Ngành dữ liệu: không chỉ là vẽ biểu đồ, đây là "mạch máu" của doanh nghiệp

Nếu bạn từng tìm hiểu về ngành dữ liệu, nhiều khả năng bạn đã thấy hình ảnh quen thuộc: một màn hình đầy biểu đồ nhiều màu, và dòng chữ "Data Scientist — nghề gợi cảm nhất thế kỷ 21".

Hình ảnh đó không sai, nhưng nó giống như nói nghề bác sĩ là "mặc áo blouse trắng". Nó cho bạn thấy phần dễ chụp ảnh nhất, và giấu đi phần chiếm 80% thời gian thực tế.

Sự thật ít lấp lánh hơn: trong một doanh nghiệp, phần lớn công sức của người làm dữ liệu không dành cho việc vẽ biểu đồ, mà dành cho việc làm sạch và kết nối dữ liệu trước khi có thể vẽ bất cứ thứ gì. Và đó cũng chính là chỗ thị trường đang khát người nhất.

Tóm tắt nhanh

• Ngành dữ liệu có ba nhánh chính: Data Analyst (DA), Data Engineer (DE) và Data Scientist (DS) — khác nhau rất xa, đừng gộp làm một.
• Ở Việt Nam hiện nay, Data Engineer là vị trí thiếu người nhất, còn Data Analyst mức cơ bản thì đang thừa.
• Thứ tạo ra khác biệt không phải công cụ, mà là hiểu việc kinh doanh: biết con số này ảnh hưởng tới quyết định nào.
• Lộ trình học nghề thực tế là 9–12 tháng, xoay quanh SQL, Python, mô hình hoá dữ liệu và một công cụ đám mây.
• Đây là một trong số ít ngành công nghệ mà người học trái ngành — kinh tế, kế toán, ngoại ngữ — có lợi thế thật sự.

Vì sao dữ liệu lại quan trọng đến thế?

Lấy một ví dụ gần gũi. Một chuỗi trà sữa có 30 cửa hàng. Mỗi ngày họ có: dữ liệu bán hàng từ máy tính tiền, dữ liệu đơn giao từ ứng dụng, dữ liệu tồn kho từ phần mềm kho, dữ liệu quảng cáo từ mạng xã hội, và dữ liệu chấm công của nhân viên.

Năm nguồn đó nằm ở năm hệ thống khác nhau, đặt tên khác nhau, thậm chí ghi ngày tháng theo định dạng khác nhau. Câu hỏi tưởng chừng đơn giản — "cửa hàng nào đang lỗ, và vì sao?" — không ai trả lời được, vì không có chỗ nào để so năm nguồn ấy với nhau.

Đây là tình trạng mà giới chuyên môn gọi là dữ liệu phân mảnh, và nó phổ biến ở gần như mọi doanh nghiệp sản xuất, bán lẻ và tài chính tại Việt Nam. Hãng nghiên cứu Gartner từ lâu đã chỉ ra rằng nền móng quản trị dữ liệu kém là nguyên nhân khiến phần lớn các dự án phân tích và AI không đi tới đâu.

Và trong thời AI tạo sinh, chuyện này còn nghiêm trọng hơn. Một trợ lý AI chỉ thông minh bằng dữ liệu nó được đọc. Dữ liệu bẩn thì AI trả lời sai một cách rất tự tin — nguy hiểm hơn là không có AI.

Ba vị trí, ba công việc hoàn toàn khác nhau

Hãy dùng phép so sánh với một nhà hàng để nhớ cho dễ:

	Data Engineer (DE)	Data Analyst (DA)	Data Scientist (DS)
Ví von	Người lo nguồn hàng và gian bếp	Đầu bếp nấu món hằng ngày	Bếp trưởng nghiên cứu món mới
Làm gì	Xây "đường ống" đưa dữ liệu từ mọi nguồn về một kho, làm sạch, sắp xếp	Trả lời câu hỏi kinh doanh bằng dữ liệu, dựng báo cáo, tìm nguyên nhân	Xây mô hình dự đoán: khách nào sắp bỏ đi, tồn kho tháng sau bao nhiêu
Công cụ chính	SQL, Python, dbt, Airflow, kho dữ liệu đám mây	SQL, Excel, Power BI hoặc Looker, Python cơ bản	Python, thống kê, thư viện máy học
Nhu cầu tuyển ở VN	Rất cao, thiếu trầm trọng	Cao ở mức giỏi, thừa ở mức cơ bản	Thấp hơn nhiều, chủ yếu ở công ty lớn
Hợp với ai	Thích xây hệ thống, thích mọi thứ gọn gàng, chịu được việc tỉ mỉ	Thích đặt câu hỏi, giỏi giải thích, thích gần việc kinh doanh	Thích toán và thống kê, chịu được việc thử nghiệm nhiều lần thất bại

Vì sao Data Analyst "cơ bản" lại đang thừa?

Đây là điều ít ai nói thẳng với người mới. Trong vài năm qua, hàng loạt khoá học ngắn hạn dạy đúng một combo: SQL cơ bản cộng Power BI, làm vài dashboard mẫu, xong. Kết quả là thị trường có rất nhiều hồ sơ giống hệt nhau.

Cùng lúc đó, các công cụ tự phân tích ngày càng tốt. Nhiều phần mềm bây giờ cho phép trưởng phòng tự gõ một câu hỏi bằng tiếng Việt và nhận về biểu đồ. Nếu tất cả giá trị của bạn là "biết kéo thả để ra biểu đồ", phần mềm đang tiến rất nhanh về phía bạn.

Nhưng — và đây là điểm mấu chốt — Data Analyst giỏi thì vẫn cực kỳ đắt giá. Khác biệt nằm ở chỗ: người giỏi không chờ được giao câu hỏi. Họ nhìn số liệu, tự phát hiện điều bất thường, tự tìm nguyên nhân, và trình bày sao cho lãnh đạo ra được quyết định. Đó là việc phần mềm chưa làm được.

Bí quyết bứt phá: hiểu kinh doanh, không chỉ hiểu công cụ

Có một tình huống thật rất hay gặp. Sếp hỏi: "Tháng này doanh thu giảm 8%, tại sao?"

Một bạn mới vào nghề sẽ mở dữ liệu, lọc theo tháng, dựng biểu đồ, và trả lời: "Dạ, doanh thu giảm 8% ạ." Bạn ấy vừa lặp lại câu hỏi bằng hình ảnh.

Một bạn có tư duy kinh doanh sẽ hỏi tiếp trước khi trả lời: Giảm ở tất cả cửa hàng hay chỉ vài chỗ? Giảm ở số đơn hay ở giá trị mỗi đơn? Tháng trước có sự kiện gì bất thường không? Đối thủ có khuyến mãi không? Rồi bạn ấy trả về: "Doanh thu giảm 8%, nhưng 6 trong 8 điểm đó đến từ 3 cửa hàng khu vực A, nơi có một chuỗi mới khai trương ngày 5. Các cửa hàng còn lại thực ra tăng nhẹ."

Hai câu trả lời dùng cùng một bộ dữ liệu và cùng một công cụ. Chỉ một trong hai giúp công ty làm được gì đó.

Đây cũng là lý do nhiều người học kinh tế, kế toán, quản trị kinh doanh chuyển sang ngành dữ liệu rất thành công: họ đã có sẵn phần khó dạy nhất, chỉ cần bổ sung phần kỹ thuật.

Thêm một nghề đang lên: Analytics Engineer

Vài năm gần đây xuất hiện một vị trí nằm giữa DA và DE, gọi là Analytics Engineer. Họ nhận dữ liệu thô mà Data Engineer đã đưa về kho, rồi biến nó thành các bảng sạch, có ý nghĩa kinh doanh rõ ràng để cả công ty dùng chung.

Nghe có vẻ nhỏ, nhưng đây là chỗ giải quyết một vấn đề đau đầu: mỗi phòng ban tự tính "doanh thu" theo một cách, và trong cuộc họp thì ba phòng đưa ra ba con số khác nhau cho cùng một tháng. Analytics Engineer là người thiết lập một định nghĩa duy nhất, ai cũng dùng.

Công cụ tiêu biểu của nghề này là dbt. Nếu bạn muốn chọn một ngách vừa dễ vào hơn DE thuần tuý, vừa ít cạnh tranh hơn DA, đây là lựa chọn đáng cân nhắc.

Lộ trình học nghề 9–12 tháng từ con số 0

Dành cho học sinh cuối cấp hoặc sinh viên, khoảng 8–10 giờ mỗi tuần.

Giai đoạn	Học gì	Sản phẩm cần có
Tháng 1–2	SQL cho đến mức thành thạo: JOIN, GROUP BY, cửa sổ (window function). Đây là kỹ năng quan trọng số một, không có ngoại lệ.	Giải được 50–80 bài truy vấn trên một nền tảng luyện tập
Tháng 3–4	Excel/Google Sheets ở mức nâng cao và một công cụ báo cáo (Power BI hoặc Looker Studio — bản miễn phí là đủ)	Một báo cáo phân tích về chủ đề bạn thật sự quan tâm
Tháng 5–6	Python cho dữ liệu: pandas, đọc ghi file, làm sạch dữ liệu bẩn	Một dự án làm sạch bộ dữ liệu lộn xộn có thật
Tháng 7–8	Mô hình hoá dữ liệu: bảng sự kiện và bảng chiều, vì sao phải tách. Học dbt cơ bản.	Một dự án dbt nhỏ trên GitHub
Tháng 9–10	Một nền tảng dữ liệu đám mây (BigQuery có bậc miễn phí rất rộng rãi cho người học)	Đưa dự án trên lên đám mây, chạy tự động hằng ngày
Tháng 11–12	Kể chuyện bằng dữ liệu và luyện phỏng vấn	Hồ sơ 3 dự án có mô tả rõ ràng, bắt đầu nộp thực tập

Lời khuyên về chọn đề tài dự án

Đừng dùng những bộ dữ liệu mẫu mà ai học cũng làm. Người tuyển dụng đã xem chúng hàng trăm lần.

Hãy chọn thứ gần với bạn và có câu hỏi thật: dữ liệu điểm thi của khối bạn qua các năm, dữ liệu giá sách giáo khoa, dữ liệu chi tiêu của gia đình trong 12 tháng, dữ liệu lượt xem kênh YouTube của câu lạc bộ trường. Nhỏ cũng được — quan trọng là bạn có một câu hỏi thật và đi tới một kết luận thật.

Câu hỏi thường gặp

Em phải giỏi Toán mới học được ngành dữ liệu à?

Tuỳ nhánh. Với Data Engineer và Analytics Engineer — hai vị trí đang thiếu người nhất — bạn cần tư duy logic và sự tỉ mỉ hơn là Toán cao cấp. Với Data Analyst, cần thống kê mô tả ở mức phổ thông. Chỉ Data Scientist mới thật sự cần nền toán và xác suất vững.

Học ngành gì ở đại học để làm dữ liệu?

Các ngành gần nhất là Khoa học dữ liệu, Hệ thống thông tin, Công nghệ thông tin, Toán ứng dụng, Thống kê. Nhưng rất nhiều người trong nghề tốt nghiệp kinh tế, tài chính, kế toán. Nếu bạn thích cả kinh doanh lẫn kỹ thuật, học kinh tế rồi tự bổ sung SQL và Python là con đường hoàn toàn khả thi — đôi khi còn lợi thế hơn.

AI có thay thế người làm dữ liệu không?

AI đã thay thế phần viết truy vấn và vẽ biểu đồ đơn giản — hai việc mà người mới thường tưởng là toàn bộ nghề. Phần không thay thế được là: biết hỏi câu hỏi đúng, biết dữ liệu này đáng tin tới đâu, và chịu trách nhiệm khi kết luận sai dẫn tới quyết định sai. Nghề không mất, nhưng ngưỡng vào đã cao hơn.

Không có kinh nghiệm thì xin việc kiểu gì?

Bằng dự án. Trong ngành này, một hồ sơ có ba dự án tự làm, mô tả rõ ràng, có mã nguồn công khai thì mạnh hơn hẳn một CV liệt kê tên khoá học. Ngoài ra, vị trí thực tập và các cuộc thi phân tích dữ liệu do doanh nghiệp tổ chức là cửa vào rất tốt.

Kết lại

Ngành dữ liệu không phải nghề "ngồi vẽ biểu đồ đẹp". Nó là nghề làm cho một tổ chức nhìn thấy chính mình — và trong thời mà mọi quyết định kinh doanh đều muốn dựa trên số liệu, đó là vị trí rất khó bị gạt ra ngoài.

Điều đáng mừng cho học sinh THPT: đây là ngành có ngưỡng vào dễ chịu. Bạn chỉ cần một chiếc máy tính phổ thông, một tài khoản miễn phí và sự kiên trì với SQL trong hai tháng đầu. Phần khó không nằm ở công nghệ, mà ở thói quen luôn hỏi "con số này thật sự nói lên điều gì?".

Muốn biết hướng dữ liệu có hợp với tính cách của mình không, hãy thử bài trắc nghiệm hướng nghiệp của Grade, và đọc thêm Bản đồ việc làm kỷ nguyên số để đặt nghề này vào bức tranh chung.