Vietcombank tuyển dụng [THNTDL]_Chuyên viên Tích hợp nền tảng dữ liệu

Mô tả công việc

[THNTDL]_Chuyên viên Tích hợp nền tảng dữ liệu
Số lượng tuyển dung: 02
Thời gian nhận hồ sơ: Hết ngày16/11/2026
Nơi làm việc: Phòng Tích hợp nền tảng dữ liệu - Trụ sở chính VCB
I. Mô tả công việc:
1. 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.
Xây dựng và quản lý các mô hình dữ liệu của các hệ thống ứng dụng/báo cáo đã được đưa vào vận hành.
Phát triển và triển khai các hệ thống tích hợp dữ liệu và ứng dụng khai thác dữ liệu.
Thực hiện hỗ trợ kỹ thuật, xử lý sự cố liên quan đến các hệ thống tích hợp dữ liệu.

2. Phối hợp xây dựng và đảm bảo tính liên tục của hệ thống tích hợp

Phối hợp với các bộ phận liên quan để xây dựng giải pháp tích hợp dữ liệu phù hợp với yêu cầu nghiệp vụ.
Phối hợp để để phát triển giải pháp cung cấp dữ liệu dự phòng theo quy định, đảm bảo dữ liệu được cung cấp liên tục trong trường hợp nền tảng dữ liệu tập trung chính gặp sự cố.

3. Thực hiện các nhiệm vụ khác do Lãnh đạo phòng giao.

II. Tiêu chuẩn:
1. Trình độ:
- Trình độ chuyên môn: Tốt nghiệp Đại học loại Khá 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 trực thuộc khối Đại học Tổng hợp; Đại học Hà Nội; Đại học FPT; các Trường Đại học nước ngoài có uy tín.

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 nền tảng kiến thức vững chắc và hiểu biết sâu rộng một trong số các lĩnh vực sau:
‒ Hiểu biết về tích hợp nền tảng dữ liệu và ứng dụng CNTT trong môi trường điện toán đám mây như AWS, Azure, …
‒ Kiến trúc xử lý dữ liệu: Lambda, Kappa, xử lý theo hình thức batch, streaming (Kafka, Flink, …).
‒ Hiểu biết về các hệ thống lưu trữ như Object Storage, HDFS và các công cụ liên quan như Trino, Hive, MinIO, …
‒ Có kinh nghiệm sử dụng các nền tảng như Databricks, Microsoft Fabric, …
‒ Sử dụng thành thạo các ngôn ngữ như Python, C#, Java, …
‒ Có kỹ năng phân tích yêu cầu, thiết kế hệ thống và phát triển ứng dụng phần mềm.
‒ Có kiến thức về nghiệp vụ ngân hàng.
3. Kinh nghiệm:
‒ Kinh nghiệm với các công cụ quản lý luồng ETL như Airflow, IBM DataStage hoặc các công cụ mã nguồn mở.
‒ Ưu tiên ứng viên có kinh nghiệm trong lĩnh vực phát triển phần mềm và tích hợp dữ liệu.
4. Kỹ năng:
‒ Kỹ năng lập kế hoạch và quản lý thời gian hiệu quả.
‒ Kỹ năng giao tiếp và truyền đạt tốt.
‒ Kỹ năng làm việc độc lập và làm việc nhóm (theo Agile).
5. Khả năng:
‒ Tư duy logic.
‒ Tư duy chiến lược.
‒ Đánh giá, tổng hợp, phân tích.
6. Phẩm chất cá nhân:
‒ Cẩn trọng, tận tâm, chuyên cần.
‒ Chủ động, sáng tạo, thích ứng.
‒ Chịu áp lực công việc cao.
7. Độ tuổi: Không quá 35 tuổi tại thời điểm đăng ký tuyển dụng.

Phân tích kỹ năng cần có

1. Tổng quan vị trí

Vị trí Chuyên viên Tích hợp nền tảng dữ liệu thuộc Phòng Tích hợp nền tảng dữ liệu tại trụ sở chính Vietcombank ở Hà Nội, tuyển 02 người, hạn nộp hồ sơ ngày 16/11/2026. Đây là vị trí thuộc nhóm kỹ sư dữ liệu và nền tảng dữ liệu, không đơn thuần là làm báo cáo, trực quan hóa dữ liệu hay phân tích dữ liệu kinh doanh.

Công việc trọng tâm là xây dựng và vận hành luồng tích hợp dữ liệu từ các hệ thống nguồn đến kho dữ liệu, nền tảng dữ liệu và nhà máy dữ liệu; xây dựng mô hình dữ liệu; phát triển ứng dụng khai thác dữ liệu; hỗ trợ xử lý sự cố; phối hợp với các bộ phận liên quan và xây dựng phương án cung cấp dữ liệu dự phòng khi nền tảng dữ liệu trung tâm gặp sự cố.

Lưu ý về thông tin tuyển dụng

Tin tuyển dụng ghi kinh nghiệm là không có thông tin, đồng thời không nêu số năm kinh nghiệm tối thiểu. Ứng viên chưa có kinh nghiệm làm việc vẫn có thể ứng tuyển nếu đáp ứng học vấn và thể hiện năng lực qua dự án, thực tập hoặc đóng góp mã nguồn mở.
Mục cuối phần tiêu chuẩn bị bị dừng ở cụm Ưu tiên ứng viên. Cần liên hệ nhân sự để xác minh đầy đủ tiêu chí ưu tiên, chẳng hạn số năm kinh nghiệm, loại dự án hoặc chứng chỉ được ưu tiên.
Tin không công bố lương, phúc lợi, lịch làm việc, chỉ tiêu đánh giá và chính sách làm thêm. Các nội dung này cần được hỏi trực tiếp nhân sự, không nên suy đoán.
Tiêu chuẩn học vấn khá chặt: ứng viên phải tốt nghiệp hệ chính quy tập trung dài hạn, không thuộc đào tạo liên thông, văn bằng hai, tại chức hoặc vừa học vừa làm; thạc sĩ chỉ là tiêu chí được xem xét ưu tiên.

2. Ma trận yêu cầu kỹ năng

Nhóm yêu cầu	Nội dung cần đáp ứng	Mức độ	Bằng chứng nên chuẩn bị
Học vấn	Tốt nghiệp đại học loại Khá trở lên, đúng nhóm chuyên ngành được nêu hoặc chuyên ngành liên quan; đào tạo hệ chính quy dài hạn	Bắt buộc	Bằng tốt nghiệp, bảng điểm nếu được yêu cầu, chứng nhận đào tạo và tài liệu chứng minh hình thức học
Ngoại ngữ	Tiếng Anh từ B1 hoặc tương đương, đọc tài liệu và giao tiếp tốt	Bắt buộc	Chứng chỉ TOEIC, IELTS hoặc bằng chứng tương đương; nổi bật việc đọc tài liệu kỹ thuật và trình bày bằng tiếng Anh
Kiến trúc dữ liệu	Hiểu kiến trúc Lambda, Kappa, xử lý batch và streaming	Rất cao	Sơ đồ kiến trúc, giải thích được lựa chọn kiến trúc và các đánh đổi về độ trễ, tính chính xác, chi phí, vận hành
Tích hợp dữ liệu	ETL, ELT, đồng bộ dữ liệu, xử lý dữ liệu đến muộn, trùng lặp, thứ tự sự kiện và thay đổi lược đồ	Cao	Pipeline thực hiện bằng Airflow, Kafka, Flink hoặc công cụ tương đương; có cơ chế tái chạy và kiểm thử
Công cụ ETL	Airflow, IBM DataStage hoặc công cụ mã nguồn mở	Cao	DAG hoặc job sequence thực tế, xử lý phụ thuộc, retry, backfill, kiểm soát chất lượng và lịch chạy
Lưu trữ và truy vấn	Object Storage, HDFS, MinIO; Hive, Trino	Cao	Mô hình lưu trữ raw và curated, file phân vùng, định dạng cột, truy vấn SQL và tối ưu truy vấn
Lakehouse và nền tảng	Databricks, Microsoft Fabric hoặc nền tảng tương đương	Cao	Mô hình medallion hoặc tương đương, quản lý lược đồ, chất lượng dữ liệu, chia sẻ và phân quyền
Điện toán đám mây	AWS, Azure hoặc nền tảng tương đương	Cao	Thiết kế ingest, storage, compute, secret, quyền truy cập, giám sát và chi phí trên nền tảng đám mây
Lập trình	Thành thạo Python, C# hoặc Java	Cao	Mã nguồn có kiểm thử, xử lý lỗi, đọc log, làm việc với API và thư viện dữ liệu
Phân tích và thiết kế yêu cầu	Phân tích nghiệp vụ, thiết kế hệ thống, phát triển ứng dụng	Cao	Tài liệu yêu cầu nghiệp vụ, mô hình dữ liệu, trường hợp kiểm thử và quy trình phê duyệt
Vận hành và xử lý sự cố	Hỗ trợ kỹ thuật, giám sát, đối soát, khôi phục và phân tích nguyên nhân	Cao	Quy trình xử lý sự cố, kịch bản failover, backup, RPO, RTO và bài học sau sự cố
Nghiệp vụ ngân hàng	Hiểu dữ liệu khách hàng, tài khoản, giao dịch, thẻ, tín dụng và báo cáo	Cần có	Hiểu nguồn dữ liệu, quy tắc nghiệp vụ, đối soát và yêu cầu bảo mật dữ liệu

3. Kỹ năng cốt lõi cần phát triển

3.1. Tích hợp và kiến trúc dữ liệu

Ứng viên cần hiểu đầy đủ luồng dữ liệu từ nguồn đến nền tảng và từ nền tảng trở lại các ứng dụng:

Nguồn dữ liệu gồm hệ thống lõi, thẻ, tín dụng, khách hàng, giao dịch, báo cáo và nguồn bên ngoài.
Cơ chế lấy dữ liệu theo tệp, API, thay đổi dữ liệu, sự kiện, batch và streaming.
Phân lớp dữ liệu thô, đã chuẩn hóa và đã phục vụ mô hình; có thể sử dụng mô hình medallion gồm bronze, silver và gold.
Cơ chế idempotent để chạy lại tác vụ không làm sai lệch dữ liệu.
Xử lý bản ghi trùng, dữ liệu đến muộn, thứ tự sự kiện, lỗi một phần và thay đổi lược đồ.
Cơ chế đối soát giữa nguồn, vùng xử lý và nơi tiêu thụ để phát hiện thiếu hoặc thừa dữ liệu.

3.2. Batch và streaming

Cần có khả năng so sánh và lựa chọn, không nên học theo kiểu liệt kê công nghệ:

Batch: phù hợp dữ liệu không cần độ trễ thấp, xử lý theo lịch, khối lượng lớn và yêu cầu tính chính xác cao.
Streaming: phù hợp dữ liệu sự kiện cần phản ánh gần thời gian thực, chẳng hạn giao dịch, cảnh báo hoặc trạng thái vận hành.
Lambda: xử lý batch và streaming riêng rồi hợp nhất kết quả; đơn giản về mô hình nhưng tăng chi phí vận hành.
Kappa: duy trì một luồng log sự kiện và xử lý lại khi cần; phù hợp khi luồng dữ liệu lớn và cần tái xử lý.

3.3. Công cụ trọng tâm

Nên chọn một hướng chuyên sâu thay vì biết sơ qua tất cả:

1. Hướng tích hợp đám mây và ETL: AWS hoặc Azure, Airflow, Python, SQL, Object Storage, Trino.
2. Hướng streaming: Kafka, Flink, Java hoặc Python, kiểm soát trạng thái, checkpoint và xử lý đầu vào muộn.
3. Hướng lakehouse: Databricks hoặc Microsoft Fabric, Delta hoặc định dạng cột phù hợp, SQL, Spark và quản lý lược đồ.
4. Hướng ETL doanh nghiệp: IBM DataStage, kiểm soát job, dependency, checkpoint, metadata và tái chạy.

Các kiến thức bổ sung nên có gồm Git, Docker, Linux, REST API, quản lý bí mật, quyền truy cập, CI/CD, kiểm thử dữ liệu, giám sát log và cảnh báo. SQL là kỹ năng thực tế gần như bắt buộc dù tên miêu không liệt kê riêng, bao gồm join, window function, xử lý incremental, deduplication, truy vấn phân vùng và tối ưu truy vấn.

3.4. Vận hành, khả năng chịu lỗi và bảo mật

Đây là điểm khác biệt quan trọng giữa vị trí kỹ sư dữ liệu và vị trí chỉ xây dựng mã:

Giám sát độ trễ, độ đầy đủ, tính đúng đắn, tính duy nhất và số lượng bản ghi lỗi.
Thiết kế cảnh báo theo ngưỡng nghiệp vụ thay vì chỉ theo tình trạng máy chủ.
Xử lý sự cố theo quy trình phát hiện, khoanh vùng, khôi phục, đối soát, phân tích nguyên nhân và phòng ngừa tái diễn.
Có backup, phương án dự phòng và quy trình replay dữ liệu.
Phân quyền truy cập, mã hóa, che dữ liệu nhạy cảm, nhật ký kiểm toán và tuân thủ yêu cầu bảo mật của ngân hàng.
Biết rõ RPO, RTO, SLA và ảnh hưởng của từng quyết định kiến trúc.

4. Kỹ năng mềm cần thể hiện

Giao tiếp với nghiệp vụ: chuyển yêu cầu nghiệp vụ thành yêu cầu kỹ thuật rõ ràng, có tiêu chí nghiệm thu.
Tư duy hệ thống: nhìn được tác động của thay đổi nguồn dữ liệu đến báo cáo, ứng dụng và chất lượng dữ liệu.
Tài liệu hóa: mô tả kiến trúc, quy trình vận hành, xử lý sự cố và lịch sử quyết định.
Tinh thần sở hữu: chủ động theo dõi đến khi dữ liệu được đối soát và nghiệp thu, không chỉ giao nộp mã.
Bình tĩnh khi sự cố: nhận biết vấn đề, bảo vệ dữ liệu, phối hợp và cập nhật đúng thông tin.
Học nhanh và cập nhật kiến thức: ngành dữ liệu thay đổi nhanh, công cụ mới không thay thế tư duy thiết kế và vận hành.
Tuân thủ: hiểu dữ liệu ngân hàng là dữ liệu nhạy cảm, mọi thao tác phải theo phân quyền và kiểm toán.

5. Chứng chỉ gợi ý

Tin tuyển dụng không yêu cầu chứng chỉ cụ thể, vì vậy chứng chỉ chỉ nên dùng để chứng minh kiến thức hoặc bù điểm yếu:

Chứng chỉ	Nên dùng khi	Mức độ ưu tiên
AWS Certified Data Analytics – Specialty hoặc chứng chỉ dữ liệu tương đương của Azure	Ứng viên theo hướng điện toán đám mây và cần nền tảng về thiết kế pipeline	Trung bình
Microsoft Certified: Azure Data Engineer Associate	Ứng viên dự kiến làm việc trên Azure	Trung bình
Databricks Data Engineer Associate	Ứng viên theo hướng lakehouse và Databricks	Trung bình
Chứng chỉ dữ liệu tương đương của Microsoft Fabric	Ứng viên theo hướng Fabric và nền tảng dữ liệu hiện đại	Trung bình
Confluent Certified Developer for Apache Kafka	Ứng viên muốn chứng minh chuyên môn streaming	Trung bình
Khóa học chính thức về Apache Airflow	Ứng viên mới và cần nền tảng điều phối pipeline	Thấp; dự án thực hành quan trọng hơn
TOEIC, IELTS hoặc kỳ thi tương đương	Cần chứng minh trình độ tiếng Anh từ B1 trở lên	Cao nếu chưa có bằng chứng phù hợp

6. Portfolio nên có

Một portfolio tốt có thể bù cho thiếu kinh nghiệm thương mại. Nên chuẩn bị một dự án có kiến trúc đầu-cuối, có thể chạy lại và giải thích được:

1. Hai đến ba nguồn dữ liệu mô phỏng, chẳng hạn cơ sở dữ liệu giao dịch và hệ thống khách hàng.
2. Luồng batch bằng Airflow và luồng sự kiện bằng Kafka; có thể thay bằng một luồng đơn giản nếu thời gian giới hạn.
3. Vùng lưu trữ dạng cột trên MinIO hoặc dịch vụ đám mây, xử lý bằng Spark, Trino hoặc Python.
4. Mô hình dữ liệu và câu truy vấn SQL phục vụ báo cáo hoặc ứng dụng.
5. Kiểm thử chất lượng, đối soát số lượng bản ghi, xử lý trùng lặp và chạy lại tác vụ.
6. Giám sát, ghi log, cảnh báo, backup và tài liệu phương án khôi phục.
7. Sơ đồ kiến trúc, README, ảnh chụp kết quả và giải thích các quyết định thiết kế.

Không sử dụng dữ liệu thật của ngân hàng hoặc dữ liệu chứa thông tin cá nhân. Nếu dự án chỉ là bài học, cá nhóm hoặc mô phỏng, hãy ghi rõ phạm vi thay vì trình bày như một dự án doanh nghiệp.

7. Tự đánh giá trước khi ứng tuyển

Ứng viên nên trả lời được các câu hỏi sau:

Tôi có đủ điều kiện học vấn và hình thức đào tạo không?
Tôi có thể đọc và sử dụng tài liệu tiếng Anh chuyên ngành không?
Tôi mạnh nhất về điện toán đám mây, streaming, lakehouse hay ETL doanh nghiệp?
Tôi có thể giải thích một pipeline từ nguồn đến báo cáo mà không dùng thuật ngữ quá nhiều không?
Tôi xử lý dữ liệu trùng, đến muộn, sai lược đồ và sự cố nền tảng như thế nào?
Tôi có một dự án thực tế hoặc bài lab đủ chiều sâu để chứng minh năng lực không?
Tôi hiểu nghiệp vụ ngân hàng nào liên quan đến hệ thống tôi từng làm việc không?

Chuẩn bị phỏng vấn

1. Quy trình phỏng vấn dự kiến

Tin tuyển dụng không công bố quy trình chính thức. Dưới đây là cấu trúc thường gặp đối với vị trí kỹ sư tích hợp dữ liệu, không phải thông tin chính thức của Vietcombank.

Vòng 1: Sàng lọc hồ sơ và phỏng vấn nhân sự

Mục tiêu là kiểm tra điều kiện học vấn, lịch sử đào tạo, ngoại ngữ, mức độ phù hợp và kỳ vọng về công việc.

Câu hỏi thường gặp:

Vì sao bạn ứng tuyển vị trí Chuyên viên Tích hợp nền tảng dữ liệu?
Bạn hiểu vị trí này khác gì với vị trí kỹ sư dữ liệu, kỹ sư DevOps hay chuyên viên báo cáo dữ liệu như thế nào?
Bạn tốt nghiệp hệ chính quy chuyên ngành nào, tại trường nào và năm nào?
Kinh nghiệm hoặc dự án nào cho thấy bạn có khả năng xây dựng và vận hành luồng tích hợp dữ liệu?
Bạn sử dụng tiếng Anh trong công việc ra sao?
Mức lương mong muốn, thời gian có thể nhận việc và nguyện vọng về địa điểm làm việc là gì?

Cách chuẩn bị: mở đầu bằng phần tóm tắt 60 đến 90 giây gồm nền tảng, kinh nghiệm, một dự án liên quan và lý do ứng tuyển. Trả lời thẳng, không nêu quá nhiều công nghệ chỉ để gây ấn tượng.

Vòng 2: Bài kiểm tra kỹ thuật

Bài kiểm tra có thể bao gồm SQL, Python, trắc nghiệm kiến trúc dữ liệu hoặc một bài tình huống ngắn. Các nội dung cần chuẩn bị:

SQL: join, group by, window function, xử lý null, deduplication, truy vấn incremental và tối ưu cơ bản.
Python: đọc và biến đổi dữ liệu, xử lý lỗi, làm việc với tệp, kiểm thử hàm và cấu trúc dữ liệu.
ETL: khác biệt giữa extract, transform, load; tác vụ phụ thuộc; retry; backfill; cơ chế chạy lại an toàn.
Dữ liệu đến muộn, trùng lặp, thứ tự sự kiện, thay đổi lược đồ và kiểm soát chất lượng.
Hệ thống phân tán cơ bản: partition, consumer group, checkpoint, replica và trade-off độ trễ với chi phí.

Nếu có bài tại nhà, ứng viên cần kiểm tra rõ thời hạn, môi trường thực thi, dữ liệu mẫu, yêu cầu bảo mật và cách nộp sản phẩm. Không dùng dữ liệu thật của khách hàng.

Vòng 3: Phỏng vấn chuyên môn sâu

Người phỏng vấn thường đi sâu vào dự án thực tế và kiến thức đã ghi trong hồ sơ. Cần chuẩn bị câu trả lời theo cấu trúc: bối cảnh, nhiệm vụ, hành động, kết quả, bài học.

Câu hỏi có thể gặp:

1. Phân biệt batch và streaming khi nào nên dùng mỗi loại?
2. Lambda và Kappa khác nhau ra sao, khi nào chọn từng kiến trúc?
3. Làm thế nào để pipeline không mất dữ liệu và không tạo bản ghi trùng?
4. Kafka partition, consumer group, offset và rebalance hoạt động như thế nào?
5. Checkpoint và savepoint của Flink khác nhau thế nào?
6. Watermark xử lý dữ liệu đến muộn ra sao?
7. Airflow DAG được lên lịch và phụ thuộc thế nào? Khi nào cần retry, backfill hoặc XCom?
8. IBM DataStage khác Airflow như thế nào về mô hình job, checkpoint và metadata?
9. Trino khác Hive ở điểm nào? Khi nào nên dùng mỗi công cụ?
10. Object Storage khác HDFS như thế nào? Phân vùng dữ liệu thế nào?
11. Databricks và Microsoft Fabric giải quyết những phần nào của bài toán lakehouse?
12. Mô hình hóa dữ liệu khách hàng và giao dịch thế nào? Có cần bảng dimension thay đổi theo thời gian không?
13. Làm thế nào để đối soát dữ liệu giữa hệ thống nguồn và kho dữ liệu?
14. Khi lược đồ nguồn thay đổi, làm thế nào tránh làm sập toàn bộ pipeline?
15. Bạn chọn Python, Java hoặc C# trong trường hợp nào?
16. Một truy vấn chậm thường do nguyên nhân nào và bạn kiểm tra theo thứ tự ra sao?
17. Bạn hiểu nghiệp vụ dữ liệu ngân hàng nào và cần làm rõ điều gì khi phân tích yêu cầu?

Người phỏng vấn muốn nghe cách bạn suy luận, không chỉ nghe định nghĩa. Với mỗi công nghệ, nên nêu vai trò, trường hợp sử dụng, giới hạn và phương án thay thế.

Vòng 4: Thiết kế hệ thống hoặc tình huống nghiệp vụ

Một bài tình huống nên luyện tập:

> Thiết kế luồng tích hợp dữ liệu khách hàng và giao dịch từ nhiều hệ thống nguồn đến kho dữ liệu và nền tảng dữ liệu, sau đó cung cấp dữ liệu trở lại các ứng dụng và báo cáo. Yêu cầu phải xử lý dữ liệu đến muộn, bản ghi trùng, thay đổi lược đồ, giám sát, phân quyền và phục hồi khi nền tảng trung tâm gặp sự cố.

Khung trả lời đề xuất:

1. Làm rõ yêu cầu nghiệp vụ, độ trễ, tính sẵn có, lịch sử dữ liệu, khối lượng và chất lượng mong muốn.
2. Xác định nguồn, phương thức lấy dữ liệu, batch hay streaming, cơ chế idempotent và chính sách lỗi.
3. Thiết kế các lớp lưu trữ, vùng dữ liệu thô, vùng đã chuẩn hóa và mô hình phục vụ.
4. Bổ sung đối soát, kiểm thử chất lượng, quản lý lược đồ và cơ chế tái xử lý.
5. Thiết kế giám sát, phân quyền, mã hóa, nhật ký kiểm toán và quản lý bí mật.
6. Đề xuất backup, phương án dự phòng, RPO, RTO, chi phí và trách nhiệm vận hành.
7. Nêu rõ các giả định và phần cần hỏi lại với bên nghiệp vụ.

Một câu hỏi vận hành cũng rất dễ xuất hiện: Nền tảng dữ liệu trung tâm không hoạt động trong hai giờ, bạn xử lý thế nào? Câu trả lời tốt cần đề cập phát hiện sự cố, kích hoạt nguồn dự phòng, xác định phạm vi dữ liệu bị ảnh hưởng, tiếp tục hoặc tạm dừng phục vụ, ghi nhận bản ghi, đối soát sau khôi phục, thông báo và phân tích nguyên nhân.

Vòng 5: Phỏng vấn người quản lý và tiếng Anh

Có thể hỏi về mức độ chủ động, khả năng làm việc với nhiều bộ phận, xử lý sự cố dưới áp lực, cách học công nghệ mới và định hướng phát triển.

Câu hỏi tiếng Anh nên luyện:

Could you introduce yourself and describe your data integration project?
How do you handle duplicate or late-arriving records?
What is the difference between batch and streaming processing?
How would you troubleshoot a failed data pipeline?
How do you ensure data quality and data security?
What are the main components of your pipeline architecture?

Chuẩn bị một phần trình bày tiếng Anh dài 2 đến 3 phút về kiến trúc pipeline và một phần dài 1 phút về cách xử lý sự cố. Nói rõ, chậm và bảo đảm thuật ngữ đúng hơn là cố dùng từ khó phức tạp.

2. Chuẩn bị hành vi và tình huống

Hãy chuẩn bị 4 đến 6 câu chuyện theo cấu trúc STAR:

Đã xây hoặc vận hành pipeline dữ liệu nào?
Đã giải quyết sự cố dữ liệu hoặc sự cố hạ tầng ra sao?
Đã làm việc với yêu cầu nghiệp vụ mâu thuẫn thế nào?
Đã phát hiện và sửa lỗi chất lượng dữ liệu ra sao?
Đã phối hợp với nhiều bộ phận để hoàn thành dự án ra sao?
Đã tối ưu hiệu năng, chi phí hoặc thời gian xử lý như thế nào?

Mỗi câu chuyện nên có số liệu hoặc bằng chứng cụ thể: số nguồn, số bản ghi, độ trễ trước và sau, thời gian khôi phục, tỷ lệ lỗi, số người phối hợp hoặc mức giảm chi phí.

3. Tài liệu cần mang theo

Hồ sơ được điều chỉnh sát với từ khóa: tích hợp dữ liệu, ETL, batch, streaming, AWS hoặc Azure, Airflow, Kafka, Trino, Databricks hoặc Fabric, Python và nghiệp vụ ngân hàng.
Bản tóm tắt dự án một trang.
Sơ đồ kiến trúc dự án.
Danh sách công nghệ và phần thực sự đã làm; không liệt kê công cụ chỉ để học về.
Mã nguồn hoặc sản phẩm demo có thể trình diễn nếu phù hợp và đã loại bỏ thông tin nhạy cảm.
Bằng chứng ngoại ngữ.
Bản xác nhận điều kiện học vấn và hình thức đào tạo.

4. Trang phục và hình thức phỏng vấn

Tin tuyển dụng không quy định trang phục. Với vị trí chuyên môn tại trụ sở ngân hàng ở Hà Nội, nên chọn trang phục công sở hài hòa, chuyên nghiệp và thiếu vắng: áo sơ mi hoặc áo blouse cùng quần tây, giày công sở; có thể dùng vest nếu phỏng vấn trực tiếp và vị trí yêu cầu. Màu trung tính, giày dép sạch, không cần đeo phụ kiện gây chú ý.

Nếu phỏng vấn trực tuyến, chuẩn bị thiết bị, pin, camera và ánh sáng; đặt tài liệu ngang tầm mắt và dự phòng mạng. Với phỏng vấn tại trụ sở, nên đến sớm 10 đến 15 phút, mang bản in hồ sơ dự phòng và đi theo hướng dẫn của nhân sự.

5. Câu hỏi nên hỏi nhân sự hoặc người phỏng vấn

Phần cuối tiêu chuẩn ghi Ưu tiên ứng viên đang bị cắt; tiêu chí ưu tiên đầy đủ là gì?
Có yêu cầu tối thiểu bao nhiêu năm kinh nghiệm không?
Phạm vi trách nhiệm được ưu tiên là AWS, Azure, streaming, lakehouse hay ETL truyền thống?
Công cụ chính đang sử dụng trong đội ngũ là gì?
Quy trình phê duyệt, triển khai và xử lý sự cố diễn ra như thế nào?
Có lịch trực sự cố hoặc xử lý ngoài giờ không? Tần suất ra sao?
Chỉ tiêu đánh giá chính trong 3 tháng đầu là gì?
Thời gian thử việc, ngưỡng lương và cơ cấu thưởng như thế nào?
Các phúc lợi về bảo hiểm, chăm sóc sức khỏe, nghỉ phép, đào tạo và phụ cấp được cung cấp ra sao?
Tiêu chuẩn đánh giá sau thử việc và cơ hội phát triển theo hướng kỹ thuật là gì?

Lộ trình ôn thi

1. Mục tiêu ôn tập trong 1 đến 2 tuần

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

1. Giải thích được toàn bộ luồng tích hợp dữ liệu từ nguồn đến nền tảng và từ nền tảng đến ứng dụng.
2. Có ít nhất một dự án thực hành end-to-end có dữ liệu mô phỏng, kiểm thử, giám sát và tài liệu.
3. Viết được SQL và Python ở mức ứng dụng cho bài kiểm tra.
4. Trả lời được bài thiết kế hệ thống và trình bày dự án bằng tiếng Anh trong 2 đến 3 phút.

2. Lộ trình 14 ngày

Ngày	Nội dung	Sản phẩm cần đạt
1	Cơ sở dữ liệu quan hệ, SQL nâng cao, join, window function, chỉ mục	Hoàn thành 20 bài SQL về join, deduplication và window function
2	Mô hình dữ liệu, ETL và ELT, batch, dữ liệu đến muộn, trùng lặp, idempotency	Sơ đồ mô hình dữ liệu và bảng so sánh batch với streaming
3	Kafka, partition, consumer group, offset, delivery semantics; Flink, state, watermark, checkpoint	Giải thích cách xử lý dữ liệu trùng và đến muộn
4	Airflow, DAG, scheduler, executor, retry, backfill; khái niệm job trong DataStage	Một DAG mẫu và một quy trình tái chạy an toàn
5	Object Storage, HDFS, MinIO, Hive, Trino, định dạng cột và phân vùng	So sánh công nghệ lưu trữ và truy vấn
6	Databricks, Microsoft Fabric, lakehouse, medallion, quản lý lược đồ	Sơ đồ pipeline lakehouse
7	AWS và Azure: dịch vụ lưu trữ, tính toán, ingest, secret, quyền truy cập, chi phí	Mô hình triển khai trên đám mây
8	Python cho dữ liệu và điều phối; kiểm thử, xử lý lỗi, API	Một module Python có kiểm thử
9	Dự án mini: xây nguồn, pipeline, lưu trữ, mô hình và truy vấn	Pipeline batch hoặc streaming chạy được
10	Chất lượng dữ liệu, đối soát, giám sát, bảo mật, phân quyền, nhật ký kiểm toán	Bộ kiểm thử và quy tắc đối soát
11	Phục hồi, backup, RPO, RTO, xử lý sự cố và failover	Kịch bản sự cố cùng phương án khôi phục
12	Nghiệp vụ ngân hàng: khách hàng, tài khoản, giao dịch, thẻ, tín dụng, dữ liệu tổng hợp	Bản đồ nguồn dữ liệu và quy tắc nghiệp vụ
13	Thiết kế hệ thống, tình huống sự cố và phỏng vấn hành vi	Bài trình bày kiến trúc trong 10 phút
14	Mô phỏng phỏng vấn, rà soát hồ sơ, luyện tiếng Anh và sửa điểm yếu	Bộ câu hỏi tự hỏi và bản tóm tắt dự án

Lộ trình rút gọn 7 ngày

Ngày 1: SQL và mô hình dữ liệu.
Ngày 2: ETL, Airflow và Kafka cùng Flink.
Ngày 3: lưu trữ, Trino, Hive, lakehouse và đám mây.
Ngày 4: Python và bắt đầu dự án mini.
Ngày 5: hoàn thành dự án, chất lượng và giám sát.
Ngày 6: vận hành, phục hồi và nghiệp vụ ngân hàng.
Ngày 7: thiết kế hệ thống, phỏng vấn mô phỏng và tiếng Anh.

3. Dự án mini nên triển khai

Bối cảnh

Xây dựng pipeline tổng hợp dữ liệu khách hàng và giao dịch từ hai nguồn: một cơ sở dữ liệu quan hệ và một hệ thống phát sự kiện. Dữ liệu phải được đối soát, chuẩn hóa, lưu theo mô hình phân tầng và phục vụ một báo cáo hoặc ứng dụng.

Kiến trúc gợi ý

1. PostgreSQL hoặc một tệp CSV làm nguồn batch.
2. Kafka làm nguồn streaming nếu còn thời gian; nếu không, chỉ dùng Airflow và giải thích rõ giới hạn của phương án.
3. Airflow điều phối pipeline batch.
4. MinIO hoặc dịch vụ lưu trữ đám mây lưu dữ liệu dạng Parquet.
5. Trino, DuckDB hoặc Spark xử lý và truy vấn.
6. Python thực hiện kiểm tra chất lượng, đối soát và sinh báo cáo.
7. Git quản lý mã nguồn; Docker hỗ trợ tái lập môi trường.

Yêu cầu bắt buộc của dự án

Có mô hình khách hàng, tài khoản và giao dịch với khóa chính rõ ràng.
Có ít nhất một trường hợp trùng lặp và một trường hợp dữ liệu đến muộn.
Có kiểm thử kiểm tra số bản ghi đầu vào, đầu ra và tổng tiền hoặc tổng số giao dịch.
Có cơ chế chạy lại không làm sai lệch dữ liệu.
Có kiểm tra lỗi từng bản ghi thay vì dừng toàn bộ pipeline khi gặp một bản ghi sai.
Có tài liệu kiến trúc, chạy thử, giám sát và phương án khôi phục.
README giải thích rõ giới hạn và hướng mở rộng của dự án.

4. Kiến thức cần kiểm tra

SQL và dữ liệu

Quan hệ khóa chính, khóa ngoại, chuẩn hóa và denormalization.
Mô hình hóa dữ liệu, bảng sự kiện, chi tiết và chiều.
Join, aggregation, window function, common table expression và xử lý null.
Phân vùng, clustering, định dạng cột và tối ưu truy vấn.
Incremental load, change data capture, deduplication và late arrival.

Tích hợp và điều phối

Extract, transform, load; extract, load, transform.
Phụ thuộc tác vụ, retry, timeout, backfill và xử lý lỗi một phần.
Metadata, lineage, data contract và schema evolution.
Quản lý bí mật, xác thực, quyền truy cập và bảo mật đường truyền.

Streaming

Topic, partition, key, consumer group, offset và rebalance.
Delivery semantics, idempotent producer, deduplication và transaction nếu phù hợp.
Event time, processing time, window, watermark và allowed lateness.
State backend, checkpoint, savepoint và phục hồi trạng thái.

Lakehouse và điện toán đám mây

Lịch sử dữ liệu, delta và incremental table.
Medallion architecture và chất lượng ở từng lớp.
Identity and access management, secrets, encryption và network isolation.
Quản lý chi phí theo lưu trữ, tính toán, truy vấn và truyền dữ liệu.

Vận hành

Data quality dimension: đầy đủ, hợp lệ, duy nhất, nhất quán, chính xác và đúng thời gian.
Monitoring, logging, metrics, tracing và alerting.
Backup, restore, failover, replay, RPO và RTO.
Quy trình thay đổi, phê duyệt, triển khai và rollback.

5. Tài liệu tham khảo

Tài liệu chính thức

Tài liệu Apache Airflow về DAG, scheduler, executor và dịch vụ quản lý.
Tài liệu Apache Kafka về partition, consumer và delivery semantics.
Tài liệu Apache Flink về state, checkpoint, window và watermark.
Tài liệu Trino và Hive về truy vấn phân tán và metadata.
Tài liệu Spark, Databricks và Microsoft Fabric về lakehouse, Delta và phân vùng.
Tài liệu AWS Well-Architected và các dịch vụ dữ liệu của AWS; tài liệu kiến trúc dữ liệu của Azure.
Tài liệu về Data Engineering Fundamentals, Data Contracts, OpenLineage hoặc chuẩn tương đương.

Sách nên đọc theo thứ tự

1. Fundamentals of Data Engineering để nắm tổng quan về hệ thống dữ liệu và vòng đời dữ liệu.
2. Data Engineering Cookbook để luyện các mẫu thiết kế và xử lý batch, streaming.
3. Designing Data-Intensive Applications để hiểu sâu trade-off của hệ thống phân tán.
4. Tài liệu chuyên sâu về Airflow, Kafka hoặc Databricks tùy hướng chuyên môn chính.

Không cố đọc hết trước khi bắt đầu dự án. Mỗi chủ đề nên được học theo vòng lặp: kiến thức nền, ví dụ nhỏ, bài thực hành, ghi lại điểm yếu.

6. Nghiệp vụ ngân hàng cần biết

Cấu trúc dữ liệu khách hàng, nhóm khách hàng và mối quan hệ giữa cá nhân với tổ chức.
Tài khoản, số dư, giao dịch và cấu trúc sổ cái.
Sản phẩm thẻ, tín dụng, tiền gửi và hạn mức.
Quy trình định danh khách hàng, phát hiện giao dịch bất thường và kiểm tra tuân thủ liên quan.
Báo cáo quản trị, báo cáo giám sát và dữ liệu tổng hợp phục vụ ra quyết định.
Đối soát dữ liệu giữa hệ thống lõi, hệ thống thẻ, hệ thống tín dụng và báo cáo.
Dữ liệu cá nhân, dữ liệu tài chính nhạy cảm, phân quyền và yêu cầu nhật ký kiểm toán.

7. Bài tự kiểm tra trước ngày phỏng vấn

Tôi có thể vẽ kiến trúc pipeline từ năm nguồn đến báo cáo và ứng dụng trong 10 phút không?
Tôi có thể giải thích lý do chọn batch hoặc streaming trong từng tình huống không?
Tôi có thể xử lý dữ liệu trùng, đến muộn và thay đổi lược đồ trong một bài lab không?
Tôi có thể viết truy vấn SQL và câu trả lời phỏng vấn mà không cần tra mọi lời giải thích không?
Tôi có thể trình bày một sự cố theo chuỗi phát hiện, khoanh vùng, khôi phục, đối soát và phòng ngừa không?
Tôi có thể nói rõ RPO, RTO, SLA và sự khác biệt giữa batch với streaming bằng tiếng Anh không?
Hồ sơ của tôi có đủ bằng chứng cho ba kỹ năng chính: tích hợp, lưu trữ và truy vấn, vận hành và giám sát không?

Tư vấn nghề nghiệp

1. Định vị nghề nghiệp của vị trí

Đây là vị trí kỹ sư dữ liệu và nền tảng dữ liệu, nằm giữa phát triển phần mềm, kỹ sư DevOps và kỹ sư dữ liệu. Giá trị lớn nhất của ứng viên không nằm ở số công nghệ đã biết mà nằm ở khả năng thiết kế luồng dữ liệu đáng tin cậy, hiểu nghiệp vụ ngân hàng và xử lý sự cố dưới áp lực.

Một số phân biệt quan trọng:

Không phải vị trí xây dựng mô hình học máy chủ yếu.
Không chỉ là vị trí viết SQL và làm báo cáo.
Không hoàn toàn giống vị trí quản trị hạ tầng, vì trọng tâm là dữ liệu, mô hình dữ liệu và chất lượng đầu ra.
Có tính chất vận hành rõ ràng: hệ thống phải liên tục, có backup và phương án dự phòng.

2. Lộ trình thăng tiến

Hướng kỹ thuật

1. Chuyên viên Tích hợp dữ liệu hoặc Data Integration Engineer.
2. Chuyên viên cấp cao về Data Platform, Senior Data Engineer hoặc Cloud Data Engineer.
3. Trưởng nhóm tích hợp dữ liệu, Data Platform Lead hoặc kiến trúc sư dữ liệu.
4. Kiến trúc sư dữ liệu doanh nghiệp hoặc giám đốc nền tảng dữ liệu.

Hướng nghiệp vụ và sản phẩm

1. Chuyên viên phân tích nghiệp vụ dữ liệu hoặc Product Owner cho nền tảng dữ liệu.
2. Quản lý sản phẩm dữ liệu, tư vấn kiến trúc cho nghiệp vụ ngân hàng.
3. Lãnh đạo dự án chuyển đổi số, quản trị dữ liệu hoặc phân tích rủi ro dữ liệu.

Kế hoạch 12 tháng

Trong 0 đến 3 tháng

Học quy trình, quy ước đặt tên, kiểm soát phiên bản và kiến trúc hiện tại.
Hiểu các nguồn dữ liệu, chủ sở hữu dữ liệu và quy tắc nghiệp vụ cốt lõi.
Làm chủ ít nhất một luồng dữ liệu và tham gia trực tiếp vào xử lý sự cố.
Ghi lại mọi quyết định thiết kế và học cách truy vết dữ liệu từ nguồn đến báo cáo.

Trong 3 đến 6 tháng

Sở hữu một pipeline end-to-end, bao gồm chất lượng, giám sát, phân quyền và tài liệu.
Tự động hóa kiểm thử, đối soát và triển khai.
Cải thiện độ trễ, độ ổn định, chi phí hoặc khả năng tái chạy.
Tham gia đánh giá yêu cầu và thiết kế giao diện dữ liệu giữa các bộ phận.

Trong 6 đến 12 tháng

Dẫn dắt một sáng kiến cải tiến ở cấp nhóm, ví dụ chuẩn hóa mô hình dữ liệu hoặc xây dựng nền tảng giám sát.
Mentor ứng viên mới và xây dựng bộ tài liệu vận hành.
Phát triển chuyên môn theo hướng kiến trúc dữ liệu, đám mây, streaming hoặc quản trị dữ liệu.
Chuẩn bị năng lực dẫn dắt về mặt kỹ thuật mà chưa cần chuyển sang quản lý con người.

3. Kỹ năng nên phát triển tiếp

Độ tin cậy dữ liệu: đây là lợi thế bền vững nhất trong ngân hàng. Học sâu về lineage, data contract, kiểm thử, đối soát và quản trị chất lượng.
Kiến trúc phục hồi: nắm RPO, RTO, backup, failover, replay và thiết kế vùng dự phòng.
Nghiệp vụ ngân hàng: hiểu nguồn dữ liệu, quy tắc đối soát, báo cáo bắt buộc và dữ liệu nhạy cảm.
Cloud economics: hiểu cách chọn compute, lưu trữ, truy vấn và cách kiểm soát chi phí.
Data security: phân quyền theo vai trò, mã hóa, che dữ liệu, quản lý bí mật và nhật ký kiểm toán.
Kỹ năng ảnh hưởng kỹ thuật: viết tài liệu thiết kế, trình bày trade-off và hướng dẫn đội ngũ khác.
Tiếng Anh chuyên ngành: đọc tài liệu, tham gia họp và trình bày quyết định kỹ thuật mà không cần dịch từng câu.

4. Mức lương kỳ vọng

Tin tuyển dụng chỉ ghi thỏa thuận, không công bố mức lương. Dưới đây là ước tính tham khảo cho thị trường Hà Nội, tính theo lương cứng gross hằng tháng và chưa bao gồm thưởng, phụ cấp hoặc phúc lợi:

Cấp bậc tham khảo	Kinh nghiệm	Khoảng lương gross ước tính
Sinh viên mới tốt nghiệp hoặc dưới 1 năm	Dưới 1 năm	15 đến 25 triệu đồng mỗi tháng
Chuyên viên có kinh nghiệm	1 đến 3 năm	20 đến 32 triệu đồng mỗi tháng
Chuyên viên cấp cao	3 đến 5 năm	28 đến 45 triệu đồng mỗi tháng
Kỹ sư cao cấp hoặc trưởng nhóm	5 đến 8 năm	40 đến 60 triệu đồng mỗi tháng
Kiến trúc sư hoặc quản lý nền tảng	Trên 8 năm	55 đến 75 triệu đồng mỗi tháng

Đây chỉ là mức lương có thể thay đổi tùy ngân hàng và thời điểm. Chứng chỉ, kinh nghiệm cloud, khả năng vận hành dữ liệu lớn và kinh nghiệm trực tiếp trong ngân hàng có thể tạo ra chênh lệch đáng kể.

Ứng viên mới có portfolio tốt có thể định hướng mức lương cứng khoảng 18 đến 25 triệu đồng gross mỗi tháng, nhưng cần hỏi nhân sự về khoảng lương của vị trí trước khi đưa ra con số. Khi đàm phán, nên xem xét toàn bộ gói:

Lương cứng và cơ cấu tăng lương.
Thưởng theo kết quả và thưởng dịch vụ.
Phụ cấp ăn trưa, đi lại, điện thoại và công tác.
Bảo hiểm, chăm sóc sức khỏe và chương trình đào tạo.
Chính sách làm thêm, trực sự cố và ngày nghỉ.
Thời gian thử việc, hợp đồng và các chế độ đào tạo.

5. Cách tạo lợi thế cạnh tranh

Chọn một hướng chuyên môn và có bằng chứng sâu; không cố học hết AWS, Azure, Kafka, Flink, Databricks và Fabric ở mức sơ qua.
Tạo một dự án có tính vận hành: giám sát, đối soát, phục hồi, phân quyền và tài liệu.
Dùng số liệu để chứng minh tác động: độ trễ, độ ổn định, thời gian xử lý, số lỗi, chi phí hoặc thời gian khôi phục.
Làm rõ nghiệp vụ ngân hàng liên quan đến dữ liệu đang xử lý.
Xây dựng kỹ năng trình bày và ảnh hưởng kỹ thuật, vì đây là yếu tố khác biệt giữa người dùng công nghệ và người phát triển sự nghiệp.
Tham gia cộng đồng kỹ thuật, đóng góp mã nguồn mở hoặc xây dựng bài lab có tài liệu; đây là bằng chứng thay thế hiệu quả khi thiếu kinh nghiệm thương mại.

6. Lời khuyên khi ứng tuyển

Ứng viên nên nói rõ mình đã thực sự làm gì trong từng dự án, vì vị trí này đòi hỏi tính chính xác hơn nhiều vị trí nghiệp vụ thông thường. Nếu chỉ biết dùng Airflow ở mức tạo DAG, hãy nói rõ mức độ; nếu đã xử lý sự cố thực tế, hãy mô tả cách phát hiện, khoanh vùng và phục hồi. Tính trung thực tạo nền tảng tốt hơn việc liệt kê nhiều công nghệ không có bằng chứng.

Với hồ sơ mới tốt nghiệp, lợi thế lớn nhất là dự án, nền tảng vững và khả năng học nhanh. Với người đã có kinh nghiệm, lợi thế là kinh nghiệm thiết kế, vận hành, xử lý sự cố và khả năng làm việc với nghiệp vụ ngân hàng.

Câu hỏi thường gặp

Tôi là sinh viên năm cuối, chưa từng làm việc. Tôi có nên ứng tuyển vị trí này không?

Bạn vẫn nên ứng tuyển nếu đáp ứng điều kiện tốt nghiệp hệ chính quy và chuyên ngành theo yêu cầu, vì tin không nêu số năm kinh nghiệm tối thiểu. Hãy chuẩn bị một dự án end-to-end thể hiện SQL hoặc Python, Airflow, Kafka, lưu trữ dữ liệu, kiểm thử chất lượng và xử lý lỗi. Trong hồ sơ, ghi rõ đây là dự án học phần hoặc cá nhân. Hãy trả lời rõ ở phỏng vấn rằng bạn chưa có kinh nghiệm thương mại nhưng đã chuẩn bị nền tảng và quy trình vận hành cụ thể. Nộp hồ sơ sớm trước hạn 16/11/2026 để còn thời gian bổ sung tài liệu và chuẩn bị phỏng vấn.

Tôi đang làm phát triển phần mềm hoặc báo cáo dữ liệu, muốn chuyển sang tích hợp nền tảng dữ liệu. Tôi cần học lại những gì?

Bạn không cần học lại toàn bộ. Hãy chuyển kinh nghiệm hiện có thành ba nhóm năng lực: phát triển và vận hành phần mềm, mô hình dữ liệu và SQL, hiểu nghiệp vụ. Phần cần bổ sung là ETL hoặc ELT, Airflow, Kafka và Flink, lưu trữ phân tán như MinIO hoặc HDFS, truy vấn bằng Trino, lakehouse như Databricks hoặc Fabric, cùng các chủ đề đối soát, lược đồ, phân quyền và phục hồi. Làm một dự án chuyển dữ liệu từ nhiều nguồn vào báo cáo sẽ giúp bạn chứng minh khả năng chuyển đổi. Trong phỏng vấn, nhấn mạnh kinh nghiệm debug, triển khai, hiệu năng và phối hợp đã có thể chuyển đổi trực tiếp sang vận hành pipeline.

Điều kiện học vấn của tôi là hệ liên thông hoặc vừa học vừa làm. Tôi có thể ứng tuyển không?

Theo tin tuyển dụng, yêu cầu là đào tạo hệ chính quy tập trung dài hạn và không bao gồm đào tạo liên thông, văn bằng hai, tại chức hoặc vừa học vừa làm. Vì vậy, hồ sơ của bạn có nguy cơ không đạt điều kiện bắt buộc. Không nên tự suy luận rằng kinh nghiệm sẽ bù được. Hãy liên hệ nhân sự trước khi nộp hồ sơ, trình bày chính xác hình thức học và xin xác nhận bằng văn bản. Nếu học vấn của bạn là thạc sĩ đào tạo chính quy đúng chuyên ngành, hãy nêu rõ vì thạc sĩ được xem xét ưu tiên.

Mức lương kỳ vọng nên là bao nhiêu cho vị trí này?

Tin tuyển dụng ghi mức lương thỏa thuận và không công bố khoảng cứng. Đây là mức lương có thể thay đổi tùy ngân hàng và thời điểm, nên bạn cần hỏi khoảng lương chính thức trước khi cam kết. Với hồ sơ mới tốt nghiệp, có dự án mạnh và nền tảng đám mây, một mức kỳ vọng khoảng 18 đến 25 triệu đồng gross mỗi tháng có thể dùng để tham khảo, nhưng không nên nêu con số nếu chưa biết tổng thưởng, phụ cấp và chính sách làm thêm. Hãy trao đổi về lương cứng, thưởng, phúc lợi, thời gian thử việc và định mức tăng lương trong cùng một cuộc trao đổi.

Giờ làm, ngày nghỉ và chính sách làm thêm của vị trí thế nào?

Dữ liệu tuyển dụng không cung cấp thông tin này, vì vậy không nên đưa ra khẳng định. Bạn cần hỏi nhân sự về lịch hành chính, ca trực, xử lý sự cố ngoài giờ, ngày nghỉ cuối tuần, chính sách làm thêm và cách phân bổ ca. Vì vị trí có trách nhiệm bảo đảm tính liên tục của hệ thống, khả năng trực hoặc xử lý sự cố theo lịch là một yếu tố cần làm rõ. Trong phỏng vấn, bạn có thể nói rõ bạn cần biết cơ chế trực và mức bù cân bằng trước khi đánh giá mức lương tổng thể.

KPI chính của vị trí Chuyên viên Tích hợp nền tảng dữ liệu là gì?

Tin không công bố KPI chính thức. Dựa trên trách nhiệm được mô tả, các kết quả có thể liên quan đến độ ổn định và tính liên tục của pipeline, chất lượng và độ đầy đủ dữ liệu, tính đúng hạn, tốc độ xử lý sự cố, số lỗi tái diễn, hiệu quả triển khai, tài liệu và mức độ tái sử dụng giữa các nguồn. Đây chỉ là suy luận từ nội dung công việc, không phải chính sách đánh giá của Vietcombank. Khi phỏng vấn, hãy hỏi cụ thể: tiêu chí trong ba tháng đầu, thang đo, tần suất đánh giá, KPI nhóm và KPI cá nhân, cũng như cách tác động của chất lượng dữ liệu đến kết quả kinh doanh.

Trong thời gian ngắn, tôi nên học toàn bộ AWS, Azure, Kafka, Flink, Airflow, Trino, Databricks và Fabric không?

Không nên. Hãy chọn một chuỗi công nghệ có thể dựng thành dự án end-to-end, chẳng hạn Python, Airflow, Kafka, MinIO, Trino và một nền tảng đám mây. Sau đó dành thời gian hiểu sâu các vấn đề dữ liệu trùng lặp, đến muộn, thay đổi lược đồ, chất lượng, giám sát và phục hồi. Databricks, Fabric, DataStage và Java hoặc C# có thể là hướng bổ sung khi phỏng vấn cho biết đội ngũ ưu tiên nền tảng nào. Điểm ấn tượng nhất là khả năng giải thích trade-off và vận hành một giải pháp, không phải số lượng tên công nghệ.

Vì sao tôi nên ứng tuyển Vietcombank cho vị trí này?

Lý do mạnh nhất nên xuất phát từ tính chất công việc: bạn sẽ tham gia xây dựng nền tảng dữ liệu có quy mô lớn, yêu cầu tính liên tục và chất lượng cao, đồng thời làm việc trong bối cảnh ngân hàng có yêu cầu tuân thủ và bảo mật nghiêm ngặt. Hãy liên hệ điều này với dự án cụ thể của bạn: đã xây pipeline, xử lý sự cố, đối soát dữ liệu hoặc thiết kế cơ chế phục hồi như thế nào. Nếu có định hướng phát triển dài hạn trong lĩnh vực dữ liệu ngân hàng, hãy nói rõ bạn muốn làm việc trong môi trường dữ liệu phức tạp và có yêu cầu vận hành cao. Không nên khẳng định về văn hóa doanh nghiệp khi chưa có thông tin chính thức.

Nếu pipeline ngừng hoạt động giữa lúc nhiều người đang sử dụng dữ liệu, tôi sẽ xử lý thế nào?

Trước tiên, xác nhận phạm vi ảnh hưởng và dừng các tác vụ có thể tạo thêm dữ liệu sai. Sau đó, phân loại sự cố theo nguồn, mạng, tính toán, lưu trữ, lịch chạy, chất lượng dữ liệu hoặc mã nguồn. Kiểm tra log, chỉ số, hàng đợi và trạng thái phụ thuộc để xác định nguyên nhân. Nếu có phương án dự phòng, kích hoạt theo quy trình và ghi nhận các bản ghi phát sinh trong thời gian gián đoạn. Sau khi khôi phục, chạy lại hoặc tái xử lý dữ liệu, đối soát số lượng và tổng số tiền, xác nhận với người sử dụng rồi mới đóng sự cố. Cuối cùng, bổ sung cảnh báo, kiểm thử, tài liệu và biện pháp phòng ngừa tái diễn.

Lộ trình hai năm giúp tôi phát triển từ vị trí này như thế nào?

Trong 12 tháng đầu, hãy làm chủ một pipeline, hiểu đầu-cuối luồng dữ liệu, học quy trình phê duyệt và tham gia xử lý sự cố. Sau 12 đến 18 tháng, mở rộng sang thiết kế kiến trúc, tối ưu chi phí, chuẩn hóa chất lượng và xây dựng thành phần dùng chung. Từ 18 đến 24 tháng, hãy dẫn dắt một sáng kiến cấp nhóm, mentor vị trí mới và chuẩn bị điều kiện cho hướng Senior, Data Platform Lead hoặc kiến trúc sư. Hãy đo tiến độ bằng kết quả cụ thể: số pipeline sở hữu, thời gian khôi phục, tỷ lệ lỗi, mức giảm chi phí, số lần tái sử dụng và chất lượng tài liệu.

[THNTDL]_Chuyên viên Tích hợp nền tảng dữ liệu