Nhân viên Hạn: 2030-04-26

Mô tả công việc

• Thực hiện các nhiệm vụ định kì của phòng theo lĩnh vực được phân công bao gồm: khai phá dữ liệu, phân tích chuyên sâu, xây dựng và làm giàu kho dữ liệu đặc trưng, phát triển mô hình phục vụ kinh doanh (tiềm năng bán, upsale, cross sale, chống churn) • Thực hiện xây dựng và phát triển các mô hình phục vụ đáp ứng nhu cầu và hỗ trợ ra quyết định kinh doanh trên lĩnh vực được phân công • Thực hiện công tác điều chỉnh, vận hành, tối ưu hóa các mô hình hiện hữu phục vụ đáp ứng nhu cầu và đạt hiệu quả kinh doanh cao. • Tham gia và báo cáo lãnh đạo dự án, lãnh đạo khối các dự án về công tác xây dựng mô hình phân tích dữ liệu được phân công Phúc lợi: Lương tháng thứ 13, Bảo hiểm sức khỏe cá nhân, Du lịch, Fitness Center (Yoga, GYM…), Hỗ trợ đi lại, Hỗ trợ điện thoại, 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

• Cử nhân chuyên ngành kinh tế, tài chính, ngân hàng, khoa học dữ liệu, khoa học máy tính, thống kê, Toán tin hoặc các chuyên ngành liên quan • Ưu tiên có chứng chỉ hoặc có kinh nghiệm sử dụng thành thạo ngôn ngữ, công cụ xử lý dữ liệu lớn, và các chứng chỉ kĩ năng về khoa học dữ liệu: Data science, Data engieering, Data analysis, Python, Spark, SQL, Tableau, Power BI, Oracle, Data visualization • Tối thiểu có kinh nghiệm 02 năm phân tích dữ liệu, khoa học máy tính hoặc các vị trí tương đương làm việc với dữ liệu lớn, có kinh nghiệm xây dựng các mô hình dự đoán, học máy • Có năng lực lập trình sử dụng những ngôn ngữ phổ biến trong xử lý dữ liệu như Python, R, Matlab, Sql • Có kinh nghiệm tương tác, sử dụng, phát triển, xử lý dữ liệu trên các hệ thống dữ liệu lớn hoặc các công cụ xử lý dữ liệu lớn Spark, Hadoop, S3 storage • Có hiểu biết về các thuật toán nói chung, đặc biệt các thuật toán học máy. • Hiểu và sử dụng kiến thức thống kê, toán học ứng dụng trong quản lý chất lượng và phát triển mô hình. • Ưu tiên có hiểu biết hoặc đã sử dụng các thuật toán khai phá dữ liệu trong thực tế • Có kinh nghiệm sử dụng các công cụ trực quan hóa dữ liệu, matplotlib, tableau • Có tư duy logic tốt, có khả năng thiết kế, giải quyết các bài toán, vấn đề liên quan đến dữ liệu và sử dụng dữ liệu. • Ưu tiên có kinh nghiệm trong lĩnh vực tài chính - ngân hàng Ngoại ngữ: Ielts 5.5, Toeic 550 Chứng chỉ: Nice to have: Microsoft Certified: Data Analyst Associate; Tableau Desktop Specialist, SQL for Data Science 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 Yêu cầu cho Data Scientist tại MB Bank ### 🔧 HARD SKILLS (Kỹ năng kỹ thuật bắt buộc) | Cấp độ | Kỹ năng | Yêu cầu cụ thể | Mức độ ưu tiên | |--------|---------|-----------------|----------------| | Lập trình | Python | Thành thạo, ưu tiên Pandas, NumPy, Scikit-learn | ⭐⭐⭐ Bắt buộc | | Lập trình | R / Matlab | Một trong hai | ⭐⭐ Cần có | | Database | SQL | Xử lý truy vấn phức tạp, tối ưu hóa | ⭐⭐⭐ Bắt buộc | | Big Data | Spark, Hadoop, S3 | Xử lý dữ liệu lớn | ⭐⭐ Ưu tiên | | Visualization | Tableau, Power BI, Matplotlib | Trực quan hóa dữ liệu | ⭐⭐ Cần có | | ML | Thuật toán học máy | Classification, Regression, Clustering, Ensemble | ⭐⭐⭐ Bắt buộc | ### 📊 SOFT SKILLS (Kỹ năng mềm) - **Tư duy logic & giải quyết vấn đề**: Thiết kế bài toán từ data thực tế - **Giao tiếp**: Trình bày kết quả phân tích cho lãnh đạo không chuyên về kỹ thuật - **Quản lý dự án**: Phối hợp với team kinh doanh để triển khai mô hình - **Tự học**: Công nghệ AI/ML thay đổi nhanh, cần cập nhật liên tục ### 📜 CHỨNG CHỈ GỢI Ý **Bắt buộc nếu muốn nổi bật:** - Microsoft Certified: Data Analyst Associate - Tableau Desktop Specialist - Google Data Analytics Professional Certificate **Bổ sung giá trị:** - AWS Certified Data Analytics / Data Engineer - Kaggle Competition medals (đặc biệt có giá trị với fresher) - Coursera: "Machine Learning" by Stanford (Andrew Ng) ### 📚 SO SÁNH: Fresher vs Senior | Tiêu chí | Fresher (0-2 năm) | Senior (3+ năm) | |----------|-------------------|-----------------| | Python | Cơ bản, thư viện phổ biến | Thành thạo, tối ưu performance | | Mô hình ML | Áp dụng được các mô hình có sẵn | Tự xây dựng, tinh chỉnh, A/B testing | | Business understanding | Hạn chế | Hiểu sâu nghiệp vụ ngân hàng | | Trực quan hóa | Tableau cơ bản | Dashboard design, storytelling với data | | Salary kỳ vọng | 15-25 triệu/tháng | 30-50 triệu/tháng | --- ## 🔍 Lộ trề học tập để đáp ứng yêu cầu **Giai đoạn 1 (1-2 tháng) - Nền tảng:** - Python + SQL thành thạo - Thống kê cơ bản (probability, hypothesis testing, regression) - Giới thiệu Machine Learning (Scikit-learn) **Giai đoạn 2 (1-2 tháng) - Chuyên sâu:** - Deep Learning cơ bản (TensorFlow/PyTorch) - Big Data tools (Spark basics) - Một số thuật toán khai phá dữ liệu: K-means, Decision Tree, Random Forest **Giai đoạn 3 (1 tháng) - Thực hành:** - Xây dựng portfolio: 2-3 project mẫu về phân tích ngân hàng - Làm quen với Power BI hoặc Tableau - Ôn luyện SQL interview questions

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn Data Scientist tại MB Bank ### 📋 QUY TRÌNH PHỎNG VẤN (Dự kiến) **Thông thường có 3-4 vòng:** | Vòng | Nội dung | Thời lượng | Người phỏng vấn | |------|----------|------------|------------------| | Vòng 1 | Sàng lọc HR (gọi điện/rảo CV) | 15-20 phút | HR Recruitment | | Vòng 2 | Kiểm tra kỹ thuật (Technical test) | 60-90 phút | Data Team Lead | | Vòng 3 | Phỏng vấn chuyên sâu | 45-60 phút | Head of Data / Business Division | | Vòng 4 | HR & Offer | 30 phút | HR Manager | --- ### ❓ CÂU HỎI HAY GẶP THEO TỪNG VÒNG **Vòng 1 - HR Sàng lọc:** 1. "Giới thiệu ngắn gọn về bản thân và kinh nghiệm làm việc với data" 2. "Tại sao bạn muốn chuyển sang làm Data Scientist?" 3. "Bạn có kinh nghiệm gì với các dự án liên quan đến ngân hàng/tài chính?" 4. "Mức lương kỳ vọng của bạn là bao nhiêu?" 5. "Bạn biết gì về MB Bank và Khối Dữ liệu của họ?" **Vòng 2 - Technical Test:** 1. **SQL:** "Viết SQL query để tìm top 5 khách hàng có tổng giao dịch cao nhất trong tháng" 2. **Python:** "Xử lý một dataset có missing values và outliers, sau đó build model đơn giản" 3. **Machine Learning:** "Giải thích sự khác nhau giữa Random Forest và Gradient Boosting?" 4. **Case study:** "Nếu cần xây dựng model dự đoán khách hàng churn, bạn sẽ bắt đầu như thế nào?" 5. **Statistics:** "P-value là gì? Khi nào ta bác bỏ hypothesis null?" **Vòng 3 - Phỏng vấn chuyên sâu:** 1. "Mô tả một dự án ML mà bạn tự hào nhất. Kết quả thế nào?" 2. "Bạn xử lý imbalanced dataset như thế nào?" 3. "Làm sao để đánh giá performance của một model trong production?" 4. "Bạn hiểu gì về các metrics như AUC, ROC, Precision-Recall?" 5. "Khi model không perform tốt trên production data, bạn sẽ làm gì?" 6. "Trong nghiệp vụ ngân hàng, bạn nghĩ data có thể giúp ích gì cho business?" **Vòng 4 - HR & Offer:** 1. "Bạn có câu hỏi gì cho MB Bank không?" (LUÔN HỎI!) 2. Thương lượng lương, ngày bắt đầu --- ### 💡 TIPS CHUẨN BỊ **Trước phỏng vấn:** - ✅ Nghiên cứu kỹ JD, hiểu rõ các mô hình họ muốn xây dựng (upsale, cross sale, churn) - ✅ Tìm hiểu về các sản phẩm của MB Bank (MB Ageas, MB Shinhan, app MBBank) - ✅ Ôn tập SQL queries phức tạp (JOIN, window functions, subqueries) - ✅ Chuẩn bị portfolio với 2-3 project liên quan - ✅ Đọc về các case study data application trong ngân hàng Việt Nam **Khi trả lời câu hỏi kỹ thuật:** - Đi từ đơn giản đến phức tạp, không nên oversell - Nếu không biết, thành thật và nói sẵn sàng học hỏi - Kể chuyện bằng STAR method (Situation, Task, Action, Result) **Trang phục:** - Business casual (không cần suit quá formal) - Nam: sơ mi, quần tây, giày tây - Nữ: áo sơ mi/cam cổ, chân váy/quần tây **Những câu hỏi NÊN hỏi HR:** - "Team data hiện tại có bao nhiêu người?" - "Quy trình deploy model hiện tại như thế nào?" - "Cơ hội học tập và đào tạo trong ngân hàng?" - "KPI của vị trí này được đo lường như thế nào?"

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho vị trí Data Scientist tại MB Bank ### 📚 KIẾN THỨC NỀN TẢNG CẦN ÔN **1. SQL (Ưu tiên CAO)** Tài liệu tham khảo: - "SQL Practice Problems" - Sydney Moe - LeetCode SQL section (Easy → Medium) - Mode SQL Tutorial (miễn phí) Các chủ đề cần thành thạo: ```sql -- Window functions (RANK, DENSE_RANK, LAG, LEAD) -- Complex JOINs (multiple tables) -- Subqueries & CTEs -- Aggregation với HAVING -- CASE WHEN cho conditional logic ``` **2. Python cho Data Science** Tài liệu: - "Python for Data Analysis" - Wes McKinney (pandas author) - Kaggle Python course miễn phí Thư viện cần thành thạo: - pandas, numpy (xử lý data) - scikit-learn (ML models) - matplotlib, seaborn (visualization) **3. Machine Learning** Tài liệu: - "Hands-On Machine Learning" - Aurelien Geron - Coursera: Machine Learning by Andrew Ng (bài tập Python version) Các thuật toán cần hiểu sâu: | Nhóm | Thuật toán | Ứng dụng trong ngân hàng | |------|------------|---------------------------| | Classification | Logistic Regression, Random Forest, XGBoost | Dự đoán khách hàng có mua hay không | | Clustering | K-means, DBSCAN | Phân khúc khách hàng | | Recommendation | Collaborative Filtering | Gợi ý sản phẩm (cross-sell, upsell) | | Time series | ARIMA, Prophet | Dự đoán xu hướng giao dịch | **4. Statistics & Probability** - Probability distributions - Hypothesis testing (t-test, chi-square) - Correlation, regression interpretation - A/B testing fundamentals **5. Business Domain - Ngân hàng** Các khái niệm cần biết: - Customer Lifetime Value (CLV) - Churn rate, retention rate - Credit scoring, risk management - Campaign response modeling - Cross-sell / Upsell metrics --- ### 📅 LỘ TRÌNH CHUẨN BỊ 2 TUẦN **Tuần 1 - Nền tảng:** - Ngày 1-2: Ôn SQL (window functions, complex queries) - Ngày 3-4: Python pandas + scikit-learn quick review - Ngày 5-6: ML algorithms (so sánh, khi nào dùng cái nào) - Ngày 7: Nghỉ ngơi, tổng hợp **Tuần 2 - Luyện tập:** - Ngày 8-9: Làm bài tập SQL trên LeetCode - Ngày 10-11: Code 1-2 ML project nhỏ (từ data collection → model → evaluation) - Ngày 12: Ôn case study (churn prediction, customer segmentation) - Ngày 13-14: Mock interview với bạn bè, chuẩn bị tâm lý **Tài liệu ôn bổ sung miễn phí:** - Kaggle: "Bank Customer Churn Prediction" dataset (thực hành) - DataCamp: SQL for Data Science - Machine Learning Interview Questions (trên GitHub) --- ### ⚠️ LƯU Ý QUAN TRỌNG - MB Bank yêu cầu nộp đầy đủ thông tin: Họ tên, ngày sinh, giới tính, SĐT, email, trình độ, trường tốt nghiệp, kinh nghiệm, 3-5 kỹ năng nổi bật - Đảm bảo CV có gắn keyword phù hợp (Python, SQL, ML, Data Science, ngân hàng) - Kiểm tra email/thư rác thường xuyên sau khi ứng tuyển

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp Data Scientist tại MB Bank ### 📈 LỘ TRÌNH THĂNG TIẾN ``` Chuyên viên Data Scientist (2-3 năm kinh nghiệm) ↓ Chuyên viên Cao cấp / Senior Data Scientist (3-5 năm) ↓ Team Lead / Data Science Manager (5-7 năm) ↓ Head of Data Science / Chief Data Officer (7-10 năm) ``` **Các milestone cần đạt:** | Giai đoạn | Thời gian | Kỹ năng cần phát triển | KPI/Dấu hiệu thành công | |-----------|-----------|------------------------|-------------------------| | Năm 1 | 0-12 tháng | Hiểu nghiệp vụ, hoàn thành model đầu tiên, học từ senior | 1-2 model deployed thành công | | Năm 2-3 | 12-36 tháng | Tự chủ model end-to-end, A/B testing, MLOps cơ bản | Đo lường được business impact của model | | Năm 3-5 | 36-60 tháng | Leadership, mentoring, system design | Team lead hoặc chịu trách nhiệm 1 sản phẩm data | | Năm 5+ | 60+ tháng | Strategic thinking, stakeholder management | Model strategy, định hướng data platform | --- ### 💰 MỨC LƯƠNG KỲ VỌNG THEO CẤP BẬC (Hà Nội, 2024) | Cấp bậc | Kinh nghiệm | Lương tháng (VND) | Notes | |---------|-------------|-------------------|-------| | Fresher/Junior | 0-1 năm | 12-20 triệu | Thực tập → chính thức | | Chuyên viên | 2-3 năm | 20-35 triệu | Mức JD này | | Cao cấp | 3-5 năm | 30-50 triệu | Có thể cao hơn nếu giỏi | | Senior | 5-7 năm | 45-70 triệu | + thưởng dự án | | Manager | 7+ năm | 60-100 triệu | + ESOP, thưởng KPI | **Lưu ý:** MB Bank là ngân hàng quân đội, lương cạnh tranh so với thị trường. Ngoài lương còn có: - Lương tháng 13 - Thưởng hiệu suất, thưởng dịp lễ - Vay ưu đãi lãi suất thấp - Bảo hiểm sức khỏe cao cấp --- ### 🚀 KỸ NĂNG CẦN PHÁT TRIỂN THÊM **Ngắn hạn (6 tháng đầu):** 1. Thành thạo SQL ở mức chuyên sâu (window functions, optimization) 2. Học một cloud platform (AWS/GCP/Azure) - nhiều doanh nghiệp Việt Nam đang chuyển lên cloud 3. Hiểu nghiệp vụ ngân hàng cụ thể tại MB Bank **Trung hạn (1-2 năm):** 1. Deep Learning (nếu muốn làm NLP/Computer Vision) 2. MLOps (model deployment, monitoring, retraining) 3. Business acumen - hiểu cách data tạo ra giá trị business 4. Soft skills: presentation, stakeholder management **Dài hạn (3-5 năm):** 1. System Design - thiết kế data platform tổng thể 2. Leadership & mentoring 3. Industry knowledge - trở thành chuyên gia domain (banking/fintech) --- ### ⚠️ CẢNH BÁO THỰC TẾ **Điểm tích cực:** - MB Bank đang đầu tư mạnh vào data/AI, cơ hội học hỏi lớn - Môi trường ngân hàng giúp hiểu sâu nghiệp vụ tài chính - Phúc lợi tốt, ổn định **Thách thức cần lưu ý:** - Ngân hàng Việt Nam đôi khi chậm hơn fintech về công nghệ - Có thể cần nhiều thời gian để model được deploy vào production - Quy trình phê duyệt có thể nhiều bước hơn startup **Lời khuyên:** Nếu bạn muốn phát triển sự nghiệp Data Science lâu dài trong ngành ngân hàng Việt Nam, đây là cơ hội tốt. Sau 2-3 năm tại MB Bank, bạn có thể chuyển sang các vị trí senior hơn trong ngân hàng khác hoặc fintech.

Câu hỏi thường gặp

Em mới tốt nghiệp ngành IT, chưa có kinh nghiệm làm Data Scientist. Em có nộp được vị trí này không?

JD yêu cầu tối thiểu 2 năm kinh nghiệm, nhưng nếu em có portfolio mạnh (Kaggle medals, project cá nhân với Python/SQL) và hiểu biết tốt về ML, vẫn có thể thử ứng tuyển. Tuy nhiên, cạnh tranh sẽ rất khốc liệt với các ứng viên có kinh nghiệm. Gợi ý: Có thể apply các vị trí fresher data analyst trước, tích lũy 1-2 năm kinh nghiệm rồi quay lại apply Data Scientist. Ngoài ra, hãy tập trung vào các chứng chỉ như Microsoft Data Analyst Associate để tăng sức cạnh tranh.

Mức lương cho vị trí Data Scientist tại MB Bank là bao nhiêu? Có thương lượng được không?

JD ghi 'Thỏa thuận' nên hoàn toàn có thể thương lượng. Với 2 năm kinh nghiệm, mức kỳ vọng hợp lý là 20-30 triệu/tháng. Nếu bạn có kỹ năng đặc biệt (Deep Learning, MLOps) hoặc chứng chỉ cao cấp, có thể đàm phán lên 35-40 triệu. Lưu ý: Lương thỏa thuận phụ thuộc vào budget của team và profile của bạn. Đừng ngại đề xuất con số cụ thể dựa trên research thị trường, nhưng cũng đừng đòi quá cao khiến HR từ chối sớm.

KPI của vị trí Data Scientist tại MB Bank như thế nào?

Dựa trên JD, bạn sẽ chịu KPI liên quan đến: (1) Số lượng model xây dựng và deploy thành công, (2) Performance của các mô hình (accuracy, AUC, lift) đo lường hiệu quả kinh doanh, (3) Đóng góp vào các dự án của Khối Dữ liệu. Các model phục vụ business cụ thể: upsale, cross-sell, churn prediction - thành công được đo bằng tỷ lệ chuyển đổi thực tế. Nên hỏi HR chi tiết về KPI trong vòng phỏng vấn cuối để chuẩn bị tâm lý.

Làm thế nào để nổi bật hơn so với các ứng viên khác khi ứng tuyển vị trí này?

5 cách để tăng sức cạnh tranh: (1) Xây dựng portfolio với ít nhất 2-3 project liên quan đến ngân hàng (churn prediction, customer segmentation) - deploy lên GitHub, (2) Đạt chứng chỉ Tableau Desktop Specialist hoặc Microsoft Data Analyst, (3) Thể hiện hiểu biết về nghiệp vụ MB Bank - tìm hiểu các sản phẩm như MBBank app, MB Ageas, (4) Chuẩn bị kỹ bài technical test - SQL và Python là bắt buộc, (5) Kể chuyện bằng data - có metrics cụ thể về impact của model bạn đã làm (VD: giảm churn 15%, tăng conversion 20%).

Anh/chị có kinh nghiệm làm việc với Big Data tools như Spark, Hadoop. Liệu có cần phải master hết không?

Không cần master hết, nhưng cần có kiến thức solid. Với Spark: hiểu cách nó xử lý distributed data, biết sử dụng PySpark cơ bản (transformations, actions). Với Hadoop: hiểu HDFS là gì, ecosystem (Hive, HBase). Thực tế, nhiều team ngân hàng Việt Nam đang dần chuyển sang cloud (AWS Glue, Databricks) thay vì Hadoop truyền thống. Nếu chưa có kinh nghiệm, hãy học trên Databricks community edition (miễn phí) hoặc làm course PySpark trên Udemy. Quan trọng hơn là SQL và Python - đây mới là nền tảng.

Work-life balance của vị trí này như thế nào? Có phải OT nhiều không?

Data Scientist tại ngân hàng thường có lịch ổn định hơn startup fintech. Tuy nhiên, sẽ có giai đoạn deadline dự án (đặc biệt khi triển khai model mới hoặc báo cáo quarterly). Một số nguồn chia sẻ từ cộng đồng cho thấy MB Bank có văn hóa làm việc khá chuyên nghiệp, không bắt buộc OT thường xuyên. Phúc lợi đầy đủ (bảo hiểm, lương tháng 13, du lịch) cho thấy đây là môi trường ổn định. Gói nhỏ: tỷ lệ OT phụ thuộc vào giai đoạn dự án và team cụ thể.

Sau 2-3 năm ở vị trí này, em có thể chuyển sang hướng nào?

Rất nhiều hướng đi: (1) Senior Data Scientist tại ngân hàng/tổ chức tài chính khác - mức lương có thể tăng 50-70%, (2) Data Science Lead/Manager - quản lý team nhỏ, (3) ML Engineer - chuyên sâu về production và MLOps, (4) Product Manager (Data) - kết hợp business và data, (5) Chuyển sang Fintech/Startup - nhiều cơ hội thử nghiệm công nghệ mới hơn. Data Science trong ngân hàng đặc biệt valuable vì: (a) hiểu nghiệp vụ tài chính, (b) làm việc với data quy mô lớn, (c) compliance và risk management experience.

Em cần chuẩn bị gì cho bài technical test của MB Bank?

Chuẩn bị theo 3 phần chính: (1) SQL (60% trọng lượng): window functions (LAG, LEAD, RANK), complex JOINs, subqueries, GROUP BY với HAVING. Practice trên LeetCode mức Easy-Medium. (2) Python (30%): đọc CSV, xử lý missing values, basic ML với sklearn (train/test split, fit/predict, accuracy score). (3) Machine Learning concepts (10%): giải thích các thuật toán, bias-variance tradeoff, overfitting, cross-validation. Thời gian làm bài thường 60-90 phút. Gợi ý: làm 3-5 bài LeetCode SQL mỗi ngày trong 2 tuần trước phỏng vấn.

Chuyên viên, Chuyên viên Cao cấp Khoa học Dữ liệu - Data Scientist - Trung tâm mô hình kinh doanh - Khối Dữ liệu