, October 02, 2022

0 kết quả được tìm thấy

Những câu hỏi phỏng vấn Data Analyst hay gặp và câu trả lời

  • Đăng bởi  Kieu Hoa
  •  Aug 25, 2021

  •   25 min reads
Những câu hỏi phỏng vấn Data Analyst hay gặp và câu trả lời

Với bất kỳ cuộc phỏng vấn nào, việc thể hiện sự chuyên nghiệp trong ấn tượng đầu tiên là điều rất quan trọng. Ăn mặc lịch sự, duy trì giao tiếp bằng mắt và hành động tự tin. Những ấn tượng đầu giúp nhà tuyển dụng đánh giá xem bạn có phù hợp với công ty của họ hay không. Điều quan trọng là phải luôn tích cực và thân thiện.

Các cuộc phỏng vấn có thể rất đáng sợ. Nếu bạn không chuẩn bị tốt, căng thẳng và lo lắng có thể dễ dàng xâm chiếm. Dưới đây là danh sách những câu hỏi của người phỏng vấn có thể giúp bạn cảm thấy bớt căng thẳng và tự tin hơn.

Data analytics là gì? Cách trở thành một data analyst?
Ngày nay, lĩnh vực data analytics dần trở nên quan trọng và được nhiều công ty tuyển dụng với mức lương cao. Vậy data analytics là gì? và làm sao để trở thành một data analyst?

Câu hỏi phỏng vấn DA phổ biến

Dưới đây là tập hợp các câu hỏi phỏng vấn DA phổ biến được tuyển chọn dành cho người mới bắt đầu.

1. Tại sao bạn muốn trở thành một data analyst?


Có rất nhiều vị trí với những vai trò khác nhau trong ngành phân tích dữ liệu . Câu hỏi này giúp người phỏng vấn biết bạn muốn hướng đến vị trí nào. Trả lời câu hỏi này theo phương pháp STAR bằng cách giải thích những lý do chính khiến bạn muốn trở thành data analyst cũng như những kỹ năng bạn có phù hợp với công việc này:

“Công việc của data analyst là thu thập và phân tích dữ liệu giúp các công ty đưa ra quyết định kinh doanh tốt hơn. Tôi cảm thấy bản thân nhạy bén với các con số, thu thập nhanh các dữ liệu và nghiên cứu thị trường. Tôi quyết định chọn công việc này vì nó phù hợp với những điểm mạnh của tôi. Bên cạnh đó, tôi cảm thấy dữ liệu và nghiên cứu thị trường rất thú vị ”.

2. Bạn thích làm việc trong lĩnh vực nào hơn và tại sao?

Data analyst có thể làm việc trong các lĩnh vực khác nhau như tài chính, tiếp thị, bảo hiểm, truyền thông, chăm sóc sức khỏe, ... Hãy giải thích bạn thích lĩnh vực nào và trả lời cụ thể để người phỏng vấn hiểu bạn hơn.
Bạn có thể trả lời như sau:

“Tôi muốn làm việc như một nhà phân tích tiếp thị (marketing analyst) vì nó phù hợp với kỹ năng và sở thích của tôi. Ngoài ra, tôi thấy rất nhiều công ty trong các ngành công nghiệp lớn tuyển dụng vị trí này. Điều đó giúp tôi có nhiều cơ hội để phát triển hơn trong sự nghiệp của mình.

3. Bạn được đào tạo phần mềm phân tích dữ liệu nào?

Câu hỏi này giúp người phỏng vấn biết các kỹ năng cứng của bạn có đạt tiêu chuẩn hay không và có thể cung cấp insight về lĩnh vực bạn muốn đào tạo thêm. Trong câu trả lời, bạn hãy nói về phần mềm mà bài tuyển dụng nhấn mạnh, bất kỳ trải nghiệm nào với phần mềm đó và sử dụng những thuật ngữ quen thuộc.
Đây là câu trả lời mẫu:

“Tôi có nhiều kinh nghiệm về phần mềm. Ví dụ, tại công ty hiện tại, tôi thực hiện rất nhiều thuật toán quản lý dữ liệu và khai thác dữ liệu ELKI. Tôi cũng có thể tạo databases trong Access và tạo bảng trong Excel. ”

4. Dự án phân tích dữ liệu khó khăn nhất của bạn là gì?


Với câu hỏi này, người phỏng vấn muốn hiểu sâu hơn về cách bạn tiếp cận và giải quyết vấn đề. Trong câu trả lời, bạn nhớ giải thích sự kiện, hành động, kết quả, tránh đổ lỗi cho người khác và giải thích tại sao dự án này lại khó khăn:

“Dự án khó khăn nhất của tôi là về động vật có nguy cơ tuyệt chủng. Tôi phải dự đoán có bao nhiêu loài động vật sống sót đến năm 2020, 2050 và 2100. Trước đó, tôi phải xử lý dữ liệu có sẵn, với các sự kiện đã xảy ra. Vì vậy, tôi đã nghiên cứu các môi trường sống khác nhau, những động vật ăn thịt và các yếu tố khác nữa. Cuối cùng tôi đưa ra dự đoán và cảm thấy rất tin tưởng với kết quả đó. ”

5. Hãy thử giải thích cách bạn ước tính có bao nhiêu khách du lịch đến thăm Paris vào mỗi tháng 5.


Nhiều người phỏng vấn hỏi bạn loại câu hỏi hành vi này để xem quá trình suy nghĩ của một analyst mà không cần sự trợ giúp của máy tính và bộ dữ liệu. Xét cho cùng, công nghệ chỉ tốt và đáng tin cậy khi có người đứng sau nó.
Đây là câu trả lời mẫu:

“Đầu tiên, tôi sẽ thu thập dữ liệu số lượng người sống ở Paris, bao nhiêu khách du lịch đến thăm trong tháng 5 và thời gian lưu trú trung bình của họ. Tôi sẽ chia nhỏ các con số theo độ tuổi, giới tính, thu nhập và tìm số ngày nghỉ phép và ngày nghỉ ngân hàng (bank holiday) ở Pháp. Tôi cũng sẽ tìm hiểu xem văn phòng du lịch có bất kỳ dữ liệu nào có thể xem xét không ”.

6. Điểm mạnh giao tiếp của bạn là gì?

Giao tiếp là chìa khóa của bất kỳ vị trí nào. Cụ thể, với vai trò data analyst, bạn sẽ phải trình bày những phát hiện của mình và làm việc với nhóm. Hãy nói về khả năng giao tiếp của bạn với câu trả lời như thế này:

“Sức mạnh giao tiếp lớn nhất của tôi là khả năng truyền tải thông tin. Tôi biết cách diễn đạt đơn giản nhưng hiệu quả để ngay cả những người không biết các thuật ngữ chuyên ngành cũng có thể nắm được các khái niệm tổng thể. Tôi nghĩ giao tiếp đóng vai trò vô cùng quan trọng khi đảm nhận vị trí này, cụ thể là khi trình bày những phát hiện của tôi với mọi người xung quanh. ”

7. Bạn giải quyết những áp lực và căng thẳng như thế nào?

Cách tốt nhất để trả lời câu hỏi này là đưa ra ví dụ cụ thể về cách bạn đã làm để giải quyết căng thẳng trong công việc trước đây. Nhờ thế, người phỏng vấn biết được bạn làm việc như thế nào trong những tình huống căng thẳng. Tránh đề cập đến trường hợp bạn tự đặt bản thân vào tình huống áp lực không cần thiết. Thay vào đó, hãy mô tả khoảng thời gian bạn được giao một nhiệm vụ rất khó khăn hoặc được giao nhiều nhiệm vụ:

“Tôi thực sự làm việc tốt hơn dưới áp lực và thích làm việc trong môi trường đầy thử thách. Khi áp lực về deadline, tôi có thể hoàn thành một số công việc với chất lượng cao. Ví dụ, tôi đã từng phải hoàn thành ba dự án lớn có deadline cùng một tuần, điều này rất áp lực. Tuy nhiên, bởi vì tôi đã tạo ra một kế hoạch chi tiết bằng cách chia từng dự án thành các nhiệm vụ nhỏ, nên tôi đã hoàn thành cả ba dự án trước thời hạn và tránh những căng thẳng không cần thiết”.

8. Mục tiêu dài hạn của bạn là gì?

Biết mục tiêu của công ty là gì để nhấn mạnh khả năng của bản thân để giúp họ đạt được. Không thảo luận về các mục tiêu cá nhân ngoài công việc, chẳng hạn như có gia đình hoặc đi du lịch vòng quanh thế giới, khi trả lời câu hỏi này. Thông tin này không liên quan ”.
Thay vào đó, hãy trả lời liên quan đến công việc như thế này:

“Mục tiêu dài hạn của tôi liên quan đến việc phát triển cùng với một công ty nơi tôi có thể tiếp tục học hỏi, đảm nhận thêm trách nhiệm và đóng góp nhiều giá trị nhất có thể. Tôi rất thích việc công ty của bạn coi trọng các cơ hội phát triển nghề nghiệp. Tôi muốn tận dụng tất cả những cơ hội này ”.

9. Tại sao chúng tôi nên thuê bạn?

Khi nói câu này, thực ra, người phỏng vấn muốn hỏi, "Điều gì khiến bạn trở thành người phù hợp nhất với vị trí này?" Câu trả lời của bạn phải là một “lời rao bán hàng” ngắn gọn giải thích những gì bạn phải cung cấp cho nhà tuyển dụng. Trả lời ngắn gọn và tự tin.
Câu trả lời mẫu:

“Tôi có kiến thức, kinh nghiệm và khả năng giao tiếp tuyệt vời để trở thành tài sản cho công ty của bạn.”

10. Đề cập đến sự khác nhau giữa Data Mining và Data Profiling?

Data Mining

  • Khai phá dữ liệu (Data Mining) là quá trình khám phá những thông tin liên quan mà trước đó chưa được xác định.
  • Trong khai phá dữ liệu, dữ liệu thô được chuyển thành thông tin có giá trị.

Data Profiting

  • Hồ sơ dữ liệu (Data Profiting) được thực hiện để đánh giá tập dữ liệu về tính duy nhất, logic và nhất quán của nó.
  • Không thể xác định các giá trị dữ liệu không chính xác hoặc sai.

11. Xác định thuật ngữ 'Data Wrangling trong Data Analytics.

Sắp xếp dữ liệu (Data Wrangling) là quá trình chuyển đổi từ dữ liệu dạng thô sang dạng sẵn sàng phân tích. Sắp xếp dữ liệu là bước quan trọng trong tiền xử lý dữ liệu và bao gồm một số quy trình như nhập, làm sạch, cấu trúc dữ liệu, xử lý chuỗi, phân tích cú pháp HTML, xử lý ngày và giờ, xử lý dữ liệu bị thiếu và khai thác văn bản.

12. Các bước trong bất kỳ dự án phân tích?

Đây là một trong những câu hỏi phỏng vấn cơ bản nhất dành cho DA. Dưới đây là các bước khác nhau trong bất kỳ dự án phân tích nào.

Hiểu vấn đề
Hiểu vấn đề kinh doanh, xác định các mục tiêu của tổ chức và lập kế hoạch cho các giải pháp.

Thu thập dữ liệu
Thu thập dữ liệu phù hợp từ nhiều nguồn khác nhau cùng với các thông tin khác dựa trên mức độ ưu tiên của bạn.

Làm sạch dữ liệu
Làm sạch dữ liệu để loại bỏ các giá trị không mong muốn, thừa và thiếu, đồng thời chuẩn bị sẵn dữ liệu để phân tích.

Khám phá và phân tích dữ liệu
Sử dụng các data visualization và công cụ BI, kỹ thuật data mining và mô hình dự đoán để phân tích dữ liệu.

Diễn giải kết quả
Diễn giải kết quả để tìm ra các mẫu ẩn, xu hướng trong tương lai và có được insights.

13. Các vấn đề phổ biến mà DA thường gặp phải trong quá trình phân tích?

Các vấn đề thường gặp trong những dự án phân tích là:

  • Xử lý bản sao, trùng lặp (handling duplicate)
  • Thu thập dữ liệu phù hợp có ý nghĩa và đúng lúc
  • Xử lý các vấn đề xóa và lưu trữ dữ liệu
  • Bảo mật dữ liệu

14. Bạn đã sử dụng những công cụ kỹ thuật nào cho mục đích phân tích và trình bày?

Là một DA, bạn phải biết các công cụ dưới đây có mục đích phân tích và trình bày. Một số công cụ phổ biến bạn nên biết là:

MS SQL Server, MySQL
Để làm việc với dữ liệu được lưu trữ trong cơ sở dữ liệu quan hệ (Relational database)

MS Excel, Tableau
Để tạo báo cáo và dashboards

Python, R, SPSS
Để phân tích thống kê, lập mô hình dữ liệu và phân tích khám phá

MS PowerPoint
Để trình bày, hiển thị kết quả cuối cùng và các kết luận quan trọng

15. Cách tốt nhất để làm sạch dữ liệu là gì?

  • Tạo kế hoạch làm sạch dữ liệu bằng cách hiểu nơi các lỗi thường xảy ra
  • Trước khi làm việc với dữ liệu, hãy xác định và loại bỏ các bản sao, trùng lặp. Điều này sẽ giúp quá trình phân tích dữ liệu dễ dàng và hiệu quả hơn.
  • Tập trung vào tính chính xác của dữ liệu. Đặt cross-field validation, duy trì các loại giá trị của dữ liệu và cung cấp các ràng buộc (constraints) bắt buộc.
  • Chuẩn hóa (Normalize) dữ liệu tại điểm nhập. Điều đó giúp đảm bảo tất cả các thông tin đều được chuẩn hóa, dẫn đến việc nhập ít bị lỗi hơn.

16. Ý nghĩa của việc Phân tích Khám phá Dữ liệu (Exploratory Data Analysis)?

  • EDA giúp hiểu rõ hơn về dữ liệu.
  • Nó giúp bạn tự tin vào dữ liệu của mình đến mức sẵn sàng sử dụng thuật toán machine learning.
  • Nó cho phép bạn tinh chỉnh lựa chọn về các biến tính năng mà sau này sẽ được sử dụng để xây dựng mô hình.
  • Bạn có thể khám phá các xu hướng ẩn và thông tin chi tiết từ dữ liệu.

17. Giải thích các phân tích đề xuất, dự đoán và mô tả.

Phân tích mô tả

  • Nó cung cấp thông tin chi tiết trong quá khứ để trả lời cho câu hỏi "điều gì đã xảy ra"
  • Sử dụng các kỹ thuật tập hợp dữ liệu (Data aggregation) và khai phá dữ liệu (data mining)

Ví dụ: Một công ty kem có thể phân tích số lượng, hương vị kem nào đã được bán và được bán nhiều/ít hơn so với ngày hôm trước

Phân tích dự đoán

  • Hiểu được tương lai để trả lời cho câu hỏi "điều gì có thể xảy ra"
  • Sử dụng các mô hình thống kê (Statistical model) và kỹ thuật dự báo

Phân tích đề xuất

  • Đề xuất những cách khác nhau để trả lời cho câu hỏi "bạn nên làm gì"
  • Sử dụng các thuật toán mô phỏng và kỹ thuật tối ưu hóa để đưa ra các kết quả

Ví dụ: Giảm giá để tăng doanh số bán kem, sản xuất nhiều/ít hơn số lượng kem với hương vị cụ thể

18. Các loại kỹ thuật lấy mẫu khác nhau được DA sử dụng?

Chọn mẫu là phương pháp thống kê để chọn một tập hợp con dữ liệu từ toàn bộ tập dữ liệu (population) để ước tính các đặc điểm của tổng thể.

Chủ yếu có năm phương pháp lấy mẫu:

  • Simple random sampling
  • Systematic sampling
  • Cluster sampling
  • Stratified sampling
  • Judgmental or purposive sampling

19. Mô tả phân tích đơn biến, song biến và đa biến.

Phân tích đơn biến là hình thức phân tích dữ liệu đơn giản và dễ dàng nhất. Trong đó, dữ liệu được phân tích chỉ chứa một biến.

Ví dụ - Nghiên cứu chiều cao của các cầu thủ trong giải NBA.

Phân tích đơn biến có thể được mô tả bằng cách sử dụng Xu hướng tập trung (Central Tendency), Sư phân tán (Dispersion), Tứ phân vị (Quartiles), biểu đồ hình cột (Bar charts), Biểu đồ tần suất (Histograms), biểu đồ tròn (Pie charts), và bảng phân phối tần suất (Frequency distribution tables).

Phân tích song biến bao gồm việc phân tích hai biến để tìm ra nguyên nhân, mối quan hệ và mối tương quan giữa các biến.

Ví dụ - Phân tích việc bán kem dựa vào nhiệt độ ngoài trời.

Phân tích song biến có thể được giải thích bằng cách sử dụng Hệ số tương quan (Correlation coefficients), Hồi quy tuyến tính (Linear regression), Hồi quy logistic, Biểu đồ phân tán (Scatter plots) và Biểu đồ hộp (Box plots).

Phân tích đa biến bao gồm việc phân tích ba hoặc nhiều biến số để hiểu mối quan hệ của mỗi biến số với các biến số khác.

Ví dụ - Phân tích Doanh thu dựa vào chi phí.

Phân tích đa biến có thể được thực hiện bằng cách sử dụng hồi quy bội (multiple regression), phân tích nhân tố (factor analysis), cây phân loại và hồi qui (Classification and Regression Tree), phân tích cụm (Cluster analysis), phân tích thành phần chính (Principal component analysis), biểu đồ kết hợp (Dual Axis Chart), v.v.

20. Bạn có câu hỏi nào không?

Khi kết thúc buổi phỏng vấn, hầu hết những người phỏng vấn đều hỏi bạn có bất kỳ câu hỏi nào về công việc hoặc công ty hay không. Bạn nên chuẩn bị sẵn một số câu hỏi để chứng tỏ bản thân đã chuẩn bị cho cuộc phỏng vấn, đã suy nghĩ về những điều liên quan đến công ty hoặc tìm hiểu thêm những vai trò của vị trí.

Câu hỏi về vai trò: Đây là cơ hội duy nhất để tìm hiểu thêm về những gì bạn sẽ làm, nếu chưa được đề cập kỹ lưỡng trước cuộc phỏng vấn. Ví dụ:

• Bạn có thể chia sẻ thêm về trách nhiệm hàng ngày của vị trí này không? Một ngày cụ thể sẽ như thế nào?

Câu hỏi về công ty hoặc người phỏng vấn: Đây cũng là cơ hội tốt để hiểu về văn hóa công ty và cách thức hoạt động của công ty.

• Văn hóa và tổ chức công ty như thế nào?

Câu hỏi phỏng vấn nhà phân tích dữ liệu về thống kê

21. Bạn có thể xử lý các giá trị bị thiếu trong tập dữ liệu như thế nào?

Đây là một trong những câu hỏi phỏng vấn mà nhà phân tích dữ liệu thường gặp nhất. Người phỏng vấn muốn bạn trả lời chi tiết chứ không chỉ nêu ra tên của các phương pháp. Có bốn phương pháp để xử lý các giá trị bị thiếu trong tập dữ liệu.

Listwise Deletion
Trong phương pháp xóa theo danh sách, toàn bộ bản ghi sẽ bị loại trừ khỏi phân tích nếu thiếu bất kỳ giá trị đơn lẻ nào.

Average Imputation
Lấy giá trị trung bình các câu trả lời của những người tham gia và điền vào giá trị còn thiếu.

Regression Substitution
Bạn có thể sử dụng phương pháp này để ước tính giá trị bị thiếu.

Multiple Imputations
Phương pháp này sử dụng tổ hợp đa khả năng để điền vào giá trị bị thiếu giúp giảm thiểu sự không chắc chắn trên bằng việc tính toán trên một vài lựa chọn khác nhau. Theo đó, một vài phiên bản dữ liệu hoàn thiện của dữ liệu được tạo ra. Cuối cùng, những phiên bản dữ liệu này được tổ hợp với nhau để tạo ra một phiên bản cuối cùng với các giá trị đã điền vào dữ liệu bị khuyết được coi là “chắc chắn” nhất.

22. Giải thích thuật ngữ Phân phối chuẩn (Normal Distribution).

Phân phối chuẩn là phân phối xác suất đối xứng quanh giá trị trung bình. Trong biểu đồ, phân phối chuẩn sẽ xuất hiện dưới dạng đường cong hình chuông.

Giá trị trung bình, trung vị và yếu vị (mode) là bằng nhau
Tất cả chúng đều nằm ở trung tâm của phân phối
68% dữ liệu nằm trong một độ lệch chuẩn của giá trị trung bình
95% dữ liệu nằm giữa hai độ lệch chuẩn của giá trị trung bình
99,7% dữ liệu nằm giữa ba độ lệch chuẩn của giá trị trung bình

23. Phân tích dãy số thời gian (Time series analysis) là gì?

Phân tích dãy số thời gian là phương pháp phân tích số liệu thống kê về các quá trình đã diễn ra, được ghi chép theo các khoảng thời gian nối tiếp nhau với mục tiêu sử dụng kinh nghiệm thu được trong quá khứ để dự báo tình hình sẽ xảy ra trong tương lai bất định. Như vậy, thông tin dưới dạng dãy số thời gian có thể phục vụ cho các mục tiêu dự báo.

Dưới đây là ví dụ của dữ liệu dãy số thời gian về các trường hợp coronavirus và biểu đồ của nó.

24. Overfitting khác với Underfitting như thế nào?

Đây là câu hỏi phỏng vấn nhà phân tích dữ liệu thường gặp. Và người phỏng vấn hy vọng bạn có thể nêu ra được tất cả các điểm khác biệt.

Overfitting (quá khớp)

  • Mô hình có độ chính xác cao với bộ dữ liệu huấn luyện, nhưng độ chính xác thấp với bộ dữ liệu mới (hay dữ liệu tổng thể).
  • Hiệu suất giảm đáng kể so với test set.
  • Xảy ra khi mô hình tìm hiểu chi tiết các biến động ngẫu nhiên và nhiễu trong bộ dữ liệu huấn luyện.

Underfitting (chưa khớp)

  • Mô hình có độ chính xác thấp trên cả bộ dữ liệu huấn luyện và bộ dữ liệu mô tả tổng thể mới.
  • Hoạt động kém cả trên train và test set.
  • Điều này xảy ra khi có ít dữ liệu hơn để xây dựng mô hình chính xác và khi phát triển mô hình tuyến tính bằng cách sử dụng dữ liệu phi tuyến tính.

25. Bạn xử lý outliers (điểm dị biệt) trong tập dữ liệu như thế nào?

Điểm dị biệt là điểm khác xa so với các điểm dữ liệu khác.

Biểu đồ mô tả bên dưới cho thấy có ba điểm dị biệt trong tập dữ liệu.

Để loại bỏ điểm dị biệt, bạn có thể sử dụng bốn phương pháp sau:

  • Loại bỏ các điểm dị biệt
  • Giới hạn dữ liệu của bạn
  • Gán cho giá trị mới
  • Thử một chuyển đổi (transformation) mới

26. Các loại kiểm định giả thuyết (Hypothesis Testing) khác nhau là gì?

Kiểm định giả thuyết là cách nhà thống kê và nhà khoa học sử dụng để chấp nhận hoặc bác bỏ các giả thuyết thống kê. Chủ yếu có hai loại kiểm định giả thuyết:

  • Giả thuyết rỗng (null hypothesis) cho thấy không có mối quan hệ giữa yếu tố dự đoán và biến kết quả trong population. Nó được ký hiệu là H0.

Ví dụ: Không có mối liên quan giữa BMI của bệnh nhân và bệnh tiểu đường.

  • Giả thuyết thay thế (alternative hypothesis) cho thấy có một số mối quan hệ giữa yếu tố dự báo và biến kết quả trong population. Nó được ký hiệu là H1.

Ví dụ: Có thể có mối liên quan giữa chỉ số BMI của bệnh nhân và bệnh tiểu đường.

27. Giải thích lỗi Loại I và Loại II trong Thống kê?

Trong kiểm định giả thuyết, lỗi Loại I xảy ra khi giả thuyết rỗng bị bác bỏ ngay cả khi nó đúng. Nó còn được gọi là dương tính giả.

Lỗi loại II xảy ra khi giả thuyết rỗng không bị bác bỏ, ngay cả khi nó sai. Nó còn được gọi là một âm tính giả.

Câu hỏi phỏng vấn nhà phân tích dữ liệu Excel

28. Trong Microsoft Excel, một giá trị số có thể được coi là giá trị văn bản nếu nó đứng trước giá trị nào?

29. Sự khác biệt giữa COUNT, COUNTA, COUNTBLANK và COUNTIF trong Excel là gì?

  • Hàm COUNT đếm số lượng ô có chứa các số trong một phạm vi
  • Hàm COUNTA đếm các ô không trống trong một phạm vi
  • Hàm COUNTBLANK đếm số lượng ô trống trong một phạm vi
  • Hàm COUNTIF đếm các ô trong một phạm vi đáp ứng điều kiện nhất định

30. Làm cách nào để tạo dropdown list trong MS Excel?

  • Đầu tiên, bấm vào tab Data.
  • Trong nhóm Data Tools, hãy chọn Data Validation.
  • Chọn tab Settings > Trong mục Allow chọn List
  • Đi đến mục Sources > Nhập tên các thành phần cần tạo list

31. Bạn có thể cung cấp dải tần nhạy sáng (Dynamic Range) trong “Data source” của pivot table không?

Có thể. Để làm điều đó, bạn cần tạo named range (một dải ô được đặt tên) bằng cách sử dụng hàm offset và tạo cơ sở cho pivot table bằng cách sử dụng named range được tạo ở bước đầu.

32. Hàm tìm ra ngày trong tuần từ ngày cụ thể là gì?

Để tìm ngày trong tuần, bạn có thể sử dụng hàm WEEKDAY().

Hàm trên sẽ trả về kết quả là 6, tức ngày 17 tháng 12 là thứ bảy.

33. Hàm AND() hoạt động trong Excel như thế nào?

AND() là hàm logic kiểm tra nhiều điều kiện và trả về TRUE hoặc FALSE dựa trên việc các điều kiện có được đáp ứng hay không.

Cú pháp: AND(logica1,[logic2],[logic3]....)

Trong ví dụ dưới đây, chúng ta đang kiểm tra xem marks có lớn hơn 45. Kết quả sẽ là true nếu mark >45, nếu không sẽ là false.

34. Giải thích cách hoạt động của hàm VLOOKUP trong Excel?

VLOOKUP được sử dụng khi bạn cần tìm mọi thứ trong bảng hoặc một phạm vi theo hàng.

VLOOKUP chấp nhận bốn tham số sau:

  • Lookup_value: là giá trị dùng để tìm kiếm
  • Table_array: là vùng điều kiện để dò tìm giá trị tìm kiếm
  • Col_index_num: Là thứ tự của cột cần lấy dữ liệu trên bảng giá trị cần tìm. Cột đầu tiên của vùng dữ liệu được tính là 1
  • Range_lookup: Là kiểu tìm kiếm, gồm 2 kiểu TRUE và FALSE. (Có thể có hoặc không)

TRUE:  Tương ứng với 1 là tìm kiếm tương đối

FALSE:  Tương ứng với 0 là tìm kiếm tuyệt đối tức Hàm VLOOKUP sẽ tìm kiếm những giá trị trùng khớp nhau hoàn toàn

Hãy cùng tìm hiểu về hàm VLOOKUP với ví dụ sau.

Nếu bạn muốn tìm bộ phận mà Stuart trực thuộc, bạn có thể sử dụng hàm Vlookup như hình dưới đây:

Ở đây, A11 là lookup value, A2: E7 là table array, 3 là column index number với thông tin về departments và 0 là range lookup.

Nếu bạn nhấn enter, nó sẽ trả về "Marketing", cho biết rằng Stuart đến từ bộ phận tiếp thị.

35. Bạn sẽ sử dụng hàm nào để nhận được ngày và thời gian hiện tại trong Excel?

Trong Excel, bạn có thể sử dụng hàm TODAY() và NOW() để nhận lại ngày và thời gian hiện tại.

36. Sử dụng bảng doanh số dưới đây, hãy tính tổng số lượng bán được của các đại diện bán hàng (sales representatives) có tên bắt đầu bằng chữ A và chi phí của từng mặt hàng (cost of each item) mà họ bán lớn hơn 10.

Bạn có thể sử dụng hàm SUMIFS() để tìm tổng số lượng.

Đối với cột Sales Rep, bạn cần đưa ra tiêu chí là “A *” - nghĩa là tên phải bắt đầu bằng chữ cái “A”. Đối với cột Cost each, tiêu chí phải là “> 10” - nghĩa là chi phí của mỗi mục lớn hơn 10.

Kết quả là 13.

37. Sử dụng dữ liệu cho dưới đây, tạo pivot table để tìm tổng doanh số bán hàng của mỗi đại diện bán hàng cho từng mặt hàng. Hiển thị doanh số bán hàng dưới dạng % của tổng số.

Chọn toàn bộ bảng, nhấp vào tab Insert và chọn PivotTable

Chọn phạm vi bảng và trang tính mà bạn muốn đặt pivot table

Kéo Sale total vào Values và Sales Rep và Item vào Row Labels. Nó sẽ cung cấp tổng doanh số của mỗi người đối với từng mặt hàng.

Nhấp chuột phải vào “Sum of Sale Total’ và mở rộng Show Values As để chọn % trong Grand Total.

Dưới đây là resultant pivot table.

Lời kết:

Điều quan trọng là bạn phải chuẩn bị để trả lời hiệu quả các câu hỏi của nhà tuyển dụng. Vì những câu hỏi này rất phổ biến, người quản lý tuyển dụng và người phỏng vấn sẽ mong đợi bạn có thể trả lời chúng một cách trôi chảy và không do dự.

Bạn không cần phải ghi nhớ câu trả lời đến mức nói như một con rô bốt, hãy suy nghĩ về những gì bạn sẽ nói khi gặp những câu hỏi trên trong cuộc phỏng vấn. Thực hành với người khác để cảm thấy tự tin hơn khi trả lời những câu hỏi.

Chúc bạn may mắn nhé!

Bạn có thể nhấn vào link này để tham gia vào nhóm và nhận thêm nhiều tài liệu hữu ích khác về Data nhé!

Bài viết liên quan

Master data là gì? Sự khác nhau giữa Master data và Transaction data

Master data là tập hợp các định danh thống nhất và các thuộc tính mở rộng. Nó mô tả các thực thể cốt lõi của doanh nghiệp bao gồm khách hàng,.......

Master data là gì? Sự khác nhau giữa Master data và Transaction data
Danh mục các loại biểu đồ trong Data Visualization

Bạn có thể tìm thấy danh sách các loại biểu đồ, nó sẽ hoạt động như một hướng dẫn đầy hữu ích giúp bạn lựa chọn được biểu đồ phù hợp với nhu cầu của bản thân....

Danh mục các loại biểu đồ trong Data Visualization
Data Analysis with Excel: Analysis ToolPak

Bộ công cụ Analysis ToolPak trên Excel sẽ giúp bạn tiết kiệm thời gian và đơn giản hóa các bước phân tích dữ liệu tài chính, thống kê ....

Data Analysis with Excel: Analysis ToolPak
Data Analysis with Excel: Solver

Excel có một công cụ được gọi là solver cung cấp các lệnh và các tính năng tùy chỉnh để giải quyết các vấn đề quyết định....

Data Analysis with Excel: Solver
Data Analysis with Excel: What-If Analysis

What-If Analysis trong Excel cho phép bạn thử các giá trị (scenarios) khác nhau cho các công thức....

Data Analysis with Excel: What-If Analysis
You've successfully subscribed to 200Lab Blog
Great! Next, complete checkout for full access to 200Lab Blog
Xin chào mừng bạn đã quay trở lại
OK! Tài khoản của bạn đã kích hoạt thành công.
Success! Your billing info is updated.
Billing info update failed.
Your link has expired.