[THNTDL]_Chuyên gia Tích hợp nền tảng dữ liệu
Mô tả công việc
Thông tin tuyển dụng
Vị trí: Chuyên gia Tích hợp nền tảng dữ liệu
Số lượng: 01
Đơn vị làm việc: Phòng Tích hợp nền tảng dữ liệu, Trụ sở chính
Nhận hồ sơ: Hết ngày 11/08/2026
I. Mô tả công việc:
1. Nghiên cứu, đề xuất, tham mưu cho Lãnh đạo Phòng trong việc khai thác và phát triển hệ thống tích hợp dữ liệu và báo cáo
- Thiết kế và xây dựng các hệ thống tích hợp, khai thác dữ liệu từ các hệ thống gốc đến kho dữ liệu, nền tảng dữ liệu, nhà máy dữ liệu và ngược lại; bảo đảm khả năng mở rộng đáp ứng các yêu cầu nghiệp vụ.
- Tư vấn xây dựng, quản lý mô hình dữ liệu phục vụ các hệ thống ứng dụng, báo cáo và khai thác dữ liệu.
- Phát triển và triển khai các hệ thống tích hợp dữ liệu và ứng dụng khai thác dữ liệu.
- Ứng dụng AI an toàn trong tự động hóa công việc, tối ưu quy trình và nâng cao hiệu quả hoạt động.
- Chủ trì hoặc tham gia xử lý các vấn đề phức tạp, trọng yếu liên quan đến hệ thống tích hợp dữ liệu.
- Đề xuất các kế hoạch đào tạo và tổ chức đào tạo để nâng cao hiểu biết và kĩ năng cho cán bộ Phòng.
2. Tham gia và phối hợp triển khai các chương trình, dự án và giải pháp trọng điểm.
- Chủ trì hoặc tham gia triển khai các chương trình, dự án trọng điểm về dữ liệu, nền tảng dữ liệu và chuyển đổi số của Ngân hàng.
- Tư vấn xây dựng kiến trúc, nguyên tắc, tiêu chuẩn và giải pháp tích hợp dữ liệu phù hợp với định hướng phát triển của Ngân hàng.
- Phối hợp với các đơn vị liên quan để phân tích yêu cầu nghiệp vụ, tư vấn và thiết kế các giải pháp tích hợp dữ liệu đáp ứng nhu cầu vận hành và khai thác dữ liệu.
- Tham gia tư vấn, phản biện, đánh giá và thẩm định các giải pháp công nghệ, giải pháp dữ liệu trong các sáng kiến, chương trình và dự án trọng điểm của Ngân hàng.
- Phối hợp để để phát triển giải pháp cung cấp dữ liệu dự phòng theo quy định, bảo đảm tính liên tục trong cung cấp và khai thác dữ liệu theo quy định của Ngân hàng.
3. Nghiên cứu và đổi mới
- Nghiên cứu xu hướng công nghệ, mô hình dữ liệu và giải pháp tích hợp dữ liệu hiện đại.
- Nghiên cứu, đề xuất và triển khai các sáng kiến cải tiến, ứng dụng AI, tự động hóa và tối ưu hóa quy trình nhằm nâng cao hiệu quả hoạt động của đơn vị.
- Tham gia xây dựng, hoàn thiện các quy trình, tiêu chuẩn, hướng dẫn chuyên môn và kiến trúc dữ liệu trong lĩnh vực phụ trách.
4. Phát triển năng lực đội ngũ
- Dẫn dắt chuyên môn, hướng dẫn, đào tạo và hỗ trợ phát triển năng lực cho cán bộ trong Phòng.
- Chia sẻ kinh nghiệm thực tiễn, tham gia phát triển nguồn nhân lực kế cận và nâng cao năng lực chuyên môn của đơn vị.
5. Thực hiện các nhiệm vụ khác do Lãnh đạo giao.
##
II. Tiêu chuẩn:
1. Trình độ:
- Trình độ chuyên môn: Tốt nghiệp Đại học trở lên chuyên ngành công nghệ thông tin, khoa học dữ liệu, khoa học máy tính, kỹ thuật máy tính, toán học, toán kinh tế, toán tin hoặc các chuyên ngành có liên quan đến CNTT tại các trường Đại học trong nước: Đại học Bách khoa Hà Nội/ TP. Hồ Chí Minh; Đại học Kinh tế quốc dân; Đại học Kinh tế TP. Hồ Chí Minh; Đại học Quốc Gia Hà Nội/TP. Hồ Chí Minh; Học viện Công nghệ Bưu chính viễn thông; Học viện Kỹ thuật mật mã; Học viện Kỹ thuật Quân sự; Học viện Ngân hàng; Đại học Giao thông vận tải; Đại học Khoa học tự nhiên; Đại học Hà Nội; Đại học FPT; các Trường Đại học nước ngoài có uy tín hoặc là chuyên gia trong lĩnh vực quản trị dữ liệu, kỹ thuật dữ liệu, khoa học dữ liệu.
- Loại hình đào tạo: Đào tạo hệ chính quy tập trung dài hạn (không bao gồm đào tạo liên thông, văn bằng 2, tại chức, hoặc vừa học vừa làm; đào tạo Thạc sỹ chỉ là tiêu chí xem xét ưu tiên).
- Trình độ ngoại ngữ: Tiếng Anh trình độ B1 (hoặc tương đương) trở lên, sử dụng tốt tiếng Anh, giao tiếp và đọc hiểu các tài liệu liên quan đến công việc phụ trách.
2. Kiến thức:
Ứng viên cần có khả năng nghiên cứu, tham mưu và tham gia thiết kế, triển khai các hệ thống tích hợp và nền tảng dữ liệu trong môi trường ngân hàng, cụ thể:
- Am hiểu kiến trúc và mô hình xử lý dữ liệu hiện đại như Data Warehouse, Data Lake, Lakehouse, Lambda, Kappa; các giải pháp xử lý dữ liệu theo hình thức batch và streaming (Kafka, Flink hoặc tương đương).
- Có kiến thức và kinh nghiệm về hệ thống tích hợp dữ liệu, nền tảng dữ liệu và ứng dụng CNTT trên môi trường điện toán đám mây (AWS, Azure hoặc tương đương).
- Có hiểu biết về kiến trúc dữ liệu doanh nghiệp; các nguyên tắc, tiêu chuẩn xây dựng nền tảng dữ liệu và tích hợp dữ liệu.
- Có hiểu biết hoặc kinh nghiệm làm việc với các nền tảng dữ liệu hiện đại như Databricks, Microsoft Fabric hoặc tương đương; am hiểu các giải pháp lưu trữ và xử lý dữ liệu như Object Storage, HDFS, Trino, Hive, MinIO hoặc tương đương.
- Có khả năng ứng dụng AI/Generative AI trong công việc và hiểu biết về các yêu cầu bảo mật dữ liệu, an toàn thông tin, kiểm soát rủi ro khi sử dụng AI.
- Có khả năng ứng dụng AI/Generative AI trong công việc và hiểu biết về các yêu cầu bảo mật dữ liệu, an toàn thông tin, kiểm soát rủi ro khi sử dụng AI.
- Sử dụng thành thạo một trong các ngôn ngữ lập trình như Python, Java, C# hoặc tương đương.
- Có kỹ năng phân tích yêu cầu, thiết kế hệ thống và phát triển ứng dụng phần mềm.
##
3. Kinh nghiệm:
- Có tối thiểu 05 năm kinh nghiệm trong lĩnh vực dữ liệu, công nghệ thông tin hoặc các lĩnh vực liên quan.
- Có tối thiểu 03 năm kinh nghiệm chủ trì, điều phối hoặc đảm nhiệm vai trò đầu mối chuyên môn, tư vấn giải pháp hoặc thiết kế giải pháp trong các dự án dữ liệu, công nghệ hoặc chuyển đổi số.
- Có kinh nghiệm tham gia xây dựng, phát triển, vận hành hoặc triển khai các hệ thống dữ liệu, nền tảng dữ liệu, hệ thống tích hợp dữ liệu hoặc các giải pháp công nghệ quy mô doanh nghiệp.
4. Kỹ năng:
- Kỹ năng lập kế hoạch và quản lý thời gian hiệu quả.
- Kỹ năng giao tiếp, tư vấn và thuyết phục các bên liên quan.
- Kỹ năng điều phối, dẫn dắt chuyên môn và làm việc với các nhóm triển khai dự án.
- Kỹ năng làm việc độc lập và làm việc nhóm theo mô hình Agile.
5. Khả năng:
- Tư duy logic, tư duy phản biện.
- Tư duy chiến lược và và khả năng tham mưu trong lĩnh vực chuyên môn.
- Đánh giá, phân tích, tổng hợp và ra quyết định.
- Khả năng nghiên cứu, cập nhật công nghệ mới, đề xuất sáng kiến cải tiến và ứng dụng vào thực tiễn.
6. Phẩm chất cá nhân:
- Cẩn trọng, tận tâm, chuyên cần.
- Chủ động, sáng tạo, thích ứng.
- Chịu áp lực công việc cao.
- Quyết đoán, linh hoạt.
7. Độ tuổi: Không quá 45 tuổi tại thời điểm đăng ký tuyển dụng.
8. Ưu tiên:
- Am hiểu nghiệp vụ ngân hàng.
- Có chứng chỉ về dữ liệu, điện toán đám mây hoặc AI.
Phân tích kỹ năng cần có
Phân tích kỹ năng - Chuyên gia Tích hợp nền tảng dữ liệu (Vietcombank)
📋 Tổng quan vị trí
Đây là vị trí cấp chuyên gia (Expert/Senior) tại Trụ sở chính Vietcombank, đầu mối chuyên môn về kiến trúc dữ liệu và tích hợp hệ thống. Không phải vị trí fresher hay junior — ứng viên cần có nền tảng vững và kinh nghiệm thực chiến với các hệ thống dữ liệu quy mô doanh nghiệp.
---
🛠️ HARD SKILLS (Kỹ năng cứng) — Bắt buộc
1. Kiến trúc & Mô hình dữ liệu hiện đại
| Mô hình | Mức độ yêu cầu | Ghi chú |
|---|---|---|
| Data Warehouse (DW) | Am hiểu | Kim tự tháp cổ điển, vẫn còn dùng trong core banking |
| Data Lake | Am hiểu | Lưu trữ dữ liệu thô, chi phí thấp |
| Lakehouse | Am hiểu | Xu hướng mới, kết hợp DW + Data Lake (Databricks, MS Fabric) |
| Lambda Architecture | Am hiểu | Batch + Speed layer |
| Kappa Architecture | Am hiểu | Streaming-first |
2. Công nghệ xử lý dữ liệu (Streaming & Batch)
- Streaming: Apache Kafka, Apache Flink, Spark Streaming
- Batch: Apache Spark, Apache Airflow (orchestration)
- Storage: HDFS, Object Storage (S3/Azure Blob/MinIO), Delta Lake, Iceberg
- Query Engine: Trino (Presto), Apache Hive
3. Cloud Platforms — Cần có kinh nghiệm thực tế
- AWS: S3, Glue, Redshift, EMR, Kinesis, Lambda
- Azure: Data Factory, Synapse, ADLS, Databricks (Azure Databricks)
- Databricks / Microsoft Fabric: 2 nền tảng được nhắc đến cụ thể trong JD — ưu tiên cao
4. Ngôn ngữ lập trình (chọn 1 thành thạo)
- Python (khuyến nghị) — phổ biến nhất trong data engineering + AI
- Java — phù hợp với hệ thống core banking
- C#/.NET — nếu quen hệ sinh thái Microsoft
5. AI / Generative AI
- Ứng dụng GenAI vào tự động hóa (auto-codegen, chatbot, document AI)
- Hiểu về bảo mật dữ liệu, kiểm soát rủi ro khi dùng AI (đặc biệt trong ngân hàng)
- Không yêu cầu phải train model, nhưng cần hiểu LLM, RAG, prompt engineering
6. Nghiệp vụ ngân hàng (Ưu tiên)
- Core banking, card, lending, treasury, risk
- Quy định NHNN về an toàn thông tin (TT 41/2017/NHNN), bảo mật dữ liệu
- Dữ liệu khách hàng, giao dịch, tín dụng
---
🎓 CHỨNG CHỈ GỢI Ý (điểm cộng lớn)
| Chứng chỉ | Tổ chức | Độ ưu tiên |
|---|---|---|
| AWS Certified Data Analytics – Specialty | AWS | ⭐⭐⭐⭐⭐ |
| AWS Solutions Architect – Associate/Professional | AWS | ⭐⭐⭐⭐ |
| Azure Data Engineer Associate (DP-203) | Microsoft | ⭐⭐⭐⭐⭐ |
| Azure Solutions Architect | Microsoft | ⭐⭐⭐⭐ |
| Databricks Certified Data Engineer Professional | Databricks | ⭐⭐⭐⭐⭐ |
| Google Professional Data Engineer | ⭐⭐⭐ | |
| Certified Kubernetes Administrator (CKA) | CNCF | ⭐⭐⭐ |
| TOEIC 600+/IELTS 6.0+ | — | ⭐⭐⭐ (đáp ứng B1) |
> 💡 Nếu chưa có chứng chỉ, kinh nghiệm thực tế + portfolio dự án vẫn có thể bù đắp.
---
🤝 SOFT SKILLS (Kỹ năng mềm)
- Tư duy chiến lược & tư vấn: Phải tham mưu cho Lãnh đạo Phòng — không chỉ làm kỹ thuật, mà phải "bán" giải pháp
- Dẫn dắt chuyên môn: Mentor cho đồng nghiệp, đào tạo nội bộ
- Giao tiếp đa bên: Làm việc với business users, IT, vendors, ban lãnh đạo
- Quản lý thời gian: VCB môi trường làm việc cường độ cao, deadline chặt
- Agile mindset: Làm việc nhóm theo Scrum/Kanban
---
⚠️ Lưu ý quan trọng về tiêu chuẩn học vấn
VCB yêu cầu chính quy tập trung dài hạn, KHÔNG nhận:
- Liên thông
- Văn bằng 2
- Tại chức
- Vừa học vừa làm
Trường được chấp nhận (chính quy): Bách khoa HN/HCM, NEU, UEH, ĐHQG HN/HCM, PTIT, Học viện Kỹ thuật Mật mã, Học viện KTQS, Học viện Ngân hàng, GTVT, KHTN, ĐH Hà Nội, FPT, hoặc ĐH nước ngoài uy tín.
👉 Trước khi ứng tuyển, kiểm tra kỹ bằng cấp — nếu không thuộc diện này thì hồ sơ sẽ bị loại ngay từ vòng HR.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn - Chuyên gia Tích hợp nền tảng dữ liệu VCB
🎯 Quy trình tuyển dụng dự kiến (Big4 Banks)
Vietcombank thường có quy trình 4-5 vòng cho vị trí chuyên gia cấp Trụ sở chính:
Vòng 1: HR Screening (30-45 phút, Online)
- Kiểm tra bằng cấp, kinh nghiệm cơ bản
- Xác nhận mức lương mong muốn, địa điểm, thời gian onboard
- Đánh giá fit văn hóa ngân hàng
Vòng 2: Technical Test (60-90 phút, Online hoặc onsite)
- Có thể là bài test kiến thức (trắc nghiệm về SQL, data architecture, cloud)
- Hoặc bài thi code (Python/SQL)
- Hoặc case study nhỏ: thiết kế pipeline dữ liệu cho một bài toán cụ thể
Vòng 3: Technical Interview chuyên sâu (90 phút, Onsite)
- Phỏng vấn với Trưởng/Phó phòng Tích hợp nền tảng dữ liệu
- Đi sâu vào kiến trúc, kinh nghiệm dự án, decision-making
- Có thể có thêm 1-2 senior từ team kỹ thuật
Vòng 4: Leadership Interview (60 phút)
- Phỏng vấn với Giám đốc Khối CNTT hoặc Phó TGĐ phụ trách CNTT
- Đánh giá tư duy chiến lược, khả năng tham mưu
- Thảo luận về tầm nhìn dữ liệu của ngân hàng
Vòng 5 (nếu có): Final Interview / Offer
- Có thể có thêm vòng với Ban Tổng Giám đốc hoặc HR Head
- Thương lượng lương & benefit
---
❓ Câu hỏi hay gặp theo từng vòng
Vòng HR
1. Giới thiệu ngắn về bản thân và lý do ứng tuyển VCB?
2. Mức lương hiện tại và mong muốn?
3. Thời gian onboard nhanh nhất?
4. Đã từng làm trong ngân hàng / tài chính chưa?
Vòng Technical
1. Phân biệt Data Warehouse, Data Lake và Lakehouse? Ưu/nhược điểm?
2. Khi nào nên dùng Lambda vs Kappa architecture? Cho ví dụ use case trong ngân hàng?
3. So sánh Kafka vs RabbitMQ vs AWS Kinesis? Khi nào dùng cái nào?
4. Databricks vs Snowflake vs Synapse — khác nhau thế nào? Bạn chọn cái nào cho ngân hàng Việt Nam?
5. ETL vs ELT — xu hướng nào đang thắng thế? Vì sao?
6. Làm thế nào để đảm bảo data quality trong pipeline?
7. Data governance trong ngân hàng cần những gì? Bạn đã làm gì liên quan đến Data Catalog, Data Lineage?
8. Ứng dụng AI/GenAI vào data engineering như thế nào? Cho ví dụ cụ thể?
9. Bạn đã thiết kế pipeline xử lý real-time fraud detection chưa? Kiến trúc ra sao?
10. CDC (Change Data Capture) là gì? Công cụ nào bạn đã dùng (Debezium, AWS DMS...)?
11. Làm sao xử lý PII (Personally Identifiable Information) trong data pipeline ngân hàng?
12. CAP theorem áp dụng vào hệ thống dữ liệu như thế nào?
Vòng Leadership
1. Bạn nhìn nhận chiến lược dữ liệu của ngân hàng Việt Nam như thế nào trong 3-5 năm tới?
2. Nếu được tuyển, 90 ngày đầu tiên bạn sẽ làm gì?
3. Bạn đã từng thất bại trong một dự án dữ liệu? Bài học rút ra?
4. Làm sao cân bằng giữa chất lượng kỹ thuật và tiến độ kinh doanh?
5. Bạn sẽ xây dựng data culture trong tổ chức như thế nào?
---
💡 Tips chuẩn bị
✅ Chuẩn bị 2-3 dự án "best work" để kể chi tiết: vai trò của bạn, kiến trúc, thách thức, kết quả đo lường được (con số cụ thể)
✅ Nghiên cứu trước về VCB:
- Đọc chiến lược chuyển đổi số trên website
- Tìm hiểu các dự án công nghệ đã công bố (VD: VCB Digibank, hợp tác với AWS/IBM)
- Đọc Báo cáo thường niên mới nhất — phần về công nghệ
✅ Chuẩn bị câu hỏi ngược lại cho interviewer — thể hiện sự quan tâm thực sự
✅ In sẵn CV/bản mềm trong USB, đề phòng máy in không hoạt động
---
👔 Dress code
- Vòng onsite tại Trụ sở VCB: Sơ mi + quần tây + giày tây (nam), áo sơ mi/blouse + chân váy/quần tây (nữ). Vest là lý tưởng nhất vì vị trí chuyên gia.
- Không cần vest đen formal quá — VCB culture khá professional nhưng không quá stiff
- Tóc gọn gàng, không nên nhuộm quá nổi bật
- Không đeo phụ kiện quá cầu kỳ
- Nữ: makeup nhẹ nhàng, chuyên nghiệp
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị trong 2 tuần
📚 Kiến thức nền tảng cần ôn
Tuần 1: Kiến trúc & Nền tảng (8-10 giờ/ngày)
Ngày 1-2: Kiến trúc dữ liệu hiện đại
- Đọc/ôn lại: Data Warehouse, Data Lake, Lakehouse
- Tài liệu:
- "Fundamentals of Data Engineering" (Joe Reis, Matt Housley) — cuốn "bible"
- Blog: Databricks Lakehouse architecture whitepaper
- Bài tập: Vẽ sơ đồ kiến trúc Lakehouse cho core banking data
Ngày 3-4: Streaming & Batch processing
- Ôn lại Kafka: partitions, consumer groups, exactly-once semantics
- Flink: windowing, watermarks, checkpointing
- Spark: RDD vs DataFrame vs Dataset, Spark Structured Streaming
- Bài tập: Thiết kế pipeline xử lý real-time giao dịch thẻ
Ngày 5-6: Cloud Platform (chọn AWS HOẶC Azure)
- AWS: S3, Glue, Redshift, EMR, Kinesis, Lambda, IAM
- Azure: ADLS, Data Factory, Synapse, Databricks
- Bài tập: Free tier AWS/Azure, deploy một mini pipeline
Ngày 7: Databricks / Microsoft Fabric
- Delta Lake, Unity Catalog, Delta Live Tables
- MS Fabric: OneLake, Synapse Data Warehouse, Data Factory
Tuần 2: AI, Bảo mật & Case Studies (6-8 giờ/ngày)
Ngày 8-9: AI/GenAI trong Data Engineering
- LLM basics, RAG, prompt engineering
- Use cases: tự động sinh SQL, tự động tạo documentation, anomaly detection
- Công cụ: LangChain, LlamaIndex, vector databases
Ngày 10-11: Data Governance & Security trong ngân hàng
- Thông tư 41/2017/NHNN-CNTT (an toàn thông tin trong hoạt động NH)
- Data masking, encryption (at-rest, in-transit)
- Data lineage, data catalog (Collibra, Alation, AWS Glue Catalog)
- PII handling, GDPR (nếu có khách hàng quốc tế)
Ngày 12: Nghiệp vụ ngân hàng
- Core banking systems (Flexcube, T24, TCBS...)
- Card processing (Visa, Mastercard, JCB)
- Lending workflow, AML/KYC
- CRM ngân hàng
Ngày 13: Mock interview & Review
- Tự mock hoặc nhờ bạn bè phỏng vấn
- Ôn lại CV, chuẩn bị STAR stories
- Đọc case study về data warehouse ngân hàng
Ngày 14: Final review & rest
- Ôn tóm tắt các điểm chính
- Chuẩn bị tâm lý, nghỉ ngơi
---
📖 Tài liệu tham khảo
Sách (must-read)
1. "Fundamentals of Data Engineering" - Joe Reis & Matt Housley ⭐⭐⭐⭐⭐
2. "Designing Data-Intensive Applications" - Martin Kleppmann ⭐⭐⭐⭐⭐
3. "Data Mesh" - Zhamak Dehghani (cho tư duy kiến trúc hiện đại)
4. "Spark: The Definitive Guide" - Bill Chambers & Matei Zaharia
5. "Kafka: The Definitive Guide" - Gwen Shapira et al.
Khóa học online
- Data Engineering Zoomcamp (free) - Alexey Grigorev
- AWS Certified Data Analytics Specialty course (Stephane Maarek / Adrian Cantrill)
- Databricks Certified Data Engineer (official training)
- Confluent Kafka Courses (free) - confluent.io
- Udemy: "Apache Kafka Series" by Stephane Maarek
Tài liệu VCB / Ngân hàng Việt Nam
- Báo cáo thường niên VCB 2 năm gần nhất
- Chiến lược chuyển đổi số ngân hàng (Ngân hàng Nhà nước công bố)
- Thông tư 41/2017/NHNN
- Quyết định 2345/QĐ-NHNN về chiến lược fintech ngân hàng
Blog/Website theo dõi
- Towards Data Science (Medium)
- Databricks Blog
- AWS Big Data Blog
- Confluent Blog (Kafka)
- The Analytics Engineering Roundup (dbt-related)
---
🎯 Checklist ngày phỏng vấn
- [ ] CV in 3 bản (cho 3 interviewer)
- [ ] Bằng cấp, chứng chỉ (bản photo + bản gốc)
- [ ] Sơ đồ kiến trúc các dự án đã làm (nếu có)
- [ ] Ghi chép các bài học kinh nghiệm (failures + successes)
- [ ] Câu hỏi muốn hỏi ngược lại nhà tuyển dụng
- [ ] Trang phục chuẩn bị sẵn từ tối hôm trước
- [ ] Đến sớm 15-20 phút tại Trụ sở VCB (198 Trần Quang Khải, Hoàn Kiếm, HN)
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp - Data Platform tại Ngân hàng
🛤️ Lộ trình thăng tiến trong lĩnh vực Data Engineering ngân hàng
```
Junior Data Engineer (0-2 năm)
↓
Data Engineer / Senior Data Engineer (2-5 năm)
↓
Chuyên gia / Expert (5-8 năm) ← BẠN ĐANG ỨNG TUYỂN VỊ TRÍ NÀY
↓
Trưởng nhóm / Team Lead (7-10 năm)
↓
Phó Trưởng phòng / Trưởng phòng (10-15 năm)
↓
Giám đốc Khối CNTT / CDO (Chief Data Officer)
```
Các "lối rẽ" nghề nghiệp
1. Vertical (chuyên sâu): Data Engineer → Senior → Expert → Principal Engineer
2. Horizontal (chuyển ngang): Data Engineer → Data Architect → Cloud Architect → Solution Architect
3. Management: Data Engineer → Engineering Manager → Director
4. Chuyển sang business: Data Engineer → Product Manager (Data Products) → CDO
5. Consulting: Sau 8-10 năm có thể sang các công ty tư vấn lớn (Big4, McKinsey) với mức lương cao hơn nhiều
---
💰 Mức lương kỳ vọng theo cấp bậc (Ngân hàng Việt Nam 2024-2025)
| Cấp bậc | Big4 banks (VCB, CTG, TCB, MB) | Ngân hàng TMCP khác | Fintech / Tập đoàn lớn |
|---|---|---|---|
| Junior DE | 15-25 triệu | 12-20 triệu | 20-35 triệu |
| Mid-level DE | 30-50 triệu | 25-40 triệu | 40-70 triệu |
| Senior DE | 50-80 triệu | 40-65 triệu | 70-120 triệu |
| Expert (vị trí này) | 80-150 triệu | 65-100 triệu | 120-200 triệu |
| Lead/Manager | 100-180 triệu | 80-130 triệu | 150-300 triệu |
| Director/CXO | 200-500+ triệu | 150-300 triệu | 300-1000+ triệu |
> 📌 Lưu ý: VCB là ngân hàng nhà nước, lương cứng không cao bằng TCB/MB/VPB nhưng có thưởng cuối năm lớn (2-6 tháng lương), chế độ phúc lợi ổn định, thương hiệu rất tốt trên CV. Tổng thu nhập thực tế Expert-level VCB có thể 150-250 triệu/năm bao gồm thưởng.
Các yếu tố ảnh hưởng lương
- Chứng chỉ quốc tế (AWS/Azure/Databricks): +10-20%
- Kinh nghiệm làm ở Big Tech (Google, AWS, VNPT, FPT): +20-30%
- Khả năng dẫn dắt team: +15-25%
- Trình độ tiếng Anh tốt (IELTS 7.0+): +10-15%
---
🚀 Kỹ năng cần phát triển thêm để thăng tiến
Kỹ năng kỹ thuật (nên có trong 1-2 năm tới)
1. Real-time analytics: Flink, Kafka Streams, Pinot, Druid
2. MLOps / DataOps: MLflow, Kubeflow, dbt, Great Expectations
3. DataOps & CI/CD cho data pipeline: Airflow DAGs testing, GitOps
4. Infrastructure as Code: Terraform, CloudFormation
5. Observability: Grafana, Prometheus, OpenTelemetry cho data pipeline
6. Vector databases & RAG: Pinecone, Weaviate, Milvus — cho AI use cases
7. Data Mesh mindset — xu hướng đang lên trong ngân hàng lớn
Kỹ năng phi kỹ thuật (quan trọng hơn khi lên senior)
1. Business acumen: Hiểu business model ngân hàng, BI, risk
2. Public speaking: Thuyết trình trước ban lãnh đạo, training đội ngũ
3. Vendor management: Làm việc với IBM, AWS, Microsoft, Accenture
4. Negotiation & influence: Bán giải pháp cho các phòng ban khác
5. Writing: Viết proposal, kiến trúc tài liệu, RFC
Kỹ năng nên có để "đi xa hơn"
- MBA hoặc chứng chỉ quản lý (PMP, SAFe, ITIL)
- Xuất bản bài báo/nói tại hội nghị → tăng brand cá nhân
- Mentoring & community building → xây dựng team
---
💎 Lời khuyên chân thành
1. Vị trí này KHÔNG dành cho người mới ra trường — nếu bạn dưới 5 năm kinh nghiệm, hãy tìm vị trí Data Engineer trước, build portfolio 2-3 năm rồi quay lại.
2. VCB là "học viện" tốt nhất cho data engineer ngân hàng — sau khi có 3-5 năm ở đây, bạn có thể "nhảy" sang bất kỳ ngân hàng nào, fintech, hoặc tập đoàn lớn với mức lương tăng 50-100%.
3. Đừng bỏ qua AI/GenAI — đây là requirement không thể thiếu trong 2-3 năm tới. Hãy học ngay bây giờ (LangChain, RAG, prompt engineering) để không bị bỏ lại.
4. Hãy chuẩn bị tâm lý: Làm ở Trụ sở chính VCB áp lực rất cao, thường xuyên OT, deadline chặt. Đổi lại bạn sẽ được làm việc với các hệ thống quy mô top đầu Việt Nam và học hỏi từ các chuyên gia hàng đầu.
5. Nếu bạn yêu thích work-life balance, ngân hàng nhà nước như VCB có phần ổn định hơn private bank. Nếu muốn lương cao và làm product công nghệ "cool" hơn, cân nhắc fintech (MoMo, ZaloPay, VNPay) hoặc Big Tech Vietnam (Google, Microsoft, AWS).
Câu hỏi thường gặp
Em mới ra trường ngành CNTT, có thể apply vị trí Chuyên gia Tích hợp nền tảng dữ liệu tại VCB được không?
Không nên apply vị trí này khi mới ra trường, bạn nhé. JD yêu cầu tối thiểu 5 năm kinh nghiệm data/IT và 3 năm kinh nghiệm chủ trì dự án — đây là vị trí cấp chuyên gia (Expert), tương đương Senior/Lead. Với sinh viên mới ra trường, bạn nên:
1. Apply các vị trí Junior/Mid Data Engineer tại các ngân hàng nhỏ hơn hoặc công ty tư nhân trước (1-2 năm)
2. Học thêm chứng chỉ: AWS Cloud Practitioner, Azure Fundamentals (AZ-900), hoặc Databricks Data Engineer Associate
3. Build portfolio trên GitHub: Các project về ETL pipeline, data warehouse mini
4. Học sâu 1 cloud platform + 1 ngôn ngữ (Python/Java)
5. Sau 3-5 năm quay lại apply vị trí Expert, lúc đó hồ sơ sẽ rất mạnh
Em đang làm Data Engineer ở fintech được 4 năm, có cơ hội được không? Lương kỳ vọng bao nhiêu hợp lý?
Bạn có cơ hội tốt nhé! 4 năm data engineer + fintech background là profile rất phù hợp. Tuy nhiên JD yêu cầu "tối thiểu 5 năm" nên bạn có thể:
- Apply vẫn được — nhiều nơi vẫn xét trường hợp ngoại lệ nếu profile nổi bật
- Hoặc đợi thêm 1 năm nữa cho chắc
Về lương kỳ vọng (vị trí Expert ở VCB):
- Lương cứng: 70-120 triệu/tháng (tùy level)
- Thưởng Tết + thưởng quý: ~50-150 triệu/năm
- Tổng thu nhập: ~150-250 triệu/năm
- VCB thuộc nhóm "lương cứng không cao bằng TCB/MB nhưng thương hiệu cực tốt"
Tips deal lương:
- Đề xuất ở mức 80-90 triệu để có đà thương lượng
- Đừng nói mức lương hiện tại quá thấp, focus vào giá trị bạn mang lại
- Đề cập các chứng chỉ (AWS/Azure/Databricks) để justify mức lương cao
- Nếu VCB offer thấp, có thể dùng làm leverage để negotiate với công ty hiện tại
Mình muốn chuyển từ Backend Developer (Java) sang Data Engineer, có khả thi không? Cần chuẩn bị gì?
Hoàn toàn khả thi và là hướng chuyển ngành rất phổ biến! Java developer có nền tảng tốt cho Data Engineering. Bạn đã có lợi thế về:
✅ Ngôn ngữ lập trình (Java vẫn dùng nhiều trong Spark, Flink, Kafka ecosystem)
✅ Tư duy hệ thống, OOP, design patterns
✅ Performance optimization mindset
Lộ trình chuyển đổi (6-12 tháng):
1. Tháng 1-2: Học SQL sâu (window functions, CTE, optimization), Python cơ bản
2. Tháng 3-4: Học Apache Spark, Kafka (rất gần với Java ecosystem bạn quen)
3. Tháng 5-6: Học 1 cloud platform (AWS hoặc Azure) + thi chứng chỉ Data Engineer
4. Tháng 7-9: Build 2-3 project cá nhân, up GitHub
5. Tháng 10-12: Apply vị trí Mid-level Data Engineer
Mẹo: Trong CV, đừng viết "chuyển ngành", hãy viết "phát triển hệ thống xử lý dữ liệu quy mô lớn". Nhấn mạnh các project backend có xử lý high-throughput, low-latency — đó là kinh nghiệm liên quan.
AI/Generative AI trong data engineering được ứng dụng như thế nào? Có cần học sâu không?
AI/GenAI đang trở thành "must-have" cho Data Engineer. Tuy nhiên bạn KHÔNG cần phải là AI engineer — chỉ cần hiểu cách ứng dụng. Các use case phổ biến:
1. Auto-generate code & SQL
- Dùng LLM sinh SQL từ natural language
- Auto-complete code trong IDE (Copilot, Codeium)
- Sinh test cases cho data pipeline
2. Data Quality & Anomaly Detection
- Dùng ML models phát hiện data drift
- Auto-alert khi schema thay đổi bất thường
3. Documentation & Knowledge Management
- Auto-gen documentation cho data pipeline
- Chatbot hỏi đáp về data catalog
4. RAG trên internal data
- Cho phép staff ngân hàng query data bằng tiếng Việt
- Tự động tóm tắt báo cáo
Học gì để bắt đầu?:
- Khóa học: DeepLearning.AI "AI for Everyone" (Andrew Ng), "Generative AI with LLMs" (DeepLearning.AI)
- Tools: LangChain, LlamaIndex
- Hiểu RAG, vector database, prompt engineering
- Quan trọng nhất: Hiểu về data privacy khi dùng AI (đặc biệt ngân hàng!) — không được gửi dữ liệu khách hàng lên LLM public
VCB có thực sự chuyển đổi số mạnh không? Hay đây chỉ là chiêu marketing?
Đây là câu hỏi rất hay và bạn sẽ phải trả lời trong buổi phỏng vấn nếu interviewer hỏi về "góc nhìn của bạn với chiến lược dữ liệu ngân hàng".
Thực tế về VCB:
✅ Có làm thật:
- VCB là ngân hàng đầu tiên launch VCB Digibank (app ngân hàng số từ 2017)
- Hợp tác với IBM, AWS cho cloud transformation
- Đầu tư hàng nghìn tỷ cho CNTT mỗi năm
- Có riêng Trung tâm Dữ liệu (Data Center) riêng tại Hà Nội và TP.HCM
- Đội ngũ IT hùng hậu (gần 2000 người) — top đầu ngành
⚠️ Thực tế cần biết:
- VCB là ngân hàng nhà nước, tốc độ chậm hơn private bank (TCB, MB) do cơ chế phê duyệt
- Nhiều hệ thống legacy (core banking chạy trên mainframe) khó thay thế
- Văn hóa bảo thủ hơn, ít "fail fast" hơn so với fintech
Đánh giá khách quan: VCB chuyển đổi số CÓ THẬT nhưng tiến độ CHẬM so với MB, TCB, VPBank. Lợi thế VCB là brand, quy mô khách hàng, nguồn lực tài chính dồi dào và đội ngũ IT chất lượng cao.
Nếu được nhận, 90 ngày đầu tiên nên làm gì để gây ấn tượng tốt?
Đây là câu hỏi VCB leadership hay hỏi. Gợi ý kế hoạch 90 ngày:
30 ngày đầu - Listen & Learn (Không đề xuất gì!)
- Đọc hết tài liệu kiến trúc hiện tại của data platform VCB
- Gặp gỡ từng thành viên trong team, các bên liên quan (Business, Risk, Compliance, IT khác)
- Hiểu rõ pain points, blockers hiện tại
- Học về ngân hàng (nếu chưa từng làm): core banking, sản phẩm, quy trình
- Học các quy định nội bộ VCB
30-60 ngày - Quick Wins & Relationship Building
- Xử lý 1-2 issue nhỏ nhưng gây ảnh hưởng lớn (build credibility)
- Đề xuất 1-2 cải tiến có thể làm nhanh (auto-report, monitoring dashboard)
- Xây dựng mối quan hệ với các đơn vị business
- Tham gia các cuộc họp cross-functional
60-90 ngày - Strategic Plan
- Xây dựng roadmap 6-12 tháng cho data platform
- Đề xuất kiến trúc mục tiêu (target architecture)
- Xác định các dự án trọng điểm có ROI cao
- Lên kế hoạch nâng cấp team (training, hiring)
- Trình bày kế hoạch trước Ban Lãnh đạo Phòng/Khối
Nguyên tắc vàng: Listen first, propose later. Nhiều người mới hay sai lầm là "show off" kiến thức ngay tuần đầu — điều này gây phản cảm với team cũ.
Có nên chuyển sang làm ở Big Tech (Google, AWS Vietnam) thay vì ngân hàng không? So sánh giúp mình?
Câu hỏi hay! Cả 2 hướng đều có ưu nhược điểm, tùy vào priorities của bạn:
VCB (Ngân hàng):
- ✅ Thương hiệu CV cực mạnh trong ngành tài chính
- ✅ Làm việc với dữ liệu nhạy cảm, quy mô lớn (hàng chục triệu khách hàng)
- ✅ Học sâu về ngân hàng, fintech, compliance
- ✅ Job security cao, ít bị sa thải
- ❌ Lương cứng thấp hơn Big Tech 30-50%
- ❌ Quy trình chậm, nhiều policy
- ❌ Work-life balance kém hơn (OT nhiều)
Big Tech Vietnam (Google, AWS, Microsoft):
- ✅ Lương cao hơn 30-80% (có thể 200-400 triệu/năm cho Senior)
- ✅ Công nghệ tiên tiến, làm việc với scale toàn cầu
- ✅ Work-life balance tốt hơn (remote/flexible)
- ✅ Stock options, benefits tốt
- ❌ Không hiểu sâu về ngân hàng (nếu bạn muốn gắn bó với fintech)
- ❌ Phải cạnh tranh khốc liệt, performance pressure cao
- ❌ Nguy cơ bị ảnh hưởng bởi layoffs (2023-2024 đã có nhiều đợt)
Khuyến nghị:
- Nếu bạn dưới 30 tuổi, muốn học và build foundation: VCB (3-5 năm)
- Nếu bạn trên 30 tuổi, đã có gia đình, ưu tiên lương: Big Tech
- Nếu bạn muốn khởi nghiệp fintech sau này: VCB + 1-2 năm startup = combo hoàn hảo
- Nếu bạn muốn đi nước ngoài (US, Singapore, EU): Big Tech tốt hơn
Trong JD có nhắc đến Databricks và Microsoft Fabric, nên học cái nào trước?
Cả 2 đều quan trọng nhưng nên ưu tiên Databricks trước. Lý do:
Databricks ⭐⭐⭐⭐⭐ (Ưu tiên #1):
- Phổ biến hơn ở Việt Nam và Đông Nam Á
- Open format (Delta Lake) → linh hoạt
- Có thể chạy trên AWS, Azure, GCP (không bị lock-in)
- Spark-based → phù hợp với hầu hết data engineer
- Cộng đồng lớn, tài liệu nhiều
- Chứng chỉ "Databricks Certified Data Engineer Professional" được công nhận rộng rãi
Microsoft Fabric ⭐⭐⭐⭐:
- Mới hơn (GA từ 2023), đang lên
- Tích hợp chặt với Power BI, Azure ecosystem
- Phù hợp nếu tổ chức đã dùng Microsoft stack (Office 365, Azure)
- Có OneLake (data lakehouse) + Synapse + Power BI trong 1 platform
- Ít kinh nghiệm thực tế ở VN vì còn mới
Lộ trình học:
1. Học Databricks Lakehouse Fundamentals (free)
2. Làm project mini trên Databricks Community Edition (free)
3. Thi chứng chỉ Databricks Data Engineer Associate
4. Sau đó học Microsoft Fabric (qua Microsoft Learn - free)
5. Thi DP-600 (Fabric Analytics Engineer Associate)
Nếu có 3 tháng: Databricks (2 tháng) + Fabric (1 tháng). Nếu chỉ có 1 tháng: Databricks thôi cũng đủ.