LÀM SAO BIẾN CÔNG VIỆC HIỆN TẠI THÀNH PORTFOLIO DATA ANALYST MÀ KHÔNG LỘ BÍ MẬT CÔNG TY?

Giả sử bạn đang làm ở một công ty vận chuyển cho thương mại điện tử. Nếu dùng data public như Kaggle, bạn không thể hiện được những insight đang diễn ra trong ngành, như tỷ lệ đền bù, chi phí đền bù giảm theo quý hay tỷ lệ sử dụng nhân công thời vụ. Còn nếu mang report hằng ngày ra, che tên công ty và chỉnh lại số, thì chính công ty đang ứng tuyển sẽ đặt câu hỏi về ý thức bảo mật của bạn. Đây là bài toán khó của nhiều bạn đang đi làm muốn chuyển sang Data: có rất nhiều bài toán thật, nhưng data là confidential, vậy lấy gì làm portfolio?

Với những bạn đã bắt đầu làm Data ngay trong công việc hiện tại, câu hỏi tiếp theo rất tự nhiên là: làm rồi, nhưng làm sao để người khác nhìn thấy? Mình nghĩ nhiều bạn kẹt ở đây vì đang hiểu sai portfolio dùng để chứng minh điều gì.

Câu trả lời của mình là: bạn không cần mang data công ty về nhà để làm portfolio. Thứ bạn cần mang theo là cách tư duy. Trong bài này, mình sẽ đi qua bốn chuyện: vì sao mang data thật ra là nước đi sai kể cả khi đã che tên, cách tách bài toán ra khỏi dữ liệu, năm bước dựng lại một case study từ công việc thật, và vì sao portfolio kiểu này có thể mạnh hơn nhiều project Kaggle.

1. VÌ SAO MANG DATA THẬT RA LÀ NƯỚC ĐI SAI, KỂ CẢ KHI ĐÃ CHE TÊN?

Toàn bộ dữ liệu bạn chạm vào mỗi ngày đều thuộc về công ty. Bạn không thể upload file Excel lên GitHub, không thể đưa số revenue thật lên LinkedIn, không thể chụp màn hình dashboard nội bộ rồi gắn vào CV. Điều đó hoàn toàn bình thường, và bạn cũng không nên làm như vậy. Che tên hay đổi vài con số thường không đủ, vì cấu trúc bảng, tên KPI nội bộ, quy mô số liệu và mốc thời gian vẫn đủ để người trong ngành nhận ra đó là công ty nào.

Nguyên nhân sâu hơn nằm ở phía người tuyển. Khi một ứng viên mang dữ liệu của công ty cũ ra, câu hỏi tự nhiên mà nhà tuyển dụng sẽ đặt ra là: vài năm nữa, bạn ấy có mang dữ liệu của công ty mình đi như vậy không? Với vị trí Data Analyst, người thường được cấp quyền truy cập vào nhiều nguồn dữ liệu quan trọng của doanh nghiệp, ý thức bảo mật không phải điểm cộng, mà là điều kiện tối thiểu. Một portfolio đánh đổi confidentiality của công ty cũ có thể trông rất “thật”, nhưng nó đang gửi đi đúng tín hiệu mà nhà tuyển dụng sợ nhất.

Có một cách làm lộ dữ liệu mới mà nhiều bạn không để ý: dán file thật vào một công cụ AI công cộng rồi nhờ nó “làm giả” giùm. Dữ liệu đã rời khỏi công ty ngay ở bước đó. Muốn dùng AI để tạo dữ liệu giả lập, hãy mô tả cấu trúc bảng và quy luật bạn cần, đừng đưa cho nó dữ liệu thật.

Portfolio không nên được xây bằng cách đánh đổi niềm tin mà công ty đang đặt vào bạn.

2. TÁCH BÀI TOÁN RA KHỎI DỮ LIỆU

Hãy tách một project thực tế thành hai phần: business problem và company data. Bạn được dùng business problem, nhưng không dùng company data. Ví dụ, trong công việc bạn từng phân tích “nhóm khách hàng nào có khả năng mua lại cao nhất?”. Đừng lấy data thật. Hãy tạo một dataset giả lập có cấu trúc tương tự: customer ID, độ tuổi, kênh acquisition, ngày mua đầu tiên, số đơn, doanh thu, ngày mua gần nhất, phân khúc khách hàng. Rồi thực hiện lại toàn bộ quy trình phân tích trên dataset đó.

Thứ bạn được giữ nguyên là câu hỏi business, logic phân tích, cách xây KPI, data model, logic SQL, cấu trúc dashboard, cách tìm insight và cách đưa recommendation. Thứ phải thay là tên công ty, thông tin khách hàng, doanh thu, dữ liệu giao dịch, tên sản phẩm, KPI nội bộ và mọi thông tin mật, bằng dữ liệu giả lập hoặc dữ liệu public.

Lấy một bài toán quen thuộc: doanh thu giảm nhưng số khách hàng không giảm. Bạn không cần công khai “doanh thu công ty tôi giảm từ 12,3 tỷ xuống 10,8 tỷ”. Bạn chỉ cần viết phần Business Problem: “Revenue declined significantly during Q3 while customer volume remained relatively stable. The objective was to identify the key drivers behind the decline and determine potential actions for the commercial team.” Sau đó dùng dataset giả lập để đi tới cùng một chuỗi phát hiện: doanh thu giảm do giá trị đơn trung bình (AOV) giảm, AOV giảm chủ yếu ở nhóm sản phẩm A, và nhóm A giảm vì một phân khúc khách hàng mua thưa hơn trước. Cuối cùng là recommendation cho team kinh doanh.

Tuy nhiên, không phải business problem nào cũng an toàn để kể. “Doanh thu giảm do AOV” là bài toán chung của rất nhiều doanh nghiệp. Còn chiến lược giá cho một sản phẩm sắp ra mắt, hay một lỗ hổng gian lận chưa được vá, thì bản thân bài toán đã là bí mật. Một phép thử đơn giản: nếu sếp hiện tại của bạn đọc case study này, sếp có thấy khó chịu không? Nếu có, hãy khái quát bài toán thêm một tầng, hoặc chuyển nó sang bối cảnh của một ngành khác.

Kinh nghiệm giải bài toán là của bạn. Dữ liệu thì không.

3. NĂM BƯỚC DỰNG LẠI MỘT CASE STUDY TỪ CÔNG VIỆC THẬT

Bước 1, chọn một bài toán thật. Không cần lấy cả công việc của bạn, chỉ cần một vấn đề bạn thực sự từng gặp: vì sao revenue giảm, vì sao conversion giảm, kênh nào hiệu quả nhất, khách hàng nào có khả năng churn, sản phẩm nào đang kéo margin xuống, team sales nào đang underperform, campaign nào nên tăng budget. Với ví dụ công ty vận chuyển ở đầu bài, đó có thể là câu hỏi “vì sao chi phí đền bù tăng vào mùa cao điểm”.

Bước 2, ẩn hoặc thay dữ liệu. Không dùng tên khách hàng, revenue, customer ID, sản phẩm, KPI nội bộ hay tên công ty thật; thay bằng public dataset, dữ liệu giả lập, hoặc một dataset bạn tự mô phỏng. Phần khó nhất ở bước này lại ít ai nói tới: dữ liệu sinh ngẫu nhiên sẽ không chứa insight nào cả. Bạn phải chủ động cài vào đó quy luật mình từng quan sát thấy, ví dụ cho AOV của nhóm A giảm ở đúng một phân khúc, đồng thời giữ những đặc điểm của dữ liệu đời thật như mùa vụ, khách hàng phân bố lệch, vài chỗ thiếu và sai lẻ tẻ. Dataset càng giống đời thật, phần phân tích của bạn càng có sức nặng.

Bước 3, giữ lại logic phân tích. Đây mới là phần có giá trị. Nếu bạn từng phân rã doanh thu thành số khách hàng × số đơn mỗi khách × AOV, giữ nguyên khung đó. Từng làm cohort analysis, customer segmentation, funnel hay root cause analysis, giữ lại tất cả. Dữ liệu thay đổi, nhưng cách tư duy của bạn vẫn còn nguyên.

Bước 4, xây lại dashboard. Dựng một dashboard mới trên dữ liệu giả lập, không cần giống 100% bản nội bộ, thậm chí nên làm tốt hơn, vì lần này bạn không bị ràng buộc bởi thói quen của công ty. Một cấu trúc gợi ý: Executive Overview → Revenue & Profit → Customer Analysis → Product Analysis → Channel Analysis → Recommendation.

Bước 5, kể lại câu chuyện. Đừng chỉ upload dashboard. Hãy viết theo mạch Business Context → Business Problem → Data → Analysis → Key Findings → Recommendation → Expected Impact, và mở đầu case study bằng một câu kiểu: “This case study is inspired by a real business problem I encountered in my professional experience. All company-specific information, data, metrics and entities have been replaced or simulated for confidentiality purposes.” Chỉ một câu như vậy đã cho người đọc biết bạn không dùng dữ liệu mật, nhưng bài toán xuất phát từ trải nghiệm thật. Đó là một điểm cộng.

Có một ranh giới cần giữ: bài toán và cách làm là thật, còn con số là giả lập. Khi phỏng vấn, hãy sẵn sàng nói rõ phần nào thật, phần nào mô phỏng, và đừng để những con số giả lập trong case study biến thành thành tích thật trên CV.

Thay dữ liệu, thay tên, thay số. Nhưng giữ nguyên tư duy.

4. VÌ SAO PORTFOLIO KIỂU NÀY CÓ THỂ MẠNH HƠN PROJECT KAGGLE?

Mình đánh giá portfolio kiểu này cao hơn khá nhiều project Kaggle. Một project Kaggle thường bắt đầu bằng “đây là dataset”, rồi đi qua EDA, visualization, model và conclusion. Nhưng trong công việc thật, hiếm khi có gì bắt đầu bằng dataset. Mọi thứ bắt đầu bằng câu hỏi: business đang có vấn đề gì? Đó là khác biệt rất lớn giữa một data project và một data analytics project.

Một case study dựng từ công việc thật mang theo những thứ mà dataset công khai không có: bối cảnh vì sao câu hỏi xuất hiện, những ràng buộc thật như dữ liệu thiếu hay stakeholder cần câu trả lời trong tuần, và một quyết định thật được đưa ra sau phân tích. Người phỏng vấn hỏi sâu vào chỗ nào, bạn cũng trả lời được, vì bạn đã thực sự ở trong câu chuyện đó. Hiring manager thường không quá quan tâm đây có phải data thật của công ty bạn hay không. Điều họ cần thấy là bạn có biết giải một business problem hay không.

Vì vậy, nếu đang đi làm, đừng nghĩ “em không được lấy data công ty, nên em không có project để làm”. Hãy nghĩ “em có rất nhiều business problem, em chỉ cần tái tạo chúng bằng một dataset an toàn”. Và hãy bắt đầu ngay từ hôm nay: mỗi lần gặp một bài toán data thú vị trong công việc, ghi lại problem là gì, business question là gì, bạn đã phân tích thế nào, KPI nào quan trọng, insight là gì và quyết định cuối cùng là gì. Vài tháng sau, bạn sẽ có sẵn nguyên liệu cho ba, bốn case study mà không cần mang theo một dòng dữ liệu nào.

Don’t show the data. Show the thinking.

Bạn không cần công khai bí mật của công ty để chứng minh mình có kinh nghiệm. Bạn chỉ cần chứng minh mình đã gặp vấn đề gì, đã suy nghĩ thế nào, phân tích ra sao, và biến data thành quyết định như thế nào. Một portfolio tốt không phải là “đây là dataset của công ty tôi”, mà là “đây là một bài toán tôi từng gặp trong thực tế, và đây là cách tôi tư duy để giải nó”.

Đừng biến portfolio thành nơi khoe dữ liệu của công ty. Hãy biến nó thành nơi chứng minh năng lực của chính bạn, và cả sự đáng tin của bạn. Trong công việc bạn đang làm, bài toán nào bạn đã giải mà đáng được kể lại thành một case study?

—————————-
Nếu bạn quan tâm đến khóa coaching giúp bạn trở thành Data Analyst trong vòng 6-8 tháng thì tham khảo ngay lộ trình này: http://link.unigap.io/lo-trinh-hoc-data-analyst Hoàn tiền nếu không có offer.

Nếu bạn muốn học Phân tích dữ liệu để phục vụ công việc thì tham khảo lộ trình Khóa Power BI Mastery: http://link.unigap.io/powerbi-mastery
Thành thạo Power BI sau 2 tháng, học ~ 2 giờ mỗi ngày, 18 buổi training, có 4 projects để luyện tập, áp dụng tư duy Design Thinking vào phân tích dữ liệu. 

Leave a Reply

Your email address will not be published. Required fields are marked *