VPBank
Data Scientist - Hà Nội - TA105
Hà Nội
Khối Quản trị và Phân tích dữ liệu
CMNV
Mô tả công việc
1. Tham gia và phối hợp triển khai các giải pháp khoa học dữ liệu và trí tuệ nhân tạo cho các đơn vị trong ngân hàng
- Đề xuất và tham gia triển khai các giải pháp khoa học dữ liệu cùng chuyên gia và phối hợp chặt chẽ với các đơn vị kinh doanh/vận hành để giải quyết các bài toán thực tế có tính ứng dụng cao
- Ứng dụng các kỹ thuật phân tích nâng cao, xác suất thống kê, học máy, học sâu và GenAI để khám phá hành vi và thấu hiểu khách hàng, từ đó đưa ra insight có giá trị nhằm thúc đẩy kinh doanh
- Tham gia phát triển các mô hình học máy, học sâu và ứng dụng GenAI nhằm phục vụ các mục tiêu như: dự báo khách hàng rời đi (churn prediction), bán chéo/sản phẩm (cross/up-sell), phân khúc khách hàng (segmentation), dự đoán giá trị vòng đời khách hàng (CLTV), và cá nhân hóa trải nghiệm khách hàng
- Tham gia xây dựng sản phẩm AI/ML/GenAI hỗ trợ tự động hóa và tối ưu hóa các quy trình vận hành ngân hàng từ xử lý hồ sơ, thẩm định, hỗ trợ chăm sóc khách hàng đến vận hành nội bộ, …
2. Nghiên cứu & cập nhật kỹ thuật, công nghệ mới
- Thường xuyên nghiên cứu, cập nhật các xu hướng, kỹ thuật tiên tiến trong lĩnh vực phân tích dữ liệu, học máy, học sâu và/hoặc GenAI theo định hướng từ cấp quản lý hoặc chuyên gia nội bộ.
- Chủ động tìm hiểu và thử nghiệm các công nghệ, framework và mô hình mới để nâng cao hiệu quả triển khai giải pháp dữ liệu và AI tại ngân hàng.
- Tích cực tham gia các diễn đàn chuyên môn, hội thảo nội bộ/ngoại bộ, seminar nhằm mở rộng kiến thức và chia sẻ kinh nghiệm thực tiễn với đội nhóm.
Yêu cầu ứng viên
Trình độ đào tạo
Đại học in Khoa học máy tính
Năng lực chuyên môn
Kỹ năng
Phân tích kỹ năng cần có
## Phân tích Kỹ năng cần có cho vị trí Data Scientist - VPBank
### 1. Hard Skills (Kỹ năng chuyên môn)
**Yêu cầu bắt buộc:**
- **Lập trình Python/R** — thành thạo, sử dụng được pandas, numpy, scikit-learn, TensorFlow/PyTorch
- **SQL & NoSQL** — truy vấn dữ liệu lớn, tối ưu hóa query
- **Machine Learning** — supervised/unsupervised learning, ensemble methods (Random Forest, XGBoost, LightGBM)
- **Deep Learning** — Neural Networks, CNN, RNN/LSTM, Transformers (cho GenAI)
- **Thống kê & Xác suất** — phân phối, kiểm định giả thuyết, regression analysis
- **GenAI/LLM** — hiểu cách hoạt động của Large Language Models, RAG, fine-tuning, prompt engineering
- **Data Engineering cơ bản** — ETL, data pipeline, Apache Spark, cloud platforms (AWS/GCP/Azure)
- **Visualization** — Tableau, Power BI, matplotlib, seaborn
**Mức độ thành thạo kỳ vọng theo cấp bậc:**
| Kỹ năng | Junior (0-2 năm) | Mid (2-4 năm) | Senior (4+ năm) |
|---|---|---|---|
| Python | Thành thạo | Thành thạo + vectorization | System design |
| ML Models | Logistic, Tree-based | XGBoost, Clustering, PCA | Custom model development |
| Deep Learning | Basic NN | CNN/RNN | Transformer, GenAI |
| GenAI | Hiểu khái niệm | Prompting, API integration | Fine-tuning, RAG, deployment |
| SQL | Query phức tạp | Optimization | Data modeling |
| Cloud | Basic | S3/GCS, Lambda | MLOps, deployment pipelines |
### 2. Soft Skills (Kỹ năng mềm)
- **Kỹ năng giao tiếp** — diễn đạt kết quả phân tích cho người không chuyên (stakeholder/business unit)
- **Tư duy kinh doanh** — hiểu bài toán nghiệp vụ ngân hàng (churn, cross-sell, CLTV, risk)
- **Giải quyết vấn đề** — đặt giả thuyết, thiết kế thí nghiệm, đánh giá mô hình
- **Quản lý thời gian** — làm việc trong môi trường agile, ưu tiên task
- **Tinh thần tự học** — công nghệ AI thay đổi nhanh, cần chủ động cập nhật
- **Làm việc nhóm** — phối hợp với BA, IT, business units
### 3. Chứng chỉ gợi ý
**Có giá trị cao:**
- Google Professional Data Scientist
- AWS Certified Machine Learning Specialty
- Microsoft Certified: Azure AI Engineer
- TensorFlow Developer Certificate
- Kaggle Competition medals/ranks
**Bổ trợ hữu ích:**
- FRM (Financial Risk Manager) — nếu muốn định hướng risk analytics
- CFA — nếu muốn chuyển sang wealth management/credit
- PMP — nếu muốn phát triển quản lý dự án
### 4. Kiến thức nghiệp vụ ngân hàng cần nắm
- **Customer Analytics:** Churn prediction, CLTV, segmentation, RFM analysis
- **Credit Risk:** Scorecard modeling, PD/LGD/EAD, model validation
- **Marketing Analytics:** Campaign targeting, A/B testing, attribution modeling
- **NLP/GenAI:** Chatbot, document processing, KYC automation
- **Regulatory:** Basel III/IV, IRB approach, model risk management (SR 11-7)
---
**Bảng so sánh: Data Scientist ngân hàng vs. Data Scientist công ty tech**
| Khía cạnh | Ngân hàng (VPBank) | Công ty Tech (FAANG) |
|---|---|---|
| Dữ liệu | Structured, legacy systems, đa dạng sản phẩm | Massive, real-time, đa dạng |
| Compliance | Rất cao (regulatory, audit) | Thấp hơn (chủ yếu data privacy) |
| Tốc độ triển khai | Chậm hơn (qua nhiều tầng approve) | Nhanh (CI/CD, agile) |
| Impact | Trực tiếp vào doanh thu/lợi nhuận ngân hàng | Sản phẩm công nghệ |
| Lương | Ổn định, thưởng cuối năm | Cao hơn, equity/stock |
| Học tập | Học nhiều về nghiệp vụ tài chính | Học nhiều về distributed systems |
| GenAI | Đang đẩy mạnh ứng dụng | Tiên phong, core business |
---
**Lưu ý đặc thù VPBank:**
VPBank là ngân hàng có tốc độ chuyển đổi số nhanh, đã triển khai nhiều dự án AI như VPBank Oxygen, chatbot chăm sóc khách hàng. Vị trí này thuộc Khối Quản trị và Phân tích dữ liệu — nghĩa là bạn sẽ phục vụ toàn ngân hàng, tiếp xúc với nhiều domain khác nhau (retail banking, SME, credit card, digital banking). Đây là cơ hội tốt để xây dựng profile đa dạng.
Chuẩn bị phỏng vấn
## Hướng dẫn Phỏng vấn Data Scientist - VPBank
### Quy trình các vòng phỏng vấn (tham khảo)
**Vòng 1: HR Screening (30-45 phút)**
- Review hồ sơ, xác nhận kinh nghiệm
- Tìm hiểu động lực ứng tuyển, mức lương kỳ vọng
- Đánh giá communication skills sơ bộ
**Vòng 2: Technical Interview - Data Science (60-90 phút)**
- Kiểm tra coding (Python/SQL)
- Case study phân tích dữ liệu
- Hỏi về ML models đã xây dựng
- Bài toán nghiệp vụ ngân hàng cụ thể
**Vòng 3: Technical Interview - Deep Dive (60 phút)**
- System design cho bài toán AI/ML
- Hỏi sâu về model validation, A/B testing
- GenAI: prompting, RAG, fine-tuning
- Review portfolio/code đã làm
**Vòng 4: Manager/Head Interview (30-45 phút)**
- Định hướng phát triển
- Văn hóa làm việc, teamwork
- Câu hỏi ngược từ ứng viên
**Vòng 5: Offer (thường qua HR)**
### Câu hỏi hay gặp theo từng vòng
**Vòng 1 - HR:**
- "Tại sao bạn muốn chuyển sang VPBank?"
- "Bạn biết gì về chiến lược chuyển đổi số của VPBank?"
- "Mức lương kỳ vọng của bạn là bao nhiêu?"
- "Bạn có đang phỏng vấn ở đâu khác không?"
- "Một ngày làm việc của bạn như thế nào?"
**Vòng 2 - Technical DS:**
- "Triển khai thuật toán Random Forest từ đầu bằng Python?"
- "Xử lý imbalanced dataset như thế nào? (credit card fraud, churn)"
- "Precision vs Recall vs F1 — khi nào dùng cái nào?"
- "Bạn đã validate model như thế nào? (cross-validation, holdout)"
- "Gradient Descent hoạt động ra sao? Tại sao learning rate quan trọng?"
- "SQL: viết query tính monthly active users, retention rate"
- "Bài toán: làm sao predict churn cho khách hàng ngân hàng?"
**Vòng 3 - Deep Technical:**
- "Thiết kế hệ thống recommendation cho cross-sell sản phẩm ngân hàng"
- "Khi nào dùng collaborative filtering vs content-based?"
- "Explain bias-variance tradeoff cho model bạn đã làm"
- "GenAI: RAG hoạt động ra sao? Ưu nhược điểm?"
- "Làm sao đánh giá LLM output quality?"
- "A/B testing: cách thiết kế, sample size, p-value"
- "Feature engineering cho customer lifetime value"
- "Overfitting: làm sao phát hiện và xử lý?"
**Vòng 4 - Manager:**
- "Bạn thấy xu hướng AI/ML trong ngân hàng sẽ đi đâu trong 3-5 năm tới?"
- "Kể về một dự án mà bạn phải bán ý tưởng cho stakeholder?"
- "Bạn làm việc với business unit như thế nào?"
- "Khi model production gặp vấn đề, bạn xử lý ra sao?"
- "Mục tiêu phát triển nghề nghiệp của bạn trong 3 năm tới?"
### Tips chuẩn bị
**Trước 1-2 tuần:**
1. Ôn lại ML fundamentals: bias-variance, overfitting, regularization (L1/L2), gradient descent
2. Thực hành SQL trên LeetCode (tag: Database) hoặc HackerRank
3. Ôn một vài case study ML end-to-end đã làm (chuẩn bị slide/notes)
4. Đọc về VPBank: annual report, VPBank Oxygen, AI initiatives
5. Cập nhật xu hướng GenAI 2024-2025: RAG, agents, fine-tuning
6. Chuẩn bị 2-3 câu hỏi thông minh cho người phỏng vấn
**Trước 1 ngày:**
- Ngủ đủ giấc
- Chuẩn bị laptop/điện thoại dự phòng (nếu phỏng vấn online)
- In CV và portfolio (nếu onsite)
**Trong phỏng vấn:**
- Dùng STAR method (Situation → Task → Action → Result) để trả lời
- Thể hiện tư duy business, không chỉ technical
- Khi không biết, thành thật + show cách suy nghĩ, đừng bluff
- Hỏi ngược nhiều câu hỏi thể hiện sự quan tâm
### Dress Code
- **VPBank** là ngân hàng thương mại tư nhân lớn, dress code khá **business professional**
- Nam: áo sơ mi, quần âu, giày da (có thể không cần cravat)
- Nữ: áo sơ mi blouse, quần âu hoặc váy công sở
- Nếu phỏng vấn online: smart casual được chấp nhận
- Màu sắc trung tính (xanh navy, đen, xám, trắng) — chuyên nghiệp nhưng không quá cứng nhắc
### Chuẩn bị portfolio/code
- Mang theo notebook có demo model, dashboard, hoặc slide dự án
- Chuẩn bị GitHub profile có code sạch, có README mô tả rõ ràng
- Đặc biệt: chuẩn bị slide 5-10 phút trình bày một dự án ML end-to-end mà bạn tự hào nhất, bao gồm: business problem → data → feature engineering → modeling → results → lessons learned
Lộ trình ôn thi
## Ôn thi & Chuẩn bị cho vị trí Data Scientist - VPBank
### Lộ trình chuẩn bị 2 tuần (nếu bạn đã có nền tảng DS)
**Tuần 1: Củng cố nền tảng**
| Ngày | Chủ đề | Tài liệu | Thực hành |
|---|---|---|---|
| 1-2 | SQL (window functions, CTEs) | LeetCode Database, Mode SQL Tutorial | 10 bài LeetCode medium |
| 3-4 | Machine Learning fundamentals | "Hands-On ML" (O'Reilly), lecture notes | Tái hiện thuật toán bằng numpy |
| 5-6 | Model Validation & A/B Testing | Stanford CS229, Towards Data Science | Thiết kế A/B test cho churn model |
| 7 | Deep Learning refresh | Fast.ai, deeplearning.ai | Kaggle notebook practice |
**Tuần 2: Chuyên sâu + VPBank domain**
| Ngày | Chủ đề | Tài liệu | Thực hành |
|---|---|---|---|
| 8-9 | GenAI (RAG, prompting, agents) | Anthropic docs, OpenAI cookbook | Demo RAG pipeline đơn giản |
| 10-11 | Banking domain knowledge | Annual report VPBank, Basel docs, blog ngân hàng | Chuẩn bị case study cross-sell/churn |
| 12-13 | System design + Coding | Grokking System Design, LeetCode | Mock interview tự đánh giá |
| 14 | Soft skill + HR prep | STAR method guide | Trả lời 20 câu hỏi phỏng vấn thường gặp |
### Kiến thức nền cần nắm vững
**1. Statistics & Probability (ôn lại nếu quên):**
- Probability distributions (normal, binomial, Poisson)
- Bayes' theorem, conditional probability
- Central Limit Theorem
- Confidence intervals, p-values, hypothesis testing
- Correlation vs causation
**2. Machine Learning:**
- Supervised: Logistic Regression, Decision Tree, Random Forest, XGBoost, SVM, Naive Bayes
- Unsupervised: K-Means, DBSCAN, Hierarchical Clustering, PCA
- Evaluation: Accuracy, Precision, Recall, F1, AUC-ROC, Confusion Matrix
- Regularization: L1 (Lasso), L2 (Ridge), Dropout
**3. Deep Learning:**
- Feedforward NN, backpropagation
- CNN (cho image/video), RNN/LSTM (cho sequence)
- Attention mechanism, Transformers (nền tảng của GenAI)
- Optimization: Adam, SGD, learning rate scheduling
**4. GenAI specific:**
- LLM fundamentals: GPT, BERT architectures
- Prompt engineering: zero-shot, few-shot, chain-of-thought
- RAG: embedding, vector database, retrieval-augmented generation
- Fine-tuning: LoRA, PEFT
- Evaluation: RAGAS, BLEU, ROUGE (context-specific)
**5. SQL advanced:**
- Window functions: ROW_NUMBER, RANK, LAG, LEAD
- CTEs, subqueries
- Self-join, union/intersect
- Query optimization basics
**6. Banking domain knowledge:**
*Bài toán cần hiểu:*
- **Churn prediction:** Dự đoán khách hàng ngừng sử dụng dịch vụ — dùng survival analysis, binary classification
- **Cross-sell/Up-sell:** Đề xuất sản phẩm phù hợp — recommendation system, propensity scoring
- **Customer segmentation:** Phân nhóm khách hàng — clustering (K-Means, hierarchical), RFM
- **CLTV prediction:** Ước tính giá trị vòng đời — regression, BG/NBD, Pareto/NBD models
- **Credit scoring:** Đánh giá tín dụng — scorecard, WOE/IV, PD model
- **Personalization:** Cá nhân hóa trải nghiệm — recommendation engine, next-best-action
### Tài liệu tham khảo
**Sách:**
- "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" — Aurélien Géron
- "The Elements of Statistical Learning" — Hastie, Tibshirani, Friedman (nâng cao)
- "Practical Statistics for Data Scientists" — Bruce & Bruce
- "Designing Data-Intensive Applications" — Martin Kleppmann (nếu muốn hiểu data engineering)
**Online courses:**
- Kaggle Learn (miễn phí, cơ bản)
- Andrew Ng's Machine Learning & Deep Learning Specialization (Coursera)
- fast.ai (Practical Deep Learning)
- DataCamp / Dataquest (SQL, Python, ML)
**Vietnamese resources:**
- Machine Learning Cơ Bản (machinelearningcoban.com)
- Kipalog, Viblo community
- VPBank Tech Blog (nếu có)
**GenAI resources:**
- "Building LLM Applications" — Naveen Kiran (free on GitHub)
- OpenAI/ Anthropic/ Google documentation
- "Practical Generative AI with ChatGPT" — Ozge Yalcin
### Thực hành coding
**SQL:** Làm ít nhất 20 bài medium trên LeetCode, tập trung:
- Aggregation + window functions
- Self-join (employee-manager, customer transactions)
- Cumulative sum, running average
**Python:**
- Tái hiện thuật toán ML từ đầu: logistic regression, k-means, decision tree
- Xây dựng end-to-end pipeline: EDA → preprocessing → feature engineering → modeling → evaluation → deployment (hoặc demo)
**Case study mẫu để chuẩn bị:**
1. Churn prediction end-to-end (có thể dùng dataset telecom churn từ Kaggle)
2. Credit card fraud detection (imbalanced dataset)
3. Customer segmentation cho ngân hàng
4. Loan default prediction
*Tip: Sẵn sàng walk through một case study trong 10-15 phút phỏng vấn. Người ta muốn thấy cách bạn suy nghĩ, không phải kết quả hoàn hảo.*
Tư vấn nghề nghiệp
## Lời khuyên Sự nghiệp cho Data Scientist - VPBank
### Lộ trình thăng tiến điển hình
```
Data Scientist (Junior/Mid)
↓ (2-3 năm)
Senior Data Scientist
↓ (3-5 năm)
Lead Data Scientist / Analytics Manager
↓ (3-5 năm)
Head of Data Science / VP Data Science
↓
Chief Data/AI Officer (CDO/CAIO)
```
**Chi tiết từng bước:**
**1. Data Scientist (Junior/Mid) — 0-3 năm kinh nghiệm:**
- Chạy model do senior/body define
- EDA, feature engineering, model training
- Làm việc với data engineer để lấy data
- Trình bày kết quả cho business stakeholder
- Mức lương: **25-45 triệu/tháng** (Hà Nội, 2024)
**2. Senior Data Scientist — 3-5 năm:**
- Define problem statement, đề xuất giải pháp
- Mentor junior, code review
- Đánh giá model trước khi production
- Tham gia architecture design
- Mức lương: **50-80 triệu/tháng**
**3. Lead Data Scientist / Analytics Manager — 5-7 năm:**
- Quản lý team 3-7 người
- Định hướng roadmap ML/AI cho domain
- Giao tiếp trực tiếp với C-level
- Đánh giá vendor, công nghệ mới
- Mức lương: **80-130 triệu/tháng**
**4. Head of Data Science / VP Data Science — 7-10 năm:**
- Xây dựng data science strategy toàn ngân hàng
- Quản lý budget, hiring plan
- Đại diện ngân hàng trong hội thảo, forum
- Mức lương: **150-250+ triệu/tháng** + thưởng
### Mức lương thị trường Data Scientist ngân hàng VN (2024-2025)
| Cấp bậc | Mức lương tháng (VND) | Notes |
|---|---|---|
| Junior (0-2 năm) | 20-35 triệu | Sinh viên mới ra trường hoặc chuyển ngành |
| Mid (2-4 năm) | 35-55 triệu | Có production experience |
| Senior (4-6 năm) | 55-85 triệu | Có team lead, E2E project |
| Lead (6-8 năm) | 85-120 triệu | Management track |
| VP/Director | 120-250 triệu | Strategic role |
**Lưu ý VPBank:** VPBank thường trả competitive hơn một số ngân hàng nhà nước nhờ culture startup-like. Thưởng: 1-3 tháng tùy hiệu quả. Ngoài lương còn có: healthcare, flex benefit, learning budget.
### Kỹ năng cần phát triển thêm để thăng tiến
**Kỹ năng kỹ thuật cần bổ sung theo cấp:**
| Level | Kỹ năng cần phát triển | Lý do |
|---|---|---|
| Junior → Mid | MLOps, model deployment, A/B testing, Spark | Đưa model vào production thực sự |
| Mid → Senior | System design, software engineering practices, cloud ML | Scale solutions |
| Senior → Lead | People management, stakeholder management, OKR | Chuyển từ IC sang leader |
| Lead → Head | Strategy, vendor management, budgeting, communication with board | Strategic impact |
**Kỹ năng cross-functional để nổi bật:**
- **Business acumen:** Hiểu P&L, revenue drivers, cost structure của ngân hàng
- **Communication:** Present insight cho audience không biết technical
- **Project management:** Agile/Scrum, JIRA, estimating effort
- **Domain expertise:** Credit risk, compliance, customer journey mapping
### Định hướng phát triển sau VPBank
**Option 1: Stay in Banking/Finance**
- Chuyển sang ngân hàng khác (VPBank → TPBank, MBBank, Techcombank) — lương tăng 15-25%
- Chuyển sang fintech (VNPay, MoMo, ZaloPay) — lương cao hơn 20-40%
- Chuyển sang fund/asset management — chuyên sâu về quantitative finance
**Option 2: Go Big Tech**
- Data Scientist/ML Engineer tại FAANG, Microsoft, Google (remote hoặc Singapore)
- Lương có thể x3-x5 lần nhưng yêu cầu rất cao
- Cần: strong coding, distributed systems, production ML
**Option 3: Deep tech startup**
- AI startup tại Vietnam hoặc Singapore
- Equity upside, fast-paced environment
- Phù hợp nếu bạn thích innovation và risk
**Option 4: Become MLOps/AI Engineer**
- Chuyển hướng sang MLOps, AI Infrastructure
- Nhu cầu rất cao, supply thấp → lương competitive
- Cần: DevOps, Kubernetes, cloud platforms
### Lời khuyên thực tế từ góc nhìn người đi trước
1. **Bắt đầu từ ngân hàng là tốt** — học được nghiệp vụ tài chính rất giá trị, sau này chuyển đâu cũng dùng được
2. **Đừng chỉ làm model** — học cách đưa model vào production, hiểu business impact. "Model đẹp nhưng không deploy được = 0 value"
3. **GenAI là xu hướng bắt buộc** — nếu chưa biết, học ngay. Đây là kỹ năng được săn đón nhất 2024-2025
4. **Network nội bộ quan trọng** — VPBank có nhiều project cross-team, quan hệ tốt giúp bạn join được các dự án thú vị
5. **Chứng chỉ không thay thế kinh nghiệm** — nhưng có cert giúp bạn pass screening. Đầu tư 1-2 cái phù hợp
6. **Thăng tiến không chỉ vì technical giỏi** — leadership, communication, business impact quan trọng ngang (hoặc hơn) ở cấp senior trở lên
Câu hỏi thường gặp
Em mới tốt nghiệp ngành Khoa học máy tính, chưa có kinh nghiệm thực tế. Liệu em có phù hợp với vị trí Data Scientist tại VPBank không?
Hoàn toàn có thể! Tin tuyển dụng không ghi rõ yêu cầu kinh nghiệm (N/A), đồng thời JD có đề cập đến việc 'ứng dụng GenAI', 'thử nghiệm công nghệ mới' — phù hợp với tinh thần của các bạn trẻ muốn học hỏi. Điều quan trọng nhất là bạn cần có portfolio thuyết phục: ít nhất 2-3 dự án end-to-end (từ data → model → result), biết Python/SQL, hiểu ML fundamentals. Đặc biệt, nếu bạn đã tự tìm hiểu về GenAI, đã thử prompt engineering hoặc build RAG demo, đó là điểm cộng rất lớn. Gợi ý: apply ngay, đồng thời đẩy mạnh portfolio trên GitHub để có cái để show khi phỏng vấn.
Mức lương Data Scientist tại VPBank là bao nhiêu? Có thương lượng được không?
JD ghi 'Thỏa thuận' — nghĩa là hoàn toàn thương lượng được! Với ứng viên có 2-4 năm kinh nghiệm, mức tham chiếu là 35-55 triệu/tháng. Với 4-6 năm hoặc có kỹ năng GenAI đặc biệt, có thể đàm phán lên 60-80 triệu. Tip thương lượng: (1) research mức lương thị trường trước, (2) show portfolio/value bạn mang lại, (3) đừng đưa số đầu tiên — để HR đề xuất trước, (4) nếu có offer từ công ty khác, đó là điểm mạnh để đàm phán. Ngoài lương, đừng quên hỏi về thưởng, healthcare, learning budget, flexible working.
Làm Data Scientist ở ngân hàng khác gì so với công ty công nghệ? Tại sao nên chọn VPBank thay vì đi FAANG?
Đây là câu hỏi nhiều bạn băn khoăn. Ngân hàng có ưu điểm: (1) dữ liệu phong phú và thực tế — bạn giải quyết bài toán có tác động doanh thu rõ ràng, (2) học được nghiệp vụ tài chính rất sâu — kiến thức này dùng được lâu dài, (3) stability cao hơn, (4) cân life-work balance tốt hơn một số công ty tech. Nhược điểm: tốc độ đổi mới chậm hơn, nhiều compliance/risk process. Về FAANG: lương cao hơn nhiều nhưng yêu cầu rất cao, áp lực lớn. Khuyên thực tế: nếu bạn mới đi làm, bắt đầu ở VPBank 2-3 năm để tích lũy domain + technical, sau đó nhảy sang tech/fintech là lộ trình rất phổ biến và hiệu quả.
Kỹ năng GenAI cần thiết mức nào cho vị trí này? Em chưa biết nhiều về GenAI có sao không?
'GenAI' được nhấn mạnh nhiều lần trong JD — đây là kỹ năng được ưu tiên rất cao. Tuy nhiên, mức độ kỳ vọng tùy cấp bận: junior thì chỉ cần hiểu khái niệm + thử nghiệm được với ChatGPT API, senior thì phải design RAG system, fine-tune model. Nếu bạn chưa biết GenAI: đừng hoảng, học trong 1-2 tháng là đủ nền tảng để apply. Bắt đầu từ: (1) hiểu LLM là gì, how it works, (2) thực hành prompt engineering thật nhiều, (3) tự build 1-2 demo RAG đơn giản (sử dụng LangChain + vector DB), (4) đọc về LangChain, LlamaIndex. Đầu tư thời gian vào GenAI là ROI cao nhất bạn có thể làm ngay bây giờ.
Công việc hàng ngày của Data Scientist tại VPBank như thế nào? Có phải ngồi code cả ngày không?
Thực tế sẽ chia thời gian như thế này: ~40% thời gian là code (Python, SQL, model development), ~25% họp với business units (hiểu bài toán, trình bày kết quả), ~15% đọc paper/cập nhật công nghệ mới, ~10% viết documentation/báo cáo, ~10% meeting, project management. Nếu bạn muốn ngồi code cả ngày thì không nên — ngân hàng cần bạn hiểu business chứ không phải chỉ code. Một tuần typical: 2-3 sprint meetings, 1-2 sessions với BA/stakeholder, 2-3 ngày tập trung làm việc cá nhân. VPBank có hybrid policy: có thể WFH 2-3 ngày/tuần tùng team.
KPI của Data Scientist tại ngân hàng đánh giá như thế nào? Có áp lực không?
KPI DS ngân hàng thường gồm: (1) Số lượng model/solution deployed vào production (2-3 cái/năm), (2) Business metrics impact (model giúp giảm churn bao nhiêu %, tăng cross-sell bao nhiêu %), (3) Technical quality (model performance, code review, documentation), (4) Collaboration (đánh giá từ stakeholder), (5) Learning & innovation (nghiên cứu, chia sẻ). Áp lực có nhưng không quá lớn — thường là áp lực chất lượng (model phải đúng regulatory, audit được) hơn là deadline cứng như startup. Điểm khác biệt với tech company: bạn không có metric như 'ship feature mỗi sprint', mà là 'model mang lại business value được đo bằng A/B test'.
Em đang làm Backend Developer, muốn chuyển sang Data Scientist. Cần làm gì để chuyển ngành thành công?
Chuyển ngành từ Backend → Data Scientist là hoàn toàn khả thi vì backend đã có nền tảng lập trình tốt. Lộ trình khuyến nghị: (1) Học Python + SQL (đã biết backend nên học nhanh), (2) Học ML fundamentals từ course online (Andrew Ng rất tốt), (3) Xây portfolio với 3 dự án ML hoàn chỉnh (đặc biệt chú ý EDA và feature engineering), (4) Học thêm probability & statistics (rất quan trọng, backend ít dùng), (5) Tự học GenAI basics, thử LangChain. Tip quan trọng: leverage backend skill của bạn — nói rằng bạn hiểu software engineering, deployment, API, có thể đưa model vào production tốt hơn pure DS. Apply vào JD này, backend experience là điểm cộng khi họ nhấn mạnh 'sản phẩm AI/ML/GenAI hỗ trợ tự động hóa'.
VPBank có văn hóa làm việc như thế nào? Data team ở đó có tốt không?
VPBank được đánh giá là một trong những ngân hàng có văn hóa 'startup-like' nhất — ít layers, quyết định nhanh, linh hoạt hơn ngân hàng nhà nước. Data team thuộc Khối Quản trị và Phân tích dữ liệu, làm việc cross-functional với nhiều đơn vị — đa dạng bài toán, nhiều cơ hội học hỏi. Ưu điểm: modern tech stack (cloud, microservices), đầu tư vào AI, team relatively young. Nhược điểm: fast-paced có thể gây áp lực, sếp kỳ vọng cao, một số process vẫn còn legacy. So sánh: VPBank vs Techcombank: VPBank tech-forward hơn, Techcombank process chặt chẽ hơn. Nếu bạn thích môi trường năng động, VPBank là lựa chọn tốt.