Data Analyst, Data Scientist và AI Engineer khác nhau ở đâu?

Data Analyst trả lời câu hỏi "chuyện gì đã xảy ra và vì sao", Data Scientist xây model để đoán "chuyện gì sắp xảy ra", còn AI Engineer đưa model (thường là LLM, mô hình ngôn ngữ lớn) vào một sản phẩm chạy thật. Vì vậy công cụ chính của ba nghề cũng khác: SQL và Power BI cho Data Analyst; Python, Machine Learning và thống kê cho Data Scientist; Python cùng LLM, RAG (cách cho LLM tra tài liệu trước khi trả lời) và Docker (công cụ đóng gói ứng dụng để chạy trên máy chủ) cho AI Engineer.

Mình không muốn so ba nghề theo cảm nhận, nên đã đếm trên tin tuyển dụng thật ở Việt Nam. Ngày 23/10/2026 mình đọc 24 tin Data Scientist trên ITviec, TopCV, LinkedIn và VietnamWorks, rồi đặt cạnh 41 tin Data Analyst (đọc ngày 18/10/2026) và 108 tin AI Engineer (đọc ngày 11 và 13/10/2026) mà AIDev đã đếm trước đó.

Mấy điều cần nắm trước khi đọc tiếp:

• SQL có trong 38/41 tin Data Analyst, 16/24 tin Data Scientist, nhưng chỉ 31/108 tin AI Engineer.

• Cả 24 tin Data Scientist đều nhắc Machine Learning. Với Data Analyst, con số này là 6/41.

• 84/108 tin AI Engineer nhắc LLM, RAG hoặc agent (LLM tự gọi công cụ để làm một việc nhiều bước). Ở Data Scientist là 7/24.

• Tin Data Scientist ít hẳn: ngày 23/10/2026, TopCV chỉ có 7 kết quả cho "Data Scientist", so với 65 cho "Data Analyst".

Data Analyst vs Data Scientist vs AI Engineer: khác nhau ở đâu?#

Bảng dưới đây tóm tắt việc được giao và kỹ năng được đòi trong các tin tuyển dụng. Mỗi dòng mình đều lấy từ số đếm hoặc từ câu chữ trong tin. Phần sau của bài có chi tiết.

Ba nghề có phần chồng nhau. Data Scientist vẫn viết SQL, AI Engineer vẫn phải hiểu model, còn Data Analyst giỏi thì cũng biết Python. Khác biệt nằm ở chỗ mỗi nghề dành phần lớn thời gian cho việc gì.

Tin tuyển dụng của ba nghề đòi kỹ năng gì?#

Nhìn biểu đồ, mình thấy ba nghề xếp gần như trên một đường thẳng: đi từ Data Analyst sang AI Engineer, SQL và công cụ BI giảm dần, còn các kỹ năng của kỹ sư như Docker hay LLM tăng dần. Data Scientist đứng giữa và là nghề duy nhất mà tin nào cũng đòi Machine Learning.

Python là điểm chung. Nó có trong 71% tin Data Analyst, 83% tin Data Scientist và 90% tin AI Engineer. Bốn tin Data Scientist không ghi Python (VietinBank, MoMo, BE Group, ACB) cũng không đòi ngôn ngữ lập trình nào khác thay thế. Các tin này chỉ mô tả việc xây model rồi để trống phần ngôn ngữ, nên Python vẫn là lựa chọn an toàn cho cả ba nghề.

Tỉ lệ tin AI Engineer nhắc Machine Learning (31%) thấp hơn mình nghĩ. Đọc kỹ thì thấy tin AI Engineer ít ghi chữ này, vì họ ghi thẳng tên công cụ như PyTorch (42 tin có PyTorch hoặc TensorFlow) hay LLM. Ngược lại, tin Data Scientist ghi rất cụ thể loại model: hồi quy, phân loại, gradient boosting (ghép nhiều cây quyết định nhỏ, cây sau sửa lỗi cây trước), chuỗi thời gian, mô hình sống sót.

Cách mình đếm: mỗi kỹ năng chỉ tính một lần trong một tin, dù nằm ở mục yêu cầu hay mục điểm cộng. Ba bộ tin được đọc ở ba đợt khác nhau nên tên kỹ năng được gom về cùng nhóm trước khi đếm. Với Data Analyst, ba nhóm Docker, PyTorch và LLM mình đếm lại trên chữ gốc của 41 tin. 5 tin Data Analyst nhắc LLM hoặc agent, đa số theo nghĩa dùng AI để phân tích nhanh hơn chứ không phải xây ứng dụng AI.

Data Analyst vs Data Scientist: việc hằng ngày khác nhau thế nào?#

23/24 tin Data Scientist giao việc xây model, và 20 tin giao thêm việc đưa model vào hệ thống rồi theo dõi nó. Chỉ 4 tin giao việc làm báo cáo hay dashboard. Với Data Analyst thì ngược lại: theo bài Data Analyst cần học gì, 33/41 tin nhắc công cụ BI, vì sản phẩm chính của họ là dashboard.

Data Scientist cũng cần thống kê nhiều hơn. Trong phần kỹ năng, 13/24 tin Data Scientist nhắc thống kê và 11 tin nhắc A/B testing (chia khách thành hai nhóm ngẫu nhiên để so hai cách làm), trong khi ở Data Analyst là 11/41 và 6/41. 6 tin Data Scientist còn đòi suy luận nhân quả (causal inference), tức là tách được tác động thật của một chiến dịch ra khỏi yếu tố mùa vụ hay tệp khách.

Có hai tin nói thẳng về phạm vi việc của Data Scientist. Tin Data Scientist (Decision Engine) của Trusting Social viết: "This is a profit and loss seat, not a reporting seat." Nghĩa là người làm chịu trách nhiệm về khoản tiền mà model mang lại, chứ không chỉ làm báo cáo. Tin Senior Data Scientist của VinFast thì nói đội của họ "không chia người phân tích và người làm kỹ sư", ai cũng phải đi từ câu hỏi đến đo lường rồi đưa ra khuyến nghị.

Việc trình bày với bên kinh doanh vẫn có trong 18/24 tin Data Scientist. Họ phải giải thích cho người không làm kỹ thuật vì sao model chấm điểm khách hàng như vậy.

Cùng một file dữ liệu, mỗi nghề hỏi câu khác nhau thế nào?#

Để thấy khác biệt bằng code, mình tạo một file khach_hang.csv giả lập gồm 2.000 khách của một cửa hàng online. File có các cột kênh (khách đến từ đâu), số đơn, số ngày từ lần mua cuối, tổng chi và cột roi_bo (khách đã bỏ đi hay chưa). Dữ liệu được sinh ngẫu nhiên bằng numpy với seed cố định, nên chạy lại sẽ ra đúng file này.

Data Analyst hỏi: kênh nào có tỉ lệ rời bỏ cao nhất?#

import pandas as pd

df = pd.read_csv("khach_hang.csv")
bang = df.groupby("kenh").agg(so_khach=("ma_kh", "count"),
                              ti_le_roi_bo=("roi_bo", "mean"),
                              chi_tb=("tong_chi", "mean"))
bang["ti_le_roi_bo"] = (bang["ti_le_roi_bo"] * 100).round(1)
bang["chi_tb"] = bang["chi_tb"].round(-3).astype(int)
print(bang.sort_values("ti_le_roi_bo", ascending=False))

Kết quả là một con số cho mỗi nhóm khách: khách đến từ TikTok rời bỏ 44,9%, khách được giới thiệu chỉ 20,8%. Việc tiếp theo của Data Analyst là tìm hiểu vì sao, rồi đưa bảng này lên dashboard cho phòng marketing. Cùng câu hỏi này viết bằng SQL chỉ cần một câu GROUP BY.

Data Scientist hỏi: khách nào sắp rời bỏ?#

import pandas as pd
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split

df = pd.read_csv("khach_hang.csv")
X = pd.get_dummies(df[["kenh", "so_don", "ngay_tu_lan_mua_cuoi", "tong_chi"]], dtype=int)
y = df["roi_bo"]
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.25, random_state=0, stratify=y)

model = HistGradientBoostingClassifier(random_state=0).fit(X_tr, y_tr)
p = model.predict_proba(X_te)[:, 1]
print("AUC trên tập kiểm tra:", round(roc_auc_score(y_te, p), 3))

nguy_co = df.loc[X_te.index, ["ma_kh", "kenh", "ngay_tu_lan_mua_cuoi"]].assign(xac_suat=p.round(2))
print(nguy_co.sort_values("xac_suat", ascending=False).head(5).to_string(index=False))

Lần này kết quả là một danh sách mã khách kèm xác suất rời bỏ. Phòng chăm sóc khách hàng có thể gọi cho 5 người này trước. Model dùng HistGradientBoostingClassifier của scikit-learn, cùng họ gradient boosting với XGBoost và LightGBM mà các tin của VinSmart Future, FPTS hay Vạn Xuân nhắc tên.

Con số AUC 0,678 đáng để ý hơn danh sách kia. AUC bằng 0,5 nghĩa là model đoán không hơn tung đồng xu, còn 1 là đoán đúng hoàn toàn. Mức 0,678 cho thấy model mới tách được nhóm nguy cơ cao ở mức vừa phải. Việc tiếp theo của Data Scientist là nâng con số này và kiểm tra model có học nhầm dữ liệu tương lai không. Sau đó họ thiết kế A/B test để đo xem gọi điện giữ khách có thật sự làm giảm tỉ lệ rời bỏ hay không. Vì dữ liệu ở đây là giả lập, bạn chỉ nên đọc AUC này như một ví dụ, đừng so với model thật.

AI Engineer hỏi: làm sao đưa model này tới người dùng?#

AI Engineer sẽ nhận model hoặc một LLM có sẵn và biến nó thành sản phẩm. Ví dụ một chatbot nội bộ: nhân viên hỏi "khách KH1186 vì sao có nguy cơ rời bỏ", hệ thống gọi model, tra lịch sử đơn hàng rồi trả lời bằng tiếng Việt. Việc này cần API, Docker và cách đo câu trả lời có đúng không. Vì thế 46/108 tin AI Engineer nhắc Docker hoặc Kubernetes. Bài AI Engineer là gì, cần học gì có chi tiết về nghề này.

Nghề nào nhận người mới, cần bao nhiêu năm kinh nghiệm?#

Data Scientist khó vào nhất với người mới. Chỉ 2/24 tin nhận người có 1 năm kinh nghiệm (FPTS và Vietnam Post), còn 6/24 tin đòi từ 5 năm trở lên. ACB còn đòi 8 năm cho vị trí Data Science Expert. Ở Data Analyst, 17/41 tin chỉ đòi từ 2 năm trở xuống.

Số tin đang mở cũng chênh nhau nhiều. Mình đếm kết quả tìm kiếm trên ba trang việc làm ngày 23/10/2026:

Con số của ITviec và VietnamWorks là kết quả tìm kiếm theo từ khóa, nên lẫn cả tin không đúng chức danh. Ví dụ trong 83 kết quả "data scientist" trên VietnamWorks có rất nhiều tin AI Engineer. Chỉ 6 tin có chữ Data Science trong tên, và mình dùng 4 tin (bỏ 1 tin trùng với LinkedIn và 1 tin tuyển trưởng bộ phận). TopCV lọc theo tên việc làm nên sát hơn: 65 kết quả Data Analyst, 7 kết quả Data Scientist.

Mình còn gặp hai tin thực tập Data Scientist, không tính vào 24 tin: SonatGame trả tới 7 triệu một tháng, FinPros ghi 3 đến 5 triệu. Tin thực tập của SonatGame giao những việc rất cơ bản như viết SQL đơn giản, chạy pandas, chạy model scikit-learn trên dữ liệu mẫu. Đây là cửa vào hiếm hoi cho sinh viên.

Data Analyst hay Data Scientist lương cao hơn?#

Mẫu của mình không đủ để trả lời chắc, vì rất ít tin ghi lương. 9/41 tin Data Analyst, 2/24 tin Data Scientist và 25/108 tin AI Engineer có con số cụ thể. Riêng 25 tin AI Engineer, bài lương AI Engineer ở Việt Nam chia mức lương theo số năm kinh nghiệm, thành phố và kỹ năng.

Báo cáo lương IT 2025-2026 của ITviec cũng không tách hai nghề. Báo cáo này gộp Data Analyst, Data Scientist và BI Analyst vào một nhóm, với mức lương trung vị 40,65 triệu (ITviec). Mình chỉ dám nói một điều: tin Data Scientist đòi nhiều năm kinh nghiệm hơn, và 6/24 tin ưu tiên hoặc bắt buộc bằng thạc sĩ (Shopee ghi "Advanced degree"). Đó là rào cản cao hơn, còn mức lương thật thì phải chờ thêm dữ liệu.

Nên chọn nghề nào và học theo thứ tự nào?#

Nếu bạn mới bắt đầu và đang cân giữa Data Analyst vs Data Scientist, Data Analyst là cửa dễ vào hơn. Tin nhiều hơn, nhiều tin chỉ đòi từ 2 năm kinh nghiệm trở xuống, và kỹ năng cốt lõi (SQL, Excel, một công cụ BI) học được trong vài tháng. Bài Khóa học Data Analyst có so sánh các cách học. Khi đã có nền, bài dự án Data Analyst mẫu cho portfolio có ba dự án trên dữ liệu bán hàng để bạn tham khảo cách làm và cách trình bày trên GitHub.

Từ Data Analyst, có hai hướng đi tiếp:

Tin Data Scientist của Cake ghi rõ họ nhận cả người từ Data Engineering hoặc AI Engineering chuyển sang. Tin của Galaxy FinX đòi "portfolio" gồm các dự án Machine Learning làm từ đầu đến cuối. Cả hai cho thấy người chuyển ngành vẫn có cửa nếu chứng minh được năng lực bằng dự án.

Khi nào không nên chọn Data Scientist? Khi bạn cần việc nhanh trong 6 tháng tới. Vì 22/24 tin đòi từ 2 năm kinh nghiệm trở lên, nhảy thẳng vào Data Scientist là đường khó. Cũng đừng chọn nghề này chỉ vì nghe tên hấp dẫn nếu bạn không thích thống kê, vì 17/24 tin nhắc thống kê, A/B testing hoặc suy luận nhân quả. Mẫu của mình chỉ có tin ở Hà Nội, TP.HCM và một tin làm từ xa, nên mình không biết doanh nghiệp ở các tỉnh khác cần gì.

Câu hỏi thường gặp#

Data Scientist có khó hơn Data Analyst không?#

Khó vào hơn thì đúng. Trong mẫu của mình, 16/24 tin Data Scientist đòi từ 3 năm kinh nghiệm, so với 18/41 tin Data Analyst. Data Scientist cũng phải biết thêm Machine Learning (24/24 tin) và thường cả việc đưa model vào hệ thống (20/24 tin).

Data Scientist có cần giỏi toán không?#

Bạn cần thống kê và xác suất ở mức dùng được. Các tin hay nhắc kiểm định giả thuyết, A/B testing, đánh giá model bằng AUC hay precision/recall (trong số khách model đoán sẽ rời bỏ có bao nhiêu người rời thật, và bắt được bao nhiêu phần số người rời thật). MoMo đòi "hiểu nền tảng toán của các thuật toán Machine Learning". Chưa có tin nào trong mẫu đòi chứng minh định lý.

Data Scientist có làm Data Analyst được không?#

Được, vì Data Scientist thường đã biết SQL (16/24 tin đòi) và Python. Phần cần bổ sung thường là công cụ BI, vì chỉ 4/24 tin Data Scientist nhắc Power BI hay Tableau, trong khi 33/41 tin Data Analyst nhắc.

AI có thay thế Data Analyst không?#

Trong mẫu của mình, 5/41 tin Data Analyst nhắc LLM hoặc agent, và phần lớn coi AI là công cụ người phân tích phải biết dùng. Tin của Trusting Social đòi dùng Claude, ChatGPT để viết SQL nhưng phải tự kiểm lại kết quả. Ở phía Data Scientist, 3/24 tin ghi muốn người làm biết dùng AI trong công việc, và tin VoiceAI của Trusting Social nói rõ là dùng coding agent hằng ngày.

Đọc tiếp#

• Data Analyst cần học gì: lộ trình Excel, SQL, Python theo 41 tin tuyển dụng.

• Lộ trình AI Engineer: học gì, theo thứ tự nào để đi từ dữ liệu sang AI.

• Cài pandas và sửa lỗi No module named pandas: nếu chạy thử code trong bài mà máy báo chưa có pandas.

Nếu muốn bắt đầu từ phần chung của cả ba nghề là Python và pandas, ebook Phân tích dữ liệu với Python viết cho pandas 3, có 89 bài tập tự chấm và một dự án EDA (phân tích khám phá dữ liệu) trên dữ liệu kinh doanh Việt Nam.

Còn nếu muốn học theo một đề cương có sẵn, lộ trình AI Engineer từ số 0 của AIDev có hai điểm dừng khớp với bài này. Điểm dừng thứ nhất là sau Khóa 2 (Phân tích dữ liệu) hoặc Khóa 3 (Machine Learning), đủ để ứng tuyển Data Analyst, BI Analyst hay Data Scientist. Điểm dừng thứ hai là học hết 5 khóa để đi tiếp sang AI Engineer.

Dữ liệu: 24 tin Data Scientist do AIDev đọc ngày 23/10/2026 trên LinkedIn (13), ITviec (4), VietnamWorks (4), TopCV (3), đã loại tin trùng, 3 tin bên tuyển dụng đăng lại cùng một mô tả, và tin thực tập; 41 tin Data Analyst đọc ngày 18/10/2026; 108 tin AI Engineer đọc ngày 11 và 13/10/2026. Mỗi tin có thể nhắc nhiều kỹ năng. Code chạy trên Python 3.14.7, pandas 3.1.0, scikit-learn 1.9.1, macOS, ngày 23/10/2026.