Chuyên viên

Mô tả công việc

## Mục tiêu - Người đảm nhận vị trí đề xuất, khởi xướng và quản lý nhiều dự án ML khác nhau cùng với việc kinh doanh để giải quyết các vấn đề đặt ra trước khi liên kết với OKR của công ty và cải tiến sản phẩm bằng cách sử dụng các phương pháp, quy trình và hệ thống DS trên các nguồn Dữ liệu lớn đa dạng, phi cấu trúc. - Người đảm nhận vị trí cũng tham gia vào vòng kết nối chiến lược và góp phần hướng dẫn kinh doanh cấp cao và cung cấp hướng dẫn dữ liệu chiến lược - Người đảm nhận vị trí được yêu cầu phân bổ nguồn lực, quyết định chiến lược về các dự án và sau đó phân cấp xuống các khách hàng tiềm năng ## Trách nhiệm chính (1) Giải quyết dữ liệu - Đánh giá hiệu quả của các mô hình đề xuất và theo dõi KPI hiệu quả kinh doanh so với mô hình dữ liệu. - Xây dựng các thuật toán tiên tiến và làm việc với các công cụ học máy và học sâu để cung cấp các giải pháp phân tích tiên tiến trong toàn công ty bao gồm công cụ đề xuất, mô hình dữ liệu tùy chỉnh, v.v. - Thúc đẩy ứng dụng công nghệ máy học và dữ liệu lớn trên các hành trình và đội khác nhau. - Quản lý, thực hiện và xem xét các dự án khoa học dữ liệu phức tạp một cách nhanh nhẹn và tuân thủ các yêu cầu quy định nội bộ. ## Trách nhiệm chính (2) Đánh giá dữ liệu - Dẫn dắt việc xác định và giải thích những hiểu biết sâu sắc có ý nghĩa và có thể hành động từ các nguồn dữ liệu lớn và siêu dữ liệu cùng với các đối tác kinh doanh. - Xem xét các quy trình và công cụ được thiết kế để theo dõi và phân tích hiệu suất của mô hình và độ chính xác của dự đoán. - Chủ động dẫn dắt các cuộc thảo luận trong hơn 3 nhóm để xác định các câu hỏi và vấn đề cho khoa học dữ liệu - Phối hợp với các Kỹ sư dữ liệu để xây dựng các thuật toán kỹ thuật, phức tạp trong các ứng dụng phần mềm phân tích dữ liệu nhằm nâng cao hiệu quả công việc. - Luôn luôn biết dữ liệu của bạn (kích thước, trung bình, phân phối, ngoại lệ, CR, v.v.) và có thể ước tính đầu ra, tác động của mô hình và đưa ra các kiểm tra tỉnh táo để phát hiện lỗi (sự khác biệt giữa kỳ vọng và kết quả) ## Trách nhiệm chính (3) Quản lý dự án - Sở hữu dự án, quản lý PO, giúp mọi người luôn theo dõi khỏi bị sao nhãng, phù hợp với mục tiêu và KPI thấp nhất - Quản lý các xung đột, thách thức của dự án và các yêu cầu kinh doanh năng động để giữ cho các hoạt động luôn hoạt động ở hiệu suất cao. - Làm việc với các trưởng nhóm để giải quyết các vấn đề về con người và các rào cản của dự án, tiến hành khám nghiệm tử thi và phân tích nguyên nhân gốc rễ để giúp các nhóm liên tục cải tiến thực hành của họ để đảm bảo năng suất tối đa. Phát triển tài năng - Quản lý nhóm được phân bổ, tập trung vào việc giữ chân và phát triển các nhà khoa học, phát triển cá nhân và KPI - Cố vấn và huấn luyện nghiên cứu sinh cấp dưới trở thành các Nhà Khoa học Dữ liệu có đủ năng lực. - Xác định và khuyến khích các lĩnh vực phát triển và cải tiến trong nhóm. ## Mạng lưới tương tác - Cấp Quản lý Giám đốc Khoa học Dữ liệu ## Mạng lưới tương tác - Cấp báo cáo Chuyên gia Khoa học dữ liệu ## Mạng lưới tương tác - Quan hệ nội bộ Các nhóm trong Văn phòng Dữ liệu và các bộ phận liên quan trong Ngân hàng ## Mạng lưới tương tác - Quan hệ bên ngoài Các đối tác cung cấp dịch vụ chuyên nghiệp ## Chân dung Thành công - Bằng cấp, Kinh nghiệm Bằng cấp - Bằng Thạc sĩ (hoặc cao hơn) về Thống kê, Toán học, Phân tích Định lượng, Khoa học Máy tính, Kỹ thuật Phần mềm, Công nghệ Thông tin hoặc các ngành Kỹ thuật số khác Kinh nghiệm - Tối thiểu 10 năm kinh nghiệm liên quan trong các lĩnh vực phân tích dữ liệu, học máy, phát triển mô hình học sâu trên lượng dữ liệu lớn, thực hiện và triển khai các mô hình thống kê khác nhau - Yêu cầu về trình độ tiếng Anh theo chính sách của Techcombank - Có kinh nghiệm chuyên sâu về truy vấn cơ sở dữ liệu và mã hóa (ví dụ: Python, R, Spark, Scala, SQL, Java, C, C ++) - Có nhiều kinh nghiệm trong việc xây dựng các giải pháp và sản phẩm dữ liệu và phân tích, khai thác dữ liệu và phân tích thống kê - Có kinh nghiệm ứng dụng máy học và AI cho các câu hỏi liên quan đến thị trường tài chính - Tư duy và quyết định chiến lược, có khả năng đối phó với quản lý cấp cao, chuyển dịch công nghệ sang kinh doanh và ngược lại - Có kinh nghiệm chuyên sâu về Phát triển Phần mềm Agile và nắm vững các nguyên tắc, thực hành Agile và phương pháp luận Scrum - Kinh nghiệm quản lý, các dự án hàng đầu trong quá khứ, xây dựng và cố vấn các nhà khoa học, dẫn dắt họ đến thành công

Phân tích kỹ năng cần có

## Phân tích Kỹ năng Yêu cầu ### 🔧 Hard Skills (Kỹ năng chuyên môn) | Nhóm kỹ năng | Chi tiết | Mức độ yêu cầu | |---|---|---| | **Ngôn ngữ lập trình** | Python, R, Spark, Scala, SQL, Java, C, C++ | Chuyên sâu | | **Machine Learning** | Học máy, học sâu (Deep Learning), mô hình thống kê | Cao | | **Big Data** | Làm việc với dữ liệu lớn đa dạng, phi cấu trúc | Bắt buộc | | **Data Engineering** | Truy vấn cơ sở dữ liệu, xây dựng giải pháp phân tích | Chuyên sâu | | **Agile/Scrum** | Phát triển phần mềm Agile, Scrum methodology | Chuyên sâu | | **AI/ML trong Tài chính** | Ứng dụng ML & AI cho câu hỏi thị trường tài chính | Rất quan trọng | ### 🧠 Soft Skills (Kỹ năng mềm) - **Tư duy chiến lược** — Định hướng cấp cao, dịch chuyển công nghệ ↔ kinh doanh - **Quản lý dự án** — Ownership dự án, quản lý PO, giải quyết xung đột - **Lãnh đạo đội nhóm** — Quản lý nhóm, cố vấn, huấn luyện, phát triển tài năng - **Giao tiếp cấp cao** — Làm việc với ban lãnh đạo, dẫn dắt thảo luận đa nhóm (>3 nhóm) - **Tư duy phân tích** — Data-driven decision making, kiểm tra tỉnh táo (sanity checks) - **Khả năng ước tính** — Ước lượng đầu ra, tác động mô hình, phát hiện lỗi ### 📜 Chứng chỉ gợi ý | Chứng chỉ | Mức ưu tiên | Ghi chú | |---|---|---| | **Google Professional Data Scientist** | Cao | Chuẩn quốc tế về DS | | **AWS Certified Machine Learning / Data Analytics** | Cao | Cloud-based ML | | **Deep Learning Specialization (Coursera)** | Cao | Đặc biệt nếu thiên về DL | | **PMI-PMP** | Trung bình | Quản lý dự án | | **Certified Scrum Master (CSM)** | Trung bình | Agile methodology | | **FRM/CFA** | Trung bình-Cao | Nếu muốn thể hiện kiến thức tài chính sâu | ### 📊 So sánh: Junior DS vs Senior DS vs Principal DS (Techcombank) ``` Junior DS → Xây model, clean data, phân tích cơ bản Senior DS → Thiết kế giải pháp end-to-end, mentor, quản lý project nhỏ Chuyên gia Cao cấp → Strategic ownership, quản lý nhiều dự án ML, dẫn dắt chiến lược cấp công ty, xây dựng team ``` **Điểm khác biệt quan trọng nhất ở cấp này:** Không phải "làm DS giỏi" mà là **"lãnh đạo chiến lược data-driven"** cho toàn bộ tổ chức.

Chuẩn bị phỏng vấn

## Quy trình Phỏng vấn Techcombank — Data & Analytics ### Cấu trúc phỏng vấn thông thường ``` Vòng 1: HR Screening (30-45 phút) → Xác nhận kinh nghiệm, động lực, culture fit Vòng 2: Technical Deep Dive (60-90 phút) → Kiểm tra kỹ năng ML/DL, case study nghiệp vụ Vòng 3: Panel Interview - Cấp Quản lý (60-90 phút) → Leadership, strategic thinking, stakeholder management Vòng 4: Final Round - Director/C-Suite (30-60 phút) → Culture fit cấp cao, tầm nhìn chiến lược ``` > *Lưu ý: Đây là vị trí cấp cao nên số vòng có thể ít hơn (3-4 vòng) nhưng mỗi vòng sâu hơn rất nhiều so với vị trí thông thường.* --- ### Câu hỏi hay gặp theo từng vòng #### Vòng 1 — HR Screening - "Giới thiệu ngắn gọn về hành trình data science của bạn trong 10+ năm" - "Tại sao bạn quan tâm đến vị trí này tại Techcombank?" - "Bạn hiểu gì về chiến lược data của Techcombank?" - "Mức lương kỳ vọng của bạn?" (Lương thỏa thuận — hãy research kỹ) - "Bạn có kinh nghiệm quản lý team như thế nào?" #### Vòng 2 — Technical Deep Dive - "Cho tôi một ví dụ về mô hình ML phức tạp nhất bạn đã xây dựng và triển khai" - "Làm thế nào để xử lý imbalanced data trong bài toán credit scoring?" - "Triển khai model lên production: các bước và pitfalls cần tránh?" - "Bạn monitor performance của model như thế nào? Khi nào thì retrain?" - **Case study:** "Giả sử bạn cần xây dựng recommendation engine cho sản phẩm ngân hàng — thiết kế end-to-end từ data collection đến deployment" - "Các phương pháp đánh giá model khác nhau? Khi nào dùng AUC, RMSE, F1?" - "Explainability của model: tại sao quan trọng trong ngành ngân hàng?" #### Vòng 3 — Panel Leadership - "Mô tả một lần bạn phải đưa quyết định chiến lược dựa trên data khi có mâu thuẫn với business" - "Bạn sẽ phân bổ nguồn lực cho các dự án ML như thế nào khi có nhiều yêu cầu cạnh tranh?" - "Làm thế nào để align data science roadmap với OKR của công ty?" - "Bạn đã xây dựng và phát triển team data science như thế nào?" - "Kể về một project thất bại và bài học rút ra" #### Vòng 4 — Final Round - "Bạn hình dung team Data & Analytics 3 năm tới sẽ như thế nào?" - "Công nghệ nào bạn muốn đưa vào Techcombank và tại sao?" - "Bạn sẽ làm gì trong 90 ngày đầu nếu được nhận?" --- ### Tips chuẩn bị đặc thù cho Techcombank **1. Nghiên cứu Techcombank trước** - Đọc chiến lược "Born Digital" của Techcombank - Tìm hiểu về các sản phẩm data-driven: NextBanking, ecosystem - Techcombank đang đẩy mạnh AI/ML rất mạnh — hãy biết họ đang làm gì **2. Chuẩn bị Portfolio/Case Studies** - Mang theo ví dụ cụ thể về dự án ML đã triển khai thành công - Số liệu đo lường business impact càng cụ thể càng tốt - Có thể present 1-2 slide về project tiêu biểu **3. Technical prep đặc biệt** - Ôn kỹ: model deployment (MLflow, Docker, Kubernetes), monitoring, A/B testing - Chuẩn bị code Python/R live coding nếu được yêu cầu - Hiểu rõ: feature engineering, model selection, hyperparameter tuning **4. Leadership prep** - Chuẩn bị câu chuyện về: xây dựng team, conflict resolution, stakeholder management - Sử dụng framework STAR (Situation → Task → Action → Result) cho mọi câu trả lời --- ### Dress Code **Business casual** — Techcombank có văn hóa khá open về dress code. Với vòng HR: vest nhẹ hoặc sơ mi dài tay + quần âu. Vòng technical: có thể smart casual thoải mái hơn. Tránh mặc vest cứng như đi đám cưới.

Lộ trình ôn thi

## Ôn thi & Chuẩn bị Kiến thức ### 📚 Kiến thức Nền tảng Cần Nắm Vững #### 1. Machine Learning & Deep Learning ``` □ Supervised Learning: Regression, Classification (Logistic, SVM, Tree-based) □ Unsupervised Learning: Clustering, PCA, Association Rules □ Deep Learning: CNN, RNN/LSTM, Transformers, Autoencoders □ Reinforcement Learning: basics (nếu có liên quan đến trading/risk) □ Model Selection & Evaluation: Cross-validation, AUC-ROC, RMSE, MAPE □ Model Interpretability: SHAP, LIME, Partial Dependence □ ML System Design: End-to-end pipeline từ data → model → production ``` #### 2. Big Data & Engineering ``` □ Apache Spark (RDD, DataFrame, Spark MLlib) □ SQL nâng cao (window functions, CTEs, optimization) □ Data warehouses: Snowflake, BigQuery, Redshift concepts □ Data pipelines: Airflow, dbt, Kafka □ Cloud platforms: AWS SageMaker, GCP Vertex AI, Azure ML □ Containerization: Docker, Kubernetes cho ML deployment ``` #### 3. Nghiệp vụ Ngân hàng/Tài chính (Đặc biệt quan trọng!) ``` □ Credit Scoring & Rating Models □ Fraud Detection □ Customer Segmentation & Lifetime Value □ Risk Management (Market Risk, Credit Risk, Operational Risk) □ Basel II/III frameworks □ Recommendation Systems cho sản phẩm tài chính □ Anti-Money Laundering (AML) & KYC □ Pricing Models & Interest Rate Modeling ``` #### 4. Agile & Project Management ``` □ Scrum ceremonies: Sprint Planning, Daily Standup, Review, Retrospective □ Agile metrics: Velocity, Burndown chart □ Stakeholder management frameworks □ OKR alignment với data projects ``` --- ### 📖 Tài liệu Tham khảo | Nguồn | Nội dung | Ưu tiên | |---|---|---| | **Hands-On Machine Learning (Aurélien Géron)** | ML & Deep Learning thực hành | ⭐⭐⭐ | | **Designing Data-Intensive Applications (Kleppmann)** | Big Data architecture | ⭐⭐⭐ | | **Credit Risk Modeling (Python)** | Nghiệp vụ tài chính | ⭐⭐⭐ | | **Techcombank Annual Report** | Chiến lược công ty | ⭐⭐⭐ | | **Kaggle: Financial Risk & Credit competitions** | Practice thực tế | ⭐⭐ | | **ML Engineering (Chip Huyen)** | Production ML systems | ⭐⭐ | | **Fast.ai / DeepLearning.AI Courses** | Refresh kiến thức DL | ⭐⭐ | --- ### 🗺️ Lộ trình Chuẩn bị 2 Tuần ``` TUẦN 1: Lấp đầy khoảng trống kiến thức Ngày 1-2: Ôn ML/DL fundamentals + refresh Python/Spark Ngày 3-4: Học/sâu hơn về MLOps, model deployment, monitoring Ngày 5-6: Nghiên cứu nghiệp vụ ngân hàng (credit scoring, fraud) Ngày 7: Nghỉ ngơi + tổng kết tuần 1 [TUẦN 1 OUTPUT: 1 case study ML end-to-end đã chuẩn bị] TUẦN 2: Luyện phỏng vấn + Research công ty Ngày 8-9: Practice trả lời câu hỏi leadership (STAR method) Ngày 10: Research Techcombank sâu (Annual report, news, strategy) Ngày 11: Ôn lại câu chuyện về team building & conflict resolution Ngày 12: Mock interview (tự practice hoặc nhờ bạn bè) Ngày 13: Chuẩn bị portfolio, case studies, portfolio repo Ngày 14: Nghỉ ngơi, sáng dậy sớm đi phỏng vấn 👊 [TUẦN 2 OUTPUT: Sẵn sàng 100% cho mọi loại câu hỏi] ``` --- ### ⚠️ Điều hay bị hỏi nhưng nhiều người không chuẩn bị - **"Khi nào model cần retrain?"** — Concept drift, data drift monitoring - **"Làm thế nào handle missing data mà không gây bias?"** — Imputation strategies - **"ML model trong ngân hàng khác gì tech company?"** — Compliance, explainability, risk-averse - **"Một dự án ML thất bại của bạn?"** — Trung thực + bài học - **"Data governance trong ngân hàng?"** — Data quality, lineage, regulation

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp cho vị trí Data Science cấp cao ### 🪜 Lộ trình Thăng tiến Điển hình trong Data Science ``` Junior DS (0-3 năm) ↓ Mid-level DS (3-5 năm) ↓ Senior DS (5-7 năm) ↓ Lead DS / Staff DS (7-10 năm) ← BẠN ĐANG Ở ĐÂY (vai trò tương đương) ↓ Principal DS / Distinguished DS (10-15 năm) ↓ Director of Data Science ↓ VP / Chief Data Scientist / CDO ``` **Lưu ý:** Vị trí này yêu cầu 10+ năm kinh nghiệm, thực chất là vai trò **Lead/Principal level**, không phải "Senior" thông thường. Bạn đang ở bậc quản lý chiến lược chứ không phải "chuyên gia kỹ thuật cao cấp". --- ### 💰 Mức Lương Kỳ vọng theo Cấp bậc (Thị trường Việt Nam 2024) | Cấp bậc | Mức lương (gross/tháng) | Notes | |---|---|---| | Senior DS | 35-60 triệu | 3-5 năm kinh nghiệm | | Lead DS | 60-90 triệu | 5-8 năm | | **Principal/Senior Expert** | **80-150 triệu** | **7-12 năm, đây là cấp này** | | Director DS | 120-200+ triệu | 10-15 năm | > **Techcombank** thường trả lương **cao hơn thị trường 20-30%** so với mặt bằng chung ngân hàng Việt Nam nhờ chiến lược "Born Digital". Vị trí này lương có thể đạt **100-180 triệu/tháng** tùy kinh nghiệm + thỏa thuận. **Ngoài lương cần đàm phán thêm:** - Performance bonus (thường 1-3 tháng lương) - ESOP/stock options (Techcombank có chương trình cho nhân sự chiến lược) - Remote/flexible work policy - Training budget (certification, conference) --- ### 🎯 Kỹ năng Cần Phát triển Thêm **Ngắn hạn (1-2 năm tới):** - MLOps & ModelOps (rất thiếu ở Việt Nam, giá trị cao) - Executive presence — trình bày với cấp C - Financial domain knowledge sâu hơn (FRM, Basel) **Dài hạn (3-5 năm):** - Organizational design cho data teams - Data strategy & governance - Business model innovation driven by data - Xây dựng personal brand trong ngành (conference, paper, open source) --- ### 🏦 Tại sao nên/Chọn Techcombank cho vị trí này? **Ưu điểm:** - ✅ Techcombank là ngân hàng "digital-first" hàng đầu Việt Nam — dữ liệu thực sự được coi trọng - ✅ Quy mô dữ liệu lớn (hàng triệu khách hàng) — playground lý tưởng cho ML - ✅ Lương và benefits cạnh tranh top thị trường - ✅ Văn hóa đổi mới, gần với tech company hơn ngân hàng truyền thống - ✅ Cơ hội ảnh hưởng chiến lược cấp công ty **Thách thức cần chuẩn bị:** - ⚠️ Áp lực KPI/OKR cao — môi trường performance-driven mạnh - ⚠️ Thay đổi nhanh — tech stack, quy trình liên tục cập nhật - ⚠️ Yêu cầu tiếng Anh tốt — làm việc với vendor/partners quốc tế --- ### 🚀 Di chuyển Sự nghiệp Từ Vị trí Này ``` TỪ ĐÂY → Có thể đi đến: 1. Director of Data Science tại Techcombank hoặc ngân hàng khác 2. Chief Data Officer (CDO) tại fintech/tổ chức tài chính 3. VP of Data Science tại large tech company (FANG) 4. Cố vấn/Consultant AI strategy cho tổ chức 5. Founder AI startup trong lĩnh vực fintech 6. Head of AI Lab tại ngân hàng/fintech ```

Câu hỏi thường gặp

Vị trí Senior DS tại Techcombank khác gì so với Senior DS tại các ngân hàng khác như Vietcombank, BIDV?

Điểm khác biệt lớn nhất nằm ở văn hóa và mô hình vận hành. Techcombank tự nhận mình là 'Born Digital' — tức họ xây dựng theo hướng công nghệ trước, ngân hàng sau. Các ngân hàng nhà nước như Vietcombank, BIDV có hệ thống legacy (COBOL, mainframe) rất nặng, quy trình phê duyệt chặt chẽ, thay đổi chậm. Techcombank thì gần với tech company hơn: Agile/Scrum bài bản, stack hiện đại, data-driven decision making ở cấp cao. Tuy nhiên, áp lực KPI/OKR cũng rất cao, không có 'vùng an toàn'. Nếu bạn thích tốc độ, đổi mới — Techcombank phù hợp. Nếu bạn thích ổn định, quy trình rõ ràng — ngân hàng nhà nước có thể tốt hơn.

Tôi có 7 năm kinh nghiệm DS, thiếu 3 năm so với yêu cầu. Có nên ứng tuyển không?

Câu trả lời là: CÓ, nhưng cần chiến lược. Yêu cầu 'tối thiểu 10 năm' trong JD thường là mô tả ideal candidate, không phải cutoff cứng. Nếu bạn có: (1) track record rõ ràng với các dự án ML quy mô lớn đã triển khai thành công, (2) kinh nghiệm quản lý team hoặc mentoring, (3) kiến thức nghiệp vụ tài chính ngân hàng — bạn hoàn toàn có cơ hội. Hãy apply và để HR/manager đánh giá. Cách tiếp cận: tập trung vào impact của bạn (business results) hơn là số năm kinh nghiệm.

Mức lương thực tế cho vị trí này là bao nhiêu? Làm sao đàm phán được lương cao?

Theo thị trường 2024, vị trí này tại Techcombank dao động khoảng 100-180 triệu/tháng gross, có thể cao hơn với ứng viên rất giỏi. Để đàm phán hiệu quả: (1) Research mức lương thị trường qua Glassdoor, Glassdoor Vietnam, các recruiter — không đi mù quáng. (2) Nắm rõ 'value' của bạn: số models đã deploy, business impact (revenue saved/grown), team size đã quản lý. (3) Đàm phán total compensation, không chỉ lương cơ bản: bonus, ESOP, training budget, title. (4) Có offer cạnh tranh từ công ty khác sẽ giúp leverage rất nhiều. Lưu ý: Techcombank có budget linh hoạt cho 'strategic hires'.

Kỹ năng nào là 'must-have' và kỹ năng nào có thể học sau khi vào?

Must-have tuyệt đối: (1) Python/R + SQL ở mức thành thạo — bạn sẽ code và review code hàng ngày. (2) ML/DL production-level — không phải chỉ biết lý thuyết Kaggle, mà phải triển khai thực tế. (3) Quản lý dự án Agile — vì Techcombank vận hành Scrum bài bản. Có thể học sau: (1) Tech stack nội bộ cụ thể (Spark version nào, Airflow hay Prefect...) — sẽ được training. (2) Nghiệp vụ ngân hàng chi tiết — bạn có background tài chính hoặc sẽ được onboard sâu. (3) Soft skills cấp cao hơn — leadership, stakeholder management — phát triển dần trong quá trình làm.

Work-life balance tại Techcombank Data team như thế nào? Có overtime nhiều không?

Thành thật mà nói: Techcombank có văn hóa 'high performance, high reward'. Bạn sẽ làm việc với OKR rất ambiti và deadline thường aggressive. Với vị trí senior/lead như này, bạn cần quản lý nhiều dự án cùng lúc + họp với business stakeholders liên tục. Điều này không phải '9-to-5 job'. Tuy nhiên, Techcombank có: flexible working hours, remote work policy linh hoạt hơn ngân hàng truyền thống, và đổi lại: lương cao hơn đáng kể, tech stack hiện đại, không bị 'locked' trong hệ thống legacy. Đây là trade-off bạn cần cân nhắc kỹ trước khi apply.

Tôi đang ở vị trí Data Engineer muốn chuyển sang Data Science — có nên apply vị trí này không?

Vị trí này KHÔNG phù hợp cho bạn trong giai đoạn hiện tại. Lý do: yêu cầu 10+ năm kinh nghiệm ML/DL chuyên sâu + quản lý team + strategic decision-making. Đây là bước nhảy quá xa. Lộ trình phù hợp hơn: (1) Data Engineer (2-3 năm) → Mid Data Scientist (3-4 năm) → Senior DS (2-3 năm) → rồi mới hướng đến vai trò Principal/Lead level như thế này. Thay vào đó, bạn nên apply: Junior/Mid Data Scientist, hoặc cải thiện ML skills trước. Tuy nhiên, nếu bạn có strong ML background từ trước và kinh nghiệm production ML — có thể cân nhắc Senior DS thay vì vị trí này.

Trong 90 ngày đầu nếu nhận được offer, tôi nên làm gì để tạo ấn tượng tốt?

Với vị trí senior/lead level, 90 ngày đầu là giai đoạn vàng để build credibility. Lộ trình gợi ý: (1) **Tuần 1-2:** Listen & Learn — gặp từng thành viên trong team, các stakeholders chính, hiểu data landscape, xem dashboard và báo cáo hiện tại. (2) **Tuần 3-6:** Assess — đánh giá các dự án đang chạy, xác định quick wins và pain points. (3) **Tháng 2:** Deliver — hoàn thành ít nhất 1-2 quick wins có thể đo lường được (dù nhỏ). (4) **Tháng 3:** Strategize — đề xuất 6-12 tháng roadmap với data leadership. Quan trọng nhất: đừng vội thay đổi lớn trong 90 ngày — hãy hiểu 'bức tranh toàn cảnh' trước.

Techcombank yêu cầu tiếng Anh ở mức nào? Cần IELTS/TOEFL không?

Yêu cầu tiếng Anh theo chính sách nội bộ của Techcombank — không nói rõ band cụ thể. Thực tế ở vị trí này: bạn cần đọc hiểu tài liệu kỹ thuật (papers, documentation), giao tiếp với các đối tác quốc tế, và present bằng tiếng Anh với leadership. Trình độ cần: IELTS 6.5+ hoặc tương đương là comfortable. Tuy nhiên, nếu bạn có portfolio bằng tiếng Anh và giao tiếp tốt trong phỏng vấn — chứng chỉ không bắt buộc. Nhưng có chứng chỉ sẽ là điểm cộng và thể hiện sự nghiêm túc.

Chuyên gia Cao cấp Khoa học dữ liệu (40000030)