Techcombank
Expert, Data Engineering (40000062)
TP. Ha Noi
Data And Analytics Division
Experienced (Non-Manager)
Mô tả công việc
## Job Purpose
- The job holder is responsible for designing and developing programs, algorithms and automated processes to cleanse, integrate and evaluate large datasets from disparate sources and implement complex business logic as needed with the available data processing tools.
- The job holder will be responsible for integrating new data sources to increase throughput of existing systems, managing data pipelines that facilitate robust analysis, and sourcing và preparing data to ensure data completeness on metadata platforms.
## Key Accountabilities (1)
Data Architecture
- Deliver functionality required for business and data analysts, data scientists and other business roles to advance the overall analytic performance and strategy of the bank
- Build the best practices and strategies for data infrastructure to fulfill data analytic and utilization needs of the business with emerging latest technologies and capabilities.
- Proactively drive the effort of identifying opportunities to manage data and provide solutions for complex data feeds within the bank.
- Evaluate various data architectures in the bank and utilize them to develop data solutions to meet business requirements.
- Drive the delivery of data products and services into systems and business processes in compliance with internal regulatory requirements.
- Oversee the review of internal and external business and product requirements for data operations and activity and suggests changes and upgrades to systems and storage to accommodate ongoing needs.
## Key Accountabilities (2)
Data Integration
- Strategically obtain and integrate data and information from various sources into the firm’s platforms, solutions and statistical models.
- Lead discussion with Data Scientists to understand the data requirements and create re-usable data assets to enable data scientists to build and deploy machine learning models faster.
- Design, build, and maintain optimized data pipelines and ETL solutions as business support tools in providing analysis and real time analytics platform for critical decision making.
- Ensure data assets are organized and stored in an efficient way so that information is high quality, reliable, flexible, and efficient.
## Key Accountabilities (3)
Project Management
- Manage project conflicts, challenges and dynamic business requirements to keep operations running at high performance.
- Work with team leads to resolve people problems and project roadblocks, conduct post mortem and root cause analysis to help squads continuously improve their practices to ensure maximum productivity.
Talent Development
- Mentor and coach junior fellows into fully competent Data Engineers.
- Identify and encourage areas for growth and improvement within the team.
## Key Relationships - Direct Manager
Senior Manager / Manager, Data Engineering
## Key Relationships - Direct Reports
## Key Relationships - Internal Stakeholders
## Key Relationships - External Stakeholders
Partners providing professional services
## Success Profile - Qualification and Experiences
Qualifications
- Bachelor's or Master’s degree in Statistics, Mathematics, Quantitative Analysis, Computer Science, Software Engineering or Information Technology
Work Experience
- 8+ years of relevant experience with developing, debugging, scripting and employing big data technologies (e.g. Hadoop, Spark, Flink, Kafka, Arrow, Tableau), database technologies (e.g. SQL, NoSQL, Graph databases), and programming languages (e.g. Python, R, Scala, Java, Rust, Kotlin) with preference towards functional/trait oriented
- English proficiency requirements are pursuant to Techcombank's policy
- Deep experience in designing and building dimensional data models, ETL processes, applied data warehouse concepts and methodologies, optimized data pipelines and wore the architect hat in the past or worked with one extensively
- Deep experience with monitoring complex system and solving data and systems issues having a consistent and algorithmic approach to resolving them
- Deep understanding of Information Security principles to ensure compliant handling and management of all data
- Experience working in Agile teams to lead successful digital transformation projects, having mastered Agile principles, practices and Scrum methodologies
- Has the know-how and the scripting and coding prowess to set up, configure và maintain a machine learning model development environment
- Experience architecting, coding and delivering high performance micro services and/or recommenders delivering recommendations to (tens of) millions of users
Phân tích kỹ năng cần có
## Phân Tích Kỹ Năng Cần Có
### 🎯 Hard Skills (Kỹ năng kỹ thuật bắt buộc)
**1. Big Data Technologies (8+ năm kinh nghiệm)**
| Công nghệ | Mức độ yêu cầu | Ứng dụng thực tế |
|---|---|---|
| **Apache Spark** | Chuyên sâu | Xử lý batch/stream data, ETL pipeline |
| **Apache Kafka** | Chuyên sâu | Real-time data streaming, event-driven architecture |
| **Apache Flink** | Trung bình - Cao | Stream processing, real-time analytics |
| **Hadoop Ecosystem** (HDFS, Hive, HBase) | Chuyên sâu | Data lake, distributed storage |
| **Apache Arrow** | Trung bình | In-memory data interchange |
| **Tableau** | Trung bình | Data visualization (không phải core nhưng hữu ích) |
**2. Database Technologies**
| Loại | Ví dụ | Yêu cầu |
|---|---|---|
| **SQL Databases** | PostgreSQL, MySQL, Oracle | Data warehousing, reporting |
| **NoSQL Databases** | MongoDB, Cassandra, DynamoDB | Scalable document/key-value store |
| **Graph Databases** | Neo4j, Amazon Neptune | Relationship mapping, fraud detection |
| **Time-series DB** | InfluxDB, TimescaleDB | (Cộng thêm - lợi thế) |
**3. Ngôn ngữ lập trình (Ưu tiên functional programming)**
```
Primary: Python, Scala, Java → Xây dựng data pipeline, ETL
Secondary: R, Rust, Kotlin → ML integration, performance-critical modules
Scripting: Bash, Shell → Automation, DevOps
```
**4. Data Engineering Core**
- **Data Modeling**: Dimensional modeling (Star, Snowflake), Data Vault 2.0
- **ETL/ELT**: Design và build pipeline phức tạp, incremental loading
- **Data Warehouse**: Kimball, Inmon methodologies
- **Data Lake Architecture**: Delta Lake, Lakehouse pattern
- **Orchestration**: Airflow, Prefect, Dagster
- **Cloud Platforms**: AWS/GCP/Azure (Techcombank đang dần chuyển lên cloud)
**5. Machine Learning Environment**
- Thiết lập và duy trì MLOps pipeline
- Kubeflow, MLflow, Seldon
- Feature store: Feast, Tecton
- Model serving: Docker, Kubernetes
---
### 🧠 Soft Skills (Kỹ năng mềm)
| Kỹ năng | Mức độ quan trọng | Chi tiết |
|---|---|---|
| **System Design** | ⭐⭐⭐⭐⭐ | Thiết kế kiến trúc data platform tổng thể |
| **Technical Leadership** | ⭐⭐⭐⭐⭐ | Mentor junior, review architecture |
| **Stakeholder Management** | ⭐⭐⭐⭐ | Làm việc với Data Scientists, Business Analysts |
| **Agile/Scrum** | ⭐⭐⭐⭐ | Lead sprint, sprint planning, retrospectives |
| **Problem Solving** | ⭐⭐⭐⭐⭐ | Debug phức tạp, performance tuning |
| **Communication** | ⭐⭐⭐⭐ | Present technical solutions cho non-technical audience |
---
### 📜 Chứng chỉ Gợi Ý (Khuyến nghị)
```
HIGH PRIORITY (nên có):
├── Google Professional Data Engineer
├── AWS Certified Data Analytics - Specialty
├── Databricks Lakehouse Platform Accreditation
└── Microsoft Azure Data Engineer Associate
ADDITIONAL (lợi thế cạnh tranh):
├── Cloudera Data Engineer Certification
├── dbt Analytics Engineer Certification
├── HashiCorp Terraform Associate
└── CKAD/CKA (Kubernetes)
```
---
### 📊 Bảng So Sánh: Junior vs Senior vs Expert Data Engineer
| Tiêu chí | Junior (0-3 năm) | Senior (3-6 năm) | Expert (6-10+ năm) |
|---|---|---|---|
| **Scope** | Tính năng nhỏ | Module/Pipeline hoàn chỉnh | Toàn bộ data platform |
| **Architecture** | Hiểu component | Thiết kế hệ thống con | End-to-end architecture |
| **Leadership** | Cá nhân | Team nhỏ | Organization-wide impact |
| **Problem** | Well-defined | Ambiguous | Strategic, multi-domain |
| **Code Review** | Được review | Review người khác | Set coding standards |
| **Stakeholder** | Team | Department | C-level/Cross-functional |
> **Lưu ý:** Vị trí này yêu cầu 8+ năm kinh nghiệm, tương đương mức Expert/Principal Data Engineer. Đây là cấp senior cao, cần có kinh nghiệm đã từng "wear the architect hat".
Chuẩn bị phỏng vấn
## Hướng Dẫn Phỏng Vấn
### 🔄 Quy Trình Phỏng Vấn Dự Kiến (Techcombank)
Techcombank thường áp dụng quy trình 4-5 vòng cho vị trí senior/expert:
```
Vòng 1: Recruiter Screen (30-45 phút)
└── Đánh giá tổng quan, fit culture, lương kỳ vọng
Vòng 2: Technical Screening (60-90 phút)
└── Deep dive vào technical skills, coding challenge
Vòng 3: Technical Interview (60-90 phút)
└── System design, architecture discussion
Vòng 4: Panel Interview (60 phút)
└── Leadership, stakeholders management, case study
Vòng 5: HR/Compensation (30-45 phút)
└── Benefits, offer negotiation
```
---
### ❓ Câu Hỏi Hay Gặp Theo Từng Vòng
#### **Vòng 1: Recruiter Screen**
```
1. "Tại sao bạn quan tâm đến Techcombank và vị trí này?"
2. "Bạn đang có mức lương hiện tại là bao nhiêu? Kỳ vọng lương?"
3. "Mô tả ngắn về một data pipeline mà bạn tự hào nhất"
4. "Bạn có đang cân nhắc các offer khác không?"
5. "Team của bạn hiện tại bao nhiêu người? Vai trò của bạn?"
```
#### **Vòng 2 & 3: Technical Interview**
```
Câu hỏi kiến trúc hệ thống:
─────────────────────────────────────────────────────
1. "Thiết kế một data platform xử lý 10TB data/day cho ngân hàng"
→ Focus: scalability, reliability, cost, compliance
2. "So sánh Lambda Architecture và Kappa Architecture? Khi nào dùng?"
→ Batch vs streaming, trade-offs
3. "Design a real-time fraud detection system using Kafka + Flink"
→ Event-driven, low latency, ML integration
4. "Làm sao để handle late-arriving data trong streaming pipeline?"
→ Watermarks, windowing, exactly-once semantics
5. "Design một feature store cho ML models phục vụ million users"
→ Latency, consistency, serving infrastructure
Câu hỏi thực hành kỹ thuật:
─────────────────────────────────────────────────────
6. "Viết SQL để calculate running total và month-over-month growth"
7. "Optimize một Spark job chạy chậm 10x - bạn sẽ approach thế nào?"
8. "Design dimension model cho một data warehouse ngân hàng"
→ Customer dimension, Account dimension, Transaction fact
9. "Xử lý skewed data distribution trong Spark join như thế nào?"
10. "Explain columnar storage format (Parquet vs ORC vs Avro)?"
```
#### **Vòng 4: Leadership & Culture Fit**
```
1. "Mô tả một lần bạn lead một project thất bại và bài học rút ra"
2. "Làm thế nào để mentor và phát triển junior engineers?"
3. "Khi có conflict giữa business deadline và technical quality, bạn xử lý sao?"
4. "Bạn có kinh nghiệm làm việc với regulators/auditors không?"
5. "Một Data Scientist yêu cầu data không có sẵn, deadline紧迫, bạn làm gì?"
6. "Techcombank đang transform digital - bạn sẽ contribute thế nào?"
7. "Cách tiếp cận của bạn với technical debt trong data platform?"
```
---
### 📋 Tips Chuẩn Bị Chi Tiết
**1. Ôn luyện System Design (Rất quan trọng cho Expert level)**
```
Framework trả lời System Design Interview:
Step 1: Clarify Requirements
→ Functional requirements
→ Non-functional requirements (latency, throughput, SLA)
→ Scale (users, data volume, growth)
Step 2: High-level Architecture
→ Draw components (ingestion, processing, storage, serving)
→ Choose right tools for each layer
Step 3: Deep dive vào 2-3 critical components
→ Scalability mechanisms
→ Failure handling
→ Monitoring/alerting
Step 4: Trade-offs & Alternatives
→ Why this design over alternatives?
→ Cost considerations (for banking context)
```
**2. Chuẩn bị Case Studies Thực Tế**
```
Chuẩn bị 3-5 câu chuyện theo STAR format:
- Một data platform/big project bạn đã design từ đầu
- Một lần resolve incident nghiêm trọng (data quality, pipeline failure)
- Một lần improve performance đáng kể (reduce cost, increase speed)
- Một lần mentor thành công junior
- Một thất bại và bài học
```
**3. Nghiên Cứu Techcombank**
```
✅ Đọc Annual Report 2023 - hiểu chiến lược data của ngân hàng
✅ Tìm hiểu Techcombank's data maturity level
✅ Nắm bắt các tech initiatives gần đây
✅ Hiểu regulatory requirements (NHNN, Basel III)
✅ Tìm hiểu văn hóa Agile/DevOps của họ
```
**4. Technical Hands-on**
```
Trước interview 1-2 tuần:
- Code lại một pipeline đơn giản (Spark, Kafka)
- Ôn lại SQL window functions, aggregations phức tạp
- Review lại data modeling concepts
- Luyện giải thích architecture bằng diagram
```
---
### 👔 Dress Code
```
Techcombank là ngân hàng thương mại lớn, dress code chuyên nghiệp:
✅ Business Casual (khuyến nghị)
├── Nam: Áo sơ mi dài tay, quần âu, giày da
│ (Có thể không cần cravat)
└── Nữ: Áo sơ mi/cam tay, chân váy/quần âu, giày kín
⚠️ Tránh:
- Áo thun, quần jeans rách
- Sandals, flip-flops
- Quần shorts
💡 Tip: Nếu uncertain, dress slightly more formal than needed
```
Lộ trình ôn thi
## Ôn Thi & Chuẩn Bị
### 📚 Kiến Thức Nền Tảng Cần Ôn
**Phase 1: Data Engineering Fundamentals (Days 1-3)**
```
1.1. Data Modeling
├── Dimensional Modeling (Star, Snowflake)
├── Data Vault 2.0 basics
├── Slowly Changing Dimensions (Type 1, 2, 3)
└── Kimball vs Inmon methodologies
1.2. Data Storage
├── Row vs Columnar storage
├── Data Lake vs Data Warehouse vs Data Lakehouse
├── Partitioning strategies
└── Indexing and query optimization
1.3. ETL/ELT Concepts
├── Incremental vs Full loads
├── Change Data Capture (CDC)
├── Data quality and validation
└── Data lineage and governance
```
**Phase 2: Big Data Technologies (Days 4-7)**
```
2.1. Apache Spark (ƯU TIÊN CAO)
├── Spark Architecture (Driver, Executor, Cluster Manager)
├── RDD, DataFrame, Dataset APIs
├── Spark SQL and Catalyst Optimizer
├── Performance tuning: shuffle, partition, cache
├── Structured Streaming
└── Common errors và debugging
2.2. Apache Kafka
├── Producer, Consumer, Broker concepts
├── Topics, Partitions, Offsets
├── Consumer Groups và Rebalancing
├── Exactly-once semantics
├── Kafka Streams vs Flink
└── Schema Registry, KSQL
2.3. Cloud Data Services (GCP/AWS/Azure)
├── Compute services: Dataproc, EMR, DataBricks
├── Storage: GCS, S3, Blob Storage
├── Streaming: Dataflow, Kinesis, Event Hubs
└── Data warehouses: BigQuery, Redshift, Synapse
```
**Phase 3: Advanced Topics (Days 8-10)**
```
3.1. Data Architecture Patterns
├── Lambda Architecture
├── Kappa Architecture
├── Microservices + Events
├── CQRS Pattern for data
└── Event Sourcing basics
3.2. MLOps & ML Engineering
├── ML Pipeline (feature engineering → training → serving)
├── Model deployment patterns
├── A/B testing và monitoring
└── Feature store concepts
3.3. Banking-Specific Knowledge
├── Regulatory reporting (Basel III, IFRS 9)
├── Anti-money laundering (AML) data systems
├── Credit scoring data pipelines
└── Real-time fraud detection
```
---
### 📖 Tài Liệu Tham Khảo
**Sách (Must-read cho Data Engineer)**
```
1. "Fundamentals of Data Engineering" - Joe Reis & Matt Housley
→ Sách mới nhất, cover toàn diện data engineering
2. "Designing Data-Intensive Applications" - Martin Kleppmann
→ Kiến trúc hệ thống phân tán (nền tảng)
3. "The Data Warehouse Toolkit" - Ralph Kimball
→ Dimensional modeling (kinh điển)
4. "Spark: The Definitive Guide" - Bill Chambers & Matei Zaharia
→ Apache Spark chuyên sâu
```
**Online Courses**
```
1. Data Engineering with Google Cloud (Coursera)
- 5 courses, ~40 hours total
- Highly recommended cho GCP ecosystem
2. AWS Data Analytics Fundamentals (AWS Training)
- Free, AWS official
3. Confluent Kafka Developer Training
- Official Kafka from creators
4. Databricks Lakehouse Platform
- Free learning resources
```
**Documentation & References**
```
- Spark Docs: https://spark.apache.org/docs/latest/
- Kafka Docs: https://kafka.apache.org/documentation/
- dbt Docs: https://docs.getdbt.com/ (Data transformation)
- Data Engineering Weekly newsletter
```
---
### 📅 Lộ Trình Chuẩn Bị 2 Tuần
```
TUẦN 1: Deep Dive Technical
─────────────────────────────────────────────────────────────
Day 1-2: Spark
• Xem lại Spark architecture
• Làm 3-5 hands-on exercises với DataFrames
• Practice: Optimize a slow Spark job
Day 3-4: Kafka + Streaming
• Kafka producer/consumer patterns
• Exactly-once semantics
• Practice: Design streaming pipeline
Day 5: SQL + Data Modeling
• Window functions
• Complex aggregations
• Star schema design exercise
Day 6-7: System Design
• Study design patterns
• Practice drawing architectures
• Prepare 2-3 case studies của bạn
─────────────────────────────────────────────────────────────
TUẦN 2: Polish & Mock Interview
─────────────────────────────────────────────────────────────
Day 8-9: Research Techcombank
• Annual report, news
• Tech stack của ngân hàng (tìm hiểu qua LinkedIn)
• Prepare questions for interviewer
Day 10: Mock Interview (tự đặt câu hỏi + trả lời)
• Practice out loud
• Record và review
Day 11-12: Case Studies
• Refine STAR stories
• Practice explaining complex technical concepts
• Prepare questions for interviewers
Day 13-14: Final Prep
• Light review
• Prepare outfit
• Rest well before interview
• Confirm logistics (địa điểm, thời gian)
```
---
### ⚠️ Lưu Ý Quan Trọng Cho Banking Data Engineering
```
Khác với tech company, banking data engineering cần chú ý:
1. Compliance & Audit
→ Mọi data change cần có audit trail
→ Documentation rất quan trọng
→ Backup và disaster recovery phải nghiêm ngặt
2. Data Quality
→ Banking data phải chính xác tuyệt đối (financial implications)
→ Validation rules phức tạp
→ Reconciliation processes
3. Regulatory Requirements
→ Basel III/IV reporting timelines
→ IFRS 9 expected credit loss
→ Anti-money laundering data
4. Batch vs Real-time
→ Many banking use cases vẫn batch (end-of-day)
→ But real-time đang tăng (fraud, payments)
→ Hybrid approach phổ biến
```
Tư vấn nghề nghiệp
## Lời Khuyên Sự Nghiệp
### 📈 Lộ Trình Thăng Tiến Trong Data Engineering
```
Junior Data Engineer (0-3 năm)
↓
Senior Data Engineer (3-6 năm)
↓
Staff/Principal Data Engineer (6-10 năm)
↓
Engineering Manager / Data Platform Lead (10+ năm)
↓
Director / VP of Data Engineering (15+ năm)
```
**Vị trí này (Expert = Staff/Principal level)** đang ở bước quan trọng:
```
Option A - Technical Track:
Expert → Staff Engineer → Principal Engineer → Distinguished Engineer
└── Focus: Architecture, technical strategy, cross-team impact
Option B - Management Track:
Expert → Team Lead → Manager → Director → VP
└── Focus: People, organization, business outcomes
Option C - Specialist Track:
Expert → ML Platform Lead / Data Platform Architect
└── Focus: Deep specialization (AI/ML, regulatory data, etc.)
```
---
### 💰 Mức Lương Kỳ Vọng Theo Cấp Bậc (Techcombank/Hanoi Market)
```
⚠️ Lưu ý: Mức lương thực tế phụ thuộc nhiều yếu tố
EXPERT/STAFF DATA ENGINEER (8+ năm)
─────────────────────────────────────────────────────
Base Salary: 3,500 - 5,500 USD/tháng
(~85 - 135 triệu VND/tháng)
Total Compensation (nếu include bonus):
4,000 - 7,000 USD/tháng
(~100 - 170 triệu VND/tháng)
Performance Bonus: 1-4 tháng
Techcombank Premium: +20-30% so với market average
(do Techcombank salary culture cao hơn)
─────────────────────────────────────────────────────
So sánh với market:
• Tech Startup: 3,000 - 5,000 USD
• Foreign Bank: 3,500 - 6,000 USD
• Big Tech (FANG):5,000 - 10,000 USD
• Techcombank: 3,500 - 5,500 USD (competitive + growth opportunity)
```
**Tips Negotiation:**
```
1. Đã có offer khác → leverage tốt nhất
2. Nghiên cứu Glassdoor, Payscale cho Techcombank
3. Techcombank thường flexible về compensation
(base vs bonus mix có thể đàm phán)
4. Consider: stock options (nếu có), benefits, learning opportunity
5. Đừng đề cập lương cũ nếu không bị hỏi trực tiếp
```
---
### 🎯 Kỹ Năng Cần Phát Triển Thêm (Để lên Principal/Director)
```
HIGH PRIORITY (trong 1-2 năm tới):
1. Technical Leadership
├── Mentor 5-10 engineers
├── Conduct architecture reviews
└── Set technical direction cho team/division
2. Business Acumen
├── Hiểu sâu về banking products (loans, cards, treasury)
├── Regulatory landscape (NHNN, Basel III)
├── ROI calculation cho data investments
3. Strategic Thinking
├── Data platform roadmap planning (3-5 years)
├── Build vs buy decisions
└── Cost optimization strategies
SECONDARY (trong 3-5 năm):
4. Executive Presence
├── Present to C-level
├── Board-level communication
└── Executive summary writing
5. Cross-functional Collaboration
├── Work with CDO, CTO
├── Partner với external vendors
└── Build data governance framework
6. Emerging Technologies
├── Generative AI / LLMs in data
├── Real-time ML serving
└── Cloud-native data platforms
```
---
### 🏦 Tại Sao Nên/Chọn Techcombank?
```
ƯU ĐIỂM: NHƯỢC ĐIỂM:
─────────────────────────────────────────────────────────────
✅ Lương competitive, thưởng cao ⚠️ Áp lực thay đổi nhanh
✅ Tech stack hiện đại (modern) ⚠️ Có thể restructure
✅ Cơ hội học hỏi banking domain ⚠️ Work-life balance có thể
✅ Học English trong môi trường không ổn định
multinational
✅ Fast-paced growth environment ⚠️ Cạnh tranh cao
✅ Benefits tốt (bảo hiểm,...) ⚠️ Hierarchical culture
✅ Có tiếng trên CV (đang thay đổi)
```
**Phù hợp với bạn nếu:**
```
✓ Muốn apply kỹ năng data engineering vào banking/finance
✓ Thích môi trường thay đổi nhanh, nhiều thử thách
✓ Có ambition thăng tiến trong ngành financial services
✓ Muốn học hỏi từ modern data practices của ngân hàng lớn
```
---
### 🔄 Alternative Paths (Nếu Không Chọn Techcombank)
```
Đối thủ tuyển dụng Data Engineer tại Vietnam:
1. Foreign Banks:
• HSBC, Standard Chartered, Citibank
• Lương tương đương hoặc cao hơn
• Global standards, stable
2. Tech Companies:
• Grab, Shopee, Lazada, VNG
• Lương có thể cao hơn
• Fast-paced, modern stack
3. Fintech:
• VNPay, MoMo, ZaloPay, Cake
• Equity upside potential
• High growth environment
4. Remote/Foreign:
• US/EU companies (remote)
• Lương USD, 2-3x local market
• Timezone challenges
```
Câu hỏi thường gặp
Em mới 2 năm kinh nghiệm Data Engineer, có nên ứng tuyển vị trí Expert 8+ năm không?
Không khuyến khích. Với 2 năm kinh nghiệm, bạn sẽ gặp khó khăn ở vòng technical và leadership interview. Thay vào đó, hãy tìm các vị trí Junior/Senior Data Engineer (3-5 năm) để tích lũy. Tuy nhiên, nếu bạn có kinh nghiệm thực tế với Spark, Kafka ở cường độ cao và đã từng đảm nhận vai trò kiến trúc, có thể thử - nhưng hãy chuẩn bị giải thích rõ gap kinh nghiệm.
Mức lương thực tế cho vị trí này là bao nhiêu? Có thương lượng được không?
Vị trí Expert Data Engineering tại Techcombank thường dao động 100-170 triệu VND/tháng (base). Techcombank có culture đàm phán linh hoạt, đặc biệt với senior hires. Tips: (1) Đừng đề cập số cụ thể đầu tiên, (2) Nếu có offer khác, đó là leverage tốt nhất, (3) Negotiation thường hiệu quả hơn ở phần base thay vì bonus, (4) Consider toàn bộ package: bảo hiểm, learning budget, equity nếu có.
Kỹ năng nào quan trọng nhất để pass interview vòng Technical?
Với cấp Expert, hai kỹ năng quan trọng nhất: (1) System Design - bạn cần demonstrate khả năng thiết kế end-to-end data platform, không chỉ code. Hãy ôn: data lakehouse architecture, real-time processing patterns, cost optimization. (2) Spark Performance Tuning - đây là practical skill thường bị test. Biết cách debug slow jobs, handle skew, optimize shuffles sẽ tạo ấn tượng mạnh. Ngoài ra, be ready discuss trade-offs giữa các approaches.
Techcombank đang dùng tech stack gì? Có nên chuẩn bị specific technology không?
Techcombank đang trong quá trình modernization, chuyển dần lên cloud (AWS/GCP) và adopt modern data stack. Bạn nên chuẩn bị: (1) Cloud basics - dù là AWS hay GCP đều được, (2) Databricks/Spark - phổ biến nhất, (3) Kafka cho streaming, (4) dbt cho data transformation (đang trending), (5) Airflow hoặc Prefect cho orchestration. Lưu ý: job description viết rõ 'Hadoop, Spark, Flink, Kafka' - đây là những công nghệ cần thành thạo nhất.
Work-life balance ở Techcombank như thế nào? Có OT thường xuyên không?
Thực tế mix: Techcombank có reputation là 'bước đi nhanh' và đôi khi deadline áp lực. Với vị trí Expert/Principal, bạn sẽ có flexibility cao hơn (remote, giờ linh hoạt). Tuy nhiên, khi có critical projects hoặc regulatory deadlines, OT là có thật. Đổi lại, compensation và learning opportunity thường tốt hơn average. Đây là trade-off cần cân nhắc: nếu bạn thích môi trường dynamic, đây là điểm cộng; nếu cần stability hoàn toàn, có thể không phù hợp.
Làm sao để demonstrate leadership skills khi interview cho vị trí Expert?
Techcombank đánh giá cao ở cấp Expert: (1) Mentor và phát triển team - chuẩn bị 1-2 stories về việc coaching junior, (2) Technical influence - cách bạn set standards, lead architecture reviews, (3) Conflict resolution - mô tả tình huống resolve disagreements giữa teams hoặc với stakeholders, (4) Strategic thinking - show rằng bạn không chỉ code mà còn think about data strategy. Hãy dùng STAR format (Situation, Task, Action, Result) để structure câu trả lời.
Em đến từ startup, chưa có kinh nghiệm trong ngân hàng. Có khó khăn gì khi ứng tuyển không?
Vừa là điểm yếu vừa là điểm mạnh. Yếu: Banking domain knowledge (Basel III, regulatory reporting, compliance) sẽ là gap. Mạnh: Tech stack của startup thường hiện đại hơn, bạn có thể bring fresh perspective. Advice: (1) Tự nghiên cứu banking data fundamentals trước interview, (2) Highlight technical skills mạnh của bạn, (3) Emphasize ability to adapt và learn domain, (4) Nếu có kinh nghiệm fintech hoặc payment, đó là bridge tốt. Nhiều tech companies đánh giá tech skills cao hơn domain knowledge có thể teach.
Cơ hội thăng tiến sau khi vào Techcombank như thế nào?
Techcombank đang trong giai đoạn tăng trưởng mạnh, nhiều cơ hội thăng tiến: (1) Technical track: Expert → Staff Engineer → Principal Engineer (scaling data platform bank-wide), (2) Management: Expert → Team Lead → Manager → Director (hiện tại đang có nhiều openings ở senior levels), (3) Lateral move: Data Engineering ↔ ML Platform ↔ Data Governance. Average time to promotion: 1.5-2 năm cho performer tốt. Điểm mạnh của Techcombank: fast-moving, nhiều greenfield projects, chance to build something from scratch.