Data Scientist (40000032)
Mô tả công việc
Job Purpose
- The job holder advises and provides business with insights from massive amounts of structured and unstructured potential data to help shape or meet specific business objectives.
- The job holder will build data science solutions using advance machine learning and deep learning methods, recommendation engines, statistical analysis, data mining and data visualization techniques, to create solutions that enable enhanced business performance.
Key Accountabilities (1)
Data Solutioning
- Build algorithms and work with machine learning and deep learning tools to deliver advance analytics solutions across the firm including recommendation engines, customized data models, customer journeys, graph modes, etc.
- Mine and analyze data from company’s databases to drive optimization and improvement of business strategies.
- Use predictive modelling to increase and optimize customer journey experiences, revenue generation and other business outcomes.
- Analyze data for trends and patterns and interpret the data with clear objective in mind.
- Execute and review data science projects in an agile manner and in compliance with internal regulatory requirements.
Key Accountabilities (2)
Data Insighting
- Lead the identification and interpretation of meaningful and actionable insights from large data and metadata sources.
- Develop processes and tools to monitor and analyze model performance and data accuracy.
- Interact with 1-2 squads to identify questions and issues for data analysis.
- Assess the effectiveness and accuracy of new data sources and data gathering techniques.
Key Accountabilities (3)
Key Relationships - Direct Manager
Manager, Data Science
Key Relationships - Direct Reports
Key Relationships - Internal Stakeholders
Teams within the Transformation Office and relevant departments in the Bank
Key Relationships - External Stakeholders
Partners providing professional services
Success Profile - Qualification and Experiences
Qualifications
- Bachelor's degree in Statistics, Mathematics, Quantitative Analysis, Computer Science, Software Engineering or Information Technology
Work Experience
- 5+ years of relevant experience in areas of data analysis, machine learning, deep learning model development on large amount of data, implementing and deploying various statistical models
- English proficiency requirements are pursuant to Techcombank's policy
- Experience in querying databases and using programming languages (e.g. C, C++, R, Python, Scala, SQL, Java, Tableau, R)
- Experience communicating complex analysis and models across a diverse team
- Experience using of data optimization (linear / non-linear) to solve constrained business problems
- Understanding of Agile principles, practices and Scrum methodologies
- Experience working in Agile teams to support digital transformation projects
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí Data Scientist tại Techcombank
🎯 Hard Skills (Kỹ năng cứng — bắt buộc)
1. Nền tảng học thuật (Foundation)
- Bằng cử nhân các chuyên ngành: Thống kê, Toán, Phân tích định lượng, Khoa học máy tính, Kỹ thuật phần mềm, CNTT
- Nền tảng Toán — Thống kê vững: linear algebra, probability, optimization (linear/non-linear), hypothesis testing
2. Ngôn ngữ lập trình & Công cụ
- Nhóm bắt buộc thành thạo: Python, SQL, R
- Nhóm nên biết (phân biệt ứng viên): C/C++, Scala, Java, Tableau
- Thư viện quan trọng: scikit-learn, TensorFlow, PyTorch, XGBoost, Pandas, NumPy
- Kinh nghiệm query database ở quy mô lớn (BigQuery, Snowflake, Hive...)
3. Machine Learning / Deep Learning
- Recommendation engines (gợi ý sản phẩm, content-based, collaborative filtering)
- Predictive modeling (churn, LTV, fraud, credit scoring)
- NLP, Graph models
- Customer journey analytics
- Triển khai & deploy model (MLOps cơ bản)
4. Visualization & Communication
- Tableau là một điểm cộng lớn (Techcombank liệt kê rõ)
- Trình bày insight phức tạp cho cả team kỹ thuật lẫn business
💡 Soft Skills (Kỹ năng mềm)
| Kỹ năng | Vì sao quan trọng ở vị trí này |
|---|---|
| Giao tiếp đa lớp | Làm việc với 1–2 squads, trình bày model cho lãnh đạo |
| Tư duy kinh doanh | Phải kết nối data với business outcomes (revenue, CX) |
| Agile mindset | Job yêu cầu rõ Scrum, agile principles |
| Storytelling với data | Không chỉ build model, phải kể câu chuyện từ data |
| Quản lý stakeholder | Làm việc với Transformation Office + nhiều phòng ban |
📜 Chứng chỉ gợi ý (tùy chọn, làm đẹp CV)
- Google Data Analytics / Professional ML Engineer
- AWS Certified Machine Learning — Specialty
- Databricks Certified ML Professional
- IBM Data Science Professional
- Tableau Desktop Specialist / Data Analyst
- Scrum Master / Product Owner (CSPO) — nếu muốn nhấn mảng Agile
⚖️ Bảng tự đánh giá năng lực
| Mức độ | Mô tả | Bạn nên ở đâu? |
|---|---|---|
| Junior (0–2 năm) | Làm task dưới sự hướng dẫn | ❌ Chưa đủ cho vị trí này |
| Mid (2–4 năm) | Độc lập build model | ⚠️ Có thể apply nếu CV nổi bật |
| Senior (5+ năm) | Lead dự án, tư vấn business | ✅ Khớp JD |
| Lead/Principal (8+ năm) | Xây chiến lược data science | 🎯 Mục tiêu thăng tiến tiếp theo |
Lưu ý: Techcombank yêu cầu "5+ years of relevant experience" — đây là rào cản lớn nhất. Nếu bạn mới 2–4 năm, đừng nản, hãy xem các vị trí Junior/Mid Data Analyst hoặc Data Engineer trong cùng ngân hàng.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn Data Scientist — Techcombank
📋 Quy trình tuyển dụng dự kiến (4–6 vòng)
Vòng 1: HR Screening (30–45 phút)
- Xác nhận thông tin cơ bản, mức lương mong muốn (salary band Data Scientist senior tại Techcombank thường 50–100+ triệu tùy cấp)
- Kiểm tra work permit, availability
- Câu hỏi hay gặp: "Tại sao rời công ty cũ?" "Mong muốn 5 năm tới?"
Vòng 2: Technical Screening — Hiring Manager (60 phút)
Trọng tâm là Manager, Data Science. Sẽ hỏi:
- Walk through một end-to-end ML project bạn từng làm
- Cách bạn xử lý imbalanced data, feature engineering, model selection
- Trade-off giữa các model (precision vs recall, bias vs variance)
- Bài toán thực tế ngân hàng: churn prediction, fraud detection, credit scoring, recommendation
Vòng 3: Technical Deep-dive (90 phút)
- Coding live: SQL query phức tạp, Python (pandas/numpy/scikit-learn)
- Case study ngân hàng: "Làm sao build recommendation engine cho app TCB?"
- System design: pipeline data từ raw → model → production
- Câu hỏi về MLOps, deployment, monitoring
Vòng 4: Business / Behavioral Panel (60 phút)
- Làm việc với Transformation Office heads
- Câu hỏi tình huống: stakeholder conflict, deadline gấp, model bị drift
- Đánh giá cultural fit với Techcombank (đề cao tốc độ, đổi mới, customer-centric)
Vòng 5 (có thể): Director round — focus vision & leadership
Vòng 6: Offer & negotiation
🎤 Câu hỏi phỏng vấn hay gặp
Câu hỏi Technical:
1. "Mô tả một end-to-end ML project bạn đã deploy thành công" — Dùng STAR, nêu rõ business problem → solution → impact
2. "Làm sao xử lý class imbalance trong bài toán fraud detection?" — SMOTE, undersampling, threshold tuning, cost-sensitive learning
3. "Giải thích precision vs recall. Khi nào ưu tiên cái nào?" — Fraud ưu tiên recall, marketing campaign ưu tiên precision
4. "So sánh XGBoost vs Deep Learning cho tabular data" — XGBoost thường thắng, nhưng DL tốt với unstructured data
5. "Walk through cách bạn monitor model trong production" — Drift detection, A/B testing, PSI, KS test
6. "Viết SQL query tính RFM segmentation từ bảng giao dịch" — Bài test SQL rất phổ biến
7. "Làm sao build recommendation engine cho customer journey trong app ngân hàng?"
Câu hỏi Business:
8. "Nếu model bạn build cho TCB có accuracy 95% nhưng business không dùng, bạn làm gì?"
9. "Làm sao align ML work với OKR của Transformation Office?"
10. "Kể về lần bạn phải explain model phức tạp cho stakeholder không có background kỹ thuật"
Câu hỏi Agile:
11. "Bạn apply Scrum như thế nào trong data science project?"
12. "Definition of Done cho một ML model là gì?"
👔 Dress code
- Vòng 1–3: Business casual hoặc smart casual (áo sơ mi, quần tây, không cần vest)
- Vòng 4–5: Business formal (vest là an toàn)
- Techcombank khá thoáng, nhưng trang phục gọn gàng giúp tạo ấn tượng chuyên nghiệp
💡 Tips chuẩn bị
- Mang theo portfolio: Kaggle profile, GitHub, slide deck về một project
- Nghiên cứu Techcombank trước: Đọc về chiến lược chuyển đổi số, app TCB, sản phẩm mới
- Chuẩn bị 3 câu chuyện: theo format STAR (Situation-Task-Action-Result) — về technical challenge, business impact, conflict resolution
- Hỏi ngược 2–3 câu thông minh: "Team sẽ dùng stack nào?", "Model nào đang trong production?", "Cơ hội publish research không?"
Lộ trình ôn thi
Lộ trình ôn tập 2 tuần cho vị trí Data Scientist — Techcombank
📚 Tuần 1: Nền tảng cốt lõi
Ngày 1–2: SQL nâng cao
- Window functions (ROW_NUMBER, RANK, LAG, LEAD)
- CTE, recursive query, pivot/unpivot
- Bài tập thực tế trên LeetCode (tag Database), HackerRank
- Tài liệu: "SQL for Data Analysis" của Mode Analytics (free)
Ngày 3–4: Python Data Science
- Pandas deep dive: groupby, merge, pivot, method chaining
- NumPy vectorization
- Tài liệu: "Python for Data Analysis" — Wes McKinney
Ngày 5–6: Machine Learning
- Supervised: Linear/Logistic Regression, Random Forest, XGBoost, LightGBM
- Unsupervised: K-Means, DBSCAN, PCA
- Feature engineering: encoding, scaling, imputation
- Model evaluation: cross-validation, ROC-AUC, F1, KS
- Tài liệu: Andrew Ng — Machine Learning Specialization (Coursera), "Hands-On ML" — Aurélien Géron
Ngày 7: Deep Learning & Recommendation
- Neural networks cơ bản, embeddings
- Recommendation: collaborative filtering, matrix factorization, hybrid
- Tài liệu: "Deep Learning with Python" — Chollet; Recommender Systems course của Michigan (Coursera)
📚 Tuần 2: Áp dụng vào ngân hàng + Mock interview
Ngày 8–9: Bài toán ngân hàng thực tế
- Churn prediction
- Credit scoring (PD, LGD, EAD)
- Fraud detection (imbalanced data, real-time)
- Customer segmentation (RFM, clustering)
- Lifetime value (LTV)
- Tài liệu: Kaggle datasets ngân hàng, kaggle.com/code — tìm các notebook chất lượng cao
Ngày 10: Visualization & Communication
- Tableau: tạo 2–3 dashboard mẫu (kèm CSV public)
- Storytelling with data
- Tài liệu: "Storytelling with Data" — Cole Nussbaumer Knaflic
Ngày 11–12: Agile & MLOps
- Scrum framework, sprint planning, retro
- MLOps: model registry, monitoring, drift detection
- CI/CD cho ML: Airflow, MLflow, Docker cơ bản
- Tài liệu: "Agile Data Science 2.0" — Russell Jurney; MLflow docs
Ngày 13: Research Techcombank
- Đọc báo chí: chiến lược số hóa của TCB
- App TCB: dùng thử, hiểu flow
- Đọc các job posting khác của TCB Data team
Ngày 14: Mock interview
- Code 1 hour, ghi âm, review
- Luyện trình bày STAR stories
🎯 Tài liệu tham khảo tổng hợp
| Chủ đề | Tài liệu | Nguồn |
|---|---|---|
| SQL | SQL for Data Analysis | mode.com/sql-tutorial |
| Python | Python for Data Analysis | Book — O'Reilly |
| ML | Andrew Ng Specialization | Coursera |
| ML nâng cao | Hands-On ML | Book — Aurélien Géron |
| Deep Learning | Deep Learning with Python | Book — Chollet |
| Statistics | StatQuest YouTube channel | YouTube |
| Bank-specific | Kaggle Credit Card Fraud | Kaggle |
| Agile | Scrum Guide | scrumguides.org |
| Business sense | "Data Science for Business" | Book — Provost & Fawcett |
✅ Checklist trước ngày phỏng vấn
- [ ] Revise 3 ML projects trong CV (đo lường được impact)
- [ ] Có GitHub repo sạch, đẹp
- [ ] Chuẩn bị 5–7 STAR stories
- [ ] Đọc Techcombank Annual Report + chiến lược số
- [ ] Practice 3 bài SQL trên LeetCode/HackerRank
- [ ] Rehearse walk-through 1 end-to-end project trong 5 phút
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho Data Scientist — Techcombank & ngành ngân hàng
🗺️ Lộ trình thăng tiến điển hình
```
Junior DS (0–2 năm) → Analyst
Mid DS (2–4 năm) → Senior DS
Senior DS (5–7 năm) → Lead DS (bạn đang target vị trí này)
Manager/Principal DS (7–10) → Data Science Manager
Director (10+ năm) → Head of Data Science / CDO
```
Sau 2–3 năm ở vị trí Senior/Lead DS, bạn có thể rẽ nhánh:
- Quản lý: Data Science Manager → Head of Analytics
- Chuyên gia: Principal/Staff Data Scientist → Research Scientist
- Liên ngành: Chief Data Officer, Head of AI/ML, VP Digital Banking
- Startup/Công ty tài chính: Head of Data ở fintech, crypto, e-commerce
💰 Mức lương tham khảo (Việt Nam, 2024–2025)
| Cấp bậc | Kinh nghiệm | Mức lương (gross/tháng) |
|---|---|---|
| Junior Data Analyst/Scientist | 0–2 năm | 18 – 35 triệu |
| Mid Data Scientist | 2–4 năm | 35 – 60 triệu |
| Senior Data Scientist | 5–7 năm | 60 – 100 triệu ← vị trí bạn target |
| Lead Data Scientist | 7–10 năm | 100 – 180 triệu |
| Manager/Director | 10+ năm | 180 – 350+ triệu |
Lưu ý: Techcombank thuộc nhóm ngân hàng tư nhân top đầu — lương senior DS thường thuộc top 15–20% thị trường, cộng thêm bonus cuối năm (1–4 tháng lương) + thưởng KPI + benefits (bảo hiểm sức khỏe gia đình, gym, vay ưu đãi...).
Mẹo deal lương:
- Luôn research trên Glassdoor, Levels.fyi, VietnamWorks, ITViec
- Đưa ra range (ví dụ: "Mong muốn 75–90 triệu") thay vì con số cứng
- Đàm phán bonus, stock (nếu có), review 6 tháng
🎯 Kỹ năng cần phát triển tiếp theo (nếu được nhận)
Trong 0–6 tháng đầu:
- Hiểu business ngân hàng: sản phẩm vay, tiền gửi, thẻ, bảo hiểm
- Quy định pháp lý ngân hàng (NHNN, Basel II/III — đặc biệt cho credit modeling)
- Stakeholder mapping trong TCB
Trong 6–18 tháng:
- Lãnh đạo 1–2 squads, mentor junior
- Build 1 model flagship đưa vào production
- Publish nội bộ (tech talk, internal blog)
Trong 2–3 năm:
- Strategic thinking: kết nối data initiative với ngân hàng OKR
- Học thêm về LLM, Generative AI (xu hướng ngân hàng đang rất hot)
- Networking với cộng đồng data Việt Nam (VN Data Science group, ODSC, AI4E)
🌊 Xu hướng ngành nên để ý
1. Generative AI trong ngân hàng: chatbot tư vấn, tự động hóa underwriting, fraud detection
2. Real-time decisioning: recommendation ngay lúc khách mở app
3. Privacy-preserving ML: federated learning, differential privacy (rất cần cho data ngân hàng)
4. Graph analytics: phát hiện fraud ring, money laundering
5. LLM on-prem: nhiều ngân hàng muốn tự host AI vì data nhạy cảm
⚠️ Lời khuyên thật lòng
- Đừng apply mù quáng — nghiên cứu team trước (LinkedIn search "Techcombank Data Science" xem ai đang ở đó, hoặc ai từng làm qua)
- Vị trí này yêu cầu 5+ năm kinh nghiệm cụ thể về ML/DL — nếu bạn mới 3–4 năm và profile mạnh (Kaggle master, open-source contributor, paper) thì vẫn có cơ hội
- Ngân hàng là môi trường "regulated" — thể hiện sự hiểu biết về compliance, governance, model risk là điểm cộng lớn
- Network quan trọng không kém CV: comment, chia sẻ kiến thức trên LinkedIn, Medium, tham gia các cuộc thi (Zalo AI Challenge, VinAI, kaggle competitions)
- Đừng ngại "apply ngược" nếu chưa ready: gửi LinkedIn message trước cho Manager, Data Science hỏi về team, culture, opportunity. Đôi khi được invite vào pool nội bộ trước cả khi JD đăng.
Câu hỏi thường gặp
Em là sinh viên năm cuối ngành Khoa học Dữ liệu, có thể apply Data Scientist ở Techcombank không?
Hiện tại khó đó em. JD yêu cầu 5+ năm kinh nghiệm, đây là vị trí Senior. Em có thể:
1. Học thêm 1–2 năm ở vị trí Junior/Mid DS ở công ty nhỏ, fintech, hoặc data consulting
2. Làm Fresher Data Analyst, MIS, Business Intelligence tại TCB — để vào "nằm vùng", sau đó chuyển sang
3. Tham gia chương trình Techcombank talent pipeline (theo dõi Facebook Techcombank Career)
4. Xây dựng portfolio thật mạnh: Kaggle top 5–10%, GitHub có 2–3 project production-grade
Không nên apply ngay vị trí này — sẽ mất thời gian cả 2 bên. Đợi 2–3 năm là chuẩn nhất.
Mình đã 4 năm kinh nghiệm Data Analyst (không phải Data Scientist), apply được không?
Được nhưng phải "bù đắp" khoảng cách. Bạn cần chứng minh:
- Có kinh nghiệm build và deploy ít nhất 1–2 ML model (chứ không chỉ làm dashboard/report)
- SQL, Python thành thạo (không chỉ R, Excel)
- Có end-to-end project bạn đã đi từ data → model → insight → business action
Mẹo: Trong CV, highlight bất kỳ project nào có tính predictive (churn forecast, sales forecast, customer scoring). Phỏng vấn cũng nên bias về "đã từng collaborate với DS" thay vì "đã từng làm DS".
Tuy nhiên, JD ghi rõ 5+ năm về ML/DL, nên tỉ lệ pass thấp. Apply vị trí Senior Analyst hoặc chờ thêm 1 năm sẽ hợp hơn.
Mức lương thực tế cho Senior Data Scientist ở Techcombank khoảng bao nhiêu?
Mình chia sẻ trung thực: Techcombank nổi tiếng trả cạnh tranh top đầu trong nhóm ngân hàng tư nhân. Senior Data Scientist (5+ năm) ở TCB thường rơi vào khoảng 60–120 triệu gross/tháng, tùy:
- Cấp bậc chính xác (Senior vs Lead)
- Khả năng đàm phán
- Bonus cuối năm (thường 1–4 tháng lương)
So sánh:
- VPBank, MBBank: tương đương hoặc thấp hơn 10–20%
- Vietcombank, BIDV: thường thấp hơn nhưng ổn định hơn
- Fintech (MoMo, ZaloPay, VNG): 70–150 triệu, có thể stock
Nếu bạn từ fintech hoặc big tech muốn nhảy sang ngân hàng, offer hiện tại bạn +20–30% là range đàm phán hợp lý với TCB.
Mình đang ở Mỹ, muốn về Việt Nam làm Data Scientist, có lợi thế gì?
Có lợi thế nhưng cũng có cái "bất lợi ngược".
Lợi thế:
- Phỏng vấn tiếng Anh thoải mái (Techcombank yêu cầu English theo policy)
- Có thể cited những project ở Mỹ làm điểm nhấn CV
- Network connections nếu làm ở FAANG, fintech tier 1
Cần lưu ý:
- Lương USD không được nhân tỉ giá — VP ngân hàng VN quen deal bằng VND
- Recruiter VN thường e ngại offer cao cho người đang ở nước ngoài vì sợ candidate từ chối reloc
- Cần chứng minh rõ: muốn về VN lâu dài, không phải "thử vài năm rồi đi"
Mẹo: Trong CV ghi rõ: "Currently in US, relocating to Vietnam in [month/year]". Có người Việt ở Mỹ apply TCB tỉ lệ pass cao vì họ đánh giá cao khả năng English communication.
Tech stack ở Techcombank Data team dùng gì?
Mình chia sẻ theo thông tin public + nhiều người trong ngành đồn đoán (vì Techcombank không công bố chính thức):
- Cloud: Đang migrate sang Azure hoặc multi-cloud, có on-prem Hadoop
- Programming: Python, SQL chủ đạo; Scala/Java cho Spark
- ML framework: scikit-learn, TensorFlow, có thể có PyTorch
- MLOps: MLflow hoặc Kubeflow; Airflow cho ETL
- BI/Visualize: Tableau (JD ghi rõ), Power BI cũng có
- Database: BigQuery, Snowflake (gần đây), Oracle, SQL Server
- Model deployment: Docker + Kubernetes, hoặc Azure ML
Cách chuẩn bị: Đừng hỏi "Tech stack ở công ty mình dùng gì?" trong phỏng vấn — đây là câu hỏi tốt nhưng nên đợi vòng sau. Vòng đầu nên hỏi về business problems, team structure, model use cases.
Phỏng vấn Data Scientist tại Techcombank khó không? Mình tự tin về coding nhưng yếu về business sense?
Khó nhưng không quá khó nếu bạn chuẩn bị đúng focus.
Phân tích JD cho thấy:
- Họ cần người vừa technical vừa hiểu business (Data Insighting thuộc key accountabilities)
- Yếu tố "advises business", "interact with 1–2 squads", "drive optimization" cho thấy > 50% trọng tâm là communication
Khuyến nghị:
1. Đọc 3 thứ: Techcombank Annual Report, 5 bài báo về chuyển đổi số TCB, 1–2 case study về recommendation engine trong ngân hàng
2. Luyện viết "insight memo" — từ bảng data → nhận xét business → đề xuất action (viết cho bạn bè phi kỹ thuật đọc)
3. Trong phỏng vấn, mỗi lần nói về model, nối nó với business outcome (tăng retention bao nhiêu, giảm chi phí bao nhiêu)
Nếu bạn coding tốt nhưng business yếu: Tham gia Kaggle competitions với problem liên quan tài chính (credit scoring, fraud), ghi chú cách bạn interpret insight, đưa vào GitHub README.
Mình đang là PhD về Deep Learning, 3 năm research, không có production experience — có nên apply?
Có cơ hội! JD không nói rõ là phải có production — họ đánh giá tổng thể 5+ năm "relevant experience". PhD về DL rất có giá trị ở Techcombank vì:
- Hiếm người có background research sâu
- DL đang là mảng chiến lược ở ngân hàng (recommendation engine, fraud graph, NLP cho contract analysis)
- Techcombank Transformation Office thích tuyển người có tư duy R&D
Cách bù đắp khoảng trống production:
- Làm 1–2 Kaggle competition top 10% (chứng minh practical skill)
- Viết blog/tutorial về cách apply paper của bạn vào business problem
- Trong phỏng vấn: nói rõ research = "how to push state-of-art" còn production = "how to deliver reliable ML". PhD bạn quen phần 1, bạn sẵn sàng học phần 2.
Note: Offer có thể ở mức Senior thay vì Lead dù bạn có PhD — vì ngân hàng trả theo impact-business chứ không phải title research.
Mình đã làm 6 năm Data Scientist ở e-commerce, muốn chuyển sang ngân hàng — khó không?
Hoàn toàn khả thi và là hướng đi rất nhiều người đi. Có những điểm tương đồng đáng kể:
Có thể transfer:
- Recommendation engine (recommend sản phẩm ≈ recommend thẻ tín dụng, khoản vay)
- Customer segmentation, churn prediction
- A/B testing, uplift modeling
- Personalization, customer journey
Cần học thêm:
- Quy định pháp lý ngân hàng (NHNN, Basel II/III, GDPR nội bộ)
- Bài toán risk: credit scoring, fraud detection (imbalanced, real-time)
- Lưu trữ & xử lý dữ liệu nhạy cảm (PCI DSS, KYC)
- Bối cảnh: ngân hàng ít "iterate nhanh" hơn e-commerce, vì sao?
Trong phỏng vấn, nhấn mạnh:
- Đã scale hệ thống recommendation cho hàng triệu user
- Quen làm việc với cross-functional teams (business, product, tech)
- Biết đo lường business impact bằng metrics (revenue, retention, ARPU)
Tóm lại: 6 năm kinh nghiệm + profile e-commerce tier 1 = đủ tự tin ứng tuyển. Cứ apply!