Vị trí Chuyên viên Thỏa thuận

Mô tả công việc

Yêu cầu kinh nghiệm a. Kinh nghiệm chuyên môn - Kinh nghiệm từ 01 năm kinh nghiệm ở vị trí Data Analyst/ Business Data Analyst, ưu tiên ứng viên có kinh nghiệm trong ngân hàng, tài chính hoặc fintech. - Có kinh nghiệm làm việc với dữ liệu nghiệp vụ ngân hàng b. Kinh nghiệm xử lý và phân tích dữ liệu - Thành thạo SQL, Microsoft - Có kinh nghiệm sử dụng Python/R cho phân tích dữ liệu là một lợi thế - Có kinh nghiệm xây dựng Dashboard và báo cáo.

Yêu cầu ứng viên

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cần có cho vị trí Chuyên viên Phân tích và Chiến lược thu hồi nợ - TPBank ### 🔧 Hard Skills bắt buộc | Kỹ năng | Mức độ yêu cầu | Giải thích chi tiết | |---|---|---| | **SQL** | Bắt buộc - Thành thạo | Cần viết truy vấn phức tạp, tối ưu query, join nhiều bảng để trích xuất dữ liệu thu hồi nợ | | **Microsoft Excel** | Bắt buộc - Thành thạo | Pivot table, VLOOKUP/INDEX-MATCH, VBA là điểm cộng lớn | | **PowerBI/Tableau** | Nên có | Xây dựng Dashboard theo dõi tỷ lệ thu hồi, nợ xấu, biến động portfolio | | **Dashboard & Báo cáo** | Bắt buộc | Thiết kế report phục vụ quản lý và ban lãnh đạo | | **Python/R** | Lợi thế | Phân tích thống kê, machine learning cơ bản cho mô hình dự đoán nợ xấu | ### 🎯 Hard Skills nghiệp vụ ngân hàng - **Dữ liệu nghiệp vụ ngân hàng**: Hiểu các trường dữ liệu như mã khách hàng (CIF), số tài khoản, dư nợ, lịch sử giao dịch, phân loại nợ (Nợ đủ tiêu chuẩn, Nợ cần chú ý, Nợ xấu theo thông tư 02/2013/TT-NHNN) - **Quy trình thu hồi nợ (Debt Collection)**: Phân đoạn nợ theo ngày quá hạn (DPD - Days Past Due), chiến lược phân bổ nợ theo nhóm rủi ro - **Regulatory knowledge cơ bản**: Thông tư 02, Thông tư 04 về phân loại nợ và trích lập dự phòng - **Credit scoring model**: Hiểu cách xây dựng scorecard, PD (Probability of Default) ### 💬 Soft Skills quan trọng - **Tư duy phân tích (Analytical thinking)**: Phân tích pattern thu hồi nợ, tìm nguyên nhân gốc rễ của nợ xấu tăng - **Kỹ năng trình bày dữ liệu (Data storytelling)**: Chuyển đổi con số khô khan thành insight hành động cho lãnh đạo - **Làm việc dưới áp lực KPI**: Bộ phận thu hồi nợ luôn có chỉ tiêu, cần chịu được áp lực thời gian - **Giao tiếp cross-functional**: Phối hợp với Khối Khách hàng cá nhân, Khối rủi ro, IT, Legal - **Chủ động trong công việc**: Tự tìm data, tự đề xuất giải pháp thu hồi ### 📜 Chứng chỉ gợi ý - **CFA, FRM** (nếu muốn phát triển sang mảng Risk Management lâu dài) - **Google Data Analytics Certificate** - nền tảng - **Microsoft Power BI Data Analyst Associate** - **SQL for Data Scientists** (Coursera/ Udemy) - **Chứng chỉ về Credit Risk của FRM** ### 📊 Bảng so sánh: Ứng viên IDEAL vs THỰC TẾ | Tiêu chí | Ứng viên IDEAL | Ứng viên THỰC TẾ (có thể ứng tuyển) | |---|---|---| | Kinh nghiệm | 2-3 năm Data Analyst ngân hàng | 1 năm Data Analyst, ngành khác cũng được | | SQL | Thành thạo + tối ưu performance | Viết được query, join được 3-4 bảng | | Python/R | Sử dụng thành thạo cho ML | Biết sơ qua, có demo là được | | Dashboard | PowerBI chuyên nghiệp | Biết cách build report đơn giản | | Nghiệp vụ NH | Hiểu sâu toàn bộ quy trình tín dụng | Biết khái niệm nợ xấu, phân loại nợ cơ bản | **Nhận định**: Vị trí này yêu cầu **1 năm kinh nghiệm**, khá friendly cho junior Data Analyst muốn chuyển hướng vào ngân hàng. Điểm mấu chốt là thể hiện được khả năng xử lý dữ liệu nghiệp vụ ngân hàng.

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn vị trí Chuyên viên Phân tích và Chiến lược thu hồi nợ - TPBank ### 📋 Quy trình phỏng vấn dự kiến **Thông thường tại TPBank gồm 3 vòng:** 1. **Vòng 1 - HR Screening (30-45 phút)** - Gọi điện hoặc online qua Zoom/Meet - Tìm hiểu kinh nghiệm, động lực ứng tuyển - Đánh giá mức lương kỳ vọng, availability 2. **Vòng 2 - Phỏng vấn chuyên môn (45-60 phút)** - Thường do Trưởng bộ phận hoặc Quản lý trực tiếp phỏng vấn - Test SQL thực hành (viết query trên giấy hoặc laptop) - Hỏi về dự án phân tích dữ liệu đã làm - Tình huống liên quan đến thu hồi nợ 3. **Vòng 3 - Phỏng vấn cấp cao / Manager (30-45 phút)** - Đánh giá tư duy chiến lược, cách tiếp cận bài toán - Hỏi về hiểu biết ngành ngân hàng, tầm nhìn phát triển - Đôi khi có test tính cách/情景题 ### ❓ Câu hỏi hay gặp theo từng vòng **Vòng 1 - HR:** - "Giới thiệu ngắn gọn về kinh nghiệm làm việc với dữ liệu của bạn" - "Tại sao bạn muốn chuyển sang mảng thu hồi nợ?" - "Bạn biết gì về TPBank và tại sao chọn TPBank?" - "Mức lương kỳ vọng của bạn là bao nhiêu?" - "Bạn có thể bắt đầu khi nào?" **Vòng 2 - Chuyên môn:** - "Viết SQL lấy danh sách khách hàng có nợ quá hạn trên 90 ngày, kèm thông tin dư nợ và thời gian quá hạn" - "Sự khác nhau giữa LEFT JOIN và INNER JOIN? Khi nào dùng? - "Bạn đã từng xây dựng Dashboard theo dõi KPI chưa? KPIs nào?" - "Nếu dữ liệu thu hồi nợ bị missing/null nhiều, bạn xử lý thế nào?" - "Bạn hiểu thế nào về nợ xấu trong ngân hàng? Các nhóm nợ xấu?" - "Mô tả một dự án phân tích dữ liệu mà bạn tự hào nhất" - "Nếu một chi nhánh có tỷ lệ nợ xấu tăng đột biến, bạn sẽ phân tích từ đâu?" - "Python/R bạn dùng trong trường hợp nào?" **Vòng 3 - Manager/Cấp cao:** - "Bạn nghĩ chiến lược thu hồi nợ hiệu quả cần dựa trên những yếu tố nào?" - "Nếu bạn phải ưu tiên thu hồi 1000 cases nợ trong tháng, bạn sẽ phân loại và xếp hàng đợi thế nào?" - "Bạn thấy xu hướng thu hồi nợ tự động (AI collection) như thế nào?" - "3-5 năm tới bạn hình dung sự nghiệp mình ở đâu?" - "Bạn có câu hỏi gì cho tôi không?" (LUÔN hỏi - thể hiện sự chuẩn bị) ### ✅ Tips chuẩn bị cụ thể **Chuẩn bị SQL (bắt buộc ôn luyện):** ```sql -- Ôn luyện các dạng query sau: -- 1. GROUP BY + HAVING (lọc nhóm) -- 2. CTE / Subquery (truy vấn lồng) -- 3. Window Functions (RANK, LEAD, LAG, SUM OVER) -- 4. CASE WHEN (tạo biến phân loại) -- 5. Date functions (DATEDIFF, DATEADD) ``` **Chuẩn bị nghiệp vụ thu hồi nợ:** - Phân biệt: Nợ đủ tiêu chuẩn / Nợ cần chú ý / Nợ dưới tiêu chuẩn / Nợ nghi ngờ / Nợ có khả năng mất vốn - Hiểu quy trình thu hồi nợ: Nhắc nhở → Gọi điện → Thư/Email → Thăm nom → Khởi kiện - KPIs thường dùng: Tỷ lệ thu hồi (Recovery Rate), PAR (Portfolio at Risk), AGE **Chuẩn bị bài case thực tế:** - Chuẩn bị 1-2 case study về phân tích dữ liệu đã làm (dùng STAR format) - S-T-A-R: Situation → Task → Action → Result - Kèm số liệu cụ thể: "Giảm thời gian chạy report từ 4 giờ xuống 15 phút" ### 👔 Dress Code - **Business casual** - không cần suit lịch lãm quá - Nam: Áo sơ mi, quần tây, giày da. Có thể không cần cravat - Nữ: Áo sơ mi/ blouse, quần tây/ váy công sở - Tránh: Jeans rách, sandal, áo thun in hình ### 📝 Checklist trước ngày phỏng vấn - [ ] Ôn lại SQL (viết ít nhất 5-10 query practice) - [ ] Research TPBank: lịch sử, sản phẩm, quy mô, định hướng - [ ] Chuẩn bị laptop/điện thoại dự phòng nếu test online - [ ] In sẵn CV (2-3 bản) và portfolio/dự án mẫu (nếu có) - [ ] Nghiên cứu JD kỹ - gạch đầu dòng 3 điểm mạnh phù hợp - [ ] Chuẩn bị 3-5 câu hỏi cho người phỏng vấn

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho vị trí Chuyên viên Phân tích và Chiến lược thu hồi nợ - TPBank ### 📚 Kiến thức nền cần nắm vững **A. Kiến thức nghiệp vụ ngân hàng** 1. **Phân loại nợ theo Thông tư 02/2013/TT-NHNN (cập nhật theo Thông tư 04/2021)** - Nhóm 1: Nợ đủ tiêu chuẩn (0 DPD) - Nhóm 2: Nợ cần chú ý (1-90 DPD) - Nhóm 3: Nợ dưới tiêu chuẩn (91-180 DPD) - Nhóm 4: Nợ nghi ngờ (181-360 DPD) - Nhóm 5: Nợ có khả năng mất vốn (>360 DPD) 2. **Các chỉ số KPIs trong thu hồi nợ** - **PAR (Portfolio at Risk)**: Tỷ lệ dư nợ quá hạn trên tổng dư nợ - **Recovery Rate**: Tỷ lệ thu hồi được so với tổng nợ xấu - **DPD (Days Past Due)**: Số ngày quá hạn - **Flow Rate**: Tỷ lệ nợ chuyển nhóm - **Vintage Analysis**: Phân tích theo độ tuổi của nợ 3. **Quy trình thu hồi nợ ngân hàng** - Early stage (0-30 DPD): Nhắc nhở tự động, SMS, email - Mid stage (30-90 DPD): Gọi điện cá nhân, thương lượng - Late stage (90+ DPD): Thăm nom, khởi kiện, bán nợ **B. Kiến thức phân tích dữ liệu** 1. **SQL nâng cao cần thực hành:** - Self-join, Multiple joins - GROUP BY với nhiều điều kiện - Window Functions (đặc biệt quan trọng!) - Common Table Expressions (CTE) - Query optimization (INDEX, EXIST vs IN) 2. **Dashboard Design:** - Hiểu cách thiết kế Dashboard phục vụ ra quyết định - Drill-down, filter, slicer - KPIs visualization: biểu đồ line cho xu hướng, bar chart cho so sánh 3. **Python/R (nếu có thời gian):** - Pandas, NumPy cơ bản - Scikit-learn cơ bản (classification, clustering) - Data visualization: Matplotlib, Seaborn ### 📖 Tài liệu tham khảo | Tài liệu | Link/Loại | Ghi chú | |---|---|---| | Thông tư 04/2021/TT-NHNN | Website NHNN | Quy định phân loại nợ | | SQL Practice trên HackerRank/LeetCode | Online | Ôn luyện SQL interview | | "SQL for Data Scientists" - Coursera | Coursera | Khóa miễn phí, dành cho beginners | | TPBank Annual Report 2023 | TPBank IR website | Tìm hiểu về công ty | | "Storytelling with Data" - Cole Nussbaumer | Sách | Học cách trình bày data | | PowerBI community tutorials | Microsoft Learn | Xây dựng Dashboard | ### 🗺️ Lộ trình chuẩn bị 1-2 tuần **Tuần 1 - Nền tảng:** - **Ngày 1-2**: Đọc kỹ JD, research TPBank, viết CV phù hợp - **Ngày 3-4**: Ôn SQL (tập trung Window Functions + JOIN phức tạp) - **Ngày 5-6**: Học nghiệp vụ phân loại nợ, KPIs thu hồi nợ - **Ngày 7**: Nghỉ ngơi, chuẩn bị tâm lý **Tuần 2 - Chuyên sâu:** - **Ngày 8-9**: Ôn SQL nâng cao + làm bài test thực hành - **Ngày 10**: Chuẩn bị case study STAR, portfolio dự án - **Ngày 11**: Mock interview với bạn bè hoặc tự đặt câu hỏi - **Ngày 12**: Chuẩn bị trang phục, in tài liệu - **Ngày 13-14**: Review lại toàn bộ, nghỉ ngơi **Tip ôn SQL hiệu quả:** Dành 30-60 phút/ngày giải 3-5 bài SQL trên LeetCode hoặc HackerRank. Ưu tiên các tag: "Hard", "Aggregation", "Joins", "DBMS". **Tài khoản SQL online để thực hành miễn phí:** - Mode SQL (mode.com/sql-tutorial) - rất tốt cho beginners - SQLZoo - W3Schools SQL **Nếu chưa có kinh nghiệm ngân hàng:** - Xem video giải thích quy trình tín dụng trên YouTube - Đọc bài viết về "Credit Risk Management" trên các blog tài chính Việt Nam - Tìm hiểu các sản phẩm của TPBank: eVB, eKYC, Fast OC, TPBank eBank

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp cho vị trí Chuyên viên Phân tích và Chiến lược thu hồi nợ ### 🚀 Lộ trình thăng tiến điển hình ``` Junior Data Analyst (0-1 năm) ↓ Chuyên viên Phân tích thu hồi nợ (1-3 năm) ← BẠN ĐANG Ở ĐÂY ↓ Senior Data Analyst - Collection Strategy (3-5 năm) ↓ Team Lead / Manager (5-7 năm) ↓ Head of Collection Strategy / VP Credit Risk (7-10 năm) ``` ### 💰 Mức lương kỳ vọng theo cấp bậc (tham khảo thị trường HCM 2024-2025) | Cấp bậc | Kinh nghiệm | Lương tháng (VND) | Ghi chú | |---|---|---|---| | Junior DA | 0-1 năm | 10-16 triệu | Fresher có SQL tốt | | **Chuyên viên (vị trí này)** | **1-3 năm** | **15-25 triệu** | **Mức thỏa thuận, có thể cao hơn nếu giỏi Python + nghiệp vụ** | | Senior Data Analyst | 3-5 năm | 25-40 triệu | + thưởng KPIs | | Team Lead | 5-7 năm | 40-65 triệu | + thu nhập khác | | Manager | 7+ năm | 60-100 triệu | Tùy ngân hàng và quy mô | **Lưu ý:** TPBank là ngân hàng tư nhân top đầu, mức lương thường competitive. Với 1 năm kinh nghiệm + SQL giỏi + nghiệp vụ NH, có thể đàm phán mức 18-22 triệu. ### 🎯 Kỹ năng cần phát triển thêm **Ngắn hạn (6-12 tháng đầu):** - Thành thạo Python/R cho predictive modeling (dự đoán khả năng thu hồi) - Học PowerBI/Tableau ở mức chuyên sâu - Hiểu sâu nghiệp vụ credit scoring, scoring card - Học cách đọc và phân tích báo cáo tài chính ngân hàng **Trung hạn (1-3 năm):** - Machine Learning applied to credit risk (classification models) - Project management - dẫn dắt dự án phân tích dữ liệu - Kỹ năng trình bày với C-level (Board-level reporting) - Hiểu regulatory compliance (Hiive Basel, IFRS 9) **Dài hạn (3-5 năm):** - Chuyên môn sâu về Credit Risk Strategy - Mở rộng sang: Fraud Analytics, Customer Analytics - Quản lý đội nhóm (nếu muốn lên Manager) - Có thể chuyển sang Consulting (McKinsey, BCG Financial Services) ### 🌟 Cơ hội phát triển trong ngành **Các hướng đi tiếp sau vị trí này:** 1. **Credit Risk Analytics Manager** - Quản lý chiến lược tín dụng tổng thể 2. **Collection Strategy Head** - Lãnh đạo bộ phận chiến lược thu hồi nợ 3. **Fraud Analytics Specialist** - Chuyên gia phát hiện gian lận 4. **Business Intelligence Manager** - Quản lý BI toàn ngân hàng 5. **Data Science (Fintech/Startup)** - Chuyển sang công ty fintech với lương cao hơn 6. **Consulting (Big 4 Financial Services)** - Kiến thức chuyên sâu về Credit Risk 7. **Digital Banking Transformation** - Tham gia chuyển đổi số ngân hàng ### 📌 Lời khuyên thực tế từ kinh nghiệm > **"Vị trí này là cửa ngõ rất tốt để vào ngành ngân hàng với background Data Analyst. Quan trọng là 6 tháng đầu cố gắng học nghiệp vụ tín dụng thật nhanh, đừng chỉ tập trung vào code. Người hiểu cả data lẫn nghiệp vụ mới là người được săn đón."** **3 điều cần làm ngay khi nhận việc:** 1. Xin quyền truy cập các database chính, học cấu trúc dữ liệu ngay 2. Đọc kỹ quy trình thu hồi nợ nội bộ của TPBank 3. Tìm hiểu các báo cáo định kỳ hiện tại, đề xuất cải tiến ngay nếu thấy bất hợp lý

Câu hỏi thường gặp

Em mới tốt nghiệp, chưa có kinh nghiệm Data Analyst, có ứng tuyển được vị trí này không?

Khá khó vì JD yêu cầu tối thiểu 1 năm kinh nghiệm ở vị trí Data Analyst/ Business Data Analyst. Tuy nhiên, nếu bạn có thực tậc 6 tháng ở vị trí liên quan + portfolio dự án phân tích dữ liệu mạnh (SQL project, dashboard cá nhân trên GitHub), bạn vẫn có thể thử ứng tuyển. Gợi ý: Ứng tuyển vị trí fresher/nhập môn ở các công ty fintech nhỏ trước, tích lũy 1 năm rồi quay lại TPBank.

Mức lương cho vị trí này là bao nhiêu? Có thương lượng được không?

JD ghi 'Thỏa thuận' nên hoàn toàn có thể thương lượng. Với 1 năm kinh nghiệm, mức tham khảo là 15-22 triệu VND/tháng tại HCM. Nếu bạn giỏi SQL + Python/R + có kinh nghiệm ngân hàng, có thể đàm phán lên 22-25 triệu. Tip: Nghiên cứu mức lương trên các trang như Glassdoor, VietnamWork trước khi đề xuất con số cụ thể.

Vị trí này làm việc với bộ phận nào? Có phải đi thu hồi nợ ngoài site không?

Không, đây là vị trí phân tích và chiến lược (strategy) chứ không phải field collector. Bạn sẽ làm việc chủ yếu với dữ liệu trên máy tính, xây dựng báo cáo, phân tích xu hướng. Các bộ phận bạn sẽ phối hợp gồm: Khối Khách hàng cá nhân (để lấy dữ liệu sản phẩm), Khối Rủi ro (để đồng bộ phân loại nợ), Khối Vận hành (để hiểu quy trình thu hồi), và bộ phận công nghệ (IT/Data). Không cần đi thu hồi nợ bên ngoài.

Học Python hay R tốt hơn cho vị trí này?

Python được ưu tiên hơn trong ngành ngân hàng Việt Nam hiện tại vì: (1) Thư viện phong phú hơn (Pandas, Scikit-learn, TensorFlow), (2) Cộng đồng lớn hơn, dễ tìm tài liệu, (3) Dễ kết nối với hệ thống enterprise. Tuy nhiên, R cũng tốt nếu bạn muốn tập trung vào thống kê và phân tích chuyên sâu. Gợi ý: Học Python trước, tập trung vào Pandas và visualization.

Công việc hàng ngày của vị trí này là gì?

Một ngày điển hình có thể bao gồm: Sáng đầu tuần check các báo cáo KPIs thu hồi nợ từ Dashboard, xem có điểm bất thường nào cần phân tích sâu. Trong ngày có thể viết SQL truy vấn dữ liệu mới, xây dựng báo cáo ad-hoc cho quản lý, hoặc tham gia họp cross-functional với các bộ phận. Cuối ngày/tuần: cập nhật Dashboard, chuẩn bị báo cáo tuần/tháng. Dự án: có thể đang xây mô hình dự đoán khả năng thu hồi hoặc cải tiến quy trình phân đoạn nợ.

KPI của vị trí này là gì? Có áp lực không?

Vì là vị trí phân tích (không phải collector trực tiếp), KPIs của bạn sẽ tập trung vào: (1) Chất lượng báo cáo phân tích - đúng deadline, chính xác, (2) Độ tin cậy của Dashboard - số lỗi data, (3) Đóng góp chiến lược - giải pháp phân tích bạn đề xuất có hiệu quả không (thể hiện qua việc giảm tỷ lệ nợ xấu). Áp lực chủ yếu đến từ deadline báo cáo và khi có vấn đề đột xuất về dữ liệu, không phải áp lực doanh số thu hồi trực tiếp.

TPBank có gì đặc biệt so với các ngân hàng khác để ứng tuyển?

TPBank là một trong những ngân hàng tiên phong về công nghệ (digital banking). Điểm mạnh: (1) Văn hóa làm việc trẻ trung, năng động hơn các ngân hàng nhà nước, (2) Đầu tư mạnh vào hệ thống data và AI, (3) Cơ hội học hỏi công nghệ hiện đại, (4) Lộ trình thăng tiến rõ ràng hơn. So với VietinBank hoặc BIDV, TPBank có tốc độ ra quyết định nhanh hơn nhưng áp lực công việc cũng cao hơn.

Nếu đang làm ở công ty fintech, có thuận lợi gì khi ứng tuyển vị trí này?

Có nhiều lợi thế! Fintech thường đi trước ngân hàng về cách tiếp cận data-driven: bạn quen với việc xây dựng A/B testing, user behavior analysis, real-time analytics - những thứ ngân hàng truyền thống đang bắt kịp. Tuy nhiên, bạn cần học thêm nghiệp vụ tín dụng chuyên biệt của ngân hàng (regulatory compliance, phân loại nợ, trích lập dự phòng). Điểm cộng: bạn mang tư duy mới, khác biệt vào ngân hàng - đây là điều nhiều ngân hàng đang săn đón.

[HCM] - Chuyên viên Phân tích và Chiến lược thu hồi nợ