messenger

Chat Mess

zalo

Chat Zalo

phone

Phone

Gọi ngay: 097.5151.777
messenger

Facebook

messenger

TikTok

Hỗ trợ tư vấn: 097.5151.777
VIB

Chuyên gia/ Chuyên viên cao cấp Phát triển Mô hình Rủi ro

Hà Nội, Hồ Chí Minh Khối Quản trị Rủi ro và Tuân thủ
Fulltime (toàn thời gian) Thỏa thuận 2 chỉ tiêu Hạn: 2026-12-31

Mô tả công việc

Trách nhiệm:
Chịu trách nhiệm trực tiếp xây dựng, triển khai, giám sát hiệu quả hoạt động các mô hình rủi ro trong suốt vòng đời; đồng thời thực hiện các phân tích chuyên sâu liên quan hoạt động quản trị rủi ro và hỗ trợ kinh doanh của Ngân hàng.
1. Xây dựng mô hình (30%)

  • Trực tiếp xây dựng các mô hình rủi ro của sản phẩm thẻ và vay tín chấp (mô hình scoring, mô hình Basel): Chiết xuất dữ liệu, làm sạch dữ liệu đầu vào, lựa chọn biến số, thuật toán mô hình và hoàn thiện mô hình cuối cùng.
  • Văn bản hóa đầy đủ và chính xác các tài liệu liên quan đến kết quả xây dựng mô hình.
  • Giám sát chất lượng mô hình sau xây dựng và đề xuất các chỉnh sửa (nếu cần thiết).
  • Chủ động đề xuất khuyến nghị (nếu có) nhằm nâng cao hiệu quả hoạt động mô hình.

2. Triển khai hệ thống (30%)

  • Phối hợp với IT triển khai mô hình đã xây dựng trên hệ thống đảm bảo mô hình triển khai theo đúng thiết kế, trực tiếp soạn thảo tài liệu mô tả yêu cầu nghiệp vụ (BRD) và tham gia kiểm thử người dùng (UAT test).
  • Phối hợp triển khai tích hợp mô hình trong các quy trình tín dụng có liên quan.

3. Theo dõi và xử lý các vấn đề phát sinh sau triển khai (10%)

  • Hỗ trợ người sử dụng mô hình trong quá trình vận hành, giải đáp các vướng mắc.
  • Thực hiện các phân tích đánh giá việc sử dụng mô hình có phù hợp với mục tiêu xây dựng mô hình.
  • Xử lý các vấn đề phát sinh trong quá trình vận hành (do gián đoạn/ cập nhật hệ thống/ rủi ro hoạt động phát sinh từ người dùng…)

4. Phân tích rủi ro khách hàng (20%)

  • Thực hiện các phân tích nhằm thiết lập các chính sách ra quyết định dựa trên mô hình rủi ro.
  • Phân tích dữ liệu, mô phỏng kịch bản và phân tích các chiều rủi ro để hỗ trợ ban lãnh đạo ra quyết định.

5. Thực hiện các công việc khác theo phân công (10%)
Yêu cầu:
•Trình độ Đại học trở lên, các chuyên ngành Toán kinh tế, Thống kê, Khoa học dữ liệu, Tài chính – Ngân hàng, Quản trị rủi ro hoặc ngành liên quan…
• Tối thiểu 5 năm (Chuyên gia)/ 4 năm (Chuyên viên cao cấp)/ 3 năm (Chuyên viên chính)/ 2 năm (Chuyên viên) kinh nghiệm làm việc trong lĩnh vực tín dụng/quản lý tín dụng/quản lý rủi ro tín dụng của ngân hàng.
• Hiểu biết về mô hình rủi ro, Kỹ thuật xây dựng mô hình, các yêu cầu Basel II / Basel III có liên quan và data visualization.
• Kỹ năng sử dụng thành thạo Excel, SQL/ Oracle; các phần mềm thống kê (như R/ SAS/ Python);
• Trung thực và cẩn thận, có trách nhiệm với công việc.
• Kỹ năng phối hợp và làm việc nhóm.
• Kỹ năng thu thập, phân tích và trình bày số liệu.
• Kỹ năng lập luận, phản biện và giải quyết vấn đề.
• Kỹ năng tự nghiên cứu.
• Kỹ năng tiếng Anh thành thạo.
• Ưu tiên ứng viên có kinh nghiệm về rủi ro của các sản phẩm vay bán lẻ (thế chấp/ tín chấp).

Phân tích kỹ năng cần có

Phân tích kỹ năng cần có cho vị trí Phát triển Mô hình Rủi ro tại VIB

1. Hard Skills (Kỹ năng chuyên môn)

📊 Nhóm kỹ năng Xây dựng Mô hình (Modeling)

Kỹ năng Mức độ yêu cầu Ghi chú
Xây dựng mô hình Scoring (PD, LGD, EAD) ★★★★★ Bắt buộc cho vay tín chấp và thẻ
Mô hình Basel II/III (IRB, ICAAP) ★★★★★ Hiểu biết sâu về quy định NHNN
Logistic Regression, Decision Tree, XGBoost, Random Forest ★★★★★ Các thuật toán cốt lõi
Feature Engineering & Variable Selection ★★★★☆ WOE, IV, Information Value
Model Validation & Monitoring ★★★★☆ PSI, CSI, KS, Gini
Data Visualization ★★★☆☆ Power BI, Tableau, matplotlib

💻 Nhóm kỹ năng Công nghệ & Công cụ

Công cụ Mức độ Ứng dụng
SQL / Oracle Bắt buộc Trích xuất dữ liệu từ Data Warehouse
Python (pandas, scikit-learn, statsmodels) Bắt buộc Xây dựng và kiểm thử mô hình
R hoặc SAS Ưu tiên cao Phân tích thống kê, mô hình nâng cao
Excel nâng cao Bắt buộc Pivot, VBA, Power Query
Git/GitLab Nên có Quản lý version code

📚 Kiến thức nền tảng ngân hàng

  • Quy trình tín dụng cá nhân (vay thế chấp, tín chấp, thẻ tín dụng)
  • Thông tư 41/2016/TT-NHNN và các văn bản pháp luật về tín dụng
  • Chuẩn mực Basel II/III áp dụng tại Việt Nam
  • Hiểu biết về CIC (Trung tâm Thông tin Tín dụng)
  • Sản phẩm bán lẻ: thẻ tín dụng, cho vay tiêu dùng, vay mua xe, vay mua nhà

2. Soft Skills (Kỹ năng mềm)

  • Tư duy phản biện: Đánh giá tính hợp lý của kết quả mô hình, không chạy theo số liệu
  • Kỹ năng giao tiếp: Trình bày kết quả phức tạp cho ban lãnh đạo không chuyên môn
  • Làm việc nhóm: Phối hợp với IT, kinh doanh, kiểm toán nội bộ
  • Quản lý dự án: Theo dõi timeline triển khai mô hình từ xây dựng đến go-live
  • Tự nghiên cứu: Cập nhật xu hướng mới (AI/ML trong risk management)
  • Tiếng Anh: Đọc tài liệu Basel, nghiên cứu quốc tế

3. Chứng chỉ nên có (ưu tiên)

Chứng chỉ Tổ chức Giá trị
FRM (Financial Risk Manager) GARP Vàng cho risk modeling
PRM (Professional Risk Manager) PRMIA Bổ sung cho FRM
SAS Certified Predictive Modeler SAS Nếu dùng SAS
AWS/Google Data Analytics Cloud provider Cho data science
Chứng chỉ Basel Các trường/NIIT Hiểu biết chuyên sâu

4. Bảng so sánh theo cấp bậc

Cấp bậc Kinh nghiệm Kỹ năng trọng tâm Vai trò
Chuyên viên 2 năm Xây dựng mô hình cơ bản, SQL, Python Thực hiện theo hướng dẫn
Chuyên viên chính 3 năm End-to-end modeling, validation Làm chủ quy trình
Chuyên viên cao cấp 4 năm Basel, BRD, UAT, mentoring Dẫn dắt dự án
Chuyên gia 5 năm Chiến lược mô hình, stakeholder mgmt Định hướng & giám sát

5. Roadmap xây dựng kỹ năng (6-12 tháng)

1. Tháng 1-2: Nâng cao SQL nâng cao (window functions, CTE), Python (sklearn, statsmodels)
2. Tháng 3-4: Học sâu Basel II/III, đọc tài liệu GARP
3. Tháng 5-6: Thực hành xây dựng scorecard trên dataset Kaggle (Lending Club, Home Credit)
4. Tháng 7-9: Học UAT, BRD documentation, làm việc với IT
5. Tháng 10-12: Nâng cao tiếng Anh, tham gia cộng đồng data science VN

Chuẩn bị phỏng vấn

Hướng dẫn phỏng vấn vị trí Chuyên gia/Chuyên viên cao cấp Phát triển Mô hình Rủi ro - VIB

🎯 Quy trình tuyển dụng dự kiến (3-5 vòng)

Vòng 1: HR Screening (30-45 phút)

  • Xác nhận thông tin cá nhân, mức lương kỳ vọng
  • Kiểm tra CV có match với JD không
  • Tìm hiểu động lực ứng tuyển, khả năng available

Vòng 2: Technical Test / Case Study (60-90 phút)

  • Có thể có bài test:
  • SQL: JOIN phức tạp, window functions, aggregation
  • Excel: Pivot, lookup, tính toán tài chính
  • Câu hỏi tình huống về model performance
  • Hoặc làm case study take-home: Xây dựng scorecard đơn giản

Vòng 3: Phỏng vấn chuyên môn với Trưởng phòng/Quản lý (60-90 phút)

  • Deep dive vào kinh nghiệm xây dựng mô hình
  • Câu hỏi về Basel II/III
  • Scenario-based questions

Vòng 4: Phỏng vấn với Giám đốc Khối (45-60 phút)

  • Tầm nhìn chiến lược
  • Khả năng lãnh đạo, quản lý stakeholder
  • Cultural fit với VIB

Vòng 5: Phỏng vấn cuối (optional) - HR Director / C-level

  • Đàm phán cuối cùng

---

📋 Câu hi hay gặp theo từng vòng

Vòng HR

1. Tại sao bạn muốn làm việc tại VIB?
2. Mức lương hiện tại và k vọng?
3. Bạn có thể bắt đầu làm việc khi nào?
4. Tại sao rời công ty cũ (hoặc tại sao muốn chuyển việc)?

Vòng Technical

Về Modeling:
1. Trình bày quy trình xây dựng scorecard từ A-Z?

  • Gợi ý trả lời: Data extraction → Sample definition → Data cleaning → WOE/IV → Variable selection → Model fitting (Logistic) → Validation (KS, Gini) → PSI monitoring → Cut-off decision

2. Sự khác biệt giữa PD, LGD, EAD là gì?

  • PD: Probability of Default
  • LGD: Loss Given Default (1 - Recovery Rate)
  • EAD: Exposure at Default
  • Expected Loss = PD × LGD × EAD

3. PSI là gì? Ngưỡng PSI bao nhiêu là chấp nhận được?

  • PSI < 0.1: Ổn định
  • 0.1 ≤ PSI < 0.25: Cảnh báo, cần điều tra
  • PSI ≥ 0.25: Bất ổn, cần xây lại mô hình

4. Làm thế nào để xử lý class imbalance trong bài toán scoring?

  • SMOTE, undersampling, oversampling
  • Weighted logistic regression
  • Chọn threshold tối ưu dựa trên business

5. WOE và IV là gì? Công thức tính?

  • WOE = ln(%Good / %Bad)
  • IV = Σ (%Good - %Bad) × WOE
  • IV < 0.02: useless, 0.02-0.1: weak, 0.1-0.3: medium, 0.3-0.5: strong, > 0.5: suspicious

6. Bạn đã triển khai mô hình lên production như thế nào?

  • BRD → IT review → Development → UAT → SIT → Go-live → Monitoring

Về Basel:
1. Trình bày 3 trụ cột của Basel II?

  • Trụ cột 1: Minimum capital requirements (CRAR)
  • Trụ cột 2: Supervisory review process (ICAAP)
  • Trụ cột 3: Market discipline (Disclosure)

2. Tỷ lệ CAR tối thiểu theo NHNN là bao nhiêu?

  • 8% theo Basel I, 10.5% theo Basel II chuẩn, NHNN yêu cầu tối thiểu 8% (bao gồm buffer)

3. F-IRB vs A-IRB khác nhau thế nào?

  • F-IRB: Dùng công thức chuẩn của Basel cho LGD, EAD
  • A-IRB: Tự ước lượng LGD, EAD bằng mô hình nội bộ

Vòng Manager / Director

1. Bạn xử lý thế nào khi mô hình mới xây có Gini cao nhưng kinh doanh phản đối vì approval rate giảm?
2. Theo bạn Basel III khác Basel II ở điểm nào quan trọng nhất?
3. Kế hoạch phát triển nghề nghiệp 3-5 năm tới?
4. Bạn đã từng bị stakeholder từ chối đề xuất mô hình chưa? Xử lý thế nào?

---

💡 Tips chuẩn bị

Trước phỏng vấn (1 tuần)

  • ✅ Đọc kỹ Báo cáo thường niên VIB, tìm hiểu chiến lược ngân hàng số
  • ✅ Research về tin tức VIB gần đây (ra mắt sản phẩm, sự cố)
  • ✅ Xem lại tất cả dự án trong CV, chuẩn bị STAR format
  • ✅ Luyện tập giải thích kỹ thuật cho người không chuyên

Trong phỏng vấn

  • 🎤 Trình bày rõ ràng, logic, dùng sơ đồ tư duy nếu cần
  • 🎤 Đưa ra ví dụ thực tế từ kinh nghiệm
  • 🎤 Không nói xấu công ty c
  • 🎤 Hỏi lại 2-3 câu về công ty, team

Dress Code

  • 👔 Business formal cho vòng Director/C-level
  • 👔 Smart casual hoặc Business formal cho vòng chuyên môn
  • Màu sắc: Xanh navy, xám, trắng - tránh đỏ, vàng chói

❓ Câu hỏi NÊN hỏi interviewer

1. Hiện tại team đang dùng stack công nghệ nào? (Python/R/SAS?)
2. Quy trình xây dựng mô hình tại VIB khác gì so với best practice?
3. Cơ hội tham gia các dự án Basel III nâng cao?
4. Mức độ mature của data warehouse và data governance?
5. Cơ hội đào tạo FRM/PRM được hỗ trợ không?
6. Team hiện tại có bao nhiêu người? Cấu trúc như thế nào?

Lộ trình ôn thi

Hướng dẫn ôn thi & chuẩn bị kiến thức cho vị trí Risk Model Development - VIB

📚 Kiến thức nền tảng cần nắm vững

1. Toán - Thống kê (Quan trọng nhất)

  • Probability & Statistics: Phân phối chuẩn, binomial, Poisson
  • Hypothesis testing: t-test, chi-square, ANOVA
  • Regression: Linear, Logistic, Multinomial
  • Time series: ARIMA, Exponential smoothing (nếu làm forecasting)
  • Sampling methods: Random, Stratified, Bootstrap

2. Machine Learning cho Risk Modeling

  • Supervised: Logistic Regression, Decision Tree, Random Forest, XGBoost, LightGBM
  • Evaluation: Confusion Matrix, ROC-AUC, KS, Gini, Precision-Recall
  • Feature engineering: WOE transformation, Feature selection (Lasso, RFE)
  • Imbalanced data: SMOTE, class weight, threshold tuning
  • Calibration: Platt scaling, isotonic regression

3. Credit Scoring & Basel

Chủ đề Nội dung cần nắm
Scorecard Development Binning, WOE, IV, Information Value
Model Validation PSI, CSI, KS test, Gini stability
Basel II/III 3 trụ cột, IRB approach, CAR calculation
Risk Parameters PD, LGD, EAD, EL, UL, RAROC
Quy định VN Thông tư 41/2016, 13/2018, 22/2019

4. Công cụ

SQL (Bắt buộc nắm vững)

```sql
-- Window functions (rất hay hỏi)
SELECT customer_id,
overdue_amount,
ROW_NUMBER() OVER (PARTITION BY customer_id ORDER BY date DESC) as rn
FROM loan_history;

-- CTE với multiple levels
WITH default_customers AS (...),
overdue_metrics AS (...)
SELECT * FROM final_summary;
```

Ôn tập: HackerRank SQL Medium/Hard, Mode Analytics SQL Tutorial

Python
  • pandas: groupby, merge, pivot, apply
  • sklearn: pipeline, cross_val_score, GridSearchCV
  • statsmodels: Logit, Probit
  • Visualization: matplotlib, seaborn, plotly
R hoặc SAS
  • R: caret, glm, woeBinning, scorecard packages
  • SAS: PROC LOGISTIC, PROC FREQ, macro language

---

📖 Tài liệu tham khảo theo cấp độ

Cơ bản - Tiếng Việt

1. "Quản trị Rủi ro Tín dụng" - TS. Nguyễn Văn Thuận
2. "Mô hình tín dụng ngân hàng" - PGS. Trần Ngọc Thơ
3. Tài liệu NHNN: Thông tư 41/2016, Thông tư 13/2018
4. Blog Tài chính: CafeF, Vietstock, TheLEADER

Nâng cao - Tiếng Anh

1. "Credit Risk Scorecards" - Naeem Siddiqi (Bài bản nhất)
2. "Credit Risk: Pricing, Measurement, and Management" - Duffie & Singleton
3. "The Basel II Risk Parameters" - Böcker & Klüppelberg
4. "Machine Learning for Credit Risk Modeling" - Brandão & Silva
5. FRM Study Materials - GARP (Schweser Notes)

Tài liệu trực tuyến miễn phí

  • Kaggle Courses: https://www.kaggle.com/learn (Intro to ML, Intermediate ML)
  • Google Data Analytics Certificate
  • Coursera: "Financial Engineering and Risk Management" - Columbia
  • YouTube channels: StatQuest, Ken Jee, Krish Naik
  • GitHub repos: credit-scoring, scorecardpy, pycaret

---

📅 Lộ trình chuẩn bị 2 tuần

Tuần 1: Nền tảng lý thuyết

Ngày Nội dung Thời gian
T2 Đọc lại Thông tư 41, 13 về tín dụng 2h
T3 Đọc chương 1-3 "Credit Risk Scorecards" 3h
T4 Ôn Basel II/III, 3 trụ cột 3h
T5 Ôn Logistic Regression, WOE, IV 3h
T6 Ôn PSI, KS, Gini, model monitoring 3h
T7 Làm 1 case study xây scorecard trên Kaggle 4h
CN Review toàn bộ, ghi chú các khái niệm yếu 3h

Tuần 2: Thực hành & Phỏng vấn

Ngày Nội dung Thời gian
T2 SQL practice (HackerRank 5-7 bài Hard) 3h
T3 Python: Xây dựng scorecard hoàn chỉnh 4h
T4 Đọc Báo cáo thường niên VIB 2023-2024 2h
T5 Research tin tức VIB, đối thủ (TCB, MBB, ACB) 2h
T6 Mock interview với bạn bè, ghi âm 3h
T7 Chun bị STAR stories cho 5 dự án chính 3h
CN Nghỉ ngơi, review final, chuẩn bị outfit 2h

---

🎓 Bài tập thực hành nên làm

1. Home Credit Default Risk (Kaggle)

  • Dataset: 300K loans
  • Xây dựng scorecard hoàn chỉnh
  • Đánh giá Gini, KS, PSI

2. Lending Club Loan Data

  • Phân tích vintage, default rate theo cohort
  • Loss forecasting

3. UCI Credit Approval

  • Dataset nhỏ, tốt để bắt đầu

4. Case study VIB: Vào trang VIB, tìm hiểu sản phẩm thẻ và vay, đặt câu hỏi: "Nếu mình là model owner, sẽ xây model gì?"

---

⚠️ Lưu ý quan trọng

  • VIB là ngân hàng có tốc độ tăng trưởng tín dụng cao, model risk rất được chú trọng
  • Cập nhật kiến thức về machine learning fairness (bias, discrimination) - xu hướng mới
  • Hiểu biết về explainable AI (SHAP, LIME) sẽ là điểm cộng
  • VIB đang chuyển đổi số mạnh mẽ - thể hiện sự quan tâm đến data culture

Tư vấn nghề nghiệp

Lời khuyên sự nghiệp cho vị trí Phát triển Mô hình Rủi ro

Lộ trình thăng tiến trong lĩnh vực Risk Modeling

```
Chuyên viên → Chuyên viên chính → Chuyên viên cao cấp → Chuyên gia → Trưởng phòng → Giám đốc
(2y) (3y) (4y) (5y) (7-8y) (10y+)
│ │ │ │ │ │
▼ ▼ ▼ ▼ ▼ ▼
Xây mô hình Làm chủ dự án Lead team nhỏ Quản lý portfolio Quản lý CRO/Deputy CRO
theo hướng End-to-end mô hình toàn team
dẫn Chiến lược
```

Các hướng phát triển chính

1. Hướng chuyên gia kỹ thuật (Technical Track)
  • Model Developer → Senior Modeler → Lead Modeler → Chief Modeler
  • Làm chuyên sâu về methodology, nghiên cứu
  • Lương cao ở các ngân hàng lớn hoặc quỹ đầu tư
2. Hướng quản lý (Management Track)
  • Chuyên gia → Trưởng nhóm Mô hình → Trưng phòng QTRR → Giám đốc Khối QTRR
  • Cần phát triển leadership, stakeholder management
3. Hưng chuyển ngang (Lateral)
  • Risk Modeling → Data Science (ở fintech, e-commerce)
  • Risk Modeling → Credit Policy
  • Risk Modeling → Internal Audit/Model Validation (independent)
  • Risk Modeling → Consulting (McKinsey, BCG, EY)

---

💰 Mức lương kỳ vọng theo cấp bậc (Tham khảo 2024-2025)

Cấp bậc Tại VIB/Big 4 NH Tại ngân hàng quốc tế/NHTMCP nhỏ
Chuyên viên (2y) 25-40 triệu 18-30 triệu
CV chính (3y) 40-55 triệu 30-45 triệu
CV cao cấp (4y) 55-80 triệu 45-65 triệu
Chuyên gia (5y+) 80-120 triệu 65-95 triệu
Trưởng phòng 120-200 triệu 100-150 triệu
Giám đốc 200-400 triệu 150-300 triệu

Lưu ý:

  • Lương có thể cao hơn 20-30% ở các ngân hàng nước ngoài (HSBC, Standard Chartered, Citi)
  • Fintech (MoMo, ZaloPay, Tima) trả cao hơn nhưng ít ổn định hơn
  • Thưởng Tết thường 2-4 tháng lương, thưởng KPI theo quý

---

🎯 Kỹ năng cần phát triển thêm theo từng giai đoạn

Năm 1-2: Nền tảng

  • [ ] Thành thạo SQL nâng cao
  • [ ] Python cho data science
  • [ ] Hiểu sâu Basel II
  • [ ] FRM Part 1 (nếu có điều kiện)

Năm 3-4: Mở rộng

  • [ ] Machine Learning nâng cao (Deep Learning basics)
  • [ ] Cloud computing (AWS/GCP/Azure)
  • [ ] FRM Part 2 hoặc PRM
  • [ ] Soft skills: presentation, stakeholder management
  • [ ] Tiếng Anh TOEIC 750+ hoặc IELTS 6.5+

Năm 5+: Lãnh đạo & Chiến lược

  • [ ] Leadership & people management
  • [ ] Business acumen (hiểu chiến lược kinh doanh NH)
  • [ ] Strategic thinking
  • [ ] Networking trong ngành (tham gia GARP Vietnam, seminars)
  • [ ] Public speaking

---

📌 Lời khuyên thực tế từ góc nhìn đàn anh

1. Đừng chỉ làm "model builder"

> "Ở tầm chuyên gia, bạn không chỉ build model - bạn phải định hình chính sách tín dụng. Hiểu business trước khi hiểu model."

2. Học cách kể chuyện với data

  • Modeler giỏi ≠ Modeler được thăng tiến
  • Kỹ năng trình bày với CEO/CRO quan trọng ngang kỹ thuật

3. Đừng ngại những dự án khó

  • Project thất bại là bài học tốt nhất
  • Model rejected bởi business dạy bạn nhiều hơn model accepted

4. Xây dựng personal brand

  • Viết blog trên Viblo, Medium về risk modeling tiếng Việt
  • Tham gia cộng đồng GARP Vietnam, Kaggle competitions
  • LinkedIn: post về dự án, chia sẻ case study

5. Network là tài sản

  • Kết nối với modeler ở các NH khác (TCB, MBB, ACB)
  • Tham gia sự kiện của NHNN, Hiệp hội Ngân hàng
  • Theo dõi và tương tác với chuyên gia trên LinkedIn

6. Cân nhắc chuyển việc đúng lúc

  • Sau 3-4 năm ở 1 NH nếu không còn đất phát triển → nên chuyển
  • Mỗi 5-7 năm chuyển ngân hàng 1 lần để tăng lương đáng kể

---

🎓 Cơ hội đào tạo & chứng chỉ nên đầu tư

Ưu tiên Chứng chỉ ROI Thời gian học
⭐⭐⭐⭐⭐ FRM Part 1 + Part 2 Tăng lương 20-40% 6-12 tháng
⭐⭐⭐⭐ SAS Certified Giá trị ở NH dùng SAS 3-6 tháng
⭐⭐⭐⭐ AWS ML Specialty Cho hưng ML/DevOps 4-6 tháng
⭐⭐⭐ Coursera Risk Mgmt Kiến thức nền 2-3 tháng
⭐⭐⭐ TOEIC/IELTS Bắt buộc nếu yếu 3 tháng

---

⚖️ So sánh ngân hàng để tham khảo

Tiêu chí VIB Techcombank MBBank ACB
Tăng trưởng tín dụng Cao Cao nhất Cao Trung bình cao
Đầu tư công nghệ Tốt Rất tốt Tốt Khá
Chuyển đổi số Mạnh Rất mạnh Mạnh Khá
Lương & đãi ngộ Khá Tốt Tốt Khá
Cơ hội thăng tiến Tốt Tốt Tốt Khá
Văn hóa Năng động, áp lực Áp lực cao Cân bng Ổn định

VIB phù hp với ai? Người thích sự năng động, thích thử thách, không ngại thay đổi, sẵn sàng làm việc trong môi trường chuyển đổi số mạnh.

Câu hỏi thường gặp

Em mới ra trường ngành Khoa học Dữ liệu, có thể apply vị trí này được không khi chưa có 2 năm kinh nghiệm?

Chào em, vị trí này yêu cầu tối thiểu 2 năm kinh nghiệm (cho mức Chuyên viên), nên nếu chưa đủ thì em nên tích lũy thêm. Tuy nhiên, em có thể làm theo lộ trình sau: (1) Apply vị trí Junior Data Analyst tại VIB hoặc các ngân hàng để vào ngành, (2) Trong 1-2 năm đầu xin tham gia các dự án về credit risk, (3) Học thêm FRM Part 1 và xây dựng portfolio trên Kaggle với các bài toán credit scoring. Hoặc em có thể thử apply vị trí internship/fresher program của VIB nếu có. Một số ngân hàng cũng tuyển chuyên viên tín dụng rồi đào tạo nội bộ lên mảng modeling - đó cũng là con đường tốt.

Em đang làm Data Scientist ở fintech, lương hiện tại 35 triệu, muốn chuyển sang làm Risk Modeler ở VIB thì mức lương kỳ vọng nên đề xuất bao nhiêu?

Theo kinh nghiệm của anh, nếu em có 2-3 năm kinh nghiệm data science và đã làm việc với dữ liệu tài chính/tín dụng, em có thể deal 40-50 triệu cho vị trí Chuyên viên chính ở VIB. Tuy nhiên, cần lưu ý: Fintech thường trả lương cash cao nhưng ít phúc lợi, ngân hàng thì lương cash có thể thấp hơn nhưng có thêm thưởng Tết (2-4 tháng), bảo hiểm sức khỏe gia đình, voucher, training budget. Tổng package có thể tương đương hoặc hơn. Em nên nghiên cứu trên Glassdoor, VietnamSalary.vn và hỏi ace trước để có số liệu. Khi deal, đừng quên hỏi về bonus scheme và kỳ vọng tăng lương sau 6 tháng thử việc.

Tôi đã làm 4 năm ở vị trí Credit Policy, muốn chuyển sang mảng Modeling thì cần chuẩn bị gì?

Anh/chị đã có lợi thế lớn vì hiểu sâu về tín dụng rồi, chỉ cần bổ sung technical skills. Cụ thể: (1) Học Python + scikit-learn trong 3-6 tháng, có thể qua Coursera 'Machine Learning with Python' của IBM; (2) Làm 1-2 dự án scorecard trên Kaggle (Home Credit, Lending Club) và publish lên GitHub; (3) Ôn lại SQL nâng cao (window functions, CTE); (4) Đọc 'Credit Risk Scorecards' của Naeem Siddiqi; (5) Học về Basel II/III nếu chưa nắm. Với 4 năm kinh nghiệm + portfolio tốt, anh/chị hoàn toàn có thể apply Chuyên viên chính hoặc Chuyên viên cao cấp. Khi phỏng vấn, nhấn mạnh rằng anh/chị hiểu business nên sẽ xây model 'có ý nghĩa' chứ không chỉ 'có accuracy'.

Vị trí này làm việc theo giờ hành chính hay có OT nhiều không? Áp lực công việc thế nào?

Theo chia sẻ từ nhiều bạn làm risk modeling ở các ngân hàng lớn: giờ giấc tương đối ổn định (8h-17h hoặc 9h-18h), nhưng có OT vào cuối quý khi phải chốt số liệu Basel hoặc khi có dự án lớn. Áp lực lớn nhất là: (1) Deadline triển khai mô hình mới - thường phối hợp với nhiều bên (IT, kinh doanh, kiểm toán); (2) Khi mô hình phát sinh sự cố ảnh hưởng đến quyết định tín dụng - phải xử lý nhanh; (3) Áp lực từ business khi approval rate giảm vì model mới. Tuy nhiên, so với mảng kinh doanh thì modeler có cuộc sống cân bằng hơn nhiều. Nếu chọn được môi trường VIB có văn hóa tốt, sẽ là nơi làm việc lý tưởng.

Nếu tôi apply vị trí Chuyên gia mới đủ 5 năm kinh nghiệm thì có hơi non tay không? Làm sao để cạnh tranh với các ứng viên khác?

Câu hỏi hay! Theo anh, 5 năm là mức minimum cho vị trí Chuyên gia ở hầu hết ngân hàng, nên nếu apply ở thời điểm vừa đủ 5 năm thì hoàn toàn OK, đặc biệt nếu em đang ở ngân hàng top-tier hoặc có track record ấn tượng. Để cạnh tranh, em cần: (1) Thể hiện được end-to-end ownership: không chỉ 'tham gia' mà 'chịu trách nhiệm chính' các dự án lớn; (2) Có bằng chứng về business impact: 'đã giúp giảm default rate X%' hoặc 'tiết kiệm Y tỷ vốn'; (3) Sở hữu FRM hoặc chứng chỉ liên quan; (4) Thể hiện khả năng mentoring, leadership; (5) Nộp CV có portfolio dự án đầy đủ. Nếu cảm thấy chưa tự tin, em có thể apply vị trí CV cao cấp trước để 'warm up' trong hệ thống VIB.

So sánh giữa làm Risk Modeler ở ngân hàng lớn (VIB) với Fintech (Tima, Fiin, Trusting Social) thì cái nào tốt hơn cho sự nghiệp dài hạn?

Cả hai đều có ưu nhược điểm riêng. Ngân hàng lớn (VIB): Thu nhập ổn định, đãi ngộ tốt (bảo hiểm, thưởng Tết), brand name vững cho CV, nhưng quy trình chậm, dữ liệu rất nhiều nhưng nhiều silo, khó đổi mới. Fintech: Linh hoạt, làm việc với data sạch hơn, được thử nhiều công nghệ mới (ML/DL), lương cash có thể cao hơn, nhưng rủi ro 'fintech burn out' và 'sập tiệm'. Lời khuyên: Nếu em mới ra trường hoặc < 3 năm kinh nghiệm → Fintech để học nhanh. Nếu em đã có 3-5 năm muốn ổn định, brand name tốt → Ngân hàng. Nếu em đã ổn định muốn scale up → Quốc tế (HSBC, Standard Chartered). Em có thể đi theo pattern: Ngân hàng (foundation) → Fintech (build skills) → Ngân hàng lớn hoặc quốc tế (peak career).

Tôi nghe nói VIB có văn hóa làm việc áp lực cao, có đúng không? Có nên cân nhắc không?

úng là VIB có văn hóa khá áp lực, đặc biệt ở mảng kinh doanh và công nghệ. Tuy nhiên, riêng với mảng Quản trị Rủi ro thì áp lực đến từ bản chất công việc chứ không phải từ văn hóa quá nhiều. Áp lực chính: deadline Basel, dự án lớn, audit. Bù lại, team QTRR thường mature, có nhiều người giỏi từ các NH lớn về, được học hỏi nhiều. VIB đang trong giai đoạn tăng trưởng mạnh nên cơ hội thăng tiến nhanh nếu em chứng minh được năng lực. Nếu em chọn VIB, anh khuyên: (1) Vào hỏi rõ về work-life balance của team cụ thể trong phỏng vấn; (2) Đọc review trên Glassdoor, Vietnamworks; (3) Connect với nhân viên hiện tại qua LinkedIn để hỏi thật.

FRM có thực sự cần thiết không khi làm ở Việt Nam? Tốn tiền học có đáng không?

FRM không bắt buộc ở VN nhưng cực kỳ có giá trị. Phân tích chi phí - lợi ích: Chi phí thi ~$1,000-1,500 (cả 2 parts) + tài liệu ~$500 = ~$2,000. Lợi ích: (1) Tăng lương 15-30% khi có FRM (theo survey GARP); (2) Được nhiều NH ưu tiên khi tuyển dụng - đặc biệt vị trí senior; (3) Kiến thức thực tế, không lý thuyết suông; (4) Mạng lưới GARP Vietnam rất mạnh. Ai nên học FRM: Người nghiêm túc với risk management, muốn thăng tiến lên senior/manager. Ai không cần: Mới ra trường, đang test sở thích với ngành. Lời khuyên: Sau 2 năm kinh nghiệm thì bắt đầu ôn FRM Part 1, sau 3-4 năm thi Part 2. Vừa có kinh nghiệm thực tế vừa có kiến thức, retention sẽ tốt hơn.