Chuyên viên

Mô tả công việc

## Mục tiêu - Người đảm nhận vị trí chịu trách nhiệm thiết kế và phát triển các chương trình, thuật toán và quy trình tự động để làm sạch, tích hợp và đánh giá các tập dữ liệu lớn từ các nguồn khác nhau và thực hiện logic nghiệp vụ phức tạp khi cần thiết bằng các công cụ xử lý dữ liệu có sẵn. - Người đảm nhận vị trí sẽ chịu trách nhiệm tích hợp các nguồn dữ liệu mới để tăng thông lượng của các hệ thống hiện có, quản lý đường ống dữ liệu tạo điều kiện phân tích mạnh mẽ, tìm nguồn và chuẩn bị dữ liệu để đảm bảo tính đầy đủ của dữ liệu trên nền tảng siêu dữ liệu. ## Trách nhiệm chính (1) Kiến trúc dữ liệu - Cung cấp chức năng cần thiết cho các nhà phân tích dữ liệu và kinh doanh, nhà khoa học dữ liệu và các vai trò kinh doanh khác để nâng cao hiệu suất phân tích tổng thể và chiến lược của ngân hàng - Xây dựng các chiến lược và thực tiễn tốt nhất cho cơ sở hạ tầng dữ liệu để đáp ứng nhu cầu phân tích và sử dụng dữ liệu của doanh nghiệp với các công nghệ và khả năng mới nhất đang nổi lên. - Chủ động thúc đẩy nỗ lực xác định các cơ hội để quản lý dữ liệu và cung cấp giải pháp cho các nguồn cấp dữ liệu phức tạp trong ngân hàng. - Đánh giá các kiến trúc dữ liệu khác nhau trong ngân hàng và tận dụng chúng để phát triển các giải pháp dữ liệu đáp ứng các yêu cầu kinh doanh. - Thúc đẩy việc cung cấp các sản phẩm và dịch vụ dữ liệu vào các hệ thống và quy trình kinh doanh tuân thủ các yêu cầu quy định nội bộ. - Giám sát việc xem xét các yêu cầu kinh doanh và sản phẩm bên trong và bên ngoài đối với hoạt động và hoạt động dữ liệu và đề xuất các thay đổi và nâng cấp đối với hệ thống và lưu trữ để đáp ứng nhu cầu liên tục. ## Trách nhiệm chính (2) Tích hợp dữ liệu - Thu thập và tích hợp dữ liệu và thông tin từ nhiều nguồn khác nhau một cách chiến lược vào các nền tảng, giải pháp và mô hình thống kê của công ty. - Chủ trì thảo luận với Nhà khoa học dữ liệu để hiểu các yêu cầu dữ liệu và tạo tài sản dữ liệu có thể tái sử dụng để cho phép các nhà khoa học dữ liệu xây dựng và triển khai các mô hình học máy nhanh hơn. - Thiết kế, xây dựng và duy trì các đường ống dữ liệu được tối ưu hóa và các giải pháp ETL làm công cụ hỗ trợ kinh doanh trong việc cung cấp phân tích và nền tảng phân tích thời gian thực để đưa ra quyết định quan trọng. - Đảm bảo tài sản dữ liệu được tổ chức và lưu trữ một cách hiệu quả để thông tin có chất lượng cao, đáng tin cậy, linh hoạt và hiệu quả. ## 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 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 - Cố vấn và huấn luyện nghiên cứu sinh cấp dưới trở thành Kỹ sư 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 Quản lý / Quản lý Cao cấp Hoạch định dữ liệu ## Mạng lưới tương tác - Cấp báo cáo ## 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 Đối tác cung cấp dịch vụ chuyên nghiệp ## Chân dung Thành công - Bằng cấp, Kinh nghiệm Bằng cấp - Bằng 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 5 năm kinh nghiệm liên quan đến phát triển, gỡ lỗi, viết kịch bản và sử dụng các công nghệ dữ liệu lớn (ví dụ: Hadoop, Spark, Flink, Kafka, Arrow, Tableau), công nghệ cơ sở dữ liệu (ví dụ: cơ sở dữ liệu SQL, NoSQL, Graph) và ngôn ngữ lập trình (ví dụ: Python, R, Scala, Java, Rust, Kotlin) với ưu tiên theo hướng chức năng / đặc điểm - Yêu cầu về trình độ tiếng Anh theo chính sách của Techcombank - Có kinh nghiệm sâu sắc trong việc thiết kế và xây dựng mô hình dữ liệu chiều, quy trình ETL, các khái niệm và phương pháp kho dữ liệu ứng dụng, đường ống dữ liệu được tối ưu hóa và đã từng đội mũ kiến trúc sư trong quá khứ hoặc đã làm việc với một chuyên gia sâu rộng - Có kinh nghiệm sâu sắc với việc giám sát hệ thống phức tạp và giải quyết các vấn đề về dữ liệu và hệ thống bằng cách tiếp cận nhất quán và có thuật toán để giải quyết chúng - Hiểu biết sâu sắc về các nguyên tắc Bảo mật thông tin để đảm bảo việc xử lý và quản lý tất cả dữ liệu tuân thủ - Có kinh nghiệm làm việc trong các nhóm Agile để dẫn dắt các dự án chuyển đổi kỹ thuật số thành công, nắm vững các nguyên tắc, thực hành Agile và phương pháp luận Scrum - Có bí quyết và khả năng viết kịch bản và mã hóa để thiết lập, cấu hình và duy trì môi trường phát triển mô hình học máy - Trải nghiệm kiến trúc, mã hóa và cung cấp các dịch vụ vi mô hiệu suất cao và / hoặc người giới thiệu đưa ra các đề xuất cho (hàng chục) triệu người dùng

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cần có cho vị trí Data Planning Specialist cấp Cao ### 1. Hard Skills bắt buộc #### a) Big Data Technologies (Ưu tiên cao) | Công nghệ | Mức độ yêu cầu | Ghi chú | |---|---|---| | **Hadoop ecosystem** | Chuyên sâu | HDFS, YARN, Hive, HBase | | **Apache Spark** | Chuyên sâu | PySpark ưu tiên | | **Apache Flink** | Trung bình - Cao | Xử lý stream real-time | | **Apache Kafka** | Chuyên sâu | Event streaming, integration | | **Apache Arrow** | Trung bình | In-memory data format | | **Tableau** | Trung bình | Visualization (có thể dùng thay thế) | #### b) Database Technologies | Loại | Ví dụ | Mức độ | |---|---|---| | **SQL Database** | PostgreSQL, MySQL, Oracle | Chuyên sâu | | **NoSQL** | MongoDB, Cassandra, DynamoDB | Chuyên sâu | | **Graph Database** | Neo4j | Trung bình | | **Data Warehouse** | Snowflake, BigQuery, Redshift | Chuyên sâu | #### c) Ngôn ngữ lập trình (theo thứ tự ưu tiên) ``` 1. Python (ưu tiên #1) - data processing, ML integration 2. Scala (ưu tiên #2) - Spark, Flink native 3. SQL (bắt buộc) - data querying, modeling 4. Java (ưu tiên) - enterprise integration 5. R (lợi thế) - statistical analysis 6. Rust/Kotlin (điểm cộng) - high-performance systems ``` #### d) Kiến thức chuyên môn Data Engineering - **Dimensional Data Modeling**: Kimball methodology, star/snowflake schema - **ETL/ELT Processes**: Apache Airflow, dbt, Informatica - **Data Pipeline Optimization**: Batch vs streaming, data quality monitoring - **Data Governance & Security**: GDPR, data masking, encryption - **Microservices Architecture**: REST APIs, containerization (Docker, K8s) - **MLOps**: model deployment, feature store, ML pipelines --- ### 2. Soft Skills quan trọng | Kỹ năng | Lý do cần thiết | |---|---| | **Giao tiếp với business stakeholders** | Phối hợp với Data Scientists, BA để hiểu requirements | | **Project management** | Quản lý xung đột dự án, deadlines | | **Mentoring** | Cố vấn junior members, phát triển tài năng | | **Problem-solving** | Giám sát hệ thống phức tạp, troubleshooting | | **Agile/Scrum** | Làm việc trong môi trường Agile team | | **Strategic thinking** | Xây dựng chiến lược data infrastructure | --- ### 3. Chứng chỉ gợi ý (khuyến nghị) **Cloud Certifications (ưu tiên theo thứ tự):** ``` 1. Google Cloud Professional Data Engineer 2. AWS Certified Data Analytics - Specialty 3. Azure Data Engineer Associate ``` **Data Engineering Specific:** ``` - Databricks Certified Data Engineer Professional - dbt Analytics Engineer Certification - Cloudera Data Engineer Certification ``` **Other Value-add Certifications:** ``` - TOEIC 750+ (Techcombank requirement) - PMP hoặc Scrum Master (cho project management) ``` --- ### 4. Bảng so sánh: Vị trí Data Engineer thông thường vs. Senior Data Planning Specialist | Tiêu chí | Data Engineer (thông thường) | Data Planning Specialist (Senior) | |---|---|---| | **Phạm vi công việc** | Xây dựng pipeline, ETL | Thiết kế kiến trúc toàn hệ thống | | **Mức độ strategic** | Tactical (thực thi) | Strategic (hoạch định) | | **Tương tác** | Team nội bộ | Cross-functional, đối tác ngoài | | **Quản lý** | Không bắt buộc | Mentoring, coaching team | | **Lương tham chiếu** | 25-40 triệu/tháng | 45-80 triệu/tháng (thỏa thuận) | | **Yêu cầu kinh nghiệm** | 2-4 năm | 5+ năm | --- ### 5. Techcombank Tech Stack thường gặp (research từ cộng đồng) Dựa trên các review từ nhân viên Techcombank: - **Data Platform**: GCP (Google Cloud Platform), Snowflake - **Orchestration**: Apache Airflow, Cloud Composer - **Processing**: Spark (Dataproc), Flink - **Streaming**: Kafka (Confluent Cloud) - **ML Platform**: Vertex AI, Kubeflow - **BI Tools**: Tableau, Looker, Power BI - **Repository**: GitHub Enterprise, GitLab **Lưu ý:** Techcombank đang trong giai đoạn chuyển đổi số mạnh mẽ, ưu tiên ứng viên có kinh nghiệm cloud-native và modern data stack.

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn vị trí Senior Data Planning Specialist - Techcombank ### Quy trình các vòng phỏng vấn (thông tin tham khảo) ``` Vòng 1: HR Screening (30-45 phút) → Đánh giá kinh nghiệm, động lực, cultural fit Vòng 2: Technical Interview - Data Architecture (60-90 phút) → Deep dive vào technical skills, system design Vòng 3: Technical Interview - Case Study (60 phút) → Xử lý tình huống thực tế, problem-solving Vòng 4: Panel Interview với Hiring Manager + Team Lead (45-60 phút) → Leadership, mentoring, strategic thinking Vòng 5: Offer Discussion (30 phút) → Compensation, start date, expectations ``` **Tổng thời gian:** Thường kéo dài 2-4 tuần --- ### Câu hỏi hay gặp theo từng vòng #### Vòng 1: HR Screening **Câu hỏi kinh nghiệm:** - "Bạn có thể mô tả một dự án data pipeline phức tạp nhất mà bạn đã tham gia?" - "Bạn đã làm việc với team size như thế nào? Quản lý conflict ra sao?" - "Tại sao bạn muốn chuyển sang Techcombank? Hiểu gì về data transformation của ngân hàng?" **Câu hỏi về động lực:** - "Bạn kỳ vọng gì từ vai trò này?" - "Bạn thấy mình phù hợp với văn hóa Techcombank như thế nào?" **Tips chuẩn bị:** - Nghiên cứu Techcombank Digital Transformation 2025 - Tìm hiểu về kiến trúc data hiện tại của ngân hàng (qua LinkedIn, blog công ty) - Chuẩn bị câu chuyện về achievement cụ thể với số liệu (performance improvement, cost reduction) --- #### Vòng 2: Technical Interview - Data Architecture **Câu hỏi thiết kế hệ thống:** - "Thiết kế data architecture cho một hệ thống real-time fraud detection với 10 triệu transactions/ngày" - "So sánh Lambda Architecture vs Kappa Architecture? Khi nào nên dùng?" - "Làm sao để handle data quality issues trong production pipeline?" - "Design một data warehouse cho ngân hàng với 5 years historical data và petabyte scale" **Câu hỏi về công nghệ cụ thể:** - "Spark vs Flink: ưu nhược điểm, use case khác nhau?" - "Khi nào nên dùng NoSQL vs SQL trong banking context?" - "Explain data partitioning strategy cho large dataset?" - "Làm thế nào để optimize slow-running ETL job từ 4 giờ xuống còn 30 phút?" **Câu hỏi troubleshooting:** - "Pipeline của bạn fail vào 3AM, làm sao để debug hiệu quả?" - "Data latency tăng đột ngột 500%, bạn sẽ investigate thế nào?" **Mẹo trả lời vòng này:** ``` ✓ Dùng framework: Context → Challenge → Action → Result (CCAR) ✓ Kết hợp cả architecture diagram + code-level detail ✓ Thể hiện hiểu biết về trade-offs (latency vs cost vs scalability) ✓ Nhấn mạnh experience với compliance/regulatory requirements (Banking) ``` --- #### Vòng 3: Case Study **Format thường gặp:** - Bài toán thực tế của Techcombank (đã được anonymize) - Yêu cầu đề xuất giải pháp trong 45-60 phút - Có thể bao gồm phần trình bày + Q&A **Ví dụ case studies:** 1. *"Ngân hàng cần hợp nhất data từ 15 systems khác nhau. Đề xuất architecture và implementation plan?"* 2. *"Legacy data warehouse không đáp ứng được SLA. Migration plan như thế nào mà không downtime?"* 3. *"Data science team cần features cho 50+ ML models. Design feature store?"* **Cách tiếp cận:** ``` 1. Clarify requirements (functional + non-functional) 2. Define scope (MVP vs full solution) 3. Propose high-level architecture 4. Detail key components 5. Address risks & mitigation 6. Timeline & resource estimation ``` --- #### Vòng 4: Panel Interview (Leadership & Culture) **Câu hỏi về leadership:** - "Kể về lần bạn mentor một junior engineer từ không có kinh nghiệm đến productive?" - "Bạn xử lý conflict giữa technical quality và deadline pressure như thế nào?" - "Mô tả một situation khi bạn phải sell một technical decision khó cho stakeholders non-technical?" **Câu hỏi về strategic thinking:** - "5 năm tới, data architecture của một ngân hàng sẽ thay đổi thế nào?" - "Bạn sẽ ưu tiên những initiative nào nếu nhận role này?" - "Làm sao để balance giữa technical debt và feature delivery?" **Câu hỏi culture fit Techcombank:** - "Techcombank có văn hóa 'One Team, One Goal'. Bạn làm gì để contribute?" - "Khả năng work under pressure và handle ambiguity?" --- ### Dress Code **Techcombank interview:** Business casual ``` ✓ Áo sơ mi (trắng/xanh nhạt), quần tây hoặc chân váng ✓ Không cần vest (trừ khi panel với C-level) ✓ Giày lịch sự (không sneakers) ✓ Laptop bag thay vì cặp tài liệu ⚠️ Tránh: jeans rách, áo phông, sandals ``` --- ### Tips chuẩn bị tổng quát **1 tuần trước phỏng vấn:** ``` - Ôn lại SQL (window functions, CTEs, optimization) - Practice system design questions (Cracking the Data Engineering Interview) - Review Techcombank recent news, tech blog posts - Prepare 5 câu chuyện achievement với STAR method ``` **Tối trước ngày phỏng vấn:** ``` - Nghỉ ngơi sớm (7-8 tiếng) - Chuẩn bị outfit + documents - Review lại portfolio/projects quan trọng - Check route + parking (Hà Nội - Techcombank Tower) ``` **Tài liệu mang theo:** ``` - CV (in, 3 bản) - Certificates (bản photo) - Laptop với demo portfolio (nếu có) - Notepad + pen - Government ID ```

Lộ trình ôn thi

## Lộ trình Ôn thi & Chuẩn bị cho Senior Data Planning Specialist ### Giai đoạn 1: Nền tảng Data Engineering (2-3 tuần) #### Kiến thức bắt buộc ôn tập **a) SQL Mastery (Backend - Quan trọng nhất)** ```sql -- Ôn tập các topics: -- 1. Window Functions (LAG, LEAD, RANK, DENSE_RANK, NTILE) -- 2. CTEs và Recursive CTEs -- 3. Query Optimization (EXPLAIN, indexing, partitioning) -- 4. Advanced aggregations (ROLLUP, CUBE, GROUPING SETS) -- 5. Data type conversions và handling NULLs -- Ví dụ practice: WITH monthly_metrics AS ( SELECT customer_id, DATE_TRUNC('month', transaction_date) as month, SUM(amount) as total_spend, LAG(SUM(amount)) OVER (PARTITION BY customer_id ORDER BY DATE_TRUNC('month', transaction_date)) as prev_month_spend FROM transactions GROUP BY 1, 2 ) SELECT customer_id, month, total_spend, (total_spend - prev_month_spend) / prev_month_spend as mom_growth_rate FROM monthly_metrics WHERE prev_month_spend IS NOT NULL; ``` **b) Data Modeling Fundamentals** ``` Ôn tập: - Kimball 4-step dimensional design process - Star Schema vs Snowflake Schema - Slowly Changing Dimensions (Type 1, 2, 3) - Fact Tables (Transactional, Periodic Snapshot, Accumulating) - Bridge tables, junk dimensions - Data Vault 2.0 (lợi thế) ``` **c) ETL/ELT Concepts** ``` - Incremental vs Full load - Change Data Capture (CDC) methods - Slowly Changing Dimensions handling - Data quality frameworks (completeness, accuracy, timeliness) - Audit & logging strategies ``` --- ### Giai đoạn 2: Big Data Technologies (3-4 tuần) #### Apache Spark (Ưu tiên #1) ```python # Key topics cần master: # 1. Spark Architecture (Driver, Executor, Cluster Manager) # 2. Transformations vs Actions # 3. DataFrames API vs RDD API # 4. Catalyst Optimizer & Tungsten Engine # 5. Broadcast joins, repartition, coalesce # 6. Window functions in Spark # 7. Structured Streaming # 8. Performance tuning (caching, shuffle, parallelism) # Practice code: from pyspark.sql import functions as F from pyspark.sql.window import Window # Real-time aggregation example result_df = ( spark.readStream .format("kafka") .option("kafka.bootstrap.servers", "broker1:9092") .option("subscribe", "transactions") .load() .select(F.from_json(F.col("value").cast("string"), schema).alias("data")) .select("data.*") .withWatermark("event_time", "30 seconds") .groupBy( F.window("event_time", "5 minutes"), "merchant_id" ) .agg( F.sum("amount").alias("total_amount"), F.count("*").alias("tx_count") ) ) ``` **Tài liệu học:** - Databricks Learning Spark (FREE - Databricks Academy) - PySpark documentation - Spark By Examples blog #### Apache Kafka ``` Concepts cần nắm vững: - Producer/Consumer architecture - Topic, Partition, Replication - Offset management (earliest, latest, manual) - Consumer Groups - Exactly-once semantics - Schema Registry - Kafka Connect (source & sink connectors) - Stream processing with Kafka Streams Hands-on: - Set up local Kafka cluster (Docker Compose) - Build producer/consumer với Python - Implement exactly-once processing pattern ``` #### Data Warehouse & Cloud ``` - Snowflake: Architecture, micro-partitions, clustering - BigQuery: Slot-based pricing, partitioning, clustering - Redshift: Distribution styles, sort keys, WLM Nên tập trung 1 cloud platform (recommend GCP vì Techcombank dùng) ``` --- ### Giai đoạn 3: System Design & Architecture (2 tuần) **Framework chuẩn để trả lời system design questions:** ``` 1. REQUIREMENTS CLARIFICATION (5 phút) - Functional: Những use cases chính? - Non-functional: Scale, latency, availability, cost? - Data: Volume, velocity, variety? 2. HIGH-LEVEL ARCHITECTURE (10-15 phút) - Component diagram - Data flow - Technology choices 3. DEEP DIVE (15-20 phút) - Data modeling decisions - Scalability considerations - Failure handling - Monitoring & alerting 4. TRADE-OFFS & SUMMARY (5 phút) - Alternatives considered - Why chosen solution vs alternatives ``` **Practice Problems:** ``` 1. Design real-time fraud detection system 2. Design data platform cho 50M users 3. Design streaming analytics platform 4. Migration strategy: On-prem to cloud data warehouse 5. Design data governance framework ``` **Tài liệu tham khảo:** - Designing Data-Intensive Applications (Martin Kleppmann) - MUST READ - System Design Interview books (Alex Xu, Vol 1 & 2) - Data Engineering Weekly newsletter - dbt blog & best practices --- ### Giai đoạn 4: MLE/MLOps Fundamentals (1-2 tuần) ``` Vì JD đề cập "set up ML model development environment": - Feature engineering basics - Feature Store architecture (Feast, Tecton) - ML pipelines (Kubeflow, Airflow, Metaflow) - Model serving (REST API, batch prediction) - Model monitoring (drift detection) - Experiment tracking (MLflow, Weights & Biases) Techcombank đang đẩy mạnh AI/ML, nên kiến thức MLOps là điểm cộng lớn ``` --- ### Tài liệu tham khảo tổng hợp | Loại | Tài liệu | Priority | |---|---|---| | **Sách** | Designing Data-Intensive Applications | ⭐⭐⭐ MUST | | **Sách** | The Data Warehouse Toolkit (Kimball) | ⭐⭐ | | **Sách** | Fundamentals of Data Engineering | ⭐⭐ | | **Online** | Databricks Academy (free courses) | ⭐⭐⭐ | | **Online** | Google Cloud Skills Boost | ⭐⭐ | | **Practice** | LeetCode SQL (Medium-Hard) | ⭐⭐⭐ | | **Practice** | Strata Scratch (data engineering interview) | ⭐⭐⭐ | | **Newsletter** | Data Engineering Weekly | ⭐ | | **YouTube** | DataEngineering概念的 Chad Thuston | ⭐⭐ | | **Blog** | starburstdata.com/blog | ⭐ | --- ### Lộ trình 2 tuần trước phỏng vấn ``` TUẦN 1 (Day 1-7): Day 1-2: SQL practice (10-15 problems) Day 3-4: Spark/Flink concepts review Day 5-6: System design practice (2-3 cases) Day 7: Review Techcombank tech blog, news TUẦN 2 (Day 8-14): Day 8-9: Mock interviews (với friend hoặc coach) Day 10-11: Review weak areas Day 12-13: Behavioral prep (STAR stories) Day 14: Rest, check logistics, early sleep ``` **Daily study plan (2 tuần pre-interview):** ``` Morning (2h): Technical concept review Afternoon (2h): Coding/practice problems Evening (1h): System design hoặc behavioral prep Total: 5h/day, 6 days/week ```

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp cho Senior Data Planning Specialist ### 1. Lộ trình Thăng tiến điển hình ``` Entry Level (0-2 năm) Data Analyst / Junior Data Engineer → Lương: 12-20 triệu/tháng Mid Level (2-4 năm) Data Engineer / Software Engineer (Data) → Lương: 20-35 triệu/tháng Senior Level (4-6 năm) ← BẠN ĐANG Ở ĐÂY Senior Data Engineer / Data Planning Specialist → Lương: 35-55 triệu/tháng Lead/Principal (6-10 năm) Data Engineering Lead / Principal Engineer → Lương: 55-80 triệu/tháng Manager/Director (8+ năm) Engineering Manager / Data Platform Director → Lương: 80-120+ triệu/tháng ``` **Techcombank specific:** ``` - Vị trí này báo cáo cho Manager/Senior Manager Data Planning - Potential path: Senior → Lead → Manager → Senior Manager - Cơ hội chuyển sang: Data Architecture, Data Governance, Platform Engineering ``` --- ### 2. Mức lương kỳ vọng theo cấp bậc (Thị trường Việt Nam 2024) | Cấp bậc | Mức lương tháng (tham khảo) | Notes | |---|---|---| | **Junior Data Engineer** | 15-22 triệu | 0-2 năm exp | | **Data Engineer** | 22-35 triệu | 2-4 năm exp | | **Senior Data Engineer** | 35-55 triệu | 4-6 năm exp | | **Lead/Principal DE** | 55-80 triệu | 6-10 năm exp | | **Data Engineering Manager** | 70-100+ triệu | 8+ năm exp + management | **Với Techcombank (FMCG banking, salary premium cao):** ``` - Thường cao hơn thị trường 10-20% - Vị trí Senior này: 45-70 triệu là reasonable - Thỏa thuận tùy kinh nghiệm thực tế - Bonus: thường 1-3 tháng, tùy performance ``` **Negotiation tips:** ``` ✓ Research market rate (Glassdoor, TopDev, Glance) ✓ Highlight quantifiable achievements (performance %, cost savings) ✓ Consider total compensation (bonus, benefits, equity) ✓ Know your BATNA (Best Alternative To Negotiated Agreement) ✓ Don't be the first to state a number ``` --- ### 3. Kỹ năng cần Phát triển thêm (Next 6-12 tháng) #### Immediate (0-6 tháng - onboarding) ``` 1. Techcombank internal systems & processes 2. Banking domain knowledge (regulatory requirements, risk management) 3. Internal data architecture & governance framework 4. Stakeholder mapping (DS, BA, Risk, Compliance teams) 5. GCP-specific services (nếu chưa quen) ``` #### Medium-term (6-12 tháng - growth) ``` 1. Cloud Architecture (Professional-level certifications) 2. MLOps & ML Platform knowledge 3. Data Governance & Compliance (Banking regulations) 4. Executive communication & presentation skills 5. Project/program management (PMP or similar) ``` #### Long-term (12-24 tháng - advancement) ``` 1. Strategic thinking & roadmapping 2. Team leadership & hiring 3. Cross-functional influence 4. Industry thought leadership (conference talks, blog posts) 5. Business acumen (P&L, revenue impact of data initiatives) ``` --- ### 4. So sánh: ở lại vs. Nhảy sang Techcombank **Khi nhiên nên ở lại công ty hiện tại:** ``` ✓ Đã có internal mobility tốt ✓ Tech stack hiện đại, học được nhiều ✓ Manager tốt, team culture phù hợp ✓ Đang trong giai đoạn tăng trưởng nhanh ✓ Equity/token upside lớn (startup) ``` **Khi nên chuyển sang Techcombank:** ``` ✓ Muốn stable environment + banking domain ✓ Cần "brand name" cho resume ✓ Muốn học enterprise-scale data architecture ✓ Cần work-life balance tốt hơn ✓ Cơ hội thăng tiến rõ ràng ✓ Muốn học về compliance/regulatory data ``` --- ### 5. Các lựa chọn thay thế khác (nếu không nhận được offer) **Tương đương về mức lương & scope:** ``` 1. VPBank Digital - Senior Data Engineer 2. MBBank - Data Platform Engineer 3. VNPAY - Senior Data Engineer (Fintech) 4. MoMo - Data Infrastructure Engineer 5. FPT Software - Data Architect (outsource bank projects) 6. Tiền điện tử/Forex firms - Higher pay, more risk ``` **Lưu ý quan trọng:** ``` ⚠️ Techcombank đánh giá cao culture fit ⚠️ Interview process có thể dài (4-6 tuần) ⚠️ Thời điểm tốt để apply: Q1, Q2 (budget cycle) ⚠️ Có thể cần 2-3 rounds assessment center ``` --- ### 6. Red Flags cần lưu ý khi nhận offer ``` ⚠️ Warning signs trong quá trình phỏng vấn: - HR không trả lời trong 2+ tuần - Quá nhiều rounds (7+) - Không clear về team size, reporting structure - Không có clear technical direction - Compensation không match market ⚠️ Warning signs trong offer: - Không clear về bonus structure - Probation salary khác final salary - Vague về equity/benefits - No clear role scope hoặc KPI ```

Câu hỏi thường gặp

Mình có 5 năm kinh nghiệm làm Data Engineer, chủ yếu dùng Python và SQL, nhưng chưa có kinh nghiệm với Kafka hay Spark nhiều. Có nên apply vị trí này không?

Có thể apply được, nhưng cần chuẩn bị kỹ. JD yêu cầu 'sâu sắc' với Spark/Kafka - đây là technical requirement khá cao. Tuy nhiên, nếu bạn có strong fundamentals (SQL, Python, data modeling) và willingness to learn, một số ngân hàng sẽ đào tạo thêm. Recommend: học Spark qua Databricks free course (1-2 tuần) và tạo pet project với Kafka trước khi apply. Hoặc ứng tuyển vị trí Data Engineer (không phải Senior) để gain experience trước.

Lương cho vị trí này ở Techcombank khoảng bao nhiêu? Thỏa thuận thì nên đòi bao nhiêu là hợp lý?

Với 5+ năm kinh nghiệm data engineering ở thị trường Việt Nam, mức hợp lý là 45-65 triệu/tháng net. Techcombank thường cao hơn thị trường 10-20% nên có thể thương lượng lên 55-70 triệu nếu profile phù hợp. Tips: đừng đưa số trước, hỏi họ budget range trước. Nếu họ hỏi expectation, nói 'theo market rate cho senior data engineer ở VN, khoảng 50-60 triệu, nhưng open to discuss based on total compensation package'. Nhớ include bonus (thường 1-3 tháng) và benefits vào tính toán.

Mình đang làm ở công ty startup, chuyển sang ngân hàng như Techcombank có phù hợp không? Culture có quá khác không?

Phụ thuộc vào preference cá nhân. Ngân hàng có ưu điểm: stable, clear career path, học được enterprise-scale architecture, compliance domain. Nhược điểm: chậm hơn startup, nhiều process/approval hơn, có thể bureaucratic. Techcombank được đánh giá là ngân hàng 'tech-forward' nhất VN, culture gần startup hơn các ngân hàng khác. Nên research kỹ: follow Techcombank Engineering blog, đọc review trên Glassdoor, ask HR về team size và working style. Nếu bạn thích speed của startup nhưng muốn stability của bank, Techcombank là lựa chọn tốt.

Trong phỏng vấn, họ hay hỏi gì về system design cho vị trí này? Cần chuẩn bị những gì?

Vòng technical sẽ tập trung vào: (1) Data Architecture Design - vd thiết kế data warehouse cho ngân hàng, (2) Pipeline Design - optimize ETL process, (3) Troubleshooting - debug slow pipeline. Framework trả lời: Clarify requirements → Propose architecture → Deep dive components → Trade-offs. Nên practice 5-10 cases: real-time processing system, data migration plan, data quality framework, feature store design. Book recommend: 'Designing Data-Intensive Applications' (must read). Nếu có portfolio từ job trước (architecture diagrams, performance improvements), prepare để present - đây là strongest evidence cho capability.

Mình có background Data Science, muốn chuyển sang Data Engineering. Vị trí này phù hợp không hay nên apply vị trí nào khác?

Data Science → Data Engineering là lateral move phổ biến và feasible. Strength của bạn: hiểu ML pipeline, feature engineering, data requirements của DS team. Weakness: có thể thiếu production-scale data infrastructure experience. Vị trí Senior có thể hơi stretch nếu chưa có 5+ năm data engineering. Recommend: apply Data Engineer level (không phải Senior) để gain engineering experience, sau 2-3 năm thì lên Senior. Hoặc tìm vị trí 'ML Engineer' - hybrid giữa DS và DE, phù hợp hơn với background của bạn. Trong CV, nhấn mạnh dự án liên quan đến data pipeline, ETL, infrastructure.

Techcombank yêu cầu tiếng Anh như thế nào? Có cần Toeic cụ thể không?

Techcombank có chính sách tiếng Anh nội bộ, thường yêu cầu Toeic 650-800+ tùy vị trí. Với Senior level như này, họ sẽ đánh giá qua interview (đọc hiểu tài liệu, giao tiếp với team). Nếu bạn có Toeic 750+, nên mention trong CV. Nếu chưa có hoặc thấp hơn, có thể vẫn apply nếu English communication tốt - họ sẽ test trực tiếp. Tip: prepare answer bằng tiếng Anh cho các câu hỏi phỏng vấn thông dụng, đặc biệt là technical vocabulary (data pipeline, ETL, streaming, etc.).

Work-life balance ở Techcombank như thế nào? Có overtime nhiều không?

Theo review từ cộng đồng, Techcombank tốt hơn majority các ngân hàng VN về WLB. Tech team thường làm 8h/ngày, ít OT. Tuy nhiên, với vị trí Senior, có thể có deadline pressure khi có critical project hoặc system incident. Data engineering có nature là 'on-call' khi có pipeline issues - nhưng không phải daily. Recommend hỏi HR về: (1) on-call rotation policy, (2) average hours/week trong peak periods, (3) WFH policy. Đây là những câu hỏi hoàn toàn hợp lý và professional.

Chuyên viên Cao cấp Hoạch định dữ liệu (40000063)