Vài năm gần đây, nhu cầu dành cho những nhân sự có khả năng đọc dữ liệu tăng mạnh ở hầu hết các ngành. Khi AI dần tự động hoá nhiều tác vụ kỹ thuật, lợi thế cạnh tranh của marketer không còn nằm ở khả năng vận hành công cụ, mà ở khả năng hiểu số, đọc hành vi và kể chuyện bằng dữ liệu. Điều này khiến nhiều marketer – đặc biệt ở giai đoạn mid-career – bắt đầu tự hỏi: Liệu mình có thể chuyển sang Data? Có quá muộn không? Và lộ trình thực tế sẽ ra sao?
Trong bài viết này, anh Linh sẽ chia sẻ những vai trò khác nhau anh đã từng làm trong lĩnh vực marketing & data trước khi trở thành Analysis Manager tại Highlands Coffee. Từ câu chuyện của anh, bạn sẽ hiểu, những rào cản phổ biến khi chuyển ngành, cách xây nền tảng từ con số 0 và lời khuyên thực tế dành cho những marketer muốn bước vào lĩnh vực dữ liệu.
1. Từ nhân viên bán bắp ở CGV đến Analysis Manager: Hành trình rẽ hướng không theo công thức chung
Nếu nhìn lại, hành trình sự nghiệp của anh Linh là một chuỗi rẽ ngoặt khá “bất ngờ”. Anh từng làm đủ thứ việc: bán bắp ở CGV, chạy Grab, bồi bàn nhà hàng, sales phần mềm… trước khi thử sức với vai trò nhân sự vận hành tại cửa hàng flagship của một hãng thời trang nhanh hàng đầu thế giới. Chính môi trường đó giúp anh trưởng thành rất nhanh nhưng đồng thời cũng khiến anh nhận ra mình không muốn dừng lại ở vận hành cửa hàng.
Cơ hội đến khi một bạn TA của công ty tài chính liên hệ, mời anh thử sức với vị trí Trade Marketing. Có sẵn kinh nghiệm trưng bày sản phẩm, anh chuyển sang một thế giới hoàn toàn khác, với những chuyến đi store check hàng trăm điểm bán từ TP.HCM ra Hà Nội. Càng đi nhiều, anh càng hứng thú với việc nhìn dữ liệu, so sánh giữa các điểm bán để tìm ra “mẫu số chung”.
Nhận ra lối suy nghĩ hệ thống và khả năng đối thoại về chiến lược của anh, khi công ty tái cấu trúc, sếp đề nghị anh thử sức với vai trò Marketing Strategy Specialist. Từ đó, nhờ nền tảng kỹ thuật từ thời Bách Khoa (dù chỉ một năm) và thói quen tự học, anh bắt đầu dựng các dashboard theo dõi KPI, viết phân tích chiến lược, rồi được tin tưởng giao vị trí Marketing Analytics Team Lead.
Anh kể, trước khi nhận trọng trách này, anh được các chị sếp mentor rất kỹ, không chỉ về kỹ năng mà còn về cách tư duy và niềm tin vào dữ liệu:
“Chính những buổi nói chuyện đó giúp anh nhận ra Data Analytics không chỉ là công việc, mà là thứ anh thực sự muốn gắn bó lâu dài.”
Sau nhiều năm nỗ lực và chứng minh năng lực, anh trở thành Marketing Analytics Assistant Manager, và hiện là Analysis Manager tại Highlands Coffee. Hành trình đó không phải một bước rẽ đột ngột, mà là kết quả của sự tò mò, tư duy hệ thống, những cơ hội đúng lúc và sự dẫn dắt từ những người sếp tin tưởng anh.
2. Khi tư duy hệ thống gặp sự sáng tạo: Điều gì khiến người làm marketing muốn theo Data?
Bước ngoặt khiến anh Linh thực sự muốn theo đuổi con đường phân tích dữ liệu không đến từ một lần thăng chức hay một thành tích nổi bật, mà đến từ những buổi mentoring với những câu hỏi rất khó.
Anh chia sẻ: ban đầu, anh từng nghĩ làm kiếm được nhiều tiền là mục tiêu lớn nhất. Nhưng rồi anh được hỏi: “Đến lúc 30, 40 tuổi, khi tiền không còn là điều khiến mình lo mỗi ngày nữa, thì mình sẽ muốn làm gì? Muốn được người khác nhớ đến như thế nào?” Những câu hỏi đó buộc anh phải nhìn thẳng vào điểm mạnh, điểm yếu của bản thân và suy nghĩ xa hơn những mục tiêu ngắn hạn.
Khi ngồi lại và soi kỹ, anh nhận ra mình là người luôn cần logic, thích hệ thống, nhưng đồng thời không thể sống thiếu sáng tạo. Chính giao điểm này khiến anh nhận ra Data Analytics là con đường phù hợp nhất.
“Nghe thì có vẻ khô khan, nhưng thật ra đây là nghề của story-telling. Dữ liệu chỉ là nguyên liệu. Cách ta đọc nó, ghép nó, kể lại nó để tạo ảnh hưởng – đó mới là thứ làm nên giá trị thật. Một DA giỏi, anh tin, không chỉ cần kỹ năng technical, mà cần cả khả năng sáng tạo và thấu hiểu con người nhiều hơn cả.”
Đọc thêm: Marketing Analytics là gì? Phân tích dữ liệu trong Marketing có đặc thù như nào?
3. Ba tháng học như ba năm: Không có phép màu để vượt qua khoảng cách technical
Tất nhiên, việc chuyển hướng sang phân tích dữ liệu không hề dễ dàng. Anh Linh thừa nhận rào cản lớn nhất nằm ở phần technical. Trước đó, anh quen với project management, operations và storytelling bằng insights – tức là mạnh về soft-skill, còn technical tuy có nền tảng nhưng đã quá lâu không đụng tới.
Điểm anh bám vào là khả năng học nhanh và tinh thần cải tiến không ngừng. Chỉ trong vòng ba tháng, anh phải làm quen với hệ thống dữ liệu doanh nghiệp như Oracle, Hadoop, GitLab, các công cụ trực quan hoá như Power BI, cùng hàng loạt nền tảng marketing analytics và tracking phục vụ công việc hằng ngày.
Nhưng phía sau đó, như anh nói, hoàn toàn không có phép màu:
“Ba tháng đó, ngày nào anh cũng đến công ty sớm nhất và về trễ nhất. Có những hôm gần nửa đêm, một giờ sáng mới rời văn phòng, rồi 8 giờ rưỡi sáng hôm sau lại có mặt.”
“Ba tháng thôi, nhưng như sống trong cường độ ba năm. Mệt, nhưng đáng. Vì lần đầu tiên anh thấy rõ mình đang lớn lên từng ngày, không phải nhờ may mắn, mà nhờ chính nỗ lực của mình.”
Chính giai đoạn “ba tháng như ba năm” ấy đã giúp anh vượt qua khoảng cách technical, và là minh chứng rất thực rằng chuyển ngành sang Data đòi hỏi một mức cam kết đủ lớn chứ không chỉ là sự hứng thú nhất thời.
Từ những rào cản technical mà nhiều người chuyển ngành đều gặp phải, việc có một lộ trình học rõ ràng trở nên rất quan trọng. Dưới đây là lộ trình để trở thành một Data Analyst, mọi người có thể tham khảo và chuẩn bị lộ trình phù hợp nhất với định hướng của bản thân.
4. Khi dữ liệu không chỉ mô tả quá khứ: Khác biệt giữa Data Analyst và Marketing Analytics
Ở góc nhìn của anh Linh, điểm khác biệt cốt lõi giữa Data Analyst và người làm Marketing Analytics nằm ở tư duy, không phải ở công cụ.
Anh mô tả: Data Analyst nhìn dữ liệu để mô tả và giải thích thế giới; họ quan tâm dữ liệu có sạch chưa, mô hình có đúng chưa, logic có chặt chẽ không. Còn Marketing Analytics thì khác: họ nhìn dữ liệu để thay đổi hành vi con người.
“Data Analyst dùng dữ liệu để hiểu what happened. Marketing Analytics dùng dữ liệu để trả lời so what – and what’s next.”
Người làm Marketing Analytics đứng ở giữa business và data. Họ phải hiểu bối cảnh thương hiệu, hành vi khách hàng, chu kỳ chiến dịch, rồi mới biết con số nào thực sự có ý nghĩa. Cùng một bảng dữ liệu, Data Analyst có thể thấy pattern; còn Marketing Analyst sẽ nhìn thấy câu chuyện đằng sau pattern đó.
Từ trải nghiệm của mình, anh rút ra rằng bên cạnh toolset, người làm marketing khi bước sang data cần một lớp tư duy khác: hiểu con người trước khi hiểu dữ liệu, vì mỗi con số đều đại diện cho một hành vi thật.
Chính khoảng trống giữa “what happened” và “what’s next” là nơi những marketer hiểu data có thể tạo ra impact lớn nhất cho doanh nghiệp. Một khi Marketer làm chủ được những toolset và những con số, họ sẽ có lợi thế lớn để đạt được đến những level cao hơn của phân tích dữ liệu.
5. Lộ trình xây nền tảng Data cho marketer: Bắt đầu từ business question, không phải tool
Anh Linh thừa nhận:
“Thật ra hành trình của anh không hề… ‘bài bản’. Nó bắt đầu rất bản năng từ sự tò mò và nhu cầu phải sống sót trong một vai trò mới.”
Khi vừa được giao phụ trách mảng Marketing Analytics, anh gần như phải học lại từ đầu. Anh chọn cách học “từ đích ngược lại”: bắt đầu bằng việc hiểu business và những câu hỏi thực tế mà dữ liệu cần trả lời, rồi từ đó lần ngược về những kỹ năng mình buộc phải học.
Anh bắt đầu bằng Excel / Power Query để hiểu cấu trúc dữ liệu, công thức và cách tư duy logic cơ bản. Sau đó là SQL và Relational Database, vì nếu không biết tương tác với database thì gần như không thể “nói chuyện” với dữ liệu. Anh phải hiểu dữ liệu không chỉ là những bảng rời rạc mà là một hệ thống có quan hệ: khoá chính, khoá ngoại, join thế nào cho đúng và nhanh, dữ liệu trùng lặp ảnh hưởng ra sao.
Tiếp theo là Power BI, để trực quan hóa và kể lại những gì dữ liệu đang muốn nói. Khi nền tảng đã vững hơn, anh mở rộng sang Python, AirFlow, các hệ thống dữ liệu lớn như Oracle, Hadoop, BigQuery… Tất cả đều được học song song với công việc thật, theo đúng tinh thần:
“Anh không học vì ‘phải biết’, mà vì cần làm được ngay hôm sau.”
Ở lớp sâu hơn, anh cho rằng điều quan trọng không chỉ là tool, mà là hiểu nền tảng phân tích dữ liệu: từ trung bình, trung vị, tứ phân vị, độ lệch chuẩn, phân phối chuẩn đến tương quan, hồi quy, kiểm định giả thuyết. Theo cách anh nhìn, toán thống kê và logic là khung xương, tool là “cơ bắp”, còn curiosity và tư duy hệ thống là “trái tim” và “bộ não” của nghề:
“Với anh, nền tảng toán thống kê và logic là phần khung xương. Tool là phần cơ bắp. Còn curiosity và system thinking là trái tim, bộ não của nghề.”
Đọc thêm: Data Analyst Roadmap – Phần 1: Chuẩn bị nền tảng như nào để “chắc chân” vào ngành?
6. Cuộc chơi 3–5 năm tới: Những hướng đi Data dành cho marketer
Nhìn về 3–5 năm tới, anh Linh tin rằng cơ hội dành cho marketer muốn theo data là “cực lớn”, nhưng cuộc chơi đang đổi rất nhanh:
“Phần technical thuần như chạy query, clean data, hay build dashboard cơ bản – sớm muộn cũng sẽ được AI làm thay. Người làm data thời gian sắp tới phải thiên về toán và storytelling: vừa hiểu logic định lượng, vừa biết biến dữ liệu thành câu chuyện có sức nặng với business.”
Với xuất phát điểm là marketing, bạn có nhiều hướng đi: từ Marketing Data Analyst / Performance Analyst, Business Intelligence Analyst, Growth / CRM Analyst đến các vai trò mới nổi như Data Product Executive / Marketing Data Ops. Mẫu số chung của những vị trí này là khả năng dùng data để ra quyết định, kết hợp hiểu biết về hành vi khách hàng, trực giác thị trường và kỹ năng kể chuyện – những thứ mà AI khó có thể thay thế hoàn toàn.
Và lời nhắn cuối cùng của anh dành cho những marketer đang muốn chuyển sang data:
“Anh chỉ có một lời khuyên: đừng học để biết, hãy học để hiểu.
Nếu xuất thân từ marketing, hãy tận dụng thứ mình đã có: hiểu hành vi con người, biết kể chuyện, có trực giác thị trường. Sau đó bổ sung nền toán thống kê và tư duy hệ thống. Khi hai thế giới đó hòa lại, các bạn sẽ trở thành người có thể biến dữ liệu thành góc nhìn kinh doanh – thứ mà ngay cả AI tối tân đến mấy cũng khó có thể nào làm được.
Cứ bắt đầu từ việc nhỏ nhất: đọc số và tự hỏi ‘vì sao lại như vậy?’. Chỉ cần làm được điều đó mỗi ngày thì các bạn đã ở trong ngành data rồi, chỉ là chưa gọi tên thôi.”
Tạm kết
Hành trình của anh Linh cho thấy: chuyển ngành sang Data không phải là một quyết định bốc đồng chạy theo nghề hot, mà là kết quả của sự tò mò, kỷ luật học tập và khả năng soi chiếu bản thân đủ sâu. Marketer có rất nhiều lợi thế khi bước sang phân tích dữ liệu – nếu biết kết hợp tư duy logic với sự thấu hiểu con người.
Trong bối cảnh dữ liệu ngày càng trở thành “ngôn ngữ chung của doanh nghiệp”, khả năng đọc – hiểu – và kể chuyện bằng dữ liệu sẽ là chìa khóa để bạn tiến xa hơn trên hành trình sự nghiệp, dù xuất phát điểm của bạn là marketing hay bất kỳ lĩnh vực nào khác.
Nếu bạn đang muốn xây một nền tảng vững chắc về phân tích dữ liệu – từ tư duy thống kê cơ bản đến cách áp dụng vào bài toán kinh doanh thực tế – khóa học Data Analysis with Power BI của Tomorrow Marketers sẽ giúp bạn bắt đầu đúng hướng. Khóa học được thiết kế cho người mới, với các buổi học thực hành và case study sát thực tế để bạn hiểu thống kê không chỉ “đúng về mặt lý thuyết”, mà còn dùng được ngay trong công việc.
