Khi AI có thể tự truy vấn dữ liệu, lấy số và dựng biểu đồ, vai trò của Data Analyst không biến mất mà dịch chuyển từ người thực thi sang người điều phối. Giá trị mới nằm ở việc đặt đúng bài toán, kiểm định kết quả AI và biến dữ liệu thành insight, quyết định có thể hành động - những năng lực ngày càng quan trọng trong kỷ nguyên Agentic AI Analytics.

Sếp cần con số ngay chiều nay để quyết một chuyện gấp. Bạn gửi yêu cầu qua team data. Rồi bạn nhận lại một câu quen thuộc: "Chờ nhé, tuần sau mới xử lý được, đang kẹt một đống request."

Câu hỏi chỉ cần một giờ để trả lời. Nhưng nó nằm chờ trong hàng đợi cả tuần. Tới lúc có số thì quyết định đã trôi qua rồi.

Chuyện này diễn ra ở gần như mọi công ty tôi từng làm việc cùng. Và điều đáng nói là: cả hai phía đều khổ, không riêng gì người đi hỏi.

Người kinh doanh thì bức vì phải xếp hàng chờ một con số đáng lẽ tự lấy được. Còn bạn làm phân tích thì kẹt ở vai "hậu cần dữ liệu": cả ngày chạy report theo yêu cầu người khác, hết cái này tới cái kia, không còn đầu óc đâu để nghĩ cho ra một insight (một phát hiện có giá trị, không chỉ là con số mô tả) tử tế. Làm nhiều mà chẳng ai nhớ tên. Dashboard dựng đẹp treo đó, rồi cũng chẳng mấy người mở.

Cái vòng đó tồn tại lâu vì một lý do kỹ thuật: xưa muốn hỏi dữ liệu, bạn phải biết gõ. Gõ SQL (ngôn ngữ truy vấn cơ sở dữ liệu), gõ DAX (ngôn ngữ tính toán trong Power BI), dựng mô hình. Người kinh doanh không biết mấy thứ đó, nên phải nhờ. Mà đã nhờ thì phải chờ. Hàng đợi sinh ra từ đây, không phải vì team data lười, mà vì kỹ thuật là cánh cửa hẹp, chỉ vài người cầm được chìa khoá.

🤔 Nhưng rào cản đó đang tụt xuống rất nhanh.

Nhìn lại 10 năm: khoảng 2015, muốn đụng vào dữ liệu bạn gần như phải là dân SQL cứng. Tới 2020, Power BI và mấy công cụ kéo thả hạ rào một bậc, dân "rành số" trong công ty tự làm được dashboard, dù vẫn phải tự tay dựng model, tự kéo trường, tự canh công thức. Còn 2025 trở đi, cửa mở cho gần như tất cả mọi người: bạn hỏi bằng tiếng Việt, AI Agent hiểu và tự đi lấy số, không cần biết kéo thả hay viết công thức nữa.

Cụ thể nó chạy thế này. Doanh nghiệp có một kho dữ liệu đã dọn sạch, gắn AI Agent vào (bên mình dùng Claude điều phối, nối thẳng vào Power BI). Người bán hàng gõ một câu như "doanh thu ngành hàng sữa tháng này so tháng trước, tách theo kênh online và cửa hàng". AI đọc câu đó, tự viết truy vấn, tự lấy số, trả về bảng kèm biểu đồ. Không mở Excel. Không nhờ ai. Không chờ tới tuần sau.

Phần lớn câu hỏi thường ngày trong một doanh nghiệp là dạng lặp đi lặp lại: kỳ này so kỳ trước, kênh nào bán tốt, sản phẩm nào tồn, khách nào lâu chưa quay lại. Đúng dạng câu mà giờ business user tự hỏi tự trả được. Hàng đợi ad-hoc (những yêu cầu số lẻ tẻ, gấp, không nằm trong báo cáo cố định) từng ngốn nhiều thời gian nhất của team data, nay vơi đi rõ.

‼️Tới đây nhiều người làm phân tích thấy lo: "Vậy là AI làm hết phần của tôi rồi à?"

Không. Và chỗ này mới là phần quan trọng nhất của cả bài.

AI làm được phần THAO TÁC: gõ truy vấn, kéo số, dựng biểu đồ. Đó vốn là phần ai cũng học được, và giờ máy làm nhanh hơn người. Nhưng nó không làm được phần TƯ DUY, và đây là ba việc nó giao lại cho bạn:

→ Đặt đúng bài toán. AI trả lời câu bạn hỏi, không phải câu bạn cần. Hỏi "doanh thu tháng này bao nhiêu" thì khác hẳn "vì sao doanh thu tháng này giảm mà lãi vẫn tăng". Biết hỏi câu thứ hai mới là nghề.

→ Kiểm lại output của AI. AI tự viết công thức, và nó viết sai vẫn trả ra một con số nhìn rất gọn gàng. Ai hiểu bản chất mới bắt được: cái "doanh thu" này đã trừ hàng trả lại chưa, "khách hàng mới" định nghĩa thế nào, công thức tăng trưởng nó tính trên nền nào. Bạn không cần gõ tay nữa, nhưng phải đủ hiểu để soi lại số AI đưa. Số sai mà tin là hỏng cả quyết định.

→ Biến số thành quyết định. Con số tự nó không làm gì. Phải có người đọc ra "nên làm gì tiếp", và chịu trách nhiệm cho việc đó. Máy không gánh trách nhiệm thay ai được.

Nói cách khác, vai trò không mất đi, nó dịch lên một tầng. Từ người ĐI LÀM số sang người ĐIỀU KHIỂN việc làm số và phán xét kết quả. Trong nghề hay gọi là chuyển từ "người thực thi" sang "người điều phối".

Ai chỉ giỏi thao tác thì đúng là dễ bị thay vì phần đó máy đang làm nhanh hơn. Ai có tư duy phân tích và biết điều khiển AI thì rảnh tay hơn để làm phần đáng giá: nghĩ, đặt bài toán, ra quyết định. Cùng một con người, chỉ khác chỗ đứng: trước ngồi dưới chạy số, giờ đứng trên điều phối và chịu trách nhiệm cho số đó.

Tôi thấy đây là cơ hội, không phải mối đe dọa. Người kinh doanh hết cảnh xếp hàng. Người làm phân tích thoát vai chạy vặt, bước lên đúng chỗ mình nên đứng.

Điều kiện để chạy được cũng cần nói thẳng: dữ liệu phải sạch và có cấu trúc trước đã. AI cắm vào một mớ file mỗi phòng một kiểu thì nó đoán bừa, ra số nhảm. Cái nền đó dựng được, còn tư duy điều khiển thì phải luyện, không tự có.

Còn bạn, ở công ty bạn thì câu hỏi cho team data đang chờ trung bình mất bao lâu?

📌 Phần chuyển vai này từ người làm số sang người điều khiển AI và kiểm định kết quả - bên mình có dạy trong chương trình Agentic AI Analytics (Business Intelligence).

Tìm hiểu về chương trình bạn sẽ học được kiến thức thật sự nền tảng & ứng dụng thực tế cao, không chỉ kiến thức bề mặt!

-----

🔔+240.000 người đăng ký theo dõi chúng tôi trên các nền tảng: https://www.mastering-da.com/newsletter

📌Các chương trình ANALYTICS ứng dụng vào AGENTIC AI - phiên bản NÂNG CẤP 2026, kế thừa nền tảng đào tạo Analytics hàng đầu Việt Nam từ 2020, tập trung vào tư duy phân tích, năng lực ra quyết định và ứng dụng AI trong thực tế doanh nghiệp

→ Agentic AI Analytics (BI) dành cho mọi phòng ban làm việc với dữ liệu: https://www.mastering-da.com/agentic-ai-anlytics-program

→ Finance Analytics Agent Skills (FA) dành cho tài chính, kế hoạch, quản trị, CFO: https://www.mastering-da.com/finance-analytics-agent-skills-program

Tại MDA nơi tập trung vào tư duy phân tích & năng lực ra quyết định, không chỉ công cụ.

#PhuongThaoAnalytics #AI #Analytics #DataDriven #AgenticAI #MasteringDataAnalytics

Until next time, keep turning data into decisions!