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 (Qualifications)
- Tốt nghiệp Đại học chuyên ngành: Thống kê, Toán học, Phân tích Định lượng, Khoa học Máy tính, Kỹ thuật Phần mềm, hoặc Công nghệ Thông tin. Các trường top được Techcombank ưu ái: ĐH KHTN, ĐH Bách Khoa, ĐH Quốc gia, ĐH Fulbright, hoặc các chương trình quốc tế.
2. Ngôn ngữ lập trình & Công cụ (kinh nghiệm 5+ năm)
- Python ⭐ (ngôn ngữ chính — pandas, scikit-learn, TensorFlow, PyTorch, Keras)
- SQL ⭐ (query database là kỹ năng sống còn, ứng viên phải thành thạo join, window function, CTE, optimization)
- R (phân tích thống kê, A/B testing)
- Scala/Java (làm việc với big data — Spark, Hadoop)
- C/C++ (nền tảng cho hiểu sâu về thuật toán)
- Tableau (visualization & dashboarding cho business stakeholder)
3. Machine Learning & Deep Learning
- Recommendation engines (hệ thống gợi ý — phù hợp với ngân hàng retail)
- Customer journey modeling
- Graph models (mạng lưới quan hệ khách hàng)
- Customer segmentation, churn prediction, credit scoring
- NLP cho phân tích text (feedback khách hàng, chatbot)
- Time series forecasting (dự báo nhu cầu vốn, giao dịch)
4. Tối ưu hóa (Data Optimization)
- Linear programming, non-linear programming
- Constrained optimization — áp dụng cho bài toán phân bổ danh mục, tối ưu chiến dịch marketing
5. Big Data & Infrastructure
- Spark (PySpark/Scala), Hadoop, Hive
- Cloud platforms: AWS/Azure/GCP (Techcombank đang chuyển đổi số mạnh)
- Model deployment: Docker, Kubernetes, MLflow
6. Agile & Scrum
- Hiểu rõ sprint, backlog, stand-up, retrospective
- Tools: Jira, Confluence
💡 Soft Skills (Kỹ năng mềm) — RẤT QUAN TRỌNG
| Kỹ năng | Tại sao quan trọng ở vị trí này |
|---|---|
| Kỹ năng kể chuyện bằng dữ liệu (Data Storytelling) | Phải explain insight cho stakeholder không chuyên (lãnh đạo cấp cao, business team) |
| Business Acumen | Hiểu business banking (tiền gửi, tín dụng, thẻ) để đề xuất giải pháp đúng |
| Communication đa chiều | "Across diverse team" — làm việc với engineer, product, business, compliance |
| Tư duy phản biện | Tránh over-engineering, biết khi nào "không cần ML" |
| Stakeholder management | Interact với 1–2 squads, cần negotiate scope, expectation |
📜 Chứng chỉ nên có (không bắt buộc nhưng CỘNG ĐIỂM LỚN)
| Chứng chỉ | Tổ chức | Mức độ ưu tiên |
|---|---|---|
| AWS Certified Machine Learning – Specialty | AWS | ⭐⭐⭐⭐⭐ |
| Google Professional Data Engineer | ⭐⭐⭐⭐ | |
| TensorFlow Developer Certificate | ⭐⭐⭐⭐ | |
| Tableau Desktop Specialist | Tableau | ⭐⭐⭐⭐ |
| Professional Scrum Master I (PSM I) | Scrum.org | ⭐⭐⭐ (Agile) |
| IBM Data Science Professional | IBM (Coursera) | ⭐⭐⭐ (nền tảng) |
| Databricks Spark Developer | Databricks | ⭐⭐⭐⭐ (big data) |
⚠️ Lưu ý quan trọng từ JD
JD không yêu cầu chứng chỉ cụ thể, nhưng việc Techcombank yêu cầu 5+ năm kinh nghiệm cho thấy đây là vị trí Senior không phải Junior. Nếu bạn mới ra trường, đây chưa phải lúc apply — hãy tích lũy 2–3 năm trước.
---
📊 Bảng so sánh: Bạn có phù hợp?
| Tiêu chí | Yêu cầu | Phù hợp nếu... |
|---|---|---|
| Kinh nghiệm | 5+ năm | Đã làm DS/Analytics thực tế ở fintech, ngân hàng, e-commerce |
| ML/DL | Production-level | Deploy model thật, không chỉ trên notebook |
| SQL | Thành thạo | Viết được query phức tạp, optimize performance |
| Python | Thành thạo | OOP, clean code, version control (Git) |
| Agile | Có kinh nghiệm | Làm việc trong squad, dùng Jira |
| Tiếng Anh | Theo policy TCB | Đọc tài liệu kỹ thuật, viết email, thuyết trình |
| Mindset | Data-driven | Thích tìm insight thật, không chỉ làm cho có |
---
🎓 Đề xuất lộ trình học nếu bạn thiếu kinh nghiệm
1. Nền tảng (tháng 1–2): Andrew Ng — Machine Learning Specialization (Coursera), SQL trên Mode Analytics, Hackerrank
2. Chuyên sâu (tháng 3–4): Deep Learning Specialization (deeplearning.ai), MLOps Zoomcamp
3. Domain banking (tháng 5–6): Tìm hiểu Basel II/III, credit scoring, fraud detection
4. Project cá nhân: Build recommendation engine cho e-commerce, deploy lên AWS
Chuẩn bị phỏng vấn
🎤 Hướng dẫn phỏng vấn Data Scientist — Techcombank
📋 Quy trình tuyển dụng dự kiến (qua nhiều nguồn chia sẻ trên forum)
Quy trình thường kéo dài 4–6 tuần, bao gồm 5–6 vòng:
---
Vòng 1: HR Screening (30–45 phút — Online/Phone)
Mục đích: Lọc hồ sơ, check basic fit
Câu hỏi hay gặp:
- Giới thiệu bản thân + kinh nghiệm Data Scientist trong 2–3 phút
- Tại sao rời công ty cũ (hoặc tại sao apply Techcombank)?
- Mức lương mong muốn? (Techcombank pay theo band, senior DS thường 60–110 triệu VNĐ/tháng tùy level)
- Notice period hiện tại?
- Có thể đi làm tại HCM không?
Tips chuẩn bị:
- Research Techcombank's "Reinvention" strategy, đặc biệt chiến lược chuyển đổi số
- Chuẩn bị sẵn 1–2 dự án nổi bật để kể
- Mức lương: research trên levels.fyi, ITviec, Glassdoor; aim 10–20% above current nếu đang apply để chuyển việc
---
Vòng 2: Technical Assessment (Take-home hoặc Online test — 2–4 giờ)
Format: Thường là SQL case study + Python coding + 1 bài phân tích insight
Câu hỏi mẫu:
- SQL: Cho 2–3 bảng (transactions, customers, products), viết query tính:
- Top 10 khách hàng có tổng giao dịch cao nhất quý vừa rồi
- Retention rate cohort theo tháng
- Running total, lag, lead
- Python/Pandas: Data cleaning, xử lý missing, merge nhiều bảng
- Visualization: Tạo dashboard ngắn từ 1 dataset cho sẵn
Tips chuẩn bị:
- Luyện trên LeetCode (SQL Medium), HackerRank (Pandas)
- Đọc kỹ dataset, đặt câu hỏi business trước khi code
- Submit code có README giải thích approach
---
Vòng 3: Technical Interview — Machine Learning & Statistics (60–90 phút)
Người phỏng vấn: Senior DS hoặc Manager, Data Science
Câu hỏi lý thuyết ML:
1. Giải thích bias-variance tradeoff? Khi nào overfit/underfit?
2. Sự khác biệt giữa L1 và L2 regularization?
3. Random Forest vs XGBoost — khi nào dùng cái nào?
4. Precision vs Recall — bài toán fraud detection nên optimize metric nào?
5. Làm sao xử lý imbalanced data trong credit scoring (tỷ lệ vỡ nợ thấp)?
6. Giải thích ROC-AUC, F1-score, confusion matrix
7. A/B testing: Giả sử bạn test feature mới trên app Techcombank, làm sao thiết kế experiment? Sample size bao nhiêu? Power analysis?
8. SHAP, LIME — cách giải thích black-box model
Câu hỏi Statistics:
- Central Limit Theorem, confidence interval
- p-value, hypothesis testing
- Correlation vs causation
- Sampling methods
Coding live (colab/jupyter):
- Implement logistic regression từ đầu
- Viết pipeline data preprocessing
- Đọc 1 đoạn code có bug, tìm và fix
---
Vòng 4: Business Case Study (60 phút)
Mục đích: Test tư duy business và khả năng kể chuyện bằng data
Format: Đưa 1 case 30 phút trước, thảo luận trong 30 phút
Case mẫu:
- "Ngân hàng muốn giảm 20% churn rate trong phân khúc khách hàng cá nhân. Bạn sẽ approach như thế nào?"
- "Doanh thu thẻ tín dụng giảm 15% trong quý vừa rồi. Phân tích data gì, dùng model gì?"
- "Techcombank muốn cross-sell bảo hiểm cho 2 triệu KH hiện hữu. Đề xuất giải pháp."
Tips:
- Dùng framework: Define → Diagnose → Design → Decide
- Luôn anchor vào business metric (revenue, retention, NPS)
- Đừng nhảy vào ML ngay — hỏi "vấn đề thật sự là gì?"
- Nếu không rõ, hỏi thêm data/context
---
Vòng 5: Director / Hiring Manager Interview (45–60 phút)
Câu hỏi hay gặp:
- Walk me through 1 project end-to-end từ problem definition đến deployment
- Mô tả lần bạn disagree với stakeholder, bạn xử lý thế nào?
- Bạn đã từng miss deadline, bài học rút ra?
- Bạn đã làm gì để improve model performance trong production?
- 5 năm tới bạn muốn đi đâu? (muốn managerial track hay IC track?)
- Bạn biết gì về Techcombank's data strategy?
Tips:
- Nghiên cứu về Transformation Office của Techcombank
- Chuẩn bị STAR stories (Situation-Task-Action-Result)
- Thể hiện leadership potential — "Lead the identification and interpretation" trong JD là từ khóa quan trọng
---
Vòng 6 (có thể có): Final Interview với C-level hoặc HR Director
- Fit với culture, values
- Compensation negotiation
---
👔 Dress Code
- Vòng 1–3: Business casual (áo sơ mi, quần tây, không cần vest)
- Vòng 4–6: Smart business (vest/sơ mi, lịch sự)
- Khi phỏng vấn online: background gọn, ánh sáng tốt, mặc áo sơ mi
🎯 10 câu HỎI bạn NÊN ĐẶT cho nhà tuyển dụng
1. Tech stack hiện tại của team là gì? (Python/Spark/cloud?)
2. Data infrastructure đang dùng gì (Snowflake, BigQuery, on-prem Hadoop)?
3. Model deployment workflow ra sao? Có MLOps platform chưa?
4. Có bao nhiêu data scientists trong team? Squad structure như thế nào?
5. KPI cho vị trí này đo lường thế nào?
6. Làm sao team collaborate với business stakeholder?
7. Budget cho training/conference hàng năm?
8. Roadmap của Data & Analytics Division trong 1–2 năm tới?
9. Có cơ hội mentor junior không?
10. Làm sao đánh giá performance hàng năm? Promotion criteria?
Lộ trình ôn thi
📚 Lộ trình ôn thi & chuẩn bị (gợi ý 1–2 tuần trước phỏng vấn)
⏰ Tuần 1: Nền tảng kỹ thuật
📅 Ngày 1–2: SQL Mastery
- Luyện trên [HackerRank SQL](https://hackerrank.com) (Easy → Medium)
- Ôn lại các khái niệm: Window functions (ROW_NUMBER, RANK, LAG, LEAD), CTE, JOIN types, subquery, indexing
- Đặc biệt chú trọng: cohort analysis, retention calculation, time-series query
- Tài liệu: "SQL for Data Scientists" — Renee M. P. Teate
📅 Ngày 3–4: Python & Pandas
- Luyện trên Kaggle Learn — Pandas course
- Thực hành: data cleaning, missing value handling, merge, groupby, pivot
- Đọc lại OOP, list comprehension, decorators
📅 Ngày 5–7: Machine Learning & Deep Learning
- Lý thuyết: "Hands-On Machine Learning" — Aurélien Géron (Ch. 1–8)
- Code lại từ đầu: Linear/Logistic Regression, Decision Tree, Random Forest, XGBoost
- Deep Learning: Andrew Ng — Deep Learning Specialization (chọn 1–2 course tùy thời gian)
- Case study banking: credit scoring, churn prediction, fraud detection
⏰ Tuần 2: Áp dụng và Tinh thông
📅 Ngày 8–9: Statistics & A/B Testing
- Đọc lại: hypothesis testing, p-value, confidence interval, central limit theorem
- A/B Testing: power analysis, sample size calculation, MDE (minimum detectable effect)
- Bayesian A/B testing (nâng cao)
- Tài liệu: "Trustworthy Online Controlled Experiments" — Kohavi et al.
📅 Ngày 10–11: Big Data & Tools
- PySpark: xử lý distributed data
- SQL on BigQuery / Snowflake / Hive
- Cloud basics: AWS S3, EC2, SageMaker (hoặc Vertex AI, Azure ML)
- Docker, basic Kubernetes
📅 Ngày 12: Visualization & Storytelling
- Tableau: tạo dashboard storytelling
- 5 chart types đủ dùng: line, bar, scatter, heatmap, funnel
- "Storytelling with Data" — Cole Nussbaumer Knaflic
- Practice: chọn 1 dataset, viết 1-page insight report
📅 Ngày 13–14: Mock Interview & Review
- Mock phỏng vấn với bạn bè hoặc mentor
- Review lại tất cả các dự án đã làm, chuẩn bị STAR stories
- Đọc JD lại, đối chiếu với kinh nghiệm của mình
- Prepare 3–5 câu hỏi cho interviewer
📖 Tài liệu tham khảo nên đọc
| Tài liệu | Tác giả | Mức độ ưu tiên |
|---|---|---|
| Hands-On Machine Learning (with Scikit-Learn, Keras, TensorFlow) | Aurélien Géron | ⭐⭐⭐⭐⭐ |
| Designing Machine Learning Systems | Chip Huyen | ⭐⭐⭐⭐⭐ |
| Introduction to Statistical Learning (ISLR) | James, Witten, Hastie, Tibshirani | ⭐⭐⭐⭐⭐ |
| The Hundred-Page Machine Learning Book | Andriy Burkov | ⭐⭐⭐⭐ |
| Storytelling with Data | Cole Nussbaumer Knaflic | ⭐⭐⭐⭐ |
| Trustworthy Online Controlled Experiments | Kohavi, Tang, Xu | ⭐⭐⭐⭐ |
| Deep Learning Book | Goodfellow, Bengio, Courville | ⭐⭐⭐ (nâng cao) |
🎓 Khóa học online miễn phí / trả phí
- [Machine Learning Specialization](https://coursera.org) — Andrew Ng — Coursera
- [Deep Learning Specialization](https://coursera.org) — Andrew Ng — Coursera
- [MLOps Zoomcamp](https://github.com/DataTalksClub/mlops-zoomcamp) — DataTalks.Club (FREE)
- [Kaggle Learn](https://kaggle.com/learn) — FREE
- [Mode Analytics SQL Tutorial](https://mode.com/sql-tutorial) — FREE
- [AWS Certified ML Specialty](https://aws.amazon.com/certification/) — Trả phí
🏦 Domain Knowledge — Quan trọng!
Ngân hàng có nhiều thuật ngữ riêng, đọc sơ qua:
- Banking 101: CASA (Current Account Savings Account), NIM (Net Interest Margin), LDR (Loan-to-Deposit Ratio), NPL (Non-Performing Loan)
- Risk: Credit risk, market risk, operational risk, Basel II/III
- Vietnam banking context: Circular 13/2018/TT-NHNN (risk management), Decision 2345 (data sharing for credit info)
- Techcombank-specific: Read annual report, hiểu chiến lược "AI-first bank", "đẩy mạnh chuyển đổi số"
🛠️ Project nên làm để showcase
Nếu portfolio còn mỏng, làm 1–2 project về banking domain:
1. Credit Scoring Model: Dùng German Credit Dataset → XGBoost → SHAP explain
2. Customer Churn Prediction: Telco dataset → so sánh nhiều model → customer segmentation → recommendation
3. Recommendation Engine: Retail banking cross-sell → collaborative filtering + content-based → evaluate
4. Fraud Detection: Imbalanced dataset → SMOTE + anomaly detection
Deploy lên GitHub với README rõ ràng, demo trên Streamlit/Heroku.
Tư vấn nghề nghiệp
💼 Lời khuyên sự nghiệp Data Scientist tại Techcombank
🗺️ Lộ trình thăng tiến trong ngân hàng
```
Data Scientist (Senior) ← Bạn ở đây (theo JD: 5+ năm)
↓
Manager / Lead Data Scientist (3–5 năm sau)
↓
Senior Manager / Head of Data Science (5–7 năm sau)
↓
Director / VP of Data & Analytics (7–10 năm sau)
↓
CDAO (Chief Data & Analytics Officer)
```
Techcombank specifically:
- TCB có Data And Analytics Division riêng, thuộc khối chuyển đổi số
- Cơ hội tiếp cận Chief Data Officer hoặc CDO — đây là ngân hàng tiên phong ở VN về data-driven
- TCB được McKinsey hỗ trợ transformation → exposure quốc tế tốt
💰 Mức lương kỳ vọng (tham khảo 2024–2025)
| Cấp bậc | Kinh nghiệm | Mức lương VNĐ/tháng |
|---|---|---|
| Junior Data Scientist | 0–2 năm | 25 – 45 triệu |
| Mid Data Scientist | 2–4 năm | 45 – 70 triệu |
| Senior Data Scientist (vị trí này) | 5–7 năm | 70 – 110 triệu |
| Lead / Manager DS | 7–10 năm | 110 – 180 triệu |
| Director / Head of DS | 10+ năm | 180 – 350 triệu |
| CDAO / VP | Executive | 350 – 700 triệu + |
Lưu ý:
- Mức lương Techcombank thường competitive với thị trường
- Thưởng 13th month salary + performance bonus
- ESOP có thể có cho senior level
- Benefits: bảo hiểm sức khỏe gia đình, gym, working from home linh hoạt
- Techcombank gần đây tăng lương đáng kể để giữ talent
📈 Kỹ năng cần phát triển thêm trong 1–2 năm tới
Nếu muốn thăng Manager:
- People management: Coaching, performance review, hiring
- Project management: Resource planning, stakeholder management, roadmap planning
- Strategic thinking: Connect data initiatives với business strategy
- Communication: Presentation, executive storytelling
**Nếu muốn ở lại IC track (Individual Contributor):
- Deep expertise: 1–2 domain (credit risk, fraud, marketing analytics)
- Research: Đọc papers, attend NeurIPS/KDD
- Architecture: Design end-to-end ML platform
- Mentorship: Train junior DS
⚡ 5 lời khuyên thực chiến
1. Đừng chỉ code, hãy hiểu business: Vị trí này cần "advises business with insights". Data scientist giỏi nhất ở TCB không phải người code hay nhất, mà là người hiểu credit/retail banking sâu nhất.
2. Domain expertise beats algorithm novelty: Ở ngân hàng, một logistic regression được deploy production tốt hơn 1 deep learning chưa ai hiểu. Trừ khi bạn prove được ROI.
3. Stakeholder management = 50% công việc: Phần lớn thời gian là meeting, align expectation, push back yêu cầu không khả thi. Đừng nghĩ DS chỉ làm data.
4. Tìm hiểu sâu về Techcombank: TCB đang chạy chiến lược "AI-first". Hiểu rõ sẽ giúp bạn nói đúng ngôn ngữ của họ trong phỏng vấn.
5. Build network nội bộ: Trước khi apply, connect với người TCB trên LinkedIn. Nhiều vị trí Senior ở VN là qua referral.
🚨 Cảnh báo thực tế
- Workload có thể cao: Banking transformation pressure rất lớn, deadline dồn dập
- Regulation chặt: Mọi model liên quan đến credit phải qua governance review, IRB compliant
- Legacy data: Ngân hàng có data quality không tốt như tech company. Chuẩn bị tinh thần dọn dẹp data nhiều
- Politics: Stakeholder hierarchy phức tạp, cần patience
- Budget approval: Project data science cần convince nhiều layer trước khi deploy
🌟 Top 3 công ty nên cân nhắc cạnh tranh với Techcombank
Nếu bạn đang cân nhắc các lựa chọn khác, cùng phân khúc:
1. VPBank (FE Credit — heavy AI/ML)
2. MB (Military Bank) — đang đẩy mạnh data team
3. VIB — năng động, fintech-like culture
4. VNPay / MoMo / ZaloPay — fintech pure-play
5. FPT Software / TIKI / VinAI — alternative
Câu hỏi thường gặp
Em mới ra trường, năm nay 22 tuổi, có nên apply vị trí Data Scientist ở Techcombank yêu cầu 5+ năm kinh nghiệm không?
Câu trả lời ngắn: KHÔNG, đừng apply ngay. Vị trí này là Senior level yêu cầu 5+ năm, nghĩa là bạn sẽ compete với người có track record đã deploy model production, mentor junior, lead squad. Bạn có thể bị reject nhanh và lãng phí cơ hội khác. Thay vào đó: (1) Apply các vị trí Junior DS hoặc Data Analyst ở TCB hoặc fintech, (2) Làm project cá nhân + Kaggle để build portfolio, (3) Học stack TCB dùng (Python, SQL, Spark, Tableau), (4) Sau 2–3 năm quay lại apply sẽ tốt hơn nhiều. Techcombank hay các ngân hàng lớn cũng có chương trình Fresher/Graduate — tìm hiểu thêm.
Mức lương hợp lý để đàm phán cho vị trí Senior Data Scientist tại Techcombank là bao nhiêu?
Từ thông tin thị trường 2024–2025, Senior DS 5+ năm ở TCB thường dao động 70–110 triệu VNĐ/tháng (gross). Nếu bạn có kinh nghiệm về banking, credit risk, hoặc đến từ fintech/Mastercard/Visa trước đó, có thể negotiate 100–130 triệu. Lưu ý: Techcombank pay theo band, nên khi offer thường có thêm: thưởng 13th month, performance bonus (1–3 tháng lương), bảo hiểm gia đình, possibly ESOP. Mẹo: research trên ITviec, VietnamWorks, LinkedIn Salary. Khi nhà tuyển dụng hỏi expectation, hãy đưa ra range cao hơn 10–15% mức bạn muốn, ví dụ: 'Em mong muốn khoảng 90–120 triệu all-in'.
Tôi đang là Data Analyst 3 năm ở công ty FMCG, muốn chuyển sang DS ở ngân hàng. Nên chuẩn bị gì?
Bạn đã có nền tảng business và SQL tốt — đó là lợi thế. Cần build thêm: (1) ML hands-on: Làm ít nhất 3–5 project end-to-end (churn, recommendation, classification) deploy lên GitHub. (2) Deep learning basics: CNN, RNN, transformer — không cần expert nhưng phải hiểu khi nào nên dùng. (3) Big data tools: PySpark, cloud (AWS/GCP). (4) Domain banking: Học qua các khóa Coursera về risk management, hoặc đọc report của Techcombank. (5) Storytelling: Bạn phải kể được business story bằng data, không chỉ làm báo cáo. Thời gian chuẩn bị: 6–9 tháng. Đừng apply junior — apply lateral vị trí DS ở công ty bạn, hoặc ngân hàng nhỏ/vừa trước khi nhảy lên TCB.
JD yêu cầu '5+ years of relevant experience'. Tôi mới chỉ có 4 năm nhưng làm nhiều project production-grade. Có nên apply?
Có thể apply, nhưng cần chuẩn bị kỹ để overcome con số 5+. Chiến lược: (1) Trong CV, highlight các project có impact business — "increased retention 12%", "reduced churn $X million". (2) Trong cover letter / screening, address thẳng: 'Tôi có 4 năm kinh nghiệm concentrated trong ML production, bao gồm project tương đương với yêu cầu của vị trí'. (3) Chuẩn bị talking points về impact, ownership, scope của bạn. Đôi khi HR ngầm hiểu 5+ là guideline, không phải hard rule. Nhưng nếu bạn chỉ có 2–3 năm, hãy đợi thêm.
Techcombank hay VPBank tốt hơn cho sự nghiệp Data Scientist?
Tùy mục tiêu của bạn: Techcombank: thương hiệu lớn, đang transformation mạnh, có Transformation Office với data team chuyên biệt, salary competitive. Môi trường corporate banking chuẩn, regulator-friendly. Thích hợp nếu bạn muốn 'blue-chip' experience trong CV. VPBank: aggressive hơn, đặc biệt FE Credit có data team mạnh về credit scoring, alternative data. Culture startup-like hơn, ra quyết định nhanh. Thích hợp nếu bạn muốn học nhanh và làm end-to-end. Nếu muốn pure tech/data: VIB, TNEX, hoặc fintech (MoMo, VNPay, ZaloPay) pay cao hơn, làm cutting-edge nhưng risk cao hơn. Còn nếu muốn long-term banking career, TCB là bước đi tốt.
Câu hỏi phỏng vấn khó nhất với vị trí này là gì và cách prepare?
Câu hỏi khó nhất thường là business case study end-to-end — vì nó test cả technical lẫn business thinking. Ví dụ: 'Làm sao giảm 20% churn cho KH cá nhân ở Techcombank?'. Để prepare: (1) Dùng framework DSL (Define → Scope → Lead): Define problem bằng metric rõ ràng, Scope data/feature needed, Lead approach (rule-based? ML? simple A/B test?). (2) Luôn hỏi ngược 'Tôi cần thêm data gì để answer câu hỏi này?'. (3) Đừng nhảy vào ML — đôi khi solution là segment + targeted campaign đơn giản. (4) Practice với 5–6 case khác nhau với bạn bè. (5) Đọc 1 số case study thật của McKinsey/Bain về banking để có ngôn ngữ.
Làm Data Scientist ở ngân hàng khác gì ở tech company (Google, Facebook)?
Khác biệt lớn: (1) Regulation: Mọi model phải qua governance, audit trail, explainability (SHAP, LIME). Ở tech company, bạn có thể ship model nhanh và iterate; ở ngân hàng, 6 tháng có khi mới approve. (2) Data quality: Banking data messy hơn nhiều — legacy systems, manual entry, format không consistent. (3) Stakeholder complexity: Hierarchy phức tạp, nhiều approval layers. (4) Impact measurement: Khó đo ROI vì benefit indirect. (5) Tech stack: Thường on-prem nhiều hơn cloud. (6) Work-life balance: Tech company thường flexible hơn, banking có thể demanding hơn vào deadline. Ưu điểm: Bạn làm việc thực sự ảnh hưởng đến nền kinh tế, có job security tốt hơn, exposure to C-suite nhiều hơn. Nhược điểm: Innovation chậm hơn, bureaucracy nhiều.
Tôi có nên học lên Thạc sĩ (Master) trước khi apply không, hay đi làm luôn?
Phụ thuộc vào context của bạn: Nếu bạn mới ra trường (Bachelor), top-tier university: Đi làm 2–3 năm rồi quyết định. Master (như DS ở RMIT, ĐH Quốc gia, Fulbright, hoặc nước ngoài) giúp bạn vào senior track nhanh hơn, đặc biệt cho vị trí như TCB đang tuyển. Nếu bạn đã 3+ năm kinh nghiệm: Master không còn cần thiết nhiều — portfolio và impact nói thay. Có thể làm Executive MBA sau nếu muốn managerial. Nếu ứng tuyển vị trí này (5+ năm): Master là nice-to-have, không phải deal-breaker. JD không yêu cầu Master. Nhưng nếu bạn apply cho vị trí research/PhD ở VIB hay FE Credit AI Lab, Master/PhD là cần thiết.