# Syllabus Business Analytics (1)

## PHASE 0: FOUNDATION (Ngày 1 – 64)

### Tuần 1 - Linear Algebra (Ngày 1-6)

**Ngày 1: Vectors**

*   Mục tiêu: Hiểu vector như đối tượng toán học và ý nghĩa hình học/dữ liệu.
    
*   Lý thuyết: Vector, phép cộng, nhân vô hướng, dot product, norm, ý nghĩa của dot product trong đo độ tương đồng dữ liệu.
    
*   Thực hành: Cài đặt các phép toán vector bằng NumPy, tính cosine similarity giữa 2 vector đặc trưng khách hàng giả lập.
    

**Ngày 2: Matrix cơ bản**

*   Mục tiêu: Hiểu matrix như phép biến đổi tuyến tính.
    
*   Lý thuyết: Matrix multiplication, transpose, identity, inverse.
    
*   Thực hành: Viết hàm nhân ma trận thủ công rồi so sánh với NumPy; giải hệ phương trình tuyến tính bằng `numpy.linalg.solve`.
    

**Ngày 3: Determinant & Rank**

*   Mục tiêu: Hiểu khi nào một hệ phương trình có nghiệm duy nhất.
    
*   Lý thuyết: Determinant, rank, ma trận suy biến (singular).
    
*   Thực hành: Tính determinant/rank cho vài ma trận, giải thích ý nghĩa khi rank < số chiều.
    

**Ngày 4: Eigenvalues & Eigenvectors**

*   Mục tiêu: Nắm khái niệm nền cho PCA và các thuật toán sau này.
    
*   Lý thuyết: Định nghĩa eigenvalue/eigenvector, ý nghĩa hình học (hướng không đổi khi biến đổi).
    
*   Thực hành: Tính eigenvalue/eigenvector bằng tay cho ma trận 2x2, kiểm tra lại bằng NumPy.
    

**Ngày 5: SVD (Singular Value Decomposition)**

*   Mục tiêu: Hiểu SVD - nền tảng của PCA, recommender system, dimensionality reduction.
    
*   Lý thuyết: Phân rã A = UΣVᵀ, ý nghĩa từng thành phần.
    
*   Thực hành: Áp dụng SVD nén một ảnh grayscale nhỏ, quan sát chất lượng theo số singular values giữ lại.
    

**Ngày 6: Ôn tập & Bài tập tổng hợp Linear Algebra**

*   Mục tiêu: Củng cố toàn bộ tuần 1.
    
*   Lý thuyết: Tổng hợp lại vector → matrix → eigen → SVD, vẽ sơ đồ liên hệ giữa các khái niệm.
    
*   Thực hành: Làm 5-8 bài tập tổng hợp (Strang, chương 1-6), tự chấm bằng đáp án sách.
    

### Tuần 2 - Calculus (Ngày 7-12)

**Ngày 7: Derivatives**

*   Mục tiêu: Hiểu đạo hàm như tốc độ thay đổi, nền tảng cho tối ưu hóa.
    
*   Lý thuyết: Đạo hàm hàm 1 biến, quy tắc chain rule.
    
*   Thực hành: Tính đạo hàm bằng tay 5 hàm, kiểm tra bằng `sympy`.
    

**Ngày 8: Partial Derivatives & Gradient**

*   Mục tiêu: Mở rộng sang hàm nhiều biến.
    
*   Lý thuyết: Đạo hàm riêng, gradient vector, ý nghĩa hướng tăng nhanh nhất.
    
*   Thực hành: Tính gradient cho hàm 2 biến, vẽ contour plot bằng matplotlib để trực quan hóa gradient.
    

**Ngày 9: Gradient Descent**

*   Mục tiêu: Hiểu thuật toán tối ưu quan trọng nhất trong ML.
    
*   Lý thuyết: Learning rate, hội tụ, local minima.
    
*   Thực hành: Cài đặt gradient descent từ đầu để tìm min của hàm bậc 2.
    

**Ngày 10: Convexity & Optimization basics**

*   Mục tiêu: Hiểu vì sao một số bài toán tối ưu "dễ" hơn bài khác.
    
*   Lý thuyết: Hàm lồi, điều kiện tối ưu, constrained vs unconstrained optimization.
    
*   Thực hành: So sánh gradient descent trên hàm lồi và không lồi, quan sát hành vi hội tụ khác nhau.
    

**Ngày 11: Chain Rule sâu & liên hệ Backpropagation**

*   Mục tiêu: Chuẩn bị nền cho các phần ML sau này.
    
*   Lý thuyết: Chain rule nhiều lớp, ý tưởng backpropagation (không cần code neural network).
    
*   Thực hành: Tính đạo hàm tay cho một hàm composite 3 lớp, đối chiếu bằng autograd của PyTorch.
    

**Ngày 12: Ôn tập Calculus + Reading Log #1 (thử nghiệm sớm)**

*   Mục tiêu: Làm quen sớm với thói quen reading log (áp dụng cho tài liệu, không cần thư viện code).
    
*   Lý thuyết: Reading log ghi lại: vấn đề tài liệu giải quyết, cấu trúc tổng quan, 1-2 công thức/insight đáng nhớ nhất, liên hệ kiến thức trước.
    
*   Thực hành: Tạo template reading log, áp dụng cho chương Calculus vừa học như bài tập khởi động.
    

### Tuần 3 - Probability (Ngày 13-20)

**Ngày 13: Xác suất cơ bản**

*   Mục tiêu: Nắm nền tảng xác suất cổ điển.
    
*   Lý thuyết: Sample space, event, xác suất có điều kiện.
    
*   Thực hành: Giải 5 bài toán xác suất cổ điển (tung xúc xắc, bốc bài).
    

**Ngày 14: Bayes' Theorem**

*   Mục tiêu: Hiểu công cụ trung tâm của thống kê suy diễn và causal inference sau này.
    
*   Lý thuyết: Công thức Bayes, prior/posterior/likelihood.
    
*   Thực hành: Giải bài toán kinh điển (xét nghiệm bệnh dương tính giả) bằng Bayes.
    

**Ngày 15: Random Variables**

*   Mục tiêu: Hiểu biến ngẫu nhiên rời rạc và liên tục.
    
*   Lý thuyết: PMF, PDF, CDF, expectation, variance.
    
*   Thực hành: Vẽ PMF/PDF cho phân phối Binomial và Normal bằng Python.
    

**Ngày 16: Các phân phối quan trọng**

*   Mục tiêu: Nắm các phân phối dùng nhiều trong business analytics.
    
*   Lý thuyết: Binomial, Poisson, Normal, Exponential - ứng dụng thực tế của từng loại.
    
*   Thực hành: Mô phỏng số lượng đơn hàng/giờ bằng phân phối Poisson.
    

**Ngày 17: Joint, Marginal, Conditional Distribution**

*   Mục tiêu: Chuẩn bị nền cho thống kê nhiều biến.
    
*   Lý thuyết: Joint distribution, marginalization, independence.
    
*   Thực hành: Tính joint/marginal distribution từ bảng dữ liệu 2 biến rời rạc.
    

**Ngày 18: Law of Large Numbers & Central Limit Theorem**

*   Mục tiêu: Hiểu vì sao mẫu lớn giúp ước lượng ổn định - nền tảng của A/B testing sau này.
    
*   Lý thuyết: LLN, CLT, ý nghĩa thực tiễn.
    
*   Thực hành: Mô phỏng CLT bằng cách lấy trung bình nhiều mẫu từ phân phối bất kỳ, vẽ histogram.
    

**Ngày 19: Bayesian thinking ứng dụng**

*   Mục tiêu: Bắt đầu tư duy Bayesian cho ra quyết định.
    
*   Lý thuyết: Cập nhật niềm tin (belief updating) theo dữ liệu mới.
    
*   Thực hành: Bài toán cập nhật tỷ lệ chuyển đổi (conversion rate) của một landing page qua nhiều ngày quan sát.
    

**Ngày 20: Ôn tập Probability**

*   Mục tiêu: Củng cố toàn bộ tuần 3.
    
*   Lý thuyết: Sơ đồ hóa lại: xác suất → biến ngẫu nhiên → phân phối → CLT → Bayes.
    
*   Thực hành: Làm bộ 8 bài tập tổng hợp.
    

### Tuần 4 - Statistics (Ngày 21-30)

**Ngày 21: Descriptive Statistics**

*   Mục tiêu: Thành thạo mô tả dữ liệu.
    
*   Lý thuyết: Mean, median, mode, variance, std, IQR, outlier detection.
    
*   Thực hành: Phân tích mô tả một dataset thực (VD: dataset bán lẻ trên Kaggle).
    

**Ngày 22: Sampling & Estimation**

*   Mục tiêu: Hiểu cách ước lượng tham số tổng thể từ mẫu.
    
*   Lý thuyết: Sampling methods, point estimation, bias/variance của estimator.
    
*   Thực hành: So sánh sample mean từ nhiều cách lấy mẫu khác nhau (random, stratified).
    

**Ngày 23: Confidence Interval**

*   Mục tiêu: Định lượng độ bất định của ước lượng.
    
*   Lý thuyết: Khoảng tin cậy, ý nghĩa thực sự (hay bị hiểu sai).
    
*   Thực hành: Tính CI cho tỷ lệ chuyển đổi từ dữ liệu giả lập.
    

**Ngày 24: Hypothesis Testing (phần 1)**

*   Mục tiêu: Nắm quy trình kiểm định giả thuyết.
    
*   Lý thuyết: Null/alternative hypothesis, p-value, Type I/II error.
    
*   Thực hành: Thực hiện t-test một mẫu bằng `scipy.stats`.
    

**Ngày 25: Hypothesis Testing (phần 2)**

*   Mục tiêu: Mở rộng sang so sánh 2 nhóm.
    
*   Lý thuyết: Two-sample t-test, chi-square test, khi nào dùng loại nào.
    
*   Thực hành: So sánh doanh thu trung bình 2 nhóm khách hàng bằng t-test.
    

**Ngày 26: Regression cơ bản**

*   Mục tiêu: Hiểu hồi quy tuyến tính như công cụ phân tích quan hệ.
    
*   Lý thuyết: OLS, R², assumptions (linearity, homoscedasticity, no multicollinearity).
    
*   Thực hành: Fit linear regression dự đoán doanh thu theo chi phí marketing bằng `statsmodels`.
    

**Ngày 27: Multiple Regression & Diagnostics**

*   Mục tiêu: Mở rộng và kiểm tra độ tin cậy của model.
    
*   Lý thuyết: Multicollinearity (VIF), residual analysis.
    
*   Thực hành: Fit multiple regression, kiểm tra VIF và residual plot.
    

**Ngày 28: Correlation vs Causation**

*   Mục tiêu: Tránh sai lầm phổ biến nhất trong phân tích kinh doanh.
    
*   Lý thuyết: Confounder, spurious correlation, ví dụ kinh điển.
    
*   Thực hành: Tìm và phân tích 2 ví dụ "correlation không phải causation" trong dữ liệu thực tế.
    

**Ngày 29: Dự án nhỏ - Statistical Report**

*   Mục tiêu: Tổng hợp toàn bộ tuần 4 vào một sản phẩm.
    
*   Lý thuyết: Cấu trúc một báo cáo thống kê chuẩn (mô tả → kiểm định → kết luận → giới hạn).
    
*   Thực hành: Viết báo cáo phân tích 1 dataset kinh doanh, có mô tả, kiểm định giả thuyết, và regression.
    

**Ngày 30: Ôn tập Statistics tổng hợp**

*   Mục tiêu: Củng cố Phase Statistics trước khi sang lập trình.
    
*   Lý thuyết: Ôn lại toàn bộ chuỗi: mô tả → ước lượng → kiểm định → hồi quy.
    
*   Thực hành: Làm 1 bộ đề tổng hợp (10 câu) tự đánh giá.
    

### Tuần 5-6 - Python (Ngày 31-44)

**Ngày 31: Python nền tảng - Data structures**

*   Mục tiêu: Ôn/củng cố list, dict, set, tuple.
    
*   Lý thuyết: Độ phức tạp thao tác trên từng cấu trúc dữ liệu.
    
*   Thực hành: Giải 5 bài toán xử lý dữ liệu bằng các cấu trúc trên.
    

**Ngày 32: Functions & Scope**

*   Mục tiêu: Viết hàm sạch, tái sử dụng được.
    
*   Lý thuyết: Args/kwargs, closures, scope (LEGB).
    
*   Thực hành: Refactor một đoạn code lặp thành các hàm module hóa.
    

**Ngày 33: OOP cơ bản**

*   Mục tiêu: Hiểu lập trình hướng đối tượng phục vụ xây pipeline sau này.
    
*   Lý thuyết: Class, inheritance, encapsulation.
    
*   Thực hành: Viết class `DataLoader` đơn giản đọc CSV và trả về DataFrame.
    

**Ngày 34: Decorators**

*   Mục tiêu: Hiểu pattern dùng nhiều trong framework (Airflow, Flask...).
    
*   Lý thuyết: Hàm là first-class citizen, decorator hoạt động thế nào.
    
*   Thực hành: Viết decorator đo thời gian chạy hàm (`@timer`) và decorator retry.
    

**Ngày 35: Context Managers**

*   Mục tiêu: Quản lý tài nguyên an toàn (file, connection).
    
*   Lý thuyết: `with` statement, `__enter__`/`__exit__`.
    
*   Thực hành: Viết context manager quản lý kết nối database giả lập.
    

**Ngày 36: Generators & Iterators**

*   Mục tiêu: Xử lý dữ liệu lớn hiệu quả bộ nhớ.
    
*   Lý thuyết: `yield`, lazy evaluation, khác biệt với list.
    
*   Thực hành: Viết generator đọc file CSV lớn theo từng dòng thay vì load hết vào RAM.
    

**Ngày 37: Typing & Type Hints**

*   Mục tiêu: Viết code rõ ràng, dễ maintain cho dự án lớn sau này.
    
*   Lý thuyết: `typing` module, static checking với `mypy`.
    
*   Thực hành: Thêm type hint đầy đủ cho code đã viết các ngày trước, chạy `mypy` kiểm tra.
    

**Ngày 38: Asyncio cơ bản**

*   Mục tiêu: Hiểu lập trình bất đồng bộ (dùng khi gọi API dữ liệu).
    
*   Lý thuyết: `async`/`await`, event loop, khi nào cần asyncio.
    
*   Thực hành: Viết script gọi bất đồng bộ 5 API giả lập cùng lúc.
    

**Ngày 39: Pandas nền tảng**

*   Mục tiêu: Thành thạo thao tác DataFrame cơ bản.
    
*   Lý thuyết: Indexing, filtering, groupby.
    
*   Thực hành: Phân tích dataset bán hàng: group theo khu vực, tính tổng doanh thu.
    

**Ngày 40: Pandas nâng cao**

*   Mục tiêu: Xử lý dữ liệu phức tạp.
    
*   Lý thuyết: Merge/join, pivot table, xử lý missing data.
    
*   Thực hành: Merge 3 bảng dữ liệu (orders, customers, products), tạo pivot table doanh thu theo tháng.
    

**Ngày 41: NumPy nâng cao & Vectorization**

*   Mục tiêu: Viết code xử lý số hiệu quả.
    
*   Lý thuyết: Broadcasting, vectorization vs loop.
    
*   Thực hành: So sánh tốc độ tính toán giữa loop thuần và vectorized NumPy trên 1 triệu dòng.
    

**Ngày 42: Git & GitHub cơ bản** *(bổ sung)*

*   Mục tiêu: Thành thạo version control - kỹ năng bắt buộc cho mọi vai trò kỹ thuật sau này.
    
*   Lý thuyết: Git workflow (init, add, commit, branch, merge, pull request), khác biệt local vs remote.
    
*   Thực hành: Tạo repo GitHub cho toàn bộ code đã viết từ Ngày 1, commit theo từng ngày, tạo 1 branch thử nghiệm và merge.
    

**Ngày 43: Git nâng cao & Best Practices**

*   Mục tiêu: Làm việc nhóm được trên Git.
    
*   Lý thuyết: `.gitignore`, resolving conflict, git rebase vs merge, commit message convention.
    
*   Thực hành: Giả lập conflict giữa 2 branch và tự resolve.
    

**Ngày 44: Dự án nhỏ Python - Mini ETL script**

*   Mục tiêu: Tổng hợp toàn bộ kỹ năng Python tuần 5-6.
    
*   Lý thuyết: Cấu trúc một script ETL đơn giản (extract → transform → load).
    
*   Thực hành: Viết script đọc CSV, làm sạch dữ liệu, tính toán vài metric, ghi ra file mới - có type hint, có unit test cơ bản, đẩy lên GitHub.
    

### Tuần 7 - SQL (Ngày 45-54)

**Ngày 45: SQL cơ bản - SELECT, WHERE, ORDER BY**

*   Mục tiêu: Ôn nền tảng truy vấn.
    
*   Lý thuyết: Cú pháp SELECT, lọc, sắp xếp, LIMIT.
    
*   Thực hành: Viết 10 câu truy vấn cơ bản trên database mẫu (VD: Chinook DB).
    

**Ngày 46: JOIN các loại**

*   Mục tiêu: Thành thạo kết hợp nhiều bảng.
    
*   Lý thuyết: INNER/LEFT/RIGHT/FULL JOIN, self-join.
    
*   Thực hành: Viết truy vấn join 3+ bảng để trả lời câu hỏi kinh doanh cụ thể.
    

**Ngày 47: Aggregation & GROUP BY / HAVING**

*   Mục tiêu: Tổng hợp dữ liệu theo nhóm.
    
*   Lý thuyết: GROUP BY, HAVING vs WHERE.
    
*   Thực hành: Tính doanh thu theo tháng, theo khu vực, lọc nhóm có doanh thu > ngưỡng.
    

**Ngày 48: Subquery & CTE**

*   Mục tiêu: Viết truy vấn phức tạp, dễ đọc.
    
*   Lý thuyết: Subquery (correlated/non-correlated), Common Table Expression.
    
*   Thực hành: Viết lại 3 truy vấn subquery phức tạp thành CTE để dễ đọc hơn.
    

**Ngày 49: Window Functions (phần 1)**

*   Mục tiêu: Nắm công cụ mạnh nhất của SQL phân tích.
    
*   Lý thuyết: `ROW_NUMBER`, `RANK`, `DENSE_RANK`, `PARTITION BY`.
    
*   Thực hành: Tìm đơn hàng lớn nhất của mỗi khách hàng bằng window function.
    

**Ngày 50: Window Functions (phần 2)**

*   Mục tiêu: Ứng dụng window function cho phân tích time-series.
    
*   Lý thuyết: `LAG`/`LEAD`, running total, moving average.
    
*   Thực hành: Tính running total doanh thu theo ngày và moving average 7 ngày.
    

**Ngày 51: Recursive CTE**

*   Mục tiêu: Xử lý dữ liệu phân cấp.
    
*   Lý thuyết: Cấu trúc recursive CTE, ứng dụng cho organizational hierarchy.
    
*   Thực hành: Viết truy vấn tìm toàn bộ cấp dưới của một quản lý trong bảng nhân viên phân cấp.
    

**Ngày 52: Query Optimization & Execution Plan**

*   Mục tiêu: Hiểu cách database chạy truy vấn để viết SQL hiệu quả.
    
*   Lý thuyết: `EXPLAIN`/`EXPLAIN ANALYZE`, index, cách optimizer chọn plan.
    
*   Thực hành: So sánh execution plan của cùng 1 truy vấn có/không có index.
    

**Ngày 53: Partitioning**

*   Mục tiêu: Hiểu kỹ thuật tối ưu cho bảng lớn - nền tảng cho Data Engineering sau này.
    
*   Lý thuyết: Table partitioning theo range/list/hash, lợi ích cho query performance.
    
*   Thực hành: Tạo bảng partition theo tháng, so sánh tốc độ truy vấn với bảng không partition.
    

**Ngày 54: Dự án SQL tổng hợp**

*   Mục tiêu: Tổng hợp toàn bộ tuần 7.
    
*   Lý thuyết: Cách tiếp cận 1 bài case study SQL từ đề bài đến lời giải.
    
*   Thực hành: Giải trọn 1 bộ case study kinh doanh bằng SQL (10-15 câu hỏi phân tích) trên database mẫu.
    

### Tuần 8 - Linux (Ngày 55-60)

**Ngày 55: Shell cơ bản**

*   Mục tiêu: Thao tác dòng lệnh thành thạo.
    
*   Lý thuyết: Cấu trúc filesystem Linux, các lệnh cơ bản (`ls`, `cd`, `grep`, `find`, pipe `|`).
    
*   Thực hành: Viết 1 chuỗi lệnh pipe để lọc và đếm log từ 1 file text lớn.
    

**Ngày 56: Shell Scripting**

*   Mục tiêu: Tự động hóa tác vụ lặp lại.
    
*   Lý thuyết: Biến, vòng lặp, điều kiện trong bash.
    
*   Thực hành: Viết script bash tự động backup và nén thư mục theo ngày.
    

**Ngày 57: Process Management**

*   Mục tiêu: Hiểu cách hệ điều hành quản lý tiến trình (nền tảng hiểu Spark/Airflow chạy job).
    
*   Lý thuyết: Process vs thread, `ps`, `top`, `kill`, foreground/background job.
    
*   Thực hành: Chạy 1 script nền, theo dõi và kill bằng PID.
    

**Ngày 58: Networking cơ bản**

*   Mục tiêu: Hiểu nền tảng để làm việc với server/cloud sau này.
    
*   Lý thuyết: IP, port, DNS, HTTP request cơ bản, SSH.
    
*   Thực hành: SSH vào 1 máy chủ ảo (VD: VM miễn phí), thực hiện thao tác cơ bản qua terminal.
    

**Ngày 59: File Permissions & Environment**

*   Mục tiêu: Quản lý quyền và biến môi trường - cần thiết khi deploy pipeline.
    
*   Lý thuyết: `chmod`, `chown`, biến môi trường, `.bashrc`, virtual environment.
    
*   Thực hành: Thiết lập virtual environment Python + biến môi trường cho 1 project, phân quyền file phù hợp.
    

**Ngày 60: Dự án tổng hợp Linux + Ôn tập Phase 0**

*   Mục tiêu: Tổng hợp toàn bộ Phase 0 trước khi bước sang Business Analytics.
    
*   Lý thuyết: Nhìn lại toàn bộ Phase 0: Math → Python → SQL → Linux → Git, xác định điểm còn yếu.
    
*   Thực hành: Viết 1 shell script tự động chạy Python script ETL đã làm ở Ngày 44, log kết quả ra file, tự đánh giá lại toàn bộ Phase 0 bằng checklist.
    

### Ngày 61-64: Buffer & Review tuần

**Ngày 61: Reading Log #2 - Đọc source 1 thư viện Python quen thuộc**

*   Mục tiêu: Bắt đầu chính thức thói quen reading log sẽ dùng xuyên suốt các phase kỹ thuật tiếp theo.
    
*   Lý thuyết: Reading log tốt ghi lại: vấn đề thư viện giải quyết, kiến trúc tổng quan, 1-2 đoạn code/pattern đáng nhớ nhất, liên hệ với kiến thức đã học trước đó.
    
*   Thực hành: Áp dụng template cho thư viện `requests` hoặc `click` (thư viện nhỏ, dễ đọc).
    

**Ngày 62: Ôn tập tổng hợp Math (Linear Algebra + Calculus + Probability + Statistics)**

*   Mục tiêu: Kiểm tra lại toàn bộ nền tảng toán trước khi bước vào Phase 1.
    
*   Lý thuyết: Không có lý thuyết mới, chỉ hệ thống hóa lại bằng sơ đồ tư duy.
    
*   Thực hành: Làm bài test tổng hợp 20 câu (tự soạn hoặc lấy từ sách) bao trùm cả 4 mảng.
    

**Ngày 63: Portfolio khởi động**

*   Mục tiêu: Bắt đầu xây portfolio GitHub ngay từ đầu, không đợi đến cuối lộ trình.
    
*   Lý thuyết: Cấu trúc 1 repo portfolio chuyên nghiệp (README, cấu trúc thư mục, changelog).
    
*   Thực hành: Tạo repo `ba-to-decision-scientist-journey`, viết README mô tả lộ trình, đẩy toàn bộ code Phase 0 vào đó có tổ chức.
    

**Ngày 64: Tổng kết Phase 0 & Lên kế hoạch Phase 1**

*   Mục tiêu: Chuyển giao sang Phase 1 có chủ đích.
    
*   Lý thuyết: Xem lại nội dung Phase 1 (Business Analytics) sắp tới, xác định mục tiêu cụ thể.
    
*   Thực hành: Viết 1 trang tổng kết Phase 0 (đã học gì, còn yếu gì, dự án nào tự hào nhất) lưu vào repo portfolio.
    

# PHASE 1 - BUSINESS ANALYTICS (Ngày 65 – 154)

## Tuần 1 - Business Fundamentals: Finance (Ngày 65-70)

**Ngày 65: Income Statement**

*   Mục tiêu: Đọc hiểu báo cáo kết quả kinh doanh của một công ty.
    
*   Lý thuyết: Revenue, COGS, Gross Margin, Operating Expenses, Net Income.
    
*   Thực hành: Đọc income statement thật của 1 công ty niêm yết (VD: báo cáo quý của một công ty bán lẻ), tính gross margin và operating margin.
    

**Ngày 66: Balance Sheet**

*   Mục tiêu: Hiểu tình hình tài sản/nợ của doanh nghiệp.
    
*   Lý thuyết: Assets, Liabilities, Equity, phương trình kế toán cơ bản.
    
*   Thực hành: Phân tích balance sheet cùng công ty ở Ngày 65, tính current ratio và debt-to-equity.
    

**Ngày 67: Cash Flow Statement**

*   Mục tiêu: Hiểu vì sao lợi nhuận khác dòng tiền.
    
*   Lý thuyết: Operating/Investing/Financing cash flow, free cash flow.
    
*   Thực hành: Tính free cash flow từ báo cáo thật, so sánh với net income cùng kỳ.
    

**Ngày 68: Liên kết 3 báo cáo tài chính**

*   Mục tiêu: Hiểu 3 báo cáo liên hệ với nhau thế nào.
    
*   Lý thuyết: Cách net income chảy vào cash flow và equity.
    
*   Thực hành: Vẽ sơ đồ liên kết 3 báo cáo bằng dữ liệu thật đã phân tích.
    

**Ngày 69: Financial Ratios cho phân tích kinh doanh**

*   Mục tiêu: Dùng ratio để đánh giá sức khỏe doanh nghiệp nhanh.
    
*   Lý thuyết: ROE, ROA, margin ratios, liquidity ratios.
    
*   Thực hành: So sánh các ratio giữa 2 công ty cùng ngành để đánh giá công ty nào hiệu quả hơn.
    

**Ngày 70: Dự án nhỏ - Financial Health Check**

*   Mục tiêu: Tổng hợp tuần Finance.
    
*   Lý thuyết: Cấu trúc 1 bản đánh giá sức khỏe tài chính doanh nghiệp.
    
*   Thực hành: Viết báo cáo 1 trang đánh giá sức khỏe tài chính của 1 công ty tự chọn dựa trên báo cáo công khai.
    

## Tuần 2 - Product Metrics & KPI Design (Ngày 71-79)

**Ngày 71: DAU/MAU & Stickiness**

*   Mục tiêu: Hiểu các chỉ số engagement cốt lõi.
    
*   Lý thuyết: DAU, MAU, DAU/MAU ratio (stickiness), cách các công ty dùng chỉ số này.
    
*   Thực hành: Tính DAU/MAU từ dataset event log giả lập bằng SQL.
    

**Ngày 72: Retention & Churn**

*   Mục tiêu: Đo lường mức độ giữ chân người dùng.
    
*   Lý thuyết: Retention curve, churn rate, khác biệt giữa retention theo cohort và theo thời điểm.
    
*   Thực hành: Tính retention D1/D7/D30 từ dataset event log.
    

**Ngày 73: LTV (Lifetime Value)**

*   Mục tiêu: Ước tính giá trị dài hạn của một khách hàng.
    
*   Lý thuyết: Công thức LTV cơ bản, LTV theo cohort, giới hạn của các công thức đơn giản.
    
*   Thực hành: Tính LTV trung bình theo cohort từ dữ liệu giao dịch giả lập.
    

**Ngày 74: CAC (Customer Acquisition Cost)**

*   Mục tiêu: Hiểu chi phí thu hút khách hàng và mối quan hệ với LTV.
    
*   Lý thuyết: Công thức CAC, tỷ lệ LTV:CAC lành mạnh, payback period.
    
*   Thực hành: Tính CAC theo kênh marketing, so sánh LTV:CAC giữa các kênh.
    

**Ngày 75: KPI Tree**

*   Mục tiêu: Học cách phân rã một mục tiêu kinh doanh lớn thành các chỉ số đo lường được.
    
*   Lý thuyết: Cấu trúc KPI tree, cách chọn driver metrics.
    
*   Thực hành: Xây KPI tree cho mục tiêu "tăng doanh thu 20%" của một công ty thương mại điện tử giả định.
    

**Ngày 76: North Star Metric**

*   Mục tiêu: Hiểu cách chọn 1 chỉ số đại diện cho giá trị cốt lõi sản phẩm.
    
*   Lý thuyết: Tiêu chí chọn North Star Metric, ví dụ thực tế (Airbnb: nights booked, Spotify: time spent listening).
    
*   Thực hành: Đề xuất và bảo vệ North Star Metric cho 1 sản phẩm tự chọn.
    

**Ngày 77: OKR**

*   Mục tiêu: Hiểu cách kết nối KPI với mục tiêu chiến lược qua OKR.
    
*   Lý thuyết: Objective vs Key Result, cách viết OKR tốt/tệ.
    
*   Thực hành: Viết 1 bộ OKR quý cho một team Analytics giả định, có key result đo lường được.
    

**Ngày 78: Metric Pitfalls**

*   Mục tiêu: Nhận diện các lỗi phổ biến khi thiết kế/diễn giải metric.
    
*   Lý thuyết: Vanity metrics, Simpson's Paradox, gaming metrics.
    
*   Thực hành: Phân tích 1 ví dụ Simpson's Paradox thực tế bằng dữ liệu tự tạo.
    

**Ngày 79: Dự án - KPI Framework hoàn chỉnh**

*   Mục tiêu: Tổng hợp toàn bộ tuần 2.
    
*   Lý thuyết: Cấu trúc 1 bộ KPI framework hoàn chỉnh cho doanh nghiệp.
    
*   Thực hành: Xây KPI tree + North Star Metric + OKR cho 1 công ty tự chọn, trình bày dưới dạng slide/document.
    

## Tuần 3 - Storytelling with Data *(bổ sung)* (Ngày 80-87)

**Ngày 80: Vì sao Storytelling quan trọng hơn số liệu đúng**

*   Mục tiêu: Hiểu khoảng cách giữa "phân tích đúng" và "phân tích thuyết phục".
    
*   Lý thuyết: Nguyên tắc từ "Storytelling with Data" (Cole Nussbaumer Knaflic): context, audience, declutter.
    
*   Thực hành: Chọn 1 báo cáo cũ đã làm trước đó, liệt kê 3 điểm gây khó hiểu cho người đọc không chuyên.
    

**Ngày 81: Chọn loại biểu đồ đúng**

*   Mục tiêu: Tránh sai lầm phổ biến khi chọn chart type.
    
*   Lý thuyết: Khi nào dùng bar/line/scatter, vì sao nên tránh pie chart trong hầu hết trường hợp.
    
*   Thực hành: Vẽ lại 3 biểu đồ "sai loại" thành đúng loại bằng Python/Excel.
    

**Ngày 82: Declutter - loại bỏ nhiễu thị giác**

*   Mục tiêu: Rèn kỹ năng tối giản hóa biểu đồ.
    
*   Lý thuyết: Data-ink ratio, gridlines, border, màu sắc thừa.
    
*   Thực hành: "Declutter" 1 biểu đồ Excel mặc định thành bản tối giản, so sánh trước/sau.
    

**Ngày 83: Dùng màu sắc và pre-attentive attributes**

*   Mục tiêu: Hướng mắt người xem vào điểm quan trọng nhất.
    
*   Lý thuyết: Pre-attentive attributes (màu, kích thước, vị trí), cách highlight insight chính.
    
*   Thực hành: Làm nổi bật 1 điểm dữ liệu quan trọng trong biểu đồ bằng màu tương phản.
    

**Ngày 84: Cấu trúc narrative cho báo cáo**

*   Mục tiêu: Kể một câu chuyện dữ liệu có mở đầu - cao trào - kết luận.
    
*   Lý thuyết: Cấu trúc 3 hồi (setup - conflict - resolution) áp dụng cho báo cáo kinh doanh.
    
*   Thực hành: Viết outline narrative cho 1 báo cáo phân tích doanh thu giảm.
    

**Ngày 85: Dashboard Design Principles**

*   Mục tiêu: Thiết kế dashboard dễ đọc, không quá tải thông tin.
    
*   Lý thuyết: Nguyên tắc 5-second rule, phân cấp thông tin (F-pattern/Z-pattern).
    
*   Thực hành: Phác thảo wireframe 1 dashboard điều hành trên giấy/Figma trước khi build.
    

**Ngày 86: Trình bày trước audience phi kỹ thuật**

*   Mục tiêu: Rèn kỹ năng "dịch" số liệu thành ngôn ngữ kinh doanh.
    
*   Lý thuyết: Kỹ thuật "so what?" - mọi số liệu phải trả lời câu hỏi này.
    
*   Thực hành: Viết 1 đoạn tóm tắt điều hành (executive summary) 150 từ cho 1 phân tích đã làm.
    

**Ngày 87: Dự án Storytelling tổng hợp**

*   Mục tiêu: Tổng hợp toàn bộ tuần 3.
    
*   Lý thuyết: Checklist review 1 báo cáo trước khi gửi đi.
    
*   Thực hành: Làm lại hoàn chỉnh 1 báo cáo cũ (từ Phase 0 hoặc đầu Phase 1) áp dụng toàn bộ nguyên tắc storytelling.
    

## Tuần 4-5 - Spreadsheet Mastery (Ngày 88-99)

**Ngày 88: Excel nâng cao - Formulas**

*   Mục tiêu: Thành thạo công thức nâng cao.
    
*   Lý thuyết: `INDEX/MATCH`, `XLOOKUP`, `SUMIFS`/`COUNTIFS`, array formulas.
    
*   Thực hành: Xây 1 bảng tính tra cứu động nhiều điều kiện từ dataset bán hàng.
    

**Ngày 89: Pivot Table nâng cao**

*   Mục tiêu: Khai thác pivot table cho phân tích đa chiều.
    
*   Lý thuyết: Calculated fields, grouping theo thời gian, slicers.
    
*   Thực hành: Xây pivot table phân tích doanh thu theo sản phẩm x khu vực x tháng.
    

**Ngày 90: Power Query cơ bản**

*   Mục tiêu: Tự động hóa làm sạch dữ liệu trong Excel.
    
*   Lý thuyết: ETL trong Power Query, các bước transform phổ biến.
    
*   Thực hành: Dùng Power Query hợp nhất 3 file CSV thành 1 bảng sạch.
    

**Ngày 91: Power Query nâng cao**

*   Mục tiêu: Xử lý dữ liệu phức tạp hơn.
    
*   Lý thuyết: Merge queries, append queries, custom columns bằng M language cơ bản.
    
*   Thực hành: Xây quy trình Power Query tự động refresh khi có file mới.
    

**Ngày 92: Power Pivot & Data Model**

*   Mục tiêu: Xây data model quan hệ trong Excel.
    
*   Lý thuyết: Star schema trong Excel, relationships giữa các bảng.
    
*   Thực hành: Xây data model 3 bảng (fact + 2 dimension) trong Power Pivot.
    

**Ngày 93: DAX cơ bản**

*   Mục tiêu: Bắt đầu làm quen DAX (dùng lại cho Power BI sau này).
    
*   Lý thuyết: Calculated column vs measure, cú pháp DAX cơ bản.
    
*   Thực hành: Viết 5 measure DAX cơ bản (Total Sales, YoY Growth...) trong Power Pivot.
    

**Ngày 94: Excel cho Financial Modeling**

*   Mục tiêu: Ứng dụng Excel cho mô hình tài chính đơn giản.
    
*   Lý thuyết: Cấu trúc 1 financial model (assumptions - calculations - output).
    
*   Thực hành: Xây model dự phóng doanh thu 12 tháng với các assumption có thể điều chỉnh.
    

**Ngày 95: Sensitivity Analysis & Scenario Manager**

*   Mục tiêu: Phân tích độ nhạy cho quyết định kinh doanh.
    
*   Lý thuyết: Data table 1 chiều/2 chiều, Scenario Manager, Goal Seek.
    
*   Thực hành: Phân tích sensitivity của lợi nhuận theo giá bán và chi phí trong model Ngày 94.
    

**Ngày 96: Google Sheets & Automation**

*   Mục tiêu: Thành thạo Google Sheets cho làm việc nhóm/tự động hóa nhẹ.
    
*   Lý thuyết: Khác biệt Sheets vs Excel, Google Apps Script cơ bản.
    
*   Thực hành: Viết 1 Apps Script đơn giản tự động gửi email báo cáo hàng tuần.
    

**Ngày 97: Kết nối Sheets với nguồn dữ liệu ngoài**

*   Mục tiêu: Xây báo cáo sống động, không cần copy-paste thủ công.
    
*   Lý thuyết: `IMPORTRANGE`, Google Sheets API cơ bản, kết nối với Google Forms.
    
*   Thực hành: Xây 1 báo cáo Sheets tự động cập nhật từ Google Form khảo sát giả lập.
    

**Ngày 98: Dashboard hoàn chỉnh trong Excel/Sheets**

*   Mục tiêu: Tổng hợp kỹ năng spreadsheet vào 1 sản phẩm.
    
*   Lý thuyết: Áp dụng lại nguyên tắc storytelling (tuần 3) vào thiết kế dashboard spreadsheet.
    
*   Thực hành: Xây 1 dashboard Excel hoàn chỉnh (KPI cards, chart, pivot, slicer) cho dataset bán hàng.
    

**Ngày 99: Reading Log #3 + Ôn tập Spreadsheet**

*   Mục tiêu: Duy trì thói quen reading log, lần này với tài liệu/công cụ.
    
*   Lý thuyết: Reading log áp dụng cho 1 tài liệu kỹ thuật (VD: DAX documentation) - ghi lại vấn đề nó giải quyết, cấu trúc, pattern hay.
    
*   Thực hành: Viết reading log cho phần DAX Guide chính thức của Microsoft, ôn lại toàn bộ tuần 4-5.
    

## Tuần 6-8 - Business Intelligence Tools (Ngày 100-123)

### Power BI (Ngày 100-107)

**Ngày 100: Power BI - Kết nối & Transform dữ liệu**

*   Mục tiêu: Làm quen giao diện và data pipeline trong Power BI.
    
*   Lý thuyết: Power Query trong Power BI, các loại data source phổ biến.
    
*   Thực hành: Kết nối và làm sạch dataset bán hàng trong Power BI Desktop.
    

**Ngày 101: Data Modeling trong Power BI**

*   Mục tiêu: Xây quan hệ dữ liệu chuẩn.
    
*   Lý thuyết: Star schema trong Power BI, cardinality, cross-filter direction.
    
*   Thực hành: Xây data model fact-dimension cho dataset đã import.
    

**Ngày 102: DAX nâng cao trong Power BI**

*   Mục tiêu: Viết measure phức tạp hơn.
    
*   Lý thuyết: `CALCULATE`, context transition, time intelligence functions.
    
*   Thực hành: Viết measure YTD, MTD, YoY Growth% bằng DAX time intelligence.
    

**Ngày 103: Visualizations trong Power BI**

*   Mục tiêu: Xây trực quan hóa hiệu quả.
    
*   Lý thuyết: Chọn visual phù hợp, custom visuals, conditional formatting.
    
*   Thực hành: Xây 1 trang report với 5+ loại visual khác nhau cho cùng dataset.
    

**Ngày 104: RLS (Row-Level Security)**

*   Mục tiêu: Bảo mật dữ liệu theo vai trò người dùng.
    
*   Lý thuyết: Static vs dynamic RLS, cách implement bằng DAX.
    
*   Thực hành: Thiết lập RLS để mỗi sales rep chỉ thấy dữ liệu khu vực của mình.
    

**Ngày 105: Power BI Service & Publishing**

*   Mục tiêu: Đưa report lên môi trường chia sẻ.
    
*   Lý thuyết: Workspace, dataset refresh schedule, sharing permissions.
    
*   Thực hành: Publish report lên Power BI Service, thiết lập scheduled refresh.
    

**Ngày 106: Performance Optimization trong Power BI**

*   Mục tiêu: Xây report chạy nhanh với dữ liệu lớn.
    
*   Lý thuyết: Import vs DirectQuery, Performance Analyzer, tối ưu DAX.
    
*   Thực hành: Dùng Performance Analyzer tìm và fix 1 visual chạy chậm.
    

**Ngày 107: Dự án Power BI hoàn chỉnh**

*   Mục tiêu: Tổng hợp Power BI.
    
*   Lý thuyết: Checklist 1 report Power BI chuyên nghiệp.
    
*   Thực hành: Xây dashboard Power BI hoàn chỉnh có RLS, time intelligence, publish lên Service.
    

### Tableau (Ngày 108-115)

**Ngày 108: Tableau - Kết nối dữ liệu & Giao diện**

*   Mục tiêu: Làm quen Tableau Desktop.
    
*   Lý thuyết: Live vs Extract connection, cấu trúc Tableau workbook.
    
*   Thực hành: Kết nối dataset bán hàng, tạo worksheet đầu tiên.
    

**Ngày 109: Dimensions, Measures & Chart cơ bản**

*   Mục tiêu: Hiểu tư duy kéo-thả của Tableau.
    
*   Lý thuyết: Discrete vs continuous, Marks card, Shelves.
    
*   Thực hành: Tạo 5 loại chart cơ bản (bar, line, scatter, map, treemap).
    

**Ngày 110: Calculated Fields**

*   Mục tiêu: Tạo trường tính toán trong Tableau.
    
*   Lý thuyết: Cú pháp calculated field, table calculations.
    
*   Thực hành: Tạo calculated field tính growth rate, running total.
    

**Ngày 111: LOD Expressions (phần 1)**

*   Mục tiêu: Nắm công cụ mạnh nhất và khó nhất của Tableau.
    
*   Lý thuyết: `FIXED`, `INCLUDE`, `EXCLUDE` - khi nào dùng loại nào.
    
*   Thực hành: Dùng `FIXED` LOD tính doanh thu trung bình mỗi khách hàng, không đổi theo filter.
    

**Ngày 112: LOD Expressions (phần 2) & Ứng dụng**

*   Mục tiêu: Ứng dụng LOD cho bài toán phân tích thực tế.
    
*   Lý thuyết: Kết hợp LOD với filter để phân tích cohort.
    
*   Thực hành: Xây phân tích cohort retention đơn giản bằng LOD trong Tableau.
    

**Ngày 113: Dashboard Design trong Tableau**

*   Mục tiêu: Xây dashboard tương tác.
    
*   Lý thuyết: Actions (filter, highlight, URL), container layout.
    
*   Thực hành: Xây dashboard 3 worksheet có filter action liên kết nhau.
    

**Ngày 114: Tableau Server/Cloud cơ bản**

*   Mục tiêu: Hiểu cách publish và quản trị Tableau ở môi trường doanh nghiệp.
    
*   Lý thuyết: Site, project, permission, schedule refresh trên Tableau Server.
    
*   Thực hành: Publish workbook lên Tableau Public hoặc Server thử nghiệm.
    

**Ngày 115: Dự án Tableau hoàn chỉnh**

*   Mục tiêu: Tổng hợp Tableau.
    
*   Lý thuyết: So sánh Power BI vs Tableau - điểm mạnh/yếu từng công cụ.
    
*   Thực hành: Xây dashboard Tableau hoàn chỉnh, publish lên Tableau Public, viết so sánh ngắn với bản Power BI đã làm.
    

### Looker/LookML (Ngày 116-123)

**Ngày 116: Looker - Kiến trúc & Semantic Layer**

*   Mục tiêu: Hiểu triết lý khác biệt của Looker so với Power BI/Tableau.
    
*   Lý thuyết: Semantic layer là gì, vì sao Looker tách biệt modeling và exploration.
    
*   Thực hành: Khám phá 1 Looker instance demo (hoặc tài liệu chính thức), ghi chú kiến trúc.
    

**Ngày 117: LookML cơ bản**

*   Mục tiêu: Viết được model LookML đơn giản.
    
*   Lý thuyết: `view`, `explore`, `dimension`, `measure`.
    
*   Thực hành: Viết 1 LookML view cho bảng orders với vài dimension/measure cơ bản.
    

**Ngày 118: LookML - Joins & Explores**

*   Mục tiêu: Kết hợp nhiều view trong 1 explore.
    
*   Lý thuyết: `join` trong LookML, relationship types.
    
*   Thực hành: Viết explore kết hợp orders + customers + products.
    

**Ngày 119: Derived Tables trong LookML**

*   Mục tiêu: Xử lý logic phức tạp trong semantic layer.
    
*   Lý thuyết: SQL-based derived tables, native derived tables (NDT).
    
*   Thực hành: Viết 1 derived table tính cohort retention trong LookML.
    

**Ngày 120: Metrics Layer & Governance**

*   Mục tiêu: Hiểu vì sao semantic layer giúp "một chỉ số, một định nghĩa" toàn công ty.
    
*   Lý thuyết: Vấn đề metric definition drift, cách semantic layer giải quyết.
    
*   Thực hành: Viết tài liệu định nghĩa 5 metric chuẩn (VD: Revenue, Active User) để dùng chung trong LookML.
    

**Ngày 121: Looker Dashboards & Explore UI**

*   Mục tiêu: Xây dashboard từ semantic layer đã định nghĩa.
    
*   Lý thuyết: Cách business user tự explore mà không cần viết SQL.
    
*   Thực hành: Xây 1 dashboard Looker từ explore đã tạo.
    

**Ngày 122: So sánh 3 công cụ BI**

*   Mục tiêu: Có quan điểm rõ ràng khi chọn công cụ BI cho tổ chức.
    
*   Lý thuyết: So sánh Power BI vs Tableau vs Looker theo: chi phí, độ khó, khả năng governance, use case phù hợp.
    
*   Thực hành: Viết bảng so sánh + khuyến nghị công cụ cho 3 kịch bản công ty khác nhau (startup nhỏ, công ty vừa, tập đoàn lớn).
    

**Ngày 123: Reading Log #4 + Ôn tập BI Tools**

*   Mục tiêu: Củng cố tuần 6-8.
    
*   Lý thuyết: Reading log cho tài liệu LookML chính thức của Looker - kiến trúc, pattern hay.
    
*   Thực hành: Viết reading log, tự đánh giá lại 3 dashboard đã xây (Power BI, Tableau, Looker) theo checklist storytelling ở tuần 3.
    

## Tuần 9-10 - Product Analytics (Ngày 124-138)

**Ngày 124: Funnel Analysis - Khái niệm**

*   Mục tiêu: Hiểu cách đo lường hành trình chuyển đổi người dùng.
    
*   Lý thuyết: Funnel steps, conversion rate từng bước, drop-off.
    
*   Thực hành: Xây funnel 4 bước (visit → signup → add to cart → purchase) bằng SQL từ event log.
    

**Ngày 125: Funnel Analysis - Phân tích sâu**

*   Mục tiêu: Tìm nguyên nhân drop-off.
    
*   Lý thuyết: Segment funnel theo device/channel/thời gian để tìm insight.
    
*   Thực hành: Phân tích funnel theo từng kênh marketing, xác định kênh có drop-off cao nhất.
    

**Ngày 126: Cohort Analysis - Khái niệm**

*   Mục tiêu: Hiểu cách nhóm người dùng theo thời điểm để so sánh công bằng.
    
*   Lý thuyết: Cohort theo ngày/tuần/tháng đăng ký, cohort table.
    
*   Thực hành: Xây cohort table retention bằng SQL (window function + self join).
    

**Ngày 127: Cohort Analysis - Trực quan hóa**

*   Mục tiêu: Trình bày cohort dễ hiểu.
    
*   Lý thuyết: Heatmap cho cohort table, cách đọc pattern retention.
    
*   Thực hành: Trực quan hóa cohort table đã xây bằng heatmap trong Python (seaborn) hoặc BI tool.
    

**Ngày 128: Retention Curves nâng cao**

*   Mục tiêu: Phân biệt các loại retention.
    
*   Lý thuyết: N-day retention, unbounded retention, bracket retention.
    
*   Thực hành: Tính và so sánh 3 loại retention trên cùng dataset, giải thích khác biệt insight.
    

**Ngày 129: Segmentation - Khái niệm & kỹ thuật**

*   Mục tiêu: Chia nhóm người dùng có ý nghĩa kinh doanh.
    
*   Lý thuyết: Segmentation theo behavior/demographic/value (RFM).
    
*   Thực hành: Xây phân khúc khách hàng theo mô hình RFM (Recency, Frequency, Monetary) bằng SQL.
    

**Ngày 130: Segmentation nâng cao - Clustering cơ bản**

*   Mục tiêu: Dùng thống kê để phân khúc thay vì rule cứng.
    
*   Lý thuyết: K-Means cơ bản (chỉ ở mức ứng dụng, chưa cần lý thuyết ML sâu).
    
*   Thực hành: Áp dụng K-Means phân khúc khách hàng theo RFM bằng scikit-learn.
    

**Ngày 131: Attribution Modeling - Khái niệm**

*   Mục tiêu: Hiểu vấn đề "kênh nào thực sự tạo ra chuyển đổi".
    
*   Lý thuyết: First-touch, last-touch, linear, time-decay attribution.
    
*   Thực hành: Tính doanh thu theo từng mô hình attribution trên cùng dataset, so sánh kết quả khác nhau thế nào.
    

**Ngày 132: Attribution Modeling nâng cao**

*   Mục tiêu: Hiểu giới hạn của rule-based attribution.
    
*   Lý thuyết: Data-driven attribution, Markov Chain attribution (ở mức khái niệm).
    
*   Thực hành: Xây Markov Chain attribution đơn giản bằng Python cho dataset multi-touch.
    

**Ngày 133: Event Tracking Design**

*   Mục tiêu: Hiểu cách thiết kế hệ thống tracking từ đầu (thường bị bỏ qua trong các khóa học).
    
*   Lý thuyết: Event naming convention, event properties, tracking plan.
    
*   Thực hành: Viết 1 tracking plan cho tính năng mới của 1 app giả định (VD: tính năng "wishlist").
    

**Ngày 134: Product Analytics Tools (Amplitude/Mixpanel)**

*   Mục tiêu: Làm quen công cụ product analytics chuyên dụng.
    
*   Lý thuyết: Khác biệt giữa Amplitude/Mixpanel với BI tool truyền thống.
    
*   Thực hành: Xây 1 funnel và 1 cohort trong Amplitude hoặc Mixpanel bản miễn phí.
    

**Ngày 135: A/B Testing - Giới thiệu sớm (liên kết Phase 5)**

*   Mục tiêu: Có cái nhìn tổng quan trước khi học sâu ở Phase 5.
    
*   Lý thuyết: Khái niệm cơ bản A/B test, vì sao product analytics cần nó.
    
*   Thực hành: Đọc 1 case study A/B test thực tế của 1 công ty công nghệ, tóm tắt bằng reading log.
    

**Ngày 136: Case Study - Phân tích giảm Retention**

*   Mục tiêu: Rèn tư duy điều tra vấn đề kinh doanh thực tế.
    
*   Lý thuyết: Quy trình điều tra: giả thuyết → kiểm tra dữ liệu → thu hẹp nguyên nhân.
    
*   Thực hành: Giải case study "Retention D7 giảm 15% trong tháng qua - tìm nguyên nhân" bằng dataset giả lập.
    

**Ngày 137: Case Study - Phân tích Funnel Drop-off**

*   Mục tiêu: Áp dụng toàn bộ kỹ thuật tuần 9-10 vào 1 case hoàn chỉnh.
    
*   Lý thuyết: Không có lý thuyết mới - tổng hợp.
    
*   Thực hành: Giải case study funnel checkout bị drop-off cao, đề xuất 3 hành động cụ thể dựa trên dữ liệu.
    

**Ngày 138: Dự án Product Analytics tổng hợp**

*   Mục tiêu: Tổng hợp toàn bộ tuần 9-10.
    
*   Lý thuyết: Cấu trúc 1 báo cáo Product Analytics hoàn chỉnh.
    
*   Thực hành: Viết báo cáo đầy đủ funnel + cohort + segmentation + attribution cho 1 sản phẩm tự chọn.
    

## Tuần 11 - Domain Metrics Deep-dive *(bổ sung)* (Ngày 139-147)

**Ngày 139: SaaS Metrics (phần 1)**

*   Mục tiêu: Hiểu bộ chỉ số đặc thù ngành SaaS.
    
*   Lý thuyết: MRR, ARR, Net Revenue Retention (NRR), Gross Revenue Retention (GRR).
    
*   Thực hành: Tính MRR/ARR và NRR từ dataset subscription giả lập.
    

**Ngày 140: SaaS Metrics (phần 2)**

*   Mục tiêu: Hiểu chỉ số hiệu quả tăng trưởng SaaS.
    
*   Lý thuyết: Magic Number, Rule of 40, expansion vs contraction revenue.
    
*   Thực hành: Đánh giá "sức khỏe tăng trưởng" của 1 công ty SaaS giả định bằng Rule of 40.
    

**Ngày 141: Marketplace Metrics (phần 1)**

*   Mục tiêu: Hiểu đặc thù mô hình 2-sided marketplace.
    
*   Lý thuyết: GMV, Take Rate, Liquidity, Supply-Demand balance.
    
*   Thực hành: Tính GMV và take rate từ dataset giao dịch marketplace giả lập.
    

**Ngày 142: Marketplace Metrics (phần 2)**

*   Mục tiêu: Hiểu vấn đề cân bằng cung-cầu.
    
*   Lý thuyết: Network effects, cold-start problem, fill rate.
    
*   Thực hành: Phân tích fill rate theo khu vực, xác định khu vực thiếu supply.
    

**Ngày 143: Fintech Metrics (phần 1)**

*   Mục tiêu: Hiểu bộ chỉ số đặc thù ngành tài chính/thanh toán.
    
*   Lý thuyết: TPV (Total Payment Volume), Take Rate, Default Rate.
    
*   Thực hành: Tính TPV theo tháng và default rate từ dataset khoản vay giả lập.
    

**Ngày 144: Fintech Metrics (phần 2) - Risk Metrics**

*   Mục tiêu: Hiểu chỉ số đo rủi ro trong fintech.
    
*   Lý thuyết: Delinquency rate, charge-off rate, credit risk cơ bản.
    
*   Thực hành: Phân khúc khách hàng vay theo mức độ rủi ro dựa trên delinquency history.
    

**Ngày 145: E-commerce Metrics**

*   Mục tiêu: Hoàn thiện bộ chỉ số theo domain phổ biến nhất.
    
*   Lý thuyết: AOV (Average Order Value), Repeat Purchase Rate, Inventory Turnover.
    
*   Thực hành: Tính AOV và repeat purchase rate theo phân khúc khách hàng.
    

**Ngày 146: Chọn metric đúng theo giai đoạn công ty**

*   Mục tiêu: Hiểu vì sao metric quan trọng thay đổi theo giai đoạn (growth vs mature).
    
*   Lý thuyết: Metric ưu tiên ở giai đoạn early-stage vs growth-stage vs mature.
    
*   Thực hành: Đề xuất bộ 5 metric ưu tiên cho 1 startup ở từng giai đoạn (seed, Series A, mature).
    

**Ngày 147: Dự án Domain Metrics tổng hợp**

*   Mục tiêu: Tổng hợp tuần 11.
    
*   Lý thuyết: So sánh nhanh bộ metric giữa 4 domain đã học (SaaS, Marketplace, Fintech, E-commerce).
    
*   Thực hành: Viết "cheat sheet" 1 trang tổng hợp metric theo từng domain, lưu vào portfolio.
    

## Tuần 12 - Capstone Phase 1 (Ngày 148-154)

**Ngày 148: Capstone - Chọn đề bài & Lên kế hoạch**

*   Mục tiêu: Khởi động dự án tổng hợp cho Phase 1.
    
*   Lý thuyết: Cấu trúc 1 dự án Business Analytics hoàn chỉnh end-to-end.
    
*   Thực hành: Chọn 1 trong 3 chủ đề (Spotify listening analytics/Shopee e-commerce analytics/Netflix engagement analytics), viết đề cương dự án.
    

**Ngày 149: Capstone - Thu thập & làm sạch dữ liệu**

*   Mục tiêu: Chuẩn bị dữ liệu cho dự án.
    
*   Lý thuyết: Không có lý thuyết mới - áp dụng SQL/Python đã học.
    
*   Thực hành: Thu thập dataset công khai phù hợp, làm sạch bằng SQL/Pandas.
    

**Ngày 150: Capstone - Xây KPI Framework**

*   Mục tiêu: Áp dụng tuần 2 vào dự án thật.
    
*   Lý thuyết: Không có lý thuyết mới.
    
*   Thực hành: Xây KPI tree + North Star Metric cho sản phẩm đã chọn.
    

**Ngày 151: Capstone - Product Analytics**

*   Mục tiêu: Áp dụng tuần 9-10 vào dự án thật.
    
*   Lý thuyết: Không có lý thuyết mới.
    
*   Thực hành: Xây funnel + cohort retention cho dữ liệu dự án.
    

**Ngày 152: Capstone - Xây Dashboard**

*   Mục tiêu: Áp dụng BI tool đã học (chọn 1 trong Power BI/Tableau/Looker).
    
*   Lý thuyết: Không có lý thuyết mới.
    
*   Thực hành: Xây dashboard hoàn chỉnh trình bày toàn bộ insight của dự án.
    

**Ngày 153: Capstone - Viết báo cáo Storytelling**

*   Mục tiêu: Áp dụng tuần 3 vào sản phẩm cuối.
    
*   Lý thuyết: Không có lý thuyết mới.
    
*   Thực hành: Viết executive summary + báo cáo đầy đủ theo nguyên tắc storytelling.
    

**Ngày 154: Capstone - Hoàn thiện & Đưa lên Portfolio**

*   Mục tiêu: Kết thúc Phase 1.
    
*   Lý thuyết: Checklist đánh giá 1 dự án Business Analytics đạt chuẩn portfolio.
    
*   Thực hành: Hoàn thiện repo GitHub (README, dashboard link, báo cáo PDF), viết bài tổng kết Phase 1, lên kế hoạch Phase 2 (Analytics Engineering).