VIB tuyển dụng Thực tập sinh/CTV Hỗ trợ dự án Basel lương Thỏa thuận

Fulltime (toàn thời gian) Thỏa thuận 2 chỉ tiêu Hạn: 2026-12-31

Mô tả công việc

Trách nhiệm:

Hỗ trợ thực hiện các tác vụ trong dự án Basel nhằm đảm bảo chất lượng và tiến độ của dự án.
Hỗ trợ các công việc về phân tích dữ liệu, backtest và triển khai mô hình/ triển khai hệ thống liên quan tới tiến độ triển khai Basel III.
Hỗ trợ hoàn thiện các tài liệu kỹ thuật của dự án.
Thực hiện các nhiệm vụ khác theo hướng dẫn của cấp quản lý trực tiếp.

Yêu cầu:

Số lượng tuyển dụng: Hà Nội (01), TPHCM (01)
Sinh viên năm cuối đi thực tập hoặc mới tốt nghiệp với thành tích loại giỏi trở lên (GPA 3.5) từ các trường đại học hàng đầu Việt Nam như ĐH Bách KHoa, ĐH Kinh tế Quôc dân, ĐH Tôn Đức thắng...hoặc du học sinh.

Chuyên ngành ưu tiên:, Công nghệ Thông tin, Toán kinh tế, Toán ứng dụng, AI Engineer, Machine Learning, Data Science.
Ưu tiên các bạn sinh viên đã làm nhiều project về AI hoặc Machine learning trong quá trình học
Chủ động, cẩn thận, chăm chỉ, bảo mật trong công việc.

Kỹ năng tin học (Excel, Word) tốt.

Phân tích kỹ năng cần có

1. Điểm cốt lõi của vị trí

Đây là vị trí khởi đầu trong nhóm Quản trị Rủi ro và Tuân thủ, nên không chỉ tìm ứng viên biết lập trình mà còn cần người có tư duy dữ liệu, hiểu rủi ro ngân hàng, biết kiểm soát chất lượng và trình bày tài liệu kỹ thuật. Vị trí có thể tiếp cận ba nhóm nhiệm vụ chính: phân tích và kiểm định mô hình, hỗ trợ triển khai hệ thống, và quản lý tài liệu dự án Basel III.

2. Hard skills nên có

Nhóm kỹ năng	Mức cần chuẩn bị	Cách chứng minh với nhà tuyển dụng
Kiến thức rủi ro và Basel III	Hiểu CAR, CET1, Tier 1, vốn tự có, tài sản có trọng số rủi ro – RWA, EAD, PD, LGD, CCF; phân biệt rủi ro tín dụng, thị trường, vận hành	Trả lời rõ một mô hình đi từ dữ liệu đầu vào đến kết quả rủi ro như thế nào; không chỉ học thuật ngữ
Excel	PivotTable, XLOOKUP/INDEX-MATCH, SUMIFS, Power Query, loại bỏ trùng lặp, xử lý ngày tháng, biểu đồ và kiểm tra chênh lệch	Chuẩn bị một file phân tích có sheet dữ liệu thô, sheet xử lý, sheet kết quả và phần kiểm soát
SQL	SELECT, JOIN, GROUP BY, HAVING, CASE WHEN, CTE, window function và kiểm tra dữ liệu thiếu/trùng	Thực hiện bài tập phân tích nhóm khách hàng, khoản vay hoặc tỷ lệ nợ theo chi nhánh
Python hoặc R	pandas, NumPy, matplotlib/seaborn, scikit-learn; đọc/ghi file, làm sạch và tổng hợp dữ liệu	Có notebook hoặc GitHub mô tả đầy đủ quy trình, kết quả và hạn chế của dự án
Machine Learning	Biết chia train/validation/test theo thời gian, tránh data leakage, xử lý imbalance, đánh giá bằng AUC, KS, precision, recall, F1, calibration	Trình bày được vì sao chọn mô hình, cách backtest và cách phát hiện model drift
Backtest và kiểm định	Phân biệt đánh giá độ phân biệt, độ ổn định và mức phù hợp của dự báo; biết so sánh kết quả theo thời gian hoặc portfolio	Đưa ra ví dụ: AUC giảm, PSI tăng hoặc tỷ lệ nợ thực tế khác dự báo thì cần làm gì
Hỗ trợ triển khai hệ thống	Hiểu sơ bộ requirement, test case, UAT, log lỗi, data mapping, version control và quy trết nghiệm thu	Mô tả một lần từng tham gia xây dựng ứng dụng nhóm, kiểm thử và tài liệu hóa
Tài liệu kỹ thuật	Viết tài liệu ngắn gọn, có cấu trúc: mục tiêu, phạm vi, dữ liệu, phương pháp, kết quả, rủi ro và kiến nghị	Mang theo CV dự án 1–2 trang và một file tài liệu kỹ thuật mẫu
Công cụ trình bày	Word tốt; PowerPoint ở mức có thể tóm tắt vấn đề và kết quả	Trình bày trong 5–7 slide thay vì đọc lại CV
Tiếng Anh chuyên môn	Đọc tài liệu rủi ro, tên trường dữ liệu và hướng dẫn kỹ thuật	Biết các cụm như risk-weighted assets, probability of default, backtesting, data lineage, control limits

3. Soft skills quan trọng

Chủ động: tự tìm hiểu nguyên nhân khi số liệu không khớp, không chờ giao đến đâu làm đến đó.
Cẩn thận và tư duy kiểm soát: kiểm tra được tổng, tỷ lệ, điều kiện lọc và sai lệch dữ liệu.
Giao tiếp: biết trình bày một vấn đề kỹ thuật cho người quản lý và người nghiệp vụ.
Quản lý deadline: chia nhiệm vụ nhỏ, báo tiến độ sớm và nêu rõ rủi ro ảnh hưởng đến deadline.
Bảo mật: không đưa dữ liệu khách hàng, mã nguồn hoặc tài liệu nội bộ lên GitHub, mạng xã hội hay portfolio công khai.
Tinh thần học hỏi: dự án Basel liên quan nhiều nghiệp vụ, quy định và hệ thống; ứng viên cần biết đặt câu hỏi đúng.

4. Chứng chỉ gợi ý

Tin tuyển dụng không yêu cầu chứng chỉ bắt buộc, nên chứng chỉ chỉ nên dùng để củng cố kiến thức, không thay thế dự án và năng lực thực tế:

Microsoft Power BI/Data Analytics hoặc PL-300 nếu muốn chứng minh kỹ năng trực quan hóa và mô hình hóa dữ liệu.
Coursera, IBM, DeepLearning.AI hoặc các khóa ngắn về Python for Data Science, Machine Learning và SQL.
FRM Part I nếu bạn nghiêm túc theo hướng quản trị rủi ro; cần xem trước yêu cầu đầu vào và thời gian thi.
Các khóa ngắn về phân tích tín dụng, mô hình rủi ro tín dụng, BCBS 239 và quy định an toàn vốn của Ngân hàng Nhà nước.
Chứng chỉ lập trình hoặc dữ liệu từ nền tảng uy tín có nội dung rõ ràng; không cần mua nhiều chứng chỉ chỉ để làm CV dài hơn.

5. Lưu ý về điều kiện học thuật

JD yêu cầu sinh viên năm cuối hoặc mới tốt nghiệp, thành tích từ loại giỏi trở lên, GPA 3.5. Vì JD ghi GPA nhưng không nêu thang điểm, ứng viên nên hiểu đây nhiều khả năng là thang 4.0 và xác nhận lại với HR. Danh sách trường được nêu mang tính ví dụ, không nên tự loại nếu học trường khác; thay vào đó, hãy làm nổi bật GPA, dự án, kỹ năng và khả năng đáp ứng công việc.

6. Điểm giúp hồ sơ nổi bật

Một hồ sơ tốt nên có một dự án AI/ML gần với phân tích tín dụng, dự báo nợ, chấm điểm khách hàng, phát hiện giao dịch bất thường hoặc dự báo rủi ro. Ứng viên không cần có mô hình phức tạp, nhưng phải giải thích được:

1. Bài toán cần giải quyết.
2. Nguồn và đặc điểm dữ liệu.
3. Cách làm sạch và kiểm soát rò rỉ dữ liệu.
4. Cách chia tập dữ liệu.
5. Metric lựa chọn và baseline.
6. Kết quả backtest.
7. Hạn chế, rủi ro đạo đức và hướng triển khai thực tế.

Portfolio chỉ nên dùng dữ liệu tổng hợp hoặc dữ liệu công khai, kèm sơ đồ quy trình, notebook đã ẩn danh và phần giải thích bằng tiếng Việt.

Chuẩn bị phỏng vấn

1. Quy trình phỏng vấn dự kiến

JD không công bố quy trình chính thức, nhưng với vị trí dữ liệu, mô hình và dự án ngân hàng, quy trình có thể diễn ra như sau:

1. Sàng lọc hồ sơ: GPA, trường, chuyên ngành, dự án AI/ML và thời gian có thể làm việc.
2. Bài test: Excel, SQL, Python, tư duy logic, đọc biểu đồ hoặc bài case Basel; có thể có đánh giá tiếng Anh.
3. Phỏng vấn HR: định hướng nghề nghiệp, lý do ứng tuyển, thời gian thực tập, kỳ vọng phúc lợi và mức độ sẵn sàng đi làm.
4. Phỏng vấn kỹ thuật: SQL/Python, backtest, tài liệu kỹ thuật, tư duy dữ liệu và hiểu biết Basel.
5. Phỏng vấn quản lý: độ phù hợp với môi trường ngân hàng, khả năng học hỏi, xử lýDeadline và tinh thần bảo mật.
6. Thông báo kết quả và onboarding: xác nhận hình thức thực tập/CTV, thời hạn hợp tác, mentor, công cụ, phạm vi dữ liệu và quy định bảo mật.

2. Câu hỏi thường gặp về hồ sơ và động lực

Vì sao bạn muốn vào Quản trị Rủi ro và Tuân thủ thay vì chỉ làm kỹ thuật thuần túy?
Vì sao bạn phù hợp với dự án Basel III dù chưa có kinh nghiệm ngân hàng?
Hãy giới thiệu dự án AI/ML có giá trị nhất và kết quả bạn tự đánh giá được.
Bạn đã từng làm việc nhóm, phân công nhiệm vụ và xử lý ý kiến trái chiều chưa?
Bạn hiểu thế nào là bảo mật dữ liệu trong dự án ngân hàng?
Vì sao chọn VIB và bạn biết gì về môi trường rủi ro tại ngân hàng?

Cách trả lời: dùng cấu trúc ngắn gọn: bối cảnh → việc bạn chịu trách nhiệm → kỹ năng áp dụng → kết quả → bài học. Không nên chỉ liệt kê tên thư viện như pandas, sklearn hay LightGBM.

3. Câu hỏi kỹ thuật có thể gặp

Sự khác nhau giữa Inner Join, Left Join và Full Join là gì?
Làm thế nào để tìm khách hàng trùng ID trong SQL?
PivotTable trong Excel có thể hỗ trợ kiểm tra số liệu theo chi nhánh như thế nào?
Data leakage xảy ra khi nào và ảnh hưởng ra sao?
Vì sao một mô hình có AUC tốt nhưng kết quả thực tế vẫn kém?
AUC, KS, PSI, calibration và Brier score phản ánh điều gì?
Bạn sẽ xử lý thế nào khi tổng dữ liệu trên báo cáo không khớp với hệ thống nguồn?
Hãy mô tả các bước từ requirement đến UAT khi triển khai một mô hình hoặc hệ thống rủi ro.
Nếu được cung cấp một tập dữ liệu lớn nhưng thiếu tài liệu, bạn bắt đầu phân tích từ đâu?
Bạn sẽ viết tài liệu kỹ thuật cho một mô hình dự báo nợ như thế nào?

4. Câu hỏi về Basel và quản trị rủi ro

Basel III tập trung vào những vấn đề nào?
CAR được tính như thế nào và tăng trưởng tín dụng ảnh hưởng đến CAR ra sao?
RWA là gì? Vì sao hai khoản vay có cùng giá trị nhưng có thể có RWA khác nhau?
PD, LGD, EAD và CCF lần lượt đại diện cho điều gì?
Khác biệt giữa rủi ro tín dụng, rủi ro thị trường và rủi ro hoạt động?
Backtest giúp ích gì trong quản trị mô hình rủi ro?
Vì sao chất lượng dữ liệu và data lineage quan trọng trong Basel?

Bạn không cần trả lời như chuyên gia, nhưng nên giải thích bằng ví dụ đơn giản. Ví dụ, một khoản vay có collateral tốt thường có mức độ rủi ro và trọng số thấp hơn một khoản vay không có bảo đảm, trong những điều kiện tương ứng.

5. Câu hỏi HR và thỏa thuận

Khoảng thời gian bắt đầu và cam kết tối thiểu là bao lâu?
Đây là chương trình thực tập, cộng tác viên part-time hay hợp tác theo dự án?
Phụ trách Hà Nội hay TP.HCM? Có yêu cầu đi công tác không?
Công việc chính thức hằng tuần là gì và tỷ lệ phân bổ giữa Excel, SQL, Python, tài liệu và hệ thống?
Có người hướng dẫn và cơ hội đánh giá để chuyển sang vị trí chính thức không?
Có phụ cấp, thưởng, bảo hiểm, thiết bị hoặc hỗ trợ đi lại không?
Có thường xuyên làm ngoài giờ hay không? KPI được đo bằng chất lượng, tiến độ hay khối lượng công việc?
Địa điểm làm việc cụ thể và chính sách hybrid ra sao?
Dự kiến bao giờ có thể chuyển đổi từ thực tập/CTV sang nhân sự chính thức?

Hãy hỏi một cách tôn trọng và cụ thể. Không chỉ hỏi phúc lợi; thể hiện rằng bạn quan tâm đến scope, mentoring, KPI, đánh giá năng lực và cơ hội chuyển đổi.

6. Cách chuẩn bị portfolio

Chuẩn bị:

CV 1 trang, nêu rõ GPA, trường, chuyên ngành, dự án và thời gian sẵn sàng làm việc.
Một dự án AI/ML trình bày trong 5–7 slide.
Một file Excel mẫu có dữ liệu giả lập, công thức, pivot và phần kiểm soát.
Một notebook Python hoặc R đã loại bỏ dữ liệu nhạy cảm.
Một bản tài liệu kỹ thuật 1–2 trang.

Tất cả ví dụ phải dùng dữ liệu giả lập. Không đăng logo, tên nội bộ, cấu hình hệ thống, mã nguồn thực tế hoặc bất kỳ dữ liệu khách hàng nào từ công ty hiện tại.

7. Dress code và tác phong

Chọn smart casual đến business formal: áo sơ mi trắng hoặc màu nhẹ, quần tây, giày lịch sự; có thể dùng blazer nếu phỏng vấn chính thức. Tránh đồ quá thể thao, phụ kiện gây chú ý. Tác phong ngân hàng cần chỉnh chu, đúng giờ, không sử dụng điện thoại trong buổi phỏng vấn và luôn bảo mật nội dung case test.

Lộ trình ôn thi

Lộ trình 14 ngày

Ngày 1–2: Basel III và quản trị rủi ro

Học theo thứ tự ưu tiên:

1. Vai trò của Basel III trong ngân hàng.
2. Vốn tự có, CET1, Tier 1 và tỷ lệ an toàn vốn CAR.
3. RWA và mối liên hệ với rủi ro tín dụng.
4. PD, LGD, EAD, CCF.
5. Các nhóm rủi ro tín dụng, thị trường và hoạt động.
6. Model risk, validation, backtesting và data lineage.
7. BCBS 239 – nguyên tắc tổng hợp và báo cáo dữ liệu rủi ro.
8. Các quy định hiện hành của Ngân hàng Nhà nước về an toàn vốn; luôn kiểm tra bản cập nhật mới nhất.

Kết quả cần đạt: tự vẽ được sơ đồ từ dữ liệu khoản vay → đặc trưng rủi ro → PD/LGD/EAD → RWA → báo cáo vốn, đồng thời giải thích điểm nào dễ phát sinh sai lệch.

Ngày 3–4: Excel và SQL

Excel cần luyện:

XLOOKUP, INDEX-MATCH, SUMIFS, IFERROR.
Bảng, PivotTable, PivotChart và slicer.
Power Query để gộp file, đổi kiểu dữ liệu và loại bỏ trùng.
Conditional formatting và kiểm tra tổng.
Tách ba sheet rõ ràng: Raw Data, Processing, Summary.

SQL cần luyện:

SELECT, WHERE, DISTINCT.
INNER/LEFT JOIN.
GROUP BY, HAVING và CASE WHEN.
CTE và window function như ROW_NUMBER, RANK, SUM OVER.
Kiểm tra null, duplicate và tổng reconcile.

Bài tập nên dùng bộ dữ liệu giả lập gồm khách hàng, khoản vay và trạng thái nợ. Cố gắng trả lời các câu hỏi như tỷ lệ nợ theo nhóm khách hàng, khoản vay trùng, giá trị exposure và biến động theo tháng.

Ngày 5–7: Python và Machine Learning

Học trọng tâm:

pandas và NumPy để xử lý dữ liệu dạng bảng.
matplotlib/seaborn để trực quan hóa.
scikit-learn để xây dựng baseline và mô hình.
Train/validation/test split.
Xử lý missing value, outlier và class imbalance.
Pipeline để tránh xử lý dữ liệu không nhất quán.
AUC, ROC, KS, precision, recall, F1, confusion matrix.
Calibration, PSI/CSI, MAE và RMSE.

Nếu chỉ có một tuần, hãy dùng logistic regression làm baseline, sau đó thử một mô hình cây như Random Forest. Một baseline được giải thích tốt thường có giá trị hơn một mô hình phức tạp nhưng không thể kiểm soát.

Ngày 8–9: Backtest và tài liệu mô hình

Dự án mẫu có thể là dự báo khách hàng có khả năng nợ quá hạn trong 3 hoặc 6 tháng. Tài liệu nên có:

Mục tiêu nghiệp vụ.
Population và khoảng thời gian dữ liệu.
Data dictionary.
Quy tắc loại trừ và xử lý missing/outlier.
Cách tạo label để tránh leakage.
Baseline và mô hình được lựa chọn.
Metric và kết quả.
Backtest theo thời gian, phân khúc hoặc chi nhánh.
Hạn chế, rủi ro đạo đức và hướng cải thiện.

Không dùng toàn bộ dữ liệu để chia tập ngẫu nhiên khi bài toán có yếu tố thời gian. Ví dụ, không được dùng thông tin sau thời điểm dự báo hoặc để nhãn của một quan sát ảnh hưởng đến đặc trưng của chính quan sát đó.

Ngày 10–11: Case mô phỏng

Tự tạo một đề bài 60–90 phút:

Một file dữ liệu khoản vay có khoảng 1.000 dòng và vài lỗi dữ liệu.
Dùng Excel hoặc SQL làm sạch và tổng hợp.
Tính tỷ lệ nợ theo nhóm khách hàng.
Nhận diện ba điểm bất thường.
Đề xuất ba kiểm soát trước khi đưa dữ liệu vào báo cáo.
Trình bày kết quả trong 5 phút.

Case test không phải lúc nào cũng có một đáp án duy nhất. Quan trọng là cách bạn xác định giả định, kiểm tra dữ liệu và giải thích lý do.

Ngày 12–13: Phỏng vấn thử

Luyện:

Giới thiệu bản thân trong 60–90 giây.
Trình bày dự án trong 5 phút.
Trả lời câu hỏi Basel cơ bản.
Viết truy vấn SQL trực tiếp.
Nhận diện data leakage trong một tình huống.
Trả lời câu hỏi về lương, thời gian làm và KPI.
Một tình huống: phát hiện số liệu không reconcile, bạn sẽ báo ai và làm gì?

Ghi lại câu trả lời, sau đó cắt phần dài dòng, ưu tiên kết quả định lượng và ví dụ thực tế.

Ngày 14: Tổng duyệt

Kiểm tra CV có đủ:

GPA và thang điểm.
Trường, chuyên ngành và năm học.
Link GitHub hoặc file portfolio an toàn.
Dự án, vai trò cá nhân và công cụ sử dụng.
Thời gian có thể bắt đầu và cam kết làm việc.
Địa điểm ứng tuyển rõ ràng.
Không có thông tin nhạy cảm hoặc dữ liệu của doanh nghiệp khác.

Tài liệu tham khảo

Tài liệu chính thức của Basel Committee, đặc biệt Basel III framework, BCBS 239 và các nguyên tắc liên quan đến quản trị mô hình.
Cổng thông tin Ngân hàng Nhà nước để đọc văn bản quy định hiện hành về an toàn vốn.
Microsoft Learn và tài liệu Power Query/Power BI.
SQLBolt, Mode SQL Tutorial hoặc các nền tảng bài tập SQL tương tự.
Kaggle Learn, pandas documentation, scikit-learn user guide.
Một cuốn sách nhập môn về Credit Risk Analytics hoặc Risk Management để hiểu bối cảnh nghiệp vụ.

Không nên học thuộc toàn bộ quy định. Mục tiêu là hiểu khái niệm, biết cách tra cứu nguồn chính thức và giải thích được tác động của chất lượng dữ liệu đến kết quả vốn.

Tư vấn nghề nghiệp

1. Cơ hội nghề nghiệp

Vị trí này là cửa vào phù hợp cho ba hướng:

Risk Data Analyst: phân tích chất lượng dữ liệu, báo cáo rủi ro, dashboard và cảnh báo.
Model Analyst/Model Validation: backtest, đánh giá độ ổn định, hiệu chỉnh và tài liệu hóa mô hình.
Business Analyst/Implementation Analyst: requirement, test case, UAT, data mapping và theo dõi triển khai hệ thống.

Sau đó có thể phát triển theo hướng chuyên môn như Credit Risk, Market Risk, Operational Risk, Model Risk, Data Governance hoặc Regulatory Reporting. Nền tảng Basel cũng hữu ích khi chuyển sang các ngân hàng, công ty tài chính, công ty kiểm toán, tư vấn quản trị rủi ro hoặc đơn vị triển khai phần mềm ngân hàng.

2. Lộ trình thăng tiến gợi ý

0–1 năm: Thực tập/CTV → Risk Data Analyst Junior → mô hình hóa và tự động hóa báo cáo.
1–3 năm: Junior Analyst → Analyst/Senior Analyst, chủ động phân tích và viết tài liệu độc lập.
3–5 năm: Senior Analyst → Team Lead/Subject Matter Expert, tham gia thiết kế mô hình, kiểm soát và mentoring.
5+ năm: Lead/Manager/Head of Function, phụ trách mô hình, hệ thống, quy định hoặc chương trình rủi ro.

Không nhất thiết phải chuyển sang lập trình production. Có thể đi sâu theo hướng phân tích, validation, quản trị mô hình hoặc triển khai hệ thống. Điều quan trọng là chọn một hướng có thế mạnh thay vì chỉ học rộng.

3. Kỹ năng nên đầu tư sau khi vào vị trí

1. SQL nâng cao và hiểu cơ sở dữ liệu.
2. Python, Git và reproducible workflow.
3. Power BI/Tableau và data storytelling.
4. Excel nâng cao, đặc biệt Power Query và kiểm soát chất lượng dữ liệu.
5. Kiến thức pháp lý và báo cáo theo quy định ngân hàng.
6. Thống kê, backtest và model risk.
7. Viết requirement, test case, data dictionary và UAT document.
8. Tiếng Anh chuyên môn.
9. Giao tiếp với nghiệp vụ, IT, kiểm toán và kiểm soát nội bộ.
10. Đạo đức dữ liệu, tính minh bạch và bảo mật.

Mỗi tháng nên tạo một sản phẩm cụ thể: dashboard, query tự động hóa, quy trình kiểm soát, tài liệu mô hình hoặc bài phân tích có kết luận hành động. Đừng chỉ lưu các file thao tác thủ công.

4. Mức lương và phụ cấp kỳ vọng

JD chỉ ghi thỏa thuận, không có mức phụ cấp chính thức. Các khoảng dưới đây chỉ là tham khảo thị trường, chưa phải cam kết của VIB:

Cấp bậc	Mức tham khảo gross/tháng	Yếu tố ảnh hưởng
Thực tập/CTV	Khoảng 3–8 triệu đồng hoặc theo ngày/giờ	Thời gian cam kết, địa điểm, phạm vi nhiệm vụ và khả năng chuyển đổi
Mới tốt nghiệp, 0–1 năm	Khoảng 10–18 triệu đồng	SQL/Python, dự án, hiểu Basel và khả năng làm tài liệu
Analyst, 1–3 năm	Khoảng 15–28 triệu đồng	Độc lập phân tích, UAT, dashboard và backtest
Senior Analyst, 3–5 năm	Khoảng 25–40 triệu đồng	Sở hữu sản phẩm, tư vấn nghiệp vụ và mentoring
Lead/Manager, trên 5 năm	Khoảng 35–60 triệu đồng trở lên	Quy mô hệ thống, mức độ chịu trách nhiệm, quản lý người và rủi ro

Các mức trên chưa gồm thưởng, phụ cấp, overtime hoặc benefits. Khi phỏng vấn, hãy hỏi:

Mức phụ cấp theo tháng hay theo giờ?
Có cam kết tối thiểu bao nhiêu giờ/tuần không?
Có hỗ trợ ăn trưa, đi lại, bảo hiểm hoặc thiết bị không?
Có đánh giá định kỳ và cơ hội chuyển vị trí chính thức không?
Dự kiến tăng phụ cấp sau khi học việc không?

Đừng đồng ý hoặc nghỉ việc hiện tại chỉ vì một lời hứa chuyển đổi. Cần xác nhận bằng quy trình và thỏa thuận tuyển dụng rõ ràng.

5. Lời khuyên chiến lược

Nếu bạn là sinh viên, hãy tập trung vào một dự án có chất lượng, khả năng giải thích và tác phong học hỏi. Nếu đang chuyển ngành từ kế toán, ngân hàng, công nghệ hoặc dữ liệu, hãy chuyển kinh nghiệm hiện có thành lợi thế: kiểm soát số liệu, giao tiếp nghiệp vụ, SQL cơ bản, quy trình tác nghiệp hoặc triển khai hệ thống.

Nếu đã có kinh nghiệm, đừng ứng tuyển như một người mới chỉ biết thuật ngữ. Hãy chứng minh bạn từng xử lý một vấn đề tương tự: dữ liệu thiếu, chênh lệch báo cáo, mô hình suy giảm hiệu quả, yêu cầu nghiệp vụ không rõ hoặc rủi ro trong UAT.

Cuối cùng, hãy ứng tuyển qua kênh chính thức, kiểm tra địa chỉ email và website. Ngân hàng không yêu cầu ứng viên nộp phí để phỏng vấn, mua tài liệu hoặc làm thủ tục nhận việc.

Câu hỏi thường gặp

Em là sinh viên năm cuối, GPA 3.5 nhưng chưa từng làm dự án ngân hàng có nên ứng tuyển không?

Có thể ứng tuyển nếu JD phù hợp về trường, chuyên ngành và lịch thực tập. Điểm cần chuẩn bị là một dự án dữ liệu hoặc AI/ML có mô tả rõ vấn đề, dữ liệu, phương pháp, metric, kết quả và hạn chế. Hãy dùng dữ liệu giả lập, không cố tạo kinh nghiệm ngân hàng mà bạn không có. GPA nên ghi rõ thang điểm, ví dụ 3.5/4.0.

JD ưu tiên nhiều project AI/ML; một project có đủ để cạnh tranh không?

Một project có chất lượng vẫn đủ nếu bạn hiểu sâu toàn bộ quy trình. Ưu tiên hơn là đưa ba dự án nhưng chỉ biết chạy notebook. Hãy chứng minh bạn biết xử lý data leakage, imbalance, baseline, backtest, giải thích metric và nhận diện rủi ro khi đưa mô hình vào sử dụng. Một dự án gần với chấm điểm tín dụng sẽ có lợi thế, nhưng dự báo churn hoặc phát hiện giao dịch bất thường vẫn có thể dùng để thể hiện tư duy.

Excel, SQL và Python, kỹ năng nào quan trọng nhất để chuẩn bị?

JD chỉ yêu cầu rõ Excel và Word, nhưng công việc có phân tích dữ liệu, backtest và AI/ML nên SQL và Python là lợi thế lớn. Excel rất quan trọng vì khả năng bạn được giao kiểm tra dữ liệu hằng ngày khá cao. Hãy đạt mức thành thạo Excel trước, sau đó học SQL ở mức thực hành tốt và dùng Python để hiểu dữ liệu, mô hình và tự động hóa. Không nên học một thư viện nâng cao khi còn yếu tư duy dữ liệu.

Tôi học ngành IT nhưng chưa rõ mình có phù hợp với Quản trị Rủi ro không?

Nếu bạn thích dữ liệu, kiểm soát chất lượng, phân tích hệ thống và hiểu tác động của công nghệ đến ngân hàng thì đây là hướng phù hợp. Vị trí có thể không yêu cầu phát triển phần mềm production; phần lớn năng lực cần là xử lý dữ liệu, test, tài liệu và giao tiếp. Bạn nên học thêm kiến thức rủi ro tín dụng, data lineage, UAT và cách giao tiếp với người nghiệp vụ.

Người đang làm ngân hàng hoặc tài chính muốn chuyển sang dữ liệu cần bổ sung gì?

Lợi thế của bạn là hiểu quy trình, thuật ngữ, dữ liệu nghiệp vụ và khả năng kiểm soát rủi ro. Khoảng trống thường nằm ở SQL, Python, thống kê và portfolio. Hãy chọn một bài toán liên quan trực tiếp đến công việc hiện tại, chẳng hạn phân tích tỷ lệ nợ, cảnh báo giao dịch hoặc dashboard rủi ro, nhưng chỉ dùng dữ liệu đã được phép sử dụng. Khi phỏng vấn, hãy liên hệ năng lực mới với bối cảnh ngân hàng thay vì kể lại công việc cũ.

Ứng viên đã có kinh nghiệm nên nhấn mạnh điều gì khi ứng tuyển vị trí intern/CTV?

Không nên phủ nhận kinh nghiệm, nhưng phải giải thích vì sao muốn chuyển sang dự án Basel và vai trò mới đòi hỏi gì. Hãy tập trung vào kết quả có định lượng, ví dụ giảm thời gian xử lý dữ liệu, phát hiện lỗi reconcile, tăng độ bao phủ kiểm thử hoặc xây dashboard. Nếu đã làm mô hình, cần trình bày backtest, giám sát drift và kiểm soát thay vì chỉ nêu độ chính xác.

Mức phụ cấp thực tập/CTV nên hỏi và kỳ vọng thế nào?

Tin chỉ ghi thỏa thuận, vì vậy cần hỏi mức phụ cấp, hình thức trả, số giờ làm tối thiểu, cam kết thời gian, phụ cấp khác và cơ hội chuyển đổi. Có thể so sánh với mặt bằng thị trường cho công việc dữ liệu, rủi ro và AI/ML tại Hà Nội hoặc TP.HCM, nhưng không nên đưa một con số thiếu căn cứ. Đánh giá cả mentoring, phạm vi công việc và khả năng học thực tế, không chỉ phụ cấp.

Công việc này có KPI doanh số hoặc thường xuyên làm thêm giờ không?

Mô tả không cho thấy KPI doanh số. KPI có khả năng liên quan đến chất lượng phân tích, tiến độ nhiệm vụ, tài liệu, test case và mức độ tuân thủ bảo mật. Tuy nhiên, đây chỉ là nhận định sơ bộ; ứng viên nên hỏi HR hoặc quản lý về giờ làm, thời điểm bàn giao và chính sách ngoài giờ. Nếu được giao dữ liệu thật, cần hiểu rõ quyền truy cập và không tải dữ liệu về thiết bị cá nhân.

Nếu được hỏi backtest là gì, tôi nên trả lời thế nào cho dễ hiểu?

Có thể trả lời: backtest là so sánh dự báo của mô hình với kết quả thực tế trong quá khứ để kiểm tra độ chính xác và độ ổn định. Với mô hình phân loại nợ, cần xem AUC/KS, confusion matrix, tỷ lệ dự báo đúng và mức phù hợp xác suất; với mô hình định lượng, có thể xem MAE/RMSE. Ngoài ra cần theo dõi PSI/CSI, phân nhóm theo thời gian hoặc khách hàng để phát hiện suy giảm hiệu quả.

Vị trí có thể dẫn đến những hướng phát triển nào ngoài làm thực tập?

Nếu thể hiện tốt, bạn có thể hướng tới Risk Data Analyst, Credit Risk Analyst, Model Analyst, Model Validation, Business Analyst, Data Governance hoặc Regulatory Reporting. Khả năng chuyển đổi sang nhân sự chính thức phụ thuộc vào kết quả làm việc, nhu cầu ngân sách, chính sách tuyển dụng và đánh giá của quản lý. Hãy hỏi tiêu chí đánh giá ngay từ đầu và tạo sản phẩm cụ thể trong thời gian hợp tác.

Thực tập sinh/CTV Hỗ trợ dự án Basel