Ebook Chuẩn bị CV - Chuẩn bị làm Data Analyst

SCRIPT
MCI Consulting & Analytics

Nurturing a Digital Vietnam
Biên soạn bởi:

MCI Việt Nam
EBOOK
CAREER
COACHING
"Nurturing a
Digital Vietnam"
Nuôi dưỡng sức
mạnh và nền tảng
cho các học viên
trên con đường
theo đuổi đam mê,
chinh phục công
nghệ.
02471068368
cskh@mcivietnam.com
https://mcivietnam.com
CÔNG TY CỔ PHẦN TƯ VẤN MCI VIỆT NAM
Số 165/23/5 Thái Hà, Đống Đa, Hà Nội
0982.521.378 | cskh@mcivietnam.com | https://mcivietnam.com
LỜI MỞ ĐẦU
Trên chặng đường hơn 3 năm phát triển, MCI đã không ngừng cải tiến, cập nhật kiến thức về
Big Data cho mỗi học viên. Bởi hơn ai hết, chúng tôi hiểu rằng Data Analyst là con đường sự
nghiệp đầy khó khăn và thử thách. Sự phát triển mạnh mẽ của công nghệ số và dữ liệu đồng
nghĩa với việc bạn luôn phải cập nhật và trau dồi không chỉ kiến thức mà còn có kỹ năng của
mình. Sự khó khăn này còn tăng gấp đôi đối với những học viên có xuất phát điểm từ những
ngành khác như Kinh tế, Tài chính, Marketing,..Vì bạn phải chấp nhận bắt đầu lại từ con số 0
để theo đuổi đam mê giải mã các con số.
Chính vì sự mới lạ, thú vị của ngành Data Analyst mà ngày càng nhiều thông tin khiến người
đọc hoang mang. Có lẽ, đôi ba lần bạn cũng chóng mặt trước những thông tin như lộ trình nghề
nghiệp, bài test phỏng vấn hay CV như thế nào là chuẩn. Trên hết, vì là ngành mới trong thị
trường việc làm nên job description đôi khi cũng là ẩn số khó đoán. Có công ty yêu cầu bạn
phải biết SQL, Google Data Studio. Có công ty lại yêu cầu bạn phải biết Python hay Tableau.
Sự trăn trở ngày hôm nay của bạn cũng chính là sự trăn trở mỗi ngày của MCI. Bởi, chúng tôi
không chỉ cung cấp cho bạn kiến thức sâu rộng mà còn cho bạn hành trang vững chắc cho con
đường sự nghiệp phía trước. MCI hiểu được rằng, học viên của mình không chỉ là sinh viên
mà còn là nhân viên ở các lĩnh vực khác nhau. Có học viên đã có kinh nghiệm phỏng vấn, có
học viên mới bắt đầu hành trình sự nghiệp. Chính vì điều này, Ebook Chuẩn bị CV - Chuẩn
bị làm Data Analyst là hành trang mà MCI chuẩn bị cho bạn. Với nội dung xoay quanh chủ
đề về tổng quan các ngành, kỹ năng và kiến thức chuyên môn, CV và vòng phỏng vấn cũng
như các chứng chỉ dành cho Data Analyst sẽ giúp bạn có cái nhìn bao quát và sâu rộng trước
sự hấp dẫn của ngành Data Analyst. Hy vọng, đây sẽ là hành trang bổ ích đồng hành cùng bạn
trong con đường phát triển sự nghiệp phía trước.
MCI Consulting & Analytics
MCI CONSULTING & ANALYTICS LÀ LỰA CHỌN HÀNG ĐẦU TRONG LĨNH VỰC ĐÀO TẠO VÀ TRIỂN KHAI DỰ ÁN DỮ LIỆU LỚN VÀ CHUYỂN ĐỔI SỐ
1
MỤC LỤC
LỜI MỞ ĐẦU ............................................................................................................................. 1

MỤC LỤC .................................................................................................................................. 2
CHƯƠNG 01: TỔNG QUAN CÁC VỊ TRÍ NGÀNH DATA ...................................................... 3
Phần 01: Thông Tin Về Vị Trí Data Analyst ........................................................................... 3
1.1 Giới thiệu ngành Data Analyst ....................................................................................... 3
1.2 Các kỹ năng của chuyên viên phân tích dữ liệu .............................................................. 4
Phần 02: Thông Tin Vị Trí Data Science ................................................................................. 6
2.1 Giới thiệu ngành Data Science ....................................................................................... 6
2.2 Các kỹ năng của Data Science ........................................................................................ 7
CHƯƠNG 2: CV XỊN CHINH PHỤC NHÀ TUYỂN DỤNG ...................................................... 9
Phần 01: Hướng Dẫn Viết CV Chuẩn Data Analyst ................................................................ 9
Phần 02: Một Số Mẹo Giúp Bạn Trình Bày Cv Ấn Tượng .................................................... 14
CHƯƠNG 3: 1001 CÂU HỎI PHỎNG VẤN CỦA NHÀ TUYỂN DỤNG ................................. 15
CHƯƠNG 4: CHỨNG CHỈ DATA ANALYST NÂNG TẦM CV ............................................. 19
Phần 01: Top Các Chứng Chỉ “Quyền Lực” Ngành Data...................................................... 19
Phần 02: Các Chứng Chỉ Khác Cho Ngành Data .................................................................. 20
CHƯƠNG 5: CÁC BÀI TOÁN PHÂN TÍCH DỮ LIỆU TRONG DOANH NGHIỆP ............... 22
Phần 01: Case Study Trong Lĩnh Vực Ngân Hàng ................................................................ 22
Phần 02: Case Study Trong Lĩnh Vực Tài Chính .................................................................. 26
Phần 03: Case Study Trong Lĩnh Vực Sales .......................................................................... 31
Phần 04: Các Bài Toán Phân Tích Về Hr .............................................................................. 34
TỔNG KẾT............................................................................................................................... 37
TÀI LIỆU THAM KHẢO ........................................................................................................... 38
2
CHƯƠNG 01: TỔNG QUAN CÁC VỊ TRÍ NGÀNH DATA

Sự phát triển của dữ liệu vài năm gần đây đã tạo ra làn sóng mới trong thị trường việc
làm Việt Nam. Các công ty/ doanh nghiệp đều ráo riết tìm các ứng viên vị trí Data Analyst,
Data Scientist,.. để hỗ trợ phân tích dữ liệu khách hàng. Diễn đàn Kinh tế Thế giới (WEF) từng
nhận định rằng nhu cầu tuyển dụng ngành Phân tích dữ liệu tăng gấp 6 lần so với 5 năm trước.
Phó Chủ tịch Huawei- Ông Andrew Williamson cũng từng phát biểu rằng “Mọi người nghĩ
rằng dữ liệu là dầu mỏ mới của thế kỷ 21 nhưng thực ra không phải thế. Dầu mỏ là hữu hạn
còn dữ liệu là vô hạn. Trung bình mỗi cá nhân sẽ tạo ra 1.7GB dữ liệu trong một ngày.” Chính
vì thế, sức “hot” của các ngành nghề data chưa bao giờ giảm nhiệt. Cùng MCI khám phá các
vị trí nổi bật trong lĩnh vực dữ liệu này nhé!
Phần 01: Thông Tin Về Vị Trí Data Analyst

1.1 Giới thiệu ngành Data Analyst
Không quá bất ngờ khi cái tên Data Analyst lại chiếm vị trí đầu bảng trong danh sách
các ngành nghề trong lĩnh vực data. Data Analyst được hiểu là công việc liên quan đến thu
thập, phân loại và nghiên cứu các bộ dữ liệu khác nhau. Dữ liệu bạn dùng để phân tích có thể
đến từ nhiều nguồn khác nhau. Từ nội bộ của công ty cho đến dữ liệu được thu thập bên ngoài
khi bắt đầu một dự án.
Sau khi đã có bộ dữ liệu cần thiết, bạn sẽ tiến hành đến bước phân tích dữ liệu. Ở bước
này, dữ liệu được phân tích để tìm ra insight để xây dựng kế hoạch, chiến lược kinh doanh
trong tương lai. Ngoài ra, insight khách hàng sẽ giúp công ty hiểu khách hàng của mình đang
cần gì và muốn gì để từ đó phát triển sản phẩm và dịch vụ của công ty. Thêm một lý do các
công ty hiện nay đều có bộ phận phân tích dữ liệu bởi vì dựa vào dữ liệu lãnh đạo sẽ vận hành
doanh nghiệp tốt hơn.
Bước tiếp theo trong quy trình thực hiện 1 project của Data Analyst chính là trình bày
kết quả dữ liệu dưới dạng biểu đồ ( biểu đồ tròn, cột, đường,..), bản đồ hay đồ thị. Việc trực
quan hóa dữ liệu sẽ được hỗ trợ qua các công cụ như Power BI, Google Data Studio, Excel,..
Có thể thấy, phân tích dữ liệu là công việc có tầm quan trọng lớn đối với bất kỳ doanh
nghiệp, công ty nào. Khi đứng trước sự phát triển mạnh mẽ của kỷ nguyên số 4.0, dữ liệu có ở
khắp mọi nơi xung quanh chúng ta. Bạn có thể thu thập dữ liệu từ các trang mạng xã hội như
Facebook, Tiktok, Instagram,.. hay qua bảng khảo sát nhỏ trên đường hoặc qua phiếu ý kiến
3
khách hàng trong siêu thị. Chính vì điều đó, các công ty càng khao khát tìm hiểu khách hàng
sử dụng sản phẩm/ dịch vụ của họ đang có nhu cầu gì và cần thay đổi điều gì để đáp ứng nhu
cầu của khách hàng. Vì vậy, Data Analyst phải có kỹ năng tổng hợp, phân tích và diễn giải số
liệu một cách thiết thực và súc tích để công ty ngày một phát triển.
Chủ tịch tập đoàn Alphabet - ông Eric Schmidt và cố vấn cấp cao cho CEO Larry Page
- ông Jonathan Rosenberg từng cho rằng phân tích dữ liệu là một trong những kỹ năng mà các
sinh viên hiện nay cần phải có. Bên cạnh đó, ông Eric Schmidt nhấn mạnh “Những kiến thức
cơ bản về cách hoạt động của dữ liệu, phân tích và thống kê hay kiến cách đưa ra kết luận sau
khi phân tích dữ liệu là kỹ năng cực kỳ quan trọng đối với sinh viên hiện nay”. Từ đây có thể
kết luận, trước sự phát triển như vũ bão của dữ liệu, Data Analyst đã trở thành cái tên ngành
nghề được săn đón nhiều nhất.
1.2 Các kỹ năng của chuyên viên phân tích dữ liệu
1.2.1 Kỹ năng chuyên môn

Trước khi bắt đầu công việc ở bất kỳ lĩnh vực nào đó, bạn cần phải có kiến thức cơ bản
và kỹ năng chuyên môn của ngành nghề đó. Đối với Data Analyst, kỹ năng của bạn không chỉ
tập trung vào ngôn ngữ dữ liệu như SQL, Python,.. hay các công cụ Power BI, Tableau,.. mà
còn nhiều hơn thế nữa.
1.2.1.1 Kỹ năng trực quan hóa dữ liệu

Trực quan hóa dữ liệu là quá trình hiển thị, trình bày kết quả phân tích dữ liệu thông
qua đồ họa, biểu đồ hoặc bản đồ. Khi nhìn dữ liệu sau khi trực quan sẽ giúp Data Analyst hiểu
rõ hơn về ý nghĩa của từng dữ liệu. Điều này giúp bạn dễ dàng trình bày khi thuyết trình hay
báo cáo với lãnh đạo. Sau khi trực quan hóa dữ liệu, doanh nghiệp sẽ dựa vào số liệu của bạn
để đưa ra kế hoạch kinh doanh hoặc giải quyết mục tiêu ban đầu.
Với Data Analyst, đây là kỹ năng giúp bạn hiểu rõ hơn tình hình kinh doanh hiện tại
của công ty và đưa ra những định hướng đúng đắn để phát triển kinh doanh trong tương lai.
Theo một báo cáo ở trang SAS Insights cho biết “Trực quan hóa dữ liệu sẽ giúp các quy trình
phân tích dữ liệu diễn ra nhanh hơn. Chuyên viên phân tích dữ liệu cần có khả năng tìm hiểu
thông tin một cách chi tiết. Và quá trình trực quan hóa dữ liệu sẽ thúc đẩy việc sáng tạo và
khám phá dữ liệu của Data Analyst”.
4
1.2.1.2 Kiến thức thống kê

Chắc chắn một điều rằng để trở thành Data Analyst bạn không thể không thiếu kiến
thức về thống kê. Bạn phải nắm rõ từ khái niệm đến công thức để ứng dụng trong quy trình
phân tích dữ liệu. Các kiến thức như Mean, Median, Standard Deviation, Outlier hay Percentile
sẽ vô cùng hữu ích với bạn trong công việc. Bên cạnh đó, đừng bỏ qua kiến thức về Logistic
Regression và Linear Regression.
1.2.2 Kỹ năng mềm
1.2.2.1 Kỹ năng giải quyết vấn đề

Đối với bất kể ngành nghề nào không riêng gì Data Analyst, bạn phải chuẩn bị tinh thần
sẵn sàng đối mặt với các vấn đề, lỗi và rào cản mỗi ngày. Chính vì vậy, kỹ năng giải quyết vấn
đề là điều không thể thiếu với bạn.
Tuy nhiên, về tính chất công việc ở mỗi công ty sẽ khác nhau và công việc khác nhau sẽ yêu
cầu bạn phải có kỹ năng giải quyết vấn đề. Nhưng không thể phủ nhận việc có trong mình kỹ
năng giải quyết vấn đề bạn sẽ giúp bạn thuận lợi hơn khi xử lý các con số.
1.2.2.2 Kỹ năng giao tiếp

Nhiều người nghĩ rằng chỉ làm việc với con số thì Data Analyst không cần có kỹ năng
giao tiếp. Mỗi ngày, bạn chỉ vùi đầu vào việc thu thập, phân tích và báo cáo những con số.
Nhưng thực ra không hề đơn giản như vậy. Giao tiếp chính là chìa khóa giúp bạn dễ dàng hợp
tác với các phòng ban để đưa ra kế hoạch hay quyết định nào đó. Những phòng ban khác nhau
sẽ thu thập dữ liệu khác nhau và bạn phải trình bày kết quả sao cho ngắn gọn, súc tích và dễ
hiểu nhất có thể. Ngoài ra, một số dự án bạn phải có sự hỗ trợ từ trong và ngoài công ty để
hoàn thiện công việc được tốt nhất.
Không chỉ giỏi trong văn nói Data Analyst còn là những cao thủ trong văn viết. Bởi bạn
sẽ thường xuyên viết báo cáo để trình bày kết quả phân tích và đưa ra đề xuất dựa trên số liệu.
Mặc dù chỉ là kỹ năng mềm nhưng đừng đánh giá thấp nó. Một Data Analyst thành công là
người có kỹ năng phân tích và giải thích ý nghĩa cũng như thuyết phục đồng nghiệp hành động
dựa trên những đề xuất của bạn.
1.2.2.3 Kỹ năng kể chuyện bằng dữ liệu - Data Storytelling

Tại sao storytelling lại là kỹ năng mềm mà Data Analyst cần phải có? Chắc hẳn khi đọc
đến dòng này bạn sẽ có thắc mắc như vậy.
5
Theo một số định nghĩa thì data storytelling được hiểu là cách bạn minh họa dữ một
cách hiệu quả. Tất nhiên yếu tố đánh giá sự hiệu quả không đơn thuần chỉ là biểu đồ đẹp mà
bạn thể hiện. Đây là cách tiếp cận giúp các data analyst truyền đạt insight khách hàng. Bên
cạnh đó, data storytelling giúp bạn dễ dàng ghi nhớ, hình dung và hiểu rõ dữ liệu mình được
tiếp cận. Trong cuộc phỏng vấn vào năm 2009, Chief Economist của Google đã có lời nhận xét
rằng, với vị trí data analyst bạn không chỉ phải hiểu những con số nói gì mà còn phải trực quan
hóa và kể câu chuyện thật hấp dẫn và lôi cuốn.
1.2.2.4 Kỹ năng logic, tư duy con số

Chị Chi Nguyễn - Data Analyst tại trường Đại học Penn State đã từng chia sẻ: “Đối với
ngành phân tích dữ liệu, tư duy suy nghĩ logic là điều vô cùng quan trọng”. Bởi khi bạn nhìn
vào bất kỳ bộ dữ liệu nào đó, bạn phải hiểu những con số này mang ý nghĩa gì và có những lỗi
sai sót nào trong những con số này hay không. Bạn có thể là cao thủ về toán, về coding hay về
programming nhưng nếu có tư duy logic về con số thì báo cáo của bạn sẽ thuyết phục người
nghe hơn. Từ đó, những kế hoạch, đề xuất bạn đưa ra sẽ mang tính thực thi hơn và đưa vào
hoạt động.
Phần 02: Thông Tin Vị Trí Data Science
2.1 Giới thiệu ngành Data Science

Data Science hay còn được gọi là kỹ sư khoa học dữ liệu. Công việc này liên quan đến
việc phân tích thống kê khai thác và truy xuất dữ liệu trích từ bộ dữ liệu. Từ đó, xác định các
xu hướng, nhu cầu và insight khách hàng. Dựa vào kết quả của quá trình phân tích, data scientist
sẽ đưa ra các đề xuất, giải pháp hoặc định hướng liên quan đến lĩnh vực kinh doanh của công
ty.
Chính sự quan trọng của vị trí Data Science mà nhà tuyển dụng luôn yêu cầu ứng viên
có khả năng sử dụng thành thạo công cụ thống kê Machine Learning. Có thể nói, vị trí này là
sự kết hợp đa ngành giữa toán học, machine learning và thống kê.
Một số công ty hiện nay sẽ dựa vào kết quả của dữ liệu để phát triển hoặc cải tiến sản phẩm,
dịch vụ của họ. Chính vì vậy, data scientist thường phải làm việc với khối lượng lớn dữ liệu để
có được insight tiềm năng.
Theo một báo cáo thống kê cho biết vai trò của các data scientist trong doanh nghiệp
đã tăng trưởng khoảng 650% kể từ năm 2012. Trang U.S. Bureau of Labor Statistics cho biết,
tính đến năm 2026 sẽ có khoảng 11,5 triệu việc làm liên quan đến lĩnh vực data science. Bên
6
cạnh đó, data scientist hiện đang nằm trong top các công việc nổi bật kể từ khi kỷ nguyên số
4.0 phát triển trên LinkedIn.
2.2 Các kỹ năng của Data Science
2.2.1 Kỹ năng chuyên môn
2.2.1.1 Kỹ năng làm việc với dữ liệu phi cấu trúc

Dữ liệu phi cấu trúc là được định nghĩa là dữ liệu thông tin không có mô hình được xác
định trước hoặc không được tổ chức theo cách được xác định trước. Dữ liệu phi cấu trúc bạn
thường gặp sẽ là dạng văn bản, ngày tháng và sự kiện. Đây sẽ là điểm cộng rất lớn với ứng viên
data scientist có khả năng làm việc với dữ liệu phi cấu trúc.
2.2.1.2 Kỹ năng xử lý dữ liệu
Đa số các senior data scientist sẽ khuyên bạn nên thành thục kỹ năng xử lý dữ liệu. Ở
kỹ năng này bạn sẽ thành thục với quy trình làm sạch dữ liệu và xử lý dữ liệu phi cấu trúc.
Một số tác vụ ở bước clean-data bao gồm sửa định dạng, xóa lỗi chính tả và loại các dữ liệu
trùng nhau. Đây chính là các tác vụ bắt buộc bạn phải hoàn thành trước khi bắt tay phân tích
bộ dữ liệu.
Tiếp theo là kỹ năng làm việc với dữ liệu phi cấu trúc. Như đã đề cập ở trên, dữ liệu phi
cấu trúc là dữ liệu được định dạng dưới dạng văn bản, ngày tháng và sự kiện. Ở kỹ năng này
bạn phải mạnh về các kỹ năng lọc, sắp xếp, phân loại để tạo ra tập dữ liệu muốn phân tích.
2.2.1.3 Kỹ năng thu thập và truy vấn dữ liệu

Trong quá trình khai phá và phân tích dữ liệu, dữ liệu thường xuất phát từ nhiều nguồn
khác nhau. Bên cạnh đó, dữ liệu thô có thể thay đổi trong quá trình khai thác nên bạn cần
chuyển đổi dữ liệu thành dạng tương đồng để dễ dàng xử lý và làm việc.
Thu thập nguồn dữ liệu lớn liên quan đến nhiều trường thông tin khác nhau giúp doanh
nghiệp hiểu về khách hàng và thị trường, từ đó có thể đưa ra những quyết định đúng đắn và tiết
kiệm chi phí.
7
2.2.2 Kỹ năng mềm
2.2.2.1 Tư duy phản biện

Tư duy phản biện là một trong những kỹ năng mềm quan trọng đối với vị trí Data
Scientist. Ở kỹ năng này, bạn sẽ sử dụng các phân tích, khảo sát và ước lượng khách quan trước
một vấn đề để đưa ra phán đoán chính đáng và có tính khả thi. Để có tư duy phản biện, các
Data Scientist luôn luôn đặt câu hỏi về mọi vấn đề, tập trung vào khía cạnh quan trọng của vấn
đề và bỏ qua các chi tiết không cần thiết.
2.2.2.2 Đam mê khám phá dữ liệu

Hơn ai hết, Data Scientist bắt buộc phải có sự tò mò và niềm đam mê mãnh liệt với dữ
liệu. Vì đây là vị trí khám phá dữ liệu một cách mạnh mẽ về chuyên môn nghiệp vụ lẫn kiến
thức nền tảng. Để gắn bó lâu dài ở vị trí này, bạn cần cập nhật kiến thức thường xuyên để bắt
kịp sự thay đổi của dữ liệu. Ngoài ra, hãy vạch cho mình lộ trình học tập bền bỉ và cải thiện
chuyên môn qua những tài liệu, project bên ngoài để năng cao kinh nghiệm và kỹ năng.
2.2.2.3 Giải quyết vấn đề

Với kỹ năng này, bạn sẽ:
● Xác định cơ hội và giải thích các vấn đề và giải pháp
● Biết cách tiếp cận vấn đề bằng cách xác định các giả định và tài nguyên hiện có
● Kích hoạt trí tò mò như một thám tử và bắt đầu xác định các phương pháp hiệu quả nhất
để sử dụng và có được câu trả lời đúng
Sẽ rất khó khăn nếu bạn thiếu mất kỹ năng giải quyết vấn đề. Để có kỹ năng mềm này
bạn phải là người mong muốn đào sâu đến gốc rễ của một vấn đề vì nó biết cách tiếp cận một
vấn đề để giải quyết nó. Người giải quyết vấn đề dễ dàng xác định các vấn đề bị ẩn và sau đó
họ nhanh chóng xoay quanh cách họ sẽ giải quyết nó và phương pháp nào sẽ cung cấp câu trả
lời tốt nhất.
8
CHƯƠNG 2: CV XỊN CHINH PHỤC NHÀ TUYỂN DỤNG

Phần 01: Hướng Dẫn Viết CV Chuẩn Data Analyst
1.1 Cấu trúc chuẩn của CV
Khi apply vào vị trí Data Analyst, bất kì ứng viên nào cũng cố gắng thể hiện chi tiết và
tỉ mỉ những điểm mạnh, kỹ năng của mình trong CV. Đối với CV của Data Analyst, bạn không
cần quá cầu kỳ về bố cục hay nhiều màu sắc để thu hút sự chú ý. Bạn chỉ cần chú ý một số điều
sau để CV được chỉn chu và chuyên nghiệp nhất:
● Họ tên, thông tin liên hệ của bạn nên đặt ở phần đầu CV với size chữ to và rõ ràng.
Bên cạnh đó, hãy đính kèm link Online Portfolio để nhà tuyển dụng có thể hiểu rõ
những dự án bạn từng tham gia.
● Hãy sắp xếp kinh nghiệm làm việc theo khung thời gian từ gần nhất đến xa nhất.
Lưu ý một điều rằng chỉ chọn những kinh nghiệm liên quan đến vị trí Data Analyst.
● Bạn hãy sử dụng một số font chữ cơ bản và rõ ràng như Arial, Calibri, Quicksand,
Time News Roman. Nếu bạn chưa tự tin về khả năng trình bày CV của mình, hãy
tham khảo các mẫu CV của một số website như TopCV, Online CV,..
● Nhà tuyển dụng gợi ý ứng viên hãy gửi CV định dạng PDF thay vì Word hay Docs
để tránh bị lỗi định dạng.
Cấu trúc chuẩn cho CV của Data Analyst sẽ có những nội dung chính sau đây:
● Header: Bao gồm họ tên, ảnh cá nhân và thông tin liên hệ: số điện thoại, email.
● Mục tiêu nghề nghiệp: Tóm tắt ngắn gọn mô tả bản thân và những mục tiêu, dự định
trong lộ trình sự nghiệp của bạn.
● Kinh nghiệm làm việc: Mốc thời gian làm việc từ gần đến xa cùng với mô tả chi tiết
nhiệm vụ và thành tựu, kết quả của công việc đó.
● Học vấn: Mô tả ngắn gọn bằng cấp, chứng chỉ và các hoạt động, cuộc thi đã tham
gia trong quá trình học tập.
● Kỹ năng: Liệt kê ngắn gọn những kỹ năng cần thiết đối với vị trí Data Analyst.
● Thông tin khác: Bổ sung những thông tin khác muốn NTD biết bao gồm giải thưởng,
chứng chỉ, chứng nhận, sở thích, …
9
1.2 Giới thiệu về bản thân
1.2.1 Thông tin cá nhân

Trong CV của bất kể ngành nghề nào thì thông tin cá nhân được đánh giá là đơn giản
nhất. Tuy nhiên, đơn giản nhưng không hề kém phần quan trọng khi đây chính là phần tạo được
ấn tượng ban đầu của nhà tuyển dụng.
Những thông cá nhân bạn cần đề cập trong CV bao gồm: họ và tên, địa chỉ, số điện
thoại và email liên lạc. Tuy nhiên, bạn cần lưu ý một số điều sau về cách trình bày để gây ấn
tượng với nhà tuyển dụng.
● Họ và tên: bạn nên viết hoa và nhấn mạnh bằng cách in đậm hoặc sử dụng size chữ lớn
hơn để làm nổi bật tên của mình
● Email: Đây sẽ là phương tiện giúp bạn và công ty liên hệ với nhau trong thời gian tới.
Vì vậy, bạn hãy tạo cho mình email chuyên nghiệp bằng cách sử dụng họ và tên của
bạn. Cách tốt nhất là bạn nên sử dụng email công việc để tránh bỏ lỡ thông báo của bên
tuyển dụng.
● Địa chỉ và số điện thoại: Bạn không cần đề cập quá chi tiết về địa chỉ nhà của mình
trong CV. Chỉ cần đề cập quận/ huyện và tỉnh/ thành phố để nhà tuyển dụng nắm bắt
được bạn có thuận tiện trong việc di chuyển đến công ty hay không. Một điều quan
trọng là hãy kiểm tra cẩn thận số điện thoại của mình. Bởi vì một số công ty sẽ có vòng
phỏng vấn qua điện thoại trước khi bạn phỏng vấn trực tiếp. Chính vì thế đừng vì một
chút sai sót mà đánh mất cơ hội của bạn.
● Hình ảnh cá nhân: Hãy lựa chọn hình rõ mặt và chính diện để nhà tuyển dụng dễ dàng
nhớ mặt bạn khi đi phỏng vấn. Bên cạnh đó, hãy lựa chọn trang phục lịch sự để thể hiện
sự chuyên nghiệp của bạn.
1.2.2 Ưu điểm và khuyết điểm

Đối với vị trí Data Analyst thì ưu khuyết điểm là điều khá quan trọng. Nhà tuyển dụng
sẽ đánh giá những điểm mạnh của bạn có thực sự phù hợp với công việc và môi trường của
công ty hay không. Vì vậy, bạn hãy liệt kê những điểm mạnh phù hợp với vị trí data analyst
một cách rõ ràng và chi tiết nhất. Một số ưu điểm liên quan tới vị trí data analyst bạn có thể đề
cập tới là:
● Kỹ năng phân tích và quản lý dữ liệu
10
● Kỹ năng tìm kiếm dữ liệu

● Kỹ năng thu thập dữ liệu
● Có trách nhiệm trong công việc
● Hoàn thành dự án đúng timeline
Đối với nhược điểm trong CV của Data Analyst thì đây chắc chắn là điều khiến bạn
phải đau đầu. Bạn sẽ không biết nên tiết lộ những điểm yếu nào và cách khắc phục điểm yếu
đó. Lời khuyên của MCI là hãy đưa ra điểm yếu của mình một cách thành thật và đưa ra cách
giải pháp để giải quyết vấn đề của bạn.
Trong vòng phỏng vấn, bạn có thể trình bày điểm yếu của mình rằng :”Điểm yếu lớn
nhất của tôi chính là kỹ năng giao tiếp với đồng nghiệp chưa tốt. Đây cũng chính là điều khiến
tôi lo lắng không biết có hoàn thành công việc với đồng nghiệp hay không. Để khắc phục nó,
tôi đã đọc nhiều sách hơn về kỹ năng giao tiếp và cách nói chuyện thu hút với người khác. Bên
cạnh đó, mỗi tuần tôi đều tham gia câu lạc bộ để có cơ hội trò chuyện nhiều hơn với mọi người
về các chủ đề khác nhau. Tôi hi vọng trong tương lai gần tôi sẽ hoàn toàn khắc phục được điểm
yếu này”. Chắc chắn khi nghe câu trả lời này, nhà tuyển dụng sẽ đánh giá cao CV của bạn.
1.3 Mục tiêu nghề nghiệp
Trong CV của bất kỳ ngành nghề nào, mục tiêu nghề nghiệp chính là định hướng mong
muốn phát triển của bạn với vị trí data analyst như thế nào. Dựa vào mục tiêu, công ty sẽ dễ
dàng đánh giá có tinh thần cầu tiến và phát triển trong sự nghiệp như thế nào. Mục tiêu nghề
nghiệp càng rõ ràng và cụ thể sẽ giúp bạn để lại ấn tượng sâu sắc với người phỏng vấn. Bộ
phận tuyển dụng của MCI đánh giá rằng “ Những ứng viên có mục tiêu làm việc cụ thể chính
là những người có trách nhiệm trong công việc và khao khát thăng tiến sự nghiệp”.
Trong mục tiêu nghề nghiệp sẽ chia ra 2 phần là mục tiêu ngắn hạn và mục tiêu dài hạn.
Vậy bạn sẽ trình bày mục tiêu của mình như thế nào ?
● Mục tiêu ngắn hạn: Mục tiêu ngắn hạn của tôi trở thành nhân viên phân tích dữ liệu
chuyên nghiệp, được làm việc trong môi trường kích thích sự phát triển của bản thân
và chuyên nghiệp.
● Mục tiêu dài hạn: Trong vòng 3 -5 năm, tôi sẽ trở thành manager hoặc team leader quản
lý nhân viên. Trở thành nhân sự không thể thiếu trong bộ phận phân tích dữ liệu và
cùng công ty phát triển những dự án lớn trong tương lai.
11
1.4 Học vấn
Mặc dù không quá quan trọng nhưng học vấn vẫn là điều các nhà tuyển dụng quan tâm.
Đối với một vài công ty, họ mong muốn nhân viên của mình có xuất phát điểm từ các ngành
về Kinh tế, Khoa học dữ liệu hoặc Công nghệ thông tin. Bên cạnh đó, những hoạt động bạn
tham gia trong quá trình học tập tại Đại học sẽ phần nào đánh giá được tính cách và kỹ năng
mềm của bạn. Đây cũng chính là điểm cộng vô cùng lớn giúp bạn ghi điểm trong mắt nhà tuyển
dụng. Chính vì vậy, hãy trình bày đầy đủ những thông tin trong quá trình học vấn từ chuyên
ngành, các hoạt động và giải thưởng bạn đạt được. Đối với những bạn có điểm GPA cao hay
các giải thưởng lớn ở cuộc thi, đừng ngại ngần khoe trong CV của mình nhé.
Cách trình bày học vấn trong CV:
● Tên trường và địa điểm

● Niên khóa
● Bằng cấp
● Giải thưởng, thành tích học tập và nghiên cứu nổi bật
1.5 Kinh nghiệm làm việc

Đối với ngành đặc thù như data analyst, đa số các ứng viên từ vị trí intern đã có kinh
nghiệm làm việc đáng nể. Đây là phần không thể thiếu để nói lên rằng bạn đã tích lũy những
kinh nghiệm gì, kiến thức bạn đạt được ra sao và các dự án bạn thực hiện như thế nào. Hãy đề
cập đến những công việc hay dự án bạn tham gia thực sự liên quan đến data analyst. Đừng cố
gắng kéo dài CV của bạn ở những công việc như gia sư, nhân viên bán hàng,.. Những công
việc này có thể giúp bạn tích lũy kỹ năng mềm nhưng lại không liên quan đến vị trí bạn ứng
tuyển. Điều này khiến cho nhà tuyển dụng đánh giá bạn không biết chọn lọc thông tin cần thiết.
Đây chính là điểm trừ khá lớn đối với nhân viên phân tích dữ liệu.
Hãy liệt kê những công việc cụ thể theo thứ tự từ gần nhất cho đến xa nhất để công ty
dễ dàng theo dõi bạn đã đạt được vị trí nào trong ngành. Ở mỗi vị trí công việc bạn nên đề cập
đầy đủ theo thứ tự:
● Tên công việc.
● Tên công ty/ tổ chức.
● Thời gian làm việc.
● Trách nhiệm chính của bạn ở vị trí này và thành tựu bạn đã đạt được.
● Số liệu thể hiện kết quả của mỗi dự án bạn tham gia phân tích dữ liệu.
12
Bên cạnh đó, ở CV bản tiếng anh hãy mô tả kinh nghiệm của mình bằng những động
từ như Utilized, Analyzed, Collected, Proposed,.. Và cuối cùng, để nắm chắc phần thắng ở
vòng chọn lọc CV, bạn hãy tìm hiểu kỹ những kỹ năng và kinh nghiệm mà công ty đang cần ở
vị trí data analyst là gì. Sau đó, hãy áp dụng những từ khóa này vào kinh nghiệm làm việc của
mình. Những từ khóa tương xuất hiện trong JD, website, hình ảnh hoặc branding.
Bạn có thể tham khảo cách viết kinh nghiệm làm việc ở bên dưới:
Data Analyst
TopCV Vietnam
● Utilized Microsoft SPSS statistical software to track and analyze data.
● Designed and built statistical analysis models on large data sets using Teradata.
● Boosted sales by 17%.
● Successfully interpreted data to identify key metrics and draw conclusions.
● Proposed solutions to improve system efficiencies, leading to a 15% reduction in

operating costs.
1.6 Kỹ năng
Để trở thành nhân viên phân tích dữ liệu thực sự không hề đơn giản. Bởi ngành này
không chỉ yêu cầu bạn có kỹ năng thành thạo trong phân tích mà còn phải có tư duy logic, nhạy
bén. Chính vì vậy, nhà tuyển dụng thường đánh giá ứng viên qua các tiêu chí sau:
● Kỹ năng phân tích: Ứng viên có thể làm việc và xử lý lượng lớn thông tin, dữ liệu
thô hay không?
● Kỹ năng giao tiếp: Ứng viên có thể viết và truyền đạt, giải thích rõ ràng những gì
mình đã phân tích hay không?
● Chú ý đến chi tiết: Ứng viên có đủ sự tỉ mỉ và kỹ lưỡng trong những phân tích của
mình để đưa một kết luận chuẩn xác?
● Kỹ năng sử dụng phần mềm: Ứng viên có thể sử dụng những nền tảng, phần mềm
thông minh, ngôn ngữ dữ liệu?
● Suy nghĩ một cách sáng tạo: Ứng viên có thắc mắc gì về những phương pháp hiện
tại và suy nghĩ hướng tiếp cận đột phá để phân tích dữ liệu không?
● Theo đuổi và giải quyết vấn đề: Ứng viên có yêu thích công việc về dữ liệu?
Vậy làm thế nào để bạn tạo được ấn tượng với nhà tuyển dụng bởi kỹ năng của mình?
13
● Bước 1: Bạn hãy liệt kê những kỹ năng liên quan đến phân tích dữ liệu mà bạn đã
tích lũy được trong quá trình làm việc.
● Bước 2: Nghiên cứu kỹ JD và xác định từ khóa những kỹ năng bắt buộc phải có của
vị trí này.
● Bước 3: Dựa vào những kỹ năng công ty cần, hãy lựa chọn những kỹ năng bạn đã
có để thể hiện trong CV. Hãy minh chứng những kỹ năng này trong phần kinh
nghiệm làm việc, học vấn hay chứng chỉ để tăng phần thuyết phục.
Bạn có thể tham khảo cách viết kỹ năng ở phần bên dưới:
● Power user of Excel, SAS Enterprise Miner, SQL and Minitab programs.
● Excellent knowledge of how to use analytics to find conclusions based
● Strong communication and creative problem solving skills.
● Experienced at using MS Access, Oracle 8i databases.
Phần 02: Một Số Mẹo Giúp Bạn Trình Bày Cv Ấn Tượng
2.1 Hình ảnh cá nhân trong CV

Trong CV, ảnh cá nhân là phần quan trọng giúp nhà tuyển dụng nhớ mặt ứng viên cả
mình. Chính vì vậy, bạn cần lưu ý một số điều sau để tổng thể CV hài hòa và dễ nhìn nhất.
● CV online: Ảnh chân dung với kích thước 3x4 hoặc 4x6, theo hình dạng vuông hoặc
tròn. Hãy chọn hình chụp chính diện và trang phục lịch sự để tăng sự chuyên nghiệp
của mình.
2.2 Độ dài CV vừa đủ

Đối với một số ngành về lĩnh vực sáng tạo, CV thường dài 3 - 5 trang và đính kèm
những hình ảnh, dự án họ tham gia. Còn đối với CV của Data Analyst hãy trình bày đầy đủ
thông tin trong 1 - 2 trang giấy A4. Nếu thông tin của bạn quá dài hãy chỉnh sửa nội dung thông
tin về bản thân và quá trình học tập thật sức tích.
Ngoài ra, bạn nên sử dụng font chữ Arial, Times New Roman và khoảng cách giữa các
dòng là 1.25 - 1.5cm. Bên cạnh đó, size chữ trong CV chỉ dao động từ 10 - 14 và tiêu đề CV là
16 - 20. Một số nguyên tắc trên sẽ giúp CV bạn đầy đủ thông tin và không quá dài dòng.
2.3 Lựa chọn màu sắc CV phù hợp

Màu sắc trong CV cũng chính là một trong những yếu tố khiến hồ sơ của bạn trở nên
chuyên nghiệp hơn. Đối với vị trí Data Analyst, bạn hãy sử dụng những gam màu cơ bản, nền
14
màu sáng và nhẹ nhàng. Hãy chọn màu đậm như màu đen, xanh dương đậm,.. để làm nổi bật
thông tin cá nhân và kinh nghiệm làm việc của bạn.
2.4 Trình bày thông tin nổi bật

Để tạo ấn tượng với nhà tuyển dụng ngay từ cái nhìn đầu tiên thì thông tin bạn thể hiện
trong CV rất quan trọng. Ở vị trí Data Analyst, các công ty có xu hướng quan tâm đến kỹ năng
và kinh nghiệm của bạn có đủ để hoàn thành tốt công việc hay không. Chính vì vậy, những
thông tin quan trọng bạn cần thể hiện rõ ràng và nổi bật trong CV. Hãy thử áp dụng những
nguyên tắc sau đây sẽ giúp bạn biết cách trình bày thông tin như thế nào nhé!
● Những thông tin quan trọng bạn hãy sử dụng từ ngữ chuyên ngành để thể hiện năng lực
bản thân và chỉ số hoàn thành công việc
● Hãy trình bày công việc theo thời gian cụ thể kèm theo các hoạt động chi tiết để nhà
tuyển dụng dễ dàng đánh giá sự phù hợp của bạn với công ty.
CHƯƠNG 3: 1001 CÂU HỎI PHỎNG VẤN CỦA NHÀ

TUYỂN DỤNG
Câu 1: Trách nhiệm của Data Analyst là gì?
Gợi ý trả lời:
Trách nhiệm chính của một Data Analyst bao gồm
● Cung cấp tất cả dữ liệu phân tích và phối hợp làm việc với khách hàng và nhân viên.
● Phân tích kết quả và giải thích số liệu qua việc sử dụng các công cụ hỗ trợ.
● Xác định nhu cầu của khách hàng và mục tiêu trong kinh doanh.
● Xác định quy trình hoặc các lĩnh vực mới để có cơ hội cải thiện.
● Phân tích, xác định và giải thích các xu hướng hoặc các mẫu trong các bộ dữ liệu phức
tạp.
● Thu thập thông tin từ nguồn thông tin sơ cấp hoặc thứ cấp và duy trì cơ sở dữ liệu/ hệ
thống dữ liệu.
● Lọc và làm sạch dữ liệu, đánh giá, báo cáo.
● Bảo mật cơ sở dữ liệu bằng cách phát triển hệ thống truy cập thông qua xác dịnh mức
truy cập của người dùng.
Câu 2: Vị trí Data Analyst yêu cầu kiến thức và kỹ năng gì?
15
Để trở thành một Data Analyst, bạn cần chuẩn bị kiến thức và kỹ năng sau:
● Ngôn ngữ lập trình: SQL, Python, R
● Khả năng phân tích, thu thập và phân tích các dữ liệu lớn với độ chính xác cao
● Kiến thức về kỹ thuật như thiết kế cơ sở dữ liệu, mô hình dữ liệu, khai thác dữ liệu và
các kỹ năng phân đoạn.
● Kiến thức về thống kê.
Câu 3: Liệt kê ra một số vấn đề thường gặp của nhà phân tích dữ liệu?
Một số vấn đề thường gặp của nhà phân tích dữ liệu là
● Lỗi chính tả phổ biến
● Mục trùng lặp
● Giá trị bị mất
● Giá trị bất hợp pháp
● Thay đổi giá trị đại diện
● Xác định dữ liệu chồng chéo
Câu 4: Những khó khăn trong quá trình phân tích dữ liệu?
Trong khi thực hiện quá trình phân tích dữ liệu, đôi khi tôi phải đối diện với một số khó
khăn như:
● Có các mục bị trùng lặp và có lỗi chính tả. Các lỗi này có thể làm giảm chất lượng của
dữ liệu nên tôi phải mất thời gian để xử lý.
● Thu thập được dữ liệu chất lượng kém do lấy từ các nguồn không đáng tin cậy. Tôi đã
mất thêm thời gian đáng để để dọn dẹp, sắp xếp lại chúng.
● Dữ liệu được trích xuất từ nhiều nguồn nên đôi khi có sự mâu thuẫn, khác biệt. Sau khi
dọn dẹp, tôi phải kết hợp dữ liệu, sắp xếp lại, tránh sự không tương thích để đảm bảo
phân tích nhanh chóng và chính xác hơn.
● Dữ liệu thu được không đầy đủ cũng là một thách thức lớn trong quá trình phân tích dữ
liệu. Điều này dẫn tới rủi ro là kết quả thu được sai hoặc bị lỗi. Tôi đã phải thu thập và
phân tích lại.
Câu 5: Giải thích Clustering là gì? Các thuộc tính cho các thuật toán phân cụm là gì?
16
Clustering là một phương pháp phân loại được áp dụng cho dữ liệu. Thuật toán phân
cụm chia một tập dữ liệu thành các nhóm tự nhiên hoặc các nhóm tự nhiên. Thuộc tính cho
thuật toán phân cụm là:
● Phân cấp hoặc bằng phẳng
● Lặp lại
● Cứng và mềm
● Phân biệt
Câu 6: Các kỹ năng chính cần thiết cho Nhà phân tích dữ liệu là gì?
● Quản lý cơ sở dữ liệu
● Truy vấn
● Thao tác dữ liệu Tiên đoán phân tích
● Thống kê mô tả cơ bản
● Mô phỏng dự đoán
● Phân tích dữ liệu lớn
● Phân tích dữ liệu phi cấu trúc
● Bài thuyết trình Insight
● Thiết kế báo cáo
Câu 7: Kỹ năng giao tiếp có quan trọng với Data Analyst hay không?
Với 1 Data Analyst, kỹ năng giao tiếp tốt chính là lợi thế giúp bạn truyền đạt ý tưởng
trong quá trình phân tích dữ liệu. Đây còn là kỹ năng giúp bạn và đồng nghiệp dễ dàng làm
việc với nhau và đưa ra kết quả chính xác.
Câu 8: Kể tên một số công cụ bạn đã dùng để phân tích dữ liệu.

Trong số những câu hỏi phỏng vấn data analyst thì bạn cũng sẽ được hỏi về những công
cụ phổ biến được dùng khi trở thành nhân viên phân tích dữ liệu:
● Tableau
● Google Fusion Tables
● Google Search Operators
● KNIME
● RapidMiner
● Solver
17
● NodeXL
Câu 9: Điểm khác biệt giữa Data Profiling và Data Mining là gì?
So với những câu hỏi phỏng vấn trên thì đây là một trong các câu hỏi phỏng vấn thường
gặp có độ khó cao. Tuy nhiên, chỉ cần một cái đầu tỉnh táo thì nhân viên phân tích dữ liệu hoàn
toàn có thể sử dụng nguồn kiến thức của mình để vượt qua nó một cách dễ dàng. Data Profiling
sẽ tập trung chủ yếu vào quá trình phân tích các bộ dữ liệu nhằm thu thập, thống kê hay tóm
tắt thông tin về database. Sau quá trình phân tích thì ta có thể lập hồ sơ dữ liệu để lấy được
thông tin và đánh giá chất lượng của chúng. Data Profiling thường đề cập nhiều đến chất lượng
dữ liệu. Đồng thời thì nó cũng giúp nhân viên phân tích dữ liệu chuẩn bị quá trình dọn dẹp, tích
hợp và phân tích dựa vào tính nhất quán, tính đặc trưng và tư duy logic. Ngoài ra để trả lời câu
hỏi phỏng vấn data analyst, Data Mining được nhắc đến như một quá trình xác định mẫu trong
cơ sở dữ liệu. Nó sẽ thực hiện chức năng phân tích và khai thác, nó có nghĩa vụ xác định các
yếu tố bất thường, từ đó phân tích cụm dữ liệu và chuyển đổi dữ liệu thô thành nguồn thông tin
hữu ích. Hiểu một cách đơn giản thì nó thu thập đầy đủ chi tiết, xác định được các loại dữ liệu
hợp lệ hay hữu ích nhờ vào hoạt động phân tích dữ liệu.
Câu 10: Bạn có câu hỏi nào dành cho chúng tôi?
Khi kết thúc buổi phỏng vấn, hầu hết những người phỏng vấn đều hỏi bạn có bất kỳ câu
hỏi nào về công việc hoặc công ty hay không. Bạn nên chuẩn bị sẵn một số câu hỏi để chứng
tỏ bản thân đã chuẩn bị cho cuộc phỏng vấn, đã suy nghĩ về những điều liên quan đến công ty
hoặc tìm hiểu thêm những vai trò của vị trí.
Câu hỏi về vai trò: Đây là cơ hội duy nhất để tìm hiểu thêm về những gì bạn sẽ làm, nếu chưa
được đề cập kỹ lưỡng trước cuộc phỏng vấn.
Ví dụ:
- Bạn có thể chia sẻ thêm về trách nhiệm hàng ngày của vị trí này không? Một ngày cụ
thể sẽ như thế nào? Câu hỏi về công ty hoặc người phỏng vấn: Đây cũng là cơ hội tốt
để hiểu về văn hóa công ty và cách thức hoạt động của công ty.
- Văn hóa và tổ chức công ty như thế nào? Điều quan trọng là phải chuẩn bị để trả lời
hiệu quả các câu hỏi phỏng vấn mà nhà tuyển dụng thường hỏi tại các cuộc phỏng vấn
việc làm. Vì những câu hỏi này rất phổ biến, người quản lý tuyển dụng và người phỏng
vấn sẽ mong đợi bạn có thể trả lời chúng một cách trôi chảy và không do dự. Bạn không
cần phải ghi nhớ câu trả lời đến mức nói như một con rô bốt, hãy suy nghĩ về những gì
18
bạn sẽ nói khi gặp những câu hỏi trên trong cuộc phỏng vấn. Thực hành với người khác
để cảm thấy tự tin hơn khi trả lời những câu hỏi.
CHƯƠNG 4: CHỨNG CHỈ DATA ANALYST NÂNG

TẦM CV
Phần 01: Top Các Chứng Chỉ “Quyền Lực” Ngành Data
1. Microsoft Certified: Power BI Data Analyst Associate
Chứng chỉ Data Analyst Associate là một trong số các chứng chỉ dựa trên vai trò thay thế cho
Microsoft Certified Solutions Expert (MCSE): Chứng chỉ Data Management và Analytics mà
Microsoft sẽ chấm dứt vào tháng 1 năm 2021. Chứng chỉ này mô tả chuyên môn về chủ đề
trong việc cho phép các doanh nghiệp tận dụng tài sản dữ liệu của họ bằng cách sử dụng
Microsoft Power BI. Người có chứng chỉ này có thể thiết kế và xây dựng các mô hình dữ liệu
có thể mở rộng, dọn dẹp và chuyển đổi dữ liệu và kích hoạt các khả năng phân tích nâng cao.
2. Certified Analytics Professional (CAP)
CAP cung cấp chứng chỉ trung lập và hứa hẹn sẽ giúp bạn “chuyển đổi dữ liệu phức tạp thành
thông tin chi tiết và hành động có giá trị”, đó chính là điều mà các doanh nghiệp đang tìm kiếm
ở một nhà khoa học dữ liệu: một người hiểu dữ liệu, có thể đưa ra kết luận logic và trình bày
với các bên liên quan chính tại sao những điểm dữ liệu đó lại quan trọng. Nếu bạn chưa quen
với phân tích, bạn có thể bắt đầu với bài kiểm tra đầu vào Associate Certified Analytics
Professional (aCAP) và sau đó chuyển sang chứng chỉ CAP
3. IBM Data Science Professional Certificate
Chứng chỉ Chuyên gia Data science của IBM bao gồm chín khóa học về data science, công cụ
mã nguồn mở, phương pháp luận data science, Python, Cơ sở dữ liệu và SQL, phân tích dữ
liệu, trực quan hóa dữ liệu, machine learning và khóa học cuối cùng về data science ứng dụng.
Khóa học diễn ra trực tuyến với lịch trình linh hoạt và mất trung bình ba tháng để hoàn thành,
nhưng bạn có thể mất nhiều thời gian hơn. Khóa học bao gồm các dự án thực hành để giúp bạn
xây dựng danh mục hồ sơ để giới thiệu tài năng data science của bạn với các nhà tuyển dụng
tiềm năng.
4. Microsoft Certified Azure Data Scientist Associate
Theo Microsoft, chứng chỉ Azure Data Scientist Associate tập trung vào khả năng sử dụng
machine learning để “đào tạo, đánh giá và triển khai các mô hình giải quyết các vấn đề kinh
doanh”. Các thí sinh tham dự kỳ thi được kiểm tra về machine learning, giải pháp AI, xử lý
19
ngôn ngữ tự nhiên, thị giác máy tính và phân tích dự đoán. Kỳ thi tập trung vào việc xác định
và chuẩn bị môi trường phát triển, mô hình hóa dữ liệu, kỹ thuật tính năng và phát triển các mô
hình.
5. Cloudera Data Platform Generalist Certification (CDP)
Chứng nhận CDP xác nhận mức độ thành thạo với nền tảng dữ liệu Cloudera cho đám mây.
Bài kiểm tra đánh giá kiến thức chung về nền tảng và áp dụng cho nhiều vai trò, bao gồm quản
trị viên, nhà phát triển, nhà phân tích dữ liệu, kỹ sư dữ liệu, nhà KHDL và kiến trúc sư hệ
thống. Đề thi gồm 60 câu hỏi và thí sinh có 90 phút để hoàn thành.
6. Tensorflow Developer Certificate
Chương trình "Chứng chỉ nhà phát triển TensorFlow" là "chứng chỉ nền tảng dành cho sinh
viên, nhà phát triển và nhà Khoa học dữ liệu muốn chứng minh các kỹ năng học máy thực tế
thông qua việc xây dựng và đào tạo các mô hình sử dụng TensorFlow". Kỳ thi kiểm tra kiến
thức của bạn và khả năng tích hợp học máy vào các công cụ và ứng dụng khác nhau. Để vượt
qua kỳ thi, bạn cần có kinh nghiệm với các nguyên tắc cơ bản của ML và học sâu, xây dựng
mô hình ML, thuật toán nhận dạng hình ảnh, mạng nơ-ron sâu và xử lý ngôn ngữ tự nhiên.
Phần 02: Các Chứng Chỉ Khác Cho Ngành Data
1. Google Certified Professional Data Engineer

Chứng chỉ Kỹ sư dữ liệu chuyên nghiệp được Google chứng nhận phù hợp nhất cho
những người có kiến thức nền tảng về nền tảng đám mây của Google (GCP) và có kinh nghiệm
thiết kế và quản lý các giải pháp sử dụng GCP. Kỳ thi sẽ kiểm tra khả năng của bạn với việc
thiết kế, xây dựng, bảo mật và vận hành các mô hình machine learning và hệ thống xử lý dữ
liệu.
2. Microsoft Certificated: Azure Data Fundamentals

Đặt được chứng chỉ đầu vào này từ Microsoft sẽ xác thực kiến thức của bạn về các khái
niệm dữ liệu bằng cách dùng các dịch vụ dữ liệu Microsoft Azure, bao gồm các cơ sở dữ liệu
hoạt động với PostgreSQL và MySQL.
Chứng chỉ này vượt ra khỏi SQL để thể hiện kiến thức của bạn về khối lượng công việc
dữ liệu, dữ liệu quan hệ (relational) và không quan hệ (non-relational).
Nội dung kiểm tra của chứng chỉ sẽ xoay quanh khái niệm dữ liệu cốt lõi, làm việc với dữ liệu
quan hệ và không quan hệ, phân tích khối lượng công việc.
3. Oracle Database SQL Certificated Associate Certification
20
Đây là chứng chỉ cho thấy kiến thức của bạn về các khái niệm SQL cơ bản, đặc biệt là
sử dụng nó để làm việc với máy chủ Oracle Database. Chứng chỉ này còn là minh chứng cho
năng lực của bạn trong ngôn ngữ SQL, lập mô hình dữ liệu và sử dụng các bảng cùng với các
tác vụ khác.
Nội dung kiểm tra của chứng chỉ sẽ tập trung vào các khái niệm cơ sở dữ liệu cần thiết,
cách truy xuất, hạn chế và sắp xếp dữ liệu, sử dụng các hàm chuyển đổi và biểu thức điều kiện,
quản lý nhiều bảng, kiểm soát quyền truy cập và các chủ đề khác.
4. Các chứng chỉ AWS

Chứng chỉ AWS – AWS Certification là bộ chứng chỉ được cấp bởi Amazon đánh giá
mức độ hiểu biết về Cloud (điện toán đám mây), cụ thể là các dịch vụ của Amazon Web
Services (AWS) cũng như việc áp dụng các dịch vụ đó 1 cách hiệu quả vào trong các bài toán
thực tế. Hệ thống chứng chỉ AWS được chia ra theo các vai trò là Cloud Practitioner, Architect,
Developer, và Operations, ngoài ra cộng thêm Specialty. Về mức độ khó thì có 3 mức độ là
Foundational, Associate và Professional.
● Foundational (Cơ bản): Cần có ít nhất 6 tháng kinh nghiệm ở vị trí bất kỳ với kiến thức
cơ bản về AWS Cloud.
● Associate (Hội viên): Có khoảng 1 năm kinh nghiệm giải quyết vấn đề và triển khai giải
pháp sử dụng AWS Cloud.
● Professional (Chuyên Nghiệp): Có ít khoảng 2 năm kinh nghiệm toàn diện trong việc
thiết kế, vận hành và các giải pháp khắc phục sự cố sử dụng AWS Cloud.
● Specialty (Chuyên môn): Có kinh nghiệm kỹ thuật làm việc với AWS Cloud trong lĩnh
vực chuyên môn nhất định.
a. AWS Certified Cloud Practitioner

Bài thi The AWS Certified Cloud Practitioner examination dành cho những cá nhân có
kiến thức và kĩ năng cần thiết để chứng minh việc hiểu tổng thể về AWS Cloud, độc lập với
các vai trò kỹ thuật cụ thể được chứng nhận bởi các chứng chỉ khác. Bài thi diễn ra tại trung
tâm khảo thí hoặc từ nơi thoải mái và tiện lợi như ở nhà hoặc văn phòng với kì thi trực tuyến.
Trở thành AWS Certified Cloud Practitioner là một khuyến nghị, và tùy chọn để hướng
tới đạt được Associate-level (cấp độ hội viên) hoặc Specialty certification (cấp độ chuyên môn).
b. AWS Certified Solutions Architect – Associate
21
Chứng chỉ AWS Certified Solutions Architect – Associate hay chứng chỉ AWS CSA
Associate dành cho những người muốn thực hiện vai trò kiến trúc sư giải pháp và có một năm
kinh nghiệm hoặc nhiều hơn trong việc thiết kế các hệ thống phân tán khả dụng, tiết kiệm chi
phí, và có hệ thống phân phối mở rộng cao trên AWS.
● AWS Certified Developer – Associate
Bài thi thi AWS Certified Developer – Associate dành cho các cá nhân thực hiện vai
trò phát triển và có tối thiểu 1 năm kinh nghiệm thực tế về phát triển và duy trì ứng dụng dựa
trên AWS.
● AWS Certified SysOps Administrator – Associate
Bài thi AWS Certified SysOps Administrator – Associate dành cho các quản trị viên hệ
thống giữ vai trò vận hành hệ thống, có ít nhất 1 năm kinh nghiệm về triển khai, quản lý và vận
hành trên AWS.
CHƯƠNG 5: CÁC BÀI TOÁN PHÂN TÍCH DỮ LIỆU

TRONG DOANH NGHIỆP
Phần 01: Case Study Trong Lĩnh Vực Ngân Hàng
Ví dụ về cách các ngân hàng và các tổ chức tài chính sử dụng phân tích dữ liệu
để đề phòng rủi ro.
1. Phát hiện gian lận

Mục tiêu chung của các ngân hàng và tổ chức tài chính là giảm thiểu gian lận, kết quả
phân tích có thể được sử dụng để quản lý rủi ro thay vì chỉ phát hiện gian lận.
Kết quả phân tích có thể được sử dụng để xác định và xếp hạng các khách hàng cá nhân
có khả năng gian lận và sau đó áp dụng các cấp độ giám sát và xác minh khác nhau cho các tài
khoản đó. Việc phân tích rủi ro của các tài khoản cho phép các ngân hàng và tổ chức tài chính
biết điều gì cần ưu tiên trong nỗ lực phát hiện gian lận của họ.
2. Lập mô hình rủi ro cho ngân hàng đầu tư

Mô hình hóa rủi ro là quá trình mô phỏng cách thức một danh mục tài sản (cổ phiếu,
trái phiếu, hợp đồng tương lai, quyền chọn, v.v.) hoặc một tài sản đơn lẻ (chẳng hạn như lãi
suất) di chuyển theo các tình huống khác nhau. Khi mô hình rủi ro được thực hiện một cách
chính xác và nhất quán trên tất cả các tài sản, bạn có thể giảm thiểu rủi ro tổng thể cho danh
mục đầu tư của mình và cải thiện hiệu suất của nó.
22
Ví dụ: nếu một ngân hàng muốn thực hiện một giao dịch ngân hàng đầu tư, họ sẽ cần
phải xem xét những điều sau:
● Lợi nhuận kỳ vọng là gì?
● Những rủi ro là gì?
● Xác suất của họ là gì?
● Giao dịch này quan trọng như thế nào so với các lựa chọn thay thế khác?
Các mô hình rủi ro được sử dụng trong nhiều lĩnh vực với các tổ chức tài chính để mô
tả mức độ rủi ro của mọi thứ, khả năng xảy ra và chi phí để giảm thiểu rủi ro. Chúng tôi sẽ
xem xét thêm các mô hình như vậy bên dưới.
3. Phân tích rủi ro tín dụng

Các ngân hàng và tổ chức tài chính sử dụng phân tích để quản lý rủi ro liên quan đến
các khoản cho vay mà họ thực hiện. Điều này được thực hiện bằng cách giám sát dữ liệu họ
thu thập về các khách hàng cá nhân. Dữ liệu này có thể bao gồm, nhưng không giới hạn ở:
● Điểm tín dụng khách hàng
● Sử dụng thẻ tín dụng (số tiền bạn nợ)
● Số tiền nợ trên các thẻ tín dụng khác nhau (tổng số nợ)
● Số tiền nợ đối với các loại tín dụng khác nhau (tổng nợ / tổng tín dụng)
Phân tích rủi ro tín dụng là việc phân tích dữ liệu lịch sử để hiểu mức độ tín nhiệm của
người đi vay hoặc để đánh giá rủi ro liên quan đến việc cấp một khoản vay. Kết quả phân tích
giúp các ngân hàng và tổ chức tài chính đánh giá rủi ro của họ và của khách hàng.
4. Rủi ro hoạt động & thanh khoản

Thuật ngữ "rủi ro hoạt động" được sử dụng để mô tả khả năng mất mát do các hành
động của doanh nghiệp. Rủi ro hoạt động bao gồm những rủi ro cụ thể đối với một tổ chức tài
chính cá nhân.
Ngược lại, rủi ro thanh khoản có bản chất vĩ mô hơn, bao gồm các vấn đề như biến
động lãi suất, thay đổi tỷ giá hối đoái và thay đổi giá trị của các công cụ tài chính khác, chẳng
hạn như trái phiếu.
Rủi ro hoạt động là những tổn thất có thể xảy ra trực tiếp từ những rủi ro liên quan đến
hoạt động hàng ngày của tổ chức, tức là gian lận, trộm cắp, vi phạm bảo mật máy tính hoặc sai
sót trong phán đoán hoặc sự không đủ năng lực ở cấp điều hành.
23
Ví dụ, một ngân hàng có sẵn một số lượng máy rút tiền hạn chế. Nếu ngân hàng không
có đủ giao dịch viên thường xuyên túc trực, ngân hàng có thể làm tăng rủi ro hoạt động do có
quá ít nhân viên để phục vụ khách hàng đúng cách.
Trong khi đó, rủi ro thanh khoản là mối đe dọa rằng tài sản của ngân hàng sẽ giảm xuống dưới
mức cần thiết để đáp ứng các khoản nợ của nó.
Rủi ro thanh khoản xảy ra khi nguồn vốn sẵn có không đủ; nó có thể được gây ra bởi
các khoản nợ khó đòi (có thể không bao giờ được hoàn trả) hoặc các dòng tiền thấp hơn mong
đợi (chẳng hạn như tiền gửi / thu nhập thấp hơn). Hình thức thứ hai đặc biệt rủi ro đối với các
ngân hàng vì nguồn tài trợ của họ chủ yếu là tiền gửi, được trả dưới dạng lãi ròng.
Một vấn đề thanh khoản có thể nhanh chóng buộc ngân hàng phải nhờ chính phủ bảo
lãnh khoản vay; đây là một bước đi đặc biệt tốn kém và rủi ro nếu lợi tức trái phiếu chính phủ
và các chứng khoán khác giảm xuống.
Để quản lý những rủi ro này, các ngân hàng sử dụng các công cụ phân tích dữ liệu để
phát hiện các tình huống có khả năng vỡ nợ cao hơn, từ đó cho phép họ có hành động sớm
trước khi mọi việc vượt quá tầm tay.
Ví dụ về cách các ngân hàng và tổ chức tài chính sử dụng phân tích để quản lý
nguồn cung (ví dụ: xử lý dòng tiền).
1. Phân tích hiệu suất bán hàng

Khi khách hàng bước qua cửa, có rất nhiều điều có thể xảy ra. Ai đó có thể bước vào
và nói với bạn rằng cô ấy có 20.000 đô la tiền mặt muốn gửi để mở tài khoản séc. Hoặc có
thể bạn đang gặp một nhân viên ngân hàng đang tìm kiếm một khoản đầu tư cụ thể. Dù thế
nào đi nữa, khi bạn đang bán một thứ gì đó, có một điều sẽ luôn xảy ra: Bạn sẽ kiếm được
một số tiền.
Đó là điều hiển nhiên, nhưng điều không rõ ràng là bao nhiêu tiền - và phân tích hiệu
suất của bạn có tác động như thế nào đến số tiền bạn nhận được cũng như tác động của nó
đến doanh nghiệp của bạn và liệu bạn có thể tiếp tục phát triển hay không. Câu trả lời cho câu
hỏi đó phụ thuộc vào một số yếu tố: Có bao nhiêu khách hàng đến? Họ mua gì? Và những
công ty nào kinh doanh đủ để tạo ra sự khác biệt?
Phân tích hiệu suất chỉ là một cách khác để bạn đo lường hiệu suất theo thời gian - cho
dù đó là hiệu suất bán hàng hay phân tích dòng tiền - và nó cho phép bạn theo dõi và đo lường
kết quả qua nhiều giai đoạn để bạn có thể xác định những gì đang xảy ra ở từng giai đoạn của
doanh nghiệp.
24
2. Phân tích bán hàng chi nhánh và kênh trực tuyến

Theo một cách nào đó, các ngân hàng và tổ chức tài chính coi các chi nhánh và bán
kênh trực tuyến của họ như một chuỗi cung ứng mà họ cần quản lý. Các ngân hàng phải tính
đến số tiền họ có, những gì đến thông qua kênh và những gì sẽ đi ra ngoài kênh.
Khi bạn đang thực hiện một số phân tích dữ liệu và muốn biết sự khác biệt giữa chi
nhánh và các kênh trực tuyến của bạn, bạn có thể ngạc nhiên về mức độ ảnh hưởng của nó đến
doanh nghiệp của bạn.
Tóm lại, doanh số chi nhánh có lợi nhuận bình quân đầu người cao hơn, nhưng chúng
chiếm tỷ lệ nhỏ hơn trong tổng doanh thu. Các giao dịch trực tuyến chiếm tỷ lệ lớn hơn trong
tổng doanh thu trên mỗi khách hàng, nhưng chúng không tạo ra nhiều lợi nhuận cho mỗi lần
bán hàng. Trong hầu hết các trường hợp, điều quan trọng là tập trung vào bức tranh lớn hơn.
Đó là nơi phân tích dữ liệu đi vào bức tranh.
3. AI-driven chatbots & Trợ lý ảo

Chatbot và trợ lý ảo dựa trên AI có thể giúp bạn giảm thời gian bạn hoặc nhân viên của
bạn dành cho các công việc hàng ngày của bạn.
Những chatbot và trợ lý ảo này có thể được sử dụng trong nhiều tình huống:
● Để hỗ trợ trong dịch vụ khách hàng và quản lý kiến thức.
● Để thay thế các quy trình thủ công như gửi email hoặc phòng gọi.
● Để tăng sự tham gia của khách hàng thông qua các tương tác được cá nhân hóa.
Đây chỉ là một vài ví dụ về cách các ngân hàng và tổ chức tài chính sử dụng AI để phục
vụ khách hàng tốt hơn. Có rất nhiều người khác về cách AI đang được sử dụng bởi các tổ chức
tài chính, bao gồm nhưng không giới hạn ở: có được kiến thức về thói quen của khách hàng để
họ có thể cung cấp cho họ các giải pháp cá nhân hóa hơn; cung cấp nhiều lời khuyên có ý nghĩa
hơn về đầu tư; đưa ra lời khuyên dựa trên những gì khách hàng đã đầu tư; và cải thiện mối quan
hệ khách hàng thông qua các chiến dịch tiếp thị hiệu quả.
Ví dụ về cách các ngân hàng và tổ chức tài chính sử dụng phân tích để quản lý
phía cầu của phương trình.
1. Tiếp thị được cá nhân hóa

Đối với các tổ chức tài chính, thách thức chính là quản lý phía cầu của phương trình.
Bằng cách tập trung vào khách hàng có lợi nhuận cao nhất của họ, các ngân hàng có thể đảm
bảo lợi nhuận từ một hệ thống cho phép họ truy cập vào một khách hàng mà họ có thể không
25
có. Để các ngân hàng đạt được điều này, họ phải biết ai là khách hàng có lợi nhuận cao nhất
của họ. Đây là nơi phân tích đi vào chơi.
Ngày nay, các ngân hàng sẽ sử dụng nhiều nguồn dữ liệu khác nhau để xác định những
người họ nên nhắm mục tiêu với các thông điệp và ưu đãi tiếp thị.
2. Dự đoán giá trị trọn đời

Giá trị trọn đời của khách hàng (CLV) là một thuật ngữ được sử dụng để mô tả số tiền
mà khách hàng có khả năng chi tiêu với ngân hàng trong suốt cuộc đời của họ. Điều này khác
với quan điểm truyền thống về giá trị thương hiệu, đề cập đến việc khách hàng sẵn sàng trả bao
nhiêu cho một sản phẩm hoặc dịch vụ.
Để các ngân hàng và tổ chức tài chính tối ưu hóa mô hình kinh doanh của họ, họ cần
xem xét cả hai biện pháp giá trị khách hàng. Phân tích truyền thống có xu hướng tập trung vào
cái trước trong khi bỏ qua cái sau, điều này có thể ảnh hưởng đáng kể đến doanh thu. Và không
có gì đáng ngạc nhiên khi dự đoán CLV đã trở thành một trong những công cụ quan trọng nhất
trong việc hiểu nhu cầu và mong muốn của khách hàng.
3. Động cơ khuyến nghị

Các ngân hàng và tổ chức tài chính không chỉ xem xét cách khách hàng hiện tại của họ
sử dụng các sản phẩm mà họ cung cấp; Họ cũng tập trung vào việc làm thế nào để thu hút
khách hàng mới.
Khi nói đến việc quản lý phía cầu của phương trình, các ngân hàng và tổ chức tài chính
đang sử dụng phân tích để phát triển các mô hình dự đoán có tính đến đặc điểm khách hàng cá
nhân. Giống như điểm tín dụng, mức thu nhập, v.v., và những thứ như vị trí, có thể được sử
dụng để đánh giá các mô hình hành vi của người tiêu dùng. Các mô hình cung cấp cái nhìn sâu
sắc về cách các phân khúc dân số khác nhau hoạt động, cho phép cá nhân hóa nhiều hơn các
sản phẩm và dịch vụ.
Điều quan trọng ở đây là tất cả các hành động này được thực hiện mà không làm gián
đoạn trải nghiệm của khách hàng với thương hiệu của bạn. Vì vậy, thay vì chỉ nghĩ về cách
khiến mọi người mua hàng từ bạn, tại sao không nghĩ về cách khiến mọi người trung thành?
Phần 02: Case Study Trong Lĩnh Vực Tài Chính

Dạng 1: Tối ưu hoá lợi nhuận (Profitability Optimization)
Trong mọi trường hợp, các công ty luôn tìm cách tối ưu hóa mô hình doanh thu và cấu
trúc chi phí nhằm sử dụng vốn đầu tư một cách hiệu quả nhất có thể. Hai yếu tố cốt lõi của
26
dạng bài Tối ưu hóa lợi nhuận bao gồm: Đánh giá chi phí (Cost Assessment) và Đánh giá doanh
thu (Revenue Assessment). Đôi khi, ta chỉ cần sử dụng một trong hai yếu tố này để giải bài
toán.
Lưu ý rằng, dạng bài Tối ưu hóa lợi nhuận thường sẽ xuất hiện như một phần nhỏ trong
các business case. Ví dụ trong trường hợp phát sinh áp lực từ đối thủ hoặc sự xuất hiện của một
sản phẩm thay thế, bạn cần đánh giá và tối ưu hóa cấu trúc chi phí của công ty để xác định mức
độ cạnh tranh. Hoặc nếu case study xoay quanh việc tối ưu hóa cấu trúc chi phí của Công ty,
ta cần thực hiện một số phân tích định tính về đối thủ cạnh tranh hoặc nhà cung cấp. Cách để
nhận biết nếu như tối ưu hoá lợi nhuận là vấn đề chính trong business case chính là: đề bài sẽ
nhấn mạnh rằng lợi nhuận đã giảm (hoặc dự kiến sẽ giảm) và case study đó sẽ xoay quanh việc
xác định nguyên nhân cốt lõi của vấn đề đó và tìm giải pháp tối ưu nhất.
Ví dụ: Công ty A xác định rằng tỷ suất lợi nhuận của họ đã giảm (hoặc dự kiến sẽ giảm)
và yêu cầu bạn phân tích nguyên nhân của sự suy giảm này, đồng thời đưa ra các giải pháp tối
ưu nhất.
Cách làm:
❖ Phân tích chi phí:
➢ Thu thập phân tích chi phí hiện tại và phân tích chi phí lịch sử.
➢ Xác định thành phần chi phí chiếm tỷ lệ phần trăm lớn nhất trong tổng chi phí.
➢ Phân tích các thành phần chi phí cố định (fixed expense) và chi phí biến đổi
(variable expense), sau đó xác định bất kỳ một thay đổi có ý nghĩa nào trong
trên tổng chi phí.
➢ Đánh giá các khoản phí có thể cắt giảm mà không ảnh hưởng quá nhiều đến
doanh số.
❖ Phân tích doanh thu/ lượng đơn hàng (sales)
➢ Thu thập thông tin về số lượng bán hàng (sales volumes) và giá cả trong hiện tại lẫn
quá khứ. Sử dụng thông tin này để xác định tốc độ tăng trưởng.
➢ Xác định các dòng doanh thu chiếm tỷ lệ lớn trên tổng phần trăm mức tăng trưởng.
➢ Phân tích các lĩnh vực sản phẩm chính và xác định bất kỳ thay đổi có ý nghĩa nào
về số lượng và giá cả.
➢ Tìm hiểu về các mô hình doanh thu của đối thủ cạnh tranh để xem liệu công ty có
đang bỏ lỡ một lĩnh vực kinh doanh tiềm năng nào đó.
➢ Đánh giá các giải pháp nhằm cải thiện doanh thu như thay đổi giá (phân tích sâu
các yếu tố như độ co giãn theo giá, cách tối ưu hóa giá.)
27
Dạng 2: Tối ưu hóa giá cả (Pricing Optimization)

Trong dạng bài này, các công ty cần xác định cách đặt giá cả để tối đa hóa lợi nhuận,
Ví dụ: Khách hàng sẽ sẵn sàng trả bao nhiêu nếu Facebook chuyển sang mô hình trả tiền để
được sử dụng; Một chuỗi khách sạn muốn tối đa hóa lợi nhuận bằng cách xác định giá tối ưu
nhất đáp ứng được các mốc thời gian lưu trú và các loại phòng khác nhau.
Cách làm:
▪ Giá của đối thủ cạnh tranh/ sản phẩm thay thế là yếu tố quan trọng ở đây, đặc biệt trong
trường hợp không có sự khác biệt lớn giữa các mặt hàng với nhau.
▪ Xác định giá sản phẩm/ đối thủ cạnh tranh. Liệu sản phẩm của ta có đủ đặc biệt để nâng
mức giá lên cao hơn?
▪ Mức độ trung thành của khách hàng.
▪ Xác định Độ co giãn theo giá (Price Elasticity)
▪ Đánh giá tác động của sự thay đổi giá cả đến số lượng hàng hoá nếu có thể
▪ Giá trị tuyệt đối của Độ co giãn cầu (Demand Elasticity) càng cao, việc giảm mức giá sẽ
càng có lợi. Tương tự, chỉ số ấy càng thấp, ta sẽ càng có lợi hơn khi tăng giá.
❖ Phân tích giá theo chi phí:
➢ Chi phí đầy đủ để sản xuất sản phẩm hoặc cung cấp dịch vụ là gi? Hãy so sánh con số
này với giá cả
➢ So sánh chi phí đầy đủ với đối thủ cạnh tranh
➢ Lưu ý: Trong các trường hợp mà chi phí của khách hàng cao hơn giá của đối thủ cạnh
tranh, ta nên ngừng sản phẩm hoặc dịch vụ này trừ khi có thể chứng minh rằng: chắc
chắn có cách giúp giảm chi phí sản xuất, hoặc giá của đối thủ cạnh tranh là tạm thời và
không bền vững.
❖ Phân tích giá theo định hướng khách hàng
➢ Khách hàng sẵn sàng trả bao nhiêu tiền cho sản phẩm này?
➢ Phân tích mức độ cung và cầu
➢ Khách hàng có những lựa chọn nào khác ngoài sản phẩm của ta?
Dạng 3: Tổng quan ngành & Động lực của đối thủ cạnh tranh (Industry Landscape &
Competitor Dynamics)
Đề bài sẽ yêu cầu bạn hiểu và đánh giá một ngành hàng nào đó. Thông thường, mục
tiêu là đánh giá các đặc điểm của thị trường và xác định liệu đó có phải là một ngành hấp dẫn
đế tham gia, để tăng trưởng hay có khả năng thoát ra hay không.
Cách làm: Xác định và phân tích những yêu tơ sau:
28
❖ Thị trường/ ngành hàng:

➢ Quy mô thị trường hiện tại
➢ Tăng trưởng thị trường dự kiến
➢ Phân khúc khách hàng
➢ Lợi nhuận toàn ngành
➢ Hoạt động mua bán & sáp nhập trong ngành
➢ Lợi thế cạnh tranh/ Rào cản gia nhập
❖ Chuỗi cung ứng: ai là nhà cung cấp chủ chốt cho ngành? (không cần thiết trong vài trường
hợp)
➢ Mức độ trung thành với thương hiệu
➢ Công nghệ, pháp luật hoặc các vấn đề quan trọng khác liên quan đến thị trường
❖ Động lực của đối thủ cạnh tranh:
➢ Xác định đối thủ cạnh tranh chính trên thị trường và chiến lược của họ
➢ Thị phần và cổ phiếu hiện tại theo mốc thời gian
➢ Sự khác biệt về sản phẩm/ dịch vụ giữa các đối thủ
Dạng 4: Sản phẩm/ Dự án mới (New Product or Project)
Dạng bài này yêu cầu bạn đánh giá tính khả thi của một sản phẩm sắp ra måt: Liệu
quyết định tung ra sản phẩm này có đúng đản?
Ví dụ: Một công ty có dự định phát triển một loại máy giặt xanh - an toàn với môi
trường, sử dụng ít nước hơn 60% và làm sạch hiệu quả hơn 10% so với máy giặt tiêu chuẩn.
Công ty này cần xác định tiềm năng thị trường của sản phẩm và chiến lược tung sản phẩm ra
thị trường.
Cách làm:
❖ Góc nhìn sơ lược về sản phẩm:
➢ Liệu sản phẩm có bất kỳ lợi thế cạnh tranh nào giúp ngăn chặn khả năng xâm nhập của
đối thủ?
➢ Sản phẩm này khác hoặc tốt hơn so với các sản phẩm cạnh tranh như thế nào?
➢ Ưu và nhược điểm của sản phẩm
➢ Liệu có nguy cơ sản phẩm mới sẽ khiến một sản phẩm khác của công ty giảm doanh
thu không? (cannibalization)
❖ Chiến lược khách hàng:
➢ Khách hàng mục tiêu là gì? Điều này ảnh hưởng đến lợi nhuận và chiến lược tiếp thị
như thế nào?
29
➢ Các kênh phân phối là gì?

➢ Phương pháp để thu hút khách hàng dùng thử sản phẩm là gì?
➢ Chiến lược giữ chân khách hàng
❖ Chiến lược thâm nhập thị trường.
➢ Tổng quan thị trường.
❖ Tài chính:
➢ Lợi nhuận dự kiến có bù đắp được chi phí nghiên cứu và phát triển cần thiết không?
➢ Chi phí cơ hội (opportunity cost) của việc tài trợ là gì?- Sản phẩm này khác hoặc tốt
hơn so với các sản phẩm cạnh tranh như thế nào?
➢ Ưu và nhược điểm của sản phẩm
➢ Liệu có nguy cơ sản phẩm mới sẽ khiến một sản phẩm khác của công ty giảm doanh
thu không? (cannibalization)
Dạng 5: Kế hoạch/ Chiến lược tăng trưởng (Growth Plan/Strategy)
Ở đạng bài này, ta cần đề ra giải pháp giúp một công ty phát triển kinh doanh, có thể là
tăng doanh số bán hàng hoặc đạt được mức độ tăng trưởng ở một khu vực địa lý nhất định.
Ví dụ cụ thể Một công ty thời trang có ba cửa hàng ở miền Tây Hoa Kỳ và đang tìm
cách phát triển các chi nhánh cửa hàng của minh. CEO công ty cần bạn lên ý tưởng chiến lược
nhằm triển khai cửa hàng trên khắp Bắc Mỹ.
Cách làm:
❖ Tìm cách tăng doanh thu:
➢ Tăng số lượng hàng hoá bán ra
➢ Tối ưu hóa giá cả
➢ Xác định sản phẩm/ ngành hàng nào có cơ hội tăng trưởng lớn nhất và phân bố nguồn
đầu tư tương ứng
❖ Thúc đẩy tăng trưởng:
➢ Xác định thay đổi sở thích/ nhu cầu của khách hàng và đáp ứng phù hợp
➢ Đầu tư hoặc cải cách chiến lược tiếp thị
➢ Mở rộng kênh phân phối
➢ Thực hiện mua lại một thương hiệu khác hoặc tham gia vào một liên doanh (đạng 7)
➢ Luôn lưu ý rằng ta cần hướng tới tăng trưởng có lợi nhuận: Tăng trưởng thường không
phải là một giải pháp hiệu quả nếu chi phí vượt quá doanh thu.
30
Dạng 6: Gia nhập/ Mở rộng thị trường (Market Entry or Expansion)

Trong trường hợp này, công ty cần tìm cách mở rộng hoặc tham gia vào một thị trường
mới – đó có thể là một khu vực địa lý hoặc một phân khúc khách hàng bổ sung.
Ví dụ:
Một nhà bán lẻ dụng cụ thể thao trực tuyến đang tìm cách thâm nhập thị trường châu
Âu. Giám đốc điều hành muốn giúp đỡ trong việc xây dựng một chiến lược nhập cảnh.
Một nhà sản xuất đồng hồ cao cấp đã phát triển một mẫu đồng hồ chất lượng cao nhằm
thu hút những khán giả trẻ, giàu có. CEO muốn phát triển một chiến lược để thu hút phân khúc
khách hàng này.
Cách làm:
❖ Cảnh quan thị trường/ ngành công nghiệp (tương tư dạng 3).
❖ Động lực của đối thủ cạnh tranh.
❖ Chiến lược gia nhập thị trường:
➢ Cách tiếp cận thị trường (sáp nhập hoặc truyền thống?)
➢ Thời gian / đầu tư cần thiết để tham gia thị trường
➢ Phân khúc khách hàng
➢ Chiến lược định giá sản phẩm
Phần 03: Case Study Trong Lĩnh Vực Sales
1. Customer satisfaction analysis (Phân tích sự hài lòng của khách hàng)
Những khách hàng hài lòng với sản phẩm hoặc dịch vụ của bạn có nhiều khả năng mua
lại từ bạn. Phân tích sự hài lòng của khách hàng là quá trình đánh giá xem khách hàng của bạn
có nhận được những gì họ muốn và mong đợi từ doanh nghiệp, sản phẩm hoặc dịch vụ của bạn
hay không - nói tóm lại là họ hài lòng hay không hài lòng. Cách phổ biến nhất để đánh giá sự
hài lòng của khách hàng là kết hợp các khảo sát định lượng và định tính.
Mẹo: Thay vì chi nhiều tiền cho các cuộc khảo sát, tại sao không khuyến khích khách
hàng của bạn tương tác với bạn thông qua trang Facebook hoặc Twitter .
2. Customer lifetime value analytics (Phân tích giá trị trọn đời của khách hàng)
Nếu bạn có thể quy một giá trị trọn đời cho mỗi khách hàng, bạn có thể thấy ngay những
giá trị nào là quan trọng nhất và do đó quan trọng nhất đối với bạn. Phân tích giá trị trọn đời
của khách hàng là quá trình phân tích giá trị của khách hàng đối với doanh nghiệp trong toàn
bộ thời gian của mối quan hệ. Thay vì nhìn vào lợi nhuận giao dịch, bạn nhìn vào thời gian
31
khách hàng có khả năng ở lại khách hàng, tần suất họ có thể mua trong khoảng thời gian đó và
do đó họ có giá trị như thế nào trong khung thời gian đó. Điều này cho phép bạn tập trung chú
ý tiếp thị vào các khách hàng có giá trị nhất. Hoàn thành tốt, phân tích này cũng có khả năng
xác định các cách để tăng thời gian của mối quan hệ và giá trị của khách hàng.
Mẹo: Thách thức lớn nhất với giá trị trọn đời là tìm ra công thức phù hợp cho doanh
nghiệp của bạn. Một chuyên gia KPI có thể giúp với điều này.
3. Customer segmentation analytics (Phân tích phân khúc khách hàng)

Phân tích phân khúc khách hàng là quá trình tìm kiếm các nhóm hoặc phân khúc trong
thị trường tổng thể. Có thể đánh giá khách hàng của bạn và chia họ thành nhiều phân khúc khác
nhau có thể mua nhiều sản phẩm hơn một sản phẩm khác hoặc mua thường xuyên hơn cho
phép bạn điều chỉnh các nỗ lực tiếp thị và truyền thông của mình. Internet là một nguồn dữ liệu
khách hàng hữu ích, giúp các công ty xác định các phân khúc rõ ràng - khai thác dữ liệu và
phân tích văn bản là những công cụ hữu ích cho việc này.
Mẹo: Có thể chia các segment khách hàng gần với mô hình khách hàng lý tưởng bạn
muốn hướng tới, sau đó A/B Testing để tính ROI và CLV
4. Sales channel analytics (Phân tích kênh bán hàng)

Trừ khi bạn biết cách bán hàng của bạn được thực hiện và kênh nào có lợi nhất thì bạn
có thể lãng phí thời gian và tiền bạc cho các kênh bán hàng mà don lồng làm việc. Phân tích
kênh bán hàng xem xét tất cả các cách khác nhau mà bạn phân phối sản phẩm cho thị trường
của mình để xem kênh nào hiệu quả nhất, cho phép bạn sử dụng tốt nhất các tài nguyên của
mình. Để phân tích này, bạn cần xác định tất cả các kênh bán hàng mà bạn hiện đang sử dụng
hoặc có thể sử dụng, sau đó quy từng doanh số cho một kênh và trừ chi phí bán hàng có liên
quan cho mỗi kênh.
Mẹo: Hãy nhớ rằng bạn không phải luôn luôn biết khách hàng có tiếp xúc với một kênh
bán hàng khác trước khi mua hay không. Nói cách khác, một khách hàng có thể đã nhìn thấy
sản phẩm của bạn trong một cửa hàng nhưng thích mua trực tuyến hơn.
5. Web analytics (Phân tích trang web)

Bán hàng trực tuyến chỉ trong mỗi ngành công nghiệp đang tăng lên. Phân tích trang
web là quá trình phân tích hành vi trực tuyến để tối ưu hóa việc sử dụng trang web và tăng mức
độ tương tác và bán hàng. Có hai loại phân tích trang web: ngoài trang web và tại chỗ. Phân
tích trang web ngoài trang web rất hữu ích để đánh giá thị trường và cơ hội trong khi tại chỗ
32
rất hữu ích để đo lường kết quả thương mại. Có nhiều công cụ phân tích trang web và nhà cung
cấp dịch vụ có sẵn, chẳng hạn như Google Analytics.
Mẹo: Giá trị thực của phân tích trang web xuất hiện nếu bạn tiếp tục làm điều đó và có
thể thấy hiệu suất trực tuyến của bạn thay đổi theo thời gian (số lượng session, thời gian tương
tác, tỉ lệ bounce rate)
6. Social media analytics (Phân tích phương tiện truyền thông xã hội)
Nếu bạn không biết những gì mọi người đang nói về công ty hoặc sản phẩm của bạn,
bạn có thể giải quyết mọi vấn đề phát sinh. Phân tích phương tiện truyền thông xã hội là quá
trình thu thập và phân tích dữ liệu từ phương tiện truyền thông xã hội để xem mọi người đang
nói gì về sản phẩm, dịch vụ, thương hiệu hoặc công ty của bạn. Trong phân tích phương tiện
truyền thông xã hội, dữ liệu văn bản từ các bài đăng và blog trên phương tiện truyền thông xã
hội được thu thập và khai thác cho những hiểu biết có liên quan về mặt thương mại bằng cách
sử dụng phân tích văn bản và phân tích tình cảm.
Mẹo: Sức mạnh thực sự của phân tích truyền thông xã hội là bản chất tức thời, tức thời
của nó. Nếu bạn có thể phát hiện ra những khách hàng không hài lòng một cách nhanh chóng
thì bạn có cơ hội để xoay chuyển tình huống đó và tạo ra một khách hàng trung thành.
7. Customer engagement analytics (Phân tích sự tham gia của khách hàng)
Các doanh nghiệp nổi tiếng là kém trong việc thu hút khách hàng, nhưng nó có tác động
trực tiếp đến lợi nhuận của công ty. Phân tích sự tham gia của khách hàng là một lĩnh vực phát
triển nhanh chóng, nơi các doanh nghiệp đang cố gắng lập bản đồ toàn bộ hành trình tương tác
của khách hàng trực tuyến và ngoại tuyến. Về cơ bản, đó là quá trình đánh giá mức độ (hoặc
nói cách khác) bạn thu hút khách hàng của bạn với các sản phẩm, dịch vụ hoặc thương hiệu
của bạn thông qua các tương tác khác nhau này. Các cách đo lường sự tham gia của khách hàng
bao gồm khảo sát và phân tích phương tiện truyền thông xã hội.
Mẹo: Bạn có thể làm hài lòng tất cả mọi người mọi lúc nhưng phân tích mức độ tương
tác của khách hàng có thể giúp xác định các khía cạnh nào của giá trị sản phẩm hoặc dịch vụ
của khách hàng để bạn có thể liên tục cải thiện dịch vụ của mình.
8. Customer churn analytics (Phân tích tỷ lệ khách rời bỏ sử dụng dịch vụ)
Giữ khách hàng hiện tại của bạn luôn dễ dàng và rẻ hơn nhiều so với cố gắng tìm kiếm
khách hàng mới. Phân tích khách hàng là quá trình đánh giá số lượng khách hàng bạn mất trong
suốt một năm. Nó cũng cho phép bạn dự đoán khách hàng trong tương lai và có hành động
33
phản ứng trước khi bạn mất những khách hàng đó. Khách hàng có thể được đánh giá bằng cách
sử dụng KPI như tỷ lệ giữ chân khách hàng và tỷ lệ doanh thu của khách hàng.
Mẹo: Luôn quan tâm dữ liệu sau hành động mua hàng (Post-purchased Data Points), sự
hài lòng về trải nghiệm mua hàng là chìa khóa để giảm khách rời bỏ (Customer Churn)
9. Customer acquisition analytics (Phân tích khả năng thu hút khách hàng mới)
Nếu bạn không có đủ khách hàng, doanh nghiệp của bạn sẽ thất bại và điều tương tự
cũng xảy ra nếu bạn chi quá nhiều tiền để có được những khách hàng đó. Phân tích thu hút
khách hàng tìm cách thiết lập mức độ hiệu quả của bạn trong việc có được khách hàng mới,
bao gồm cả hiệu quả của bạn trong việc chèn ép khách hàng từ đối thủ cạnh tranh. Có một số
số liệu có thể giúp thiết lập việc thu hút khách hàng, chẳng hạn như chi phí cho mỗi khách hàng
tiềm năng và tỷ lệ chuyển đổi khách hàng.
Mẹo: Khi tính chi phí cho mỗi khách hàng tiềm năng và chi phí cho mỗi khách hàng
tiềm năng đủ điều kiện, hãy tính riêng chúng cho từng sáng kiến tiếp thị (marketing plan) hoặc
chiến dịch bạn thực hiện. Điều này sẽ cho bạn một bức tranh rõ ràng hơn nhiều về những gì
đang hoạt động và những gì không.
Phần 04: Các Bài Toán Phân Tích Về Hr
1. Tiết kiệm chi phí nhân sự bằng cách dự đoán nhân sự nghỉ việc
Vào ngày 13 tháng 3 năm 2015, Tạp chí Phố Wall đã xuất bản một bài báo có tiêu đề:
“The Algorithm That Tells the Boss Who Might Quit”. Bài báo đã khám phá cách Credit Suisse
có thể dự đoán ai có thể rời khỏi công ty. Đó là một trong những ví dụ đầu tiên về phân tích
nhân sự nghỉ việc rất phổ biến hiện nay.
Không chỉ các nhà phân tích tại Credit Suisse có thể dự đoán ai có thể nghỉ việc sớm,
mà họ còn có thể xác định lý do tại sao những người này có thể bỏ việc. Thông tin này được
cung cấp ẩn danh cho các nhà quản lý để họ có thể giảm các yếu tố rủi ro doanh thu và giữ
chân nhân viên của họ tốt hơn
Ngoài ra, các nhà quản lý đặc biệt được đào tạo để giữ chân các nhân viên có hiệu suất
cao có nguy cơ nghỉ việc cao. Tổng cộng, chương trình này đã tiết kiệm cho Credit Suisse
khoảng 70.000.000 đô la một năm.
2. Mối liên giữa sự gắn bó với mức thu nhập
34
Một bài toán phân tích nhân sự khác về phân tích con người tại nơi làm việc đã được
công bố trên Harvard Business Trong một bài báo có tựa đề Competing on Talent Analytics,
các tác giả mô tả nghiên cứu của họ ở nhiều công ty lớn ở Mỹ.
Họ đặc biệt nghiên cứu mối quan hệ giữa sự gắn bó và yếu tố tài chính. Sự gắn bó
thường được coi là “chén thánh” của nhân sự - những tác động của nó rất khó đo lường.
Các tác giả mô tả rằng một số tổ chức "có thể xác định chính xác giá trị của sự gia tăng
0,1% sự gắn bó giữa các nhân viên trong một doanh nghiệp cụ thể." Họ lấy ví dụ về Best Buy,
sự gắn bó ở đây tăng 0,1% dẫn đến thu nhập hoạt động hàng năm của mỗi cửa hàng tăng hơn
$100.000.
Tầm quan trọng của mối quan hệ này đã thúc đẩy Best Buy thực hiện các cuộc khảo sát
về sự gắn bó của nhân viên hàng quý thay vì hàng năm.
3. Sự rời bỏ tại Experian

Sự rời bỏ của nhân sự tại Experian là một vấn đề. Công ty đang phải đối mặt với tỷ lệ
nghỉ việc cao hơn 3-4% so với mong muốn.
Bằng cách xây dựng một mô hình dự đoán bao gồm 200 thuộc tính, bao gồm quy mô
và cấu trúc nhóm, hiệu suất giám sát và thời gian đi lại, họ đã có thể dự đoán rủi ro rời bỏ.
Một ví dụ về yếu tố rủi ro cho các team từ hơn 10 đến 12 người. Nhóm phân tích cũng
xác định các tác nhân gây rủi ro rời bỏ: khi khoảng cách từ nhà đến văn phòng của họ càng xa,
các rủi ro về rời bỏ của nhân sự sẽ gia tăng
4. Giữ nhân tài chính tại Nielsen

Nielsen đã tạo ra một mô hình dự đoán tương tự vào năm 2015. Mô hình dự đoán đầu
tiên chỉ bao gồm 20 biến số, bao gồm tuổi tác, giới tính, nhiệm kỳ và xếp hạng người quản lý.
Theo thời gian, nhiều biến đã được thêm vào.
Bài tập này cung cấp nhiều hiểu biết đa dạng, bao gồm những nhân viên mới tuyển
dụng trong 1 năm. Những người này sẽ được kiểm tra xem họ đã những liên hệ quan trọng
trong công việc hay chưa. Ví dụ, lần kiểm tra đầu tiên với người quản lý của họ phải xảy ra
trong một khoảng thời gian nhất định sau khi tuyển dụng, nếu không, nó sẽ nhận được thông
báo về việc liên hệ của họ. Đây là một điều kiện quan trọng đã được chứng minh để duy trì
năm đầu tiên.
Mặc dù thăng tiến là một yếu tố để thúc đẩy mọi người ở lại, nhưng các yếu tố bên
trong doanh nghiệp lại là yếu tố quan trọng hơn tạo động lực mạnh mẽ để mọi người ở lại.
35
Một khảo sát đáng tin cậy được thực hiện với những người có nguy cơ nghỉ việc cao
nhất trong sáu tháng và kết quả thu được là 40% nhóm người được khảo đã được luân chuyển
sang vị trí mới thay vì cho họ nghỉ việc. Việc thực hiện những phương pháp này giúp tăng tỷ
lệ gắn bó lên 48%.
5. A/B Testing đào tạo nhân sự

Tóm tắt của nghiên cứu được trình bày trong một bài báo viết bởi Tony Brugman và
Rob van Dijk từ công việc tư vấn của riêng họ.
Công ty là một nhà bán lẻ FMCG lớn của Hà Lan sử dụng phân tích con người để phân
tích tác động của việc đào tạo. Các nhà phân tích phát hiện ra rằng việc đào tạo nhân viên có
tác động tích cực đến hiệu quả tài chính của cửa hàng. Điều này được đo lường thông qua thử
nghiệm A/B. Chỉ trong năm đầu tiên, chỉ số ROI của chương trình đào tạo đã lên tới 400%.
36
TỔNG KẾT
Ebook Chuẩn bị CV - Chuẩn bị làm Data Analyst được tham khảo và tổng hợp bởi
các chuyên gia, senior Data Analyst trong ngành. Mục tiêu của quyển ebook này là trở thành
hành trang vững chắc trên con đường trở thành chuyên viên phân tích dữ liệu phía trước của
bạn. Những chia sẻ thực tế về về CV, câu hỏi phỏng vấn và những chứng chỉ Data Analyst
chắc chắn sẽ giúp ích bạn đưa ra quyết định đúng đắn nhất.
“Với khối lượng lớn dữ liệu như vậy, cần có ít nhất một người có khả năng tổng hợp,
phân tích, và diễn giải số liệu ra những thông tin súc tích và thiết thực nhất cho tổ chức - doanh
nghiệp của mình phát triển theo đúng hướng. Ngay cả lãnh đạo nhà nước cũng cần Data Analyst
để giải đáp bộ số liệu quốc gia nhằm có chính sách đúng đắn cho toàn dân (chúng ta đang
chứng kiến điều này qua sự kiện COVID-19 trên khắp thế giới)”, Chị Chi Nguyễn (Chuyên
viên phân tích dữ liệu tại Penn State University) chia sẻ. Chính vì vậy, hãy chuẩn bị cho mình
kiến thức và kỹ năng thật tốt để tự tin bước chân vào con đường phân tích dữ liệu phía trước
Hơn ai hết, MCI luôn mong rằng kiến thức chúng tôi truyền đạt sẽ là chìa khóa giúp
học viên mở ra cánh cửa nghề nghiệp yêu thích. Hy vọng Ebook Chuẩn bị CV - Chuẩn bị
làm Data Analyst sẽ giúp bạn giải đáp những trăn trở và luôn đồng hành cùng bạn trong lĩnh
vực phân tích dữ liệu. Chúc bạn gặt hái được nhiều thành công trong sự nghiệp!
Học viện đào tạo MCI Việt Nam
37
TÀI LIỆU THAM KHẢO

1. Dữ liệu tham khảo từ tổng cục thống kê VN: gov.vn
2. Nguồn tham khảo của các phần.
3. 6 Best Data Analyst Certifications 2022 | Reviews and Pricing (joshfechter.com)
4. Becoming a Certified Data Analyst: Top 5 Certifications (hevodata.com)
5. 10 Great Certifications for Data Analysts | Indeed.com
6. Best Data Analytics Certifications for 2022 [Ranked] (hackr.io)
7. Phát hiện gian lận - https://vietnambankers.edu.vn/p1-gian-lan-tai-chinh-case-study-jvc/
8. Topcv.vn
9. Data Analyst ( Chuyên viên Phân tích dữ liệu ) - Nghề của thời đại số - Chị Chi Nguyễn
- https://thepresentwriter.com/data-analyst/
38

Ebook Chuẩn bị CV - Chuẩn bị làm Data Analyst

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ebook Chuẩn bị CV - Chuẩn bị làm Data Analyst

Uploaded by

Copyright:

Available Formats

SCRIPT

MCI Consulting & Analytics

Biên soạn bởi:

MCI Consulting & Analytics

LỜI MỞ ĐẦU ............................................................................................................................. 1

CHƯƠNG 01: TỔNG QUAN CÁC VỊ TRÍ NGÀNH DATA

Phần 01: Thông Tin Về Vị Trí Data Analyst

1.2 Các kỹ năng của chuyên viên phân tích dữ liệu

1.2.1 Kỹ năng chuyên môn

1.2.1.1 Kỹ năng trực quan hóa dữ liệu

1.2.1.2 Kiến thức thống kê

1.2.2 Kỹ năng mềm

1.2.2.1 Kỹ năng giải quyết vấn đề

1.2.2.2 Kỹ năng giao tiếp

1.2.2.3 Kỹ năng kể chuyện bằng dữ liệu - Data Storytelling

1.2.2.4 Kỹ năng logic, tư duy con số

Phần 02: Thông Tin Vị Trí Data Science

2.1 Giới thiệu ngành Data Science

2.2.1 Kỹ năng chuyên môn

2.2.1.1 Kỹ năng làm việc với dữ liệu phi cấu trúc

2.2.1.2 Kỹ năng xử lý dữ liệu

2.2.1.3 Kỹ năng thu thập và truy vấn dữ liệu

2.2.2 Kỹ năng mềm

2.2.2.1 Tư duy phản biện

2.2.2.2 Đam mê khám phá dữ liệu

2.2.2.3 Giải quyết vấn đề

CHƯƠNG 2: CV XỊN CHINH PHỤC NHÀ TUYỂN DỤNG

1.2 Giới thiệu về bản thân

1.2.1 Thông tin cá nhân

1.2.2 Ưu điểm và khuyết điểm

● Kỹ năng phân tích và quản lý dữ liệu

● Kỹ năng tìm kiếm dữ liệu

1.3 Mục tiêu nghề nghiệp

1.4 Học vấn

Cách trình bày học vấn trong CV:

● Tên trường và địa điểm

1.5 Kinh nghiệm làm việc

● Utilized Microsoft SPSS statistical software to track and analyze data.

● Boosted sales by 17%.

● Successfully interpreted data to identify key metrics and draw conclusions.

● Proposed solutions to improve system efficiencies, leading to a 15% reduction in

Phần 02: Một Số Mẹo Giúp Bạn Trình Bày Cv Ấn Tượng

2.1 Hình ảnh cá nhân trong CV

2.2 Độ dài CV vừa đủ

2.3 Lựa chọn màu sắc CV phù hợp

2.4 Trình bày thông tin nổi bật

CHƯƠNG 3: 1001 CÂU HỎI PHỎNG VẤN CỦA NHÀ

Câu 8: Kể tên một số công cụ bạn đã dùng để phân tích dữ liệu.

CHƯƠNG 4: CHỨNG CHỈ DATA ANALYST NÂNG

Phần 02: Các Chứng Chỉ Khác Cho Ngành Data

1. Google Certified Professional Data Engineer

2. Microsoft Certificated: Azure Data Fundamentals

4. Các chứng chỉ AWS

a. AWS Certified Cloud Practitioner

b. AWS Certified Solutions Architect – Associate

CHƯƠNG 5: CÁC BÀI TOÁN PHÂN TÍCH DỮ LIỆU

1. Phát hiện gian lận

2. Lập mô hình rủi ro cho ngân hàng đầu tư

3. Phân tích rủi ro tín dụng

4. Rủi ro hoạt động & thanh khoản

1. Phân tích hiệu suất bán hàng

2. Phân tích bán hàng chi nhánh và kênh trực tuyến

3. AI-driven chatbots & Trợ lý ảo

1. Tiếp thị được cá nhân hóa