Nếu hỏi một người mới Data Analyst làm gì, câu trả lời thường sẽ là:

"Học Excel, SQL, Power BI rồi làm dashboard."

Câu trả lời này không hoàn toàn sai.

Nhưng nó chỉ mô tả những công cụ mà Data Analyst sử dụng, chưa mô tả bản chất của nghề.

Một doanh nghiệp không tuyển Data Analyst chỉ vì họ cần thêm một người biết SQL.

CEO cũng không thực sự cần thêm một dashboard có nhiều biểu đồ.

Điều doanh nghiệp cần là những người có thể đứng trước một vấn đề kinh doanh chưa rõ ràng, tìm đúng dữ liệu, phân tích nguyên nhân, nhận ra điều đang xảy ra và chuyển kết quả đó thành một quyết định có thể hành động.

Ví dụ, CEO không hỏi:

Hãy viết cho tôi một câu SQL sử dụng Window Function.

CEO sẽ hỏi:

Tại sao doanh thu tháng này giảm 12%?

Marketing không hỏi:

Hãy tạo cho tôi một biểu đồ Line Chart.

Marketing hỏi:

Tôi tăng ngân sách quảng cáo 30%, tại sao doanh thu chỉ tăng 5%?

Operations không hỏi:

Hãy viết Python bằng Pandas.

Operations hỏi:

Tại sao một số cửa hàng thường xuyên thiếu hàng trong khi tổng tồn kho toàn hệ thống vẫn cao?

Đó mới là nơi Data Analyst bắt đầu làm việc.

Đến năm 2027, AI có thể hỗ trợ viết SQL, tạo biểu đồ, tóm tắt dashboard, đề xuất insight và thậm chí cho phép người dùng đặt câu hỏi trực tiếp bằng ngôn ngữ tự nhiên. Microsoft đã tích hợp Copilot vào Power BI để hỗ trợ tạo và chỉnh sửa report bằng prompt, Google Cloud cung cấp Conversational Analytics trên Looker dựa trên semantic layer, trong khi Tableau đang phát triển mạnh theo hướng conversational và agentic analytics.

Điều đó không khiến Data Analyst trở nên không cần thiết.

Nó khiến một số phần việc cơ học của Data Analyst trở nên dễ hơn, đồng thời nâng tiêu chuẩn của nghề lên cao hơn.

Data Analyst 2027 không chỉ là người biết sử dụng công cụ phân tích. Data Analyst là người biết đặt đúng câu hỏi, tìm đúng bằng chứng và biến dữ liệu thành quyết định kinh doanh.

Mục lục

1. Data Analyst thực chất là nghề gì?
2. Vì sao Data Analyst vẫn quan trọng trong năm 2027?
3. Data Analyst đứng ở đâu trong hệ sinh thái Data?
4. Quy trình phân tích dữ liệu từ câu hỏi đến quyết định
5. Business Thinking: kỹ năng quan trọng nhất nhưng thường bị học sau cùng
6. Metrics và KPI: hiểu con số trước khi phân tích con số
7. Excel còn quan trọng trong năm 2027 không?
8. SQL: ngôn ngữ nền tảng của Data Analyst
9. Data Modeling: tại sao Analyst cần hiểu cấu trúc dữ liệu?
10. Power BI và Business Intelligence
11. Data Visualization: biểu đồ đẹp chưa chắc là biểu đồ tốt
12. Data Storytelling: từ biểu đồ đến quyết định
13. Statistics: phần tạo chiều sâu cho Data Analyst
14. Descriptive, Diagnostic, Predictive và Prescriptive Analytics
15. Cohort, Funnel, Retention và Customer Analytics
16. Experimentation và A/B Testing
17. Python có bắt buộc với Data Analyst?
18. AI sẽ thay đổi Data Analyst như thế nào?
19. Semantic Layer và tương lai của Self-Service Analytics
20. Những năng lực AI khó thay thế ở Data Analyst
21. Skill Map Data Analyst 2027
22. Roadmap học Data Analyst trong 12 tháng
23. Portfolio Data Analyst nên xây như thế nào?
24. Data Analyst Junior, Middle và Senior khác nhau ở đâu?
25. Các hướng phát triển nghề nghiệp sau Data Analyst
26. Những sai lầm phổ biến nhất khi học Data Analyst
27. Case Study: Phân tích doanh thu giảm của một chuỗi bán lẻ
28. Data Analyst 2027 nên học công cụ hay học tư duy?
29. Kết luận
30. Tài liệu tham khảo

1. Data Analyst thực chất là nghề gì?

Data Analyst là người sử dụng dữ liệu để giúp tổ chức hiểu một vấn đề và đưa ra quyết định tốt hơn.

Nghe có vẻ đơn giản. Nhưng hãy nhìn kỹ từng phần.

Sử dụng dữ liệu có nghĩa Analyst phải biết dữ liệu nằm ở đâu, cấu trúc thế nào, có đáng tin không và cách lấy nó ra.

Hiểu một vấn đề đòi hỏi Analyst phải hiểu business, quy trình vận hành và bối cảnh.

Đưa ra quyết định tốt hơn yêu cầu khả năng thống kê, phân tích, trình bày và giao tiếp.

Do đó Data Analyst thực chất đứng ở giao điểm của bốn thế giới:

BUSINESS + DATA + ANALYTICAL THINKING + COMMUNICATION

Công cụ nằm bên trong bốn khối đó.

Excel là công cụ. SQL là công cụ. Power BI là công cụ. Python là công cụ. AI cũng là công cụ.

Nếu biết tất cả công cụ nhưng không biết nên phân tích vấn đề nào, Data Analyst vẫn khó tạo giá trị.

Một ví dụ đơn giản

Một công ty có doanh thu:

Tháng	Doanh thu
Tháng 5	10 tỷ
Tháng 6	11 tỷ
Tháng 7	12 tỷ
Tháng 8	10,5 tỷ

Một Analyst mới có thể kết luận:

Doanh thu tháng 8 giảm 12,5% so với tháng 7. Đúng. Nhưng mới chỉ là mô tả.

Một Analyst tốt hơn sẽ hỏi tiếp:

Giảm ở khu vực nào? Giảm ở sản phẩm nào? Số khách hàng giảm hay giá trị đơn hàng giảm?

Khách mới hay khách cũ giảm? Traffic website có giảm không?

Conversion Rate có thay đổi? Có hết hàng không?

Có thay đổi promotion không? Có ngày lễ hay yếu tố mùa vụ không?

Competitor có chương trình đặc biệt không?

Đó là lúc Data Analysis thực sự bắt đầu.

2. Vì sao Data Analyst vẫn quan trọng trong năm 2027?

Có một quan điểm khá phổ biến:

AI có thể tự phân tích dữ liệu rồi, doanh nghiệp còn cần Data Analyst làm gì?

Nhìn vào khả năng hiện tại của các công cụ, lo lắng này không phải vô lý.

Power BI Copilot có thể tạo report từ prompt, chỉnh sửa visual và tạo narrative summary.

Looker cho phép người dùng hỏi dữ liệu bằng ngôn ngữ tự nhiên, nhưng Google vẫn nhấn mạnh rằng hệ thống cần semantic modeling, governance và người dùng phải kiểm chứng output vì kết quả AI vẫn có thể sai.

Tableau cũng đang đưa conversational analytics, semantic model và các capability tự động phân tích sâu hơn vào sản phẩm.

Như vậy có một sự thay đổi thật sự đang diễn ra. Hãy xem AI đang tự động hóa phần nào.

AI có thể hỗ trợ:

• viết SQL;
• giải thích query;
• tạo visual;
• tạo DAX;
• tóm tắt report;
• tìm pattern ban đầu;
• đề xuất câu hỏi;
• tạo Python;
• viết phần mô tả insight.

Nhưng một câu hỏi business thường không xuất hiện dưới dạng hoàn chỉnh.

CEO có thể nói: Dạo này bán hàng có vẻ chậm, xem thử giúp anh chuyện gì xảy ra.

Trong câu đó không có metric.

Không có timeframe. Không có segment. Không có hypothesis. Không có definition.

Analyst phải biến một câu hỏi mơ hồ thành một bài toán có thể phân tích.

Đó là một năng lực rất khác so với việc tạo SQL.

World Economic Forum trong Future of Jobs Report 2025 cho biết analytical thinking vẫn là kỹ năng cốt lõi được các nhà tuyển dụng đánh giá cao nhất, với khoảng 70% doanh nghiệp khảo sát xem đây là kỹ năng thiết yếu. Báo cáo cũng dự kiến khoảng 39% bộ kỹ năng hiện tại của người lao động sẽ thay đổi đến năm 2030, trong khi AI, Big Data và technological literacy nằm trong nhóm kỹ năng tăng nhanh nhất.

Ý nghĩa ở đây khá rõ. Công cụ thay đổi.

Nhưng khả năng tư duy phân tích không giảm giá trị.

3. Data Analyst đứng ở đâu trong hệ sinh thái Data?

Một hệ thống dữ liệu doanh nghiệp thường có nhiều vai trò.

Vai trò	Câu hỏi chính
Data Engineer	Làm sao đưa dữ liệu đến đúng nơi một cách đáng tin cậy?
Analytics Engineer	Làm sao biến raw data thành analytical data dễ sử dụng?
Data Analyst	Dữ liệu đang nói gì về business?
BI Developer	Làm sao tổ chức reporting và dashboard hiệu quả?
Data Scientist	Có thể xây mô hình dự đoán hoặc tối ưu từ dữ liệu không?
ML Engineer	Làm sao vận hành model ở production?
AI Engineer	Làm sao xây application sử dụng AI?

Trong công ty nhỏ, ranh giới này rất mờ.

Một Data Analyst có thể tự:

• lấy dữ liệu;
• clean;
• model;
• viết SQL;
• tạo dashboard;
• phân tích;
• trình bày với management.

Trong doanh nghiệp lớn, Data Engineer có thể chịu trách nhiệm ingestion, Analytics Engineer xây data model, Data Analyst tập trung nhiều hơn vào business analysis.

Microsoft hiện mô tả Data Analyst trong lộ trình Power BI theo bốn nhóm năng lực lớn: chuẩn bị dữ liệu, mô hình hóa dữ liệu, trực quan hóa và phân tích, cuối cùng là quản lý và bảo mật Power BI. Microsoft cũng nhấn mạnh Data Analyst phải làm việc với business stakeholder cũng như phối hợp với Data Engineer và Analytics Engineer.

Điều này cho thấy Data Analyst chuyên nghiệp không chỉ là người kéo thả chart.

4. Quy trình phân tích dữ liệu từ câu hỏi đến quyết định

Một quy trình Data Analysis tốt không bắt đầu từ dữ liệu.

Nó bắt đầu từ câu hỏi.

Có thể hình dung:

Rất nhiều người học bỏ qua ba bước đầu và bắt đầu thẳng ở SQL.

Đó là lý do họ có thể giải một bài SQL khó nhưng khi nhận câu hỏi business thật lại không biết bắt đầu từ đâu.

Ví dụ

CEO hỏi:

Vì sao lợi nhuận tháng này giảm?

Đầu tiên Analyst phải làm rõ:

"Lợi nhuận" ở đây là Gross Profit, Operating Profit hay Net Profit?

"So với cái gì?" Tháng trước? Cùng kỳ năm ngoái? Budget? Forecast?

Tiếp theo phải phân rã: Profit = Revenue - Cost

Nếu profit giảm, có ít nhất hai hướng lớn.

Revenue giảm. Cost tăng.

Revenue lại có thể phân rã: Revenue = Number of Orders × Average Order Value

Number of Orders có thể tiếp tục: Orders = Traffic × Conversion Rate

Chỉ bằng cách phân rã metric, Analyst đã có một cây hypothesis.

Đó là analytical thinking.

5. Business Thinking: kỹ năng quan trọng nhất nhưng thường bị học sau cùng

Một trong những nghịch lý trong đào tạo Data Analyst là người học thường bắt đầu bằng tool.

Excel. SQL. Power BI. Python.

Sau vài tháng mới bắt đầu hỏi:

Thế business analysis là gì?

Theo em nên học song song ngay từ đầu.

Một Data Analyst trong Retail nên hiểu:

• Revenue;
• Gross Margin;
• Inventory;
• Sell-through;
• Average Order Value;
• Conversion;
• Basket Size;
• Same Store Sales.

Data Analyst trong Marketing nên hiểu:

• Impression;
• Click;
• CTR;
• CPC;
• CAC;
• Conversion;
• ROAS;
• LTV;
• Attribution.

Trong SaaS lại có:

• MRR;
• ARR;
• Churn;
• Retention;
• ARPU;
• CAC;
• LTV;
• Activation.

Không cần trở thành chuyên gia ngành ngay từ ngày đầu.

Nhưng phải hiểu rằng dữ liệu là biểu hiện số hóa của hoạt động kinh doanh.

Không hiểu hoạt động kinh doanh thì rất dễ hiểu sai dữ liệu.

6. Metrics và KPI: hiểu con số trước khi phân tích con số

Hãy lấy một metric tưởng như không thể hiểu sai:

Revenue.

Thực tế lại có thể có nhiều định nghĩa.

Một hệ thống ghi Revenue ngay khi customer đặt hàng.

Hệ thống khác chỉ tính khi thanh toán.

Finance ghi nhận khi hàng được giao.

Một team marketing dùng attributed revenue.

Nếu Analyst không xác định definition trước khi phân tích, kết quả có thể chính xác về SQL nhưng sai về business.

Metric nên có những gì?

Một metric trưởng thành nên có ít nhất:

• tên;
• business definition;
• formula;
• data source;
• grain;
• filters;
• owner;
• update frequency.

Ví dụ:

Net Revenue

Completed Order Value
- Returns
- Discounts

Không tính cancelled orders.

Cập nhật mỗi giờ.

Owner: Finance.

Đây là bước nhỏ nhưng cực kỳ quan trọng.

Nếu một doanh nghiệp có 20 dashboard và mỗi dashboard tự tính Revenue bằng một formula khác nhau thì Data Analyst sẽ dành rất nhiều thời gian tranh luận về con số thay vì phân tích business.

7. Excel còn quan trọng trong năm 2027 không?

Có, và có lẽ vẫn còn rất quan trọng. Không phải vì Excel là công nghệ tiên tiến nhất.

Mà vì Excel tồn tại gần business. Financial plan, sales plan, pricing model, inventory forecast, ad-hoc analysis và rất nhiều hoạt động doanh nghiệp vẫn được xử lý bằng spreadsheet.

Một Data Analyst không nên nghĩ: Biết SQL rồi thì không cần Excel.

Thực tế hai công cụ phục vụ những tình huống khác nhau.

Excel rất mạnh khi cần:

• kiểm tra nhanh dữ liệu;
• ad-hoc analysis;
• financial modeling;
• PivotTable;
• scenario analysis;
• trao đổi file với business;
• prototype logic.

Những phần nên thành thạo gồm:

XLOOKUP
SUMIFS
COUNTIFS
IF
INDEX / MATCH
PivotTable
Date Functions
Text Functions
Dynamic Arrays
Power Query

Nhưng điều quan trọng hơn function là biết khi nào Excel bắt đầu không còn phù hợp.

Một file Excel 2 triệu dòng được copy qua email mỗi ngày không phải Data Platform.

Lúc đó cần SQL, warehouse hoặc BI system.

8. SQL: ngôn ngữ nền tảng của Data Analyst

Nếu chỉ được chọn một kỹ năng kỹ thuật để học thật sâu cho Data Analyst, em vẫn chọn SQL.

SQL cho phép Analyst trực tiếp đặt câu hỏi với dữ liệu có cấu trúc.

Một roadmap tốt nên đi từ:

SELECT
WHERE
GROUP BY
HAVING
JOIN
CASE WHEN
CTE
Subquery
Window Functions
Date Functions
String Functions

nhưng đừng học SQL như môn lập trình thuần túy.

Hãy gắn SQL với business questions.

Ví dụ 1: Doanh thu theo tháng

SELECT
    DATE_TRUNC('month', order_date) AS month,
    SUM(net_amount) AS revenue
FROM orders
WHERE status = 'completed'
GROUP BY 1
ORDER BY 1;

Đây là phần syntax. Data Analyst phải hỏi:

net_amount đã trừ return chưa?

Cancelled order có bị loại chưa?

Timezone của order_date là gì?

Một đơn hoàn vào tháng sau được điều chỉnh vào tháng nào?

Những câu hỏi đó tạo ra chất lượng của analysis.

Ví dụ 2: Top khách hàng

SELECT
    customer_id,
    SUM(net_amount) AS revenue
FROM orders
WHERE status = 'completed'
GROUP BY customer_id
ORDER BY revenue DESC
LIMIT 10;

Nhưng "top customer" có thực sự nên xếp theo Revenue?

Một khách mua 1 tỷ nhưng margin 2%.

Một khách mua 700 triệu nhưng margin 30%.

Nếu mục tiêu là profitability, thứ hạng có thể hoàn toàn khác.

SQL trả lời câu hỏi bạn đặt. Nó không đảm bảo bạn đặt đúng câu hỏi.

9. Data Modeling: tại sao Analyst cần hiểu cấu trúc dữ liệu?

Analyst không nhất thiết phải thiết kế toàn bộ Enterprise Data Warehouse.

Nhưng phải hiểu data model.

Một mô hình analytics quen thuộc là Star Schema:

                  dim_customer
                       |
                       |
dim_product ─── fact_sales ─── dim_store
                       |
                       |
                    dim_date

fact_sales chứa giao dịch.

Các dimension mô tả ngữ cảnh của giao dịch.

Nếu Analyst hiểu grain, relationship và cardinality, việc phân tích sẽ chính xác hơn rất nhiều.

Lỗi kinh điển: Double Counting

Bảng orders: 1 row = 1 order

Bảng order_items: 1 row = 1 product in an order

Order A có 4 items.

Nếu join hai bảng rồi SUM order_amount, giá trị đơn hàng có thể xuất hiện bốn lần.

Query chạy bình thường.

Không có error.

Nhưng doanh thu sai gấp bốn.

Đây là lý do hiểu Data Modeling quan trọng với Data Analyst.

10. Power BI và Business Intelligence

Power BI không chỉ là công cụ vẽ biểu đồ.

Một Power BI Analyst chuyên nghiệp phải hiểu ít nhất bốn lớp: DATA, MODEL, MEASURES, VISUALIZATION

Microsoft hiện cũng chia kỹ năng Power BI Data Analyst tương ứng thành chuẩn bị dữ liệu, modeling, visualization và analysis, sau đó là quản lý và security. Power Query và DAX vẫn là hai năng lực được nhấn mạnh trong chứng chỉ PL-300 cập nhật năm 2026.

Power Query

Power Query xử lý:

• connect data;
• clean;
• transform;
• merge;
• reshape;
• type conversion.

Data Model

Analyst cần hiểu:

• relationship;
• cardinality;
• filter direction;
• fact;
• dimension;
• date table.

DAX

DAX tạo metric.

Ví dụ:

Revenue =
SUM(Sales[NetAmount])

Margin:

Gross Margin % =
DIVIDE(
    [Gross Profit],
    [Revenue]
)

Nhưng điểm khó của DAX không nằm ở syntax.

Nó nằm ở:

Filter Context.

Đó là lý do một measure chạy đúng trên một card có thể cho kết quả gây bất ngờ khi đặt vào một matrix.

Học Power BI nghiêm túc cần học mô hình dữ liệu trước khi học hàng trăm DAX function.

11. Data Visualization: biểu đồ đẹp chưa chắc là biểu đồ tốt

Mục tiêu của visualization không phải làm dashboard đẹp.

Mục tiêu là giúp người đọc hiểu dữ liệu nhanh và chính xác.

Ví dụ muốn thể hiện doanh thu 12 tháng.

Line Chart thường phù hợp vì mục tiêu là nhìn trend.

Muốn so sánh doanh thu 10 cửa hàng.

Bar Chart thường dễ đọc hơn Pie Chart.

Muốn phân tích quan hệ giữa advertising spend và revenue.

Scatter Plot có thể phù hợp hơn.

Câu hỏi nên hỏi trước khi chọn chart:

Tôi muốn người đọc nhìn thấy điều gì?

Một dashboard tệ

Có thể có:

• 18 màu;
• 12 biểu đồ;
• 8 KPI cards;
• 4 pie charts;
• animation;
• icon;
• gradient.

Nhưng CEO nhìn vào không biết: Vậy vấn đề là gì?

Dashboard đó vẫn thất bại.

Một dashboard tốt

Có thể rất đơn giản.

Trên cùng: Revenue, Profit, Orders, Conversion

Phía dưới: Trend. Variance. Top driver. Exception. Cuối cùng: Drill-down.

Người đọc hiểu chuyện gì đang xảy ra trong 30 giây.

Đó mới là giá trị.

12. Data Storytelling: từ biểu đồ đến quyết định

Giả sử Analyst trình bày:

Revenue giảm 12%.

Management hỏi:

Rồi sao?

Analyst tiếp tục:

Revenue miền Nam giảm 22%.

Management lại hỏi:

Vì sao?

Một câu chuyện phân tích tốt nên đi qua:

WHAT HAPPENED?
      ↓
WHERE?
      ↓
WHY?
      ↓
SO WHAT?
      ↓
NOW WHAT?

Ví dụ:

What happened?

Doanh thu tháng 8 giảm 12%.

Where?

80% mức giảm đến từ TP.HCM.

Why?

Hai SKU chủ lực hết hàng trong 9 ngày.

So what?

Công ty mất ước tính khoảng 1,3 tỷ doanh thu.

Now what?

Điều chỉnh safety stock cho hai SKU và đưa cảnh báo tồn kho theo sales velocity.

Đây là khác biệt giữa reporting và analysis.

13. Statistics: phần tạo chiều sâu cho Data Analyst

Data Analyst không nhất thiết phải học thống kê như một nhà nghiên cứu.

Nhưng nếu thiếu statistics, Analyst rất dễ đọc sai dữ liệu.

Những chủ đề quan trọng gồm:

• mean;
• median;
• variance;
• standard deviation;
• percentile;
• distribution;
• probability;
• sampling;
• confidence interval;
• hypothesis testing;
• correlation;
• regression;
• outlier;
• statistical significance.

Mean và Median

Giả sử lương của 10 người: 10, 11, 11, 12, 12, 13, 13, 14, 15, 100

Mean bị kéo lên mạnh bởi người lương 100.

Median mô tả người điển hình tốt hơn trong tình huống này.

Chỉ chọn sai một statistic đã có thể tạo ra một câu chuyện hoàn toàn khác.

Correlation không phải Causation

Giả sử dữ liệu cho thấy:

Ad Spend ↑
Revenue ↑

Không thể kết luận ngay:

Quảng cáo làm Revenue tăng.

Có thể mùa cao điểm khiến công ty vừa tăng ads vừa bán được nhiều hơn.

Đây là lý do tư duy causal rất quan trọng.

14. Descriptive, Diagnostic, Predictive và Prescriptive Analytics

Có thể chia analytics thành bốn lớp.

Descriptive Analytics

Chuyện gì đã xảy ra?

Ví dụ:

Revenue giảm 12%.

Diagnostic Analytics

Tại sao xảy ra?

Ví dụ:

Revenue giảm chủ yếu do inventory shortage.

Predictive Analytics

Có khả năng chuyện gì xảy ra tiếp?

Ví dụ:

Nếu sales velocity giữ nguyên, SKU A có thể hết hàng trong ba ngày.

Prescriptive Analytics

Nên làm gì?

Ví dụ:

Chuyển 500 units từ kho Bình Dương về TP.HCM.

Phần lớn Junior Data Analyst bắt đầu ở Descriptive.

Giá trị nghề nghiệp tăng mạnh khi Analyst tiến tới Diagnostic và hỗ trợ decision.

15. Cohort, Funnel, Retention và Customer Analytics

Một Analyst chuyên nghiệp không nên chỉ biết Revenue dashboard.

Có một nhóm framework phân tích rất quan trọng.

Funnel Analysis

Ví dụ e-commerce:

Website Visit
    ↓
Product View
    ↓
Add to Cart
    ↓
Checkout
    ↓
Purchase

Giả sử:

Stage	Users
Visit	100.000
Product View	60.000
Add to Cart	15.000
Checkout	8.000
Purchase	5.000

Overall conversion là 5%.

Nhưng thông tin thú vị hơn có thể nằm ở:

Checkout → Purchase, chỉ 62,5%.

Analyst nên hỏi:

Payment failure? Shipping cost? UX? Coupon? Inventory?

Cohort Analysis

Thay vì gom tất cả customer lại, chia theo cohort.

Ví dụ:

Customer mua lần đầu tháng 1.

Customer mua lần đầu tháng 2.

Customer mua lần đầu tháng 3.

Sau đó xem mỗi cohort còn bao nhiêu người quay lại sau 1, 2, 3, 6 tháng.

Cohort Analysis rất hữu ích để phát hiện vấn đề retention mà revenue tổng thể có thể che giấu.

Retention

Một doanh nghiệp có thể tăng trưởng acquisition rất nhanh nhưng retention tệ.

Revenue vẫn tăng trong vài tháng vì liên tục mua thêm customer mới.

Nhưng engine bên dưới không bền vững.

Analyst phải nhìn được chuyện đó trước khi nó thể hiện rõ trên headline revenue.

16. Experimentation và A/B Testing

Một công ty thay nút:

"Đăng ký"

thành:

"Dùng thử miễn phí"

Conversion tăng từ: 5,0% lên: 5,3%

Có nên triển khai không?

Không thể chỉ nhìn 0,3%.

Nếu mỗi nhóm chỉ có 100 người, khác biệt có thể là noise.

Nếu mỗi nhóm có 1 triệu người, 0,3% có thể cực kỳ có ý nghĩa.

Analyst cần hiểu:

• control;
• treatment;
• randomization;
• sample size;
• statistical significance;
• confidence interval;
• practical significance.

Đặc biệt phải phân biệt:

Statistically significant với Business significant.

Một thay đổi tăng conversion 0,01% có thể statistically significant với dataset cực lớn nhưng không đáng để thay đổi toàn hệ thống.

Ngược lại, một improvement 10% nhưng sample quá nhỏ chưa đủ bằng chứng.

17. Python có bắt buộc với Data Analyst?

Không phải mọi Data Analyst đều cần Python ở cùng một mức độ.

Nếu công việc chủ yếu là:

• SQL;
• Power BI;
• business reporting;
• Excel;

Python có thể là skill bổ sung.

Nhưng Python trở nên rất hữu ích khi phân tích:

• dataset lớn hơn;
• automation;
• API;
• statistics;
• text;
• data science;
• repetitive analysis.

Các thư viện thường gặp:

pandas
numpy
matplotlib
scipy
statsmodels
scikit-learn

Nhưng một lỗi thường gặp là học Python quá sớm rồi bỏ qua SQL.

Trong phần lớn môi trường corporate analytics, SQL có khả năng tạo ROI nghề nghiệp nhanh hơn.

Một thứ tự hợp lý với người mới:

Excel
→ SQL
→ Power BI
→ Statistics
→ Python

không phải:

Python
→ Machine Learning
→ Deep Learning

rồi cuối cùng chưa biết Revenue được tính thế nào.

18. AI sẽ thay đổi Data Analyst như thế nào?

Đây là phần không thể bỏ qua trong roadmap 2027.

Những hệ thống BI hàng đầu đã bắt đầu hỗ trợ natural language analytics ở mức sâu hơn.

Power BI Copilot có thể hỗ trợ tạo report và narrative.

Looker Conversational Analytics cho phép người dùng hỏi dữ liệu trực tiếp bằng ngôn ngữ tự nhiên, với kết quả được grounding trên semantic model.

Google Cloud cho biết BigQuery Conversational Analytics và Conversational Analytics API đã đạt GA trong năm 2026.

Tableau trong các bản phát hành 2026 cũng mở rộng conversational analytics sang trend analysis, period-over-period analysis và các dạng visualization khác.

Điều này có nghĩa những câu hỏi như:

Doanh thu quý này thế nào?

Sản phẩm nào giảm mạnh nhất?

Tạo biểu đồ Revenue theo Region.

sẽ ngày càng ít cần một con người ngồi thao tác từng bước.

Đây là thay đổi thật.

Nhưng nó cũng làm rõ phần công việc Data Analyst nên nâng cấp.

Phần AI làm rất tốt

AI ngày càng mạnh ở:

• syntax;
• boilerplate;
• summarization;
• visualization suggestion;
• SQL generation;
• DAX generation;
• code generation;
• basic pattern detection.

Phần Analyst phải giỏi hơn

Analyst cần mạnh hơn ở:

• problem framing;
• metric definition;
• hypothesis;
• causal reasoning;
• business context;
• validation;
• communication;
• decision support.

Có thể nói:

AI làm giảm giá trị của việc tạo analysis.

Nhưng đồng thời tăng giá trị của việc:

biết analysis nào đáng tin và đáng hành động.

19. Semantic Layer và tương lai của Self-Service Analytics

Một trong những vấn đề lớn nhất khi cho AI hoặc business user trực tiếp hỏi dữ liệu là:

Họ không biết database.

Và database cũng không biết business.

Ví dụ có column:

gmv

Người dùng gọi nó là:

"Doanh thu".

Finance lại không coi GMV là Revenue.

Nếu AI tự query database mà thiếu business context, nó có thể tạo một câu SQL hoàn toàn đúng nhưng trả lời sai câu hỏi.

Semantic Layer giải quyết một phần vấn đề này bằng cách định nghĩa:

• metric;
• dimension;
• entity;
• relationship;
• business terminology.

Looker Conversational Analytics hiện dựa trên semantic modeling layer để cung cấp governed self-service BI.

Tableau Next cũng đang đưa semantic model trở thành một lớp quan trọng của nền tảng analytics.

Đây là một hướng rất đáng chú ý với Data Analyst 2027.

Analyst không chỉ tạo report.

Analyst có thể tham gia định nghĩa business meaning of data.

20. Những năng lực AI khó thay thế ở Data Analyst

Đặt câu hỏi đúng

Có dữ liệu không đồng nghĩa biết phải hỏi gì.

Đây là skill rất khó.

Business Context

AI không tự nhiên biết năm nay công ty thay đổi pricing.

Không biết CEO đang ưu tiên cash flow hơn revenue.

Không biết một sản phẩm sắp bị discontinued.

Context có thể hoàn toàn thay đổi cách đọc dữ liệu.

Data Skepticism

Một Analyst giỏi không tin ngay vào con số.

Nếu Conversion Rate tăng từ 3% lên 18% chỉ trong một ngày, phản ứng đầu tiên không nên là:

Tuyệt vời.

Mà là:

Tracking có vấn đề không?

Khả năng nghi ngờ dữ liệu một cách có phương pháp cực kỳ giá trị.

Causal Thinking

Hai biến cùng tăng không có nghĩa một biến gây ra biến kia.

Đây là nơi statistical thinking và domain knowledge quan trọng.

Communication

Data không tự đưa ra quyết định.

Con người đưa ra quyết định.

Analyst phải có khả năng giải thích điều phức tạp theo cách stakeholder hiểu và tin.

21. Skill Map Data Analyst 2027

Có thể tổ chức toàn bộ năng lực thành tám lớp.

Lớp	Năng lực
Business	Revenue, Cost, Profit, Customer, Operations
Data Literacy	Table, grain, quality, source, metric
Excel	Formula, PivotTable, Power Query
SQL	Query, Join, CTE, Window Function
BI	Modeling, DAX, Dashboard, Power BI
Statistics	Distribution, probability, testing, regression
Python	Pandas, automation, advanced analysis
Communication	Storytelling, presentation, stakeholder management

Một lớp thứ chín đang xuất hiện ngày càng rõ:

Lớp	Năng lực
AI-assisted Analytics	Prompting, validation, conversational analytics, AI workflow

Nhưng lớp AI nên nằm trên fundamentals, không thay fundamentals.

Nếu AI tạo SQL mà bạn không biết kiểm tra JOIN, bạn không thực sự kiểm soát analysis.

22. Roadmap học Data Analyst trong 6 tháng

Đây không phải roadmap duy nhất, nhưng là một thứ tự khá thực tế cho người HOÀN TOÀN MỚI.

Tháng 1: Business và Data Fundamentals

Trước khi lao vào công cụ, hãy hiểu:

• Revenue;
• Cost;
• Profit;
• Customer;
• Product;
• Transaction;
• KPI;
• Dimension;
• Metric.

Học cách nhìn một doanh nghiệp bằng con số.

Project đầu tiên có thể cực kỳ đơn giản:

Phân tích doanh thu của một cửa hàng.

Tháng 2.1: Excel

Học:

• formula;
• lookup;
• PivotTable;
• conditional logic;
• cleaning;
• Power Query.

Project:

Sales Performance Analysis bằng Excel.

Mục tiêu không phải tạo file đẹp.

Mục tiêu là trả lời câu hỏi business.

Tháng 2.2: SQL

Đây là hai tháng nên đầu tư mạnh.

Học từ basic đến advanced.

Đặc biệt:

JOIN
CTE
Window Function
CASE WHEN
Date Analysis
Subquery
Aggregation

Project:

E-commerce Customer Analysis bằng SQL.

Hãy trả lời:

Top products?

Repeat purchase rate?

AOV?

Customer retention?

Revenue by cohort?

Tháng 3.1: Data Modeling

Học:

• fact;
• dimension;
• Star Schema;
• relationship;
• grain;
• SCD concept.

Project:

Biến transaction database thành analytical model.

Tháng 3.2: Power BI

Học:

• Power Query;
• data model;
• DAX;
• filter context;
• visualization;
• dashboard design;
• Power BI Service;
• security basics.

Microsoft vẫn xem prepare, model, visualize, analyze, manage và secure là các nhóm kỹ năng cốt lõi của Power BI Data Analyst.

Project:

Executive Business Dashboard.

Tháng 4: Statistics

Học:

• descriptive statistics;
• probability;
• distribution;
• sampling;
• confidence interval;
• hypothesis testing;
• correlation;
• regression.

Project:

Marketing Campaign Analysis.

Không chỉ nói campaign A tốt hơn B.

Hãy chứng minh mức độ chắc chắn.

Tháng 5.1: Product và Customer Analytics

Học:

• funnel;
• cohort;
• retention;
• segmentation;
• LTV;
• churn.

Project:

Customer Retention Analysis.

Tháng 5.2: Python

Học:

• pandas;
• numpy;
• matplotlib;
• data cleaning;
• EDA;
• basic statistics.

Không cần vội Machine Learning.

Project:

Automated Customer Analysis Notebook.

Tháng 6.1: Data Storytelling

Lấy lại tất cả project cũ.

Không thêm code.

Thay vào đó cải thiện:

• narrative;
• insight;
• recommendation;
• presentation.

Hãy thử trình bày trong 10 phút cho một CEO giả định.

Đây thường là giai đoạn biến một người "biết tool" thành Analyst.

Tháng 6.2: AI-assisted Analytics

Học cách sử dụng AI để:

• generate SQL;
• review SQL;
• tạo hypothesis;
• hỗ trợ EDA;
• giải thích statistic;
• tạo DAX;
• kiểm tra dashboard;
• chuẩn bị presentation.

Nhưng mỗi output phải được validate.

Project cuối: End-to-End Business Analysis with AI-assisted Workflow.

23. Portfolio Data Analyst nên xây như thế nào?

Đừng xây 10 dashboard.

Hãy xây 3 đến 4 case study thật sâu.

Project 1: Sales Performance

Business Question:

Doanh thu tăng hay giảm và driver chính là gì?

Sử dụng: SQL + PowerBI

Phân tích:

• revenue;
• growth;
• product;
• region;
• customer;
• margin.

Project 2: Marketing Analytics

Business Question:

Marketing channel nào thực sự hiệu quả?

Phân tích:

• spend;
• click;
• conversion;
• CAC;
• ROAS;
• LTV.

Đừng chỉ xếp channel theo Revenue.

Một channel Revenue cao nhưng CAC quá cao có thể không tốt.

Project 3: Customer Retention

Business Question:

Customer có quay lại hay không?

Phân tích:

• cohort;
• repeat purchase;
• retention;
• customer segment;
• churn.

Project 4: Executive Business Review

Đây nên là project mạnh nhất.

Giả lập một công ty.

Kết hợp:

Sales
Marketing
Finance
Customer
Operations

Sau đó trả lời:

Doanh nghiệp đang ở đâu?

Vấn đề lớn nhất là gì?

Cơ hội ở đâu?

Management nên làm gì tiếp theo?

Đây gần với công việc Data Analyst thực tế hơn một dashboard đẹp.

24. Data Analyst Junior, Middle và Senior khác nhau ở đâu?

Không nên đánh giá seniority bằng việc biết bao nhiêu DAX function.

Junior Data Analyst

Junior có thể nhận câu hỏi tương đối rõ:

Tính Revenue theo Region trong 12 tháng.

Junior lấy data, kiểm tra, phân tích và tạo visualization.

Middle Data Analyst

Middle bắt đầu xử lý câu hỏi ít rõ hơn:

Tại sao Revenue miền Nam giảm?

Họ tự phân rã vấn đề.

Tự tạo hypothesis.

Tìm dữ liệu phù hợp.

Senior Data Analyst

Senior có thể nhận câu hỏi:

Tăng trưởng có vấn đề gì?

Câu hỏi cực kỳ rộng.

Senior phải biết business đủ sâu để xác định nên nhìn:

• acquisition;
• retention;
• pricing;
• product;
• margin;
• capacity;
• market.

Họ cũng phải biết khi nào câu trả lời chưa đủ bằng chứng.

Analytics Lead

Ở level cao hơn, công việc chuyển sang:

• metric strategy;
• analytics standards;
• stakeholder alignment;
• decision framework;
• mentoring;
• analytics roadmap.

Lúc này SQL vẫn quan trọng.

Nhưng không còn là nơi tạo phần lớn giá trị.

25. Các hướng phát triển nghề nghiệp sau Data Analyst

Data Analyst có thể đi theo nhiều hướng.

Senior Data Analyst

Tiếp tục chuyên sâu analysis và business.

Business Intelligence Analyst

Đi sâu vào dashboard, semantic model và BI platform.

Analytics Engineer

Nếu mạnh SQL và Data Modeling, có thể dịch chuyển sang dbt, transformation và analytical data layer.

Product Analyst

Tập trung product behavior, funnel, retention và experimentation.

Marketing Analyst

Tập trung campaign, attribution, CAC, LTV và growth.

Financial Analyst

Kết hợp Finance với Data.

Data Scientist

Nếu yêu thích statistics, modeling và Machine Learning.

Data Analytics Manager

Nếu mạnh stakeholder, strategy và quản lý team.

Analytics Consultant

Nếu có khả năng kết nối business problem với analytical solution ở nhiều doanh nghiệp.

Đó là điểm hay của Data Analyst.

Đây không phải ngõ cụt.

Nó có thể là nền tảng đi sang rất nhiều hướng trong Data, Business và Management.

26. Những sai lầm phổ biến nhất khi học Data Analyst

Sai lầm 1: Nghĩ Data Analyst là học tool

Học: Excel, SQL, Power BI, Python không tự động tạo ra Data Analyst.

Đó là toolkit.

Nghề nằm ở cách sử dụng toolkit để giải bài toán.

Sai lầm 2: Chạy theo Python quá sớm

Người mới thường cảm thấy Python chuyên nghiệp hơn Excel.

Nhưng nếu chưa biết phân tích Revenue, học Pandas không giải quyết vấn đề.

Sai lầm 3: Dashboard quá đẹp nhưng không có insight

Portfolio có thể rất bắt mắt.

Nhưng người phỏng vấn hỏi:

Em phát hiện được điều gì?

và câu trả lời là:

Revenue cao nhất vào tháng 12.

Đó vẫn là analysis khá nông.

Hãy hỏi tiếp: Tại sao? Do volume hay price?

Khách mới hay cũ? Margin thế nào? Có seasonality không?

Sai lầm 4: Không học Statistics

Không hiểu sampling và significance rất dễ đưa ra kết luận sai.

Sai lầm 5: Không hiểu Data Quality

Data Analyst phải có bản năng kiểm tra dữ liệu.

Nếu revenue bằng 0 toàn bộ miền Bắc, trước khi báo CEO phải kiểm tra pipeline và source.

Sai lầm 6: Học Machine Learning khi chưa phân tích được Business

Không phải mọi vấn đề đều cần model.

Nhiều vấn đề doanh nghiệp chỉ cần một câu SQL tốt và một insight đúng.

Sai lầm 7: Không học cách nói chuyện với Stakeholder

Một analysis không được hiểu hoặc không dẫn đến action có giá trị rất hạn chế.

Sai lầm 8: Copy insight từ AI

Đây sẽ là lỗi ngày càng phổ biến.

AI nói: Sales declined due to lower customer engagement.

Nghe rất hợp lý.

Nhưng "customer engagement" được đo bằng gì?

Có data chứng minh không? Hay chỉ là một câu văn nghe có vẻ chuyên nghiệp?

Analyst phải phân biệt narrative với evidence.

27. Case Study: Phân tích doanh thu giảm của một chuỗi bán lẻ

Đây là cách một Data Analyst có thể xử lý một bài toán từ đầu đến cuối.

CEO nói:

Tháng này doanh thu giảm khá mạnh. Phân tích giúp tôi nguyên nhân.

Bước 1: Xác định vấn đề

Analyst kiểm tra.

Revenue tháng 8: 105 tỷ

Revenue tháng 7: 120 tỷ

Giảm: 15 tỷ

tương đương: 12,5%. Nhưng chưa vội kết luận.

Bước 2: So sánh đúng baseline

Tháng 7 có phải mùa cao điểm?

Cùng kỳ năm ngoái thế nào?

Budget tháng 8 là bao nhiêu?

Giả sử Revenue tháng 8 năm trước là 103 tỷ.

Lúc đó:

MoM = -12,5%
YoY = +1,9%

Bức tranh lập tức khác.

Nếu chỉ nhìn MoM, câu chuyện là "doanh thu sụt giảm mạnh".

Nếu nhìn YoY, có thể đây là seasonality bình thường.

Đây là ví dụ rất rõ cho việc:

Một con số không có context có thể kể một câu chuyện sai.

Bước 3: Phân rã Revenue

Ta có thể sử dụng: Revenue = Orders × Average Order Value

Tháng 7:

Orders = 100.000
AOV = 1,2 triệu

Tháng 8:

Orders = 91.000
AOV = 1,154 triệu

Revenue giảm do cả:

• Orders giảm;
• AOV giảm.

Nhưng Orders có impact lớn hơn.

Bước 4: Phân tích theo Region

Region	Revenue Change
North	-2%
Central	-4%
South	-20%

Phần lớn vấn đề ở miền Nam.

Bước 5: Theo Store

Analyst phát hiện 5 cửa hàng TP.HCM đóng góp gần 70% mức giảm miền Nam.

Bước 6: Theo Product

Hai SKU flagship giảm hơn 40%.

Bước 7: Kiểm tra Demand hay Supply

Website traffic cho hai sản phẩm không giảm.

Product views còn tăng 8%.

Nhưng conversion giảm mạnh.

Analyst kiểm tra inventory.

Hai SKU bị out-of-stock trong nhiều ngày.

Bây giờ hypothesis rõ hơn.

Demand không giảm
↓
Inventory thiếu
↓
Conversion giảm
↓
Orders giảm
↓
Revenue giảm

Bước 8: Định lượng Impact

Ước tính từ sales velocity lịch sử:

Out-of-stock có thể làm mất khoảng:

8,7 tỷ doanh thu.

Nó giải thích phần lớn 15 tỷ giảm.

Bước 9: Recommendation

Không nên dừng ở:

Nguyên nhân do hết hàng.

Analyst có thể đề xuất:

1. Thiết lập inventory alert theo days-of-cover thay vì chỉ absolute quantity.
2. Tách safety stock cho flagship SKU.
3. Theo dõi lost sales do stockout.
4. Điều chỉnh replenishment frequency cho nhóm cửa hàng TP.HCM.

Lúc này analysis đã hoàn chỉnh.

CEO bắt đầu từ:

Tại sao Revenue giảm?

Analyst kết thúc ở:

Vấn đề chính là stockout của hai flagship SKU tại năm cửa hàng TP.HCM, ước tính tác động khoảng 8,7 tỷ. Cần điều chỉnh replenishment và safety stock.

Đó là Data Analysis.

Không phải dashboard.

Không phải SQL.

Không phải Power BI.

Những thứ đó chỉ giúp Analyst đi đến câu trả lời.

28. Data Analyst 2027 nên học công cụ hay học tư duy?

Câu trả lời là cả hai.

Không thể nói: Chỉ cần tư duy, không cần tool.

Nếu không biết SQL, bạn phụ thuộc vào người khác để lấy dữ liệu.

Nếu không biết BI, bạn khó xây hệ thống reporting tốt.

Nếu không hiểu statistics, bạn dễ kết luận sai.

Nhưng cũng không nên đi theo cực còn lại:

Biết nhiều tool là giỏi Data Analyst.

Hãy hình dung năng lực Data Analyst như một kim tự tháp.

Ở đáy: Business Understanding + Analytical Thinking

Tiếp theo: Data Literacy + Statistics

Sau đó: SQL, Excel, BI, Python

Cuối cùng: AI Tools

AI nằm ở trên vì nó có khả năng khuếch đại những năng lực phía dưới.

Một Analyst giỏi sử dụng AI có thể nhanh hơn rất nhiều.

Một Analyst yếu sử dụng AI cũng có thể tạo ra rất nhiều analysis sai nhanh hơn rất nhiều.

Đó là khác biệt.

29. Kết luận: Data Analyst 2027 không phải người làm dashboard

Có lẽ định nghĩa nguy hiểm nhất đối với nghề Data Analyst là:

Data Analyst là người làm báo cáo.

Nếu định nghĩa nghề như vậy, AI rõ ràng là một mối đe dọa rất lớn.

AI đang ngày càng giỏi tạo SQL. AI có thể tạo chart. AI có thể summarize dashboard.

AI có thể nhận câu hỏi bằng tiếng Việt hoặc tiếng Anh rồi truy vấn dữ liệu phía sau.

Những capability này sẽ tiếp tục phát triển.

Nhưng nếu định nghĩa Data Analyst là:

Người sử dụng dữ liệu để giúp doanh nghiệp hiểu vấn đề và đưa ra quyết định tốt hơn

thì bức tranh rất khác.

Một doanh nghiệp không thiếu biểu đồ.

Doanh nghiệp thiếu sự rõ ràng.

Tại sao doanh thu giảm?

Tại sao customer không quay lại?

Tại sao quảng cáo ngày càng đắt?

Tại sao inventory tăng nhưng vẫn hết hàng?

Tại sao một chi nhánh có margin thấp?

Tại sao promotion làm Revenue tăng nhưng Profit giảm?

Tại sao churn tăng? Có nên tăng giá?

Có nên mở thêm cửa hàng? Có nên tiếp tục campaign?

Đằng sau mỗi câu hỏi đó là dữ liệu.

Nhưng dữ liệu không tự biến thành quyết định.

Có một khoảng cách rất lớn giữa:

DATA và DECISION

Data Analyst đứng trong khoảng cách đó.

Họ biến một câu hỏi mơ hồ thành metric.

Biến metric thành hypothesis.

Biến hypothesis thành analysis.

Biến analysis thành insight.

Biến insight thành recommendation.

Và cuối cùng giúp tổ chức đưa ra một quyết định có cơ sở hơn.

Đến năm 2027, một phần thao tác trong chuỗi đó sẽ được AI tăng tốc đáng kể.

Nhưng điều này có thể tạo ra một nghịch lý.

Khi ai cũng có thể tạo một chart trong vài giây, chart không còn là lợi thế.

Khi ai cũng có thể generate SQL, SQL syntax không còn tạo ra khoảng cách lớn.

Khi ai cũng có thể yêu cầu AI viết một đoạn "insight", những câu văn nghe thông minh không còn đủ giá trị.

Thứ trở nên khan hiếm hơn là:

Khả năng biết insight nào thực sự đúng.

Biết dữ liệu nào đáng tin. Biết metric nào phù hợp.

Biết khi nào correlation đang bị hiểu nhầm thành causation.

Biết khi nào một thay đổi chỉ là noise.

Biết câu hỏi nào management thực sự cần trả lời.

Biết một kết quả có ý nghĩa gì đối với business.

Và biết phải làm gì tiếp theo.

Vì vậy Data Analyst 2027 sẽ không thắng bằng việc trở thành người sử dụng Power BI nhanh nhất.

Cũng không thắng bằng việc biết nhiều Python library nhất.

Một Data Analyst mạnh sẽ nằm ở giao điểm của: BUSINESS + DATA + STATISTICS + TECHNOLOGY + COMMUNICATION

và biết sử dụng AI như một lớp tăng tốc phía trên.

Nếu Data Engineer xây nền móng để dữ liệu có thể được sử dụng, thì Data Analyst là một trong những người biến nền móng đó thành hiểu biết về doanh nghiệp.

Và trong một thế giới mà dữ liệu ngày càng nhiều, AI ngày càng mạnh và tốc độ kinh doanh ngày càng nhanh, khả năng đặt đúng câu hỏi và tìm ra điều thực sự quan trọng trong dữ liệu có thể còn có giá trị hơn trước.

Đó mới là Data Analyst 2027.

30. Tài liệu tham khảo

1. World Economic Forum, The Future of Jobs Report 2025. Báo cáo khảo sát hơn 1.000 doanh nghiệp, đại diện hơn 14 triệu lao động tại 55 nền kinh tế. Báo cáo xác định analytical thinking tiếp tục là một trong những kỹ năng cốt lõi quan trọng nhất, đồng thời AI và Big Data nằm trong nhóm kỹ năng có tốc độ tăng nhu cầu cao nhất đến năm 2030.

2. Microsoft Learn, Microsoft Certified: Power BI Data Analyst Associate và PL-300 Study Guide, cập nhật năm 2026. Microsoft xác định Data Analyst cần có khả năng chuẩn bị dữ liệu, mô hình hóa, trực quan hóa, phân tích, quản lý và bảo mật Power BI, đồng thời làm việc với stakeholder, Data Engineer và Analytics Engineer.

3. Microsoft Learn, Create and Edit Power BI Reports with Copilot. Tài liệu mô tả capability của Copilot trong việc sử dụng natural language để tạo, chỉnh sửa report, lựa chọn visual và tạo narrative trong Power BI.

4. Google Cloud, Conversational Analytics in Looker. Looker sử dụng semantic modeling layer để grounding câu hỏi ngôn ngữ tự nhiên trên dữ liệu được quản trị, đồng thời Google lưu ý người dùng vẫn cần kiểm chứng output của hệ thống AI.

5. Google Cloud, Bringing Conversational Analytics to Your Entire Data Ecosystem, 2026. Google cho biết BigQuery Conversational Analytics và Conversational Analytics API đã đạt Generally Available, cho thấy natural-language analytics đang trở thành một phần ngày càng rõ của enterprise analytics.

6. Tableau, Tableau 2026 Releases và Tableau Conference 2026. Tableau tiếp tục mở rộng semantic modeling, conversational analytics và Agentic Analytics, bao gồm trend analysis, period-over-period comparisons và khả năng chuyển từ insight sang downstream action.

7. Microsoft Learn, Prepare Data for Analysis with Power BI. Tài liệu chính thức về kết nối nguồn dữ liệu, profiling, cleaning, Power Query và quá trình chuẩn bị dữ liệu trước modeling và visualization.

Bạn đọc tới đây chứng tỏ bạn đam mê ngành Data Analyst thật sự. Nếu bạn đang có định hướng theo ngành Data Analyst hãy tham khảo khoá Data Analyst do TechData.AI tổ chức.

TechData.AI - Leading the Future.

Tham khảo các khoá học các theo link: https://techdata.ai/techdata-ai-course/

Hoàng Minh.