--- title: Data Scientist là ai – người dùng data để xây mô hình dự doán cho sản phẩm slug: data-scientist-la-ai url: https://academy.telos.vn/data-scientist-la-ai generated_date: 2026-10-17 10:59:28 --- Data Scientist là gì? Vai trò, nhiệm vụ và lộ trình phát triển -------------------------------------------------------------- Năm 2006, LinkedIn có chưa tới 8 triệu tài khoản, và người dùng kết nối với nhau chậm hơn nhiều so với kỳ vọng. Jonathan Goldman, một tiến sĩ vật lý mới vào công ty, bắt đầu tìm quy luật trong cách các thành viên kết nối với nhau. Ông thử gợi ý cho mỗi người ba cái tên mà họ có thể quen, dựa trên trường học và nơi làm việc chung. Theo [Harvard Business Review](https://sociology.berkeley.edu/sites/default/files/documents/job_market/Data%20Scientist%20--%20HBR%202012.pdf), những gợi ý đó có tỷ lệ nhấp cao nhất mà công ty từng thấy. Tính năng “People You May Know” ra đời, đạt tỷ lệ nhấp cao hơn 30% so với các lời mời khác, và góp phần lớn vào tăng trưởng của LinkedIn. Người làm ra nó, theo cách gọi ngày nay, là một Data Scientist. Định nghĩa vị trí & ý nghĩa của vai trò ------------------------------------------- Data Scientist là người chịu trách nhiệm dùng thống kê, machine learning và kiến thức về sản phẩm để xây mô hình từ dữ liệu: mô hình dự đoán hành vi, gợi ý nội dung, phân loại, phát hiện bất thường. Đầu ra của họ có thể là một phân tích chuyên sâu, nhưng ngày càng thường là một mô hình chạy bên trong sản phẩm, quyết định người dùng thấy gì. Data Scientist không phải “Data Analyst giỏi hơn”. Hai vai trò trả lời hai loại câu hỏi khác nhau. Analyst giải thích chuyện đã xảy ra; Scientist xây hệ thống dự đoán và phản ứng với chuyện sắp xảy ra. Bảng tin mạng xã hội, gợi ý phim, cảnh báo giao dịch gian lận, ước tính thời gian giao hàng đều là sản phẩm của Data Scientist. Trong công ty lớn, Data Scientist ngồi ở đội Data & Analytics, báo cáo cho Head of Data, và làm việc sát với các squad có tính năng dựa trên dữ liệu như tìm kiếm, gợi ý, cá nhân hóa. Ở startup nhỏ, vai trò này thường chưa cần thiết cho tới khi sản phẩm có đủ dữ liệu để mô hình học được điều gì đó có ích. ### Data Scientist khác gì với Data Analyst và Data Engineer? Từ góc nhìn của Data Scientist, ba vai trò khác nhau ở bước chuyển từ “vì sao” sang “sắp tới”. Data Engineer bảo đảm dữ liệu tồn tại và sạch. Data Analyst dùng dữ liệu để giải thích. Data Scientist dùng dữ liệu để dự đoán, rồi biến dự đoán đó thành một phần của sản phẩm. Data Scientist[Data Analyst](http://academy.telos.vn/data-analyst-la-ai)[Data Engineer](http://academy.telos.vn/data-engineer-la-ai)Câu hỏi chínhChuyện gì có thể xảy ra, và hệ thống nên phản ứng ra sao?Chuyện gì đã xảy ra và vì sao?Dữ liệu có đến đúng chỗ, đúng lúc, sạch không?Làm gì với dữ liệuXây mô hình thống kê và machine learningTruy vấn, phân tích, trực quan hóaThu thập, làm sạch, lưu trữ, vận chuyểnĐầu raMô hình dự đoán, gợi ý, phân loạiBáo cáo, dashboard, kết quả A/B test, khuyến nghịĐường ống dữ liệu, kho dữ liệu, bảng dữ liệu sạchCông cụ thường dùngPython, thư viện machine learning, thống kê nâng caoSQL, bảng tính, công cụ BI, Python cơ bảnSQL, Python, công cụ điều phối pipeline, nền tảng đám mâyNền tảng thường gặpToán, thống kê, khoa học máy tínhKinh tế, kinh doanh, thống kêKỹ thuật phần mềmDesigner gặp họ khiThiết kế tính năng gợi ý, cá nhân hóa, AIĐặt chỉ số thành công, đọc kết quả thử nghiệmĐịnh nghĩa sự kiện cần ghi nhận cho tính năng mớiRanh giới giữa ba vai trò không cứng. Nhiều Data Scientist làm cả phân tích, nhiều Data Engineer hỗ trợ đưa mô hình vào vận hành. Ở công ty lớn, phần “đưa mô hình vào sản phẩm” còn được tách cho một vai trò riêng là Machine Learning Engineer. ### Vì sao vai trò này ngày càng quan trọng? Ngày càng nhiều sản phẩm cạnh tranh nhau bằng mức độ “hiểu” người dùng: gợi ý đúng thứ họ muốn, đúng lúc họ cần. Những trải nghiệm đó được xây từ mô hình dữ liệu, và Data Scientist là người xây chúng. Từ khi AI tạo sinh trở nên phổ biến, vai trò này đang thay đổi nhanh. Nhiều công ty không còn tự huấn luyện mọi mô hình từ đầu mà dùng các mô hình nền có sẵn. Việc của Data Scientist dịch chuyển sang đánh giá: mô hình có đúng không, có thiên lệch không, có an toàn để đưa tới người dùng không, và đo chất lượng của nó bằng cách nào. Họ thường làm những loại nhiệm vụ gì? ------------------------------------- **Xây mô hình dự đoán và gợi ý:** Dự đoán người dùng nào sắp rời bỏ, sản phẩm nào họ có thể thích, giao dịch nào có dấu hiệu gian lận. Đây là phần việc nổi bật nhất của nghề. **Thiết kế và phân tích thử nghiệm phức tạp:** Ngoài A/B test đơn giản, Data Scientist xử lý những thử nghiệm mà kết quả bị ảnh hưởng bởi nhiều yếu tố cùng lúc, cần phương pháp thống kê chặt hơn. **Khám phá dữ liệu:** Tìm những quy luật mà không ai hỏi tới, như cách Goldman tìm ra quy luật kết nối ở LinkedIn, rồi biến chúng thành ý tưởng sản phẩm. **Đánh giá mô hình:** Đo độ chính xác, kiểm tra thiên lệch với từng nhóm người dùng, quyết định khi nào mô hình đủ tốt để ra mắt. **Phối hợp đưa mô hình vào sản phẩm:** Làm việc với Data Engineer, Machine Learning Engineer và developer để mô hình chạy được trên hệ thống thật, đủ nhanh và đủ ổn định. **Giải thích kết quả cho team:** Trình bày cho [Product Manager](https://academy.telos.vn/product-manager-pm-la-gi-product-team/) và designer mô hình làm được gì, không làm được gì, và sai ở những trường hợp nào. Họ thường có những kỹ năng chính nào? ------------------------------------- **Thống kê và xác suất:** Nền tảng để hiểu dữ liệu nói gì và không nói gì, để không nhầm sự trùng hợp với quy luật. **Machine learning:** Hiểu các nhóm thuật toán chính, khi nào dùng loại nào, và cách đánh giá một mô hình cho đúng. **Lập trình:** Thường là Python, đủ để xử lý dữ liệu, huấn luyện mô hình và viết code mà người khác đọc và chạy lại được. **Hiểu sản phẩm:** Biết một mô hình chính xác hơn 2% có đáng giá công sức hay không, khi đặt vào bối cảnh mục tiêu của sản phẩm và chi phí vận hành. **Hoài nghi khoa học:** Luôn tìm cách chứng minh mình sai trước khi tin mình đúng. Đây là chữ “khoa học” trong tên gọi của nghề. **Giao tiếp với người không làm kỹ thuật:** Giải thích một mô hình phức tạp bằng ngôn ngữ mà PM, designer và ban lãnh đạo hiểu được để ra quyết định. ![Data Scientist](https://academy.telos.vn/wp-content/uploads/2026/10/Data-Scientist.png) Lịch sử của vai trò này ----------------------- Thống kê và phân tích dữ liệu đã có từ lâu, nhưng chức danh Data Scientist thì khá mới. Theo bài báo của Harvard Business Review, thuật ngữ này được D.J. Patil và Jeff Hammerbacher đặt ra năm 2008, khi họ phụ trách dữ liệu và phân tích tại LinkedIn và Facebook. Họ cần một tên gọi cho những người vừa biết thống kê, vừa biết lập trình, vừa hiểu sản phẩm, một tổ hợp kỹ năng mà các chức danh cũ không mô tả hết. Tháng 10/2012, Thomas Davenport và D.J. Patil đăng trên HBR bài “Data Scientist: The Sexiest Job of the 21st Century”. Bài viết đưa nghề này ra khỏi giới công nghệ, và trong nhiều năm sau đó, Data Scientist là một trong những chức danh được tuyển dụng nhiều nhất. Khi nghề trưởng thành, các công ty nhận ra Data Scientist không thể làm mọi thứ một mình, và tách ra những vai trò chuyên sâu hơn: Data Engineer lo dữ liệu, Machine Learning Engineer lo vận hành mô hình, Analytics Engineer lo mô hình dữ liệu cho phân tích. Ngày nay, với AI tạo sinh, trọng tâm của Data Scientist đang dịch chuyển thêm một lần nữa: từ tự xây mô hình sang đánh giá và định hướng cách dùng những mô hình rất mạnh có sẵn. Họ thường học ngành nào hoặc chuyển từ ngành nào sang? ------------------------------------------------------ ### Xuất phát từ toán, thống kê, khoa học tự nhiên Đây là nền tảng truyền thống: toán, thống kê, vật lý, kinh tế lượng. Như Goldman, nhiều Data Scientist đầu tiên là tiến sĩ khoa học tự nhiên. Điểm mạnh là tư duy định lượng sâu. Điểm khó nhất là học tốc độ của doanh nghiệp: một mô hình “đủ tốt” ra mắt tuần này thường giá trị hơn một mô hình hoàn hảo ra mắt năm sau. ### Xuất phát từ khoa học máy tính Sinh viên và kỹ sư phần mềm mang theo kỹ năng lập trình và hiểu hệ thống. Điểm cần bổ sung là nền tảng thống kê và tư duy thực nghiệm: biết thiết kế thử nghiệm và biết khi nào kết quả đáng tin. ### Xuất phát từ Data Analyst Analyst giỏi, muốn đi sâu vào dự đoán, có thể chuyển sang Data Scientist bằng cách học thêm machine learning và lập trình. Lợi thế lớn của họ là đã hiểu sản phẩm và dữ liệu thật của công ty. Làm việc cùng Data Scientist như thế nào? ----------------------------------------- Với một UI/UX Designer, Data Scientist là người bạn sẽ gặp ngày càng nhiều, vì ngày càng nhiều tính năng có một mô hình phía sau. Mô hình quyết định nội dung, còn bạn quyết định người dùng thấy và hiểu nội dung đó ra sao. ### Bạn nhận được gì từ Data Scientist? Hiểu biết về những gì mô hình làm được và không làm được: nó chính xác đến đâu, sai trong trường hợp nào, cần bao nhiêu dữ liệu từ người dùng mới bắt đầu gợi ý tốt. Đây là nguyên liệu để thiết kế đúng. Các [AI UX pattern](https://academy.telos.vn/ai-ux-pattern-la-gi/) như hiển thị mức độ tin cậy, cho người dùng sửa kết quả, hay giải thích vì sao một gợi ý xuất hiện đều cần được thiết kế từ những thông tin này. ### Bạn cần chuẩn bị gì để Data Scientist làm được việc? Thiết kế những chỗ để người dùng phản hồi: nút thích, không thích, “không quan tâm”, “đây không phải điều tôi muốn”. Những tín hiệu đó là dữ liệu để mô hình học tốt hơn. Hãy thiết kế cả trạng thái khi mô hình chưa có dữ liệu, ví dụ người dùng mới chưa xem gì, và khi mô hình không chắc chắn. Và hãy hỏi Data Scientist trước khi hứa hẹn trên giao diện: chữ “dành riêng cho bạn” chỉ nên xuất hiện khi gợi ý thật sự được cá nhân hóa. ### Những điểm hay vướng và cách xử lý **Mô hình chính xác nhưng người dùng không tin:** Gợi ý đúng nhưng xuất hiện không rõ lý do làm người dùng thấy kỳ lạ, thậm chí lo bị theo dõi. Đây là bài toán [mental model](https://academy.telos.vn/mental-model-la-gi-ux-research-design/): cùng Data Scientist tìm cách giải thích ngắn gọn “vì bạn đã xem…” để gợi ý trở nên dễ hiểu. **Đo mô hình khác đo trải nghiệm:** Data Scientist tối ưu độ chính xác, nhưng người dùng có thể cần sự đa dạng hơn, hoặc cần được bất ngờ. Đưa cả chỉ số trải nghiệm như tỷ lệ quay lại, mức độ hài lòng vào tiêu chí đánh giá, để mô hình phục vụ đúng [desirability](https://academy.telos.vn/desirability-la-gi/) chứ không chỉ con số kỹ thuật. **Tính năng AI không đáng với chi phí:** Một mô hình phức tạp cho kết quả tốt hơn một chút nhưng tốn nhiều tài nguyên để vận hành. Đặt câu hỏi về [viability](https://academy.telos.vn/viability-la-gi-product-design/) sớm: đôi khi một quy tắc đơn giản đã đủ tốt cho người dùng. Hướng phát triển: họ sẽ trở thành vai trò gì nếu thăng cấp? ----------------------------------------------------------- **Senior / Staff Data Scientist:** Phụ trách những bài toán mô hình lớn nhất của công ty, định hướng phương pháp cho cả đội. **Machine Learning Engineer hoặc AI Engineer:** Chuyển sang phía đưa mô hình vào vận hành, xây sản phẩm AI ở quy mô lớn. **Data Science Manager hoặc Head of Data:** Dẫn dắt đội data, quyết định công ty đầu tư vào những bài toán dữ liệu nào. **Data Product Manager:** Chuyển sang quản lý sản phẩm dữ liệu và AI, nơi hiểu biết về mô hình là lợi thế lớn khi quyết định nên xây gì. Kết luận -------- Data Scientist cho thấy một hướng đi mới của nghề thiết kế: khi giao diện ngày càng hiển thị những gì máy dự đoán, designer phải thiết kế cả cho những lúc máy đúng, lúc máy sai và lúc máy không chắc. Người hiểu mô hình ở mức đủ dùng sẽ thiết kế ra những trải nghiệm AI mà người dùng tin được. Trên lộ trình UI/UX Product Designer tại TELOS Academy, khóa A.I. Dành Cho UI/UX Designer (8 buổi) bắt đầu từ AI Literacy: AI làm được gì và không làm được gì trong UX, rồi đi qua viết prompt, tạo prototype và concept bằng AI, testing cùng AI, và nguyên tắc dùng AI có trách nhiệm. Đó là ngôn ngữ chung giúp bạn ngồi cùng bàn với Data Scientist mà không bị lạc. Học xong, bạn dùng AI làm trợ lý xuyên suốt quy trình và có thêm một case study cho portfolio. Nếu bạn muốn thiết kế những tính năng AI mà người dùng hiểu và tin, hãy tìm hiểu [khóa A.I. Dành Cho UI/UX Designer](https://academy.telos.vn/khoa-hoc-a-i-danh-cho-ui-ux-designer/) tại TELOS Academy.