Một sự nghiệp trong lĩnh vực dữ liệu có thể giúp bạn tiếp cận nhiều công nghệ, kỹ năng và nhóm liên quan. Bạn sẽ có cơ hội làm việc trên các dự án tạo tác động lớn đến những mảng cốt lõi của doanh nghiệp, thường trong các nhóm đa chức năng hoặc hợp tác với đồng nghiệp kỹ thuật khác.
Việc chuyển từ vai trò junior sang senior trong khoa học dữ liệu sẽ rất khác nhau tùy ngành và chuyên môn, nhưng với đa số nhà khoa học dữ liệu, mất khoảng 2–5 năm. Mức lương có thể dễ dàng đạt sáu con số nếu có kiến thức và kỹ năng phù hợp. Trong 10 năm tới, nhu cầu về nhà khoa học dữ liệu được dự báo sẽ tăng mạnh, dù vai trò có thể rất khác vì các công cụ, thực tiễn tốt và phương pháp luận mới vẫn đang hình thành.
Tăng trưởng trong sự nghiệp dữ liệu có thể diễn ra theo nhiều cách, nhưng dù mục tiêu của bạn là gì, có một số bí quyết và thực tiễn cốt lõi cần ghi nhớ. Hãy tiếp tục đọc để tìm hiểu các thực tiễn tốt nhất giúp bạn tiến bộ đều đặn trong suốt chặng đường sự nghiệp.
1. Xác định thành công
Làm việc chỉ vì làm không hẳn là vấn đề; rèn luyện liên tục là điều tốt và nhiều người cảm nhận được lợi ích. Tuy nhiên, bạn có thể không thấy hài lòng nếu không có một mục tiêu để hướng tới. Điều cốt yếu là ngồi lại và định nghĩa “thành công” trông như thế nào với bạn. Không chỉ giúp bạn đi đúng hướng, điều này còn cho bạn cách để đánh giá tiến bộ theo thời gian. Quan niệm về thành công không nhất thiết gắn với thăng chức, thu nhập hay chức danh. Bạn có thể hướng đến các mục tiêu dài hạn như xuất bản bài báo hay hoàn thành bằng tiến sĩ. Có thể bạn muốn dẫn dắt một đội ngũ hoặc phát triển sản phẩm được hàng triệu người dùng. Bằng cách xác định tầm nhìn về thành công, bạn có thể nhận diện các bước cần thiết để phát triển đúng hướng.
2. Đừng ngừng học hỏi
Bạn đã nghe ai nói về tư duy phát triển chưa? Nghiên cứu cho thấy những người có tư duy này thường đạt được nhiều hơn so với những người tin rằng tài năng là bẩm sinh. Sự nghiệp dữ liệu có thể khắc nghiệt; nhiều người thực hành sẽ gặp trở ngại và thất bại. Học từ sai lầm thường được xem là một trong những chỉ số then chốt của thành công; ngay cả các doanh nhân thành công cũng nói về vô số thất bại và những gì họ rút ra từ đó.
Một lý do quan trọng khác để liên tục phát triển kỹ năng là theo kịp tốc độ thay đổi chóng mặt của ngành. Elad Cohen có đề cập trong DataFramed (khoảng phút 49) rằng dù bạn có nghĩ tự động hóa sẽ tinh gọn bớt một phần quy trình khoa học dữ liệu hay không, nhiều người thường đánh giá thấp diện mạo công nghệ trong 10 năm tới. Nếu bạn không tiếp tục học và lớn lên, chính ngành này có thể sẽ tiến nhanh hơn bạn.
3. Tiếp tục xây dựng hồ sơ năng lực
Tầm quan trọng của một portfolio là không thể đánh giá thấp. Dù thường gắn với các nhà khoa học dữ liệu mới vào nghề đang tìm công việc đầu tiên, portfolio vẫn là nơi tuyệt vời để gom lại những sản phẩm tốt nhất trong sự nghiệp của bạn. Portfolio cũng có thể là “đầu ra” cho các chủ đề bạn đam mê, đặc biệt khi bạn không có cơ hội làm điều đó mỗi ngày. Cuối cùng, mở rộng portfolio có thể tạo động lực để bạn áp dụng thực tiễn “luôn phát triển kỹ năng mới” đã nói ở trên.
Duy trì một portfolio xuyên suốt sự nghiệp giúp bạn có thể:
- Chia sẻ công việc khi bạn chuyển vai trò, công ty, hoặc làm freelance
- Lưu lại những sản phẩm thú vị nhất để phát triển tiếp sau này
- Có không gian chia sẻ dự án đam mê, điều mà các nhà khoa học dữ liệu khác rất thích xem
- Xây dựng thương hiệu cá nhân, mở ra cơ hội ở những mảng khác của sự nghiệp
4. Đầu tư vào năng lực triển khai mô hình
Hiện nay, một trong những khoảng cách lớn nhất giữa cách khoa học dữ liệu được dạy ở đại học và cách áp dụng trong doanh nghiệp là MLOps. Tóm lại, MLOps là tập hợp công cụ, thực tiễn, kỹ thuật, văn hóa và tư duy nhằm đảm bảo triển khai hệ thống máy học một cách đáng tin cậy và có khả năng mở rộng. Một trong những thách thức lớn nhất với các đội dữ liệu ngày nay là triển khai mô hình máy học ở quy mô và hiệu quả, đó là lý do vì sao ước tính cho thấy chỉ khoảng 8% doanh nghiệp có mô hình chạy thực tế. Không ngạc nhiên khi MLOps là một trong những mảng phát triển nhanh nhất của khoa học dữ liệu năm vừa qua.
Đầu tư vào năng lực triển khai mô hình là điều thiết yếu với nhiều nhà khoa học dữ liệu hiện nay, ngay cả những người đã có nhiều năm kinh nghiệm. Nhận ra lỗ hổng kiến thức và xác định các bước để khắc phục là cách tuyệt vời để phát triển. Bạn không cần phải là chuyên gia ở mọi công cụ mới, nhưng hiểu các khái niệm cốt lõi của MLOps hay những phát triển mới khác và học cách áp dụng kỹ thuật của chúng sẽ giúp bạn tiến rất xa, đồng thời đặt nền tảng để chuyên sâu sau này. Nếu bạn muốn bắt đầu với MLOps, bạn có thể tìm thấy một số tài nguyên miễn phí trong bài blog này.
5. Chọn một chuyên môn
Khoa học dữ liệu là một lĩnh vực cực kỳ rộng. Trong e-book này, DataCamp định nghĩa khoa học dữ liệu là “một lĩnh vực liên ngành nhằm khai thác những hiểu biết có ý nghĩa từ dữ liệu”. Các ngành liên quan có thể trải dài từ toán học, thống kê, học máy, lập trình, trực quan hóa dữ liệu, và hơn thế nữa. Không thể có chuyện một người trở thành chuyên gia ở tất cả các mảng này, nhất là khi cần kiến thức đáng kể để triển khai kỹ thuật trong chỉ một mảng. Ví dụ, hãy cân nhắc lượng lý thuyết bạn cần hiểu để triển khai một mô hình xử lý ngôn ngữ tự nhiên với độ chính xác thỏa đáng và tránh thiên lệch.
Khi đã có chút kinh nghiệm ở nhiều mảng, bạn nên cân nhắc xem mình muốn chuyên sâu ở đâu. Trở thành chuyên gia trong một lĩnh vực là cách tuyệt vời để mở cánh cửa mới và đưa bạn gần hơn với tầm nhìn về thành công.
6. Mở rộng mạng lưới quan hệ
Networking là một trong những cách quan trọng nhất để phát triển sự nghiệp, và có thể ở nhiều hình thức như tham dự sự kiện, hẹn “trò chuyện cà phê” với người trong ngành hoặc đồng nghiệp, hay thậm chí tự mình thuyết trình. Mạng lưới là kênh tuyệt vời để tìm hiểu điều gì đang diễn ra ở các tổ chức khác và những kỹ năng mới nào bạn có thể cần học hoặc sẽ cần tại tổ chức của bạn trong tương lai. Đây cũng là cách dễ nhất để bạn đặt chân vào một công ty khác nếu muốn chuyển việc.
Nhiều người thấy networking là điều đáng ngại, nhưng có rất nhiều cách để kết nối và tìm sự kiện trong cộng đồng dữ liệu. Chúng tôi đã tổng hợp danh sách các hội nghị khoa học dữ liệu hàng đầu nên tham dự năm 2022 để bạn bắt đầu hành trình xây dựng mạng lưới.
7. Vượt qua hội chứng kẻ mạo danh
Harvard Business Review định nghĩa hội chứng kẻ mạo danh là “nghi ngờ năng lực của bản thân và cảm thấy mình là kẻ lừa dối,” và đó là cảm giác mà nhiều nhà khoa học dữ liệu từng trải qua ở một thời điểm nào đó trong sự nghiệp. Bề rộng và chiều sâu kiến thức của các chuyên gia dày dạn có thể là rào cản rất cao ở giai đoạn đầu sự nghiệp. Ngay cả về sau, bạn vẫn có thể gặp những chuyên gia có kiến thức cực kỳ sâu ở từng phân ngành của khoa học dữ liệu. Hội chứng kẻ mạo danh đã trở nên phổ biến hơn vài năm gần đây, với nhiều lãnh đạo cấp cao chia sẻ trải nghiệm của họ. Vì vậy, có nhiều cuốn sách giúp bạn hiểu nó ảnh hưởng đến mình ra sao và cách đối phó. Bài đăng Reddit này cũng tổng hợp chia sẻ của nhiều nhà khoa học dữ liệu về trải nghiệm với hội chứng này.
8. Theo dõi thị trường việc làm
Phát triển sự nghiệp có tương quan chặt chẽ với cách bạn dành thời gian làm việc hằng ngày. Nếu công việc thường nhật không phù hợp với định nghĩa thành công dài hạn của bạn, có lẽ bạn nên đánh giá lại vị trí hiện tại. Điều này có thể đồng nghĩa với việc nói chuyện với quản lý để thay đổi công việc hằng ngày hoặc chuyển ngang trong tổ chức. Tuy nhiên, luôn đáng để hiểu điều gì đang diễn ra trên thị trường việc làm. Bạn có thể phát hiện kỹ năng của mình đang được săn đón, và các công ty khác có thể đề nghị vai trò khác hoặc đãi ngộ tốt hơn.
Jerry Lee từ Wonsulting, một công ty phát triển sự nghiệp, khuyến nghị mỗi năm nên phỏng vấn ở những công ty bạn quan tâm để giữ “độ bén” cho kỹ năng phỏng vấn và đảm bảo công ty hiện tại đánh giá đúng bạn. Mức độ quan trọng của việc này phụ thuộc vào mục tiêu và tiêu chí thành công dài hạn của bạn, nhưng luôn nắm bắt nhịp đập của thị trường là một ý tưởng hay.
9. Cập nhật theo thời cuộc
Ngoài việc phát triển kỹ năng của riêng bạn, cũng quan trọng không kém là nắm cái nhìn tổng quan về những gì đang diễn ra ở tuyến đầu của nghiên cứu, các công ty công nghệ và các nhà dẫn dắt thị trường trong lĩnh vực của bạn. Bạn không phải lúc nào cũng cần đào sâu chi tiết—chỉ cần hiểu tiềm năng của công nghệ mới ở mức khái quát cũng là cách tuyệt vời để luôn thông thạo. Càng tốt hơn nếu bạn có thể trò chuyện với mạng lưới của mình về công nghệ này để học cách họ áp dụng, hoặc chia sẻ điều mới mẻ với họ!
Một nguồn tài nguyên tốt cho kiểu “quét” cấp cao này là Adam Votava, người viết bài “Keeping Up with Data” hằng tuần trên LinkedIn. Các bản tóm tắt súc tích này là cách tuyệt vời để theo dõi nghiên cứu mới nhất, tin tức kinh doanh, và thậm chí cả các gói Python vừa ra mắt. Bạn cũng có thể đăng ký bản tin video Weekly Roundup của chúng tôi, cung cấp những tin tức đáng chú ý nhất từ cộng đồng khoa học dữ liệu, công nghệ và nghiên cứu.
10. Cân nhắc tác động công việc của bạn
Phát triển trong sự nghiệp nên giúp bạn đạt được các chỉ số thành công của riêng mình – nhưng còn thành công của tổ chức thì sao? Điều quan trọng là cân nhắc tác động công việc của bạn, dù đó là tiết kiệm thời gian nhờ công cụ hiệu quả, hỗ trợ đồng nghiệp bằng một bảng điều khiển hữu ích, hay tiết kiệm chi phí sản xuất nhờ một mô hình được huấn luyện tốt. Hiểu rõ tác động của bạn trên toàn tổ chức sẽ giúp bạn có thể:
- Đưa ra luận cứ kinh doanh cho việc thăng chức hoặc chuyển việc
- Thuyết phục công ty tài trợ cho khóa đào tạo
- Trình bày về công việc của bạn tại hội thảo
- Phỏng vấn tốt nếu bạn định chuyển vai trò
11. Xây dựng kỹ năng lãnh đạo
Thực tiễn tốt #12 sẽ đề cập các con đường quản lý sự nghiệp khác nhau trong khoa học dữ liệu. Nhưng để đi đến đó, bạn cần xây dựng kỹ năng lãnh đạo với tư cách cá nhân đóng góp. Các kỹ năng như phân công, ưu tiên, phản hồi và đặt định hướng rõ ràng là những năng lực thiết yếu. Ngay cả khi bạn không quản lý con người, bạn vẫn có thể học và áp dụng những kỹ năng này khi được chọn dẫn dắt một dự án với vai trò cá nhân đóng góp.
Sẽ có nhiều cơ hội xây dựng các kỹ năng này trong sự nghiệp của bạn, nhưng điều đó cũng có thể đòi hỏi bạn rời vùng an toàn. Bước ra khỏi vùng an toàn và vào vùng thử thách là nơi diễn ra học hỏi và thành công lớn nhất; đừng né tránh những cơ hội này vì chúng đại diện cho những bước nhảy vọt sẽ mang lại lợi ích dài lâu trong sự nghiệp.
12. Chọn lộ trình sự nghiệp
Ngày nay, lộ trình sự nghiệp không phải lúc nào cũng là đường thẳng. Bạn có thể chuyển ngang sang đội/ dự án khác hoặc ra vào các vai trò quản lý. Meta đã phân loại một số lộ trình sự nghiệp của họ tại đây, với nhận định rằng “...trở thành quản lý không phải là thăng chức. Đó chỉ là một cách khác để hoàn thành công việc”. Triết lý này khá phổ biến ở những tổ chức có cấu trúc phẳng hơn, với nhiều đội xoay quanh dự án thay vì chức năng công việc. Với Meta, các lộ trình cốt lõi là
- Chuyên gia cấp cao: Dù thường không quản lý con người, họ thường dẫn dắt/định hướng các thành viên junior và có ảnh hưởng lớn đến chiến lược và quyết định. Lộ trình này chủ yếu là công việc thực hành và viết mã.
- Tech lead: Lộ trình này kết hợp giữa đóng góp kỹ thuật và quản lý một nhóm nhỏ, thường là những người làm dữ liệu khác.
- Quản lý con người: Đây là lộ trình quản lý truyền thống, nơi bạn hầu như không viết mã mà tham gia các cuộc họp cấp cao và làm quản trị con người hằng ngày.
Sớm hiểu bạn muốn đi đến đâu về sau trong sự nghiệp là điều tốt. Nếu hiện tại quản lý con người không phù hợp với bạn, hãy đầu tư nhiều hơn vào kỹ năng kỹ thuật; ngược lại, bạn có thể mở rộng mạng lưới và tìm cơ hội học kỹ năng lãnh đạo.
Bonus—Có nhiều con đường để thành công trong khoa học dữ liệu
Bài viết này có nhiều lời khuyên cho các nhà khoa học dữ liệu làm việc trong tổ chức, nhưng có rất nhiều cách để thành công trong sự nghiệp dữ liệu. Hàn lâm, giảng dạy, làm tự do và sáng tạo nội dung đều là những con đường giúp bạn cải thiện thế giới, học hỏi/phát triển điều gì đó, hoặc gia tăng thu nhập. Đừng bó hẹp bản thân trong một công ty hay một lộ trình duy nhất—hãy cân nhắc thành công trông như thế nào với bạn và mạnh dạn thực thi tầm nhìn đó.
Tài nguyên thêm cho bạn:
- Đăng ký Podcast DataFramed
- Xem các chứng chỉ của chúng tôi
- Xem hội thảo trực tuyến về xây dựng portfolio khoa học dữ liệu
