Khoa học dữ liệu là gì?

Cập nhật tháng 09/2026: Nha viết bài này lần đầu vào năm 2018. Sau hơn 8 năm, khái niệm Data Science về cơ bản không biến mất, nhưng cách doanh nghiệp tổ chức đội dữ liệu, vai trò của Data Analyst, Data Engineer, Machine Learning Engineer và đặc biệt sự xuất hiện của Generative AI khiến Nha thấy bài cũ cần được viết lại. Phiên bản năm 2018 vẫn được giữ ở cuối bài để mọi người có thể so sánh.

Năm 2018, khi viết bài đầu tiên về Data Science, Nha mở đầu bằng một định nghĩa khá học thuật:

Khoa học dữ liệu là một lĩnh vực liên ngành nhằm rút trích tri thức hoặc hiểu biết từ dữ liệu.

Không sai.

Nhưng nếu hôm nay có một bạn hỏi:

Data Science là gì?

Nha sẽ không bắt đầu bằng một định nghĩa dài như vậy.

Nha sẽ nói:

Data Science – khoa học dữ liệu – là quá trình sử dụng dữ liệu, thống kê, lập trình, kiến thức chuyên môn và các phương pháp phân tích hoặc Machine Learning để trả lời một câu hỏi, tìm ra insight hoặc xây dựng giải pháp có giá trị.

Có một chữ Nha muốn nhấn mạnh:

Câu hỏi.

Data Science không bắt đầu bằng Python.

Không bắt đầu bằng Machine Learning.

Cũng không bắt đầu bằng:

“Công ty mình phải làm AI.”

Nó nên bắt đầu bằng:

Chúng ta đang muốn hiểu hoặc giải quyết vấn đề gì?

Data Science là gì?

AWS hiện mô tả Data Science là một phương pháp đa ngành kết hợp toán học, thống kê, trí tuệ nhân tạo và kỹ thuật máy tính để phân tích dữ liệu và tạo ra insight có ý nghĩa.

IBM cũng mô tả Data Science là sự kết hợp giữa:

• toán học;

• thống kê;

• lập trình;

• phân tích nâng cao;

• AI và Machine Learning;

• kiến thức chuyên môn của lĩnh vực;

để tìm ra những insight có thể sử dụng trong việc ra quyết định.

Nha thích nhìn Data Science bằng công thức đơn giản:

Data Science = Data + Statistics + Programming + Domain Knowledge + Problem Solving 

Machine Learning có thể nằm trong đó.

AI có thể nằm trong đó.

Nhưng Data Science không bằng Machine Learning.

Và càng không bằng:

Biết Python = Data Scientist 

Nếu dễ vậy thì hồi Nha còn làm lập trình chắc đã tự phong Data Scientist từ lâu rồi.

Data Science bắt đầu từ bài toán, không phải thuật toán

Giả sử một website thương mại điện tử có dữ liệu:

• khách hàng;

• lượt truy cập;

• sản phẩm đã xem;

• tìm kiếm;

• giỏ hàng;

• đơn hàng;

• thanh toán;

• khuyến mãi.

Một Data Scientist không nên bắt đầu bằng:

Hôm nay mình thử Random Forest nhé.

Mà có thể bắt đầu:

Vì sao nhiều khách thêm sản phẩm vào giỏ nhưng không mua?

Hoặc:

Khách hàng nào có khả năng quay lại?

Hoặc:

Sản phẩm nào nên được đề xuất cho từng nhóm khách?

Hoặc:

Khi nào nhu cầu có khả năng tăng?

Sau đó mới xác định:

• cần dữ liệu nào;

• dữ liệu có đủ tốt không;

• nên phân tích thống kê hay Machine Learning;

• cần mô hình dự báo hay chỉ một dashboard;

• kết quả dùng để làm gì.

Đây là phần rất quan trọng.

Không phải bài toán dữ liệu nào cũng cần AI.

Đôi khi một câu SQL đúng còn giá trị hơn một model rất đẹp.

Data Science thường trả lời bốn nhóm câu hỏi

Có một cách khá dễ để hiểu Data Science và Analytics.

1. Chuyện gì đã xảy ra?

Ví dụ:

Doanh thu tháng này giảm 12%.

Đây là descriptive analytics.

Chúng ta đang mô tả dữ liệu.

2. Vì sao nó xảy ra?

Ví dụ:

Doanh thu giảm chủ yếu vì conversion mobile giảm ở bước thanh toán.

Đây là diagnostic analytics.

Chúng ta tìm nguyên nhân.

3. Điều gì có khả năng xảy ra?

Ví dụ:

Với xu hướng hiện tại, nhu cầu nhóm sản phẩm A có khả năng tăng trong hai tuần tới.

Đây là predictive analytics.

Dữ liệu được sử dụng để dự đoán.

4. Chúng ta nên làm gì?

Ví dụ:

Nên ưu tiên inventory cho nhóm A và điều chỉnh campaign sang nhóm khách X.

Đây gần với prescriptive analytics.

Giá trị của Data Science thường tăng dần từ:

What happened?        ↓ Why?        ↓ What will happen?        ↓ What should we do? 

Nhưng đừng nghĩ lúc nào cũng phải đi tới bước cuối.

Nếu câu hỏi chỉ cần SQL trả lời thì SQL là đủ.

Một dự án Data Science thực tế gồm những gì?

Ngày trước nhìn Data Science, Nha cũng hay bị thu hút bởi đoạn thú vị nhất:

Train model 

Nhưng thực tế phần đó chỉ là một phần.

Một workflow có thể giống như:

Business Problem       ↓ Collect Data       ↓ Clean Data       ↓ Explore       ↓ Create Features       ↓ Model / Analyze       ↓ Evaluate       ↓ Deploy       ↓ Monitor       ↓ Business Action 

Microsoft từng mô tả một Data Science Lifecycle gồm những giai đoạn như:

• hiểu bài toán kinh doanh;

• thu thập và hiểu dữ liệu;

• modeling;

• deployment;

• customer acceptance.

Điểm đáng chú ý là:

Business Understanding đứng trước Modeling.

Không phải ngẫu nhiên.

1. Hiểu bài toán

Ví dụ doanh nghiệp nói:

Tôi muốn AI dự đoán khách hàng.

Data Scientist phải hỏi:

Dự đoán cái gì?

Khách sẽ:

• mua?

• hủy?

• quay lại?

• rời bỏ?

• thanh toán?

• phản hồi campaign?

Nếu câu hỏi chưa rõ thì dữ liệu phía sau cũng khó rõ.

2. Thu thập dữ liệu

Có thể từ:

• database;

• CRM;

• website;

• mobile app;

• log;

• API;

• IoT;

• survey;

• third-party source.

3. Làm sạch dữ liệu

Đây thường là phần không hào nhoáng nhưng rất quan trọng.

Ví dụ:

Nguyễn Văn Nha Nguyen Van Nha NGUYEN VAN NHA N.V.Nha 

Có phải một người?

Hay bốn người?

Ngày sinh:

02/09/2026 09/02/2026 

Định dạng nào?

Timezone nào?

Đơn hàng hủy có tính doanh thu không?

Một metric rất đơn giản cũng có thể sai nếu định nghĩa dữ liệu không thống nhất.

4. Exploratory Data Analysis

Khám phá dữ liệu để hiểu:

• distribution;

• outlier;

• missing value;

• correlation;

• pattern;

• segment;

• trend.

Nhiều insight quan trọng xuất hiện ở đây, trước cả Machine Learning.

5. Modeling

Nếu bài toán cần, có thể dùng:

• regression;

• classification;

• clustering;

• time-series;

• recommendation;

• NLP;

• anomaly detection;

• Machine Learning;

• Deep Learning.

Nhưng model không phải mục đích.

Model chỉ là công cụ.

6. Evaluation

Một model accuracy 95% nghe rất đẹp.

Nhưng nếu dữ liệu có:

95% khách không gian lận 5% khách gian lận 

thì model cứ dự đoán:

Không gian lận.

cho tất cả mọi người cũng đạt accuracy 95%.

Và gần như vô dụng.

Do đó phải chọn metric phù hợp với bài toán.

Ví dụ:

• Precision;

• Recall;

• F1;

• ROC-AUC;

• MAE;

• RMSE;

• business KPI.

7. Deployment

Một notebook đẹp không phải sản phẩm cuối cùng.

Nếu model cần tạo giá trị thực tế, nó có thể phải:

• chạy API;

• tích hợp ứng dụng;

• chạy batch;

• chạy real-time;

• gửi kết quả vào CRM;

• đưa vào recommendation engine.

8. Monitoring

Model hôm nay tốt không có nghĩa sáu tháng sau vẫn tốt.

Hành vi khách hàng thay đổi.

Sản phẩm thay đổi.

Thị trường thay đổi.

Dữ liệu thay đổi.

Đó là model drift.

Vì vậy Data Science không kết thúc ở:

model.pkl 

Data Scientist thực sự làm gì?

Tùy từng công ty.

Đây là điều Nha thấy nhiều bài giải thích nghề nghiệp thường bỏ qua.

Ở công ty nhỏ, một Data Scientist có thể làm:

• SQL;

• Python;

• dashboard;

• ETL;

• Machine Learning;

• presentation;

• deployment.

Một người làm gần hết.

Ở tổ chức lớn hơn, công việc có thể tách ra thành:

• Data Analyst;

• Analytics Engineer;

• Data Engineer;

• Data Scientist;

• Machine Learning Engineer;

• ML Platform Engineer;

• BI Developer;

• AI Engineer.

Vì vậy đừng nhìn job title rồi nghĩ mọi công ty đang nói cùng một công việc.

Đọc job description quan trọng hơn đọc tên chức danh.

Data Analyst và Data Scientist khác nhau thế nào?

Đây là câu Nha gặp rất nhiều.

Một cách đơn giản:

Data Analyst

Thường tập trung vào:

Điều gì đang xảy ra và vì sao?

Công cụ phổ biến:

• SQL;

• Excel;

• BI;

• visualization;

• statistics;

• Python tùy bài toán.

Ví dụ:

Conversion tháng này giảm ở nhóm nào?

Data Scientist

Có thể đi xa hơn tới:

Điều gì có khả năng xảy ra và liệu ta có thể xây model để dự đoán hay tối ưu không?

Thường cần nhiều hơn về:

• statistics;

• Python/R;

• Machine Learning;

• experimentation;

• model evaluation.

Nhưng ranh giới không tuyệt đối.

IBM cũng lưu ý công việc Data Scientist và Data Analyst có thể chồng lấn, đặc biệt ở exploratory analysis và visualization.

Data Engineer thì sao?

Nếu Data Scientist cần dữ liệu nhưng mỗi lần truy vấn phải chờ ba ngày...

thì khá khó làm khoa học.

Data Engineer tập trung nhiều hơn vào hạ tầng dữ liệu:

• data pipeline;

• ingestion;

• ETL/ELT;

• storage;

• warehouse;

• lake;

• streaming;

• quality;

• orchestration.

Có thể hình dung:

Data Engineer       ↓ Làm dữ liệu có thể sử dụng       ↓ Data Analyst / Data Scientist       ↓ Phân tích và tạo insight/model 

Thực tế quan hệ phức tạp hơn.

Nhưng với người mới, hiểu như vậy là đủ.

Data Science và Machine Learning có phải một không?

Không.

Machine Learning là một trong những phương pháp có thể được sử dụng trong Data Science.

Ví dụ muốn biết:

Doanh thu tháng trước là bao nhiêu?

Không cần Machine Learning.

Muốn biết:

Nhóm khách nào mua nhiều nhất?

Có thể chỉ cần SQL và statistics.

Muốn dự đoán:

Khách nào có khả năng churn?

Lúc này Machine Learning có thể phù hợp.

Do đó:

Data Science         ├── Statistics         ├── Data Analysis         ├── Experimentation         ├── Machine Learning         └── ... 

Chứ không phải:

Data Science = Machine Learning 

Data Science và AI khác nhau thế nào?

AI là khái niệm rộng hơn liên quan tới việc xây dựng các hệ thống có thể thực hiện những nhiệm vụ thường gắn với trí thông minh.

Machine Learning là một nhánh quan trọng của AI.

Data Science có thể dùng Machine Learning và AI để khai thác dữ liệu.

Nhưng không phải dự án Data Science nào cũng là AI.

Và không phải dự án AI nào cũng là một dự án Data Science truyền thống.

Generative AI làm ranh giới này càng thú vị hơn.

Generative AI thay đổi Data Science thế nào?

Đây là phần mà bài năm 2018 hoàn toàn chưa có.

Bây giờ một Data Analyst hay Data Scientist có thể hỏi AI:

Viết SQL này.

Giải thích lỗi Python.

Tạo thử biểu đồ.

Gợi ý feature.

Giải thích model.

Tạo code xử lý missing value.

Nhiều công việc nhanh hơn đáng kể.

Nhưng Nha thấy có một nghịch lý:

AI làm việc viết code dễ hơn, nhưng lại làm việc hiểu bài toán và kiểm chứng kết quả quan trọng hơn.

AI có thể viết:

df.groupby(...) 

rất nhanh.

Nhưng AI không tự biết:

Booking bị hủy có tính doanh thu không?

Khách book lại có tính là khách mới không?

Ngày giao dịch theo timezone nào?

Metric này dùng gross revenue hay net revenue?

Đó là domain knowledge.

AI có thể tạo model.

Nhưng người làm dữ liệu vẫn phải biết:

Model này có nên tin không?

Đó là statistical thinking.

Biết dùng ChatGPT có thể trở thành Data Scientist không?

Chưa.

Nhưng biết dùng AI tốt có thể giúp học Data Science nhanh hơn.

Nha sẽ dùng AI như:

• tutor;

• coding assistant;

• reviewer;

• brainstorming partner;

• documentation assistant.

Nhưng không giao hết quyền phán đoán.

Nếu AI nói:

Accuracy 98%, model rất tốt.

Nha vẫn phải hỏi:

Dataset thế nào?

Có leakage không?

Train/test split ra sao?

Baseline là bao nhiêu?

Class imbalance thế nào?

Business impact là gì?

Càng dễ tạo model thì càng phải biết kiểm tra model.

Có phải Data Scientist phải giỏi toán khủng khiếp?

Không nhất thiết phải là nhà toán học.

Nhưng không thể bỏ qua toán và thống kê.

Tùy công việc, mức độ cần khác nhau.

Nha nghĩ người mới nên hiểu chắc:

• probability;

• descriptive statistics;

• distributions;

• mean/median/variance;

• correlation;

• hypothesis testing;

• confidence interval;

• regression;

• basic linear algebra.

Quan trọng hơn học thuộc công thức là hiểu:

Khi nào dùng?

Giả định là gì?

Kết quả nói được điều gì?

Và không nói được điều gì?

Có cần biết lập trình?

Nếu muốn đi sâu vào Data Science thì có.

Python hiện là lựa chọn rất phổ biến.

Một stack cơ bản có thể gồm:

SQL Python Pandas NumPy Matplotlib scikit-learn Jupyter Git 

Sau đó tùy hướng:

PyTorch TensorFlow Spark Cloud Docker MLflow ... 

Nhưng đừng mắc lỗi Nha thấy rất phổ biến:

Học 50 tool nhưng chưa biết đặt một câu hỏi dữ liệu tử tế.

Tool thay đổi khá nhanh.

Tư duy ở lại lâu hơn.

SQL có quan trọng với Data Scientist không?

Rất quan trọng.

Nha thậm chí sẽ học SQL trước khá nhiều công cụ Machine Learning.

Bởi dữ liệu doanh nghiệp thường nằm trong:

• database;

• warehouse;

• lakehouse.

Muốn làm dữ liệu mà mỗi lần cần hai bảng phải nhờ người khác JOIN giùm thì khá bất tiện.

Một Data Scientist không nhất thiết là DBA.

Nhưng:

SELECT JOIN GROUP BY WINDOW FUNCTION CTE 

nên khá quen.

Domain knowledge quan trọng đến đâu?

Rất quan trọng.

Giả sử model nói:

Khách A có khả năng churn 87%.

Người hiểu kỹ thuật sẽ hỏi:

Model accuracy bao nhiêu?

Người hiểu business sẽ hỏi thêm:

Churn ở đây nghĩa là gì?

Không mua trong:

• 30 ngày?

• 90 ngày?

• một năm?

Một khách mua nhà một lần trong mười năm không thể định nghĩa churn giống khách mua cà phê mỗi sáng.

Data Science không sống độc lập khỏi business.

Đó là lý do IBM đưa subject matter expertise vào chính cách họ mô tả Data Science.

Communication cũng là kỹ năng dữ liệu

Một insight không ai hiểu thì rất khó tạo giá trị.

Data Scientist đôi khi phải giải thích:

Mô hình này có precision 82% và recall 64%.

Nhưng lãnh đạo có thể cần câu:

Nếu áp dụng mô hình, chúng ta có thể tìm đúng khoảng 8 trên 10 trường hợp được cảnh báo, nhưng vẫn bỏ sót khoảng một phần ba trường hợp thực tế.

Hai câu nói cùng một thứ.

Câu thứ hai giúp ra quyết định dễ hơn.

Vì vậy Data Science không chỉ là:

Math + Code 

Nha sẽ thêm:

Math + Code + Business + Communication 

Data Science có phải nghề “hấp dẫn nhất thế kỷ 21” không?

Năm 2012, Harvard Business Review từng nổi tiếng với tiêu đề gọi Data Scientist là:

“The Sexiest Job of the 21st Century”.

Bài năm 2018 của Nha cũng nhắc lại câu này.

Sau hơn một thập niên, Nha nghĩ nên nhìn nó như một dấu mốc lịch sử hơn là lời quảng cáo nghề nghiệp.

Data Science đã trưởng thành.

Các công việc dữ liệu ngày càng chuyên môn hóa.

Nhiều thứ ngày trước một Data Scientist phải làm nay được chia cho:

• Analyst;

• Engineer;

• ML Engineer;

• AI Engineer;

• Analytics Engineer.

Vì vậy câu hỏi tốt hơn không phải:

Nghề này còn hot không?

Mà là:

Mình muốn giải quyết loại bài toán dữ liệu nào?

Muốn học Data Science thì bắt đầu từ đâu?

Nếu học lại từ đầu, Nha sẽ không bắt đầu bằng Deep Learning.

Bước 1 – SQL

Học cách lấy và hiểu dữ liệu.

Bước 2 – Statistics

Hiểu dữ liệu đang nói gì và mức độ chắc chắn ra sao.

Bước 3 – Python

Tự động hóa và phân tích.

Bước 4 – Data Analysis

Pandas, visualization, EDA.

Bước 5 – Business problem

Thực hành đặt câu hỏi.

Bước 6 – Machine Learning căn bản

Regression.

Classification.

Clustering.

Model evaluation.

Bước 7 – Làm project thật

Không phải:

Titanic Dataset lần thứ 28.

Nếu có thể, hãy lấy một vấn đề thật:

• dự đoán churn;

• phân tích bán hàng;

• recommendation;

• forecast;

• segmentation.

Bước 8 – Học deployment

Biết cách biến notebook thành thứ người khác sử dụng.

Bước 9 – Học AI như một công cụ tăng năng suất

Dùng AI để code nhanh hơn.

Nhưng kiểm tra kết quả bằng kiến thức của mình.

Portfolio Data Science nên có gì?

Nha không thích portfolio chỉ có:

Iris Titanic MNIST 

Những dataset đó rất tốt để học.

Nhưng portfolio nên cho thấy cách bạn suy nghĩ.

Một project tốt nên trả lời:

Bài toán gì?

Vì sao đáng giải quyết?

Dữ liệu từ đâu?

Data quality thế nào?

Bạn khám phá được gì?

Vì sao chọn model này?

Baseline là gì?

Metric nào phù hợp?

Kết quả có hạn chế gì?

Nếu đưa vào thực tế sẽ triển khai thế nào?

Một notebook 200 dòng code chưa chắc mạnh bằng một project 50 dòng nhưng giải thích được toàn bộ câu chuyện.

Điều Nha từng hiểu chưa đủ về Data Science

1. Data Science chủ yếu là Machine Learning

Không.

Machine Learning chỉ là một phần.

2. Data Scientist là người biết nhiều thuật toán

Chưa đủ.

Phải hiểu bài toán.

3. Càng có model phức tạp càng tốt

Không.

Một linear regression giải quyết được vấn đề thì không cần transformer chỉ để slide đẹp hơn.

4. Data Science chủ yếu dành thời gian training model

Thực tế còn rất nhiều:

• hiểu bài toán;

• lấy dữ liệu;

• clean;

• validate;

• deploy;

• communicate.

5. Học tool là học Data Science

Không hoàn toàn.

Tool là phương tiện.

6. AI sẽ làm Data Scientist không còn cần thiết

Nha không nghĩ vậy.

AI có thể tự động hóa khá nhiều thao tác.

Nhưng bài toán:

hỏi gì,

dữ liệu nào đáng tin,

metric nào đúng,

kết quả có hợp lý không,

hành động gì tiếp theo,

vẫn cần con người chịu trách nhiệm.

Data Science năm 2026 còn đáng học không?

Theo Nha: có.

Nhưng Nha sẽ không học Data Science chỉ vì nghe:

Đây là nghề hot.

Hãy học nếu bạn thích:

• dữ liệu;

• tìm nguyên nhân;

• giải quyết vấn đề;

• thống kê;

• lập trình;

• đặt câu hỏi;

• thử nghiệm;

• hiểu business.

Nếu chỉ thích AI vì thấy demo ChatGPT thú vị thì vẫn có rất nhiều hướng khác.

Không nhất thiết ai học AI cũng phải thành Data Scientist.

Bạn nên mang gì về sau bài này?

Nếu chỉ nhớ năm điều, Nha chọn:

1. Data Science bắt đầu từ câu hỏi

Không bắt đầu từ Python hay Machine Learning.

2. Machine Learning chỉ là một phần của Data Science

Nhiều bài toán chỉ cần SQL, thống kê hoặc phân tích tốt.

3. Data quality quan trọng hơn model đẹp

Dữ liệu sai thì model thông minh đến đâu cũng khó cứu.

4. Domain knowledge là một phần của Data Science

Không hiểu business thì rất dễ trả lời chính xác một câu hỏi sai.

5. AI làm Data Science nhanh hơn, không làm tư duy dữ liệu bớt quan trọng

Càng dễ sinh code và model, việc kiểm chứng càng quan trọng.

Nếu rút toàn bộ bài này thành một câu, Nha chọn:

Data Science không phải nghệ thuật làm cho dữ liệu trông phức tạp hơn; nó là cách dùng dữ liệu để hiểu một vấn đề rõ hơn và đưa ra quyết định tốt hơn.

Năm 2018, Nha bị hấp dẫn bởi câu:

Data Scientist – nghề hấp dẫn nhất thế kỷ 21.

Bây giờ Nha lại thích một câu khác hơn:

Bài toán nào đáng giải quyết?

Nghe ít hấp dẫn hơn.

Tài liệu tham khảo

Trong quá trình cập nhật lại bài viết từ phiên bản năm 2018, Nha tham khảo và đối chiếu thêm các tài liệu hiện hành về Data Science, vai trò của Data Scientist và vòng đời một dự án dữ liệu:

• IBM – What is Data Science? – Giải thích Data Science là lĩnh vực kết hợp toán học, thống kê, lập trình, phân tích nâng cao, AI/Machine Learning và kiến thức chuyên môn để tạo ra insight có thể sử dụng.
• AWS – What is Data Science? – Tổng quan về Data Science, các loại phân tích, quy trình Data Science và sự khác nhau giữa Data Science, Data Analytics, Data Engineering và Machine Learning.
• Microsoft Learn – Data Science Lifecycle – Mô tả vòng đời Data Science với các bước từ hiểu bài toán kinh doanh, thu thập và hiểu dữ liệu, modeling đến deployment và nghiệm thu.
• Google Cloud – AI vs. Machine Learning – Tài liệu giải thích mối quan hệ và sự khác biệt giữa Artificial Intelligence và Machine Learning, giúp tránh việc đồng nhất AI, ML và Data Science.

Bài viết gốc được Nha xuất bản ngày 10/04/2018 và được cập nhật lại vào tháng 09/2026. Nội dung mới là cách Nha nhìn lại kiến thức cũ sau khi đối chiếu với tài liệu hiện tại và sự thay đổi của ngành dữ liệu trong thời đại AI. Phiên bản năm 2018 vẫn được giữ ở cuối bài để tham khảo và so sánh.

Phiên bản bài viết năm 2018