Experienced (Non-Manager)

Mô tả công việc

## Job Purpose - The job holder is responsible for designing and developing programs, algorithms and automated processes to cleanse, integrate and evaluate large datasets from disparate sources and implement complex business logic as needed with the available data processing tools. - The job holder will be responsible for integrating new data sources to increase throughput of existing systems, managing data pipelines that facilitate robust analysis, and sourcing và preparing data to ensure data completeness on metadata platforms. ## Key Accountabilities (1) Data Architecture - Deliver functionality required for business and data analysts, data scientists and other business roles to advance the overall analytic performance and strategy of the bank - Build the best practices and strategies for data infrastructure to fulfill data analytic and utilization needs of the business with emerging latest technologies and capabilities. - Proactively drive the effort of identifying opportunities to manage data and provide solutions for complex data feeds within the bank. - Evaluate various data architectures in the bank and utilize them to develop data solutions to meet business requirements. - Drive the delivery of data products and services into systems and business processes in compliance with internal regulatory requirements. - Oversee the review of internal and external business and product requirements for data operations and activity and suggests changes and upgrades to systems and storage to accommodate ongoing needs. ## Key Accountabilities (2) Data Integration - Strategically obtain and integrate data and information from various sources into the firm’s platforms, solutions and statistical models. - Lead discussion with Data Scientists to understand the data requirements and create re-usable data assets to enable data scientists to build and deploy machine learning models faster. - Design, build, and maintain optimized data pipelines and ETL solutions as business support tools in providing analysis and real time analytics platform for critical decision making. - Ensure data assets are organized and stored in an efficient way so that information is high quality, reliable, flexible, and efficient. ## Key Accountabilities (3) Project Management - 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 - Mentor and coach junior fellows into fully competent Data Engineers. - Identify and encourage areas for growth and improvement within the team. ## Key Relationships - Direct Manager Senior Manager / Manager, Data Engineering ## Key Relationships - Direct Reports ## Key Relationships - Internal Stakeholders ## Key Relationships - External Stakeholders Partners providing professional services ## Success Profile - Qualification and Experiences Qualifications - Bachelor's or Master’s degree in Statistics, Mathematics, Quantitative Analysis, Computer Science, Software Engineering or Information Technology Work Experience - 12+ years of relevant experience with developing, debugging, scripting and employing big data technologies (e.g. Hadoop, Spark, Flink, Kafka, Arrow, Tableau), database technologies (e.g. SQL, NoSQL, Graph databases), and programming languages (e.g. Python, R, Scala, Java, Rust, Kotlin) with preference towards functional/trait oriented - English proficiency requirements are pursuant to Techcombank's policy - Deep experience in designing and building dimensional data models, ETL processes, applied data warehouse concepts and methodologies, optimized data pipelines and wore the architect hat in the past or worked with one extensively - Deep experience with monitoring complex system and solving data and systems issues having a consistent and algorithmic approach to resolving them - Deep understanding of Information Security principles to ensure compliant handling and management of all data - Experience working in Agile teams to lead successful digital transformation projects, having mastered Agile principles, practices and Scrum methodologies - Has the know-how and the scripting and coding prowess to set up, configure và maintain a machine learning model development environment - Experience architecting, coding and delivering high performance micro services and/or recommenders delivering recommendations to (tens of) millions of users

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cần có cho Senior Expert, Data Engineering tại Techcombank ### 1. Hard Skills (Kỹ năng chuyên môn kỹ thuật) #### a) Big Data Technologies (Bắt buộc cao) | Công nghệ | Mức độ yêu cầu | Ghi chú | |-----------|----------------|----------| | **Apache Spark** | Chuyên sâu | Xử lý batch & streaming, optimization | | **Apache Kafka** | Chuyên sâu | Message queue, real-time data pipeline | | **Apache Flink** | Trung bình - Cao | Real-time processing | | **Hadoop Ecosystem** | Chuyên sâu | HDFS, MapReduce, Hive, HBase | | **Apache Arrow** | Trung bình | In-memory data format | | **Tableau** | Trung bình | Visualization (có trong JD) | #### b) Database Technologies | Công nghệ | Mức độ yêu cầu | Use case | |-----------|----------------|----------| | **SQL (Advanced)** | Bắt buộc | DWH, ETL, query optimization | | **NoSQL** | Cao | MongoDB, Cassandra, Redis | | **Graph Databases** | Trung bình | Neo4j (tùy use case) | | **Data Warehouse** | Chuyên sâu | Kimball methodology, star/snowflake schema | #### c) Programming Languages | Ngôn ngữ | Mức độ ưu tiên | Lý do | |----------|----------------|----------| | **Python** | Ưu tiên cao nhất | ML integration, scripting, industry standard | | **Scala** | Cao | Làm việc với Spark, Kafka | | **Java** | Cao | Enterprise, microservices | | **R** | Trung bình | Statistical analysis | | **Rust/Kotlin** | Trung bình | Performance-critical components | #### d) Data Engineering Core Skills - **ETL/ELT Pipeline Design**: Xây dựng data pipeline từ đầu đến cuối - **Dimensional Data Modeling**: Kimball methodology, star schema, snowflake - **Data Lake vs Data Warehouse Architecture**: Hiểu rõ khi nào dùng cái nào - **Real-time Analytics**: Streaming data processing - **ML Model Deployment**: Có kinh nghiệm setup môi trường ML - **Microservices Architecture**: Thiết kế và deploy services cho hàng triệu users --- ### 2. Soft Skills (Kỹ năng mềm) | Kỹ năng | Mức độ quan trọng | Mô tả | |---------|-------------------|----------| | **Strategic Thinking** | Rất cao | Đánh giá kiến trúc data, đề xuất giải pháp dài hạn | | **Communication** | Cao | Lead discussion với Data Scientists, trình bày với stakeholders | | **Mentoring/Coaching** | Cao | Đào tạo junior Data Engineers (trong JD) | | **Agile/Scrum** | Cao | Làm việc trong môi trường Agile, Scrum methodology | | **Problem Solving** | Rất cao | Root cause analysis, giải quyết system issues phức tạp | | **Stakeholder Management** | Cao | Làm việc với business users, partners | | **Project Management** | Cao | Manage conflicts, keep operations running | --- ### 3. Chứng chỉ gợi ý #### Data Engineering Certifications | Chứng chỉ | Nhà cung cấp | Mức độ phù hợp | Link tham khảo | |-----------|--------------|----------------|----------------| | **Google Professional Data Engineer** | Google Cloud | ⭐⭐⭐⭐⭐ | Thiên với cloud-based data engineering | | **AWS Certified Data Analytics - Specialty** | Amazon Web Services | ⭐⭐⭐⭐ | Nếu Techcombank dùng AWS | | **Databricks Certified Data Engineer Professional** | Databricks | ⭐⭐⭐⭐ | Spark-focused, rất phù hợp JD | | **Microsoft Certified: Azure Data Engineer Associate** | Microsoft | ⭐⭐⭐ | Nếu dùng Azure ecosystem | #### Architecture & Big Data | Chứng chỉ | Nhà cung cấp | Mức độ phù hợp | |-----------|--------------|----------------| | **Cloudera Certified Professional (CCP) Data Engineer** | Cloudera | ⭐⭐⭐⭐ | | **MongoDB Certified DBA** | MongoDB | ⭐⭐⭐ | #### Cloud Platforms | Chứng chỉ | Ghi chú | |-----------|----------| | **Google Cloud Professional Data Engineer** | Nên ưu tiên vì Kafka, Spark, Flink phổ biến trên GCP | | **AWS Solutions Architect** | Background knowledge hữu ích | --- ### 4. Bảng so sánh: Junior vs Senior Data Engineer | Tiêu chí | Junior Data Engineer | Senior Data Engineer (JD này) | |----------|---------------------|-------------------------------| | **Kinh nghiệm** | 2-5 năm | **12+ năm** | | **Data Pipeline** | Viết code theo spec | **Design architecture tổng thể** | | **Problem solving** | Giải quyết task cụ thể | **Strategic approach, root cause analysis** | | **Stakeholders** | Team nội bộ | **Business users, partners, cross-functional** | | **Mentoring** | Không yêu cầu | **Phải mentor junior members** | | **Decision making** | Theo hướng dẫn | **Drive decisions, evaluate architectures** | | **Technical breadth** | 1-2 tech stack | **Đa dạng: Spark, Kafka, Flink, SQL, NoSQL...** | --- ### 5. Domain Knowledge cần có (Banking/Fintech) - **Financial data modeling**: Transactions, accounts, risk metrics - **Regulatory compliance**: Data handling theo quy định ngân hàng - **Information Security**: GDPR-like principles, data classification - **Real-time banking systems**: Payment processing, fraud detection - **BI/Analytics in banking**: Credit scoring, customer segmentation

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn Senior Expert, Data Engineering - Techcombank ### 1. Quy trình các vòng phỏng vấn Dựa trên JD và vị trí cấp cao (12+ năm kinh nghiệm), quy trình thường gồm: ``` Vòng 1: HR Screening (30-45 phút) ↓ Vòng 2: Technical Screening - Data Engineering Manager (45-60 phút) ↓ Vòng 3: Technical Deep Dive - Data Architecture Panel (60-90 phút) ↓ Vòng 4: System Design / Case Study (60-120 phút) ↓ Vòng 5: Final Interview - Senior Leadership (30-45 phút) ``` --- ### 2. Chi tiết từng vòng #### Vòng 1: HR Screening **Mục tiêu:** Đánh giá fit văn hóa, xác nhận expectations **Câu hỏi hay gặp:** - "Giới thiệu ngắn gọn về background và project lớn nhất bạn đã lead" - "Tại sao bạn quan tâm đến Techcombank và vị trí này?" - "Mức lương kỳ vọng của bạn là bao nhiêu?" - "Bạn có experience với Agile teams không? Mô tả cách bạn làm việc" - "What are your English proficiency level and certifications?" **Tips chuẩn bị:** - Nghiên cứu Techcombank: đọc annual report, hiểu chiến lược digital transformation - Chuẩn bị câu trả lời ngắn gọn (2-3 phút) về value proposition của bản thân - Đọc JD kỹ, align câu trả lời với requirements --- #### Vòng 2: Technical Screening - Manager **Mục tiêu:** Đánh giá technical competence ở mức độ hands-on **Câu hỏi hay gặp:** *Kỹ năng Data Pipeline:* - "Describe your experience building ETL pipelines. What tools did you use?" - "How do you handle data quality issues in production pipelines?" - "Walk me through a complex data pipeline you designed from scratch" *Big Data Technologies:* - "Explain the difference between Spark batch processing and Flink streaming" - "How would you design a Kafka topic structure for real-time banking transactions?" - "When would you choose NoSQL over SQL for a banking application?" *System Design:* - "How do you optimize a slow-running Spark job?" - "Design a data architecture for a fraud detection system processing millions of transactions daily" **Tips chuẩn bị:** - Ôn lại: Spark optimization techniques (partitioning, caching, broadcast joins) - Chuẩn bị 1-2 project cụ thể để demo (dùng anonymized data) - Practice diễn đạt technical concepts bằng tiếng Anh (JD bằng tiếng Anh) --- #### Vòng 3: Technical Deep Dive - Panel **Mục tiêu:** Đánh giá architecture mindset, depth of knowledge **Câu hỏi hay gặp:** *Architecture Design:* - "Design a data lake architecture for Techcombank that supports both batch and real-time analytics" - "How would you migrate from a traditional data warehouse to a modern data lakehouse?" - "Compare Lambda Architecture vs Kappa Architecture. When would you recommend each?" *Data Modeling:* - "Explain Kimball methodology. How would you design a dimensional model for customer analytics?" - "What's the difference between 3NF and star schema? When would you use each?" - "How do you handle slowly changing dimensions (SCD) in your data warehouse?" *ML Integration:* - "How do you set up a ML model development environment? What considerations are important?" - "Describe how you would prepare data for a credit scoring model" - "How do you ensure data pipelines support ML model retraining?" *Troubleshooting:* - "A Kafka consumer is falling behind. How do you diagnose and fix?" - "Your Spark job is running out of memory. Walk through your debugging approach" - "How do you monitor data quality in real-time pipelines?" **Tips chuẩn bị:** - Study: Data Lakehouse architecture, Delta Lake, Apache Iceberg - Đọc papers về modern data stack (dbt, Airbyte, Prefect, dbt) - Practice system design questions theo format: requirements → architecture → implementation → trade-offs --- #### Vòng 4: Case Study / System Design **Mục tiêu:** Đánh giá khả năng giải quyết vấn đề thực tế, presentation skills **Dạng bài thường gặp:** *Case 1: Real-time Fraud Detection Data Platform* > Techcombank cần xây dựng data platform cho fraud detection. Hệ thống cần xử lý 10,000 transactions/second, detect anomalies trong <100ms, train ML model weekly. > > Thiết kế architecture từ đầu đến cuối. *Case 2: Customer 360 Data Integration* > Bank có data từ core banking, CRM, digital channels, card transactions. Cần tạo unified customer view. > > Đề xuất approach để integrate và deliver analytics. *Case 3: Data Migration* > Migrate legacy data warehouse (Oracle) sang modern cloud data platform. > > Plan và timeline đề xu排水. **Tips chuẩn bị:** - Chuẩn bị template: 4-paragraph structure (Context → Challenge → Solution → Results) - Practice vẽ architecture diagrams bằng tay hoặc tool - Prepare metrics: performance numbers, scale, cost savings từ projects trước --- #### Vòng 5: Final Interview - Senior Leadership **Mục tiêu:** Đánh giá leadership, culture fit, strategic thinking **Câu hỏi hay gặp:** - "Where do you see the data engineering field heading in the next 5 years?" - "How do you mentor and develop junior team members?" - "Describe a time when you had to influence stakeholders who didn't share your technical opinion" - "What's your approach to managing competing priorities in a fast-paced environment?" - "How would you drive a data transformation initiative in a traditional bank?" **Tips chuẩn bị:** - Nghiên cứu Techcombank leadership, strategic priorities 2024-2025 - Prepare stories theo STAR format (Situation, Task, Action, Result) - Focus on "how" và "why" không chỉ "what" --- ### 3. Dress Code | Setting | Recommendation | |---------|----------------| | **Office/Hybrid** | Business casual: sơ mi, quần dài (không jeans) | **Video Interview** | Smart casual: clean professional look | **Notes** | Techcombank là ngân hàng tư nhân lớn, chuẩn mực khá formal | --- ### 4. Tips chuẩn bị chung ✅ **Làm:** - Research Techcombank: đọc về digital banking strategy, tech stack hiện tại - Practice technical English vì JD và interview có thể bằng tiếng Anh - Prepare portfolio/project documentation (dù anonymized) - Ôn lại SQL complex queries: window functions, CTEs, optimization - Hiểu rõ trade-offs giữa các technologies ❌ **Không làm:** - Overclaim skills - senior level sẽ bị test sâu - Focus quá nhiều vào tool-specific syntax thay vì concepts - Ép buộc solution duy nhất - discuss trade-offs - Trả lời mơ hồ không có specific examples

Lộ trình ôn thi

## Lộ trình Ôn thi & Chuẩn bị cho Senior Data Engineering Interview ### Gợi ý thời gian: 2-4 tuần ( intensively 1-2 tuần nếu có nền tảng) --- ### 1. Kiến thức Nền tảng cần ôn #### Week 1: Fundamentals Deep Dive **Data Engineering Core Concepts** ``` □ Data Modeling - Relational vs Dimensional modeling - Star Schema, Snowflake Schema - Slowly Changing Dimensions (SCD Type 1, 2, 3) - Data Vault modeling □ ETL/ELT Principles - Batch vs Streaming - Incremental vs Full refresh - Data quality checks - Idempotency và exactly-once processing □ Data Lake vs Data Warehouse vs Data Lakehouse - When to use each - Lakehouse patterns (Delta Lake, Apache Iceberg) ``` **Tài liệu tham khảo:** - 📚 "The Data Warehouse Toolkit" - Ralph Kimball (bắt buộc) - 📚 "Fundamentals of Data Engineering" - Joe Reis & Matt Housley (mới, rất hay) - 📄 "Delta Lake: High-Performance ACID Table Storage over Cloud Object Stores" --- #### Week 2: Big Data Technologies **Apache Spark (Ưu tiên cao nhất)** ``` □ Spark Architecture - Driver, Executor, Cluster Manager - Shuffle operations - Catalyst Optimizer □ Spark SQL & DataFrames - Optimization: broadcasting, partitioning - Caching strategies - Window functions □ Spark Streaming - Structured Streaming vs DStream - Watermarking, event-time processing ``` **Apache Kafka** ``` □ Core Concepts - Producer, Consumer, Broker - Topic partitioning - Consumer groups - Exactly-once semantics □ Kafka Streams - Stateful processing - Windowing ``` **Tài liệu tham khảo:** - 📚 "Learning Spark" - Jules Damji (2nd edition) - 📚 "Kafka: The Definitive Guide" - Neha Narkhede - 🔗 Databricks Learning: Spark Developer Learning Path - 🔗 Confluent Kafka Tutorials --- #### Week 3: Architecture & System Design **Modern Data Stack** ``` □ Cloud Data Platforms - Snowflake, BigQuery, Redshift architecture - Data ingestion tools: Airbyte, Fivetran - Orchestration: Airflow, Prefect, Dagster - Transformation: dbt □ Real-time Processing - Apache Flink basics - Apache Beam (unified model) □ ML Platform - Feature stores - Model serving infrastructure - MLflow, Kubeflow basics ``` **System Design Patterns** ``` □ Design for scale - Horizontal vs vertical scaling - Partitioning strategies - Caching strategies (Redis, Memcached) □ Data Quality - Schema validation - Anomaly detection - Data contracts □ Observability - Monitoring metrics - Logging structured data - Alerting ``` **Tài liệu tham khảo:** - 📚 "Designing Data-Intensive Applications" - Martin Kleppmann (kinh điển) - 📚 "Streaming Systems" - Tyler Akidau (Flink/Beam) - 🔗 AWS Well-Architected Framework - Data Analytics Lens - 🔗 Google Cloud Data Analytics Architecture Guide --- #### Week 4: Banking Domain + Interview Prep **Banking/Fintech Domain Knowledge** ``` □ Core Banking Concepts - Account types, transaction types - GL (General Ledger) concepts - Interest calculation □ Regulatory Compliance - Data classification - Audit trail requirements - Information security principles □ Banking Analytics Use Cases - Customer segmentation - Credit risk scoring - Fraud detection - Anti-money laundering (AML) ``` **Interview Practice** ``` □ SQL Practice - LeetCode Hard level: Window functions, CTEs - Focus: optimization, complex joins □ Python/Scala Coding - LeetCode Medium-Hard - Focus: data manipulation, algorithm optimization □ System Design - Practice: design data platform for banking use cases - Mock interviews: 45-60 phút/session ``` --- ### 2. Tài liệu ôn tập theo chủ đề #### SQL & Database | Tài liệu | Link | Ghi chú | |----------|------|----------| | SQLZoo | sqlzoo.net | Interactive SQL practice | | Mode SQL Tutorial | mode.com/sql-tutorial | Advanced SQL patterns | | LeetCode Database | leetcode.com/problemset/database | Interview prep | #### Spark & Big Data | Tài liệu | Link | Ghi chú | |----------|------|----------| | Databricks Learning | learn.databricks.com | Free courses | | Spark By Examples | sparkbyexamples.com | Examples repository | | Apache Spark Documentation | spark.apache.org/docs/latest | Official docs | #### Data Engineering General | Tài liệu | Link | Ghi chú | |----------|------|----------| | Data Engineering Weekly | dataengineeringweekly.com | Newsletter, trends | |-startdataeng.com | startdataeng.com | Learning path | | dbt Materializations | docs.getdbt.com | Modern DE patterns | --- ### 3. Lộ trình ôn tập 2 tuần (Intensive) ``` 📅 Day 1-2: Data Modeling - Kimball methodology - Star vs Snowflake - SCD types 📅 Day 3-4: Spark Deep Dive - Architecture internals - Optimization techniques - Hands-on: build optimized pipeline 📅 Day 5-6: Kafka + Streaming - Producer/Consumer patterns - Exactly-once semantics - Real-time processing concepts 📅 Day 7: Review + Break 📅 Day 8-9: System Design - Data platform architecture - Modern stack components - Practice case studies 📅 Day 10-11: SQL + Coding - Complex queries practice - Algorithm review - Mock coding problems 📅 Day 12-13: Behavioral Prep - STAR stories - Leadership questions - Techcombank research 📅 Day 14: Final Review - Quick review all topics - Prepare questions for interviewers - Rest + confidence check ``` --- ### 4. Resources bổ sung cho Banking Domain - 📄 Techcombank Annual Report 2023 (IR website) - 📄 Basel III / Basel IV compliance basics - 📄 GDPR basics (data handling principles) - 📄 Vietnam banking regulations on data (if available) - 🔗 Bank of England: Machine Learning in Banking (reference paper)

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp cho Senior Expert, Data Engineering ### 1. Lộ trình Thăng tiến trong Data Engineering ``` Junior DE (2-5 năm) ↓ Mid-level DE (3-7 năm) ↓ Senior DE (7-12 năm) ← BẠN ĐANG Ở ĐÂY ↓ Staff DE / Lead DE (10-15 năm) ↓ Principal DE / Data Architect (12-20 năm) ↓ Director of Data Engineering (15+ năm) ``` #### Các nhánh thăng tiến từ Senior DE: **Nhánh 1: Individual Contributor (IC)** ``` Senior DE → Staff DE → Principal DE → Distinguished Engineer - Deep technical expertise - Architecture decisions - Technical vision - Không quản lý people ``` **Nhánh 2: Management** ``` Senior DE → Lead DE → Manager → Senior Manager → Director - Team management - Project delivery - Stakeholder management - Strategic planning ``` **Nhánh 3: Specialization** ``` Senior DE → ML Platform Lead → AI/ML Engineering Director - Focus on ML infrastructure - MLOps specialization - Growing field với high demand ``` --- ### 2. Mức Lương Kỳ vọng theo Cấp bậc (Vietnam Market) > **Lưu ý:** Techcombank là ngân hàng tư nhân lớn, mức lương thường cao hơn thị trường 15-30% | Level | Kinh nghiệm | Lương tháng (VND) | Ghi chú | |-------|-------------|-------------------|----------| | Junior DE | 1-3 năm | 15-25 triệu | Fresher hoặc entry | | Mid DE | 3-5 năm | 25-40 triệu | Independent contributor | | Senior DE | 5-10 năm | 40-70 triệu | Lead technical work | | **Senior Expert (JD này)** | **12+ năm** | **70-120+ triệu** | **Strategic role** | | Staff DE | 10-15 năm | 100-150 triệu | Industry expert | | Principal DE | 15+ năm | 150-250+ triệu | Very rare position | **Total Compensation (TC) cho Senior Expert:** ``` Base Salary: 70-120 triệu/tháng Annual Bonus: 2-4 tháng (tùy performance) Total Annual: ~1-1.5 tỷ VND + Benefits: BHYT cao cấp, stock options (tùy công ty) + Allowances: ăn trưa, đi lại, phone ``` **So sánh với thị trường:** | Company Type | Senior DE Salary Range | Notes | |--------------|----------------------|----------| | Foreign Bank (HSBC, Citi) | 80-150 triệu | High, English-heavy | | **Techcombank, VPBank** | **70-120 triệu** | **Competitive, local culture** | | Big Tech (FPT, Viettel) | 60-100 triệu | Tech-focused | | Startup/Fintech | 50-80 triệu | Equity potential | | Outsourced (NIIT, FSOFT) | 30-50 triệu | Lower but stable | --- ### 3. Kỹ năng cần Phát triển thêm cho vị trí này #### Short-term (0-6 tháng sau khi nhận việc) | Kỹ năng | Tầm quan trọng | Cách phát triển | |---------|----------------|----------------| | **Techcombank's internal systems** | ⭐⭐⭐⭐⭐ | Onboarding, documentation review | | **Vietnamese banking regulations** | ⭐⭐⭐⭐ | Internal training, compliance docs | | **Internal stakeholder management** | ⭐⭐⭐⭐ | Shadow senior leads, observe meetings | | **Internal ML platform tools** | ⭐⭐⭐ | Hands-on projects | #### Medium-term (6-18 tháng) | Kỹ năng | Tầm quan trọng | Cách phát triển | |---------|----------------|----------------| | **Cloud Platform (GCP/AWS)** | ⭐⭐⭐⭐ | Certifications: GCP Data Engineer | | **Data Governance** | ⭐⭐⭐⭐ | Policy development, data cataloging | | **Team Leadership** | ⭐⭐⭐⭐ | Mentoring, conflict resolution | | **Executive Communication** | ⭐⭐⭐ | Storytelling with data, presentations | #### Long-term (18+ tháng) - Hướng Principal/Architecture | Kỹ năng | Tầm quan trọng | Cách phát triển | |---------|----------------|----------------| | **System Thinking** | ⭐⭐⭐⭐⭐ | Enterprise architecture patterns | | **Cross-functional Influence** | ⭐⭐⭐⭐ | Work across business units | | **Industry Trends** | ⭐⭐⭐ | Conferences, research, experiments | | **Innovation** | ⭐⭐⭐⭐ | POC, pilots, new technologies | --- ### 4. Giá trị của vị trí này trong Career Path **Tại sao nên apply Senior Expert, Data Engineering tại Techcombank:** ✅ **Pros:** - **Scale**: Techcombank là một trong những ngân hàng lớn nhất VN, data scale rất lớn - **Digital Transformation**: Đang trong giai đoạn transformation, nhiều cơ hội ảnh hưởng lớn - **Leadership Exposure**: Direct report to Senior Manager, có voice trong strategy - **Mentoring**: Có cơ hội phát triển kỹ năng lãnh đạo - **Technical Challenge**: Complex problems, modern tech stack - **Compensation**: Mức lương competitive, benefits tốt ⚠️ **Cons/Caveats:** - **12+ năm experience**: Yêu cầu rất cao, không phải ai cũng đạt - **Banking regulations**: Có thể hạn chế về tech experimentation - **Legacy systems**: Vẫn có legacy code cần maintain - **Stakeholder complexity**: Nhiều bên liên quan, political dynamics --- ### 5. Kết luận & Recommendation **Vị trí này phù hợp với:** - ✅ Data Engineer có 10+ năm kinh nghiệm, muốn scale lên architecture - ✅ Technical Lead muốn chuyển sang banking sector - ✅ Someone với strong big data background muốn handle complex enterprise projects - ✅ ML Engineer muốn mở rộng sang data infrastructure **Vị trí này CÓ THỂ KHÔNG phù hợp với:** - ⚠️ Data Analyst muốn chuyển sang DE (cần build hands-on DE skills trước) - ⚠️ Developer mới 2-3 năm (experience gap quá lớn) - ⚠️ Người thích startup environment (culture khác biệt) - ⚠️ Người muốn focus vào ML model development (đây là infrastructure role)

Câu hỏi thường gặp

Em có 8 năm kinh nghiệm làm Data Engineer, toàn dùng Python và SQL, nhưng chưa có 12 năm. Em có nên apply vị trí Senior Expert này không?

Với 8 năm kinh nghiệm, bạn nằm ở mức Senior DE thông thường, chưa đạt mức 'Senior Expert' của JD (12+ năm). Tuy nhiên, nếu portfolio của bạn rất mạnh và có track record đặc biệt (ví dụ: đã lead architecture cho hệ thống lớn, hoặc có đóng góp opensource đáng kể), bạn vẫn có thể thử. Nhưng cần chuẩn bị tinh thần: HR có thể đánh giá bạn ở mức Senior thông thường hoặc yêu cầu prove thêm. Gợi ý: apply và để họ đánh giá, đồng thời backup plan với các vị trí Senior DE (5-10 năm) ở ngân hàng khác.

Em thấy JD đề cập nhiều công nghệ như Spark, Kafka, Flink. Em chỉ biết Spark và SQL, chưa dùng Kafka hay Flink. Có cần học hết không?

Không cần học hết tất cả trước khi apply, nhưng cần có depth ở core technologies. Ưu tiên: (1) Spark - bạn cần mastery vì nó xuất hiện nhiều nhất trong JD; (2) Kafka - quan trọng cho real-time pipelines trong banking; (3) Flink - có thể học basics, ít phổ biến hơn. Với 12+ năm kinh nghiệm, quan trọng hơn là bạn có 'learning ability' và 'architectural thinking' - có thể học tool mới nhanh. Tips: học Kafka basics (2-3 ngày), hiểu concepts của Flink, nhưng deep-dive vào Spark optimization.

Mức lương 'Thỏa thuận' có nghĩa là bao nhiêu? Làm sao để đàm phán mức lương tốt nhất?

Với vị trí Senior Expert 12+ năm tại Techcombank, mức lương thường dao động 70-120 triệu/tháng. Để đàm phán hiệu quả: (1) Research market rate trước - tham khảo các job posting tương tự; (2) Đừng đưa số đầu tiên - để HR đề xuất trước; (3) Đàm phán dựa trên 'value delivered' không phải 'need' - ví dụ: 'Với kinh nghiệm architecting hệ thống tương tự, tôi kỳ vọng mức X'; (4) Consider total package - bonus, benefits, equity có thể compensate base salary; (5) Have BATNA (Best Alternative) - có offer khác để leverage. Lưu ý: Techcombank thường competitive, nhưng budget có ceiling, hãy realistic.

Em đang làm ở công ty outsourcing, muốn chuyển vào ngân hàng. Vị trí này có phù hợp không?

Từ outsourcing vào ngân hàng là bước nhảy lớn, nhưng có thể thực hiện được. Thách thức chính: (1) '12+ năm experience' yêu cầu real-world problem solving, không chỉ technical skills; (2) Banking domain knowledge còn yếu; (3) Stakeholder management experience có thể thiếu. Để tăng cơ hội: (1) Build portfolio với projects tương đương scale ngân hàng; (2) Học banking fundamentals (transactions, GL, compliance); (3) Tập trung vào các vị trí 'Senior DE' (5-8 năm) thay vì 'Senior Expert' (12+ năm) - phù hợp hơn với background; (4) Leverage certifications (GCP, AWS) để compensate experience gap; (5) Consider công ty fintech/công ty tài chính trước để transition dễ hơn.

JD có đề cập 'Agile teams' và 'Scrum methodologies'. Em chưa làm Agile, có vấn đề gì không?

Với 12+ năm kinh nghiệm, bạn cần có Agile working experience. Tuy nhiên, nếu chưa từng formal Agile, bạn có thể: (1) Học basics ngay: Scrum ceremonies (Sprint Planning, Daily Standup, Review, Retrospective), roles (Product Owner, Scrum Master, Developer); (2) Prepare story: 'Tôi đã adapt vào Agile workflow và thấy nó hiệu quả vì...' - có thể mô tả dù chưa formal; (3) Focus on 'continuous improvement' - đề cập root cause analysis và post mortem (có trong JD); (4) Nếu hoàn toàn không có Agile exposure, hãy nói thẳng nhưng show willingness to learn. Nhiều senior engineers được hire với promise 'sẽ learn on the job' nếu technical skills mạnh.

Techcombank yêu cầu English proficiency. Em Toeic 450, có đủ không?

Với vị trí Senior Expert, Toeic 450 là mức thấp. JD nói 'pursuant to Techcombank's policy' - nghĩa là có tiêu chuẩn nội bộ cụ thể. Với vị trí này, bạn cần: (1) Đọc hiểu tài liệu kỹ thuật tiếng Anh; (2) Tham gia meetings với tiếng Anh; (3) Communicate với potential external partners. Gợi ý: target Toeic 650+ hoặc IETLS 5.5+ trước khi apply. Nếu đã apply rồi, hãy prepare: (1) Đọc lại JD bằng tiếng Anh; (2) Practice technical English - có thể dùng tài liệu Databricks/Spark docs; (3) Prepare 2-3 phút self-introduction bằng tiếng Anh. Tuy nhiên, nếu technical skills đặc biệt xuất sắc, một số công ty có thể overlook English requirement.

Em muốn biết KPI của vị trí này là gì? Làm sao để đánh giá performance?

Với vị trí Senior Expert trong Data Engineering, KPIs thường bao gồm: (1) Data Pipeline Reliability: uptime, data quality metrics, SLA compliance; (2) Project Delivery: on-time delivery của data products/services; (3) Architecture Quality: đánh giá bởi scalability, maintainability, cost efficiency; (4) Team Development: mentoring effectiveness, knowledge sharing; (5) Innovation: số lượng improvements, automation initiatives. Vì JD là 'thỏa thuận' và khá strategic, KPIs sẽ được define trong onboarding. Tips: hỏi HR về performance review cycle (thường 2 lần/năm) và具体的 metrics trong interview để set expectations rõ ràng từ đầu.

Vị trí này ở Hanoi, em ở TP.HCM. Có nên apply không? Có hỗ trợ relocation không?

Techcombank headquarter ở Hanoi, đây là vị trí onsite tại Hanoi. Về relocation: (1) Thường ngân hàng lớn có hỗ trợ relocation cho senior roles, nhưng cần hỏi HR cụ thể; (2) Một số ngân hàng có policy 'relocation package' bao gồm nhà tạm, di chuyển, support spouse; (3) Nếu không có relocation support, bạn cần tính cost of living difference: Hà Nội rẻ hơn TP.HCM khoảng 10-15%. Nếu muốn apply: (1) Trong cover letter, nêu rõ bạn sẵn sàng relocate; (2) Hỏi về remote work policy (có thể hybrid sau thử việc); (3) Tính toán tổng compensation vs cost. Alternative: nếu muốn ở TP.HCM, có thể explore các vị trí tương tự ở VPBank, ACB, hoặc các công ty fintech.

Senior Expert, Data Engineering (40000061)