Chào bạn, mình là Julie

Ngày trước, một trong những điều mình thấy khó nhất khi tự học Data là tìm đủ tài liệu.

Bây giờ, điều khó hơn có lẽ là việc lựa chọn giữa quá nhiều playlist, bài viết và learning path được tạo ra rất nhanh.

Người mới có nhiều câu trả lời hơn bao giờ hết. Nhưng một tấm bản đồ rõ ràng vẫn còn thiếu.

Bạn học SQL, mở thêm một khóa Python rồi lưu tutorial Power BI và roadmap Excel. Danh sách tài liệu dài hơn, nhưng bạn vẫn chưa biết mình đang tiến gần tới công việc Data đến đâu.

Mình hiểu cảm giác đó vì mình đã bắt đầu theo cách tương tự.

Mình xuất phát từ khối ngành Kinh tế, không học IT và chưa có người hướng dẫn trực tiếp. Mình tự học từ con số 0, thử từng công cụ rồi ghép dần các mảnh kiến thức lại với nhau.

Đến nay, mình đã bước sang năm thứ năm làm việc với dữ liệu tại các tập đoàn lớn ở Việt Nam và trong những dự án nước ngoài. Nhìn lại, mình thấy có những thứ người mới nên học sớm và có những thứ có thể để sau. Một số kỹ năng cũng chỉ dễ hiểu khi bạn biết vị trí của chúng trong một bài toán Data hoàn chỉnh.

Đó là lý do mình bắt đầu MetricMinds.

Học Data trong thời đại AI tạo ra một kiểu khó mới

Thời mình bắt đầu học Data chưa có AI. Tài liệu và blog ít hơn bây giờ, nhưng có chất lượng và chiều sâu hơn.

Bây giờ, AI khiến việc tạo nội dung trở nên quá dễ dàng. Nhà nhà làm content. Cùng một chủ đề có thể xuất hiện dưới hàng chục phiên bản chỉ sau một thời gian ngắn.

AI đang tạo ra rất nhiều content rác. Đó là những tip và trick rời rạc, thiếu tính hệ thống, thiếu trải nghiệm thực tế và thiếu góc nhìn cá nhân của người viết.

Một mẹo SQL có thể đúng nhưng người mới không biết nên học nó ở giai đoạn nào. Một roadmap liệt kê rất nhiều công cụ nhưng không giải thích vì sao phải học theo thứ tự đó. Đọc xong, bạn có thêm thông tin nhưng vẫn chưa biết cách kết nối chúng thành một quy trình giải quyết bài toán.

MetricMinds muốn góp phần thu hẹp khoảng trống đó.

Người mới cần nhìn thấy bức tranh trước khi đi sâu vào công cụ

SQL, Excel, Python và Power BI đều quan trọng. Mỗi công cụ giải quyết một phần việc khác nhau.

Công việc Data thường bắt đầu từ một nhu cầu của doanh nghiệp: doanh thu đang thay đổi ra sao, vì sao khách hàng rời đi hoặc quyết định nào cần thêm bằng chứng.

Từ câu hỏi ban đầu, người làm Data phải xác định chỉ số, tìm dữ liệu, kiểm tra chất lượng, phân tích nguyên nhân và trình bày kết quả để người khác có thể hành động. Công cụ nằm bên trong quy trình đó.

Khi thấy toàn bộ hành trình, bạn sẽ hiểu vì sao SQL thường được học sớm, lúc nào Excel đủ dùng và vì sao một dashboard đẹp vẫn có thể thất bại nếu câu hỏi ban đầu chưa rõ.

Learning path cũng cần phù hợp với từng người. Data Analyst có điểm tập trung khác Data Engineer hoặc Data Scientist. MetricMinds sẽ cung cấp một khung đủ rõ để bạn biết mình đang ở đâu và bước tiếp theo nên là gì.

MetricMinds sẽ tổ chức kiến thức thành một quy trình dễ theo

Điểm mạnh mình mang vào blog này là tư duy hệ thống. Trước khi đi sâu vào một kỹ thuật, mình luôn muốn hiểu bức tranh tổng thể và kết quả cuối cùng cần tạo ra.

Visual cũng là một phần quan trọng của MetricMinds. Mình sẽ dùng sơ đồ, framework và storytelling khi chúng giúp bạn thấy rõ các lớp và mối liên hệ.

Kinh nghiệm cá nhân sẽ được gọi đúng tên. Một case có thể gợi ý cách xử lý, nhưng không đại diện cho mọi công ty. Nếu vai trò hoặc cách tổ chức khác nhau giữa các doanh nghiệp, bài viết sẽ nói rõ.

Mục tiêu là giúp bạn tự quyết định nên học gì tiếp theo, thay vì tiếp tục nối dài danh sách công cụ.

Hãy dùng MetricMinds như một cuốn sách mở

Mình không mong bạn đọc mọi bài theo thứ tự hoặc cố theo kịp toàn bộ nội dung mới.

Hãy bắt đầu từ câu hỏi bạn đang có. Nếu chưa biết chọn role nào, hãy xem bản đồ ngành. Nếu đã chọn Data Analyst, hãy đi theo learning path của role đó. Khi gặp một khái niệm chưa rõ, bạn có thể quay lại đúng phần để tra cứu.

Mình muốn MetricMinds trở thành một tài liệu bạn có thể dùng nhiều lần và được cập nhật khi ngành thay đổi.

Mình đã dành nhiều thời gian để viết, vẽ và hệ thống lại kiến thức. Công sức đó có ý nghĩa khi bạn dùng được nó để tìm bước đi tiếp theo. Vì thế, mỗi bài sẽ cố gắng trả lời ba câu hỏi:

1. Kiến thức này nằm ở đâu trong bức tranh Data?
2. Vì sao bạn cần biết nó?
3. Bạn có thể làm gì tiếp theo?

Nếu bạn đang bắt đầu từ con số 0, hãy lưu trang này làm điểm quay lại. Từ đây, chúng ta sẽ đi từng phần, đủ chậm để hiểu và đủ rõ để biết mình đang tiến về đâu.