NHÂN VIÊN

Mô tả công việc

1. Tham mưu cho Trưởng phòng, hỗ trợ quản lý (lead team nhỏ) và định hướng phòng Khoa học dữ liệu trong việc áp dụng các kỹ thuật phân tích nâng cao, khoa học dữ liệu nhằm tìm ra hành vi khách hàng, giải quyết các vấn đề kinh doanh thực tế. • Làm việc trực tiếp với trưởng phòng khoa học dữ liệu, hỗ trợ định hướng các bài toán phân tích nâng cao, dự báo trong các hoạt động của ngân hàng. • Chủ động đề xuất triển khai và dẫn dắt các dự án phân tích dữ liệu phục vụ hoạt động kinh doanh dưới sự định hướng của trưởng phòng khoa học dữ liệu. • Áp dụng các kỹ thuật phân tích nâng cao, khoa học dữ liệu nhằm đưa ra các hiểu biết sâu sắc về hành vi của khách hàng, qua đó giúp giải quyết các vấn đề kinh doanh thực tế. • Tìm kiếm các hiểu biết sâu sắc về hành vi khách hàng bằng các kỹ thuật khai thác dữ liệu khác nhau. • Phát triển mô hình học máy, trí tuệ nhân tạo giúp các đơn vị kinh doanh dự báo các vấn đề kinh doanh khác nhau như dự báo khách hàng ngừng sử dụng dịch vụ, bán chéo sản phẩm cho khách hàng hiện tại... • Hướng dẫn, đào tạo các thành viên trong phòng. • Tự động hóa quy trình phân tích. 2. Lead việc triển khai nghiên cứu, cập nhật và ứng dụng các kỹ thuật phân tích nâng cao mới. • Nghiên cứu các phương pháp mới trong lĩnh vực phân tích, khai phá dữ liệu và dự báo & ứng dụng. • Chủ động nghiên cứu và tận dụng các nguồn dữ liệu sẵn có. 3. Lead việc triển khai, hỗ trợ các trung tâm/phòng ban khác thuộc EDA trong các bài toán liên quan đến phân tích nâng cao, khoa học dữ liệu. • Lead việc triển khai, hỗ trợ các phòng ban khác thuộc EDA trong các phân tích chuyên sâu và dự báo khi cần.

Yêu cầu ứng viên

Trình độ đào tạo Đại học Các yêu cầu khác • Ít nhất 5-6 năm kinh nghiệm trong linh vực phân tích nâng cao, khoa học dữ liệu. • Có kinh nghiệm quản lý đối tác là một lợi thế. • Có nhiều kinh nghiệm trong việc đọc hiểu và biên dịch ý nghĩa của dữ liệu thành các hành động cụ thể, không chỉ là báo cáo. • Hiểu biết rõ và có nhiều kinh nghiệm làm việc với các khái niệm, kỹ thuật phân tích thông kê, kiểm định, phân tích dữ liệu phức và đưa ra các khuyến nghị cần thiết. • Hiểu biết rõ về các mô hình thống kê, dự báo, các thuật toán học máy, phân lớn và phân loại/ Good knowledge of statistical and predictive modeling concepts, machine learning approaches, clustering and classification techniques • Có kiến thức và kinh nghiệm làm việc với Cloud/ Knowledge of and experience using Cloud • Có kinh nghiệm vận hành các mô hình dự báo / Experience with MLOps • Có kiến thức về ngân hàng bán lẻ/ Knowledge of retail banking • Có kiến thức về hệ thống dữ liệu, hệ thống báo cáo phân tích kinh doanh / Knowledge of data system, Business intelligence system • Khám phá dữ liệu, dự báo/ Data Mining, predictive modelling Mối quan hệ trong công việc - Quan hệ Bên trong Tổ chức Làm việc với các đơn vị kinh doanh nội bộ trong VPBank & EDA - Quan hệ Bên ngoài Tổ chức Làm việc với các đối tác cung cấp giải pháp phân tích dữ liệu khi cần thiết - Mục đích: Trao đổi thông tin, tiếp nhận yêu cầu và hỗ trợ các hoạt động kinh doanh bằng cách sử dụng các phương pháp phân tích dữ liệu Làm việc với các đối tác, tìm hiểu mức độ phù hợp với các bài toán cụ thể của VPBank

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cho vị trí Data Scientist (Expert/Senior) - VPBank ### 1. Hard Skills bắt buộc | Nhóm kỹ năng | Yêu cầu cụ thể | Mức độ quan trọng | |---|---|---| | **Machine Learning** | Supervised/Unsupervised learning, Clustering, Classification, Regression, Neural Networks | ⭐⭐⭐⭐⭐ | | **Thống kê** | Statistical analysis, Hypothesis testing, A/B testing, Time series forecasting | ⭐⭐⭐⭐⭐ | | **Lập trình** | Python (sklearn, pandas, numpy, TensorFlow/PyTorch), R, SQL | ⭐⭐⭐⭐⭐ | | **Cloud Platform** | AWS, GCP hoặc Azure (xây dựng, triển khai mô hình trên cloud) | ⭐⭐⭐⭐ | | **MLOps** | Triển khai, vận hành, monitoring mô hình ML trong production | ⭐⭐⭐⭐ | | **Data Engineering** | Xử lý data pipeline, ETL, data warehouse, Big Data tools (Spark, Hadoop) | ⭐⭐⭐⭐ | | **Business Intelligence** | Tableau, Power BI, Looker - trực quan hóa dữ liệu | ⭐⭐⭐ | | **Nghiệp vụ ngân hàng** | Retail banking, credit scoring, customer lifecycle, cross-selling | ⭐⭐⭐⭐ | ### 2. Soft Skills quan trọng - **Leadership:** Lead được team nhỏ (2-4 người), mentoring thành viên junior - **Giao tiếp nghiệp vụ:** Chuyển đổi giữa ngôn ngữ kỹ thuật ↔ ngôn ngữ kinh doanh (stakeholder management) - **Đề xuất chủ động:** Không chỉ làm theo yêu cầu mà phải tự đề xuất bài toán mới - **Project management:** Quản lý và dẫn dắt dự án phân tích từ đầu đến cuối - **Kinh nghiệm quản lý đối tác:** Làm việc với vendor/đối tác cung cấp giải pháp ### 3. Chứng chỉ gợi ý **Ưu tiên cao:** - AWS Certified Machine Learning – Specialty / GCP Professional ML Engineer - Google Data Analytics Professional Certificate - Databricks Lakehouse Fundamentals **Ưu tiên trung bình:** - Microsoft Certified: Azure Data Scientist Associate - Kaggle Competition (huy chương) - minh chứng kỹ năng thực tế - CFA/FRM (nếu muốn chuyên sâu về nghiệp vụ tài chính) ### 4. Bảng so sánh: Ứng viên mới vs. Ứng viên Expert/Senior | Tiêu chí | Junior Data Scientist | Expert/Senior (cấp này) | |---|---|---| | **Phạm vi công việc** | Làm theo task được giao | Tự đề xuất và dẫn dắt dự án | | **Mô hình ML** | Build baseline models | Production-ready, MLOps, monitoring | | **Giao tiếp** | Báo cáo cho manager | Trình bày với business stakeholders | | **Team** | Làm việc độc lập | Lead team nhỏ, mentoring junior | | **Kinh nghiệm** | 1-3 năm | 5-6+ năm | | **Bài toán cụ thể** | Phân tích EDA đơn giản | Churn prediction, credit scoring, cross-sell, lifetime value | | **Cloud** | Biết sơ lược | Thiết kế và triển khai trên cloud | --- ## Mô hình học máy cần thành thạo cho VPBank **Bài toán Cấp độ 1 (thường gặp trong ngân hàng bán lẻ):** - 🏦 **Churn Prediction** - Dự đoán khách hàng ngừng sử dụng dịch vụ - 🎯 **Cross-selling/Up-selling** - Bán chéo, bán thêm sản phẩm - 💳 **Credit Scoring** - Chấm điểm tín dụng - 👥 **Customer Segmentation** - Phân khúc khách hàng - 📈 **Lifetime Value Prediction** - Dự báo giá trị vòng đời khách hàng - 🔍 **Fraud Detection** - Phát hiện gian lận **Tech stack thường dùng trong ngân hàng Việt Nam:** - Python (pandas, scikit-learn, XGBoost, LightGBM, CatBoost) - SQL (BigQuery, Snowflake, hoặc database proprietary của ngân hàng) - Cloud: AWS SageMaker / GCP Vertex AI / Azure ML - Dashboard: Power BI, Tableau - Workflow: Airflow, MLflow, Kubeflow --- ## Lộ trề chuẩn bị theo từng nhóm kỹ năng **Nhóm 1 - Nền tảng (tuần 1-2):** - Ôn lại: Statistics (p-value, confidence interval, hypothesis testing) - Học: SQL nâng cao (window functions, CTEs, optimization) - Thực hành: Python pandas, matplotlib, seaborn **Nhóm 2 - ML chuyên sâu (tuần 3-4):** - Supervised: XGBoost, LightGBM, Random Forest, Logistic Regression - Unsupervised: K-means, DBSCAN, PCA - Model evaluation: AUC-ROC, Precision-Recall, F1, Confusion Matrix - Hyperparameter tuning: GridSearch, RandomSearch, Bayesian Optimization **Nhóm 3 - MLOps & Cloud (tuần 5-6):** - Học: Model deployment (FastAPI, Docker) - Thực hành: Một cloud platform (recommend AWS) - MLflow cho experiment tracking - CI/CD cho ML pipeline **Nhóm 4 - Nghiệp vụ ngân hàng (tuần 7-8):** - Tìm hiểu: Retail banking products (thẻ, vay tiêu dùng, tài khoản) - Học: Basel II/III, CAMEL rating (nếu có thời gian) - Đọc: Báo cáo tài chính VPBank 2-3 năm gần nhất - Research: Các use case ML phổ biến trong ngân hàng bán lẻ Việt Nam

Chuẩn bị phỏng vấn

## Hướng dẫn chuẩn bị phỏng vấn VPBank - Data Scientist Expert/Senior ### Quy trình phỏng vấn dự kiến VPBank thường có **3-4 vòng phỏng vấn** cho vị trí cấp cao: **Vòng 1 – HR Screening (30-45 phút)** - Đánh giá fit văn hóa, động lực ứng tuyển - Xác nhận kinh nghiệm, mức lương kỳ vọng - Tìm hiểu mong muốn phát triển sự nghiệp **Vòng 2 – Technical Interview với Team Lead/Manager (60-90 phút)** - Kiểm tra kiến thức ML, Statistics, Data Engineering - Xem xét portfolio/dự án đã làm - Live coding hoặc case study **Vòng 3 – Technical Interview với Head of Department (60-90 phút)** - Deep dive vào kiến thức chuyên môn - Business case: Bài toán ngân hàng cụ thể - System design cho giải pháp data **Vòng 4 – Final Interview với C-level/HR Director (30-60 phút)** - Đánh giá tổng thể năng lực lãnh đạo - Culture fit, định hướng phát triển - Thương lượng compensation & benefits --- ### Câu hỏi hay gặp theo từng vòng #### Vòng 1 - HR 1. "Tại sao bạn rời công việc hiện tại?" 2. "Bạn kỳ vọng gì ở vị trí này tại VPBank?" 3. "Mức lương kỳ vọng của bạn là bao nhiêu?" 4. "Bạn hiểu gì về Khối Quản trị và Phân tích dữ liệu (EDA) của VPBank?" 5. "Bạn có kinh nghiệm làm việc trong môi trường ngân hàng chưa?" #### Vòng 2 - Technical (Team Lead) 1. **SQL & Data Manipulation:** - "Viết SQL để tính monthly active users (MAU) từ bảng transaction" - "Làm sao tối ưu query khi join nhiều bảng lớn?" 2. **Machine Learning:** - "Giải thích sự khác nhau giữa XGBoost và Random Forest? Khi nào dùng cái nào?" - "Xử lý imbalanced dataset như thế nào? (Credit scoring thường gặp)" - "Overfitting vs Underfitting: Làm sao phát hiện và xử lý?" - "Bạn đã triển khai mô hình nào lên production chưa? Quy trình như thế nào?" 3. **Statistics:** - "Giải thích p-value trong 2 câu?" - "A/B test: Làm sao xác định sample size?" - "Khi nào dùng t-test, khi nào dùng chi-square?" 4. **Python/Coding:** - "Viết function để tính Customer Lifetime Value (CLV)" - "Tối ưu pandas code khi xử lý dataframe 10 triệu rows" #### Vòng 3 - Department Head 1. **Business Case:** - "Thiết kế mô hình churn prediction cho VPBank. Bạn sẽ bắt đầu từ đâu?" - "Làm sao đo lường ROI của một mô hình ML trong ngân hàng?" - "Nếu business đưa ra yêu cầu không khả thi về mặt data, bạn sẽ xử lý thế nào?" 2. **Leadership & Project:** - "Kể về một dự án bạn từng lead. Thách thức lớn nhất là gì?" - "Bạn làm sao để mentor junior trong team?" - "Mô tả quy trình MLOps của team trước đây" 3. **Strategic Thinking:** - "Bạn nghĩ VPBank nên ưu tiên bài toán data nào trong 12 tháng tới?" - "Xu hướng GenAI/AIGC sẽ ảnh hưởng thế nào đến công việc của Data Scientist?" #### Vòng 4 - Final (C-level/HR) 1. "Bạn nhìn thấy con đường sự nghiệp của mình ở VPBank như thế nào trong 3-5 năm tới?" 2. "Điểm mạnh và điểm yếu lớn nhất của bạn là gì?" 3. "Bạn mong muốn compensation package như thế nào?" 4. "Bạn có câu hỏi gì cho chúng tôi không?" ← LUÔN HỎI, thể hiện sự quan tâm nghiêm túc --- ### Tips chuẩn bị đặc biệt cho VPBank ✅ **Research trước:** - Đọc báo cáo thường niên VPBank 2022-2024 - Tìm hiểu EDA (Enterprise Data & Analytics) - VPBank đã đầu tư mạnh vào data transformation - Tìm hiểu chiến lược "Digital Bank" của VPBank ✅ **Chuẩn bị portfolio:** - Sẵn sàng demo notebook/code của các dự án ML đã làm - Chuẩn bị 2-3 câu chuyện (storytelling) về bài toán business và giải pháp ML ✅ **Technical cheat sheet mang theo:** - Một số ứng viên được phép dùng laptop/whiteboard để giải thích - Chuẩn bị sẵn diagram cho system design ✅ **Điều chỉnh ngôn ngữ:** - Dùng ngôn ngữ kinh doanh khi trình bày: "Mô hình này giúp tăng cross-sell rate X%" thay vì "Model accuracy đạt Y%" - Thể hiện sự hiểu biết về pain points của ngân hàng bán lẻ --- ### Dress Code - **Business casual** (áo sơ mi, quần âu / váy công sở) - Không cần blazer/quần âu quá formal - VPBank có văn hóa khá open, startup-friendly - Tránh: shorts, sandals, đồ quá màu mè --- ### Câu hỏi nên hỏi nhà tuyển dụng 1. "Đội ngũ EDA hiện tại có bao nhiêu người? Cấu trúc như thế nào?" 2. "Quy trình từ ý tưởng đến triển khai mô hình mất bao lâu?" 3. "Tech stack hiện tại của team data là gì?" 4. "Thách thức lớn nhất của team data tại VPBank hiện tại là gì?" 5. "Cơ hội học tập, đào tạo nào dành cho nhân viên?"

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho vị trí Data Scientist Expert/Senior tại VPBank ### Phần 1: Kiến thức nền tảng cần ôn #### A. Statistics & Probability (ôn sâu) **Tài liệu:** - 📖 "Think Stats" - Allen B. Downey (free online) - 📖 "Statistical Inference" - Casella & Berger **Trọng tâm ôn:** - Probability distributions (Normal, Binomial, Poisson) - Hypothesis testing (t-test, chi-square, ANOVA) - Confidence intervals & p-values - Bayesian inference basics - Correlation vs Causation **Bài tập thực hành:** Làm lại 5-10 bài hypothesis testing từ dataset thật --- #### B. Machine Learning (ôn chuyên sâu) **Tài liệu:** - 📖 "Hands-On Machine Learning" - Aurelien Geron (bìa 2nd/3rd edition) - 📖 "Machine Learning Engineering" - Andriy Burkov (đọc online free) **Trọng tâm ôn theo priority:** **Priority 1 - Must know thật sâu:** 1. **Gradient Boosting** (XGBoost, LightGBM, CatBoost) - đây là backbone của hầu hết model trong ngân hàng - Hiểu cách gradient boosting hoạt động từng bước - Regularization parameters, hyperparameters tuning - Feature importance interpretation 2. **Model Evaluation & Validation** - Train/test split vs Cross-validation (K-fold) - Metrics cho classification: AUC-ROC, Precision, Recall, F1, Confusion Matrix - Metrics cho regression: RMSE, MAE, R² - Business metric: Conversion rate, lift, profit-based evaluation 3. **Feature Engineering** - Xử lý missing data - Encoding categorical variables (One-hot, Target encoding) - Feature scaling (Standardization vs Normalization) - Handling imbalanced data (SMOTE, class weights, threshold tuning) **Priority 2 - Hiểu rõ:** - Logistic Regression (interpretability rất quan trọng trong ngân hàng) - Random Forest - K-means, DBSCAN (customer segmentation) - PCA (dimensionality reduction) - Time Series forecasting (ARIMA, Prophet) **Priority 3 - Biết overview:** - Neural Networks, Deep Learning (NLP, Computer Vision) - Recommendation systems - Reinforcement Learning --- #### C. MLOps & Production **Tài liệu:** - 📖 "Introducing MLOps" - Mark Treveil (free online - O'reilly) - 📄 Machine Learning Engineering book (Andriy Burkov) **Trọng tâm ôn:** - Model deployment lifecycle - MLflow experiment tracking - Model monitoring & drift detection - Docker basics cho deployment - API development (FastAPI/Flask) --- #### D. Cloud Platform (AWS/GCP/Azure) **Gợi ý:** Chọn MỘT platform và học sâu, recommend **AWS** (phổ biến nhất ở VN) **AWS SageMaker topics:** - Data labeling (SageMaker Ground Truth) - Training jobs - Model deployment - AutoML (SageMaker Autopilot) - Inference pipelines **Free hands-on:** AWS Free Tier + Kaggle datasets --- ### Phần 2: Nghiệp vụ Ngân hàng Bán lẻ **Tài liệu tham khảo:** - 📖 "Bank 4.0" - Brett King (hiểu xu hướng banking) - 📖 "The Analytics Lifecycle Toolkit" - Ian Cook (thực hành analytics trong business) - 📄 RBI Circulars, VPBank investor relations page **Các bài toán ML phổ biến trong ngân hàng bán lẻ Việt Nam:** | Bài toán | Mô hình thường dùng | KPI đo lường | |---|---|---| | Credit scoring | Logistic Regression, XGBoost | AUC, KS score | | Churn prediction | XGBoost, Random Forest, Survival Analysis | Churn rate reduction | | Cross-selling | Uplift modeling, Recommender system | Conversion rate, Lift | | Fraud detection | Anomaly detection, Ensemble methods | Recall, False positive rate | | Customer lifetime value | Regression, Survival analysis | CLV prediction accuracy | | Collections/NPL | Scorecard models | Collections rate | --- ### Phần 3: Lộ trình chuẩn bị 2 tuần #### Tuần 1 - Tập trung Technical **Ngày 1-2: SQL + Python Refresh** - Ôn window functions (ROW_NUMBER, RANK, LAG, LEAD) - Practice: 10 bài SQL trên LeetCode (medium-hard) - Ôn pandas data manipulation **Ngày 3-4: Machine Learning Deep Dive** - Ôn XGBoost/LightGBM internals - Làm 1 project nhỏ: Churn prediction trên dataset bank (Kaggle) - Thực hành: Feature engineering + Model training + Evaluation **Ngày 5: Statistics + A/B Testing** - Ôn hypothesis testing - Giải 5 bài A/B test case study **Ngày 6-7: MLOps + Cloud** - Học/bổ sung MLflow - Thực hành deploy simple model (Docker + FastAPI) - Xem lại AWS/GCP basics #### Tuần 2 - Business + Mock Interview **Ngày 8-9: Nghiệp vụ Ngân hàng** - Đọc 3 bài báo về VPBank và chiến lược data - Tìm hiểu các use case ML trong ngân hàng bán lẻ - Học: Credit lifecycle, customer journey mapping **Ngày 10-11: Mock Interview Technical** - Tự hỏi/tự trả lời 10 câu ML/statistics - Làm 2 bài case study business (như churn model design) - Practice diễn đạt bằng lời: "Giải thích regularization trong XGBoost..." **Ngày 12-13: Mock Interview + Storytelling** - Practice 3 câu chuyện dự án đã làm - Chuẩn bị: STAR format (Situation, Task, Action, Result) - Đặc biệt: Chuẩn bị câu "Tell me about a project where ML directly impacted business KPI" **Ngày 14: Final Review + Logistics** - Rà soát lại toàn bộ key concepts - Chuẩn bị CV/portfolio - Sắp xếp outfit - Check địa điểm phỏng vấn --- ### Tài liệu tham khảo bổ sung **Online Courses:** - Coursera: "Machine Learning" - Andrew Ng (classic, phải học) - Coursera: "Deep Learning Specialization" - deepai.org (optional) - Kaggle: "Machine Learning Explainability" - free **YouTube channels:** - StatQuest with Josh Starmer (Statistics & ML concepts) - Sentdex (Python for finance/machine learning) **Practice platforms:** - LeetCode (SQL, Python) - Kaggle (Competitions + Notebooks) - HackerRank (SQL)

Tư vấn nghề nghiệp

## Lời khuyên sự nghiệp cho Data Scientist Expert/Senior tại VPBank --- ### Lộ trình thăng tiến trong ngành Data tại VPBank/Ngân hàng Việt Nam ``` Junior Data Scientist (1-3 năm) ↓ Data Scientist (3-5 năm) ↓ Senior Data Scientist / Expert ← [BẠN ĐANG ỨNG TUYỂN] (5-7 năm) ↓ Lead Data Scientist / Principal Scientist (7-10 năm) ↓ Head of Data Science / Chief Data Scientist (10+ năm) ↓ CDO (Chief Data Officer) - C-level (15+ năm) ``` **Lưu ý:** Vị trí này là Expert/Senior, tức là bạn có thể: - Đi con đường **Individual Contributor (IC)**: Senior → Principal → Fellow - Hoặc con đường **Management**: Lead small team → Manager → Director - Hoặc hybrid: vừa code vừa quản lý (IC + Leadership) --- ### Mức lương kỳ vọng theo cấp bậc (tham khảo thị trường Việt Nam 2024) **Data Scientist tại VPBank/Ngân hàng bán lẻ Hà Nội:** | Cấp bậc | Kinh nghiệm | Mức lương tháng (VND) | Notes | |---|---|---|---| | Junior DS | 0-2 năm | 15-25 triệu | Fresh/tốt nghiệp IT/Stats | | Data Scientist | 2-4 năm | 25-40 triệu | Tự làm model được | | Senior DS / Expert | 5-7 năm | 40-70 triệu | Lead project, mentor team ← BẠN | | Lead DS | 7-10 năm | 70-120 triệu | Quản lý team nhỏ | | Head of DS | 10+ năm | 120-250 triệu | Báo cáo CDO/C-level | **Lưu ý:** - Lương VPBank cạnh tranh top 3 trong ngành ngân hàng VN - Ngoài lương cơ bản: có thể thương lượng thêm performance bonus, LTI (long-term incentive) - "Thỏa thuận" trong tin tuyển dụng = 40-80 triệu là range hợp lý cho 5-6 năm kinh nghiệm, tùy năng lực và offer cạnh tranh --- ### Kỹ năng cần phát triển thêm để thăng tiến #### Ngắn hạn (1-2 năm đầu tại VPBank): 1. **Học nghiệp vụ ngân hàng sâu hơn** - Products: thẻ tín dụng, vay tiêu dùng, tài khoản thanh toán - Regulations: Basel II, pháp luật NHNN về quản lý rủi ro - Customer journey trong ngân hàng bán lẻ 2. **Nâng cao MLOps** - Production-level model deployment - Model governance & compliance (important trong ngân hàng) - Monitoring & drift detection 3. **Giao tiếp business** - Trình bày kết quả cho audience không biết kỹ thuật - Tạo executive dashboard/storytelling từ data #### Trung hạn (2-5 năm): 1. **Leadership & Management** - Quản lý team 3-5 người - Resource planning, project prioritization - Hiring & onboarding 2. **Strategic thinking** - Định hướng data strategy cho toàn ngân hàng - ROI analysis cho các data initiative - Data governance framework 3. **Emerging tech** - GenAI/LLM applications trong banking - Real-time ML (streaming analytics) - MLOps at scale --- ### So sánh VPBank với các đối thủ (tham khảo) | Tiêu chí | VPBank | Techcombank | MBBank | TPBank | |---|---|---|---|---| | Mức lương DS | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | | Tech stack hiện đại | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | | Cơ hội học tập | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | | Work-life balance | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | | Culture | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | --- ### Lời khuyên thực tế từ góc nhìn ứng viên **✅ NÊN làm:** 1. **Thương lượng dựa trên data:** Mang theo benchmark salary từ Glassdoor/LinkedIn/VietnamSalary khi đàm phán 2. **Hỏi về tech stack thực tế** ở vòng phỏng vấn, không chỉ đọc JD 3. **Đàm phán thêm về:** Learning budget, certification allowance, flexible work (hybrid/remote) 4. **Xây dựng internal network** ngay khi vào - làm việc cross-functional với nhiều team 5. **Publish/showcase achievements** nội bộ để được thăng tiến **❌ KHÔNG NÊN:** 1. Nhảy việc quá sớm (ít nhất 18-24 tháng để có thành tích đáng kể) 2. Chỉ focus vào tech, bỏ qua business impact 3. Đánh giá thấp tầm quan trọng của regulatory/compliance trong ngân hàng 4. So sánh môi trường ngân hàng với startup - culture khác nhau --- ### Đánh giá cơ hội của vị trí này **Điểm mạnh:** - ✅ VPBank là ngân hàng top đầu, đầu tư mạnh vào data/AI - ✅ Vị trí Expert/Senior = có quyền đề xuất, dẫn dắt dự án - ✅ Lead được team nhỏ = kinh nghiệm quản lý quý giá - ✅ Làm việc trực tiếp với Head of Data Science = học hỏi nhanh - ✅ Ngân hàng bán lẻ = data phong phú, bài toán thực tế đa dạng **Thách thức:** - ⚠️ Kỳ vọng 5-6 năm kinh nghiệm + leadership = không dành cho người mới - ⚠️ Môi trường ngân hàng có regulatory constraints (GDPR-like, NHNN) - ⚠️ Cạnh tranh cao với ứng viên từ Big Tech, fintech - ⚠️ "Thỏa thuận" = cần thương lượng tốt để không bị undervalued

Câu hỏi thường gặp

Em mới tốt nghiệp ngành IT/Statistics, chưa có 5 năm kinh nghiệm. Có nên ứng tuyển vị trí Expert/Senior này không?

Không nên ứng tuyển vị trí này nếu bạn chưa đủ 5-6 năm kinh nghiệm thực tế. Yêu cầu 'Expert/Senior' của VPBank là thật sự cần ứng viên có thể: lead team nhỏ, tự đề xuất và dẫn dắt dự án, làm việc trực tiếp với Head of Department. Tuy nhiên, bạn có thể theo dõi VPBank tuyển vị trí Data Scientist (không phải Expert) hoặc ứng tuyển ở các công ty nhỏ hơn để tích lũy kinh nghiệm 3-4 năm rồi quay lại.

Mức lương 'Thỏa thuận' có nghĩa là gì và nên đàm phán như thế nào?

'Thỏa thuận' trong tin tuyển dụng ngân hàng thường có nghĩa VPBank sẽ đánh giá năng lực ứng viên và đưa offer dựa trên đó. Với 5-6 năm kinh nghiệm ở vị trí Expert/Senior tại VPBank, mức lương tham khảo là 40-70 triệu/tháng. Khi đàm phán: (1) Nghiên cứu benchmark từ Glassdoor, VietnamSalary, LinkedIn Salary; (2) Đưa ra con số cụ thể dựa trên current package + expected raise 20-30%; (3) Ngoài lương, đàm phán thêm: bonus (thường 1-3 tháng), certification budget, hybrid work policy. Lưu ý: Không nên đưa ra số quá thấp hoặc quá cao ngay từ đầu.

Em có 4 năm kinh nghiệm làm Data Analyst, muốn chuyển sang Data Scientist có được không?

Hoàn toàn có thể chuyển, nhưng cần chuẩn bị kỹ. Ưu điểm: bạn đã có nghiệp vụ business, hiểu data trong ngân hàng. Điều cần bổ sung gấp: (1) Kỹ năng lập trình ML - học Python/scikit-learn, build 2-3 portfolio projects hoàn chỉnh; (2) Hiểu sâu hơn về statistics và hypothesis testing; (3) MLOps basics - biết cách deploy model. Đối với VPBank, vị trí Expert/Senior đòi hỏi 5-6 năm, nhưng nếu bạn có portfolio ấn tượng + proven business impact từ ML, có thể đàm phán. Gợi ý: Ứng tuyển vị trí Data Scientist (không phải Expert) hoặc Senior Data Analyst → internal transfer sau 12-18 tháng.

Kỹ năng nào quan trọng nhất để đỗ phỏng vấn vị trí này?

Top 3 kỹ năng quan trọng nhất theo thứ tự ưu tiên: (1) **ML modeling + production experience** - VPBank cần người không chỉ build model đẹp mà còn triển khai được lên production, monitor được. Họ sẽ hỏi rất sâu về MLOps, model deployment, A/B testing; (2) **Business impact storytelling** - Trình bày được: 'Dự án X giúp giảm churn rate bao nhiêu %, tăng doanh thu bao nhiêu' thay vì chỉ nói về accuracy; (3) **Leadership + stakeholder management** - Vì bạn sẽ lead team nhỏ và làm việc với nhiều phòng ban. Nếu thiếu cả 3, khả năng pass rất thấp.

VPBank khác gì các ngân hàng khác về văn hóa làm việc và data platform?

VPBank được biết đến là một trong những ngân hàng 'digital-first' nhất Việt Nam. Về văn hóa: (1) VPBank có startup vibe hơn so với ngân hàng nhà nước, chấp nhận thay đổi nhanh; (2) EDA (Enterprise Data & Analytics) là khối được đầu tư mạnh, có data lake/warehouse hiện đại; (3) Áp lực công việc có thể cao hơn ngân hàng truyền thống. Về tech stack: VPBank đang chuyển dần lên cloud (AWS/GCP), sử dụng Python + SQL là chính. Cạnh tranh với Techcombank và VPBank thường có mức lương tương đương, top thị trường.

Em nên chuẩn bị case study nào để gây ấn tượng khi phỏng vấn?

Chuẩn bị 2-3 case study với cấu trúc rõ ràng: (1) **Churn prediction case** - phổ biến nhất trong ngân hàng bán lẻ: mô tả data, feature engineering, model, deployment, kết quả kinh doanh; (2) **Cross-selling recommendation** - bài toán tăng revenue: cách build recommendation engine, A/B test, incremental revenue; (3) **Credit scoring improvement** - nếu có kinh nghiệm: so sánh traditional scorecard vs ML model, explainability cho regulators. Quan trọng: Mỗi case nên có con số cụ thể về business impact: 'Giảm NPL 15%', 'Tăng conversion rate 20%', 'Tiết kiệm X triệu VND chi phí vận hành'.

Có cần biết tiếng Anh không? Trình độ nào là đủ?

Có, tiếng Anh là yêu cầu cần thiết cho vị trí này. Bằng chứng: phần mô tả công việc có viết tiếng Anh xen kẽ, yêu cầu đọc tài liệu kỹ thuật quốc tế. Trình độ cụ thể: (1) Đọc/hiểu tài liệu kỹ thuật ML bằng tiếng Anh (research papers, documentation); (2) Giao tiếp bằng tiếng Anh ở mức working proficiency - đủ để present, discuss technical topics; (3) Nếu có chứng chỉ TOEIC 700+ hoặc tương đương, là điểm cộng. Không cần perfect grammar, nhưng cần tự tin giao tiếp chuyên môn.

Sau 2-3 năm ở VPBank, em có thể chuyển sang đâu tiếp?

Rất nhiều lựa chọn sau khi có 2-3 năm tại VPBank ở cấp Expert/Senior: (1) **Big Tech/FANG** - Senior Data Scientist tại Google, Meta, Shopee, Sea Group (lương có thể x2-x3); (2) **Fintech startup** - Lead Data Scientist/CTO-level (cổ phần, lương cạnh tranh); (3) **Ngân hàng khác** - Head of Data Science hoặc CDO tại ngân hàng nhỏ hơn; (4) **Consulting** - Data Strategy consultant tại McKinsey, BCG (ngân hàng là background tốt); (5) **VPBank internal** - Thăng tiến lên Lead/Head of DS nếu ở lại. Đặc biệt: GenAI/LLM skill hiện đang rất hot, nên bổ sung trong thời gian ở VPBank.

Data Scientist (Expert/ Senior) - Hà Nội - TA150