📝 Blog Buổi 1: Từ kế toán đến Data Analyst — Hành trình chuyển nghề của Linh và lý do DA là nghề hot nhất 2026

Mỗi lần bạn lướt Shopee, một Data Analyst đang âm thầm quyết định bạn sẽ thấy sản phẩm nào đầu tiên.

🤔 Tại sao nó quan trọng?

Sáng nay bạn mở TikTok. Cuộn được 3 video thì dừng lại xem một clip review kem chống nắng. Chiều mở Shopee — kem chống nắng hiện ngay trang chủ.

Trùng hợp? Không hề.

Đằng sau mỗi lần cuộn, mỗi cú click, có một đội ngũ Data Analyst đang đọc hành vi của bạn như bác sĩ đọc kết quả xét nghiệm. Họ không đoán. Họ đo.

Năm 2026, dữ liệu không còn là "thứ của dân IT" nữa. Grab dùng data để tính giá cước theo thời gian thực. VNPay dùng data để phát hiện giao dịch gian lận trong 0.3 giây. Tiki dùng data để biết bạn sẽ mua gì trước khi bạn biết.

Và người làm tất cả những điều đó? Không phải lập trình viên. Không phải giám đốc. Là Data Analyst — người phiên dịch giữa con số và quyết định kinh doanh.

Thị trường tuyển dụng Việt Nam đang trả từ 12 đến 30 triệu đồng/tháng cho vị trí này. Senior DA ở các công ty lớn như FPT hay Shopee có thể lên tới 40–50 triệu. Và cầu vẫn đang lớn hơn cung rất nhiều.

Vậy câu hỏi đặt ra: DA thực sự làm gì? Và bạn — dù đang làm kế toán, marketing, hay vừa tốt nghiệp — có thể trở thành DA không?

💀 Sai lầm chết người

Hãy nghe câu chuyện này.

Năm 2024, một chuỗi trà sữa ở TP.HCM quyết định mở thêm 5 chi nhánh. Lý do? Doanh thu tổng tăng 20% so với năm trước. Chủ chuỗi nhìn con số đó và nghĩ: "Tuyệt vời, mở thêm thôi!"

Không ai phân tích sâu hơn.

Sự thật? Doanh thu tăng 20% nhưng chỉ đến từ 2 chi nhánh gần trường đại học. 3 chi nhánh còn lại đang lỗ âm thầm. Chi phí nguyên liệu tăng 15%. Biên lợi nhuận thực tế đang co lại.

6 tháng sau khi mở 5 chi nhánh mới, chuỗi phải đóng 4 trong số đó. Mất hơn 2 tỷ đồng.

Đây là cái giá của gut feeling — quyết định bằng cảm tính thay vì dữ liệu.

Nếu có một Data Analyst ngồi phân tích, họ sẽ hỏi: "Doanh thu tăng ở đâu? Tại sao? Chi nhánh nào đang kéo trung bình xuống?" Chỉ cần một bảng pivot table — giống như xếp đồ trong tủ, phân loại doanh thu theo từng chi nhánh, từng tháng — là thấy ngay vấn đề.

Nhưng không ai hỏi. Và đó là sai lầm chết người.

🧪 Ai đã làm đúng?

Netflix là ví dụ kinh điển.

Năm 2006, Netflix là công ty cho thuê DVD qua bưu điện. Bình thường. Không có gì đặc biệt.

Rồi họ bắt đầu phân tích dữ liệu xem khách thuê gì, xem bao lâu, bỏ dở ở phút thứ mấy. Từ hàng triệu điểm dữ liệu đó, họ xây dựng hệ thống recommendation.

Kết quả? Hệ thống gợi ý đó tiết kiệm cho Netflix 1 tỷ USD mỗi năm vì giữ chân được khách hàng. Trước data: tỷ lệ hủy đăng ký cao, khách xem xong vài phim là chán. Sau data: Netflix biết bạn thích gì trước khi bạn biết, và luôn có thứ để giữ bạn ở lại.

Gần hơn — Tiki.

Tiki dùng data analytics để tối ưu kho hàng. Thay vì dự trữ đều ở mọi kho, họ phân tích xem khu vực nào mua sản phẩm gì nhiều nhất, rồi đặt hàng đúng kho gần nhất. Thời gian giao hàng giảm. Chi phí logistics giảm. Khách hàng hài lòng hơn.

Và Grab. Mỗi khi bạn mở app đặt xe, thuật toán đang tính toán dựa trên dữ liệu: bao nhiêu tài xế gần đó, nhu cầu khu vực đó lúc này, thời tiết, giờ cao điểm. Tất cả để đưa ra một con số — giá cước. Không phải ngẫu nhiên. Là data.

🎯 Vậy cụ thể là làm gì?

🧑‍💻 Data Analyst — Người phiên dịch dữ liệu

Data Analyst không phải lập trình viên. Cũng không phải nhà khoa học dữ liệu (Data Scientist).

Hãy tưởng tượng thế này:

• Data Engineer là người xây đường ống nước — lo hạ tầng, đảm bảo dữ liệu chảy đúng nơi.
• Data Scientist là bác sĩ chuyên khoa — xây mô hình dự đoán phức tạp, dùng machine learning.
• Business Intelligence là người thiết kế bảng đồng hồ xe hơi (dashboard) — hiển thị thông tin real-time cho sếp nhìn.
• Data Analyst là bác sĩ đa khoa — khám tổng quát, đọc kết quả, giải thích cho bệnh nhân (stakeholder) hiểu.

DA là người đặt câu hỏi đúng, tìm câu trả lời trong dữ liệu, rồi kể lại bằng ngôn ngữ mà người không biết data vẫn hiểu. Đó là data storytelling.

Career path điển hình: Junior DA → DA → Senior DA → Lead DA → Analytics Manager → Head of Data. Hoặc rẽ ngang sang Product Analyst, Marketing Analyst, hay BI Engineer.

📊 Quy trình phân tích dữ liệu — 6 bước của Google

Google đưa ra một framework 6 bước mà mọi DA nên thuộc lòng:

1. Ask — Hỏi đúng câu hỏi. Dùng nguyên tắc SMART: Specific, Measurable, Action-oriented, Relevant, Time-bound. Thay vì hỏi "Doanh thu có tốt không?", hãy hỏi "Doanh thu quý 1/2026 của chi nhánh Quận 1 tăng hay giảm so với quý 4/2025, và nguyên nhân chính là gì?"
2. Prepare — Chuẩn bị dữ liệu. Tìm nguồn, đánh giá chất lượng bằng mô hình ROCCC (Reliable, Original, Comprehensive, Current, Cited).
3. Process — Xử lý dữ liệu. Bước này giống rửa rau trước khi nấu — loại bỏ dữ liệu trùng, sửa lỗi chính tả, xử lý giá trị thiếu. Dữ liệu bẩn thì phân tích sẽ sai.
4. Analyze — Phân tích. Đây là lúc làm EDA — giống như khám sức khỏe tổng quát cho bộ dữ liệu. Tìm xu hướng, phát hiện bất thường, kiểm tra giả thuyết.
5. Share — Chia sẻ kết quả. Tạo dashboard — bảng đồng hồ xe hơi giúp sếp nhìn một cái là biết tình hình. Làm báo cáo, kể câu chuyện từ data.
6. Act — Hành động. Data không có giá trị nếu không dẫn đến hành động. Phân tích xong phải đưa ra recommendation cụ thể.

🧠 Data-Driven Decision Making — Quyết định bằng dữ liệu

Quay lại câu chuyện chuỗi trà sữa ở trên. Đó là ví dụ của gut feeling.

Data-driven decision making là ngược lại: đo trước, quyết sau.

Nhưng để cả tổ chức chuyển sang data-driven, cần 4 trụ cột:

• People — Con người phải biết đọc data. Không cần ai cũng viết SQL, nhưng ai cũng cần data literacy — khả năng đọc hiểu và diễn giải dữ liệu. Giống như biết đọc bảng dinh dưỡng trên hộp sữa vậy.
• Process — Quy trình ra quyết định phải có bước "xem data nói gì" trước khi bấm nút approve.
• Technology — Công cụ phù hợp. Từ Excel cho team nhỏ đến BigQuery cho startup lớn.
• Culture — Văn hóa tổ chức phải khuyến khích hỏi "số liệu là bao nhiêu?" thay vì "sếp nghĩ sao?"

🔺 4 loại phân tích — Kim tự tháp giá trị

Hãy tưởng tượng một kim tự tháp. Càng lên cao, càng khó, nhưng càng giá trị:

1. Descriptive Analytics (Mô tả) — "Chuyện gì đã xảy ra?" → Báo cáo doanh thu tháng trước. KPI — giống điểm giữa kỳ, cho bạn biết đang đứng ở đâu.
2. Diagnostic Analytics (Chẩn đoán) — "Tại sao lại xảy ra?" → Doanh thu giảm vì chiến dịch marketing không hiệu quả hay vì đối thủ giảm giá?
3. Predictive Analytics (Dự đoán) — "Chuyện gì sẽ xảy ra?" → Dự đoán doanh thu quý sau dựa trên xu hướng hiện tại.
4. Prescriptive Analytics (Đề xuất) — "Nên làm gì?" → Đề xuất tăng ngân sách Google Ads 20% vì ROI ở kênh đó đang cao nhất.

Phần lớn DA mới vào nghề làm descriptive và diagnostic. Nhưng giá trị thực sự nằm ở predictive và prescriptive.

🏪 Câu chuyện thực tế

Linh, 27 tuổi, kế toán tại một công ty FMCG ở Bình Dương.

Mỗi ngày Linh đối mặt với hàng nghìn dòng Excel. Đối chiếu số, cân sổ, lập báo cáo thuế. Công việc ổn định, lương 10 triệu. Nhưng Linh cảm thấy mình đang lặp lại cùng một việc mỗi tháng.

Tháng 3/2025, sếp giao Linh thêm một việc: "Em tổng hợp báo cáo bán hàng theo khu vực giùm anh, cuối tuần nộp."

Linh mở file Excel 50.000 dòng. Bắt đầu lọc thủ công. Copy. Paste. Sếp hỏi thêm "Chia theo sản phẩm nữa." Lại copy. Paste. Mất 2 ngày.

Rồi Linh phát hiện pivot table.

30 phút. Cùng một kết quả. Sếp nhìn bảng tổng hợp, mắt sáng lên: "Em làm thêm cho anh biểu đồ so sánh miền Nam với miền Bắc được không?"

Linh bắt đầu tự học. YouTube. Google Data Analytics Certificate. Mỗi tối 2 tiếng sau khi con ngủ.

Tháng 8/2025, Linh làm được dashboard đầu tiên bằng Google Sheets. Sếp bắt đầu gọi Linh vào họp ban giám đốc để trình bày số liệu.

Tháng 12/2025, Linh nộp đơn vào vị trí Junior Data Analyst tại một startup e-commerce ở Quận 7. CV ghi rõ: "Đã xây dashboard tracking doanh thu theo khu vực, giúp ban giám đốc phát hiện chi nhánh underperform và tiết kiệm 500 triệu chi phí vận hành."

Linh được nhận. Lương 16 triệu. Tăng 60%.

Bây giờ, tháng 2/2026, Linh đang học SQL và Python. Mục tiêu cuối năm: lên mid-level DA, lương 22 triệu.

Điều Linh học được lớn nhất không phải công cụ. Là tư duy. Trước khi mở Excel, hãy hỏi: "Mình đang cố trả lời câu hỏi gì?" Đó là bước Ask trong quy trình Google. Và đó là thứ phân biệt người nhập liệu với Data Analyst.

💡 Bài học rút ra

🧠 Tư duy trước công cụ — Biết đặt câu hỏi SMART quan trọng hơn biết viết SQL phức tạp. Công cụ học được trong vài tuần, tư duy phân tích cần rèn mỗi ngày.

📊 Data literacy là kỹ năng của mọi người — Không cần làm DA mới cần hiểu data. Kế toán, marketing, sales — ai cũng nên biết đọc dashboard như biết đọc bảng điểm con ở trường.

🚫 Gut feeling giết doanh nghiệp — Một quyết định dựa trên cảm tính có thể tốn cả tỷ đồng. Data không loại bỏ trực giác, nhưng nó kiểm chứng trực giác.

🔄 Quy trình 6 bước là xương sống — Ask → Prepare → Process → Analyze → Share → Act. Bỏ bước nào cũng sẽ trả giá. Đặc biệt đừng bỏ bước Process — nấu ăn bằng rau chưa rửa thì dù tay nghề giỏi mấy cũng đau bụng.

🎯 Chuyển nghề DA hoàn toàn khả thi — Bạn không cần bằng IT. Bạn cần sự tò mò, tư duy logic, và 2 tiếng mỗi tối. Linh làm được. Bạn cũng làm được.

🤓 Muốn tìm hiểu thêm?

• 📚 Google Data Analytics Professional Certificate — Khóa nền tảng tốt nhất cho người mới, có phụ đề tiếng Việt.
• 📖 Storytelling with Data — Cole Nussbaumer Knaflic — Cuốn sách kinh điển về data storytelling.
• 🎥 StatQuest with Josh Starmer — Giải thích thống kê bằng hình ảnh, dễ hiểu đến bất ngờ.
• 🇻🇳 Cộng đồng Data Analytics Vietnam trên Facebook — Nơi chia sẻ kinh nghiệm, cơ hội việc làm, và tài liệu tiếng Việt.

🔗 Xem thêm Buổi 1

→ 📘 Nội dung chính → 🧠 Case Study → 🏆 Tiêu chuẩn → 🛠 Workshop → 🎮 Mini Game