Áp dụng T shape model vào việc học trong ngành dữ liệu có thể giúp bạn nhanh chóng học được các kỹ năng cần thiết để bắt đầu.

T model of knowledge là gì?

Khi đọc những thông tin tuyển dụng hiện nay, bạn sẽ thấy ứng viên lý tưởng mà các công ty tìm kiếm thường là người có chuyên môn đủ sâu ở 1 mảng, nhưng cũng có kiến thức đủ rộng để bao quát công việc, có thể áp dụng linh hoạt ở nhiều mảng khác nhau.

T-model hay T-shaped skills là mô hình mô tả mức độ chuyên sâu về một kĩ năng cụ thể (Deep Expertise) và kiến thức nền tảng rộng ở nhiều mảng khác nhau (Wide Knowledge Base) của một người.

Các kiến thức và kĩ năng có thể thay đổi phụ thuộc vào đặc thù công việc. Tuy nhiên, có kiến thức nền tảng rộng và ít nhất một chuyên môn sâu là điều bắt buộc.

Wide Knowledge Base – Chiều rộng

Dựa trên kinh nghiệm làm việc, mình gợi ý những kiến thức nền tảng cần cho một BI Analyst (Chuyên viên Phân tích kinh doanh) như sau: Kiến thức về toán (Xác suất & Thống kê), Lập trình, Truy vấn và làm sạch dữ liệu, Trực quan hóa dữ liệu, Giao tiếp & Thuyết trình, Kiến thức về lĩnh vực (Ví dụ như tài chính, logistic, marketing,…), Làm việc nhóm và Quản lí công việc.

Và điều quan trọng không đơn giản chỉ là học, tích lũy những phần kiến thức đó, mà còn là ứng dụng vào công việc như thế nào. Ví dụ như với kiến thức về trực quan hóa dữ liệu, bạn cần phải áp dụng được để tạo ra các dashboard hay báo cáo.

Deep Expertise – Chiều sâu

Bên cạnh phát triển chiều rộng, bạn cũng cần lựa chọn một mảng công việc để phát triển chuyên môn sâu hơn, tạo ra lợi thế cạnh tranh cho công việc cho mình. Và theo ví dụ dưới đây, thì mảng được lựa chọn là Data Visualization, kỹ năng làm báo cáo. Tuy nhiên, với mục tiêu, khả năng cũng như đặc thù công việc của mỗi người, thì sẽ có những sự lựa chọn khác nhau.

Đây chính là mô hình các bạn có thể tham khảo khi muốn gia nhập vào ngành dữ liệu, tuy nhiên nên học gì trước, học gì sau? Và nên lựa chọn Deep Expertise như thế nào?

Áp dụng T model vào việc học về ngành dữ liệu

Đầu tiên, hãy xác định rõ xuất phát điểm của mình, bạn đang có Base Knowledge hoặc Deep Expertise ở mảng nào, hoặc gần nhất với mảng nào.

Hãy coi Data Analystics như một kĩ năng, có nhiều trình độ khác nhau, nhiều môi trường khác nhau. Cũng giống như nấu ăn, tiêu chuẩn nấu ăn của một bà mẹ nấu ăn trong gia đình khác với một đầu bếp nhà hàng chuyên nghiệp. Mình thấy rất nhiều bạn đang làm từ rủi ro, tài chính, kế hoạch, kế toán… (đã có domain knowledge) đang chuyển hướng dần sang Data Analytics và biến Data Analytics trở thành kĩ năng chính. Giống như khi các công cụ dần trở nên phổ biến và dễ tiếp cận, một bà mẹ với đầy đủ công cụ và lợi thế hiểu rõ sở thích của từng thành viên trong gia đình hoàn toàn có thể làm bữa ăn ngon miệng hơn nhà hàng.

Chính vì vậy, sau khi xác định rõ xuất phát điểm, hãy xác đinh mục tiêu của mình theo 2 trường hợp sau:

A. Muốn có kĩ năng phân tích dữ liệu phục vụ cho công việc hiện tại

Bạn hãy tập trung vào những kĩ năng cải thiện công việc hiện tại. VD: Học SQL để lấy dữ liệu trực tiếp từ CSDL thay vì phải nhờ Dev hay IT, Power Query để tổng hợp dữ liệu tự động, lập trình để tự động hóa công việc. Dùng Power BI để tự động hóa hệ thống báo cáo về bán hàng, marketing,…

B. Bạn muốn chuyển ngành hoặc bắt đầu công việc như một Data Analyst

Thay vì bắt đầu vào học ngay, bạn cần tìm hiểu về ngành sau đó xây dựng lộ trình phù hợp để có được những kiến thức nền mong muốn và xác định chuyên môn sâu để theo đuổi sau này.

Không lộ trình học nào là hoàn hảo, mà sẽ tùy vào mục tiêu, khả năng, kinh nghiệm hiện tại của mỗi người. Tuy nhiên, với ngành dữ liệu, cụ thể là vị trí BI hay Data Analyst trong doanh nghiệp, sẽ có những mảng kiến thức có thể nhanh chóng áp dụng vào công việc cho người mới bắt đầu. Đấy là những mảng bạn có thể cân nhắc học trước, cụ thể thì Datapot sẽ chia sẻ trong bài viết sắp tới.

Theo dõi Fanpage Facebook của Datapot để không bỏ lỡ các bài viết tiếp theo.

Để được trao đổi, hỏi đáp về chuyên môn và cơ hội nghề nghiệp ngành dữ liệu, hãy tham gia Group Data Analytics and Business Intelligence Vietnam.