QUY TRÌNH PHỎNG VẤN THỰC TẾ CỦA MỘT CUỘC PHỎNG VẤN TRƯỚC ĐÂY CỦA TÔI: CÔNG VIỆC HIỆN TẠI CỦA TÔI Nộp đơn vào thứ Sáu, nhận lời mời phỏng vấn vào thứ Ba, và được nhận việc vào thứ Năm. Tất cả các câu trả lời đều chính xác như những gì tôi đã nói trong buổi phỏng vấn. Đây là 3 câu hỏi hàng đầu mà tôi đã được hỏi: 3. Bạn sẽ tìm kiếm dữ liệu đó ở đâu, quy trình tư duy của bạn để tìm ra nó là gì? Tôi bắt đầu bằng cách lập bản đồ tất cả các nguồn dữ liệu liên quan đến quy trình đang được đánh giá, cả có cấu trúc và không có cấu trúc. Từ kinh nghiệm, điều này thường bao gồm nhật ký hệ thống, dữ liệu quy trình làm việc, báo cáo hiệu suất và dữ liệu tương tác người dùng từ các công cụ và nền tảng. Tôi cũng sẽ xem xét các nguồn bổ sung như phản hồi từ nhân viên, phỏng vấn bên liên quan và ghi chú cuộc họp để nắm bắt khía cạnh định tính. Sau khi xác định các nguồn, tôi đánh giá chất lượng và tính nhất quán của dữ liệu để đảm bảo chúng ta có thể theo dõi cùng các chỉ số trước và sau khi triển khai AI. Từ đó, tôi sẽ xây dựng một đường ống dữ liệu hoặc sử dụng các công cụ BI hiện có để tích hợp và trực quan hóa dữ liệu, nhằm theo dõi xu hướng, đo lường tác động và truyền đạt các insight một cách rõ ràng đến cả đối tượng kỹ thuật và phi kỹ thuật. 4. Hãy nói cho tôi nghe về phía đường ống dữ liệu, phương pháp bạn ưa thích là gì và bạn sẽ sử dụng các khung hoặc mô hình cụ thể nào? Phương pháp tôi ưa thích bắt đầu bằng việc hiểu rõ luồng dữ liệu từ nguồn đến insight. Tôi bắt đầu bằng cách xác định nơi dữ liệu thô tồn tại, dù là trong cơ sở dữ liệu SQL, API hay lưu trữ đám mây, sau đó áp dụng quy trình ETL hoặc ELT để trích xuất, làm sạch và chuyển đổi dữ liệu thành định dạng có thể sử dụng. Đối với quá trình chuyển đổi, tôi thường dùng Python với các tiêu chuẩn và dbt để kiểm soát phiên bản và mô hình hóa dữ liệu, đảm bảo quy trình nhất quán và có thể truy xuất nguồn gốc. Sau khi được cấu trúc, dữ liệu được tải vào kho dữ liệu như Snowflake hoặc BigQuery tùy theo hệ thống, rồi kết nối với các công cụ trực quan hóa như Power BI hoặc Fabric. Trong suốt quá trình, tôi tích hợp các kiểm tra xác thực và theo dõi siêu dữ liệu để đảm bảo tính toàn vẹn và minh bạch của dữ liệu. Mục tiêu cuối cùng luôn là một đường ống dữ liệu được tự động hóa cao, có khả năng mở rộng và linh hoạt để thích nghi khi xuất hiện các nguồn dữ liệu hoặc chỉ số mới. 5. Bạn đã từng sử dụng nhiều Fabric và Power BI chưa? Có, rất nhiều. Tôi sử dụng Fabric để quản lý các đường ống dữ liệu và tích hợp nhiều nguồn thành một mô hình thống nhất, giúp việc báo cáo trở nên liền mạch hơn. Với Power BI, tôi đã xây dựng các bảng điều khiển theo dõi KPI, chỉ số triển khai và xu hướng hiệu suất bằng DAX cho các phép tính nâng cao. Điều tôi thực sự thích về hai công cụ này là cách chúng bổ sung cho nhau trong cùng một hệ sinh thái Microsoft, Fabric xử lý khối lượng dữ liệu lớn trong khi Power BI giúp truyền đạt insight một cách hiệu quả đến các bên liên quan.