Chuyên Viên Quản Lý Rủi Ro Mô Hình

Được nhé, không phải tự tin thái quá nhưng đây là cơ hội khá tốt. JD yêu cầu tối thiểu 1 năm kinh nghiệm, nên nếu em chưa có thì cơ hội vào chính thức sẽ thấp. Tuy nhiên em có thể:

1. Apply vị trí Intern/Fresher ở phòng QLRR Namabank hoặc ngân hàng khác để tích lũy 1 năm, sau đó quay lại apply vị trí này.
2. Tự xây dựng portfolio mô hình trên Kaggle (dùng dataset Home Credit Default Risk hoặc German Credit Data) để chứng minh năng lực.
3. Nếu ứng tuyển thẳng, hãy nhấn mạnh vào:

• Nền tảng Toán/Thống kê vững
• Khả năng lập trình Python/SQL
• Các dự án cá nhân về credit scoring
• Khả năng học hỏi nhanh (kể ví dụ đã tự học được gì trong thời gian ngắn)

💡 Nhiều ngân hàng nhỏ và vừa như Namabank linh hoạt hơn big 4 trong việc nhận người mới — đừng ngại apply!

Khó nói chính xác vì JD không công khai mức lương, nhưng dựa trên thị trường:

• Namabank (ngân hàng cỡ vừa): khoảng 18–28 triệu gross cho 1–2 năm kinh nghiệm
• Cộng thưởng Tết (1–3 tháng), thưởng KPI, phụ cấp
• Tổng thu nhập có thể 22–35 triệu/tháng

So sánh:

• Vietcombank, Techcombank, MB: 25–40 triệu
• Ngân hàng nước ngoài tại VN: 35–60 triệu
• Fintech: 30–50 triệu

📌 Mẹo đàm phán: Khi HR hỏi, đừng nói con số đầu. Hãy hỏi ngược "Range của ngân hàng cho vị trí này là bao nhiêu ạ?". Nếu HR ép, đưa range "em mong muốn 25–30 triệu, tùy thuộc vào phúc lợi và cơ hội học hỏi" — đừng nói quá thấp để khỏi tự hại mình.

Rất nhiều bạn hỏi câu này, mình phân tích ngắn gọn:

👉 Khuyến nghị của mình:

• Nếu bạn chắc chắn theo risk management: học FRM trước
• Nếu bạn chưa chắc, hoặc có ý định chuyển sang front office (quản lý quỹ, equity research): học CFA
• Nếu có điều kiện: học FRM trước (1 năm), rồi CFA sau (2–3 năm) → bộ đôi "vàng"

💡 Riêng cho vị trí ở Namabank: FRM Part I là đủ để gây ấn tượng với nhà tuyển dụng, không cần thi hai Part ngay.

Cực kỳ khả thi luôn! Đây là background rất hot cho vị trí này. Lý do:

✅ Những thuận lợi:

• Bạn đã có Python, SQL, ML — đây là thứ thiếu hụt ở dân risk thuần túy
• Hiểu về production model, model monitoring (nếu fintech bạn làm scoring/credit)
• Tư duy "model ownership" đã có

⚠️ Những thứ cần bổ sung:

• Kiến thức về Basel II/III, IFRS 9 (đọc ~2 tuần là nắm cơ bản)
• Hiểu biết về PD/LGD/EAD, VaR, stress test
• Tìm hiểu môi trường làm việc ngân hàng: chậm hơn fintech, quy trình chặt hơn, nhiều approval hơn
• Soft skills: ngân hàng coi trọng "business partnering" nhiều hơn fintech

🎯 Cách ứng tuyển thông minh:

• Đừng nhấn mạnh "em từ fintech" — nhấn mạnh "em đã build & deploy model thật trong production"
• Chuẩn bị 1 dự án cá nhân về credit scoring (chỉ cần 2–4 tuần)
• Sẵn sàng giải thích tại sao muốn chuyển: "em muốn làm việc với dữ liệu tài chính chuẩn hơn và đóng góp vào risk management ở quy mô lớn hơn"

💰 Lương có thể không tăng khi chuyển ngang (vì ngân hàng trả risk IT thấp hơn fintech data scientist), nhưng sau 2 năm sẽ tăng nhanh.

Top 5 câu hỏi technical phổ biến nhất (theo kinh nghiệm mình từng tham gia phỏng vấn nhiều ngân hàng):

1. "Trình bày sự khác nhau giữa PD, LGD, EAD" — Câu này gần như 100% sẽ bị hỏi. Chuẩn bị kỹ:

• PD (Probability of Default): xác suất vỡ nợ
• LGD (Loss Given Default): % tổn thất khi vỡ nợ
• EAD (Exposure at Default): dư nợ khi vỡ nợ
• EL (Expected Loss) = PD × LGD × EAD

2. "Mô hình Credit Scoring: Logistic vs Random Forest, chọn cái nào?" → Câu này test tư duy. Đáp án: Logistic cho scorecard truyền thống (interpretable, regulatory friendly); Random Forest cho performance cao hơn nhưng cần SHAP để giải thích.

3. "Làm sao kiểm định model PD có stable không?" → PSI (Population Stability Index), KS test, Gini stable, AUC stable theo thời gian.

4. "IFRS 9 vs IAS 39 khác gì?" → IAS 39 dùng incurred loss, IFRS 9 dùng expected loss với 3-stage impairment.

5. "VaR là gì? Có mấy cách tính?" → Parametric (variance-covariance), Historical Simulation, Monte Carlo. Ưu/nhược từng loại.

💡 Tip: Đừng chỉ trả lời lý thuyết. Luôn kèm ví dụ thực tế hoặc kinh nghiệm cá nhân. Ví dụ: "Em từng xây mô hình PD trên 50k khách hàng, dùng Logistic Regression cho được Gini 0.62, PSI ổn định 2 năm liên tiếp..."

Câu này còn tùy vào giai đoạn sự nghiệp và mục tiêu. Phân tích ưu/nhược:

🟢 Nên chọn Namabank nếu:

• Bạn muốn được "chạm tay" vào nhiều việc ngay từ đầu — ở ngân hàng nhỏ, mỗi nhân viên cover nhiều mảng
• Bạn muốn xây dựng từ đầu thay vì vận hành hệ thống đã có sẵn
• Bạn thích learning curve dốc, sẵn sàng chấp nhận process chưa chuẩn hóa
• Bạn không quá cần brand name lớn để gây ấn tượng sau này
• Namabank đang trong giai đoạn chuyển đổi số → nhiều cơ hội xây dựng mô hình mới

🔴 Nên chọn ngân hàng lớn nếu:

• Bạn là freshers tuyệt đối và cần training bài bản
• Bạn muốn brand name trên CV để dễ nhảy việc sau 2–3 năm
• Bạn muốn lương cao hơn và process chuẩn quốc tế (Big 4, HSBC)
• Bạn đang chưa biết mình muốn gì — ngân hàng lớn cho bạn thấy "full picture" của risk management

💡 Lời khuyên "an toàn":

Apply cả 2–3 nơi, chọn nơi nào offer tốt nhất. Namabank nên nằm trong shortlist của bạn, đặc biệt nếu bạn muốn một vị trí mà bạn có thể "lớn lên" cùng công ty thay vì chỉ là một mắt xích nhỏ ở tập đoàn lớn.

Mình chia sẻ thật nhé:

⏰ Giờ giấc

• Giờ hành chính chuẩn: 8h00–17h00, từ T2 đến T6
• Có thể phải ở lại muộn (18h–20h) vào cuối tháng, cuối quý khi có báo cáo NHNN, audit, year-end
• Cấp Manager trở lên thường làm thêm 1–2 giờ/ngày vì họp nhiều
• Làm thứ 7 là hiếm (trừ dự án gấp), không phải văn hóa phổ biến ở QLRR

💪 Áp lực

• Deadline: Có — Basel/IFRS 9 có deadline cố định theo quý/năm
• Audit: Kiểm toán nội kiểm + NHNN kiểm tra định kỳ, có thể gây stress
• Họp nhiều: Trung bình 30–50% thời gian là họp (cross-functional với Tín dụng, IT, Compliance)
• Project-based: Triển khai mô hình mới thường kéo dài 3–6 tháng, có thể nhận nhiều project cùng lúc

🎯 So với vị trí khác trong ngân hàng

• Ít áp lực hơn: Sales, Tín dụng viên, Thu hồi nợ
• Tương đương: Kế toán, Treasury
• Áp lực hơn: Dealer (thị trường), nhân viên chi nhánh

🌟 Phúc lợi tinh thần

• Cân bằng cuộc sống tốt hơn các vị trí ở chi nhánh
• Có thể WFH 1–2 ngày/tuần tùy công ty (Namabank mình không chắc, nhưng xu hướng chung là có)
• Làm việc với dữ liệu, ít giao tiếp khách hàng → phù hợp người hướng nội

📌 Tóm lại: Đây là vị trí khá cân bằng trong ngân hàng, không đến mức "workaholic" nhưng cũng không nhàn.

Có, nhưng cần hiểu rõ scope. JD có đề cập "mô hình AI/ML" trong phần ưu tiên, nên đây là dấu hiệu tốt. Tuy nhiên:

✅ Phù hợp với AI/ML nếu:

• Bạn muốn áp dụng ML vào credit scoring, fraud detection, anti-money laundering
• Bạn thích model governance — đảm bảo AI model dùng đúng cách, fair, không bias
• Bạn chấp nhận phải làm cả mô hình truyền thống (Logistic, Scorecard) trước khi áp dụng ML

⚠️ Hạn chế (nếu so với Data Scientist thuần túy):

• Tại ngân hàng Việt Nam, AI/ML trong risk vẫn còn giai đoạn đầu — nhiều nơi vẫn dùng logistic regression
• Ở ngân hàng vừa như Namabank, có thể bạn sẽ làm cả data engineering + modeling + reporting, không chỉ pure modeling
• Có thể phải chờ đợi approval từ NHNN khi triển khai AI/ML (vì liên quan đến tính giải thích được)

🚀 Lợi thế nếu vào vị trí này:

• Bạn sẽ hiểu nghiệp vụ tài chính — đây là thứ Data Scientist thuần túy thiếu
• Có cơ hội xây dựng AI Risk Framework từ đầu
• Là nền tảng để chuyển sang AI Governance, Model Risk ở các ngân hàng quốc tế sau này

💡 Tip: Khi phỏng vấn, nhấn mạnh rằng bạn quan tâm đến interpretable AI (SHAP, LIME) — đây là từ khóa "hot" trong ngân hàng vì regulators rất quan tâm đến model explainability.