Trung tâm Quản trị và phân tích dữ liệu - Chuyên gia/CVCC Kiến trúc dữ liệu

Thật lòng mà nói thì chưa phù hợp đâu em. Vị trí này yêu cầu 7-10 năm kinh nghiệm thực chiến, có thể thiết kế kiến trúc cho hệ thống data quy mô ngân hàng. Với năm cuối, em nên:

1. Apply các vị trí Fresher/Junior Data Engineer, Data Analyst để tích lũy nền tảng
2. Học sâu SQL, Python, Database, Cloud
3. Làm 2-3 năm ở fintech hoặc ngân hàng nhỏ để hiểu nghiệp vụ
4. Sau đó chuyển dần lên Senior rồi Architect

OCB cũng có chương trình tuyển Fresher, em theo dõi website và LinkedIn của họ nhé.

Vị trí Chuyên gia/CVCC Data Architect tại ngân hàng tầm OCB với 8 năm kinh nghiệm thường dao động 80-130 triệu gross/tháng, tùy thuộc vào:

• Tech stack em đang dùng: Nếu có Databricks + Cloud + Data Vault sẽ được định giá cao hơn
• Kinh nghiệm ngân hàng: Có hiểu biết về Core Banking, Risk, Basel là lợi thế
• Khả năng quản lý stakeholder: Lead team, làm việc với BU
• Đàm phán: Nếu có offer từ công ty khác, dùng để leverage

Ngoài lương còn có thêm: thưởng Tết (1-3 tháng lương), thưởng KPIs, bảo hiểm sức khỏe cao cấp cho cả gia đình, training budget. Em nên research thêm mức lương trên ITViec, VietnamWorks để có benchmark chính xác hơn nhé.

OK, từ Backend 5 năm là nền tảng tốt rồi – em đã có system design, coding, database. Em cần bổ sung theo lộ trình này trong 12-18 tháng:

Giai đoạn 1 (3-6 tháng) - Data Fundamentals:

• Data Modeling: Kimball, 3NF, Data Vault (đọc sách của Kimball, làm case study)
• ETL/ELT concepts
• Data Warehouse vs Data Lake vs Lakehouse
• SQL advanced (window functions, query optimization)

Giai đoạn 2 (6-9 tháng) - Modern Data Stack:

• Databricks (rất hot ở VN hiện tại)
• 1 trong 3 cloud: AWS/Azure/GCP (ưu tiên cái OCB dùng)
• Kafka hoặc message queue
• Airflow/dbt

Giai đoạn 3 (9-12 tháng) - Domain Knowledge:

• Hiểu nghiệp vụ ngân hàng (Core Banking, Risk, AML)
• Data Governance & Data Quality
• Đọc thông tư NHNN

Giai đoạn 4 (12-18 tháng) - Practical:

• Làm 1-2 project thực tế (có thể open-source hoặc freelance)
• Viết blog chia sẻ
• Tham gia meetup Data Engineer Vietnam

Với 5 năm Backend + 1-2 năm học thêm, em hoàn toàn có thể apply Senior Data Engineer trước, rồi tiến lên Architect sau 2-3 năm nữa.

Data Vault là một phương pháp mô hình hóa dữ liệu được tạo ra bởi Dan Linstedt từ những năm 1990, đặc biệt phù hợp với doanh nghiệp lớn như ngân hàng. Có 3 thành phần chính:

• Hubs: Đại diện cho các "thực thể kinh doanh cốt lõi" (Customer, Account, Product)
• Links: Quan hệ giữa các Hub (Customer-Account, Account-Transaction)
• Satellites: Lưu trữ thuộc tính và lịch sử thay đổi của Hub/Link

Tại sao ngân hàng thích Data Vault:
1. Audit trail đầy đủ: Ngân hàng phải tuân thủ Basel II/III, SBV yêu cầu truy vết mọi thay đổi → Data Vault lưu toàn bộ history
2. Linh hoạt khi business thay đổi: Ngân hàng liên tục ra sản phẩm mới, sửa quy trình → Data Vault dễ mở rộng
3. Multi-source integration: Kết nối từ nhiều core system (có thể từ merger)
4. Parallel loading: Tối ưu performance cho hệ thống lớn

Hạn chế:

• Phức tạp hơn Kimball
• Nhiều bảng hơn → query join nhiều
• Thường dùng làm lớp Raw/Raw Vault, sau đó build Data Mart Kimball ở trên (Information Mart)

OCB nói "Data Vault là lợi thế lớn" – nếu em biết phương pháp này, CV sẽ nổi bật hơn hẳn.

Đây là câu hỏi rất hay và là "cuộc chiến" lớn trong ngành data hiện nay. Thực tế thì không có cái nào "tốt hơn tuyệt đối" – tùy ngữ cảnh:

Oracle Data Warehouse (truyền thống):

• Ưu: Mature, stable, support tốt, performance cao với OLAP, ACID mạnh
• Nhược: Đắt (license + Exadata hardware), khó scale, vendor lock-in, không phù hợp unstructured data
• Phù hợp: Core data warehouse, regulatory reporting, dữ liệu có cấu trúc rõ ràng

Databricks Lakehouse (hiện đại):

• Ưu: Rẻ hơn (pay-as-you-go), xử lý cả structured + unstructured, ML/AI tích hợp sẵn, Delta Lake có ACID, Unity Catalog
• Nhược: Phụ thuộc cloud, governance cần mature, learning curve
• Phù hợp: Data Lake, AI/ML, real-time analytics, big data

Xu hướng hiện tại ở VN:

• Nhiều ngân hàng lớn (VPBank, Techcombank, MB) đang chuyển dần sang Databricks hoặc hybrid
• Oracle vẫn giữ vai trò quan trọng cho Core Banking và một số reporting nghiệp vụ
• "Modern Data Architecture" thường là: Oracle (Core) + Databricks (Analytics/AI) + Cloud Storage

OCB tuyển role này có thể họ đang trong quá trình modernize – nên "biết cả hai" là lợi thế rất lớn.

Có, case study là phần gần như chắc chắn có ở vòng 2 hoặc vòng 3. Format phổ biến gồm 3 dạng:

Dạng 1: Take-home Case (48-72 giờ)

• Đề bài gửi qua email, bạn có 2-3 ngày làm
• Thường là thiết kế kiến trúc cho một bài toán (Customer 360, Real-time Fraud Detection)
• Nộp lại bằng slide (10-15 slides) + diagram
• Đánh giá: Tư duy end-to-end, lựa chọn tech stack, trade-off analysis

Dạng 2: Onsite Whiteboard (60-90 phút)

• Ngồi trước bảng vẽ, giải quyết vấn đề với interviewer
• Họ test cách bạn suy nghĩ, đặt câu hỏi clarification, defend quyết định
• Đánh giá: Communication, structured thinking, collaboration

Dạng 3: Discussion-based (45 phút)

• Hơn là hỏi đáp, interviewer đưa ra scenario, bạn phân tích
• Ví dụ: "OCB có 200 hệ thống nguồn, làm sao thiết kế kiến trúc tích hợp?"
• Đánh giá: Depth of knowledge, real-world experience

Tips làm case study tốt:
1. Đặt câu hỏi clarification trước: "Bạn muốn real-time hay near real-time? Scale bao nhiêu?" → cho thấy tư duy
2. Dùng Pyramid Principle: Conclusion first, sau đó supporting points
3. Vẽ diagram: Một diagram tốt giá trị hơn 1000 từ
4. Nói về trade-offs: Không có giải pháp hoàn hảo, show rằng bạn hiểu
5. End-to-end: Source → Integration → Storage → Consumption → Governance
6. Mention non-functional requirements: Security, scalability, cost, maintainability

Câu hỏi này phụ thuộc vào nhiều yếu tố, mình phân tích theo 4 góc nhìn nhé:

Lý do nên apply OCB (ngân hàng):

• Lương tốt hơn 20-40%: Ngân hàng thường trả cao hơn product company ở VN
• Dữ liệu lớn và phức tạp: Core banking, transaction data, regulatory – rất nhiều bài toán hay
• Job security cao: Ngân hàng ít bị layoff như tech
• Đa dạng bài toán: Risk, AML, fraud, customer analytics, treasury
• Phát triển chuyên môn sâu: Senior Architect trong ngân hàng được đánh giá rất cao trên thị trường

Lý do nên ở lại product company:

• Tech stack hiện đại hơn: Product thường dùng công nghệ mới nhất
• Văn hóa engineering tốt hơn: Ngân hàng đôi khi còn nhiều quy trình cũ
• Work-life balance tốt hơn: Ngân hàng có lúc áp lực compliance cao
• Tốc độ thay đổi nhanh: Product iterate nhanh hơn

Quyết định nên dựa trên:
1. Bạn muốn chuyên gia về data domain (ngân hàng) hay product mindset (tech)?
2. Giai đoạn sự nghiệp nào? 6 năm kinh nghiệm là lúc tốt để "chuyên sâu" – chọn domain tốt
3. Mục tiêu 5 năm tới: CDO ngân hàng hay VP Engineering ở tech?
4. Tài chính: Ngân hàng có chế độ tốt hơn không?

Khuyến nghị cá nhân: Nếu bạn thực sự muốn trở thành Data Architect cấp cao và tập trung vào data, ngân hàng là lựa chọn rất tốt. OCB đang trong giai đoạn phát triển, cơ hội để build từ đầu/giữa chừng là rất lớn.

Cực kỳ quan trọng – mình nói thật, Data Governance là điểm khác biệt lớn nhất giữa làm data ở ngân hàng vs ở product company. Cụ thể:

Tại sao quan trọng:
1. Tuân thủ pháp luật: NHNN yêu cầu rất chặt về data lineage, data quality, privacy
2. Trách nhiệm giải trình: Auditor (KPMG, PwC, EY) kiểm tra hàng năm, data phải truy vết được nguồn gốc
3. Bảo mật thông tin khách hàng: Nghị định 13/2023 về bảo vệ dữ liệu cá nhân
4. Quản lý rủi ro: Basel II/III yêu cầu dữ liệu chuẩn cho tính toán CAR, NPL
5. Data Quality: Sai một số có thể ảnh hưởng đến quyết định cấp tín dụng hàng triệu đô

Cần học thêm gì:

Kiến thức nền:

• DAMA-DMBOK framework (đọc cuốn này hoặc ít nhất tóm tắt)
• Data Governance Operating Model (Steward, Owner, Custodian)
• Data Quality dimensions (6 chiều: Completeness, Accuracy, Consistency, Timeliness, Uniqueness, Validity)
• Master Data Management (MDM)
• Metadata Management & Data Lineage
• Data Catalog (Collibra, Informatica, Unity Catalog, Microsoft Purview)

Quy định VN:

• Thông tư 17/2019/TT-NHNN về an toàn thông tin
• Quyết định 2345/QĐ-NHNN về chuyển đổi số
• Nghị định 13/2023 về bảo vệ dữ liệu cá nhân
• TT-09/2020 về hoạt động trải nghiệm khách hàng

Chứng chỉ (nếu muốn):

• CDMP (Certified Data Management Professional) – DAMA
• Collibra Certified Data Steward
• Informatica Data Governance

Tác động đến công việc của Data Architect:

• Khi thiết kế kiến trúc, phải nghĩ đến audit trail
• Metadata, data lineage phải được capture tự động
• PII data phải có mask/encryption
• Data access phải có role-based control

> 💡 Nếu em học được Data Vault + Data Governance, em sẽ trở thành ứng viên "đắt giá" trên thị trường – nhất là cho các ngân hàng đang chuyển đổi số như OCB.