Trong phần 1, chúng ta đã được nghe những chia sẻ của bạn Tùng về kinh nghiệm cá nhân ứng tuyển vị trí Intern, Fresher trong ngành Dữ liệu. Vậy còn từ phía thị trường hay các nhà tuyển dụng, liệu có tương lai phát triển cho những bạn bắt đầu với vị trí Intern, Fresher?
Dưới đây là những quan điểm cá nhân của tôi với tư cách là một nhà tuyển dụng (NTD) và một nhà đào tạo (NĐT). Hãy thảo luận cùng tôi nhé!
Các nội dung chính
Kỳ vọng của nhà tuyển dụng

Hình 1. Mô hình đánh giá năng lực A-S-K
Tôi để ở đây một bản của mô hình A-S-K, mô hình đánh giá năng lực nhân sự được sử dụng phổ biến trên thế giới. Mô hình này đánh giá dựa trên 3 yếu tố: Attitude – Thái độ, Skill – Kỹ năng, Knowledge – Kiến thức, các yếu tố đều có thể tác động qua lại lẫn nhau.
Dưới tư cách là nhà tuyển dụng, với những vị trí Entry level, tôi sẽ kỳ vọng nhiều vào thái độ của ứng viên hơn Kỹ năng và Kiến thức. Bởi những bạn này chưa có nhiều kinh nghiệm làm việc thực tế trong doanh nghiệp, tuy nhiên, nếu có thái độ tốt thì các bạn có thể học hỏi rất nhanh.
Thái độ tốt có thể thể hiện qua một số việc như: chủ động kết nối với NTD, chuẩn bị kỹ càng trước buổi phỏng vấn, sẵn sàng học hỏi, tích cực nhận những công việc được giao và hỏi ngay khi gặp vướng mắc.
Tuy nhiên, đối với ứng viên đã có kinh nghiệm làm việc thì thái độ tốt là điều tiên quyết, còn tôi sẽ yêu cầu nhiều hơn về Kỹ năng và Kiến thức.
Trong vị trí Data Analyst, có một số kiến thức, kỹ năng cần thiết như:
Về kiến thức:
1. Domain knowledge: Kiến thức về ngành nghề, lĩnh vực mà doanh nghiệp đang hoạt động.
2. Business knowledge: Nắm được kiến thức về hệ thống mà doanh nghiệp sử dụng, quy trình vận hành,…
Về kỹ năng:
1. Technical skill:
- Query languege – SQL
- BI Tools (Power BI, Tableau,…)
- Progamming (Python, R,…)
- Spreadsheet Excel, Google sheet,…)
2. Math:
- Probability & Statistics
- Linear Algebra
- Discrete Math
- Một số kỹ năng vận dụng toán học khác
3. Mindset – Soft skills:
- Khả năng học hỏi (Learning ability), trong đó bao gồm:
– Learning Agility: Khả năng sắp xếp thứ tự học tập linh hoạt phù hợp với bản thân
– 1st principal: Tư duy nguyên bản
- Outcome based learning: Học dựa trên việc làm thực tế
– Problem solving skills: Kỹ năng giải quyết vấn đề
Đây là thời đại của sự thích nghi, khi công nghệ, thị trường luôn thay đổi, dẫn đến yêu cầu đối với nhân sự cũng thay đổi liên tục. Tuy nhiên, có những nguyên lý nền tảng vẫn là bất biến, hãy tự trau dồi cho bản thân một bộ kỹ năng cốt lõi (core skills) phù hợp với thời đại và liên tục tìm tòi, học hỏi những kiến thức, kỹ năng mới.
Một số hiểu lầm trong ngành dữ liệu
1. Kỳ vọng về phạm vi công việc
“Em muốn làm thế này, muốn làm thế kia?“
Bạn có thể rất giỏi cái gì đó, có thể từng áp dụng quy trình này, sử dụng phần mềm kia cho những dự án trước đây của bạn và thấy rất hiệu quả, nhưng không có nghĩa nó sẽ phù hợp với doanh nghiệp hiện tại của bạn.
Mọi công việc đều phải bắt đầu từ doanh nghiệp, họ có gì, cần gì và có thể cho bạn những gì, để từ đó bạn biết mình cần làm gì cho doanh nghiệp.
Đã từng có dự án mà khi tôi nhận về, tôi phải bắt đầu từ khâu “Chứng minh tính khả thi của dự án” chứ đừng nói đến thu thập dữ liệu hay phân tích.
Và có một thực tế nữa là ở Việt Nam hiện nay, phần lớn thời gian làm việc của một Data Analyst dùng để xử lý dữ liệu đang “loạn lạc”, thời gian cho việc phân tích, trình bày (visualize) hay báo cáo là rất ít.
2. Kỳ vọng về tính chất công việc
“Giỏi toán, hướng nội là làm được DA?“
Thực tế không phải như vậy. Đúng là bạn cần nắm được một số khái niệm, ý nghĩa các công thức toán như tôi đã nói ở phía trên, nhưng không cần quá giỏi mới có thể làm được. Ngoài ra, để làm được phân tích dữ liệu bạn còn cần có kỹ năng giao tiếp, kỹ năng thuyết trình và kha khá kỹ năng mềm khác.
Vậy nên dù hướng nội hay hướng ngoại, hãy bổ sung cho mình những kỹ năng cần thiết nhé.
Tương lai ngành dữ liệu có còn dễ tìm việc?
Tại Việt Nam, học phân tích dữ liệu đang là xu hướng, người người đổ xô đi học và xu hướng này vẫn sẽ còn tăng mạnh trong tương lai.
Song song với đó, nhu cầu tuyển dụng của các doanh nghiệp cũng tăng bởi họ đang ngày một nhận thức rõ hơn về tầm quan trọng của dữ liệu, cũng như xu hướng Data-driven decision making đang lan vào từng doanh nghiệp. Hơn nữa, trong tương lai, kỹ năng sử dụng Data sẽ trở thành kỹ năng quan trọng (giống như tin học văn phòng và tiếng anh bây giờ) với nhiều vị trí công việc trong mọi lĩnh vực, không chỉ có Data Analyst.
Như vậy, thị trường tuyển dụng ngành Data đang và sẽ tiếp tục sôi động. Tuy nhiên, vẫn có rất nhiều ứng viên khó xin được việc làm còn doanh nghiệp vẫn không tuyển được người, đó là do KHOẢNG CÁCH. Chất lượng lao động chưa đáp ứng được công việc và nhà tuyển dụng cũng đang đặt kỳ vọng cao vào ứng viên dẫn tới khoảng cách này.
Làm sao để thu hẹp khoảng cách?
Đầu tiên là về phía các ứng viên, bạn cần xác định rõ mục tiêu, lộ trình học tập, thứ tự ưu tiên cho bản thân và xác định rõ kỳ vọng với doanh nghiệp để tìm được công việc phù hợp.
Về phía nhà tuyển dụng, họ có thể liên kết với các trung tâm đào tạo để được giới thiệu ứng viên hoặc tự đưa ra kế hoạch đào tạo nhân sự cho mình, bên cạnh đó doanh nghiệp trong thời điểm này vẫn nên chấp nhận Intern, Fresher và cho họ thời gian để phát triển.
Ngoài ra, về phía các trung tâm đào tạo, việc điều chỉnh, cập nhật chương trình, lộ trình học cho học viên để đầu ra của học viên đáp ứng được nhu cầu của thị trường tại Việt Nam.
Một số quan điểm cá nhân về việc chuyển ngành
Đầu tiên, về độ tuổi có thể chuyển ngành thì tôi thấy tuổi tác không phải vấn đề quá quan trọng, nhưng vẫn sẽ có những thử thách nhất định mà người muốn chuyển ngành cần phải sẵn sàng đánh đổi để vượt qua.
Thứ hai, dù ở độ tuổi nào, trước khi đưa ra quyết định chuyển ngành, hãy cân nhắc lại về việc học thêm kỹ năng sử dụng dữ liệu để ứng dụng cho công việc hiện tại thay vì chuyển ngành hoàn toàn, và bạn cũng có thể tận dụng lợi thế của ngành học, chuyên môn hiện tại để ứng dụng vào việc học dữ liệu. Bởi ranh giới các ngành sẽ ngày càng mờ dần khi chúng ta làm về dữ liệu, các nguyên tắc của dữ liệu cũng có thể áp dụng cho nhiều hệ thống, hạ tầng, lĩnh vực.
Một số nguồn dữ liệu để thực hành phân tích dữ liệu
Bạn có thể lấy dataset từ Kaggle.com hoặc tự khai thác nguồn dữ liệu “vô tận” về chứng khoán, spotify, IMDB, kết quả bóng đá, v.v để làm những dự án thực hành.
Dataset trên Kaggle.com phần lớn được customize cho việc đưa vào model để chạy, nếu bạn muốn đưa ra phân tích thì cần trải qua quá trình EDA (Phân tích Khám phá Dữ liệu).
Tổng kết lại, hãy xác định đúng mong muốn của bản thân sau đó xác định lộ trình học tập cho riêng mình để tạo nền tảng vững chắc khi muốn bước chân vào ngành dữ liệu. Khi đã bắt đầu ứng tuyển, hãy xác định kỳ vọng của nhà tuyển dụng với bạn, cũng như kỳ vọng của bản thân vào doanh nghiệp để tìm được môi trường phù hợp nhất nhé.