Chuyên viên 25,000,000 - 40,000,000 VNĐ Hạn: 2026-11-27

Mô tả công việc

- Tốt nghiệp Đại học trở lên thuộc chuyên ngành Kinh tế; Tài chính – Ngân hàng; Khoa học dữ liệu; Toán kinh tế hoặc tương đương. - Có tối thiểu 03 năm kinh nghiệm làm việc trong lĩnh vực tài chính ngân hàng về phân tích dữ liệu; phân tích hành vi khách hàng. - Thành thạo về Microsoft Office, SQL, Python/R, Power BI/Tableau. - Kỹ năng phối hợp và triển khai tốt. - Khả năng chịu áp lực công việc tốt.

Yêu cầu ứng viên

Phân tích kỹ năng cần có

## Phân tích Kỹ năng Yêu cầu cho Vị trí Data Analyst - Khối Ngân hàng Cá nhân TPBank ### 1. Hard Skills bắt buộc | Kỹ năng | Mức độ yêu cầu | Ghi chú | |---------|----------------|---------| | **SQL** | Thành thạo | Đây là kỹ năng nền tảng bắt buộc - dùng để truy vấn, xử lý dữ liệu từ database ngân hàng | | **Python / R** | Thành thạo | Dùng cho phân tích thống kê, xây dựng mô hình, automation | | **Power BI / Tableau** | Thành thạo | Công cụ trực quan hóa dữ liệu, build dashboard cho báo cáo quản lý | | **Microsoft Office** | Thành thạo | Đặc biệt Excel (Pivot table, VLOOKUP, macros) và PowerPoint | | **Kiến thức Tài chính - Ngân hàng** | Tốt | Hiểu sản phẩm, quy trình, quy định ngân hàng bán lẻ | ### 2. Soft Skills quan trọng - **Kỹ năng phối hợp & triển khai**: Vì làm việc ở Khối Ngân hàng Cá nhân, bạn sẽ cần làm việc với nhiều bộ phận (Sales, Marketing, Risk, IT) → cần kỹ năng cross-functional collaboration tốt. - **Khả năng chịu áp lực**: Áp lục đến từ deadline báo cáo, KPI của khối, và các dự án cần triển khai nhanh. - **Kỹ năng giao tiếp**: Trình bày insights từ data cho lãnh đạo không chuyên về kỹ thuật - đây là kỹ năng hay bị đánh giá cao trong phỏng vấn. ### 3. Chứng chỉ gợi ý Nếu bạn chưa có đủ 3 năm kinh nghiệm hoặc muốn tăng sức cạnh tranh, ưu tiên: - **Chứng chỉ ngắn hạn**: Google Data Analytics Certificate, IBM Data Science Certificate (trên Coursera) - **Chứng chỉ ngành ngân hàng**: Chứng chỉ kiểm toán nội bộ (ICB) của Ngân hàng Nhà nước - **SQL & Python nâng cao**: Kaggle courses miễn phí, hoặc các khóa trên DataCamp - **Power BI**: Microsoft PL-300 (Power BI Data Analyst Associate) - có giá trị quốc tế ### 4. Bảng so sánh: Ứng viên mới vs. Có kinh nghiệm | Tiêu chí | Ứng viên mới (0-2 năm) | Ứng viên có kinh nghiệm (3+ năm) | |----------|------------------------|----------------------------------| | SQL | Biết truy vấn cơ bản | Viết truy vấn phức tạp, tối ưu hóa query | | Python/R | Biết thư viện cơ bản (pandas, numpy) | Xây dựng mô hình ML, automation pipeline | | Dashboard | Build dashboard đơn giản | Thiết kế dashboard chiến lược, KPI tracking | | Domain knowledge | Hiểu lý thuyết | Hiểu thực tế nghiệp vụ ngân hàng bán lẻ | | Lương kỳ vọng | 18-25 triệu | 25-40 triệu (đúng range JD) | ### 5. Đánh giá mức độ cạnh tranh - **Mức độ cạnh tranh**: ⭐⭐⭐⭐ (4/5) - Vị trí hội sở TPBank khá hấp dẫn, lương tốt, nhưng yêu cầu 3 năm kinh nghiệm + technical skills chuyên sâu. - **Điểm khó**: SQL + Python/R + Power BI đủ trình độ thực sự không phải ai cũng có. Nhiều ứng viên giỏi tech nhưng yếu domain banking. - **Lời khuyên**: Kết hợp cả 2 - vừa giỏi công cụ, vừa hiểu nghiệp vụ ngân hàng cá nhân → đây là lợi thế cạnh tranh lớn nhất.

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn vị trí Data Analyst - TPBank ### Quy trình các vòng phỏng vấn TPBank **Vòng 1: Sàng lọc hồ sơ (HR)** - HR gọi điện xác nhận thông tin cơ bản, hỏi mức lương kỳ vọng, thời gian có thể bắt đầu - Thời gian: 15-20 phút **Vòng 2: Phỏng vấn chuyên môn (Trưởng phòng/Line Manager)** - Kiểm tra kiến thức data analysis thực tế - Hỏi về dự án đã làm, cách xử lý tình huống - Thời gian: 45-60 phút **Vòng 3: Phỏng vấn cấp cao (Phó Giám đốc/Khách hàng nội bộ)** - Hỏi về tầm nhìn, định hướng phát triển - Đánh giá cultural fit, khả năng chịu áp lực - Thời gian: 30-45 phút **Vòng 4: Test thực tế (có thể có)** - Test SQL/Python thực hành (30-60 phút) - Hoặc case study phân tích dữ liệu ngân hàng ### Câu hỏi hay gặp theo từng vòng **Vòng 1 - HR:** - "Giới thiệu ngắn về bản thân và kinh nghiệm liên quan" - "Tại sao bạn muốn chuyển sang TPBank?" - "Mức lương hiện tại và kỳ vọng của bạn là bao nhiêu?" - "Bạn biết gì về TPBank và Khối Ngân hàng Cá nhân?" **Vòng 2 - Chuyên môn:** - "Mô tả một dự án phân tích dữ liệu mà bạn tự hào nhất. Kết quả đạt được là gì?" - "Bạn xử lý data như thế nào khi phát hiện dữ liệu bị missing hoặc outlier?" - "Viết một câu SQL để tính tổng số dư TK của KH cá nhân theo từng chi nhánh trong tháng này" - "Power BI: Làm sao để thiết kế dashboard theo dõi KPI của Khối Ngân hàng Cá nhân?" - "Bạn có kinh nghiệm về phân tích hành vi KH không? Cụ thể như thế nào?" - "Python: Sử dụng thư viện nào để phân tích dữ liệu? Xử lý dataset 10 triệu rows thì làm sao?" - "Khi data giữa 2 nguồn không khớp nhau, bạn làm gì?" **Vòng 3 - Cấp cao:** - "Bạn hiểu gì về chiến lược phát triển KHCN của TPBank?" - "Làm thế nào để đưa insights từ data vào quyết định kinh doanh?" - "Bạn sẽ làm gì nếu sếp yêu cầu báo cáo gấp trong 2 tiếng mà data chưa sạch?" - "Mô tả một tình huống bạn phải làm việc dưới áp lực cao và cách bạn xử lý" - "Định hướng phát triển nghề nghiệp của bạn trong 3-5 năm tới là gì?" ### Tips chuẩn bị đặc biệt cho TPBank 1. **Nghiên cứu TPBank trước**: Tìm hiểu chiến lược "Digital Banking" của TPBank, các sản phẩm KHCN (tiền gửi, tín dụng, thẻ, bảo hiểm). Vào website tpbank.com.vn, đọc báo cáo tài chính. 2. **Chuẩn bị case study thực tế**: Sẵn sàng 2-3 ví dụ cụ thể về: - Dự án phân tích data đã làm (vấn đề → giải pháp → kết quả đo lường được) - KPI dashboard đã build cho KHCN - Phân tích hành vi khách hàng (segmentation, churn analysis) 3. **SQL thực hành**: TPBank sẽ test SQL. Ôn lại: - JOIN (INNER, LEFT, RIGHT) - Window functions (ROW_NUMBER, RANK, SUM OVER) - GROUP BY với HAVING - Subquery và CTE 4. **Power BI/Tableau**: Chuẩn bị portfolio dashboard đã làm. Nếu không có, dùng dataset mẫu và tự build 1-2 dashboard để demo. 5. **Domain knowledge ngân hàng bán lẻ**: Ôn các khái niệm: - Customer Lifetime Value (CLV) - Churn rate, Retention rate - Cross-sell / Up-sell analysis - Credit scoring basics - Basel II / quy định an toàn tín dụng ### Dress Code - **Chính thức**: Âu phục (áo sơ mi, quần âu hoặc vám商务). Không cần cravat nhưng nên lịch sự. - **TPBank** có văn hóa khá năng động nhưng vị trí hội sở vẫn cần trang phục chỉnh chu. - Màu sắc trung tính: xanh navy, xám, trắng. - Tránh đồ quá màu mè hoặc sneakers.

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho vị trí Data Analyst TPBank ### Lộ trình chuẩn bị 2 tuần **Tuần 1: Củng cố Hard Skills** - **SQL (5 tiếng/ngày)**: Thực hành trên LeetCode (Easy + Medium), Hackerrank - Dataset mẫu: bank_customers, transactions, accounts - Tập trung: aggregation, window functions, self-join - **Python/R (3 tiếng/ngày)**: - Python: pandas, numpy, matplotlib, seaborn, scikit-learn (basics) - R: dplyr, ggplot2, tidyr - Thực hành với dataset ngân hàng (UCI Bank Marketing Dataset - miễn phí trên Kaggle) - **Power BI (2 tiếng/ngày)**: - Build 1 dashboard mẫu về KPI ngân hàng bán lẻ - Học DAX cơ bản, data modeling, relationships **Tuần 2: Domain Knowledge + Mock Interview** - **Nghiên cứu TPBank (3 tiếng)**: - Báo cáo thường niên, chiến lược KHCN - Các sản phẩm: eBank, Fast E-Money, tín dụng cá nhân, thẻ tín dụng - **Nghiệp vụ ngân hàng bán lẻ (4 tiếng)**: - Customer segmentation (RFM analysis) - Credit risk analysis basics - Marketing analytics (campaign effectiveness) - **Mock interview (3 tiếng/ngày)**: - Tự hỏi đáp theo danh sách câu hỏi phỏng vấn - Thực hành SQL trên giấy (viết tay) ### Tài liệu tham khảo **Sách & Ebook:** - "Python for Data Analysis" - Wes McKinney (Python) - "Storytelling with Data" - Cole Nussbaumer Knaflic (trực quan hóa) - "The Data Warehouse Toolkit" - Ralph Kimball (data modeling) **Khóa học miễn phí:** - Khan Academy - Statistics & Probability - Kaggle: Intro to SQL, Intermediate SQL - Google Data Analytics Certificate (Coursera) **Dataset thực hành:** - UCI Bank Marketing Dataset (Kaggle) - phân tích hành vi KH mở TK - TPBank/sample dataset trên GitHub nếu có - Tạo dataset giả lập: 1000 KH, 10000 giao dịch để thực hành **SQL Practice:** - LeetCode Database section (Easy → Medium) - Mode SQL Tutorial (miễn phí, có dataset thực tế) - W3Schools SQL **Power BI:** - Microsoft Learn - PL-300 path (miễn phí) - YouTube: Microsoft Fabric, Guy in a Cube channel ### Kiến thức nền cần nắm chắc 1. **Data Pipeline trong ngân hàng**: ETL → Data Warehouse → Reporting 2. **Customer Analytics**: Segmentation, CLV, Churn, Acquisition 3. **Credit Risk cơ bản**: PD, LGD, EAD, Expected Loss 4. **Regulatory compliance**: Basel III, quy định NHNN về bảo vệ dữ liệu cá nhân 5. **Agile/DataOps mindset**: Cách làm việc với stakeholders, sprint data projects

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp cho Data Analyst - Ngân hàng Bán lẻ ### Lộ trình thăng tiến điển hình ``` Junior Data Analyst (0-2 năm) ↓ Data Analyst (2-3 năm) ← [BẠN ĐANG Ở ĐÂY: 25-40 triệu] ↓ Senior Data Analyst (3-5 năm) → 40-60 triệu ↓ Lead Data Analyst / Data Science Manager (5-7 năm) → 60-100 triệu ↓ Head of Analytics / Chief Data Officer (7-10+ năm) → 150+ triệu ``` ### Mức lương kỳ vọng theo cấp bậc (Thị trường Hà Nội 2024) | Cấp bậc | Kinh nghiệm | Lương tháng | Ghi chú | |---------|-------------|-------------|---------| | Junior DA | 0-2 năm | 15-25 triệu | Fintech có thể cao hơn 20-30% | | Data Analyst | 2-4 năm | 25-40 triệu | **Range JD này** | | Senior DA | 4-6 năm | 40-60 triệu | Có thể + thưởng KPI | | Lead/Manager | 6+ năm | 60-100 triệu | Thường có thêm stock options | ### Kỹ năng cần phát triển thêm để thăng tiến **Ngắn hạn (6-12 tháng):** - Nâng cao Python/R → học Machine Learning cơ bản (classification, clustering) - Thêm Power BI advanced (DAX, data modeling) - Hiểu sâu nghiệp vụ KHCN TPBank cụ thể **Trung hạn (1-2 năm):** - Học Cloud: Google BigQuery hoặc AWS (data warehouse cloud) - Data Engineering basics (Airflow, Spark) - Business Intelligence strategy - Kỹ năng quản lý dự án, stakeholder management **Dài hạn (2-3 năm):** - Machine Learning / Deep Learning nâng cao - A/B Testing, Experiment Design - Data governance, data quality management - Leadership & team management ### Lời khuyên chiến lược 1. **TPBank là bước đệm tốt**: Khối Ngân hàng Cá nhân TPBank nổi tiếng với văn hóa năng động, digital-first. Đây là nơi tốt để học nghiệp vụ banking thực tế trước khi nhảy sang Big Tech/Fintech. 2. **Đừng chỉ làm báo cáo**: Bạn cần chuyển từ "data reporting" sang "data-driven decision making". Hãy tự đề xuất insights, không chờ sếp hỏi. 3. **Xây dựng portfolio**: Sau 6 tháng, hãy có ít nhất 2-3 case study có kết quả đo lường được (ví dụ: phân tích giảm churn X%, tăng cross-sell Y%). Đây là điểm cộng lớn khi nhảy việc. 4. **Networking nội bộ**: Kết nối với team Data, IT, Risk, Marketing. Đây là những người sẽ giúp bạn hiểu data end-to-end và mở cơ hội thăng tiến. 5. **Cân nhắc chứng chỉ CFA/FRM sau này**: Nếu muốn đi sâu vào Risk Analytics hoặc Investment Analytics, đây là định hướng dài hạn giá trị. 6. **Thị trường lao động**: Data Analyst ngân hàng bán lẻ đang thiếu nhân lực. Sau 3 năm kinh nghiệm tại TPBank, bạn có thể nhảy sang VPBank, MB Bank, Techcombank hoặc Fintech với mức lương tăng 30-50%.

Câu hỏi thường gặp

Em mới tốt nghiệp ngành Kinh tế, có biết Excel và SQL cơ bản, có ứng tuyển được vị trí này không?

Khó ứng tuyển vì JD yêu cầu tối thiểu 3 năm kinh nghiệm thực tế về phân tích dữ liệu trong ngành tài chính ngân hàng. Tuy nhiên, nếu bạn có dự án thực tế (phân tích data cho startup, thực tập có làm báo cáo data) và portfolio mạnh, bạn có thể thử ứng tuyển ở mức Junior hoặc các vị trí khác của TPBank trước. Gợi ý: Ưu tiên học thêm Python/R và Power BI, làm 2-3 project cá nhân để tạo portfolio, sau đó apply lại sau 1-2 năm kinh nghiệm.

Mức lương 25-40 triệu ở Hà Nội đã bao gồm các khoản phụ cấp, thưởng chưa hay là gross thuần?

Theo kinh nghiệm chung, range 25-40 triệu trong JD TPBank thường là lương gross chưa bao gồm thưởng KPI. Thực tế thu nhập có thể cao hơn 10-20% nếu tính thưởng cuối năm và các phụ cấp (xăng xe, điện thoại, ăn trưa). Bạn nên hỏi rõ HR về cách tính lương thực nhận và chính sách thưởng KPI của Khối Ngân hàng Cá nhân khi phỏng vấn.

KPI của vị trí Data Analyst ở Khối Ngân hàng Cá nhân TPBank thường là gì?

KPI phổ biến cho vị trí này bao gồm: (1) Số lượng báo cáo/dashboard hoàn thành đúng deadline, (2) Độ chính xác và chất lượng dữ liệu trong báo cáo, (3) Thời gian xử lý yêu cầu phân tích ad-hoc, (4) Đóng góp vào các dự án cải thiện KPIs của khối (như tăng tỷ lệ cross-sell, giảm churn). KPI cụ thể sẽ do Trưởng phòng đặt ra trong quá trình onboarding.

Làm việc ở Khối Ngân hàng Cá nhân có áp lực không và giờ làm việc như thế nào?

Áp lực ở mức trung bình-cao. Bạn sẽ chịu áp lực từ deadline báo cáo định kỳ (cuối tháng, cuối quý), yêu cầu ad-hoc gấp từ lãnh đạo, và dự án cần triển khai nhanh. Giờ làm việc chính thức 8h-17h, nhưng thường phải OT (overtime) vào cuối tháng/quý. Văn hóa TPBank tương đối năng động, không quá cứng nhắc về giờ giấc miễn là hoàn thành công việc.

Em đang làm ở vị trí BA (Business Analyst) IT, muốn chuyển sang ngành ngân hàng, có phù hợp không?

Khá phù hợp nếu bạn có kinh nghiệm phân tích dữ liệu thực tế. BA IT thường đã có SQL, làm việc với data và stakeholder management - đây là điểm mạnh. Tuy nhiên, bạn cần học thêm domain knowledge ngân hàng bán lẻ (sản phẩm, quy trình, quy định) và thể hiện trong CV/portfolio rằng bạn hiểu data trong ngữ cảnh tài chính. Gợi ý: Tự học về credit scoring, customer segmentation, và các chỉ số KPI ngân hàng bán lẻ trước khi phỏng vấn.

Sau 3 năm ở vị trí này tại TPBank, em có thể nhảy sang đâu để tăng lương?

Sau 3 năm kinh nghiệm Data Analyst ngân hàng bán lẻ tại TPBank, bạn có nhiều lựa chọn: (1) Các ngân hàng bán lẻ khác (VPBank, MB Bank, Shinhan) - tăng 20-30%, (2) Fintech (VNPay, MoMo, ZaloPay) - tăng 30-50%, (3) Big Tech có sản phẩm tài chính (Grab, Shopee) - tăng 40-60%, (4) Vị trí Senior DA/Lead tại chính TPBank - tăng 30-40%. Lương 40-60 triệu là realistic sau 3 năm.

Yêu cầu 'thành thạo Python/R' có nghĩa là phải giỏi lập trình chuyên nghiệp không?

Không cần giỏi lập trình chuyên nghiệp như developer. "Thành thạo" ở đây hiểu là: dùng được pandas/numpy để xử lý data, viết được script tự động hóa, build được model đơn giản (classification, clustering). Bạn không cần biết Django, Flask hay lập trình hệ thống. Tập trung vào data manipulation, visualization và basic ML là đủ để đáp ứng yêu cầu.

Phân tích dữ liệu Khách hàng ở Khối Ngân hàng Cá nhân TPBank cụ thể là làm gì?

Công việc cụ thể bao gồm: (1) Phân tích hành vi giao dịch của KH để tìm insight cross-sell/up-sell, (2) Xây dựng dashboard theo dõi KPIs ( CASA, tăng trưởng tín dụng, tỷ lệ thẩm định), (3) Customer segmentation (phân nhóm KH theo RFM, hành vi sản phẩm), (4) Churn analysis (phân tích KH có nguy cơ rời bỏ), (5) Campaign analytics (đánh giá hiệu quả marketing), (6) Support các phòng ban khác trong khối về data-driven decisions.

[Hội sở] Chuyên viên cao cấp/Chuyên viên chính phân tích dữ liệu Khách hàng - Khối Ngân hàng Cá nhân