Vào ngày 15 tháng 10, chúng tôi sẽ tổ chức hội thảo trực tuyến về Những điều các lãnh đạo L&D cần biết về năng lực thạo dữ liệu. Một trọng tâm then chốt là xây dựng đúng kỹ năng cho từng chân dung dữ liệu cốt lõi. Dưới đây là phần hé lộ nhanh về những gì bạn sẽ học được.
Những thách thức khi nâng cấp kỹ năng để thạo dữ liệu
Thạo dữ liệu là một phương pháp luận để trả lời các câu hỏi kinh doanh, chứ không phải một kỹ năng đơn lẻ có thể dạy và học như các sáng kiến học tập và phát triển truyền thống. Khi mở rộng các chương trình học tập và phát triển cho năng lực thạo dữ liệu, hành trình học tập sẽ khác nhau tùy theo mức độ tương tác của mỗi cá nhân với dữ liệu. Ví dụ, một nhà phân tích marketing thường xuyên làm việc với Excel có thể cần học R hoặc Python để làm tốt công việc, trong khi một quản lý hay lãnh đạo có thể chỉ cần biết cách đưa ra quyết định có cơ sở dựa trên dữ liệu.
Vì sao nên áp dụng phương pháp dựa trên chân dung
Một hành trình học tập dựa trên vai trò và chân dung hiệu quả hơn trong việc mở rộng các chương trình đào tạo năng lực thạo dữ liệu. Dù mỗi tổ chức và dữ liệu họ tạo ra là khác nhau, vẫn có những điểm chung trong mối quan hệ của từng cá nhân với dữ liệu. Cách hữu ích để suy nghĩ và mở rộng nỗ lực nâng cấp kỹ năng tập trung vào dữ liệu là sử dụng các chân dung dữ liệu. Mỗi chân dung dữ liệu có mối quan hệ khác nhau với dữ liệu và cần các năng lực thạo dữ liệu khác nhau để có thể làm việc tốt nhất. Tổ chức có thể ánh xạ các vai trò khác nhau trong nội bộ vào chân dung tương ứng và xây dựng trải nghiệm học tập được tuyển chọn, cá nhân hóa tùy theo những gì họ cần học.
1. Người tiêu thụ dữ liệu và Lãnh đạo
Người tiêu thụ dữ liệu và Lãnh đạo thường làm ở các vai trò không kỹ thuật, nhưng họ sử dụng những phân tích và thông tin chuyên sâu từ dữ liệu để đưa ra quyết định dựa trên dữ liệu. Họ thường cần trao đổi với các chuyên gia dữ liệu và nên phân biệt được khi nào dữ liệu có thể hoặc không thể dùng để trả lời câu hỏi kinh doanh.
Công nghệ và công cụ thường dùng
Bảng tính: Google Sheets, Microsoft Excel Trí tuệ doanh nghiệp (BI): Power BI, Tableau
Chức danh công việc ví dụ
Giám đốc Marketing (CMO), Quản lý Nhân sự, Trưởng bộ phận Kinh doanh
2. Chuyên viên phân tích kinh doanh
Chuyên viên phân tích kinh doanh chịu trách nhiệm liên kết thông tin chuyên sâu từ dữ liệu với các kết quả có thể hành động nhằm tăng lợi nhuận hoặc hiệu quả. Họ có kiến thức sâu về miền kinh doanh và thường dùng SQL cùng các công cụ không cần mã để truyền đạt những insight rút ra từ dữ liệu.
Công nghệ và công cụ thường dùng
Bảng tính: Google Sheets, Microsoft Excel Trí tuệ doanh nghiệp (BI): Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Chức danh công việc ví dụ
Chuyên viên phân tích kinh doanh, Chuyên viên phân tích chuỗi cung ứng, Chuyên viên phân tích vận hành, Chuyên viên phân tích tài chính
3. Chuyên viên phân tích dữ liệu
Tương tự Chuyên viên phân tích kinh doanh, Chuyên viên phân tích dữ liệu chịu trách nhiệm phân tích dữ liệu và báo cáo insight từ phân tích đó. Họ hiểu sâu về quy trình phân tích dữ liệu và báo cáo insight thông qua sự kết hợp giữa công cụ có mã và không mã.
Công nghệ và công cụ thường dùng
Ngôn ngữ lập trình: Python, R Bảng tính: Google Sheets, Microsoft Excel Trí tuệ doanh nghiệp (BI): Power BI, Tableau SQL: PostgreSQL, SQL Server, Oracle SQL
Chức danh công việc ví dụ
Chuyên viên phân tích dữ liệu, Chuyên viên phân tích kinh doanh, Chuyên viên phân tích chuỗi cung ứng, Chuyên viên phân tích vận hành, Chuyên viên phân tích tài chính
4. Nhà khoa học dữ liệu
Nhà khoa học dữ liệu khảo sát, trích xuất và báo cáo những insight có ý nghĩa từ dữ liệu của tổ chức. Họ truyền đạt các insight này tới các bên liên quan không kỹ thuật và hiểu rõ quy trình học máy cũng như cách gắn chúng với ứng dụng kinh doanh. Họ gần như chỉ làm việc với các công cụ lập trình, thực hiện phân tích và thường sử dụng các công cụ dữ liệu lớn.
Công nghệ và công cụ thường dùng
Ngôn ngữ lập trình: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Công cụ dữ liệu lớn: Airflow, Spark
Chức danh công việc ví dụ
Nhà khoa học dữ liệu, Chuyên viên phân tích dữ liệu, có thể bao gồm “nhà khoa học dữ liệu công dân” (tức là người thực hiện các công việc của nhà khoa học dữ liệu nhưng không mang chức danh “Nhà khoa học dữ liệu”).
5. Nhà khoa học học máy
Nhà khoa học học máy chịu trách nhiệm phát triển các hệ thống học máy ở quy mô lớn. Họ tạo ra dự báo từ dữ liệu bằng các mô hình học máy để giải quyết các bài toán như dự đoán rời bỏ (churn) và giá trị vòng đời khách hàng, đồng thời chịu trách nhiệm triển khai các mô hình này để tổ chức sử dụng.
Công nghệ và công cụ thường dùng
Ngôn ngữ lập trình: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Công cụ dữ liệu lớn: Airflow, Spark Công cụ dòng lệnh: Git, Shell
Chức danh công việc ví dụ
Nhà khoa học dữ liệu, Nhà nghiên cứu, Nhà khoa học học máy, Kỹ sư học máy
6. Nhà thống kê
Tương tự Nhà khoa học dữ liệu, Nhà thống kê thực hiện các phân tích có độ nghiêm ngặt cao, bao gồm thiết kế và duy trì các thí nghiệm như thử nghiệm A/B và kiểm định giả thuyết. Họ tập trung định lượng mức độ bất định và trình bày phát hiện đòi hỏi mức độ nghiêm ngặt đặc biệt cao, như trong tài chính hoặc y tế.
Công nghệ và công cụ thường dùng
Ngôn ngữ lập trình: Python, R SQL: PostgreSQL, SQL Server, Oracle SQL
Chức danh công việc ví dụ
Chuyên viên định lượng, Nhà khoa học dữ liệu suy luận, Nhà khoa học dữ liệu
7. Lập trình viên
Lập trình viên là những cá nhân có chuyên môn kỹ thuật cao trong các đội dữ liệu, làm việc để tự động hóa các tác vụ lặp lại khi truy cập và xử lý dữ liệu của tổ chức. Họ thu hẹp khoảng cách giữa kỹ thuật phần mềm truyền thống và khoa học dữ liệu, và hiểu thấu đáo việc triển khai, chia sẻ mã ở quy mô lớn
Công nghệ và công cụ thường dùng
Ngôn ngữ lập trình: Python, R, Scala Công cụ dòng lệnh: Git, Shell
Chức danh công việc ví dụ
Kỹ sư phần mềm, Nhà khoa học dữ liệu, Kỹ sư DevOps
8. Kỹ sư dữ liệu
Kỹ sư dữ liệu chịu trách nhiệm đưa đúng dữ liệu đến đúng người. Họ tạo và duy trì hạ tầng cùng các đường ống dữ liệu, đưa hàng terabyte dữ liệu thô từ nhiều nguồn khác nhau về một nơi tập trung với dữ liệu sạch, phù hợp cho tổ chức.
Công nghệ và công cụ thường dùng
Ngôn ngữ lập trình: Python, R, Scala SQL: PostgreSQL, SQL Server, Oracle SQL Công cụ dòng lệnh: Git, Shell Công cụ dữ liệu lớn: Airflow, Spark Nền tảng đám mây (ví dụ: Amazon Web Services)
Chức danh công việc ví dụ
Kỹ sư phần mềm, Kỹ sư dữ liệu, Kỹ sư DevOps
