Điều thực sự cần cho công việc phân tích dữ liệu không phải kiến thức chuyên môn, mà là 'khả năng phiên dịch'

Xin chào, mình là まさきん.

Mình từng nghe và thấy nhiều lần câu chuyện xoay quanh việc phân tích dữ liệu hay phân tích truy cập có phải là công việc chuyên môn cao hay không.

Sau khi làm công việc này lâu năm, điều mình cảm nhận được là thứ cần thiết không phải là kiến thức thống kê hay machine learning cao cấp, mà là một năng lực khác.

Người làm phân tích nên là “người phiên dịch”

Vai trò phân tích dữ liệu thường bị nghĩ là một công việc có tính chuyên môn rất cao. Nhưng như mình từng viết trong bài suy nghĩ sau khi đọc ‘Competing on Analytics’, cá nhân mình không nghĩ vậy.

Tất nhiên, có những người có thể rút ra insight kinh doanh từ phân tích cao cấp, hoặc có thể tự tay làm từ phân tích đến thiết kế, triển khai. Nhưng mình cảm thấy số người như vậy không nhiều.

Điều thực sự được cần ở nhiều nơi làm việc là khả năng dịch ngôn ngữ chuyên môn của dữ liệu sang ngôn ngữ kinh doanh. Đó là công việc không chỉ nhìn số liệu, mà chuyển ý nghĩa của số liệu đó thành thứ mà những người liên quan có thể hiểu được.

Cảm giác “phiên dịch” này, mình nghĩ cũng có thể áp dụng cho các con số ngoài công việc. Ví dụ như cước điện thoại hàng tháng, nếu chỉ nhìn qua thì cũng không hiểu được ý nghĩa gì.

Sự nguy hiểm khi chỉ dừng ở “công cụ tra cứu tiện lợi”

Có một cái bẫy mà tổ chức phân tích dễ rơi vào, mà mình luôn để tâm. Đó là việc team phân tích trở thành một dạng “cửa sổ tra cứu” đơn thuần.

“Cho tôi con số này”, “cho tôi xem xu hướng trong khoảng thời gian này”. Những yêu cầu như vậy tất nhiên là công việc quan trọng, nhưng nếu chỉ dừng ở đó thì sẽ hơi lệch khỏi vai trò vốn được kỳ vọng là “hỗ trợ ra quyết định”. Nếu chỉ đưa số liệu được yêu cầu từ bên này sang bên kia, giá trị của team phân tích sẽ không vượt ra khỏi phạm vi “bộ phận tra cứu tiện lợi”.

Tuy vậy, mình không nghĩ nên phủ nhận hoàn toàn trạng thái này. Ở bước đầu tiên, việc là một tổ chức chăm chỉ đáp ứng các yêu cầu tra cứu cũng không sao. Vì chỉ khi tăng dần lượng thông tin nhìn thấy được, dù nhỏ, và tiếp tục truyền tải thông tin đó ra xung quanh, thì niềm tin tiếp theo mới có thể được xây dựng. Không rời mắt khỏi mục tiêu, nhưng vẫn tích lũy từng việc có thể làm ngay bây giờ. Có lẽ giữ tâm thế đó là vừa đủ.

Nên nghiêng về phía người dùng hay phía xây dựng hệ thống

Mình cảm thấy công việc liên quan đến dữ liệu chia thành hai hướng lớn. Một là phía sử dụng số liệu đã có. Hai là phía xây dựng, chuẩn bị dữ liệu.

Nếu là phía sử dụng, công việc mở rộng sang phân tích kiểu CRM, giáo dục người dùng, thiết kế gợi ý sản phẩm. Nếu là phía xây dựng, công việc bao gồm cả thiết kế yêu cầu dữ liệu, triển khai, đến xây dựng hạ tầng dữ liệu.

Khi nghĩ về sự nghiệp, kỹ năng cần rèn luyện sẽ khác nhau rất nhiều tùy vào việc đặt trọng tâm ở đâu. Mình cũng từng có cảm giác giằng xé tương tự khi suy nghĩ về công việc “product manager”, và thành thật thì đến giờ bản thân mình cũng chưa có câu trả lời rõ ràng nên đặt trọng tâm ở đâu. Là người bắt đầu từ phía người dùng, rồi đi lại giữa thiết kế, triển khai và các biện pháp thực tế, mình vẫn có cả mong muốn phát triển năng lực phía xây dựng hơn, và cả sự do dự về vị trí hiện tại của mình.

Trong thời đại AI tạo sinh, tỷ trọng của khả năng phiên dịch lại càng tăng

Hiện nay, nhờ AI tạo sinh, việc viết SQL hay tạo dashboard đã trở nên dễ dàng hơn trước rất nhiều.

Trong một cuộc thảo luận mình đọc gần đây, sự thay đổi này được nói đến như một sự chuyển dịch từ “năng lực phân tích” sang “năng lực tìm ra hướng đi chiến thắng”. Khi các công việc định hình như xử lý, trực quan hóa dữ liệu, chọn mô hình đã có thể giao cho AI, thì tỷ trọng của năng lực tìm ra KPI, năng lực đặt ra “nên hỏi cái gì” lại càng tăng lên. Trong một thảo luận khác, vai trò của data scientist được nói đến sẽ mở rộng theo ba hướng, đó là người kết nối kiến thức giữa các lĩnh vực khác nhau, người đặt câu hỏi mang tính chiến lược, và người kể chuyện biến kết quả phân tích thành quyết định kinh doanh.

Nói cách khác, phần “nên hỏi gì”, “diễn giải số liệu ra sao và kết nối với kinh doanh thế nào” lại càng trở nên quan trọng hơn. Công cụ càng thông minh, khoảng cách giữa năng lực đặt câu hỏi và năng lực phiên dịch câu trả lời càng trực tiếp trở thành khoảng cách về kết quả. Việc chỉ là công cụ tra cứu đơn thuần, hay trở thành người phiên dịch thực sự tham gia vào quyết định, ranh giới đó cuối cùng cũng nằm ở chính điểm này.

Nếu phải rèn luyện năng lực này trong thực tế, mình cố gắng giữ thứ tự là ngôn ngữ hóa trước câu hỏi “người xem số liệu này nên làm gì tiếp theo”, rồi mới bắt đầu phân tích. Không phải là ra số liệu rồi mới nghĩ cách diễn giải, mà là có sẵn giả thuyết về kết luận muốn truyền tải trước khi bắt tay vào dữ liệu. Chỉ riêng sự khác biệt về thứ tự này, mình cảm thấy chất lượng đầu ra với vai trò người phiên dịch thay đổi khá nhiều.

Cách nói “dân chủ hóa phân tích” cũng ngày càng phổ biến. Nhờ AI tạo sinh, số người có thể tự đặt câu hỏi cho dữ liệu mà không cần kiến thức chuyên môn đã tăng lên, khiến cho sự hiếm có của “năng lực tra cứu” mà trước đây chỉ team phân tích có, đã giảm xuống. Chính vì vậy, giá trị gia tăng của người phiên dịch, tức là cách diễn giải câu trả lời và kết nối với hành động tiếp theo, lại càng nổi bật hơn.

Vào thời điểm mà mọi thành viên ở hiện trường đều có thể tiếp cận dữ liệu ở mức độ nào đó, mình cảm thấy vai trò giải thích thuật ngữ chuyên môn một cách dễ hiểu lại đang được yêu cầu rộng rãi hơn ở nhiều nơi trong công ty. Có lẽ thời đại mà chỉ team phân tích cần là người phiên dịch đang dần đi đến hồi kết.

Tổng kết

Công nghệ và công cụ thay đổi theo thời gian. Nhưng bản chất vai trò “người phiên dịch” đứng giữa dữ liệu và kinh doanh, mình cảm thấy không thay đổi nhiều.

Nhân tiện, mình nghĩ những con số quanh mình cũng chưa được nhìn kỹ lắm. Trước tiên mình sẽ thử tự tay xem lại cước điện thoại hàng tháng.

Bài viết này có chứa quảng cáo liên kết. Nếu bạn đăng ký sản phẩm hoặc dịch vụ qua liên kết trên trang này, chúng tôi có thể nhận được hoa hồng từ đối tác. Ngoài ra, người vận hành trang là nhân viên của Rakuten Group và có thể nhận thù lao qua chương trình giới thiệu nhân viên. Nội dung và đánh giá trong bài được viết dựa trên trải nghiệm thực tế và tìm hiểu của người vận hành, không phụ thuộc vào việc có quảng cáo hay không, nhưng mong bạn đọc với sự hiểu biết về mối quan hệ trên. Chi tiết xem tại phần Miễn trừ trách nhiệm & Tiết lộ liên kết. Miễn trừ trách nhiệm & Tiết lộ liên kết

Bài viết này có sử dụng dịch máy. Vui lòng tham khảo trang đa ngôn ngữ trên website chính thức của Rakuten Mobile để biết điều kiện chính xác.

Nếu bạn có thắc mắc về khu vực phủ sóng hoặc chất lượng tín hiệu của Rakuten Mobile, có thể liên hệ qua mẫu đề nghị khảo sát và cải thiện sóng chính thức.