Chuyên viên

Mô tả công việc

## Mục tiêu - Người đảm nhận vị trí giám sát việc thiết lập các công cụ phân tích để tạo ra thông tin chi tiết về hành trình của khách hàng và cải tiến sản phẩm bằng cách sử dụng các phương pháp lập trình, quy trình và hệ thống để hợp nhất và phân tích các nguồn Dữ liệu lớn đa dạng, phi cấu trúc. - Người đảm nhận vị trí được yêu cầu chủ động thử nghiệm các công nghệ và công cụ khác nhau với tầm nhìn tạo ra thông tin chi tiết theo hướng dữ liệu sáng tạo cho doanh nghiệp với tốc độ nhanh nhất có thể và luôn cập nhật với sự phát triển của ngành và kỹ thuật. ## Trách nhiệm chính (1) Giải quyết dữ liệu - Đánh giá hiệu quả của các mô hình đề xuất và theo dõi hiệu quả hoạt động kinh doanh dựa trên mô hình phân tích 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, hành trình của khách hàng, chế độ biểu đồ, v.v. - Thúc đẩy ứng dụng của máy học và kỹ thuật dữ liệu lớn trên các hành trình và nhóm 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. - 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 dữ liệu. - Chủ động dẫn dắt các cuộc thảo luận trong nhóm 3+ để xác định các câu hỏi và vấn đề để phân tích 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. ## Trách nhiệm chính (3) Quản lý dự án - Quản lý các xung đột, thách thức của dự án và các yêu cầu kinh doanh năng động để duy trì 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 - Cố vấn và huấn luyện các Nhà phân tích dữ liệu thành các Nhà khoa học dữ liệu có đủ năng lực. - Xác định và khuyến khích các khu vực phát triển và cải thiện trong nhóm ## Chân dung Thành công - Bằng cấp, Kinh nghiệm Bằng cấp - Cử nhân hoặc Thạc sĩ về Thống kê, Toán học, Phân tích Định lượng, Khoa học Máy tính, Kỹ thuật Phần mềm hoặc Công nghệ Thông tin Kinh nghiệm - Tối thiểu 7 năm kinh nghiệm có liên quan trong các lĩnh vực phân tích dữ liệu, học máy, phát triển mô hình học sâu trên lượng lớn dữ liệu, 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 sâu sắc trong việc truy vấn cơ sở dữ liệu và sử dụng các ngôn ngữ lập trình (ví dụ: C, C ++, R, Python, Scala, SQL, Java, Tableau, R) - Có nhiều kinh nghiệm trong việc xây dựng các giải pháp phân tích và dữ liệu, khai thác dữ liệu, phân tích thống kê và trực quan hóa dữ liệu - Có kinh nghiệm ứng dụng học máy và AI cho các câu hỏi liên quan đến thị trường tài chính - Kinh nghiệm cung cấp thông tin chi tiết dựa trên thực tế để giúp quản lý cấp cao và các bên liên quan khác nhận ra giá trị doanh nghiệp trên quy mô - Có kinh nghiệm sâu sắc về Phát triển phần mềm Agile và nắm vững các nguyên tắc, thực hành Agile và phương pháp luận Scrum - Có kinh nghiệm làm việc trong các nhóm Agile để dẫn dắt các dự án chuyển đổi kỹ thuật số thành công, tham gia vào việc lập kế hoạch từ đầu đến cuối để thực hiện

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cho vị trí Data Scientist - Techcombank ### 1. Hard Skills bắt buộc | Nhóm kỹ năng | Yêu cầu chi tiết | Mức độ thành thạo | |---|---|---| | **Lập trình** | Python, R, SQL (bắt buộc); C/C++, Java, Scala (lợi thế) | Thành thạo, viết code sạch, production-ready | | **Machine Learning** | Supervised/Unsupervised learning, Deep Learning, NLP | Xây dựng và triển khai mô hình thực tế | | **Big Data** | Xử lý dữ liệu lớn, distributed computing (Spark, Hadoop) | Hiểu architecture, tối ưu hóa pipeline | | **Thống kê** | Regression, Classification, Time Series, A/B Testing | Nền tảng vững, diễn giải kết quả chính xác | | **Visualization** | Tableau, Power BI, Python (Matplotlib, Seaborn) | Tạo dashboard, storytelling với dữ liệu | | **Agile/Scrum** | Phương pháp Agile, Scrum, Kanban | Làm việc trong môi trường iterative | ### 2. Soft Skills quan trọng - **Tư duy phân tích & giải quyết vấn đề:** Đặt câu hỏi đúng, break down bài toán phức tạp - **Kỹ năng giao tiếp:** Diễn đạt kết quả phân tích cho stakeholder phi kỹ thuật (storytelling) - **Quản lý dự án:** Handle xung đột, deadline, ưu tiên công việc - **Tư duy kinh doanh:** Hiểu banking domain, correlation giữa data insight và business outcomes - **Khả năng mentoring:** Hướng dẫn Junior Analyst phát triển thành Data Scientist ### 3. Chứng chỉ gợi ý | Chứng chỉ | Mức độ ưu tiên | Ghi chú | |---|---|---| | Google Professional Data Analyst | Cao | Phổ biến, được công nhận rộng | | AWS Certified Machine Learning | Cao | Techcombank dùng AWS | | Databricks Data Engineer | Trung bình | Lợi thế nếu xử lý Big Data | | Kaggle Competition | Cao | Portfolio mạnh, thực chiến | | CFA/FRM (Finance) | Trung bình | Hiểu thị trường tài chính | | PMI-ACP (Agile) | Trung bình | Xác nhận Agile methodology | ### 4. So sánh: Data Scientist cấp thường vs. cấp Senior (vị trí này) | Tiêu chí | Data Scientist (junior) | Vị trí này (Senior/Expert) | |---|---|---| | Mô hình | Xây dựng theo spec | Thiết kế, đánh giá, tối ưu hóa | | Dữ liệu | Làm việc với data clean | Thiết kế pipeline, xử lý unstructured | | Giao tiếp | Report cho manager | Present trực tiếp với cấp cao | | Team | Tự làm hoặc pair | Mentor, dẫn dắt nhóm 3+ người | | Impact | Một hành trình khách hàng | Đa hành trình, multi-team | | KPI | Model accuracy | Business metric (revenue, conversion) | ### 5. Gap Analysis cho ứng viên **Nếu thiếu:** - **Big Data tools (Spark, Hadoop):** Học Databricks, practice trên GCP/AWS databricks - **Agile experience:** Tham gia dự án cá nhân theo Scrum, viết journal theo sprint - **Finance domain:** Đọc về Retail Banking products (thẻ, vay, tiền gửi), tham gia Kaggle competitions về financial fraud detection - **Mentoring:** Tự volunteer hướng dẫn intern hoặc viết blog kỹ thuật

Chuẩn bị phỏng vấn

## Hướng dẫn phỏng vấn vị trí Data Scientist - Techcombank ### Quy trình các vòng phỏng vấn (dự kiến) ``` Vòng 1: HR Screening (30-45 phút) → Đánh giá fit culture, kinh nghiệm tổng quan, salary expectation Vòng 2: Technical Interview - Data Science (60-90 phút) → Thuật toán, ML/DL, case study phân tích dữ liệu → Có thể kèm bài test thực hành (take-home hoặc live coding) Vòng 3: Technical Interview - Business/Domain (60 phút) → Apply ML vào bài toán ngân hàng bán lẻ → Trực quan hóa, A/B testing, business metric → System design cho data pipeline Vòng 4: Panel Interview - Hiring Manager + Team Lead (45-60 phút) → Leadership principles, mentoring vision → Cultural fit với Techcombank's transformation Vòng 5: C-level/VP Interview (30-45 phút) [có thể có] → Strategic thinking, stakeholder management → Vision về data-driven culture ``` ### Câu hỏi hay gặp theo từng vòng **Vòng 1 - HR:** - "Tại sao bạn muốn chuyển sang Techcombank?" - "Kể về một dự án ML mà bạn tự hào nhất, kết quả cụ thể ra sao?" - "Mức lương kỳ vọng của bạn? Có thể thỏa thuận được không?" - "Bạn hiểu gì về chiến lược chuyển đổi số của Techcombank?" **Vòng 2 - Technical DS:** - "Giải thích sự khác nhau giữa Random Forest và Gradient Boosting. Khi nào dùng cái nào?" - "Xây dựng một mô hình recommend cho khách hàng ngân hàng. Pipeline của bạn gồm những bước nào?" - "Handling imbalanced dataset như thế nào?" - "Explain overfitting và các cách prevent nó." - "Cho dataset 10M rows, bạn sẽ validate model như thế nào?" - Live coding: SQL query phức tạp, Python pandas manipulation **Vòng 3 - Business/Domain:** - "Làm sao đo lường ROI của một mô hình ML trong ngân hàng?" - "Thiết kế data pipeline để predict customer churn cho Techcombank." - "A/B test cho thấy variant B tốt hơn A với p-value = 0.04. Bạn quyết định thế nào?" - "Các metrics nào bạn dùng để đánh giá customer journey trong Retail Banking?" - "Có bao giờ model của bạn fail không? Bài học gì?" **Vòng 4 - Leadership/Culture:** - "Mô tả cách bạn mentor một Junior Analyst chưa có kinh nghiệm." - "Handling conflict giữa business deadline và technical quality như thế nào?" - "Bạn làm gì khi stakeholder không hiểu hoặc không đồng ý với kết quả phân tích?" - "Một ngày làm việc của Data Scientist tại team bạn như thế nào?" - "Bạn có kinh nghiệm gì với Agile methodology?" ### Tips chuẩn bị cụ thể 1. **Research Techcombank trước:** - Đọc Annual Report, press releases về digital transformation - Hiểu sản phẩm: Timo, FPT, Mobile Banking,Credit, deposits - Tech stack: AWS, Databricks, Snowflake (đoán) 2. **Chuẩn bị Portfolio:** - 2-3 project liên quan đến: customer segmentation, churn prediction, fraud detection - Dùng GitHub có README rõ ràng, kết quả đo lường được 3. **Practice SQL + Python coding:** - LeetCode Easy/Medium (tag: SQL, Database) - pandas, scikit-learn, PyTorch/TensorFlow 4. **ML System Design:** - Học cách thiết kế end-to-end ML pipeline - Feature engineering, model serving, monitoring ### Dress Code - **Techcombank:** Business casual, chuẩn bị sẵn sàng lên business formal nếu cần - Nam: sơ mi dài tay + quần âu (không cần cravat trừ interview cấp cao) - Nữ: áo sơ mi/chokhông gắng, quần âu hoặc chân váy công sở - IT/Data tại Techcombank thường casual hơn các ngân hàng truyền thống, nhưng interview vẫn nên chỉnh chu

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho vị trí Data Scientist - Techcombank ### Lộ trình chuẩn bị 2 tuần (8-10 tiếng/ngày) #### Tuần 1: Nền tảng & Technical Deep-dive **Ngày 1-2: SQL & Database (ưu tiên cao)** - Window functions (ROW_NUMBER, RANK, LAG, LEAD) - CTE, subquery, join đa bảng - Practice: LeetCode SQL (Medium level) - Tài liệu: "SQL for Data Scientists" - Richie Baxter **Ngày 3-4: Machine Learning Core** - Regression vs Classification - khi nào dùng - Ensemble methods: Random Forest, XGBoost, LightGBM - Model evaluation: ROC-AUC, Precision-Recall, F1-score - Overfitting, cross-validation, hyperparameter tuning - Tài liệu: Andrew Ng's Machine Learning (Coursera), "Hands-On ML" - Aurélien Géron **Ngày 5-6: Deep Learning & Big Data** - Neural networks basics, CNN, RNN/LSTM - NLP basics (TF-IDF, Word2Vec, Transformers) - Spark basics, distributed computing concepts - Tài liệu: "Deep Learning" - Ian Goodfellow (reference), fast.ai course **Ngày 7: Banking Domain Knowledge** - Retail Banking products: deposits, loans, credit cards, insurance - Key metrics: NIM, CAR, NPL ratio, CASA ratio - Customer lifecycle: Acquisition → Activation → Retention → Monetization - Tài liệu: Đọc annual report Techcombank 2023, nghiên cứu Fintech competition #### Tuần 2: Business Case & Soft Skills **Ngày 8-9: ML System Design** - Design recommend system cho banking - Design churn prediction pipeline - Feature engineering for financial data - A/B testing design & analysis **Ngày 10-11: Statistics & Experimentation** - Hypothesis testing (p-value, t-test, chi-square) - Bayesian thinking basics - A/B testing in practice: sample size, duration, multiple testing **Ngày 12: Agile & Project Management** - Scrum ceremonies: Sprint planning, daily standup, retrospective - User story writing, backlog management - Dựa trên kinh nghiệm thực tế của bạn **Ngày 13-14: Mock Interview & Portfolio Review** - Mock coding interview (Pramp, Interviewing.io) - Review và present 2-3 best projects - Chuẩn bị câu hỏi cho interviewer - Research Techcombank culture, Glassdoor reviews ### Tài liệu tham khảo bắt buộc | Chủ đề | Nguồn | Ưu tiên | |---|---|---| | SQL | LeetCode SQL section, Mode SQL Tutorial | ⭐⭐⭐ | | Machine Learning | Coursera: Andrew Ng, Kaggle Learn | ⭐⭐⭐ | | Deep Learning | fast.ai (Jeremy Howard) | ⭐⭐ | | Statistics | "Think Stats" - Allen Downey | ⭐⭐ | | Banking Domain | Techcombank Annual Report, SBV reports | ⭐⭐⭐ | | System Design | "Designing Data-Intensive Applications" - Kleppmann | ⭐⭐ | | Agile | Scrum.org resources, Atlassian Agile coach | ⭐⭐ | ### Resources Online miễn phí - **Kaggle:** Competition, notebooks, datasets (luyện tập thực tế) - **StrataScratch:** Interview questions thực tế từ tech companies - **DataTalks.Club:** Podcast + community cho Data Scientists - **Towards Data Science (Medium):** Articles về ML trong banking - **GitHub:** Follow các repo về fintech ML projects

Tư vấn nghề nghiệp

## Lời khuyên sự nghiệp cho Data Scientist - Techcombank ### Lộ trình thăng tiến điển hình ``` Data Analyst (0-2 năm) ↓ Junior Data Scientist (2-4 năm) ↓ Data Scientist (4-6 năm) ↓ Senior Data Scientist / Lead DS (6-10 năm) ← BẠN ĐANG Ở ĐÂY ↓ Principal Data Scientist / Data Science Manager ↓ Head of Data Science / VP of Analytics ↓ CDO (Chief Data Officer) ``` ### Mức lương kỳ vọng theo cấp bậc (Hà Nội, 2024) | Cấp bậc | Kinh nghiệm | Lương tháng (VND) | Ghi chú | |---|---|---|---| | Data Analyst | 0-2 năm | 15-25 triệu | Entry-level | | Data Scientist | 2-5 năm | 25-45 triệu | Mid-level | | Senior Data Scientist | 5-8 năm | 45-80 triệu | Vị trí này | | Lead/Manager DS | 8+ năm | 80-150 triệu | Management track | | Principal/Head DS | 10+ năm | 150-250+ triệu | Strategic | **Techcombank** thường trả ở mức top-tier so với thị trường ngân hàng truyền thống, có thể cạnh tranh được với các công ty Fintech/IT. Lương thỏa thuận, thường có thêm: - Performance bonus: 1-3 tháng - Stock options (ở một số cấp) - Healthcare package cao cấp ### Kỹ năng cần phát triển thêm để thăng tiến **Ngắn hạn (6-12 tháng đầu):** - Chứng minh impact rõ ràng: model accuracy → business metric (conversion rate, NPS) - Xây dựng uy tín với business stakeholders - Mentee 1-2 Junior Analyst **Trung hạn (1-3 năm):** - Technical leadership: architecture decisions, code review - Project management: end-to-end ownership - Domain expertise: hiểu sâu Retail Banking operations - Networking nội bộ: làm quen với các team Product, Risk, Marketing **Dài hạn (3-5 năm):** - Chọn track: **Technical (Principal DS)** hoặc **Management (DS Manager)** - Nếu Technical: deep expertise, research, publications, conference talks - Nếu Management: roadmap planning, team building, budget ownership - Xây dựng personal brand: blog, Kaggle, conference speaking ### So sánh Techcombank vs. alternatives | Tiêu chí | Techcombank | VPBank | FPT IS | Startup Fintech | |---|---|---|---|---| | Lương | ⭐⭐⭐⭐ Rất tốt | ⭐⭐⭐ Tốt | ⭐⭐⭐ Tốt | ⭐⭐ Thay đổi | | Work-life balance | ⭐⭐⭐ Khá | ⭐⭐ Trung bình | ⭐⭐⭐⭐ Tốt | ⭐ Biến đổi | | Learning opportunity | ⭐⭐⭐⭐ Tech stack mới | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ Biến đổi | | Career path | ⭐⭐⭐⭐ Rõ ràng | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ | | Culture | ⭐⭐⭐⭐ Transformation-focused | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ### Lời khuyên thực tế từ người đi trước 1. **Techcombank đang trong giai đoạn transformation mạnh** → Nhiều cơ hội để tạo impact, nhưng cũng nhiều thay đổi. Chuẩn bị tinh thần adaptable. 2. **Data quality là thách thức lớn** → Phần lớn thời gian sẽ dành cho data cleaning/engineering hơn là modeling. Set expectation đúng. 3. **Stakeholder management quan trọng hơn bạn nghĩ** → Model giỏi mà không communicate được giá trị thì không có impact. 4. **Đọc kỹ JD "lead các cuộc thảo luận 3+"** → Họ cần người có thể dẫn dắt, không chỉ execute. 5. **Tham gia data community** → Techcombank Data Science team thường tổ chức/tham gia meetups, đây là cách tốt để build network trước khi apply.

Câu hỏi thường gặp

Em mới tốt nghiệp Thạc sĩ Khoa học Máy tính, có kinh nghiệm internship về ML nhưng chưa đủ 7 năm. Em có nên ứng tuyển vị trí này không?

Cân nhắc kỹ nhưng không nên từ bỏ hoàn toàn. JD yêu cầu 7 năm nhưng thực tế nhiều ngân hàng linh hoạt với ứng viên có profile mạnh. Nếu bạn có: (1) ít nhất 3-4 năm kinh nghiệm thực tế với production ML, (2) portfolio project về banking domain, (3) chứng chỉ relevant (AWS ML, Google Data), thì có thể thử. Đồng thời, ứng tuyển thêm các vị trí Data Scientist cấp thấp hơn tại Techcombank hoặc các ngân hàng khác để xây dựng kinh nghiệm. Đừng chỉ apply một vị trí duy nhất.

Mức lương cho vị trí này ở Techcombank thường rơi vào khoảng bao nhiêu?

Techcombank trả lương top-tier trong ngành ngân hàng Việt Nam. Với yêu cầu 7+ năm kinh nghiệm và kỹ năng ML/DL chuyên sâu, mức lương thường giao động từ 50-80 triệu/tháng, có thể đến 100 triệu nếu profile rất mạnh. Ngoài ra còn có bonus 1-3 tháng, healthcare premium, và các phúc lợi khác. Khi HR hỏi salary expectation, hãy research trên Glassdoor, VietnamSalary và đưa ra range dựa trên current salary + 20-30% premium. Đừng ngại thương lượng vì JD ghi 'thỏa thuận'.

Kỹ năng nào là quan trọng nhất khi phỏng vấn vị trí Data Scientist ở Techcombank?

Techcombank đặc biệt đánh giá cao 3 nhóm kỹ năng: (1) Technical: Python + SQL + ML (phải viết code được, không chỉ hiểu lý thuyết), (2) Business impact: khả năng diễn giải kết quả model thành business value cụ thể (ví dụ: model này giúp tăng conversion rate X%, giảm churn Y%), (3) Leadership: vì đây là cấp Senior, họ cần người có thể dẫn dắt nhóm, mentor junior. Nhiều ứng viên giỏi tech nhưng fail ở phần business communication. Hãy chuẩn bị ít nhất 2-3 câu chuyện thể hiện impact của mình bằng con số cụ thể.

Môi trường làm việc và văn hóa Techcombank như thế nào?

Techcombank tự nhận là ngân hàng có văn hóa 'transformation' và 'digital-first'. So với các ngân hàng truyền thống như Vietcombank, BIDV, họ áp dụng Agile/Scrum rộng rãi hơn, sử dụng tech stack hiện đại hơn (cloud-based, microservices), và có nhiều tự do sáng tạo hơn. Tuy nhiên, đổi lại, áp lực performance và KPI cũng cao hơn, deadline có thể aggressive. Đây là môi trường tốt nếu bạn thích thử thách, không phù hợp nếu bạn thích stability và ít thay đổi. Đọc Glassdoor và các diễn đàn để có cái nhìn đa chiều từ nhân viên cũ và hiện tại.

Tech stack Data Science tại Techcombank sử dụng những gì?

Dựa trên JD và xu hướng tech của các ngân hàng Việt Nam hiện đại, Techcombank likely sử dụng: Python (pandas, scikit-learn, TensorFlow/PyTorch) là ngôn ngữ chính; SQL + Spark cho xử lý Big Data; Cloud platform (AWS hoặc GCP); ETL tools như Airflow hoặc Databricks; Visualization: Tableau hoặc Power BI. Tuy nhiên, điều quan trọng là show ra khả năng học hỏi và thích nghi, không phải đã biết hết mọi tool. Trong interview, bạn có thể hỏi recruiter hoặc interviewer về tech stack để prepare tốt hơn.

Vị trí này làm việc với team nào và báo cáo cho ai?

Theo JD, bạn sẽ thuộc Retail Banking Group, làm việc chặt chẽ với: (1) Data Engineers - xây dựng data pipeline, (2) Business stakeholders (Product, Marketing, Risk) - để hiểu requirement và present insights, (3) Team Lead/Manager - để align priorities. Bạn sẽ mentor Data Analysts và lead các cuộc thảo luận với 3+ người. Cấp báo cáo thường là Head of Data Science hoặc Chief Data Officer. Đây là vị trí 'individual contributor' nhưng có yếu tố leadership rõ ràng.

Chuyên gia Khoa học dữ liệu (40000031)