Lộ trình học Data Analysis 2024

Lộ trình học Data Analysis 2024 đầy đủ và hiệu quả

Ngày đăng: 14/03/2024

Sau làn sóng layoff nửa cuối năm 2023, yêu cầu của nhà tuyển dụng với các ứng viên ngày càng cao hơn, trong khi lứa sinh viên mới ra trường, cũng như những bạn trẻ muốn chuyển ngành cứ thế gia tăng, khiến thị trường việc làm ngành phân tích dữ liệu trở nên cạnh tranh hơn bao giờ hết. Tất cả những điều này khiến không ít bạn trẻ hoang mang về lộ trình học Data Analysis tương lai của mình để có chỗ đứng trong ngành Phân tích dữ liệu.

Đến cuối bài viết này, bạn sẽ thoát khỏi cảm giác mông lung trong sự nghiệp và thành công tìm được công việc mình yêu thích.

Chiến lược “Strength-based”

Chiến lược dựa trên điểm mạnh của bản thân (Strength-based strategy) là một phương pháp tận dụng những ưu điểm và khả năng rất riêng của một cá nhân để đáp ứng yêu cầu công việc.

Bài viết này sẽ không đề cập đến những yêu cầu mơ hồ để các bạn chạy theo như một cỗ máy. Datapot sẽ hướng dẫn bạn cách tự mình quyết định con đường thành công riêng, bạn sẽ trở thành một chuyên gia phân tích dữ liệu thực thụ!

Hơn nữa, hiểu rõ về bản thân sẽ giúp bạn tự tin và nổi bật hơn trong mắt nhà tuyển dụng. Kết hợp điều đó với việc nghiên cứu và phân tích yêu cầu tuyển dụng cũng như xu hướng việc làm trong ngành phân tích dữ liệu, bạn sẽ có chìa khóa để nhanh chóng tìm được công việc ưng ý trong năm nay.

Với kinh nghiệm giải quyết hàng trăm bài toán phân tích dữ liệu cho các doanh nghiệp lớn như Techcombank, Toyota, Vietcombank và nhiều hơn nữa, Datapot sẽ cung cấp thông tin về thị trường, nhu cầu của nhà tuyển dụng và giúp bạn xác định được vai trò của mình trong ngành dữ liệu.

Thực tế, nhà tuyển dụng cần gì?

Theo báo cáo “Thực trạng nhân sự & tuyển dụng ngành công nghệ cuối năm 2023” của Vietnamworks, 46% nhà tuyển dụng ưu tiên ứng viên có khả năng đa nhiệm và kinh nghiệm thực tiễn.

Một điều đáng nói nữa ở đây, Fresher/Junior là nhóm bị ảnh hưởng nhiều nhất bởi lay-off, bởi có đến 30,3% ứng viên dưới 1 năm kinh nghiệm bị các công ty cho thôi việc, trong khi đó ứng viên trên 3 năm kinh nghiệm lại có mức độ ổn định công việc cao nhất (chiếm 64,4%).

Hiện nay, phần lớn các doanh nghiệp đã hình thành rõ nét các tiêu chuẩn, quy trình, khung năng lực cho vị trí Phân tích dữ liệu. Vậy nên, họ đặt ra yêu cầu cao hơn đối với ứng viên, bao gồm cả hiệu suất làm việc rất cao và các kỹ năng mềm như quản trị rủi ro, làm việc nhóm, và giải quyết vấn đề. Ngoài kiến thức cơ bản, một ứng viên cũng cần phải sở hữu những kỹ năng mềm nhất định để đáp ứng xu hướng tuyển dụng Data Analyst vào năm 2024.

  1. Các khái niệm cơ bản (thực tiễn nhất năm 2024)

Các tài liệu về lộ trình học Data Analysis thường chỉ liệt kê một đống kiến thức để bạn nhồi nhét như một cái máy, và sẽ chẳng nhấn mạnh cho bạn hiểu tại sao những kiến thức này lại quan trọng đến thế? Bắt đầu học data bao nhiêu là đủ? Và, làm thế nào để tiếp thu chúng một cách hiệu quả?

lộ trình học data analysis

Bộ trang bị khởi đầu dành cho bất kỳ ai, bao gồm cả người mới và dân tay ngang, vẫn luôn là Statistics, Excel, SQL, Power BI, và Python. Datapot sẽ không liệt kê mà sẽ chỉ cho bạn những lưu ý quan trọng nhất:

1.1 Statistics

1.1.1 Mục tiêu học tập

  • Nắm khái niệm để làm quen với số liệu, các phương pháp để thu thập, xem xét và phân tích số liệu, gồm: Các loại thống kê cơ bản. Một số chỉ số thống kê cơ bản: mean, median, mode, standard deviation, coefficient… Lý thuyết xác suất thống kê.
  • Ngoài tin học văn phòng cơ bản, cần nắm các thao tác kỹ thuật phục vụ phân tích dữ liệu, cụ thể: Làm việc thành thạo với các hàm cơ bản trên Excel. Kỹ thuật làm sạch và xử lý dữ liệu để đảm bảo chất lượng dữ liệu. Kỹ thuật phân tích dữ liệu: sắp xếp, lọc dữ liệu và thực hiện tính toán thống kê trên dữ liệu.

1.1.2 Lưu ý

  • Nền tảng thống kê cho Data Analysis không quá phức tạp như mọi người thường nghĩ, các bạn nắm được các khái niệm cơ bản như trên đã là okie rồi.
  • Sau này các bạn có thể học thêm tuỳ vào tình hình công việc thực tế.
  • Các công việc liên quan đến Data Mining sẽ cần nhiều nền tảng về toán hơn, tuy nhiên không nằm trong phạm vi này.
  • Một số trang web khá hay để tham khảo: https://seeing-theory.brown.edu/

1.2 Excel

1.2.1 Mục tiêu học tập

Ngoài tin học văn phòng cơ bản, cần nắm các thao tác kỹ thuật phục vụ phân tích dữ liệu, cụ thể:

  • Làm việc thành thạo với các hàm cơ bản trên Excel.
  • Kỹ thuật làm sạch và xử lý dữ liệu để đảm bảo chất lượng dữ liệu.
  • Kỹ thuật phân tích dữ liệu: sắp xếp, lọc dữ liệu và thực hiện tính toán thống kê trên dữ liệu.

1.2.2 Lưu ý

Excel vẫn được sử dụng rất nhiều trong phân tích dữ liệu. Nhiều doanh nghiệp vẫn sử dụng excel như nguồn dữ liệu, công cụ tính toán, trực quan hoá dữ liệu chính. Có những doanh nghiệp lưu toàn bộ logic tính toán trong các file excel thần thánh. Vì vậy, việc sống sót được với excel cực kì quan trọng.

1.3 SQL

1.3.1 Mục tiêu học tập

Nắm kiến thức để thực hiện các truy vấn, khám phá bộ dữ liệu:

  • Các kiểu dữ liệu, cú pháp một câu truy vấn
  • Các hàm xử lý dữ liệu cơ bản (thống kê dữ liệu, chuyển đổi dữ liệu, định dạng dữ liệu)
  • Các kiểu JOIN bảng, truy vấn con, …

1.3.2 Lưu ý

  • SQL là tiêu chuẩn chung để làm việc và giao tiếp với dữ liệu, đồng thời cũng giúp các bạn hình thành tư duy về cấu trúc dữ liệu và phương án tổ chức dữ liệu cho các bài toán sau này.
  • Bạn cần có khả năng giao tiếp với người dùng để lấy yêu cầu và xử lý các truy vấn phức tạp. Hiểu đúng yêu cầu của người dùng và sử dụng SQL để lấy ra được các thông tin đó.

1.4 BI Tools

1.4.1 Mục tiêu học tập

Nắm kiến thức, nguyên lý của các công thức, tư duy mô hình hóa dữ liệu và xây dựng báo cáo:

  • Sử dụng được Power BI (hoặc các công cụ trực quan khác) trong các tác vụ phân tích.

Xem thêm: Chuỗi bài Lab Power BI PL300 kèm video Archives – Datapot.vn

  • Hiểu được nguyên lý và thực hiện được các công thức DAX. Một số khái niệm cần nắm (filter context, row context, context transitions).
  • Hiểu được cách DAX tương tác với mô hình dữ liệu.
  • Thành thạo các nhóm hàm cơ bản.
  • Rèn luyện tư duy tổ chức, mô hình hoá dữ liệu (data modeling). Hiểu và vận dụng được các khái niệm bảng Dim, Fact; các yếu tố của các mối quan hệ và cách thức mô hình dữ liệu vận hành. Hiểu được ưu & nhược điểm khi dịch yêu cầu phân tích thành mô hình dữ liệu. Từ đó có thể vận dụng và tư vấn cho người dùng cuối.
  • Xây dựng và tinh chỉnh báo cáo. Từ bố cục báo cáo, chọn màu sắc cho đến từng chi tiết của mỗi biểu đồ dựa trên các nguyên tắc trong trực quan hóa dữ liệu.

1.4.2 Lưu ý

  • Không nên tự tin quá vì công cụ này không chỉ kéo thả là xong báo cáo. Để hiểu, vận dụng được và chủ động trong các bài toán thì không đơn giản. Các phần nâng cao như phân quyền theo dòng dữ liệu, theo đối tượng hay tối ưu mô hình, chi phí license. Đây là phần mà đa số doanh nghiệp đều quan tâm. Bạn nên không ngừng học hỏi và phát triển kiến thức để nâng cao khả năng làm việc và hoàn thành các báo cáo phân tích hiệu quả hơn.
  • Cần thực hiện công thức DAX một cách chủ động. Việc đi tra cứu code trên mạng và thử sai sẽ không giúp các bạn rèn tư duy phân tích.
  • Có thể xử lý, làm sạch dữ liệu với Power Query, không cần thành thạo đến mức viết mới M-Query nhưng cần hiểu cách và khả năng kết nối để tư vấn cho người dùng cách tổ chức dữ liệu sao cho hợp lý để sử dụng được
  • Publish được báo cáo, đặt lịch, chia sẻ, quản lý workspace để đảm bảo về mặt bảo mật dữ liệu và tối ưu khả năng chia sẻ cũng như truy cập vào báo cáo.

1.5 Python

1.5.1 Mục tiêu học tập

Nắm được kiến thức cơ bản và tư duy lập trình để ứng dụng trong một vài trường hợp cụ thể như là xử lý dữ liệu, crawl dữ liệu:

  • Kiểu dữ liệu, biến, hàm, cấu trúc rẽ nhánh vòng lặp.
  • Làm việc được với một số thư viện xử lý dữ liệu phổ biến (Pandas, Numpy, Pyplot, Scikilearn)
  • Làm việc với một số công cụ crawl dữ liệu, API.

1.5.2 Lưu ý

Không cần phải thành thạo nhưng vẫn nên nắm được các kiến thức căn bản kết hợp với khả năng tra cứu và sử dụng AI như Copilot để tận dụng tài nguyên, xử lý công việc hiệu quả hơn.

Để chắc chắn rằng bạn “làm được việc”, bạn cần bắt tay vào thực hiện được một số use-case cơ bản mà mọi Data Analyst đều gặp phải, như: phân tích khách hàng rời bỏ (Customer Churn Analysis), phân tích dữ liệu bán hàng sản phẩm (Product Sales Data Analysis), phân tích hiệu quả chiến dịch tiếp thị (Marketing Campaign Insights Analysis), và phân tích hiệu suất tài chính (Financial Performance Analysis).

Những dự án này liên quan trực tiếp đến các vấn đề phổ biến trong doanh nghiệp. Để nâng cao trình độ, bạn cũng có thể thực hiện một số dự án khác kết hợp với kiến thức về Machine Learning như phát hiện gian lận thẻ tín dụng (Credit Card Fraud Detection), trực quan hóa doanh thu phim (Movie Sales Visualization), phân đoạn khách hàng (Customer Segmentation), và nhiều dự án khác.

Để hiểu thêm về use-case nêu trên, bạn có thể tham khảo bài tập cuối khóa của học viên Datapot tại: Showcase cá nhân Archives – Datapot.vn

  1. Nhóm kỹ năng “Phi kỹ thuật” – điểm mấu chốt giúp bạn tỏa sáng

Bạn đã bao giờ gặp những câu hỏi kiểu dạng như thế này khi đi phỏng vấn chưa?

  • Bạn đối mặt với áp lực như thế nào?
  • Nếu dự án chậm tiến độ bạn sẽ làm gì?
  • Khi không hiểu sếp/người dùng cuối muốn gì, bạn sẽ làm gì?

Nếu bạn là người dễ từ bỏ, dễ gặp áp lực từ những chuyện nhỏ, ngại làm việc nhóm, ngại giao tiếp, thường xuyên không hiểu đề bài của sếp hoặc người dùng cuối,… thì dù bạn có giỏi chuyên môn đến mấy, cũng không thể giúp bạn có được công việc như mong muốn. Lý giải cho điều này nằm ở kỹ năng mềm của bạn, chưa giúp bạn phát huy tối đa và hiệu quả nhất năng lực chuyên môn, dẫn đến hiệu suất thấp không những ở phía bạn, mà còn là ở cả hệ thống quy trình.

Thực tế đã chứng minh, chiếm 30% lí do chúng ta không tìm được việc nằm ở chuyên môn và kỹ năng mềm của chúng ta:

Lộ trình học Data Analysis - những khó khăn

Dựa trên khung năng lực và khảo sát 200 nhà tuyển dụng khác nhau, dưới đây là top 05 kỹ năng mềm và lưu ý dành cho bạn để nâng cao năng lực:

#1 Giao tiếp với người dùng cuối (Communication)

Giao tiếp hiệu quả thể hiện ở việc bạn tiếp nhận thông tin một cách chuẩn xác và nhanh chóng, giảm thiểu tối đa sự hiểu lầm, tăng cường sự tin tưởng với người dùng cuối. Với đặc thù công việc ngành phân tích dữ liệu, bạn cần xử lí các bài toán về phân tích dữ liệu, mà phần lớn yêu cầu của bài toán này rất mơ hồ. Lúc này, bạn cần phải chủ động lắng nghe và thực sự đặt mình vào nhu cầu của họ, liên tục đặt câu hỏi để làm rõ và định hình yêu cầu và mong muốn của họ một cách rõ ràng hơn, trước khi bắt tay vào xử lý kỹ thuật. Có rất nhiều bạn khi mới vào nghề không chú trọng việc giao tiếp với khách hàng mà chỉ chăm chú kéo thả

#2 Đa nhiệm (Multi-tasking)

Bạn sẽ thường phải làm việc với nhiều dự án cùng một lúc, từ việc thu thập dữ liệu, làm sạch dữ liệu, đến phân tích và báo cáo. Bạn cũng cần phối hợp với nhiều bộ phận khác nhau như đội IT, kinh doanh, … để lấy và trao đổi về phương án xử lý. Khả năng đa nhiệm giúp bạn quản lý công việc hiệu quả, tìm kiếm giải pháp cho các vấn đề phức tạp và thích ứng với sự phát triển nhanh chóng mặt của ngành phân tích dữ liệu. Khi có quá nhiều đầu việc chồng chéo lên nhau thì bạn cần liệt kê và sắp xếp thứ tự ưu tiên cho chúng, ước lượng thời gian có thể hoàn thành và tuân thủ theo kế hoạch đã đặt ra. Ví dụ, trong 1 ngày bạn có 4 đầu việc cần làm, mỗi việc sẽ phải hoàn thành trong 1h30 phút. Bạn cần đóng gói các nhiệm vụ trong đúng khoảng thời gian cho phép và ước lương 1 khoảng thời gian dữ trữ nếu có thay đổi phát sinh. Áp dụng phương pháp thì đa nhiệm sẽ trở nên dễ dàng hơn.

#3 Tư duy phản biện (Critical Thinking)

Là khả năng suy nghĩ logic và giải quyết vấn đề một cách hệ thống và nhất quán trong suốt dự án. Trong quá trình làm dự án, bạn luôn phải thu thập thông tin và đưa ra quyết định. Việc biết cách đặt câu hỏi phản biện sẽ giúp bạn có quyết định sắc bén và chính xác cao. Một số mẹo có thể áp dụng là đảm bảo mỗi câu hỏi có mục đích rõ ràng, sử dụng câu hỏi giả định và hỏi về các quan điểm đối lập, cũng như sử dụng hỏi để đào sâu suy nghĩ, mở rộng góc nhìn và khám phá các giải pháp sáng tạo. Giả sử trong trường hợp bạn đã thu thập dữ liệu báo cáo về chiến dịch quảng cáo đa kênh, bao gồm Facebook, Google Ads và Instagram. Sau khi phân tích, bạn thấy chiến dịch trên Google Ads có tỷ lệ chuyển đổi (conversion rate) cao hơn so với các nền tảng khác. Thay vì chỉ tập trung vào việc mừng rỡ về thành công của chiến dịch trên Google Ads, bạn bắt đầu nghiên cứu sâu hơn để hiểu tại sao tỷ lệ chuyển đổi lại cao hơn. Tư duy phản biện giúp bạn không chỉ nhìn vào số liệu mặt bằng mà còn hiểu được nguyên nhân đằng sau sự thay đổi trong dữ liệu.

#4 Giải quyết vấn đề (Problem Solving & Decision Making)

Đây là trọng tâm của công việc phân tích, vì đặc thù ngành phân tích dữ liệu luôn phải đối mặt với nhiều thách thức. Bạn cần có kỹ năng này để hiểu rõ bản chất của vấn đề, phân tích thông tin một cách kỹ lưỡng và đưa ra các quyết định có căn cứ và tính thuyết phục cao từ dữ liệu. Ví dụ, khi làm việc với dữ liệu lớn, bạn cần xác định vấn đề cần giải quyết, chỉ lấy phần dữ liệu liên quan. Có thể lấy sample để xử lý trước tránh phải tải dữ liệu lớn quá nhiều lần. Vấn đề thường gặp thứ hai là dữ liệu lỗi. Bạn cần kiểm tra xem lỗi ở đâu, nhiều hay ít, lỗi đấy do hệ thống hay do nhập liệu, có thể xử lý từ nguồn hay không. Nếu là nhập liệu thì nên có validation, nếu lỗi hệ thống thì tìm cách sửa lỗi từ nguồn. Nếu không xử lý được từ nguồn thì đánh giá tần suất lỗi, đánh giá rủi ro, nên xóa hay nên sửa dữ liệu lỗi.

#5 Thích nghi với sự thay đổi (Adaptability)

Một Data Analyst phải đối diện với rất nhiều sự thay đổi: công nghệ phát triển, dữ liệu ngày càng phức tạp hơn, yêu cầu của khách hàng cũng có thể thay đổi liên tục. Khả năng thích nghi giúp Data Analyst cập nhật, áp dụng những công nghệ mới nhất, tránh bị mất phương hướng khi có 1 “biến cố” xảy ra và từ đó có thể duy trì, nâng cao hiệu suất công việc. Đôi khi yêu cầu của khách hàng có thể thay đổi theo ngày bởi chính họ cũng có thể không hiểu rõ kỳ vọng của bản thân, bạn cũng cần thích nghi bởi nó là điều hoàn toàn có thể xảy ra trong quá trình làm dự án. Nếu bạn đã thể hiện được những kỹ năng này từ sớm khi còn là Intern hoặc Junior Analyst, bạn sẽ trở thành một ứng viên với hiệu suất làm việc đỉnh cao – một trong những tiêu chí hàng đầu mà các nhà tuyển dụng đang rất quan tâm và mong đợi từ ứng viên, theo báo cáo mới nhất từ Vietnamworks.

Lộ trình học Data Analysis - xu hướng tuyển dụng

Datapot khuyên bạn rằng, thay vì chỉ tập trung vào việc học kiến thức từ sách vở khô khan, hãy nghiêm túc đầu tư vào việc phát triển kỹ năng mềm, tham gia các dự án thực tế, đi thực tập tại các doanh nghiệp từ sớm, tăng cường kết nối với các giảng viên, tiền bối trong ngành phân tích dữ liệu. Định hướng và tư duy này mang lại lợi ích lâu dài hơn và có ý nghĩa quan trọng hơn so với việc chỉ tập trung vào việc học các kỹ năng một cách mù quáng như trước.

Khám phá thế mạnh của bạn trong ngành Dữ Liệu

Bạn sẽ thành công từ rất sớm, nếu lựa chọn được lĩnh vực phù hợp nhất với bản thân mình và tận dụng được điểm mạnh của bạn để dễ dàng thích ứng, có cho mình sự tự tin và sức bền trước mọi khó khăn, thử thách phía trước.

Dưới đây là một số cách mà các chuyên gia Phân tích dữ liệu của Datapot đã từng áp dụng:

#1 Tự đánh giá

Hãy tìm hiểu và đánh giá mình là ai, có thế mạnh gì thông qua MBTI Test, trong đó, bạn cần có thế mạnh ở kỹ năng phân tích, lập trình, xử lý dữ liệu và sự hiểu biết về công nghệ thông tin. Ngoài ra, bạn cũng cần xem xét xem liệu bạn có sở thích và đam mê trong việc làm việc với dữ liệu và số liệu hay không.

#2 Chủ động tìm kiếm và tham gia các dự án thực tế

Đây không những là cách tốt nhất để xác định sở thích của bản thân mà còn là cơ hội để rèn luyện và xây dựng mạng lưới quan hệ trong ngành dữ liệu. Trong quá trình làm dự án bạn được khám phá những lĩnh vực mới, kích thích sự hứng thú và niềm đam mê của mình. Không chỉ vậy, bạn còn có cơ hội gặp gỡ và kết nối với người đi trước, đồng nghiệp để tích lũy mối quan hệ chất lượng, mở ra nhiều con đường và cơ hội cho sự nghiệp của bạn sau này.

#3 Tham khảo ý kiến

Hãy chủ động tìm kiếm và kết nối với các mentor, giảng viên trường học, team leader tại doanh nghiệp để được tư vấn, định hướng, xin nhận xét và quan điểm của họ về bạn, từ đó đúc kết được hướng đi phù hợp.

#4. Thực tập tại các doanh nghiệp

Với các bạn fresher năm nhất đại học, ắt hẳn sẽ khó tìm được một công việc khi bản thân chưa có nhiều kinh nghiệm, trải nghiệm và kiến thức. Đừng lo, mình sẽ chỉ cho các bạn cơ hội này. Hãy nhớ, quan trọng là bạn vẫn có thể tự học để bồi bổ kiến thức, hiện nay Datapot chia sẻ rất nhiều video hướng dẫn miễn phí giúp bạn có kiến thức nền tảng đủ sâu và đủ tính ứng dụng. Đồng thời, bạn cần chuẩn bị dần một bản CV ấn tượng, nhấn mạnh vào mong muốn học hỏi và cam kết của bạn đối với lĩnh vực bạn muốn theo đuổi. Một mẹo nữa, bạn cần chọn những môi trường thực tập khuyến khích sự học hỏi và phát triển cá nhân, cụ thể là những doanh nghiệp nhỏ và vừa – nơi có cơ hội thực tập linh hoạt và giúp bạn có cơ hội tiếp cận với các dự án thực tế.

Giờ bạn đã có đủ trang bị để trở thành một ứng viên sáng giá rồi, bắt tay vào làm CV và làm theo một số mẹo phỏng vấn sau để có được hàng chục job offer ngay thôi!

Bí quyết làm CV và trả lời phỏng vấn nhận hàng chục job offer!

Bây giờ bạn đã hiểu rõ về những yêu cầu mà nhà tuyển dụng đặt ra, cũng như nhận thức về thế mạnh và khả năng của chính mình. Nhưng hành động tiếp theo là gì? Đúng rồi, là viết CV và chuẩn bị cho phỏng vấn!

Nhưng làm thế nào để tạo ra một CV khiến nhà tuyển dụng không chỉ trầm trồ mà còn cảm thấy rằng đây chính là ứng viên lý tưởng cho đội ngũ của họ? Dưới đây là những lời khuyên, những chia sẻ quý báu từ các học viên thành công và chuyên gia tại Datapot, những người đã từng nhận được hàng chục thư mời ứng tuyển.

  1. Mẫu CV và những lưu ý:

Dưới đây là mẫu CV được các nhà tuyển dụng đánh giá cao (Bạn có thể tải về và sử dụng)

Tải ngay mẫu CV chuyên nghiệp bản Word cho Data Analyst tại đây

Lộ trình học Data Analysis - cv template

Tuy nhiên, để thể hiện được đây là CV của bạn một cách rõ ràng, mạch lạc, hãy tuân thủ những lưu ý sau:

#1 Lưu ý về nội dung trong CV:

  • Cần có phần tổng quan, để nhà tuyển dụng thấy được định hướng nghề nghiệp
  • Phần kinh nghiệm làm việc: Khớp với JD của nhà tuyển dụng. Nói về những vấn đề bạn đã giải quyết được, và những kết quả nổi bật nhất thay vì chỉ liệt kê những gì bạn đã làm
  • Thêm 3-5 dự án vào Project Portfolio: Việc này sẽ ghi điểm trong mắt nhà tuyển dụng, vì các dự án sẽ chứng minh năng lực thực tế của bạn. Bạn có thể tham gia cuộc thi trong lĩnh vực, đi làm thực tập sinh hoặc tham gia khóa học online/offline. Điều này có thể là việc xây dựng các mô hình dự đoán hiệu quả, phát triển ứng dụng phân tích dữ liệu cho doanh nghiệp, hoặc tạo ra các báo cáo phân tích dữ liệu mang lại cái nhìn sâu sắc về thị trường.
  • Xếp vị trí các việc gần nhất lên trên, để nhà tuyển dụng thấy rõ quá trình phát triển
  • Thêm các con số nói lên kết quả công việc. Lưu ý rằng, bất cứ mô tả nào bạn đưa vào CV thì chắc chắn bạn phải hiểu tường tận bởi vì đây là thứ mà các nhà tuyển dụng sẽ hỏi bạn cực kỳ chi tiết trong buổi phỏng vấn.
  • Phần kỹ năng bạn không nên sử dụng dạng thang đo như một số mẫu CV đang đặt sẵn, bởi nó sẽ chỉ thể hiện rằng bạn có đang đánh giá bản thân quá mơ hồ mà thôi. Hãy liệt kê rõ ràng theo 1 thứ tự nhất định, với kỹ năng chuyên môn trước và kỹ năng mềm theo sau.


#2 Lưu ý về trình bày CV

  • Cần trình bày rõ ràng, mạch lạc, có cấu trúc
  • Chỉ nên có 1 trang, cùng lắm 2 trang, không nên tham lam nhiều thông tin

#3 Lưu ý về nộp CV

  • Các bạn nên tránh rải CV một cách bừa bãi vì việc này làm tốn thời gian của bạn mà còn có nguy cơ CV của bạn sẽ vào danh sách đen của công ty đó.
  • Nên đặt tên CV bản mềm theo đúng format [Vị trí ứng tuyển]_[Họ tên] và đặt tiêu đề cho email nếu bạn ứng tuyển qua email.
  1. Phỏng vấn tự tin và chắc thắng!

Đây là công việc mức lương rất hấp dẫn và bạn rất muốn có được nó? Đây sẽ là những lưu ý do chính CEO của Datapot gợi ý cho bạn:

#1 Trước buổi phỏng vấn:

  • Dành thời gian xem lại kiến thức và kỹ năng mà bạn đã tích lũy trước đó, đặc biệt là những điều bạn ghi trong CV
  • Đọc lại mô tả công việc để chắc chắn rằng bạn hiểu rõ về những gì công ty đang tìm kiếm và sẵn sàng trả lời mọi câu hỏi một cách tự tin và chân thành.

#2 Trong buổi phỏng vấn:

  • Nếu có bất kỳ yêu cầu công việc nào mà bạn cảm thấy chưa từng làm trước đây, thì cũng không sao hết. Bạn chỉ cần cho họ thấy bạn sẵn sàng học hỏi.
  • Thể hiện sự phù hợp của bản thân với mô tả công việc trong JD, và sử dụng những từ khóa đã được đề cập trong mô tả công việc.
  • Hãy tự tin với khả năng của bạn và giữ một thái độ thoải mái, coi người phỏng vấn như là một người bạn mới, điều này sẽ giúp tạo ra một môi trường phỏng vấn thân thiện và tự nhiên hơn.

Kết

Để đảm bảo có việc làm và trở thành một Data Analyst năm 2024, hãy tận dụng thế mạnh của bản thân mình, dành thời gian tìm hiểu về thị trường và nhà tuyển dụng để bắt kịp các xu hướng, thực hành tích lũy kỹ năng, và không ngừng học hỏi để tiến xa trên con đường sự nghiệp của bạn trong lĩnh vực phân tích dữ liệu bạn nhé!

Mong rằng đến đây, các bạn đã thoát khỏi cảm giác không biết làm gì tiếp theo và có cho mình kế hoạch hành động cho sự nghiệp sắp tới. Chúc các bạn thành công!

Chia sẻ bài viết này

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *