Techcombank tuyển dụng Senior Data Engineer

Experienced (Non-Manager)

Mô tả công việc

Key Accountabilities

Thu thập, xử lý, phân tích và trực quan hóa dữ liệu từ nhiều nguồn khác nhau để hỗ trợ ra quyết định kinh doanh.

Thiết kế, xây dựng và duy trì các pipeline dữ liệu để thu thập, xử lý và lưu trữ dữ liệu.

Xây dựng và duy trì các báo cáo, dashboard, và công cụ phân tích dữ liệu.

Đảm bảo tính toàn vẹn, bảo mật và chất lượng của dữ liệu trong hệ thống.

Tích hợp các nguồn dữ liệu và triển khai các giải pháp lưu trữ dữ liệu (Data Warehouse, Data Lake).

Phối hợp với các nhóm liên quan để triển khai các dự án phân tích và kỹ thuật dữ liệu.

Giám sát hiệu suất hệ thống dữ liệu và thực hiện các cải tiến để tối ưu hóa.

Success Profile - Qualification and Experiences

Thành thạo các ngôn ngữ lập trình như Python, SQL, Java hoặc Scala.

Ưu tiên có kinh nghiệm làm việc với các công nghệ Big Data như Hadoop, Spark, Kafka.

Hiểu biết về các hệ thống cơ sở dữ liệu quan hệ (RDBMS) và NoSQL (MongoDB, Cassandra).

Kinh nghiệm triển khai và quản lý các giải pháp lưu trữ dữ liệu (ETL, Data Warehouse, Data Lake).

Kỹ năng sử dụng các công cụ phân tích dữ liệu như Power BI, Tableau là một lợi thế

Hiểu biết về các mô hình thống kê, phân tích dự đoán và học máy (machine learning) là một lợi thế.

Kỹ năng làm việc với các công cụ điện toán đám mây như AWS, Azure, hoặc Google Cloud Platform.

Khả năng phân tích và giải quyết vấn đề kỹ thuật phức tạp.

Tư duy logic, khả năng giải quyết vấn đề và làm việc nhóm hiệu quả.

Benefits

Mức lương cạnh tranh, lương tháng 13 và thưởng theo hiệu quả công việc (Performance Bonus).

Xem xét điều chỉnh lương và đánh giá hiệu quả công việc hằng năm.

15 ngày phép và 01 ngày nghỉ sinh nhật

Được tham gia các khóa đào tạo nâng cao của Techcombank.

Lộ trình phát triển nghề nghiệp rõ ràng, cùng sự hỗ trợ sát sao từ đội ngũ quản lý.

Được hưởng chế độ chăm sóc toàn diện như: bảo hiểm/chăm sóc sức khỏe cá nhân, khám sức khỏe định kỳ, quà sinh nhật từ ngân hàng, teambuilding, tiệc cuối năm, v.v.

Được cung cấp đầy đủ công cụ và trang thiết bị cần thiết cho công việc.

Tham gia các khóa đào tạo chuyên môn nghiệp vụ.

Phân tích kỹ năng cần có

1. Bản chất của vị trí

Vị trí Senior Data Engineer thuộc khối Finance & Planning của Techcombank là vị trí sở hữu dữ liệu từ đầu đến cuối, không chỉ xây dashboard hay viết truy vấn. Ứng viên cần thu thập dữ liệu từ nhiều hệ thống, thiết kế pipeline, kiểm soát chất lượng và bảo mật, xây dựng kho dữ liệu, phục vụ báo cáo quản trị và phối hợp với các bên liên quan.

Điểm đáng chú ý nhất là vị trí nằm trong Finance & Planning. Vì vậy, ứng viên mạnh về kỹ thuật nhưng chưa hiểu nghiệp vụ tài chính sẽ cần bù thêm kiến thức về báo cáo quản trị, đối soát số liệu, ngân sách, dự báo và phân tích chênh lệch. Ngược lại, ứng viên chỉ mạnh về báo cáo và trực quan hóa cũng chưa đáp ứng trọng tâm thiết kế pipeline và kiến trúc dữ liệu.

> Lưu ý: Tin tuyển dụng không công bố số năm kinh nghiệm và không quy định loại hình hợp đồng. Chức danh Senior cùng phạm vi trách nhiệm rộng gợi ý rằng ứng viên cần có khả năng làm việc độc lập, thiết kế giải pháp, chủ động đề xuất cải tiến và hỗ trợ phát triển cho các thành viên khác. Đây là nhận định suy luận, không phải yêu cầu chính thức về số năm.

2. Bảng ưu tiên năng lực

Nhóm năng lực	Mức độ	Kỳ vọng đối với ứng viên	Bằng chứng nên thể hiện
SQL	Rất cao	Thành thạo truy vấn phức tạp, cửa sổ, tổng hợp, kiểm tra chất lượng và tối ưu hiệu năng	Dự án xử lý dữ liệu tài chính, truy vấn trên dữ liệu lớn, kèm giải thích kế hoạch thực thi
Python	Rất cao	Xử lý dữ liệu với Pandas hoặc Polars, viết module tái sử dụng, kiểm thử và tự động hóa	Mã nguồn có cấu trúc, kiểm thử, xử lý lỗi và tài liệu
Thiết kế pipeline và kho dữ liệu	Rất cao	Hiểu Extract Transform Load, Extract Load Transform, Data Warehouse, Data Lake, mô hình hóa dữ liệu và quản lý chất lượng	Sơ đồ kiến trúc từ nguồn đến báo cáo, quy tắc đối soát và xử lý dữ liệu đến muộn
Spark, Kafka, Hadoop	Cao	Xử lý dữ liệu lớn, streaming, phân vùng, xử lý dữ liệu lệch khóa và bảo đảm không mất dữ liệu	Thiết kế batch hoặc streaming pipeline, xử lý sự kiện trùng lặp và phục hồi
Điện toán đám mây	Cao	Sử dụng ít nhất một nền tảng như AWS, Azure hoặc Google Cloud; hiểu IAM, mã hóa, lưu trữ và giám sát	Dự án triển khai có kiểm soát truy cập, mã hóa, giám sát và ước tính chi phí
Bảo mật và quản trị dữ liệu	Rất cao	Phân loại dữ liệu, che dữ liệu định danh, phân quyền, nhật ký kiểm toán, quản lý bí mật dữ liệu	Quy trình kiểm soát truy cập và cách bảo vệ dữ liệu khách hàng trong thiết kế
Power BI hoặc Tableau	Trung bình đến cao	Xây dựng mô hình dữ liệu, biểu đồ quản trị, định nghĩa chỉ số và bảo mật cấp dòng	Dashboard thể hiện thực đơn quản trị, đặc tả chỉ số và cơ chế làm mới
Quản trị và phân tích tài chính	Cao	Hiểu báo cáo kết quả kinh doanh, bảng cân đối, lưu chuyển tiền tệ, ngân sách, dự báo, phân bổ chi phí và phân tích chênh lệch	Một tình huống nghiệp vụ mô phỏng báo cáo thực tế so với ngân sách
RDBMS và NoSQL	Trung bình	Hiểu đặc tính giao dịch của cơ sở dữ liệu quan hệ, lập chỉ mục, khóa, phân vùng; biết MongoDB hoặc Cassandra	Giải thích lựa chọn lưu trữ dựa trên mô hình dữ liệu và yêu cầu truy vấn
Java hoặc Scala	Có lợi thế	Có khả năng đọc và duy trì dịch vụ dữ liệu, xử lý song song hoặc làm việc với nền tảng Spark	Một dự án sản xuất hoặc mã nguồn mở tương ứng
Thống kê, dự báo và học máy	Có lợi thế	Hiểu dự báo, phân tích xu hướng, kiểm định mô hình và tránh tương quan giả	Phân tích dự báo kèm khoảng tin cậy, sai số và giải thích tác nhân
Kỹ năng vận hành	Nên có	Git, Linux, Docker, lịch trình tác vụ, quan sát hệ thống, cảnh báo, CI/CD và quản lý sự cố	Quy trình triển khai tự động, giám sát và khắc phục sự cố

3. Kỹ năng cứng trọng tâm

SQL và Python

Ứng viên cần có khả năng:

Viết SQL mức production: phép nối nhiều bảng, biểu thức cửa sổ, CTE, câu truy vấn đệ quy khi phù hợp, kiểm tra chất lượng và truy vấn theo lịch.
Phân tích kế hoạch thực thi, thiết kế chỉ mục, xử lý phân vùng bảng và tránh lỗi phép nối làm tăng số dòng.
Xử lý dữ liệu trùng, thiếu, sai kiểu, sai quy tắc nghiệp vụ và dữ liệu đến muộn.
Xây dựng quy trình Python có kiểm thử, cấu hình, ghi log và khả năng chạy lại khi xảy ra sự cố.
Xử lý dữ liệu theo lô và theo sự kiện, đồng thời bảo đảm tính lũy kế và khả năng tái tạo kết quả.

Kiến trúc dữ liệu

Ứng viên cần trả lời rõ các lớp dữ liệu thô, đã chuẩn hóa, phục vụ phân tích và tổng hợp. Với Data Lake, có thể dùng mô hình bronze, silver, gold nhưng cần giải thích ý nghĩa của từng lớp. Với Data Warehouse, cần nắm mô hình hình sao, hình sao tuyết, bảng sự kiện, bảng chi tiết, khóa liên kết và lịch sử thay đổi loại hai.

Một thiết kế tốt phải trả lời được:

Dữ liệu đến từ đâu và tần suất cập nhật ra sao?
Làm thế nào để đối soát với hệ thống nguồn?
Xử lý dữ liệu sửa đổi, trùng lặp hoặc đến muộn thế nào?
Có thể tái xử lý một ngày dữ liệu mà không làm sai báo cáo không?
Làm thế nào kiểm soát truy cập theo vai trò và theo dòng dữ liệu?
Làm thế nào theo dõi độ trễ, chất lượng, chi phí và sự phụ thuộc giữa các hệ thống?

Dữ liệu lớn và streaming

Kinh nghiệm Spark và Kafka là lợi thế rõ ràng. Ứng viên nên hiểu:

Spark: phân vùng, shuffle, broadcast join, xử lý khóa lệch, checkpoint và chi phí tính toán.
Kafka: partition, offset, consumer group, chính sách lưu giữ, schema, idempotency, xử lý sự kiện trùng lặp và cơ chế phát lại tin nhắn.
Hadoop: định nghĩa HDFS, định dạng lưu trữ, phân vùng và cách phối hợp với Spark.
Đánh đổi giữa độ trễ, tính chính xác, thông lượng, chi phí và độ phức tạp vận hành.

Bảo mật dữ liệu ngân hàng

Đây là điểm có thể tạo lợi thế lớn nếu ứng viên thể hiện được tư duy phù hợp ngân hàng. Cần nắm:

Phân loại dữ liệu khách hàng, giao dịch và tài chính theo mức độ nhạy cảm.
Nguyên tắc đặc quyền tối thiểu, phân tách vai trò và kiểm soát truy cập.
Che dữ liệu định danh, mã hóa khi truyền và khi lưu, quản lý khóa bí mật.
Nhật ký truy cập và truy vết dữ liệu để hỗ trợ kiểm toán.
Quản lý chất lượng, dòng dữ liệu, thời gian lưu giữ và quyền truy xuất.
Quy trình xử lý sự cố dữ liệu và yêu cầu bảo mật thông tin.

4. Kỹ năng mềm cần chứng minh

Tư duy kinh doanh: hiểu câu hỏi quản trị trước khi chọn công nghệ.
Giao tiếp với bên không chuyên môn: giải thích giới hạn kỹ thuật bằng tác động nghiệp vụ, không đổ lỗi.
Tư duy sở hữu và chủ động: đề xuất cải tiến, theo dõi đến khi vấn đề được giải quyết.
Quản lý ưu tiên khi nhiều bên liên quan cùng yêu cầu.
Quản lý sự cố, ghi nhận nguyên nhân gốc và cải tiến quy trình.
Viết tài liệu thiết kế và truyền đạt giải pháp.
Khả năng hướng dẫn, đánh giá mã nguồn và nâng cao tiêu chuẩn của nhóm.
Tư duy phản biện khi yêu cầu kinh doanh chưa rõ hoặc có rủi ro kỹ thuật.

5. Chứng chỉ có thể tham khảo

Tin tuyển dụng không yêu cầu chứng chỉ. Do đó, chứng chỉ chỉ nên dùng để củng cố kiến thức, không thay thế kinh nghiệm thực chiến:

AWS Certified Data Analytics và AWS Certified Data Engineering.
Microsoft Certified: Azure Data Engineer Associate, tên chứng chỉ DP-203.
Google Professional Data Engineer.
Databricks Certified Data Engineer hoặc Spark SQL.
Confluent Certified Developer for Apache Kafka.
dbt Analytics Engineering.

Với vị trí ngân hàng, chứng chỉ tài chính như CFA, FRM hoặc kế toán chỉ đáng cân nhắc nếu ứng viên thực sự theo hướng quản trị rủi ro hoặc tài chính. Đối với Data Engineer, portfolio và khả năng giải thích thiết kế thường thuyết phục hơn nhiều chứng chỉ chung.

6. Hồ sơ nên thể hiện

Ứng viên nên chuẩn bị hồ sơ theo thứ tự:

1. Tóm tắt 5 năm kinh nghiệm hoặc các dự án lớn nhất, nhấn mạnh quy mô dữ liệu, số nguồn, độ trễ và tác động kinh doanh.
2. Mô tả rõ vai trò cá nhân, quyết định kiến trúc và phần đóng góp không thể quy công cho nhóm.
3. Đưa ra các chỉ số cải thiện có thể kiểm chứng, chẳng hạn thời gian xử lý, tỷ lệ lỗi, độ trễ, chi phí hoặc thời gian đóng báo cáo.
4. Mở link mã nguồn, sơ đồ kiến trúc, dashboard mẫu hoặc bài viết kỹ thuật nếu được phép chia sẻ.
5. Nêu rõ stack đã dùng thực tế và phần nào mới chỉ học trong dự án cá nhân.
6. Tránh nói quá mức về kinh nghiệm Big Data hoặc cloud nếu mới dùng dưới 20% thời gian dự án; thành thận giúp ứng viên bảo vệ câu trả lời kỹ thuật.

Chuẩn bị phỏng vấn

1. Quy trình phỏng vấn dự kiến

Tin tuyển dụng không công bố quy trình chính thức. Dưới đây là kịch bản thường gặp đối với vị trí Senior Data Engineer tại ngân hàng; ứng viên cần xác nhận lại với nhà tuyển dụng.

Vòng	Nội dung thường gặp	Thời lượng tham khảo	Mục tiêu của ứng viên
1. Sàng lọc	Xác nhận kinh nghiệm, mức lương kỳ vọng, địa điểm và khả năng làm việc tại Hà Nội	20–30 phút	Trình bày rõ hồ sơ, không nói quá mức về stack
2. Kiểm tra kỹ thuật	SQL, Python, xử lý dữ liệu, thiết kế pipeline hoặc bài tập tình huống	45–90 phút	Thể hiện tư duy và khả năng viết mã đúng, rõ và kiểm chứng được
3. Phỏng vấn chuyên sâu	Kiến trúc dữ liệu, Big Data, cloud, bảo mật và giải quyết sự cố	60 phút	Giải thích quyết định kỹ thuật bằng bối cảnh ngân hàng
4. Phỏng vấn nghiệp vụ hoặc case study	Báo cáo tài chính, đối soát, dự báo, xây dashboard hoặc thiết kế giải pháp	45–90 phút	Kết nối kỹ thuật với quyết định quản trị
5. Phỏng vấn quản lý và nhân sự	Tư duy, phối hợp, mức độ độc lập, văn hóa và định hướng phát triển	30–60 phút	Chứng minh vai trò Senior và khả năng tạo ảnh hưởng lâu dài

2. Câu hỏi thường gặp theo từng vòng

Vòng sàng lọc

Hãy giới thiệu kinh nghiệm Data Engineering của bạn, đặc biệt là pipeline từ nguồn đến báo cáo.
Vì sao bạn phù hợp với Finance & Planning thay vì một bộ phận kỹ thuật thuần túy?
Bạn đã trực tiếp tham gia những quyết định nào về kiến trúc, chất lượng hoặc vận hành?
Bạn quản lý dữ liệu tài chính hoặc dữ liệu khách hàng nhạy cảm ra sao?
Stack nào bạn sử dụng hằng ngày, stack nào chỉ biết lý thuyết?
Mức lương kỳ vọng, thời điểm có thể nhận việc và khả năng làm việc tại Hà Nội ra sao?

Cách trả lời: Mở đầu bằng hai kết quả lớn nhất, sau đó đi vào vai trò cá nhân và kiến trúc. Tránh kể lại toàn bộ trách nhiệm của nhóm theo thứ tự thời gian.

Vòng kiểm tra SQL và Python

Các câu hỏi có thể gồm:

Tìm bản ghi trùng mà vẫn giữ lại bản ghi cập nhật nhất.
Tính số dư lũy kế theo tài khoản hoặc tổng chi phí theo tháng.
So sánh số thực tế với ngân sách và tính phần trăm chênh lệch.
Xác định khách hàng có giao dịch trong nhiều tháng nhưng không có giao dịch ở một khoảng thời gian nhất định.
Giải thích cách phát hiện phép nối tạo ra số dòng lớn hơn dự kiến.
Viết hàm Python kiểm tra dữ liệu trùng, thiếu và ngoài khoảng giá trị hợp lệ.
Xử lý file lớn mà không tải toàn bộ vào bộ nhớ.
Tối ưu truy vấn chậm và giải thích kế hoạch thực thi.

Ứng viên nên nói rõ ý nghĩa từng bước, kiểm tra số dòng trước và sau phép nối, xử lý giá trị null và giả định về tính duy nhất. Với bài kiểm tra, nên đọc kỹ yêu cầu, hỏi lại nếu đầu ra không rõ và viết kiểm thử cho các quy tắc quan trọng.

Vòng phỏng vấn kiến trúc và dữ liệu lớn

Vẽ kiến trúc pipeline cho dữ liệu giao dịch, tiền gửi, cho vay và báo cáo quản trị.
Chọn công nghệ xử lý theo lô hay theo sự kiện trong từng trường hợp như thế nào?
Làm thế nào đối soát tổng số dư giữa kho dữ liệu và hệ thống nguồn?
Kafka bảo đảm thứ tự theo điều gì và xử lý tin nhắn trùng ra sao?
Khi một phân vùng Spark bị lệch dữ liệu, bạn chẩn đoán và xử lý thế nào?
Làm thế nào xử lý dữ liệu đến muộn, sửa đổi hoặc bản ghi bị từ chối?
Thiết kế lịch sử khách hàng thay đổi cấp sản phẩm như thế nào?
Làm thế nào giảm chi phí lưu trữ và tính toán mà không ảnh hưởng hiệu năng?
Khi báo cáo tài chính không khớp với hệ thống nguồn, quy trình điều tra của bạn thế nào?

Một câu trả lời tốt cần nêu giả định, lựa chọn, đánh đổi và phương án giám sát. Ví dụ, nếu chọn xử lý theo lô cho báo cáo tài chính, hãy giải thích rằng độ trễ chấp nhận được, tính đối soát dễ hơn và chi phí thấp hơn; nếu cần cập nhật gần thời gian thực, có thể bổ sung streaming nhưng phải xử lý độ trễ, trùng lặp và tính nhất quán.

Vòng nghiệp vụ Finance & Planning

Ứng viên nên hiểu và trả lời được:

Báo cáo kết quả kinh doanh, bảng cân đối và báo cáo lưu chuyển tiền tệ khác nhau thế nào?
Số thực tế, ngân sách, dự báo và kịch bản được so sánh ra sao?
Nguyên nhân chênh lệch chi phí hoặc doanh thu nên được phân rã theo chiều nào?
Phân bổ chi phí trung tâm, chi phí theo sản phẩm và lợi nhuận khách hàng được tính như thế nào?
Vì sao báo cáo quản trị phải đối soát với sổ cái và hệ thống nguồn?
Khi ngân sách thay đổi hoặc cơ cấu tài khoản được điều chỉnh, dữ liệu lịch sử có cần tính lại không?
Chỉ số nào cần độ trễ gần thời gian thực và chỉ số nào có thể cập nhật theo ngày hoặc theo tháng?

Các chỉ số ngân hàng có thể gặp gồm tiền gửi khách hàng, cho vay, phí thu, thu nhập ròng, chi phí rủi ro, tỷ lệ chi phí trên doanh thu, chất lượng tài sản và thanh khoản. Ứng viên không cần trở thành chuyên gia tài chính, nhưng phải biết hỏi đúng câu hỏi và hiểu rằng một sai số trong báo cáo quản trị có thể ảnh hưởng trực tiếp đến quyết định của ban điều hành.

Vòng hành vi và văn hóa làm việc

Kể một lần bạn phát hiện sai lệch dữ liệu nghiêm trọng. Bạn đã làm gì và phòng ban nào bị ảnh hưởng?
Mô tả một dự án bạn phải thay đổi thiết kế khi yêu cầu kinh doanh thay đổi.
Bạn đã xử lý sự cố dữ liệu lúc nào cần ra quyết định giao hàng ngay với sự cố nào không?
Bạn đã phản hồi hoặc hướng dẫn một thành viên nhóm như thế nào?
Làm thế nào bạn truyền đạt rủi ro kỹ thuật đến bên kinh doanh mà không làm mất uy tín dự án?
Khi nào bạn đề xuất dừng hoặc trì hoãn một yêu cầu để bảo vệ chất lượng và bảo mật?

Nên dùng cấu trúc Tình huống – Hành động – Kết quả – Bài học. Nêu số liệu nếu có, nhưng không tiết lộ dữ liệu mật của ngân hàng cũ. Có thể mô tả sự cố theo cách đã được phép chia sẻ.

3. Bài tập tình huống nên chuẩn bị

Hãy luyện một case study 30 phút với chủ đề: Xây dựng pipeline phục vụ báo cáo tài chính tháng. Đề xuất nội dung thuyết trình:

1. Nguồn dữ liệu: hệ thống lõi, hạ tầng, giao dịch, thẻ, cho vay, sổ cái và dữ liệu thị trường.
2. Lớp ingestion và lưu giữ dữ liệu thô.
3. Chuẩn hóa, đối soát và xử lý bản ghi lỗi.
4. Mô hình dữ liệu phục vụ báo cáo thực tế, ngân sách và dự báo.
5. Cơ chế bảo mật, phân quyền và nhật ký kiểm toán.
6. Tổng hợp thông tin cho Power BI hoặc Tableau.
7. Giám sát độ trễ, chất lượng, sự cố và chi phí.
8. Phương án tái xử lý, phục hồi và thông báo cho người dùng.

Điểm ăn nhận quan trọng nhất là sự rõ ràng, khả năng giao tiếp và khả năng đưa ra quyết định dưới ràng buộc thời gian, chi phí và bảo mật, không phải số lượng công nghệ được nhắc đến.

4. Mẫu giới thiệu bảy mươi giây

> Tôi có kinh nghiệm thiết kế và vận hành pipeline dữ liệu cho báo cáo quản trị, sử dụng SQL, Python và các nền tảng xử lý dữ liệu lớn. Trong dự án tiêu biểu, tôi đã đóng góp vào việc chuẩn hóa dữ liệu từ nhiều nguồn, xây dựng kiểm soát chất lượng và cải thiện độ trễ báo cáo từ ... xuống ... . Tôi đặc biệt quan tâm vị trí này vì Finance & Planning cần kết nối dữ liệu với quyết định quản trị thực tế, đồng thời đòi hỏi kiểm soát bảo mật và tính đối soát chặt chẽ. Tôi muốn tiếp tục phát triển theo hướng kiến trúc dữ liệu và sản phẩm phân tích cho ngân hàng.

Ứng viên cần điền số liệu thật, không dùng nguyên văn nếu không phù hợp với kinh nghiệm.

5. Thông tin cần chuẩn bị

Bản tóm tắt hồ sơ một trang.
Sơ đồ kiến trúc của hai dự án mạnh nhất.
Danh sách công nghệ, phân biệt rõ mức độ sử dụng thực tế.
Một sự cố dữ liệu đã giải quyết và cách đo lường kết quả.
Một ví dụ về đối soát dữ liệu tài chính hoặc vận hành báo cáo định kỳ.
Kiến thức cơ sở về phân tích tài chính và báo cáo quản trị.
Câu hỏi về stack, quy trình phê duyệt dữ liệu, lịch đóng số, chính sách bảo mật và cơ chế trực ngoài giờ nếu có.

6. Trang phục và hình thức

Nên chọn business formal hoặc smart business: sơ mi hoặc áo blouse, quần tây, giày kín, màu trung tính, tư thế gọn gàng. Không cần dùng trang phục quá cứng nhắc. Nên xác nhận hướng dẫn của Techcombank qua nhà tuyển dụng nếu có.

Trong phỏng vấn kỹ thuật, nên chia sẻ màn hình để trình diễn truy vấn hoặc sơ đồ kiến trúc, viết rõ từng bước và nói to suy nghĩ. Trả lời ngắn gọn trước, sau đó mở rộng nếu cần. Không im lặng quá lâu khi cần suy nghĩ và luôn kiểm tra lại yêu cầu trước khi viết mã.

Lộ trình ôn thi

1. Mục tiêu sau một đến hai tuần

Sau lộ trình này, ứng viên cần đạt được bốn kết quả:

1. Viết và tối ưu được SQL ở mức phỏng vấn Data Engineer.
2. Giải thích rõ một pipeline từ nguồn đến báo cáo, gồm chất lượng, bảo mật và vận hành.
3. Trả lời được các câu hỏi về Spark, Kafka, cloud và Data Warehouse hoặc Data Lake.
4. Hoàn thiện một portfolio nhỏ có kiến trúc, mã nguồn, kiểm thử, dashboard và giải thích nghiệp vụ.

2. Lộ trình mười ngày

Ngày 1: SQL nâng cao

Ôn phép nối, CTE, biểu thức cửa sổ, hàm tổng hợp, xử lý null và kiểu ngày.
Luyện bài về bản ghi trùng, bản ghi mới nhất, số dư lũy kế, tăng trưởng theo nhóm và phân tích cohort.
Tìm hiểu kế hoạch thực thi, chỉ mục, phân vùng và các lỗi thường gặp như phép nối tạo số dòng vượt dự kiến.
Viết lại ít nhất năm truy vấn không dùng thủ thuật quá phức tạp nhưng có kiểm tra đầu ra rõ ràng.

Đầu ra: một thư mục SQL gồm 15 truy vấn, trong đó có ba truy vấn kèm giải thích tối ưu.

Ngày 2: Python và kiểm thử dữ liệu

Ôn Pandas hoặc Polars: lọc, nhóm, nối, chuẩn hóa kiểu, xử lý null và kiểm tra chất lượng.
Tập viết hàm thuần, kiểm thử với pytest, cấu hình qua biến môi trường và ghi log có ngữ cảnh.
Xử lý dữ liệu lớn bằng iterator, chunk, lọc cột sớm và kiểm tra bộ nhớ.
Viết một chương trình đối soát hai nguồn dữ liệu và xuất báo cáo sai lệch.

Đầu ra: một package Python nhỏ có mã nguồn, kiểm thử và hướng dẫn chạy.

Ngày 3: Data Warehouse và mô hình hóa

Ôn mô hình hình sao, hình sao tuyết, bảng sự kiện, bảng chi tiết, surrogate key và lịch sử thay đổi loại hai.
Thiết kế các bảng cho doanh thu, chi phí, số dư, giao dịch, khách hàng, sản phẩm, đơn vị kinh doanh và kỳ báo cáo.
Tìm hiểu chu kỳ đóng số, dữ liệu đến muộn, sửa đổi, restatement và quy tắc phân bổ chi phí.
Phân biệt bảng dữ liệu thô, chuẩn hóa, tổng hợp và lớp phục vụ semantic.

Đầu ra: sơ đồ quan hệ dữ liệu cùng tài liệu định nghĩa chỉ số.

Ngày 4: Pipeline và chất lượng dữ liệu

Ôn Extract Transform Load, Extract Load Transform, orchestration, idempotency và backfill.
Tập dựng một workflow bằng Apache Airflow, Dagster, Prefect hoặc công cụ tương đương.
Xây bộ kiểm tra tính đầy đủ, hợp lệ, duy nhất, nhất quán, đúng thời điểm và đối soát với nguồn.
Thiết kế cơ chế quarantine bản ghi lỗi, thông báo, phê duyệt và xử lý lại.

Đầu ra: pipeline chạy được trên dữ liệu mô phỏng và có báo cáo chất lượng.

Ngày 5: Spark và xử lý dữ liệu lớn

Hiểu DataFrame, partition, shuffle, join, aggregate và lazy evaluation.
Luyện các trường hợp dữ liệu lệch khóa, file nhỏ, dữ liệu ngoài vùng nhớ và checkpoint.
So sánh broadcast join, sort merge join và cách phân vùng lại dữ liệu.
Tìm hiểu chi phí tính toán, autoscaling và tối ưu truy vấn trên nền tảng đám mây.

Đầu ra: một bài tập Spark kèm giải thích về phương án phân vùng và xử lý lệch khóa.

Ngày 6: Kafka và streaming

Ôn topic, partition, offset, consumer group, key và thứ tự thông điệp.
Tìm hiểu schema, schema registry, dead letter topic, retry và backpressure.
Phân tích cơ chế idempotency, exactly-once semantics, watermark và late event.
Thiết kế cách đưa dữ liệu giao dịch vào cả lớt báo cáo và luồng cập nhật gần thời gian thực.

Đầu ra: sơ đồ luồng Kafka với cách xử lý tin nhắn trùng và sự cố.

Ngày 7: Cloud, bảo mật và vận hành

Chọn AWS, Azure hoặc Google Cloud để tập trung; không cần học cả ba cùng lúc.
Tìm hiểu dịch vụ lưu trữ, tính toán, ingestion, orchestration, secret management và monitoring.
Ôn phân quyền, mã hóa, che dữ liệu định danh, audit log, mạng riêng và quản lý bí mật.
Tìm hiểu Git, Docker, CI/CD, hạ tầng dưới mã nguồn và quy trình phản hồi sự cố.

Đầu ra: kiến trúc triển khai có checklist bảo mật và vận hành.

Ngày 8: Power BI hoặc Tableau và nghiệp vụ tài chính

Xây mô hình dữ liệu trực quan hóa, biểu đồ quản trị, tham số và phân quyền cấp dòng.
Định nghĩa một bộ chỉ số gồm thực tế, ngân sách, dự báo và chênh lệch.
Ôn báo cáo kết quả kinh doanh, bảng cân đối, lưu chuyển tiền tệ, doanh thu thuần, chi phí và phân bổ chi phí.
Đọc báo cáo thường niên của Techcombank và một báo cáo của Ngân hàng Nhà nước để làm quen bối cảnh ngân hàng Việt Nam.

Đầu ra: dashboard mẫu kèm câu hỏi quản trị mà dashboard giúp trả lời.

Ngày 9: Case study và phỏng vấn giả lập

Dành 45 phút thiết kế pipeline báo cáo tài chính, sau đó dành 20 phút trình bày.
Luyện trả lời ba câu hỏi SQL, hai câu hỏi Python và hai câu hỏi kiến trúc.
Nhờ một người phản hồi về logic, độ rõ ràng, tốc độ giải thích và khả năng trả lời câu hỏi đào sâu.
Ghi lại các điểm còn yếu và xử lý ngay, không chỉ xem danh sách câu hỏi.

Ngày 10: Portfolio, hồ sơ và chuẩn bị tâm lý

Hoàn thiện README, sơ đồ kiến trúc, ảnh chụp dashboard và giải thích quyết định thiết kế.
Viết mô tả dự án theo cấu trúc: bối cảnh, vấn đề, kiến trúc, quyết định đánh đổi, kết quả và hạn chế.
Chuẩn bị bản tóm tắt hồ sơ, thông tin lương kỳ vọng và câu hỏi cho nhà tuyển dụng.
Ôn lại từng điểm trên hồ sơ để chủ động giải thích; không ghi những công nghệ chưa từng sử dụng.

3. Đề tài portfolio nên dùng

Một đề tài phù hợp là xây dựng nền tảng báo cáo tài chính cho ngân hàng trên dữ liệu mô phỏng, gồm:

Nguồn giả lập: khách hàng, tài khoản, sản phẩm, giao dịch, khoản vay, phí thu, chi phí và sổ cái.
Python hoặc dbt để chuẩn hóa và chuyển đổi.
Airflow hoặc công cụ tương đương để điều phối.
PostgreSQL hoặc BigQuery làm kho phục vụ phân tích.
Spark để xử lý một tập dữ liệu lớn.
Kafka để mô phỏng luồng giao dịch nếu thời gian cho phép.
Power BI hoặc Tableau để trực quan hóa.
Bộ kiểm tra chất lượng, đối soát, giám sát độ trễ và tài liệu bảo mật.

Chỉ sử dụng dữ liệu công khai hoặc dữ liệu do bạn tự tạo. Không đưa dữ liệu khách hàng, dữ liệu nội bộ hoặc mật khẩu vào portfolio.

4. Tài liệu tham khảo

Tài liệu chính thức PostgreSQL và SQL Server về truy vấn, chỉ mục và kế hoạch thực thi.
Tài liệu Pandas, Polars và pytest.
Tài liệu Apache Spark, Kafka, Airflow và dbt.
Tài liệu AWS Data Engineering, Azure Data Engineering hoặc Google Cloud Data Engineering; chỉ chọn một nền tảng làm trọng tâm.
Microsoft Learn cho Power BI; tài liệu Tableau Public và Tableau Learning.
Sách Fundamentals of Data Engineering và Designing Data-Intensive Applications.
Sách SQL for Data Analysis để củng cố SQL.
Báo cáo thường niên của Techcombank, báo cáo tài chính của các ngân hàng và ấn phẩm chính thức của Ngân hàng Nhà nước.

5. Bài kiểm tra tự đánh giá

Ứng viên đạt mức sẵn sàng tốt nếu có thể trả lời rõ ràng từng câu sau:

Vì sao chọn pipeline theo lô cho một báo cáo và khi nào chuyển sang streaming?
Làm thế nào bảo đảm một lần chạy lại không làm sai số liệu?
Đối soát dữ liệu khác nhau một triệu đồng thì xử lý thế nào?
Tại sao một join tăng số dòng gấp nhiều lần?
Xử lý khóa lệch trong Spark ra sao?
Bảo đảm tính đúng của Kafka trong hệ thống phân tích như thế nào?
Phân biệt dữ liệu thô, chuẩn hóa, tổng hợp và semantic như thế nào?
Làm thế nào bảo vệ dữ liệu khách hàng trong pipeline và dashboard?
Định nghĩa và đo lường chất lượng dữ liệu ra sao?
Chứng minh một báo cáo quản trị đúng bằng cách nào?
Đâu là giới hạn của việc tối ưu tốc độ truy vấn so với tính bảo mật và khả năng kiểm toán?
Làm thế nào chuyển một chỉ số từ báo cáo tài chính thành định nghĩa được kiểm soát trong semantic layer?

Tư vấn nghề nghiệp

1. Định vị hồ sơ đúng cạnh tranh

Ứng viên mạnh nhất không đơn thuần là người biết nhiều công nghệ, mà là người có thể nói rõ:

> Dữ liệu từ hệ thống nguồn đến báo cáo quản trị được kiểm soát như thế nào; dữ liệu sai được phát hiện ra sao; số liệu tài chính được đối soát ra sao; người khác sử dụng dữ liệu có an toàn không; và khi pipeline gặp sự cố thì quyết định ưu tiên nào được đưa ra.

Nên định vị bản thân theo ba lớp năng lực:

1. Data Engineering: pipeline, mô hình dữ liệu, hiệu năng và vận hành.
2. Business Data: hiểu báo cáo tài chính, ngân sách, dự báo và quyết định quản trị.
3. Ngân hàng và quản trị dữ liệu: bảo mật, đối soát, kiểm toán, chất lượng và khả năng tái tạo kết quả.

Câu xin việc có thể là: Tôi muốn xây dựng nền tảng dữ liệu đáng tin cậy cho ra quyết định tài chính, thay vì chỉ tối ưu việc tạo báo cáo.

2. Lộ trình phát triển

Các hướng điển hình gồm:

Hướng	Bước tiếp theo	Vai trò cần chuẩn bị
Chuyên gia kỹ thuật	Senior → Lead Data Engineer → Principal Data Engineer → Data Architect	Kiến trúc phân tích, đa nền tảng, tối ưu chi phí, mentoring và định hướng kỹ thuật
Quản lý	Senior → Data Engineering Manager → Head of Data Platform hoặc Head of Analytics	Tuyển dụng, phân bổ nguồn lực, ngân sách, roadmap và quản lý bên liên quan
Analytics Engineering	Senior Data Engineer → Analytics Engineer Lead → Analytics Platform Lead	Semantic layer, dbt, trải nghiệm người dùng, chuẩn hóa chỉ số và hiệu quả truy vấn
Quản trị tài chính và quyết định	Data Engineer tài chính → Product Owner hoặc quản lý sản phẩm dữ liệu	Quản trị nghiệp vụ, ưu tiên đầu tư, chỉ số và điều phối giữa tài chính với công nghệ

Trong 12 tháng tới, nên ưu tiên mở rộng theo thứ tự:

Nâng cao khả năng thiết kế kiến trúc và đánh đổi vận hành.
Học sâu hơn một nền tảng cloud và một công cụ điều phối.
Tăng số lượng dự án có yếu tố đối soát tài chính và bảo mật.
Có ít nhất một sáng kiến cải thiện độ trễ, độ ổn định, chất lượng hoặc chi phí.
Tích lũy kinh nghiệm review mã nguồn, thiết kế chuẩn và hướng dẫn thành viên mới.

3. Tham vọng mức lương tham khảo

Tin tuyển dụng ghi mức lương thỏa thuận và công bố thêm lương tháng 13, thưởng theo hiệu quả công việc, xem xét điều chỉnh lương hằng năm, 15 ngày phép và một ngày nghỉ sinh nhật.

Dưới đây là ước lượng tham khảo theo mặt bằng lương Hà Nội, tính theo lương tháng trước thuế và chưa cộng lương tháng 13, thưởng hoặc phúc lợi:

Cấp bậc tham khảo	Khoảng lương trước thuế mỗi tháng
Data Engineer khoảng 2–4 năm kinh nghiệm	20–35 triệu đồng
Senior Data Engineer	30–55 triệu đồng
Lead hoặc Principal Data Engineer	45–75 triệu đồng
Data Engineering Manager	60–90 triệu đồng trở lên

Đây không phải mức lương do Techcombank công bố. Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Ứng viên nên dùng khoảng tham khảo để chuẩn bị thảo luận, đồng thời yêu cầu làm rõ tổng thu nhập hằng năm, xác suất thưởng, chính sách thưởng tháng 13 và điều kiện đánh giá.

4. Cách đàm phán lương

Nên chia sẻ khoảng mong muốn dựa trên tổng giá trị công việc, không chỉ con số lương tháng. Cần hỏi rõ:

Lương cơ bản và các khoản phụ thuộc vào đánh giá là gì?
Lương tháng 13 được áp dụng từ năm nào và điều kiện nhận là gì?
Thưởng hiệu quả công việc có thể chiếm bao nhiêu phần lương và căn cứ đánh giá là gì?
Lương trong thời gian thử việc như thế nào?
Chính sách điều chỉnh lương hằng năm và điều kiện thăng chức là gì?
Có chính sách bảo hiểm, chăm sóc sức khỏe, phụ cấp hoặc ngày nghỉ bổ sung nào ngoài thông tin đã công bố không?

Không nên đưa ra mức lương quá cao khi hồ sơ còn ở vòng đầu, nhưng cũng không nên tự hạ giá trị nếu đã sở hữu năng lực thiết kế pipeline, cloud và nghiệp vụ tài chính.

5. Chỉ số hiệu quả công việc cần chuẩn bị

Tin tuyển dụng không công bố chỉ số đánh giá chính thức. Với vị trí này, ứng viên có thể chuẩn bị các nhóm chỉ số sau:

Tỷ lệ pipeline hoàn thành đúng lịch và thời gian dữ liệu sẵn sàng.
Tỷ lệ dữ liệu vượt qua kiểm tra chất lượng và số lỗi đối soát.
Số sự cố nghiêm trọng, thời gian khắc phục và tỷ lệ tái diễn sự cố.
Độ trễ truy vấn, thời gian làm mới báo cáo và mức sử dụng tài nguyên.
Mức độ chính xác, khả năng tái tạo và khả năng truy vết của báo cáo.
Mức độ tuân thủ bảo mật, phân quyền và yêu cầu kiểm toán.
Số sản phẩm hoặc báo cáo được nghiệm thu, mức độ sử dụng và phản hồi của bên kinh doanh.
Chi phí nền tảng trên mỗi lượt xử lý hoặc trên mỗi báo cáo.

6. Kế hoạch 30–60–90 ngày nếu được nhận việc

30 ngày: hiểu nguồn dữ liệu, quy trình đóng số, định nghĩa chỉ số, kiểm soát hiện tại và các sự cố lớn nhất.
60 ngày: hoàn thiện một pipeline hoặc báo cáo quan trọng, bổ sung kiểm tra chất lượng, giám sát và tài liệu vận hành.
90 ngày: đề xuất cải tiến có số liệu, ví dụ giảm thời gian đóng báo cáo, giảm lỗi tái diễn, tăng tốc truy vấn hoặc giảm chi phí; đồng thời hỗ trợ một thành viên trong nhóm.

Cách tiếp cận này cho thấy ưu tiên hiểu hệ thống và kiểm soát chất lượng trước khi đưa ra thay đổi lớn, đặc biệt phù hợp với môi trường ngân hàng.

Câu hỏi thường gặp

Tôi vừa ra trường, chưa có kinh nghiệm sản xuất, có nên ứng tuyển Senior Data Engineer không?

Bạn vẫn có thể ứng tuyển nếu hồ sơ thể hiện năng lực thực tế đủ mạnh, nhưng không nên giảm thiểu kinh nghiệm. Tin tuyển dụng không nêu số năm, song chức danh Senior và phạm vi thiết kế, vận hành pipeline, bảo mật, phối hợp đều cho thấy cần khả năng làm việc độc lập. Với sinh viên hoặc người mới ra trường, hãy mạnh dạn ứng tuyển nếu bạn đã hoàn thành dự án end-to-end gồm SQL, Python, pipeline, kiểm thử, mô hình dữ liệu, dashboard, bảo mật và giải thích quyết định thiết kế. Nếu mới nắm từng phần riêng lẻ, hãy tăng cường một dự án hoặc xin thực tập rồi hướng đến vị trí Data Engineer trước.

Tôi đang làm Business Intelligence nhưng muốn chuyển sang Data Engineer, cần bù điều gì?

Khoảng cách quan trọng nhất là chiều sâu kỹ thuật. Ngoài Power BI hoặc Tableau và truy vấn phân tích, bạn cần chứng minh khả năng xây pipeline, thiết kế lớp dữ liệu thô, chuẩn hóa và tổng hợp, xử lý dữ liệu trùng hoặc đến muộn, viết mã Python có kiểm thử, quản lý lịch chạy, giám sát sự cố, bảo mật và tối ưu hiệu năng. Hãy chọn một dự án thật để chứng minh dữ liệu đi từ nguồn đến báo cáo, thay vì chỉ dựng dashboard từ một bảng sẵn có. Nếu mục tiêu là Finance & Planning, cần bổ sung hiểu biết về đối soát, ngân sách, dự báo và báo cáo quản trị.

Mức lương của vị trí này khoảng bao nhiêu?

Mức lương chính thức trong tin tuyển dụng là thỏa thuận. Nhà tuyển dụng cũng công bố lương tháng 13, thưởng theo hiệu quả công việc và xem xét điều chỉnh lương hằng năm. Để tham khảo, Senior Data Engineer tại Hà Nội có thể nằm khoảng 30–55 triệu đồng lương trước thuế mỗi tháng, chưa cộng lương tháng 13 và thưởng. Đây là ước lượng theo mặt bằng chung; mức lương có thể thay đổi tùy ngân hàng và thời điểm. Khi trao đổi, hãy hỏi rõ lương cơ bản, cách tính thưởng, thời gian thử việc và tổng thu nhập dự kiến trong năm đầu.

Vị trí này làm việc giờ nào, có KPI gì và có phải trực ngoài giờ không?

Tin tuyển dụng không công bố lịch làm việc, KPI, chính sách trực ngoài giờ hoặc chế độ làm việc kết hợp. Với Finance & Planning, khả năng cao công việc có thể tăng cường quanh kỳ đóng số tháng, quý hoặc năm, nhưng đây là suy luận và bạn cần xác nhận trực tiếp. KPI có thể liên quan đến độ trễ dữ liệu, đối soát, chất lượng, độ ổn định, hiệu năng, tuân thủ bảo mật và thời gian đóng báo cáo. Trước khi nhận việc, hãy hỏi rõ lịch đóng số, khối lượng báo cáo, SLA, cơ chế trực, chính sách làm thêm và cách tính hiệu quả công việc.

Trong các công nghệ được nêu, tôi nên ưu tiên học thứ gì trước?

Ưu tiên SQL và Python trước vì chúng xuất hiện trực tiếp trong yêu cầu và có thể bị kiểm tra sâu. Sau đó nắm thiết kế pipeline, mô hình Data Warehouse, chất lượng dữ liệu và bảo mật, vì đây là phần cốt lõi của vai trò. Spark và Kafka nên là lớp tiếp theo vì vị trí ưu tiên kinh nghiệm dữ liệu lớn. Chọn một nền tảng cloud để thực hành thay vì học rộng. Power BI hoặc Tableau là lợi thế, nhưng không nên dành toàn bộ thời gian cho dashboard nếu thiếu nền tảng kỹ thuật. Java hoặc Scala, thống kê và học máy có thể học sau để tăng độ sâu theo hướng đã có.

Portfolio nên thể hiện một dự án như thế nào để ứng tuyển Senior Data Engineer trong ngân hàng?

Portfolio tốt nên có dữ liệu mô phỏng, kiến trúc từ nhiều nguồn, pipeline xử lý theo lô và streaming, mô hình dữ liệu phục vụ báo cáo tài chính, kiểm tra chất lượng, đối soát, phân quyền, mã hóa hoặc che dữ liệu định danh, giám sát và khả năng tái xử lý. Dashboard chỉ nên là một phần của hệ thống. Bạn cần giải thích rõ các đánh đổi về độ trễ, chi phí, tính nhất quán và khả năng vận hành, đồng thời cung cấp mã nguồn, kiểm thử, sơ đồ kiến trúc và README. Tuyệt đối không dùng dữ liệu thật của ngân hàng hoặc dữ liệu khách hàng.

Tôi đã làm Senior Data Engineer ba năm, làm thế nào để tăng cơ hội thăng cấp hoặc mở rộng vai trò?

Hãy chứng minh khả năng ảnh hưởng ở cấp Senior thay vì chỉ giao nhiệm vụ. Chuẩn bị các ví dụ về thiết kế kiến trúc, đánh đổi, cải thiện độ trễ hoặc chi phí, xử lý sự cố, mentoring, chuẩn hóa và phối hợp với bên tài chính. Với định hướng thăng cấp, hãy chuẩn bị khả năng điều phối nhiều nhóm, quản lý rủi ro, lập roadmap và phát triển năng lực cho thành viên. Với hướng chuyên gia, hãy tăng chiều sâu về kiến trúc phân tích, cloud, tối ưu chi phí và nền tảng dữ liệu. Nếu hướng về quản lý, cần thể hiện khả năng tuyển dụng, định nghĩa vai trò và quản lý hiệu quả công việc.

Có cần chứng chỉ và tiếng Anh cho vị trí này không?

Tin tuyển dụng không yêu cầu chứng chỉ cụ thể và cũng không quy định điều kiện tiếng Anh, vì vậy bạn nên hỏi nhà tuyển dụch. Portfolio thể hiện năng lực thực tế thường có giá trị cao hơn một chứng chỉ chung. Với bản thân kỹ thuật, bạn nên có khả năng đọc tài liệu tiếng Anh vì nhiều công nghệ và lỗi kỹ thuật được cập nhật bằng tiếng Anh. Hãy chuẩn bị tối thiểu các thuật ngữ về dữ liệu, cloud, kiến trúc và bảo mật, cùng khả năng giải thích thiết kế bằng một đoạn ngắn. Nếu có điều kiện, nâng cao khả năng đọc và trình bày tiếng Anh thay vì chỉ tập trung học chứng chỉ.

Senior Data Engineer