ACB tuyển dụng HO - ETL Specialist lương Thương lượng

Thương lượng Hạn: 2026-12-31

Mô tả công việc

We are seeking an experienced ETL Specialist to design, develop, and maintain robust data integration pipelines. The role focuses on extracting data from multiple source systems, transforming it according to business rules, and loading it into data warehouses or data lakes to support reporting, analytics, and business decision‑making.

Key Responsibilities

Design, develop, test, and maintain ETL/ELT pipelines

Extract data from various sources (databases, APIs, flat files, cloud systems)

Transform data by cleaning, validating, standardizing, and applying business logic

Load processed data into data warehouses, data marts, or data lakes

Monitor ETL jobs, troubleshoot failures, and ensure data accuracy and completeness

Optimize ETL performance and scalability

Work closely with data analysts, BI teams, and business stakeholders to understand data requirements

Implement data quality checks and reconciliation processes

Document ETL workflows, data mappings, and technical specifications

Ensure compliance with data governance, security, and privacy standards

Required Skills and Qualifications

Bachelor’s degree in Computer Science, Information Technology, Data Engineering, or related field

Strong proficiency in SQL

Hands-on experience with ETL tools such as: Informatica, Talend, SSIS, DataStage, Pentaho, or similar

Experience with relational databases (SQL Server, Oracle, PostgreSQL, MySQL)

Understanding of data warehousing concepts (star schema, snowflake schema)

Experience in data transformation, validation, and error handling

Knowledge of scripting languages (Python preferred)

Ability to analyze complex data issues and troubleshoot effectively

Good communication and documentation skills

Nộp đơn ứng tuyển công việc này

Họ & tên bạn *

Địa chỉ email *

Số điện thoại *

Ngày tháng năm sinh *

Trình độ học vấn (Education) *

-- Trình độ học vấn (Education) --Chưa tốt nghiệp (No degree)Phổ thông (High school)Trung cấpCao đẳng (College)Đại học (University/Academy)Thạc sỹ (Master)Tiến sỹ (PhD)Sau đại học (Postgraduate)Khác (Others)

Bạn biết đến cơ hội ứng tuyển này qua kênh nào? *

-- Bạn biết đến cơ hội ứng tuyển này qua kênh nào? --Website tuyển dụng ACBFacebook ACBLinkedIn ACBWebsite việc làmQuảng cáo onlineNgười giới thiệuKhác

+ Thông tin thêm

CV của bạn *
Click để chọn & tải lên CV của bạn

Nộp đơn ứng tuyển

Bỏ qua

-->

{
"@context": "http://schema.org",
"@type": "JobPosting",

"datePosted":"2026-11-08",
"description":"We are seeking an experienced ETL Specialist to design, develop, and maintain robust data integration pipelines. The role focuses on extracting data from multiple source systems, transforming it according to business rules, and loading it into data warehouses or data lakes to support reporting, analytics, and business decision‑making.

Key Responsibilities

Design, develop, test, and maintain ETL/ELT pipelines

Extract data from various sources (databases, APIs, flat files, cloud systems)

Transform data by cleaning, validating, standardizing, and applying business logic

Load processed data into data warehouses, data marts, or data lakes

Monitor ETL jobs, troubleshoot failures, and ensure data accuracy and completeness

Optimize ETL performance and scalability

Work closely with data analysts, BI teams, and business stakeholders to understand data requirements

Implement data quality checks and reconciliation processes

Document ETL workflows, data mappings, and technical specifications

Ensure compliance with data governance, security, and privacy standards

Required Skills and Qualifications

Bachelor’s degree in Computer Science, Information Technology, Data Engineering, or related field

Strong proficiency in SQL

Hands-on experience with ETL tools such as: Informatica, Talend, SSIS, DataStage, Pentaho, or similar

Experience with relational databases (SQL Server, Oracle, PostgreSQL, MySQL)

Understanding of data warehousing concepts (star schema, snowflake schema)

Experience in data transformation, validation, and error handling

Knowledge of scripting languages (Python preferred)

Ability to analyze complex data issues and troubleshoot effectively

Good communication and documentation skills

",
"employmentType":"Toàn thời gian",
"hiringOrganization": {
"@type": "Organization",
"name": "Ngân hàng Á Châu - ACB",
"sameAs" : "http://www.acbjobs.com.vn"
},
"identifier": {
"@type": "PropertyValue",
"name": "HO - ETL Specialist",
"value": "56269"
},
"title": "HO - ETL Specialist",
"validThrough":"2026-12-31"
}

Phân tích kỹ năng cần có

1. Bức tranh tổng quan vị trí

Ngân hàng: ACB
Vị trí: HO - ETL Specialist
Phòng ban: Phân tích Dữ liệu
Địa điểm: Trụ sở chính tại Thành phố Hồ Chí Minh
Mức lương: Thương lượng
Đặc điểm đáng chú ý: Mô tả công việc yêu cầu ứng viên có kinh nghiệm, nhưng tin tuyển dụng không công bố số năm kinh nghiệm tối thiểu, quyền lợi, chỉ số hiệu quả công việc cụ thể hoặc lịch làm việc.

Định vị phù hợp: Đây là vị trí chuyên viên có khả năng thiết kế, xây dựng, vận hành và khắc phục sự cố của các quy trình tích hợp dữ liệu. Ứng viên mạnh không chỉ biết kéo dữ liệu từ nguồn A sang nơi lưu trữ B, mà còn phải bảo đảm dữ liệu chính xác, đầy đủ, an toàn, có thể truy vết và được tài liệu hóa.

2. Ma trận kỹ năng cần chuẩn bị

Nhóm kỹ năng	Mức độ	Nội dung cần có
SQL	P0	Truy vấn nâng cao, kiểm tra dữ liệu, tối ưu truy vấn, hiểu chỉ mục và cơ chế thực thi
ETL/ELT	P0	Thiết kế pipeline, trích xuất, biến đổi, nạp, điều phối, xử lý lỗi, tải lại dữ liệu
Cơ sở dữ liệu quan hệ	P0	SQL Server, Oracle, PostgreSQL hoặc MySQL; transaction, schema, quyền truy cập
Kho dữ liệu	P0	Star schema, snowflake schema, fact table, dimension, grain, surrogate key
Chất lượng dữ liệu	P0	Validation, reconciliation, kiểm tra null, trùng lặp, logic nghiệp vụ, xử lý bản ghi lỗi
Python	P1	pandas, đọc CSV/JSON, gọi API, kiểm tra dữ liệu, tự động hóa tác vụ
API và hệ thống tệp	P1	REST API, phân trang, token, giới hạn tần suất, file phẳng, CSV, Excel, đặc tả schema
Hiệu năng và khả mổng	P1	Tải toàn bộ hoặc tăng dần, xử lý dữ liệu đến muộn, phân vùng, lịch chạy, phụ thuộc pipeline
Dữ liệu ngân hàng	P1	Khách hàng, tài khoản, giao dịch, tín dụng, rủi ro, AML, quản trị và bảo mật dữ liệu
Kỹ năng mềm	P0	Giao tiếp với bộ phận kinh doanh, tài liệu hóa, sở hữu công việc, xử lý sự cố, làm việc nhóm

3. Hard skills trọng tâm

3.1. SQL

Ứng viên cần chứng minh khả năng sử dụng SQL trong công việc thực tế, không chỉ truy vấn cơ bản:

Nội join, outer join, anti join, CTE, subquery, câu lệnh tổng hợp và window function.
Tính tổng, tỷ lệ, xếp hạng, so sánh dữ liệu giữa hai kỳ, chạy luỹ tiến theo khách hàng.
Loại bỏ và xử lý bản ghi trùng, kiểm tra giá trị null, kiểm tra logic ngày tháng và giá trị âm.
Viết truy vấn đối chiếu giữa dữ liệu nguồn và kho dữ liệu.
Đọc execution plan, hiểu chỉ mục, join order, phân vùng và các nguyên nhân truy vấn chậm.
Biết khác biệt cơ bản giữa SQL Server, Oracle và PostgreSQL.

3.2. Thiết kế và vận hành ETL/ELT

Cần hiểu đầy đủ vòng đời của một pipeline:

Phân tích yêu cầu nguồn, đích, tần suất nạp, cách xử lý bản ghi lỗi và cơ chế đối chiếu.
Phân biệt tải toàn bộ, tải tăng dần, nạp ghi đè, nạp chèn và nạp phụ thuộc.
Xây dựng bảng đồ dữ liệu, quy tắc làm sạch, chuẩn hóa, kiểm tra chất lượng và logic nghiệp vụ.
Thiết kế tác vụ theo lịch, xử lý phụ thuộc giữa các bước, ghi nhật ký và cảnh báo.
Xử lý lỗi theo nguyên tắc không tạo dữ liệu trùng, có thể chạy lại an toàn và không làm mất dữ liệu nguồn.
Tối ưu thời gian xử lý, giảm tải truy vấn trên hệ thống nguồn, kiểm soát bộ nhớ và xử lý khối lượng lớn.

3.3. Công cụ ETL

Tin tuyển dụng liệt kê Informatica, Talend, SSIS, DataStage, Pentaho hoặc công cụ tương đương. Ứng viên không cần thành thạo toàn bộ, nhưng nên có một công cụ thật sự thành thạo và khả năng chuyển đổi sang công cụ khác:

Biết tạo workflow, session, mapping, biến môi trường và tham số.
Hiểu cấu hình nguồn, đích, điều kiện lọc, join, aggregation và rejection record.
Biết lên lịch, quản lý phụ thuộc, ghi log, xử lý lỗi và phục hồi.
Có thể giải thích cách chuyển một quy trình từ công cụ A sang công cụ B.

3.4. Kho dữ liệu và mô hình hóa

Phân biệt kho dữ liệu vận hành, kho dữ liệu phân tích, data mart và data lake.
Hiểu star schema, snowflake schema, fact table, dimension table và grain của dữ liệu.
Xử lý khóa chính, khóa thay thế, dimension chuẩn hóa và dimension thay đổi chậm.
Biết mô hình hóa dữ liệu giao dịch, khách hàng, tài khoản, sản phẩm và sự kiện.
Hiểu cách thiết kế lớp trung gian phục vụ báo cáo và phân tích.

3.5. Python và kiểm thử dữ liệu

pandas để đọc, lọc, nối và kiểm tra dữ liệu.
Xử lý CSV, JSON, tệp nén và dữ liệu đặc biệt.
Gọi REST API, xử lý phân trang, token hết hạn và lỗi mạng.
Viết kiểm tra tự động cho null, duplicate, schema, giá trị ngoài khoảng và tổng số bản ghi.
Viết script ghi log, gửi cảnh báo và hỗ trợ tái chạy quy trình.
Biết không đưa mật khẩu hoặc token vào mã nguồn.

3.6. Chất lượng, quản trị và bảo mật dữ liệu

Đây là điểm được nhà tuyển dụng nhấn mạnh nhiều lần:

Xác định quy tắc completeness, validity, uniqueness, consistency và timeliness.
Đối chiếu số bản ghi, tổng giá trị và độ lệch giữa nguồn với đích.
Quản lý bảng bản ghi lỗi và quy trình sửa lỗi có kiểm soát.
Hiểu data lineage, data ownership, metadata và tài liệu đặc tả kỹ thuật.
Áp dụng nguyên tắc tối thiểu quyền truy cập, mã hóa, che dữ liệu nhạy cảm và quản lý bí mật.
Hiểu yêu cầu bảo vệ dữ liệu cá nhân, dữ liệu tài chính và quản trị dữ liệu trong môi trường ngân hàng.

4. Soft skills cần thể hiện

Giao tiếp với nghiệp vụ: Biết chuyển yêu cầu không rõ ràng thành quy tắc ETL có thể kiểm thử.
Tư duy hệ thống: Nhìn toàn bộ chuỗi từ nguồn, biến đổi, nạp, kiểm soát chất lượng đến vận hành.
Tài liệu hóa: Workflow, data mapping, xử lý lỗi và đặc tả kỹ thuật phải để người khác hiểu và bàn giao được.
Tinh thần sở hữu: Không chỉ báo lỗi mà đề xuất nguyên nhân, phương án và biện pháp phòng ngừa.
Làm việc nhóm: Phối hợp với nhà phân tích dữ liệu, đội BI, kỹ sư dữ liệu và đơn vị nghiệp vụ.
Học nhanh: Công cụ ETL có thể thay đổi, nhưng nguyên lý thiết kế pipeline và kiểm soát chất lượng ổn định hơn.

5. Chứng chỉ nên cân nhắc

Chứng chỉ không thay thế kinh nghiệm thực tế. Nên chọn tối đa một chứng chỉ phù hợp với hướng đi định:
1. Microsoft Azure Data Engineer Associate nếu môi trường sử dụng Azure, Data Factory hoặc Databricks trên Azure.
2. Google Cloud Professional Data Engineer nếu mục tiêu là nền tảng dữ liệu trên Google Cloud.
3. Databricks Data Engineer Associate nếu tệp trung vào lakehouse, Delta Lake và Spark.
4. Chứng chỉ doanh nghiệp của Informatica hoặc Talend nếu CV thể hiện kinh nghiệm thực tế với đúng công cụ.
5. PL-300 chỉ nên ưu tiên nếu vị trí còn liên quan nhiều đến báo cáo và BI; mức độ liên quan thấp hơn kỹ năng ETL cốt lõi.

6. Hồ sơ nên thể hiện

Tên kỹ năng nên xuất hiện tự nhiên trong CV: `SQL`, `ETL/ELT`, `Informatica`, `Talend`, `SSIS`, `DataStage`, `Pentaho`, `Python`, `pandas`, `PostgreSQL`, `Oracle`, `SQL Server`, `Data Warehouse`, `Star Schema`, `Snowflake Schema`, `Data Quality`, `Data Reconciliation`, `Data Governance`, `API Integration`, `Performance Optimization`.

Mỗi kinh nghiệm nên mô tả theo cấu trúc:
> Xây dựng và vận hành pipeline ETL/ELT từ nhiều nguồn gồm cơ sở dữ liệu, API và tệp CSV; chuẩn hóa dữ liệu bằng SQL và Python; triển khai kiểm tra chất lượng, đối chiếu định kỳ; giảm thời gian xử lý; tài liệu hóa data mapping và quy trình xử lý lỗi.

Nên đưa các chỉ số có thể chứng minh như số lượng pipeline, số nguồn dữ liệu, khối lượng bản ghi, tần suất chạy, thời gian xử lý trước và sau tối ưu, tỷ lệ lỗi hoặc thời gian khắc phục sự cố.

7. Đề xuất portfolio

Ứng viên nên có một dự án cá nhân mô phỏng báo cáo giao dịch ngân hàng:

Nguồn giả lập gồm tệp khách hàng, tài khoản và giao dịch.
SQL xử lý tổng hợp, phát hiện trùng lặp và đối chiếu.
Python kiểm tra chất lượng và tạo báo cáo lỗi.
Kiến trúc pipeline, lịch chạy, cơ chế retry và tài liệu kỹ thuật.
Sơ đồ star schema, data mapping và danh sách quy tắc nghiệp vụ.

Không sử dụng dữ liệu khách hàng thật của ngân hàng hoặc bất kỳ tổ chức nào.

Chuẩn bị phỏng vấn

1. Quy trình phỏng vấn dự kiến

Quy trình dưới đây là kịch bản thông thường cho vị trí kỹ thuật dữ liệu; hình thức thực tế có thể khác:

1. Sàng lọc hồ sơ và phỏng vấn nhân sự: Xác nhận kinh nghiệm, địa điểm làm việc, thời gian có thể nhận việc và mức lương kỳ vọng.
2. Phỏng vấn kỹ thuật: SQL, thiết kế pipeline, cơ sở dữ liệu, công cụ ETL, Python và xử lý sự cố.
3. Bài kiểm tra hoặc phỏng vấn chuyên sâu: Có thể là bài SQL thực hành, thiết kế case ETL, phân tích tình huống sự cố hoặc bài take-home ngắn.
4. Phỏng vấn quản lý hoặc đội ngũ: Đánh giá tư duy hệ thống, giao tiếp, khả năng làm việc với bộ phận nghiệp vụ và mức độ phù hợp với nhu cầu tuyển dụng.
5. Hoàn thiện thủ tục: Tham khảo lý lịch, xác nhận điều khoản làm việc và thông tin phúc lợi.

2. Câu hỏi thường gặp theo từng vòng

Vòng sàng lọc

Vì sao bạn quan tâm đến vị trí ETL Specialist tại ACB?
Bạn đã từng thiết kế, vận hành và khắc phục sự cố pipeline như thế nào?
Quy mô dữ liệu, số nguồn và tần suất nạp mà bạn từng xử lý ra sao?
Bạn sử dụng chính công cụ ETL nào và hiểu sâu đến mức nào?
Vì sao bạn rời vị trí hiện tại, hoặc lý do bạn đang tìm việc?
Bạn có thể làm việc tại trụ sở chính Thành phố Hồ Chí Minh không? Thời gian thông báo trước là bao lâu?
Mức lương và thưởng bạn kỳ vọng ra sao? Bạn ưu tiên tổng thu nhập, phúc lợi, môi trường làm việc hay cơ hội phát triển?

Vòng kỹ thuật SQL

Phân biệt `INNER JOIN`, `LEFT JOIN`, `RIGHT JOIN` và `FULL OUTER JOIN`.
`GROUP BY` khác `HAVING` như thế nào?
Window function khác subquery như thế nào? Hãy đưa ra ví dụ tính tổng giao dịch theo khách hàng và so sánh với kỳ trước.
Làm thế nào loại bản ghi trùng mà vẫn giữ đúng lịch sử giao dịch?
Viết truy vấn kiểm tra số lượng bản ghi và tổng giá trị giữa hai bảng để đối chiếu.
Khi một truy vấn chậm, bạn kiểm tra những yếu tố nào?
Sự khác biệt giữa transaction, commit và rollback?

Vòng ETL và kho dữ liệu

Hãy mô tả pipeline bạn từng xây dựng từ nguồn đến đích.
Khi nào chọn tải toàn bộ, khi nào chọn tải tăng dần? Làm thế nào xử lý bản ghi đến muộn?
Phân biệt ETL và ELT; khi nào ELT phù hợp hơn?
Star schema khác snowflake schema như thế nào?
Làm thế nào thiết kế cơ chế retry mà không tạo dữ liệu trùng?
Xử lý thay đổi schema của nguồn như thế nào?
Làm thế nào đảm bảo pipeline có tính idempotent và có thể chạy lại an toàn?
ETL job chạy lâu hơn bình thường, bạn điều tra theo trình tự nào?

Vòng Python và tự động hóa

Viết hoặc giải thích cách dùng pandas để đọc CSV, kiểm tra null và tìm bản ghi trùng.
Gọi API có phân trang và token hết hạn thì xử lý thế nào?
Làm thế nào tự động hóa kiểm tra chất lượng dữ liệu?
Bạn lưu cấu hình, mật khẩu và thông tin kết nối ra sao để bảo mật?

Vòng nghiệp vụ và đối tác

Khi bộ phận nghiệp vụ đưa ra yêu cầu chưa rõ ràng, bạn làm thế nào để chuyển thành quy tắc ETL?
Làm thế nào trình bày một sự cố dữ liệu cho người không có nền tảng kỹ thuật?
Bạn sẽ tài liệu hóa workflow, mapping và xử lý lỗi như thế nào?
Làm thế nào bảo đảm việc phát hành báo cáo không bị ảnh hưởng bởi dữ liệu chưa hoàn tất tải?

3. Bài tình huống nên luyện

Tình huống: Mỗi đêm, pipeline giao dịch từ hệ thống lõi tới kho dữ liệu báo cáo hoàn tất thành công về mặt kỹ thuật, nhưng tổng số giao dịch thấp hơn kỳ trước 12%. Báo cáo kinh doanh đã được phát hành.

Cách trả lời được đánh giá cao:
1. Xác minh số bản ghi, tổng giá trị và khoảng thời gian dữ liệu tối đa ở nguồn và đích.
2. Kiểm tra lịch chạy, log từng bước, điều kiện lọc ngày và cơ chế watermark.
3. Kiểm tra tải tăng dần, bản ghi đến muộn, bản ghi bị từ chối và thay đổi schema.
4. Đối chiếu số bản ghi theo từng bước và từng nguồn.
5. Tạm dừng phát hành báo cáo, thông báo người chịu trách nhiệm và đưa ra phương án khắc phục.
6. Chạy lại an toàn, kiểm tra chất lượng, cập nhật báo cáo và bổ sung cảnh báo chủ động.

4. Mẫu tự giới thiệu khoảng 90 giây

> Tôi có kinh nghiệm trong thiết kế và vận hành pipeline dữ liệu, chủ yếu sử dụng SQL, Python và các công cụ ETL để kết nối nguồn cơ sở dữ liệu, API và tệp phẳng. Trong các dự án của tôi, tôi tập trung vào chuẩn hóa dữ liệu, xử lý lỗi, đối chiếu chất lượng và tối ưu thời gian xử lý. Tôi cũng tài liệu hóa mapping và quy trình vận hành để giảm phụ thuộc vào cá nhân. Vị trí ETL Specialist phù hợp với định hướng kết hợp kỹ thuật dữ liệu với hiểu biết nghiệp vụ ngân hàng, nên tôi rất mong có cơ hội đóng góp vào đội Phân tích Dữ liệu của ACB.

Ứng viên cần điều chỉnh mẫu theo kinh nghiệm thật, không nên sử dụng các chỉ số hoặc thành tích chưa có.

5. Chuẩn bị cho bài kiểm tra

Luyện viết SQL trên một sơ dữ liệu về khách hàng, tài khoản và giao dịch.
Chuẩn bị sơ đồ pipeline có ba nguồn, hai tầng biến đổi, một kho dữ liệu và các điểm kiểm soát chất lượng.
Viết sẵn câu trả lời cho tình huống nguồn bị gián đoạn, bản ghi trùng, tổng số lệch và pipeline chạy muộn.
Nếu được yêu cầu take-home, nên nộp kèm README, data mapping, giả định, cách chạy và danh sách kiểm thử.
Không đưa dữ liệu thật, thông tin đăng nhập hoặc dữ liệu cá nhân vào bài kiểm tra.

6. Câu hỏi nên hỏi người phỏng vấn

Công cụ ETL, hệ thống nguồn và nền tảng kho dữ liệu chính đang được sử dụng là gì?
Quy mô dữ liệu và tần suất chạy pipeline như thế nào?
Có yêu cầu trực tiếp xử lý sự cố ngoài giờ hoặc trực hệ thống không?
Tiêu chí thành côông trong 3 tháng đầu của vị trí là gì?
Chỉ số hiệu quả công việc chính được dùng để đánh giá là gì?
Phòng ban đang ưu tiên phát triển ETL truyền thống, ELT, data lakehouse hay tự động hóa chất lượng dữ liệu?
Cơ hội học chứng chỉ, đào tạo và phát triển chuyên môn được cung cấp ra sao?
Các phúc lợi, ngày nghỉ, chính sách làm việc linh hoạt và cơ chế thưởng cụ thể là gì?

7. Trang phục và chuẩn bị ngày phỏng vấn

Nên mặc trang phục công sở hài hòa, chuyên nghiệp; vest không bắt buộc nếu không có hướng dẫn nhưng có thể chọn cho vị trí ngân hàng.
Mang CV in sạch, danh sách dự án và ghi chú về các chỉ số đã đạt.
Kiểm tra thiết bị, kết nối Internet, camera, micro và quyền truy cập tài liệu trước giờ phỏng vấn.
Đọc lại mô tả công việc và chuẩn bị ba câu hỏi cho nhà tuyển dụng.
Không nói quá mức về thông tin lương của công ty cũ và không bình luận tiêu cực về ngân hàng hoặc đồng nghiệp.

Lộ trình ôn thi

1. Mục tiêu sau 1–2 tuần

Sau khoảng thời gian này, ứng viên cần có khả năng:

Viết và giải thích SQL trung cấp đến nâng cao.
Mô tả đầy đủ kiến trúc ETL/ELT từ nguồn đến kho dữ liệu.
Hiểu mô hình star schema, snowflake schema và các quy tắc kiểm tra chất lượng.
Sử dụng Python để xử lý dữ liệu và điều phối tác vụ đơn giản.
Trình bày một pipeline, một tình huống sự cố và một dự án cá nhân rõ ràng.

2. Lộ trình 14 ngày

Ngày	Nội dung	Đầu ra cần đạt
1	SQL: join, aggregate, subquery, CTE	Viết được truy vấn tổng hợp giao dịch theo khách hàng
2	SQL: window function, kiểm tra null, duplicate, logic ngày	Xử lý được báo cáo tổng luỹ tiến và so sánh kỳ
3	Kho dữ liệu: fact, dimension, grain, star và snowflake schema	Vẽ được mô hình kho dữ liệu giao dịch
4	Kiến trúc ETL: full load, incremental load, watermark, reject record	Mô tả được một pipeline từ nguồn sang đích
5	Công cụ ETL: workflow, mapping, parameter, log, retry	Hiểu cách cấu hình và vận hành một pipeline mẫu
6	Python và pandas	Đọc CSV, chuẩn hóa kiểu dữ liệu, kiểm tra chất lượng
7	API, tệp phẳng và xử lý lỗi	Biết xử lý phân trang, token, timeout và retry
8	Tối ưu truy vấn và pipeline	Biết đọc execution plan, lập chỉ mục và giảm tải nguồn
9	Quản trị dữ liệu, bảo mật và kiểm toán	Biết kiểm soát quyền, dữ liệu nhạy cảm và dấu vết
10	Nghiệp vụ ngân hàng: khách hàng, tài khoản, giao dịch, tín dụng, AML	Hiểu cách dữ liệu được dùng trong báo cáo và kiểm soát
11	Hoàn thành dự án portfolio	Có pipeline, SQL, Python, kiểm thử và tài liệu
12	Luyện SQL thực hành	Làm thành thạo bài truy vấn trong khoảng 20–30 phút
13	Luyện phỏng vấn tình huống	Trả lời rõ vấn đề, nguyên nhân, phương án và kiểm soát
14	Tổng hợp CV, tự giới thiệu và câu hỏi	Hoàn thiện hồ sơ và sẵn sàng phỏng vấn

3. Lộ trình rút gọn 7 ngày

Ngày 1–2: SQL cốt lõi và SQL nâng cao.
Ngày 3: Kho dữ liệu và mô hình hóa.
Ngày 4: Kiến trúc ETL, công cụ và kiểm soát chất lượng.
Ngày 5: Python, API và xử lý lỗi.
Ngày 6: Hoàn thành dự án và viết tài liệu.
Ngày 7: Mock interview, rà soát CV và chuẩn bị câu hỏi.

4. Tài liệu nên sử dụng

SQL và cơ sở dữ liệu

[Hướng dẫn PostgreSQL chính thức](https://www.postgresql.org/docs/current/tutorial.html)
[SQLBolt](https://sqlbolt.com/)
[Hướng dẫn SQL của Mode](https://mode.com/sql-tutorial/)
Tài liệu chính thức của SQL Server, Oracle hoặc MySQL tùy công cụ đã biết.

Kho dữ liệu và thiết kế ETL

The Data Warehouse Toolkit của Ralph Kimball: kiến thức nền về mô hình hóa và thiết kế kho dữ liệu.
[Tài liệu dbt](https://docs.getdbt.com/): tìm hiểu biến đổi dữ liệu theo hướng ELT và kiểm thử.
[Tài liệu Apache Airflow](https://airflow.apache.org/docs/apache-airflow/stable/index.html): hiểu điều phối, dependency và lịch chạy.

Python và chất lượng dữ liệu

[Tài liệu pandas](https://pandas.pydata.org/docs/)
[Tài liệu Great Expectations](https://docs.greatexpectations.io/): tham khảo cách xây dựng bộ kiểm thử dữ liệu.
[Python cho xử lý dữ liệu](https://www.pythonforbeginners.com/): phù hợp để củng cố nền tảng.

Công cụ ETL

Chọn một trong Informatica, Talend, SSIS, DataStage hoặc Pentaho và tập trung học tài liệu chính thức.
Nên dành thời gian học một công cụ thật sự sâu thay vì học sơ qua nhiều công cụ.

5. Bài tập SQL nên luyện

1. Tính tổng giao dịch theo khách hàng trong 30 ngày gần nhất.
2. So sánh tổng giao dịch của kỳ hiện tại với kỳ trước bằng window function.
3. Tìm khách hàng có giao dịch ở nhiều tài khoản và xếp hạng theo tổng giá trị.
4. Loại bản ghi trùng theo khóa giao dịch và quy tắc ưu tiên nguồn.
5. Kiểm tra số bản ghi và tổng tiền giữa bảng nguồn với bảng đích.
6. Phát hiện giao dịch có giá trị bằng không, ngày không hợp lệ hoặc thiếu khóa khách hàng.

6. Dự án portfolio đề xuất

Tên dự án: Pipeline phân tích giao dịch khách hàng.

Phạm vi:

Tạo dữ liệu giả lập cho khách hàng, tài khoản, giao dịch và sản phẩm.
Nạp dữ liệu từ PostgreSQL, API giả lập và tệp CSV.
Dùng SQL để biến đổi và tạo bảng tổng hợp theo khách hàng, tháng và sản phẩm.
Dùng Python để kiểm tra null, duplicate, schema và sai lệch tổng.
Xây dựng quy tắc reject record và cơ chế chạy lại idempotent.
Viết tài liệu gồm kiến trúc, data mapping, giả định, hướng dẫn chạy và kết quả kiểm thử.

Điểm cần chứng minh: Không chỉ có mã nguồn mà còn giải thích vì sao thiết kế đáp ứng tính đầy đủ, chính xác, khả năng truy vết và dễ vận hành.

7. Checklist tự đánh giá trước khi phỏng vấn

Tôi có thể vẽ kiến trúc pipeline từ trí nhớ trong 10 phút.
Tôi giải thích được sự khác biệt giữa ETL và ELT.
Tôi viết được truy vấn dùng join, CTE, aggregate và window function.
Tôi biết cách đối chiếu dữ liệu giữa nguồn và đích.
Tôi trình bày được quy trình xử lý sự cố theo từng bước.
Tôi có ít nhất một công cụ ETL và Python để sử dụng thực tế.
Tôi có một dự án portfolio có tài liệu và kiểm thử.
Tôi hiểu nguyên tắc bảo mật dữ liệu cơ bản trong môi trường ngân hàng.
Tôi chuẩn bị được tự giới thiệu 90 giây và ba câu hỏi dành cho nhà tuyển dụng.
CV của tôi có đủ từ khóa SQL, ETL, Python, kho dữ liệu và chất lượng dữ liệu.

Tư vấn nghề nghiệp

1. Định vị nghề nghiệp

Vị trí này phù hợp với ứng viên muốn đi theo hướng Data Engineering, ETL Engineering hoặc Data Platform, thay vì hướng phân tích dữ liệu thuần túy. Lợi thế dài hạn là kỹ năng xây dựng pipeline, kiểm soát chất lượng và vận hành nền tảng dữ liệu có thể được sử dụng trong nhiều ngân hàng, doanh nghiệp tài chính và công ty công nghệ.

Tuy nhiên, cần tránh sa vào một công cụ duy nhất. Lộ trình bền vững là:
> SQL và mô hình dữ liệu → ETL/ELT và điều phối → cloud data platform và data governance → kỹ sư dữ liệu hoặc kiến trúc dữ liệu.

2. Lộ trình phát triển 12–36 tháng

0–6 tháng

Làm chủ SQL, Python, một công cụ ETL và quy trình kiểm tra dữ liệu.
Học mô hình star schema, quản lý metadata, data lineage và cơ chế đối chiếu.
Tích lũy kinh nghiệm về lịch chạy, xử lý lỗi, retry, idempotency và tối ưu pipeline.
Tìm hiểu nghiệp vụ ngân hàng: khách hàng, tài khoản, giao dịch, tín dụng, AML, rủi ro và báo cáo tài chính.

6–18 tháng

Nâng tầm từ xây dựng pipeline sang thiết kế kiến trúc dữ liệu và phân tích nguyên nhân sự cố.
Học thêm Airflow, dbt, Kafka hoặc công nghệ CDC nếu môi trường công việc sử dụng.
Tích lũy kinh nghiệm với cloud warehouse, data lake, Delta Lake hoặc Snowflake.
Đảm nhiệm một phần công việc mentoring cho kỹ sư mới.

18–36 tháng

Hướng tới vị trí Senior ETL Specialist, Data Engineer, Data Engineering Lead hoặc Data Architect.
Phát triển năng lực thiết kế chuẩn dữ liệu, kiến trúc doanh nghiệp, quản trị dữ liệu và quản lý sự cố.
Tăng mức độ tham gia với đội BI, bộ phận rủi ro, pháp chế và các đơn vị nghiệp vụ.

3. Mức lương kỳ vọng

Tin tuyển dụng chỉ ghi thương lượng, không công bố mức lương và không nêu phúc lợi. Dưới đây là ước tính tham khảo tại Thành phố Hồ Chí Minh, đơn vị triệu đồng mỗi tháng trước thuế, dựa trên kinh nghiệm và độ sâu kỹ năng:

Cấp bậc tham chiếu	Kinh nghiệm	Ước tính lương tiền mỗi tháng
Junior ETL/Data Engineer	0–2 năm	12–18 triệu đồng
ETL Specialist có kinh nghiệm	2–5 năm	18–30 triệu đồng
Senior ETL/Data Engineer	5–8 năm	28–45 triệu đồng
Lead, Architect hoặc quản lý	Trên 8 năm	40–60 triệu đồng trở lên

Các khoảng trên không phải mức do ACB công bố và có thể thấp hơn hoặc cao hơn tùy quy mô tổ chức, công cụ, phạm vi trách nhiệm, năng lực cloud, kinh nghiệm quản lý và điều kiện thưởng. Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Thưởng hiệu quả công việc, thưởng dịch vụ và phúc lợi cần được hỏi riêng vì tin tuyển dụng không cung cấp thông tin.

4. Cách đàm phán lương

Hỏi về khoảng lương theo cấp bậc và các thành phần gồm lương cứng, thưởng, phụ cấp, bảo hiểm và ngày nghỉ phép.
Nêu mức mong muốn dựa trên tổng thu nhập và phạm vi trách nhiệm, không chỉ dựa trên chức danh hiện tại.
Ưu tiên mức lương đúng cấp bậc, thời gian thăng tiến rõ ràng và cơ hội học công nghệ mới.
Hỏi về chính sách đánh giá kết quả công việc và thưởng để tránh hiểu nhầm tổng thu nhập.
Không thỏa hiệp bằng cách chấp nhận mức lương thấp mà không có lộ trình điều chỉnh rõ ràng.

5. Kỹ năng nên phát triển thêm

Data governance: Quản lý chất lượng, metadata, lineage, chính sách truy cập và tuân thủ dữ liệu.
Cloud và điều phối: Azure Data Factory, AWS Glue, Google Cloud Dataflow, Airflow hoặc công cụ tương đương.
Data lakehouse: Delta Lake, Apache Iceberg, Snowflake và mô hình ELT hiện đại.
Change Data Capture: Theo dõi thay đổi để hỗ trợ tải tăng dần theo thời gian thực.
Observability: Giám sát pipeline, phát hiện chất lượng suy giảm, cảnh báo và phân tích nguyên nhân sự cố.
Nghiệp vụ tài chính: Tín dụng, thẻ, thanh toán, AML, rủi ro và quy định báo cáo.
Kỹ năng ảnh hưởng: Trình bày kiến trúc, đề xuất giải pháp và thuyết phục đội nghiệp vụ về tính khả thi.

6. Lời khuyên thực tế

Nếu chưa có kinh nghiệm ngân hàng, hãy bắt đầu với dữ liệu giao dịch giả lập và chứng minh khả năng tuân thủ quy tắc, bảo mật và kiểm toán.
Nếu đang ở vị trí Data Analyst, hãy chuyển từ truy vấn báo cáo sang xây dựng pipeline, kiểm soát chất lượng và tài liệu kỹ thuật.
Nếu đến từ lập trình phần mềm, hãy nhấn mạnh kinh nghiệm xử lý lỗi, API, cấu trúc dữ liệu, test và vận hành hệ thống.
Nếu đến từ kiểm thử phần mềm, hãy chuyển kinh nghiệm kiểm thử sang kiểm thử dữ liệu, validation, reconciliation và khả năng truy vết lỗi.
Hãy theo dõi tin tuyển dụng của nhiều ngân hàng và doanh nghiệp công nghệ để định giá đúng năng lực, tránh phụ thuộc vào một nhà tuyển dụng duy nhất.
Sau khi có kết quả phỏng vấn, ghi lại câu hỏi chưa trả lời tốt, cập nhật CV và cải thiện bài tình huống trong lần tiếp theo.

Câu hỏi thường gặp

Tôi là sinh viên năm cuối, chưa có kinh nghiệm thực tế. Tôi có nên ứng tuyểng vị trí ETL Specialist này không?

Bạn vẫn nên ứng tuyển nếu đã có nền tảng phù hợp. Mô tả công việc nhắc đến ứng viên có kinh nghiệm nhưng không công bố số năm tối thiểu, nên hãy chứng minh bằng dự án cá nhân, SQL, Python, một công cụ ETL và khả năng kiểm tra chất lượng dữ liệu. Hãy thật thàng về kinh nghiệm thực tế và tập trung vào khả năng học, tư duy hệ thống và hiểu biết ngân hàng.

Tôi biết SQL khá tốt nhưng chưa dùng Informatica, Talend, SSIS, DataStage hay Pentaho. Tôi có đủ điều kiện không?

Bạn chưa cần thành thạo tất cả công cụ được liệt kê. Hãy chọn một công cụ phổ biến, xây dựng một workflow hoàn chỉnh và hiểu sâu các khái niệm trích xuất, biến đổi, nạp, lịch chạy, xử lý lỗi và đối chiếu. Khi trình bày, hãy làm rõ rằng bạn có kinh nghiệm thực hành với công cụ đó và sẵn sàng học công cụ mới của ngân hàng.

Tôi đang làm Data Analyst và muốn chuyển sang Data Engineering. CV của tôi nên thay đổi thế nào?

Hãy nhấn mạnh những phần bạn đã từng xây dựng: quy trình lấy dữ liệu, SQL mô hình hóa, kiểm tra chất lượng, tự động hóa bằng Python, xử lý lỗi và tài liệu. Giảm mô tả chủ yếu là trực quan hóa và phân tích. Một dự án ETL từ nguồn đến kho dữ liệu sẽ giúp thể hiện khả năng chuyển hướng tốt hơn chỉ nói rằng bạn quen SQL.

Một ETL job báo thành công nhưng số bản ghi trong kho dữ liệu thấp hơn kỳ trước. Tôi nên xử lý theo trình tự nào?

Trước tiên, tạm dừng hoặc cảnh báo báo cáo bị ảnh hưởng. Sau đó đối chiếu số bản ghi, tổng giá trị và mốc thời gian dữ liệu tối đa giữa nguồn và đích. Kiểm tra log từng bước, lịch chạy, điều kiện lọc ngày, watermark, quy tắc tải tăng dần, bản ghi đến muộn, bản ghi bị từ chối và thay đổi schema. Sau khi xác định nguyên nhân, xử lý an toàn, chạy lại idempotent, kiểm tra chất lượng và báo cáo nguyên nhân cùng biện pháp phòng ngừa.

Chỉ số hiệu quả công việc của một ETL Specialist thường là gì?

Tin tuyển dụng không nêu chỉ số chính thức. Trong thực tế, người tuyển dụng có thể đánh giá thời gian hoàn thành pipeline, tỷ lệ chạy đúng lịch, số sự cố, thời gian khắc phục, độ chính xác và đầy đủ dữ liệu, số lỗi bị loại, mức độ tự động hóa, chất lượng tài liệu và khả năng hỗ trợ đội phân tích. Hãy hỏi rõ tiêu chí đánh giá trong buổi phỏng vấn.

Vị trí này làm việc giờ hành chính, có trực sự cố ngoài giờ hoặc làm cuối tuần không?

Tin tuyển dụng không cung cấp thông tin này. Với pipeline dữ liệu, khả năng có lịch chạy định kỳ hoặc xử lý sự cố ngoài giờ là điều cần hỏi rõ. Bạn nên hỏi về tần suất chạy, cơ chế cảnh báo, lịch trực, khối lượng sự cố và chính sách làm thêm, đồng thời xem xét khả năng cân bằng cuộc sống.

Tôi nên hỏi mức lương bao nhiêu khi phỏng vấn vì tin tuyển dụng chỉ ghi thương lượng?

Hãy hỏi về khoảng lương theo cấp bậc và các thành phần tổng thu nhập trước khi đưa ra con số cá nhân. Nêu mức mong muốn dựa trên kinh nghiệm, độ sâu kỹ năng và phạm vi trách nhiệm. Đồng thời hỏi về thưởng hiệu quả công việc, phụ cấp, bảo hiểm, ngày phép và các phúc lợi khác, vì tin tuyển dụng không cung cấp thông tin.

Vị trí ETL Specialist có khác gì với Data Analyst về công việc và lộ trình phát triển?

ETL Specialist tập trung xây dựng và vận hành nền tảng dữ liệu, quy tắc biến đổi, kiểm soát chất lượng, xử lý lỗi và tối ưu pipeline. Data Analyst tập trung hơn vào câu hỏi kinh doanh, phân tích và trình bày kết quả. Vị trí ETL thường có đường phát triển sang Senior Data Engineer, Data Engineering Lead hoặc Data Architect; đây là hướng kỹ thuật dữ liệu và vận hành nền tảng.

Tôi nên học chứng chỉ nào trước khi ứng tuyển?

Ưu tiên kinh nghiệm thực hành và một dự án portfolio. Nếu cần chứng chỉ, hãy chọn theo hướng đi: Microsoft Azure Data Engineer, Google Cloud Professional Data Engineer hoặc Databricks Data Engineer. Chứng chỉ của Informatica hoặc Talend chỉ có giá trị cao hơn khi CV đã thể hiện kinh nghiệm sử dụng đúng nền tảng. Không nên học nhiều chứng chỉ mà thiếu SQL, Python và pipeline thực tế.

Tôi có nên nhận lời mời làm thử không nếu bài kiểm tra kéo dài nhiều ngày?

Chỉ nhận nếu phạm vi, thời gian, dữ liệu đầu vào và tiêu chí đánh giá được nêu rõ, đồng thời không làm lộ bí mật hoặc dữ liệu của công ty hiện tại. Hãy giới hạn bài kiểm tra trong phạm vi kiến thức công khai, dùng dữ liệu giả lập, ghi rõ giả định và cho phép trình bày bằng tài liệu hoặc lời giải thích nếu phù hợp. Nếu bài kiểm tra quá lớn so với thông lệ tuyển dụng, có thể đề nghị một buổi phản hồi thay cho bài nộp kéo dài.

HO - ETL Specialist