CG Khoa học dữ liệu

Cơ hội gần như bằng 0 bạn nhé. Vị trí này yêu cầu 6-7 năm kinh nghiệm thực chiến — đây là mức Senior/Expert. Bạn nên bắt đầu với các vị trí Junior Data Analyst hoặc Data Engineer để tích lũy nền tảng 2-3 năm trước. Trong thời gian đó, tập trung học SQL, Python, ML cơ bản, làm 2-3 project cá nhân có đo lường impact, lấy chứng chỉ AWS. Sau 4-5 năm bạn sẽ đủ profile để apply các vị trí tương tự tại VPBank.

Theo thông tin thị trường hiện tại, vị trí Expert (6-7 năm kinh nghiệm) tại VPBank thường dao động 100-180 triệu/tháng gross, kèm bonus thưởng theo performance có thể thêm 2-4 tháng lương/năm, cộng các phúc lợi như bảo hiểm sức khỏe cao cấp, chăm sóc sức khỏe toàn diện, cơ hội đào tạo nước ngoài, stock option (tùy thời điểm). Lưu ý: mức lương có thể thay đổi tùy ngân hàng và thời điểm, bạn nên research trên Glassdoor, VietnamWorks, và trực tiếp hỏi HR khi vào vòng phỏng vấn để có con số chính xác nhất.

Hoàn toàn nên apply. Fintech và ngân hàng có nhiều điểm tương đồng: cùng xử lý data tài chính, fraud detection, credit scoring, churn prediction. Bạn cần: (1) Nghiên cứu kỹ về VPBank trước khi phỏng vấn — hiểu sản phẩm, đối thủ cạnh tranh, quy định NHNN; (2) Chuẩn bị câu chuyện về impact kinh doanh, không chỉ metrics kỹ thuật; (3) Nêu được sự khác biệt khi áp dụng AI trong môi trường regulated industry; (4) Học thêm về Basel II/III và IFRS 9. Fintech background đôi khi còn là lợi thế vì bạn quen với tốc độ ship product và A/B testing.

GenAI không phải buzzword — nó là yêu cầu cốt lõi trong JD và là xu hướng VPBank đang đầu tư rất mạnh. Cụ thể: VPBank đã ứng dụng GenAI cho chatbot CSKH, trợ lý ảo nội bộ, tự động hóa quy trình thẩm định. Với vị trí Expert, bạn cần biết: fine-tuning LLM, RAG architecture, prompt engineering, vector database, framework LangChain/LlamaIndex, và đánh giá use case nào đáng để áp dụng. Tuy nhiên, GenAI chỉ là 1 phần — ML/DL truyền thống vẫn chiếm phần lớn use case ngân hàng (credit scoring, fraud, marketing). Hãy học cả hai.

Theo kinh nghiệm nhiều người, câu hỏi khó nhất thường là case study business: "Nếu bạn có 3 tháng để giảm 20% churn khách hàng VIP của VPBank, bạn sẽ làm gì?" Câu này test cả technical lẫn business acumen. Để chuẩn bị: (1) Học cách dùng framework CRISPIER hoặc 5W1H; (2) Luôn define problem trước khi vội vàng xây mô hình; (3) Đề cập đến data limitations và trade-offs; (4) Kết thúc bằng success metrics rõ ràng. Cũng nên chuẩn bị cho câu hỏi về stakeholder management — khi business không tin vào dự đoán của mô hình, bạn xử lý thế nào.

Không hẳn — đây là hai con đường khác nhau với trade-off riêng. Big Tech: lương cao hơn (gấp 1.5-2 lần), tech stack hiện đại nhất, scale hàng trăm triệu user, nhưng chuyên sâu vào 1 sản phẩm cụ thể. Ngân hàng lớn như VPBank: lương vẫn rất tốt, đa dạng use case (credit, fraud, marketing, AML, customer service), tác động trực tiếp đến nền kinh tế, cơ hội thăng tiến lên C-level rõ ràng hơn, regulated industry giúp CV có trọng lượng. Nếu bạn thích vừa làm kỹ thuật vừa có ảnh hưởng business, ngân hàng là lựa chọn tốt. Nếu đam mê pure tech, Big Tech hợp hơn.

KPI thường bao gồm 3 nhóm: (1) Business Impact: doanh thu/cost saving mang lại từ mô hình (ví dụ: tăng approval rate cho vay 5% mang lại 200 tỷ đồng), giảm tỷ lệ fraud, tăng conversion rate; (2) Model Performance: deploy được bao nhiêu mô hình mới/năm, model accuracy/F1 duy trì ở mức nào; (3) Operational Excellence: uptime của hệ thống, thời gian retrain mô hình, tài liệu hóa. Đặc biệt ở VPBank, KPI còn bao gồm khả năng đồng hành với business units và chuyển giao công nghệ cho team khác.

JD ghi "ưu tiên" chứ không bắt buộc. Tuy nhiên, thực tế VPBank sẽ đánh giá cao ứng viên có kinh nghiệm ở tổ chức quy mô lớn vì: (1) Quy trình phức tạp, governance chặt chẽ — chỉ học được khi làm ở môi trường đó; (2) Data quality và scale khác biệt lớn so với startup; (3) Stakeholder management phức tạp hơn. Nếu bạn đến từ startup nhỏ, hãy bù đắp bằng cách: làm rõ quy mô data bạn đã xử lý, team size, budget, mô tả chi tiết stakeholder map. Đôi khi một data scientist từ startup tốt vẫn hơn một người ở Big Corp nhưng chỉ maintain model có sẵn.

Có cạnh tranh gay gắt, đặc biệt về nhân sự GenAI. Fintech thường trả lương cao hơn 30-50%, môi trường agile hơn, nhưng ngân hàng có lợi thế: data chất lượng (đã được làm sạch qua quy trình KYC), scale lớn (hàng triệu khách hàng), dữ liệu có nhãn (default hay không, fraud hay không), ổn định nghề nghiệp, cơ hội đào tạo nước ngoài, và đặc biệt là cơ hội lên leadership dễ hơn vì cấu trúc rõ ràng. Nhiều người chọn làm 3-5 năm ở ngân hàng rồi chuyển sang fintech ở vị trí Lead — đó là con đường thông minh.