Middle Data Scientist - TA192
Mô tả công việc
Yêu cầu ứng viên
- Tốt nghiệp Đại học trở lên trong các lĩnh vực liên quan như: Khoa học Máy tính (Computer Science), Toán học/Toán ứng dụng (Mathematics/Applied Mathematics), Thống kê (Statistics), Kỹ thuật (Engineering), Khoa học Dữ liệu (Data Science), Kinh tế lượng, Tài chính định lượng (Econometrics, Quantitative Finance), hoặc các ngành liên quan.
- Nắm chắc kiến thức về các mô hình thống kê, kỹ thuật dự báo, thuật toán học máy, học sâu và/hoặc GenAI; có khả năng lựa chọn và áp dụng phù hợp với bài toán thực tế.
- Có khả năng vận dụng các kỹ thuật phân tích thống kê, kiểm định giả thuyết và phân tích dữ liệu phức tạp; có khả năng đưa ra các phân tích và khuyến nghị mang tính thực tiễn cao.
- Thành thạo Python và các thư viện phổ biến phục vụ cho phân tích nâng cao, học máy, học sâu (như Pandas, Scikit-learn, TensorFlow, PyTorch) và GenAI (Transformers, LangChain...).
- Hiểu và có thể tuân thủ quy trình phát triển dự án phân tích dữ liệu nâng cao – từ xử lý dữ liệu, huấn luyện mô hình, đánh giá đến triển khai ứng dụng AI/ML/GenAI vào thực tế.
- Tối thiểu 1-3 năm kinh nghiệm làm việc về phân tích nâng cao/ phát triển mô hình học máy/ học sâu, và/hoặc ứng dụng AI/GenAI.
- Kinh nghiệm phát triển các phân tích nâng cao, xây dựng và triển khai mô hình dự báo/mô hình học máy/ học sâu và/hoặc ứng dụng AI/GenAI trên các nền tảng cloud phổ biến như AWS, Azure, Google Cloud, và/hoặc Databricks,….
- Kinh nghiệm phân tích dữ liệu và báo cáo; có khả năng diễn giải dữ liệu và đưa ra các gợi ý hành động cụ thể, phục vụ các mục tiêu kinh doanh.
- Kinh nghiệm phối hợp và làm việc nhóm (bao gồm các nhóm kỹ thuật và kinh doanh) để triển khai giải pháp.
- Kinh nghiệm làm việc với SQL và Excel để xử lý và phân tích dữ liệu.
- Ưu tiên ứng viên có kinh nghiệm làm việc tại các tổ chức lớn
Contact
Email: Linhnk39@vpbank.com.vn
Yêu cầu ứng viên
Yêu cầu công việc
1. Tham gia và phối hợp triển khai các giải pháp khoa học dữ liệu và trí tuệ nhân tạo cho các đơn vị trong ngân hàng
- Đề xuất và tham gia triển khai các giải pháp khoa học dữ liệu cùng chuyên gia và phối hợp chặt chẽ với các đơn vị kinh doanh/vận hành để giải quyết các bài toán thực tế có tính ứng dụng cao
- Ứng dụng các kỹ thuật phân tích nâng cao, xác suất thống kê, học máy, học sâu và GenAI để khám phá hành vi và thấu hiểu khách hàng, từ đó đưa ra insight có giá trị nhằm thúc đẩy kinh doanh
- Tham gia phát triển các mô hình học máy, học sâu và ứng dụng GenAI nhằm phục vụ các mục tiêu như: dự báo khách hàng rời đi (churn prediction), bán chéo/sản phẩm (cross/up-sell), phân khúc khách hàng (segmentation), dự đoán giá trị vòng đời khách hàng (CLTV), và cá nhân hóa trải nghiệm khách hàng
- Tham gia xây dựng sản phẩm AI/ML/GenAI hỗ trợ tự động hóa và tối ưu hóa các quy trình vận hành ngân hàng từ xử lý hồ sơ, thẩm định, hỗ trợ chăm sóc khách hàng đến vận hành nội bộ, …
2. Nghiên cứu & cập nhật kỹ thuật, công nghệ mới
- Thường xuyên nghiên cứu, cập nhật các xu hướng, kỹ thuật tiên tiến trong lĩnh vực phân tích dữ liệu, học máy, học sâu và/hoặc GenAI theo định hướng từ cấp quản lý hoặc chuyên gia nội bộ.
- Chủ động tìm hiểu và thử nghiệm các công nghệ, framework và mô hình mới để nâng cao hiệu quả triển khai giải pháp dữ liệu và AI tại ngân hàng.
- Tích cực tham gia các diễn đàn chuyên môn, hội thảo nội bộ/ngoại bộ, seminar nhằm mở rộng kiến thức và chia sẻ kinh nghiệm thực tiễn với đội nhóm.
3. Thưc hiện các công việc khác theo phân công của cấp thẩm quyền
OUTCOME/MEASURES
• Số lượng các insights được đưa ra/ khuyến nghị với các đơn vị kinh doanh/
• Cải thiện hiệu quả của các chương trình kinh doanh như tăng tỷ lệ chuyển đổi, giảm tỷ lệ khách hàng rời bỏ, tăng quy mô huy động vốn,…
• Cải thiện về hiệu quả vận hành: giảm SLA, giảm thời gian thực hiện tác vụ, tối ưu hóa lợi nhuận (NII, NFI),…
• Các phương pháp và kỹ thuật mới được áp dụng thực tế trong EDA
• Hoàn thành các công việc theo phân công
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí Middle Data Scientist tại VPBank
1. Yêu cầu học vấn
Vị trí này yêu cầu tốt nghiệp Đại học trở lên, ưu tiên các chuyên ngành:
- Khoa học Máy tính (Computer Science)
- Toán học / Toán ứng dụng
- Thống kê
- Kỹ thuật
- Khoa học Dữ liệu (Data Science)
- Kinh tế lượng / Tài chính định lượng
> 💡 Lưu ý: Các ngành liên quan khác như Hệ thống thông tin quản lý, CNTT ứng dụng trong tài chính-ngân hàng cũng được chấp nhận nếu bạn có portfolio mạnh.
---
2. Hard Skills — Kỹ năng kỹ thuật bắt buộc
2.1. Lập trình & Thư viện Python
| Thư viện / Công cụ | Mức độ yêu cầu | Ứng dụng trong ngân hàng |
|---|---|---|
| Pandas, NumPy | Thành thạo | Xử lý, làm sạch dữ liệu khách hàng, giao dịch |
| Scikit-learn | Thành thạo | Mô hình phân khúc, churn, cross-sell |
| TensorFlow / PyTorch | Thành thạo | Deep Learning cho bài toán NLP, recommendation |
| Transformers (HuggingFace) | Có kinh nghiệm | Xử lý văn bản, phân tích feedback khách hàng |
| LangChain / LlamaIndex | Có kinh nghiệm | Xây dựng chatbot, RAG cho nội bộ ngân hàng |
| SQL | Thành thạo | Truy vấn dữ liệu từ Data Warehouse |
| Excel | Thành thạo | Báo cáo nhanh, ad-hoc analysis |
2.2. Nền tảng Cloud & Big Data
| Nền tảng | Mức độ ưu tiên | Ghi chú |
|---|---|---|
| AWS (SageMaker, S3, EC2) | Cao | Phổ biến nhất tại ngân hàng Việt |
| Azure (ML Studio, Databricks) | Cao | Nhiều ngân hàng dùng hệ sinh thái Microsoft |
| GCP (Vertex AI, BigQuery) | Trung bình | Ít phổ biến hơn nhưng là lợi thế |
| Databricks | Cao | Nền tảng Lakehouse phổ biến cho ngân hàng |
2.3. Kiến thức chuyên môn cốt lõi
- Xác suất thống kê & Kiểm định giả thuyết: A/B testing, hypothesis testing, confidence intervals
- Machine Learning: Classification, Regression, Clustering, Ensemble methods (XGBoost, LightGBM, Random Forest)
- Deep Learning: CNN, RNN/LSTM, Transformers, Embedding
- GenAI & LLM: Fine-tuning, Prompt Engineering, RAG, Vector Database (Pinecone, ChromaDB, FAISS)
- MLOps cơ bản: Model versioning, CI/CD, model monitoring (MLflow, Docker, Airflow)
---
3. Soft Skills — Kỹ năng mềm cần thiết
| Kỹ năng | Tại sao quan trọng tại ngân hàng? |
|---|---|
| Giao tiếp đa bên | Làm việc với cả team kỹ thuật lẫn kinh doanh (retail, credit, ops) |
| Storytelling với dữ liệu | Chuyển insight phức tạp thành khuyến nghị kinh doanh rõ ràng |
| Tư duy kinh doanh | Hiểu KPI ngân hàng: NII, NFI, CASA, NPL ratio, churn rate |
| Quản lý dự án | Nhiều dự án song song, deadline chặt |
| Chủ động học hỏi | Lĩnh vực AI/ML thay đổi rất nhanh |
---
4. Bảng so sánh mức độ phù hợp
Bạn phù hợp nếu:
✅ Có 1–3 năm kinh nghiệm thực chiến với ML/DL/AI/GenAI
✅ Từng triển khai mô hình lên môi trường production (không chỉ làm trên notebook)
✅ Hiểu business ngân hàng hoặc tài chính
✅ Có khả năng đọc hiểu tiếng Anh chuyên ngành
Còn thiếu nếu:
❌ Chỉ làm phân tích mô tả (descriptive analytics), chưa từng build model
❌ Chưa từng làm việc với cloud platform
❌ Chỉ quen R, chưa dùng Python production
❌ Chưa có kinh nghiệm triển khai GenAI/LLM thực tế
---
5. Chứng chỉ gợi ý (không bắt buộc nhưng là lợi thế)
- AWS Certified Machine Learning Specialty
- Google Professional Data Engineer
- Azure AI Engineer Associate (AI-102)
- Databricks Certified Data Engineer / ML Professional
- Deep Learning Specialization (Coursera — Andrew Ng)
- NVIDIA Deep Learning Institute
---
6. Bài toán thực tế bạn sẽ giải tại VPBank
Dựa trên mô tả công việc, bạn sẽ tham gia các dự án:
1. Churn Prediction — Dự báo khách hàng sắp rời bỏ ngân hàng
2. Cross-sell / Up-sell — Gợi ý sản phẩm phù hợp cho từng phân khúc
3. Customer Segmentation — Phân nhóm khách hàng cho chiến dịch marketing
4. CLTV Prediction — Dự đoán giá trị vòng đời khách hàng
5. Credit Scoring hỗ trợ — Phân tích nâng cao cho bộ phận thẩm định
6. Chatbot nội bộ / Tự động hóa quy trình — Ứng dụng GenAI/LLM
7. Recommendation Engine — Cá nhân hóa sản phẩm, ưu đãi
> 🎯 Mẹo: Khi viết CV, hãy highlight các dự án có bài toán tương tự (churn, segmentation, recommendation) — đây sẽ là điểm cộng rất lớn.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn vị trí Middle Data Scientist — VPBank
1. Quy trình tuyển dụng dự kiến
Dựa trên quy trình chuẩn của VPBank và các ngân hàng lớn tại Việt Nam, vị trí này thường đi qua 4–5 vòng:
| Vòng | Hình thức | Nội dung chính | Thời lượng |
|---|---|---|---|
| Vòng 1 | HR Screening (Phone/Video) | Giới thiệu bản thân, mức lương mong muốn, kinh nghiệm tổng quan | 20–30 phút |
| Vòng 2 | Technical Test (Online hoặc Offline) | SQL, Python, bài toán ML case study, có thể có bài thi tiếng Anh | 90–120 phút |
| Vòng 3 | Technical Interview (Chuyên môn) | Phỏng vấn sâu với Senior Data Scientist / Lead | 60–90 phút |
| Vòng 4 | Business Interview | Phỏng vấn với Head of Data hoặc Quản lý cấp cao | 45–60 phút |
| Vòng 5 | HR Final | Thương lượng lương, benefits, culture fit | 30 phút |
> ⚠️ Lưu ý: Một số trường hợp vòng Technical Test và Technical Interview có thể gộp lại, tùy thuộc vào vị trí và cấp bậc.
---
2. Câu hỏi phỏng vấn thường gặp theo từng vòng
🎯 Vòng HR Screening
1. Giới thiệu ngắn gọn về bản thân và kinh nghiệm Data Science?
- Gợi ý: Dùng cấu trúc Present – Past – Future (Hiện tại – Quá khứ – Tương lai)
- Ví dụ: "Hiện tại em là Data Scientist tại công ty X, tập trung vào mảng churn prediction. Trước đó em làm BI Analyst... Trong tương lai em muốn phát triển sâu về GenAI ứng dụng trong tài chính."
2. Mức lương mong muốn của bạn?
- Gợi ý: Trả lời range, ví dụ: "Em mong muốn mức lương trong khoảng 35–45 triệu, nhưng cũng sẵn sàng thảo luận thêm tùy thuộc vào cơ hội phát triển và benefits."
3. Tại sao bạn muốn làm việc tại VPBank / ngân hàng?
- Gợi ý: Đề cập đến cơ hội làm việc với dữ liệu lớn (hàng chục triệu khách hàng), ứng dụng AI thực tế, văn hóa chuyển đổi số mạnh mẽ.
🎯 Vòng Technical Test
SQL (rất quan trọng — ngân hàng có Data Warehouse riêng):
```sql
-- Câu hỏi mẫu: Tìm top 10 khách hàng có tổng giao dịch cao nhất trong 6 tháng gần nhất
SELECT
customer_id,
SUM(transaction_amount) AS total_amount
FROM transactions
WHERE transaction_date >= DATEADD(MONTH, -6, GETDATE())
GROUP BY customer_id
ORDER BY total_amount DESC
LIMIT 10;
```
Python / ML:
- Cho một dataset có imbalance (churn rate chỉ 5%), bạn sẽ xử lý như thế nào?
- Sự khác biệt giữa L1 và L2 regularization?
- Giải thích Bias-Variance Tradeoff
- Khi nào nên dùng Random Forest vs XGBoost vs Neural Network?
Case Study (có thể có):
- "VPBank muốn giảm 20% tỷ lệ khách hàng rời bỏ trong 12 tháng tới. Bạn sẽ tiếp cận như thế nào?"
🎯 Vòng Technical Interview
Câu hỏi chuyên sâu về ML/DL:
1. Giải thích chi tiết kiến trúc Transformer và cơ chế Self-Attention.
- Đề cập: Q, K, V matrices, scaled dot-product attention, multi-head, positional encoding
2. Sự khác biệt giữa RAG, Fine-tuning và Prompt Engineering? Khi nào dùng cái nào?
3. Làm thế nào để deploy một model ML lên production tại ngân hàng? Các thách thức?
- Đề cập: data drift, model monitoring, latency, regulatory compliance
4. Bạn đã từng làm việc với Databricks/Spark chưa? Giải thích kiến trúc Lakehouse?
5. Làm sao xử lý categorical features với high cardinality (ví dụ: mã sản phẩm, mã chi nhánh)?
Câu hỏi về Statistics:
1. A/B testing: Giả sử thử nghiệm chiến dịch marketing mới, conversion rate tăng từ 2.5% lên 2.8% với sample size 50,000. Kết quả có ý nghĩa thống kê không?
- Bạn cần tính p-value, confidence interval, power analysis
2. P-value là gì? Giải thích Type I và Type II error.
🎯 Vòng Business Interview
1. Bạn hiểu gì về KPI của ngân hàng? NII, NFI, CASA, NPL ratio là gì?
2. Một dự án ML của bạn đã đóng góp vào doanh thu/tiết kiệm chi phí như thế nào?
3. Làm sao bạn cân bằng giữa độ chính xác của model và business value?
4. Bạn xử lý thế nào khi business team không hiểu về model và đòi hỏi không hợp lý?
---
3. Tips chuẩn bị quan trọng
📚 Trước phỏng vấn 2 tuần
- [ ] Ôn lại kiến thức SQL (window functions, CTE, ranking, date functions)
- [ ] Review lại 2–3 dự án Data Science cá nhân/nơi làm việc cũ
- [ ] Đọc về VPBank: chiến lược chuyển đổi số, sản phẩm, đối thủ (Techcombank, MB, ACB)
- [ ] Chuẩn bị portfolio (GitHub, Kaggle, blog kỹ thuật)
- [ ] Ôn các bài toán ML cổ điển: churn, fraud, recommendation
👔 Dress Code
- Vòng HR / Technical: Business Casual (áo sơ mi, quần tây, không cần vest)
- Vòng Business / Final: Smart Business (áo sơ mi + vest hoặc áo blouse chuyên nghiệp)
💬 Tips giao tiếp
- Dùng STAR method khi mô tả dự án: Situation – Task – Action – Result
- Luôn đi kèm số liệu cụ thể: "Model của em giúp giảm churn rate 15%, tiết kiệm 8 tỷ VNĐ/năm"
- Chuẩn bị 2–3 câu hỏi ngược lại cho interviewer:
- "Hiện tại team đang sử dụng cloud platform nào là chủ đạo?"
- "Cơ hội để tham gia các hội thảo quốc tế như NeurIPS, KDD không ạ?"
- "Lộ trình thăng tiến từ Middle lên Senior Data Scientist tại VPBank như thế nào?"
---
4. Câu hỏi "bẫy" thường gặp
1. "Tại sao bạn muốn rời công ty cũ?" — Tránh nói xấu công ty cũ. Tập trung vào cơ hội mới: "Em muốn tìm kiếm môi trường có dữ liệu lớn hơn và bài toán AI thực tiễn hơn."
2. "Bạn có kinh nghiệm với ngân hàng không?" — Nếu chưa, hãy nêu kinh nghiệm với fintech, e-commerce, hoặc các bài toán tương tự (churn, recommendation, fraud).
3. "Bạn nghĩ mức lương bao nhiêu là hợp lý?" — Đề xuất range: "Theo thị trường và kinh nghiệm của em, em kỳ vọng khoảng 35–50 triệu. Tuy nhiên em quan tâm hơn đến tổng compensation package và cơ hội phát triển."
Lộ trình ôn thi
Lộ trình ôn tập & chuẩn bị trong 1–2 tuần
📅 Kế hoạch 14 ngày
Ngày 1–3: Nền tảng Toán – Thống kê
Kiến thức cần nắm vững:
- Xác suất cơ bản: Bayes theorem, conditional probability
- Phân phối: Normal, Binomial, Poisson, Exponential
- Kiểm định giả thuyết: t-test, chi-square test, ANOVA
- P-value, confidence interval, statistical significance
- A/B Testing: power analysis, sample size calculation
- Correlation vs Causation
Tài liệu:
- 📖 "Practical Statistics for Data Scientists" — Peter Bruce (sách gốc tiếng Anh, rất thực tế)
- 📖 "Think Stats" — Allen Downey (miễn phí online)
- 🎥 StatQuest YouTube channel (giải thích rất trực quan)
Ngày 4–6: Machine Learning cốt lõi
Kiến thức cần nắm vững:
- Supervised: Linear/Logistic Regression, Decision Tree, Random Forest, XGBoost, LightGBM
- Unsupervised: K-Means, DBSCAN, PCA, t-SNE
- Model Evaluation: Accuracy, Precision, Recall, F1, AUC-ROC, AUC-PR, Confusion Matrix
- Feature Engineering: scaling, encoding, feature selection, feature creation
- Handling imbalanced data: SMOTE, class weights, undersampling
- Cross-validation, hyperparameter tuning (GridSearch, Bayesian Optimization)
Tài liệu:
- 📖 "Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow" — Aurélien Géron (bible của ML practitioner)
- 🎥 Andrew Ng — Machine Learning Specialization (Coursera)
- 💻 Kaggle Learn (miễn phí, thực hành ngắn gọn)
Ngày 7–9: Deep Learning & GenAI
Kiến thức cần nắm vững:
- Neural Networks: backpropagation, gradient descent, optimization (Adam, SGD)
- CNN cho ảnh, RNN/LSTM cho sequence
- Transformer architecture (rất quan trọng cho câu hỏi phỏng vấn):
- Self-attention mechanism (Q, K, V)
- Multi-head attention
- Positional encoding
- Encoder vs Decoder
- LLM & GenAI:
- Prompt Engineering techniques (few-shot, chain-of-thought)
- RAG (Retrieval-Augmented Generation)
- Fine-tuning vs PEFT (LoRA, QLoRA)
- Vector databases (FAISS, ChromaDB, Pinecone)
- LangChain framework
Tài liệu:
- 📖 "Deep Learning" — Ian Goodfellow (nâng cao)
- 📖 "Designing Machine Learning Systems" — Chip Huyen (rất hay cho production ML)
- 🎥 HuggingFace NLP Course (miễn phí)
- 🎥 3Blue1Brown — Neural Networks series (visual)
- 💻 LangChain documentation & tutorials
Ngày 10–11: SQL & Big Data
SQL cần thành thạo:
- JOIN (INNER, LEFT, RIGHT, FULL OUTER, CROSS, SELF)
- Window Functions: ROW_NUMBER, RANK, DENSE_RANK, LAG, LEAD, NTILE
- CTE (Common Table Expressions) — phỏng vấn ngân hàng hay hỏi
- Aggregation, GROUP BY, HAVING
- Subqueries, EXISTS, IN
- Date functions, string functions
- CASE WHEN, PIVOT/UNPIVOT
Big Data Tools:
- Spark / PySpark cơ bản (DataFrame API, RDD)
- Databricks workspace basics
- Airflow basics (workflow orchestration)
Tài liệu:
- 🌐 LeetCode SQL (medium level)
- 🌐 HackerRank SQL (Intermediate)
- 📖 "Spark: The Definitive Guide" — Bill Chambers
- 💻 Databricks free courses
Ngày 12–13: Cloud Platform & MLOps
Tập trung vào AWS (phổ biến nhất tại ngân hàng VN):
- S3, EC2, IAM, VPC
- SageMaker (training, deployment, endpoint)
- Lambda, API Gateway
- CloudWatch (monitoring)
Hoặc Azure:
- Azure ML Studio
- Azure Databricks
- Blob Storage
MLOps cơ bản:
- Docker, Kubernetes basics
- MLflow (experiment tracking, model registry)
- CI/CD với GitHub Actions hoặc GitLab CI
- Model monitoring (data drift, model drift)
Tài liệu:
- 🌐 AWS Free Tier (thực hành miễn phí)
- 🌐 AWS Skill Builder (labs miễn phí)
- 📖 "Machine Learning Engineering" — Andriy Burkov
Ngày 14: Business & Ngân hàng
Kiến thức ngân hàng cần biết:
- NII (Net Interest Income), NFI (Net Fee Income)
- CASA (Current Account Savings Account)
- NPL ratio (Non-Performing Loan)
- LDR (Loan-to-Deposit Ratio)
- ROA, ROE
- Các sản phẩm chính: tín dụng, tiền gửi, thẻ, bảo hiểm, chứng khoán
Tài liệu về VPBank:
- 🌐 Website chính thức VPBank
- 🌐 Báo cáo thường niên VPBank
- 🌐 Tin tức về chiến lược chuyển đổi số VPBank
- 🌐 LinkedIn của team Data VPBank (nếu có)
---
🎯 Dự án cá nhân gợi ý (có thể làm trong 1 tuần)
Để có portfolio ấn tượng, bạn có thể làm một trong các project sau:
1. Credit Card Churn Prediction (sử dụng dataset Kaggle)
- End-to-end: EDA → Feature Engineering → Model → SHAP explainability → Deploy lên Streamlit
2. RAG-based Banking FAQ Chatbot
- Sử dụng LangChain + OpenAI/Anthropic + FAISS
- Xây dựng giao diện đơn giản với Gradio
3. Customer Segmentation cho ngân hàng
- RFM analysis + K-Means + visualization
- Đề xuất chiến lược marketing cho từng segment
4. Loan Default Prediction
- XGBoost + SHAP + fairness analysis
> 💡 Mẹo: Dự án có thể triển khai trên GitHub + demo trên Streamlit Cloud/Heroku sẽ gây ấn tượng mạnh.
---
✅ Checklist trước ngày phỏng vấn
- [ ] Ôn xong kiến thức SQL (LeetCode 30 câu medium)
- [ ] Review 3 dự án ML/DL cá nhân hoặc tại công ty
- [ ] Đọc 2–3 bài báo về GenAI trong ngân hàng
- [ ] Đọc về VPBank (sứ mệnh, chiến lược số, sản phẩm mới)
- [ ] Chuẩn bị câu hỏi ngược cho interviewer
- [ ] Test máy tính, camera, mic (nếu phỏng vấn online)
- [ ] In 2–3 bản CV (nếu phỏng vấn offline)
- [ ] Chuẩn bị trang phục phù hợp
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho Middle Data Scientist ngân hàng
1. Vị trí "Middle" nghĩa là gì?
Trong ngân hàng Việt Nam, level "Middle" thường tương đương 3–5 năm kinh nghiệm, đã:
- Làm chủ được ít nhất 1–2 dự án ML/DL end-to-end
- Có khả năng đi sâu vào kỹ thuật nhưng cũng hiểu business
- Đóng góp vào mentoring Junior và phối hợp với các bên
- Có khả năng đưa ra đề xuất kỹ thuật độc lập
Bạn đang ở ngưỡng quan trọng của sự nghiệp — đây là giai đoạn chuyển tiếp từ "làm theo chỉ đạo" sang "đề xuất và dẫn dắt kỹ thuật".
---
2. Lộ trình thăng tiến tại ngân hàng
```
Junior Data Scientist (0–2 năm)
↓
Middle Data Scientist (2–4 năm) ← BẠN ĐANG Ở ĐÂY
↓
Senior Data Scientist (4–7 năm)
↓
Lead/Principal Data Scientist (7–10 năm)
↓
Head of Data Science / Chief Data Officer (10+ năm)
```
Hoặc chuyển hướng quản lý:
```
Middle Data Scientist
↓
Data Science Manager
↓
Head of Analytics
↓
CDO / VP of Data
```
> 🎯 Mẹo: Tại ngân hàng lớn như VPBank, bạn có thể chuyển đổi giữa IC track (Individual Contributor) và Manager track. Hãy xác định sớm định hướng của mình.
---
3. Mức lương kỳ vọng theo cấp bậc
> ⚠️ Lưu ý: Mức lương dưới đây là ước lượng tham khảo cho thị trường Việt Nam, có thể thay đổi tùy ngân hàng và thời điểm.
| Cấp bậc | Kinh nghiệm | Mức lương tháng (VNĐ) |
|---|---|---|
| Junior Data Scientist | 0–2 năm | 18 – 30 triệu |
| Middle Data Scientist | 2–4 năm | 30 – 55 triệu |
| Senior Data Scientist | 4–7 năm | 55 – 90 triệu |
| Lead / Principal | 7–10 năm | 90 – 150 triệu |
| Head of Data / CDO | 10+ năm | 150 – 300 triệu+ |
Các yếu tố ảnh hưởng đến mức lương:
- Kinh nghiệm GenAI/LLM (đang rất hot, có thể cộng thêm 20–30%)
- Chứng chỉ Cloud (AWS/Azure)
- Khả năng quản lý team
- Kinh nghiệm trong lĩnh vực tài chính/ngân hàng
- Trình độ tiếng Anh (đặc biệt với các ngân hàng có vốn nước ngoài)
Total Compensation Package tại ngân hàng lớn thường bao gồm:
- Lương cứng
- Thưởng Tết (1–3 tháng lương)
- Thưởng KPI quý/năm (0.5–2 tháng)
- ESOP (một số ngân hàng)
- Bảo hiểm sức khỏe cao cấp
- 13th month salary
- Du lịch, team building
- Phụ cấp ăn trưa, xăng xe, điện thoại
---
4. Kỹ năng cần phát triển thêm để thăng tiến
🔥 Kỹ năng "must-have" cho Senior
1. MLOps & Production Engineering
- CI/CD cho ML pipeline
- Docker, Kubernetes, Terraform
- Model monitoring & drift detection
- Feature Store (Feast, Tecton)
2. System Design cho ML
- Thiết kế kiến trúc end-to-end
- Real-time vs batch prediction
- Scalability và reliability
3. Leadership & Communication
- Đào tạo junior
- Viết design document
- Present cho stakeholder cấp C-level
- Quản lý expectation của business
4. Domain Expertise ngân hàng
- Hiểu Basel II/III, IFRS 9
- Quy định về data privacy (Luật An ninh mạng VN, GDPR)
- Risk management framework
🚀 Kỹ năng "differentiator" cho Lead
- Xuất bản paper tại hội thảo (NeurIPS, KDD, ICML)
- Đóng góp open source
- Phát biểu tại hội thảo trong ngành
- Xây dựng team từ 0
- Kết nối được với vendor và partner công nghệ
---
5. So sánh làm việc tại Ngân hàng vs Tech Company vs Fintech
| Tiêu chí | Ngân hàng (VPBank) | Tech Company (VN) | Fintech (VN) |
|---|---|---|---|
| Lương cứng | Cao (đặc biệt ngân hàng top) | Rất cao | Trung bình – Cao |
| Data scale | Rất lớn (hàng chục triệu KH) | Lớn | Trung bình |
| Bài toán thực tế | Đa dạng, regulated | Consumer scale | Fintech-specific |
| Tốc độ triển khai | Chậm hơn (do compliance) | Nhanh | Nhanh |
| Work-life balance | Ổn định | Căng thẳng hơn | Căng thẳng |
| Cơ hội học hỏi | Rất cao (business phức tạp) | Cao | Cao |
| Job security | Cao | Thấp hơn | Thấp hơn |
---
6. Lời khuyên thực tế
✅ Nên làm
- Học sâu về business ngân hàng — đây là lợi thế cạnh tranh so với DS từ tech company
- Xây dựng quan hệ với team business — hiểu pain point của họ giúp bạn đề xuất giải pháp giá trị hơn
- Cập nhật xu hướng GenAI — đây là "hot topic" và ngân hàng đang đầu tư mạnh
- Tham gia cộng đồng: Vietnam Data Science Community, Kaggle, Mì AI (Viblo)
❌ Tránh
- Chỉ tập trung vào model accuracy mà bỏ qua business impact
- Làm việc một mình, không giao tiếp với team khác
- Bỏ qua các quy định về data governance và compliance
- "Hiểu biết nửa vời" quá nhiều lĩnh vực mà không sâu vào lĩnh vực nào
---
7. Cơ hội nghề nghiệp tương lai
Sau khi làm Middle Data Scientist tại VPBank 2–3 năm, bạn có thể:
- Thăng tiến lên Senior tại VPBank hoặc chuyển sang ngân hàng khác (Techcombank, MB, ACB, Vietcombank) với mức lương cao hơn 30–50%
- Chuyển sang Fintech lớn: MoMo, ZaloPay, VNPay, Timo (VPBank's fintech arm)
- Chuyển sang công ty Big Tech tại VN: Google, Microsoft, AWS, Nvidia
- Khởi nghiệp: Tư vấn AI cho ngân hàng, xây dựng startup AI cho finance
- Outsource/Freelance: Làm chuyên gia tư vấn cho các dự án AI ngân hàng trong khu vực
> 🌟 Bí quyết: Trong 3 năm đầu ở vị trí Middle, hãy cố gắng xây dựng ít nhất 2–3 dự án có impact thực sự lên doanh thu hoặc vận hành của ngân hàng. Đó sẽ là "huy chương" giúp bạn thăng tiến nhanh nhất.
Câu hỏi thường gặp
Em là sinh viên năm cuối ngành Khoa học Dữ liệu, chưa có kinh nghiệm làm việc thực tế. Em có thể ứng tuyển vị trí Middle Data Scientist tại VPBank không?
Khả năng cao là chưa phù hợp. Vị trí này yêu cầu tối thiểu 1–3 năm kinh nghiệm làm việc thực tế với ML/DL/AI. Với sinh viên mới ra trường, em nên apply vào các vị trí Junior Data Scientist, Data Analyst, hoặc Fresher Program của ngân hàng. Hãy tích lũy kinh nghiệm qua: (1) Internship tại ngân hàng hoặc fintech, (2) Làm các dự án cá nhân trên Kaggle, (3) Tham gia các cuộc thi AI. Sau 1–2 năm em sẽ đủ điều kiện apply vị trí Middle.
Em đã làm Data Scientist 2 năm ở công ty fintech nhưng chưa có kinh nghiệm trong ngân hàng. Cơ hội được nhận vào VPBank có cao không?
Cơ hội khá tốt! Fintech và ngân hàng có nhiều bài toán tương đồng (churn, credit scoring, fraud detection, recommendation). Em nên làm nổi bật trong CV các dự án có bài toán tương tự ngân hàng như: dự báo churn, phân khúc khách hàng, recommendation engine. Trong buổi phỏng vấn, hãy chứng minh em hiểu được đặc thù của ngân hàng (compliance, data governance, quy định NHNN) và sẵn sàng học hỏi domain mới. Ưu điểm của em là kin nghiệm với fintech rất có giá trị.
Vị trí Middle Data Scientist tại VPBank thường có mức lương khoảng bao nhiêu?
Mức lương là thỏa thuận và không được công bố chính thức. Theo ước lượng thị trường (có thể thay đổi tùy ngân hàng và thời điểm), Middle Data Scientist tại ngân hàng lớn tại Việt Nam thường dao động 30–55 triệu/tháng. Tuy nhiên VPBank thuộc top ngân hàng tư nhân về đầu tư công nghệ, mức lương có thể cạnh tranh hơn, đặc biệt với ứng viên có kinh nghiệm GenAI/LLM. Ngoài ra còn có thưởng Tết, thưởng KPI, bảo hiểm cao cấp và các phúc lợi khác. Em nên đề xuất range dựa trên kinh nghiệm và research thị trường.
Em đang làm Data Analyst được 3 năm, muốn chuyển sang Data Scientist tại ngân hàng. Em có cần học thêm gì không?
Có, em cần bổ sung khá nhiều. Khoảng cách giữa Data Analyst và Data Scientist là khá lớn. Em cần: (1) Học sâu về ML/DL: regression, classification, ensemble methods, neural networks; (2) Thành thạo Python (Pandas, Scikit-learn, TensorFlow/PyTorch); (3) Hiểu về cloud platform (AWS/Azure); (4) Kinh nghiệm triển khai model lên production; (5) Kiến thức về GenAI/LLM (đang là xu hướng). Gợi ý: làm 2–3 dự án ML cá nhân (churn prediction, recommendation, RAG chatbot) để có portfolio. Có thể mất 6–12 tháng để chuyển đổi hoàn toàn.
Yêu cầu có kinh nghiệm GenAI/LangChain nhưng em chỉ mới học về ML truyền thống. Em có nên ứng tuyển không?
Nên ứng tuyển nếu em có nền tảng ML vững và sẵn sàng học GenAI nhanh. GenAI/LLM là kiến thức mới mà nhiều ứng viên Middle cũng chưa có kinh nghiệm sâu. Em có thể: (1) Hoàn thành 1–2 khóa học GenAI trên Coursera/DeepLearning.AI; (2) Làm 1–2 dự án cá nhân với LangChain (RAG chatbot, document Q&A); (3) Đọc documentation LangChain và thử nghiệm với OpenAI/Anthropic API; (4) Hiểu rõ RAG, prompt engineering, fine-tuning basics. Khi phỏng vấn, hãy thể hiện sự chủ động học hỏi và khả năng apply kiến thức GenAI vào use case ngân hàng.
Công việc hàng ngày của một Middle Data Scientist tại VPBank cụ thể là gì?
Một ngày làm việc thường bao gồm: (1) 40% coding & modeling: viết Python/SQL, xây dựng và fine-tune model ML/DL, thử nghiệm GenAI/LLM; (2) 20% data exploration & feature engineering: EDA, xử lý dữ liệu từ Data Warehouse; (3) 20% meeting & collaboration: họp với team business, review code với team, demo kết quả; (4) 10% documentation & reporting: viết report, cập nhật Jira/Confluence; (5) 10% research & learning: đọc paper mới, thử nghiệm công nghệ mới. Thông thường làm việc giờ hành chính (8h–17h30), có thể tăng ca khi có deadline dự án.
VPBank có chương trình đào tạo cho Data Scientist mới không? Hay phải tự học?
VPBank có chương trình onboarding cho nhân viên mới và đầu tư vào training nội bộ, đặc biệt về kiến thức ngân hàng và data governance. Tuy nhiên, với vị trí Data Scientist, phần lớn việc nâng cao kỹ năng kỹ thuật vẫn là tự học và thông qua các dự án thực tế. Ngân hàng thường có: (1) Onboarding program cho nhân viên mới; (2) Các seminar/hội thảo nội bộ chia sẻ công nghệ; (3) Ngân sách đào tạo hàng năm (có thể dùng cho Coursera, Udemy, chứng chỉ cloud); (4) Mentor từ Senior trong team. Để phát triển nhanh, em nên chủ động đề xuất được đào tạo và tham gia cộng đồng bên ngoài.
Sau 2–3 năm làm Middle Data Scientist tại VPBank, em có thể thăng tiến lên đâu?
Có nhiều hướng thăng tiến: (1) Senior Data Scientist tại VPBank (lương tăng 40–60%); (2) Chuyển sang ngân hàng khác với vị trí Senior (Techcombank, MB, ACB đang đầu tư mạnh về AI, có thể offer cao hơn 30–50%); (3) Chuyển sang fintech lớn (MoMo, VNPay, Timo); (4) Lead/Manager tại VPBank hoặc ngân hàng khác; (5) Head of Data/Analytics sau 7–10 năm. Ngoài ra em có thể chuyển sang các công ty công nghệ lớn (Google, Microsoft, AWS) với package cao hơn nhưng đánh đổi work-life balance. Quan trọng nhất là xây dựng được 2–3 dự án có impact thực sự lên doanh thu/vận hành ngân hàng.
Em nên chuẩn bị portfolio như thế nào để ứng tuyển vị trí này?
Portfolio nên có 3–5 dự án chất lượng cao, ưu tiên: (1) Dự án ML end-to-end: từ EDA → feature engineering → model → evaluation → deployment (recommend dùng dataset churn/credit/segmentation từ Kaggle); (2) Dự án GenAI/LLM: RAG chatbot, document Q&A với LangChain; (3) Dự án có visualize đẹp: dùng Tableau, PowerBI hoặc Streamlit; (4) Code sạch trên GitHub với README rõ ràng, có demo trực tiếp (deploy lên Streamlit Cloud/Heroku miễn phí); (5) Bài viết blog chia sẻ kiến thức trên Viblo, Mì AI, hoặc Medium. Mỗi dự án cần ghi rõ: bài toán, approach, kết quả (metric), business value. Đặc biệt nếu có dự án liên quan đến finance/banking thì càng tốt.
KPI của vị trí Middle Data Scientist tại VPBank được đo lường như thế nào?
Dựa trên phần OUTCOME/MEASURES trong JD, KPI của vị trí này bao gồm: (1) Số lượng insights/khuyến nghị được đưa ra cho đơn vị kinh doanh; (2) Cải thiện hiệu quả kinh doanh: tăng conversion rate, giảm churn rate, tăng huy động vốn; (3) Cải thiện vận hành: giảm SLA, giảm thời gian xử lý, tối ưu NII/NFI; (4) Áp dụng phương pháp/công nghệ mới vào EDA và quy trình; (5) Hoàn thành công việc theo phân công. Đây là KPI định lượng khá rõ ràng — em sẽ được đánh giá dựa trên tác động thực tế của model lên business, không chỉ đánh giá trên model accuracy. Điều này đòi hỏi em phải giao tiếp chặt chẽ với business và đo lường được ROI của từng dự án.