So sánh nghề ba và bi
|
Tại Việt Nam, chúng ta sẽ dễ dàng bắt gặp các chức danh công việc như chuyên viên phân tích kinh doanh (Sales Analyst), vận hành (Ops Analyst), sản phẩm (Product Analyst), tài chính (Financial Analyst) và thậm chí có nhiều chức danh công việc không có chữ phân tích hay dữ liệu nào nhưng mô tả công việc lại bao hàm việc sử dụng thành thạo dữ liệu để thực hiện công việc được giao. Show
DA – Data Analyst có thể hiểu là chức danh chuyên viên phân tích hỗ trợ toàn tổ chức ở tầng quản lý trở lên. DA cũng thường được gọi là BI Analyst và cũng được xem là vị trí bậc tiếp theo của BA khi đi chuyên sâu về phân tích dữ liệu. High Potential Talent: Chương trình dành cho bất kỳ ai muốn nghiêm túc phát triển bản thân để đạt được những thành công vững chắc và sớm hơn. Xem chi tiết. Giá trị cốt lõi của việc phân tíchTiếp theo, bạn có thể thấy rằng, việc tổ chức cần đến sự có mặt của những người làm phân tích là một điều đã trở nên khá hiển nhiên vì những lợi ích to lớn mà dữ liệu mang lại để giúp tổ chức phát triển vượt bậc trong tương lai. Cụ thể hơn, các cá nhân làm phân tích dữ liệu được kỳ vọng là có khả năng:
Miễn là bạn đáp ứng được 3 kỳ vọng trên (mình tạm gọi là “giá trị cốt lõi của việc phân tích”) thì bạn đã có thể tự tin vào khả năng phân tích dữ liệu của mình dù cho bạn sử dụng bất kỳ công cụ, ngôn ngữ lập trình, hay kỹ thuật mô hình hóa chuyên sâu nào. Bạn sẽ rất dễ bắt gặp những cuộc tranh luận hết sức gay cấn về việc một người làm phân tích thì phải biết các ngôn ngữ lập trình như SQL và Python, v.v hay chỉ cần Excel và Power BI, v.v là đủ để làm việc. Trước khi đi vào chi tiết để đánh giá xem bạn sẽ cần học cái gì là phù hợp nhất, mình xin kể bạn nghe một câu chuyện về một cuộc đối thoại ngắn giữa (A) trưởng nhóm chăm sóc khách hàng – Customer Experience Leader và (B) nhà khoa học dữ liệu – Data Scientist.
Trong cuộc đối thoại trên, bạn thấy rằng mình hoàn toàn không đề cập tới một công cụ cụ thể nào mặc dù bạn có thể tự mặc định là A đang xem Dashboard trên Power BI với dữ liệu được trích xuất từ Database thông qua ngôn ngữ SQL. Còn B sẽ ứng dụng ngôn ngữ lập trình Python cũng như kiến thức chuyên sâu hơn về Machine Learning để tạo ra trợ lý ảo. Liệu bạn có nghĩ rằng đây chỉ là một cuộc hội thoại bình thường trong một tổ chức mà không phải là công ty start-up công nghệ hay ngân hàng? A hoàn toàn có thể sử dụng Excel để tạo ra những bản phân tích trước và sau thay đổi. Còn B thì có thể chẳng hề viết lấy một dòng lệnh nào mà sử dụng các nền tảng dịch vụ chuyên sâu của Microsoft, Google, Amazon, v.v để kéo và thả ra được trợ lý ảo với các điều kiện như đã trao đổi trong cuộc đối thoại trên. Yếu tố thứ 1: Môi trường làm việcĐiểm mấu chốt mà mình muốn nói đến đó là vấn đề mà tổ chức đang cần giải quyết và nguồn lực mà tổ chức đang có ra sao. Nếu bạn ở trong một tổ chức thuộc nhóm công ty start-up công nghệ hay tài chính ngân hàng, thì bạn đang sống trong một môi trường mà cơ sở dữ liệu tồn tại rất nhiều. Để có thể trích xuất dữ liệu được từ các hệ thống vận hành trong các tổ chức này, bạn sẽ có thể được yêu cầu là biết về ngôn ngữ SQL hay Python nếu bạn là một DA. Còn nếu bạn là một BA, đội ngũ IT hoặc DA sẽ chuẩn bị dữ liệu bao gồm tất cả những gì bạn cần và bạn chỉ việc lấy cái đó ra với một dòng lệnh SQL cơ bản là “SELECT * FROM clean_table” dưới dạng một File CSV hoặc vào thẳng Excel thông qua Power Query. Sau khi dữ liệu được trích xuất thành công, bạn sẽ cần phải trình bày dữ liệu này cho cấp trên hoặc có khi là cho chính bản thân bạn. Công cụ bạn cần có sẽ có thể vẫn chỉ là Excel hoặc là Power BI hoặc thậm chí bạn thích dùng Python thì bạn có thể dùng. Miễn là bạn luôn hướng về “giá trị cốt lõi của việc phân tích” như đã đề cập ở trên. Nếu bạn ở trong một tổ chức không thuộc nhóm trên và cũng không phải là chi nhánh của các tập đoàn đa quốc gia, thế giới của bạn sẽ không tồn tại cơ sở dữ liệu để mà sử dụng SQL đâu. Hoặc nếu có tồn tại thì cơ sở dữ liệu đó thường là một phần đi kèm của một hệ thống vận hành nào đó mà bạn cũng không thể truy cập được vì nhiều lý do kỹ thuât. Mình đề xuất bạn dành thời gian đọc kỹ tại sao ai cũng nên học (data analytics)? để hiểu về 3 nhóm tổ chức mà mình đang phân loại dựa vào giai đoạn phân tích mà tổ chức đó khả năng cao là đang trải qua). Như vậy, dữ liệu của bạn đang ở nhiều phòng ban, trong nhiều File Excel khác nhau, và điểm quan trọng là mọi người xung quanh bạn đang giao tiếp với nhau bằng File Excel. Liệu biết Python để tổng hợp dữ liệu và trình bày trên một ứng dụng khá chuyên biệt như Jupiter Notebook sẽ khiến mọi người xung quanh nể phục. Xác xuất cao là bạn sẽ cảm thấy mình cực kỳ lạc lỏng. Yếu tố thứ 2: Cảm nhận kinh doanhLàm cách nào mà để từ các con số hay các biểu đồ mà có thể đưa ra đề xuất hoặc quyết định kinh doanh?Đây là câu hỏi mà có thể bạn trăn trở khá nhiều vào những ngày đầu theo đuổi nghề nghiệp phân tích dữ liệu. Khi nói tới việc đưa ra đề xuất hay một quyết định kinh doanh cụ thể, bạn bắt buộc cần phải hiểu được mô hình kinh doanh của tổ chức mà bạn đang làm việc bao gồm các yếu tố như
Bạn hãy đọc thêm về “Business Model Canvas” để tăng cường độ nhạy với hoạt động kinh doanh của mình (còn gọi là “Business Sense”). Đây là một phạm trù mà bạn sẽ cần hiểu rất rõ trong vòng vài tháng tới vài năm để có thể sẵn sàng lên vị trí quản lý trong mảng phân tích dữ liệu. Tư duy (Mindset) và cách tiếp cận vấn đề (Framework) cần có là gì để có thể định hướng trả lời nhanh chóng cho các vấn đề sử dụng dữ liệu?Công cụ thì có thể học rất dễ dàng, nhưng khi nói tới tư duy hay cách tiếp cận vấn đề thì bạn sẽ cần phải được tiếp cận và tự trải nghiệm. Tức là biết về khái niệm và thực hành khái niệm đó. Tiếp cận có nghĩa là bạn cần phải biết và hình dung được điều mà bạn chưa biết (“Bạn không biết rằng bạn không biết”). Nghe thì có vẻ rất trừu tượng nhưng bạn có thể hình dung nó qua ví dụ đơn giản sau. Nếu bạn chưa từng nghe nói tới các cạm bẫy phân tích (Decision Biases) nghĩa là có một phần tư duy quan trọng của người làm phân tích mà bạn chưa được tiếp cận. Hay khi bạn chưa từng nghe tới 4 loại phân tích (Analytics Type), bạn sẽ không hình dung được mình đang làm gì và còn phải làm gì. Tự trải nghiệm nghĩa là dù bạn đã tiếp cận được phần tư duy này rồi, nó không có nghĩa là bạn đã làm chủ và thực hành thành thạo nó. Khác với học sử dụng công cụ, khi bạn đã học là bạn đã biết dùng gần như là thành thạo cái chức năng mà bạn đã học. Tư duy và cách tiếp cận vấn đề cần thời gian để thành thạo. 10 nguyên tắc vàng để thành công trong việc phân tích dữ liệu Yếu tố thứ 3: Các kỹ năng thiết yếuNhững kỹ năng thiết yếu để bạn theo đuổi nghề nghiệp phân tích chuyên nghiệp không chỉ có kỹ năng sử dụng công cụ hay phần mềm cụ thể nào đó. Bạn còn cần phải trau dồi thêm về:
Yếu tố thứ 4: Công cụ chuyên dụngPhần lớn mọi người khi bắt đầu hoặc chuyển hướng sang các nghề về phân tích dữ liệu thường hay rơi vào “vòng xoáy công cụ”, tức là học hết công cụ này tới công cụ khác mà không thực sự hiểu một cách sâu xa rằng khi nào thì mới phải dùng tới công cụ này. Một lời khuyên cho bạn đó là có rất nhiều công cụ có chức năng tương tự nhau được áp dụng vào trong mảng phân tích dữ liệu trong doanh nghiệp. Nếu muốn học cụ thể thì cần phải biết chính xác công ty đó dùng công cụ gì. Chính vì vậy mà bạn chỉ nên học công cụ có tính phổ quát cao nhất để kiến thức có thể dễ dàng áp dụng chuyển đổi theo tình hình thực tế. Ngoài ra, nếu có “Người hướng dẫn” (Mentor) thì việc hỏi và nhận câu trả lời sẽ giúp tăng tốc khả năng tự học lẫn khả năng tra cứu Google lên gấp nhiều lần so với việc tự mày mò hoặc tự đăng ký học một khóa nào đó về công cụ mà không có sự hướng dẫn và tìm hiểu đầy đủ. Việc sử dụng công cụ gì phụ thuộc vào mục đích mà bạn đang muốn thực hiện. Một cách nói khác đó là bạn đang ở bước nào của quy trình chuyển hóa dữ liệu thành thông tin hỗ trợ ra quyết định. Để ghi nhớ một cách cô đọng thì quy trình này gồm có 3 bước chính:
Công cụ có tính phổ quát và thứ tự ưu tiên nghiên cứu
(Excel Power* là một tập hợp các chức năng chuyên sâu trên Excel cho mục đích làm việc với dữ liệu và phân tích bao gồm có Power Query, Power Pivot và Power Visual – Đây không phải là các kiến thức Excel thông dụng). Như vậy, nếu bạn là một người mới, hoàn toàn chưa có kinh nghiệm gì về làm việc chuyên sâu và phân tích dữ liệu. Bạn nên chọn phát triển kỹ năng Excel Power vì bản chất là Microsoft đã thiết kế hết sức công phu và cực kỳ thành công trong việc giới thiệu các khái niệm đặc thù về mảng này thông qua các chức năng mới trên một công cụ mà hầu hết mọi người đều có thể tiếp cận được và phổ biến toàn cầu đó là Excel. Không phải tự nhiên mà Excel lại có mặt trong danh sách các công cụ chuyên dụng về Business Intelligence. Và càng không phải tự nhiên mà số lượng người dùng công cụ này một cách chuyên sâu trên toàn thế giới lại cực kỳ đông đảo. Bạn có thể dễ dàng trao đổi các chủ đề này với các chuyên gia quốc tế và trên các diễn đàn quốc tế của Microsoft. Lộ trình trở thành một người làm phân tích dữ liệu – Analytics Professional (BA/DA/BI)Để giúp bạn hiểu được phần còn lại của bài viết này một cách tốt nhất thì bạn thật sự cần phải đọc qua và bức tranh toàn cảnh các công việc xoay quanh phân tích dữ liệu. Cho tới thời điểm này, để bắt đầu hành trình trở thành một người làm phân tích dữ liệu chuyên nghiệp, bạn cần xem xét 2 yếu tố sau:
Bản đồ ngành nghề bên dưới giúp bạn nhìn thấy được tương quan giữa các vị trí khi xem xét 2 yếu tố để giúp bạn xác định điểm đến tiếp theo cho phù hợp. (1) Tỉ trọng trên tổng thời gian làm việc dành cho các công việc phân tích thuần túy và (2) Yêu cầu về khả năng làm việc với dữ liệu và phân tích Nhóm 1,2,3Nếu bạn thấy công việc hiện tại của mình nằm ngoài vùng nhóm 4. Bạn nên phát triển theo lộ trình sau:
LỘ TRÌNH A Nhóm 4 – BANếu bạn thấy công việc hiện tại của mình nằm trong vùng nhóm 4 và có tính chất giống BA. Theo lộ trình sau:
LỘ TRÌNH B Nhóm 4 – DENếu bạn nghĩ mình đang làm DA nhưng bạn đang đọc bài này, rất tiếc phải nói rằng bạn có lẽ đang là DE. Theo lộ trình sau:
LỘ TRÌNH C Tại sao ai cũng nên học kỹ năng phân tích dữ liệu (Data Analytics)?Hiện nay, có rất nhiều bạn trẻ lẫn các anh chị đã đi làm một thời gian ở nhiều lĩnh vực nghề nghiệp khác nhau có mong muốn thay đổi nghề nghiệp để trở thành một người làm phân tích dữ liệu chuyên nghiệp. Bên cạnh đó, cũng có một bộ phận không nhỏ muốn phát triển kỹ năng phân tích dữ liệu mà vẫn theo đuổi nghề nghiệp chuyên môn hiện tại. Trong bài viết này, mình xin được chia sẻ những kinh nghiệm và đúc kết của mình để mọi người hình dung phần nào một trong những lý do chính dẫn tới xu hướng này. Ngoài ra, nếu bạn là một người ở vị trí quản lý cấp cao và ban lãnh đạo tổ chức, hay bạn là nhân sự tuyển dụng, đọc hiểu các thông tin trong bài viết này sẽ cung cấp cho bạn rất nhiều kiến thức thiết yếu cho công việc của bạn. Các giai đoạn phân tích trong tổ chứcĐầu tiên, chúng ta cần hiểu rằng bất kỳ tổ chức nào cũng đã hoặc sẽ phải trải qua 3 giai đoạn sau liên quan tới việc thực hành áp dụng phân tích dữ liệu ở cấp độ tổ chức. Giai đoạn thứ 1: Ai cũng tự mình làm báo cáo (Còn gọi là thời kỳ “Phân tích tự phát”)Điểm nổi bật thường thấy trong giai đoạn này chính là sự thiếu nhất quán về mặt số liệu giữa các phòng ban trong các cuộc họp. Phần lớn các báo cáo đều được làm trên Excel dưới dạng các bảng chi tiết nhiều dòng cột và được cập nhật thủ công (Hoặc tự động hóa nhờ VBA). Ví dụ: trong cuộc họp hằng tuần, trưởng phòng kinh doanh thì bảo tuần rồi chúng ta bán được 10k sản phẩm trong khi trưởng phòng marketing bảo chỉ bán được 9k thôi. Lí do của sự khác biệt vì 1 bên lấy số cập nhật tới hôm qua, còn 1 bên lấy số cập nhật tới hiện tại. Nghĩa là, không có ai kiểm soát dữ liệu chung mà tập thể cùng nhìn vào. Ví dụ trên là một tình huống đơn giản, còn có rất nhiều tình huống khác như điều chỉnh bằng tay kết quả dựa theo những trao đổi thông qua nói chuyện với nhau mà không có một hệ thống nào ghi nhận lại. Trong giai đoạn này, tổ chức có thể có hoặc chưa có phòng công nghệ thông tin (IT), và cho dù là có hoặc chưa, thì phòng IT cũng không chịu trách nhiệm trong việc chuẩn hóa số liệu được sử dụng cho mục đích ra quyết định đối với các hoạt động kinh doanh hằng ngày. Họ đơn thuần là đảm bảo hệ thống vẫn chạy ổn định. Xem thêm: Xây dựng văn hóa ra quyết định bằng dữ liệu (data-driven culture) Giai đoạn thứ 2: Chỉ một số cá nhân có chuyên môn sâu làm phân tích dữ liệu (Còn gọi là thời kỳ “Phân tích tập trung”)Điểm nổi bật thường thấy trong giai đoạn này chính là sự xuất hiện của chức năng phân tích dữ liệu và báo cáo Dashboard tự động cập nhật hằng ngày. Bất kỳ ai cũng có thể đăng nhập và xem thông tin ngay trên web bằng tài khoản riêng của tổ chức cấp cho từng cá nhân. Ví dụ: trong cuộc họp hằng tuần, cả trưởng phòng kinh doanh và marketing đều sẽ nhìn vào một trang báo cáo dưới dạng biểu đồ được thiết kế và cập nhật sẵn tới ngày hôm qua. Cả 2 đều sẽ cùng nhìn thấy một con số duy nhất là tuần vừa rồi bán được 10k sản phẩm và họ còn thấy được các khía cạnh phân tích khác nhau của con số 10k sản phẩm đó theo từng ngày, theo khu vực, theo sự kiện, theo nhân viên bán hàng, theo khách hàng, theo nhóm ngành … Tùy theo qui mô của tổ chức mà những cá nhân làm phân tích dữ liệu này (DA) sẽ thuộc về những bộ phân chức năng khác nhau. Đối với các tổ chức vừa và nhỏ, chức năng phân tích dữ liệu tổng hợp này thường sẽ được giao cho bộ phận kế toán tài chính hoặc sẽ được gọi là nhóm phân tích dữ liệu trực thuộc bộ phận kinh doanh (Phòng ban tạo ra doanh số luôn được ưu tiên đầu trong việc sử dụng kết quả phân tích dữ liệu). Đối với các tổ chức lớn, thì bộ phận phân tích số liệu còn hay được gọi là nhóm Business Intelligence (BI) và thường trực thuộc ban tổng giám đốc khi nói tới sơ đồ tổ chức (Để đảm bảo sự minh bạch, cân bằng về ưu tiên công việc và trung lập trong việc làm báo cáo cho toàn bộ tổ chức). Giai đoạn thứ 3: Ai cũng được khuyến khích để sử dụng dữ liệu trong việc ra quyết định (Còn gọi là thời kỳ “Lan tỏa phân tích”)Điểm nổi bật thường thấy trong giai đoạn này chính là sự xuất hiện của chức năng phân tích dữ liệu và báo cáo Dashboard tự động cập nhật hằng ngày giống như giai đoạn 2 và bao gồm cả các cá nhân làm phân tích của từng bộ phận (BA). Bất kỳ ai cũng có thể đăng nhập và xem thông tin ngay trên web bằng tài khoản riêng của tổ chức cấp cho từng cá nhân. Ngoài ra, các cá nhân làm phân tích của từng bộ phận còn được quyền truy cập vào hạ tầng cơ sở dữ liệu đã được xây dựng trong giai đoạn 2 để tự mình phát triển thêm những phân tích mới. Ví dụ: trong quá trình vận hành mỗi ngày, các trưởng bộ phận đã trải qua giai đoạn 2 sẽ bắt đầu quen thuộc với việc sử dụng dữ liệu để ra quyết định. Họ sẽ có xu hướng đưa ra nhiều yêu cầu phân tích chi tiết, thường xuyên hơn và chỉ riêng nhóm BI là không đủ có thể thực hiện kịp thời theo các yêu cầu này. Chính vì thế, họ sẽ có một đến hai chuyên viên có năng lực gần giống như nhóm BI để hỗ trợ cho các yêu cầu này. Ngoài ra, các bạn chuyên viên này sẽ được kỳ vọng là chủ động thực hiện các phân tích độc lập sâu hơn mà không cần chờ tới yêu cầu cụ thể từ các quản lý bộ phận. Đồng thời, các bạn chuyên viên này cũng sẽ hỗ trợ rất nhiều yêu cầu số liệu đến từ các bạn ở cấp nhân viên của từng bộ phận mà mình đang phụ trách. Tại giai đoạn này, trách nhiệm của nhóm phân tích dữ liệu trung tâm hay còn gọi là nhóm BI như đã đề cập ở giai đoạn 2 sẽ chuyển sang thiết lập bảng định nghĩa, chú giải và giám sát quá trình thu thập lẫn phân tích dữ liệu đang diễn ra trong tổ chức. Không chỉ dừng lại ở đó, nhóm này cũng sẽ là người phụ trách thiết lập các chính sách giám sát, phân quyền và chia sẻ (gọi chung các hoạt động trên là Data Governance). Một hoạt động quan trọng khác mà nhóm chuyên gia này (Subject Matter Experts SMEs) cần phải thực hiện đó là thúc đẩy và lan tỏa văn hóa ra quyết định bằng dữ liệu đến mọi cá nhân trong tổ chức thông qua các buổi đào tạo nội bộ và chia sẻ định kỳ nhằm đưa tổ chức chuẩn bị để có thể hướng tới giai đoạn thứ 4 trong tương lai. Xem thêm: Yêu cầu mới của việc phân tích – nghệ thuật kể chuyện bằng số liệu (data storytelling) Tương lai của hầu hết mọi tổ chức là hướng tới giai đoạn thứ 4Hiện nay, trên thế giới đã có được các tổ chức (ví dụ như Uber hay Amazon) mà theo nhiều chuyên gia gọi là đạt tới giai đoạn thứ 4 – Mọi nhân viên đều có khả năng tự phân tích dữ liệu. Tuy nhiên, trong bài viết này mình sẽ không đi sâu vào bàn luận về nó vì ở Việt Nam hiện tại, mặc dù mình đã làm việc và tư vấn cho nhiều công ty cũng như trao đổi với rất nhiều học viên của mình đã dạy trong nhiều năm thuộc rất nhiều tổ chức khác nhau thì mình chưa hề thấy dấu hiệu tồn tại của tổ chức nào đạt được giai đoạn thứ 3 một cách trọn vẹn. Các tổ chức thuộc các mảng khác nhau thì thường sẽ đang thuộc các giai đoạn khác nhau. Để giúp mọi người dễ nhớ thì phần lớn các tổ chức thuộc mảng tài chính ngân hàng và công ty start-up công nghệ đều đang ở giai đoạn thứ 2 và các tổ chức thuộc các mảng khác đều hầu hết đang ở giai đoạn thứ 1. Đây là quan sát mình đúc kết được áp dụng cho hầu hết các tổ chức Việt Nam tại thời điểm năm 2020. Còn hầu hết các tập đoàn đa quốc gia có chi nhánh tại Việt Nam thì đều đang ở giai đoạn thứ 3. Như vậy, kỹ năng phân tích dữ liệu sẽ sớm trở thành yêu cầu cơ bản của bất kỳ cá nhân nào trong tổ chức. Việc nắm bắt các kỹ năng này còn giúp tạo ra một lợi thế cạnh tranh khác biệt cho chính chúng ta dù cho chúng ta có chuyển sang theo đuổi sự nghiệp phân tích dữ liệu chuyên nghiệp hay vẫn theo đuổi sự nghiệp công việc hiện tại. Cuối cùng, chúng ta có thể thấy rằng, việc tổ chức cần đến sự có mặt của những người làm phân tích là một điều đã trở nên khá hiển nhiên vì những lợi ích to lớn mà dữ liệu mang lại để giúp tổ chức phát triển vượt bậc trong tương lai. Cụ thể hơn, các cá nhân có kỹ năng làm phân tích dữ liệu được kỳ vọng là có khả năng:
Miễn là chúng ta đáp ứng được 3 kỳ vọng trên thì chúng ta đã có thể tự tin vào khả năng phân tích dữ liệu của mình dù cho chúng ta sử dụng bất kỳ công cụ, ngôn ngữ lập trình, hay kỹ thuật mô hình hóa chuyên sâu nào. Học Data Analyst ở đâu ?Bạn chưa biết học data analyst ở đâu? Uniace hiện là một trong những đơn vị tiên phong trong lĩnh vực đào tạo về phân tích dữ liệu / data analyst. Chúng tôi có nhiều khóa học phù hợp với từng cấp độ khác nhau. Nếu bạn đang muốn cải thiện hoặc chuyển hướng qua nghề phân tích dữ liệu data analyst. Bạn có thể liên hệ trực tiếp để được chúng tôi tư vấn phù hợp nhất với năng lực hiện tại của bạn. Business Intelligence khác Business Analyst như thế nào?Sự khác biệt giữa BI và BA:BI dùng các dữ liệu trong quá khứ và hiện tại để thỏa mãn nhu cầu của doanh nghiệp, giúp doanh nghiệp vận hành trơn tru; trong khi BA dùng các dữ liệu trong quá khứ để trích xuất thông tin và vận hành doanh nghiệp, thỏa mãn nhu cầu khách hàng và gia tăng năng suất. Business Analyst khác gì với Data Analyst?Business Analyst cung cấp các đặc tả chức năng thiết lập nền tảng của thiết kế hệ thống công nghệ. Data Analyst trích xuất ý nghĩa từ dữ liệu được tạo ra hoặc thu thập bởi hệ thống. Data Analyst có thể tự động hóa một số nhiệm vụ của Business Analyst, cung cấp các kiến thức kinh doanh có ý nghĩa. Business Intelligence học ngành gì?Business Intelligence (BI) là một tập hợp các chiến lược, công nghệ, quy trình, ứng dụng mà các doanh nghiệp sử dụng để phân tích thông tin, hỗ trợ quá trình ra quyết định kinh doanh. Nói một cách đơn giản, BI là công nghệ để doanh nghiệp dựa vào đó tìm hiểu quá khứ và dự đoán tương lai. Business Intelligence and Data Analytics là gì?Business Intelligence và Business Analytics là hai nền tảng công nghệ quản lý dữ liệu hiệu quả. Mỗi nền tảng công nghệ đều mang đến những lợi ích đặc trưng riêng. Tùy vào nhu cầu và mục tiêu kinh doanh, tổ chức nên lựa chọn cho mình phần mềm phân tích dữ liệu phù hợp. |
