00:00Có một điều mà gần như không ai nói với bạn

00:02Rất nhiều báo cáo phân tích dữ liệu trong các doanh nghiệp hiện nay không hoàn toàn do con người viết

00:06Linh không nói về những chuyên gia BI hay các nhóm phân tích dữ liệu chuyên nghiệp

00:10Linh đang nói đến những bản báo cáo mà bạn từng nghĩ phải dùng Excel nâng cao Python hay PowerBI mới làm được

00:16Sự thật là hiện tại với chat GPT bạn hoàn toàn có thể phân tích dữ liệu từ con số 0

00:24Ngay cả khi bạn không biết viết các hàm Excel hay chưa từng đụng đến một dòng code

00:28Trong video này Linh sẽ chia sẻ quy trình phân tích dữ liệu với AI dành cho người mới bắt đầu kèm thực hành dễ hiểu

00:34Linh tin rằng sau khi nắm được quy trình này, bạn sẽ không còn nhìn dữ liệu với ánh mắt sợ hãi nữa

00:38Chào mừng bạn đến với tập mới của chuỗi video Làm bạn với AI chuyên đề phân tích dữ liệu mang tên Quy trình phân tích dữ liệu với chat GPT cho người mới bắt đầu kèm bài tập thực hành

00:51[âm nhạc] Thông thường quy trình phân tích dữ liệu theo cách truyền thống sẽ gồm sáu bước chính

01:03Đầu tiên là xác định rõ mục tiêu phân tích

01:06Sau đó bạn phải lấy dữ liệu từ hệ thống, thường là từ phần mềm quản lý, CRM hoặc các công cụ lưu trữ khác

01:14Bước tiếp theo là làm sạch dữ liệu, tức là xử lý các lõi size định dạng không đồng nhất hoặc dữ liệu bị trùng

01:18Khi dữ liệu đã ổn, bạn sẽ thực hiện phân tích bằng Excel hoặc viết mã bằng Python nếu cần tính toán nâng cao

01:25Nếu muốn phân tích sâu hơn, bạn sẽ áp dụng các thuật toán chẳng hạn như phân nhóm khách hàng, dự đoán xu hướng mua hàng

01:32Và cuối cùng là bước trình bày kết quả thường là tạo báo cáo hoặc slide trình chiếu để gửi cho người khác

01:39Quy trình này nghe có vẻ thì hợp lý nhưng để thực hiện được từ đầu đến cuối thì cần rất nhiều thời gian và kỹ năng kỹ thuật

01:46Chính vì thế mà với những ai không có nền tảng chuyên môn, việc phân tích dữ liệu theo cách này có thể khiến bạn cảm thấy choáng ngợp

01:53Khi chuyển sang dùng chatt để phân tích dữ liệu, quy trình tổng thể vẫn giữ nguyên về mặt logic nhưng Linh nhận thấy cách thực hiện thì có khác hơn

02:02Tất cả trở nên đơn giản và thân thiện hơn rất nhiều, đặc biệt là với những bạn không rành kỹ thuật

02:09Bước đầu tiên vẫn là xác định mục tiêu phân tích

02:11Nhưng thay vì viết ra một câu hỏi phân tích mang tính học thuật hay chuyên sâu, bạn chỉ cần nói một cách tự nhiên

02:17Ví dụ như tôi muốn biết lý do vì sao khách hàng hay hủy đơn hoặc tìm giúp tôi một sản phẩm nào mang lại lợi nhuận cao nhất? Linh thấy rất nhiều bạn lo là nếu mình không nói đúng câu lệnh hay thuậc ngữ chuyên ngành thì chat GPT sẽ không hiểu

02:32Nhưng thật ra chỉ cần bạn biết mình muốn gì, bạn có thể hỏi như đang trò chuyện với một đồng nghiệp là chat GPT cũng trả lời được cho bạn rồi

02:40Vấn đề lớn hơn mà nhiều người gặp phải, kể cả các kỹ sư dữ liệu là họ chưa rõ mình thật sự muốn tìm ra điều gì

02:47Với CHGBT, cách bạn hỏi không phải là vấn đề

02:51Vấn đề là bạn phải biết mình cần hỏi gì

02:53Thậm chí chatpt có thể giúp bạn đặt câu hỏi cách làm là sao chép tiêu đề các cột dữ liệu, dán vào cửa sổ chat và hỏi tôi có một bộ dữ liệu với các trường như sau

03:05Có những câu hỏi nào tôi có thể đặt ra từ dữ liệu này? Vui lòng sắp xếp các gợi ý theo từng nhóm chủ đề chính

03:14Khi có danh sách gợi ý, bạn chỉ cần chọn những câu hỏi mình muốn phân tích sâu hơn

03:19Sau đó bạn sẽ cần đưa dữ liệu vào

03:19Nếu là cách truyền thống, bạn phải biết cách trích xuất dữ liệu từ hệ thống hoặc biết cách xử lý file Excel bằng các công cụ chuyên dụng

03:28Nhưng với Chat GPT, bạn chỉ cần gửi file lên hoặc mô tả dữ liệu đang có

03:33Chat GPT sẽ tự đọc và cho bạn biết dữ liệu đang có những gì, có phù hợp để phân tích không và nếu thiếu thì cần bổ sung gì khác

03:41Khi có dữ liệu rồi, việc làm sạch dữ liệu sẽ được đơn giản hóa rất nhiều

03:46Nếu trước đây bạn phải viết hàm, dò lỗi, sửa thủ công thì bây giờ bạn chỉ cần nói chuyện với chpt

03:52Bạn có thể viết câu lệnh promp là cột ngày tháng đang có nhiều định dạng

03:57Hãy chuẩn hóa giúp tôi theo dạng tháng, ngày năm hoặc giúp tôi xóa các giọng bị trùng

04:05Chat GPT sẽ nhanh chóng xử lý giúp bạn

04:07Tiếp theo là bước phân tích khám phá tiếng Anh là Exploratory Data Analysis hay EDA, nghĩa là bạn bắt đầu tìm hiểu dữ liệu nói gì

04:15Bạn có thể đặt câu hỏi rất cụ thể như doanh số mỗi khu vực như thế nào? Ngành nghề nào có mức lương cao nhất hoặc tháng nào bán được nhiều nhất

04:26Chatt sẽ phân tích giúp bạn và nếu cần nó còn tạo biểu đồ đẹp mắt để bạn dễ hình dung

04:31Nếu bạn muốn phân tích nâng cao hơn nữa, ví dụ như phân nhóm khách hàng, dự đoán xu hướng hay tìm mối liên hệ giữa các yếu tố, chatbt cũng có thể giúp bạn

04:41Nó sẽ gợi ý cách làm, tạo ra các dòng lệnh mẫu hoặc giải thích theo kiểu đơn giản để bạn hiểu được mà không cần học lập trình

04:49Sau khi có kết quả, bước quan trọng là viết ra phần diễn giải để người khác hiểu

04:53Với quy trình truyền thống, đây là phần thường được viết ngắn gọn, hai quá, khô khang

04:57Nhưng với Chat GBT, bạn có thể nhờ viết lại cho rõ ràng, dễ hiểu, thậm chí điều chỉnh cách viết theo từng đối tượng người đọc như sếp, khách hàng hay người không chuyên

05:10Nhiều lúc Lin thấy phần khó nhất không phải là phân tích mà là làm sao diễn giải đơn giản để người khác không giỏi kỹ thuật cũng hiểu và đồng ý với mình

05:19Và chatbt đang làm phần này rất tốt

05:21Cuối cùng đến phần tạo báo cáo

05:24Nếu như trước đây bạn phải ngồi tự làm slide, gõ văn bản trình bày từng con số thì giờ bạn chỉ cần nói tạo giúp tôi slide trình bày kết quả hoặc viết tóm tác báo cáo này thành file PDF

05:35Chatt có thể giúp bạn tạo nội dung để xuất cấu trúc và định dạng rất chuyên nghiệp

05:42Nghe có vẻ hấp dẫn nhưng phân tích dữ liệu với chatt thực sự dễ như vậy không? Hãy cùng Linh làm một bài tập thực hành nha

05:53[âm nhạc] Để theo dõi video hiệu quả hơn, Linh đã chuẩn bị sẵn một pha dữ liệu mẫu mang tên AI Job Datet

06:06Các bạn thấy hơi quen đúng không? Đúng rồi, đây là file mà chúng ta đã thực hành với các công cụ như Par AI, Julius AI trong tập trước

06:17Cho bạn nào chưa biết đây là bản thống kê việc làm trong ngành AI trên khắp thế giới bao gồm mức lương vị trí công việc kỹ năng yêu cầu và nhiều yếu tố liên quan

06:25Vào này mô tả rất xát những loại dữ liệu bạn sẽ gặp khi phân tích nhân sự tuyển dụng hoặc nghiên cứu thị trường lao động thực tế

06:32Link ở phần mô tả bên dưới

06:35Các bạn hãy tải về và thực hành cùng Linh

06:45Các bạn tải file xong chưa? Bây giờ chúng ta sẽ bắt đầu nha

06:47Đầu tiên bạn cần nhập câu lệnh thông báo cho chatpt về quy trình phân tích dữ liệu với chatpt hoàn chỉnh gồm sáu bước

07:02[âm nhạc] Sau đó hãy tải lên file AI Job daterset kèm câu lệnh thực hiện bước một với dữ liệu nhận được

07:11Ở bước này trọng tâm là xác định mục tiêu phân tích

07:13Chpt đã phản hồi lại bằng cách gợi ý một số hướng đi khả thi như tìm hiểu xu hướng nghệ nghiệp liên quan đến AI, phân tích kỹ năng được yêu cầu nhiều nhất hoặc so sánh mức lương giữa các quốc gia và ngành nghề

07:26Hãy chọn các mục tiêu mà bạn muốn

07:29Ví dụ Linh muốn hiểu xu hướng nghề nghiệp liên quan đến AI và xác định những kỹ năng AI nào đang được tuyển dụng nhiều nhất

07:39Như vậy là xong bước một, đặt câu hỏi rõ ràng và xác định trọng tâm phân tích

07:45Trong phạm vi tập hôm nay, Linh đã chọn bộ dữ liệu đã được làm sạch sẵn nhưng trong thực tế phần này không dễ

07:50Mặc dù việc làm sạch dữ liệu đang trở nên dễ dàng hơn nhờ AI, bạn vẫn cần một quy trình bài bản để biến bản dữ liệu thu thành thực tế

08:00Lin và Skills Bridge đã xây dựng chương trình Data Book để giúp bạn làm điều đó

08:05Trọn bộ gồm hai khóa học Data Processing và AI for Decing được thiết kế để giúp bạn hiểu bản chất của dữ liệu, xây được quy trình thu thập làm sạch phân tích dữ liệu chuẩn và quan trọng nhất là biết cách dùng AI như một công cụ hỗ trợ ra quyết định dựa trên dữ liệu nhanh và chính xác hơn

08:25Đây là một khoản đầu tư rất đáng giá

08:27Hãy đăng ký ngay dưới phần mô tả và bình luận của video để được giảm giá đến gần 50% nha

08:39Ngay sau đó, CHGPT cũng tiến hành kiểm tra nhanh cấu trúc của pha dữ liệu được cung cấp

08:43Bộ dữ liệu gồm 15.000 dòng, 19 cột

08:46Các dữ liệu này được đánh giá là sạch, không có giá trị dư, thiếu hay trùng lập

08:51Các cục thông tin bao gồm tên công việc, lương, quốc gia, kỹ năng yêu cầu, trình độ học vấn, số năm kinh nghiệm, loại hình làm việc

09:02Đây là bước hai và ba của quy trình phân tích kiểm tra cấu trúc và làm sạch sơ bộ

09:06Vì dữ liệu đã sạch nên không cần xử lý thêm, có thể chuyển sang bước tiếp theo là phân tích khám phá

09:14[âm nhạc] [Vỗ tay] Trở lại với bước tiếp theo là phân tích nhanh

09:19Dựa trên mục tiêu phân tích mà Linh đã chọn ở bước một, CHGPT bắt đầu bằng việc thống kê tần suất xuất hiện của các vị trí công việc khác nhau để tìm ra top 10 công việc AI phổ biến nhất

09:30ở cả biểu đồ và dạng bản

09:30Song song đó, Chat GPT cũng phân tích tần suất của các kỹ năng được yêu cầu nhiều nhất trong cột required skills bằng cách tách từng kỹ năng ra và đếm số lần xuất hiện

09:46Từ đây ta thấy những công việc như machine learning researcher, AI software engineer, autonomous systems engineer nằm trong top đầu

09:52Trong khi Python, Sequel, Tensor Flow và Kubernetis là những kỹ năng được tuyển dụng nhiều nhất

09:59Đây là các insơn giản nhưng cực kỳ thực tiễn với người làm nhân sự hoặc những ai đang định hướng nghệ nghiệp trong lĩnh vực AI

10:07[âm nhạc] Sau khi đã có được những góc nhìn ban đầu từ các biểu đồ và bảng thống kê đơn giản, Lin tiếp tục yêu cầu CHGPT thực hiện một phân tích khám phá toàn diện, còn gọi là Exploratory Data Analysis hay EDA

10:23Đây là một bước rất quan trọng trong phân tích dữ liệu giúp hiểu rõ toàn bộ cấu trúc dữ liệu từ nhiều khía cạnh

10:29trước khi đi sâu hơn

10:29Lúc này ChatPT không chỉ nhìn vào vài cột riêng lẻ mà tổng hợp cả các số như lương, năm kinh nghiệm, điểm phúc lợi, độ dài mô tả công việc lẫn biến phân loại như tên công việc, quốc gia, ngành nghề, hình thức làm việc, trình độ hợp vấn

10:46Với các biến số, chatpt đưa ra một bảng thống kê mô tả bao gồm giá trị trung bình min, max độ lệch chuẩn để giúp người đọc hình dung được mức độ phân tản của dữ liệu

11:00Ví dụ lương trung bình là khoảng 115.000 đô nhưng dao động rất lớn từ 32.000 đến gần 400.000 đô chứng tỏ sự chênh lệch lớn giữa các vị trí công việc hoặc khu vực

11:09Tương tự số năm kinh nghiệm trung bình là hơn 6 năm nhưng có những vị trí yêu cầu tới 19 năm trong khi một số khác không yêu cầu kinh nghiệm nào

11:16Còn với biến phân loại, chatt liệt kê số lượng giá trị khác nhau trong mỗi cột, đồng thời thống kê top năm giá trị xuất hiện phổ biến nhất

11:26Ví dụ có 20 loại chức danh công việc khác nhau, trong đó phổ biến nhất là machine learning researcher, AI software engineer, AI architect

11:35Với trình độ học vấn, bốn loại bằng cấp được yêu cầu từ associate, bachelor đến master và PhD

11:40Phản ánh tính đa dạng của nhu cầu tuyển dụng trong ngành AI

11:45Cũng nhờ phần này mà bạn có thể xác định những cột nào đáng để phân tích tiếp, cột nào có thể bỏ qua hoặc cần chuẩn hóa

11:52Tóm lại, phân tích khám phá IDA đã giúp bạn hình dung rõ ràng bức tranh toàn cảnh về bộ dữ liệu từ cấu trúc, độ rộng đến các phân bổ cơ bản là bước đệm lý tưởng trước khi thực hiện phân tích nâng cao hay xây dựng mô hình

12:12Tiếp theo là bước chật quan hóa

12:12Chpt đã tạo các biểu đồ minh họa mối quan hệ giữa lương và các yếu tố khác như vị trí công việc, kinh nghiệm làm việc, trình độ học vấn và làm việc từ xa

12:21Điều thú vị là các vị trí như Head of AI hay Software Engineer có mức lương rất cao nhưng mức độ dao động cũng lớn

12:29Ngoài ra, công việc từ xa thường có mức lương cao hơn công việc cận lên văn phòng và bằng cấp cao chưa chắc giúp bạn có thu nhập tốt nếu thiếu kỹ năng phù hợp

12:39Biểu đồ cũng cho thấy có mối tương quan tích cực giữa 6 năm kinh nghiệm và lương nhưng không phải lúc nào cũng tuyên tính

12:48Nghĩa là kỹ năng vẫn là yếu tố quyết định quan trọng

12:52[âm nhạc] Sau khi đã có một loạt phân tích ở trên, chat GPT sẽ giúp bạn tổng hợp lại thành một bảng tóm tắt dễ hiểu đâu là vị trí đang được tuyển nhiều, kỹ năng nào đang được săn đón, quốc gia nào dẫn đầu về tuyển dụng các vị trí AI và điều gì ảnh hưởng đến lương

13:10Từ đó, chat GPT đề xuất một số khuyến nghị cụ thể

13:13Với người tìm việc thì nên tập trung vào học các kỹ năng nền tảng như Python, đồng thời tận dụng cơ hội làm việc từ xa

13:21Với doanh nghiệp, lời khuyên là nên mở rộng mô hình làm việc linh hoạt để thu hút nhân tài và cân nhắc đào tạo nội bộ thay vì chỉ tuyển mới

13:30Sau bước này, bạn đã sẵn sàng chuyển sang phần kết hợp cả ba hướng phân tích: Xu hướng, nhóm mục tiêu, mô hình dự đoán một cách mạch lạc và có cơ sở dữ liệu vẫn chắc

13:43[âm nhạc] Cuối cùng bạn muốn đi xa hơn một chút nhưng vẫn giữ tính đơn giản bằng cách kết hợp ba hướng phân tích nâng cao

13:53Khám phá xu hướng nhóm mục tiêu và xây mô hình dự đoán

13:58Chat GPT đã viết lại toàn bộ phần này như một bài chia sẻ dành cho người không chuyên với lối diễn đạt, dễ hiểu, ví dụ cụ thể và lock rõ ràng

14:06Phần này trình bày cách phát hiện thú vị về xu hướng tuyển dụng AI hiện nay

14:11phân loại các nhóm công việc khác nhau để dễ hình dung và dùng mô hình đơn giản để ước lượng lương theo kỹ năng và kinh nghiệm

14:19Tất cả được gói gọn trong một nội dung dễ chia sẻ dưới dạng bài viết hay thuyết trình ngắn

14:26Tóm lại, chúng ta vừa cùng nhau đi qua toàn bộ quy trình phân tích dữ liệu từ xác định mục tiêu, kiểm tra dữ liệu, phân tích khám phá, trượt quan hóa, diễn giải insight đến phân tích nâng cao

14:38Mỗi bước đều được thực hiện bằng ngôn ngữ tự nhiên

14:41Không cần viết code rất phù hợp với người làm việc trong doanh nghiệp không chuyên về kỹ thuật

14:47Thấy là rất thú vị và cũng không quá khó đúng không? Bây giờ các bạn đã bớt sợ phân tích dữ liệu chút nào chưa? [âm nhạc] Sau khi hoàn tắt toàn bộ chuỗi phân tích này, Linh chỉ có một suy nghĩ

15:01Nếu từng người đi làm đều biết tận dụng dữ liệu như thế này cho chính việc của mình thì khoảng cách giữa biết và ra quyết định sẽ được rút ngắn nhiều đến mức nào

15:10Lúc này có thể bạn chưa phải là người giỏi nhất trong team nhưng nếu biết hỏi, biết phân tích, biết nhìn số liệu rồi tự kết luận, bạn có thể chủ động đề xuất, dẫn dắt cuộc hợp hoặc đưa ra hướng đi sớm hơn người khác

15:25Trong môi trường làm việc hiện đại, chỉ cần bạn hơn người khác một bước suy nghĩ là đã đủ tạo nên sự khác biệt

15:31Và Linh tin rằng khả năng tư duy bằng dữ liệu sẽ sớm trở thành một lợi thế không thể thiếu cho bất kỳ ai muốn tiến xa trong sự nghiệp

15:37Bạn không cần trở thành chuyên gia dữ liệu nhưng chắc chắn nên là người ra quyết định dựa trên dữ liệu

15:43Chính sự chủ động đó sẽ mở ra thêm nhiều cơ hội cho bạn trong tương lai

15:48Không phải bằng may mắn mà bằng năng lực thật sự

15:50Bạn có muốn đón nhận những câu hỏi này không? Cảm ơn các bạn đã xem đến đây

15:55Hẹn gặp các bạn trong video tiếp theo

15:57[âm nhạc]