Chuyên viên Thỏa thuận 20 chỉ tiêu

Mô tả công việc

- Ít nhất 5 năm kinh nghiệm có liên quan trong lĩnh vực làm việc với Big Data, Data Mining, Machine Learning, AI cho các vấn đề kinh doanh liên quan đến thị trường tài chính ngân hàng. - Nắm bắt, hiểu và sử dụng các kiến thức về toán học và thống kê, các mô hình thống kê (ARIMA, ARCH,....), các mô hình Machine Learning (Logistic, Decision Trees, Ensemble Models, Radom Forests, ...). Bên cạnh đó, có kinh nghiệm xử lý các bài toán về nhận diện ký tự quang học (OCR), Nhận diện hình ảnh (Image Recognition), Chatbox,... và hiểu biết về các giao tiếp lập trình phân tích dữ liệu (Data APIs) trong quá trình khai thác và phân tích dữ liệu là lợi thế. - Có kinh nghiệm và hiểu biết sâu về kiến trúc kho dữ liệu, dữ liệu lớn và các công nghệ quản lý thông tin; nắm được các công nghệ về Hadoop, MapReduce, Apache Spark, các ngôn ngữ lập trình và truy vấn dữ liệu như SQL, NoSQL, Oracle hoặc tương đương phục vụ phát triển, phân tích dữ liệu là lợi thế. HƯỚNG DẪN NỘP HỒ SƠ - Đặt tên file Đơn đăng ký ứng tuyển như sau: Đia điểm - Vị trí - Họ và tên Yêu cầu: Hồ sơ hợp lệ là hồ sơ theo mẫu của Ngân hàng, định dạng file excel và đặt tên file theo đúng hướng dẫn trên. - LPBank có quyền từ chối tuyển dụng đối với các ứng viên nộp hồ sơ không theo quy định của LPBank hoặc ứng viên khai thông tin không chính xác. LƯU Ý: - Căn cứ số lượng, chất lượng ứng viên ứng tuyển, yêu cầu công việc,… Ngân hàng sẽ thông báo đến các ứng viên đủ điều kiện theo quy định để tham gia các vòng tuyển dụng (ứng viên không nhận được thông tin mời tuyển dụng từ Ngân hàng được hiểu là chưa phù hợp/chưa đáp ứng yêu cầu tuyển dụng). - Việc tuyển dụng tại Ngân hàng Bưu điện Liên Việt là hoàn toàn công bằng, minh bạch, khách quan, không qua bất cứ cá nhân trung gian và không thu bất cứ khoản chi phí tuyển dụng nào. - Các ứng viên đạt vòng sơ tuyển (sơ loại, thi nghiệp vụ....) sẽ được Ngân hàng liên hệ mời tham dự vòng tiếp theo thông qua điện thoại/Email/tin nhắn SMS...Kết quả tuyển dụng sẽ được thông báo đến từng ứng viên tham gia dự tuyển bằng Email sau khi kết thúc chương trình tuyển dụng từ 7 - 10 ngày. - Trường hợp Ông/Bà phải mất bất cứ chi phí nào trong quá trình tuyển dụng, xin vui lòng phản ánh trực tiếp tới địa chỉ email: thongbaotuyendung@lpbank.com.vn - Trường hợp Ông/Bà phải mất chi phí tiêu cực trong quá trình tuyển dụng mà không thông báo cho Ngân hàng và/hoặc Ngân hàng phát hiện ra, Ngân hàng sẽ từ chối tuyển dụng (đối với trường hợp đã trúng tuyển nhưng chưa tiếp nhận) hoặc buộc thôi việc (đối với các trường hợp đã tiếp nhận), kể cả với trường hợp bên nhận chi phí đang là CBNV của Ngân hàng. Quyền lợi 1. Chế độ đãi ngộ hấp dẫn, xứng tầm - Lương hàng tháng và các chế độ phụ cấp cạnh tranh trên thị trường - Thưởng cuối năm hấp dẫn theo đánh giá hiệu quả công việc - Thưởng sinh nhật, Lễ/Tết,Chế độ thăm hỏi ốm đau... - Chăm sóc sức khoẻ toàn diện: Khám sức khoẻ hàng năm, gói bảo hiểm độc quyền dảnh riêng cho LPBanker - Các hoạt động teambuilding, nhiều chương trình văn hóa - thể thao gắn kết nội bộ 2. Môi trường làm việc hiện đại, tiên phong đổi mới sáng tạo - Không gian làm việc trẻ trung, hiện đại, đề cao sự sáng tạo - Làm việc với tinh thần tự chủ, linh hoạt và tiên phong 3. Đào tạo - Các chương trình đào tạo, phát triển năng lực chuyên môn đa dạng cho cán bộ nhân viên và các cấp quản lý - Cơ hội học hỏi và giao lưu với các đồng nghiệp xuất sắc và các chuyên gia đầu ngành 4. Các chế độ khác như chế độ nghỉ phép, đồng phục,...

Yêu cầu ứng viên

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cho vị trí Data Scientist tại LPBank ### 1. Hard Skills bắt buộc **Kiến thức Toán & Thống kê:** - Toán học: Xác suất thống kê, Đại số tuyến tính, Giải tích - Các mô hình thống kê: ARIMA, ARCH/GARCH (dùng phổ biến trong tài chính để dự báo chuỗi thời gian như lãi suất, tỷ giá) - Kiểm định giả thuyết, phân tích hồi quy nâng cao **Machine Learning:** - Supervised Learning: Logistic Regression, Decision Trees, Random Forests, Gradient Boosting (XGBoost, LightGBM) - Unsupervised Learning: K-means, DBSCAN, PCA - Deep Learning (lợi thế): Neural Networks, CNN, RNN/LSTM - Model evaluation: Cross-validation, AUC-ROC, RMSE, Precision/Recall **Lập trình & Công nghệ:** - Ngôn ngữ lập trình: Python (ưu tiên), R, Scala - Thư viện: pandas, NumPy, scikit-learn, TensorFlow/PyTorch, statsmodels - Cơ sở dữ liệu: SQL (MySQL, PostgreSQL), NoSQL (MongoDB, Cassandra), Oracle - Big Data: Hadoop, MapReduce, Apache Spark, Hive, Kafka **AI & Computer Vision (lợi thế):** - OCR: Tesseract, Google Vision API - Image Recognition: OpenCV, CNN - NLP/Chatbot: NLTK, spaCy, Transformers (BERT), Dialogflow - Data APIs: REST API, Flask/FastAPI **Kiến trúc dữ liệu:** - Data Warehouse (Kimball, Inmon) - Data Lake, ETL/ELT pipelines - Cloud: AWS/GCP/Azure (lợi thế) - Visualization: Power BI, Tableau, matplotlib ### 2. Soft Skills quan trọng | Kỹ năng | Mức độ quan trọng | Ghi chú | |---------|-------------------|----------| | Tư duy phân tích | Rất cao | Phân tích dữ liệu tài chính ngân hàng | | Giao tiếp kỹ thuật | Cao | Trình bày kết quả cho lãnh đạo non-tech | | Quản lý thời gian | Cao | Deadline dự án phân tích | | Chủ động học hỏi | Cao | Công nghệ AI/ML thay đổi nhanh | | Làm việc nhóm | Trung bình | Phối hợp với IT, business units | ### 3. Chứng chỉ gợi ý **Ưu tiên cao:** - Google Professional Data Engineer - AWS Certified Big Data - Specialty - IBM Data Science Professional Certificate **Ưu tiên trung bình:** - Microsoft Certified: Azure Data Scientist Associate - Cloudera Certified Professional (CCP) Data Engineer - Kaggle Competition medals (rất ấn tượng với nhà tuyển dụng) **Bổ sung giá trị:** - FRM (Financial Risk Manager) - hiểu biết về tài chính ngân hàng - CFA - kiến thức tài chính chuyên sâu ### 4. Bảng so sánh năng lực theo cấp bậc | Tiêu chí | Junior (1-3 năm) | Senior (4-6 năm) | Lead/Manager (7+ năm) | |----------|------------------|------------------|----------------------| | ML models | Áp dụng được các mô hình cơ bản | Tự xây dựng và tinh chỉnh mô hình phức tạp | Thiết kế kiến trúc ML cho toàn bộ hệ thống | | Big Data | Hiểu khái niệm, dùng được Spark cơ bản | Xử lý petabyte data, tối ưu hiệu suất | Thiết kế data platform tổng thể | | Nghiệp vụ NH | Hiểu cơ bản sản phẩm NH | Phân tích rủi ro tín dụng, cross-selling | Chiến lược data-driven cho toàn NH | | Giao tiếp | Trình bày kết quả đơn giản | Báo cáo chi tiết cho quản lý | Đề xuất chiến lược cho ban lãnh đạo | **Lưu ý:** Tin tuyển dụng yêu cầu tối thiểu **5 năm kinh nghiệm**, phù hợp với cấp Senior Data Scientist. Nếu bạn có 3-4 năm nhưng portfolio mạnh (Kaggle, GitHub, project thực tế), vẫn có thể thử ứng tuyển. ### 5. Đánh giá độ khó tuyển dụng - **Mức độ:** ⭐⭐⭐⭐⭐ (Rất khó) — Đây là vị trí chuyên sâu, yêu cầu 5+ năm kinh nghiệm thực tế với Big Data + ML trong ngành tài chính ngân hàng. Rất ít ứng viên đáp ứng đủ toàn bộ yêu cầu. - **Cạnh tranh:** Trung bình-cao, do đây là vị trí Hội sở, lương thỏa thuận hấp dẫn. - **Điểm mạnh của LPBank:** Ngân hàng có lợi thế liên kết với hệ thống bưu điện, dữ liệu khách hàng đa dạng, cơ hội ứng dụng AI/ML rộng. ### 6. Gap phân tích - những gì JD không nói nhưng bạn nên biết - JD nhấn mạnh kiến thức tài chính ngân hàng → Bạn cần hiểu về credit scoring, fraud detection, customer segmentation, ALM (Asset-Liability Management) - OCR/Chatbot là "lợi thế" nhưng thực tế LPBank đang đẩy mạnh digital transformation → nhu cầu rất thực - "Thỏa thuận" nghĩa là mức lương phụ thuộc vào năng lực thương lượng, có thể từ 25-50 triệu/tháng cho cấp Senior tại Hà Nội (tham khảo thị trường 2024) --- ## Kỹ năng cần ưu tiên chuẩn bị theo mức độ ### 🔴 Rất quan trọng (ôn kỹ, có project cụ thể): 1. SQL nâng cao (window functions, CTE, optimization) 2. Python với pandas, scikit-learn, statsmodels 3. Mô hình ARIMA/ARCH cho chuỗi thời gian tài chính 4. Random Forest, XGBoost, Logistic Regression 5. Trình bày kết quả phân tích rõ ràng, có business insight ### 🟡 Quan trọng (cần biết, thể hiện lợi thế): 6. Apache Spark (PySpark) 7. Data visualization (Tableau/Power BI) 8. Cloud basics (AWS/GCP) 9. Credit scoring, fraud detection (domain knowledge) ### 🟢 Cộng thêm (điểm cộng, không bắt buộc): 10. NLP/Chatbot 11. OCR/Image Recognition 12. MLOps, model deployment

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn vị trí Data Scientist tại LPBank ### 1. Quy trình tuyển dụng dự kiến LPBank thường áp dụng quy trình **3 vòng** cho vị trí chuyên môn tại Hội sở: ``` Vòng 1: Sơ tuyển hồ sơ (CV & Đơn đăng ký) ↓ (1-2 tuần chờ kết quả) Vòng 2: Thi nghiệp vụ / Test kỹ thuật ↓ (7-10 ngày chờ kết quả) Vòng 3: Phỏng vấn (HR + Trưởng bộ phận + Lãnh đạo) ↓ (7-10 ngày chờ kết quả) → Thông báo kết quả ``` **Lưu ý quan trọng:** - Không nhận được phản hồi sau mỗi vòng = chưa đủ điều kiện (không có thư từ chối) - Kết quả cuối cùng gửi qua Email trong 7-10 ngày --- ### 2. Chi tiết từng vòng #### Vòng 1: Sơ tuyển hồ sơ **Hồ sơ cần chuẩn bị:** - Đơn đăng ký theo mẫu LPBank (file Excel) - Đặt tên file: `Hà Nội - Phân tích dữ liệu - Họ và tên` - CV bản tiếng Việt (1-2 trang), có photo, thông tin liên hệ đầy đủ - Các chứng chỉ, bằng cấp liên quan (scan bản rõ) **Cách đặt tên file:** ``` ✅ Đúng: "Ha Noi - Phan tich du lieu - Nguyen Van A.xlsx" ❌ Sai: "CV_LPBank_NguyenVanA.docx" ❌ Sai: "HoSo_UngTuyen.xlsx" ``` **Điểm chốt CV cần có:** - Tối thiểu 5 năm kinh nghiệm với Big Data/ML/AI (tính đến ngày nộp) - Mô tả rõ: dự án, công nghệ sử dụng, kết quả đạt được (quantifiable metrics) - Gắn với ngành tài chính ngân hàng càng tốt --- #### Vòng 2: Thi nghiệp vụ / Test kỹ thuật **Thi viết (60-90 phút):** - Phần 1: Kiến thức Machine Learning (30 điểm) - Giải thích Random Forest vs XGBoost, khi nào dùng cái nào? - Overfitting là gì? Cách xử lý? - Precision vs Recall vs F1-Score, khi nào dùng? - Phần 2: Lập trình Python/SQL (40 điểm) - SQL: viết query phức tạp, window function, join nhiều bảng - Python: xử lý DataFrame, viết function ML cơ bản - Phần 3: Case study tài chính ngân hàng (30 điểm) - Xây mô hình credit scoring - Phát hiện gian lận giao dịch - Dự báo dòng tiền **Mẹo:** Nếu có bài thi thực hành trên máy: - Chuẩn bị sẵn Jupyter Notebook environment - Ôn lại pandas, scikit-learn, matplotlib - Mang theo laptop (nếu được phép) --- #### Vòng 3: Phỏng vấn **Thành phần ban phỏng vấn:** - HR: Kiểm tra tính cách, văn hóa phù hợp - Trưởng nhóm Data: Kiểm tra kỹ thuật chuyên sâu - Lãnh đạo phòng: Kiểm tra tư duy chiến lược, business sense **Câu hỏi thường gặp theo vòng:** *Vòng HR:* 1. "Giới thiệu ngắn về bản thân và kinh nghiệm làm việc với dữ liệu" 2. "Tại sao bạn muốn chuyển sang LPBank?" 3. "Bạn hiểu gì về LPBank và định hướng phát triển của ngân hàng?" 4. "Mức lương kỳ vọng của bạn là bao nhiêu?" 5. "Bạn có thể làm việc dưới áp lực deadline không?" *Vòng kỹ thuật (Trưởng nhóm):* 1. "Explain how ARIMA works and when would you use it vs LSTM" 2. "You have a highly imbalanced dataset for fraud detection. How do you handle it?" 3. "Walk me through your most complex data project. What was the biggest challenge?" 4. "How do you validate a machine learning model in production?" 5. "Design a credit scoring model from scratch — what features would you use?" 6. "Explain the difference between Hadoop HDFS and Apache Spark" 7. "How would you handle missing data in a dataset with 30% null values?" 8. "What is the bias-variance tradeoff?" 9. "You have 1 million transactions. How do you detect anomalies?" 10. "Explain how Random Forest handles feature importance" *Câu hỏi tình huống (Lãnh đạo phòng):* 1. "LPBank muốn xây dựng hệ thống recommendation cho sản phẩm tín dụng. Bạn đề xuất cách tiếp cận như thế nào?" 2. "Làm thế nào để đo lường hiệu quả của một mô hình ML sau khi triển khai?" 3. "Bạn sẽ ưu tiên những use case nào cho AI/ML tại LPBank trong 12 tháng tới?" 4. "Khi model performance giảm đột ngột trong production — bạn làm gì?" 5. "Data governance trong ngân hàng quan trọng như thế nào?" --- ### 3. Tips chuẩn bị cụ thể **Trước 1-2 tuần:** - [ ] Ôn SQL nâng cao: window functions, self-join, subquery (dùng LeetCode easy/medium) - [ ] Ôn ML theory: regression, classification, ensemble, evaluation metrics - [ ] Đọc lại project cũ, chuẩn bị mô tả chi tiết bằng STAR format - [ ] Tìm hiểu LPBank: quy mô, sản phẩm, chiến lược digital transformation **Trước 2-3 ngày:** - [ ] Ôn lại ARIMA, ARCH — mô hình rất phổ biến trong ngành tài chính - [ ] Chuẩn bị 2-3 câu hỏi cho nhà tuyển dụng - [ ] In CV, đơn đăng ký (phòng trường hợp cần bản cứng) - [ ] Check email/điện thoại thường xuyên (LPBank liên hệ qua SMS/Email) **Ngày phỏng vấn:** - [ ] Dress code: Form (nam áo sơ mi, nữ áo sơ mi/áo kiểu lịch sự) - [ ] Đến sớm 15-20 phút - [ ] Mang theo CMND/CCCD - [ ] Tắt điện thoại khi vào phòng phỏng vấn **Khi trả lời câu hỏi kỹ thuật:** - Dùng giấy trắng để viết/sơ đồ hóa nếu cần - Nói ra suy nghĩ (think aloud) — quan trọng hơn đáp án đúng - Nếu không biết: "Em chưa có kinh nghiệm trực tiếp với X, nhưng em hiểu Y và có thể tự tìm hiểu thêm" - Tránh: nói quá mơ hồ, không có con số cụ thể, không có demo **Câu hỏi nên hỏi nhà tuyển dụng:** 1. "Team Data hiện tại có bao nhiêu người và cơ cấu như thế nào?" 2. "Dự án data nào đang được ưu tiên trong thời gian tới?" 3. "Mô hình làm việc tại Hội sở là on-site hay hybrid?" 4. "Cơ hội học tập và đào tạo chuyên môn cho vị trí này?" --- ### 4. Dress Code | Thành phần | Nam | Nữ | |-----------|-----|-----| | Trên người | Áo sơ mi dài tay (trắng/xanh nhạt), có cà vạt | Áo sơ mi/áo kiểu lịch sự, không hở vai | | Dưới người | Quần âu đen/xám | Váy công sở/quần âu lịch sự | | Giày | Giày da lịch sự | Giày gót thấp hoặc giày bệt lịch sự | | Không nên | Áo phông, giày thể thao, mùi nước hoa nồng | Trang phục quá hở hang, nail màu sặc | **Lưu ý:** Đây là vị trí tại Hội sở ngân hàng — dress code bắt buộc nghiêm túc, không phải môi trường startup tech.

Lộ trình ôn thi

## Lộ trình ôn thi & Chuẩn bị cho vị trí Data Scientist tại LPBank ### Giai đoạn 1: Tổng hợp kiến thức nền (Ngày 1-3) **Ngày 1: Kiến thức Machine Learning cốt lõi** *Tài liệu:* - "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" — Aurélien Géron (chương 1-8) - Course: Andrew Ng's Machine Learning (Coursera) — tuần 1-4 - Cheatsheet: scikit-learn algorithm cheat sheet *Ôn tập:* - [ ] Supervised vs Unsupervised learning - [ ] Linear Regression, Logistic Regression (công thức, khi nào dùng) - [ ] Decision Tree: Gini impurity, Information Gain - [ ] Random Forest: Bootstrap, Aggregation - [ ] Overfitting vs Underfitting, Regularization (L1, L2) - [ ] Cross-validation, train-test split - [ ] Evaluation metrics: Accuracy, Precision, Recall, F1, AUC-ROC, RMSE *Thực hành:* - Làm 3-5 bài LeetCode SQL (medium level) - Code 1 pipeline ML đơn giản: load data → preprocess → train → evaluate --- **Ngày 2: Toán thống kê & Time Series** *Tài liệu:* - "Think Stats" — Allen B. Downey (chương 1-5) - "Forecasting: Principles and Practice" — Hyndman & Athanasopoulos (https://otexts.com/fpp3/) — FREE online - statsmodels documentation: https://www.statsmodels.org/ *Ôn tập:* - [ ] Probability distributions (Normal, Binomial, Poisson) - [ ] Central Limit Theorem, Confidence Intervals - [ ] Hypothesis testing: t-test, chi-square test - [ ] ARIMA: AR(p), I(d), MA(q) — cách đọc ACF/PACF plot - [ ] ARCH/GARCH: phương pháp ước lượng, ứng dụng trong tài chính - [ ] Stationarity test (ADF test) *Thực hành:* - Dùng statsmodels xây ARIMA model trên dữ liệu lãi suất mẫu - Tính các metrics và interpret kết quả --- **Ngày 3: Big Data & Công nghệ** *Tài liệu:* - Datacamp: "Introduction to Big Data with PySpark" (miễn phí preview) - Hadoop documentation: https://hadoop.apache.org/ - Apache Spark: https://spark.apache.org/docs/latest/ - Khan Academy: SQL course (miễn phí) *Ôn tập:* - [ ] Hadoop HDFS: NameNode, DataNode, replication - [ ] MapReduce: Map → Shuffle → Reduce workflow - [ ] Apache Spark: RDD, DataFrame, Spark SQL - [ ] So sánh Spark vs Hadoop: use case nào dùng cái nào - [ ] SQL: JOIN (INNER, LEFT, RIGHT), GROUP BY, HAVING, Window Functions - [ ] NoSQL basics: CAP theorem, MongoDB document structure *Thực hành:* - Viết 5 câu SQL phức tạp (self-join, window function) - Đọc 1 case study về fraud detection dùng Spark --- ### Giai đoạn 2: Chuyên sâu nghiệp vụ ngân hàng (Ngày 4-6) **Ngày 4: Credit Scoring & Risk Analytics** *Tài liệu:* - "Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring" — Naeem Siddiqi - Bài viết: "Building Credit Scorecard using Logistic Regression" (Medium/Kaggle) - FICO Scorecard development methodology *Kiến thức cần nắm:* - [ ] Feature engineering: WOE (Weight of Evidence), IV (Information Value) - [ ] PD (Probability of Default), LGD, EAD - [ ] Scorecard binning và scaling - [ ] Regulatory requirements: Basel II/III, Circular 43/2016 NHNN - [ ] Stress testing trong tín dụng *Câu hỏi thường hỏi:* - "Làm sao xử lý imbalanced data trong credit scoring?" (SMOTE, class weights, threshold tuning) - "Tại sao dùng WOE thay vì raw features?" (monotonic transformation, handle missing) --- **Ngày 5: Fraud Detection & Anomaly Detection** *Tài liệu:* - Kaggle: "IEEE-CIS Fraud Detection" competition (tham khảo top solutions) - Bài viết: "Machine Learning for Fraud Detection" — towards data science - "Fraud Analytics: Using Descriptive, Predictive, and Social Network Analytics" — Elder Research *Kiến thức cần nắm:* - [ ] Anomaly detection: Isolation Forest, One-class SVM, DBSCAN - [ ] Real-time fraud detection systems (streaming data) - [ ] Feature engineering cho fraud: transaction velocity, geolocation, device fingerprint - [ ] Business rules vs ML models (hybrid approach) - [ ] Cost-sensitive learning (false positive cost cao trong banking) --- **Ngày 6: Data Visualization & Business Communication** *Tài liệu:* - "Storytelling with Data" — Cole Nussbaumer Knaflic - "The Visual Display of Quantitative Information" — Edward Tufte - Tableau Public (miễn phí) để thực hành *Kiến thức cần nắm:* - [ ] Chọn biểu đồ phù hợp: bar vs line vs scatter - [ ] Dashboard design principles - [ ] Trình bày kết quả ML cho audience non-technical - [ ] A/B testing và experiment design - [ ] KPI framework cho data projects --- ### Giai đoạn 3: Luyện tập & Mock Interview (Ngày 7-10) **Ngày 7-8: Luyện coding SQL & Python** *SQL Practice (LeetCode):* - Easy: 175 (Combine Two Tables), 176 (Second Highest Salary) - Medium: 177 (Nth Highest Salary), 178 (Rank Scores), 184 (Department Highest Salary) - Hard: 185 (Department Top Three Salaries) — window function *Python Practice:* - pandas: groupby, merge, pivot_table, handling missing data - numpy: vector operations, broadcasting - scikit-learn: train_test_split, cross_val_score, GridSearchCV, pipeline **Ngày 9: Mock Technical Interview** Tự đặt câu hỏi và trả lời như đang phỏng vấn: 1. Xây mock project: "Giả sử có dataset 1 triệu giao dịch NH, detect fraud" → trình bày toàn bộ pipeline 2. Giải thích Random Forest hoạt động như thế nào (bằng lời + code) 3. Viết ARIMA model cho stock price prediction **Ngày 10: Chuẩn bị cuối cùng** - [ ] Ôn lại tất cả điểm yếu đã phát hiện - [ ] Chuẩn bị 3-5 project để kể (theo STAR format) - [ ] Research LPBank: đọc website, báo cáo tài chính, tin tức - [ ] Ngủ đủ giấc, chuẩn bị tinh thần --- ### Tài liệu tham khảo tổng hợp | Chủ đề | Tài liệu | Link/Nguồn | |--------|----------|------------| | ML tổng hợp | Hands-On ML (Géron) | Sách, có bản PDF | | Time Series | Forecasting: Principles & Practice | otexts.com/fpp3 (FREE) | | SQL | LeetCode SQL Study Plan | leetcode.com | | PySpark | Datacamp PySpark Tutorial | datacamp.com | | Credit Scoring | Credit Risk Scorecards (Siddiqi) | Sách | | Data Viz | Storytelling with Data | Sách | | Domain NH | Website LPBank + NHNN | lpbank.com.vn | | Thực hành | Kaggle competitions | kaggle.com/competitions | --- ### Lỗi thường gặp cần tránh 1. **Chỉ học lý thuyết, không code:** Bài thi có phần thực hành — bạn cần gõ được code Python/SQL 2. **Không hiểu nghiệp vụ ngân hàng:** Câu hỏi case study sẽ đánh giá khả năng áp dụng vào domain 3. **Overfitting model:** Khi trình bày project, nói rõ cách bạn tránh overfitting 4. **Không chuẩn bị câu hỏi cho nhà tuyển dụng:** Thể hiện sự nghiêm túc, quan tâm đến công việc 5. **Nói quá mơ hồ:** "Tôi đã làm nhiều dự án ML" → phải nói cụ thể: dataset bao nhiêu dòng, model gì, kết quả cải thiện bao nhiêu %

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp cho vị trí Data Scientist tại LPBank ### 1. Lộ trình thăng tiến điển hình ``` Data Analyst (1-2 năm) ↓ Junior Data Scientist (2-3 năm) ↓ Data Scientist (3-5 năm) ← Bạn đang ứng tuyển ở đây ↓ Senior Data Scientist (5-7 năm) ↓ Lead Data Scientist / ML Engineering Manager (7-10 năm) ↓ Head of Data Science / Chief Data Officer (10+ năm) ``` **Chi tiết từng bước:** **Cấp Data Scientist (hiện tại - 5+ năm kinh nghiệm):** - Tự xây dựng và triển khai ML models - Chịu trách nhiệm end-to-end cho 1-2 use case - Mentor cho Junior members - Lương tham khảo Hà Nội 2024: **25-45 triệu/tháng** + thưởng **Cấp Senior Data Scientist (7+ năm):** - Thiết kế kiến trúc ML cho nhiều use cases - Đánh giá và review models của team - Giao tiếp với business stakeholders cấp cao - Lương tham khảo: **45-70 triệu/tháng** + thưởng **Cấp Lead/Manager (10+ năm):** - Quản lý team 3-8 người - Định hướng chiến lược data cho toàn bộ ngân hàng - Lương tham khảo: **70-120 triệu/tháng** + thưởng + ESOP --- ### 2. Mức lương kỳ vọng theo cấp bậc (Tham khảo thị trường Hà Nội 2024) | Cấp bậc | Kinh nghiệm | Lương tháng (VND) | Thưởng/năm | |---------|-------------|-------------------|------------| | Data Scientist mới | 5 năm, fresh vào vai trò DS | 25-35 triệu | 1-2 tháng | | Data Scientist trung cấp | 5 năm + có portfolio mạnh | 30-40 triệu | 2-3 tháng | | Senior Data Scientist | 7+ năm | 45-60 triệu | 3-4 tháng | | Lead/Manager | 10+ năm | 70-100 triệu | 4-6 tháng | **Yếu tố ảnh hưởng đến lương:** - Portfolio GitHub/Kaggle (rất quan trọng với startup tech) - Chứng chỉ cloud (AWS/GCP) + chứng chỉ ML - Kinh nghiệm domain nghiệp vụ ngân hàng cụ thể - Khả năng thương lượng - Lương hiện tại + expected raise **Mẹo thương lượng lương:** - Khi được hỏi mức lương kỳ vọng, nên nói một range thay vì con số cố định - Tham khảo: level.fyi, Glassdoor Vietnam, VietnamSalary cho data roles - Đừng quên tính total compensation: lương + thưởng + bảo hiểm cao cấp + phụ cấp --- ### 3. Kỹ năng cần phát triển thêm theo giai đoạn **Ngắn hạn (6-12 tháng đầu tại LPBank):** - [ ] Hiểu sâu nghiệp vụ LPBank: sản phẩm, quy trình, khách hàng mục tiêu - [ ] Thành thạo công cụ nội bộ của ngân hàng (Oracle, hệ thống data warehouse) - [ ] Xây dựng relationships với business units (khối tín dụng, ngân hàng số) - [ ] Hoàn thành 1-2 ML use cases có business impact rõ ràng **Trung hạn (1-3 năm):** - [ ] Chuyên sâu 1 domain: Credit Risk OR Customer Analytics OR Fraud Detection - [ ] Nâng cấp lên Senior: khả năng mentor, architecture design - [ ] Tham gia MLOps: model deployment, monitoring, retraining pipeline - [ ] Xây dựng personal brand: blog, conference talk, Kaggle competition **Dài hạn (3-5 năm):** - [ ] Leadership: quản lý team hoặc chuyên gia cao cấp (individual contributor) - [ ] Strategic thinking: liên kết data strategy với business strategy của ngân hàng - [ ] Networking: kết nối với cộng đồng Data Science Vietnam - [ ] Cân nhắc chứng chỉ FRM/CFA nếu muốn chuyển sang Risk Management --- ### 4. Cơ hội phát triển tại LPBank cụ thể **Điểm mạnh của LPBank:** - Hệ thống bưu điện rộng khắp → lợi thế data khách hàng đa kênh - Đang đẩy mạnh digital transformation → nhiều dự án AI/ML mới - Mô hình tổ chức: cơ hội đóng góp ý kiến và ảnh hưởng lớn - Mức lương "thỏa thuận" → nếu giỏi có thể đàm phán cao **Những thách thức cần lường trước:** - Bộ máy ngân hàng nhà nước → quy trình có thể chậm hơn startup - Legacy systems (Oracle, hệ thống core banking cũ) → khó integrate với modern ML stack - Văn hóa bảo thủ hơn → cần thuyết phục business stakeholders tin vào data **Cơ hội chuyển đổi sau LPBank:** - Fintech (VNPay, MoMo, ZaloPay): lương cao hơn 30-50% - Big tech có mặt tại VN (Google, Meta, Grab) - Ngân hàng quốc tế (HSBC, Citibank, Standard Chartered) - Công ty bảo hiểm (Manulife, AIA) — đang tuyển data scientists --- ### 5. Lời khuyên từ người đi trước > **"Đừng chỉ focus vào model accuracy. Ở ngân hàng, điều quan trọng hơn là làm sao model được đưa vào production và tạo ra business value thực sự. Một model 95% accuracy nhưng không ai dùng = zero value."** > — Senior Data Scientist, ngành Banking (ẩn danh) > **"5 năm kinh nghiệm là floor không phải ceiling. Nếu bạn có 3 năm nhưng đã làm nhiều project Big Data thực tế, đặc biệt trong finance, vẫn nên apply. HR thường linh hoạt hơn JD."** > — Data Lead, ngành Fintech (ẩn danh) > **"LPBank đang trong giai đoạn chuyển đổi số mạnh. Ai vào sớm sẽ có lợi thế xây dựng team và hệ thống từ đầu. Đây là cơ hội tốt nếu bạn thích xây dựng, không chỉ maintain."** > — Giang T***, Data Analyst chuyển sang DS (ẩn danh) --- ### 6. Checklist chuẩn bị trước khi nộp - [ ] CV: Cập nhật, có photo, thông tin liên hệ rõ ràng - [ ] LinkedIn: Cập nhật, gắn keyword "Data Scientist", "Machine Learning", "LPBank" - [ ] GitHub: Push code ML projects gần đây (nếu chưa có, tạo ngay 1-2 project) - [ ] Portfolio: Chuẩn bị 2-3 case studies với kết quả cụ thể (ví dụ: "model giảm 20% fraud rate") - [ ] Đơn đăng ký: Tải mẫu từ website LPBank, điền đầy đủ - [ ] Đặt tên file đúng format: "Ha Noi - Phan tich du lieu - [Ho va Ten]" - [ ] Kiểm tra lại: sai sót chính tả, thông tin nhất quán, file .xlsx - [ ] Follow up: Nếu 2 tuần chưa phản hồi, gửi email hỏi thăm lịch sự

Câu hỏi thường gặp

Em mới có 3 năm kinh nghiệm, có nên nộp apply vị trí này không khi JD yêu cầu 5 năm?

Có thể thử, nhưng cần chiến lược khôn ngoan. Đầu tiên, hãy đảm bảo CV thể hiện rõ 5+ năm kinh nghiệm tổng cộng (bao gồm cả thực tập, project cá nhân, freelance nếu liên quan). Thứ hai, trong CV và phỏng vấn, nhấn mạnh vào chất lượng project thay vì số năm — nếu bạn có 3 project Big Data ấn tượng, nó có thể mạnh hơn 5 năm làm việc nhàm chán. Thứ ba, hãy điều chỉnh mức lương kỳ vọng phù hợp với 3 năm kinh nghiệm. Cuối cùng, LPBank có thể linh hoạt hơn JD nếu họ thực sự cần nhân sự. Tuy nhiên, hãy chuẩn bị tinh thần cho việc bị cạnh tranh với các ứng viên có đủ 5 năm.

Mức lương cho vị trí Data Scientist tại LPBank Hà Nội là bao nhiêu?

LPBank để lương 'thỏa thuận' nên không công khai con số cụ thể. Theo tham khảo thị trường Hà Nội 2024, vị trí Data Scientist với 5+ năm kinh nghiệm trong ngành tài chính ngân hàng thường dao động từ 25-45 triệu/tháng, chưa kể thưởng cuối năm (thường 1-3 tháng lương). Mức lương phụ thuộc vào: (1) mức lương hiện tại của bạn, (2) portfolio và kỹ năng đặc biệt, (3) khả năng thương lượng, (4) tình hình tuyển dụng của LPBank lúc đó. Lời khuyên: nên đề xuất một range (ví dụ 30-40 triệu) thay vì một con số cố định, và luôn đề cập total compensation bao gồm thưởng, bảo hiểm cao cấp.

Quy trình phỏng vấn Data Scientist tại LPBank có mấy vòng và thường hỏi những gì?

Quy trình gồm 3 vòng chính: (1) Sơ tuyển hồ sơ — kiểm tra CV và đơn đăng ký đúng mẫu, đúng format; (2) Thi nghiệp vụ — thường là bài thi viết 60-90 phút về SQL, Python, ML theory, và case study tài chính ngân hàng; (3) Phỏng vấn — gặp HR (văn hóa, định hướng), Trưởng nhóm (kỹ thuật chuyên sâu), và Lãnh đạo phòng (tư duy chiến lược). Vòng kỹ thuật thường hỏi: giải thích hoạt động của Random Forest, xử lý imbalanced data, thiết kế credit scoring model, khác nhau giữa ARIMA và LSTM, và trình bày dự án phức tạp nhất của bạn. Chuẩn bị kỹ SQL nâng cao và Python pandas — đây là phần dễ bịeliminate nhất.

Em có background IT nhưng chưa làm trong ngành ngân hàng, có cơ hội không?

Có cơ hội, nhưng cần bù đắp bằng kiến thức nghiệp vụ. Vị trí này đòi hỏi hiểu về Big Data/ML/AI, và kiến thức này bạn có — đó là điểm mạnh. Tuy nhiên, 'các vấn đề kinh doanh liên quan đến thị trường tài chính ngân hàng' là yêu cầu bắt buộc. Trước khi nộp, hãy: (1) tự học về credit scoring, fraud detection, customer segmentation trong ngân hàng; (2) đọc 2-3 bài báo nghiên cứu về ML trong banking; (3) trong CV, gắn các project IT cũ với use case ngân hàng nếu có thể; (4) trong phỏng vấn, thể hiện bạn có khả năng học nhanh domain mới. HR và hiring manager thường đánh giá cao ứng viên có growth mindset hơn là người đã biết hết nhưng không có tinh thần phát triển.

Cần chuẩn bị những chứng chỉ gì để tăng cơ hội trúng tuyển?

Với vị trí này, các chứng chỉ sau sẽ tăng đáng kể cơ hội: (1) Google Professional Data Engineer — được đánh giá cao nhất cho Big Data, xếp hạng trên LinkedIn; (2) AWS Certified Big Data - Specialty hoặc Databricks Certified Associate — cho Apache Spark; (3) Kaggle Competition medals — nếu bạn có huy chương Kaggle ở bất kỳ competition nào, đây là điểm cộng cực lớn vì nó chứng minh năng lực thực tế; (4) FRM (Financial Risk Manager) — bổ sung kiến thức tài chính ngân hàng, rất phù hợp với JD này. Tuy nhiên, nếu bạn phải chọn 1, hãy ưu tiên chứng chỉ cloud hoặc Kaggle vì chúng trực tiếp đáp ứng yêu cầu kỹ thuật.

LPBank có khác gì so với các ngân hàng khác để em cân nhắc trước khi nộp?

LPBank (Ngân hàng Bưu điện Liên Việt) có 3 điểm khác biệt chính: (1) Lợi thế mạng lưới — liên kết với hệ thống bưu điện khắp Việt Nam, tiếp cận được khách hàng ở vùng sâu vùng xa, tạo ra dataset đa dạng hơn nhiều ngân hàng khác; (2) Giai đoạn chuyển đổi số — đang đầu tư mạnh vào AI/ML, digital banking, nên có nhiều dự án mới để tham gia; (3) Quy mô vừa — không lớn như Vietcombank/VCB hay BIDV, nhưng đủ lớn để có resources, và nhỏ đủ để bạn có cơ hội đóng góp ảnh hưởng lớn. Nhược điểm: văn hóa ngân hàng nhà nước có thể chậm hơn startup, hệ thống legacy có thể khó integrate với modern ML stack.

Vị trí này làm việc như thế nào — hybrid, remote hay bắt buộc onsite?

Đây là vị trí tại Hội sở Hà Nội, và trong JD không đề cập chính sách hybrid/remote cụ thể. Thông thường, nhân viên Hội sở LPBank làm việc on-site chính thức 5 ngày/tuần, có thể linh hoạt giờ làm. Tuy nhiên, với vị trí chuyên môn như Data Scientist, một số ngân hàng đang bắt đầu cho phép hybrid 2-3 ngày/tuần. Bạn nên hỏi trực tiếp HR trong vòng phỏng vấn để xác nhận chính sách cụ thể. Lưu ý: vị trí này tuyển tại Hà Nội, nếu bạn ở tp.HCM hoặc tỉnh khác, cần tính chi phí chuyển nơi ở.

KPI của Data Scientist tại ngân hàng thường là gì và có áp lực không?

KPI cho Data Scientist trong ngân hàng thường bao gồm: (1) Số lượng models/pipelines deployed vào production; (2) Business metrics improvement — ví dụ model giảm X% NPL, tăng Y% cross-sell; (3) Data quality — độ chính xác và cập nhật của data reports; (4) Knowledge sharing — presentations, documentation; (5) Project delivery on time. Mức độ áp lực phụ thuộc vào team và quy mô dự án. Ưu điểm so với startup: áp lực deadline thường thấp hơn, không có culture 'move fast and break things'. Nhược điểm: quy trình phê duyệt model production có thể dài (cần compliance, risk review), và bạn cần thuyết phục nhiều stakeholders trước khi deploy.

Phân tích dữ liệu (DS)