Excel Together - Thao Pham, ACCA, FMVA

Communication trong finance không phải là hỏi càng nhiều càng tốt
Mình từng có một bạn staff technical rất tốt. Bạn hiểu rất rõ những con số trên report, hiểu logic model và hoàn toàn nắm được những gì mình đã build. Nhưng khi bắt đầu phải làm việc với high level stakeholders hoặc trao đổi với các teams khác, bạn lại gặp khá nhiều khó khăn trong việc giải thích các số liệu đó theo cách business có thể hiểu và sử dụng để ra quyết định

Có một lần bạn nói với mình một câu mà mình nghĩ khá nhiều analyst từng cảm thấy như vậy ở một thời điểm nào đó trong công việc
“Em thấy em giải thích đúng, chị cũng hiểu mà sao mọi người lại không hiểu?”

Thật ra sau nhiều năm làm việc mình nhận ra phần khó không nằm ở việc mình có đúng hay không. Phần khó là mình có đang nói bằng đúng “ngôn ngữ” của người đối diện hay không

Finance thường nhìn vấn đề dưới góc độ số liệu, variance và impact lên kết quả cuối cùng. Nhưng operation team có thể đang nghĩ về production, shipment hay supplier issue. Sales team có thể đang nghĩ về customer demand hoặc market condition.
Nếu analyst chỉ trình bày logic của số liệu mà không translate nó sang business context thì rất dễ xảy ra tình huống mọi người đang nhìn cùng một vấn đề nhưng lại không thực sự hiểu nhau

Hồi mới đi làm mình cũng từng nghĩ chỉ cần hiểu số liệu là đủ. Nhưng trong finance, hiểu số liệu và truyền tải được ý nghĩa của số liệu là hai kỹ năng hoàn toàn khác nhau. Communication trong finance thực chất không tách rời khỏi analysis mà nó là một phần của analysis

Có những bạn khi chuẩn bị commentary cho variance analysis sẽ trao đổi với stakeholders, nghe explanation rồi ghi nhận lại ngay vào báo cáo. Nhưng khi vào cuộc họp và management hỏi sâu hơn về chính commentary đó thì mới bắt đầu nhận ra lời giải thích ban đầu chưa thật sự hợp lý khi nhìn trong mối liên hệ với các số liệu khác. Và mình nghĩ đây là tình huống rất nhiều analyst từng gặp qua

Bởi vì trong thực tế, một explanation nghe hợp lý chưa chắc đã là driver chính của variance. Nếu analyst không hiểu model và business đủ rõ thì rất dễ dừng lại ở câu trả lời đầu tiên mà stakeholder đưa ra.
Trong khi communication hiệu quả trong finance không nằm ở việc ghi nhận thông tin mà nằm ở việc biết nên đào sâu thêm ở đâu, biết yếu tố nào thực sự có impact lớn lên số liệu và biết khi nào một explanation vẫn còn chưa giải thích được toàn bộ câu chuyện

Mình từng thấy có những analyst bước vào cuộc họp với rất nhiều câu hỏi nhưng sau 30 phút trao đổi vẫn không thực sự hiểu điều gì đang tạo ra variance. Không phải vì stakeholder không hợp tác mà vì bản thân analyst chưa hiểu model đủ sâu để biết thông tin nào thực sự quan trọng đối với số liệu.
Trong finance, communication không phải là hỏi càng nhiều càng tốt. Communication tốt là khi bạn biết câu hỏi nào sẽ giúp mình tiến gần hơn đến root cause của vấn đề

Và thực tế là trong công việc, ai cũng bận. Nếu analyst đặt câu hỏi quá chung chung, hỏi lan man hoặc không hiểu đủ context để đi đúng trọng tâm thì rất dễ khiến stakeholder mất kiên nhẫn. Chỉ sau vài phút trao đổi, người đối diện thường sẽ cảm nhận được liệu analyst có thực sự hiểu business và hiểu mình đang cần tìm gì hay không

Có lẽ đó cũng là lý do càng làm lâu mình càng thấy một analyst giỏi không chỉ là người hiểu số liệu mà còn là người có thể kết nối số liệu với business context đủ tốt để giúp business đưa ra quyết định tốt hơn

Bởi cuối cùng, data cho chúng ta biết chuyện gì đã xảy ra còn communication mới giúp chúng ta hiểu vì sao nó xảy ra

Từ làm báo cáo mất 1 tuần, giờ chỉ còn 2 ngày
Sáng nay nhận được tin nhắn từ một bạn đã học với mình khá lâu rồi. Thỉnh thoảng bạn vẫn nhắn khoe những file mới làm được, những báo cáo đã tự động hóa được sau khi áp dụng những kiến thức về Power Query, Power Pivot đã học ngày trước

Hôm nay thì bạn gửi hẳn một đoạn feedback dài rồi còn dặn mình nhớ post lên cho mọi người biết về khóa học nhiều hơn, bạn còn nói thời buổi này hương hóa chất bay xa lắm rồi, chờ hữu xạ tự nhiên hương là hơi lâu đó 🤣

Nghe cũng có lý nên thôi hôm nay đăng một chiếc feedback lấy động lực vậy

À mà điều mình vui nhất là những kiến thức đã học thực sự giúp công việc của bạn nhẹ nhàng hơn, thời gian được rút ngắn hơn và kết quả còn ổn hơn trước

Giải pháp tốt nhất là giải pháp đơn giản nhất
Càng làm việc lâu với Power Query, mình càng ưu tiên những giải pháp đơn giản hơn

Bởi vì khi xây dựng quy trình xử lý tự động không ai muốn mở lại file sau vài tháng và tự hỏi:
"Ủa hồi đó mình xử lý kiểu gì nhỉ?"
Hay muốn áp dụng một cách xử lý cho một dữ liệu mới lại phải mở lại file cũ để xem lại từng bước

Hôm qua, mình nhận được một email từ một anh học viên vừa học xong khóa học Excel Power Tools. Đây là toàn bộ nội dung anh chia sẻ:

“Hi em!
Hôm nay anh xem lại bài dạy của em, anh thấy Tổng hợp nhiều file lệch vị trí cột rất nhanh
Trong công việc của anh thường xuyên đối chiếu hóa đơn xem kế toán nhập thiếu đủ so với hệ thống thuế, nên anh tự mò học các clip dạy Query. Sau khi làm file thấy hay hay nên anh chia sẻ lại cho mọi người thông qua anh liên hệ admin diễn đàn giải pháp excel để làm talkshow, khi đó anh tạo function thấy rất phức tạp đến giờ anh làm cũng phải xem lại. Tuy nhiên cách của em dạy đơn giản hơn rất nhiều
Cảm ơn sự tận tâm, nhiệt tình của em!”

Trong email có một câu khiến mình suy nghĩ khá nhiều:
"Tuy nhiên cách của em dạy đơn giản hơn rất nhiều."

Thực ra đó cũng chính là điều mình luôn theo đuổi khi xây dựng các khóa học Excel Power Tools & Power BI.

Ngay từ những ngày đầu hướng dẫn, mình luôn tự đặt ra một câu hỏi:
Làm sao để đơn giản hóa những điều phức tạp?

Trong Power Query, có rất nhiều cách để giải quyết cùng một bài toán. Bạn có thể click chọn tính năng để xử lý, có thể viết M Code, có thể tạo ra các custom M function. Bạn có thể sử dụng Power Query xây dựng những quy trình xử lý dữ liệu linh hoạt và tự động nhưng điều mình luôn quan tâm không phải là giải pháp đó "hay" đến đâu mà là người học có thực sự áp dụng được hay không

Phần lớn học viên của mình đang làm việc trong các lĩnh vực kế toán, tài chính, logistics, supply chain, mua hàng hay vận hành. Điểm chung là mọi người đều không phải là dân kỹ thuật và mục đích chính khi tìm đến Power Query để giải quyết công việc hằng ngày

Vì vậy mỗi khi thiết kế một bài học, mình luôn cố gắng cân bằng giữa:
• Kiến thức cốt lõi
• Tính ứng dụng thực tế
• Khả năng tiếp thu của học viên

Có rất nhiều cách để ra được kết quả cuối cùng nhưng đâu là cách đơn giản nhất để một người mới làm quen với Power Query có thể hiểu được, nhớ được và áp dụng được trong công việc mới là điều mình hướng tới

Bởi cuối cùng, một giải pháp tốt không chỉ là giải pháp tạo ra kết quả mà còn là giải pháp mà người sử dụng có thể tự mình áp dụng mỗi khi cần và đặc biệt tự tin mở lại file sau nhiều tháng mà vẫn hiểu mình đã làm gì

Và có lẽ đó cũng là lý do mà càng làm việc lâu với Power Query, mình lại càng thích những giải pháp đơn giản hơn

Một kỹ năng ít được nói tới của analyst: Quick Estimation

Có một dạng câu hỏi mà nếu là một analyst thỉnh thoảng bạn sẽ gặp trong các cuộc họp:
"Nếu chuyện này xảy ra thì kết quả sẽ thay đổi khoảng bao nhiêu?"
Cụ thể như: " Forecast vừa giảm 5% vậy EBIT sẽ bị ảnh hưởng như thế nào?"

Và đôi khi bạn sẽ chỉ có 15 đến 30 phút để đưa ra câu trả lời vì ở đây người đặt câu hỏi không kỳ vọng một con số chính xác tuyệt đối. Thứ họ cần thường là một estimate nhanh nhưng đủ hợp lý để hỗ trợ decision making

Mình nghĩ đây là một trong những kỹ năng quan trọng nhưng lại ít được nhắc đến trong công việc của một analyst đó chính là quick estimation

Có những bạn trong team từng hỏi mình:
"Tại sao chị review file lại biết số này chưa đúng?"

Thực ra mình không kiểm tra từng bước tính toán mà mình dựa vào là logic của số liệu. Với những input này, output hợp lý sẽ nằm trong khoảng nào? Nếu kết quả lệch quá xa so với khoảng kỳ vọng đó thì có thể sẽ có điều gì đó cần được kiểm tra thêm. Khả năng đó không tự nhiên có mà nó đến từ việc đã từng tự làm qua rất nhiều bước chi tiết, đã từng build model, đã từng phân tích variance, đã từng forecast và đã từng sai. Làm đủ lâu, bạn sẽ hình thành một dạng phản xạ với số liệu

Khi nhìn vào một biến động, bạn có thể cảm nhận tương đối nhanh điều gì hợp lý, điều gì bất thường và đâu là những khu vực cần đào sâu thêm. Khi business đặt một giả định mới, bạn cũng có thể ước lượng khá nhanh tác động của nó lên kết quả cuối cùng mà chưa cần xây dựng lại toàn bộ mô hình

Trong thực tế, business không phải lúc nào cũng có thời gian chờ một mô hình hoàn hảo. Nhiều quyết định cần được đưa ra khi thông tin còn chưa đầy đủ. Trong những tình huống đó, khả năng đưa ra một judgement hợp lý thường quan trọng hơn việc theo đuổi một câu trả lời hoàn hảo

Đây cũng là điều khiến mình suy nghĩ khá nhiều về AI.
AI chắc chắn giúp analyst làm việc nhanh hơn. Nó có thể hỗ trợ viết công thức, tóm tắt dữ liệu, gợi ý giả thuyết hay đề xuất hướng phân tích. Nhưng nếu mọi câu hỏi đều được chuyển cho AI trước khi bản thân analyst thực sự suy nghĩ về số liệu, thì theo thời gian khả năng phản xạ với dữ liệu có thể sẽ giảm đi

Bởi vì quick estimation không đến từ việc đọc câu trả lời nó đến từ quá trình liên tục kết nối các con số với business context, hết lần này đến lần khác

Mình không nghĩ AI sẽ thay thế analyst nhưng mình nghĩ analyst hoàn toàn có thể tự đánh mất một trong những kỹ năng giá trị nhất của mình nếu phụ thuộc quá nhiều vào AI cho phần tư duy ban đầu

Vì cuối cùng, AI có thể giúp chúng ta xử lý dữ liệu nhanh hơn

Nhưng khả năng nhìn vào một bộ số liệu và hình dung được điều gì có khả năng xảy ra tiếp theo vẫn là thứ analyst phải tự rèn luyện cho mình

Học Power Query thực chất là đang học gì?
Mục tiêu đầu tiên của bất kỳ query nào cũng là tạo ra dữ liệu đầu ra đúng theo yêu cầu. Nhưng đó mới chỉ là điểm khởi đầu

Giá trị thực sự của Power Query nằm ở khả năng tái sử dụng. Một query tốt không chỉ xử lý được bộ dữ liệu hiện tại mà còn có thể tiếp tục hoạt động khi dữ liệu nguồn được cập nhật trong tương lai

Và cũng chính từ đây, Power Query không còn chỉ là câu chuyện của các tính năng nữa

Trong công việc thực tế, dữ liệu hiếm khi hoàn hảo. Có những bộ dữ liệu không đồng nhất, có những nguồn dữ liệu thay đổi cấu trúc theo thời gian, có những quy trình hôm nay hoạt động rất tốt nhưng vài tháng sau lại phát sinh lỗi khi cập nhật. Lúc đó, câu hỏi không còn là cần học thêm tính năng nào nữa mà là phải hiểu dữ liệu của mình đang có đặc điểm gì và Power Query đang làm việc với dữ liệu đó như thế nào

Đó cũng là lý do trong buổi học đầu tiên mình thường không bắt đầu bằng các tính năng. Trước khi học cách xử lý dữ liệu, mình muốn mọi người hiểu cách Power Query nhìn dữ liệu. Khi kết nối tới một file Excel, một file CSV hay một file PDF, Power Query đang đọc những đối tượng nào, hiểu cấu trúc dữ liệu theo cách nào và những lựa chọn ban đầu đó sẽ ảnh hưởng ra sao đến các bước xử lý phía sau. Những nội dung này có thể không hấp dẫn bằng việc học một tính năng mới, nhưng đó lại là nền tảng cho mọi quyết định xử lý dữ liệu về sau

Càng làm việc với Power Query, mình càng thấy phần khó nhất không phải là sử dụng một tính năng mà là hiểu điều kiện để một giải pháp có thể hoạt động ổn định. Một giải pháp có thể hoạt động rất tốt với bộ dữ liệu này nhưng chưa chắc đã phù hợp với bộ dữ liệu khác. Một query có thể cho kết quả đúng hôm nay nhưng chưa chắc còn ổn định khi dữ liệu thay đổi, phát sinh thêm cột mới hoặc tăng lên gấp nhiều lần

Vì vậy khi review bài tập của học viên, điều mình quan tâm không phải là kết quả cuối cùng. Mình quan tâm nhiều hơn đến cách người học xây dựng quy trình xử lý dữ liệu. Bước nào đang phụ thuộc vào cấu trúc hiện tại của dữ liệu. Bước nào dễ phát sinh lỗi khi cập nhật. Có cách nào tổng quát hơn, ổn định hơn và dễ bảo trì hơn không. Bởi vì trong thực tế, một quy trình xử lý dữ liệu tốt không phải là quy trình tạo ra kết quả đúng một lần, mà là quy trình có thể tiếp tục hoạt động khi dữ liệu thay đổi

Giá trị lâu dài của việc học Power Query không nằm ở việc biết thêm bao nhiêu tính năng mà nằm ở việc hình thành tư duy xử lý dữ liệu. Tính năng là công cụ, còn tư duy xử lý dữ liệu mới là thứ giúp chúng ta kết hợp các công cụ đó thành những quy trình ổn định, linh hoạt và có khả năng thích nghi với sự thay đổi của dữ liệu theo thời gian

Và có lẽ đó cũng là giá trị lớn nhất mà Power Query mang lại. Không chỉ là khả năng tự động hóa hay xử lý dữ liệu nhanh hơn, mà là giúp chúng ta hiểu dữ liệu tốt hơn, suy nghĩ có hệ thống hơn và xây dựng được một tư duy có thể áp dụng sang nhiều công cụ khác. Bởi vì cuối cùng, công cụ có thể thay đổi, nhưng nguyên tắc làm việc với dữ liệu thì vẫn vậy

Bạn có thể comment hoặc nhắn tin trực tiếp cho mình để mình có thể chia sẻ cụ thể lộ trình học Power Query mà mình đang hướng dẫn trong khóa học Excel Power Tools

Sử dụng AI có trách nhiệm và an toàn

Hôm nay mình đọc được một chia sẻ trên LinkedIn về một số trường hợp ở Trung Quốc, nhân viên bị kỷ luật hoặc thậm chí mất việc vì đưa dữ liệu công ty lên các nền tảng AI công cộng để xử lý công việc

Đây có lẽ là điều mình suy nghĩ nhiều nhất khi bắt đầu sử dụng AI đến bây giờ

Xuất thân là một auditor, một trong những nguyên tắc quan trọng nhất mình được đào tạo và phải tuân thủ là bảo mật thông tin và dữ liệu khách hàng. Có những khách hàng yêu cầu toàn bộ team kiểm toán phải ký cam kết bảo mật (Confidentiality Letter) trước khi được tiếp cận tài liệu. Khi học ACCA, mình cũng được học về Risk Management và trong thời gian làm việc tại các tập đoàn đa quốc gia mình tiếp tục được đào tạo định kỳ về bảo mật dữ liệu nội bộ.

AI ngày càng phổ biến thì càng có nhiều chia sẻ về cách ứng dụng AI để tăng năng suất làm việc. Gần đây mình còn thấy nhiều hướng dẫn tích hợp Claude hoặc các AI khác trực tiếp vào Excel để đọc và phân tích dữ liệu ngay trên file đang làm việc, trong khi những file đó có thể chứa rất nhiều thông tin nội bộ hoặc dữ liệu nhạy cảm của doanh nghiệp

Trong khi không mấy ai nhắc đến việc sử dụng AI một cách có trách nhiệm và an toàn dù đây là một vấn đề rất quan trọng nhưng đang bị bỏ ngỏ phần nào vì sự hào hứng với công nghệ và năng suất thường lớn hơn sự quan tâm đến các rủi ro đi kèm.

Một prompt có thể giúp tiết kiệm hàng giờ làm việc, nhưng một lần vô tình tải lên dữ liệu khách hàng, hợp đồng, báo cáo tài chính nội bộ hoặc thông tin kinh doanh nhạy cảm có thể kéo theo những rủi ro rất lớn về bảo mật, pháp lý và uy tín

AI chắc chắn là xu hướng không thể đảo ngược và mình cũng sử dụng AI mỗi ngày. Tuy nhiên bên cạnh tìm hiểu làm sao để tận dụng AI hiệu quả cho công việc, mỗi người dùng cũng cần phải hiểu rõ dữ liệu nào được phép đưa vào AI và dữ liệu nào tuyệt đối không nên

Tách dữ liệu với nhiều dấu phân cách trong Power Query (Power Query Tips)
Nếu bạn đang có dữ liệu chứa nhiều dấu phân cách (delimiter) khác nhau như ; , - , | hoặc khoảng trắng, thay vì phải tạo nhiều bước Split Column cho từng delimiter, bạn có thể sử dụng M function:
Splitter.SplitTextByAnyDelimiter()

Các dấu phân cách sẽ được đặt bên trong một list:
{";","-","|"," "}

Power Query sẽ tự động tách dữ liệu dựa trên các delimiter được khai báo trong list