Senior Data Scientist (40000030)
Mô tả công việc
Job Purpose
- The job holder proposes, initiates and manages mutliple ML projects together with business in order to address problems raised before linked to company OKRs and product enhancements using DS methods, processes and systems on unstructured, diverse Big Data sources.
- The job holder also participates in strategic deicion circles and contributes to guiding business high level and providing strategic data guidance
- The job holder is required to allocate resources, decide strategically on projects and then cascade down to leads
Key Accountabilities (1)
Data Solutioning
- Evaluate effectiveness of proposed models and track business performance KPIs against data model.
- Build cutting-edge algorithms and work with machine learning and deep learning tools to deliver advance analytics solutions across the firm including recommendation engines, customized data models, etc.
- Drive application of machine learning and big data techniques across different journeys and squads.
- Manage, execute, and review complex data science projects in an agile manner and in compliance with internal regulatory requirements.
Key Accountabilities (2)
Data Insighting
- Lead the identification and interpretation of meaningful and actionable insights from large data and metadata sources together with business partners.
- Review processes and tools designed to monitor and analyze model performance and prediction accuracy.
- Proactively lead discussions in 3+ squads to identify questions and issues for data science
- Collaborate with Data Engineers to build complex, technical algorithms in data analytics software applications to improve work efficiency.
- Know at all times your data (size, average, distributions, outliers, CR, etc) and be able to estimate model output, impact and come up with sanity checks to detect bugs (discrepancies between expectations and results)
Key Accountabilities (3)
Project Management
- Own the project, manage POs, keep everyone on track from distractions, aligned towards lowest hanging fruit and KPI
- Manage project conflicts, challenges and dynamic business requirements to keep operations running at high performance.
- Work with team leads to resolve people problems and project roadblocks, conduct post mortem and root cause analysis to help squads continuously improve their practices to ensure maximum productivity.
Talent Development
- Manage allocated team, focus on retention and growth of the scientists, personal development and KPI
- Mentor and coach junior fellows into fully competent Data Scientists.
- Identify and encourage areas for growth and improvement within the team.
Key Relationships - Direct Manager
Director, Data Science
Key Relationships - Direct Reports
NA
Key Relationships - Internal Stakeholders
Teams within the Data Office and relevant departments in the Bank
Key Relationships - External Stakeholders
Partners and vendors providing professional services
Success Profile - Qualification and Experiences
Qualifications
- Master’s degree (or higher) in Statistics, Mathematics, Quantitative Analysis, Computer Science, Software Engineering, Information Technology or other Numerical Disciplines
Work Experience
- 10+ years of relevant experience in areas of data analysis, machine learning, deep learning model development on large amount of data, implementing and deploying various statistical models
- English proficiency requirements are pursuant to Techcombank's policy
- Deep experience in querying databases and coding (e.g. Python, R, Spark, Scala, SQL, Java, C, C++)
- Extensive experience in building data and analytics solutions and products, data mining and statistical analysis
- Experience in application of machine learning and AI to questions related to the financial markets
- Strategic decision taking and thinking, able to deal with very senior management, translate tech to business and vice versa
- Deep experience in Agile Software Development and has mastery of Agile principles, practices and Scrum methodologies
- Management experience, leading projects in the past, building and mentoring scientists, leading them towards success
Phân tích kỹ năng cần có
Phân tích kỹ năng cần có cho vị trí Senior Data Scientist - Techcombank
🎯 Tổng quan vị trí
Đây là vị trí Senior (cấp cao) trong bộ máy Data & Analytics của Techcombank, yêu cầu kết hợp technical depth (chuyên môn sâu về ML/DL) với strategic leadership (leadership chiến lược). Không phải chỉ làm model mà còn là người định hướng, quản lý dự án và phát triển nhân sự.
🔧 Hard Skills — Bắt buộc phải có
| Nhóm kỹ năng | Cụ thể | Mức độ yêu cầu |
|---|---|---|
| Ngôn ngữ lập trình | Python, R, SQL | ⭐⭐⭐⭐⭐ Bắt buộc thành thạo |
| Big Data tools | Spark, Scala | ⭐⭐⭐⭐⭐ Bắt buộc |
| Ngôn ngữ bổ sung | Java, C, C++ | ⭐⭐⭐⭐ Nên có |
| Machine Learning | Supervised/Unsupervised, Ensemble, Recommendation Engines | ⭐⭐⭐⭐⭐ |
| Deep Learning | Neural Networks, NLP, Computer Vision | ⭐⭐⭐⭐⭐ |
| Statistical Modeling | Regression, Time Series, Bayesian, A/B Testing | ⭐⭐⭐⭐⭐ |
| MLOps | Model deployment, monitoring, CI/CD cho model | ⭐⭐⭐⭐ |
| Agile/Scrum | Sprint planning, ceremonies, tools (Jira) | ⭐⭐⭐⭐⭐ |
| Database | SQL/NoSQL, data warehousing | ⭐⭐⭐⭐⭐ |
🧠 Soft Skills — Quan trọng không kém
- Strategic thinking: Khả năng nhìn bài toán từ góc độ kinh doanh, liên kết với OKRs của ngân hàng
- Business translation: Dịch ý tưởng kỹ thuật → ngôn ngữ business và ngược lại (critical vì phải làm việc với senior management)
- Leadership & People management: Quản lý team, mentor junior scientists, xử lý conflict
- Project management: Quản lý POs (Product Owners), giữ team tập trung vào KPI
- Stakeholder management: Làm việc với 3+ squads và nhiều phòng ban
- Communication: Trình bày insight cho cả audience kỹ thuật và phi kỹ thuật
📜 Chứng chỉ nên có (ưu tiên)
| Chứng chỉ | Tổ chức | Ghi chú |
|---|---|---|
| AWS Certified Machine Learning – Specialty | AWS | Rất phù hợp nếu TCB dùng AWS |
| Google Professional Data Engineer | Nếu dùng GCP | |
| Azure Data Scientist Associate (DP-100) | Microsoft | Nếu dùng Azure |
| SAS Certified Data Scientist | SAS | Có giá trị trong finance |
| Certified ScrumMaster (CSM) / SAFe | Scrum Alliance | Cho phần Agile |
| TensorFlow Developer Certificate | Nếu dùng TF | |
| FRM/CFA (bonus) | GARP/CFA Institute | Lợi thế lớn trong banking |
📊 Bảng so sánh mức độ phù hợp theo cấp bậc kinh nghiệm
| Yếu tố | Junior DS (1-3 năm) | Mid DS (3-6 năm) | Senior DS (6-10 năm) | Vị trí này (10+ năm) |
|---|---|---|---|---|
| Coding | Thành thạo | Thành thạo | Expert | Expert + review code cả team |
| ML/DL | Cơ bản | Nâng cao | Cutting-edge | Định hướng cutting-edge cho cả team |
| Business acumen | Thấp | Trung bình | Cao | Rất cao - tham gia strategic circle |
| Leadership | Không | Một vài lần lead | Lead team nhỏ | Quản lý team + cross-squad |
| Strategic impact | Cá nhân | Team | Squad | Toàn Data Office + business |
⚠️ Lưu ý quan trọng
JD ghi "N/A" cho kinh nghiệm ở header nhưng nội dung yêu cầu 10+ năm — đây là vị trí thực sự senior, không phải "senior" theo cách gọi của nhiều công ty. Ứng viên dưới 7-8 năm kinh nghiệm gần như chắc chắn không phù hợp.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn Senior Data Scientist - Techcombank
📋 Quy trình tuyển dụng dự kiến (4-6 vòng)
1. Vòng 1: HR Screen (30-45 phút)
- Xác nhận thông tin cơ bản, mức lương mong muốn, notice period
- Kiểm tra fit về văn hóa, định hướng
- Câu hỏi hay gặp: "Tại sao rời công ty cũ?", "Mức lương expected?", "Tại sao chọn Techcombank?"
2. Vòng 2: Technical Deep-dive (90-120 phút)
- Take-home assignment có thể được gửi trước (case study về credit scoring, churn prediction, fraud detection...)
- Hoặc live coding + whiteboard technical discussion
- Câu hỏi về ML system design
3. Vòng 3: Technical Interview với Senior DS / Director (60-90 phút)
- ML/DL kiến thức nền tảng, system design, model debugging
- Case study banking: credit risk, fraud detection, recommendation cho khách hàng
- Kiểm tra tư duy strategic
4. Vòng 4: Business Case (60 phút)
- Trình bày take-home assignment trước stakeholders
- Q&A về business impact, feasibility
- Đánh giá communication skills
5. Vòng 5: Leadership & Culture Fit (60 phút)
- Phỏng vấn với Director, Data Science
- Câu hỏi về people management, conflict resolution
- Đánh giá strategic thinking, vision
6. Vòng 6: Final - Head of Department / CIO (45-60 phút)
- Cultural fit cuối cùng
- Compensation negotiation
❓ Câu hỏi phỏng vấn hay gặp theo từng vòng
Vòng Technical:
- "Hãy thiết kế hệ thống recommendation cho sản phẩm tiền gửi tiết kiệm của Techcombank?"
- "Một model credit scoring có AUC 0.95 nhưng business performance thấp — bạn sẽ debug thế nào?"
- "Phân biệt LTV, ROI, NPV trong đánh giá một dự án ML?"
- "Xử lý imbalanced data trong fraud detection (1:10000) như thế nào?"
- "Khi nào nên dùng deep learning thay vì gradient boosting?"
- "Giải thích SHAP values. Khi nào feature importance từ XGBoost không đáng tin?"
- "Làm sao monitor model drift trong production?"
- "Explainable AI trong banking — tại sao quan trọng và áp dụng ra sao?"
Vòng Business/Strategic:
- "Techcombank đang muốn tăng 20% cross-sell rate trong 6 tháng — bạn sẽ approach thế nào với tư cách Senior DS?"
- "Một stakeholder business muốn dùng AI cho mọi thứ, nhưng nhiều bài toán không cần thiết. Bạn xử lý ra sao?"
- "Làm sao đo ROI của một dự án ML trong banking?"
- "OKRs của Data Office gắn với business outcomes như thế nào?"
- "Bạn đã từng decline một dự án ML vì lý do gì?"
Vòng Leadership:
- "Một junior scientist trong team của bạn liên tục đưa ra estimate sai về model performance. Bạn sẽ làm gì?"
- "Bạn đã từng phải nói 'no' với senior stakeholder? Kể lại tình huống cụ thể."
- "Mô tả cách bạn mentor một người từ junior thành senior?"
- "Khi nào bạn sẵn sàng hy sinh technical elegance vì lợi ích business?"
💡 Tips chuẩn bị
1. Chuẩn bị 2-3 câu chuyện STAR (Situation, Task, Action, Result) cho mỗi nhóm kỹ năng: technical leadership, people management, business impact, conflict resolution
2. Nghiên cứu Techcombank trước: Đọc về chiến lược chuyển đổi số, các sản phẩm chính (TCB Digi, Fast Invest, Easy Card), báo cáo tài chính gần nhất
3. Chuẩn bị take-home kỹ: Không chỉ giải đúng mà cần production-ready code, documentation, monitoring plan
4. Luôn nghĩ về business impact: Mỗi câu trả lời kỹ thuật nên kết thúc với "và điều này ảnh hưởng đến KPI business như thế nào"
5. Chuẩn bị sẵn vài câu hỏi cho interviewer: Thể hiện sự tò mò chiến lược, ví dụ: "Định hướng GenAI của Data Office trong 12 tháng tới là gì?"
👔 Dress code
- Techcombank văn hóa khá hiện đại nhưng vẫn là ngân hàng lớn → smart casual là lựa chọn an toàn nhất
- Tránh: quần short, áo thun quá casual, giày thể thao
- Nên: áo sơ mi (không cần vest), quần tây, giày tây hoặc giày da
- Với vòng final với CIO/c-level → mặc business formal (có vest)
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị (1-2 tuần)
📚 Kiến thức nền bắt buộc ôn lại
1. Machine Learning cốt lõi (3 ngày)
- Supervised: Linear/Logistic Regression, Decision Trees, Random Forest, XGBoost, LightGBM, CatBoost
- Unsupervised: K-means, DBSCAN, PCA, t-SNE, UMAP
- Model selection: Cross-validation, hyperparameter tuning (Bayesian opt, Grid Search)
- Metrics: AUC, F1, Precision/Recall, NDCG, MAP, MAE/RMSE, Log-loss
- Feature engineering: Encoding, scaling, target encoding, feature selection
2. Deep Learning (2 ngày)
- Neural network basics, backpropagation
- CNN, RNN, LSTM, GRU, Transformer architecture
- Pre-trained models & fine-tuning
- Framework: PyTorch (ưu tiên hơn TF trong industry), TensorFlow
- Generative AI: LLM, RAG, prompt engineering — đang là xu hướng nóng
3. Big Data & MLOps (2 ngày)
- Spark (PySpark, Spark MLlib), Hadoop ecosystem
- Data pipeline: Airflow, dbt, Kafka
- MLOps: MLflow, Kubeflow, model registry, feature store
- Cloud: AWS SageMaker / Azure ML / GCP Vertex AI (chọn 1 để deep)
- Docker, Kubernetes basics
4. Statistics & Causal Inference (1.5 ngày)
- Probability, hypothesis testing, Bayesian inference
- A/B testing: Sample size, power analysis, sequential testing
- Causal inference: DoWhy, EconML, uplift modeling
- Time series: ARIMA, Prophet, LSTM cho time series
5. Banking & Finance Domain (1.5 ngày)
- Credit scoring: PD, LGD, EAD, Basel II/III
- Fraud detection patterns: Card fraud, account takeover, money laundering
- Anti-money laundering (AML), KYC
- Recommendation trong financial products
- Customer Lifetime Value (CLV) trong banking
- Risk management framework
6. Agile & Leadership (0.5 ngày)
- Scrum ceremonies, roles, artifacts
- SAFe framework (nếu scale lớn)
- OKRs, KPIs setting
- People management: 1-on-1, performance review, conflict mediation
📖 Tài liệu tham khảo
Sách (top picks):
- "Designing Machine Learning Systems" by Chip Huyen (must-read)
- "Machine Learning Engineering" by Andriy Burkov
- "Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow" by Aurélien Géron
- "The Elements of Statistical Learning" by Hastie, Tibshirani, Friedman (reference)
- "Causal Inference for the Brave and True" (free online)
- "AI-First Products" by Andrew Ng (cho mindset business)
- "The Lean Startup" by Eric Ries (cho Agile/MVP thinking)
Khóa học online:
- Coursera: "Machine Learning Specialization" (Andrew Ng)
- Coursera: "Deep Learning Specialization" (Andrew Ng)
- Coursera: "MLOps Specialization" (DeepLearning.AI)
- Fast.ai: "Practical Deep Learning for Coders"
- Pluralsight: "Agile Development" paths
Banking-specific resources:
- SAS: "Credit Scoring and Modeling"
- CFA Institute materials về quantitative methods
- McKinsey reports về AI trong banking
- Techcombank annual report (đọc 2 năm gần nhất)
📅 Lộ trình 14 ngày
| Ngày | Sáng | Chiều | Tối |
|---|---|---|---|
| 1-3 | ML core review + coding practice | Case study banking | Đọc Designing ML Systems |
| 4-5 | Deep Learning + LLM/RAG | Framework PyTorch | Cập nhật paper mới về GenAI |
| 6-7 | Big Data + MLOps | Cloud platform lab | Đọc về MLOps thực tế |
| 8-9 | Statistics + Causal + Time series | A/B testing practice | Đọc về banking risk |
| 10-11 | Banking domain deep dive | Research TCB competitors | Đọc Techcombank strategy |
| 12 | Agile + Leadership | Mock interview technical | Review STAR stories |
| 13 | Mock interview toàn bộ | Refine answers | Final review |
| 14 | Nghỉ ngơi + chuẩn bị tinh thần | - | - |
🎯 Project portfolio nên có sẵn
Khi phỏng vấn vị trí này, bạn nên có sẵn 2-3 project có thể kể với confidence:
1. End-to-end ML system: Từ data ingestion → model → deployment → monitoring
2. Banking/Finance case: Credit, fraud, hoặc recommendation
3. Leadership case: Dẫn dắt team từ idea → production
💻 Coding practice platforms
- LeetCode (Medium level trở lên): SQL, Python, system design
- StrataScratch: SQL cho data science
- Kaggle: Tham gia competitions về banking/finance nếu có
- HackerRank: SQL, Python, Regex
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho vị trí Senior Data Scientist - Techcombank
🗺️ Lộ trình thăng tiến trong lĩnh vực Data Science tại ngân hàng
```
Junior/Mid Data Scientist (1-4 năm)
↓
Senior Data Scientist (5-8 năm) ← Bạn có thể đang ở đây
↓
┌─────────────────┬─────────────────┐
↓ ↓
Lead Data Scientist Principal Data Scientist
(people management) (technical expert path)
↓ ↓
↓ Distinguished Engineer
Manager / Senior Manager ↓
↓ Chief Data Scientist
Director, Data Science ← Mục tiêu của JD này
↓
Head of Data / CDO / CIO
```
💰 Mức lương kỳ vọng theo cấp bậc (thị trường VN 2024-2026)
| Cấp bậc | Kinh nghiệm | Banking sector (VND/tháng) | Tech/Fintech (VND/tháng) |
|---|---|---|---|
| Junior DS | 1-3 năm | 25-50M | 30-60M |
| Mid DS | 3-5 năm | 50-90M | 70-120M |
| Senior DS | 5-8 năm | 90-150M | 120-200M |
| Vị trí này | 10+ năm | 180-300M | 200-350M |
| Lead/Principal DS | 10-15 năm | 200-350M | 250-450M |
| Director, Data Science | 12-18 năm | 300-500M | 350-600M |
| Head of Data / CDO | 15+ năm | 400-800M+ | 500M-1B+ |
Lưu ý: Banking thường trả total comp thấp hơn tech thuần nhưng bù bằng stability, benefits, bonus. Mức lương Techcombank Senior có thể dao động 200-350M tùy candidate.
📈 Kỹ năng cần phát triển thêm trong 1-2 năm tới
Trending skills trong Data Science 2025-2026:
1. Generative AI & LLM: RAG, fine-tuning, agent frameworks (LangChain, LlamaIndex). Đây là must-have trong 12-18 tháng tới
2. Causal Inference: Vượt xa correlation, đặc biệt quan trọng trong banking decision-making
3. MLOps maturity: Feature stores, model monitoring, drift detection ở production scale
4. Real-time ML: Streaming ML với Kafka + Flink cho fraud detection real-time
5. Synthetic data: Khi data thật hạn chế (PII trong banking)
6. Federated learning: Privacy-preserving ML (compliance với Ngân hàng Nhà nước)
7. AI Governance & Responsible AI: Bias, fairness, explainability — yêu cầu pháp lý tại VN đang siết
🎯 Chiến lược apply hiệu quả
1. Network trước khi apply: Techcombank Data Office khá đông, nhiều alumni từ VNG, FPT, VinAI. LinkedIn outreach trước
2. Personal branding: Viết LinkedIn articles về banking AI, share insights từ Techcombank reports
3. Đừng apply nếu chưa đủ 8 năm: Vị trí này thực sự cần 10+ năm. Apply với profile 5-6 năm sẽ waste time cả hai bên
4. Prepare case study banking: Cho dù bạn đến từ industry khác, cần 1-2 case study có thể chứng minh bạn hiểu banking
5. Quantify impact mọi thứ: "Tăng conversion 15%", "Giảm fraud 30%", "Tiết kiệm 2 tỷ VND/năm"
⚠️ Những điều cần cảnh báo
- JD có "N/A" cho nhiều mục: Phúc lợi, loại hình, kinh nghiệm. Đây là dấu hiệu JD chưa hoàn chỉnh → hỏi rõ HR trước khi đến phỏng vấn
- 10+ năm + leadership + strategic: Một người thường không thể giỏi đều 3 mảng. Xác định điểm mạnh của bạn để pitch
- Techcombank đang chuyển đổi mạnh: Nhiều cơ hội nhưng cũng nhiều thách thức về legacy systems, data silos, regulatory burden
- Work-life balance: Senior vị trí ở banking thường có áp lực cao, đặc biệt giai đoạn cuối năm tài chính, Basel compliance deadlines
🚀 Bước tiếp theo nếu bạn chưa sẵn sàng
Nếu thấy mình còn thiếu kinh nghiệm cho vị trí này, có 3 hướng:
1. Mid-level banking role: Senior DS tại ngân hàng nhỏ hơn hoặc fintech (VNPay, Momo, ZaloPay)
2. Tech firm có banking client: VinAI, FPT.AI, Tiki — build banking experience qua consulting
3. Lead DS role tại non-banking: Master kỹ năng leadership, sau đó lateral move vào banking
Đừng rush apply nếu chưa sẵn sàng — Senior DS positions thường mở 6-12 tháng/lần tại các ngân hàng lớn.
Câu hỏi thường gặp
Mình mới ra trường có nên apply vị trí Senior Data Scientist ở Techcombank không?
Câu trả lời ngắn gọn: KHÔNG nên, trừ khi bạn đã có 10+ năm kinh nghiệm thực tế (ví dụ nhảy việc từ sớm, làm freelance, hoặc có bằng cấp đặc biệt). Vị trí này yêu cầu Master trở lên + 10 năm kinh nghiệm + leadership. Với fresh graduate, bạn nên bắt đầu ở vị trí Junior Data Scientist hoặc Data Analyst tại fintech/startup để tích lũy nền tảng 2-3 năm, sau đó mới ứng tuyển các vị trí mid-level.
Mức lương thỏa thuận - mình nên đề xuất bao nhiêu khi phỏng vấn Senior DS tại Techcombank?
Theo thị trường hiện tại, mức kỳ vọng hợp lý cho Senior Data Scientist 10+ năm tại ngân hàng lớn ở Hà Nội là 200-350 triệu VNĐ/năm (tổng thu nhập). Để xác định số chính xác, bạn nên: (1) Research trên VietnamWorks, TopDev cho range tương đương, (2) Tính premium 15-25% so với mức hiện tại của bạn, (3) Trong buổi phỏng vấn, khi HR hỏi, đừng nói số đầu tiên — hỏi 'range budget của team là bao nhiêu?' trước. Lưu ý: Banking thường bonus theo lợi nhuận ngân hàng (có thể 2-6 tháng lương) và có thêm ESOP/Stock ở một số công ty.
Mình đang là Data Scientist ở fintech 7 năm, đủ sức apply vị trí Senior ở ngân hàng lớn như TCB không?
Bạn có cơ hội, nhưng cần chuẩn bị thêm về 3 mảng: (1) Banking domain knowledge — credit risk, fraud detection, Basel requirements, AML; (2) Leadership scale-up — từ individual contributor lên team leadership, mentor junior; (3) Strategic communication — trình bày với senior stakeholders. Nên bổ sung bằng chứng về people management (đã từng lead 2-3 người) và có 1-2 case study về banking/finance thật. Nếu chưa có, có thể làm freelance project cho SMB bank hoặc shadow với domain expert.
So sánh làm Senior DS ở Techcombank vs Big Tech (Google, Meta) ở Singapore về lương và sự nghiệp?
Về lương: Big Tech Singapore trả gấp 2-3 lần (~500K-800K SGD/năm = ~9-15 tỷ VND), trong khi Techcombank Senior DS khoảng 200-350M VND/năm. Tuy nhiên, sự khác biệt về cost of living không lớn bằng chênh lệch lương. Về sự nghiệp: Big Tech cho exposure công nghệ top thế giới, network quốc tế, scale hàng tỷ user. Techcombank cho bạn hiểu sâu một ngành đặc thù (banking) — rất có giá trị nếu bạn muốn trở thành CDO hoặc build startup fintech ở VN/Southeast Asia. Quyết định phụ thuộc vào mục tiêu: nếu muốn tiền + tech frontier → Big Tech; nếu muốn impact + domain mastery + ở VN → Techcombank.
JD nói 'Agile mastery' - mình chưa có kinh nghiệm Agile thật sự, làm sao chuẩn bị nhanh?
Trong 1-2 tuần bạn có thể cover đủ để pass phỏng vấn: (1) Đọc 'Scrum Guide' (chỉ 13 trang, free trên scrumguides.org) — đây là tài liệu chính thống; (2) Học các khái niệm: sprint, story points, velocity, burndown, retrospective, daily standup; (3) Tìm hiểu SAFe framework nếu apply ngân hàng lớn (thường scale lên SAFe); (4) Trong CV, dùng ngôn ngữ Agile: 'Led squad of 5 với 2-week sprints, delivered X% improvement trong Y sprints'; (5) Practice trả lời câu hỏi: 'Làm sao estimate effort cho một ML project chưa rõ scope?'. Một tip quan trọng: ML projects không fit hoàn toàn Agile truyền thống — chuẩn bị câu trả lời về ML-specific adaptations (spike, research sprint, MVP approach).
Làm sao để chứng minh 'strategic thinking' khi phỏng vấn vị trí Senior?
Strategic thinking trong context này = khả năng kết nối dự án ML với business outcomes và ngân hàng OKRs. Cách chuẩn bị: (1) Nghiên cứu Techcombank strategy — đọc annual report, investor presentation, hiểu 'digital transformation' của họ nghĩa là gì; (2) Chuẩn bị 2-3 câu chuyện: 'Một dự án ML tôi từng decline vì không align với business priority' hoặc 'Tôi từng convince C-level đầu tư vào X thay vì Y vì ROI rõ ràng hơn'; (3) Trong câu trả lời technical, luôn thêm 1 câu business implication: 'Approach này giúp giảm 15% false positive trong fraud detection, tiết kiệm khoảng X tỷ VND chi phí điều tra hàng năm'; (4) Câu hỏi bạn đặt cho interviewer cũng phải thể hiện strategic depth: 'Định hướng GenAI của Data Office trong 12 tháng tới?', 'Bạn đo ROI của các dự án ML như thế nào?'
Mình đã 12 năm kinh nghiệm nhưng chủ yếu ở nước ngoài, apply về TCB có lợi thế gì?
Có lợi thế rất lớn về: (1) Global best practices và case studies; (2) Network quốc tế với vendors/tech partners; (3) Tiếng Anh tốt (Techcombank làm việc nhiều với vendor nước ngoài); (4) Exposure với advanced tech. Tuy nhiên, cần bridge 3 gap: (a) Hiểu thị trường banking VN — quy định NHNN, đặc thù khách hàng VN, fintech competition; (b) Hiểu văn hóa làm việc tại VN — hierarchy, communication style; (c) Lương kỳ vọng — competitive với mặt bằng quốc tế nhưng align với budget ngân hàng VN. Trong CV, nhấn mạnh impact quốc tế + willingness to localize. Trong phỏng vấn, kể câu chuyện bạn đã adapt global framework cho local market.
KPI cho Senior Data Scientist ở banking thường đo lường thế nào?
KPI thường gồm 3 nhóm: (1) Model/Technical: AUC/F1 của model trong production, model drift metrics, time-to-deployment; (2) Business Impact: revenue generated từ model (cross-sell, retention), cost saved (fraud detection, automation), customer experience metrics (NPS, churn); (3) Leadership: team velocity, số junior scientists đã mentor thành công, project delivery on-time. Lưu ý quan trọng: ở banking, có thêm KPI về regulatory compliance — model phải explainable, không bias, audit-ready. Một số ngân hàng còn đo 'time-to-first-business-impact' — khoảng thời gian từ project approval đến model deployed và measurable business outcome.