📘 Buổi 14: Industry Case Studies — Marketing, Finance, Supply Chain

DA giỏi = hiểu domain. Mỗi ngành có data khác, KPI khác, bài toán khác.

🎯 Mục tiêu buổi học

Sau buổi này, học viên sẽ:

Phân tích dữ liệu marketing: campaign performance, ROI, attribution
Phân tích dữ liệu finance: revenue analysis, budget vs actual, forecasting
Phân tích dữ liệu supply chain: inventory turnover, demand planning
Hiểu domain knowledge: thuật ngữ, KPI và bài toán riêng mỗi ngành

📋 Tổng quan

Ở Buổi 13, bạn đã nắm Business Metrics — KPI, funnel, cohort, AARRR. Bạn biết measure thế nào, biết metric nào actionable, biết xây North Star. Nhưng metric nào cho ngành nào? Một DA ở Shopee đo hoàn toàn khác một DA ở VPBank hay Vinamilk. KPI khác, data khác, stakeholder khác, câu hỏi business khác.

Buổi 14 chuyển từ "đo cái gì" (Buổi 13) sang "đo cái gì CHO AI" — domain-specific analytics. Marketing DA đo CTR, ROAS, attribution. Finance DA đo variance, margin, cash flow. Supply Chain DA đo inventory turnover, fill rate, demand accuracy.

Theo LinkedIn Economic Graph (2025), 73% JD tuyển Data Analyst yêu cầu domain knowledge — không chỉ SQL/Python mà còn "hiểu ngành". Top 3 ngành tuyển DA nhiều nhất tại Việt Nam: E-commerce/Marketing (~35%), Banking/Finance (~28%), Manufacturing/Supply Chain (~18%).

Domain knowledge là thứ biến một "technical analyst" thành "business partner." Bạn không cần 5 năm kinh nghiệm trong ngành — nhưng cần hiểu đủ sâu để hỏi đúng câu hỏi, chọn đúng metric, và translate insight thành action mà stakeholder hiểu.

mermaid

flowchart LR
    A["📥 Obtain<br/>Buổi 7: Python"] --> B["🧹 Scrub<br/>Buổi 8: Pandas"]
    B --> C["🔍 Explore<br/>Buổi 9: EDA"]
    C --> D["📊 iNterpret<br/>Buổi 10-11: Chart + BI"]
    D --> E["📖 Storytelling<br/>Buổi 12: Presentation"]
    E --> F["💼 Business Metrics<br/>Buổi 13: KPI, Funnel"]
    F --> G["🏭 Industry Cases<br/>✅ Buổi 14: Domain Analytics"]
    style G fill:#e8f5e9,stroke:#4caf50,stroke-width:3px

💡 Tại sao Domain Knowledge quan trọng cho DA?

Tình huống	DA không hiểu Domain	DA hiểu Domain
Marketing team hỏi "campaign nào hiệu quả?"	So sánh clicks	Phân tích attribution multi-touch, ROAS by channel, incremental lift
CFO hỏi "revenue forecast Q2?"	Linear trend line	Seasonality adjustment, budget variance, pipeline-weighted forecast
Supply Chain hỏi "nên nhập bao nhiêu hàng?"	Average last 3 months	Demand sensing, lead time buffer, safety stock calculation
Phỏng vấn Marketing DA	"Em biết SQL, Python"	"Em phân tích RFM segment, tối ưu ROAS từ 2.1x lên 4.8x, giảm CAC 35%"
Phỏng vấn Finance DA	"Em biết dashboard"	"Em xây variance analysis model, phát hiện budget overrun 2 tỷ trước khi close Q4"

📌 Phần 1: Marketing Analytics — Campaign, Attribution, RFM

Marketing Data Landscape

Marketing analytics trả lời câu hỏi trọng tâm: "Đồng tiền marketing nào mang lại khách hàng? Kênh nào hiệu quả nhất? Nên đầu tư tiếp hay cắt?"

mermaid

flowchart TD
    A["💰 Marketing Budget"] --> B["📢 Channels"]
    B --> C["Facebook Ads"]
    B --> D["Google Ads"]
    B --> E["TikTok Ads"]
    B --> F["Email / CRM"]
    B --> G["SEO / Content"]
    C --> H["👤 Impressions → Clicks → Leads → Customers"]
    D --> H
    E --> H
    F --> H
    G --> H
    H --> I["📊 Attribution: Ai ghi bàn?"]
    I --> J["💵 Revenue & LTV"]
    J --> K["📈 ROI / ROAS Calculation"]
    K --> L["🔄 Budget Reallocation"]

KPI cốt lõi cho Marketing Analytics

KPI	Công thức	Benchmark (VN e-commerce)	Ý nghĩa
CTR (Click-Through Rate)	$C T R = \frac{C l i c k s}{I m p r e s s i o n s} \times 100 %$	Facebook: 1.5-3%, Google Search: 3-8%	Mức độ hấp dẫn của quảng cáo
CVR (Conversion Rate)	$C V R = \frac{C o n v e r s i o n s}{C l i c k s} \times 100 %$	E-commerce: 2-5%, SaaS: 5-15%	Khả năng convert traffic thành khách
CPC (Cost Per Click)	$C P C = \frac{A d S p e n d}{C l i c k s}$	Facebook VN: 2-8K VND, Google: 5-20K	Chi phí mỗi click
CPA (Cost Per Acquisition)	$C P A = \frac{A d S p e n d}{C o n v e r s i o n s}$	50-200K VND (tùy sản phẩm)	Chi phí acquire mỗi khách
ROAS (Return on Ad Spend)	$R O A S = \frac{R e v e n u e f r o m A d s}{A d S p e n d}$	ROAS > 4x = tốt, < 2x = cảnh báo	Mỗi đồng ads mang lại bao nhiêu revenue
CAC (Customer Acquisition Cost)	$C A C = \frac{T o t a l M a r k e t i n g C o s t}{N e w C u s t o m e r s}$	30-100K VND	Tổng chi phí acquire 1 khách mới

Channel Attribution — Ai ghi bàn?

Một customer journey thường đi qua nhiều touchpoints trước khi mua: thấy TikTok ad → search Google → click Facebook retargeting → mua. Attribution trả lời: kênh nào deserves credit?

Model	Logic	Ưu	Nhược	Khi nào dùng
First-Touch	100% credit cho touchpoint đầu tiên	Đơn giản, đo awareness	Bỏ qua nurturing channels	Brand awareness campaigns
Last-Touch	100% credit cho touchpoint cuối cùng	Đơn giản, đo conversion	Bỏ qua top-of-funnel	Performance marketing
Linear	Chia đều credit cho mọi touchpoint	Fair, dễ implement	Không phân biệt impact	Khi chưa biết nên dùng model nào
Time-Decay	Touchpoint gần conversion được nhiều credit hơn	Phản ánh recency	Penalize awareness channels	Long sales cycles
U-Shape (Position)	40% first + 40% last + 20% chia đều giữa	Balance awareness + conversion	Phức tạp hơn	B2B, multi-step funnel

mermaid

flowchart LR
    subgraph "Customer Journey"
        A["TikTok Ad<br/>Day 1"] --> B["Blog Visit<br/>Day 3"] --> C["Google Search<br/>Day 5"] --> D["Facebook Retarget<br/>Day 7"] --> E["Purchase<br/>Day 8"]
    end

    subgraph "Attribution Credit"
        F["First-Touch:<br/>TikTok = 100%"]
        G["Last-Touch:<br/>Facebook = 100%"]
        H["Linear:<br/>Each = 25%"]
        I["U-Shape:<br/>TikTok 40% + FB 40%<br/>+ Blog 10% + Google 10%"]
    end

RFM Analysis — Phân loại khách hàng

RFM (Recency, Frequency, Monetary) — framework phân loại khách hàng thành các segment dựa trên hành vi mua hàng. Đây là kỹ thuật marketing analytics cơ bản nhất mà mọi DA cần biết:

Dimension	Đo gì	Công thức	Score 5 = tốt nhất
Recency	Lần mua gần nhất cách nay bao lâu?	Days since last purchase	Mua gần đây nhất = 5
Frequency	Bao nhiêu lần mua?	Total number of orders	Mua nhiều nhất = 5
Monetary	Tổng chi bao nhiêu?	Total revenue from customer	Chi nhiều nhất = 5

python

# RFM Analysis — Marketing Analytics Essential
import pandas as pd
import numpy as np
from datetime import datetime

# Sample data: 1000 customers, orders over 12 months
np.random.seed(14)
n_customers = 1000

customers = pd.DataFrame({
    'customer_id': [f'C{i:04d}' for i in range(1, n_customers + 1)],
    'last_purchase': pd.date_range('2025-01-15', '2026-02-01', periods=n_customers),
    'total_orders': np.random.poisson(lam=5, size=n_customers) + 1,
    'total_revenue': np.random.lognormal(mean=13.5, sigma=0.8, size=n_customers).astype(int)
})

# Reference date
ref_date = pd.Timestamp('2026-02-15')

# Calculate RFM
customers['recency_days'] = (ref_date - customers['last_purchase']).dt.days
customers['R'] = pd.qcut(customers['recency_days'], q=5, labels=[5,4,3,2,1]).astype(int)
customers['F'] = pd.qcut(customers['total_orders'].rank(method='first'), q=5, labels=[1,2,3,4,5]).astype(int)
customers['M'] = pd.qcut(customers['total_revenue'], q=5, labels=[1,2,3,4,5]).astype(int)
customers['RFM_Score'] = customers['R'] * 100 + customers['F'] * 10 + customers['M']

# Segment mapping
def rfm_segment(row):
    if row['R'] >= 4 and row['F'] >= 4 and row['M'] >= 4:
        return 'Champions'
    elif row['R'] >= 4 and row['F'] >= 3:
        return 'Loyal Customers'
    elif row['R'] >= 4 and row['F'] <= 2:
        return 'New Customers'
    elif row['R'] >= 3 and row['F'] >= 3:
        return 'Potential Loyalists'
    elif row['R'] <= 2 and row['F'] >= 3:
        return 'At Risk'
    elif row['R'] <= 2 and row['F'] >= 4 and row['M'] >= 4:
        return 'Cant Lose Them'
    elif row['R'] <= 2 and row['F'] <= 2:
        return 'Lost'
    else:
        return 'Need Attention'

customers['segment'] = customers.apply(rfm_segment, axis=1)

# Segment summary
segment_summary = customers.groupby('segment').agg(
    count=('customer_id', 'count'),
    avg_recency=('recency_days', 'mean'),
    avg_frequency=('total_orders', 'mean'),
    avg_monetary=('total_revenue', 'mean')
).round(0)

print("📊 RFM Segment Summary:")
print(segment_summary.to_string())
print(f"\n📈 Total customers: {len(customers)}")

RFM Segment Actions:

Segment	R	F	M	Action	Ví dụ
Champions	5	5	5	Reward, upsell, referral program	VIP membership, early access
Loyal Customers	4-5	3-5	3-5	Loyalty program, cross-sell	"Mua kèm giảm 20%"
New Customers	4-5	1-2	1-2	Onboarding, welcome series	Email nurture sequence
At Risk	1-2	3-5	3-5	Win-back campaign, survey	"Chúng tôi nhớ bạn — giảm 30%!"
Cant Lose Them	1-2	4-5	4-5	URGENT win-back, call trực tiếp	Sales team gọi điện, VIP offer
Lost	1	1	1	Re-engagement hoặc bỏ qua	Automated email, low investment

A/B Testing Introduction

Marketing DA thường xuyên cần đánh giá: "Variant nào tốt hơn?" — landing page mới vs cũ, subject line A vs B, ad creative X vs Y.

Bước	Mô tả	Ví dụ
1. Hypothesis	Đặt giả thuyết rõ ràng	"Button màu đỏ sẽ tăng CVR 10% so với button xanh"
2. Sample Size	Tính sample size đủ statistical power	n = 3,800/variant (power 80%, significance 5%, MDE 10%)
3. Split Traffic	Random split 50/50	50% users thấy Control, 50% thấy Variant
4. Run Test	Chạy đủ thời gian (≥ 1 business cycle)	2-4 tuần, cover weekday + weekend
5. Analyze	So sánh bằng statistical test	Chi-square test hoặc z-test for proportions
6. Decision	Roll out winner hoặc iterate	Nếu p-value < 0.05 → deploy Variant

📌 Phần 2: Finance Analytics — Budget, Variance, Financial Ratios

Finance Data Landscape

Finance analytics trả lời: "Tiền đi đâu? Doanh thu có đúng kế hoạch? Margin bao nhiêu? Cash flow có healthy?"

mermaid

flowchart TD
    A["📊 Financial Data Sources"] --> B["Income Statement<br/>(P&L)"]
    A --> C["Balance Sheet"]
    A --> D["Cash Flow Statement"]
    B --> E["Revenue Analysis"]
    B --> F["Expense Analysis"]
    E --> G["Variance Analysis<br/>Actual vs Budget"]
    F --> G
    G --> H["Financial Ratios"]
    H --> I["Executive Report<br/>& Forecasting"]

KPI cốt lõi cho Finance Analytics

KPI	Công thức	Benchmark	Ý nghĩa
Gross Margin	$\frac{R e v e n u e - C O G S}{R e v e n u e} \times 100 %$	Tech: 60-80%, Retail: 25-45%	Biên lợi nhuận gộp — hiệu quả sản xuất
Operating Margin	$\frac{O p e r a t i n g I n c o m e}{R e v e n u e} \times 100 %$	Tech: 20-35%, Retail: 5-15%	Biên lợi nhuận hoạt động — sau OpEx
Net Margin	$\frac{N e t I n c o m e}{R e v e n u e} \times 100 %$	10-20% là healthy	Biên lợi nhuận ròng — bottom line
ROI (Return on Investment)	$\frac{N e t P r o f i t}{I n v e s t m e n t C o s t} \times 100 %$	> 15%	Hiệu suất đầu tư
ROE (Return on Equity)	$\frac{N e t I n c o m e}{S h a r e h o l d e r E q u i t y} \times 100 %$	> 15%	Hiệu suất vốn chủ sở hữu
Current Ratio	$\frac{C u r r e n t A s s e t s}{C u r r e n t L i a b i l i t i e s}$	1.5-3.0	Khả năng trả nợ ngắn hạn
Debt/Equity	$\frac{T o t a l D e b t}{T o t a l E q u i t y}$	< 1.5	Đòn bẩy tài chính

Variance Analysis — Actual vs Budget

Variance analysis là bài toán trọng tâm của Finance DA: so sánh thực tế với kế hoạch, tìm nguyên nhân chênh lệch.

Loại Variance	Công thức	Favorable	Unfavorable
Revenue Variance	Actual Revenue − Budget Revenue	Actual > Budget	Actual < Budget
Price Variance	(Actual Price − Budget Price) × Actual Qty	Bán giá cao hơn	Bán giá thấp hơn
Volume Variance	(Actual Qty − Budget Qty) × Budget Price	Bán nhiều hơn	Bán ít hơn
Cost Variance	Budget Cost − Actual Cost	Chi ít hơn	Chi nhiều hơn
Mix Variance	Impact of selling different product mix	High-margin products ↑	Low-margin products ↑

python

# Variance Analysis — Finance Analytics
import pandas as pd

# Budget vs Actual by department
finance_data = pd.DataFrame({
    'department': ['Sales', 'Marketing', 'Engineering', 'Operations', 'HR', 'Finance'],
    'budget_revenue': [50_000, 0, 0, 0, 0, 0],
    'actual_revenue': [47_500, 0, 0, 0, 0, 0],
    'budget_cost': [12_000, 8_000, 15_000, 6_000, 3_000, 2_000],
    'actual_cost': [11_200, 9_500, 14_800, 6_800, 2_900, 2_100]
})
# Units: triệu VND

# Revenue variance
total_budget_rev = finance_data['budget_revenue'].sum()
total_actual_rev = finance_data['actual_revenue'].sum()
rev_variance = total_actual_rev - total_budget_rev
rev_variance_pct = rev_variance / total_budget_rev * 100

# Cost variance (positive = favorable = under budget)
finance_data['cost_variance'] = finance_data['budget_cost'] - finance_data['actual_cost']
finance_data['variance_pct'] = (finance_data['cost_variance'] / finance_data['budget_cost'] * 100).round(1)
finance_data['status'] = finance_data['cost_variance'].apply(
    lambda x: '🟢 Favorable' if x >= 0 else '🔴 Unfavorable'
)

print("📊 VARIANCE ANALYSIS REPORT")
print(f"   Revenue: {total_actual_rev:,}M vs Budget {total_budget_rev:,}M → Variance {rev_variance:+,}M ({rev_variance_pct:+.1f}%)")
print(f"\n📋 Cost Variance by Department:")
for _, row in finance_data.iterrows():
    print(f"   {row['department']:12s} | Budget: {row['budget_cost']:>6,}M | Actual: {row['actual_cost']:>6,}M | Var: {row['cost_variance']:>+5,}M ({row['variance_pct']:>+5.1f}%) {row['status']}")

total_budget_cost = finance_data['budget_cost'].sum()
total_actual_cost = finance_data['actual_cost'].sum()
net_budget = total_budget_rev - total_budget_cost
net_actual = total_actual_rev - total_actual_cost
print(f"\n💰 Net Profit: Actual {net_actual:,}M vs Budget {net_budget:,}M → Variance {net_actual - net_budget:+,}M")

P&L Statement — Báo cáo Kết quả Kinh doanh

Dòng	Tên	Ý nghĩa
1	Revenue (Doanh thu)	Tổng tiền bán hàng/dịch vụ
2	− COGS (Giá vốn)	Chi phí trực tiếp tạo ra sản phẩm
3	= Gross Profit (Lãi gộp)	Revenue − COGS
4	− Operating Expenses	Chi phí vận hành: sales, marketing, R&D, admin
5	= Operating Income (EBIT)	Lãi trước lãi vay & thuế
6	− Interest & Tax	Lãi vay + thuế TNDN
7	= Net Income (Lãi ròng)	Bottom line — lợi nhuận cuối cùng

Cash Flow Basics

Loại	Mô tả	DA cần biết
Operating Cash Flow	Tiền từ hoạt động kinh doanh	Revenue collection, expense payment — core business health
Investing Cash Flow	Tiền đầu tư/bán tài sản	CapEx, acquisitions — growth investment
Financing Cash Flow	Tiền vay/trả nợ, phát hành cổ phiếu	Debt, equity — funding structure

⚠️ Revenue ≠ Cash

Công ty có thể có revenue 100 tỷ nhưng cash flow âm — vì khách mua chịu (accounts receivable) chưa trả. Finance DA phải hiểu: P&L cho thấy profitability, Cash Flow cho thấy solvency.

📌 Phần 3: Supply Chain Analytics — Inventory, Demand, Logistics

Supply Chain Data Landscape

Supply chain analytics trả lời: "Hàng tồn kho bao nhiêu là đủ? Nhu cầu tháng tới bao nhiêu? Nhà cung cấp nào reliable? Giao hàng có đúng hẹn?"

mermaid

flowchart LR
    A["🏭 Supplier"] --> B["📦 Warehouse<br/>Inventory"]
    B --> C["🚛 Distribution<br/>Logistics"]
    C --> D["🏪 Retail<br/>Point of Sale"]
    D --> E["👤 Customer<br/>Demand"]
    E -.->|"Demand Signal"| A

    subgraph "Supply Chain Analytics"
        F["Supplier Performance"]
        G["Inventory Optimization"]
        H["Demand Forecasting"]
        I["Logistics Efficiency"]
    end

KPI cốt lõi cho Supply Chain Analytics

KPI	Công thức	Benchmark	Ý nghĩa
Inventory Turnover	$\frac{C O G S}{A v e r a g e I n v e n t o r y}$	FMCG: 8-12x, Electronics: 4-6x	Hàng tồn kho quay vòng bao nhiêu lần/năm
Days of Supply (DOS)	$\frac{A v e r a g e I n v e n t o r y}{C O G S / 365}$	30-45 ngày (FMCG)	Hàng tồn đủ dùng bao nhiêu ngày
Fill Rate	$\frac{O r d e r s F i l l e d C o m p l e t e}{T o t a l O r d e r s} \times 100 %$	> 95%	% đơn hàng giao đủ
OTIF (On-Time In-Full)	$\frac{O r d e r s O n - T i m e A N D I n - F u l l}{T o t a l O r d e r s} \times 100 %$	> 90%	Giao đúng hẹn VÀ đủ
Stockout Rate	$\frac{D a y s O u t o f S t o c k}{T o t a l D a y s} \times 100 %$	< 2%	% thời gian hết hàng
Order Cycle Time	Thời gian từ đặt hàng → giao xong	2-5 ngày (nội địa VN)	Tốc độ xử lý đơn hàng
Supplier Lead Time	Thời gian từ đặt hàng NCC → nhận hàng	Tùy ngành	Thời gian chờ hàng từ supplier

Inventory Metrics Deep Dive

Inventory management là bài toán cân bằng: quá nhiều tồn kho = đọng vốn, quá ít = hết hàng mất doanh thu.

T o t a l I n v e n t o r y C o s t = H o l d i n g C o s t + O r d e r i n g C o s t + S t o c k o u t C o s t

Rủi ro	Quá nhiều tồn kho	Quá ít tồn kho
Tài chính	Đọng vốn, chi phí kho	Mất doanh thu
Vận hành	Hàng hết hạn, obsolescence	Giao hàng trễ, urgent orders
Khách hàng	—	Khách chuyển sang đối thủ

python

# Inventory Metrics — Supply Chain Analytics
import pandas as pd
import numpy as np

# Sample: Monthly inventory data for 5 product categories
np.random.seed(14)
months = pd.date_range('2025-03-01', '2026-02-01', freq='MS')

products = ['Sữa tươi', 'Sữa chua', 'Sữa bột', 'Nước trái cây', 'Sữa đặc']
records = []

for product in products:
    base_demand = np.random.randint(5000, 15000)
    for month in months:
        demand = int(base_demand * (1 + 0.15 * np.sin(month.month * np.pi / 6)) + np.random.normal(0, 500))
        inventory_start = int(demand * np.random.uniform(0.8, 1.5))
        received = int(demand * np.random.uniform(0.9, 1.2))
        sold = min(demand, inventory_start + received)
        inventory_end = inventory_start + received - sold

        records.append({
            'product': product, 'month': month,
            'demand': demand, 'inventory_start': inventory_start,
            'received': received, 'sold': sold,
            'inventory_end': inventory_end
        })

inv = pd.DataFrame(records)

# Calculate KPIs per product
for product in products:
    p = inv[inv['product'] == product]
    avg_inventory = (p['inventory_start'].mean() + p['inventory_end'].mean()) / 2
    total_sold = p['sold'].sum()
    cogs = total_sold * 25000  # 25K VND/unit average
    turnover = total_sold / avg_inventory if avg_inventory > 0 else 0
    dos = avg_inventory / (total_sold / 365) if total_sold > 0 else 0
    fill_rate = p['sold'].sum() / p['demand'].sum() * 100

    print(f"📦 {product:15s} | Turnover: {turnover:5.1f}x | DOS: {dos:5.1f} days | Fill Rate: {fill_rate:5.1f}%")

Demand Forecasting Basics

Method	Complexity	Data Need	Best For
Moving Average	Low	3-12 months history	Stable demand, no trend
Exponential Smoothing	Medium	12+ months	Trend + seasonality
ARIMA	High	24+ months	Complex patterns
ML (XGBoost, etc.)	High	24+ months + external features	Multi-factor demand

Supplier Performance Scorecard

Metric	Weight	Scale	Đo gì
Quality	30%	Defect rate (< 1% = 5/5)	Chất lượng hàng nhận
Delivery	30%	On-time rate (> 95% = 5/5)	Giao đúng hẹn
Cost	20%	Price competitiveness	Giá cạnh tranh
Responsiveness	10%	Lead time, communication	Phản hồi nhanh
Flexibility	10%	Ability to handle volume changes	Linh hoạt khi demand thay đổi

📌 Phần 4: Chọn ngành & Domain Knowledge

Why Domain Matters

mermaid

flowchart TD
    A["DA Core Skills<br/>SQL, Python, BI, Stats"] --> B["+ Marketing Domain"]
    A --> C["+ Finance Domain"]
    A --> D["+ Supply Chain Domain"]
    B --> E["Marketing DA<br/>CTR, ROAS, Attribution, RFM"]
    C --> F["Finance DA<br/>Variance, P&L, Ratios, Forecast"]
    D --> G["Supply Chain DA<br/>Inventory, Demand, OTIF, SCOR"]
    E --> H["💼 Salary: 15-35M VND"]
    F --> I["💼 Salary: 18-45M VND"]
    G --> J["💼 Salary: 16-38M VND"]

So sánh 1 ngày làm việc của DA ở 3 ngành

Thời gian	Marketing DA	Finance DA	Supply Chain DA
9:00	Check campaign performance overnight	Check daily P&L, cash position	Check inventory levels, stockout alerts
10:00	Attribution analysis — channel spend vs conversion	Variance report — actual vs budget	Demand forecast — next 2 weeks
11:00	A/B test review — landing page CVR	Receivables aging analysis	Supplier scorecard update
14:00	RFM segment update cho CRM team	Board deck — financial KPIs	Safety stock calculation
15:00	Campaign ROI presentation	Budget reforecast meeting	Logistics optimization review
16:00	Dashboard update — acquisition funnel	Intercompany reconciliation	OTIF analysis by region

Vertical vs Horizontal Career

Career Path	Mô tả	Ưu	Nhược
Vertical (Chuyên sâu)	Gắn bó 1 ngành: Marketing DA → Senior → Lead → Head of Marketing Analytics	Expert domain, salary cao, trusted advisor	Khó chuyển ngành, bị "lock-in"
Horizontal (Đa ngành)	Nhảy ngành: Marketing DA → Finance DA → Product DA	Đa dạng kinh nghiệm, flexible	Không deep domain, mất thời gian ramp-up
T-Shape (khuyến nghị)	Deep 1 ngành + hiểu broad 2-3 ngành khác	Best of both — expert + versatile	Cần thời gian 3-5 năm để build T

Top Industries tuyển DA tại Việt Nam (2025-2026)

#	Ngành	% DA JD	Salary Range	Công ty tiêu biểu
1	E-commerce / Marketing	~35%	12-35M	Shopee, Lazada, Tiki, TikTok Shop
2	Banking / Finance	~28%	15-45M	VPBank, Techcombank, VIB, MB
3	Manufacturing / Supply Chain	~18%	14-38M	Vinamilk, Masan, Unilever, Samsung
4	Tech / SaaS	~12%	18-50M	VNG, FPT, Zalo, KMS
5	Healthcare / Pharma	~7%	15-35M	Vinmec, Abbott, Roche

Self-Learning Domain Knowledge

Cách học	Ví dụ	Thời gian
Đọc industry reports	McKinsey, Deloitte, BCG industry reports	2-3 báo cáo/tuần
Follow industry blogs	Marketing: Neil Patel; Finance: Investopedia; SC: Supply Chain Dive	30 phút/ngày
Kaggle datasets	Tìm dataset ngành → phân tích → viết notebook	1 project/2 tuần
LinkedIn networking	Kết nối DA trong ngành, hỏi về daily work	Ongoing
Mock interviews	Tìm câu hỏi DA phỏng vấn theo ngành	1-2 session/tuần

💡 Lời khuyên cho người mới

Không cần chọn ngành ngay từ đầu. Hãy:

Thử cả 3 dataset trong workshop Buổi 14 — xem ngành nào bạn thấy thú vị nhất
Làm 1 portfolio project trong ngành đó
Networking với DA đang làm trong ngành
Apply — domain knowledge 80% sẽ học on-the-job, 20% cần chuẩn bị trước

🔗 Kết nối toàn bộ

Industry Analytics trong hành trình DA

Buổi	Kỹ năng	Industry Analytics liên quan
Buổi 7-8	Python + Pandas	Clean data marketing/finance/supply chain
Buổi 9	EDA	Explore patterns trong industry-specific data
Buổi 10-11	Visualization + BI	Dashboard KPI theo ngành
Buổi 12	Data Storytelling	Present industry insights cho stakeholders
Buổi 13	Business Metrics	KPI, funnel, cohort — foundation cho mọi ngành
Buổi 14	Industry Case Studies	Apply metrics vào Marketing, Finance, Supply Chain

Checklist "Industry Analytics Literacy"

✅ Marketing: Tính CTR, CVR, CPC, CPA, ROAS
✅ Marketing: Hiểu attribution models (first/last/multi-touch)
✅ Marketing: Thực hiện RFM analysis & segmentation
✅ Marketing: Biết A/B testing flow cơ bản
✅ Finance: Đọc P&L statement (Revenue → Net Income)
✅ Finance: Thực hiện Variance Analysis (actual vs budget)
✅ Finance: Tính financial ratios (margin, ROI, ROE)
✅ Finance: Hiểu Cash Flow vs Revenue
✅ Supply Chain: Tính Inventory Turnover, Days of Supply
✅ Supply Chain: Hiểu Fill Rate, OTIF, Stockout Rate
✅ Supply Chain: Demand forecasting basics
✅ Supply Chain: Supplier performance scorecard
✅ Domain: Biết top industries tuyển DA tại VN
✅ Domain: Hiểu Vertical vs Horizontal vs T-Shape career

📚 Tài liệu tham khảo

Tài liệu	Tác giả	Nội dung chính
Marketing Analytics	Wayne Winston	RFM, attribution, campaign analysis
Financial Intelligence	Karen Berman & Joe Knight	P&L, cash flow, financial ratios cho non-finance
Supply Chain Management	Sunil Chopra	Inventory, demand planning, logistics optimization
Lean Analytics	Alistair Croll & Ben Yoskovitz	Industry-specific metrics by business model
Competing on Analytics	Thomas Davenport	How companies use analytics for competitive advantage
The SCOR Model	APICS / ASCM	Supply chain reference model chuẩn quốc tế

🎯 Bài tập và thực hành

Workshop: Chọn 1 trong 3 datasets (Marketing/Finance/Supply Chain) → phân tích end-to-end + mini dashboard
Case Study: Meta Ads marketing analytics, VPBank finance analytics, Vinamilk supply chain
Mini Game: Industry Analyst — 7 vòng mix 3 ngành, chọn insight đúng
Blog: Câu chuyện Thanh — junior DA chọn career path giữa 3 ngành
Tiêu chuẩn: RFM Framework, SCOR Model, Financial Reporting Standards

📘 Buổi 14: Industry Case Studies — Marketing, Finance, Supply Chain ​

🎯 Mục tiêu buổi học ​

📋 Tổng quan ​

📌 Phần 1: Marketing Analytics — Campaign, Attribution, RFM ​

Marketing Data Landscape ​

KPI cốt lõi cho Marketing Analytics ​

Channel Attribution — Ai ghi bàn? ​

RFM Analysis — Phân loại khách hàng ​

A/B Testing Introduction ​

📌 Phần 2: Finance Analytics — Budget, Variance, Financial Ratios ​

Finance Data Landscape ​

KPI cốt lõi cho Finance Analytics ​

Variance Analysis — Actual vs Budget ​

P&L Statement — Báo cáo Kết quả Kinh doanh ​

Cash Flow Basics ​

📌 Phần 3: Supply Chain Analytics — Inventory, Demand, Logistics ​

Supply Chain Data Landscape ​

KPI cốt lõi cho Supply Chain Analytics ​

Inventory Metrics Deep Dive ​

Demand Forecasting Basics ​

Supplier Performance Scorecard ​

📌 Phần 4: Chọn ngành & Domain Knowledge ​

Why Domain Matters ​

So sánh 1 ngày làm việc của DA ở 3 ngành ​

Vertical vs Horizontal Career ​

Top Industries tuyển DA tại Việt Nam (2025-2026) ​

Self-Learning Domain Knowledge ​

🔗 Kết nối toàn bộ ​

Industry Analytics trong hành trình DA ​

Checklist "Industry Analytics Literacy" ​

📚 Tài liệu tham khảo ​

🎯 Bài tập và thực hành ​

📘 Buổi 14: Industry Case Studies — Marketing, Finance, Supply Chain

🎯 Mục tiêu buổi học

📋 Tổng quan

📌 Phần 1: Marketing Analytics — Campaign, Attribution, RFM

Marketing Data Landscape

KPI cốt lõi cho Marketing Analytics

Channel Attribution — Ai ghi bàn?

RFM Analysis — Phân loại khách hàng

A/B Testing Introduction

📌 Phần 2: Finance Analytics — Budget, Variance, Financial Ratios

Finance Data Landscape

KPI cốt lõi cho Finance Analytics

Variance Analysis — Actual vs Budget

P&L Statement — Báo cáo Kết quả Kinh doanh

Cash Flow Basics

📌 Phần 3: Supply Chain Analytics — Inventory, Demand, Logistics

Supply Chain Data Landscape

KPI cốt lõi cho Supply Chain Analytics

Inventory Metrics Deep Dive

Demand Forecasting Basics

Supplier Performance Scorecard

📌 Phần 4: Chọn ngành & Domain Knowledge

Why Domain Matters

So sánh 1 ngày làm việc của DA ở 3 ngành

Vertical vs Horizontal Career

Top Industries tuyển DA tại Việt Nam (2025-2026)

Self-Learning Domain Knowledge

🔗 Kết nối toàn bộ

Industry Analytics trong hành trình DA

Checklist "Industry Analytics Literacy"

📚 Tài liệu tham khảo

🎯 Bài tập và thực hành