Data Scientist
Mô tả công việc
Trách nhiệm: Chịu trách nhiệm xây dựng, phát triển và vận hành các mô hình máy học phục vụ các ứng dụng ngân hàng bán lẻ tại VIB; đảm bảo mô hình hoạt động chính xác, có khả năng giải thích, tuân thủ quy định NHNN và VIB, đồng thời tạo ra giá trị kinh doanh đo lường được.
1. Phát triển mô hình / Model Development – 35%
- Xây dựng các mô hình ML cho ứng dụng ngân hàng: EWS (cảnh báo sớm NPL), churn prediction, CLV segmentation, cross-sell propensity, collections prioritization.
- Thực hiện feature engineering từ dữ liệu giao dịch, tín dụng, hành vi khách hàng.
- Kiểm thử, xác minh hiệu năng mô hình (AUC, precision/recall, PSI, Gini coefficient).
- Tài liệu hóa mô hình đầy đủ theo chuẩn Model Card để trình MRC.
2. Triển khai & Vận hành / Deployment & Operations – 25%
- Phối hợp với MLOps Engineer để đưa mô hình vào môi trường production.
- Theo dõi hiệu năng mô hình sau triển khai; xác định và xử lý model drift.
- Thực hiện retraining mô hình theo lịch hoặc khi drift vượt ngưỡng cho phép.
3. Phân tích & Nghiên cứu / Analysis & Research – 20%
- Phân tích dữ liệu chuyên sâu để xác định pattern và insight từ danh mục tín dụng VIB.
- Nghiên cứu và áp dụng các phương pháp ML mới phù hợp với bài toán ngân hàng.
- Hỗ trợ xây dựng và duy trì feature store.
4. Hợp tác & Giao tiếp / Collaboration & Communication – 15%
- Làm việc với Business Analyst để hiểu yêu cầu kinh doanh và dịch thành bài toán ML.
- Trình bày kết quả phân tích và mô hình cho stakeholders bằng ngôn ngữ kinh doanh.
- Phối hợp với Data Engineer để đảm bảo chất lượng và tính sẵn sàng của dữ liệu.
5. Công việc khác / Other Tasks – 5%
- Thực hiện các công việc khác theo phân công của cấp quản lý.
Yêu cầu:
- Tốt nghiệp Đại học trở lên chuyên ngành Khoa học máy tính, Toán – Tin ứng dụng, Thống kê, Kỹ thuật phần mềm hoặc các lĩnh vực liên quan.
- Tối thiểu 8 năm (Chuyên gia) / 5 năm (Chuyên viên cao cấp) / 3 năm (Chuyên viên chính) kinh nghiệm trong lĩnh vực Data Science/Machine Learning.
- Bắt buộc có kinh nghiệm triển khai ít nhất 1 mô hình ML vào môi trường production (không chỉ notebook/research).
- Thành thạo Python, SQL; có kinh nghiệm với XGBoost, LightGBM, scikit-learn, TensorFlow hoặc PyTorch.
- Kinh nghiệm với MLflow hoặc công cụ experiment tracking tương đương.
- Hiểu biết về credit risk modeling, customer churn modeling, hoặc fraud detection là lợi thế đáng kể.
- Hiểu biết về quản lý rủi ro mô hình, tuân thủ quy định NHNN, Basel hoặc chính sách nội bộ ngân hàng.
- Kỹ năng phân tích, giải quyết vấn đề và tư duy logic xuất sắc.
- Khả năng giải thích kết quả mô hình cho đối tượng không có nền tảng kỹ thuật.
- Kỹ năng làm việc nhóm, phối hợp đa phòng ban.
- Tinh thần cải tiến liên tục, chủ động và trách nhiệm cao.
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí Data Scientist tại VIB
Đây là vị trí Data Scientist cấp cao trong ngân hàng — yêu cầu rất chuyên sâu cả về kỹ thuật ML lẫn hiểu biết nghiệp vụ ngân hàng. Không phải là vị trí "làm ML trên notebook" mà phải đưa mô hình vào production thực sự.
---
🎯 1. Hard Skills (Kỹ năng cứng)
| Nhóm kỹ năng | Mức yêu cầu | Chi tiết |
|---|---|---|
| Ngôn ngữ lập trình | Bắt buộc | Python (nâng cao), SQL (phức tạp — window functions, CTE, optimization) |
| ML Frameworks | Bắt buộc | scikit-learn, XGBoost, LightGBM; ít nhất 1 trong 2: TensorFlow hoặc PyTorch |
| MLOps / Experiment Tracking | Bắt buộc | MLflow, Airflow, Docker; hiểu về CI/CD cho ML |
| Feature Engineering | Bắt buộc | Làm việc với transactional data, credit data, behavioral data |
| Model Validation | Bắt buộc | AUC, Precision/Recall, PSI (Population Stability Index), Gini coefficient |
| MLOps Production | Bắt buộc | Đã triển khai ≥1 model vào production thật |
| Deep Learning | Ưu tiên | Cho các bài toán NLP (chatbot), time-series |
| Cloud Platform | Ưu tiên | AWS/Azure/GCP — đặc biệt SageMaker, Vertex AI |
| Big Data tools | Ưu tiên | Spark, Hive, Kafka |
🏦 2. Domain Knowledge (Kiến thức ngân hàng)
Đây là điểm phân biệt giữa Data Scientist thông thường và Data Scientist ngân hàng:
- Credit Risk Modeling: PD (Probability of Default), LGD (Loss Given Default), EAD (Exposure at Default), scorecard
- EWS (Early Warning System): Cảnh báo sớm NPL — đây là core competency
- Customer Analytics: Churn prediction, CLV (Customer Lifetime Value), cross-sell propensity
- Collections Optimization: Phân nhóm ưu tiên thu hồi nợ
- Quy định: NHNN (Thông tư 13/2018 về quản trị rủi ro công nghệ), Basel II/III, IFRS 9
- Model Risk Management: Model validation, model monitoring, model governance
🗣️ 3. Soft Skills (Kỹ năng mềm)
- Business Translation: Biến bài toán kinh doanh thành bài toán ML — đây là kỹ năng sống còn
- Stakeholder Communication: Trình bày cho người không chuyên (BRM, sales, MD)
- Cross-functional Collaboration: Làm việc với BA, MLOps Engineer, Data Engineer, Business
- Documentation: Viết Model Card đúng chuẩn MRC (Model Risk Committee)
📜 4. Chứng chỉ gợi ý (nên có)
| Chứng chỉ | Giá trị | Lưu ý |
|---|---|---|
| AWS Certified ML Specialty | ⭐⭐⭐⭐⭐ | Cloud ML production |
| Google Professional ML Engineer | ⭐⭐⭐⭐ | Tương đương AWS |
| FRM (Financial Risk Manager) | ⭐⭐⭐⭐⭐ | Rất phù hợp với risk modeling |
| Coursera Deep Learning Specialization (Andrew Ng) | ⭐⭐⭐ | Nền tảng DL tốt |
| Certified Analytics Professional (CAP) | ⭐⭐⭐ | Chứng chỉ DS tổng quát |
| Basel Certification | ⭐⭐⭐⭐ | Nếu làm credit risk |
---
📊 Bảng so sánh 3 cấp bậc
| Tiêu chí | Chuyên viên chính (3 năm) | Chuyên viên cao cấp (5 năm) | Chuyên gia (8 năm) |
|---|---|---|---|
| Phạm vi mô hình | 1-2 models, narrow scope | Nhiều models, end-to-end | Chiến lược ML toàn khối |
| Quyết định kỹ thuật | Hạn chế | Độc lập | Define architecture |
| Stakeholder mgmt | Báo cáo kết quả | Đề xuất giải pháp | Đối tác chiến lược với business |
| Mentoring | Không | Có thể | Có (lead team) |
| Mức lương (ước tính) | 50-80 triệu | 80-130 triệu | 130-200+ triệu |
> 💡 Lưu ý: VIB là ngân hàng retail-focused (thẻ tín dụng, vay mua ô tô, vay mua nhà) nên các use case ML rất phong phú — đây là môi trường tốt để phát triển.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn Data Scientist tại VIB
Quy trình tuyển dụng tại VIB cho vị trí senior thường trải qua 4-5 vòng, kéo dài 2-4 tuần. Đây là hướng dẫn chi tiết:
---
📋 Quy trình các vòng (dự kiến)
| Vòng | Hình thức | Nội dung | Thời gian |
|---|---|---|---|
| Vòng 1 | HR Screening (phone/video) | Background, motivation, expect salary | 30-45 phút |
| Vòng 2 | Technical Test (online) | SQL, Python coding, ML case study | 2-3 giờ |
| Vòng 3 | Technical Deep Dive | ML theory, model design, past projects | 60-90 phút |
| Vòng 4 | Domain/Business Round | Banking knowledge, risk modeling, NHNN | 60 phút |
| Vòng 5 | Hiring Manager / Director | Leadership, fit, vision | 45-60 phút |
---
🔥 Câu hỏi hay gặp theo từng vòng
Vòng 1 — HR Screening
- Tại sao bạn muốn rời công ty hiện tại / tại sao chọn VIB?
- Mức lương mong muốn hiện tại và kỳ vọng?
- Trong 3 năm tới bạn muốn đi đâu?
- VIB là ngân hàng retail-focused, bạn hiểu gì về chiến lược này?
Vòng 2 — Technical Test
SQL (rất quan trọng):
- Viết query tính rolling 3-month default rate theo cohort
- Tìm top 10 khách hàng có utilization rate tăng đột biến 30 ngày gần nhất
- Window functions, CTE, partitioning
Python/ML:
- Implement XGBoost từ đầu (lý thuyết)
- Xử lý imbalanced data trong credit scoring (SMOTE, class weight, threshold tuning)
- Feature selection với 500+ features
Take-home case (rất phổ biến):
- Cho dataset giả lập giao dịch thẻ tín dụng → xây model churn prediction trong 24-48h
Vòng 3 — Technical Deep Dive
ML Theory:
- Bias-variance tradeoff giải thích chi tiết
- Model drift là gì? Cách detect và xử lý? (rất quan trọng)
- Sự khác biệt giữa L1 và L2 regularization, tại sao XGBoost regularization hiệu quả hơn
- Cross-validation chiến lược cho time-series data (không dùng k-fold thông thường)
- SHAP vs LIME — khi nào dùng cái nào?
Model Design:
- Thiết kế hệ thống EWS cho VIB: input gì, output gì, refresh frequency?
- So sánh scorecard logistic vs gradient boosting cho credit scoring — khi nào dùng cái nào?
- Trade-off giữa model interpretability và performance
Past Projects (quan trọng nhất):
- "Hãy mô tả chi tiết một model bạn đã đưa vào production" — chuẩn bị theo framework STAR:
- Situation: Bối cảnh nghiệp vụ
- Task: Yêu cầu cụ thể
- Action: Bạn đã làm gì (technical details)
- Result: Metric business (tăng conversion X%, giảm NPL Y%)
Vòng 4 — Domain/Business
- EWS là gì? Các chỉ số chính của EWS?
- Basel II yêu cầu gì về model risk management?
- NHNN quy định gì về AI/ML trong ngân hàng? (Thông tư 13/2018, Quyết định 2345)
- IFRS 9 ảnh hưởng đến model như thế nào?
- Phân biệt PD, LGD, EAD
- Sự khác biệt giữa application score và behavior score
Vòng 5 — Hiring Manager
- Bạn nghĩ ML có thể mang lại giá trị gì cho retail banking của VIB?
- Trong 6 tháng đầu, bạn sẽ làm gì để tạo impact?
- Bạn quản lý conflict giữa business và compliance như thế nào?
---
💡 Tips chuẩn bị
1. Chuẩn bị Model Portfolio: Lập GitHub portfolio với code thật, README giải thích business context
2. Nghiên cứu VIB trước: Đọc báo cáo thường niên VIB, các sản phẩm chính (thẻ OCB, MyVIB app, vay ô tô)
3. Cập nhật Basel/NHNN: Nắm được Thông tư 13/2018 và Thông tư 17/2020 về quản trị rủi ro công nghệ
4. Mock interview: Luyện với bạn bè, đặc biệt phần SQL và ML case
5. Chuẩn bị slide: Sẵn sàng trình bày 1 project trong 10 phút
👔 Dress Code
- Vòng 1-3: Business casual hoặc smart casual
- Vòng 4-5: Formal (sơ mi, quần âu, vest optional)
- VIB văn hóa khá trẻ trung so với các ngân hàng nhà nước, nhưng vẫn nên lịch sự
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị 1-2 tuần
Vị trí yêu cầu cả ML nâng cao + domain banking, nên cần chuẩn bị cả hai. Dưới đây là lộ trình chi tiết cho 10-14 ngày:
---
📚 Kiến thức nền cần nắm vững
1. Machine Learning Core (ưu tiên cao)
- Supervised Learning: XGBoost, LightGBM, Random Forest, Logistic Regression, SVM
- Imbalanced Data: SMOTE, class_weight, threshold optimization, precision-recall curve
- Model Validation: Stratified K-Fold, Time Series Split, PSI calculation, Gini
- Feature Engineering: Encoding (target, frequency, WOE/IV), missing value handling, outliers
- Hyperparameter Tuning: Optuna, GridSearch, Bayesian Optimization
- Ensemble: Stacking, blending, voting
2. MLOps & Production (rất quan trọng)
- MLflow: Experiment tracking, model registry, model versioning
- Docker & CI/CD: Container hóa model, GitHub Actions
- Model Monitoring: Drift detection (data drift, concept drift, label drift)
- REST API: Flask/FastAPI để serve model
- Orchestration: Airflow, Kubeflow cơ bản
3. Banking Domain (phải có)
- Credit Risk: Scorecard development, PD model, behavioral scoring
- EWS: Behavioral triggers (delinquency, utilization spike, contactability)
- Customer Analytics: Churn (hazard model, BG/NBD), CLV (formula + ML hybrid)
- Collections: Propensity-to-pay, vintage analysis, recovery curves
4. Vietnamese Regulations
- Thông tư 13/2018/TT-NHNN: Quản trị rủi ro công nghệ
- Thông tư 17/2020/TT-NHNN: An toàn thông tin
- Thông tư 41/2016/TT-NHNN: Cho vay khách hàng (chỉ số đánh giá)
- Basel II/III: 3 trụ cột (CAR, SREP, Market Discipline)
- IFRS 9: Expected Credit Loss (ECL) framework
5. Explainability
- SHAP: Game-theoretic approach, force plots, summary plots
- LIME: Local interpretability
- Model Card: Format chuẩn của Google
- MRC documentation: Model Risk Committee template
---
📖 Tài liệu tham khảo (recommend)
Sách & Course (miễn phí)
| Tài liệu | Tác giả/Nguồn | Mức độ |
|---|---|---|
| Hands-On ML with Scikit-Learn, Keras, TensorFlow | Aurélien Géron | ⭐⭐⭐⭐⭐ |
| Designing Machine Learning Systems | Chip Huyen | ⭐⭐⭐⭐⭐ |
| Machine Learning Engineering | Andriy Burkov | ⭐⭐⭐⭐ |
| Credit Risk Analytics | Bart Baesens | ⭐⭐⭐⭐⭐ |
| Basel III & Credit Risk | various papers | ⭐⭐⭐⭐ |
Online Courses
- Coursera: "Advanced ML Specialization" (HSE/Yandex)
- Fast.ai: Practical Deep Learning
- Google ML Crash Course (refresh basics)
- Kaggle Micro-Courses: Feature engineering, ML explainability
Papers & Blogs
- Distill.pub: Model interpretability articles
- Towards Data Science (Medium): Production ML patterns
- XGBoost documentation: Đọc kỹ paper gốc
- VIB Annual Reports: 2 năm gần nhất
- NHNN website: Tìm các quyết định, thông tư mới nhất
Tiếng Việt
- FPT.AI Blog, Zalo AI Blog: Cập nhật ML tại Việt Nam
- VietAI: Các khóa học AI bằng tiếng Việt
- Cộng đồng Kaggle Việt Nam (Facebook group)
---
📅 Lộ trình 10 ngày
| Ngày | Chủ đề | Hoạt động cụ thể |
|---|---|---|
| 1-2 | ML Core Refresh | Đọc Hands-On ML Ch 4-8, làm 3 Kaggle competitions nhỏ |
| 3 | Imbalanced + Validation | Practice PSI calculation, Gini, PR curve |
| 4 | MLOps + Production | Build mini-project: train model → MLflow → Docker → FastAPI |
| 5 | Credit Risk Domain | Đọc Credit Risk Analytics Ch 5-8, tính PD scorecard demo |
| 6 | EWS + Churn + CLV | Đọc papers về EWS trong banking, thiết kế feature set |
| 7 | Explainability | SHAP tutorial, build dashboard giải thích model |
| 8 | Regulations (VN) | Đọc Thông tư 13, 17, 41; Basel overview |
| 9 | Mock Interview | Luyện với bạn bè, take-home case giả lập |
| 10 | Final Review + GitHub | Polish portfolio, chuẩn bị STAR stories |
---
🎯 Bài tập thực hành nên làm
1. Build EWS model: Dùng dataset Lending Club hoặc Home Credit trên Kaggle
2. SHAP dashboard: Tạo dashboard giải thích model với Streamlit
3. MLflow pipeline: Train → log → register → serve
4. SQL practice: 50 câu SQL trên HackerRank / LeetCode (medium+)
5. Case study: Phân tích portfolio VIB từ báo cáo thường niên, đề xuất 2-3 use case ML
> 💡 Pro tip: Trong buổi phỏng vấn, nếu bạn show được 1 mini-project với code thật (GitHub repo có README rõ ràng, demo được), sẽ gây ấn tượng rất mạnh với hiring team.
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho Data Scientist ngân hàng
---
🚀 Lộ trình thăng tiến trong ngân hàng
```
Data Scientist (Chuyên viên chính) - 3 năm
↓
Senior Data Scientist (Chuyên viên cao cấp) - 5 năm
↓
Expert / Lead Data Scientist (Chuyên gia) - 8 năm
↓
┌─────────────────────────────┐
↓ ↓
Principal Data Scientist Head of Data Science
↓ ↓
Chief Data Officer CDO / VP of Analytics
```
Lưu ý đặc thù ngân hàng VN:
- Thăng tiến trong ngân hàng chậm hơn tech company nhưng ổn định hơn
- Có thể nhảy ngang sang: Risk Manager, Product Manager, Business Head
- Nhiều ngân hàng lớn (Techcombank, VPBank, MBBank, VIB) đang đẩy mạnh data team
---
💰 Mức lương kỳ vọng theo cấp bậc (VIB & ngân hàng top)
| Cấp bậc | Kinh nghiệm | Mức lương (gross VND/tháng) |
|---|---|---|
| Chuyên viên chính | 3 năm | 50-80 triệu |
| Chuyên viên cao cấp | 5 năm | 80-130 triệu |
| Chuyên gia | 8 năm | 130-200 triệu |
| Principal/Lead | 10+ năm | 180-300 triệu |
| Head of Data | 12+ năm | 250-500 triệu |
> Bonus: 2-6 tháng lương + stock (nếu có ESOP)
---
🔄 So sánh với các ngân hàng khác
| Ngân hàng | Văn hóa | Data team | Mức lương DS |
|---|---|---|---|
| VIB | Trẻ trung, retail-focused | Đang phát triển mạnh | Competitive |
| Techcombank | Tech-forward, Agile | Mạnh nhất | Rất cao |
| VPBank | Đang chuyển đổi số | Đang build | Tốt |
| MBBank | Trẻ, innovation | Mạnh | Tốt |
| ACB | Truyền thống + cải tiến | Vừa phải | Trung bình |
| VCB, BIDV, CTG | Truyền thống, ổn định | Đang catch up | Trung bình |
---
🎯 Kỹ năng cần phát triển thêm để thăng tiến
Nếu muốn lên Lead/Principal:
- People management: Quản lý team 5-10 người
- Strategic thinking: Đề xuất data strategy cho toàn ngân hàng
- Stakeholder management: Làm việc với C-level
- Vendor management: Đánh giá và quản lý outsource
Nếu muốn chuyên sâu Technical:
- LLM & Generative AI: Rất hot, VIB sẽ cần trong 1-2 năm tới
- Real-time ML: Kafka + streaming models
- Causal Inference: Vượt qua correlation, hiểu causation
- Privacy-preserving ML: Federated learning, differential privacy
Nếu muốn nhảy sang Business/Product:
- Product Management: Từ data analyst → PM
- Risk Management: FRM/PRM certification
- Business Analytics: Hiểu sâu về P&L của ngân hàng
---
💡 Lời khuyên thực tế
1. Đừng chỉ làm ML, hãy hiểu BUSINESS: Data Scientist ngân hàng giỏi nhất là người hiểu P&L ngân hàng tốt nhất trong team data
2. Networking quan trọng: Tham gia cộng đồng Data Science Vietnam, Vietnam Data Science, gặp gỡ tại các hội thảo
3. Build personal brand: Viết blog, LinkedIn posts, talk tại meetup — ngân hàng rất coi trọng "thought leadership"
4. Cân bằng theory và practice: Tin tưởng vào business impact hơn là Kaggle medal
5. Học tiếng Anh chuyên ngành: 80% tài liệu chất lượng cao bằng tiếng Anh
6. Đừng quên compliance: Một sai lầm tuân thủ có thể khiến ngân hàng bị NHNN phạt nặng — đây là rủi ro nghề nghiệp lớn nhất
7. Compensation negotiation: Khi offer, đừng chỉ lương base — hỏi về stock, bonus, training budget, conference budget
> 🎯 Take-away cuối cùng: Vị trí tại VIB là cơ hội rất tốt vì VIB đang ở giai đoạn scale-up data team cho retail banking. Nếu bạn join đúng lúc, sau 2-3 năm bạn có thể trở thành người xây dựng nền tảng ML cho toàn bộ retail portfolio.
Câu hỏi thường gặp
Em mới ra trường, có nên apply vị trí Data Scientist yêu cầu 3 năm kinh nghiệm tại VIB không?
Câu trả lời ngắn: Không nên apply trực tiếp vị trí này. Vị trí yêu cầu tối thiểu 3 năm và bắt buộc phải có kinh nghiệm đưa model vào production. Với sinh viên mới ra trường, em nên:
1. Apply các vị trí Junior: Data Analyst, Business Analyst, Junior Data Scientist ở các fintech hoặc ngân hàng nhỏ hơn
2. Build portfolio cá nhân: Làm 3-5 projects end-to-end trên Kaggle (phải có GitHub code + blog giải thích)
3. Đi học thêm: Coursera ML Specialization, AWS ML Specialty
4. Tích lực 1-2 năm rồi apply lại các vị trí senior như thế này
Tuy nhiên, nếu em đã có kinh nghiệm freelance/nghiên cứu thật sự thì vẫn có thể apply và deal trong quá trình phỏng vấn — nhưng sẽ rất khó cạnh tranh với ứng viên 5-8 năm kinh nghiệm.
Mức lương bao nhiêu là hợp lý khi ứng tuyển Data Scientist tại VIB với 5 năm kinh nghiệm?
Với 5 năm kinh nghiệm ở vị trí Chuyên viên cao cấp, mức lương hợp lý là 80-130 triệu gross/tháng, tùy thuộc vào:
- Có kinh nghiệm banking không: Nếu đã làm ở ngân hàng khác (Techcombank, VPBank, MBBank), deal mức 100-130 triệu
- Có deployment thật không: Nếu đã đưa ≥3 models vào production, deal 110-150 triệu
- Có chứng chỉ không: AWS ML Specialty, FRM giúp +10-20%
- Current salary: VIB sẽ offer tăng 20-30% so với lương hiện tại
Bonus tip: Đừng chỉ focus vào lương — hỏi về:
- Stock/ESOP
- Training budget (đi học Coursera, conference)
- Bonus structure (thường 2-6 tháng)
- WFH/flexible hours
- Health insurance cho gia đình
Mình đang làm Data Scientist ở fintech, muốn chuyển sang ngân hàng truyền thống như VIB. Có nên không?
Có, nên chuyển nếu bạn muốn:
Ưu điểm khi chuyển sang ngân hàng:
- Dữ liệu chất lượng cao hơn (banking data rất chuẩn)
- Bài toán phong phú hơn (credit risk, EWS, churn)
- Lương ổn định hơn, ít bị burn out
- Cơ hội thăng tiến rõ ràng hơn (career path rõ)
- Hiểu biết về banking — rất có giá trị lâu dài
Nhược điểm:
- Quy trình chậm hơn fintech
- Innovation có thể chậm hơn
- Compliance nhiều hơn (nhiều khi khó chịu)
Lộ trình chuyển đổi:
1. Học về credit risk, EWS, Basel (3-6 tháng)
2. Làm 1-2 projects về banking analytics trong công việc hiện tại
3. Network với người trong ngân hàng (LinkedIn, meetup)
4. Apply qua referral nếu có thể
Nhiều người từ fintech chuyển sang ngân hàng retail-focused như VIB rất thành công vì họ mang được tư duy product và agile.
Trong buổi phỏng vấn, nếu hỏi về model drift mình trả lời thế nào cho ấn tượng?
Model drift là câu hỏi rất hay gặp và trả lời tốt sẽ ghi điểm lớn. Đây là framework trả lời:
Bước 1: Phân loại drift
- Data drift: Distribution của features thay đổi (vd: do COVID, khách hàng behavior thay đổi)
- Concept drift: Mối quan hệ giữa features và target thay đổi
- Label drift: Distribution của target thay đổi (vd: default rate tăng)
Bước 2: Detection methods
- PSI (Population Stability Index): PSI > 0.25 = drift đáng kể
- KS test, Chi-square: So sánh distribution
- Performance monitoring: AUC/Gini giảm > 5-10%
- SHAP values drift: Feature importance thay đổi
Bước 3: Response strategy
- Drift nhỏ: Retrain với data mới
- Drift lớn: Re-engineer features, thử model mới
- Concept drift: Có thể cần thay đổi target definition
Bước 4: Prevention
- Retraining schedule (monthly/quarterly)
- A/B testing
- Champion-challenger framework
Ví dụ thực tế để gây ấn tượng:
""Ở công ty cũ, model churn của mình bị drift vào mùa COVID. Mình detect qua PSI tăng từ 0.1 lên 0.3. Sau khi analyze, mình thấy feature 'transaction_count' có distribution thay đổi mạnh vì khách hàng ở nhà nhiều hơn. Mình đã retrain với data 6 tháng gần nhất và thêm feature 'lockdown_period' để handle. AUC cải thiện từ 0.75 lên 0.82.""
VIB yêu cầu 'kinh nghiệm triển khai model vào production' - làm sao để chứng minh điều này khi mình chỉ làm ở môi trường research?
Đây là pain point phổ biến của nhiều Data Scientist từ research/academia. Để overcome:
Cách 1: Self-project có production thật
- Build 1 project end-to-end: train → MLflow → Docker → FastAPI → deploy lên AWS/GCP free tier
- Có URL thật để demo trong phỏng vấn
- Document trên GitHub với README rõ ràng
Cách 2: Freelance/Consulting
- Làm 1-2 dự án freelance cho SME (retail, fintech)
- Đều có thể gọi là "production"
Cách 3: Mở rộng định nghĩa production
- Nếu bạn đã làm tool/pipeline được dùng thật trong team (không phải API public), vẫn tính là production
- Excel model chạy batch mỗi tuần → cũng là production
- Dashboard dùng data thật → cũng là production
Cách 4: Trong phỏng vấn, frame lại
""Dù mình chưa deploy model lên cloud production, mình đã làm pipeline batch training chạy mỗi tháng, output được dùng bởi team collections để prioritize. Đây là quasi-production system với monitoring manual.""
Cách 5: Trước khi apply, spend 1-2 tuần deploy 1 model cá nhân để có kinh nghiệm thực sự. Free tools đầy đủ: AWS free tier, Heroku, Railway, Streamlit Cloud.
Khuyến nghị: Nếu bạn apply mà không có production experience thật, rất khó pass vòng technical. Hãy invest 1-2 tuần để build project thật trước.
Phỏng vấn với hiring manager VIB thì nên chuẩn bị tâm lý như thế nào?
Phỏng vấn với hiring manager (thường là Head of Data Science hoặc CIO/CDO) khác biệt hoàn toàn với technical round. Đây là chia sẻ thực tế:
Tâm lý nên có:
- Confidence nhưng không arrogant: Bạn là expert trong lĩnh vực của bạn
- Storytelling: Prepare 2-3 câu chuyện về projects đã làm
- Curiosity: Thể hiện bạn muốn học hỏi về VIB, retail banking
- Strategic thinking: Không chỉ technical, mà còn về business
Câu hỏi thường gặp và cách trả lời:
- "Tại sao VIB?" → Nghiên cứu trước về VIB: thẻ OCB, MyVIB app, vay mua ô tô (lãi suất hấp dẫn). Show rằng bạn hiểu chiến lược retail-focused
- "6 tháng đầu bạn sẽ làm gì?" → Đề xuất audit hiện trạng, build quick win (1-2 use case), build framework
- "Bạn nghĩ ML có thể giúp VIB như thế nào?" → Cross-sell, churn reduction, collections optimization
Đừng làm:
- Đừng chỉ nói về technical, hãy nói về business value
- Đừng chê công ty cũ, kể cả khi họ làm không tốt
- Đừng hỏi lương ở vòng này (HR sẽ discuss ở vòng riêng)
- Đừng tỏ ra quá cứng nhắc (ngân hàng cần flexibility với business)
Dress code: Business formal, sơ mi trắng/xanh nhạt, quần âu, vest optional
Nếu được offer vào VIB với mức lương ngang Techcombank, em nên chọn bên nào?
Đây là câu hỏi rất phổ biến. Dưới đây là framework để quyết định:
Nên chọn VIB nếu:
- Bạn thích retail banking (VIB rất mạnh về thẻ tín dụng, vay ô tô)
- Bạn muốn có impact lớn ở giai đoạn scale-up (VIB data team đang build)
- Bạn thích môi trường trẻ trung, ít process
- Bạn muốn thăng tiến nhanh (VIB promote nhanh hơn các ngân hàng nhà nước)
Nên chọn Techcombank nếu:
- Bạn muốn làm việc với data team lớn, mature nhất VN
- Bạn thích tech-forward culture (Techcombank chuyển đổi số mạnh)
- Bạn muốn học từ team đã có kinh nghiệm
- Bạn thích brand lớn hơn trên CV
Câu hỏi quan trọng cần hỏi cả 2 bên:
1. Team structure hiện tại (có bao nhiêu DS, MLOps, Data Engineer?)
2. Production deployment - dùng tool gì (Airflow, Kubeflow, SageMaker)?
3. Data infrastructure (Data warehouse, Feature store)
4. Business stakeholder engagement (BA, PM support ra sao?)
5. On-call / support có nhiều không?
6. WFH policy, training budget, conference budget
Lưu ý cuối: Cùng mức lương nhưng:
- VIB: cơ hội làm "first-of-its-kind" projects
- Techcombank: cơ hội làm việc với mature data infrastructure
Cả hai đều tốt. Quyết định phụ thuộc vào career goal cá nhân bạn.
Mình 8 năm kinh nghiệm ở nước ngoài, apply vị trí Chuyên gia tại VIB có lợi thế gì?
Có lợi thế rất lớn, nhưng cũng có một số thách thức:
Lợi thế:
- Bằng cấp nước ngoài: VIB rất trọng candidate từ nước ngoài
- Kinh nghiệm production ở scale lớn: Bạn có thể đã làm với dataset tỷ record
- MLOps maturity: Nếu từ Mỹ/EU, bạn sẽ quen với MLOps stack hiện đại (Kubeflow, TFX, SageMaker)
- Network và references: Có thể mạng lưới quốc tế
- Salary premium: VIB có thể offer cao hơn 30-50% so với candidate local cùng level
Thách thức cần overcome:
- Vietnamese banking regulations: Bạn phải học NHNN quy định, Thông tư 13/2018, Basel adaptation ở VN
- Tiếng Việt business: Thuật ngữ ngân hàng VN (nhóm nợ, dư nợ, CIC, thông tư 41...) — phải học
- Cultural fit: Ngân hàng VN có cách làm việc riêng (relationship, hierarchy)
- Local network: Bạn có thể không có network trong ngân hàng VN
Cách leverage lợi thế tối đa:
1. Highlight các project production-scale đã làm
2. Trình bày được business impact (metric $$$) thay vì chỉ metric kỹ thuật
3. Network trước qua LinkedIn với người ở VIB
4. Học trước về retail banking ở VN
5. Trong phỏng vấn, thể hiện bạn hiểu đặc thù VN (không áp dụng máy móc best practice từ nước ngoài)
Mức lương kỳ vọng: 150-250 triệu VND cho cấp Chuyên gia với exp nước ngoài.