Appearance
📝 DA ở Shopee khác DA ở ngân hàng ở chỗ nào?
Mở đầu — "3 ngành, 3 thế giới khác nhau"
Thanh, 26 tuổi, junior Data Analyst vừa tốt nghiệp chương trình đào tạo DA tại một trung tâm ở TP.HCM. SQL thành thạo, Python ổn, Power BI dashboard đẹp, biết kể chuyện data. Thanh tự tin nộp hồ sơ — và nhận được 3 offer cùng lúc:
- MKT Offer: Marketing DA tại BrightAds — agency digital marketing, 45 nhân viên
- Finance Offer: Risk Analytics tại VietCapital Bank — ngân hàng cỡ vừa, 2,200 nhân viên
- Supply Chain Offer: Demand Planning Analyst tại FreshMart — chuỗi siêu thị FMCG, 1,800 nhân viên
Lương gần bằng nhau: 14-16 triệu. Thanh không biết chọn ai. Bạn bè khuyên: "Ngành nào cũng như nhau, DA thì ở đâu chẳng query SQL." Nhưng Thanh tò mò — thực sự DA ở 3 ngành này khác nhau thế nào?
Thanh quyết định làm điều mà ít ai dám: xin thử việc 1 tháng ở mỗi nơi — 3 tháng, 3 ngành, 3 thế giới hoàn toàn khác nhau. (BrightAds và FreshMart đồng ý vì đang cần người gấp. VietCapital cho thử vì có chương trình trainee.)
"Mình muốn biết mình thích ngành nào trước khi commit," Thanh giải thích.
Phần 1: Tháng 1 — Marketing DA tại BrightAds
Tuần đầu: "Data ở đây chạy nhanh lắm"
BrightAds quản lý ad campaigns cho 15 brands — từ thời trang, mỹ phẩm đến F&B. Thanh được assign vào team chạy campaign cho GlowUp — thương hiệu skincare target Gen Z.
Ngày đầu tiên, team lead — chị Ngân, 29 tuổi, Senior Marketing DA — đưa Thanh access vào:
- Facebook Ads Manager (campaign data)
- Google Analytics 4 (website behavior)
- Shopee Ads Dashboard (marketplace)
- Internal CRM (customer purchase history)
Thanh ngỡ ngàng: data ở đây real-time, thay đổi từng giờ. Campaign launch sáng, chiều đã phải report: "CTR bao nhiêu? CPC có exceed target không? Nên tăng budget hay kill ad?"
Tuần 2: "RFM và Attribution — 2 thứ quan trọng nhất"
Chị Ngân giao Thanh bài toán đầu tiên: phân tích hiệu quả 3 channel cho GlowUp — Facebook, TikTok, Google Shopping.
python
# Thanh's first marketing analysis
channels = {
'Facebook': {'spend': 180_000_000, 'revenue': 756_000_000, 'customers': 3200},
'TikTok': {'spend': 120_000_000, 'revenue': 288_000_000, 'customers': 2800},
'Google Shopping': {'spend': 95_000_000, 'revenue': 475_000_000, 'customers': 1500},
}
for ch, data in channels.items():
roas = data['revenue'] / data['spend']
cac = data['spend'] / data['customers']
print(f"{ch:18s} | ROAS: {roas:.1f}x | CAC: {cac:,.0f} VND")
# Output:
# Facebook | ROAS: 4.2x | CAC: 56,250 VND
# TikTok | ROAS: 2.4x | CAC: 42,857 VND
# Google Shopping | ROAS: 5.0x | CAC: 63,333 VNDThanh report: "Google Shopping ROAS cao nhất 5.0x, nên tăng budget Google." Chị Ngân lắc đầu:
"Đúng nhưng chưa đủ. Google Shopping đa số là last-touch — khách đã biết sản phẩm, search tên brand rồi mua. Facebook và TikTok là top-of-funnel — tạo awareness. Nếu cắt Facebook/TikTok, 3 tháng sau Google Shopping cũng giảm vì không ai search brand nữa."
Bài học lớn đầu tiên: Attribution model thay đổi hoàn toàn cách nhìn channel performance. Last-touch cho Google credit quá nhiều. Multi-touch mới phản ánh reality.
Tuần 3, chị Ngân cho Thanh làm RFM analysis cho GlowUp customers. Thanh phân 12,000 customers thành 8 segments — phát hiện "Cant Lose Them" segment (520 khách) có LTV trung bình 2.8 triệu nhưng 65% đã inactive 60+ ngày. Thanh đề xuất win-back email campaign cho nhóm này. Result: 18% quay lại mua trong 2 tuần, revenue 265 triệu từ campaign 8 triệu chi phí email.
"Marketing data moves fast," Thanh ghi nhận. "Mọi thứ đo bằng tuần, không phải tháng. Campaign launch hôm nay, mai phải optimize."
Marketing DA — Tổng kết
| Aspect | Nhận xét của Thanh |
|---|---|
| Tốc độ | Rất nhanh — data thay đổi từng giờ, quyết định trong ngày |
| KPI chính | CTR, CVR, ROAS, CAC, RFM segments |
| Stakeholder | Marketing Manager, Brand Manager — muốn insight nhanh, actionable |
| Thích | Thấy impact ngay — optimize campaign → revenue tăng hôm sau |
| Không thích | Áp lực real-time cao, khó có thời gian deep analysis |
Phần 2: Tháng 2 — Finance DA tại VietCapital Bank
Tuần đầu: "Chậm lại, chính xác tuyệt đối"
VietCapital Bank hoàn toàn khác BrightAds. Ngày đầu, Thanh phải ký NDA (Non-Disclosure Agreement) 5 trang, training compliance 2 ngày, được cấp laptop riêng không cài được app ngoài. Data access qua VPN + 2FA.
Team lead — anh Khoa, 33 tuổi, Senior Finance Analyst — nói rõ: "Ở đây, 1 số sai = hàng tỷ sai. Report cho NHNN (Ngân hàng Nhà nước) mà sai con số → phạt. Report cho Board mà sai → mất uy tín. Accuracy > speed."
Data sources:
- Core Banking System (T24) — tài khoản, giao dịch, khoản vay
- Risk Database — credit scoring, NPL (Non-Performing Loans)
- Treasury System — lãi suất, thanh khoản
- Regulatory Reporting — Basel III compliance
Tuần 2: "Variance analysis — detective tài chính"
Anh Khoa giao Thanh bài toán: Revenue variance Q4/2025 — tại sao net interest income (NII) thấp hơn budget 8%?
python
# Thanh's variance analysis at VietCapital
import pandas as pd
variance = pd.DataFrame({
'category': ['Interest Income', 'Interest Expense', 'Net Interest Income',
'Fee Income', 'Operating Expense', 'Provision', 'Pre-tax Profit'],
'budget_bn': [2850, 1710, 1140, 285, 570, 228, 627], # tỷ VND
'actual_bn': [2735, 1690, 1045, 310, 598, 285, 472]
})
variance['variance_bn'] = variance['actual_bn'] - variance['budget_bn']
variance['var_pct'] = (variance['variance_bn'] / variance['budget_bn'] * 100).round(1)
for _, r in variance.iterrows():
flag = '🟢' if r['variance_bn'] >= 0 else '🔴'
print(f" {flag} {r['category']:22s} | Budget: {r['budget_bn']:>5,} | Actual: {r['actual_bn']:>5,} | Var: {r['variance_bn']:>+5,} tỷ ({r['var_pct']:>+5.1f}%)")Thanh phát hiện: NII giảm vì loan portfolio mix thay đổi — bank cho vay nhiều hơn vào corporate loans (lãi suất thấp 8-9%) thay vì retail loans (lãi suất 12-15%). Volume tăng nhưng margin giảm. Provision (dự phòng rủi ro) cũng tăng 25% vì vài khoản vay corporate có dấu hiệu xấu.
"Ở marketing, mình đo ROAS và optimize hàng ngày. Ở ngân hàng, mình phân tích variance hàng quý — nhưng mỗi insight ảnh hưởng hàng trăm tỷ," Thanh nhận ra.
Tuần 3: "Risk scoring — data cứu ngân hàng"
Anh Khoa show Thanh hệ thống credit scoring — model dự đoán xác suất khách vay không trả được nợ (PD — Probability of Default):
| Feature | Weight | Ý nghĩa |
|---|---|---|
| Credit history | 35% | Lịch sử trả nợ |
| Debt-to-income | 25% | Tỷ lệ nợ/thu nhập |
| Employment stability | 15% | Ổn định công việc |
| Collateral value | 15% | Giá trị tài sản thế chấp |
| Relationship length | 10% | Thời gian quan hệ với bank |
"Nếu model cho PD = 8%, nghĩa là khách có 8% khả năng default trong 12 tháng. Bank cho vay 500 triệu → expected loss = 40 triệu. Provision phải cover con số đó," anh Khoa giải thích.
Finance DA — Tổng kết
| Aspect | Nhận xét của Thanh |
|---|---|
| Tốc độ | Chậm hơn — report monthly/quarterly, nhưng impact rất lớn |
| KPI chính | NII, NIM, NPL ratio, Cost-to-Income, ROE, Basel ratios |
| Stakeholder | CFO, Board, Regulators (NHNN) — yêu cầu accuracy tuyệt đối |
| Thích | Mỗi analysis ảnh hưởng hàng trăm tỷ, cảm giác "heavy" |
| Không thích | Bureaucracy nhiều, compliance nặng, data access chậm |
Phần 3: Tháng 3 — Supply Chain DA tại FreshMart
Tuần đầu: "Data ở đây có mùi — literally"
FreshMart — chuỗi 85 siêu thị trên toàn quốc, bán FMCG + fresh food. Thanh vào team Demand Planning — dự báo nhu cầu để đặt hàng từ nhà cung cấp.
Team lead — anh Đức, 31 tuổi, Supply Chain Analyst — dẫn Thanh ra kho: "DA ở đây phải hiểu hàng thật, không chỉ data trên màn hình. Sữa tươi hạn 7 ngày — forecast sai 10% = đổ bỏ hàng trăm triệu. Rau organic hạn 3 ngày — forecast sai = vứt luôn."
Data sources:
- POS System — doanh thu từng SKU, từng cửa hàng, từng giờ
- Warehouse Management System (WMS) — tồn kho, incoming shipments
- Supplier Portal — lead times, MOQ (Minimum Order Quantity)
- Weather API — ảnh hưởng demand (nắng nóng → nước giải khát tăng 40%)
Tuần 2: "Inventory turnover — bài toán sống còn"
Anh Đức giao Thanh: phân tích inventory turnover cho 5 category chính — tìm hàng quay chậm (đọng vốn) và hàng quay quá nhanh (hết hàng).
python
# Thanh's inventory analysis at FreshMart
categories = {
'Sữa tươi': {'avg_inventory': 45000, 'monthly_sold': 38000, 'shelf_life': 7},
'Nước ngọt': {'avg_inventory': 120000, 'monthly_sold': 25000, 'shelf_life': 180},
'Rau organic': {'avg_inventory': 8000, 'monthly_sold': 7200, 'shelf_life': 3},
'Bột giặt': {'avg_inventory': 85000, 'monthly_sold': 12000, 'shelf_life': 730},
'Snack import': {'avg_inventory': 35000, 'monthly_sold': 4500, 'shelf_life': 120},
}
print("📦 INVENTORY ANALYSIS — FreshMart")
for cat, data in categories.items():
turnover = (data['monthly_sold'] * 12) / data['avg_inventory']
dos = data['avg_inventory'] / (data['monthly_sold'] / 30)
risk = '🔴 Overstock' if dos > data['shelf_life'] * 0.7 else '🟢 OK'
print(f" {cat:15s} | Turnover: {turnover:5.1f}x/year | DOS: {dos:4.0f} days | Shelf life: {data['shelf_life']:>4d}d | {risk}")Kết quả sốc: Snack import có DOS = 233 ngày nhưng shelf life chỉ 120 ngày — nghĩa là 1/3 hàng nhập sẽ hết hạn trước khi bán được! FreshMart đang đổ bỏ ~15 triệu/tháng only cho snack import vì overstock.
Thanh đề xuất: giảm MOQ đặt hàng snack import, chuyển sang order frequency cao hơn, batch nhỏ hơn — đổi từ 1 lần/tháng sang 2 lần/tháng. Kết quả sau 4 tuần: waste giảm 60%, tiết kiệm ~9 triệu/tháng.
Tuần 3: "Demand forecasting — predict để survive"
Thanh xây model demand forecast cho sữa tươi — sản phẩm nhạy cảm nhất (shelf life 7 ngày):
| Factor | Impact | Ví dụ |
|---|---|---|
| Day of week | +25% weekend | Gia đình mua sữa cuối tuần |
| Promotion | +40-60% | Mua 2 tặng 1 |
| Weather | +15% cold, -10% hot | Nắng nóng → chuyển nước giải khát |
| Holiday | +80-100% | Tết, lễ — demand spike |
| Competitor promo | -15% | Đối thủ giảm giá → khách chuyển |
"Supply chain data moves daily," Thanh ghi nhận. "Không real-time như marketing, không quarterly như finance. Nhưng sai 1 ngày = hàng thối."
Supply Chain DA — Tổng kết
| Aspect | Nhận xét của Thanh |
|---|---|
| Tốc độ | Daily — forecast hàng ngày, check inventory sáng/chiều |
| KPI chính | Turnover, DOS, Fill Rate, OTIF, Waste Rate, Demand Accuracy |
| Stakeholder | Operations Manager, Procurement, Store Managers |
| Thích | Tangible impact — thấy hàng thật, optimize thật, tiết kiệm thật |
| Không thích | Data messy (POS lỗi, WMS không sync), less "glamorous" than marketing |
Phần 4: Quyết định — "Mình thuộc về đâu?"
Sau 3 tháng, Thanh ngồi lại so sánh:
| Tiêu chí | Marketing DA | Finance DA | Supply Chain DA |
|---|---|---|---|
| Pace | ⚡ Real-time | 🕐 Monthly/Quarterly | 📅 Daily/Weekly |
| Accuracy pressure | Medium — 5% sai chấp nhận | Very High — 0.1% sai = vấn đề | High — sai = waste |
| Impact visibility | Ngay lập tức — ROAS tăng hôm sau | Delayed — impact sau 3-6 tháng | 1-4 tuần — thấy inventory thay đổi |
| Salary growth | 12-35M → 50M+ (CMO track) | 15-45M → 70M+ (CFO track) | 14-38M → 55M+ (COO track) |
| Culture | Creative, fast, startup-ish | Formal, regulated, hierarchical | Practical, operational, hands-on |
Thanh chọn FreshMart — Supply Chain DA.
Lý do: "Mình thích thấy impact thật. Marketing impact qua số trên dashboard. Finance impact qua report quý. Nhưng supply chain — mình đi ra kho, thấy hàng thật, optimize thật, waste giảm thật. Tangible. Và demand forecasting rất addictive — predict đúng = cảm giác như 'thắng' mỗi ngày."
6 tháng sau, Thanh được promote lên Demand Planning Analyst chính thức, phụ trách forecast cho 3 category FMCG. Thanh xây automation pipeline dùng Python — từ data extraction đến forecast output — giảm manual work 70%.
Bài học rút ra
💡 5 Bài học từ câu chuyện của Thanh
1. Cùng skill set, khác domain = khác hoàn toàn. SQL, Python, Power BI giống nhau. Nhưng KPI Marketing (ROAS, CTR) hoàn toàn khác Finance (NIM, NPL) và Supply Chain (Turnover, OTIF). Domain knowledge biến DA chung chung thành DA chuyên ngành.
2. Try before you commit. Thanh dám thử 3 ngành trước khi chọn. Hầu hết DA chọn ngành đầu tiên nhận offer mà không biết mình thích gì — rồi 2 năm sau muốn chuyển. Hãy nghiên cứu trước.
3. Pace, accuracy, impact — chọn cái phù hợp tính cách. Bạn thích real-time, fast-paced → Marketing. Thích chính xác, big impact → Finance. Thích tangible, hands-on → Supply Chain.
4. Domain knowledge 80% học on-the-job. Thanh không biết gì về NIM hay Inventory Turnover trước khi bắt đầu. 3 tuần immersion = đủ để contribute. Đừng sợ "mình không biết ngành."
5. T-Shape là optimal. Thanh chọn Supply Chain nhưng hiểu cả Marketing và Finance. Khi FreshMart cần phân tích marketing ROI hoặc budget variance, Thanh là người duy nhất trong team SC biết làm. Cross-domain DA rất hiếm — và rất valuable.
Thanh vẫn giữ liên lạc với chị Ngân (BrightAds) và anh Khoa (VietCapital). Mỗi tháng, 3 người gặp nhau uống cà phê và chia sẻ: "Ngành mình có gì mới?" Thanh gọi đó là "domain exchange" — cách rẻ nhất để build T-Shape career mà không cần nhảy việc.