Trước khi AI tạo sinh làm cho việc viết code trở nên dễ tiếp cận hơn, tôi đã học công nghệ theo cách khá thực tế: lấy một quy trình nhỏ, viết logic xử lý, kiểm tra input, lưu kết quả và thử biến nó thành một công cụ có thể dùng.

Những bài Python ban đầu không phải hệ thống lớn. Nhưng chúng tạo ra nền tảng rất quan trọng: hiểu cách chia vấn đề thành hàm, class, điều kiện, vòng lặp, kiểm tra dữ liệu đầu vào và ghi kết quả ra Excel. Đây chính là nền móng của tư duy tự động hóa mà sau này tôi áp dụng vào tài chính, dữ liệu và AI.

Tóm tắt nhanh

  • Tôi đã làm các bài Python về tài khoản ngân hàng, menu bán hàng, hóa đơn, giao dịch và trò chơi trước khi AI viết code trở nên phổ biến.
  • Điểm quan trọng không phải độ lớn của project, mà là tư duy kiểm tra input, xử lý nghiệp vụ, lưu dữ liệu và tạo output có cấu trúc.
  • Một số bài đã kết nối Python với Excel để ghi dữ liệu khách hàng, giao dịch hoặc chi tiết bán hàng.
  • Nền tảng này giúp tôi sau này dùng AI như công cụ tăng tốc, không phải như nơi bắt đầu từ số 0.

1. Vấn đề

Người làm tài chính/kế toán thường quen với Excel, nhưng không phải quy trình nào cũng nên làm hoàn toàn bằng thao tác tay. Khi có nhiều điều kiện, nhiều bước kiểm tra, nhiều lần nhập liệu hoặc nhiều loại output, chỉ dùng Excel thủ công dễ phát sinh lỗi.

Các bài Python ban đầu của tôi xoay quanh những vấn đề nhỏ nhưng rất gần với vận hành: tạo tài khoản, kiểm tra số điện thoại/ngày sinh, xử lý giao dịch gửi/rút tiền, tạo order, tính hóa đơn, lưu chi tiết bán hàng, hoặc mô phỏng luật chơi với nhiều điều kiện.

2. Ràng buộc

Ở giai đoạn này, mục tiêu không phải xây phần mềm hoàn chỉnh. Mục tiêu là học cách biến một quy trình có nhiều điều kiện thành logic rõ ràng: dữ liệu nào được nhập vào, điều kiện nào là hợp lệ, khi nào phải yêu cầu nhập lại, kết quả nào cần lưu, và người dùng cần nhìn thấy thông tin gì.

Ràng buộc thực tế là phải làm bằng công cụ đơn giản, chi phí thấp, tận dụng Excel làm nơi lưu trữ hoặc kiểm tra dữ liệu. Cách này không hào nhoáng như một hệ thống lớn, nhưng rất phù hợp để học tự động hóa từ nhu cầu thật.

3. Hướng tiếp cận

Tôi bắt đầu bằng cách chia nhỏ quy trình thành các hàm và class. Với bài tài khoản ngân hàng, logic nằm ở kiểm tra input, tạo tài khoản, xử lý giao dịch và cập nhật số dư. Với bài menu bán hàng, logic nằm ở item, combo, discount, hóa đơn, chi tiết bán hàng và xuất dữ liệu. Với các bài trò chơi, logic nằm ở luật, trạng thái và điều kiện thắng/thua.

Điểm quan trọng là mỗi bài đều buộc tôi nghĩ như một người thiết kế quy trình: không chỉ "code chạy được", mà dữ liệu nhập sai thì xử lý ra sao, giao dịch có vượt số dư không, hóa đơn có đủ thông tin không, và output có thể dùng lại để thống kê hay không.

Điểm khác biệt: học Python qua bài vận hành nhỏ giúp tôi hiểu tự động hóa từ gốc: nhập liệu, kiểm tra, xử lý, lưu vết và tạo output. Đây là cùng một logic mà sau này tôi dùng trong các bài toán tài chính lớn hơn.

4. Kết quả

  • Xây được tư duy tách quy trình thành hàm, class, điều kiện và luồng xử lý.
  • Biết kiểm soát dữ liệu đầu vào trước khi ghi nhận kết quả, thay vì để lỗi đi sâu vào file làm việc.
  • Biết kết nối Python với Excel để lưu dữ liệu khách hàng, giao dịch hoặc chi tiết bán hàng.
  • Tạo nền tảng để sau này chuyển từ bài học nhỏ sang workflow tài chính, báo cáo quản trị, xử lý dữ liệu và AI automation.

5. Điều rút ra

Năng lực công nghệ của tôi không bắt đầu từ AI. Nó bắt đầu từ việc tự học cách làm cho một quy trình nhỏ chạy đúng, có kiểm tra, có dữ liệu đầu ra và có khả năng dùng lại.

Chính nền tảng này giúp tôi dùng AI tỉnh táo hơn. Tôi biết AI có thể hỗ trợ viết nhanh hơn, nhưng vẫn cần người hiểu logic, hiểu dữ liệu và biết kiểm tra kết quả trước khi đưa vào công việc thật.