Hướng Dẫn Quy Trình Sử Dụng Git Và GitHub Cơ Bản Dành Cho Data Analyst

Trong quá trình làm việc với dữ liệu, nhiều Data Analyst thường gặp cảnh thư mục dự án lộn xộn. Các file như report_final.sql, report_final_v2.sql hay report_final_sua_lan_cuoi.sql xuất hiện khắp nơi. Việc quản lý thủ công này dễ gây nhầm lẫn khi đối soát số liệu. Đồng thời, nó khiến việc phối hợp nhóm gặp nhiều trở ngại. Git và GitHub là giải pháp chuẩn mực để chuyên nghiệp hóa quy trình làm việc. Bộ đôi này giúp bạn theo dõi lịch sử từng dòng code và phân nhánh thử nghiệm an toàn. Đặc biệt, đây còn là công cụ xây dựng Data Portfolio ấn tượng với nhà tuyển dụng.

Bài viết này cung cấp hướng dẫn thực chiến từng bước dành riêng cho người làm dữ liệu. Bạn sẽ nắm vững bản chất của Git và cách tổ chức thư mục phân tích chuẩn mực. Tiếp đó, bài viết hướng dẫn cấu hình .gitignore để bảo vệ dữ liệu mật. Bạn cũng sẽ thực hành các lệnh cốt lõi như git init, git add, git commit, git branch và git push. Cuối cùng là các giải pháp xử lý lỗi thực tế trong doanh nghiệp.

Nhiều người mới bắt đầu làm quen với phân tích dữ liệu thường lầm tưởng Git và GitHub là một công cụ duy nhất. Thực tế, đây là hai thành phần tách biệt nhưng bổ trợ chặt chẽ cho nhau:

Trước khi gõ các dòng lệnh trên Terminal, hãy hiểu bản chất kiến trúc của Git qua 4 khái niệm then chốt sau:

• Repository (Kho lưu trữ hay “Repo”): Là một thư mục trên máy tính được Git theo dõi toàn diện. Mọi lịch sử chỉnh sửa, các nhánh làm việc và cấu hình đều được ẩn bên trong thư mục đặc biệt .git.
• Commit (Bản chụp trạng thái – Snapshot): Git không lưu trữ dữ liệu theo kiểu “file copy trùng lặp”. Mỗi lần commit, Git sẽ chụp lại một bản snapshot toàn vẹn của mã nguồn. Bản ghi này gắn liền với mã băm SHA-1, tên tác giả và thời gian thực hiện. Đi kèm với đó là thông điệp mô tả chi tiết nội dung thay đổi.
• Branch (Nhánh làm việc): Cho phép bạn tách luồng làm việc ra khỏi nhánh chính (main). Ví dụ, bạn cần viết câu lệnh SQL phân tích khách hàng rời bỏ (Churn Analysis). Hãy tạo nhánh feature/churn-model để thử nghiệm. Nếu kết quả không đạt, bạn chỉ cần xóa nhánh này đi. Nhánh main vẫn luôn an toàn và hoạt động bình thường.
• Mô hình 3 trạng thái của Git (The Three States):
  1. Working Directory: Thư mục bạn đang mở trên máy tính để viết code và sửa file.
  2. Staging Area (Index): “Phòng chờ” lưu các file bạn đã chọn lọc bằng lệnh git add để chuẩn bị đóng gói.
  3. Git Directory (Repository): Nơi lưu trữ vĩnh viễn các snapshot sau khi chạy lệnh git commit.

Cách tổ chức cây thư mục thể hiện rõ tính chuyên nghiệp của Data Analyst. Bạn không nên để file dữ liệu, file SQL và notebook lẫn lộn trong một thư mục. Thay vào đó, hãy áp dụng cấu trúc phân tầng khoa học dưới đây:

ecommerce-analytics/
├── data/
│   ├── raw/              # Dữ liệu gốc ban đầu (Chỉ đọc - Tuyệt đối không sửa tay)
│   └── processed/        # Dữ liệu sạch sau khi làm sạch và tiền xử lý
├── sql/                  # Toàn bộ truy vấn SQL (.sql) trích xuất dữ liệu
│   ├── 01_extract_orders.sql
│   └── 02_customer_cohort.sql
├── notebooks/            # Jupyter Notebooks (.ipynb) phân tích khám phá (EDA)
│   └── 01_exploratory_data_analysis.ipynb
├── src/                  # Các hàm Python xử lý dữ liệu dùng chung (.py)
│   ├── __init__.py
│   └── data_loader.py
├── reports/              # Báo cáo đầu ra, biểu đồ xuất ra (.png, .pdf)
│   └── figures/
├── .gitignore            # Khai báo các file và thư mục Git cần bỏ qua
├── requirements.txt      # Danh sách thư viện Python cần cài đặt
└── README.md             # Tài liệu tổng quan dự án (Bối cảnh, Phương pháp, Kết luận)

Lợi ích vượt trội: Cấu trúc này giúp người đọc dự án nắm bắt luồng xử lý trong vài giây. Nhà tuyển dụng sẽ thấy ngay dữ liệu nguồn nằm ở đâu. Họ cũng dễ dàng kiểm tra câu lệnh SQL nghiệp vụ và vị trí file báo cáo kết luận.

Đối với Data Analyst, file .gitignore là file quan trọng nhất cần thiết lập ngay từ phút đầu tiên khởi tạo dự án. Nếu không có file này, khi gõ lệnh git add ., bạn rất dễ vô tình đẩy lên GitHub:

• Thứ nhất là các file dữ liệu nặng hàng trăm megabyte như CSV hay Parquet. Khi đó, GitHub sẽ chặn hoàn toàn thao tác push do vượt quá giới hạn 100MB.
• Thứ hai là thông tin kết nối cơ sở dữ liệu như Server IP, Mật khẩu hay API Token. Điều này sẽ gây ra lỗ hổng bảo mật nghiêm trọng cho doanh nghiệp.
• Các file cache rác của hệ thống (.ipynb_checkpoints/, __pycache__/, .DS_Store).

# 1. Bỏ qua toàn bộ dữ liệu thô và file bảng tính nặng
data/raw/
data/processed/
*.csv
*.xlsx
*.xls
*.parquet
*.jsonl
*.zip
*.tar.gz

# 2. Bỏ qua thông tin bí mật và file cấu hình mật khẩu
.env
config.yaml
credentials.json
*_secret.py

# 3. Bỏ qua cache của Jupyter Notebook và Python
.ipynb_checkpoints/
__pycache__/
*.py[cod]
*$py.class
.pytest_cache/

# 4. Môi trường ảo (Virtual Environment)
venv/
env/
.venv/

# 5. File hệ thống rác của Windows & macOS
.DS_Store
Thumbs.db

Trước tiên, bạn mở cửa sổ dòng lệnh Terminal hoặc PowerShell. Sau đó, điều hướng vào thư mục dự án và tiến hành khởi tạo Git:

# Di chuyển vào thư mục dự án
cd path/to/ecommerce-analytics

# Khởi tạo Git repository cục bộ
git init

# Cấu hình danh tính tác giả (chỉ cần làm 1 lần trên máy tính)
git config --global user.name "Nguyen Vu Tien Dung"
git config --global user.email "tiendung.da@mcna.vn"

Tiếp theo, bạn kiểm tra trạng thái file và đóng gói commit đầu tiên:

# Kiểm tra các file đang có sự thay đổi
git status

# Thêm toàn bộ các file hợp lệ (không bị .gitignore chặn) vào Staging Area
git add .

# Ghi nhận bản snapshot đầu tiên kèm thông điệp rõ ràng
git commit -m "feat: setup project structure and add sql data extraction scripts"

Khi thử nghiệm mô hình hoặc công thức KPI mới, bạn không nên sửa trực tiếp trên nhánh main. Thay vào đó, hãy luôn tạo một nhánh riêng biệt bằng lệnh sau:

# Tạo và chuyển ngay sang nhánh mới
git checkout -b feature/retention-cohort

# Viết code phân tích, sau đó lưu lại trên nhánh mới
git add notebooks/02_cohort_analysis.ipynb
git commit -m "feat: implement 12-month customer retention cohort"

# Quay trở lại nhánh chính an toàn bất cứ lúc nào
git checkout main

Trước hết, bạn truy cập github.com và tạo kho lưu trữ mới. Sau đó, chạy các lệnh sau trên máy tính để kết nối và đẩy code lên:

# Đặt tên nhánh chính thống nhất là main
git branch -M main

# Gắn địa chỉ kho lưu trữ từ xa vào biến origin
git remote add origin https://github.com/your-username/ecommerce-retention-analytics.git

# Đẩy toàn bộ mã nguồn của nhánh main lên GitHub
git push -u origin main

# Đẩy nhánh phân tích tính năng lên GitHub để tạo Pull Request
git push -u origin feature/retention-cohort