Toàn thời gian 10 chỉ tiêu

Mô tả công việc

• Thực hiện các nhiệm vụ phân tích dữ liệu nâng cao • Thu thập và làm sạch dữ liệu • Phân tích dữ liệu bằng các công cụ và thuật toán tiên tiến • Xây dựng mô hình dữ liệu và ứng dụng • Đánh giá hiệu quả của các mô hình và ứng dụng • Lập kế hoạch và thực hiện các dự án phân tích dữ liệu vừa và nhỏ • Hỗ trợ các thành viên cấp cao trong nhóm và bộ phận kinh doanh trong việc sử dụng dữ liệu để giải quyết các vấn đề • Khám phá các kỹ thuật và công cụ mới để giải quyết vấn đề dữ liệu • Tìm hiểu cách truyền đạt kết quả dữ liệu một cách hiệu quả cho các đối tác kinh doanh • Hỗ trợ thực hiện các phương pháp phân tích với sự hướng dẫn của nhóm cấp cao • Tiếp xúc với việc xây dựng giả thuyết và kỹ thuật tính năng • Tham gia các buổi đào tạo và hội thảo về khoa học dữ liệu

Yêu cầu ứng viên

• Trên 2 năm kinh nghiệm trong lĩnh vực khoa học dữ liệu hoặc các vai trò liên quan • Khả năng áp dụng các kỹ thuật khoa học dữ liệu trên các tập dữ liệu quy mô lớn, bao gồm máy học để phân cụm, phân loại, hồi quy và phát hiện bất thường, cũng như các kỹ thuật tối ưu hóa hoặc mô phỏng cho các vấn đề quy định • Khả năng áp dụng các kỹ thuật khoa học dữ liệu trên các tập dữ liệu quy mô lớn, bao gồm máy học để phân cụm, phân loại, hồi quy và phát hiện bất thường, cũng như các kỹ thuật tối ưu hóa hoặc mô phỏng cho các vấn đề quy định • Thể hiện khả năng đúc kết thông tin chuyên sâu mới thông qua hợp nhất và biến đổi các tập dữ liệu nội bộ và bên ngoài • Trước đây đã tham gia vào việc triển khai, giám sát, bảo trì và nâng cao các mô hình dữ liệu • Quen thuộc với các công nghệ cơ sở dữ liệu cloud (ví dụ: AWS, Azure, Google Cloud) và kinh nghiệm cơ bản về phát triển các giải pháp hạ tầng và dịch vụ điện toán đám mây trong miền dữ liệu và phân tích Trình độ chuyên môn • Yêu cầu có bằng cử nhân, ưu tiên trong lĩnh vực khoa học dữ liệu, khoa máy học tính, kỹ thuật, toán học, thống kê, hoặc các lĩnh vực liên quan. Bằng thạc sĩ là một điểm cộng.

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cần thiết cho Data Scientist tại VietinBank ### 🔧 Hard Skills bắt buộc | Nhóm kỹ năng | Yêu cầu chi tiết | Mức độ ưu tiên | |---|---|---| | **Machine Learning** | Phân cụm (clustering), phân loại (classification), hồi quy (regression), phát hiện bất thường (anomaly detection) | ⭐⭐⭐ Bắt buộc | | **Data Processing** | Thu thập, làm sạch, biến đổi dữ liệu từ nhiều nguồn nội bộ & bên ngoài | ⭐⭐⭐ Bắt buộc | | **Cloud Platform** | AWS, Azure hoặc Google Cloud Platform | ⭐⭐⭐ Bắt buộc | | **Database** | Kiến thức cơ sở dữ liệu cloud, SQL nâng cao | ⭐⭐⭐ Bắt buộc | | **Model Deployment** | Triển khai, giám sát, bảo trì, nâng cao mô hình | ⭐⭐⭐ Bắt buộc | | **Optimization/Simulation** | Kỹ thuật tối ưu hóa và mô phỏng cho bài toán quy định (regulatory) | ⭐⭐ Cần thiết | ### 📚 Ngôn ngữ & Công cụ lập trình cần thành thạo - **Python** (ưu tiên): pandas, numpy, scikit-learn, TensorFlow/PyTorch, XGBoost - **R** (là điểm cộng): ggplot2, caret, tidymodels - **SQL**: truy vấn phức tạp, window functions, CTE - **Big Data Tools**: Spark, Hadoop (là điểm cộng) - **Visualization**: Tableau, Power BI, matplotlib/seaborn - **MLOps**: Docker, Git, CI/CD cho model deployment ### 🎯 Soft Skills quan trọng - **Kỹ năng giao tiếp**: truyền đạt kết quả phân tích cho đối tác kinh doanh (data storytelling) - **Khả năng học hỏi**: chủ động khám phá kỹ thuật/công cụ mới - **Tư duy giải quyết vấn đề**: đặt giả thuyết, xây dựng feature engineering - **Làm việc nhóm**: hỗ trợ cấp cao, phối hợp với bộ phận kinh doanh - **Quản lý dự án**: lập kế hoạch và thực hiện dự án vừa và nhỏ ### 📜 Chứng chỉ gợi ý | Chứng chỉ | Nền tảng | Lợi ích | |---|---|---| | AWS Certified Data Analytics | AWS | Phù hợp yêu cầu cloud của VietinBank | | Google Professional Data Engineer | GCP | Điểm cộng mạnh | | Microsoft Azure Data Scientist Associate | Azure | Phù hợp môi trường enterprise | | Databricks Certified Data Engineer | Databricks | Xử lý big data ngân hàng | | CFA/FRM | Nếu muốn chuyên sâu fintech | Bổ sung kiến thức tài chính ngân hàng | ### 📊 So sánh yêu cầu vị trí Data Scientist trong ngành ngân hàng | Tiêu chí | VietinBank (CV) | VPBank | TPBank | Mức chung thị trường | |---|---|---|---|---| | Kinh nghiệm | >2 năm | 1-3 năm | 2-5 năm | 1-3 năm (junior) | | Yêu cầu Cloud | Có (AWS/Azure/GCP) | Thường có | Ít yêu cầu | Tùy ngân hàng | | ML thực hành | Bắt buộc | Bắt buộc | Bắt buộc | Bắt buộc | | Bằng cấp | Cử nhân (ưu tiên ThS) | Cử nhân | Cử nhân | Cử nhân | | Chứng chỉ Cloud | Điểm cộng | Điểm cộng | Không yêu cầu | Tùy vị trí | **Nhận xét**: VietinBank yêu cầu cloud platform rõ ràng hơn nhiều ngân hàng khác — đây là điểm khác biệt đáng chú ý, cho thấy họ đang đầu tư mạnh vào hạ tầng cloud cho data platform.

Chuẩn bị phỏng vấn

## Hướng dẫn phỏng vấn Data Scientist tại VietinBank ### 📋 Quy trình phỏng vấn dự kiến **Vòng 1 — Sàng lọc HR (30-45 phút)** - Gọi điện hoặc online qua Zoom/Google Meet - Xác nhận thông tin cá nhân, kinh nghiệm - Đánh giá động lực, mong muốn phát triển - Một số câu hỏi behavioral cơ bản **Vòng 2 — Technical Interview (45-60 phút)** - Phỏng vấn kỹ thuật với Data Scientist/Team Lead - Kiểm tra kiến thức ML, xử lý dữ liệu - Có thể có bài test thực hành (take-home assignment hoặc live coding) - Case study liên quan đến nghiệp vụ ngân hàng **Vòng 3 — Vòng cuối / Manager Interview (30-45 phút)** - Phỏng vấn với Trưởng phòng hoặc lãnh đạo Trung tâm Data & AI - Thảo luận về chiến lược, định hướng phát triển - Đàm phán lương và phúc lợi --- ### ❓ Câu hỏi thường gặp theo từng vòng **Vòng 1 — HR Screen:** 1. Bạn có kinh nghiệm làm việc với dữ liệu quy mô lớn như thế nào? Datasets bao nhiêu records? 2. Tại sao bạn muốn chuyển từ [ngành hiện tại] sang Data Science tại ngân hàng? 3. Bạn biết gì về chiến lược chuyển đổi số của VietinBank? 4. Mức lương kỳ vọng của bạn là bao nhiêu? 5. Bạn có thể làm việc tại Hà Nội và có thể đi công tác không? **Vòng 2 — Technical Interview:** 1. Giải thích sự khác nhau giữa Random Forest và Gradient Boosting (XGBoost/LightGBM)? Khi nào dùng cái nào? 2. Làm thế nào để xử lý imbalanced dataset trong bài toán fraud detection? 3. Mô tả quy trình xây dựng một mô hình ML từ đầu đến cuối (end-to-end)? 4. Overfitting và underfitting là gì? Cách khắc phục? 5. Bạn đã triển khai (deploy) mô hình nào lên production chưa? Công cụ gì? 6. SQL: viết query tính tỷ lệ khách hàng có phát sinh giao dịch theo từng tháng trong 12 tháng gần nhất? 7. Feature engineering: bạn tạo features mới từ dữ liệu thô như thế nào? 8. Explainability: làm sao giải thích kết quả mô hình cho người không có nền tảng kỹ thuật? **Vòng 3 — Manager/Leadership:** 1. Bạn thấy Data Science có vai trò gì trong chiến lược phát triển của VietinBank 5 năm tới? 2. Kể về một dự án data mà bạn tự hào nhất. Kết quả kinh doanh cụ thể là gì? 3. Bạn sẽ ưu tiên giải quyết vấn đề data nào đầu tiên nếu được nhận vào đây? 4. Bạn muốn phát triển theo hướng Technical Expert hay Manager? --- ### 💡 Tips chuẩn bị đặc biệt cho VietinBank 1. **Tìm hiểu về Trung tâm Data & AI**: VietinBank đã công bố chiến lược chuyển đổi số mạnh mẽ, đầu tư vào AI/ML cho credit scoring, fraud detection, customer analytics. Tìm hiểu các dự án đã được công khai. 2. **Chuẩn bị case study ngân hàng**: - Credit scoring model - Fraud detection system - Customer segmentation - Anti-money laundering (AML) - Risk-adjusted return modeling 3. ** Ôn tập MLOps cơ bản**: VietinBank nhấn mạnh triển khai, giám sát, bảo trì mô hình — hãy thể hiện bạn hiểu CI/CD cho ML, model versioning, monitoring production models. 4. **Chuẩn bị portfolio/case studies**: Nếu có, hãy mang theo documentation của các dự án đã làm, kết quả đo lường (metrics) cụ thể. --- ### 👔 Dress Code - **Business casual** (áo sơ mi + quần âu/quần khaki) - Không cần vest cầu kỳ nhưng vẫn chỉnh tề, chuyên nghiệp - Tránh trang phục quá đơn giản (áo phông, jeans)

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho vòng phỏng vấn Data Scientist VietinBank ### 📖 Kiến thức nền tảng cần ôn tập (Lộ trình 1-2 tuần) #### Tuần 1 — Củng cố Machine Learning & Data Processing **Ngày 1-2: Supervised Learning (phần 1)** - Linear/Logistic Regression: công thức, assumptions, regularization (L1/L2) - Decision Trees, Random Forest - Đọc: *Hands-On Machine Learning* (Aurélien Géron) — Chương 3-8 **Ngày 3-4: Supervised Learning (phần 2) & Model Evaluation** - XGBoost, LightGBM, CatBoost: nguyên lý, hyperparameters quan trọng - Cross-validation, AUC-ROC, F1-score, Precision-Recall - Overfitting vs. underfitting, bias-variance tradeoff - Đọc: Kaggle course — "Machine Learning Explanations" **Ngày 5: Unsupervised Learning & Anomaly Detection** - K-means, DBSCAN, Hierarchical clustering - Isolation Forest, One-Class SVM cho anomaly detection - PCA, t-SNE cho dimensionality reduction **Ngày 6-7: SQL & Data Manipulation** - Window functions (ROW_NUMBER, RANK, LAG, LEAD) - CTEs, subqueries, JOINs phức tạp - Practice: LeetCode Medium SQL, HackerRank SQL #### Tuần 2 — Cloud, MLOps & Business Context **Ngày 8-9: Cloud Platform (AWS/Azure/GCP)** - AWS: S3, Redshift, SageMaker, Glue, Athena - Azure: Data Factory, Synapse, Azure ML - GCP: BigQuery, Vertex AI, Dataflow - Chọn MỘT nền tảng để deep-dive (recommend AWS hoặc Azure) **Ngày 10-11: MLOps & Model Deployment** - MLflow, Kubeflow (cơ bản) - Docker cơ bản: build image, run container - Model monitoring: data drift, model drift, performance tracking - CI/CD cơ bản cho ML pipeline **Ngày 12-13: Business Context — Ngân hàng** - Credit scoring: PD, LGD, EAD, Expected Loss - Fraud detection: transaction monitoring, rule-based vs ML - Customer lifetime value (CLV) modeling - Basel II/III regulatory requirements (cơ bản) - VietinBank digital transformation strategy (đọc báo cáo thường niên) **Ngày 14: Tổng ôn + Mock Interview** - Ôn lại toàn bộ checklist - Practice trả lời câu hỏi behavioral - Làm 1-2 bài SQL practice - Review lại các dự án trong portfolio --- ### 📚 Tài liệu tham khảo | Loại | Tài liệu | Ghi chú | |---|---|---| | **Sách** | Hands-On Machine Learning (Géron) | Toàn diện, practice-oriented | | **Sách** | Data Science for Business (Provost & Fawcett) | Data storytelling, business context | | **Sách** | The Elements of Statistical Learning (Hastie et al.) | Nền tảng lý thuyết ML | | **Online** | Kaggle Learn | Free, cực kỳ hữu ích | | **Online** | Fast.ai Course | Practical deep learning | | **Online** | AWS/Azure/GCP Free Tier | Thực hành cloud thực tế | | **Tiếng Việt** | VietinBank Investor Relations | Hiểu chiến lược doanh nghiệp | | **Tiếng Việt** | Trang tapchicongnghe.vn | Tin tức fintech Việt Nam | --- ### 🔬 Chuẩn bị Technical Take-Home Test (nếu có) Nhiều ngân hàng yêu cầu bài test thực hành. Chuẩn bị sẵn: - Python environment: Jupyter Notebook, virtual environment - Sample dataset để practice EDA - Template code để train/evaluate model - PowerPoint/report template để present kết quả - Time management: thường test có deadline 24-48 giờ

Tư vấn nghề nghiệp

## Lời khuyên sự nghiệp cho Data Scientist tại VietinBank ### 🚀 Lộ trình thăng tiến điển hình ``` CV (Chuyên Viên) Data Scientist (0-3 năm kinh nghiệm) ↓ CVC (Chuyên Viên Chính) Senior Data Scientist (3-5 năm) ↓ CVCC (Chuyên Viên Chính Cao) Lead Data Scientist / Team Lead (5-7 năm) ↓ Quản lý/Trưởng nhóm Data Science / Head of Data Science (7-10 năm) ``` **Tại VietinBank cụ thể:** - **CV**: Thực hiện nhiệm vụ phân tích dưới sự hướng dẫn, hỗ trợ mô hình có sẵn - **CVC**: Chủ động xây dựng mô hình mới, mentor CV, tham gia review - **CVCC**: Dẫn dắt dự án, đưa ra architectural decisions, có thể quản lý team nhỏ --- ### 💰 Mức lương kỳ vọng theo cấp bậc (tham khảo thị trường Hà Nội 2024-2025) | Cấp bậc | Kinh nghiệm | Lương tháng (VND) | Ghi chú | |---|---|---|---| | CV Data Scientist | 0-2 năm | 18-30 triệu | Fresher có thể thấp hơn | | CV Data Scientist | 2-3 năm | 25-40 triệu | Mức thị trường phổ biến | | CVC Senior DS | 3-5 năm | 35-60 triệu | Tăng mạnh nếu có chứng chỉ | | CVCC Lead DS | 5-7 năm | 55-90 triệu | Có quản lý team | | Head/Manager | 7+ năm | 80-150 triệu | Tùy quy mô ngân hàng | **Lưu ý:** VietinBank là ngân hàng thương mại nhà nước lớn — lương base có thể thấp hơn fintech nhưng bù lại bằng cấp (hệ số lương, phụ cấp, bảo hiểm cao cấp, thưởng Tết, lương tháng 13). --- ### 🎯 Kỹ năng cần phát triển thêm để thăng tiến **Ngắn hạn (1-2 năm đầu):** - Thành thạo cloud platform (ưu tiên AWS vì phổ biến nhất trong ngành ngân hàng VN) - Hoàn thành chứng chỉ cloud (AWS Data Analytics hoặc tương đương) - Xây dựng portfolio với 2-3 case studies có kết quả cụ thể - Học thêm về domain knowledge: nghiệp vụ tín dụng, quản trị rủi ro **Trung hạn (3-5 năm):** - Chuyên sâu một lĩnh vực: credit risk modeling, fraud detection, customer analytics - Phát triển kỹ năng MLOps: tự động hóa pipeline, model monitoring - Kỹ năng giao tiếp với business stakeholders (data storytelling) - Bằng Thạc sĩ liên quan (nếu chưa có) - Quản lý dự án nhỏ, mentor Fresher **Dài hạn (5+ năm):** - System design: thiết kế kiến trúc data platform tổng thể - Đội ngũ quản lý: tuyển dụng, phát triển, đánh giá performance - Chiến lược: lên kế hoạch roadmap data science cho toàn ngân hàng - Network: tham gia hội thảo, cộng đồng data science Việt Nam --- ### ⚠️ Cân nhắc quan trọng **Ưu điểm khi vào VietinBank:** - Thương hiệu lớn, ổn định, cơ hội học hỏi quy mô data ngân hàng - Môi trường chính thức, quy trình bài bản (phù hợp người mới vào nghề) - Đào tạo nội bộ, cơ hội chuyển đổi vị trí trong tập đoàn - Phúc lợi theo chế độ nhà nước: bảo hiểm cao, thưởng, phép **Thách thức:** - Tốc độ đổi mới có thể chậm hơn fintech/startup - Quy trình phê duyệt có thể nhiều bước hơn - Lương cạnh tranh không cao bằng các công ty fintech/công nghệ **Lời khuyên:** Đây là bước đệm tốt nếu bạn muốn học cách vận hành data platform quy mô lớn trong ngành tài chính. Sau 2-3 năm, bạn có thể chuyển sang vị trí cao hơn trong ngân hàng khác hoặc fintech với mức lương tăng 30-50%.

Câu hỏi thường gặp

Em mới tốt nghiệp chưa có kinh nghiệm, có nên ứng tuyển vị trí Data Scientist ở VietinBank không?

Hoàn toàn có thể! Tin tuyển dụng ghi 'ưu tiên' kinh nghiệm nhưng thực tế nhiều bạn mới ra trường có portfolio tốt, chứng chỉ cloud, và kiến thức ML vững vẫn được nhận. Điều quan trọng là bạn cần: (1) có project cá nhân/demo trên GitHub/Kaggle với kết quả rõ ràng, (2) chứng chỉ AWS/GCP/Azure, (3) hiểu cách ML được áp dụng trong ngân hàng (credit scoring, fraud detection). Nếu bạn tự tin về kỹ năng kỹ thuật, hãy ứng tuyển — worst case họ gợi ý vị trí khác phù hợp hơn.

Mức lương thực tế cho Data Scientist mới vào VietinBank là bao nhiêu?

Mức lương dao động khoảng 20-30 triệu/tháng cho ứng viên 0-2 năm kinh nghiệm, tùy vào năng lực phỏng vấn và bằng cấp. VietinBank ghi 'thỏa thuận' nên bạn hoàn toàn có thể đàm phán. Lưu ý: lương base có thể thấp hơn startup/fintech nhưng phúc lợi tốt (bảo hiểm cao cấp, thưởng Tết, thưởng hiệu suất, phép năm theo chế độ). Nếu lương không đạt kỳ vọng, bạn có thể đàm phán thêm: chứng chỉ cloud, bằng Thạc sĩ, hoặc dự án thực tế đã làm.

Công việc hàng ngày của Data Scientist tại VietinBank là gì?

Dựa trên mô tả công việc, một ngày điển hình có thể bao gồm: buổi sáng check data pipeline và monitoring models đang chạy trên production, họp với team để cập nhật tiến độ dự án, buổi chiều làm việc với business stakeholders (phòng tín dụng, phòng khách hàng) để hiểu bài toán kinh doanh, viết code xây dựng/tối ưu mô hình. Bạn sẽ có cơ hội làm việc với data quy mô lớn (hàng triệu khách hàng) — đây là điểm hấp dẫn không phải công ty nào cũng có.

VietinBank yêu cầu cloud platform — em nên học AWS, Azure hay GCP?

Cả ba đều được chấp nhận theo JD. Tuy nhiên, **AWS** là lựa chọn an toàn nhất vì: (1) thị phần lớn nhất trong các ngân hàng Việt Nam, (2) có nhiều tài liệu học tập tiếng Việt, (3) chứng chỉ AWS Certified Data Analytics dễ học và giá trị cao. Nếu bạn đã quen Azure từ trước (do Microsoft Office 365 phổ biến ở các ngân hàng nhà nước), Azure cũng tốt. GCP thường ít phổ biến hơn trong ngành ngân hàng VN. Gợi ý: học và lấy chứng chỉ AWS Data Analytics trước — mất khoảng 1-2 tháng tự học là có thể pass.

Em đang làm backend developer muốn chuyển sang Data Science, có được không?

Hoàn toàn khả thi! Backend developer có lợi thế: đã biết lập trình, hiểu hệ thống, biết SQL. Bạn cần bổ sung: (1) kiến thức ML/DL (Andrew Ng's Coursera hoặc Hands-On ML), (2) thực hành với pandas/numpy/sklearn, (3) hiểu business context ngân hàng (đọc về credit scoring, fraud detection), (4) project portfolio mới. Trong CV và phỏng vấn, hãy nhấn mạnh: kinh nghiệm xây dựng hệ thống, tư duy engineering, khả năng deploy model lên production — đây là điểm mạnh so với Data Analyst chuyển sang.

KPI của Data Scientist tại VietinBank thường là gì?

Trong môi trường ngân hàng, KPI thường không đơn giản như 'số model deploy'. Bạn có thể được đánh giá trên: (1) số models deploy thành công lên production, (2) độ chính xác/Lift của mô hình (AUC, Gini), (3) thời gian hoàn thành dự án phân tích, (4) số bài toán business giải quyết được bằng data, (5) đóng góp knowledge sharing (tài liệu, training cho team). Quan trọng: ngân hàng rất quan tâm regulatory compliance — mô hình phải đảm bảo explainability và tuân thủ quy định Ngân hàng Nhà nước.

Cơ hội thăng tiến từ CV lên CVC/CVCC tại VietinBank mất bao lâu?

Thông thường: CV → CVC: 2-3 năm, CVC → CVCC: 2-3 năm. Tốc độ phụ thuộc vào: hiệu suất cá nhân, quy mô dự án đã lead, bằng cấp/chứng chỉ, và vị trí có slot trống hay không. Để thăng tiến nhanh: chủ động xin lead dự án, học thêm về nghiệp vụ ngân hàng (không chỉ kỹ thuật), phát triển kỹ năng giao tiếp với business, và build internal reputation. Sau CVCC, bạn có thể hướng tới Manager hoặc chuyển sang ngân hàng khác/fintech với mức lương tăng đáng kể.

CV/CVC/CVCC Data Scientist 2026