[TT KT&KHDL]_Chuyên gia Khoa học dữ liệu
Mô tả công việc
Mô tả công việc
[TT KT&KHDL]_Chuyên gia Khoa học dữ liệu
Số lượng tuyển dung: 01
Địa điểm làm việc: Trụ sở chính
Thời gian nhận hồ sơ: Hết ngày 25/08/2026
Nơi làm việc: Phòng Khoa học dữ liệu thuộc Trung tâm Kỹ thuật và khoa học dữ liệu, Trụ sở chính VCB
Lưu ý: Trung tâm Kỹ thuật và khoa học dữ liệu đồng thời tuyển dụng 02 vị trí Chuyên gia tại 02 Phòng khác nhau. Ứng viên chỉ lựa chọn nộp hồ sơ DUY NHẤT 01 vị trí Chuyên gia. Ứng viên vi phạm quy định sẽ bị xem xét hủy kết quả ứng tuyển.
Mô tả công việc:
- Dựa trên yêu cầu của bộ phận nghiệp vụ, thực hiện các phân tích hoặc xây dựng các mô hình học máy/trí tuệ nhân tạo cần thiết, hỗ trợ các sáng kiến kinh doanh.
- Hiểu ứng dụng của các mô hình, từ đó phối hợp với bộ phận nghiệp vụ để xác định cách thức triển khai hiệu quả.
- Nghiên cứu ứng dụng các kỹ thuật nâng cao về phân tích dữ liệu, tìm kiếm các mô hình mới có tác động thay đổi hoạt động kinh doanh và tạo ra các cơ hội mới cho VCB; xác định giá trị, đề xuất và thực hiện triển khai sau khi được phê duyệt.
- Thực hiện các CNNV khác của Phòng Khoa học dữ liệu theo quy định liên quan của pháp luật, quy định nội bộ của VCB.
- Đề xuất nhu cầu đào tạo; phối hợp xây dựng và tham gia triển khai kế hoạch đào tạo.
- Nhiệm vụ khác
a) Tham gia triển khai các dự án chuyển đổi, nâng cao năng lực của VCB
b) Các công việc khác theo phân công của Lãnh đạo phòng/Trung tâm
Tiêu chuẩn tuyển dụng
1. Trình độ:
- Trình độ chuyên môn: Tốt nghiệp Đại học trở lên, hệ đào tạo chính quy dài hạn thuộc các chuyên ngành: Khoa học dữ liệu, Toán học, Toán tin, Khoa học máy tính, Vật lý, Xác suất, Thống kê, Kinh tế, Tài chính ngân hàng hoặc các chuyên ngành có liên quan thuộc các trường Đại học Quốc gia Hà Nội, Đại học Quốc gia TP HCM, trường Đại học Bách khoa Hà Nội, Đại học Bách khoa TP HCM, Đại học Kinh tế Quốc dân, Đại học Ngoại thương (cơ sở Hà Nội và cơ sở TP HCM), Học viện Tài chính, Học viện Ngân hàng, Học viện Bưu chính viễn thông, Học viện Kỹ thuật mật mã, Học viện Kỹ thuật quân sự và các trường Đại học có uy tín tại nước ngoài.
(Không nhận hồ sơ của thí sinh tốt nghiệp hệ liên kết, liên thông, văn bằng 2, tại chức, vừa học vừa làm)
- Trình độ ngoại ngữ: Có khả năng giao tiếp và đọc hiểu tiếng Anh các tài liệu liên quan đến công việc phụ trách.
- Trình độ tin học: Thành thạo tin học văn phòng
Ưu tiên:
- Ứng viên đạt các giải thưởng tại các cuộc thi về xây dựng mô hình, Toán, Tin, Vật lý, Thống kê, Kinh tế lượng …
- Ứng viên có chứng chỉ quốc tế như CFA, FRM, PRM, …
- Ứng viên có trình độ Thạc sĩ trở lên tại các lĩnh vực liên quan
2. Kinh nghiệm:
- Có ít nhất 3-5 năm kinh nghiệm xây dựng mô hình học máy/trí tuệ nhân tạo sử dụng dữ liệu thực, có ứng dụng thực tế (đặc biệt là các mô hình ứng dụng trong ngân hàng).
- Sử dụng thành thạo các phần mềm về dữ liệu và phân tích như Python, SQL, R, SAS, Matlab,...
Ưu tiên: ứng viên có kinh nghiệm
- Tự nghiên cứu và triển khai xây dựng các mô hình sử dụng kỹ thuật mới/nâng cao
- Triển khai các dự án, đặc biệt dự án ứng dụng trong kinh doanh tài chính ngân hàng,
- Làm việc với nhiều loại dữ liệu, dữ liệu lớn phức tạp, dữ liệu ngân hàng, quản lý cơ sở dữ liệu lớn
- Xây dựng/triển khai các hệ thống nền tảng phục vụ việc xây dựng/triển khai mô hình học máy, các hệ thống tự động hóa tại Ngân hàng
- Ứng viên có kinh nghiệm quản lý trong lĩnh vực tương đương tại các tổ chức tài chính, ngân hàng trong nước/quốc tế.
- Ứng viên có năng lực và/hoặc kinh nghiệm ứng dụng AI trong công việc chuyên môn.
- Ứng viên có kinh nghiệm đảm nhiệm vị trí Kỹ sư AI (AI Engineer).
- Ứng viên có năng lực hoặc kinh nghiệm trong công tác quản lý, kiểm soát an ninh, an toàn thông tin liên quan đến việc ứng dụng AI.
3. Kiến thức:
- Có kiến thức nền tảng tốt về khoa học dữ liệu, xác suất, thống kê.
Ưu tiên:
- Có kiến thức về tài chính ngân hàng
- Có khả năng nghiên cứu các kỹ thuật mới liên quan đến mô hình phân tích dữ liệu
4. Độ tuổi: Không quá 45 tuổi.
Kỹ năng và phẩm chất cá nhân
1. Kỹ năng:
- Kỹ năng phân tích dữ liệu.
- Kỹ năng nghiên cứu, tìm hiểu các kỹ thuật phân tích dữ liệu mới và liên tục tìm cách cải tiến, đề xuất các phương pháp mới.
- Kỹ năng làm việc theo nhóm /tổ chức.
- Kỹ năng giao tiếp, đàm phán.
- Kỹ năng tổ chức thực hiện, sắp xếp công việc.
2. Khả năng:
- Phân tích/phán đoán.
- Tư duy Logic.
3. Phẩm chất cá nhân:
- Tinh thần trách nhiệm cao
- Chủ động trong công việc
- Trung thực, kỷ luật
- Có ý chí quyết tâm hoàn thành mục tiêu công việc được giao
Phân tích kỹ năng cần có
Phân tích kỹ năng cần có cho vị trí Chuyên gia Khoa học dữ liệu tại VCB
1. Hard Skills (Kỹ năng cứng) - BẮT BUỘC
🎯 Lập trình & Công cụ
- Python (bắt buộc thành thạo): pandas, numpy, scikit-learn, TensorFlow/PyTorch, XGBoost, LightGBM
- SQL (bắt buộc): truy vấn phức tạp, tối ưu hóa, làm việc với data warehouse
- R, SAS hoặc Matlab (ít nhất 1 trong 3): phân tích thống kê, mô hình hóa
- Tin học văn phòng: Excel nâng cao, PowerPoint thuyết trình
📊 Machine Learning / AI
| Lĩnh vực | Cần biết | Nên giỏi |
|---|---|---|
| Supervised Learning | Linear/Logistic Regression, Decision Tree, Random Forest, SVM | Gradient Boosting, Ensemble methods |
| Unsupervised Learning | K-means, PCA, Clustering | DBSCAN, t-SNE, Anomaly Detection |
| Deep Learning | MLP, CNN cơ bản | RNN, LSTM, Transformer, LLM fine-tuning |
| NLP | Tokenization, Text preprocessing | BERT, GPT, RAG, Vector databases |
| MLOps | Model versioning cơ bản | MLflow, Airflow, Docker, Kubernetes, CI/CD cho ML |
| Time Series | ARIMA, Exponential Smoothing | Prophet, LSTM cho time series |
📐 Toán học & Thống kê (nền tảng cốt lõi)
- Xác suất thống kê nâng cao
- Toán tối ưu (Optimization)
- Linear Algebra, Calculus
- Kiểm định giả thuyết, phân tích phương sai
- Bayesian Statistics
🏦 Kiến thức ngân hàng (ưu tiên cao)
- Credit scoring, PD/LGD/EAD (Basel II/III)
- Anti-Money Laundering (AML), Fraud Detection
- Customer segmentation, Churn prediction
- Risk modeling (Market risk, Credit risk, Operational risk)
- Treasury & ALM analytics
2. Soft Skills (Kỹ năng mềm)
🤝 Kỹ năng giao tiếp & làm việc nhóm
- Kỹ năng đàm phán: thuyết phục business unit triển khai mô hình
- K năng giao tiếp phi kỹ thuật: chuyển đổi ngôn ngữ kỹ thuật sang business insights
- Teamwork: phối hợp với IT, nghiệp vụ, quản lý cấp cao
🧠 Tư duy & Phân tích
- Tư duy logic, phân tích phán đoán
- Tư duy phản biện với dữ liệu
- Khả năng nghiên cứu độc lập các kỹ thuật mới
- Storytelling với dữ liệu
📋 Kỹ năng tổ chức
- Quản lý dự án (project management)
- Sắp xếp ưu tiên công việc
- Đào tạo & phát triển đội ngũ
3. Chứng chỉ quốc tế khuyến nghị
| Chứng chỉ | Lĩnh vực | Mức độ ưu tiên tại VCB |
|---|---|---|
| CFA | Tài chính đầu tư | ⭐⭐⭐⭐⭐ Cao nhất |
| FRM | Quản trị rủi ro | ⭐⭐⭐⭐⭐ Cao nhất |
| PRM | Quản trị rủi ro chuyên nghiệp | ⭐⭐⭐⭐ Rất cao |
| Google Data Analytics / ML Certificate | Data Science nền tảng | ⭐⭐⭐ Trung bình |
| AWS/Azure ML Specialty | Cloud ML | ⭐⭐ Trung bình |
| TensorFlow Developer Certificate | Deep Learning | ⭐⭐⭐ Trung bình |
| SAS Certified | Advanced Analytics | ⭐⭐⭐⭐ Cao với VCB |
4. Bảng so sánh mức độ phù hợp theo profile
| Profile ứng viên | Độ phù hợp | Lý do |
|---|---|---|
| Data Scientist 3-5 năm tại Fintech/Tech | ⭐⭐⭐⭐ | Kỹ năng ML tốt, cần học thêm banking domain |
| Data Scientist 3-5 năm tại ngân hàng | ⭐⭐⭐⭐⭐ | Phù hợp hoàn toàn, hiểu nghiệp vụ |
| PhD Toán/Thống kê + ít năm kinh nghiệm | ⭐⭐⭐ | Kiến thức nền tốt, cần thêm kinh nghiệm thực chiến |
| Software Engineer muốn chuyển sang ML | ⭐⭐⭐ | Cần học statistics & banking |
| AI Engineer tại Big Tech | ⭐⭐⭐⭐ | Được ưu tiên, cần bổ sung banking knowledge |
| Quản lý rủi ro có kinh nghiệm ML | ⭐⭐⭐⭐⭐ | Rất phù hợp với vị trí chuyên gia |
5. Trường ĐH được công nhận (rất quan trọng!)
VCB chỉ nhận hồ sơ t các trường trong danh sách, hệ chính quy dài hạn:
- ĐHQG Hà Nội, ĐHQG TP.HCM
- ĐH Bách khoa Hà Nội, ĐH Bách khoa TP.HCM
- ĐH Kinh tế Quốc dân
- ĐH Ngoại thương (cả 2 cơ sở)
- Học viện Tài chính, Học viện Ngân hàng
- Học viện Bưu chính Viễn thông, Học viện Kỹ thuật Mật mã
- Học viện Kỹ thuật Quân sự
- Các ĐH uy tín nước ngoài
⚠️ Lưu ý quan trọng: KHÔNG nhận hệ liên kết, liên thông, văn bằng 2, tại chức, vừa học vừa làm.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn vị trí Chuyên gia Khoa học dữ liệu - VCB
Quy trình tuyển dụng dự kiến tại VCB
VCB là ngân hàng nhà nước, quy trình tuyển dụng thường qua 4-5 vòng (riêng vị trí chuyên gia cấp cao):
Vòng 1: Sơ tuyển hồ sơ (1-2 tuần)
- HR sàng lọc hồ sơ theo tiêu chí cứng: trường, chuyên ngành, kinh nghiệm
- Mẹo: CV phải làm nổi bật rõ các dự án ML/AI có ứng dụng thực tế, đặc biệt trong tài chính ngân hàng
Vòng 2: Bài test nghiệp vụ + Tiếng Anh
- Test logic: IQ, pattern recognition
- Test technical: Toán, xác suất thống kê, SQL, Python
- Test tiếng Anh: Đọc hiểu + giao tiếp (thường tương đương IELTS 6.0+)
- Test tin học: Excel nâng cao, có thể có phần SQL/Programming
Vòng 3: Phỏng vấn chuyên môn (Technical Interview)
- Hội đồng gồm: Trưởng phòng Khoa học dữ liệu + Senior Data Scientist
- Thời gian: 45-90 phút
- ánh giá: Độ sâu kiến thức ML, kinh nghiệm thực chiến, tư duy giải quyết vấn đề
Vòng 4: Phỏng vấn Lãnh đạo Trung tâm
- Giám đốc/Phó Giám đốc Trung tâm Kỹ thuật & KHDL
- Tập trung: tầm nhìn, khả năng phối hợp, định hướng đóng góp cho VCB
Vòng 5: Phỏng vấn Hội đồng tuyển dụng cấp cao (có thể có)
- Đại diện Ban Lãnh đạo VCB
- Đánh giá phẩm chất, gắn bó lâu dài
Câu hỏi phỏng vấn THƯỜNG GẶP
Câu hỏi về Technical / ML
1. "Hãy giải thích sự khác biệt giữa L1 và L2 regularization. Khi nào nên dùng cái nào?"
- Cần trả lời: công thức toán học, tác động lên loss function, use case thực tế (Ridge cho multicollinearity, Lasso cho feature selection)
2. "Mô tả cách bạn xử lý imbalanced dataset trong bài toán fraud detection"
- Đề cập: SMOTE, undersampling, class weight, Focal Loss, threshold tuning, metric phù hợp (PR-AUC thay vì accuracy)
3. "Làm thế nào để phát hiện data drift trong production model?"
- Đề cập: PSI, KS test, KL divergence, model monitoring dashboard, retraining strategy
4. "SHAP vs LIME - khi nào dùng gì?"
- Đề cập: model-agnostic, local vs global, performance trade-off, use case ngân hàng (model explainability cho Basel)
5. "Thiết kế hệ thống recommendation cho sản phẩm ngân hàng (thẻ tín dụng, khoản vay)"
- Bài toán: collaborative filtering, content-based, hybrid, cold-start problem
6. "SQL: Tìm top 3 khách hàng có giá trị giao dịch cao nhất theo từng chi nhánh trong 6 tháng gần nhất"
- Câu này test: window function, CTE, GROUP BY, JOIN
7. "Làm sao build một credit scoring model từ scratch?"
- Bài toán kinh điển ngân hàng: feature engineering, WOE/IV, logistic regression baseline, PSI monitoring
🏦 Câu hỏi về Banking Domain
8. "Bạn hiểu Basel II/III ảnh hưởng thế nào đến cách xây dựng mô hình rủi ro tại VCB?"
- Trả lời tốt: IRB approach, PD/LGD/EAD models, stress testing, validation framework
9. "Làm thế nào ML có thể giúp phát hiện giao dịch rửa tiền?"
- Đề cập: graph analytics, anomaly detection, network analysis, rule-based kết hợp ML
10. "Khác biệt giữa churn prediction ở ngân hàng và telecom?"
- Trả lời tốt: regulatory constraint, lower churn rate, customer lifetime value khác, retention cost
💡 Câu hi tình huống & Behavioral
11. "Mô hình bạn deploy production bị giảm performance sau 2 tháng. Bạn xử lý thế nào?"
- Quy trình: investigate data pipeline → check data drift → analyze business changes → rollback/retrain → root cause analysis
12. "Business unit muốn bạn build model nhưng dữ liệu chưa đủ chất lượng. Bạn làm gì?"
- Trả lời tốt: khảo sát data quality, đề xuất MVP model, data augmentation, prototype với data có sẵn, đề xuất data collection plan
13. "Tại sao bạn muốn làm việc tại VCB thay vì công ty tech/tài chính khác?"
- Chuẩn bị: tầm nhìn chuyển đổi số VCB, quy mô dữ liệu, đóng góp cho ngân hàng nhà nước, sự ổn định + cơ hội chuyên môn cao
Tips chuẩn bị
📚 Chuẩn bị Portfolio
- Chuẩn bị 3-5 dự án ML/AI nổi bật có business impact đo lường được (giảm X% fraud, tăng Y% conversion...)
- Nếu có, làm slide demo hoặc GitHub repo public
- Hạn chế show các bài toán generic (Titanic, Iris), ưu tiên bài toán ngân hàng
📝 Chuẩn bị CV
- Độ dài 2-3 trang, format rõ ràng
- Phần Kinh nghiệm: dùng STAR method (Situation-Task-Action-Result)
- Highlight: mô hình nào, dataset size, accuracy/metric, business impact
👔 Dress Code
- Nam: vest/sơ mi + quần tây, giày tây, không cần veston nếu vòng HR nhưng nên có cho vòng lãnh đạo
- Nữ: vest công sở hoặc áo sơ mi + chân váy dài/quần tây
- Màu sắc: trung tính (đen, navy, xám, trắng)
- Tránh: quần jeans, giày thể thao, đồ quá casual
⏰ Logistics
- Đến sớm 15-20 phút (trụ sở chính VCB tại Hà Nội - 198 Trần Quang Khải)
- Mang theo: bản sao bằng cấp, chứng chỉ, CMND/CCCD
- Chuẩn bị sẵn bản in CV, portfolio nếu có
Kinh nghiệm thực tế từ ứng viên trước
> VCB đánh giá cao ứng viên biết nói rõ bài toán kinh doanh, không chỉ focus kỹ thuật. Hãy demonstrate bạn hiểu value mà ML mang lại cho doanh nghiệp ngân hàng.
Lộ trình ôn thi
Lộ trình ôn thi & chuẩn bị cho vòng test VCB
Thời gian chuẩn bị khuyến nghị: 4-6 tuần
📅 Tuần 1-2: Nền tảng Toán - Thống kê
Kiến thức cần nắm vững
Xác suất:
- Xác suất cơ bản, biến ngẫu nhiên, phân phối (Normal, Binomial, Poisson)
- Central Limit Theorem
- Law of Large Numbers
- Conditional probability, Bayes' theorem
- Markov Chain (nâng cao)
Thống kê:
- Descriptive statistics: mean, median, mode, variance, skewness, kurtosis
- Inferential statistics: hypothesis testing (z-test, t-test, chi-square, ANOVA)
- Confidence interval, p-value
- Correlation vs Causation
- A/B Testing fundamentals
- Power analysis, sample size calculation
Linear Algebra:
- Vector, Matrix, Tensor operations
- Eigenvalue, Eigenvector (PCA ứng dụng)
- Matrix decomposition (SVD)
Calculus & Optimization:
- Gradient Descent, Stochastic GD, Mini-batch GD
- Adam, RMSprop, Momentum
- Convex vs Non-convex optimization
📚 Tài liệu
- Sách: "Introduction to Statistical Learning" (ISLR) - miễn phí online
- Sách: "Hands-On Machine Learning with Scikit-Learn" - Aurélien Géron
- Khóa học: Andrew Ng - Machine Learning Specialization (Coursera)
- Khóa học: Statistics with Python (Coursera - University of Michigan)
📅 Tuần 3-4: Machine Learning & Deep Learning
ML Core Algorithms - Ôn sâu
| Algorithm | Đi sâu | Bài tập thực hành |
|---|---|---|
| Linear/Logistic Regression | Bias-variance, regularization, gradient descent | Build từ scratch bằng numpy |
| Decision Tree & Random Forest | Information gain, Gini, pruning | So sánh với boosting |
| XGBoost/LightGBM | Tree building, regularization | Kaggle Titanic, Home Credit |
| SVM | Kernel trick, margin, soft margin | Visualize decision boundary |
| KNN, Naive Bayes | Lazy learning, Bayes assumption | Text classification |
| Clustering (K-means, DBSCAN, Hierarchical) | Elbow method, silhouette score | Customer segmentation |
| PCA, t-SNE | Dimensionality reduction, manifold | MNIST visualization |
| Anomaly Detection | Isolation Forest, Autoencoder, LOF | Credit card fraud |
Deep Learning cơ bản
- Neural network: forward/backpropagation
- CNN cho image (cơ bản)
- RNN/LSTM cho time series (forecasting giao dịch)
- Transformer architecture (BERT cho NLP)
📚 Tài liệu
- Sách: "Deep Learning" - Ian Goodfellow (advanced)
- Khóa học: Deep Learning Specialization - Andrew Ng
- Khóa học: Fast.ai - Practical Deep Learning
- Paper: "Attention is All You Need" (Transformer)
📅 Tuần 4-5: SQL & Data Engineering
SQL - Cần THÀNH THO
- Window Functions: ROW_NUMBER, RANK, DENSE_RANK, LAG, LEAD
- CTE (Common Table Expressions)
- JOIN: INNER, LEFT, RIGHT, FULL, CROSS
- GROUP BY, HAVING
- Subquery, Correlated subquery
- Pivot/Unpivot
- Performance optimization: indexing, query plan
Bài tập SQL ngân hàng:
- Tính số dư trung bình theo tuần
- Phân loại khách hàng theo RFM
- Top khách hàng giao dịch lớn
- Phát hiện giao dịch bất thường
Nền tảng Data Engineering (cơ bản)
- ETL/ELT concepts
- Data warehouse vs Data Lake
- Spark/Hadoop basics
- Cloud: AWS S3, Redshift, BigQuery hoặc Azure
📚 Tài liệu
- Khóa học: SQL for Data Science - UC Davis (Coursera)
- Khóa học: Mode Analytics SQL Tutorial
- Practice: LeetCode SQL (50+ bài Easy/Medium)
- Practice: HackerRank SQL
📅 Tuần 5-6: Banking Domain & Case Study
Kiến thức ngân hàng cốt lõi
Credit Risk:
- PD (Probability of Default) modeling
- LGD (Loss Given Default)
- EAD (Exposure at Default)
- Scorecard development (WOE/IV)
- Basel II/III framework
- IFRS 9 expected credit loss
Fraud Detection:
- Rule-based + ML hybrid
- Network analysis (graph database)
- Real-time scoring
- False positive optimization
Customer Analytics:
- Customer Lifetime Value (CLV)
- Churn prediction
- Cross-selling/Up-selling
- Next-best-action recommendation
Anti-Money Laundering (AML):
- Transaction monitoring
- Suspicious Activity Report (SAR)
- Sanctions screening
📚 Tài liệu
- Sách: "Credit Risk Scorecards" - Naeem Siddiqi
- Sách: "The Basel II Risk Parameters" - Bernd Engelmann
- Khóa học: Wharton - Customer Analytics (Coursera)
- Report: SAS, FICO whitepapers về banking ML
- Paper: Các paper trên Kaggle về credit scoring
📅 Tuần 6: Ôn tập tổng hp & Mock Interview
Checklist ôn thi
- [ ] Làm 2-3 bài test mẫu IQ/logic
- [ ] Làm 5-10 bài SQL trên LeetCode/HackerRank
- [ ] Code lại 3 thuật toán ML từ đầu bằng Python
- [ ] Đọc 5 paper gần đây về ML trong banking
- [ ] Practice giải thích 1 mô hình phức tạp trong 5 phút
- [ ] Mock interview với bạn bè hoặc mentor
Công cụ thực hành
- Jupyter Notebook / Google Colab
- Kaggle datasets: Home Credit Default Risk, Credit Card Fraud
- GitHub: portfolio cá nhân với các dự án
- LinkedIn: follow các chuyên gia Data Science ngân hàng Việt Nam
Mo ôn thi hiệu quả
1. Học qua dự án thực tế thay vì chỉ đọc lý thuyết
2. Tập giải thích đơn giản: giải thích LASSO cho ông bà nội hiểu
3. Time-box mỗi chủ đề: tránh sa đà vào chi tiết quá lâu
4. Làm flashcard cho các công thức, thuật ngữ
5. Ngủ đủ giấc trước ngày thi (đặc biệt quan trọng)
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho Data Scientist tại Ngân hàng Việt Nam
Lộ trình thăng tiến điển hình tại VCB
```
Chuyên gia KHDL (Senior DS) ──┬──> Phó Trưởng phòng KHDL
│
├──> Trưởng nhóm Data Science
│
└──> Trưởng phòng KHDL ──> Cấp cao hơn
```
Cấp bậc & Thời gian thăng tiến dự kiến
| Cấp bậc | Kinh nghiệm | Thời gian trung bình | Phạm vi trách nhiệm |
|---|---|---|---|
| Chuyên viên (Junior) | 0-2 năm | Entry level | Làm task được giao |
| Chuyên viên chính (Mid) | 2-5 năm | 2-3 năm | Độc lập lead dự án nhỏ |
| Chuyên gia (Senior) | 5-8 năm | 3-5 năm | Lead dự án lớn, mentor |
| Phó Trưởng phòng | 8-12 năm | 4-6 năm | Quản lý nhóm 5-10 người |
| Trưởng phòng | 12-15+ năm | 5-7 năm | Quản lý phòng 15-30 người |
| Phó Giám đốc TT | 15-20 năm | Cạnh tranh | Chiến lược toàn Trung tâm |
Mức lương kỳ vọng (tham khảo 2024-2025)
| Vị trí | Mức lương gross/tháng | Tổng thu nhập (gồm thưởng) |
|---|---|---|
| Junior Data Scientist | 20-35 triệu | 350-500 triệu/năm |
| Mid-level Data Scientist | 35-60 triệu | 500-900 triệu/năm |
| Senior Data Scientist (Chuyên gia) | 60-120 triệu | 900 triệu - 1.5 tỷ/năm |
| Phó Trưởng phòng | 100-180 triệu | 1.5-2.5 tỷ/năm |
| Trưởng phòng | 150-300 triệu | 2-4 tỷ/năm |
Phúc lợi tại VCB (theo kinh nghiệm chia s)
- Thưởng Tết (1-3 tháng lương)
- Thưởng tháng 13, 14
- Chế độ BHYT, BHXH đầy đủ (rất tốt tại NHTM nhà nước)
- Phép năm 12-15 ngày
- Đào tạo nước ngoài (Singapore, Mỹ) theo chương trình
- Môi trường làm việc ổn định, brand name mạnh
- Cơ hội thăng tiến rõ ràng theo năng lực
⚠️ Lưu ý: Mức lương ngân hàng nhà nước thường thấp hơn fintech/tư nhân nhưng ổn định hơn, phúc lợi dài hạn tốt hơn.
So sánh với cơ hội khác
| Tiêu chí | VCB (Big 4 NHTM nhà nước) | Fintech/Tech (Momo, VNPay, Timo) | Ngân hàng tư nhân (Techcombank, MB) |
|---|---|---|---|
| Lương | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| Phúc lợi | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
| Data scale | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| Stability | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
| Work-life balance | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ |
| Learning curve | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| Thăng tiến | ⭐⭐⭐ (chậm nhưng chắc) | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
Kỹ năng cần phát triển thêm trong 1-2 năm tới
🎯 Hot trends cần bắt kịp
1. Generative AI / LLM: ChatGPT, Claude, Gemini, fine-tuning, RAG
2. MLOps: MLflow, Kubeflow, deployment, monitoring
3. Causal Inference: thay vì chỉ correlation
4. Federated Learning: cho data privacy trong ngân hàng
5. Graph Neural Network: cho fraud detection, AML
6. Real-time ML: streaming analytics, Kafka, Flink
📜 Chứng chỉ nên lấy trong 1-2 năm tới
- CFA Level I, II, III (ưu tiên cao nhất nếu muốn làm risk)
- FRM Part I, II (nếu đi theo risk management)
- AWS Certified Machine Learning Specialty
- Google Professional Data Engineer
- Microsoft Azure AI Engineer Associate
🏦 Domain knowledge cần tích lũy
- Hiểu sâu quy trình ngân hàng nội bộ (tín dụng, thanh toán, treasury)
- Nắm vững quy định NHNN (circular 13, Basel II/III, IFRS 9)
- Mạng lưới quan hệ với business units
- Kinh nghiệm làm việc với data governance, data quality
Lời khuyên chiến lược
💼 Nếu bạn đang ở vị trí Junior/Mid
1. Tập trung vào impact kinh doanh: mô hình phải deploy được, không ch là research
2. Học SQL sâu + Cloud platform: prerequisite không thể thiếu
3. Lấy 1 chứng chỉ quốc tế: CFA/FRM sẽ giúp bạn vượt trội
4. Build portfolio banking: làm các dự án về credit scoring, fraud detection
5. Network với senior tại VCB: tham gia seminar, meetup data science
🎯 Nếu bạn muốn ứng tuyển vị trí này
- Hãy demonstrate được: 3-5 năm kinh nghiệm ML thực tế + hiểu biết banking
- Chuẩn bị case study: "Nếu là Chuyên gia KHDL tại VCB, bạn sẽ làm gì trong 6 tháng đầu?"
- Show được sự trưng thành: có thể lead team, mentor junior, đàm phán với business
🌟 Mindset quan trọng
- "Banking data scientist = business consultant + engineer": không chỉ code, phải hiểu business
- "Model in production > Model in notebook": VCB cần mô hình chạy thật, không phải PoC
- "Explainability first": tại ngân hàng, model phải giải thích được cho auditor và regulator
- "Stable > Shiny": giải pháp đơn giản, reliable thường tốt hơn cutting-edge unstable
Câu hỏi tự vấn trước khi ứng tuyển
1. Bạn có thực sự muốn làm trong ngân hàng nhà nước (văn hóa, tốc độ)?
2. Bạn có chấp nhận mức lương có thể thấp hơn fintech 20-40%?
3. Bạn sẵn sàng gắn bó 3-5 năm để build domain expertise?
4. Bạn có đủ kiên nhẫn với quy trình phê duyệt, compliance của ngân hàng?
Nếu câu trả lời là CÓ cho tất cả → VCB là lựa chọn tuyệt vời, đặc biệt cho sự nghiệp dài hạn.
Câu hỏi thường gặp
Em mới ra trường ngành Khoa học dữ liệu, chưa có 3 năm kinh nghiệm thì có nên apply vị trí này không?
Theo JD, vị trí này yêu cầu 3-5 năm kinh nghiệm xây dựng mô hình ML/AI có ứng dụng thực tế. Nếu em mới ra trường, cơ hội được gọi phỏng vấn rất thấp vì hồ sơ sẽ bị loại ở vòng sơ tuyển. Gợi ý cho em: (1) Hoàn thiện portfolio với 3-5 dự án ML thực tế trên Kaggle/GitHub, (2) Thử sức ở vị trí Junior Data Scientist tại các fintech hoặc ngân hàng tư nhân trước 1-2 năm, (3) Trong thời gian đó lấy thêm chứng chỉ như Google ML Certificate, học sâu về banking domain. Sau 3 năm, em sẽ có profile đủ mạnh để apply vào các vị trí như thế này.
Mức lương cho vị trí Chuyên gia Khoa học dữ liệu tại VCB khoảng bao nhiêu? Có đủ sống ở Hà Nội không?
Mức lương không công bố chính thức, nhưng theo thông tin thị trường, vị trí Senior Data Scientist/Chuyên gia tại VCB thường dao động 60-120 triệu VND gross/tháng, tổng thu nhập cả năm (gồm thưởng Tết, tháng 13, 14) có thể đạt 900 triệu - 1.5 tỷ VND. So với mặt bằng chung ở Hà Nội, mức này thuộc top 5-10%. Tuy nhiên, lương VCB thường thấp hơn fintech 20-40% nhưng đổi lại có phúc lợi tốt, ổn định, brand name mạnh. Nếu em cần cash flow lớn ngay, fintech phù hợp hơn; nếu muốn sự nghiệp dài hạn và phúc lợi, VCB rất đáng cân nhắc.
Em đang làm Software Engineer ở công ty product, muốn chuyển sang làm Data Science tại ngân hàng. Có khả thi không?
Hoàn toàn khả thi nếu em chuẩn bị đúng cách. Lợi thế của em là đã có tư duy lập trình, làm việc với code, system design. Em cần bổ sung: (1) Kiến thức Statistics và ML cơ bản-sâu (học qua khóa Andrew Ng, ISLR), (2) Thành thạo Python cho data science (pandas, sklearn, ML frameworks), (3) Hiểu biết banking domain (Basel, credit risk, fraud detection), (4) Build 2-3 dự án ML liên quan tài chính. Lộ trình 1-2 năm: học nền tảng → làm project thực tế → chuyển sang vị trí Data Scientist tại ngân hàng nhỏ/tư nhân → sau 2-3 năm apply vào VCB. Nhiều senior DS tại VCB đến từ background engineering như em.
Phỏng vấn tại VCB có khác gì với phỏng vấn ở công ty tech không? Quy trình như thế nào?
Khác biệt khá nhiều. Công ty tech thường tập trung vào coding challenge, system design, take-home assignment. VCB là ngân hàng nhà nước, quy trình chuẩn hơn gồm 4-5 vòng: sơ tuyển hồ sơ → test IQ + Tiếng Anh + Technical → phỏng vấn chuyên môn (Senior DS + Trưởng phòng) → phỏng vấn lãnh đạo Trung tâm → có thể có vòng HĐ tuyển dụng cấp cao. Đặc điểm: (1) Câu hỏi banking-heavy, cần hiểu nghiệp vụ ngân hàng sâu; (2) Đánh giá cao tính ổn định, gắn bó lâu dài; (3) Quyết định có thể mất 1-2 tháng; (4) Cần chuẩn bị kỹ về phẩm chất cá nhân, tinh thần trách nhiệm. Tips: ăn mặc chỉn chu (vest/sơ mi), đến sớm, chuẩn bị sẵn bằng cấp bản sao.
KPI của vị trí Chuyên gia Khoa học dữ liệu tại ngân hàng là gì? Có áp lực không?
KPI thường bao gồm: (1) Số lượng mô hình được deploy lên production (không chỉ PoC); (2) Business impact đo lường được (giảm bao nhiêu % fraud, tăng bao nhiêu conversion, tiết kiệm bao nhiêu chi phí); (3) Performance của model sau deploy (accuracy, latency); (4) Sáng kiến cải tiến kỹ thuật mới; (5) Đào tạo/mentor cho junior; (6) Compliance với quy định NHNN (model validation, explainability). Áp lực có, nhưng khác tech: ngân hàng thiên về sự ổn định, compliance, ít deadline gấp như startup. Tuy nhiên, khi mô hình đã deploy, áp lực lại ở chỗ phải monitor, explainable cho auditor, và xử lý khi có sự cố. Work-life balance ổn hơn tech, làm thêm giờ ít hơn nhưng có thể gặp deadline vào cuối quý khi có dự án lớn.
So với các ngân hàng khác (Techcombank, MB, VPBank), làm Data Science tại VCB có gì đặc biệt?
VCB có một số đặc điểm riêng: (1) Dữ liệu khổng lồ: khách hàng doanh nghiệp lớn nhất Việt Nam, dữ liệu tín dụng doanh nghiệp cực kỳ giá trị cho credit modeling; (2) Top-of-mind brand: CV có VCB là điểm cộng lớn khi muốn chuyển việc sau này; (3) Mức độ ổn định cao nhất: ít bị tái cơ cấu, risk thấp; (4) Phúc lợi NHTM nhà nước: BHYT tốt, nghỉ phép dài; (5) Quy trình chuẩn: học được cách làm việc theo compliance, governance chuẩn quốc tế. So với Techcombank/MB: lương có thể thấp hơn 10-20% nhưng ổn định hơn. VPBank: trẻ trung hơn, làm nhanh hơn. VCB phù hợp người muốn chuyên sâu banking domain lâu dài.
Chứng chỉ nào quan trọng nhất nếu muốn apply vị trí này trong 6 tháng tới?
Trong 6 tháng, em có thể ưu tiên: (1) CFA Level I (~4-6 tháng học, khai giảng tháng 2, 8): rất được VCB coi trọng, đặc biệt cho risk modeling; (2) Google Data Analytics Certificate (~3 tháng): nền tảng tốt; (3) AWS Cloud Practitioner + AWS ML Specialty (~3 tháng): nếu em muốn demonstrate cloud skills. Nếu chỉ chọn 1: CFA Level I sẽ tạo khác biệt lớn nhất với HR VCB. Tuy nhiên, nếu budget thời gian hạn chế, em nên tập trung 100% vào xây dựng portfolio dự án ML banking thực tế (1-2 dự án GitHub end-to-end từ data đến deployment), điều này quan trọng hơn chứng chỉ. Chứng chỉ chỉ là 'vé vào cửa', portfolio là 'bằng chứng'.
Em đã có 5 năm kinh nghiệm Data Scientist tại một công ty fintech lớn, profile có đủ mạnh để apply không?
Profile của em rất mạnh. 5 năm kinh nghiệm đáp ứng yêu cầu 3-5 năm, fintech thường có data scale lớn và kỹ thuật tiên tiến. Tuy nhiên, em cần: (1) Demonstrate dự án banking/finance: nếu em làm fintech nhưng chưa từng làm model cho ngân hàng, nên note rõ trong CV; (2) Highlight mô hình đã deploy thực tế (không chỉ PoC); (3) Kiểm tra trường ĐH: phải thuộc danh sách VCB chấp nhận và hệ chính quy; (4) Chứng minh impact kinh doanh: con số giảm X% fraud, tăng Y% revenue cụ thể. Một số điểm em có thể bị yếu hơn: thiếu hiểu biết sâu về compliance ngân hàng nhà nước, quy định NHNN, Basel II/III - hãy đọc trước khi phỏng vấn. Với profile của em, cơ hội gọi phỏng vấn cao, sau đó phụ thuộc vào performance vòng technical.
Học viện Tài chính có nằm trong danh sách trường được nhận không? Em tốt nghiệp ngành Toán kinh tế ở đây?
Có, Học viện Tài chính nằm trong danh sách các trường VCB chấp nhận. Tuy nhiên, lưu ý quan trọng: ngành Toán kinh tế của em nằm trong các chuyên ngành liên quan được chấp nhận (Toán học, Toán tin, Xác suất, Thống kê, Kinh tế, Tài chính ngân hàng - em thuộc nhóm Kinh tế/Toán kinh tế). Vậy là profile trường + chuyên ngành đều đạt. Tuy nhiên, JD yêu cầu hệ chính quy dài hạn, không nhận hệ liên kết, liên thông, văn bằng 2, tại chức, vừa học vừa làm. Em cần check bằng của mình là hệ nào. Nếu là chính quy tại Học viện Tài chính thì hoàn toàn OK.
Làm Data Science tại ngân hàng nhà nước có nhàm chán không? Công nghệ có cập nhật không?
ây là quan niệm sai lầm phổ biến. VCB thực tế đang đầu tư rất mạnh vào chuyển đổi số: Trung tâm Kỹ thuật & KHDL mới thành lập, tuyển dụng nhiều vị trí như vị trí em đang xem. Công nghệ sử dụng rất hiện đại: cloud computing, big data platforms, ML frameworks mới nhất. Nhiều dự án thú vị: open banking, digital onboarding, eKYC, chatbot AI, fraud detection real-time, predictive analytics cho credit. Nhàm chán hay không phụ thuộc vào bản thân em và team. Nếu em chủ động research công nghệ mới, đề xuất sáng kiến, em sẽ không thiếu việc để làm. So với startup fintech, tốc độ chậm hơn nhưng bù lại có data lớn hơn, bài toán phức tạp hơn (vì banking có nhiều ràng buộc compliance). Nhiều senior DS chọn VCB vì sự ổn định và bài toán khó, không phải vì lương cao nhất.