M-Bài 14 — Analytics skills — từ GA4 sang nghiệp vụ data

Mở đầu — vì sao bài này quan trọng

Nếu bạn đến từ Marketing, có một sự thật mà bạn cần nghe ngay từ đầu bài học này: bạn đang ngồi trên một mỏ vàng kỹ năng mà phần lớn BA junior khác phải mất 1–2 năm mới tích lũy được. Đó là khả năng làm việc với dữ liệu.

Trong khi một sinh viên IT mới ra trường thường biết viết code nhưng "sợ" số liệu kinh doanh, thì bạn — một marketer — đã quen sống chung với dashboard, conversion rate, funnel và A/B test mỗi ngày. Bạn đã từng thức đêm xem tại sao chiến dịch tụt CTR, từng cãi nhau với sếp về việc attribution model nào mới đúng. Những "vết chai nghề nghiệp" đó chính là nền tảng của business analytics — một trong những năng lực được trả lương cao nhất của nghề BA.

Bài học này tập trung vào MỘT việc duy nhất: chuyển hóa kỹ năng analytics marketing (GA4, GTM, Pixel, Sheets, SQL cơ bản) thành kỹ năng phân tích dữ liệu nghiệp vụ (business/product data) mà BA cần. Đây không phải bài dạy bạn phân tích dữ liệu từ con số 0 (bài 7 đã làm điều đó ở mức tổng quan). Bài này đi sâu vào cây cầu cụ thể: từ tư duy "đo lường marketing" sang tư duy "đo lường nghiệp vụ và sản phẩm".

Khái niệm cốt lõi

Tài sản analytics bạn đã có (và giá trị thật của chúng)

Hãy điểm danh những gì bạn mang sang được, và quan trọng hơn — nó tương đương với cái gì trong thế giới BA:

• GA4 & Google Tag Manager: Bạn hiểu event-based data model. GA4 vận hành theo sự kiện (event), tham số (parameter), và người dùng (user). Đây CHÍNH XÁC là cách các sản phẩm số (app, web app) ghi nhận hành vi người dùng để BA phân tích. Khi bạn hiểu event_name, user_pseudo_id, custom dimension — bạn đã hiểu 80% cách một product analytics tool như Amplitude, Mixpanel hay PostHog hoạt động.
• Facebook Pixel & Conversion API: Bạn hiểu tracking phía client vs phía server, hiểu vì sao dữ liệu hao hụt (data loss), hiểu deduplication. Đây là kiến thức cực kỳ quý khi BA phải viết requirement cho việc gắn tracking trong một dự án — một nhiệm vụ mà BA thường xuyên đảm nhận.
• Excel/Google Sheets nâng cao: Pivot table, VLOOKUP/XLOOKUP, INDEX-MATCH, công thức mảng. Trong thực tế, 60–70% công việc phân tích dữ liệu của BA junior tại Việt Nam vẫn diễn ra trên Sheets/Excel. Bạn không cần Python để có giá trị.
• SQL cơ bản: SELECT, WHERE, GROUP BY, JOIN. Đây là kỹ năng tạo nên khác biệt rõ rệt giữa BA "đọc dashboard người khác làm" và BA "tự lấy được dữ liệu mình cần".

Khác biệt cốt lõi: Marketing analytics vs Business/Product analytics

Đây là phần quan trọng nhất của bài. Bạn cần dịch tư duy, không chỉ học công cụ mới.

Nói cách khác: marketing analytics giỏi kéo người ta vào cửa; business analytics giỏi hiểu chuyện gì xảy ra sau khi họ bước vào nhà. BA sống ở phần "sau khi vào nhà" — onboarding, sử dụng tính năng, dropout giữa luồng, lỗi nghiệp vụ.

Ba loại metric BA cần phân biệt

• Metric vận hành (operational): thời gian xử lý đơn, tỷ lệ giao dịch lỗi, số ticket support. Phục vụ cải tiến quy trình.
• Metric sản phẩm (product): tỷ lệ hoàn thành luồng (funnel completion), retention D1/D7/D30, feature adoption. Phục vụ quyết định phát triển tính năng.
• Metric kinh doanh (business): doanh thu theo tính năng, ARPU, conversion-to-paid. Phục vụ quyết định chiến lược.

Marketer thường rất mạnh ở việc đo acquisition nhưng yếu ở retention/operational. Đây chính là khoảng trống bạn cần lấp.

Tình huống thực tế

Tình huống 1 — Marketer của một sàn TMĐT chuyển sang phân tích checkout

Chị Mai từng là Performance Marketing tại một sàn thương mại điện tử cỡ trung ở TP.HCM, quen tối ưu ROAS chiến dịch Facebook và Google. Khi chuyển sang vị trí BA cho team Checkout, sếp giao việc đầu tiên: "Tỷ lệ bỏ giỏ hàng đang 68%, em tìm hiểu vì sao."

Phản xạ marketing của chị Mai ban đầu là nhìn vào nguồn traffic: "Có phải traffic kém chất lượng không?" Nhưng đó là tư duy phễu-trên. BA cần nhìn phễu-dưới. Chị dùng đúng kỹ năng GA4 cũ, nhưng lần này phân tích funnel theo từng bước của luồng thanh toán: view_cart → begin_checkout → add_shipping_info → add_payment_info → purchase.

Kết quả: 41% người rớt ngay ở bước add_payment_info. Đào sâu bằng custom dimension theo phương thức thanh toán, chị phát hiện những người chọn "chuyển khoản ngân hàng" rớt gấp 3 lần người chọn ví điện tử — vì màn hình hiển thị số tài khoản bị lỗi trên một số dòng điện thoại Android cũ.

Bài học rút ra: Cùng một công cụ GA4, nhưng câu hỏi khác nhau dẫn đến giá trị khác nhau. Marketer hỏi "ai vào", BA hỏi "ai rớt ở đâu và vì sao". Chính kỹ năng đọc funnel của marketing đã giúp chị Mai phát hiện một bug nghiệp vụ mà team Dev không hề biết.

Tình huống 2 — Từ "đo chiến dịch" sang "đo tính năng" tại một fintech

Anh Tuấn làm Growth Marketing tại một startup fintech ví điện tử. Khi sang làm BA, anh được giao đo lường hiệu quả của tính năng mới "Chia tiền nhóm" (split bill) vừa ra mắt.

Tư duy cũ của anh là đo bằng "lượt cài đặt" và "lượt mở app" — các vanity metric quen thuộc của marketing. Nhưng mentor BA hỏi lại: "Tính năng này thành công nghĩa là gì với người dùng?" Anh phải định nghĩa lại metric theo vòng đời hành vi:

• Activation: % người thử tạo nhóm chia tiền lần đầu trong 7 ngày sau khi thấy tính năng.
• Retention của tính năng: % người dùng lại split bill trong 30 ngày tiếp theo.
• Hiệu ứng lan tỏa (viral): trung bình một nhóm chia tiền kéo được bao nhiêu người chưa dùng app.

Anh dùng SQL cơ bản (chỉ JOIN hai bảng users và split_bill_events với GROUP BY) để tính các con số này từ database, thay vì chờ data analyst. Kết quả: activation tốt (52%) nhưng retention chỉ 9% — người ta thử một lần rồi bỏ. Đào tiếp, anh thấy luồng tạo nhóm mất tới 6 bước. Anh viết requirement rút gọn còn 3 bước, retention sau đó lên 23%.

Bài học rút ra: Vanity metric (lượt cài, lượt mở) là thói quen từ marketing cần cai. BA đo giá trị hành vi lặp lại. Và kỹ năng SQL cơ bản đủ để bạn tự chủ dữ liệu — không cần Python, không cần chờ ai.

Tình huống 3 — Conversion API kiến thức cứu một dự án tracking

Một bạn BA junior từng làm Digital Marketing được giao viết requirement cho dự án "đo lường hành trình khách hàng đa kênh" của một chuỗi bán lẻ. Đội Dev định chỉ gắn tracking phía client (trình duyệt). Nhờ kinh nghiệm với Facebook Conversion API, bạn này biết ngay vấn đề: trình chặn quảng cáo (ad blocker), iOS ITP và việc người dùng tắt máy giữa chừng sẽ làm mất 15–30% dữ liệu sự kiện quan trọng như "mua hàng".

Bạn ấy viết hẳn một non-functional requirement: các sự kiện doanh thu quan trọng phải được gửi server-side, có cơ chế deduplication bằng event_id để tránh đếm trùng khi cả client và server cùng gửi.

Bài học rút ra: Kiến thức "data loss" và "server-side tracking" tưởng là kỹ thuật marketing thuần túy, hóa ra là yêu cầu chất lượng dữ liệu mà BA phải đảm bảo. Đây là thứ một BA thuần "văn phòng" không bao giờ nghĩ tới.

Hướng dẫn từng bước

Đây là lộ trình để bạn chủ động dịch kỹ năng analytics marketing sang nghiệp vụ data trong 4 tuần.

Bước 1 — Lập "bản đồ dịch thuật" kỹ năng của riêng bạn. Mở một trang Sheets, kẻ hai cột. Cột trái: mọi công cụ/khái niệm analytics bạn biết từ marketing (GA4 funnel, GTM trigger, Pixel event, pivot table, A/B test...). Cột phải: ứng dụng tương đương trong công việc BA (phân tích funnel sản phẩm, viết requirement tracking, đo retention, đọc dữ liệu vận hành...). Việc này biến kinh nghiệm mơ hồ thành tài sản rõ ràng để nói trong phỏng vấn.

Bước 2 — Đổi câu hỏi từ acquisition sang retention/operation. Mỗi khi nhìn một tập dữ liệu, ép bản thân hỏi 3 câu của BA thay vì câu của marketer: (1) "Người dùng rớt ở bước nào của quy trình?" (2) "Họ có quay lại không?" (3) "Có giao dịch/thao tác nào bị lỗi không?". Luyện đến khi thành phản xạ.

Bước 3 — Học SQL ở mức "tự lấy được số mình cần". Bạn KHÔNG cần thành data engineer. Hãy thành thạo: SELECT ... FROM, WHERE, GROUP BY, ORDER BY, COUNT/SUM/AVG, và JOIN hai bảng. Luyện trên dữ liệu công khai hoặc sandbox BigQuery (GA4 có dataset mẫu công khai trên BigQuery — rất hợp với bạn vì bạn đã quen GA4).

Bước 4 — Dựng một product funnel thật. Lấy một sản phẩm bạn dùng (ví dụ app đặt đồ ăn), vẽ funnel từ "mở app" → "đặt thành công" gồm 5–6 bước. Định nghĩa metric cho từng bước. Đây là bài tập biến tư duy funnel marketing thành funnel sản phẩm.

Bước 5 — Viết một "metric definition" chuẩn. Chọn một metric (ví dụ "retention D7") và viết rõ: định nghĩa, công thức tính, nguồn dữ liệu, điều kiện loại trừ. BA giỏi không chỉ đọc số — họ định nghĩa số sao cho cả team hiểu giống nhau. Đây là kỹ năng phân biệt junior và mid-level.

Lỗi thường gặp & mẹo

• Lỗi: Bám vào vanity metric. Lượt xem, lượt cài, lượt mở app nghe oai nhưng không nói lên giá trị. Mẹo: với mỗi metric, tự hỏi "nếu con số này tăng gấp đôi, business có thật sự tốt hơn không?". Nếu không chắc — đó là vanity metric.
• Lỗi: Nhầm tương quan với nhân quả. Marketer hay nói "từ khi chạy chiến dịch, doanh thu tăng". BA phải cẩn trọng hơn: có yếu tố mùa vụ, có A/B test không? Mẹo: luôn hỏi "còn cách giải thích nào khác cho con số này không?".
• Lỗi: Chỉ nhìn con số tổng (aggregate). Trung bình che giấu sự thật. "Tỷ lệ chuyển đổi 5%" có thể là 0% cho Android cũ và 12% cho iPhone. Mẹo: luôn cắt lát (segment) dữ liệu — theo nền tảng, theo phương thức thanh toán, theo nhóm người dùng.
• Lỗi: Tin tuyệt đối vào dashboard có sẵn. Dữ liệu luôn có hao hụt và sai số. Kinh nghiệm Pixel/CAPI dạy bạn điều này — hãy mang sự hoài nghi lành mạnh đó vào BA. Mẹo: luôn hỏi "số này lấy từ đâu, có thể sai ở đâu?".
• Mẹo lớn nhất: Đừng giấu nền tảng marketing — khoe nó. Trong phỏng vấn BA, khả năng đọc funnel và đo lường thực chiến của bạn là điểm cộng hiếm có. Hãy kể câu chuyện "tôi đã dùng GA4 để tìm ra điểm rớt trong luồng X".

Bài tập thực hành

• Bản đồ dịch thuật: Liệt kê tối thiểu 8 kỹ năng/công cụ analytics bạn biết từ marketing, và viết ứng dụng tương đương trong công việc BA cho từng cái.

• Phân tích funnel sản phẩm: Chọn một app/web bạn hay dùng. Vẽ funnel gồm 5–6 bước từ lúc vào đến lúc hoàn thành mục tiêu chính. Với mỗi bước, đặt tên một metric đo lường và đoán bước nào có tỷ lệ rớt cao nhất, giải thích lý do.

• Viết một truy vấn SQL: Giả sử có bảng orders(order_id, user_id, status, created_at, amount). Viết câu SQL đếm số đơn thất bại (status = 'failed') theo từng ngày trong tháng 6, sắp xếp giảm dần. (Gợi ý: GROUP BY theo ngày, COUNT, WHERE, ORDER BY.)

• Định nghĩa metric: Viết định nghĩa đầy đủ cho metric "tỷ lệ kích hoạt tính năng" (feature activation rate) của một tính năng bạn tự chọn: công thức, tử số, mẫu số, khung thời gian, điều kiện loại trừ.

• Phân biệt vanity vs actionable: Cho 6 metric sau, phân loại đâu là vanity, đâu là actionable và giải thích: tổng lượt tải app, retention D7, tổng impression, tỷ lệ hoàn thành đăng ký, số follower, tỷ lệ giao dịch lỗi.

Tóm tắt

• Nền tảng analytics của marketer (GA4, GTM, Pixel/CAPI, Sheets, SQL cơ bản) là lợi thế cạnh tranh thật sự khi chuyển sang BA, không phải kiến thức bỏ đi.
• Việc cần làm không phải học lại từ đầu, mà là dịch tư duy: từ đo acquisition (phễu trên) sang đo retention, operation và product (phễu dưới).
• BA phân biệt rõ 3 loại metric: vận hành, sản phẩm, kinh doanh — và biết tránh vanity metric.
• Kỹ năng đọc funnel giúp bạn tìm ra điểm rớt và cả bug nghiệp vụ; kiến thức data loss/server-side giúp bạn viết requirement tracking chất lượng; SQL cơ bản giúp bạn tự chủ dữ liệu mà không cần chờ ai.
• Mẹo vàng: luôn segment dữ liệu, luôn hoài nghi con số, và luôn hỏi "nếu metric này tăng, business có thật sự tốt hơn không?".

Bạn không bắt đầu nghề BA từ con số 0. Bạn bắt đầu từ một lợi thế mà nhiều người phải mất nhiều năm mới có. Hãy dùng nó.