MBBank
Chuyên Gia Phân tích dữ liệu và xây dựng mô hình phát hiện gian lận - Phòng Quản trị rủi ro hoạt động và Phòng chống rửa tiền - Khối Quản trị rủi ro
Hà Nội
Khối Quản trị rủi ro
Chức danh đặc thù
Hạn: 2030-06-26
Mô tả công việc
• Nghiên cứu, áp dụng các kỹ thuật phân tích dữ liệu trong phát hiện gian lận;
• Nghiên cứu, xây dựng các Mô hình Machine Learning, Deep Learning (Random Forest, XGboost, Neural Network, LSTM, …) trong phát hiện gian lận;
• Triển khai Rules-base/Mô hình trên hệ thống phát hiện gian lận của Ngân hàng;
• Quản lý, kiểm định và cải tiến các Rules/Mô hình đã triển khai;
Phúc lợi:
Lương tháng thứ 13, Bảo hiểm sức khỏe cá nhân, Du lịch, Fitness Center (Yoga, GYM…), Hỗ trợ đi lại, Hỗ trợ kinh phí tập luyện thể thao, Khám sức khỏe định kỳ, Ngày nghỉ sinh nhật, Quà tặng sinh nhật, Quà tặng Tết Nguyên Đán, Thưởng các dịp Lễ (Tết, Quốc Khánh, 30/4 - 1/5, Sinh nhật Ngân hàng…), Thưởng thành tích, Thưởng hiệu suất, Vay ưu đãi
Yêu cầu ứng viên
Có nền tảng kiến thức về Tài chính, Thống kê, Data Mining, Machine Learning;
Có khả năng sử dụng các ngôn ngữ lập trình dùng phân tích dữ nhiệu như Python/SQL/R…;
Có kinh nghiệm làm việc với các hệ thống tài chính kinh doanh của các tổ chức tài chính/tín dụng là một điểm cộng;
Có kinh nghiệm xây dựng và ứng dụng mô hình (PD, Fraud Detection) trong thực tiễn là một lợi thế;
Ngoại ngữ: Tiếng Anh TOEIC 700 trở lên hoặc tương đương
MB Bank yêu cầu ứng viên ứng tuyển cần cung cấp chi tiết các thông tin sau:
- Thông tin cá nhân: Họ và tên, Ngày tháng năm sinh, Giới tính
- Số điện thoại và Email liên hệ
- Trình độ học vấn, Trường đã tốt nghiệp
- Kinh nghiệm làm việc
- Từ 3 - 5 kỹ năng nổi bật
- Nguồn Tuyển dụng
Vì sao Bạn nên đảm bảo đầy đủ thông tin khi ứng tuyển?
- Hồ sơ của Bạn sẽ được đánh giá nhanh chóng.
- Đối với các hồ sơ đáp ứng đầy đủ thông tin và tiêu chí tuyển dụng phù hợp, MB Bank sẽ chủ động liên hệ phỏng vấn trong thời gian sớm nhất..
- Ứng viên vui lòng kiểm tra email và điện thoại thường xuyên để không bỏ lỡ lịch hẹn phỏng vấn.
Cập nhật ngay thông tin mới nhất về các Chương trình do MB tổ chức tại FanPage:
- Ai yêu Miền Bắc hơn MBers
- Ai yêu Miền Trung hơn MBers
- Ai yêu Miền Nam hơn MBers
Phân tích kỹ năng cần có
## Phân tích Kỹ năng Cần Có
### 1. Hard Skills (Kỹ năng chuyên môn bắt buộc)
| Nhóm kỹ năng | Cụ thể | Mức độ yêu cầu |
|---------------|---------|----------------|
| **Lập trình** | Python (ưu tiên), SQL, R | Thành thạo ít nhất 1 ngôn ngữ |
| **Machine Learning** | Random Forest, XGBoost, Neural Network | Nâng cao |
| **Deep Learning** | LSTM, CNN (cho chuỗi thời gian gian lận) | Trung bình-Nâng cao |
| **Data Mining** | Feature Engineering, Data Preprocessing | Thành thạo |
| **Kiến thức tài chính** | Rủi ro tín dụng, phát hiện gian lận | Nền tảng vững |
| **Thống kê** | Statistical Analysis, A/B Testing | Nền tảng vững |
### 2. Soft Skills (Kỹ năng mềm)
- **Phân tích vấn đề**: Khả năng phân tích patterns gian lận, nhận diện anomaly
- **Giao tiếp**: Diễn giải kết quả mô hình cho ban lãnh đạo phi kỹ thuật
- **Quản lý thời gian**: Deadline-driven với các dự án model deployment
- **Chủ động học hỏi**: Công nghệ ML phát triển nhanh, cần cập nhật liên tục
### 3. Chứng chỉ Gợi Ý
| Chứng chỉ | Giá trị | Ghi chú |
|-----------|---------|---------|
| FRM (Financial Risk Manager) | ⭐⭐⭐ | Chuẩn vàng ngành Quản trị rủi ro |
| CFA | ⭐⭐ | Nền tảng tài chính vững |
| AWS/GCP Machine Learning | ⭐⭐ | Triển khai model production |
| Kaggle Certificate | ⭐ | Thể hiện kỹ năng ML thực chiến |
| SQL/Python Certificates | ⭐ | Coursera, DataCamp |
### 4. Bảng So Sánh Đối Thủ
> **Vì sao bạn nên ứng tuyển?**
| Yếu tố | MB Bank | So với các ngân hàng khác |
|--------|---------|--------------------------|
| Mức lương | Thỏa thuận (cạnh tranh) | Cao hơn VPBank, TPBank nhờ đặc thù vị trí niche |
| Công nghệ | Đang đầu tư mạnh ML/DL | Lộ trình hiện đại hóa rõ ràng |
| Lợi thế | Khối QTRR chuyên nghiệp | Cơ hội học hỏi từ chuyên gia rủi ro |
| Thử thách | Data scale ngân hàng lớn | Xử lý transaction volume thực tế |
---
## Yêu Cầu Ẩn (Không Ghi Rõ Nhưng Quan Trọng)
1. **Kinh nghiệm với imbalanced data** - fraud detection thường có tỷ lệ fraud/rất thấp
2. **Hiểu business domain ngân hàng** - AML/KYC compliance
3. **Model interpretability** - giải thích được cho regulator
4. **Feature engineering skills** - tạo features từ raw transaction data
Chuẩn bị phỏng vấn
## Hướng Dẫn Phỏng Vấn Vị Trí Fraud Analytics Specialist - MB Bank
### Quy Trình Phỏng Vấn (Dự Kiến)
```
Vòng 1: HR Screening (30-45 phút)
↓
Vòng 2: Technical Interview - Data Science/Risk (60-90 phút)
↓
Vòng 3: Panel Interview - Quản lý Khối QTRR (45-60 phút)
↓
Vòng 4: Thương lượng & Offer (30 phút)
```
### Câu Hỏi Hay Gặp Theo Từng Vòng
#### Vòng 1: HR Screening
- "Giới thiệu bản thân và dự án ML gần nhất của bạn"
- "Tại sao bạn muốn chuyển sang lĩnh vực ngân hàng?"
- "Bạn biết gì về MB Bank và Khối QTRR?"
- "Kỳ vọng mức lương và timeline?"
#### Vòng 2: Technical Interview (TRỌNG TÂM)
**A. Machine Learning (80% gặp)**
- "Xây dựng model fraud detection từ đầu, bạn sẽ bắt đầu thế nào?"
- "Giải thích sự khác nhau giữa Random Forest và XGBoost? Khi nào dùng cái nào?"
- "Làm thế nào xử lý imbalanced data trong fraud detection? (SMOTE, undersampling, class weights)"
- "Precision vs Recall trong fraud detection - cái nào quan trọng hơn?"
- "Explainable AI: Làm sao giải thích model cho non-technical stakeholders?"
**B. Deep Learning**
- "Tại sao dùng LSTM cho fraud detection? Nó hoạt động thế nào với time series?"
- "Khi nào nên dùng Neural Network thay vì traditional ML?"
- "Overfitting trong fraud model: Làm sao detect và xử lý?"
**C. SQL & Python**
- Viết SQL query: Tính tổng giao dịch fraud theo ngày/tuần/tháng
- Python: Xử lý missing data, feature engineering demo
- "Pandas vs PySpark: Khi nào dùng cái nào với big data?"
**D. Business Domain**
- "Bạn hiểu gì về phòng chống rửa tiền (AML)?"
- "Mô tả các loại gian lận phổ biến trong ngân hàng?"
- "Các regulatory requirements liên quan đến fraud detection?"
#### Vòng 3: Panel Interview
- "Mô tả một lần bạn phát hiện insight quan trọng từ data?"
- "Làm thế nào để prioritize giữa model accuracy và business constraints?"
- "Bạn sẽ làm gì nếu model production không perform như expected?"
- "5 năm tới, bạn thấy mình ở đâu trong ngành này?"
### Tips Chuẩn Bị
1. **Ôn kỹ**: Random Forest, XGBoost, LSTM, SMOTE, ROC-AUC, Precision-Recall trade-off
2. **Chuẩn bị project portfolio**: GitHub với fraud detection project là plus lớn
3. **Research MB Bank**: Tìm hiểu chiến lược digital transformation, các sản phẩm mới
4. **Mock interview**: Practice diễn giải ML concepts cho người không biết kỹ thuật
5. **Business case preparation**: Sẵn sàng discuss về fraud patterns cụ thể
### Dress Code
- **Formal Business**: Áo sơ mi, quần âu (nam) / Váy công sở/chân váy (nữ)
- Màu sắc trung tính: trắng, xanh navy, xám
- Tránh: sneakers, jeans, áo phông
Lộ trình ôn thi
## Ôn Thi & Chuẩn Bị Cho Vị Trí Fraud Analytics Specialist
### Lộ Trình Chuẩn Bị 2 Tuần
```
Tuần 1: Củng cố nền tảng
├── Ngày 1-2: ML fundamentals (bias-variance, overfitting)
├── Ngày 3-4: Ensemble methods (RF, XGBoost) + hands-on
├── Ngày 5-6: Deep Learning basics (NN, LSTM) + hands-on
└── Ngày 7: SQL practice + Business domain (AML basics)
Tuần 2: Chuyên sâu + Mock
├── Ngày 8-9: Fraud detection-specific (imbalanced data, SMOTE)
├── Ngày 10-11: MB Bank research + STAR stories
├── Ngày 12-13: Technical mock interviews
└── Ngày 14: Review + relax
```
### Kiến Thức Nền Cần Nắm Vững
#### A. Machine Learning Core
**1. Ensemble Methods**
```python
# Random Forest vs XGBoost - biết khi nào dùng
# Key parameters: n_estimators, max_depth, learning_rate
# Feature importance interpretation
```
**2. Model Evaluation**
- Confusion Matrix (TP, TN, FP, FN)
- **Precision vs Recall**: Trong fraud, Recall quan trọng hơn (catch fraud) nhưng cần cân bằng với Precision (tránh false alarm quá nhiều)
- ROC-AUC, F1-Score
- Cross-validation cho imbalanced datasets
**3. Imbalanced Data Handling**
- SMOTE (Synthetic Minority Over-sampling Technique)
- Class weights
- Undersampling/oversampling
- Threshold tuning
#### B. Deep Learning
**1. LSTM cho Time Series Fraud**
- Memory cells, gates (input, forget, output)
- Sequence modeling cho transaction patterns
- Khi nào LSTM > traditional ML: sequential patterns, long-term dependencies
**2. Architecture Considerations**
- Input: Sequence of transactions
- Hidden layers: LSTM layers
- Output: Binary fraud/non-fraud or probability
#### C. SQL & Python
**Must-know SQL**:
```sql
-- Window functions
-- Self-join cho hierarchical data
-- Aggregation với HAVING
-- CTEs (Common Table Expressions)
```
**Must-know Python Libraries**:
- pandas, numpy (data manipulation)
- scikit-learn (ML models)
- XGBoost, LightGBM (gradient boosting)
- TensorFlow/PyTorch (deep learning)
- imbalanced-learn (SMOTE)
### Tài Liệu Tham Khảo
| Tài liệu | Link/Loại | Ưu tiên |
|----------|-----------|---------|
| Hands-On Machine Learning (Aurélien Géron) | Sách | ⭐⭐⭐ |
| Kaggle Fraud Detection Competitions | Website | ⭐⭐⭐ |
| ML for Finance (Jannes Klaas) | Sách | ⭐⭐ |
| Towards Data Science - Fraud Detection | Blog | ⭐⭐ |
| Google Machine Learning Crash Course | Course | ⭐⭐ |
| sklearn documentation | Docs | ⭐⭐ |
### Resources Tiếng Việt
- Machine Learning cơ bản (VietJack, Tự học ICT)
- DS & ML Vietnam Community (Facebook)
- Vietnam Data Science Network
### Practice Platforms
1. **Kaggle**: Fraud Detection competitions
2. **LeetCode**: SQL problems (Medium level)
3. **StrataScratch**: Data science interview questions
Tư vấn nghề nghiệp
## Lời Khuyên Sự Nghiệp Cho Vị Trí Fraud Analytics Specialist
### Lộ Trình Thăng Tiến Dự Kiến
```
Junior Data Scientist (0-2 năm)
↓ [2-3 năm, chứng chỉ FRM, project thành công]
Senior Data Scientist - Fraud Analytics
↓ [3-5 năm, leadership, cross-functional]
Lead Data Scientist / Manager
↓ [5-8 năm]
Head of Fraud Analytics / VP Risk Modeling
```
### Mức Lương Kỳ Vọng (Tham Khảo - Hà Nội)
| Cấp bậc | Kinh nghiệm | Mức lương tháng (VND) |
|---------|-------------|----------------------|
| Fresher/Junior | 0-1 năm | 15-25 triệu |
| Mid-level | 2-4 năm | 25-45 triệu |
| Senior | 4-7 năm | 45-80 triệu |
| Lead/Manager | 7+ năm | 80-150 triệu |
> **Lưu ý**: Mức lương thỏa thuận theo năng lực. Vị trí này thuộc nhóm "hot skill" nên có thể đàm phán cao hơn 20-30% so với mặt bằng chung.
### Kỹ Năng Cần Phát Triển Thêm
#### Ngắn hạn (6-12 tháng đầu)
1. **Domain expertise**: Hiểu sâu về AML/KYC regulations
2. **MLOps skills**: Model deployment, monitoring, MLOps pipeline
3. **Cloud platforms**: AWS SageMaker hoặc GCP Vertex AI
4. **Communication**: Present findings to non-technical audiences
#### Trung hạn (1-3 năm)
1. **Business acumen**: Đọc hiểu P&L, risk appetite
2. **Leadership**: Mentor junior members
3. **Strategic thinking**: Roadmap cho fraud detection system
4. **Regulatory knowledge**: Basel accords, local banking regulations
#### Dài hạn (3-5 năm)
1. **Executive presence**: Board-level presentations
2. **Innovation**: Emerging tech (Graph Neural Networks, Real-time ML)
3. **Industry network**: Connect với fraud analytics community
4. **FRM/CFA**: Để chuyển sang broader risk management roles
### Lời Khuyên Thực Tế
> **"Đây là vị trí crossover giữa tech và finance - cơ hội hiếm có để build profile đa chiều."**
1. **Đừng chỉ focus vào model accuracy**: Business value quan trọng hơn
2. **Xây portfolio thực chiến**: Contribute vào Kaggle competitions hoặc open source
3. **Network nội bộ**: Kết nối với team Credit Risk, Compliance để hiểu business
4. **Stay updated**: Fraud patterns thay đổi liên tục - attackers luôn evolve
5. **Certification value**: FRM không chỉ là chứng chỉ mà là roadmap kiến thức
### Rủi Ro & Cạnh Tranh
| Thách thức | Giải pháp |
|------------|----------|
| Cạnh tranh từ fintech/big tech | Emphasize domain knowledge + banking experience |
| Technology obsolescence | Continuous learning, attending conferences |
| Workload cao (deadline-driven) | Time management, prioritize |
| Regulatory pressure | Stay updated với compliance requirements |
Câu hỏi thường gặp
Mình có 1 năm kinh nghiệm Python và ML nhưng chưa làm trong ngân hàng, có nên ứng tuyển vị trí này không?
Hoàn toàn có thể! MB Bank đánh giá cao technical skills, kinh nghiệm domain banking là 'điểm cộng' chứ không bắt buộc. Hãy chuẩn bị kỹ portfolio ML project (đặc biệt classification/imbalanced data), show được passion học hỏi domain finance, và highlight any exposure với financial data. Gợi ý: tham gia 1-2 Kaggle competitions về fraud/similarity topics để build portfolio.
Mức lương cho vị trí này thường là bao nhiêu và có thương lượng được không?
Vì tin ghi 'thỏa thuận', đây là cơ hội tốt để thương lượng. Với 2-4 năm kinh nghiệm ML/fraud analytics, mức tham khảo là 30-50 triệu/tháng. Với 5+ năm có thể đạt 60-80 triệu. Tip: nghiên cứu mặt bằng lương trên Glassdoor/LinkedIn trước, đừng đưa số đầu tiên, hãy để HR đề xuất trước. Lương tháng 13 + performance bonus có thể tăng total compensation thêm 10-30%.
Công việc hàng ngày của Fraud Analytics Specialist tại ngân hàng như thế nào?
Thực tế mix giữa: (1) Phân tích dữ liệu - truy vấn SQL, khám phá patterns bất thường trong transaction data; (2) Model development - xây dựng và fine-tune ML/DL models; (3) Model deployment - làm việc với IT để đưa model lên production; (4) Monitoring - theo dõi model performance, false positive rates; (5) Meetings - trình bày findings với quản lý, tham gia fraud investigation meetings. Thường split 40% development, 30% analysis, 30% meetings/communication.
Mình đang làm backend developer, muốn chuyển sang Data Science ngân hàng - cần những gì?
Backend → Data Science là path khả thi vì bạn đã có coding foundation. Những gì cần bổ sung: (1) Statistics/Math fundamentals - học probability, linear algebra; (2) ML libraries - scikit-learn, XGBoost, TensorFlow; (3) SQL - deep dive vào window functions, aggregations; (4) Domain knowledge - đọc về fraud patterns, AML basics; (5) Portfolio - build 2-3 end-to-end projects từ data cleaning → modeling → evaluation. Thời gian chuẩn bị: 6-12 tháng tự học hoặc 3-6 tháng bootcamp.
Vị trí này có cần TOEIC 700 không? Mình chỉ có TOEIC 650?
Ứng viên không đạt TOEIC 700 vẫn có thể apply, nhưng cần prove English ability bằng cách khác: (1) Technical English - có thể đọc tài liệu ML tiếng Anh, viết code comments; (2) Interview bằng tiếng Anh fluid; (3) Certificação Cambridge (B2 equivalent); (4) Có thể hứa sẽ retake TOEIC sau khi join. Nếu technical skills xuất sắc, HR có thể waive English requirement. Tuy nhiên, sẽ học tiếng Anh nghiêm túc vì nghiệp vụ QTRR đòi hỏi đọc nhiều tài liệu regulatory quốc tế.
KPI của vị trí này thường là gì? Có áp lực không?
KPIs điển hình cho Fraud Analytics: (1) Model performance metrics - AUC/recall thỏa mãn threshold; (2) False positive rate - kiểm soát không để false alarm quá nhiều ảnh hưởng customer experience; (3) Detection rate - % fraud được catch; (4) Model refresh timeline - update model định kỳ theo new fraud patterns; (5) Project delivery - hoàn thành model mới đúng deadline. Áp lực chủ yếu đến từ: fraud detection bị miss (reputational risk) và false positive cao (business complaint). Cần balance giữa model sophistication và operational constraints.
Làm ở Khối QTRR có khác gì so với IT/Tech company?
Khác biệt chính: (1) Regulatory environment - ngân hàng phải tuân thủ nhiều quy định của NHNN, Basel, có audit trail bắt buộc; (2) Risk culture - conservative, mọi model phải validated kỹ trước khi deploy; (3) Speed vs stability - tech company ưu tiên ship fast, bank ưu tiên stability và compliance; (4) Career path - chuyên sâu vào risk domain thay vì broad tech skills; (5) Compensation - thường competitive với tech company, cộng thêm stability và benefits ngành ngân hàng. Đây là lựa chọn tốt nếu bạn muốn career bền vững trong financial services.
Nên chuẩn bị project nào để gây ấn tượng khi phỏng vấn?
Top 3 project types gây ấn tượng nhất cho vị trí này: (1) End-to-end fraud detection pipeline - từ data ingestion → feature engineering → model training → evaluation → deployment consideration, có GitHub repo rõ ràng; (2) Imbalanced classification problem - demonstrate ability handle skewed data với SMOTE, class weights, threshold tuning; (3) Time series anomaly detection - LSTM/RNN cho sequential data. Bonus: nếu có project sử dụng real financial transaction dataset (đã anonymized), hoặc show dashboard visualization của fraud insights. Quan trọng: phải explain được business impact chứ không chỉ technical metrics.