Appearance
📘 Buổi 1: Tổng quan Data Analytics
Bức tranh toàn cảnh nghề phân tích dữ liệu — hiểu nghề Data Analyst là gì, làm gì, và tại sao mọi doanh nghiệp đều cần.
🎯 Mục tiêu buổi học
Sau buổi này, học viên sẽ:
- Hiểu vai trò Data Analyst trong doanh nghiệp và phân biệt rõ ràng với Data Scientist, Data Engineer, BI Analyst
- Nắm vững quy trình phân tích dữ liệu end-to-end theo Google Framework: Ask → Prepare → Process → Analyze → Share → Act
- Hiểu khái niệm data-driven decision making và tại sao tư duy này là yếu tố sống còn của doanh nghiệp hiện đại
- Phân biệt 4 loại phân tích dữ liệu: descriptive, diagnostic, predictive, prescriptive — và biết khi nào áp dụng loại nào
📋 Tổng quan
Trong thời đại số, dữ liệu được ví như "dầu mỏ mới" — nhưng dầu thô không thể chạy máy nếu chưa qua lọc. Tương tự, dữ liệu thô (raw data) chỉ thực sự có giá trị khi được thu thập, làm sạch, phân tích và chuyển thành insight hành động. Đó chính là công việc cốt lõi của một Data Analyst. Theo báo cáo của LinkedIn và các nền tảng tuyển dụng tại Việt Nam như TopCV, VietnamWorks, nhu cầu tuyển dụng vị trí Data Analyst đã tăng trưởng trung bình 30–40% mỗi năm kể từ 2022, và xu hướng này tiếp tục duy trì mạnh mẽ trong năm 2025–2026.
Data Analytics không chỉ dành cho dân kỹ thuật. Người làm kinh doanh, marketing, tài chính, vận hành — bất kỳ ai cần ra quyết định dựa trên bằng chứng — đều cần hiểu tư duy phân tích dữ liệu. Buổi học đầu tiên này sẽ giúp bạn có bức tranh toàn cảnh: nghề Data Analyst làm gì mỗi ngày, quy trình từ lúc nhận yêu cầu đến lúc trình bày kết quả ra sao, và tại sao các doanh nghiệp từ startup đến tập đoàn lớn đều đang xây dựng văn hóa data-driven.
Buổi học này là nền tảng cho toàn bộ khóa học. Mọi kỹ năng bạn học sau này — từ SQL, Python, Excel nâng cao, đến Power BI hay Tableau — đều nằm trong bức tranh lớn mà chúng ta sẽ cùng nhau phác thảo hôm nay. Hãy nắm chắc "tại sao" trước khi bước vào "làm như thế nào".
📌 Phần 1: Data Analyst là ai?
Khái niệm
Data Analyst (DA) là người chịu trách nhiệm thu thập, xử lý và phân tích dữ liệu để giúp doanh nghiệp ra quyết định tốt hơn. Nói đơn giản, DA là cầu nối giữa dữ liệu thô và hành động kinh doanh, thực hiện chuỗi giá trị:
Business Question → Data → Analysis → Insight → Decision → ActionMột ngày làm việc điển hình của DA có thể bao gồm: truy vấn dữ liệu bằng SQL từ database, làm sạch data bằng Python hoặc Excel, tạo dashboard trên Power BI/Tableau, và trình bày kết quả phân tích cho đội ngũ marketing hoặc ban lãnh đạo.
Tại sao quan trọng cho Data Analyst?
Hiểu rõ vai trò của mình giúp DA xác định đúng phạm vi công việc (scope), tránh làm quá nhiều hoặc quá ít. Một DA giỏi không chỉ biết kéo số liệu, mà còn biết đặt câu hỏi đúng, kể chuyện bằng dữ liệu (data storytelling), và đề xuất hành động cụ thể. Đặc biệt, việc phân biệt DA với các vai trò liên quan giúp bạn định hướng career path phù hợp.
Áp dụng thực tế
So sánh các vai trò trong hệ sinh thái Data:
| Tiêu chí | Data Analyst | Data Scientist | Data Engineer | BI Analyst |
|---|---|---|---|---|
| Nhiệm vụ chính | Phân tích dữ liệu, tạo report & dashboard | Xây dựng model dự đoán, ML/AI | Xây dựng & duy trì hệ thống dữ liệu (pipeline, warehouse) | Tạo báo cáo BI, dashboard cho stakeholder |
| Công cụ chính | SQL, Excel, Power BI, Tableau, Python (pandas) | Python, R, TensorFlow, Spark | Python, Spark, Airflow, AWS/GCP | Power BI, Tableau, SQL |
| Kỹ năng nổi bật | Business acumen, data storytelling | Statistics, machine learning | Software engineering, cloud | Report design, KPI tracking |
| Output | Dashboard, ad-hoc report, insight presentation | Predictive model, recommendation engine | Data pipeline, data warehouse | BI report, automated dashboard |
| Yêu cầu toán/thống kê | Trung bình | Cao | Thấp–Trung bình | Thấp–Trung bình |
| Mức lương VN (2025–2026) | 12–30 triệu/tháng | 20–50 triệu/tháng | 18–45 triệu/tháng | 12–28 triệu/tháng |
Career path điển hình cho Data Analyst:
Junior DA (0–2 năm) → DA (2–4 năm) → Senior DA (4–6 năm) → Lead Analyst / Analytics Manager (6+ năm)Ngoài ra, DA có thể chuyển ngang sang các hướng:
- Data Scientist — nếu muốn đi sâu vào modeling, ML
- Product Analyst — chuyên phân tích product metrics tại các công ty tech
- Analytics Engineer — kết hợp kỹ năng DA + DE, sử dụng dbt, data modeling
- Business Intelligence Manager — quản lý hệ thống BI toàn doanh nghiệp
Về nhu cầu tuyển dụng: Tại Việt Nam, các công ty công nghệ (VNG, Tiki, Shopee, VNPay, MoMo), ngân hàng (Techcombank, VPBank, MB), và FMCG (Unilever, Nestlé) đều đang mở rộng đội ngũ data. Trên toàn cầu, theo U.S. Bureau of Labor Statistics, vị trí "Data Analyst" nằm trong top 10 nghề có tốc độ tăng trưởng nhanh nhất, dự kiến tăng 25–35% số lượng việc làm từ 2022–2032.
📌 Phần 2: Quy trình phân tích dữ liệu (Google Data Analytics Framework)
Khái niệm
Google đưa ra một framework 6 bước cho quy trình phân tích dữ liệu, được giảng dạy rộng rãi trong chương trình Google Data Analytics Professional Certificate. Đây là một quy trình end-to-end giúp DA đi từ câu hỏi kinh doanh đến hành động cụ thể:
| Bước | Tên | Mô tả | Ví dụ |
|---|---|---|---|
| 1 | Ask | Đặt câu hỏi kinh doanh đúng, xác định stakeholder | "Tại sao doanh thu Q4 giảm 15% so với Q3?" |
| 2 | Prepare | Thu thập dữ liệu, đánh giá chất lượng, xác định nguồn | Lấy dữ liệu bán hàng từ ERP, CRM, Google Analytics |
| 3 | Process | Làm sạch dữ liệu: xử lý missing values, outlier, format | Loại bỏ duplicate, chuẩn hóa tên sản phẩm, xử lý null |
| 4 | Analyze | Phân tích, tìm pattern, trend, insight | Phát hiện: "Doanh thu giảm mạnh nhất ở khu vực miền Trung, nhóm sản phẩm X" |
| 5 | Share | Trực quan hóa, trình bày cho stakeholder | Tạo dashboard Power BI, slide trình bày cho ban lãnh đạo |
| 6 | Act | Đưa recommendation, theo dõi kết quả | Đề xuất tăng promotion cho khu vực miền Trung, setup KPI theo dõi |
Tại sao quan trọng cho Data Analyst?
Framework này giống như "bản đồ" cho mọi dự án phân tích. Khi mới vào nghề, nhiều DA hay nhảy thẳng vào bước Analyze mà bỏ qua Ask và Prepare — dẫn đến phân tích sai hướng hoặc dùng dữ liệu bẩn. Tuân thủ quy trình giúp đảm bảo kết quả phân tích chính xác, có hệ thống, và trả lời đúng câu hỏi kinh doanh.
Áp dụng thực tế
Bước Ask — Đặt câu hỏi SMART:
Một câu hỏi phân tích tốt cần đảm bảo tiêu chí SMART:
| Tiêu chí | Ý nghĩa | Ví dụ tốt | Ví dụ chưa tốt |
|---|---|---|---|
| Specific | Cụ thể, rõ ràng | "Tỷ lệ churn của nhóm khách hàng Premium trong Q1/2026 là bao nhiêu?" | "Khách hàng có ổn không?" |
| Measurable | Đo lường được | "Doanh thu tăng bao nhiêu % sau campaign X?" | "Campaign có hiệu quả không?" |
| Action-oriented | Hướng đến hành động | "Nên cắt giảm quảng cáo ở kênh nào để tối ưu ROI?" | "Quảng cáo thế nào rồi?" |
| Relevant | Liên quan đến mục tiêu KD | "Sản phẩm nào đóng góp 80% doanh thu?" | "Có bao nhiêu dòng dữ liệu?" |
| Time-bound | Có giới hạn thời gian | "So sánh doanh thu tháng 1/2026 và tháng 12/2025" | "Doanh thu thay đổi thế nào?" |
Bước Prepare — Đánh giá chất lượng dữ liệu:
Trước khi phân tích, DA cần kiểm tra dữ liệu theo mô hình ROCCC:
- Reliable — Nguồn dữ liệu có đáng tin cậy không?
- Original — Dữ liệu gốc hay đã qua xử lý bởi bên thứ ba?
- Comprehensive — Dữ liệu có đủ để trả lời câu hỏi không?
- Current — Dữ liệu có còn cập nhật, phù hợp thời điểm không?
- Cited — Nguồn dữ liệu có được ghi chú rõ ràng không?
Bước Process — Làm sạch dữ liệu (Data Cleaning):
Đây là bước chiếm nhiều thời gian nhất (ước tính 60–80% thời gian dự án). Các thao tác phổ biến: xử lý giá trị thiếu (missing values), loại bỏ bản ghi trùng (duplicates), chuẩn hóa định dạng (ngày tháng, tiền tệ, tên), phát hiện và xử lý outlier.
📌 Phần 3: Data-Driven Decision Making
Khái niệm
Data-driven decision making (DDDM) là phương pháp ra quyết định dựa trên phân tích dữ liệu thực tế thay vì trực giác (gut feeling), kinh nghiệm cá nhân, hoặc ý kiến chủ quan. Điều này không có nghĩa là bỏ qua hoàn toàn kinh nghiệm — mà là dùng data để kiểm chứng và bổ sung cho trực giác.
Data Literacy (kỹ năng đọc dữ liệu) là khả năng đọc, hiểu, tạo và giao tiếp bằng dữ liệu. Đây là kỹ năng nền tảng mà mọi nhân viên trong tổ chức data-driven cần có, không chỉ riêng Data Analyst.
Tại sao quan trọng cho Data Analyst?
DA là người trực tiếp thúc đẩy văn hóa data-driven trong doanh nghiệp. Nếu tổ chức chưa có tư duy data-driven, DA sẽ gặp khó khăn trong việc thuyết phục stakeholder nghe theo insight từ dữ liệu. Ngược lại, khi văn hóa data-driven mạnh, vai trò DA trở nên trung tâm và có ảnh hưởng lớn đến chiến lược kinh doanh.
Áp dụng thực tế
So sánh Gut Feeling vs Data-Driven:
| Tình huống | Gut Feeling | Data-Driven |
|---|---|---|
| Chọn sản phẩm mới để phát triển | "Tôi nghĩ khách hàng sẽ thích sản phẩm này" | Phân tích survey 5.000 khách hàng, review trend Google Trends, đánh giá thị trường |
| Quyết định ngân sách marketing | "Năm ngoái ta chi 30%, năm nay cũng vậy" | Phân tích ROI từng kênh: Facebook Ads (ROI 3.2x), Google Ads (ROI 2.8x), TikTok (ROI 4.1x) → phân bổ lại ngân sách |
| Định giá sản phẩm | "Đối thủ bán giá này, mình bán tương tự" | A/B testing 3 mức giá, phân tích price elasticity, tối ưu theo willingness-to-pay |
| Mở chi nhánh mới | "Khu vực này đông người, chắc OK" | Phân tích dữ liệu dân số, thu nhập bình quân, mật độ đối thủ, foot traffic data |
Xây dựng văn hóa data trong doanh nghiệp:
Một tổ chức data-driven cần 4 trụ cột:
- People — Đào tạo data literacy cho toàn công ty, không chỉ bộ phận data
- Process — Mọi quyết định lớn đều cần "data evidence" đi kèm
- Technology — Đầu tư vào hạ tầng data (data warehouse, BI tools, analytics platform)
- Culture — Lãnh đạo gương mẫu trong việc hỏi "data nói gì?" trước khi quyết định
📌 Phần 4: Các loại phân tích dữ liệu
Khái niệm
Phân tích dữ liệu được chia thành 4 loại chính, xếp theo mức độ phức tạp và giá trị tăng dần. Mỗi loại trả lời một câu hỏi kinh doanh khác nhau:
| Loại phân tích | Câu hỏi | Mô tả | Công cụ/Kỹ thuật | Ví dụ |
|---|---|---|---|---|
| Descriptive | Chuyện gì đã xảy ra? | Mô tả, tổng hợp dữ liệu quá khứ | Dashboard, report, KPI tracking, pivot table | "Doanh thu tháng 1/2026 là 5.2 tỷ VNĐ, tăng 12% so với cùng kỳ" |
| Diagnostic | Tại sao xảy ra? | Tìm nguyên nhân gốc rễ (root cause) | Drill-down analysis, correlation, segmentation | "Doanh thu tăng nhờ nhóm khách hàng Gen Z ở TP.HCM mua nhiều qua kênh TikTok Shop" |
| Predictive | Điều gì sẽ xảy ra? | Dự đoán xu hướng tương lai | Forecasting, regression, machine learning | "Dự đoán doanh thu Q2/2026 sẽ đạt 18 tỷ VNĐ dựa trên trend hiện tại" |
| Prescriptive | Nên làm gì? | Đề xuất hành động tối ưu | Optimization, simulation, A/B testing | "Nên tăng 20% ngân sách TikTok Ads và giảm 10% ngân sách Facebook Ads để tối ưu ROI" |
Tại sao quan trọng cho Data Analyst?
Phần lớn công việc của DA tập trung ở hai loại đầu: Descriptive và Diagnostic. Tuy nhiên, DA giỏi cần biết khi nào cần chuyển sang Predictive/Prescriptive và có thể phối hợp với Data Scientist khi cần thiết. Hiểu rõ 4 loại giúp DA xác định đúng mức độ phân tích cần thiết cho mỗi bài toán — không phải lúc nào cũng cần dùng ML, đôi khi một dashboard descriptive tốt đã đủ giải quyết vấn đề.
Áp dụng thực tế
Ví dụ chuỗi phân tích cho một cửa hàng bán lẻ:
- Descriptive: "Doanh thu tuần này giảm 20% so với tuần trước" → Dashboard weekly sales
- Diagnostic: "Giảm chủ yếu do mưa lớn 3 ngày liên tiếp, footfall giảm 35%, đặc biệt ở nhóm sản phẩm thời trang" → Drill-down theo ngày, category, thời tiết
- Predictive: "Tuần tới dự báo thời tiết nắng, doanh thu có thể phục hồi ở mức 95–105% so với baseline" → Time series forecasting
- Prescriptive: "Nên chạy flash sale online cho sản phẩm thời trang trong ngày mưa để bù doanh số offline" → Simulation kết quả campaign
Kim tự tháp giá trị phân tích:
┌─────────────┐
│ Prescriptive │ ← Giá trị cao nhất, phức tạp nhất
│ "Nên làm gì?"│
├─────────────┤
│ Predictive │
│"Sẽ xảy ra gì?"│
├──────────────┤
│ Diagnostic │
│"Tại sao xảy ra?"│
├──────────────┤
│ Descriptive │ ← Phổ biến nhất, nền tảng
│"Chuyện gì đã xảy ra?"│
└──────────────┘Hầu hết doanh nghiệp Việt Nam hiện tại (2025–2026) vẫn đang ở giai đoạn Descriptive → Diagnostic. Việc chuyển dịch lên Predictive/Prescriptive đòi hỏi hạ tầng dữ liệu mạnh, đội ngũ có năng lực, và văn hóa data-driven đã trưởng thành.
📊 Framework / Mô hình chính
Google Data Analytics Framework
Đây là framework được Google xây dựng và phổ biến rộng rãi qua chương trình Google Data Analytics Professional Certificate trên Coursera. Framework gồm 6 giai đoạn lặp đi lặp lại (iterative):
| Giai đoạn | Hoạt động chính | Deliverable | Vai trò DA |
|---|---|---|---|
| Ask | Xác định vấn đề kinh doanh, đặt câu hỏi SMART, xác định stakeholder | Problem statement, danh sách câu hỏi | Facilitator, Business partner |
| Prepare | Thu thập dữ liệu từ các nguồn, đánh giá quality (ROCCC), xác định bias | Data inventory, quality report | Data collector |
| Process | Làm sạch, transform, validate dữ liệu | Clean dataset, data dictionary, changelog | Data wrangler |
| Analyze | EDA, thống kê, tìm pattern, test hypothesis | Analysis report, key findings | Analyst |
| Share | Tạo visualization, dashboard, presentation | Dashboard, slide deck, data story | Storyteller |
| Act | Đề xuất recommendation, plan implementation, theo dõi impact | Action plan, KPI tracking | Strategic advisor |
Lưu ý: Quy trình này không phải tuyến tính — DA thường quay lại các bước trước khi phát hiện vấn đề. Ví dụ, trong bước Analyze, nếu phát hiện data quality issue mới, DA sẽ quay lại bước Process để xử lý.
CRISP-DM (Cross-Industry Standard Process for Data Mining)
CRISP-DM là một framework phổ biến khác, thường được dùng trong các dự án Data Science nhưng DA cũng cần biết để giao tiếp với DS team:
| Giai đoạn | Tương đương Google Framework |
|---|---|
| Business Understanding | Ask |
| Data Understanding | Prepare |
| Data Preparation | Process |
| Modeling | Analyze (phần nâng cao, ML) |
| Evaluation | Share (đánh giá kết quả) |
| Deployment | Act |
Sự khác biệt chính: CRISP-DM tập trung nhiều hơn vào modeling (xây dựng mô hình), phù hợp hơn cho Data Scientist. Google Framework thân thiện hơn với DA nhờ nhấn mạnh vào communication (Share) và action (Act).
🛠️ Demo / Code mẫu
Trong buổi đầu tiên, chúng ta sử dụng Google Sheets để thực hành các thao tác phân tích cơ bản. Bạn có thể áp dụng tương tự trên Excel.
Tình huống: Phân tích doanh thu cửa hàng
Giả sử bạn có bảng dữ liệu bán hàng với các cột: Ngày, Sản phẩm, Số lượng, Đơn giá, Doanh thu, Khu vực.
1. Descriptive — Tổng hợp dữ liệu:
// Tổng doanh thu
=SUM(E2:E1000)
// Doanh thu trung bình mỗi đơn hàng
=AVERAGE(E2:E1000)
// Đếm số đơn hàng
=COUNTA(A2:A1000)
// Doanh thu lớn nhất và nhỏ nhất
=MAX(E2:E1000)
=MIN(E2:E1000)2. Descriptive — Phân tích theo nhóm:
// Đếm đơn hàng theo khu vực (có điều kiện)
=COUNTIF(F2:F1000, "Hà Nội")
=COUNTIF(F2:F1000, "TP.HCM")
// Tổng doanh thu theo khu vực
=SUMIF(F2:F1000, "Hà Nội", E2:E1000)
// Doanh thu trung bình theo khu vực
=AVERAGEIF(F2:F1000, "Hà Nội", E2:E1000)3. Diagnostic — Tìm nguyên nhân:
// Doanh thu theo khu vực VÀ sản phẩm (nhiều điều kiện)
=SUMIFS(E2:E1000, F2:F1000, "Hà Nội", B2:B1000, "Áo thun")
// So sánh doanh thu 2 tháng
=SUMIFS(E2:E1000, A2:A1000, ">="&DATE(2026,1,1), A2:A1000, "<="&DATE(2026,1,31))
=SUMIFS(E2:E1000, A2:A1000, ">="&DATE(2025,12,1), A2:A1000, "<="&DATE(2025,12,31))
// Tỷ lệ thay đổi (% change)
=(Tháng_1_2026 - Tháng_12_2025) / Tháng_12_20254. Phân tích phân phối — FREQUENCY và PERCENTILE:
// Tìm giá trị phân vị (50% khách hàng chi dưới bao nhiêu?)
=PERCENTILE(E2:E1000, 0.5)
// Phân vị 80% (top 20% khách hàng chi bao nhiêu trở lên?)
=PERCENTILE(E2:E1000, 0.8)
// Độ lệch chuẩn — đo mức biến động
=STDEV(E2:E1000)5. Tạo Pivot Table:
Trong Google Sheets: chọn toàn bộ dữ liệu → Insert → Pivot table. Kéo Khu vực vào Rows, Sản phẩm vào Columns, Doanh thu vào Values (SUM). Đây là cách nhanh nhất để xem overview doanh thu theo 2 chiều.
💡 Tip: Pivot Table là công cụ descriptive analytics mạnh nhất trong spreadsheet. Hãy thành thạo nó trước khi học bất kỳ công cụ nào khác.
🏪 Ví dụ thực tế
Ví dụ quốc tế: Netflix — Data-Driven Content Strategy
Netflix là một trong những công ty data-driven nổi tiếng nhất thế giới. Với hơn 260 triệu subscribers (tính đến đầu 2026), Netflix sử dụng data analytics ở mọi cấp độ:
- Descriptive: Theo dõi viewership metrics — số lượt xem, thời gian xem trung bình, completion rate cho từng title, theo từng quốc gia, thiết bị
- Diagnostic: Phân tích tại sao một số show bị drop ở episode 3 — xem xét pacing, nội dung, thời lượng, thể loại
- Predictive: Dự đoán một show mới sẽ có bao nhiêu người xem dựa trên cast, thể loại, trailer engagement → quyết định ngân sách sản xuất
- Prescriptive: Hệ thống recommendation engine gợi ý content cho mỗi user, cá nhân hóa thumbnail — tối ưu engagement
Netflix ước tính rằng recommendation engine giúp tiết kiệm $1 tỷ USD/năm bằng cách giảm churn — vì người dùng luôn tìm thấy content phù hợp.
Ví dụ Việt Nam: Tiki — Data Analytics trong E-commerce
Tiki, một trong những sàn thương mại điện tử lớn tại Việt Nam, ứng dụng data analytics để:
- Descriptive: Dashboard real-time theo dõi số đơn hàng, GMV (Gross Merchandise Value), tỷ lệ hoàn trả theo từng category, seller
- Diagnostic: Phân tích nguyên nhân tỷ lệ hoàn trả cao ở một số nhóm sản phẩm — phát hiện do mô tả sản phẩm không chính xác, hoặc chất lượng giao hàng kém ở một số khu vực
- Predictive: Dự báo nhu cầu (demand forecasting) cho mỗi sản phẩm theo ngày, đặc biệt trước các đợt sale lớn (11.11, 12.12) → tối ưu lượng hàng tồn kho
- Prescriptive: Dynamic pricing — điều chỉnh giá, voucher, và vị trí hiển thị sản phẩm dựa trên hành vi mua sắm của từng segment khách hàng
Đội ngũ Data Analyst tại Tiki phối hợp chặt chẽ với Product, Marketing, và Operations để đưa ra quyết định nhanh, dựa trên dữ liệu thời gian thực.
✅ Checklist buổi học
Hãy tự kiểm tra — bạn đã nắm được những kiến thức sau chưa?
- [ ] Giải thích được Data Analyst là ai, làm gì hàng ngày
- [ ] Phân biệt được Data Analyst với Data Scientist, Data Engineer, BI Analyst
- [ ] Mô tả được 6 bước trong Google Data Analytics Framework (Ask → Act)
- [ ] Hiểu nguyên tắc đặt câu hỏi SMART trong bước Ask
- [ ] Giải thích được data-driven decision making và tại sao quan trọng
- [ ] Nêu ít nhất 2 ví dụ về gut feeling vs data-driven
- [ ] Phân biệt 4 loại phân tích: Descriptive, Diagnostic, Predictive, Prescriptive
- [ ] Cho ví dụ cho từng loại phân tích áp dụng vào một tình huống kinh doanh
- [ ] Biết sử dụng các hàm cơ bản:
SUM,AVERAGE,COUNTIF,SUMIF,SUMIFStrong Google Sheets - [ ] Biết cách tạo Pivot Table trong Google Sheets
🔑 Từ khóa quan trọng
| Tiếng Việt | English | Giải thích |
|---|---|---|
| Phân tích dữ liệu | Data Analytics | Quá trình biến dữ liệu thô thành insight có giá trị để hỗ trợ ra quyết định |
| Nhà phân tích dữ liệu | Data Analyst | Người thực hiện phân tích dữ liệu, tạo report và dashboard cho doanh nghiệp |
| Ra quyết định dựa trên dữ liệu | Data-Driven Decision Making (DDDM) | Phương pháp ra quyết định dựa trên phân tích dữ liệu thay vì trực giác |
| Kỹ năng đọc hiểu dữ liệu | Data Literacy | Khả năng đọc, hiểu, phân tích và giao tiếp bằng dữ liệu |
| Quy trình phân tích | Analytics Lifecycle | Chuỗi bước: Ask → Prepare → Process → Analyze → Share → Act |
| Phân tích mô tả | Descriptive Analytics | Mô tả, tổng hợp những gì đã xảy ra — dạng phân tích phổ biến nhất |
| Phân tích chẩn đoán | Diagnostic Analytics | Tìm nguyên nhân tại sao sự việc xảy ra (root cause analysis) |
| Phân tích dự đoán | Predictive Analytics | Dự đoán xu hướng, sự kiện trong tương lai bằng mô hình thống kê hoặc ML |
| Phân tích đề xuất | Prescriptive Analytics | Đề xuất hành động tối ưu dựa trên kết quả dự đoán |
| Chỉ số hiệu suất | KPI (Key Performance Indicator) | Các chỉ số đo lường hiệu quả hoạt động kinh doanh |
| Câu hỏi SMART | SMART Questions | Câu hỏi cụ thể, đo lường được, hướng hành động, liên quan, có thời hạn |
| Bảng tổng hợp | Pivot Table | Công cụ tổng hợp dữ liệu theo nhiều chiều trong spreadsheet |
| Kể chuyện bằng dữ liệu | Data Storytelling | Kỹ năng trình bày insight từ dữ liệu một cách thuyết phục, dễ hiểu |
| Phân tích khám phá | EDA (Exploratory Data Analysis) | Bước khám phá dữ liệu ban đầu để hiểu cấu trúc, phân phối, pattern |
🔗 Xem thêm Buổi 1
→ 📝 Blog → 🧠 Case Study → 🏆 Tiêu chuẩn → 🛠 Workshop → 🎮 Mini Game