Data analyst (chuyên viên phân tích dữ liệu) là người biến số liệu bán hàng, khách hàng, vận hành của doanh nghiệp thành câu trả lời rõ ràng cho các câu hỏi như "vì sao doanh thu tháng này giảm" hay "nên nhập thêm mặt hàng nào". Công cụ hằng ngày của họ là Excel, SQL, Python và một phần mềm làm dashboard như Power BI. Bài này giải thích data analyst làm gì mỗi ngày, khác gì data scientist hay data engineer, cần học kỹ năng nào, lộ trình 6 tháng cho người mới và mức lương tham khảo năm 2026.
Học xong bài này, bạn sẽ làm được:
- Giải thích data analyst là gì và mô tả một ngày làm việc điển hình trong 5 đầu việc.
- Phân biệt data analyst, data scientist, BI developer và data engineer qua bảng so sánh.
- Đọc hiểu một truy vấn SQL tổng hợp doanh thu theo nhóm hàng.
- Tự làm lại ví dụ phân tích doanh số một cửa hàng: tính tổng, tỷ trọng, mức tăng giảm sao cho số cộng khớp.
- Lập lộ trình 6 tháng (26 tuần, khoảng 390 giờ) để đạt mức ứng tuyển fresher.
Muốn học có thứ tự? Lộ trình Phân tích dữ liệu trên NAMBIN gồm 8 bước: tư duy phân tích, Excel nâng cao, SQL, Python pandas, dashboard, kể chuyện bằng dữ liệu, dự án thực tế và bài test tuyển dụng. Xem lộ trình 8 bước học phân tích dữ liệu.
Trả lời nhanh: data analyst là gì?
Data analyst là cầu nối giữa dữ liệu thô và người ra quyết định. Giám đốc bán hàng không có thời gian đọc 50.000 dòng đơn hàng; họ cần một câu: "Doanh thu giảm 4% chủ yếu do nhóm đồ uống, nên giảm nhập nước ngọt và đẩy hàng nóng". Data analyst là người tìm ra câu đó và chứng minh nó bằng số.
Ảnh: IAEA Imagebank / Wikimedia Commons, CC BY 2.0
Ba loại câu hỏi data analyst trả lời
- Chuyện gì đã xảy ra? Doanh thu, số khách, tỷ lệ hủy đơn tuần trước là bao nhiêu (phân tích mô tả).
- Vì sao xảy ra? Doanh thu giảm do ít khách hay do mỗi khách mua ít đi; do nhóm hàng nào, chi nhánh nào (phân tích chẩn đoán).
- Nên làm gì tiếp? Đề xuất hành động có số liệu đi kèm, ví dụ đổi giờ khuyến mãi, cắt mặt hàng bán chậm.
Vì sao doanh nghiệp Việt Nam cần vị trí này
Ngày nay cửa hàng nhỏ cũng có phần mềm bán hàng, sàn thương mại điện tử, quảng cáo Facebook — tất cả đều sinh dữ liệu. Ngân hàng, chuỗi bán lẻ, công ty logistics có hàng triệu giao dịch mỗi tháng. Dữ liệu nhiều nhưng người biết đặt câu hỏi đúng và đọc số đúng thì ít.
Một ngày làm việc của data analyst
Công việc thay đổi theo ngành, nhưng nhịp điển hình ở một công ty bán lẻ hay thương mại điện tử khá giống nhau. Phần lớn thời gian ngồi máy tính trong văn phòng như Hình 2, xen kẽ họp với các phòng ban.
Ảnh: Missionedit / Wikimedia Commons, CC BY-SA 4.0
Buổi sáng: kiểm tra số liệu và dashboard
Mở dashboard (bảng điều khiển gồm các biểu đồ, chỉ số cập nhật tự động), xem doanh thu, đơn hàng hôm qua có gì bất thường. Nếu số tụt bất ngờ, việc đầu tiên là kiểm tra dữ liệu có bị thiếu hay lỗi đồng bộ không — trước khi báo động cho sếp.
Giữa ngày: nhận và trả lời câu hỏi
Phòng marketing hỏi "chiến dịch tuần trước mang về bao nhiêu khách mới", phòng mua hàng hỏi "mặt hàng nào tồn kho quá 60 ngày". Data analyst làm rõ câu hỏi, viết SQL lấy dữ liệu, làm sạch bằng Excel hoặc Python, rồi trả lời bằng một bảng hoặc biểu đồ ngắn gọn.
Cuối tuần, cuối tháng: báo cáo và trình bày
Tổng hợp báo cáo định kỳ, trình bày phát hiện và đề xuất trong buổi họp. Phần này cần kỹ năng nói và viết: người nghe thường không chuyên về số liệu, nên mỗi biểu đồ phải trả lời một câu hỏi duy nhất.
Data analyst khác data scientist, BI và data engineer thế nào?
Bốn chức danh này hay bị dùng lẫn trong tin tuyển dụng. Bảng dưới đây so sánh theo cách các công ty Việt Nam thường phân công; ở công ty nhỏ, một người có thể kiêm hai vai trò.
| Vai trò | Câu hỏi chính | Công cụ thường dùng | Sản phẩm đầu ra |
|---|---|---|---|
| Data analyst | Chuyện gì đã xảy ra, vì sao, nên làm gì | Excel, SQL, Python, Power BI | Báo cáo, phân tích, đề xuất |
| BI developer / BI analyst | Làm sao để mọi người tự xem số liệu hằng ngày | SQL, Power BI, Looker Studio, mô hình dữ liệu | Dashboard, hệ thống báo cáo tự động |
| Data scientist | Chuyện gì sắp xảy ra, dự đoán thế nào | Python, thống kê, học máy | Mô hình dự báo, gợi ý sản phẩm |
| Data engineer | Dữ liệu đi từ đâu tới đâu, có sạch và kịp thời không | SQL, Python, công cụ ETL, kho dữ liệu, đám mây | Đường ống dữ liệu (pipeline), kho dữ liệu |
Nên bắt đầu từ vai trò nào?
Data analyst là cửa vào dễ nhất: yêu cầu toán ở mức thống kê cơ bản, kỹ năng lập trình vừa phải, và có nhiều vị trí "nhân viên báo cáo" cho người mới. Data scientist thường cần nền toán và học máy sâu hơn; data engineer cần kỹ năng lập trình và hệ thống mạnh hơn.
Con đường phát triển sau này
Sau 2–3 năm làm analyst, nhiều người đi tiếp theo một trong ba hướng: chuyên sâu một mảng (marketing, tài chính, chuỗi cung ứng), chuyển sang BI hoặc data engineer, hoặc học thêm học máy để thành data scientist.
Kỹ năng cần có: Excel, SQL, Python, Power BI
Bốn công cụ này học theo đúng thứ tự trên: mỗi cái giải quyết việc mà cái trước làm chậm hoặc không làm được. Nền tảng chung là tư duy thống kê cơ bản: trung bình, trung vị, phân phối, và biết rằng hai thứ cùng tăng chưa chắc cái này gây ra cái kia.
Excel và Google Sheets
Vẫn là công cụ dùng nhiều nhất ở doanh nghiệp Việt Nam. Cần thành thạo: XLOOKUP, SUMIFS, Pivot Table, định dạng ngày tháng đúng, phát hiện số lưu dạng chữ và dòng trùng. Excel hợp với dữ liệu vài chục nghìn dòng; lớn hơn thì chậm và dễ sai.
SQL: lấy dữ liệu từ cơ sở dữ liệu
SQL là ngôn ngữ hỏi dữ liệu trong cơ sở dữ liệu. Gần như mọi bài test tuyển data analyst đều có SQL. Dưới đây là một truy vấn mẫu: tính doanh thu tháng 10/2026 theo từng nhóm hàng, xếp từ cao xuống thấp.
SELECT nhom_hang,
SUM(so_luong * don_gia) AS doanh_thu
FROM don_hang
WHERE ngay_ban >= '2026-10-01'
AND ngay_ban < '2026-11-01'
GROUP BY nhom_hang
ORDER BY doanh_thu DESC;Đọc từng dòng: lấy cột nhom_hang và tổng (số lượng × đơn giá) đặt tên là doanh_thu; từ bảng don_hang; chỉ lấy đơn từ ngày 1/10 tới trước ngày 1/11; gộp theo nhóm hàng; sắp xếp giảm dần. Dùng "trước ngày 1/11" thay vì "đến ngày 31/10" để không bỏ sót đơn bán trong ngày 31.
Python với thư viện pandas
Python giúp làm sạch và gộp dữ liệu lớn, lặp lại cùng một quy trình mỗi tuần mà không phải bấm tay. Ví dụ: gộp 12 file Excel của 12 chi nhánh, chuẩn hóa "TP.HCM", "Hồ Chí Minh", "HCM" về một tên. Người mới thường bắt đầu với Google Colab hoặc Jupyter, chạy Python ngay trên trình duyệt hay cửa sổ dòng lệnh như Hình 3.
Ảnh: 9002Jack / Wikimedia Commons, CC0
Power BI hoặc Looker Studio: dashboard
Dashboard đặt các chỉ số quan trọng lên một trang, tự cập nhật hằng ngày. Power BI phổ biến ở doanh nghiệp dùng hệ sinh thái Microsoft; Looker Studio miễn phí, hợp với dữ liệu Google; ngoài ra còn công cụ mã nguồn mở như Apache Superset (Hình 4). Nguyên tắc chọn biểu đồ giống nhau: so sánh dùng cột, xu hướng theo thời gian dùng đường, tỷ trọng ít nhóm mới dùng tròn.
Ảnh: MPopov (WMF) / Wikimedia Commons, CC BY-SA 4.0
Ví dụ làm mẫu: phân tích doanh số một cửa hàng tạp hóa
Chị Hạnh có một cửa hàng tạp hóa ở Hà Nội (giống Hình 5), dùng phần mềm bán hàng nên có dữ liệu từng đơn. Chị thấy doanh thu tháng 10/2026 thấp hơn tháng 9 và hỏi: "Giảm vì đâu, tháng 11 nên làm gì?". Số liệu dưới đây là ví dụ minh họa.
Ảnh: Vuong Tri Binh / Wikimedia Commons, CC BY-SA 4.0
Bước 1: tổng hợp doanh thu theo nhóm hàng
Chạy truy vấn SQL ở mục trên cho tháng 9 và tháng 10, được bảng sau (triệu đồng):
| Nhóm hàng | Tháng 9 | Tháng 10 | Chênh lệch | % thay đổi | Tỷ trọng tháng 10 |
|---|---|---|---|---|---|
| Đồ uống | 54 | 48 | −6 | −11,1% | 40,0% |
| Mì, gạo, đồ khô | 35 | 36 | +1 | +2,9% | 30,0% |
| Bánh kẹo | 20 | 22 | +2 | +10,0% | 18,3% |
| Hóa mỹ phẩm | 16 | 14 | −2 | −12,5% | 11,7% |
| Tổng | 125 | 120 | −5 | −4,0% | 100% |
Kiểm tra cộng: tháng 9 là 54 + 35 + 20 + 16 = 125; tháng 10 là 48 + 36 + 22 + 14 = 120; chênh lệch −6 + 1 + 2 − 2 = −5, đúng bằng 120 − 125. Tỷ trọng 40,0 + 30,0 + 18,3 + 11,7 = 100%.
Bước 2: ít khách hay mỗi khách mua ít?
Doanh thu = số đơn × giá trị trung bình mỗi đơn. Tháng 9 có 3.200 đơn, trung bình 125.000.000 ÷ 3.200 ≈ 39.100 đồng/đơn. Tháng 10 có 3.000 đơn, trung bình 120.000.000 ÷ 3.000 = 40.000 đồng/đơn. Vậy mỗi đơn còn nhỉnh hơn; doanh thu giảm vì ít đơn hơn 200. Lưu ý: giá trị trung bình dễ bị kéo lên bởi vài đơn sỉ lớn; nên xem thêm trung vị (giá trị đứng giữa khi xếp các đơn từ nhỏ tới lớn) để chắc kết luận.
Bước 3: tìm nguyên nhân và cẩn thận với kết luận
Nhóm đồ uống giảm 6 triệu, lớn hơn cả mức giảm chung 5 triệu (các nhóm khác cộng lại tăng 1 triệu: +1 + 2 − 2). Hai giả thuyết: trời Hà Nội chuyển lạnh nên ít người mua nước giải khát, và một cửa hàng tiện lợi mới mở cách 200 m. Xem theo ngày cho thấy số đơn giảm đều cả tháng chứ không dồn vào sau ngày cửa hàng kia khai trương — nên thời tiết có vẻ là lý do chính. Nhưng đây vẫn là tương quan, chưa phải bằng chứng nhân quả; tháng sau cần theo dõi tiếp.
Bước 4: đề xuất hành động
- Giảm nhập nước ngọt lạnh khoảng 15% cho tháng 11 để không tồn hàng.
- Bày sữa nóng, trà, cà phê gói ở vị trí của tủ nước ngọt.
- Đặt chỉ tiêu theo dõi: số đơn mỗi ngày và doanh thu nhóm đồ uống; xem lại sau 4 tuần.
Lộ trình 6 tháng cho người mới bắt đầu
Lộ trình dưới đây giả định 15 giờ mỗi tuần (khoảng 2 giờ mỗi tối và 5 giờ cuối tuần), tổng 26 tuần. Học toàn thời gian thì nhanh hơn, nhưng đừng bỏ bước nào.
| Tháng | Học gì | Số tuần | Số giờ | Xong khi làm được |
|---|---|---|---|---|
| 1 | Tư duy phân tích, thống kê cơ bản, Excel nền | 4 | 60 | Tính trung bình, trung vị, viết được 5 câu hỏi kinh doanh đo được |
| 2 | Excel, Google Sheets nâng cao | 4 | 60 | Làm Pivot Table, XLOOKUP, làm sạch file bán hàng 10.000 dòng |
| 3 | SQL | 5 | 75 | Viết truy vấn GROUP BY, JOIN, kiểm tra tổng khớp |
| 4 | Python pandas | 5 | 75 | Gộp nhiều file, xử lý dữ liệu thiếu, vẽ biểu đồ nhanh |
| 5 | Dashboard và kể chuyện bằng dữ liệu | 4 | 60 | Dashboard một trang và bài trình bày 5 phút |
| 6 | Dự án thực tế, CV, luyện bài test | 4 | 60 | Dự án trên GitHub, nộp ít nhất 20 hồ sơ |
| Tổng | 26 | 390 |
Kiểm tra: 4 + 4 + 5 + 5 + 4 + 4 = 26 tuần; 60 + 60 + 75 + 75 + 60 + 60 = 390 giờ, đúng bằng 26 × 15. SQL và Python được nhiều tuần hơn vì là hai phần nhà tuyển dụng kiểm tra kỹ nhất.
Học ở đâu, tốn bao nhiêu?
Tự học bằng tài liệu miễn phí và khóa online có bài tập tốn khoảng 0–5 triệu đồng; khóa tại trung tâm có mentor khoảng 8–30 triệu đồng (tham khảo 2026, tùy nơi). Máy tính RAM 8 GB trở lên là đủ. Thứ không thể thiếu là bộ dữ liệu thật để luyện: dữ liệu công khai hoặc dữ liệu bán hàng đã xóa thông tin cá nhân.
Lương data analyst 2026 và ngành nào tuyển
Thị trường năm 2026 có nhu cầu thật nhưng cạnh tranh ở mức fresher khá cao. Công cụ AI giúp viết SQL, tóm tắt dữ liệu nhanh hơn, nên nhà tuyển dụng ưu tiên người hiểu nghiệp vụ, biết đặt câu hỏi đúng và kiểm tra được kết quả — chứ không chỉ biết bấm công cụ.
| Cấp bậc | Kinh nghiệm thường gặp | Lương tham khảo 2026 (triệu đồng/tháng) |
|---|---|---|
| Thực tập sinh | Đang học hoặc mới học xong | 3–6 |
| Fresher, nhân viên báo cáo | 0–1 năm | 9–14 |
| Data analyst | 1–3 năm | 15–25 |
| Data analyst có kinh nghiệm | 3–5 năm | 25–35 |
Đây là khoảng tham khảo năm 2026, tùy khu vực (Hà Nội, TP.HCM thường cao hơn), ngành và trình độ tiếng Anh; không phải mức cam kết.
Ngành tuyển nhiều
- Ngân hàng, tài chính, bảo hiểm: báo cáo rủi ro, phân tích khách hàng, thẻ tín dụng.
- Bán lẻ, thương mại điện tử: doanh số, tồn kho, khuyến mãi, hành vi mua hàng.
- Logistics, chuỗi cung ứng: thời gian giao hàng, chi phí vận chuyển, tuyến đường.
- Marketing, agency, công ty công nghệ: hiệu quả quảng cáo, phễu chuyển đổi, giữ chân người dùng.
Làm gì để được gọi phỏng vấn
Một dự án phân tích hoàn chỉnh (câu hỏi – dữ liệu – SQL – dashboard – 3 đề xuất) đặt trên GitHub có giá trị hơn nhiều chứng chỉ. Nếu bạn đã làm ở một ngành (bán hàng, kế toán, kho), hãy chọn dự án đúng ngành đó: hiểu nghiệp vụ là lợi thế lớn nhất của người chuyển nghề.
Lưu ý về dữ liệu cá nhân: dữ liệu khách hàng (họ tên, số điện thoại, địa chỉ, lịch sử mua) là thông tin được pháp luật Việt Nam bảo vệ. Không mang dữ liệu thật của công ty ra ngoài để làm portfolio, không dán dữ liệu khách vào công cụ AI công cộng, chỉ lấy đúng cột cần cho phân tích. Quy định cụ thể có thể thay đổi — hãy đọc văn bản hiện hành về bảo vệ dữ liệu cá nhân và quy chế của công ty bạn.
Sai lầm người mới hay mắc
Học công cụ trước khi học đặt câu hỏi
Dấu hiệu: làm dashboard rất đẹp nhưng sếp hỏi "vậy nên làm gì" thì không trả lời được. Nguyên nhân: bỏ qua tư duy phân tích. Cách sửa: trước mỗi bài, viết ra một câu hỏi kinh doanh đo được, ví dụ "nhóm hàng nào làm doanh thu tháng 10 giảm".
Không kiểm tra tổng
Dấu hiệu: tổng doanh thu trong báo cáo lệch với phần mềm kế toán. Nguyên nhân: JOIN sai làm nhân bản dòng, hoặc lọc ngày thiếu ngày cuối tháng. Cách sửa: luôn đối chiếu tổng với một nguồn khác như ví dụ ở trên.
Nhầm tương quan với nhân quả
Dấu hiệu: kết luận "quảng cáo làm doanh thu tăng" chỉ vì hai thứ cùng tăng trong tháng Tết. Nguyên nhân: không tính tới yếu tố mùa vụ. Cách sửa: so sánh cùng kỳ năm trước, hoặc so nhóm có và không có quảng cáo.
Câu hỏi thường gặp
Data analyst có cần giỏi toán không?
Cần thống kê cơ bản: trung bình, trung vị, phần trăm, phân phối, tương quan. Không cần toán cao cấp như data scientist. Quan trọng hơn là cẩn thận với con số và biết kiểm tra lại.
Trái ngành có học data analyst được không?
Được. Người từ kế toán, bán hàng, marketing, kho vận chuyển sang khá nhiều nhờ hiểu nghiệp vụ. Bạn cần khoảng 6 tháng học đều và một dự án đúng ngành mình từng làm.
Nên học Power BI hay Looker Studio?
Xem tin tuyển dụng ở nơi bạn muốn làm: doanh nghiệp dùng Microsoft thường hỏi Power BI; công ty dùng Google Workspace hay quảng cáo số hay dùng Looker Studio. Nguyên tắc thiết kế dashboard giống nhau nên học một cái rồi chuyển sang cái kia khá nhanh.
AI có thay thế data analyst không?
AI làm nhanh việc viết truy vấn, tóm tắt bảng, nhưng không biết dữ liệu nào sai, câu hỏi nào đáng hỏi và đề xuất nào khả thi với doanh nghiệp. Người biết dùng AI để làm nhanh hơn sẽ có lợi thế; người chỉ biết làm báo cáo lặp lại thì rủi ro cao hơn.
Bài tập: tự phân tích một bảng doanh số
- Lập lại bảng doanh thu của cửa hàng chị Hạnh trong Excel, dùng công thức để tính chênh lệch, % thay đổi và tỷ trọng.
- Đọc truy vấn SQL mẫu và viết bằng lời mỗi dòng làm gì; sửa để lấy doanh thu tháng 9.
- Viết 3 câu hỏi kinh doanh đo được cho một cửa hàng bạn biết (quán cà phê, tiệm thuốc, shop online).
- Lập lộ trình 6 tháng theo số giờ thật bạn có mỗi tuần; tính tổng tuần và tổng giờ.
Tiêu chí tự đánh giá
- Đạt: bảng Excel tự tính đúng tổng 125 và 120, chênh lệch −5, tỷ trọng cộng đủ 100%.
- Đạt: giải thích được vì sao lọc "trước ngày 1/11" an toàn hơn "đến ngày 31/10".
- Đạt: phân biệt được data analyst với data scientist và data engineer bằng một câu cho mỗi vai trò.
- Chưa đạt: gõ tay kết quả thay vì dùng công thức, tổng không khớp, hoặc kết luận nguyên nhân mà không nêu cách kiểm chứng.
Bài này thuộc bước đầu tiên của lộ trình — Tư duy phân tích & thống kê cơ bản. Khi đã đặt được câu hỏi đo được và đọc đúng trung bình, trung vị, bước tiếp theo là Excel & Google Sheets nâng cao: Pivot Table, XLOOKUP và làm sạch dữ liệu. Xem lộ trình 8 bước học phân tích dữ liệu.
_(49836257688).jpg){kind=link}
