuyên về Data Analytics: Nếu bạn có bằng cấp sẵn thiên về tính toán, phân tích số liệu, công nghệ thông tin, kinh tế… thì có thể có lợi thế, nhưng không phải là yêu cầu bắt buộc. Đây là một ngành mới, vì vậy kỹ năng và kinh nghiệm quan trọng hơn bằng cấp nhiều. Như đã chia sẻ, vị trí của tôi hiện tại chỉ yêu cầu tối thiểu bằng Đại học và bản thân tôi không hề học ngành liên quan đến data. Vì vậy, nếu bạn không có bằng chuyên về ngành này, đừng quá lo lắng và cũng đừng nên ghi danh học lại Đại học từ đầu, có nhiều cách khác để trang bị kiến thức-kỹ năng cho ngành này.
Những điều bạn thực sự cần
- Khả năng logic tốt: Đối với ngành này, tư duy suy nghĩ logic, rõ ràng là vô cùng quan trọng vì bạn phải nhìn được vào một bộ số liệu lớn và tư duy xem tại sao lại có những con số này, nó có ý nghĩa gì, lỗ hổng (nếu có) nằm ở đâu. Có rất nhiều người tôi biết rất giỏi về thuật toán, coding, programming nhưng tư duy logic của họ không tốt khiến cho sa lầy vào bước tình toán ban đầu mà cái cốt lõi hơn là kết quả phân tích về sau thì lại không rõ ràng. Điều này dẫn đến việc khi báo cáo cho cấp trên thì xổ ra hàng loạt ngôn ngữ toán cao siêu nhưng kết quả cuối cùng mà cấp trên cần tham mưu, quyết định thì lại mơ hồ, thiếu logic. Đây cũng là một trong những lý do mà người tiền nhiệm của tôi không thành công với vị trí này (theo nhận xét của nhiều đồng nghiệp) mặc dù có kỹ năng Toán tốt.
- Không ngại tìm tòi, đặt câu hỏi khó: Mỗi một bộ dữ liệu đến tay mình đều có “lịch sử” tồn tại của nó, tại sao dữ liệu này lại được thu thập, mục đích của nó là gì, phương pháp thu thập dữ liệu như thế nào, điểm hạn chế của bộ dữ liệu là gì… Để phân tích dữ liệu tốt, bạn không chỉ cứ dập công thức là ra kết quả mà phải biết được lịch sử của từng bộ dữ liệu và hoàn cảnh của từng dự án. Vì vậy, một kỹ năng không thể thiếu là đam mê tìm tòi, khám phá, không ngại đặt câu hỏi lật lại vấn đề để có thể cho ra đời bộ dữ liệu tốt hơn, giúp cho quá trình phân tích dữ liệu sau này được hiệu quả hơn.
- Khả năng tập trung, cẩn thận, chú ý đến chi tiết: Một trong những yêu cầu ghi ở thông báo tuyển dụng cho vị trí tôi đang làm là ứng viên cần phải “attentive to detail” (chú ý đến chi tiết). Tôi hoàn toàn đồng ý với điều này. Để làm được công việc phân tích dữ liệu, bạn cần luyện tập cho mình khả năng tập trung cao độ để có thể nghiên cứu và phân tích nhiều số liệu một lúc, cũng như cẩn thận, tiểu tiết để bắt những lỗi sai hoặc những vấn đề khác thường trong bộ dữ liệu. Đôi khi, công việc này có nhiều thứ vô cùng tiểu tiết và mất thời gian, nhất là khi phải “dọn dẹp” (clean data) thì mới có được một bộ dữ liệu hoàn chỉnh; bởi vậy, nó cũng luyện cho người làm tính kiên nhẫn cao.
- Kỹ năng sắp xếp, quản lý tốt nhưng cũng mềm dẻo, linh hoạt: Làm việc với data ngoài đời thật, nhất là với primary data (số liệu mình tự thu thập) rất khác so với khi làm trên sách vở, với secondary data (số liệu có sẵn). Số liệu thực tế khi chưa “clean” rất lung tung, rối rắm, mỗi nơi một thứ chứ ít khi đầy đủ trong một file hoàn chỉnh… nên người làm Data Analyst phải có kỹ năng quản lý, sắp xếp số liệu tốt. Máy tính và các file dữ liệu phải được lưu trữ theo hệ thống rõ ràng, dễ tra cứu sau này. Nhưng ngoài ra, Data Analyst cũng phải hết sức mềm dẻo, linh hoạt vì số liệu trong thực tế có thể thay đổi hàng ngày nên không nên quá cứng nhắc mà thường xuyên cập nhật, chỉnh sửa, xác định để chỗ trống cho sai sót, thay đổi sau này.
Kinh nghiệm để trở thành một Data Analyst giỏi
Trong quá trình làm việc ở vị trí của mình và cộng tác với những Data Analyst khác ở trong và ngoài trường, tôi nghiệm ra một số điều đặc biệt có thể biến bạn từ một Data Analyst “thường thường bậc trung” lên mức độ giỏi.
Bản thân tôi không tự nhận mình là siêu sao nhưng nhờ việc áp dụng những bài học kinh nghiệm dưới đây mà ngay trong năm đầu làm việc tôi đã được đánh giá năng lực ở mức “exceptional” (đặc biệt xuất sắc)—mức đánh giá cao nhất trong hệ thống của Penn State.
Theo kinh nghiệm của tôi, để trở thành một Data Analyst giỏi, bạn cần 5 điều sau đây:
1. Trở thành chuyên gia trong lĩnh vực hẹp của mình: Một Data Analyst trung bình là người biết dàn trải mọi thứ, cái gì cũng biết một chút, nhưng Data Analyst giỏi là người biết ít hơn nhưng biết rất sâu về lĩnh vực mình đang làm.
Ví dụ, vị trí của tôi hiện tại nằm ở một College (Schreyer Honors College) trực thuộc Penn State; bởi vậy, càng làm tôi càng thu hẹp phạm vi tập trung của mình từ số liệu đại học chung chung, tới số liệu Penn State, và sau cùng tới số liệu riêng của College, sau đó tiếp tục chẻ nhỏ ra từng đơn vị như Academics, Student Affairs… Càng thu hẹp lĩnh vực tập trung, bạn càng trở thành chuyên gia, và càng củng cố vị trí của mình hơn trong công việc. Một khi bạn đã trở thành chuyên gia, có những thứ chỉ riêng mình bạn biết và chỉ bạn mới có thể làm được, và vì thế, bạn không dễ gì có thể bị thay thế.
2. Dành thời gian quan sát, học hỏi trước khi bắt tay vào “hành động”. Khi bắt đầu công việc mới ai cũng hừng hực khí thế, muốn thay đổi mọi thứ theo cách của mình, muốn cộp con dấu riêng cho mình. Tuy nhiên, đây không hẳn là điều tốt đối với Data Analyst giỏi vì như đã viết, để làm tốt công việc, bạn cần hiểu được hoàn cảnh, lịch sử của số liệu. Nếu bạn làm nhiều số liệu nội bộ (internal/in-house data) và có liên quan đến đánh giá năng lực như tôi, bạn lại càng phải dành thời gian quan sát, học hỏi đồng nghiệp và những người đi trước rất nhiều trước khi đưa ra ý kiến muốn thay đổi điều gì đó.
Tôi từng kể, một trong những “drama” tôi gặp phải khi tuyển vào vị trí này là đồng nghiệp dè chừng vì lo họ sẽ bị tôi đánh giá, soi xét qua các chỉ số về năng lực. Nhưng ngay từ đầu, tôi đã khẳng định với họ rằng mình đến đây để học chứ không phải để đánh giá ai cả. Trong quá trình làm việc, tôi quan sát và đặt câu hỏi cầu thị rất nhiều để có được niềm tin từ đồng nghiệp, khiến họ dễ dàng mở lòng chia sẻ khó khăn, vất vả trong công việc—đây chính là những data đắt giá nhất!
3. Hết sức cẩn trọng khi chia sẻ số liệu, luôn đặt tính bảo mật dữ liệu lên hàng đầu. Đây là điều vô cùng quan trọng đối với bất kỳ ai làm về số liệu vì số liệu nhìn vô cảm, vu vơ nhưng lọt vào tay ai đó với dụng tâm xấu thì có thể trở nên rất “nhạy cảm”. Trên thực tế, rất nhiều người mặc dù giỏi về nghề nhưng lại sơ sót về vấn đề trọng yếu này.
Trở lại với đề tài “drama”, người tiền nhiệm của tôi từng làm một survey khảo sát sinh viên về hoạt động của nhà trường, một số ít sinh viên có phản hồi tiêu cực nêu đích danh giáo viên và cán bộ nhà trường. Thay vì bảo mật thông tin và trao đổi trực tiếp với cấp trên, người này “nhanh nhảu” chia sẻ cho chính giáo viên và cán bộ có nêu tên về những phản hồi này 🙊. Đó là lý do chính khiến người tiền nhiệm của tôi bị buộc thôi việc khi chưa làm đến nửa năm.
Đừng bao giờ, đừng bao giờ để mình phạm vào lỗi chết người này!
4) Làm việc được cả số liệu định lượng lẫn định tính: Nghĩ đến Data Analyst, nhiều người chỉ nghĩ đến con số (định lượng) nhưng nếu muốn trở thành Data Analyst giỏi, bạn nên thành thạo cả kỹ năng phân tích được cả số liệu dưới dạng ngôn từ (định tính). Bởi vì số liệu trong thực tế, đặc biệt những số liệu có chiều sâu thường ở dạng mix cả định lượng và định tính. Nếu bạn có thể làm được cả hai, bạn sẽ tạo cho mình lợi thế cạnh tranh tốt hơn, tạo ra được những phân tích đa chiều hơn, và cộng tác được nhiều hơn với nhiều người trong nhiều dự án khác nhau.
5) Kể được “câu chuyện” đằng sau số liệu: Data Analyst về bản chất là bạn biến bộ dữ liệu phức tạp ra những kết luận đơn giản, dễ hiểu, có tính ứng dụng cao. Bởi vậy, để trở thành một Data Analyst giỏi, bạn không nên chỉ vùi đầu vào máy tính cộng cộng, trừ trừ… mà nên luyện tập kỹ năng truyền đạt thông tin lôi cuốn, kể “câu chuyện” đằng sau số liệu một cách thuyết phục qua ngôn ngữ nói (thuyết trình) hoặc ngôn ngữ viết (báo cáo, nghiên cứu khoa học).
Ai cũng có thể tính toán được nhưng khác biệt giữa người mức trung bình và người giỏi là khả năng trình bày suy nghĩ, diễn giải vượt trên các con số khô khan thông thường. Đây cũng là kỹ năng tốt cho bất cứ ngành nào, chứ không phải chỉ riêng Data Analyst.
Chuẩn bị hồ sơ cạnh tranh ứng tuyển vị trí Data Analyst
Nếu Data Analyst là “dream job” của bạn, dưới đây là một số gợi ý của tôi để bạn có thể chuẩn bị từ bây giờ để có một bộ hồ sơ cạnh tranh:
- Nắm chắc kiến thức Toán cơ bản. Như đã viết, bạn không cần phải là siêu sao Toán nhưng những kiến thức cơ bản như descriptive statistics, regression, tabulation, t-test, chi-square… thì nên biết và làm thành thạo.
- Tìm hiểu cụ thể vị trí mình muốn làm thường có yêu cầu gì và chuẩn bị trước cho từng yêu cầu đó. Như đã viết, mỗi một vị trí Data Analyst có yêu cầu về ngành học, kỹ năng, và kiến thức khác nhau. Vậy nên, nếu bạn biết mình muốn làm ngành nào hay cụ thể là tổ chức-công ty nào, bạn nên xem những thông tin tuyển dụng họ đã đăng (ví dụ trên LinkedIn) để xem yêu cầu của họ về kỹ năng là gì. Ví dụ như vị trí tôi đang làm hiện tại thì chỉ yêu cầu biết Excel, SQL, SPSS hoặc Stata, và một phần mềm phân tích định tính như NVivo. Nhưng những nơi khác, ở những ngạch việc khác có thể yêu cầu R, Python… Vì vậy, biết trước được ngành mình thích cần những gì để hoàn thiện từ trước sẽ giúp bạn có bộ hồ sơ cạnh tranh hơn nhiều.
- Tự học và thực hành. Bạn không nhất thiết phải bỏ tiền ra trường lớp học từ đầu, nếu không có điều kiện; những khoá học trên LinkedIn Learning hay Coursera hiện nay đều rất tốt. Bản thân tôi học khoá này của LinkedIn Learning sau 5 ngày + luyện tập trên dữ liệu thực tế là có thể sử dụng SQL thành thạo. Nếu bạn muốn học với người Việt và có tư vấn việc làm trong ngành, bạn có thể tham khảo CoderSchool. Điều quan trọng hơn cả là thực hành vì chỉ có thực hành bạn mới có thể code “lên tay” được, nên nếu có cơ hội thực tập hoặc làm thử cho dự án nào đó kể cả parttime hay volunteer bạn cũng nên tham gia để luyện tập tay nghề. Tất cả những kinh nghiệm này đều có thể ghi vào CV.
- Luôn thể hiện sự khiêm tốn, tinh thần cầu tiến, ham học hỏi: Trong CV, cover letter, cũng như khi phỏng vấn cho công việc, bạn không nên quá khoe khoang về kỹ năng và kiến thức của mình (điều mà tôi từng thấy ở nhiều buổi phỏng vấn Data Analyst). Bạn chỉ nên nói vừa đủ, súc tích về những gì mình biết, lắng nghe người phỏng vấn để hiểu thêm về hoàn cảnh công việc, và thể hiện rõ tinh thần học hỏi, cầu thị. Kể cả bạn có đã là siêu sao số liệu đi chăng nữa, bất cứ khi nào vào một môi trường mới, bắt vào một bộ số liệu mới, bạn đều phải học lại từ đầu. Là một người từng làm tuyển dụng, tôi luôn tâm niệm rằng điều làm bạn trở nên “cạnh tranh” nhất là chính con người và phẩm chất của bạn, chứ không hẳn là bằng cấp, kỹ năng, hay những gì bạn thể hiện trên giấy tờ.
—
Ngoài ra, bạn cũng có thể tham khảo thêm các góc cạnh phong phú của ngành Data Analyst trong tập podcast này:
—
Hy vọng bài viết trên cho bạn cái nhìn tổng quát và sát thực nhất về nghề Data Analyst. Như đã thú thực ngay từ ban đầu, Data Analyst không phải là “dream job” của tôi và cũng chưa chắc tôi sẽ gắn bó với công việc này cả đời. Tuy nhiên, sau một năm làm việc, tôi đã học được rất nhiều điều bổ ích có thể áp dụng được ngay vào cuộc sống hàng ngày.
Ví dụ, vì làm việc quen với số liệu, tôi quan tâm hơn đến data report của chính trang blog này để biết được bạn đọc The Present Writer thích đề tài nào nhất, hay đọc vào thời điểm nào trong tuần, là nam hay nữ, sống ở đâu… để phát triển blog dựa theo hướng phù hợp với bạn đọc hơn. Cũng nhờ có đầu óc nhanh nhạy hơn về con số, tôi quản lý tài chính cá nhân được tốt hơn và hiểu rõ hơn một số mô hình tài chính mới (ví dụ như FIRE) để đầu tư cho tương lai của mình.
Bởi vậy, tôi tin rằng dù bạn có không quyết định làm Data Analyst thì một số kỹ năng, kiến thức của nghề này cũng có thể giúp bạn phát triển hơn, nhanh nhạy, sáng tạo hơn ở công việc bạn đang làm.
Be Present,
Chi Nguyễn
*Bạn thích bài viết này? Hãy cân nhắc ủng hộ cho The Present Writer để blog có thể tiếp tục hoạt động phi lợi nhuận
**Vui lòng đọc kỹ yêu cầu về Bản Quyền-Cộng Tác trước khi sao chép hoặc trích dẫn nội dung và hình ảnh của blog
Cảm ơn Chi vì một bài viết chất lượng và chi tiết về Data Analyst! Qua đây, mình cũng phần nào hiểu thêm về con đường đi đến nghề này và có những lựa chọn chính xác trong tương lai. Và, mình hoàn toàn đồng ý với quan điểm “sự khiêm tốn, tinh thần cầu tiến, ham học hỏi” là một trong những yếu tố chính để giúp mình hòa nhập vào bất cứ một môi trường mới nào nhanh chóng.
Mình muốn hỏi thêm về background học Thạc Sỹ và Tiến Sỹ của Chi để có cái nhìn chi tiết hơn nếu bạn không ngại chia sẻ được không?
Cảm ơn bạn đã đọc bài viết của mình. Bạn có thể đọc thêm về background của mình tại đây: https://thepresentwriter.com/gioi_thieu/#Chi
hoặc xem thêm về luận án của mình tại:
https://thepresentwriter.com/nhung-nguoi-lam-nen-luan-an-tien-si-cua-toi/
Chị Chi bị nhầm một chút chỗ “định tính” và “định lượng” ạ?!, em nghĩ là lỗi typo thôi ạ 😄.
Cám ơn chị vì bài viết rất hay và hữu ích ạ. Em cũng là một Data Analyst và hoàn toàn đồng ý với những gì chị viết, có một số điểm em có thể học hỏi từ chị nữa 😀.
Chúc chị và gia đình một ngày vui vẻ, tốt lành!
Chị đã sửa lại trên bài viết, cảm ơn em nhé! Rất vui được kết nối với một Data Analyst nữa
Góp ý nhỏ là SQL không phải là một ngôn nhữ lập trình nhé, nó là ngôn ngữ truy vấn cơ sở dữ liệu
Cảm ơn bạn đã góp ý. Mình dịch từ tiếng Anh nên chưa sát nghĩa mà nghĩ mãi không ra chữ “truy vấn” như bạn viết, hay quá, mình sẽ sửa lại trong bài theo gợi ý của bạn nhé nhé. Cảm ơn bạn nhiều!
Góp ý chút cho tác giả, có chút nhầm lẫn trong bài viết về định tính (ngôn từ) và định lượng (con số)
Cảm ơn bạn đã góp ý. Mình đã sửa lại trong bài viết 🙂
Nếu có bài nào mang tính ví dụ thực tế nữa thì hay quá.
Cảm ơn bạn đã góp ý. Bài này mình muốn viết rộng để áp dụng được với nhiều ngạch công việc cho nghề Data Analyst nên không đưa ví dụ cụ thể từng việc mình làm nhưng nếu mọi người quan tâm mình có thể viết kỹ hơn (dưới chừng mừng cho phép để đảm bảo bảo mật dữ liệu) 🙂
Bài viết của chị rất hay. Em cũng nghĩ nếu chị đưa ví dụ thì hay hơn nữa ạ
Đúng là nếu có thêm một số ví dụ thì bài viết sẽ rất sinh động. Cảm ơn Chi rất nhiều về những chia sẻ!
Bài viết của chị thật sự rất hay và hữu ích ạ. Em đang là sinh viên năm hai, chuyên ngành Management Information Systems & Analytics ở uOttawa – Canada. Em cũng muốn trở thành 1 Data Analyst trong tương lai. Em rất mong có thể contact với chị ạ.
Chào em. Cảm ơn em đã đọc blog. Mọi thông tin contact của chị đều có trên đây: https://thepresentwriter.com/gioi_thieu/#Chi
Bài viết này rất thú vị. Mình không làm chuyên môn này, nhưng từ quan sát cuộc sống, và cách bạn trình bày dễ hiểu; mình đồng tình với nhiều nhận xét trong bài.
Cảm ơn bạn đã chia sẻ, bài viết rất hữu ích với mình khi đang trên cong đường định hướng nghề nghiệp về IT.
Cám ơn bạn. Bài viết rất hay!
Cảm ơn chị vì bài viết đang giúp em rất nhiều suy nghĩ về công việc hiện tại ạ.
Chị có thể cho em xin thêm thông tin về khóa học online SQL không ạ. Cảm ơn chị nhiều ạ.
Chị có link khoá học với hyperlink trong bài viết (đoạn gần cuối) em xem lại click vào sẽ ra LinkedIn Learning course
Chào chị Chi. Rất vui vì chị Chi đã viết 1 bài khá chi tiết về Data analyst. Em cũng từng nghĩ muốn làm về Data science thì phải rất giỏi toán và coding/programing nhưng em học khoá Data science của IBM cũng thấy họ nhấn mạnh 3 điều quan trọng cần có ở 1 Data scientist là argumentative, curiosity và story telling. Ngoài ra Data analyst là 1 tên gọi chung còn công việc thực tế thì lại thuộc về những nhóm ngành hẹp nên những người làm về dữ liệu thường từ chính nhóm ngành mà trước đó đã từng làm và học thêm về dữ liệu.
Hi vọng chị Chi có thể viết thêm 1 số bài nữa về những ví dụ cụ thể khi phân tích dữ liệu.
Bài viết thực sự rất hay và hữu ích chị ạ, thêm một định hướng nghề nghiệp cho một đứa học kinh tế sắp ra trường như em. Sẵn đây em cũng muốn hỏi là em cũng từng làm luận môn nghiên cứu marketing, cũng từng dùng spss và excel để phân tích nhưng có một bất cập trong khâu lấy số liệu là mình không chắc người được khảo sát có trả lời một cách nghiêm túc nhất không hay chỉ qua loa trong khi bộ mẫu nhỏ nên quá trình clean phải chỉnh sửa rất nhiều ảnh hưởng đến tính khách quan của việc phân tích T.T, chị có thể chia sẻ giải pháp từ kinh nghiệm cá nhân của chị được không ạ 😀
Cảm ơn em đã đọc bài viết. Câu hỏi của em là câu muôn thuở của những người làm nghiên cứu :D. Nếu em cảm thấy chất lượng mẫu của mình chưa đủ, em có thể survey thêm. Mẫu càng lớn thì mình càng dễ nhìn thấy patterns hơn mà làm analysis cũng dễ hơn. Ngoài ra nếu ko thể tăng thêm survey em có thể đi vào chiều sâu để làm interview hay follow-up survey để xác nhận thông tin đã có sẵn và thêm chi tiết cụ thể hơn cho nghiên cứu của mình
Dạ em cảm ơn chị nhiều ạ, rất mong chờ những bài viết định hướng nghề nghiệp của chị ạ ^^
Thực sự tìm được nguồn động lực và cảm hứng từ bài viết của chị. Em hiện đang là sinh viên thạc sĩ tại Nhật và bắt đầu làm quen tìm hiểu về Data Analysis. Qua bài viết này em đã có những định hướng cơ bản cho chặng đường tiếp tới. Và một điều nữa là rất khâm phục khả năng tập trung cao của chị.
Cảm ơn chị, một bài viết rất tâm huyết. Em hiện đang muốn chuyển sang nghề này, bắt đầu từ con số không cả về background lẫn kinh nghiệm. Mong có thể nhận được vài sự hướng dẫn từ chị. Cảm ơn rất nhiều!
Cảm ơn em đã đọc bài viết. Tất cả thông tin quan trọng chị đã viết trong bài. Nhưng nếu em muốn có thêm cảm hứng thì có thể nghe podcast episode chị và một bạn làm DA khác thực hiện trên Podcast Bốn Chấm Không: https://youtu.be/4BOfagq9hYk
Em chào chị, cảm ơn bài viết rất hữu ích của chị ạ.
Chị có thể chia sẻ thêm các tips khi lưu trữ file/thư mục một cách tối giản, có hệ thống rõ ràng để dễ tra cứu được không ạ.
Em cảm ơn chị rất nhiều, chúc chị và gia đình có thật nhiều sức khỏe!
Hi em! Mỗi người có một style lưu trữ riêng nên cũng khó chia sẻ cụ thể nếu chưa qua thực tế. Tuy nhiên, style của chị là tối giản 🙂 nên chị hay lưu trên OneDrive hay Dropbox để sync lên cloud luôn, giúp mình có thể làm việc ở bất cứ đâu và bất cứ phương tiện nào. Chị hay sắp xếp từng project vào các folder riêng, đặt tên từng file theo ngày, ví dụ 20200803_dataprojectA hoặc dataprojectA_20200803 để khi nào mình sort lại thì file đã theo trật tự. File nào không dùng nữa chị cho vào folder Archive. Có thể tương lai chị sẽ làm ví dụ bằng hình ảnh hoặc video cho rõ ràng hơn nha
Dạ vâng, e cảm ơn chị đã chia sẻ ạ. Rất mong chờ bài chia sẻ bằng hình ảnh/video của chị ạ :*)
Cảm ơn bài viết rất hay của bạn. Tính mua coffee cảm ơn bạn ngay sau đọc bài này mà ko thấy “ coffee as à thank you” cho bài viết này.
Em chào chị, bài viết của chị thật sự rất bổ ích cho những người đang tìm hiểu vè ngành DA như em.
Chị có thể cho em hỏi laptop/máy tính chị đang dùng để phục vụ tốt cho công việc này là gì không ạ? Có cần máy cấu hình cao không ạ? Em cảm ơn.
Tuỳ vào bộ dữ liệu em đang dùng mà cần cấu hình cao hay không. Nhưng chị bao năm nay vẫn dùng máy laptop Macbook air và mới đây lên Macbook Pro bình thường. Ở văn phòng thì có máy tình Dell thôi. Nhưng nếu có 2 monitors (màn hình) thì sẽ dễ nhìn hơn và tiện hơn cho công việc làm dữ liệu
Dạ chị cho em hỏi chị dùng Macbook pro loại có cấu hình nào ạ?
Làm data analyst chị có dùng nhiều đến excel hay docx thì dùng Macbook có bất tiện gì không? Vì em định mua Macbook để học nhưng đọc review bảo dùng các ứng dụng office như excel hơi khó và máy hay bị nóng nên em hơi phân vân
Chị dùng loại 12 inch. Chị dùng excel và docs thường xuyên trên Mac và không thấy có vấn đề gì. Máy đúng là hơi nóng nhưng chị cũng không rõ là so với laptop hãng khác thì có nóng hơn không. Chỉ có duy nhất một điều bất tiện với Mac nếu em làm coding đó là sao chép đường đi của một file (path) nó không được dễ như Windows là chỉ copy đường đi rồi paste vào đoạn code mà nó phải vào “get info”… để ra được full path. Vì thế tuỳ mục đích sử dụng của em, em có thể tham khảo thêm những người khác nhé. Chị thích Mac cho sử dụng cá nhân vì link với iphone và ipad tiện, còn ở văn phòng thì chị có được sắp xếp MS Windows nên chị dùng cả hai
Em chào chị Chi ạ ^^ tình cờ em được facebook gợi ý fanpage của chị và đọc được bài viết. Bản thân em cũng đang bắt đầu học R và thử làm DA nhưng em ko biết practice đến khi nào là “đủ” để xin làm intern ạ ? Em mong chị chia sẻ thêm. Em cảm ơn chị về bài viết hữu ích này ạ. Em sẽ thường xuyên theo dõi blog. Em cảm ơn chị lần nữa ạ ^^
Welcome to The Present Writer! Chị thấy nếu em học được cơ bản rồi thì em có thể intern luôn và trong quá trình intern thì học thêm qua quá trình làm. Chị ban đầu cũng vậy đó 🙂
Bài cực hay, không chỉ về học hành hay công việc, mà còn là những gì hơn thế nữa về một con người. Xin được phép copy-paste bài và dẫn đường link để chia sẻ lại, cảm ơn Bạn thật nhiều!
Chị Chi ơi, ở đoạn này có chữ “mằng” nghĩa là gì ạ? ^^ Em nghĩ là lỗi typo đúng hem ạ 😀
Khả năng logic tốt: Đối với ngành này, ……với vị trí này (theo nhận xét của nhiều đồng nghiệp) mằng dù có kỹ năng Toán tốt.
Cảm ơn em đã nhắc nhé, từ nghe lạ quá ha :)). Chị đã sửa lại trong bài
Bài viết hay, thực tế và mang nhiều động lực cho mọi người. Cảm ơn Chi về bài viết nhiều.
Đơn giản là em google “Exam DA-100: Analyzing Data with Microsoft Power BI” thì bác google đã đưa em đến đây. Em cảm ơn bài viết của chị nhiều 😀
OMG! Google thật thú vị. Cảm ơn em đã ghé blog nhé!
À chị ơi, chị cho e hỏi xíu là chị học khóa nào về SQL trên linkedin nhĩ, e thử vào link như trong bài của chị, rồi vào thử khóa “SQL Essential Traing” thì xem dc có vài clip àk, mấy clip còn lại thì bị khóa mà ko thấy để “Buy this course” như 1 số khóa học khác. Không biết chị có tham gia khóa này ko và lệ phí (nếu có) là bao nhiu chị nhĩ ? Em cảm ơn chị nhìu ^^
Chị học khoá writing SQL script hay gì đó tương tự. Chị học miễn phí vì trường ĐH chị làm có kết nối với LinkedIn Learning. Em có thể học ở nơi khác nhưng chị khuyên học viết code/script trên SQL là khoá học cần thiết và cơ bản nhất với những người làm Data
Em cảm ơn chị nhiều ^^
À chị ơi với chị cho em hỏi thêm là: làm sao để trao dồi tư duy về dữ liệu nhĩ, trong 1 mớ hỗn độn thì làm sao bít nhặt ra được thông tin nào, thông tin nào là hữu dụng. Em cảm ơn.
Cái này em đầu tư học hỏi kiến thức chuyên ngành và có kinh nghiệm thực tế mình sẽ biết cái này cần cái nào không. Người càng có kinh nghiệm và kiến thức lại càng ra được quyết định dễ dàng hơn 🙂
Cám ơn bài viết hữu ích của chị.
Nếu được chị có thể chia sẻ thêm về định nghĩa của Data Analyst và Business Analyst không ? Nó là một hay là hai nghề riêng biệt ?
Cám ơn chị .
Hi em! Theo chị hiểu, Business Analyst là phân tích về kinh doanh, ví dụ số liệu kinh doanh, định hướng kinh doanh, đầu vào/đầu ra như thế nào cho hiệu quả nhất. Data Analyst chỉ công việc làm số liệu chung hơn, ví dụ chị không làm kinh doanh mà làm về giáo dục, chị phân tích các chương trình, hỗ trợ cho sinh viên, xu hướng học tập, điểm số của sinh viên…
Cảm ơn bài viết rất bổ ích của chị,
Em thân là một dân IT và đang muốn tìm hiểu về ngành Data Science nói chung và
Data Analysis. Đối với ngành này thì kiến thức chuyên môn về lĩnh vực mà mình làm việc (domain knowledge) rất quan trọng . Vậy thì cơ hội nào dành cho 1 dân IT như em trong lĩnh vực Data Analysis và chị đã gặp DA nào có background là IT chưa ạ?
Đồng nghiệp hiện tại của chị cũng background IT nè 🙂 Chị nghĩ hoàn toàn được và em có thế mạnh là hiểu biết công nghệ, coding rồi. Em có thể học thêm statistics và thêm về ngành hẹp nào đó em muốn làm để có cơ hội hơn trong ngành này
Em cảm ơn chị, câu trả lời của chị giúp em có thêm động lực để theo đuổi ngành Data Analysis.
Một lần nữa em xin cảm ợn ạ!
Chị có thể recommend vài đầu sách đề hiểu thêm về ngành Data Analyst này không chị.Em cảm ơn
Cảm ơn em đã đọc bài viết. Như chị chia sẻ, chị không được đào tạo cụ thể cho ngành này mà chị làm nghiên cứu và sau đó tự học thêm để làm Data Analyst nên khó có thể recommend một cuốn sách nào riêng về ngành này. Chị nghĩ nếu em quan tâm đến một kỹ năng nào đó nhất định như quantitative research, SQL, Stata, SPSS, Python… em có thể google để tìm sách chuyên về từng kỹ năng. Ngoài ra, đây cũng là một ngành mới nên chị nghĩ cũng chưa nhiều ấn bản riêng về DA.
Cảm ơn chị rất nhiều về những thông tin bổ ích.
Chúc gia đình chị năm mới hạnh phúc và an vui.
Chị Chi ơi cho em hỏi: có công việc DA nào cho sinh viên ngoại ngữ sau khi tốt nghiệp không ạ? Mong chị phản hồi ạ!~
sinh viên chuyên ngành ngôn ngữ Nhật Bản chị ạ!
Em cần tự tìm hiểu trên các trang tuyển dụng để xem có cơ hội nào cho DA ngành ngôn ngữ như em không nhé
Chị ơi. Hiện tại em là sinh viên đang chuan bị bước vào chương trình thạch sĩ rồi ạ. Tuy nhiên về vấn đền viết luận và báo cáo em rất quan tâm vấn đề này, trong đó về phần báo cáo (bảo vệ luận án) em lại rất tự ti. Chị có thể chia sẽ về vấn đề này không ạ ( cách trình bày Powerponit, nội dung trình bày và các vần cần thiết).
Chị sẽ cân nhắc làm thêm về đề tài này em nhé. Nhưng kinh nghiệm chính của chị là ít text, không đọc từ slides và luôn luyện tập 2-3 lần trước khi thuyết trình
Dạ. E rất cám ơn chị Chi nhiều. E luôn mong đợi về tips này ạ. E đã giới thiệu bạn bè của em về blog của chị thật sự tất hữu ích. Chúc chị và gia đình thật nhiều sức khỏe, chúc chị luôn thành công trong công việc. Thương mến chị Chi !.
Cảm ơn chị, mình cũng đang tìm hiểu về công việc này vì hiện mình đang làm việc ở văn phòng của trung tâm đào tạo, và có các số liệu cần phân tích nhưng mình cũng chưa biết cách phải làm như thế nào. Nhưng mình luôn thấy rằng khi học trò cần thì người thầy xuất hiện. Mình cũng đã xem và tham khảo một số bài viết của chị Chi và mình áp dụng ngay. Bởi chị Chi đã làm nó dễ hiểu và dễ đưa vào thực tế.
Cảm ơn Chi. Bài viết rất hữu ích
Chị ơi em muốn hỏi là hiện nay có rất nhiều ngành nghề. Mỗi ngành nghề có rất nhiều ngạch (ngách). Nếu em muốn biết mỗi ngành nghề có những ngạch nào thì em nên tìm kiếm ở đâu và như nào ạ? Và làm sao biết được liệu những nghề đó có trở thành xu hướng trong tương lai không ạ? Vì em chưa biết bản thân muốn làm công việc gì trong tương lai nên em vẫn đang trong quá trình tìm hiểu các ngành nghề hiện có ạ.
VD: Gần đây em mới biết tới Power BI Specialist. Thì làm thế nào để biết mỗi ngành nghề có những ngạch nhỏ nào như vậy ạ?
Em cảm ơn chị!
Chị nghĩ cách tốt nhất có lẽ là nói chuyện với nhiều người đang làm ở khối ngành em thích, sau đó em tìm hiểu các công việc (job posts) trong ngành để thấy có những ngạch nhỏ và yêu cầu thế nào, sau đó em đi làm thực tập, part-time để nắm rõ hơn nữa
Cảm ơn Chi về một bài viết giá trị, giúp những bạn fresher có một khởi điểm cũng như là động lực để bắt đầu.
Em cảm ơn chị rất nhiều về bài viết chia sẻ công việc Data Analyst , em có background học kinh tế nhưng hiện tại em đã quyết tâm chuyển sang DA, và đang trong quá trình tự học nên khá là mông lung, em thấy chị có đề cập đến link khóa học SQL trên Linked in nhưng em click vào thì lại xuất hiện khá nhiều khóa và em không biết nên chọn khóa nào mà chị đề cập đến, mong chị reply comment của em về khóa học mà chị đã chọn trên linked in .
Chào em. Khoá chị học là SQL coding (chị học trên account ở chỗ làm cũ nên không còn link cụ thể). Chị có link một số khoá học của Coder School nếu em quan tâm học bài bản hơn về DA: https://thepresentwriter.com/goi-y/#HOC_DATACONG_NGHE
Em chào chị Chi,
Em đang theo học Quản trị kinh doanh và có định hướng chuyển dang DA, em rất vui khi thấy được bài viết này của chị khi em đang tìm hiểu về DA.
Chị cho em hỏi rằng là chị có thể đề xuất cho em một vài chương trình volunteer về DA hay code không vậy chị? Vì em tâm đắc với chị rằng chỉ có thực hành mình mới “lên tay” được thôi, nên em đang tìm kiếm các chương trình có thể cho em thực hành song song với học lý thuyết.
Em cám ơn chị!
Cám ơn chị về bài viết. Bởi hai vợ chồng không nghe nói được tiếng Anh nên có đứa con học DA (nghe nói nghiêng về sinh hoá) (đứa con không nghe nói được tiếng Việt nên chỉ biết như thế) chỉ còn ba năm là ra ph.d mà bố mẹ mù tịt về tương lai con mình và cũng không giúp được gì cho cháu cũng buồn, vậy chị thấy nghề DA của cháu tương lai có tốt không? Có dễ kiếm việc và ổn định lâu dài không? Cám ơn chị.
I wonder if a Bachelor Degree is a must-have to pursuit this career. Considering there are so many online courses existing on Edx or Coursera, will there be any openings for entry-level jobs with a decent portfolio and online certificate ?