Cv Khoa Học Dữ Liệu - Phòng Phân Tích Dữ Liệu & Ai - Khối Công Nghệ Thông Tin
Mô tả công việc
TRÁCH NHIỆM CHÍNH
1. Phát triển Giải pháp Dữ liệu (Data Solutioning)
Bạn sẽ đóng vai trò tiên phong trong việc thiết kế và triển khai các giải pháp Data Science tiên tiến, tác động trực tiếp đến hiệu quả kinh doanh:
- Thiết kế, phát triển và tối ưu các mô hình Machine Learning/Deep Learning nhằm giải quyết các bài toán kinh doanh phức tạp, gắn chặt với KPI và định hướng chiến lược
- Phát triển các use case như Credit scoring / Risk modeling, Customer segmentation, Recommendation systems, Fraud detection, cross sell/ upsell.
- Xây dựng và mở rộng các giải pháp AI như hệ thống gợi ý, cá nhân hóa và mô hình dự báo nhằm nâng cao trải nghiệm khách hàng và kết quả kinh doanh
- Thúc đẩy việc ứng dụng Machine Learning và Big Data trong các đội nhóm đa chức năng, đưa tư duy dữ liệu vào mọi hành trình khách hàng
- Đảm bảo các sáng kiến Data Science được triển khai linh hoạt, tuân thủ và bám sát mục tiêu kinh doanh, tạo ra giá trị rõ ràng ở quy mô lớn .
2. Khai thác Insight Dữ liệu (Data Insighting)
Bạn sẽ biến dữ liệu thành tài sản chiến lược, giúp tổ chức ra quyết định thông minh hơn:
- Khai thác các insight có giá trị cao từ các tập dữ liệu lớn, đa dạng, phối hợp chặt chẽ với các đơn vị kinh doanh
- Xây dựng framework giám sát mô hình, theo dõi hiệu năng và cải thiện độ chính xác liên tục
- Dẫn dắt các buổi brainstorming liên phòng ban để tìm kiếm cơ hội ứng dụng Data Science vào kinh doanh
- Phối hợp với Data Engineers để thiết kế và triển khai các thuật toán có khả năng mở rộng, nâng cao hiệu suất hệ thống
Nắm vững hệ sinh thái dữ liệu, đảm bảo chất lượng dữ liệu, tính toàn vẹn của mô hình và sự phù hợp với mục tiêu kinh doanh
Phân tích kỹ năng cần có
🎯 Phân tích kỹ năng – Chuyên viên Khoa học Dữ liệu tại Sacombank
Đây là vị trí Data Scientist chuyên sâu trong môi trường ngân hàng — khác với Data Analyst thông thường, ứng viên cần kết hợp năng lực kỹ thuật ML/DL với hiểu biết nghiệp vụ tài chính-ngân hàng. Dưới đây là bảng phân tích chi tiết:
🔧 HARD SKILLS (Kỹ năng cứng)
Nhóm 1: Lập trình & Công cụ nền tảng (Bắt buộc)
| Kỹ năng | Mức độ yêu cầu | Ghi chú |
|---|---|---|
| Python | ★★★★★ | Ngôn ngữ chính cho ML/DL, phải thành thạo pandas, numpy, scikit-learn, TensorFlow/PyTorch |
| SQL | ★★★★★ | Truy vấn dữ liệu lớn từ Data Warehouse, viết ETL |
| R | ★★★ | Có lợi thế cho statistical modeling và credit scoring truyền thống |
| Git/GitHub | ★★★★ | Quản lý code, version control, portfolio cá nhân |
Nhóm 2: Machine Learning / Deep Learning (Cốt lõi)
| Kỹ năng | Mức độ yêu cầu | Áp dụng tại Sacombank |
|---|---|---|
| Supervised Learning (Logistic, XGBoost, Random Forest) | ★★★★★ | Credit scoring, fraud detection |
| Unsupervised Learning (K-means, DBSCAN, Hierarchical) | ★★★★ | Customer segmentation |
| Deep Learning (CNN, RNN, Transformer, LLM) | ★★★★ | Recommendation, NLP chatbot, document AI |
| Time Series Forecasting (ARIMA, Prophet, LSTM) | ★★★★ | Dự báo doanh số, dòng tiền, nợ xấu |
| Recommendation Systems (Collaborative, Content-based) | ★★★★ | Cross-sell/Up-sell sản phẩm ngân hàng |
| Anomaly Detection | ★★★★ | Phát hiện gian lận giao dịch |
| NLP (PhoBERT, Vietnamese tokenization) | ★★★ | Phân tích feedback khách hàng, chatbot |
| MLOps (MLflow, Kubeflow, Airflow) | ★★★ | Triển khai & giám sát model production |
Nhóm 3: Big Data & Hạ tầng
| Kỹ năng | Mức độ yêu cầu |
|---|---|
| Spark / PySpark | ★★★★ |
| Hadoop ecosystem (HDFS, Hive, Kafka) | ★★★ |
| Cloud Platform (AWS/Azure/GCP) | ★★★★ — Ưu tiên AWS SageMaker hoặc Azure ML |
| Data Warehouse (Snowflake, BigQuery, Redshift) | ★★★ |
| Docker, Kubernetes | ★★★ |
Nhóm 4: Trực quan hóa & Kể chuyện dữ liệu
| Kỹ năng | Mức độ yêu cầu |
|---|---|
| Tableau / Power BI | ★★★★ |
| Matplotlib / Seaborn / Plotly | ★★★★ |
| Streamlit / Dash | ★★★ (demo cho stakeholder) |
Nhóm 5: Kiến thức nền tảng (Nền tảng toán - KHÔNG THỂ THIẾU)
- Xác suất thống kê (Probability & Statistics)
- Đại số tuyến tính (Linear Algebra)
- Giải tích tối ưu (Optimization)
- Toán tài chính cơ bản (Time value of money, VaR, PD/LGD/EAD)
---
🌟 SOFT SKILLS (Kỹ năng mềm)
| Kỹ năng | Tại sao quan trọng ở vị trí này? |
|---|---|
| Business Acumen | JD nói rõ: "gắn chặt với KPI và định hướng chiến lược" — phải hiểu ngân hàng kiếm tiền thế nào |
| Storytelling với dữ liệu | Trình bày insight cho ban lãnh đạo, chuyển technical jargon → ngôn ngữ kinh doanh |
| Cross-functional Collaboration | "Phối hợp chặt chẽ với các đơn vị kinh doanh", "brainstorming liên phòng ban" |
| Tư duy phản biện | Đánh giá model, tránh overfitting, hiểu bias của dữ liệu |
| Quản lý dự án | Lead use case từ ideation → production |
| Tiếng Anh | Tài liệu ML chủ yếu bằng tiếng Anh |
---
📜 CHỨNG CHỈ GỢI Ý (Tùy chọn nhưng tạo lợi thế)
| Chứng chỉ | Tổ chức | Ghi chú |
|---|---|---|
| TensorFlow Developer Certificate | Chứng minh năng lực DL | |
| AWS Certified Machine Learning – Specialty | AWS | Cloud ML, rất hot ở VN |
| Databricks Certified ML Professional | Databricks | Spark + ML production |
| Google Data Analytics / Professional Certificate | Coursera | Nền tảng cho người mới |
| SAS Certified Data Scientist | SAS | Truyền thống trong credit scoring ngân hàng |
| Deep Learning Specialization | Coursera (Andrew Ng) | Nền tảng DL chắc |
| Chứng chỉ FRM/CFA | GARP/CFA Institute | Lợi thế lớn nếu muốn làm risk modeling |
---
💡 ĐỀ XUẤT MỨC ĐỘ ƯU TIÊN HỌC (Nếu đang chuẩn bị từ đầu)
```
1. Python + SQL (2-4 tuần)
2. Statistics + ML cơ bản (4-8 tuần)
3. 1 use case ngân hàng (Credit scoring hoặc Fraud) (2-4 tuần)
4. Cloud + MLOps cơ bản (2-3 tuần)
5. Domain knowledge ngân hàng (song song, đọc báo cáo thường niên Sacombank)
```
Chuẩn bị phỏng vấn
🎤 Hướng dẫn phỏng vấn – Data Scientist Sacombank
Quy trình tuyển dụng tại Sacombank (và các ngân hàng lớn ở VN) cho vị trí Data Science thường đi qua 4-5 vòng. Dưới đây là chi tiết từng vòng và câu hỏi hay gặp:
---
📋 QUY TRÌNH CÁC VÒNG (Dự kiến)
Vòng 1: HR Screening (30-45 phút)
- Xác nhận thông tin cơ bản, mức lương mong muốn, thời gian onboard
- Đánh giá mức độ fit với culture Sacombank
Câu hỏi hay gặp:
- Giới thiệu bản thân (60-90 giây, focus vào data + banking)
- Tại sao nghỉ việc / tại sao rời vị trí cũ?
- Mức lương hiện tại + kỳ vọng?
- Bạn biết gì về Sacombank? (Câu này 80% ứng viên trả lời kém!)
- Sẵn sàng làm việc tại HCM không?
Vòng 2: Technical Test (Online hoặc tại chỗ, 60-90 phút)
- Coding test: Python, SQL
- Có thể có bài case study nhỏ (phân tích dataset, build model)
Câu hỏi hay gặp (SQL):
- Tính tổng số dư theo từng chi nhánh trong 30 ngày gần nhất
- Tìm top 10 khách hàng có giá trị giao dịch cao nhất theo tháng
- Window function: tính retention rate khách hàng
Câu hỏi hay gặp (Python/ML):
- Xử lý missing values thế nào trong dataset có 30% missing?
- Sự khác nhau giữa L1 và L2 regularization?
- Khi nào dùng Random Forest vs XGBoost vs Neural Network?
- Data leakage là gì? Cho ví dụ cụ thể trong credit scoring
Vòng 3: Technical Deep Dive (60-90 phút với Senior DS / Lead)
- Đi sâu vào ML theory, statistics, cách giải quyết use case
Câu hỏi chuyên sâu:
- Hãy mô tả end-to-end một project ML bạn đã làm (data → model → deploy → monitor)
- Metrics nào để đánh giá credit scoring model? (AUC, KS, Gini, PSI)
- Làm sao handle imbalanced data trong fraud detection (chỉ có 0.1% gian lận)?
- SHAP value là gì? Tại sao quan trọng trong banking (interpretability)?
- Làm sao monitor model drift trong production?
- A/B testing cho model mới thế nào?
- Feature engineering cho transaction data?
Vòng 4: Business Case (45-60 phút với Head of Data / Business Lead)
- Đánh giá tư duy kinh doanh + khả năng ứng dụng DS vào bài toán thực
Case study mẫu:
> "Sacombank muốn giảm 15% tỷ lệ nợ xấu trong 12 tháng tới. Bạn sẽ dùng Data Science như thế nào?"
> "Thiết kế hệ thống recommendation để tăng cross-sell thẻ tín dụng cho khách hàng hiện hữu"
> "Làm sao phát hiện giao dịch rửa tiền trong thời gian thực?"
Vòng 5: Director/GĐ Khối CNTT (30-45 phút)
- Vision alignment, mức lương final, fit với định hướng
---
👔 DRESS CODE & ĐỊA ĐIỂM
| Vòng | Trang phục |
|---|---|
| HR / Online test | Smart casual (áo polo/sơ mi, quần tây) |
| Technical + Business | Business formal — sơ mi trắng/xanh nhạt, quần tây, giày tây |
| Director round | Business formal chỉn chu hơn, có thể vest |
| Địa điểm | Trụ sở Sacombank — 266-268 Nam Kỳ Khởi Nghĩa, Q.3, TP.HCM (Hội sở) |
---
💎 TIPS "ĐÁNH BAY" PHỎNG VẤN
1. Nghiên cứu Sacombank TRƯỚC: Đọc báo cáo thường niên, bài báo về chiến lược chuyển đổi số của Sacombank trong 1 năm gần nhất
2. Mang theo portfolio: GitHub + slide PDF 3-5 case studies (Credit scoring, Fraud, Customer segmentation)
3. Chuẩn bị câu hỏi ngược:
- "Hiện tại team đang dùng stack công nghệ gì?"
- "Use case ML nào đang ưu tiên trong quý tới?"
- "Cơ hội publish paper/research không ạ?"
4. Dùng STAR framework (Situation-Task-Action-Result) cho mọi câu hỏi behavioral
5. Tôn trọng ngân hàng: Tránh dùng từ ngữ "hack", "crush data" — dùng "phân tích", "khai thác insight", "tối ưu"
6. Mang theo kết quả định lượng: "Giúp tăng 23% conversion rate", "giảm 40% false positive trong fraud detection"
Lộ trình ôn thi
📚 Lộ trình ôn tập & Chuẩn bị trong 2 tuần
Dành cho người đã có nền tảng Python + ML cơ bản. Nếu bạn là fresher, hãy kéo dài thành 6-8 tuần.
---
📅 LỘ TRÌNH 14 NGÀY
🔰 Ngày 1-3: Nền tảng Python + SQL cho Data Science
- Làm: Code lại các thao tác pandas (groupby, merge, pivot), viết SQL với window function
- Tài liệu:
- "Python for Data Analysis" – Wes McKinney (sách gốc pandas)
- SQLZoo + HackerRank SQL (medium level)
- Kaggle micro-course: Pandas, SQL
🔰 Ngày 4-6: Statistics & ML Theory
- Làm: Ôn lại bias-variance tradeoff, cross-validation, regularization, ensemble methods
- Tài liệu:
- "Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow" – Aurélien Géron (CHÉN THÁNH!)
- "An Introduction to Statistical Learning" (ISLR) – miễn phí PDF online
- Andrew Ng — Machine Learning Specialization (Coursera)
🔰 Ngày 7-9: Use case ngân hàng cụ thể
- Làm: Build 1 project Credit Scoring trên Kaggle (dataset "Give Me Some Credit" hoặc "Home Credit Default Risk")
- Metrics cần hiểu: AUC-ROC, KS statistic, Gini coefficient, PSI (Population Stability Index)
- Bonus: Đọc paper "Credit Scoring with Machine Learning" — rất nhiều trên arXiv
- Tài liệu tham khảo:
- Kaggle: "Credit Card Fraud Detection" dataset (241M transactions)
- Tài liệu Basel II/III về IRB approach (tìm trên BIS.org)
🔰 Ngày 10-11: Deep Learning & Time Series
- Làm: Build 1 LSTM để forecast customer churn, hoặc 1 Autoencoder cho anomaly detection
- Tài liệu:
- Fast.ai course (miễn phí, thực hành nhiều)
- "Deep Learning for Time Series Forecasting" — Jason Brownlee
🔰 Ngày 12-13: MLOps & Triển khai
- Làm: Học cơ bản Docker, deploy 1 model Flask/Streamlit lên AWS/GCP
- Tài liệu:
- Made With ML — MLOps course (miễn phí)
- MLflow documentation
🔰 Ngày 14: Mock Interview + Review
- Làm: Tự record giọng trả lời 5 câu hỏi behavioral + technical
- Đọc: Báo cáo thường niên Sacombank 2024, các bài báo về chiến lược ngân hàng số
---
📖 TÀI LIỆU THAM KHẢO "CHÉN THÁNH"
Sách MUST-READ
1. "Hands-On Machine Learning" – Aurélien Géron (bản 3, 2023)
2. "Designing Machine Learning Systems" – Chip Huyen (2022) — rất phù hợp production
3. "Storytelling with Data" – Cole Nussbaumer Knaflic — bắt buộc cho presentation
4. "Machine Learning Engineering" – Andriy Burkov (free PDF online)
Khóa học online (có chứng chỉ)
- Coursera: Deep Learning Specialization (Andrew Ng)
- Coursera: Machine Learning Engineering for Production (MLOps)
- Udemy: Python for Data Science and Machine Learning Bootcamp
- DataCamp: Data Scientist with Python track
Cộng đồng & Blog Việt Nam
- Viblo.vn — bài về ML/DL có chất lượng
- VinhAI (Nguyễn Văn Vinh) — paper/research về NLP tiếng Việt
- Group Facebook: "Data Science Vietnam", "AI & Machine Learning Vietnam"
- Kênh YouTube: "Trực quan hóa dữ liệu" — phù hợp người mới
Kaggle competitions để thực hành
- "Home Credit Default Risk" — Credit scoring cổ điển
- "IEEE-CIS Fraud Detection" — Fraud detection
- "Santander Customer Transaction Prediction" — Customer segmentation
- "Instacart Market Basket Analysis" — Recommendation
---
🎯 KIẾN THỨC NGÂHÀNG CẦN BIẾT
| Chủ đề | Tài liệu |
|---|---|
| Basel II/III, IRB | BIS.org documents |
| PD, LGD, EAD, RWA | Moody's Analytics resources |
| CIC (Trung tâm Thông tin Tín dụng Quốc gia) | Thông tư 10/2019 NHNN |
| Anti-Money Laundering | Luật phòng chống rửa tiền 2017, AML/CFT |
| Customer Lifetime Value (CLV) | Marketing ngân hàng |
| Open Banking, PSD2 (EU) | Xu hướng quốc tế |
---
✅ CHECKLIST CUỐI NGÀY 14
- [ ] Đã code lại được Logistic Regression, XGBoost, Random Forest từ đầu
- [ ] Có 1 project Credit Scoring trên GitHub với AUC > 0.75
- [ ] Có 1 project Fraud Detection trên GitHub
- [ ] Biết giải thích AUC, Precision-Recall trade-off
- [ ] Đọc xong báo cáo thường niên Sacombank
- [ ] Có 1 slide deck 5-7 trang giới thiệu bản thân + portfolio
- [ ] Đã practice SQL 20-30 câu trên HackerRank
Tư vấn nghề nghiệp
🚀 Lời khuyên sự nghiệp – Data Scientist trong ngân hàng
📈 LỘ TRÌNH THĂNG TIẾN
```
Fresher/Junior DS (0-2 năm)
↓ Mức lương: 15-25 triệu VNĐ/tháng
↓ Học: code clean, statistics, ML cơ bản, domain ngân hàng
↓
Data Scientist (2-4 năm)
↓ Mức lương: 28-50 triệu VNĐ/tháng
↓ Học: MLOps, cloud, advanced ML, leadership nhỏ
↓
Senior Data Scientist (4-7 năm)
↓ Mức lương: 50-90 triệu VNĐ/tháng
↓ Học: kiến trúc hệ thống, mentoring, business strategy
↓
Lead/Principal DS (7-10 năm)
↓ Mức lương: 90-180 triệu VNĐ/tháng
↓ Học: people management, budgeting, vision
↓
Head of Data Science / CDO (10+ năm)
↓ Mức lương: 150-400+ triệu VNĐ/tháng + ESOP (nếu fintech)
```
💰 MỨC LƯƠNG KỲ VỌNG THEO CẤP BẬC (Thị trường VN 2025)
| Cấp bậc | Sacombank / Ngân hàng TMCP | Fintech (MoMo, ZaloPay) | Big Tech VN (VinAI, FPT.AI) |
|---|---|---|---|
| Fresher | 12-20M | 18-30M | 20-35M |
| DS (2-4 năm) | 28-50M | 40-70M | 50-80M |
| Senior DS | 50-90M | 70-130M | 100-160M |
| Lead/Manager | 80-150M | 130-200M | 150-250M |
| Head/CDO | 150-300M+ | 200-500M+ | 250-500M+ |
Lưu ý quan trọng: Ngân hàng thường trả ổn định + đãi ngộ tốt (BHXH đầy đủ, thưởng Tết 2-6 tháng lương, voucher, gym, du lịch), nhưng fintech/startup trả cao hơn 30-50% nhưng ít ổn định hơn. Đây là sự cân nhắc tùy giai đoạn cuộc đời.
🔮 KỸ NĂNG CẦN PHÁT TRIỂN ĐỂ THĂNG TIẾN
1-2 năm tới (Mid-level)
- LLM & Generative AI: GPT, Claude, fine-tuning cho tiếng Việt — xu hướng không thể tránh khỏi
- MLOps chuyên sâu: CI/CD cho ML, monitoring, drift detection
- Real-time ML: Kafka + streaming ML, low-latency fraud detection
- Explainable AI (XAI): SHAP, LIME — bắt buộc khi làm việc với NHNN
3-5 năm tới (Senior)
- Federated Learning & Privacy-preserving ML — quan trọng cho ngân hàng
- Causal Inference — vượt xa correlation, để đưa ra quyết định đúng
- Graph Neural Networks — phát hiện fraud ring, money laundering network
- Knowledge of Risk Management Frameworks (Basel, IFRS9)
5+ năm tới (Leadership)
- Data Strategy & Governance
- AI Ethics & Responsible AI
- Public Speaking & Thought Leadership
- Budget & Vendor Management
---
💡 LỜI KHUYÊN THỰC CHIẾN
1. Đừng chỉ làm ML — hãy hiểu NGÂN HÀNG. Data Scientist giỏi nhất trong ngân hàng là người hiểu rõ "tại sao" trước khi build model.
2. Học tiếng Việt NLP sâu. Đây là lợi thế cạnh tranh rất lớn — Việt Nam đang thiếu chuyên gia NLP tiếng Việt.
3. Build reputation trong cộng đồng. Viết blog, nói ở meetup, đăng paper — sẽ giúp ích rất nhiều khi negotiate lương.
4. Đừng bỏ qua Big 4 ngân hàng (Vietcombank, VietinBank, BIDV, Agribank) — họ đang đẩy mạnh chuyển đổi số, cơ hội rất lớn cho DS.
5. Cân nhắc Master/PHD nếu muốn đi xa. Nhiều vị trí CDO yêu cầu PHD hoặc Master ở các trường top.
6. Certifications ≠ Career. Chứng chỉ giúp qua vòng HR, nhưng project thực tế + GitHub mới giúp bạn thăng tiến.
7. Network là vàng. Tham gia Vietnam Data Science Forum, Kaggle Days, AI4VN — networking mở ra cơ hội bạn không ngờ.
Câu hỏi thường gặp
Em là sinh viên năm cuối ngành Khoa học Dữ liệu, chưa có kinh nghiệm đi làm. Em có nên apply vị trí này không, hay cần đi làm ở công ty nhỏ trước?
Hoàn toàn có thể apply! Sacombank (và nhiều ngân hàng lớn) có chương trình tuyển fresher cho vị trí DS. Để tăng cơ hội: (1) Có 2-3 project trên GitHub — đặc biệt là 1 project liên quan finance/banking (credit scoring, fraud detection); (2) Điểm GPA tốt (≥3.0/4.0); (3) Tham gia Kaggle competitions; (4) Thực tập tại các công ty có data trước khi tốt nghiệp — kể cả startup nhỏ cũng được. Không nhất thiết phải "làm ở chỗ nhỏ trước" — quan trọng là bạn chứng minh được năng lực qua portfolio.
Tôi đang làm BA (Business Analyst) 3 năm ở ngân hàng khác, muốn chuyển sang làm Data Scientist. Khả thi không và cần chuẩn bị gì?
Hoàn toàn khả thi, thậm chí bạn có lợi thế lớn vì đã hiểu ngân hàng! Khoảng cách BA → DS không xa như bạn nghĩ. Bạn cần: (1) Luyện Python + SQL chuyên sâu trong 2-3 tháng (BA thường chỉ dùng SQL, cần bổ sung Python); (2) Học ML cơ bản qua khóa Andrew Ng hoặc Hands-On ML book; (3) Build 2-3 project có business context ngân hàng (credit risk, churn); (4) Tận dụng kinh nghiệm BA — đó là điểm cộng cực lớn vì JD nói rõ "gắn chặt với KPI kinh doanh". Nhiều người chuyển từ BA → DS thành công chỉ trong 6-12 tháng chuẩn bị.
Mức lương cho vị trí CV Khoa Học Dữ Liệu tại Sacombank khoảng bao nhiêu? Tôi có 3 năm kinh nghiệm ML ở fintech.
Với 3 năm kinh nghiệm ML, mức kỳ vọng hợp lý là 45-70 triệu VNĐ/tháng (gross). Tuy nhiên cần điều chỉnh: (1) Ngân hàng thường trả thấp hơn fintech 15-25%, nhưng bù lại có đãi ngộ ổn định, thưởng Tết 2-6 tháng lương, BHXH đầy đủ; (2) Nếu bạn có kinh nghiệm credit scoring/fraud detection thực tế, có thể đẩy lên 70-85 triệu; (3) Nên deal dựa trên value bạn mang lại — VD: "Tôi từng giúp fintech X tăng 18% conversion qua recommendation system"; (4) Đừng chỉ focus lương cash — hỏi về budget cho khóa học, conference, equipment, làm việc hybrid. Lưu ý: tin này ghi "Thỏa thuận" nên bạn hoàn toàn có không gian để negotiate.
Tôi đã làm Senior Data Scientist 5 năm ở nước ngoài, muốn về VN làm việc. Cơ hội và thử thách tại Sacombank như thế nào?
Cơ hội rất tốt! Các ngân hàng lớn ở VN đang rất cần người có kinh nghiệm quốc tế để nâng cấp đội ngũ. Bạn sẽ mang lại best practices về MLOps, governance, experimentation. Tuy nhiên cần chuẩn bị: (1) Điều chỉnh kỳ vọng lương — ở VN Senior DS top có thể trả 80-150 triệu, có thể thấp hơn salary bạn đang có ở nước ngoài nhưng cost of life cũng khác; (2) Chấp nhận data quality thấp hơn, hệ thống legacy nhiều hơn — đây là thử thách thực sự; (3) Data ở VN banking thường fragmented, nhiều silo, sẽ tốn thời gian clean; (4) Bù lại: bạn sẽ có impact lớn vì VN đang trong giai đoạn đầu của AI transformation trong banking. Đây là thời điểm rất tốt để về.
Tôi thấy JD không ghi rõ yêu cầu cụ thể (kinh nghiệm, bằng cấp). Điều này có nghĩa là gì? Có nên apply không?
JD không ghi yêu cầu cụ thể có thể do: (1) Phòng HR đăng lại nhưng quên đính kèm yêu cầu (lỗi thường gặp); (2) Đây là vị trí "Senior/Lead" nên họ muốn ứng viên tự đánh giá fit; (3) Họ đang casting rộng để chọn người xuất sắc nhất. Bạn vẫn NÊN apply — nhưng hãy đọc kỹ phần mô tả công việc (nó rất chi tiết về use case ML/DL), đó mới là yêu cầu thực sự. Lời khuyên: trong CV cover letter, hãy explicitly map kinh nghiệm của bạn với từng use case được liệt kê (credit scoring, fraud detection, recommendation, segmentation). Điều này sẽ tạo ấn tượng rất mạnh với hiring manager.
Trong vòng phỏng vấn business case, nếu tôi không biết sản phẩm ngân hàng cụ thể của Sacombank thì sao? Có cách nào chuẩn bị nhanh không?
Hoàn toàn chuẩn bị được trong 1-2 ngày! Hãy: (1) Đọc báo cáo thường niên Sacombank 2024 (có trên website Quan hệ cổ đông); (2) Vào website Sacombank → mục Sản phẩm → đọc về thẻ tín dụng, vay tiêu dùng, tiết kiệm, bảo hiểm; (3) Đọc 5-10 bài báo gần nhất về Sacombank trên CafeF, Vietstock; (4) Tải app Sacombank để trải nghiệm như khách hàng — đây là "data" cực kỳ giá trị; (5) Hỏi bạn bè đang làm ở Sacombank về văn hóa, công nghệ họ đang dùng. Trong buổi phỏng vấn, nếu không biết chi tiết, hãy nói thẳng và đề xuất cách bạn sẽ approach: "Tôi chưa có data nội bộ, nhưng nếu được cấp data, tôi sẽ bắt đầu bằng việc phân tích hành vi khách hàng 6 tháng gần nhất..." — điều này cho thấy tư duy có cấu trúc.
Sau 2-3 năm làm Data Scientist tại Sacombank, tôi có thể nhảy sang các vị trí nào?
Rất nhiều lựa chọn! (1) Senior DS ở các ngân hàng khác (Techcombank, VPBank, MB đang săn đón DS có kinh nghiệm banking); (2) Head of Data Science hoặc CDO tại fintech (MoMo, ZaloPay, Timo); (3) AI Research Lead tại Big Tech VN (VinAI, FPT.AI, Zalo AI); (4) Consultant tại McKinsey/Bain về AI transformation cho financial services; (5) Khởi nghiệp fintech của riêng bạn — sau 2-3 năm hiểu sâu banking + AI, bạn có đủ insight để build startup; (6) Data Science Manager tại các tập đoàn lớn ngoài banking (VinGroup, FPT). Lưu ý: kinh nghiệm banking DS là "gold" vì data ngân hàng cực kỳ phức tạp và đa dạng — sau khi trải qua bạn có thể làm được ở bất kỳ industry nào.
KPI cho Data Scientist tại ngân hàng thường đo lường thế nào? Có áp lực doanh số không?
DS ở ngân hàng KHÔNG bị áp lực doanh số trực tiếp như sales, nhưng KPI thường gồm: (1) Business impact metrics — mô hình của bạn giúp tăng bao nhiêu % conversion, giảm bao nhiêu % fraud, tăng bao nhiêu điểm Gini cho credit model; (2) Model performance — AUC, precision/recall, drift metrics; (3) Delivery — số use case hoàn thành trong quý, thời gian từ ideation → production; (4) Adoption — bao nhiêu team business thực sự dùng model của bạn; (5) Quality & Governance — bao nhiêu model audit pass, tuân thủ NHNN. Đây là điểm hay của DS — bạn có impact rõ ràng nhưng không phải đi "chạy KPI" mỗi ngày. Tuy nhiên, nếu model không ai dùng → bạn fail. Nên communication với business là cực kỳ quan trọng.