Chuyên viên, Chuyên viên cao cấp 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
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;
Được làm việc trực tiếp với Dữ liệu lớn của Ngân hàng;
Được đào tạo chuyên sâu với các chuyên gia giỏi về Quản trị rủi ro gian lận.
Phúc lợi:
Lương tháng thứ 13, Bảo hiểm sức khỏe cá nhân, Bảo hiểm sức khỏe cho người thân, Du lịch, Fitness Center (Yoga, GYM…), Hỗ trợ chi phí trông trẻ/mẫu giáo, Hỗ trợ đi lại, Hỗ trợ điện thoại, Hỗ trợ kinh phí tập luyện thể thao, Khám sức khỏe định kỳ, Mỹ phẩm, 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
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: TOIEC tối thiểu 700 (hoặc tương đương).
Phân tích kỹ năng cần có
📊 Phân tích kỹ năng cần có cho vị trí Chuyên viên Phân tích dữ liệu & Phát hiện Gian lận - MB Bank
🔧 Hard Skills (Kỹ năng cứng) - Bắt buộc
1. Lập trình & Công cụ phân tích:
- Python (bắt buộc) — Thành thạo các thư viện: `pandas`, `numpy`, `scikit-learn`, `xgboost`, `tensorflow`/`pytorch`, `imbalanced-learn`
- SQL (bắt buộc) — Viết được các query phức tạp, JOIN nhiều bảng, window functions, CTE, performance tuning
- R (lợi thế) — Phân tích thống kê, visualization
2. Machine Learning / Deep Learning:
- Supervised Learning: Random Forest, XGBoost, LightGBM, Logistic Regression
- Deep Learning: Neural Network, LSTM (rất quan trọng cho chuỗi giao dịch), Autoencoder
- Unsupervised: Isolation Forest, DBSCAN, Local Outlier Factor (cho anomaly detection)
- Hiểu sâu về: Precision-Recall trade-off, imbalanced data handling (SMOTE, class weight), feature engineering
3. Kiến thức nền tảng:
- Xác suất thống kê (hypothesis testing, distribution, Bayesian)
- Data Mining techniques (classification, clustering, association rules)
- Big Data tools (Spark, Hadoop) — là lợi thế lớn vì MB Bank có dữ liệu cực lớn
- Model validation & monitoring (PSI, KS, AUC, Gini)
💡 Hard Skills - Điểm cộng
| Kỹ năng | Mức độ ưu tiên | Ghi chú |
|---|---|---|
| Kinh nghiệm hệ thống tài chính (Core Banking, Card system) | ⭐⭐⭐⭐⭐ | Hiểu data flow từ hệ thống ngân hàng |
| Xây dựng mô hình PD (Probability of Default) | ⭐⭐⭐⭐ | Thường dùng cho credit risk, có thể áp dụng fraud |
| Fraud Detection thực tế | ⭐⭐⭐⭐⭐ | Ưu tiên hàng đầu |
| MLOps (MLflow, Docker, Airflow) | ⭐⭐⭐ | Triển khai & quản lý model |
| Cloud (AWS/Azure/GCP) | ⭐⭐⭐ | MB Bank đang chuyển đổi số mạnh |
| Graph Analytics (Neo4j) | ⭐⭐⭐ | Phát hiện network gian lận |
🤝 Soft Skills (Kỹ năng mềm)
- Tư duy phản biện: Phân tích pattern gian lận đòi hỏi tư duy logic sắc bén
- Communication: Giải thích model phức tạp cho stakeholder không chuyên (Ban lãnh đạo, Compliance)
- Attention to detail: Sai 1 con số có thể gây tổn thất hàng tỷ đồng
- Business acumen: Hiểu nghiệp vụ ngân hàng, sản phẩm thẻ, tín dụng, thanh toán
- Continuous learning: Fraud patterns thay đổi liên tục, phải cập nhật xu hướng mới
📜 Chứng chỉ nên tham khảo
- Bắt buộc: TOEIC ≥ 700 (hoặc IELTS 6.0+, TOEFL iBT 80+)
- Nên có:
- Google Data Analytics Certificate
- TensorFlow Developer Certificate
- AWS Machine Learning Specialty
- SAS Certified Data Scientist
- Lợi thế cạnh tranh:
- FRM (Financial Risk Manager) — GARP
- CAMS (Certified Anti-Money Laundering Specialist) — rất phù hợp với phòng ban
- AWS Certified Solutions Architect
Chuẩn bị phỏng vấn
🎯 Hướng dẫn phỏng vấn chi tiết
📋 Quy trình tuyển dụng dự kiến (4-5 vòng)
Vòng 1: HR Screening (30-45 phút) — Qua điện thoại/video
- Giới thiệu bản thân, lý do ứng tuyển, mức lương mong muốn
- Kiểm tra TOEIC, bằng cấp
- Tìm hiểu về MB Bank (doanh nghiệp nhà nước cổ phần hóa, top 4 ngân hàng TMCP tư nhân)
Vòng 2: Bài test kỹ thuật (60-90 phút) — Online/Offline
- SQL: 5-10 câu query từ cơ bản đến nâng cao
- Python: Coding challenge (pandas, xử lý data)
- Có thể có câu hỏi trắc nghiệm về ML cơ bản
Vòng 3: Phỏng vấn Technical chuyên sâu (60-90 phút) — Với Quản lý phòng/bạn
- Đi sâu vào ML algorithms, cách xây dựng fraud detection model
- Case study thực tế
- Đánh giá tư duy phân tích
Vòng 4: Phỏng vấn Quản lý cấp cao (45-60 phút) — Trưởng/Phó Khối QTRR
- Behavioral questions
- Tầm nhìn nghề nghiệp, khả năng phù hợp văn hóa MB
Vòng 5 (có thể): Final interview với GĐ Khối hoặc đại diện Ban lãnh đạo
❓ Câu hỏi phỏng vấn hay gặp theo từng vòng
Vòng Technical:
1. "Hãy giải thích sự khác biệt giữa Random Forest và XGBoost. Khi nào nên dùng cái nào trong fraud detection?"
2. "LSTM hoạt động như thế nào và tại sao phù hợp với phân tích chuỗi giao dịch?"
3. "Trong fraud detection, dữ liệu thường rất imbalanced (0.1% gian lận). Bạn xử lý như thế nào?"
4. "Precision vs Recall — trong fraud detection nên ưu tiên cái nào? Tại sao?"
5. "Làm thế nào để validate một model đang chạy production? Phát hiện model drift như thế nào?"
6. "Viết SQL query để tìm top 10 khách hàng có số giao dịch bất thường trong 7 ngày qua"
7. "Feature engineering cho fraud detection — bạn sẽ tạo những feature nào từ dữ liệu giao dịch?"
8. "Giải thích SMOTE, class weight, undersampling. Ưu/nhược điểm?"
9. "Rule-based vs ML model — khi nào nên dùng cái nào? Có thể kết hợp không?"
Vòng Behavioral:
10. "Mô tả dự án ML bạn tự hào nhất. Bạn đóng vai trò gì? Kết quả ra sao?"
11. "Khi model bạn xây dựng có quá nhiều false positive gây phiền cho khách hàng, bạn xử lý thế nào?"
12. "Tại sao MB Bank? Tại sao Fraud Detection?"
13. "Bạn đã bao giờ làm việc với big data chưa? Quy mô bao nhiêu?"
💡 Tips chuẩn bị quan trọng
✅ Chuẩn bị Portfolio: 2-3 dự án ML cá nhân liên quan đến fraud/anomaly detection (Kaggle, GitHub)
✅ Nghiên cứu MB Bank: Tìm hiểu chiến lược chuyển đổi số, các sản phẩm MBBank App, các vụ gian lận ngân hàng nổi bật gần đây
✅ Hiểu nghiệp vụ: Tìm hiểu Luật Phòng chống rửa tiền 2022, Thông tư hướng dẫn của NHNN
✅ Chuẩn bị case study: Có thể bị cho case thực tế như "Phát hiện giao dịch rửa tiền qua thẻ tín dụng"
✅ Soft skills: Thể hiện khả năng kết nối business với technical
👔 Dress Code
- Vòng HR: Smart casual hoặc Business formal
- Vòng Technical: Business formal hoàn toàn (sơ mi, quần tây, giày tây)
- Vòng Manager: Vest + sơ mi, chuyên nghiệp
- Nữ: Váy công sở dài qua gối hoặc quần tây + áo blouse, giày thấp
Lộ trình ôn thi
📚 Lộ trình ôn tập & chuẩn bị trong 2 tuần
🗓️ Tuần 1: Nền tảng kỹ thuật
Ngày 1-2: Python nâng cao cho Data Science
- Ôn lại: list/dict comprehension, lambda, map/filter
- pandas: groupby, merge, pivot, time series
- NumPy: vectorization, broadcasting
- Thực hành: Kaggle - Python micro-course
Ngày 3-4: SQL chuyên sâu
- Window functions: ROW_NUMBER, RANK, LAG, LEAD
- CTE, recursive CTE
- JOIN phức tạp (self-join, multiple joins)
- Thực hành: LeetCode SQL, HackerRank SQL
Ngày 5-7: Machine Learning cốt lõi
- Supervised: Logistic Regression, Decision Tree, Random Forest, XGBoost, LightGBM
- Đọc: Chương 6-7 "Hands-On Machine Learning" (Aurélien Géron)
- Thực hành: scikit-learn trên dataset credit card fraud từ Kaggle
- Học: Cross-validation, hyperparameter tuning, GridSearchCV
🗓️ Tuần 2: Chuyên sâu Fraud Detection
Ngày 8-9: Deep Learning & Time Series
- Neural Network cơ bản (MLP)
- LSTM/GRU cho sequential data
- Autoencoder cho anomaly detection
- Framework: TensorFlow/Keras
Ngày 10-11: Xử lý Imbalanced Data
- SMOTE, ADASYN, undersampling, class weight
- Evaluation metrics: Precision, Recall, F1, AUC-PR (không dùng Accuracy!)
- Cost-sensitive learning
- Threshold tuning
Ngày 12: Model Validation & MLOps
- PSI (Population Stability Index)
- KS statistic, Gini coefficient
- Model monitoring trong production
- A/B testing cho model
Ngày 13-14: Nghiệp vụ Ngân hàng & Pháp luật
- Sản phẩm ngân hàng: thẻ tín dụng, tiền gửi, cho vay
- Các loại gian lận phổ biến: skimming, phishing, identity theft, money mule
- Luật Phòng chống rửa tiền 2022 (Việt Nam)
- Basel II/III và rủi ro tín dụng
- FATF recommendations
📖 Tài liệu tham khảo nên đọc
Sách:
1. 📘 "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" — Aurélien Géron (bắt buộc)
2. 📗 "Fraud Analytics Using Descriptive, Predictive, and Social Network Techniques" — Bart Baesens
3. 📕 "Credit Risk Scorecards" — Naeem Siddiqi (nếu muốn hiểu PD model)
4. 📙 "Pattern Recognition and Machine Learning" — Christopher Bishop (nâng cao)
Khóa học online:
- 🎓 Coursera: "Machine Learning" — Andrew Ng (Stanford)
- 🎓 Fast.ai: "Practical Deep Learning for Coders"
- 🎓 Udemy: "Machine Learning A-Z"
- 🎓 DataCamp: "Fraud Detection in Python"
Trang web/Tools:
- 🌐 Kaggle: Datasets creditcard.csv (284K transactions, có fraud labels)
- 🌐 Towards Data Science: Bài viết về fraud detection
- 🌐 GitHub: Repo fraud-detection để tham khảo code
- 🌐 scikit-learn, XGBoost documentation
🎯 Project cá nhân nên làm (đưa vào CV/Portfolio)
1. Credit Card Fraud Detection: XGBoost + SMOTE trên Kaggle dataset
2. Time Series Anomaly: LSTM Autoencoder cho chuỗi giao dịch
3. Real-time Rules Engine: Mini project với Python + SQL
4. Streamlit Dashboard: Visualize fraud patterns
Tư vấn nghề nghiệp
🚀 Lời khuyên sự nghiệp cho vị trí này
📈 Lộ trình thăng tiến tại MB Bank (Khối Quản trị rủi ro)
```
Chuyên viên (M1-M2)
↓ 2-3 năm
Chuyên viên cao cấp (M3-M4)
↓ 3-5 năm
Chuyên gia / Trưởng nhóm (M5)
↓ 3-5 năm
Phó phòng / Trưởng phòng (M6-M7)
↓ 5-7 năm
Giám đốc Khối / Phó GĐ Khối (M8+)
```
Các hướng phát triển chính:
1. Vertical (chuyên môn sâu): Data Scientist Senior → Lead Data Scientist → Chief Data Officer
2. Horizontal (quản lý): Team Lead → Manager → Director of Risk Analytics
3. Cross-functional: Chuyển sang Phòng AML, Compliance, hoặc Business Intelligence
💰 Mức lương kỳ vọng theo cấp bậc (MB Bank - Hà Nội, 2024-2025)
| Cấp bậc | Mức lương tháng (gross) | Ghi chú |
|---|---|---|
| Chuyên viên (0-2 năm) | 18 - 28 triệu | Mới ra trường / ít kinh nghiệm |
| Chuyên viên (2-4 năm) | 25 - 40 triệu | Có 1-2 dự án thực tế |
| Chuyên viên cao cấp (4-6 năm) | 40 - 65 triệu | Senior, có portfolio |
| Chuyên gia (6-10 năm) | 60 - 100 triệu | Lead, đào tạo team |
| Trưởng phòng | 90 - 150 triệu | Quản lý 10-20 người |
Lưu ý: MB Bank thuộc nhóm ngân hàng tư nhân top đầu, lương cạnh tranh. Cộng thêm thưởng Tết (thường 2-3 tháng lương), thưởng KPI, stock (nếu có), tổng thu nhập có thể cao hơn 30-50%.
🎓 Kỹ năng cần phát triển thêm để thăng tiến nhanh
Trong 1-2 năm đầu:
- ✅ Thành thạo Python/SQL/R — đạt level Senior
- ✅ Hiểu sâu sản phẩm ngân hàng MB
- ✅ Làm chủ ít nhất 1 framework ML production (MLflow, Kubeflow)
- ✅ Tham gia cộng đồng Data Science Việt Nam
Trong 3-5 năm:
- 🔥 Cloud platform: AWS/Azure (MB Bank đang dùng hybrid cloud)
- 🔥 Real-time systems: Kafka, Spark Streaming, Flink
- 🔥 MLOps end-to-end: từ training → deployment → monitoring
- 🔥 Graph Analytics: Network fraud detection
- 🔥 Generative AI: LLM cho anomaly explanation
Trong 5-10 năm (hướng leadership):
- 🌟 Quản trị rủi ro tổng thể (Operational Risk, Credit Risk)
- 🌟 Hiểu biết Basel II/III, IFRS 9
- 🌟 Quản lý team 10-20 người
- 🌟 Kỹ năng thuyết trình với HĐQT, Ban lãnh đạo
- 🌟 Networking với cộng đồng Risk/Data quốc tế
⚠️ Lời khuyên thực tế từ "đàn anh"
1. MB Bank đang chuyển đổi số rất mạnh — Đây là cơ hội vàng để gia nhập và phát triển
2. Phòng chống gian lận là "hot trend" — Nhu cầu nhân sự tăng 30-40%/năm
3. Học hỏi từ chuyên gia — Tận dụng cơ hội được đào tạo từ senior trong ngân hàng
4. Xây dựng uy tín sớm — Làm tốt ở MB sẽ là bệ phóng cho các ngân hàng lớn khác (Vietcombank, Techcombank, VPBank...)
5. Cân nhắc chuyển việc sau 3-5 năm — Để tăng lương 30-50%
Câu hỏi thường gặp
Em là sinh viên năm cuối ngành Khoa học Dữ liệu, muốn apply vị trí này thì cần chuẩn bị gì?
Chào em, vị trí này hoàn toàn phù hợp với em. Đây là lộ trình chuẩn bị: (1) Nắm vững Python (pandas, scikit-learn) và SQL — nên làm 2-3 dự án cá nhân trên Kaggle, đặc biệt là dataset credit card fraud; (2) Học sâu về XGBoost, Random Forest, LSTM — đây là các model được nêu trong JD; (3) Tìm hiểu về imbalanced data, precision/recall; (4) Ôn TOEIC đạt tối thiểu 700; (5) Tìm hiểu sơ lược về Luật Phòng chống rửa tiền và các sản phẩm ngân hàng. Quan trọng nhất: đừng để CV trống — hãy có ít nhất 1 dự án fraud detection thực tế trên GitHub để nhà tuyển dụng đánh giá. Lương cho fresher khoảng 18-25 triệu, đừng kỳ vọng quá cao nhưng cơ hội học hỏi là vô giá.
Tôi đang là Data Analyst ở công ty fintech 3 năm, muốn chuyển sang làm Fraud Detection tại ngân hàng. Cơ hội thế nào?
Cơ hội rất tốt! Kinh nghiệm 3 năm Data Analyst ở fintech là nền tảng vững chắc. Tuy nhiên bạn cần bổ sung: (1) Kinh nghiệm thực chiến với ML model — không chỉ phân tích mà phải build và deploy model; (2) Hiểu biết về hệ thống ngân hàng (Core Banking, Card Management System); (3) Kiến thức về rủi ro và pháp luật liên quan. Mức lương kỳ vọng hợp lý: 35-50 triệu cho vị trí Chuyên viên cao cấp với 3 năm KN. Điểm cộng lớn nếu bạn đã làm việc với big data (Spark, Hadoop) và có kin nghiệm với Python ML stack.
Tôi là Data Scientist ở ngân hàng khác (Techcombank), muốn chuyển sang MB Bank. Có nên không?
Hoàn toàn nên! MB Bank đang trong giai đoạn chuyển đổi số rất mạnh mẽ và đầu tư lớn cho Fraud & AML. So với Techcombank, MB có: (1) Quy mô khách hàng lớn hơn (top 4 ngân hàng tư nhân); (2) Đang xây dựng nhiều hệ thống mới nên có cơ hội làm từ đầu; (3) Mức lương cạnh tranh không kém Techcombank. Tuy nhiên lưu ý: nếu bạn đang ở vị trí Senior/Lead ở TCB, MB Bank có thể trả tương đương hoặc hơn 10-20%. Lý do chuyển việc nên là: cơ hội thăng tiến, công nghệ mới, hoặc văn hóa — đừng chỉ vì lương. Nên nhảy sau khi đã đạt được milestone nhất định ở công ty cũ.
Chuyển ngành từ Business Analyst sang Data Science có khả thi không khi apply vị trí này?
Khả thi nhưng cần chuẩn bị kỹ. Bạn có lợi thế về hiểu biết business ngân hàng (nếu BA ở ngân hàng), nhưng thiếu technical. Lộ trình 6-12 tháng: (1) Học Python + SQL chuyên sâu 2-3 tháng; (2) Học ML cơ bản 3-4 tháng qua Coursera Andrew Ng; (3) Làm 2-3 dự án cá nhân về fraud detection; (4) Lấy chứng chỉ Google Data Analytics hoặc TensorFlow Developer. Khi apply, highlight khả năng hiểu business và giao tiếp với stakeholder — đây là điểm mạnh của BA. Mức lương khởi điểm có thể thấp hơn DS thuần túy 20-30%, nhưng sau 1-2 năm sẽ bắt kịp. Thử apply vị trí Chuyên viên (không phải Senior) trước.
KPI của vị trí này như thế nào? Có áp lực không?
KPI thường gồm: (1) Số lượng model/rule được triển khai mỗi quý; (2) Hiệu quả phát hiện gian lận (tỷ lệ phát hiện, false positive rate); (3) Giảm tỷ lệ gian lận thực tế của ngân hàng; (4) Cải tiến model (giảm 10-20% false positive mỗi năm). Áp lực: CÓ — vì đây là vị trí ảnh hưởng trực tiếp đến tài chính ngân hàng (mỗi năm gian lận gây thiệt hại hàng trăm tỷ). Tuy nhiên: (1) Làm việc với data lớn thực sự nên CV rất đẹp; (2) Được training bởi chuyên gia giỏi; (3) Là "hot skill" trong ngành. Nếu bạn chịu được deadline và áp lực cao, đây là vị trí rất đáng để theo đuổi.
Mức lương thỏa thuận — đề xuất bao nhiêu cho hợp lý khi phỏng vấn?
Tùy theo kinh nghiệm: (1) 0-2 năm: Đề xuất 20-25 triệu gross; (2) 2-4 năm với 1-2 dự án ML: 30-40 triệu; (3) 4-6 năm có portfolio mạnh: 45-60 triệu; (4) Senior 6+ năm: 60-80 triệu+. Mẹo deal lương: (1) Luôn nói range, không nói số cụ thể — "Hiện tại tôi đang nhận X, mong muốn tăng 20-30%"; (2) Tìm hiểu lương thị trường qua VietnamWorks, ITviec, các group Facebook; (3) Đừng đề xuất quá cao ngay vòng HR — để dành đàm phán sau; (4) MB Bank thường offer 13th month + bonus, tính tổng thu nhập thực tế. Đừng quên hỏi về: review lương hàng năm, cơ chế thưởng KPI, stock option (nếu có).
Tôi có bằng Thạc sĩ Tài chính nhưng code không giỏi lắm. Có cơ hội vào vị trí này không?
Cơ hội vẫn có nhưng khó hơn. JD yêu cầu "kiến thức nền tảng" về Tài chính + khả năng code Python/SQL — không yêu cầu thành thạo level cao. Nếu bạn có ThS Tài chính + hiểu về risk, bạn sẽ hiểu nghiệp vụ nhanh hơn các ứng viên chỉ biết code. Lời khuyên: (1) Dành 2-3 tháng tập trung học Python cho data analysis + SQL cơ bản; (2) Làm 1 dự án cá nhân đơn giản (ví dụ: phân tích dữ liệu chứng khoán bằng Python); (3) Apply vị trí Chuyên viên (không phải Senior); (4) Trong phỏng vấn, highlight lợi thế "hiểu business + có nền tảng code" — đây là combo mà nhiều ngân hàng đang tìm kiếm cho vai trò bridge giữa data team và business.
Sau 3-5 năm ở vị trí này, tôi có thể đi đâu?
Rất nhiều hướng hấp dẫn: (1) Senior Data Scientist ở các ngân hàng lớn (VCBS, TCB, VPBank) — lương tăng 30-50%; (2) Head of Fraud Analytics ở fintech (MoMo, ZaloPay, VNPay); (3) Risk Analytics Manager ở các công ty chứng khoán (SSI, HSC); (4) Sang nước ngoài (Singapore, Úc) — Fraud Detection là hot skill toàn cầu; (5) Chuyển sang consulting (McKinsey, BCG) làm risk consulting; (6) Khởi nghiệp fintech/regtech. Quan trọng: sau 3-5 năm ở MB, bạn sẽ có trong tay: portfolio thực tế với data cực lớn, hiểu biết sâu về banking, network rộng — đây là "vé vàng" cho bất kỳ hướng nào bạn chọn. Nhiều người cũ sẽ trở thành CDO hoặc founder.