Roadmap học Data Analyst cho 2026
Không phải một danh sách khóa học tuyến tính, mà là một roadmap vận hành theo Agile — chia nhỏ thành Epic, Sprint, Backlog rõ ràng, có sản phẩm thật sau mỗi chu kỳ, và linh hoạt điều chỉnh theo tốc độ của chính bạn.
AI khiến việc học Data Analyst dễ hơn bao giờ hết — nhưng cũng dễ khiến bạn ngợp hơn bao giờ hết.
Chỉ vài giây để có một đoạn code, một lời giải thích khái niệm, hay cả một roadmap mẫu — kiến thức chưa bao giờ dễ tiếp cận đến vậy. Nhưng chính vì mọi thứ có sẵn quá nhanh, bạn dễ rơi vào cái bẫy học lan man, không biết ưu tiên gì trước, học xong vẫn không rõ mình đang ở đâu trên hành trình. Ngợp không phải vì thiếu tài liệu, mà vì thiếu một hệ thống để quản trị việc học đó.
Giải pháp không nằm ở việc bạn "nhồi nhét" thêm bao nhiêu kiến thức, mà là cách bạn tổ chức (organization) lộ trình học ra sao: Học theo trật tự nào, biết khi nào nên dừng để review, và biết khi nào một kỹ năng đã "đạt chuẩn".
Qua 5 năm làm việc tại các tập đoàn lớn và công ty công nghệ, mình nhận ra hệ thống quản trị hiệu quả nhất chính là Agile — tư duy vốn được dùng để vận hành các dự án công nghệ phức tạp, nay được mình áp dụng vào chính việc tự học. Đó là lý do một roadmap kiểu Agile sẽ thực tế và hiệu quả hơn nhiều so với một danh sách khóa học tuyến tính thông thường.
Dưới đây là lộ trình bạn có thể follow ngay, từ đó làm chủ tư duy Agile để tự quản trị mọi dự án khác của chính mình.
Roadmap chi tiết theo Epic — Sprint — Backlog
Bấm vào từng Sprint để xem backlog chi tiết theo tuần.
Data Analytics Skill
Sprint 1-3Xây nền tảng xử lý dữ liệu bằng công cụ ai cũng có sẵn — Excel — trước khi động đến code.
Sprint 1 — Excel cơ bản
2 tuầnDefinition of Done: Xử lý được 1 bộ dữ liệu thô thành bảng sạch, dùng Pivot Table tổng hợp theo nhiều chiều
Tuần 1 — Hàm & xử lý dữ liệu
Học hàm tra cứu: VLOOKUP, XLOOKUP, INDEX/MATCH
Học hàm điều kiện: IF, IFS, SUMIFS, COUNTIFS
Học hàm xử lý text: TRIM, LEFT/RIGHT/MID, Text to Columns
Thực hành làm sạch 1 bộ dữ liệu có lỗi (trùng dòng, sai định dạng)
Tuần 2 — Pivot Table & tổng hợp
Tạo Pivot Table từ dữ liệu thô
Pivot Chart, Slicer, Timeline filter
Bài tập: tổng hợp doanh thu theo tháng/khu vực/sản phẩm
Tự đánh giá: làm lại 1 bài Pivot không xem hướng dẫn, đo thời gian
Sprint 2 — End-to-end project Excel
2 tuầnDefinition of Done: Có 1 dashboard/report hoàn chỉnh trả lời được ít nhất 3 câu hỏi kinh doanh
Backlog
Chọn 1 bộ dữ liệu thật (sales, HR attrition, marketing campaign)
Viết 3-5 câu hỏi kinh doanh cụ thể cần trả lời
Làm sạch và cấu trúc lại dữ liệu thô
Dùng Pivot Table trả lời từng câu hỏi
Thiết kế 1 dashboard (biểu đồ + bảng + slicer)
Viết insight summary 3-5 gạch đầu dòng
Lưu file để dùng lại cho portfolio
Sprint 3 — Apply AI
1-2 tuầnDefinition of Done: Tự động hóa được ít nhất 1 tác vụ lặp lại bằng AI, giải thích rõ AI đã làm gì
Backlog
Học viết prompt hiệu quả để nhờ AI viết công thức phức tạp
Thử Copilot for Excel hoặc ChatGPT để phân tích nhanh 1 bảng dữ liệu
Bài tập: so sánh insight AI tóm tắt với insight tự làm ở Sprint 2
Đúc kết 3 việc nên và 3 việc không nên dùng AI khi làm data
Core Technique Skill
Sprint 1-3Bộ kỹ năng lõi mọi tin tuyển dụng DA đều yêu cầu: truy vấn dữ liệu và trực quan hóa.
Sprint 1 — SQL
2-3 tuầnDefinition of Done: Viết được query JOIN từ 3 bảng trở lên, dùng được window function để tính running total/rank
Tuần 1 — Truy vấn cơ bản
SELECT, WHERE, ORDER BY, LIMIT
GROUP BY, HAVING, hàm aggregate (SUM, COUNT, AVG)
Luyện tập trên SQLZoo / Mode Analytics / LeetCode Database
Tuần 2 — JOIN & subquery
INNER JOIN, LEFT JOIN — hiểu sự khác biệt
JOIN từ 3 bảng trở lên
Subquery (nested SELECT)
Viết 5 query JOIN nhiều bảng trên bộ dữ liệu mẫu (Northwind, e-commerce Kaggle)
Tuần 3 — Window function
ROW_NUMBER, RANK, DENSE_RANK
Running total, moving average bằng OVER/PARTITION BY
Tính running total doanh thu theo tháng, rank top khách hàng theo khu vực
Sprint 2 — Power BI
2 tuầnDefinition of Done: Xuất bản được 1 dashboard tương tác có filter/slicer, dùng ít nhất 2 loại visual
Tuần 1 — Connect & xử lý dữ liệu
Import dữ liệu từ Excel/CSV/database
Power Query: làm sạch, merge, transform dữ liệu
Tạo relationship giữa các bảng
Tuần 2 — Visual & DAX
Các loại visual: bar/line chart, card, table, matrix
DAX cơ bản: CALCULATE, SUM, measure vs column
Thêm slicer, filter tương tác
Dựng dashboard có ít nhất 4 visual khác loại + 1 slicer
Sprint 3 — End-to-end project (ôn Sprint 1)
2 tuầnDefinition of Done: Có 1 project khép kín từ SQL → dashboard → insight, tự tin giải thích lại toàn bộ SQL đã dùng
Backlog
Chọn bài toán kinh doanh (churn khách hàng, hiệu suất bán hàng theo khu vực)
Viết SQL truy xuất và xử lý dữ liệu cần thiết
Import kết quả vào Power BI, dựng dashboard hoàn chỉnh
Viết report/insight đi kèm dashboard
Ôn Sprint 1: tự giải lại 3 query JOIN/window function không xem bài cũ
Đóng gói project (SQL script + file Power BI + insight doc)
Stand Out — Go Beyond The Basics
Sprint 1-2Phần tạo khác biệt so với người chỉ biết SQL/BI cơ bản.
Sprint 1 — DWH & SQL nâng cao
2 tuầnDefinition of Done: Thiết kế được 1 schema đơn giản (fact + dimension), viết definition rõ ràng cho ít nhất 2 metric
Tuần 1 — Data modeling
Khái niệm fact table, dimension table
Star schema vs snowflake schema
Vẽ 1 star schema đơn giản cho bài toán "phân tích đơn hàng e-commerce"
Tuần 2 — Metric design
Cách viết metric definition rõ ràng (công thức, khung thời gian, điều kiện loại trừ)
Viết definition chuẩn cho 3 metric (active user, conversion rate, churn rate)
Đối chiếu với cách 1-2 công ty thật định nghĩa (tìm case study/blog)
Sprint 2 — Python
2-3 tuầnDefinition of Done: Làm được 1 notebook EDA hoàn chỉnh, kết thúc bằng 3-5 insight bằng chữ
Tuần 1 — Python cơ bản
Biến, kiểu dữ liệu, list/dict, vòng lặp, hàm cơ bản
Làm quen Jupyter Notebook / Google Colab
Tuần 2 — Pandas
Đọc dữ liệu (read_csv, read_excel)
Lọc, group, merge dữ liệu bằng pandas
Xử lý missing value, duplicate
Tuần 3 — EDA
Thống kê mô tả cơ bản (mean, median, std, distribution)
Trực quan hóa bằng matplotlib/seaborn
Làm 1 notebook EDA hoàn chỉnh trên bộ dữ liệu mới
Prepare & Get Hired
Sprint cuốiĐóng gói toàn bộ sản phẩm từ Epic 1-3 thành hồ sơ ứng tuyển thuyết phục.
Sprint cuối — Portfolio, CV & phỏng vấn
2-3 tuầnDefinition of Done: Portfolio có 3 project với case study rõ ràng; CV/LinkedIn sẵn sàng nộp đơn; trả lời tự tin 10 câu hỏi phỏng vấn DA phổ biến
Tuần 1 — Portfolio
Chọn 3 project tiêu biểu nhất (1 từ Epic 1, 1-2 từ Epic 2-3)
Viết case study: vấn đề → cách tiếp cận → kết quả
Đăng portfolio lên GitHub (SQL/Python) hoặc Notion
Tuần 2 — CV & LinkedIn
Viết lại CV theo hướng định lượng kết quả
Rà soát CV theo checklist ATS
Cập nhật LinkedIn: headline, summary, project nổi bật
Kết nối 5-10 người trong ngành Data
Tuần 3 — Mock interview
Luyện 10 câu hỏi SQL live coding phổ biến
Luyện 5 case study kinh doanh dạng "cho dữ liệu, đưa insight"
Mock interview thật với mentor/bạn bè, xin feedback cụ thể
Rà lại portfolio + CV lần cuối trước khi nộp đơn
Tìm hiểu thêm về Agile
Bấm vào từng câu hỏi để xem chi tiết.
Vì sao chọn Agile cho một lộ trình học, không phải một dự án phần mềm?
Agile sinh ra để giải quyết đúng vấn đề bạn đang gặp khi tự học: một mục tiêu lớn, nhiều ẩn số, và cần điều chỉnh liên tục theo thực tế thay vì bám cứng một kế hoạch từ đầu. Thay vì hỏi "phải học bao nhiêu môn", Agile hỏi "sản phẩm nhỏ tiếp theo tôi có thể hoàn thành là gì" — rồi lặp lại.
"Trở thành một Data Analyst có thể tự tin xử lý dữ liệu thô, xây dashboard thuyết phục, và đưa ra insight có giá trị kinh doanh — trong vòng 6 tháng, thông qua các sản phẩm thực chiến chứ không chỉ lý thuyết."
Đây là kim chỉ nam của toàn bộ roadmap: mọi Epic, mọi Sprint đều phải phục vụ trực tiếp cho vision này.
Tại sao hệ thống này giúp bạn "Work Smart"?
Rút ngắn chu kỳ ra mắt (Time-to-Market) bằng MVP
Cố gắng học thật hoàn hảo SQL, Python, Power BI rồi mới dám làm một dự án "khủng" mất cả tháng trời.
Chia hành trình thành các Epic. Ngay trong Sprint đầu tiên, bạn phải ra mắt được một MVP (Minimum Viable Product) — ví dụ: chỉ là một file Excel làm sạch dữ liệu chuẩn chỉnh.
Tối ưu hóa chất lượng bằng quy trình Feedback (Sprint Review)
Tự làm, tự thấy đẹp, tự nộp CV và... tự trượt. Không biết mình sai ở đâu.
Chủ động thiết lập Sprint Review. Sau khi có MVP, đem sản phẩm đi "pitching" xin feedback từ Senior, từ cộng đồng.
Đóng gói Performance & định vị thương hiệu (Retrospective)
Làm xong dự án thì vứt lên GitHub/Portfolio dưới dạng một link chết, không ai ngó ngàng.
Cuối mỗi Epic, làm Retro (nhìn lại): "Tôi đã tối ưu logic SQL từ 30 dòng xuống 10 dòng thế nào?". Chia sẻ lên LinkedIn để nhà tuyển dụng thấy tư duy giải quyết vấn đề.
Người ngoài kia dạy bạn cách dùng tools để làm ra sản phẩm. Còn hệ thống này hướng dẫn bạn xây một hệ thống vận hành để quản trị hành trình tự học một cách thông minh.
Agile áp dụng vào roadmap DA như thế nào?
| Sprint Backlog | Danh sách toàn bộ kỹ năng/kiến thức cần có (SQL, Excel, Python, thống kê, BI tool, storytelling...) |
| Epic | Nhóm kỹ năng lớn, ví dụ: "Nền tảng dữ liệu", "Trực quan hóa", "Business acumen" |
| User Story | Mục tiêu cụ thể, viết dạng "Là DA, tôi cần biết X để làm được Y" |
| Sprint (2-4 tuần) | Một chu kỳ học/làm tập trung vào 1-2 epic |
| Sprint Backlog | Việc cụ thể làm trong sprint đó (khóa học, bài tập, project nhỏ) |
| Definition of Done | Tiêu chí hoàn thành rõ ràng (VD: viết được query JOIN 3 bảng, làm được 1 dashboard hoàn chỉnh) |
| Sprint Review | Demo sản phẩm cuối sprint — có thể share cho mentor/cộng đồng |
| Retrospective | Nhìn lại: cái gì hiệu quả, cái gì cần đổi cho sprint sau |