Học phân tích dữ liệu tốt, bắt đầu bằng việc thành thạo mô hình KSA

Trong lĩnh vực phân tích dữ liệu, làm thế nào bạn có thể cải thiện khả năng của mình một cách có hệ thống và giải quyết vấn đề hiệu quả? Bài viết này sẽ giới thiệu cho bạn mô hình KSA, một khuôn khổ bắt nguồn từ lĩnh vực nguồn nhân lực bao gồm ba chiều chính: kiến ​​thức, kỹ năng và năng lực.

Nhiều sinh viên sẽ nghĩ: Tôi muốn học tốt ngành phân tích dữ liệu và làm tốt công việc đó/tìm được một công việc tốt. Làm sao tôi có thể học tốt? Nên sử dụng phương pháp KSA ở đây để làm rõ mục tiêu và chia nhỏ nhiệm vụ. Cái gì? Bạn nói là bạn chưa từng nghe nói đến nó trước đây à? Hôm nay chúng tôi sẽ giải thích một cách có hệ thống.

01 KSA là gì

KSA là một khái niệm trong lĩnh vực nhân sự. Ban đầu nó đề cập đến ba chiều đánh giá năng lực của con người.

1. Kiến thức: Kiến thức lý thuyết cần phải nắm vững để hoàn thành nhiệm vụ.
2. Kỹ năng: Kỹ năng sử dụng công cụ cần thiết để hoàn thành nhiệm vụ.
3. Khả năng: Khả năng tư duy, giao tiếp, phối hợp và các khả năng khác cần thiết để hoàn thành nhiệm vụ.

Chúng ta hãy lấy một ví dụ đơn giản. Coco, một đứa trẻ 4 tuổi trong gia đình cô giáo Chen, đang học số học:

Bố hỏi: 1+1 bằng mấy? Coco trả lời: 2! Đây chính là kiến ​​thức.
Khi đi mua đồ tạp hóa, Coco đã lấy một củ cà rốt. Bố nói: Chúng ta muốn hai cái. Coco lấy thêm một cái nữa. Đây là một kỹ năng.
Khi đến thăm họ hàng và bạn bè, trước mặt mọi người, bố tôi hỏi: Coco, 1+1 bằng mấy? Coco chớp đôi mắt to và nói lớn: 2! Thu hút được sự chú ý của mọi người, đây chính là năng lực!

Nói một cách đơn giản:

▌ Kiến thức có thể ghi nhớ được và có tiêu chuẩn đánh giá khách quan. Nếu đó là kiến ​​thức khoa học tự nhiên thì khả năng cao là chỉ có một câu trả lời đúng. Kiến thức khoa học xã hội có thể không có câu trả lời duy nhất, nhưng vẫn có những hiểu biết và giải thích thông thường trong một phạm vi nhất định.

▌ Kỹ năng đòi hỏi phải vận hành, thực hành và đào tạo nhiều lần để thành thạo. Kỹ năng dựa trên kiến ​​thức và cần có sự trợ giúp của công cụ để đạt được chúng. Các công cụ khác nhau đòi hỏi các kỹ năng khác nhau và công cụ càng mạnh thì kết quả đạt được càng tốt. Ví dụ, Coco đã học được nhiều phép tính cộng, trừ, nhân, chia và có thể quay lại và hỏi Siri. Coco cho biết trải nghiệm này rất tốt.

╮(╯▽╰)╭

▌ Khả năng đòi hỏi sự sáng suốt và hiểu biết! Điều thú vị là khi đối mặt với các vấn đề thực tế, các kỹ năng hiểu biết, giao tiếp, đồng cảm và phối hợp thường có tác động trực tiếp hơn kiến ​​thức và kỹ năng! Ví dụ, khi hỏi trẻ em những câu hỏi trước mặt người thân, mục đích cơ bản là để thể hiện và giữ thể diện. Trẻ em có thể tích cực hợp tác vào thời điểm này là trẻ ngoan! Nếu không, dù bạn có học nhiều đến đâu hay có năng lực đến đâu, vẫn sẽ rất đáng xấu hổ nếu bạn không thể nỗ lực thực hành.

Bộ lý thuyết này ban đầu là phương pháp để HR đánh giá trình độ tuyển dụng. Nhưng một khi bạn đã quen với nó, bạn sẽ thấy nó rất hữu ích trong công việc của mình! Bởi vì trong công việc, việc có thể phân biệt rõ ràng KSA nào cần giải quyết vấn đề có thể cải thiện đáng kể hiệu quả công việc và thúc đẩy chất lượng công việc.

02 KSAs đang làm việc như thế nào?

Ví dụ, khi bạn bắt đầu sử dụng KSA để phân tích công việc của mình, bạn sẽ hiểu được nhiều vấn đề chỉ trong vài giây, chẳng hạn như:

Tại sao mọi người luôn phàn nàn rằng khoa học xã hội vô dụng ở trường đại học và chỉ có khoa học mới có ích? Bởi vì về cơ bản là do sự khác biệt giữa KSA về giáo dục và công việc (như thể hiện bên dưới):

Tại sao ở nhiều công ty lớn, các nhà quản lý chuyên nghiệp dường như không có năng lực và không làm gì cả nhưng vẫn thành công? Về cơ bản, điều này là do KSA có thể được sử dụng theo nhiều cách khác nhau để đạt được mục tiêu (như được hiển thị bên dưới):

Do đó, việc hiểu các nguyên tắc của KSA và nắm vững phương pháp phân tích KSA rất có ý nghĩa đối với công việc tại nơi làm việc, đặc biệt là công việc phân tích dữ liệu!

03 Tại sao KSA quan trọng đối với việc tìm kiếm việc làm phân tích dữ liệu

Nếu áp dụng vào phân tích dữ liệu, KSA được phản ánh trong:

1. Kiến thức: Toán học, Thống kê, Khoa học quản lý, Nghiên cứu hoạt động, Học máy
2. Kỹ năng: excel, ppt, sql, python, tableau, hadoop, spark...
3. Khả năng: giao tiếp theo yêu cầu, hiểu biết sâu sắc về người dùng, suy luận logic, thiết kế thử nghiệm, báo cáo tóm tắt...

Điều thú vị là nếu bạn xem xét kỹ, bạn sẽ thấy rằng trong số tất cả các loại công việc, phân tích dữ liệu là công việc duy nhất có kho kiến ​​thức đầy đủ của KSA. Nói chung: các công việc liên quan đến kinh doanh như bán hàng, sản phẩm, vận hành và tiếp thị có xu hướng thiên về A hơn và có tương đối ít KS hơn; Các công việc R&D có xu hướng thiên về KS và ít có A hơn. Phân tích dữ liệu thường nằm giữa kinh doanh và công nghệ, liên quan đến cả hai bên. Do đó, chỉ cần bạn muốn học thì sẽ có rất nhiều sách để học ở KSA (như được hiển thị bên dưới).

Điều này dẫn đến một điều buồn cười: sinh viên mới vào nghề luôn vội vã đọc sách. Họ mua hàng chục cuốn sách và nghiên cứu chúng một cách điên cuồng, nhưng cuối cùng họ lại không tập trung được và không thể nhớ bất cứ điều gì. Họ hiểu mọi thứ một cách lộn xộn. Sau khi trở về, tôi vẫn chưa tóm tắt được: Người khác muốn tôi có năng lực gì? Tôi vẫn tiếp tục hỏi trực tuyến: "Tôi nên đọc những cuốn sách nào để phân tích dữ liệu?" và sau đó mua thêm sách! Càng tìm hiểu tôi càng thấy bối rối.

Bạn phải biết rằng khoảng cách giữa phân tích dữ liệu và phân tích dữ liệu lớn hơn nhiều so với khoảng cách giữa dữ liệu và hoạt động, sản phẩm và R&D. Nếu bạn không nghiên cứu nghiêm túc các yêu cầu của công ty mục tiêu, không phân biệt mình đang ở giai đoạn nào của cuộc phỏng vấn và loại câu hỏi nào đang khiến bạn bối rối, mà chỉ học một cách mù quáng, chắc chắn bạn sẽ càng học càng bối rối. Nếu bạn làm bài tập tốt, ít nhất bạn sẽ biết mình đang thua ở đâu, do đó có thể tìm ra giải pháp phù hợp hơn (như minh họa bên dưới).

Tại sao KSA lại quan trọng đối với phân tích dữ liệu

Khi bạn thực sự bắt đầu phân tích dữ liệu, bạn sẽ thấy rằng vai trò của phân tích dữ liệu hoàn toàn khác nhau trong mắt những người hiểu dữ liệu và những người không hiểu.

▌ Đối với những người hiểu dữ liệu, phân tích dữ liệu có thành phần S lớn nhất. Thu thập dữ liệu, dọn dẹp dữ liệu và thiết kế kho dữ liệu đều là những công việc khó khăn và mệt mỏi, và bạn phải làm việc chăm chỉ để có được dữ liệu đáng tin cậy.

▌ Theo quan điểm của các bên kinh doanh không hiểu về dữ liệu, thành phần A của phân tích dữ liệu là lớn nhất. Những người này luôn nói về "suy nghĩ cơ bản", "liên kết cốt lõi", "kỹ năng nội tại", rồi họ nói những điều vô nghĩa mà thậm chí không cần cân nhắc dữ liệu cơ bản nhất đến từ đâu hoặc liệu nó có chính xác hay không.

▌ Đối với những người mới không hiểu về dữ liệu, phân tích dữ liệu là thành phần lớn nhất và họ luôn cảm thấy rằng có một cuốn sách đã viết sẵn câu trả lời đang chờ họ sao chép. Khi gặp phải vấn đề gì, tôi luôn hỏi mọi nơi rằng: "Cách giải quyết thông thường, chuẩn mực, theo kiểu Touteng'a là gì?"

Sự khác biệt này dẫn đến những khó khăn đặc biệt trong công việc phân tích dữ liệu: thứ mà bộ phận kinh doanh yêu cầu trực tiếp là một con số đơn giản, riêng biệt hoặc một mô hình bí ẩn, có hiệu quả tức thời và toàn năng. Nếu một nhà phân tích dữ liệu bị ám ảnh với việc chạy một hoặc hai con số riêng lẻ mỗi ngày, người đó sẽ không thể thực hiện phân tích chuyên sâu và kết quả cuối cùng sẽ không được công nhận; nếu một nhà phân tích dữ liệu cố chấp và chấp nhận trực tiếp các yêu cầu mô hình phi thực tế và viển vông thì chắc chắn sẽ khó triển khai và kém hiệu quả, và người đó vẫn sẽ bị đổ lỗi.

Do đó, nếu bạn muốn làm tốt công việc, bạn phải tiến hành phân tích sâu các vấn đề cụ thể, cân bằng giữa kỳ vọng của phía doanh nghiệp và chất lượng xây dựng dữ liệu, tính toán xem sẽ sử dụng bao nhiêu K trong dự án này, yêu cầu hiệu suất của S là gì và cuối cùng là sử dụng A để xử lý và phối hợp các vấn đề phức tạp khác nhau để đảm bảo dự án thành công (như hình bên dưới).

Nhiều sinh viên có thể quan tâm đến cách phát triển khả năng sử dụng KSA của mình? Nói một cách chính xác, việc phát triển mọi khả năng đều đòi hỏi sự khai sáng và rèn luyện lâu dài, nhưng sau đây là một cách đơn giản để bắt đầu:

Nếu bên kia không hiểu biết về công nghệ, không có kiến ​​thức nền về máy tính/toán học và không có kinh nghiệm phân tích dữ liệu, đừng tin vào những gì anh ta nói: "mô hình phân tích", "chân dung người dùng", "dự đoán chính xác". Rất có thể những gì anh ta nói không liên quan gì đến KS. Điều cần thiết lúc này là A (kỹ năng giao tiếp). Bắt đầu từ bối cảnh câu hỏi của anh ấy, mục tiêu anh ấy muốn đạt được, những vấn đề cụ thể anh ấy gặp phải, v.v., để hiểu nhu cầu của anh ấy.

Nếu bên kia có kiến ​​thức chuyên môn và đề cập đến một khái niệm kỹ thuật chính xác, trước tiên hãy thảo luận vấn đề đó với họ và thảo luận rõ ràng về chính vấn đề kỹ thuật đó (vấn đề của S). Nếu không có vấn đề gì về mặt kỹ thuật nhưng việc anh ta làm vẫn không được đồng nghiệp/lãnh đạo chấp nhận thì rất có thể A có vấn đề. Lúc này, đừng tập trung vào ngõ cụt về mặt kỹ thuật. Hãy cố gắng phân tích môi trường làm việc, mục tiêu dự án và thái độ lãnh đạo của anh ấy. Bạn sẽ đạt được nhiều lợi ích. Liên quan đến nghiên cứu toàn diện về phân tích dữ liệu, gần đây tôi đã tóm tắt một chiến lược theo chiều dọc và chiều ngang.

Dọc: xây dựng logic phân tích và lựa chọn phương pháp phân tích. bao gồm:

1. Các phương pháp cơ bản của phân tích dữ liệu

2. Xây dựng hệ thống chỉ tiêu dữ liệu và hệ thống nhãn

3. Xây dựng ý tưởng phân tích kinh doanh

4. Sử dụng các phương pháp nghiên cứu hoạt động để tối ưu hóa việc ra quyết định

5. Sử dụng phương pháp thống kê để thực hiện kiểm định AB/suy luận nhân quả

6. Sử dụng các phương pháp học máy để tạo ra các mô hình phân loại/dự đoán

Ngang: Các kịch bản phân tích cụ thể trong nhiều ngành công nghiệp khác nhau. Chúng ta thường nói rằng phân tích dữ liệu đòi hỏi phải "hiểu biết về doanh nghiệp", nghĩa là hiểu các tình huống phân tích cụ thể. Những loại phổ biến bao gồm:

1. Phân tích kinh doanh: phân tích tổng thể doanh nghiệp phục vụ cho công tác quản lý

2. Phân tích chủ đề chuyên sâu: kênh bán hàng, hoạt động khuyến mại, hoạt động tiếp thị, tính năng sản phẩm, v.v.

3. Phân tích đặc điểm ngành: Thành công của khách hàng SaaS, cải tiến sản phẩm Internet, phân tích doanh số bán hàng của doanh nghiệp truyền thống