CMNV

Mô tả công việc

Các trách nhiệm chính 1 1. Chủ động và phối hợp triển khai các giải pháp khoa học dữ liệu và trí tuệ nhân tạo cho các đơn vị trong ngân hàng - Chủ động đề xuất, thiết kế, chịu trách nhiệm chính 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. - Phân tích chuyên sâu và khám phá dữ liệu lớn, sử dụng các kỹ thuật xác suất thống kê, học máy, học sâu và GenAI để phát hiện các xu hướng, hành vi ẩn và các yếu tố thúc đẩy hành động của khách hàng; từ đó xây dựng insight giá trị và hỗ trợ đề xuất chiến lược kinh doanh, thiết kế sản phẩm hoặc chiến dịch phù hợp. - Thực hiện hoặc dẫn dắt 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), dự đoán hành vi tiếp theo và cá nhân hóa trải nghiệm khách hàng đa kênh - Tham gia xây dựng và phát triển sản phẩm AI/ML/GenAI theo hướng sản phẩm tái sử dụng, hỗ trợ tự động hóa và tối ưu hóa các quy trình nghiệp vụ của ngân hàng, bao gồm nhưng không giới hạn ở: xử lý hồ sơ tín dụng, phân loại và phân tích văn bản/giọng nói, thẩm định tự động, gợi ý hành động cho RM, hỗ trợ chăm sóc khách hàng, và cải tiến 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 và chia sẻ tại 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. - Tham gia hỗ trợ đào tạo, hướng dẫn cho các thành viên cấp thấp hơn trong nhóm khi được phân công. 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 • Số lượng seminar/sharing • Số lượng mentees • Hoàn thành các công việc theo phân công Kinh nghiệm yêu cầu • Tối thiểu 3–5 năm kinh nghiệm trong lĩnh vực phân tích nâng cao, phát triển mô hình học máy/học sâu và/hoặc ứng dụng AI/GenAI vào bài toán thực tiễn. • Có kinh nghiệm chủ động triển khai các mô hình hoặc giải pháp phân tích phục vụ một hoặc nhiều mục tiêu như tăng trưởng kinh doanh, cá nhân hóa, tối ưu hóa vận hành, nâng cao trải nghiệm khách hàng, phòng chống gian lận, v.v. • Đã từng tham gia hoặc đóng vai trò chính trong việc triển khai mô hình hoặc ứng dụng AI/ML/GenAI trên nền tảng cloud như AWS, Azure, Google Cloud, Databricks, v.v. • Có kinh nghiệm xử lý, trực quan hóa và diễn giải dữ liệu một cách sâu sắc, kết nối với nhu cầu kinh doanh và gợi ý hành động cụ thể. • Có khả năng hướng dẫn hoặc hỗ trợ chuyên viên khác trong nhóm khi triển khai mô hình hoặc xử lý dữ liệu. • Ưu tiên ứng viên có kinh nghiệm làm việc tại các tổ chức lớn, ngân hàng, công ty công nghệ

Yêu cầu ứng viên

Trình độ đào tạo Đại học in Khoa học máy tính Các yêu cầu khác - Nắm vững kiến thức về mô hình thống kê, thuật toán học máy, học sâu và GenAI, đồng thời có khả năng đánh giá, tùy biến và tối ưu hóa các kỹ thuật cho các bài toán phức tạp trong thực tế. - Có hiểu biết sâu và vận dụng thành thạo các kỹ thuật phân tích dữ liệu nâng cao, bao gồm kiểm định giả thuyết, phân tích nhân quả, xử lý mất cân bằng dữ liệu, phân tích chuỗi thời gian, mô hình suy diễn, vector embeddings… - Thành thạo Python và các thư viện chuyên sâu phục vụ học máy, học sâu và GenAI như: Scikit-learn, XGBoost, LGBM, PyTorch, TensorFlow, Hugging Face Transformers,,..cùng các công cụ hỗ trợ triển khai như MLflow, Docker, Git. - Hiểu rõ và có khả năng tham gia triển khai các quy trình phát triển và vận hành mô hình (MLOps/LangOps), bao gồm xử lý dữ liệu, huấn luyện, đánh giá, kiểm thử, triển khai và giám sát mô hình - Có khả năng phối hợp hiệu quả với các đơn vị kinh doanh/vận hành để hiểu bài toán, chuyển đổi thành giải pháp phân tích dữ liệu cụ thể, có giá trị ứng dụng cao và đo lường được hiệu quả.

Phân tích kỹ năng cần có

## Phân tích Kỹ năng Yêu cầu ### 🔧 Hard Skills (Kỹ năng kỹ thuật) | Cấp độ | Kỹ năng | Mức độ yêu cầu | Ghi chú | |--------|---------|----------------|---------| | **Bắt buộc** | Python | Thành thạo | Đây là ngôn ngữ chính, cần vững | | **Bắt buộc** | ML: Scikit-learn, XGBoost, LGBM | Thành thạo | Dùng cho các bài toán supervised/unsupervised | | **Bắt buộc** | Deep Learning: PyTorch, TensorFlow | Thành thạo | Neural networks, NLP, recommendation | | **Bắt buộc** | GenAI: Hugging Face Transformers | Thành thạo | Rất quan trọng với đặc thù JD này | | **Bắt buộc** | Thống kê nâng cao | Nắm vững | Hypothesis testing, causal analysis, time series | | **Bắt buộc** | Cloud: AWS/Azure/GCP/Databricks | Có kinh nghiệm | Triển khai model trên cloud | | **Bắt buộc** | MLOps | Hiểu rõ | MLflow, Docker, Git, CI/CD cho ML | | **Ưu tiên** | NLP/Voice processing | Có kinh nghiệm | Xử lý văn bản, giọng nói | | **Ưu tiên** | Credit scoring/Risk modeling | Có kinh nghiệm | Nghiệp vụ ngân hàng | ### 🧠 Soft Skills (Kỹ năng mềm) - **Business Translation**: Chuyển đổi bài toán kinh doanh thành giải pháp data science - ĐÂY LÀ KỸ NĂNG QUAN TRỌNG NHẤT mà VPBank đề cập nhiều lần - **Giao tiếp liên phòng ban**: Phối hợp với business units, operations, risk - **Mentoring**: Hướng dẫn junior members - **Tư duy research**: Cập nhật xu hướng công nghệ mới liên tục - **Presentation**: Trình bày insights cho stakeholders không có nền tảng kỹ thuật ### 📜 Chứng chỉ gợi ý ``` Ưu tiên cao: ├── AWS Certified Machine Learning - Specialty ├── Google Professional ML Engineer ├── Microsoft Azure Data Scientist Associate └── Databricks Certified ML Professional Bổ trợ: ├── Kaggle Certificates (notebooks) ├── Stanford ML/DL specializations (Coursera) └── DeepLearning.AI certificates ``` ### 📊 So sánh: Senior Data Scientist ngành Ngân hàng vs Fintech/Startup | Khía cạnh | Ngân hàng VPBank | Fintech/Startup | |-----------|------------------|----------------| | **Data size** | Rất lớn (triệu khách hàng) | Trung bình - Lớn | | **Compliance** | Rất cao (regulatory, GDPR-like) | Trung bình | | **Model lifecycle** | Dài, cần MLOps chặt chẽ | Linh hoạt hơn | | **Stakeholder** | Nhiều cấp, conservative | Nhanh, agile | | **GenAI adoption** | Đang đẩy mạnh | Đã áp dụng sớm hơn | | **Lương** | Cạnh tranh + thưởng KPI | Thường cao hơn 10-20% | | **Job security** | Ổn định, quy mô lớn | Rủi ro cao hơn | --- ## 🎯 Lộ trì để đạt 80% yêu cầu (nếu thiếu kinh nghiệm) **Giai đoạn 1 (3-6 tháng) - Xây nền tảng:** - Hoàn thành ML/DL course (Coursera DeepLearning.AI) - Thực hành Kaggle competitions (focus vào banking use cases) - Xây portfolio với 3-5 projects liên quan: churn, cross-sell, segmentation **Giai đoạn 2 (3-6 tháng) - Chuyên sâu GenAI:** - Học Hugging Face ecosystem (Transformers, PEFT, RAG) - Thực hành LLM fine-tuning, prompt engineering - Deploy thử nghiệm trên cloud (AWS SageMaker free tier) **Giai đoạn 3 (3-6 tháng) - MLOps & Business:** - Học MLflow, Docker, GitHub Actions cho ML - Xây end-to-end pipeline: data → training → deployment → monitoring - Thực hành storytelling: chuyển metrics thành business impact

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn VPBank - Senior Data Scientist ### 📋 Quy trình phỏng vấn dự kiến ``` Thông thường có 3-4 vòng: Vòng 1: HR Screening (30-45 phút) ├── Kiểm tra kinh nghiệm, motivation ├── Discuss salary expectations, availability └── Quick technical overview Vòng 2: Technical Interview - Data Science (60-90 phút) ├── Algorithm & Statistics questions ├── Case study / Problem-solving └── Coding (Python - có thể whiteboard/paper) Vòng 3: Technical Interview - Domain Expert (60 phút) ├── Deep dive vào ML/DL/GenAI knowledge ├── System design cho bài toán banking └── MLOps, deployment experience Vòng 4: Manager/Culture Fit (45-60 phút) ├── Leadership principles ├── Collaboration style ├── Career expectations └── VPBank values alignment ``` --- ### 🎯 Câu hỏi hay gặp theo từng vòng #### Vòng 1: HR Screening ``` 1. "Tại sao bạn quan tâm đến VPBank và vị trí này?" 2. "Bạn có thể summarize project nào đó mà bạn tự hào nhất không?" 3. "Mức lương kỳ vọng của bạn là bao nhiêu?" 4. "Bạn đang có offer khác không? (câu hỏi thẳng thắn)" 5. "Bạn biết gì về chiến lược AI của VPBank?" ``` #### Vòng 2: Technical - Statistics & ML ``` 1. "Explain ROC curve, AUC. Khi nào dùng Precision vs Recall?" 2. "Xử lý imbalanced data như thế nào? (oversampling, undersampling, SMOTE, class weights)" 3. "Difference between L1 và L2 regularization?" 4. "Explain cross-validation. K-fold vs Leave-one-out?" 5. "Causal inference vs correlation - bạn hiểu như thế nào?" 6. "Time series forecasting - bạn dùng approach gì? (ARIMA, Prophet, LSTM?)" 7. "Business case: Làm sao đo lường success của một churn model?" ``` #### Vòng 3: Technical - Deep Tech ``` 1. "Explain attention mechanism in transformers" 2. "Fine-tuning LLM vs RAG - khi nào dùng cái nào?" 3. "Design a real-time fraud detection system" 4. "How would you handle concept drift in production?" 5. "Explain MLOps lifecycle in your previous projects" 6. "Bạn đã deploy model nào lên production? Describe the process" 7. "System design: Personalization engine cho ngân hàng" ``` #### Vòng 4: Manager/Culture Fit ``` 1. "Describe a time you had conflict with stakeholders. How did you resolve?" 2. "How do you prioritize when having multiple projects?" 3. "Where do you see yourself in 3-5 years?" 4. "How do you keep yourself updated with latest AI trends?" 5. "Describe your mentoring style" ``` --- ### 💡 Tips chuẩn bị cụ thể **✅ Research trước:** - Đọc VPBank Annual Report 2023-2024 (phần Digital Transformation) - Tìm hiểu VPBank's AI/ML initiatives đã public - Theo dõi news về VPBank digital banking **✅ Chuẩn bị Portfolio:** - Mang laptop/trình chiếu 2-3 projects tốt nhất - Prepare slide: Business problem → Approach → Results (metrics cụ thể) - Sẵn sàng code demo nếu được hỏi **✅ Technical prep:** - Practice LeetCode (Easy-Medium) - focus vào Data Science problems - Ôn lại statistics fundamentals - Refresh PyTorch/TensorFlow syntax - Hiểu rõ MLflow, Docker basics **✅ Business translation prep:** - Chuẩn bị 1-2 case studies cụ thể: - "Nếu được assign churn prediction cho VPBank, approach của bạn là gì?" - "Design a cross-sell model cho credit card" --- ### 👔 Dress Code - **Business casual** là an toàn nhất cho VPBank - Nam: áo sơ mi (không cần cravat), quần tây - Nữ: áo blouse hoặc áo sơ mi, quần/váy công sở - Tránh jeans, sneakers, clothing quá formal như suit đầy đủ - Remote interview: áo sơ mi/blua với collar vẫn tạo ấn tượng chuyên nghiệp --- ### ⚠️ Red Flags cần tránh ❌ Không biết gì về ngành banking/financial services ❌ Chỉ focus vào technical mà không discuss business impact ❌ Overclaim - nói quá về kinh nghiệm GenAI (họ sẽ test sâu) ❌ Không có opinion về MLOps, model monitoring ❌ Thái độ "technical arrogant" - không lắng nghe business needs

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho vị trí Senior Data Scientist tại VPBank ### 📚 Lộ trình 2 tuần (14 ngày) --- ### **Tuần 1: Foundation Review + Banking Domain** #### Ngày 1-2: Python & ML Fundamentals Refresh ```python # Focus areas: - pandas, numpy operations - scikit-learn pipeline - XGBoost, LightGBM APIs - Model evaluation metrics # Practice: Code from scratch - Logistic Regression - Decision Tree - K-means clustering ``` **Tài liệu:** - "Hands-On Machine Learning" - Aurélien Géron (Chapters 1-10) - Scikit-learn documentation #### Ngày 3-4: Deep Learning Deep Dive ```python # Focus areas: - PyTorch fundamentals (tensors, autograd, nn.Module) - CNN, RNN, LSTM architectures - Attention mechanism - Transformers architecture (BERT, GPT basics) # Must understand: - Backpropagation - Loss functions - Optimizers (Adam, SGD) ``` **Tài liệu:** - "Deep Learning with Python" - François Chollet - Fast.ai course (free) - Jeremy Howard #### Ngày 5-6: GenAI & LLM Special ```python # MUST KNOW for this role: - Hugging Face Transformers library - Prompt engineering techniques - RAG (Retrieval Augmented Generation) - Fine-tuning approaches (LoRA, PEFT) - LangChain basics # Practical skills: - API calls to OpenAI/Anthropic - Building simple RAG pipeline - Using pre-trained models ``` **Tài liệu:** - Hugging Face Course (free): huggingface.co/course - "Generative AI with LangChain" - Ben Gorman - Andrej Karpathy's GPT video (YouTube - free) #### Ngày 7: MLOps & Deployment ``` # Must understand: - MLflow for experiment tracking - Docker basics (create Dockerfile for ML app) - Git version control - CI/CD concepts for ML - Model monitoring & drift detection - Feature store concepts ``` **Tài liệu:** - "Introducing MLOps" - Mark Treveil - MLflow documentation - "Building ML Systems" - Chip Huyen (Chapter on MLOps) --- ### **Tuần 2: Domain Knowledge + Mock Interviews** #### Ngày 8-9: Banking Domain Knowledge ``` # Bắt buộc hiểu: - Credit scoring models (scorecard) - Churn prediction in banking context - Customer lifetime value (CLTV) calculation - Cross-sell / Up-sell strategies - Risk management basics - Anti-fraud detection concepts # VPBank-specific (research): - Digital transformation strategy - Current AI/ML initiatives - Products: SME, retail banking ``` **Tài liệu:** - "Credit Risk Modeling" - Tomasz Berc (free online) - Kaggle: Home Credit Default Risk competition (học cách approach) - VPBank Investor Relations website #### Ngày 10-11: Statistics & Probability Refresh ``` # Must review: - Hypothesis testing (t-test, chi-square) - p-value, confidence intervals - Bayesian thinking - A/B testing fundamentals - Regression analysis (linear, logistic) - Time series analysis basics ``` **Tài liệu:** - "Think Stats" - Allen Downey (free) - Khan Academy Statistics course (free) #### Ngày 12-13: Mock Interviews ``` # Tự ôn tập: - 5 Technical questions mỗi ngày - Giải 3-5 LeetCode problems (Data Science focus) - Practice case studies - Record себя trả lời để self-review # Case study practice: - "Design churn model for VPBank" - "Build cross-sell recommendation system" - "Fraud detection system design" ``` #### Ngày 14: Final Review + Relax ``` # Morning: - Quick review notes - Prepare portfolio/projects # Afternoon: - Nghỉ ngơi, relax - Early sleep # Evening before: - Check logistics (location, time) - Prepare outfit ``` --- ### 📖 Tài liệu tham khảo theo priority ``` PRIORITY 1 (Bắt buộc đọc): ├── VPBank Annual Report 2023 ├── Hugging Face Course ├── "Hands-On ML" - Géron └── Scikit-learn User Guide PRIORITY 2 (Nên đọc): ├── "Deep Learning with Python" ├── Kaggle competitions solutions ├── MLflow documentation └── Credit scoring basics PRIORITY 3 (Tham khảo): ├── Stanford CS224N (NLP with Deep Learning) ├── fast.ai courses └── Chip Huyen's blog ``` --- ### 🧪 Self-Assessment Checklist Trước khi đi phỏng vấn, tự kiểm tra: - [ ] Có thể explain gradient descent từ đầu đến cuối? - [ ] Có thể code logistic regression từ scratch? - [ ] Hiểu transformers attention mechanism? - [ ] Biết cách fine-tune LLM với LoRA? - [ ] Có thể design MLOps pipeline hoàn chỉnh? - [ ] Biết cách handle imbalanced data (5+ methods)? - [ ] Có thể present một project với business impact cụ thể? - [ ] Hiểu banking domain (credit scoring, churn, CLTV)? **Nếu check được 7/8 → Sẵn sàng cao** **Nếu check được 5-6/8 → Cần ôn thêm** **Nếu check được <5/8 → Cần thêm thời gian chuẩn bị**

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp cho Senior Data Scientist --- ### 🚀 Lộ trình Thăng tiến ``` Senior Data Scientist (hiện tại - bạn đang apply) │ ▼ ┌─────────────────┐ │ Principal DS │ ← 3-5 năm sau │ (CVCC trưởng) │ Chuyên gia technical, mentor team └────────┬────────┘ │ ▼ ┌─────────────────┐ │ Data Science │ ← 5-8 năm sau │ Manager │ Quản lý team, OKR delivery └────────┬────────┘ │ ▼ ┌─────────────────┐ │ Director │ ← 8-10+ năm │ Data Science │ Strategy, budget, hiring └────────┬────────┘ │ ▼ ┌─────────────────┐ │ VP Data Science │ │ / Chief AI │ C-level executive └─────────────────┘ ``` **Alternative Track (Individual Contributor):** ``` Senior DS → Principal DS → Distinguished Engineer → Fellow (Giữ vững technical depth thay vì people management) ``` --- ### 💰 Mức Lương Kỳ vọng (tham khảo) > **Lưu ý:** Mức lương phụ thuộc nhiều yếu tố: kinh nghiệm, skills, offer competition, timing. ``` Base Salary (Hà Nội - 2024): ├── Junior DS (0-2 năm): 15-25 triệu/tháng ├── Middle DS (2-4 năm): 25-40 triệu/tháng ├── Senior DS (4-6 năm): 40-60 triệu/tháng ← Vị trí này └── Principal DS (6+ năm): 60-90+ triệu/tháng Total Comp (bao gồm bonus, stock): ├── Bonus thường: 1-3 tháng lương ├── 13th month bonus └── VPBank có thể có LTI (Long-term incentives) So sánh với thị trường: ├── VPBank ≈ 80-90% mức của Big Tech ├── Cao hơn 20-30% so với average Vietnamese companies └── Thấp hơn 10-20% so với foreign banks (HSBC, Citi) ``` **Kỳ vọng thực tế cho vị trí này:** - **Low range:** 40-50 triệu/tháng - **Mid range:** 50-65 triệu/tháng - **High range:** 65-80 triệu/tháng (nếu strong candidate) --- ### 🎯 Kỹ năng cần phát triển thêm (Next 6-12 tháng) #### 1. Technical Depth (60%) ``` □ GenAI/LLM mastery (nếu chưa vững) │ ├── Prompt engineering advanced │ ├── RAG system design │ └── Fine-tuning, RLHF basics │ □ MLOps professional │ ├── Kubeflow/Vertex AI │ ├── Feature store (Feast, Tecton) │ └── Model monitoring, drift detection │ □ Cloud certifications ├── AWS ML Specialty └── Hoặc GCP/Azure equivalent ``` #### 2. Business Acumen (25%) ``` □ Financial services domain │ ├── Credit risk fundamentals │ ├── Basel regulations basics │ └── Banking products knowledge │ □ Executive communication │ ├── Data storytelling │ ├── Executive dashboards │ └── Presenting to non-technical stakeholders │ □ Project management ├── OKR setting └── Stakeholder management ``` #### 3. Leadership (15%) ``` □ Mentoring skills │ ├── Code review │ ├── Technical mentorship │ └── Career development conversations │ □ Cross-functional collaboration │ ├── Work with Engineering │ ├── Partner with Business teams │ └── Influence without authority │ □ Thought leadership ├── Write blogs/papers └── Conference speaking ``` --- ### 📈 VPBank-specific Insights **Tại sao nên join VPBank?** ✅ **Pros:** - Ngân hàng lớn, ổn định, brand name mạnh - Đang đẩy mạnh AI transformation → nhiều cơ hội học hỏi - Data scale lớn (triệu khách hàng) → problems worth solving - Team Data Science đang grow → cơ hội thăng tiến sớm - Quyền tự chủ kỹ thuật cao ⚠️ **Cons/Challenges:** - Legacy systems có thể gây frustation - Compliance/regulatory overhead lớn - Thay đổi chậm hơn so với startup - Bureaucracy có thể ảnh hưởng speed --- ### 🔄 Khi nào nên nhảy việc? **Nên ở lại VPBank nếu:** - Muốn stability + học banking domain - Quan tâm đến GenAI applications in finance - Cần brand name cho resume - Đang có mentor tốt, team healthy **Nên nhảy sau 2-3 năm nếu:** - Muốn maximize salary (startup/Big Tech) - Thấy stuck, không có growth opportunities - Team culture không phù hợp - Có offer quá tốt để refuse --- ### 💡 Final Career Tips 1. **Build your brand:** Contribute to open source, write blogs, speak at conferences 2. **Network internally:** Connect with senior leaders across departments 3. **Document achievements:** Keep track of business impact của mô hình bạn deploy 4. **Stay current:** GenAI landscape thay đổi nhanh - không ngừng học 5. **Balance:** Technical depth vs business value - cả hai đều quan trọng

Câu hỏi thường gặp

Em mới ra trường, chưa có kinh nghiệm ngân hàng, có nên ứng tuyển vị trí Senior Data Scientist không?

Vị trí này yêu cầu 3-5 năm kinh nghiệm, nên nếu bạn mới ra trường thì khó pass được vòng technical. Tuy nhiên, nếu bạn có 2+ năm kinh nghiệm ở startup/fintech và strong portfolio ML/DL, hoàn toàn có thể thử. Lời khuyên: apply và xem feedback, đồng thời focus vào các vị trí Middle Data Scientist trước để build career trajectory.

Lương Senior Data Scientist tại VPBank khoảng bao nhiêu? Có thương lượng được không?

Theo market data, Senior DS tại VPBank thường dao động 40-65 triệu/tháng tùy kinh nghiệm và skills. Nếu bạn có offer từ competitor hoặc có rare skills (GenAI advanced, MLOps), hoàn toàn có thể thương lượng. Tip: research GlassDoor, VietnamDevs salary data trước, và đừng để HR hỏi salary expectation đầu tiên - hãy để họ đưa ra con số trước.

Vòng phỏng vấn VPBank có thi coding không? Cần ôn LeetCode không?

Có thể có coding assessment, nhưng không phải LeetCode hard-core như SWE. Với Data Scientist, họ thường focus vào: 1) Python basics (pandas, numpy), 2) ML algorithm implementation từ scratch, 3) SQL queries. Nên ôn medium-level problems về ML/Data manipulation, không cần graph algorithms hay system design nặng. Khuyến nghị: practicing trên HackerRank với Python và SQL.

Mình có 4 năm kinh nghiệm ở startup e-commerce, chuyên về recommendation system. Có phù hợp với VPBank không?

Rất có thể phù hợp! Skills recommendation system (customer segmentation, personalization, cross-sell) chuyển đổi rất tốt sang banking use cases. Điểm cần bổ sung: 1) Credit risk basics, 2) Compliance/regulatory knowledge trong banking, 3) GenAI applications. Khi phỏng vấn, emphasize transferable skills và demonstrate bạn hiểu business context của ngân hàng.

VPBank làm việc có加班 nhiều không? Work-life balance như thế nào?

Work-life balance tại VPBank tùy team và giai đoạn. Data Science team thường không có deadline cố định như business units, nhưng khi có project lớn hoặc model deployment urgent thì có thể OT. Nói chung, ngân hàng ổn định hơn startup về giờ giấc. Average: đi làm 5 ngày/tuần, occasional OT khi có đợt rollout lớn.

VPBank có đào tạo nội bộ không? Có cơ hội học GenAI không?

VPBank có VPBank Academy với nhiều training programs. Đặc biệt, vì đây là vị trí CVCC (phòng ban chiến lược) đang đẩy mạnh AI, bạn sẽ có cơ hội học và apply GenAI thực tế. Ngoài ra, JD cũng nhấn mạnh việc tham gia seminar, hội thảo nội/ngoại bộ - đây là cơ hội để expand knowledge.

Career path cho Data Scientist tại VPBank như thế nào? Có rõ ràng không?

Theo JD, bạn sẽ mentor junior members (số lượng mentees được measure), đây là bước chuẩn bị cho track quản lý. Sau Senior DS, typical path: Principal DS → DS Manager → Director. VPBank đang mở rộng Data Science team nên cơ hội thăng tiến khá tốt. Key: deliver visible business impact và build relationships across departments.

Làm Data Scientist ở ngân hàng khác gì so với công ty công nghệ? Mình đang phân vân giữa VPBank và một startup AI.

Trade-off chính: Stability vs Innovation Speed. Ngân hàng: data scale lớn, compliance nghiêm ngặt, thay đổi chậm nhưng ổn định, brand name tốt cho CV. Startup AI: freedom sáng tạo, tech mới hơn, lương có thể cao hơn, nhưng rủi ro hơn. Nếu bạn dưới 30 tuổi, chưa cần quá lo stability - có thể thử startup trước. Nếu đã 30+, VPBank là lựa chọn an toàn hơn.

Senior Data Scientist/ CVCC Khoa học dữ liệu - Hà Nội - TA150