CV/CVC Mô hình QLRR

Nên thử apply, vì tin tuyển ghi "Ưu tiên" chứ không phải "bắt buộc" có kinh nghiệm. VietinBank là ngân hàng nhà nước lớn nên thường có chương trình đào tạo nội bộ cho nhân sự mới. Để tăng cơ hội, em nên: (1) Làm 1 dự án mô hình PD nhỏ trên Kaggle (dataset Home Credit hoặc credit default rất phù hợp), (2) Học SQL và Python thật vững vì đây là công cụ chính, (3) Trong CV ghi rõ đồ án tốt nghiệp có liên quan đến Basel II hoặc thống kê tài chính. Nếu em phỏng vấn, hãy thể hiện sự ham học, chịu được thống kê khô khan và tính cách cẩn thận – những phẩm chất mà phòng QLRR rất cần.

Theo thông tin thị trường mình biết, mức lương có thể thay đổi tùy ngân hàng và thời điểm, nhưng tham khảo như sau: (1) Chuyên viên mới (0-3 năm): khoảng 18-30 triệu gross tùy năng lực, (2) Chuyên viên cao cấp (5+ năm): 30-55 triệu, (3) Cộng thêm phụ cấp ăn trưa, xăng xe, thưởng Tết và KPI. Từ Big 4 sang ngân hàng nhà nước, lương có thể giảm nhẹ ở thời điểm đầu, nhưng work-life balance tốt hơn nhiều, đặc biệt mùa cao điểm kiểm toán. Quan trọng hơn, bạn sẽ được làm IRB/IFRS 9 thực sự chứ không chỉ audit từ bên ngoài – đây là lợi thế lớn cho sự nghiệp dài hạn trong lĩnh vực rủi ro. Mang theo bảng lương hiện tại và pitch giá trị bạn mang lại khi thương lượng nhé.

Khác biệt cốt lõi nằm ở 3 điểm: (1) Quy định: Ngân hàng phải tuân thủ Basel II/III, IFRS 9, thông tư NHNN – mô hình phải qua validation, use-test, được kiểm toán định kỳ. Fintech ít bị ràng buộc hơn nhưng cũng khó áp dụng các mô hình phức tạp vào tín dụng thực. (2) Loại dữ liệu: Ngân hàng có dữ liệu tín dụng "chuẩn" (lịch sử trả nợ, bảo đảm, dòng tiền) – dày nhưng hẹp. Fintech có dữ liệu hành vi (hành vi app, social) – rộng nhưng mỏng. (3) Mục tiêu mô hình: Ngân hàng tối ưu cho dài hạn, tuân thủ, ổn định. Fintech tối ưu cho ra quyết định nhanh, chấp nhận rủi ro cao hơn. Nếu bạn thích sự ổn định, học sâu về quy định ngân hàng và thích môi trường có cấu trúc rõ ràng → ngân hàng truyền thống. Nếu bạn thích tốc độ, công nghệ mới, làm việc nhanh → Fintech. Cả hai đều có triển vọng tốt.

Tin tốt là bạn đã có nền tảng SQL, Python và tư duy phân tích – đây là 70% yêu cầu. Khoảng cách cần bổ sung: (1) Kiến thức chuyên ngành: Đọc 1 cuốn "Credit Risk Management" của Andrew Mason, học IRB/IFRS 9 qua khóa của GARP hoặc Coursera, (2) Mô hình PD/LGD/EAD: Làm 1 project trên Kaggle (dataset "Give Me Some Credit" rất thích hợp cho người mới), (3) Quy trình tín dụng: Tìm hiểu cách ngân hàng phê duyệt khoản vay, hồ sơ khách hàng, scoring, work-out. Trong CV, đừng ghi "data analyst bảo hiểm" mà hãy dịch sang "xây dựng mô hình claim frequency" – đó cũng là loss model, tương tự LGD trong ngân hàng. Trong phỏng vấn, nhấn mạnh: từ bảo hiểm sang ngân hàng là chuyển từ "loss modeling" sang "default modeling" – rất gần nhau. Nếu làm tốt, 6 tháng là đủ.

FRM rõ ràng phù hợp hơn cho vị trí QLRR vì: (1) FRM Part I có 2 môn về Credit Risk, Quantitative Methods, Market & Operational Risk – đúng trọng tâm, (2) FRM có module riêng về Basel II/III và mô hình rủi ro, (3) CFA thiên về phân tích đầu tư, ít sâu về mô hình tín dụng. Tuy nhiên, cả hai đều có giá trị nhất định. Về timing: Nên học FRM Part I song song với apply. Lý do: (1) Nếu chưa pass, hãy thể hiện với HR rằng bạn đang trong quá trình theo học – VietinBank rất coi trọng điều này, (2) Nếu pass rồi, lương sẽ cao hơn khoảng 10-20% và được xét duyệt nhanh hơn cho vị trí senior. Nhiều ngân hàng nhà nước còn tài trợ 100% chi phí thi FRM cho nhân viên – đây là quyền lợi rất lớn.

Một tuần thường có sự cân bằng giữa 3 loại công việc: (1) Xây dựng/kiểm định mô hình (40%): Code SQL/Python, chạy model, xem output, calibrate, viết báo cáo. Đây là phần "data" – khá thú vị với người thích phân tích. (2) Họp & phối hợp (30%): Họp với business (Khối Tín dụng) để hiểu yêu cầu, với CNTT để triển khai, với Kiểm toán nội bộ để giải trình. Phần này cần kỹ năng giao tiếp tốt. (3) Nghiên cứu & cập nhật (20%): Đọc thông tư NHNN, BIS docs, note lại các thay đổi. (4) Ad-hoc (10%): Khi có sự vụ (khách hàng lớn vỗ nợ, mô hình drift bất thường) thì xử lý đột xuất. Nhàm chán hay không phụ thuộc vào góc nhìn. Với người thích "số liệu nói thật" và có ảnh hưởng thực sự đến quyết định cho vay hàng nghìn tỷ đồng, đây là công việc ý nghĩa. Với người thích tốc độ ra quyết định, có thể thấy chậm vì quy trình validation rất kỹ.

Có một phần sự thật nhưng chưa đầy đủ. Sự thật: (1) So với bên kinh doanh (bán được nhiều, thưởng lớn), QLRR thưởng thường "êm" hơn nhưng ổn định, (2) Thăng tiến lên trưởng phòng ở QLRR cần khoảng 8-12 năm, trong khi ở kinh doanh có thể nhanh hơn nếu bán tốt, (3) "Khô khan" đúng nếu bạn không thích số liệu – mô hình yêu cầu sự tỉ mỉ, kiên nhẫn. Tuy nhiên: (1) QLRR là vị trí chiến lược, CEO/GĐ rủi ro thường có mặt trong Ban lãnh đạo, (2) Sau khi tích lũy 5-7 năm ở NH lớn, bạn có thể chuyển sang fintech, công ty tư vấn rủi ro với mức lương tăng 50-100%, (3) Trong bối cảnh Basel III và chuyển đổi số, nhu cầu nhân sự QLRR rất cao, đặc biệt người vừa biết mô hình vừa hiểu công nghệ. Nếu bạn thực sự quan tâm đến rủi ro, đừng để quan điểm "khô khan = không tốt" làm bạn bỏ lỡ cơ hội.

Chiến lược an toàn khi gặp câu hỏi ngoài tầm: (1) Thừa nhận giới hạn: "Em chưa có cơ hội làm LGD trực tiếp, nhưng em đã tìm hiểu qua tài liệu X, Y, Z và hiểu rằng LGD ước lượng tỷ lệ tổn thất khi vỗ nợ, thường dùng cure rate hoặc workout data". (2) Liên hệ với kinh nghiệm gần: "Trong đồ án tốt nghiệp, em đã làm mô hình gần tương tự – dự đoán severity của insurance claim, về bản chất là estimate loss given event, tương tự LGD trong ngân hàng". (3) Thể hiện tư duy: "Nếu được làm, em sẽ tiếp cận theo hướng: thu thập work-out data 3-5 năm, phân nhóm theo loại tài sản đảm bảo, dùng beta regression vì LGD nằm trong [0,1]…". (4) Hỏi lại để xác nhận: "Em hiểu như vậy đã đúng ý anh/chị chưa?" – cho thấy em cẩn thận và ham học. Tuyệt đối không bịa kiến thức, vì rủi ro tín dụng rất coi trọng sự chính xác và liêm chính.