Appearance
🎮 Mini Game Buổi 1: Data Career Quiz
Trắc nghiệm 10 câu hỏi tình huống — bạn có hiểu nghề Data Analyst đến đâu?
🎯 Mục tiêu học tập
- Phân biệt vai trò Data Analyst với Data Scientist, Data Engineer, BI Analyst qua các tình huống thực tế
- Áp dụng tư duy phân tích theo Google Analytics Framework (Ask → Act) và nhận diện khi nào dùng loại phân tích nào
- Nhận ra sự khác biệt giữa ra quyết định bằng trực giác (gut feeling) và ra quyết định dựa trên dữ liệu (data-driven)
📜 Luật chơi
| Mục | Chi tiết |
|---|---|
| Vai trò | Bạn là một Data Analyst mới vào làm tại một công ty Việt Nam. Mỗi câu hỏi là một tình huống thực tế bạn gặp phải trong tuần đầu tiên |
| Số câu | 10 câu hỏi tình huống, độ khó tăng dần |
| Thời gian | Tối đa 60 giây mỗi câu — tổng thời gian khuyến nghị: 10 phút |
| Cơ chế chọn | Mỗi câu có 3 lựa chọn (A, B, C) — chọn phương án tối ưu nhất |
| Tính điểm | Mỗi câu tối đa 10 XP — tổng tối đa 100 XP |
| Điều kiện thắng | Đạt ≥ 40 XP để nhận rank Bronze trở lên |
| Điều kiện thua | Dưới 40 XP → ❌ Fail — cần ôn lại bài và chơi lại |
🎲 Cơ chế game
Chỉ số theo dõi
| Chỉ số | Icon | Mô tả | Mục tiêu |
|---|---|---|---|
| Accuracy | 🎯 | Chọn đúng đáp án tối ưu nhất (0–5 XP/câu) | Chọn đúng ≥ 8/10 câu |
| Speed | ⏱️ | Trả lời trong vòng 30 giây được bonus (0–3 XP/câu) | Trả lời nhanh và chính xác |
| Insight | 💡 | Bonus khi giải thích được lý do chọn đáp án (0–2 XP/câu) | Giải thích ≥ 5 câu |
Công thức tính XP mỗi câu:
XP = Accuracy (0–5) + Speed (0–3) + Insight (0–2) = tối đa 10 XPCác loại câu hỏi
| Loại | Số câu | Chủ đề | Độ khó |
|---|---|---|---|
| 🧑💼 Vai trò & Career | Câu 1–3 | DA vs DS vs DE vs BI, career path | ⭐ Dễ → Trung bình |
| 🔄 Quy trình phân tích | Câu 4–6 | Google Framework 6 bước, SMART questions | ⭐⭐ Trung bình |
| 🧠 Tư duy Data-Driven | Câu 7–8 | Gut feeling vs data-driven, data literacy | ⭐⭐⭐ Trung bình–Khó |
| 📊 Loại phân tích | Câu 9–10 | Descriptive, Diagnostic, Predictive, Prescriptive | ⭐⭐⭐ Khó |
📋 Kịch bản chi tiết
Câu 1: Ngày đầu đi làm
Bối cảnh: Bạn vừa vào làm Data Analyst tại một startup e-commerce ở TP.HCM. Ngày đầu tiên, sếp nói: "Tuần sau có cuộc họp với team Marketing, họ cần biết campaign tháng rồi hiệu quả thế nào. Em chuẩn bị nhé!" Bạn sẽ làm gì đầu tiên?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Mở ngay Python lên code model dự đoán doanh thu tương lai | +0 | +3 | +0 |
| B | Hỏi sếp: "Campaign nào, KPI đo bằng chỉ số gì, stakeholder muốn biết điều gì cụ thể?" | +5 | +3 | +2 |
| C | Vào Google Analytics kéo hết số liệu ra Excel rồi tính tổng | +2 | +3 | +0 |
Lựa chọn tối ưu: B — Bước đầu tiên trong Google Framework là Ask: đặt câu hỏi rõ ràng, xác định stakeholder và KPI trước khi làm bất kỳ điều gì. Nhảy thẳng vào code (A) hay kéo data lung tung (C) mà chưa hiểu bài toán thì chỉ tốn thời gian.
Câu 2: Ai làm gì trong team Data?
Bối cảnh: Team Data của công ty bạn có 4 người. Sáng thứ Hai, Slack nổ tung tin nhắn. CEO muốn xây dựng hệ thống gợi ý sản phẩm (recommendation engine) dựa trên hành vi mua sắm. Ai nên lead dự án này?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Data Analyst — vì DA hiểu business nhất | +1 | +3 | +0 |
| B | Data Scientist — vì cần xây dựng ML model | +5 | +3 | +2 |
| C | BI Analyst — vì cần làm dashboard theo dõi | +0 | +3 | +0 |
Lựa chọn tối ưu: B — Recommendation engine đòi hỏi xây dựng model Machine Learning (collaborative filtering, content-based filtering). Đây là chuyên môn của Data Scientist. DA sẽ hỗ trợ phân tích dữ liệu đầu vào và đo lường hiệu quả sau triển khai, còn BI sẽ build dashboard giám sát — nhưng lead dự án phải là DS.
Câu 3: Career path — đi đâu về đâu?
Bối cảnh: Bạn đã là DA được 3 năm. Một buổi coffee chat, đồng nghiệp hỏi: "Ê, mày có muốn chuyển sang làm Analytics Engineer không? Lương cao hơn đấy!" Bạn tìm hiểu thì thấy Analytics Engineer cần kỹ năng gì khác biệt nhất so với DA?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Kỹ năng data storytelling và presentation nâng cao | +0 | +3 | +0 |
| B | Kỹ năng data modeling, dbt, và software engineering practices | +5 | +3 | +2 |
| C | Kỹ năng thống kê nâng cao và machine learning | +1 | +3 | +0 |
Lựa chọn tối ưu: B — Analytics Engineer là vai trò kết hợp DA + DE. Khác biệt lớn nhất là cần thành thạo data modeling, dbt (data build tool), version control (git), và các software engineering practices. Storytelling (A) là kỹ năng DA đã có, còn ML (C) là hướng Data Scientist.
Câu 4: File Excel 50 tab lúc 5h chiều thứ 6
Bối cảnh: 5h chiều thứ 6, sếp gửi cho bạn file Excel 50 tab, mỗi tab là dữ liệu bán hàng của một tỉnh/thành. Sếp nhắn: "Em tổng hợp doanh thu theo khu vực giùm anh, thứ 2 họp ban giám đốc." Dữ liệu lộn xộn: cột ngày có chỗ ghi "15/01/2026", chỗ ghi "Jan 15, 2026", có tab thiếu cột doanh thu. Bạn đang ở bước nào của Google Framework?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Analyze — vì đang phân tích dữ liệu bán hàng | +0 | +3 | +0 |
| B | Prepare — vì đang thu thập và đánh giá chất lượng dữ liệu | +2 | +3 | +1 |
| C | Process — vì cần làm sạch dữ liệu trước (chuẩn hóa format, xử lý missing) | +5 | +3 | +2 |
Lựa chọn tối ưu: C — Dữ liệu đã có (không phải Prepare), nhưng đang lộn xộn: format ngày khác nhau, thiếu cột. Bạn cần Process — làm sạch, chuẩn hóa, xử lý missing values trước khi có thể Analyze. Nhớ: bước Process chiếm 60–80% thời gian dự án!
Câu 5: Câu hỏi SMART hay không SMART?
Bối cảnh: Bạn đang chuẩn bị phân tích cho team Product của một ứng dụng fintech (ví điện tử). Product Manager hỏi bạn: "App mình có ổn không?" — Bạn cần chuyển câu hỏi "mơ hồ" này thành câu hỏi SMART. Đâu là câu hỏi SMART nhất?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | "Tỷ lệ người dùng mới quay lại sử dụng app trong 7 ngày đầu (Day-7 retention) của tháng 1/2026 là bao nhiêu, so với target 40%?" | +5 | +3 | +2 |
| B | "App có nhiều người dùng không? User có hài lòng không?" | +0 | +3 | +0 |
| C | "Retention rate của app là bao nhiêu?" | +2 | +3 | +1 |
Lựa chọn tối ưu: A — Câu hỏi đạt đủ 5 tiêu chí SMART: Specific (Day-7 retention, user mới), Measurable (so với target 40%), Action-oriented (biết retention thấp → cải thiện onboarding), Relevant (retention là metric sống còn của fintech app), Time-bound (tháng 1/2026). Câu C thiếu time-bound và chưa đủ specific.
Câu 6: Sếp muốn "nhanh nhanh lên"
Bối cảnh: Team Marketing vừa chạy xong campaign quảng cáo Tết trên TikTok, Facebook và Google Ads, chi tổng cộng 500 triệu VNĐ. CMO hỏi bạn: "Kênh nào hiệu quả nhất, phân bổ ngân sách Tết năm sau thế nào?" — Bạn vừa nhận được data thô từ 3 platform. Thứ tự các bước bạn nên làm?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Analyze (tìm kênh hiệu quả) → Share (báo cáo CMO) → Act (đề xuất ngân sách) | +1 | +3 | +0 |
| B | Ask (xác định KPI: ROI, CPA hay ROAS?) → Prepare (kéo data 3 platform) → Process (chuẩn hóa metrics) → Analyze → Share → Act | +5 | +3 | +2 |
| C | Prepare (kéo data) → Analyze (so sánh 3 kênh) → Share (gửi email sếp) | +2 | +3 | +0 |
Lựa chọn tối ưu: B — Phải đi đủ 6 bước Google Framework. Đặc biệt, bước Ask rất quan trọng: "hiệu quả" nghĩa là ROI cao, CPA thấp, hay ROAS cao? Mỗi KPI dẫn đến kết luận khác nhau. Bỏ qua Ask là sai lầm phổ biến nhất của DA mới vào nghề.
Câu 7: Gut feeling vs Data — cuộc chiến muôn thuở
Bối cảnh: Bạn là DA tại một chuỗi cà phê có 20 chi nhánh ở Hà Nội. Giám đốc kinh doanh muốn mở thêm chi nhánh mới ở quận Hoàng Mai vì "anh thấy khu đó đông người lắm, cuối tuần nào cũng kẹt xe." Bạn phân tích data và phát hiện: quận Hoàng Mai đã có 15 quán cà phê cùng phân khúc, thu nhập bình quân thấp hơn 20% so với target customer. Bạn nên làm gì?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Im lặng đồng ý với sếp — sếp có kinh nghiệm hơn mình | +0 | +3 | +0 |
| B | Trình bày data cho sếp, đề xuất thêm 2–3 quận thay thế có chỉ số tốt hơn, nhưng tôn trọng quyền quyết định cuối cùng của sếp | +5 | +3 | +2 |
| C | Gửi email cho sếp nói thẳng: "Data cho thấy Hoàng Mai không khả thi, anh không nên mở ở đó" | +2 | +3 | +1 |
Lựa chọn tối ưu: B — Data-driven decision making không có nghĩa là "data luôn đúng, gut feeling luôn sai". DA giỏi dùng data để bổ sung và kiểm chứng trực giác, trình bày insight kèm recommendation, nhưng tôn trọng quyền quyết định cuối cùng. Nói thẳng mà không có giải pháp thay thế (C) thì không ai muốn nghe. Im lặng (A) thì mất đi giá trị của DA.
Câu 8: Data Literacy — không phải chuyện riêng team Data
Bối cảnh: Bạn đang làm DA tại một công ty FMCG (Unilever Việt Nam). Trong cuộc họp, trưởng phòng kinh doanh khu vực miền Tây nói: "Tháng này doanh thu tăng 50% rồi, team tôi giỏi lắm!" Bạn nhìn vào data và thấy: tháng trước đúng dịp Tết, doanh thu tăng do seasonal spike, không phải nhờ nỗ lực của team. Đây là ví dụ về vấn đề gì?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Thiếu data literacy — không phân biệt được correlation vs causation, nhầm lẫn nguyên nhân tăng trưởng | +5 | +3 | +2 |
| B | Thiếu data pipeline — dữ liệu không được cập nhật realtime | +0 | +3 | +0 |
| C | Thiếu dashboard — cần thêm chart để thấy rõ seasonal trend | +2 | +3 | +1 |
Lựa chọn tối ưu: A — Đây là vấn đề data literacy cổ điển: nhầm lẫn giữa correlation (doanh thu tăng cùng lúc team hoạt động) và causation (doanh thu tăng vì team giỏi). Thực tế, nguyên nhân chính là seasonal spike dịp Tết. Dashboard tốt hơn (C) có thể giúp, nhưng gốc rễ là người đọc data cần hiểu cách diễn giải dữ liệu đúng.
Câu 9: Bốn loại phân tích — tình huống phức tạp
Bối cảnh: Bạn là DA tại Shopee Việt Nam. Flash sale 12.12 vừa kết thúc. CEO gửi Slack: "Tôi cần biết 4 điều: (1) GMV đạt bao nhiêu? (2) Tại sao category Thời Trang giảm so với 11.11? (3) 12.12 năm sau GMV sẽ đạt bao nhiêu? (4) Nên tăng hay giảm voucher cho category nào?" — 4 câu hỏi này tương ứng với loại phân tích nào, theo đúng thứ tự?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Predictive → Diagnostic → Descriptive → Prescriptive | +0 | +3 | +0 |
| B | Descriptive → Diagnostic → Predictive → Prescriptive | +5 | +3 | +2 |
| C | Descriptive → Prescriptive → Predictive → Diagnostic | +0 | +3 | +0 |
Lựa chọn tối ưu: B — Mapping chính xác: (1) GMV bao nhiêu = Descriptive (chuyện gì đã xảy ra), (2) Tại sao giảm = Diagnostic (tại sao xảy ra), (3) Năm sau bao nhiêu = Predictive (sẽ xảy ra gì), (4) Nên tăng/giảm voucher = Prescriptive (nên làm gì). Đây cũng chính là thứ tự tăng dần về độ phức tạp và giá trị trong kim tự tháp phân tích.
Câu 10: Tổng hợp — bài toán cuối cùng
Bối cảnh: Bạn vừa được thăng chức lên Senior DA tại MoMo. CEO triệu tập họp khẩn: "Tỷ lệ churn tăng 25% trong 3 tháng qua, đặc biệt ở nhóm user 18–24 tuổi ở Hà Nội. Tôi nghe nói ZaloPay đang có chương trình cashback hấp dẫn hơn. Tôi muốn giảm churn xuống 15% trong Q2." — Bạn cần xây dựng plan phân tích. Đâu là approach đúng?
| Lựa chọn | Hành động | Accuracy | Speed | Insight |
|---|---|---|---|---|
| A | Nhảy thẳng vào build churn prediction model bằng Python, xong rồi gửi kết quả cho CEO | +1 | +3 | +0 |
| B | Ask (xác định: churn = uninstall hay inactive 30 ngày?) → Prepare (kéo data user behavior, transaction, competitor) → Process (làm sạch, join table) → Analyze (segment analysis, churn drivers) → Share (dashboard + slide cho CEO) → Act (đề xuất loyalty program cho segment 18–24) | +5 | +3 | +2 |
| C | Tham khảo bài phân tích churn của Netflix trên Medium, áp dụng y chang cho MoMo | +0 | +3 | +0 |
Lựa chọn tối ưu: B — Câu hỏi tổng hợp tất cả kiến thức Buổi 1: (1) Bắt đầu bằng Ask — định nghĩa "churn" rõ ràng, đặt câu hỏi SMART, (2) Đi đủ 6 bước Framework, (3) Kết hợp data-driven (phân tích churn drivers) thay vì gut feeling ("nghe nói ZaloPay có cashback"), (4) Sử dụng cả Descriptive (churn rate hiện tại), Diagnostic (tại sao churn tăng), Predictive (ai sẽ churn tiếp), Prescriptive (nên làm gì). Copy bài người khác (C) không phù hợp vì bối cảnh kinh doanh mỗi công ty khác nhau hoàn toàn.
⚡ Sự kiện ngẫu nhiên (Random Events)
Trong quá trình chơi, bạn có thể gặp các sự kiện bất ngờ — giống như đời thực, không phải lúc nào cũng suôn sẻ!
| Sự kiện | Xác suất | Ảnh hưởng |
|---|---|---|
| ☕ Sếp mời cà phê — "Em làm tốt lắm, anh mời ly cà phê!" | 20% | +5 XP bonus (khích lệ sau câu trả lời đúng) |
| 💥 Server sập — Database bị crash ngay lúc bạn đang query, phải chờ 10 giây | 15% | Mất bonus Speed cho câu đó (⏱️ = 0) |
| 🎁 Mentor hint — Senior DA trong team gợi ý nhẹ cho bạn trước khi trả lời | 20% | Hiển thị hint loại bỏ 1 đáp án sai, tăng cơ hội đúng |
| 📊 Data quality issue — Dữ liệu bạn nhận có lỗi, cần thêm 15 giây để kiểm tra | 15% | Thời gian câu hỏi tăng thêm 15 giây nhưng Accuracy +1 nếu đúng |
| 🔥 Deadline gấp — PM nhắn "Cần gấp trong 20 giây!" | 10% | Thời gian giảm còn 20 giây, nhưng nếu đúng được +2 Speed bonus |
🏆 Hệ thống xếp hạng
| Rank | Điều kiện | XP | Nhận xét |
|---|---|---|---|
| 🥇 Gold | ≥ 80 XP | 100 XP | "Senior DA material! Bạn đã sẵn sàng cho tuần đầu tiên đi làm." |
| 🥈 Silver | ≥ 60 XP | 70 XP | "Nền tảng tốt! Ôn thêm phần Framework và 4 loại phân tích là lên Gold." |
| 🥉 Bronze | ≥ 40 XP | 40 XP | "Đã hiểu cơ bản. Đọc lại case study Google và Tiki để nắm chắc hơn." |
| ❌ Fail | < 40 XP | 10 XP | "Đừng buồn — đọc lại Buổi 1, làm checklist, rồi quay lại chinh phục nhé!" |
🎖️ Badge đặc biệt
| Badge | Điều kiện |
|---|---|
| 🏅 Perfect Score | Đạt 100/100 XP — trả lời đúng tất cả, nhanh, và giải thích tốt |
| ⚡ Speed Demon | Hoàn thành cả 10 câu trong vòng 5 phút |
| 🧠 Insight Master | Đạt điểm Insight tối đa (20/20) — giải thích xuất sắc mọi câu |
| 🎯 Sharpshooter | Accuracy tối đa (50/50) — không sai câu nào |
| 🛡️ Survivor | Gặp ≥ 3 sự kiện ngẫu nhiên bất lợi mà vẫn đạt Gold |
| 📚 Framework Guru | Trả lời đúng tất cả câu hỏi về Google Analytics Framework (Câu 4, 5, 6, 10) |
| 🔄 Career Navigator | Trả lời đúng tất cả câu hỏi về vai trò & career path (Câu 1, 2, 3) |
💡 Giải thích đáp án
Câu 1 → Bước Ask trong Google Framework
Trước khi làm bất kỳ phân tích nào, DA cần hiểu rõ bài toán: campaign nào, đo bằng KPI gì, ai là stakeholder. Đây là bước Ask — nền tảng cho mọi bước tiếp theo. Tham khảo phần Google Data Analytics Framework.
Câu 2 → Phân biệt vai trò DA vs DS vs DE vs BI
Recommendation engine = Machine Learning = Data Scientist. DA hỗ trợ phân tích, DE xây pipeline, BI build dashboard giám sát — nhưng core work thuộc DS. Tham khảo bảng so sánh các vai trò.
Câu 3 → Career path từ DA
Analytics Engineer = DA + DE: cần dbt, data modeling, git, software engineering practices. Đây là hướng chuyển ngang phổ biến cho DA muốn "technical hơn" mà không muốn đi sâu ML. Tham khảo phần Career path điển hình.
Câu 4 → Bước Process — làm sạch dữ liệu
Dữ liệu đã thu thập nhưng chưa sạch: format ngày khác nhau, thiếu cột doanh thu. Đây chính là bước Process — chiếm 60–80% thời gian dự án. Đừng nhầm với Prepare (thu thập/đánh giá nguồn) hay Analyze (phân tích sau khi data đã sạch).
Câu 5 → Câu hỏi SMART
Câu hỏi SMART cần đủ 5 yếu tố: Specific, Measurable, Action-oriented, Relevant, Time-bound. "App có ổn không?" thiếu tất cả 5 yếu tố. "Retention rate bao nhiêu?" thiếu time-bound và chưa đủ specific. Tham khảo phần SMART Questions.
Câu 6 → Đi đủ 6 bước Framework
Sai lầm phổ biến nhất: nhảy thẳng vào Analyze mà bỏ qua Ask. Khi CMO nói "kênh nào hiệu quả nhất", bạn cần hỏi lại: hiệu quả đo bằng ROI, CPA, hay ROAS? Mỗi KPI cho kết luận khác nhau.
Câu 7 → Data-driven ≠ bỏ qua gut feeling
Data-driven decision making là dùng data để kiểm chứng và bổ sung trực giác, không phải thay thế hoàn toàn. DA giỏi trình bày data + recommendation, đồng thời tôn trọng quyền quyết định cuối cùng của leader. Tham khảo phần So sánh Gut Feeling vs Data-Driven.
Câu 8 → Data Literacy và correlation vs causation
Data literacy không chỉ là đọc số, mà là hiểu đúng ý nghĩa của số. Doanh thu tăng 50% vào tháng Tết là seasonal spike — correlation với nỗ lực team, nhưng chưa chắc là causation. Tham khảo phần Data Literacy.
Câu 9 → Kim tự tháp 4 loại phân tích
Thứ tự tăng dần: Descriptive (chuyện gì?) → Diagnostic (tại sao?) → Predictive (sẽ xảy ra gì?) → Prescriptive (nên làm gì?). Đây cũng là thứ tự tăng dần về độ phức tạp và giá trị. Tham khảo phần Kim tự tháp giá trị phân tích.
Câu 10 → Tổng hợp tất cả kiến thức Buổi 1
Câu hỏi này kết hợp: (1) Google Framework 6 bước, (2) SMART question (định nghĩa "churn"), (3) Data-driven thay vì gut feeling, (4) Cả 4 loại phân tích. Đây là workflow thực tế mà một Senior DA phải thực hiện hàng ngày.
📚 Kiến thức liên quan
| Câu hỏi | Chủ đề | Phần trong bài học |
|---|---|---|
| Câu 1, 4, 5, 6, 10 | Google Analytics Framework (Ask → Act) | Phần 2: Quy trình phân tích dữ liệu |
| Câu 2, 3 | Vai trò DA vs DS vs DE vs BI, Career path | Phần 1: Data Analyst là ai? |
| Câu 7, 8 | Data-driven decision making, Data literacy | Phần 3: Data-Driven Decision Making |
| Câu 9, 10 | 4 loại phân tích dữ liệu | Phần 4: Các loại phân tích dữ liệu |
Tài liệu tham khảo thêm:
- Google Data Analytics Professional Certificate (Coursera) — Week 1–2
- Case Study: Google People Analytics — cách Google dùng data thay vì gut feeling để tuyển dụng
- Case Study: Tiki — ứng dụng 4 loại phân tích trong e-commerce Việt Nam
🔗 Xem thêm Buổi 1
→ 📘 Nội dung chính → 📝 Blog → 🧠 Case Study → 🏆 Tiêu chuẩn → 🛠 Workshop