Data Analyst 2.0 — Là phiên bản tốt hơn của “chính mình”

Nếu bạn là một Data Analyst, Business Intelligence Analyst đang vật lộn với công việc hằng ngày và nghi ngờ về giá trị mà công việc này mang lại cho doanh nghiệp, hoặc, bạn cảm thấy giá trị và danh tiếng của nghề này có xu hướng sụt giảm trong 1–2 năm tới, thì bài viết này dành cho bạn.

Data Analyst (DA) hiện nay

Vài năm trở lại đây, khi các doanh nghiệp bắt đầu áp dụng văn hóa “data-driven decision making” thì thời của DA đã đến. DA cung cấp cho doanh nghiệp các dashboard màu sắc, rõ ràng và các báo cáo Excel đã được chắt lọc, giúp người ra quyết định có đủ thông tin.

Mọi thứ có vẻ vẫn ổn, cho tới khi doanh nghiệp phát triển hơn, dữ liệu được thu thập ngày càng nhiều, nhu cầu về dữ liệu tăng lên cấp số nhân. Và DA trở nên loay hoay với công việc của họ. Họ bị bủa vây với một hàng dài các dashboard cần xây dựng, các ad-hoc request và loạt công việc không tên: viết câu queries cho team Sales, lấy số liệu cho Kế toán và Marketing, xử lý dữ liệu thô vì Dev bắn log không đồng nhất format, xử lý định dạng dữ liệu khi lấy từ bên thứ 3 (thường rất lộn xộn và hay thay đổi)…Tốn quá nhiều thời gian vào các công việc không tên, DA không có đủ thời gian để tạo ra “insights” cho doanh nghiệp, vô hình chung giá trị của DA bị giảm sút trong mắt các team khác (thường là team Business).

Lúc này, phân tích dữ liệu bước tới giai đoạn chuyên môn hóa, chia ra nhiều nghề: Data Engineer (DE), Data Scientist (DS), Analytic Engineer,…Thu nhập của DA cũng bị ảnh hưởng với sự lên ngôi và khan hiếm nhân sự DE, DS (*). Các DA buộc phải lựa chọn phát triển theo hướng Analytic Engineer, Data Scientist, Data Engineer có chuyên môn kĩ thuật, theo đuổi các giá trị lâu dài HOẶC tiếp tục gắn bó với Business, tạo ra “insights” cho doanh nghiệp.

(*) Theo khảo sát của Stack Overflow tại đây .

Image courtesy of Count with permission.

Cơ hội, thách thức và rủi ro

Bất cứ sự chuyển dịch nào cũng có cơ hội, thách thức đi kèm rủi ro.

Về phía doanh nghiệp: bên cạnh các lợi ích khi tuyển dụng và đào tạo đội ngũ nhân sự phân tích dữ liệu đi theo hướng chuyên môn hóa, việc đánh giá thấp vai trò của DA, tuyển dụng DE, DS theo xu hướng có thể mang lại rủi ro.

  • Khi dữ liệu còn ít và thô sơ, tuyển dụng DE và DS được hình dung như “lấy dao mổ trâu đi giết gà” gây lãng phí nguồn lực.
  • Khi dữ liệu đồ sộ và cơ sở hạ tầng tốt, dữ liệu chỉ mang lại giá trị khi nó rõ ràng, có thể sử dụng và có thể tạo ra “actionable insights” cho Business. Và không ai có thể đảm nhiệm vai trò chuyển đổi dữ liệu thô sang insights tốt hơn DA. Đánh giá thấp vai trò của DA là vô tình làm giảm giá trị của dữ liệu trong doanh nghiệp.

Về phía DA: đi theo hướng chuyên môn hóa là điều bắt buộc và được tặng kèm nhiều áp lực, thách thức .

  • Phát triển theo hướng chuyên sâu kĩ thuật: Trong các doanh nghiệp, không phải lúc nào cũng có lộ trình để train DA và cho họ cơ hội để cọ sát với công việc của DE, DS. DA buộc phải học thêm nhiều technical skill để đáp ứng các tiêu chuẩn cao hơn về chuyên môn kĩ thuật. Ví dụ: hồi xưa bạn chỉ biết vào ERP xuất file về làm báo cáo thì bây giờ phải tìm hiểu nào là Spark, Mongodb, HDFS, Google Big Query, Python, R, cách tra cứu Stack Overflow, ti tỉ các syntax, thuật toán…

Thách thức thì đi kèm cơ hội, với các bạn DA chuyên môn hóa thành công thì con đường sự nghiệp sẽ rõ ràng hơn và thu nhập cũng gia tăng đáng kể.

  • Khi quyết định quay trở lại làm việc sâu sát với Business (thường là các vị trí DA thuộc team Business thay vì Centralized Data team), DA bắt buộc phải hiểu business và chủ động trong quá trình phân tích, tạo ra insights (business mindset and take initiatives).

Trước đây, công việc DA được xem là hoàn tất khi cung cấp các báo cáo, biểu đồ, dashboard, và hướng dẫn Business đọc hiểu. Các insights của DA nghiêng về cập nhật thông tin, trình bày kết quả trong quá khứ. Cùng với sự phát triển của doanh nghiệp, sự phức tạp của tổ chức, sản phẩm, thị trường, DA buộc phải đưa ra được các “actionable insights”, mang tính gợi mở và “dẫn dường” cho Business, giúp Business ra quyết định nhanh và chính xác hơn.

Đó được xem như chặng cuối (The Last Mile) của công việc phân tích dữ liệu.

Image courtesy of Count with permission.

Đi sâu cùng Business, tạo ra giá trị cho doanh nghiệp sẽ giúp bạn được công nhận năng lực (đi kèm thu nhập tăng lên), cơ hội chuyển hướng sang làm Business Owner, hoặc Strategy, hoặc những vị trí thú vị khác.

Biết đâu là sân chơi của mình, DA sẽ chủ động trau đồi skill set, nền tảng, tư duy để sẵn sàng cho các vị trí mới.

Business Data Analyst 2.0

Vậy đâu là hành trang cho các DA đi theo hướng Business?

Khả năng kể chuyện và dịch thuật (story telling and data translation)

Kể chuyện bằng dữ liệu luôn là một thuật ngữ “hot” và cần thời gian để trau dồi. Ngoài khả năng giao tiếp và vốn từ ngữ đủ nhiều để câu chuyện trở nên hấp dẫn, DA cần khả năng dịch thuật dữ liệu “data translation”.

Đây là một kĩ năng khó nhằn và đang bị bỏ qua. DA phải đọc hiểu dữ liệu và liên kết vào bối cảnh kinh doanh để giải thích một cách đơn giản, dễ hiểu và có ý nghĩa với Business. Ngoài ra, khi nhận được những yêu cầu không rõ ràng từ Business, DA cũng cần có khả năng làm rõ, đào sâu và chuyển chúng thành các chỉ số, biểu đồ cụ thể, tiết kiệm thời gian cho các bên liên quan.

McKinsey có một bài viết chi tiết tại đây.

Khả năng tạo thuận lợi cho việc ra quyết định (Decision facilitation)

Khi việc ra quyết định ngày càng phức tạp, Business sẽ cần nhiều dữ liệu để hỗ trợ. Khi cung cấp dữ liệu cho Business, DA buộc phải nắm rõ một số nguyên tắc và phương pháp sau đây:

  • Cung cấp dữ liệu chính xác và kịp thời: trong một số hoàn cảnh, Business cần số liệu để ra quyết định nhanh, DA cần sắp xếp công việc, sử dụng các chỉ số và hình thức báo cáo phù hợp để tiết kiệm tối đa thời gian tính toán và trình bày. Ví dụ: Marketing cần các chỉ số về CTR để quyết định có thay đổi banner và content ngay trong ngày Black Friday hay không. Câu trả lời của DA nên là vài chỉ số CTR của campaign hiện tại và vài campaign trước đây, ở một số vị trí onsite để Marketing có thể so sánh và ra quyết định ngay lập tức. Tại thời điểm đó, Marketing không cần 1 file powerpoint 30 slides phân tích, so sánh CTR của 30 campaigns khác nhau.
  • Viết và truyền tải các phân tích có giá trị: một phân tích có giá trị khi hội tụ đủ bối cảnh kinh doanh (business context), giải thích phương pháp và kết quả phân tích, đề xuất (recommendation) và đánh giá mức độ ảnh hưởng khi áp dụng các đề xuất đã nêu ra.

Đọc thêm về cách để viết một phân tich có sức nặng từ Bukalapak Data team tại đây .

  • Xây dựng sự tự tin trong việc ra quyết định: điều này đặc biệt quan trọng với các công ty thường triển khai A/B testing. Việc rõ ràng, cụ thể, không lệch lạc trong suốt quá trình phân tích dữ liệu thử nghiệm sẽ giúp người ra quyết định tự tin chọn được sản phẩm tốt hơn trước khi roll out diện rộng. Kĩ năng này cực kì khó :(

Tham khảo chuỗi bài viết về chủ đề này của Netflix .

Rồi…sao nữa?

Đọc bài viết này chỉ mất 7 phút nhưng để trở thành một Data Analyst 2.0 thì không phải là chuyện một sớm một chiều.

Xác định lại vai trò, kĩ năng mà một DA 2.0 cần sẽ giúp DA và cả Business hiểu và hợp tác với nhau hiệu quả hơn.

Hiring Managers/ Business Partners: nếu thật tâm bạn muốn tuyển một DA giúp giải quyết các bài toán của Business, hãy tìm người có định hướng nghề nghiệp và kĩ năng phù hợp. Hãy cho họ một sân chơi đủ rộng và thử thách, nuôi dưỡng họ bằng những câu hỏi hay và công nhận giá trị họ mang lại cho Business.

Data Analyst sắp thành phiên bản tốt hơn: nếu thật tâm bạn muốn trở nên tốt hơn, hãy xác định bạn muốn phát triển theo hướng nào (DA làm sâu với Business hay DE, DS). Từ đó, bạn cần có lộ trình tự trang bị các kĩ năng và kiến thức chuyên môn phù hợp, hoặc đề xuất với doanh nghiệp và quản lý để được tạo cơ hội.

Phía cuối con đường chông gai luôn có quả ngọt đợi các bạn. Đừng nản lòng!

A Sr. Business Intelligence Analyst in Fintech and Ecommerce

A Sr. Business Intelligence Analyst in Fintech and Ecommerce