Vai trò nhà phân tích dữ liệu duy nhất miễn nhiễm với AI

Ảnh của tác giả
 

# Giới thiệu

 
Tôi đã làm việc trong ngành dữ liệu hơn bốn năm. Trong thời gian này, tôi đã chứng kiến một sự thay đổi lớn trong vai trò này.

Trước đây, khi sàng lọc ứng viên cho các vị trí nhà phân tích dữ liệu, việc phân biệt ai có kỹ năng kỹ thuật để làm công việc đó và ai không có là dễ dàng hơn. Ngày nay, gần như mọi người đều vượt qua vài vòng đầu tiên của phỏng vấn nhà phân tích dữ liệu.

Với AI, những ứng viên có rất ít kinh nghiệm thực hành đang xây dựng bảng điều khiển (dashboard) và viết các truy vấn SQL một cách chính xác — những kỹ năng mà trước đây phải mất nhiều năm để học. Do đó, kỳ vọng của nhà tuyển dụng đã thay đổi, với thâm niên và chuyên môn về lĩnh vực trở thành một yêu cầu gần như bắt buộc.

Ngoài ra, ranh giới giữa các vai trò công nghệ khác nhau đang ngày càng mờ nhạt, và thâm niên đang trở thành một điều kiện tiên quyết. Nhân viên được kỳ vọng sẽ đảm nhận nhiều dự án hơn, học hỏi nhiều kỹ năng hơn và tạo ra nhiều sản phẩm hơn trong thời gian ngắn hơn. Tuy nhiên, không phải tất cả đều là tin xấu.

Từ kinh nghiệm làm việc trong lĩnh vực này, tôi tin rằng có một loại nhà phân tích dữ liệu cụ thể không chỉ tồn tại, mà còn phát triển mạnh mẽ và chống chịu được cuộc cách mạng AI.

Và đó là một...

 

nhà phân tích dữ liệu sản phẩm

 

Trong bài viết này, bạn sẽ tìm hiểu:

• Nhà phân tích dữ liệu sản phẩm (PDA) là gì
• Sự khác biệt giữa PDA và nhà phân tích dữ liệu truyền thống
• Các kỹ năng cần thiết để trở thành PDA
• Kinh nghiệm làm việc của tôi với vai trò PDA tại một công ty công nghệ lớn

Để xem phiên bản video của bài viết này, hãy xem tại đây:

 

# Nhà phân tích dữ liệu sản phẩm là gì?

 
Để minh họa sự khác biệt giữa PDA và nhà phân tích dữ liệu thông thường, chúng ta hãy xem xét "một ngày làm việc điển hình" của các chuyên gia trong từng vai trò.

 

// Một ngày làm việc điển hình của nhà phân tích dữ liệu truyền thống

Brian là một nhà phân tích dữ liệu truyền thống. Anh ấy đã đảm nhận một vị trí cấp thấp và hiện đã làm việc được một năm trong vai trò này.

Đây là những gì công việc của Brian bao gồm:

• Truy xuất số liệu bán hàng năm ngoái bằng SQL và sử dụng chúng để xây dựng bảng điều khiển (dashboard)
• Xác định một phân khúc khách hàng đã ngừng giao dịch với công ty trong 3 tháng qua
• Tìm hiểu lý do tại sao tỷ lệ chuyển đổi giảm 15% vào tuần trước bằng cách kết hợp dữ liệu từ hệ thống quản lý quan hệ khách hàng (CRM) và các kênh tiếp thị của tổ chức

Một vai trò như thế này thường yêu cầu kiến thức về SQL, Excel, xây dựng bảng điều khiển (dashboard) và một số kỹ năng lập trình. Công việc nhà phân tích dữ liệu đầu tiên của tôi yêu cầu thực hiện những nhiệm vụ tương tự. Chắc chắn nó không hề dễ dàng. Nhưng AI đang hạ thấp rào cản gia nhập cho những công việc này.

Mọi nhiệm vụ được đề cập ở trên đều có thể được thực hiện nhanh hơn nhiều bằng cách sử dụng các công cụ AI như Cursor, Claude, và ChatGPT.

Do Brian sử dụng nhiều công cụ AI, đôi khi anh ấy bắt đầu cảm thấy mình giống một kỹ sư nhắc lệnh (prompt engineer) hơn là một nhà phân tích dữ liệu. Người quản lý của Brian nhận ra rằng công việc của anh ấy có thể được thực hiện nhanh hơn nhờ các công cụ AI mới. Vì vậy, họ ngừng tuyển dụng các nhà phân tích dữ liệu khác. Thay vào đó, họ yêu cầu Brian hoàn thành tất cả các dự án phân tích dữ liệu. Mặc dù Brian có một công việc ổn định và là một nhà phân tích hiệu quả hơn nhờ AI, đôi khi anh ấy cảm thấy trách nhiệm của mình không thay đổi nhiều so với năm ngoái. Anh ấy không thăng tiến trong sự nghiệp hoặc được thăng chức.

Quan trọng hơn, Brian muốn học thêm kỹ năng và mở rộng kiến thức chuyên sâu, thay vì chỉ sử dụng AI để làm cùng một công việc nhanh hơn. Brian đang đi trên con đường của một nhà phân tích dữ liệu truyền thống. Đây không phải là điều xấu, nhưng chỉ cần tự định vị lại bản thân và học thêm một số kỹ năng bổ sung, anh ấy có thể thăng tiến nhanh hơn và kiếm được nhiều tiền hơn. Để làm được điều này, Brian phải sử dụng AI làm đòn bẩy thay vì là đối thủ cạnh tranh.

 

// Một ngày làm việc điển hình của nhà phân tích dữ liệu sản phẩm

Sarah là một PDA tại một công ty mạng xã hội.

Công việc của cô ấy bao gồm:

• Sarah làm việc với nhóm phát triển Reels để hiểu tại sao những người sáng tạo nội dung ở các địa điểm cụ thể lại ít có xu hướng sử dụng tính năng này. Sau đó, cô ấy làm việc với nhóm thiết kế để xây dựng các tính năng mới nhằm thu hẹp khoảng cách đó.
• Cô ấy làm việc trên một tính năng "tăng cường người sáng tạo" mới, để hiểu liệu việc tăng cường hiển thị cho những người sáng tạo mới trên nền tảng có dẫn đến việc giữ chân người sáng tạo tốt hơn mà không ảnh hưởng đến mức độ tương tác của người dùng hay không. Để làm điều này, cô ấy chạy một thử nghiệm A/B. (Tiết lộ: Loại phân tích này không hề dễ dàng. Kết quả hiếm khi đơn giản và thậm chí còn khó giải thích hơn cho các bên liên quan).
• Sarah cũng tham gia các cuộc họp đánh giá sản phẩm và thách thức các giả định của ban lãnh đạo: ví dụ, phó chủ tịch (VP) cho rằng người dùng muốn video dài hơn, và Sarah cần chứng minh điều ngược lại bằng dữ liệu hành vi thực tế cho thấy sự chú ý giảm sau khoảng 35 giây.

Bạn có nhận thấy sự khác biệt giữa công việc của Brian và Sarah không?

Công việc của Sarah không nhất thiết phức tạp về mặt kỹ thuật hơn của Brian. Cả hai chuyên gia đều có cùng bộ kỹ năng kỹ thuật; họ đều biết SQL, có thể viết công thức Excel và xây dựng bảng điều khiển (dashboard).

Sự khác biệt lớn nhất giữa công việc của họ là Sarah có ảnh hưởng nhiều hơn đến các quyết định về sản phẩm. Nếu tính năng "tăng cường người sáng tạo" mới được triển khai và công ty kiếm được 1 triệu USD từ đó, Sarah đã đóng góp trực tiếp vào hơn một triệu đô la doanh thu sản phẩm.

Do đó, cô ấy có giá trị cao đối với công ty và dễ dàng được thăng chức, với mức tăng lương cao hơn.

 

# Làm thế nào để trở thành một PDA?

 
Tôi đã làm việc ở cả vai trò nhà phân tích dữ liệu truyền thống và PDA. Trong hai năm đầu sự nghiệp, tôi làm nhà phân tích dữ liệu truyền thống. Và bây giờ tôi làm PDA.

Đây là những kỹ năng bạn cần để trở thành một nhà phân tích dữ liệu truyền thống:

• Excel
• SQL
• Một số kỹ năng lập trình (lý tưởng nhất là Python)
• Trực quan hóa dữ liệu
• Thống kê

Để trở thành một PDA, đây là những gì bạn cần học thêm ngoài các kỹ năng phân tích dữ liệu cốt lõi:

 

// Kỹ năng 1: Thử nghiệm A/B và thử nghiệm

Bạn có thể đã từng nghe nói về thử nghiệm A/B trước đây. Nếu bạn có một trang web và muốn biết nút nào sẽ mang lại nhiều lượt nhấp hơn — một nút màu xanh lam hay một nút màu xanh lục — tất cả những gì bạn cần làm là tiến hành một thử nghiệm A/B.

Đầu tiên, bạn chọn một mẫu người dùng truy cập trang web của mình, sau đó chia ngẫu nhiên họ thành hai nhóm. Một nhóm sẽ được hiển thị nút màu xanh lá cây, nhóm còn lại sẽ được hiển thị nút màu xanh lam, và nút nào nhận được số lượt nhấp trên mỗi người dùng cao hơn sẽ được triển khai.

Ví dụ trên là cách đơn giản nhất để tiến hành thử nghiệm A/B.

Có nhiều yếu tố khác nữa trong thử nghiệm, chẳng hạn như đảm bảo bạn chọn các nhóm có phân phối đồng đều và đảm bảo rằng thử nghiệm A/B của bạn có đủ sức mạnh thống kê.

Tôi đã được hỏi rất nhiều câu hỏi trong buổi phỏng vấn PDA của mình, và tôi có thể trả lời được nhờ khóa học giới thiệu về A/B testing miễn phí của Udacity.

 

// Kỹ năng 2: Xác định các chỉ số sản phẩm

Một điều nữa mà các nhà phân tích sản phẩm làm khác với các nhà phân tích dữ liệu truyền thống là xác định các chỉ số thành công.

Để hiểu rõ điều này, chúng ta hãy xem xét tính năng "tăng cường người sáng tạo" mới được đề cập trước đó. Khi bạn tăng cường hiển thị cho những người sáng tạo mới, điều này thường khiến họ muốn đăng bài nhiều hơn trên nền tảng, dẫn đến tỷ lệ giữ chân cao hơn. Tỷ lệ giữ chân được cải thiện này chính xác là điều mà các nền tảng như TikTok và YouTube mong muốn, vì nó giữ người dùng ở lại nền tảng của họ lâu hơn.

Nhưng... Điều gì được coi là một người sáng tạo mới? Người đã đăng video đầu tiên? Đã đăng 5 video trên nền tảng?

Ngoài ra, sau khi người sáng tạo nhận được sự tăng cường ban đầu từ chương trình, điều gì sẽ xảy ra nếu các bài đăng tiếp theo nhận được mức độ tương tác thấp hơn nhiều? Điều này có thể dẫn đến tỷ lệ rời bỏ cao hơn nữa trong tương lai không? Liệu điều này có thực sự tệ hơn cho việc giữ chân người dùng dài hạn so với việc không phát hành tính năng đó chút nào không?

Ngoài ra, với vai trò là một nền tảng mạng xã hội, mức độ tương tác của người xem cũng phải được xem xét. Điều gì sẽ xảy ra nếu người xem sử dụng nền tảng ít hơn vì họ đơn giản là không hứng thú với việc được đề xuất những người sáng tạo mới?

Một PDA cần xem xét tất cả các yếu tố này khi tạo ra các chỉ số thành công. Để đo lường sự thành công của một tính năng mới như thế này, nhà phân tích sản phẩm có thể quyết định tạo ra nhiều chỉ số thành công, chẳng hạn như:

• Tỷ lệ giữ chân người sáng tạo ngắn hạn
• Tỷ lệ giữ chân người sáng tạo dài hạn
• Tỷ lệ tương tác của người xem

Trong các buổi phỏng vấn PDA, bạn thường sẽ được cung cấp một trường hợp sử dụng giống như ví dụ tôi đã minh họa ở trên. Người phỏng vấn sau đó sẽ hỏi bạn những chỉ số thành công nào bạn sẽ định nghĩa cho trường hợp sử dụng này và tại sao.

Để học kỹ năng định nghĩa chỉ số, tôi khuyên bạn nên tham khảo các tài nguyên sau:

• Video dài một giờ này về cách xác định các chỉ số thành công của sản phẩm.
• Bài viết này trên Amplitude về các phương pháp hay nhất khi xác định các chỉ số thành công.

 

// Kỹ năng 3: Theo dõi sự kiện

Giả sử bạn đã định nghĩa một chỉ số thành công. Đối với tính năng "tăng cường người sáng tạo" mới này, chỉ số thành công của bạn là tỷ lệ giữ chân người sáng tạo.

Bây giờ, bạn cần dữ liệu để thực sự tạo ra chỉ số này bằng cách sử dụng các sự kiện trong ứng dụng như lượt tải lên của người sáng tạo và lượt nhấp. Bạn thường sẽ xây dựng các chỉ số bằng SQL. Tuy nhiên, đôi khi, bạn có thể muốn theo dõi một chỉ số và nhận ra rằng một sự kiện bạn cần hiện chưa được ghi lại.

Ví dụ, nếu nền tảng của bạn hiện không theo dõi các sự kiện "tải lên", bạn không có cách nào để biết tần suất người sáng tạo tải nội dung lên. Vì bạn không có sự kiện này được ghi lại, bạn không thể xây dựng chỉ số thành công của mình (tỷ lệ giữ chân người sáng tạo). Sau đó, bạn cần làm việc với các nhóm kỹ thuật và giải thích cho họ những sự kiện nào phải được ghi lại để bạn có thể theo dõi hiệu quả sự thành công của sản phẩm.

Để tìm hiểu thêm về theo dõi sự kiện, tôi đề xuất đọc bài viết này.

 

// Kỹ năng 4: Thống kê ứng dụng

Đây là một kỹ năng mà các nhà phân tích dữ liệu đã có.

Với vai trò PDA, trọng tâm của bạn phải là áp dụng các khái niệm thống kê bằng cách sử dụng các công cụ lập trình.

Các kỹ năng sau đây là phù hợp nhất với vai trò của một PDA:

• Kiểm định giả thuyết.
• Ý nghĩa thống kê: Sự khác biệt giữa ý nghĩa thống kê và ý nghĩa thực tiễn, kích thước hiệu ứng và giá trị p.
• Những kiến thức cơ bản về suy luận nhân quả (các yếu tố gây nhiễu, hiệu ứng điều trị).
• Nghịch lý Simpson và thiên vị chọn lọc.

Khan Academy là một nơi tuyệt vời để tìm hiểu các khái niệm này; chỉ cần gõ tên chủ đề vào và xem hướng dẫn video. Tôi thường học lý thuyết đằng sau một chủ đề từ một trang web như Khan Academy. Sau đó, tôi sẽ đến ChatGPT và nhờ nền tảng AI đó dạy tôi cách ứng dụng thực tế của khái niệm thống kê trên một bộ dữ liệu thực.

 

# Bạn có thể tìm việc làm PDA ở đâu?

 
Facebook, Amazon, Apple, Netflix và Google (FAANG) cùng các công ty công nghệ lớn khác tuyển dụng rất nhiều PDA vì họ ra mắt các tính năng mới và thực hiện thử nghiệm A/B hàng ngày.

Meta thường có các chức danh công việc như "Data Scientist, Product Analytics" (Nhà khoa học dữ liệu, Phân tích sản phẩm) hoặc "Product Analyst" (Nhà phân tích sản phẩm). Những công việc này có mức lương từ 249.000 USD đến 382.000 USD, trong khi các vai trò nhà phân tích dữ liệu truyền thống có mức lương từ 180.000 USD đến 282.000 USD. Đây là một sự chênh lệch lương khá lớn, và cho bạn biết mức độ nhu cầu cao đối với các PDA.

Ngoài FAANG, bạn cũng nên tìm kiếm tại:

• Các startup phát triển nhanh xây dựng sản phẩm hướng tới người dùng.
• Các công ty thương mại điện tử.
• Các công ty công nghệ tài chính (Fintech) và công nghệ y tế (healthcare tech).

Ngoài ra, các công ty không giỏi trong việc đưa ra các chức danh công việc liên quan đến dữ liệu. Một chức danh công việc duy nhất có thể có nhiều ý nghĩa trong lĩnh vực dữ liệu.

Trên thực tế, tôi đã thấy các công ty tuyển dụng PDA dưới các chức danh sau:

• PDA.
• Product analyst
• Product data scientist
• Data scientist, product analytics
• Analytics manager (tập trung vào sản phẩm)
• Growth analyst

Một số công ty sẽ chỉ đăng "data analyst" (nhà phân tích dữ liệu) hoặc "data scientist" (nhà khoa học dữ liệu), trong khi thực tế đó là vai trò PDA. Tôi đề xuất đọc mô tả công việc của một vai trò dữ liệu để hiểu liệu đó có phải là một công việc liên quan đến sản phẩm hay không.

Thông thường, mô tả công việc của một vai trò PDA sẽ đề cập đến các từ khóa như "hợp tác với quản lý sản phẩm," "thử nghiệm A/B," "làm việc với các nhóm đa chức năng," và phân tích "các chỉ số sản phẩm."

 

# Những điểm chính

 
Chúng ta đã đề cập đến nhiều nội dung trong bài viết này. Cụ thể, chúng ta đã tìm hiểu:

• Vai trò PDA bao gồm những gì
• Tại sao bạn nên trở thành một PDA
• Cách học các kỹ năng cần thiết để trở thành một PDA
• Nơi tìm việc làm PDA

Hãy nhớ rằng, AI đang thay đổi cách chúng ta làm việc với tốc độ nhanh hơn bạn có thể tưởng tượng. Trong kỷ nguyên này, bạn phải khiến bản thân có khả năng cạnh tranh hơn với những kỹ năng bổ trợ cho AI, chứ không phải cạnh tranh với nó. Đây chính là nơi các PDA phát huy vai trò.

Vì những chuyên gia này mang lại giá trị trực tiếp rất lớn cho lợi nhuận cuối cùng của công ty, công việc của họ có xu hướng an toàn hơn, với mức lương cao hơn và thăng chức nhanh hơn so với các vị trí nhà phân tích dữ liệu thông thường.
 
 

Natassha Selvaraj là một nhà khoa học dữ liệu tự học với niềm đam mê viết lách. Natassha viết về mọi thứ liên quan đến khoa học dữ liệu, một bậc thầy thực sự của tất cả các chủ đề về dữ liệu. Bạn có thể kết nối với cô ấy trên LinkedIn hoặc xem kênh YouTube của cô ấy.