Cách Học AWS Cơ Bản Cho Data Engineer 2026

Khi một pipeline xử lý 10 terabyte dữ liệu mỗi đêm mà không cần một máy chủ vật lý nào, khi hệ thống tự động scale lên gấp 10 lần trong giờ cao điểm rồi thu về mà không mất chi phí, hay khi toàn bộ data warehouse của một tập đoàn chạy trên vài dòng cấu hình — tất cả đều đang chạy trên AWS. Đây là lý do AWS trở thành kỹ năng không thể thiếu trong bộ công cụ của bất kỳ Data Engineer nghiêm túc nào.

AWS không phải một công cụ — nó là một hệ sinh thái. Bài viết này không liệt kê dịch vụ theo kiểu từ điển, mà phân tích đúng những gì Data Engineer thực sự cần học, theo đúng thứ tự ưu tiên, cùng lộ trình thực hành để đi từ zero đến production-ready.

1. AWS Là Gì? Vị Trí Của AWS Trong Data Stack Hiện Đại

Hơn 30% toàn bộ workload internet toàn cầu hiện đang chạy trên AWS — con số này không đến từ marketing mà từ báo cáo thị phần cloud thực tế. Với Data Engineer, điều đó có nghĩa là: dù bạn làm ở công ty nào, khả năng cao bạn sẽ đụng đến AWS ít nhất một lần trong sự nghiệp.

Nhưng tại sao AWS lại thống trị? Ba lý do cốt lõi: breadth (độ rộng dịch vụ vượt trội so với mọi đối thủ), maturity (ra mắt từ 2006, nhiều dịch vụ đã production-tested hơn một thập kỷ), và ecosystem (cộng đồng, tài liệu, và tích hợp bên thứ ba phong phú nhất).

Đối với người mới học cloud, chọn AWS trước là quyết định đúng — không vì AWS tốt hơn tuyệt đối, mà vì thị trường việc làm, tài nguyên học tập và cộng đồng hỗ trợ đều lớn nhất. Khi đã hiểu AWS, chuyển sang GCP hay Azure chỉ mất vài tuần để quen syntax.

2. Tại Sao Data Engineer Cần Học AWS? Không Phải Vì “Trend”

Nhiều người học AWS vì nó “đang hot”. Đó là lý do sai. Lý do đúng nằm ở chỗ AWS đã trở thành cơ sở hạ tầng mặc định của data engineering hiện đại — giống như SQL là ngôn ngữ mặc định để truy vấn dữ liệu.

3. Các Dịch Vụ AWS Cốt Lõi Data Engineer Phải Biết — Phân Theo Tầng

Sai lầm phổ biến nhất khi học AWS là cố học tất cả dịch vụ cùng lúc. AWS có hơn 200 dịch vụ — điều đó là không thể và không cần thiết. Data Engineer cần nắm theo tầng: từ hạ tầng nền đến xử lý dữ liệu đến orchestration.

3.1 Tầng Lưu Trữ — Nơi Dữ Liệu Tồn Tại

Amazon S3 (Simple Storage Service) là dịch vụ quan trọng nhất mà bất kỳ Data Engineer nào cần thành thục trước tiên. S3 là object storage — không phải filesystem truyền thống — và cách nó được tổ chức (bucket, prefix, object key) ảnh hưởng trực tiếp đến hiệu năng đọc/ghi của pipeline. Các khái niệm cần nắm: storage classes (Standard, Intelligent-Tiering, Glacier), S3 lifecycle policy, partitioning strategy, và S3 event notification để trigger Lambda.

Amazon Redshift là data warehouse column-store của AWS, tối ưu cho analytical queries trên dữ liệu quy mô terabyte đến petabyte. Data Engineer cần hiểu Redshift distribution keys, sort keys, và workload management để tránh những anti-pattern phổ biến khiến query chậm 100 lần so với lý thuyết.

Amazon DynamoDB là NoSQL key-value và document database, phù hợp cho operational data cần độ trễ cực thấp (millisecond). Data Engineer thường dùng DynamoDB như một lookup table trong pipeline hoặc để lưu trạng thái job.

3.2 Tầng Xử Lý — Nơi Dữ Liệu Được Biến Đổi

AWS Glue là dịch vụ serverless ETL/ELT của AWS, bao gồm Glue Data Catalog (metadata store), Glue ETL jobs (chạy Spark trên managed cluster), và Glue Crawlers (tự động phát hiện schema). Đây là dịch vụ trung tâm của rất nhiều data stack AWS-native và thường là nơi Data Engineer dành nhiều thời gian nhất.

Amazon EMR (Elastic MapReduce) là managed cluster để chạy Apache Spark, Hadoop, và các framework big data khác. Khác với Glue (serverless, dễ dùng nhưng ít kiểm soát), EMR cho phép tùy chỉnh sâu hơn về cấu hình Spark và phù hợp với các pipeline xử lý dữ liệu quy mô lớn cần tối ưu chi phí.

AWS Lambda là serverless function, chạy code theo event mà không cần quản lý server. Với Data Engineer, Lambda thường được dùng như “keo dán” trong kiến trúc: trigger pipeline khi file mới vào S3, gọi API để lấy dữ liệu theo lịch, hoặc xử lý event nhỏ theo thời gian thực.

3.3 Tầng Streaming — Dữ Liệu Theo Thời Gian Thực

Amazon Kinesis là bộ dịch vụ streaming của AWS gồm ba thành phần: Kinesis Data Streams (tương tự Kafka, nhận và lưu stream data), Kinesis Data Firehose (tự động deliver stream vào S3/Redshift/OpenSearch mà không cần code xử lý), và Kinesis Data Analytics (chạy SQL hoặc Apache Flink trực tiếp trên stream).

Amazon MSK (Managed Streaming for Apache Kafka) là lựa chọn thay thế khi team đã quen với Kafka và muốn giữ nguyên API nhưng không muốn tự vận hành cluster.

3.4 Tầng Hạ Tầng — Nền Tảng Cho Mọi Thứ

IAM (Identity and Access Management) là hệ thống quản lý quyền truy cập của AWS. Đây không phải kỹ năng “nice to have” — một cấu hình IAM sai có thể khiến toàn bộ data bị lộ hoặc pipeline không chạy được. Data Engineer cần hiểu IAM roles, policies, và nguyên tắc least privilege.

Amazon VPC (Virtual Private Cloud) là mạng riêng ảo để cô lập tài nguyên AWS. Hiểu VPC giúp Data Engineer thiết kế kiến trúc bảo mật đúng — ví dụ: database không bao giờ expose ra internet public, chỉ accessible từ trong VPC.

AWS CloudWatch là dịch vụ monitoring và logging. Pipeline production mà không có monitoring là pipeline đang chờ ngày fail mà không ai biết. Data Engineer cần biết cách tạo metric, alarm và dashboard để theo dõi sức khỏe của hệ thống.

4. Kiến Trúc Data Stack AWS Phổ Biến — Nhìn Tổng Thể Trước Khi Học Chi Tiết

Học từng dịch vụ rời rạc mà không hiểu cách chúng kết nối với nhau là cách học kém hiệu quả nhất. Dưới đây là hai pattern kiến trúc phổ biến nhất trong thực tế:

Pattern 1 — Batch Data Lake trên AWS (phổ biến nhất): Dữ liệu từ nguồn (database, API, logs) được ingest vào S3 (raw zone) thông qua Glue Crawlers hoặc custom Lambda. Glue ETL jobs hoặc EMR Spark chạy transformation và lưu vào S3 (curated zone). Redshift Spectrum hoặc Athena (SQL-on-S3) phục vụ analytical queries. Airflow (chạy trên EC2 hoặc Amazon MWAA) orchestrate toàn bộ flow.

Pattern 2 — Lambda Architecture (batch + streaming): Speed layer dùng Kinesis Data Streams và Lambda để xử lý dữ liệu real-time, lưu vào DynamoDB hoặc ElastiCache. Batch layer dùng Glue và S3 để xử lý dữ liệu lịch sử. Serving layer dùng Redshift hoặc Athena để merge kết quả từ cả hai tầng.

5. Lộ Trình Học AWS Cho Data Engineer — Theo Giai Đoạn Thực Chiến

Lộ trình dưới đây không phải lý thuyết — nó được thiết kế ngược từ yêu cầu công việc thực tế của một Data Engineer junior đến senior.

Giai đoạn 1 — Nền Tảng (2–4 tuần)

Tạo tài khoản AWS Free Tier. Học IAM từ ngày đầu tiên — đừng bỏ qua vì nghĩ nó nhàm. Thực hành S3: tạo bucket, upload file, phân quyền, tạo lifecycle policy. Hiểu billing và cost explorer để không bị “shock” hóa đơn. Mục tiêu cuối giai đoạn: upload một file CSV lên S3, tạo Glue Crawler để detect schema, dùng Athena để query trực tiếp trên S3.

Giai đoạn 2 — Data Pipeline Đầu Tiên (4–6 tuần)

Xây một pipeline hoàn chỉnh: Lambda trigger khi file mới vào S3 → Glue ETL job transform dữ liệu → lưu kết quả vào S3 curated zone → Athena để query. Học CloudWatch để monitor job. Bắt đầu học Redshift: load dữ liệu từ S3, tối ưu query cơ bản. Mục tiêu: một pipeline batch chạy tự động mỗi ngày, có monitoring và alerting khi fail.

Giai đoạn 3 — Mở Rộng Và Production-Ready (6–10 tuần)

Học Amazon MWAA (Managed Airflow) để orchestrate pipeline phức tạp hơn. Tìm hiểu EMR cho các Spark job cần tùy chỉnh sâu. Học Kinesis nếu có bài toán streaming. Thực hành Infrastructure as Code với CloudFormation hoặc Terraform để deploy pipeline theo code thay vì click manual trên console. Mục tiêu: rebuild toàn bộ pipeline từ giai đoạn 2 bằng code, deployable trong một lệnh.

6. Bảo Mật AWS Cho Data Engineer — Những Sai Lầm Đắt Giá Cần Tránh

Bảo mật trên AWS không phải chủ đề chỉ dành cho Security Engineer. Data Engineer thường là người cấu hình S3 bucket, tạo IAM role cho Glue job, và setup VPC cho database — và một sai lầm nhỏ trong bất kỳ bước nào đều có thể dẫn đến data breach hoặc hóa đơn AWS tăng vọt do bị khai thác.

7. Chứng Chỉ AWS Nào Phù Hợp Cho Data Engineer?

Chứng chỉ AWS không phải mục tiêu cuối cùng — chúng là công cụ để validate kiến thức và tăng giá trị trên thị trường lao động. Với Data Engineer, có ba chứng chỉ đáng đầu tư nhất:

Khuyến nghị thực tế: đừng thi Cloud Practitioner nếu bạn đã có nền tảng kỹ thuật — nhảy thẳng vào Solutions Architect Associate hoặc Data Analytics Specialty sẽ hiệu quả hơn về thời gian và giá trị thu được.

8. Học AWS Qua Thực Hành — Dự Án Mẫu Để Xây Portfolio

Không có shortcut nào thay thế được việc thực sự deploy một hệ thống trên AWS. Dưới đây là ba dự án tăng dần độ phức tạp, phù hợp để đưa vào portfolio khi xin việc:

Dự án 1 — Serverless Data Pipeline (Junior level): Lấy dữ liệu từ một public API (OpenWeather, CoinGecko, hoặc GitHub Events) bằng Lambda theo lịch EventBridge. Lưu raw data vào S3. Dùng Glue ETL để transform và Athena để query. Kết quả: một pipeline hoàn chỉnh chạy tự động, có ít nhất 7 ngày dữ liệu lịch sử.

Dự án 2 — Data Warehouse với Redshift (Mid-level): Build một mini data warehouse trên Redshift từ dữ liệu public (Kaggle datasets hoặc NYC Taxi data). Thiết kế star schema, load dữ liệu từ S3, viết transformation với dbt hoặc Redshift stored procedures. Tạo một vài analytical query thể hiện business insight.

Dự án 3 — Real-time Pipeline với Kinesis (Senior-oriented): Simulate một stream dữ liệu (clickstream, IoT sensor, hoặc stock price) bằng Kinesis Data Streams. Dùng Lambda hoặc Kinesis Analytics để xử lý real-time và lưu vào DynamoDB. Đồng thời Kinesis Firehose deliver vào S3 cho batch analysis. Deploy bằng CloudFormation hoặc Terraform.

9. Câu Hỏi Thường Gặp Khi Học AWS Cho Data Engineer (FAQ)

Tổng Kết: AWS Không Phải Đích Đến, Là Công Cụ Để Đi Xa Hơn

Học AWS không có nghĩa là học thuộc danh sách dịch vụ — đó là cách hiểu sai nhất về cloud. Học AWS đúng nghĩa là hiểu khi nào dùng dịch vụ nào, hiểu trade-off giữa cost, performance và complexity, và biết cách kết hợp các dịch vụ thành một hệ thống hoàn chỉnh phục vụ bài toán data thực tế.

Data Engineer giỏi không phải người biết nhiều dịch vụ AWS nhất — mà là người có thể nhìn vào một bài toán data và thiết kế giải pháp trên AWS với chi phí thấp nhất, độ tin cậy cao nhất, và khả năng bảo trì tốt nhất. Đó là kỹ năng đến từ thực hành, không phải từ đọc tài liệu.

Bắt đầu từ S3 và IAM. Build pipeline đầu tiên trong tuần này. Mọi thứ còn lại sẽ đến từ đó.

Tìm hiểu thêm:

Khóa học Data Engineer tại Cole – Bao gồm module AWS thực chiến từ A đến Z

Công việc của Data Engineer là gì? Phân tích chi tiết từng nhiệm vụ

Data Engineer là gì – Toàn cảnh nghề nghiệp 2025