Part 1 - In a perfect world
Đang tính bung lụa vì vừa xong một tháng 11 hụt hơi nhưng dạo này Cherry nhận được nhiều câu hỏi liên quan đến vấn đề "Chuẩn bị gì để apply đi làm/thực tập về Data" quá nên không thể không viết một bài gỡ rối giúp các bạn được.
Nhìn chung dù là apply đi học, đi thực tập, đi làm hay đi ứng tuyển làm người yêu thì căn bản các bạn phải đưa ra được câu trả lời thuyết phục cho 2 câu hỏi sau:
What do they want? Đối tượng của bạn họ muốn gì?
Do you have what they want and are able to prove it? Bạn có đáp ứng và chứng minh được mình đáp ứng được những yêu cầu đưa ra hay không?
1 - What do they want?
Trái với quan niệm khá phổ biến của các tấm chiếu mới: Các doanh nghiệp luôn tìm kiếm người giỏi nhất. Cái mà các đơn vị tuyển dụng muốn là: tìm người (a) giải quyết được vấn đề của họ (b) với mức chi phí trong giới hạn cho phép (budget) và (c) đáng để họ bỏ thời gian và tiền bạc tuyển về và đào tạo, nhờ đó công ty sẽ kiếm được nhiều lợi nhuận nhất.
Yêu cầu (a) thì nó khá là mông lung và tuỳ từng vị trí. Do đó, các nhà tuyển dụng thường cụ thể hoá nó bằng cách định nghĩa rõ ràng cái họ cần phải giải quyết (Job responsibilities or Job description) và list ra các tố chất cộng kĩ năng cần có để thành công trong vị trí đó mà các bạn hay gọi là Job requirements or Qualifications. Yêu cầu (b) thì tuỳ hầu bao của công ty rồi, việc của bạn chỉ là xác định bạn có chấp nhận được mức offer đó hay không. Còn yêu cầu (c) thì ít được đề cập hơn, và có được đề cập cũng ít rõ ràng hơn. Bạn cần chút tinh tế để nhận ra nó là tập hợp của việc xác định ứng viên có đáng tin cậy hay không, có hợp văn hoá doanh nghiệp hay không và có sẵn sàng commit với công ty trong một thời gian hợp lý hay không (tầm 6 tháng cho thực tập và từ 1 năm trở lên với các vị trí cao hơn).
---
Như thường lệ, mình nói chuyện bằng ví dụ cụ thể cho dễ hiểu:
Cherry tóm tắt yêu cầu trong ví dụ như sau:
Công việc đơn vị tuyển dụng này cần giải quyết:
Theo dõi hoạt động kinh doanh qua số liệu
Cải thiện việc theo dõi hoạt động kinh doanh/trả lời các câu hỏi kinh doanh thông qua việc thu thập thêm data, xử lý, phân tích, visualize và truyền đạt kết quả nếu cần.
Để làm tốt, 'họ nghĩ' bạn sẽ cần:
Về mặt tố chất:
Cởi mở và giao tiếp tốt để làm việc với các bên liên quan.
Không ngại khó để giải quyết các khó khăn, câu hỏi mở trong công việc.
Kĩ tính vì làm việc với data cần sự tỉ mỉ, chính xác.
Đúng giờ để các bên liên quan có thể dùng thông tin đó để làm việc ngay và không bị trì hoãn.
Có đầu óc phân tích để không lạc lối giữa biển data.
Về kĩ năng:
Hiểu biết về số liệu thống kê để đọc hiểu số liệu chính xác và 'sáng tạo' KPI hợp lý.
Có kiến thức về SQL, ETL framework, etc. để thu thập, xử lý data
Biết các statistics packages (SPSS, SAS, etc) để phân tích data hiệu quả và chính xác.
Cherry nhận xét:
Yêu cầu (a) thì rõ rồi. Chỉ có 1 điểm cần lưu ý về phần kĩ năng. Có thể bạn không biết các tools được nêu ra (e.g., SPSS) nhưng bạn biết tool khác với chức năng tương tự (e.g., biết xài các statistical packages trong R) thì hoàn toàn ok. Các bạn có thể propose công ty dùng tool mình biết hoặc nếu không thì do 2 cách approach đó đều giải quyết một vấn đề nên khi đã biết R cho statistical analysis rồi thì chuyển sang SPSS cũng không phải là cái gì quá tầm các bạn cả.
Yêu cầu (b) trong ví dụ này đã được public là 6M.
Yêu cầu (c) không được nêu rõ nhưng cũng cần tự hiểu là đối với vị trí intern 6 tháng thì bạn phải có khả năng làm xuyên suốt 6 tháng hoặc chính thức là làm ổn định tầm 1 năm, có tố chất để phất triển tại vị trí này và có thể hoà hợp với con người và văn hoá công ty. Văn hoá công ty thế nào thì nên research thêm về profile công ty, nhìn sơ qua vibe của nhân viên công ty, design/văn phòng công ty xem thế nào nhé.
---
2 - Do you have what they want and are able to prove it?
Câu này có 2 vế: (1) bạn có sở hữu các yêu cầu đưa ra hay không và (2) bạn có thể hiện ra được mình có nó hay không. Có vế (1) mà không có vế (2) các bạn sẽ thấy vô cùng bất mãn vì, ví dụ - apply chung chỗ mà bạn X kém phù hợp hơn lại được nhận còn mình thì không. Có vế (2) mà không có vế (1) thì vào công ty bạn sẽ vô cùng mệt mỏi khi ngụp lăn trong công việc hàng ngày. Tóm lại là phải có cả hai thì "hôn nhân" mới thành công..
Điều này không có nghĩa là các bạn phải đáp ứng được hết 100% các yêu cầu đưa ra. Nếu bạn đáp ứng được hết thì sẽ chả còn gì cho bạn học trong công việc nữa. Tuy nhiên, Cherry khuyên là nên đáp ứng được 60-80% yêu cầu đưa ra và phần còn thiếu phải là phần bạn thực sự muốn học (cưỡng ép thì không hạnh phúc) và có khả năng tiếp thu tốt.
Vế thứ (1) chỉ có bạn trả lời được thôi vì không ai hiểu khả năng của bạn hơn bạn cả. Nhớ là phải khách quan và trung thực với bản thân mình để đánh giá chính xác và đừng cố ép bản thân theo khuôn mẫu yêu cầu của nhà tuyển dụng (lỗi này các bạn trẻ rất hay gặp). Đôi khi không hợp là không hợp, thế thôi. Các bạn có thể coi đó là tín hiệu của vũ trụ để theo đuổi công ty/vị trí khác :">.
Làm sao để "prove it"?
Về mặt kĩ năng
"I see I believe."
Hiện nay chắc cũng 9/10 bạn có vài cái certificate of completion của Coursera, Udemy, Datacamp, etc. Nên không giống 3-5 năm trước đây, việc sở hữu các chứng chỉ data nó không còn quá ấn tượng nữa rồi. Do đó để nổi bật trong vô vàn CV khác thì các bạn nên có thêm (1) professional certificate là các certificate phải thi để lấy như là từ Google, Microsoft, etc. (2) hoặc học các course có tín chỉ từ các trường quốc tế công nhận và (3) là có các project có thể show ra được.
Một điểm cần chú ý về personal project đó là các bạn nên quan tâm và show ra chất lượng hơn số lượng. Đa số CV Cherry từng thấy list một tràng các project khá iconic như Titanic, MNIST, etc. Cherry không chê đó là các project quá basic nhưng cái Cherry ước các bạn làm kĩ hơn đó là phần giải thích: ý nghĩa/mục đích của project đó là gì? tại sao bạn xử lý dataset như vậy? tại sao bạn chọn phương pháp predict đó mà không phải phương pháp khác? ưu điểm và khuyết điểm của lựa chọn đó là gì? Đó là những điểm có thể cho người khác thấy chiều sâu kiến thức của các bạn.
Về mặt tố chất và cultural fit
Show, don't tell.
Hơi khác với các kĩ năng cứng, tố chất và cultural fit là những thứ bạn phải tinh tế hơn, kiểu Show, don't tell. Bạn có thể cho thấy tính tỉ mỉ, chính xác bằng cách đảm bảo CV không bị sai chính tả, từ ngữ dùng hợp lý, trình bày CV nhất quán (font, size chữ, màu sắc). Thể hiện đầu óc phân tích của mình bằng cách viết rõ ràng, các ý trình bày theo trình tự logic và cô đọng.
Ngoài ra, các bạn cần nhớ là CV không phải là nơi bạn bày hết thành tích trong đời của mình lên mà cần chọn lọc ra những thứ liên quan để cho họ thấy bạn có những gì họ cần một cách súc tích nhất. Xây dựng một ML model nhận diện hình ảnh thì ấn tượng đó, tuy nhiên nếu các bạn apply làm Data Analyst thì các bạn risk khả năng bị cân nhắc là quá 'bay', dễ chán so với công việc trong vị trí đó -> fail yêu cầu (c). Do đó, trong trường hợp trên, sẽ khôn ngoan hơn nếu bạn build một project ETL hoặc dashboard, etc. Tóm lại là những thứ gần gũi với công việc thực sự của 1 DA thì sẽ dễ thuyết phục nhà tuyển dụng bạn là người phù hợp hơn.
Hope that helps!
Comments