Quiet quit ở nhiều ngành có thể khiến một người bỏ lỡ cơ hội thăng tiến. Nhưng với người làm Data, thứ mất đi đôi khi âm thầm hơn: những trải nghiệm cần thiết để thực sự giỏi lên.

Điều đó không có nghĩa quiet quitting đồng nghĩa với lười biếng. Trong nhiều trường hợp, việc thu hẹp nỗ lực về đúng phạm vi trách nhiệm là phản ứng dễ hiểu khi một người liên tục bị xem như “cái máy xuất báo cáo”, còn mọi đề xuất cải thiện đều chỉ nhận lại câu: “Cứ làm đúng scope thôi.” Khi sự chủ động không được ghi nhận, bảo vệ thời gian và năng lượng của mình là hoàn toàn hợp lý.

Nhưng ngành mình có một điểm khác hẳn các ngành khác, và đây là phần đáng để dừng lại suy nghĩ.

✨ Cái làm mình giỏi lên không nằm trong tool

Power BI, SQL, Python vẫn cần thiết. Nhưng việc tiếp cận và bắt đầu sử dụng các công cụ này đang dễ hơn trước nhờ tài liệu, khóa học và AI hỗ trợ. Vì vậy, chỉ biết vận hành tool sẽ ngày càng khó tạo ra khác biệt dài hạn.

Cái làm mình giỏi lên thật sự nằm ở những thứ vô hình hơn nhiều:

→ Số lần mình chạm vào một bài toán kinh doanh thật

→ Số lần mình đưa ra con số đúng, rồi bị hỏi ngược "rồi giờ anh làm gì với nó?"

→ Số lần mình phải hỏi lại "cái này chị dùng để quyết định chuyện gì?"

Những trải nghiệm đó không đơn thuần là kỹ thuật. Mỗi lần hỏi thêm một câu như vậy, mình thu được thêm một mảnh bối cảnh: chỉ số nào thực sự quan trọng, ai chịu ảnh hưởng, và hành động nào có thể xảy ra tiếp theo.

Những mảnh bối cảnh đó tích lại dần thành domain knowledge. Gặp lại một vấn đề tương tự lần sau, mình không còn bắt đầu từ con số 0 - mình biết nên kiểm tra gì trước, nên nghi ngờ giả định nào. Tò mò là một trong những cách quan trọng để biến những trải nghiệm rời rạc đó thành năng lực có thể dùng lại. Nguyên liệu đó chỉ chảy vào đầu mình khi mình còn bật chế độ tò mò.

✨ Có thể hình dung năng lực của người làm Data qua ba tầng

Đây không phải một thang đo chuẩn hóa, mà là một cách đơn giản để nhìn xem một yêu cầu dữ liệu đang dừng ở đâu.

Tầng 1 - Làm đúng yêu cầu: xuất đúng số, đúng định dạng, đúng thời hạn.

Tầng 2 - Hiểu bối cảnh: biết vì sao người dùng cần số liệu này, và quyết định nào đang chờ ở phía sau nó.

Tầng 3 - Hỗ trợ quyết định: biết kiểm tra nguyên nhân, cảnh báo rủi ro, và đề xuất hướng phân tích tiếp theo.

Rủi ro xuất hiện khi việc rút về đúng phạm vi công việc kéo theo việc mình chỉ còn dừng ở tầng 1, không tiếp tục tìm hiểu bối cảnh và quyết định phía sau yêu cầu. Dashboard vẫn lên đúng hạn, ticket vẫn đóng, review cuối năm vẫn "đạt" - nhìn từ bên ngoài, không ai nhận ra sự đứng yên đó.

Business yêu cầu báo cáo doanh thu theo vùng. Ở tầng 1, mình trích xuất số liệu, chia theo miền và gửi đúng hạn. Nhưng nếu hỏi báo cáo này phục vụ quyết định nào, mình có thể biết đội ngũ đang cân nhắc điều chuyển ngân sách bán hàng. Khi đó, doanh thu chưa đủ - có thể cần xem thêm tốc độ tăng trưởng, mức chiết khấu, độ phủ điểm bán hoặc tỷ lệ hoàn hàng. Chỉ một câu hỏi về quyết định phía sau đã thay đổi cách mình phân tích.

✨ Vì sao năm nay khác những năm trước

AI đang rút ngắn thời gian thực hiện nhiều tác vụ kỹ thuật như viết query, gợi ý DAX, phát hiện lỗi và tạo bản nháp. Kỹ thuật vẫn cần thiết, nhưng việc thực hiện nhanh một tác vụ sẽ ngày càng khó trở thành lợi thế nếu đứng một mình.

Khi thời gian tạo output giảm xuống, giá trị của người làm Data dịch chuyển mạnh hơn sang việc xác định đúng vấn đề, cung cấp bối cảnh, kiểm chứng kết quả và kết nối phân tích với hành động - đó chính là domain knowledge và business judgment - hai năng lực không thể hình thành chỉ bằng lý thuyết, mà cần được bồi đắp qua tình huống, phản hồi và trải nghiệm thực tế.

Quiet quit không tự động khiến mình ngừng phát triển. Nhưng nếu tắt luôn sự tò mò, có thể khiến mình tự rút khỏi chính nguồn trải nghiệm đang tạo ra khác biệt.

✨ Tò mò khác với làm thêm không công

→ Giữ giờ làm của mình - hợp lý, nên làm.

→ Tắt luôn sự tò mò - cái này mới là cái âm thầm ăn mình.

Tò mò không có nghĩa là nhận thêm mọi đầu việc hay ngồi lại muộn hơn. Đôi khi, nó chỉ là hỏi rõ mục tiêu, thống nhất định nghĩa KPI hoặc quan sát xem báo cáo đã dẫn đến quyết định nào.

Không nhất thiết làm nhiều hơn - nhưng học được nhiều hơn từ công việc đang làm.

✨ Lần tới, thử hỏi thêm một câu

Yêu cầu tiếp theo nhận được, thử chọn một trong những câu này để hỏi thêm:

→ Số liệu này được dùng để quyết định việc gì?

→ Nếu chỉ số này tăng hoặc giảm, hành động tiếp theo sẽ khác nhau thế nào?

→ Có định nghĩa hay giả định nào cần thống nhất trước khi tính không?

→ Sau khi xem báo cáo, anh/chị còn cần kiểm tra thêm điều gì?

Không cần hỏi cả bốn trong một lần - chọn một câu phù hợp là đủ. 30 giây. Không tăng ca. Không cần xin phép ai. Nhưng đó là thứ mà không cái tool nào cho mình được - chỉ có mình tự đi hỏi mới có.

Trong những buổi gần đây của lớp Agentic AI Analytics, mình nhận thấy phần khiến nhiều học viên phải dừng lại lâu nhất không phải cú pháp, mà là câu hỏi: "Bài toán kinh doanh thực sự ở đây là gì?" Đó cũng là lý do chương trình không bắt đầu từ việc học thêm một tool, mà rèn cách xác định vấn đề, xây logic phân tích, kiểm chứng output và phối hợp với AI để kết nối dữ liệu với quyết định.

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!

--------

🔔+250.000 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 mới nhất 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!