Chuyên gia, Khoa học Dữ liệu (Techcom Insurance)
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)
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 (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
Mạng lưới tương tác - Quan hệ nội bộ
Mạng lưới tương tác - Quan hệ bên ngoài
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 cần có cho vị trí Chuyên gia Khoa học Dữ liệu tại Techcombank
1. Hard Skills (Kỹ năng cứng) — Bắt buộc
Nền tảng học thuật:
- Bằng Thạc sĩ trở lên chuyên ngành Thống kê, Toán học, Khoa học Máy tính, IT, hoặc Phân tích Định lượng. Đây là yêu cầu cứng trong JD.
- Kiến thức vững về xác suất thống kê, toán tối ưu, linear algebra.
Machine Learning & Deep Learning:
- Thành thạo các thuật toán ML cổ điển: Random Forest, XGBoost, LightGBM, Logistic Regression, SVM.
- Hiểu sâu về Deep Learning: CNN, RNN, LSTM, Transformer, Embedding.
- Kinh nghiệm xây dựng hệ thống recommendation engine (collaborative filtering, content-based, hybrid).
- Kinh nghiện với NLP, Computer Vision là lợi thế lớn trong ngân hàng (phân tích văn bản, OCR, chatbot).
Công cụ & Ngôn ngữ lập trình:
- Python (bắt buộc) — pandas, numpy, scikit-learn, PyTorch/TensorFlow, HuggingFace.
- SQL nâng cao — truy vấn phức tạp trên data warehouse.
- Spark/Hadoop cho xử lý Big Data.
- Có kinh nghiệm với cloud platform (AWS, GCP, Azure) là điểm cộng.
Bảng so sánh mức độ ưu tiên kỹ năng:
| Kỹ năng | Mức độ ưu tiên | Ghi chú |
|---|---|---|
| Python + ML/DL frameworks | ★★★★★ | Cốt lõi của vị trí |
| Recommendation Systems | ★★★★★ | JD nhấn mạnh |
| SQL & Big Data (Spark) | ★★★★★ | Xử lý dữ liệu lớn |
| Thống kê & Toán học | ★★★★☆ | Yêu cầu Thạc sĩ |
| Quản lý dự án Agile | ★★★★☆ | JD có yêu cầu rõ |
| Cloud (AWS/GCP/Azure) | ★★★☆☆ | Cần cho triển khai |
| NLP/Vision | ★★★☆☆ | Lợi thế cạnh tranh |
| MLOps | ★★★☆☆ | Triển khai & monitor model |
2. Soft Skills — Quan trọng không kém
- Leadership & Mentoring: Vị trí này yêu cầu trực tiếp cố vấn và huấn luyện nhân viên cấp dưới, quản lý team retention.
- Communication với business: JD nói rõ "làm việc với kinh doanh", "hướng dẫn kinh doanh cấp cao" — cần diễn đạt kỹ thuật cho người không chuyên.
- Strategic thinking: "Phân bổ nguồn lực, quyết định chiến lược dự án" — không chỉ làm model mà phải nghĩ lớn.
- Conflict management: "Quản lý các xung đột" — kỹ năng giải quyết vấn đề giữa các bên liên quan.
3. Chứng chỉ gợi ý (nếu cần bổ sung)
- AWS Certified Machine Learning Specialty
- Google Professional Data Engineer
- TensorFlow Developer Certificate
- Databricks Certified ML Professional
- Scrum Master / PMP (cho quản lý dự án)
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn Chuyên gia Khoa học Dữ liệu — Techcombank
Quy trình tuyển dụng dự kiến (4-5 vòng)
Vòng 1 — HR Screening (30-45 phút)
- Xác nhận bằng cấp, kinh nghiệm, mức lương mong muốn.
- Tìm hiểu động lực ứng tuyển, lý do rời công ty cũ.
- Câu hỏi về văn hóa Techcombank (startup mindset, fast-paced).
Vòng 2 — Technical Test (có thể take-home hoặc onsite)
- Bài test SQL nâng cao (window function, CTE, optimization).
- Bài toán ML cổ điển: feature engineering, model selection, evaluation metrics.
- Có thể có case study về recommendation system cho sản phẩm ngân hàng.
Vòng 3 — Technical Deep-dive (60-90 phút)
- Phỏng vấn với Senior Data Scientist hoặc Director.
- Đi sâu vào kiến thức ML/DL, xử lý big data, thiết kế hệ thống.
Vòng 4 — Business Case (60 phút)
- Case study thực tế: "Làm sao xây hệ thống recommendation cho sản phẩm tiết kiệm/cho vay?"
- Đánh giá khả năng align model với OKR kinh doanh.
Vòng 5 — Leadership & Culture Fit (45-60 phút)
- Phỏng vấn với Director/Head of Data Science.
- Tập trung vào leadership style, mentoring, conflict resolution.
Câu hỏi hay gặp theo từng vòng
Vòng Technical — ML cơ bản:
1. Phân biệt L1 và L2 regularization, khi nào dùng cái nào?
2. Precision vs Recall — ngân hàng quan tâm cái nào hơn khi dự đoán khách hàng vỡ nợ?
3. Bias-Variance tradeoff giải thích thế nào cho business stakeholder hiểu?
4. Cách xử lý imbalanced dataset trong bài toán fraud detection?
Vòng Technical — Recommendation System:
5. Collaborative Filtering vs Content-based — ưu/nhược điểm?
6. Cold start problem xử lý thế nào cho khách hàng mới?
7. Metrics nào đánh giá hiệu quả recommendation (CTR, conversion, AOV)?
Vòng Case Study:
8. "Techcombank muốn tăng 20% cross-sell sản phẩm bảo hiểm, bạn sẽ thiết kế data science solution như thế nào?"
9. "Làm sao đo lường ROI của một ML model trong ngân hàng?"
Vòng Leadership:
10. Bạn đã từng mentor bao nhiêu junior, kết quả ra sao?
11. Xử lý conflict giữa data team và business team khi model không đạt KPI?
12. Bạn ưu tiên giữa innovation và delivery deadline thế nào?
Tips chuẩn bị
- Nghiên cứu Techcombank trước: Đọc về Techcombank 4.0, chiến lược chuyển đổi số, sản phẩm flagship như Homevay, Lio, Cake.
- Chuẩn bị portfolio: 2-3 dự án ML tiêu biểu, kết quả kinh doanh cụ thể (tăng X% conversion, giảm Y% churn).
- STAR method: Mọi câu hỏi behavioral đều nên trả lời theo cấu trúc Situation-Task-Action-Result.
Dress Code
- Vòng HR: Smart casual hoặc business casual.
- Vòng Director: Business formal (vest, sơ mi) — thể hiện sự tôn trọng.
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị trong 2 tuần
Tuần 1 — Củng cố nền tảng kỹ thuật
Ngày 1-2: SQL & Big Data
- Ôn lại SQL nâng cao: window functions, CTE, recursive query, query optimization.
- Tài liệu: SQLZoo, Mode Analytics SQL Tutorial, LeetCode SQL Hard.
- Spark basics: RDD, DataFrame, SparkSQL.
Ngày 3-4: Thống kê & Toán học
- Ôn lại hypothesis testing, A/B testing, power analysis.
- Probability distributions, Bayes theorem.
- Linear algebra cơ bản cho ML.
- Tài liệu: "Statistical Inference" — Casella & Berger, "Introduction to Statistical Learning" (ISLR).
Ngày 5-7: Machine Learning
- Đọc lại "Hands-On Machine Learning" — Aurélien Géron.
- Ôn các thuật toán: từ linear regression đến XGBoost.
- Làm bài tập trên Kaggle: Titanic, House Prices.
- Cross-validation, hyperparameter tuning, feature engineering.
Tuần 2 — Deep Learning, Domain Knowledge & Mock Interview
Ngày 8-9: Deep Learning
- "Deep Learning" — Ian Goodfellow (chương chọn lọc).
- Fast.ai course (miễn phí, thực tế).
- Thực hành với PyTorch/TensorFlow.
Ngày 10-11: Recommendation System & NLP
- Đọc về collaborative filtering, matrix factorization (SVD, ALS).
- Hiểu về Word2Vec, BERT, embedding.
- Case study thực tế: "Recommendation for Banking Products".
Ngày 12: Domain Ngân hàng
- Tìm hiểu sản phẩm Techcombank: thẻ tín dụng, vay, tiết kiệm, bảo hiểm.
- Đọc về risk modeling, fraud detection, credit scoring.
- Hiểu regulation: Luật các TCTD, quy định của NHNN về data.
Ngày 13-14: Mock Interview & Review
- Mock interview với bạn bè hoặc dùng Pramp, InterviewBit.
- Chuẩn bị STAR stories (5-6 câu chuyện từ kinh nghiệm).
- Review lại toàn bộ kiến thức, luyện giải thích đơn giản.
Tài liệu tham khảo gợi ý
| Chủ đề | Tài liệu | Link/Note |
|---|---|---|
| ML cơ bản | Hands-On ML — Géron | O'Reilly |
| Thống kê | ISLR | Miễn phí online |
| Deep Learning | Fast.ai | Course.fast.ai |
| SQL | LeetCode Database | Leetcode.com |
| Big Data | Spark: The Definitive Guide | O'Reilly |
| Recommendation | Mining of Massive Datasets | Miễn phí |
| Domain Banking | McKinsey Banking Report | Miễn phí |
Checklist ngày phỏng vấn
- [ ] CV in sẵn 2 bản
- [ ] Portfolio/Projects trên GitHub hoặc slides
- [ ] Điện thoại tắt âm, đủ pin
- [ ] Đến sớm 10-15 phút
- [ ] Trang phục chỉn chu
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho vị trí Chuyên gia Khoa học Dữ liệu
Lộ trình thăng tiến trong lĩnh vực Data Science ngân hàng
Cấp 1: Junior Data Scientist (0-2 năm)
- Làm việc dưới sự hướng dẫn, xây dựng model theo spec.
- Học về domain ngân hàng, các quy định nội bộ.
Cấp 2: Data Scientist (2-4 năm)
- Độc lập xây dựng model end-to-end.
- Bắt đầu tham gia business discussion.
Cấp 3: Senior Data Scientist (4-6 năm) ← Vị trí này nằm ở đây
- Quản lý dự án, mentor junior.
- Đề xuất chiến lược data cho team.
Cấp 4: Lead/Principal Data Scientist (6-8 năm)
- Định hướng chiến lược data cho toàn bộ phòng ban.
- Cross-functional leadership.
Cấp 5: Director/Head of Data Science (8-12 năm)
- Quản lý team lớn, align với C-level.
- Xây dựng data-driven culture cho ngân hàng.
Mức lương kỳ vọng theo cấp bậc (ước lượng tham khảo)
| Cấp bậc | Kinh nghiệm | Mức lương gross/tháng (VNĐ) |
|---|---|---|
| Junior Data Scientist | 0-2 năm | 25-45 triệu |
| Data Scientist | 2-4 năm | 45-70 triệu |
| Senior Data Scientist | 4-6 năm | 70-110 triệu |
| Expert/Principal (vị trí này) | 5-8 năm | 90-150 triệu |
| Director | 8-12 năm | 150-250 triệu + ESOP/bonus |
> ⚠️ Lưu ý: Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Techcombank thường trả cao hơn mặt bằng chung để thu hút nhân tài. Total compensation bao gồm bonus 13-14 tháng, thưởng KPI, stock option.
Kỹ năng cần phát triển thêm để thăng tiến
Ngắn hạn (3-6 tháng):
- MLOps: triển khai và monitor model trong production.
- Cloud certification (AWS/GCP/Azure).
- Hiểu sâu về banking products và regulation.
Trung hạn (6-12 tháng):
- Strategic leadership training.
- Business acumen — đọc báo cáo tài chính ngân hàng.
- Stakeholder management.
Dài hạn (1-2 năm):
- Xây dựng thought leadership — public speaking, blog, conference.
- Cross-industry exposure (fintech, e-commerce).
- Networking với C-level trong ngành.
Lời khuyên chân thành từ người đi trước
1. Đừng chỉ giỏi code, hãy giỏi giải quyết vấn đề kinh doanh. Một model tốt nhưng không ai dùng = thất bại.
2. Build credibility từ những dự án nhỏ. Một dự án A/B test thắng với 5% uplift sẽ giúp bạn có ngân sách cho dự án lớn hơn.
3. Ngân hàng không giống tech pure-play. Tốc độ chậm hơn, nhiều regulation hơn, nhưng bù lại data rất phong phú và bài toán thực tế.
4. Networking nội bộ quan trọng không kém ngoại vi. Trong ngân hàng, việc bạn biết ai cũng quan trọng như việc bạn biết gì.
Câu hỏi thường gặp
Em mới ra trường ngành CNTT, có thể apply vị trí Chuyên gia Khoa học Dữ liệu ở Techcombank được không?
Chào em, vị trí này yêu cầu Thạc sĩ và quản lý team, nên với sinh viên mới ra trường sẽ rất khó. Em nên bắt đầu ở vị trí Junior Data Scientist hoặc Data Analyst trước, tích lũy 2-3 năm kinh nghiệm thực tế với ML, recommendation system, đặc biệt là hiểu domain ngân hàng. Sau đó học Thạc sĩ (part-time cũng được) để đủ điều kiện apply các vị trí senior hơn. Techcombank cũng có chương trình Fresher cho vị trí Data, em có thể theo dõi trên trang tuyển dụng của họ.
Mức lương của vị trí Data Science Expert tại Techcombank khoảng bao nhiêu?
Techcombank không công bố mức lương cụ thể trong JD (ghi 'Thỏa thuận'), nhưng theo tham khảo thị trường, vị trí Expert/Senior Data Scientist tại các ngân hàng top như Techcombank, VPBank, MB thường dao động 90-150 triệu VND gross/tháng, cộng thưởng cuối năm (13-14 tháng), thưởng KPI và có thể có ESOP. Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Để negotiate tốt, em nên research trên các forum như VietnamWorks, Glassdoor, và hỏi những người đang làm trong ngành.
Em đang làm Backend Developer 3 năm, muốn chuyển sang Data Science có được không?
Hoàn toàn được, đây là lợi thế lớn của em. Backend Developer đã quen với Python, SQL, system design — những kỹ năng nền rất tốt cho Data Science. Em cần bổ sung: (1) Kiến thức thống kê và toán học cho ML, (2) Thực hành với scikit-learn, TensorFlow/PyTorch qua các dự án cá nhân hoặc Kaggle, (3) Hiểu về recommendation system và big data tools (Spark), (4) Lấy chứng chỉ cloud (AWS ML Specialty chẳng hạn). Lộ trình chuyển ngành trong 6-12 tháng là khả thi nếu em cam kết học nghiêm túc. Có thể apply các vị trí Data Engineer trước để chuyển tiếp, sau đó chuyển sang Data Scientist.
Khi phỏng vấn, interviewer thường hỏi sâu về phần nào nhất?
Theo kinh nghiệm nhiều người đã phỏng vấn Techcombank, họ tập trung nhiều vào: (1) Recommendation system — vì Techcombank đang đẩy mạnh cross-sell sản phẩm, (2) A/B testing và đo lường hiệu quả model trong business thực tế, (3) Xử lý imbalanced data (vì bài toán fraud, churn rất phổ biến), (4) Leadership và mentoring — vì JD yêu cầu quản lý team. Em chuẩn bị kỹ 4 phần này là có ưu thế. Ngoài ra, nhớ chuẩn bị 2-3 case study cụ thể từ kinh nghiệm của mình với số liệu rõ ràng.
Làm Data Science trong ngân hàng có khác gì so với công ty công nghệ (Google, Facebook, Shopee)?
Khác biệt khá lớn, em nhé. Ở công ty công nghệ: data cực kỳ phong phú, A/B testing chạy liên tục, văn hóa experiment mạnh, tốc độ ra quyết định nhanh. Ở ngân hàng: data chất lượng cao nhưng nhiều hạn chế về quyền truy cập (regulation NHNN), tốc độ chậm hơn vì phải qua nhiều approval, nhưng bài toán thực tế rất đa dạng (credit scoring, fraud detection, churn, cross-sell, customer lifetime value), và ảnh hưởng trực tiếp đến lợi nhuận ngân hàng. Mức lương ngân hàng top (Techcombank) hiện không thua kém tech company lớn, thậm chí tổng compensation có thể cao hơn nhờ ổn định và bonus đều.
JD yêu cầu Thạc sĩ nhưng em chỉ có Đại học + 6 năm kinh nghiệm thực tế, có cơ hội không?
Vẫn có cơ hội, nhưng tỷ lệ được chấp nhận thấp hơn. Nhiều công ty (trong đó có Techcombank) coi trọng kinh nghiệm thực tế không kém bằng cấp, đặc biệt với vị trí Expert. Em nên: (1) Nêu bật trong CV những dự án cụ thể đã làm với số liệu kinh doanh rõ ràng, (2) Có portfolio mạnh trên GitHub, (3) Nếu được, lấy thêm 1-2 chứng chỉ quốc tế (AWS ML Specialty, TensorFlow Certificate) để bù đắp phần bằng cấp. Trong buổi phỏng vấn, khi được hỏi về bằng cấp, em có thể nói rằng 'Tôi đang cân nhắc học Thạc sĩ part-time' để thể hiện cam kết phát triển.
KPI của vị trí này thường đo lường thế nào?
KPI thường có 2 nhóm: (1) Technical: số lượng model được deploy lên production, độ chính xác của model, số lượng experiment A/B testing chạy thành công. (2) Business impact: ROI của các dự án ML (ví dụ: tăng X% conversion, giảm Y% fraud loss), số sản phẩm được tích hợp model, retention rate của team. Ngoài ra còn có KPI về mentoring: số junior phát triển lên mid-level, điểm đánh giá performance review của team. Ở vị trí Expert, business impact thường chiếm 40-50% đánh giá, leadership khoảng 20-30%, technical còn lại.
Em có nên apply vị trí này nếu chưa từng làm recommendation system?
Nên thử apply, nhưng chuẩn bị kỹ phần recommendation system trước. Đây là yêu cầu nổi bật trong JD. Em có thể tự học và làm 1-2 dự án cá nhân trong 2-3 tuần: xây dựng simple recommendation cho movie dataset (MovieLens), hoặc cho e-commerce (RetailRocket dataset trên Kaggle). Khi phỏng vấn, nhấn mạnh khả năng tự học nhanh và tư duy hệ thống. Tuy nhiên, nếu đã có kinh nghiệm 4-5 năm ML ở các lĩnh vực khác (NLP, Computer Vision, time series), vẫn có cơ hội tốt vì JD cũng nói 'custom data models' nói chung.