[TT KT&KHDL]_Chuyên viên Khoa học dữ liệu
Mô tả công việc
Mô tả công việc
[TT KT&KHDL]_Chuyên viên Khoa học dữ liệu
Số lượng tuyển dung: 11
Địa điểm làm việc: Trụ sở chính
Thời gian nhận hồ sơ: Hết ngày 28/08/2026
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 viên tại 02 Phòng khác nhau. Ứng viên chỉ lựa chọn nộp hồ sơ DUY NHẤT 01 vị trí Chuyên viên. 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.
- 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 loại Khá trở lên, hệ đào tạo chính quy dài hạn thuộc các chuyên ngành: Khoa học dữ liệu, Toán học, Toán tin, 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 Khoa học dữ liệu, xây dựng mô hình, Toán, Tin, Vật lý, Thống kê, Kinh tế lượng , …
- Ứng viên có chứng chỉ quốc tế như CFA, FRM, PRM, ..
2. Kinh nghiệm:
-Tối thiểu 01 năm kinh nghiệm trong lĩnh vực khoa học máy tính, kỹ thuật dữ liệu
- Có kinh nghiệm phân tích dữ liệu/xây dựng mô hình (đặc biệt là các mô hình học máy ứng dụng trong ngân hàng).
- Có kinh nghiệm trong việc sử dụng các phần mềm về dữ liệu và phân tích như Python, SQL, R, SAS, Matlab,...
Ưu tiên ứng viên có kinh nghiệm
- 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 ngân hàng, quản lý cơ sở dữ liệu lớn.
- Xây dựng các công cụ 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
4. Độ tuổi: Không quá 35 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 viên Khoa học dữ liệu tại Vietcombank
1️⃣ HARD SKILLS (Kỹ năng cứng) — BẮT BUỘC
| Nhóm kỹ năng | Chi tiết | Mức độ |
|---|---|---|
| Ngôn ngữ lập trình | Python (bắt buộc), SQL (bắt buộc) | Thành thạo |
| Phân tích dữ liệu | Phân tích thống kê, EDA, data mining, khai phá dữ liệu | Nâng cao |
| Machine Learning/AI | Xây dựng model học máy (supervised/unsupervised), deep learning cơ bản | Nâng cao |
| Tin học văn phòng | Excel nâng cao, PowerPoint trình bày chuyên nghiệp | Thành thạo |
| Tiếng Anh | Đọc hiểu tài liệu chuyên ngành, giao tiếp cơ bản | Khá trở lên (IELTS 6.5+ / TOEIC 700+ là lợi thế) |
| Toán - Xác suất thống kê | Nền tảng toán học vững, statistical inference, probability | Nền tảng tốt |
2️⃣ HARD SKILLS — ƯU TIÊN (NÊN CÓ)
| Công cụ/Lĩnh vực | Mô tả | Tại sao quan trọng ở VCB |
|---|---|---|
| R, SAS, Matlab | Phân mềm phân tích nâng cao (đặc biệt SAS — phổ biến trong ngân hàng) | Ngân hàng thường dùng SAS cho credit scoring, risk modeling |
| Big Data | Spark, Hadoop, Kafka, Databricks | VCB có khối lượng dữ liệu giao dịch khổng lồ |
| Cloud Platform | AWS/Azure/GCP | Triển khai model trên hạ tầng cloud |
| MLOps | Docker, Kubernetes, CI/CD, MLflow | Triển khai model production |
| AI Engineer skills | LLM, NLP, Computer Vision, Generative AI | VCB đang đẩy mạnh AI ứng dụng |
| Database | Oracle, PostgreSQL, MongoDB, Data Warehouse | Làm việc với core banking data |
| Visualization | Tableau, Power BI, Looker | Trình bày insight cho nghiệp vụ |
3️⃣ CHỨNG CHỈ QUỐC TẾ — LỢI THẾ CẠNH TRANH
| Chứng chỉ | Lĩnh vực | Mức độ ưu tiên |
|---|---|---|
| CFA (Chartered Financial Analyst) | Tài chính | ⭐⭐⭐⭐⭐ |
| FRM (Financial Risk Manager) | Quản trị rủi ro | ⭐⭐⭐⭐⭐ |
| PRM (Professional Risk Manager) | Quản trị rủi ro | ⭐⭐⭐⭐ |
| Google Data Analytics | Phân tích dữ liệu | ⭐⭐⭐ |
| AWS/Azure Data Engineer | Cloud & Data | ⭐⭐⭐ |
| TensorFlow/PyTorch Certificate | AI/ML | ⭐⭐⭐ |
4️⃣ SOFT SKILLS — ĐỌC KỸ TIN NÀY
VCB nhấn mạnh rất rõ phần kỹ năng mềm, đây không phải yếu tố phụ:
- 🎯 Kỹ năng phân tích & phán đoán — Đây là core competency. Data Scientist tại VCB phải hiểu nghiệp vụ để biết model có ý nghĩa hay vô nghĩa.
- 🤝 Kỹ năng giao tiếp, đàm phán — Bạn sẽ làm việc với nhiều phòng ban nghiệp vụ (tín dụng, thẻ, KHCN, KHDN…). Phải biết dịch ngôn ngữ kỹ thuật sang ngôn ngữ kinh doanh.
- 👥 Làm việc nhóm — VCB thường triển khai project theo team đa phòng ban.
- 📚 Tự học, nghiên cứu — Yêu cầu "liên tục tìm cách cải tiến" — chứng tỏ họ cần người chủ động update kiến thức.
5️⃣ LƯU Ý ĐẶC BIỆT VỀ TIÊU CHUẨN TRƯỜNG
VCB chỉ nhận hồ sơ từ danh sách trường cụ thể — nếu bạn tốt nghiệp trường ngoài, nên cân nhắc. Hệ đào tạo: CHÍNH QUY dài hạn — liên kết/liên thông/văn bằng 2/tại chức đều bị loại.
---
📊 Bảng tự đánh giá — Bạn đang ở đâu?
| Tiêu chí | Fresher | Đủ yêu cầu tối thiểu | Ứng viên mạnh |
|---|---|---|---|
| Python + SQL | Làm được bài tập | 1 năm dự án thực tế | 3+ năm, portfolio GitHub |
| ML/AI | Học trên Coursera | Xây được model end-to-end | Triển khai production, banking experience |
| Tiếng Anh | TOEIC 450 | TOEIC 700 | IELTS 7.0+, CFA L1+ |
| Chứng chỉ | Chưa có | Google Data Analytics | CFA/FRM |
| Giải thưởng | Chưa có | Olympic Toán/Tin cấp trường | Olympic Quốc gia, Kaggle ranking |
Chuẩn bị phỏng vấn
🎤 Hướng dẫn phỏng vấn Chuyên viên Khoa học dữ liệu VCB
📋 QUY TRÌNH TUYỂN DỤNG DỰ KIẾN (Big4 ngân hàng)
Với vị trí 11 người tại VCB, quy trình thường là:
```
Vòng 1: Sơ loại hồ sơ (CV + Bằng cấp + Chứng chỉ)
↓
Vòng 2: Bài test chuyên môn (Viết/Trắc nghiệm — Toán, Logic, Coding, Tiếng Anh)
↓
Vòng 3: Phỏng vấn vòng 1 (Phỏng vấn HR / Nhân sự)
↓
Vòng 4: Phỏng vấn vòng 2 (Chuyên môn cùng Lãnh đạo Phòng/Trung tâm)
↓
Vòng 5 (có thể): Phỏng vấn cấp cao / BGĐ Trung tâm
↓
Nhận offer & Check background
```
📝 VÒNG TEST CHUYÊN MÔN — CHUẨN BỊ GÌ?
VCB thường test gồm:
- Toán - Xác suất thống kê (30-40%): Xác suất có điều kiện, kiểm định giả thuyết, hồi quy, phân phối
- Tư duy logic (15-20%): Pattern recognition, bài toán logic kinh điển
- Tiếng Anh (15-20%): Reading comprehension về finance/tech
- Nghiệp vụ ngân hàng cơ bản (10-15%): Có thể hỏi về Basel II/III, tín dụng, rủi ro
- SQL/Python (một số trường hợp): Viết query, xử lý data
💬 CÂU HỎI PHỎNG VẤN HAY GẶP
🔵 Vòng HR / Nhân sự
1. "Tại sao bạn chọn VCB thay vì fintech/startup?"
- Gợi ý: Nhấn mạnh quy mô dữ liệu khổng lồ của VCB (>10 triệu KH), cơ hội ảnh hưởng thực tế đến hàng triệu người dùng, sự ổn định để phát triển dài hạn
2. "Bạn biết gì về Trung tâm Kỹ thuật và Khoa học dữ liệu của VCB?"
- Chuẩn bị: VCB đã thành lập Data Center, có nhiều dự án chuyển đổi số, hợp tác với Microsoft/AWS/CMC…
3. "Mức lương kỳ vọng của bạn?"
- Xem mục career_advice bên dưới
4. "Điểm yếu lớn nhất của bạn là gì?"
- Data Scientist thường yếu về communication — hãy nói thật và cho thấy bạn đang cải thiện
🔴 Vòng chuyên môn (Lãnh đạo Phòng KHDL)
1. "Trình bày một project Data Science bạn đã làm từ đầu đến cuối" — Đây là câu quan trọng nhất. Dùng STAR method: Situation → Task → Action → Result. Nên chọn project liên quan banking/finance nếu có.
2. "Phân biệt supervised vs unsupervised learning? Cho ví dụ ứng dụng trong ngân hàng"
- Supervised: Dự đoán khả năng vỡ nợ (PD model), phát hiện gian lận thẻ
- Unsupervised: Phân cụm KH, phát hiện bất thường (anomaly detection)
3. "Bạn xử lý imbalanced data trong bài toán fraud detection thế nào?"
- SMOTE, undersampling, class weight, focal loss, threshold tuning, evaluation bằng AUC-PR thay vì accuracy
4. "Làm sao đánh giá model credit scoring?"
- AUC-ROC, Gini, KS statistic, chi phí lỗi loại I/II, PSI để monitor drift
5. "Python Pandas: xử lý dataset 10 triệu dòng mà memory không đủ?"
- Chunk processing, Dask, optimization dtype, category dtype, database query
6. "Giải thích concept Data Drift / Model Drift"
- Population shift sau COVID, cần retrain, monitoring PSI/CSI
7. "Bạn hiểu gì về Basel II/III và ứng dụng vào data science?"
- IRB approach, PD/LGD/EAD, stress test
8. "Bạn đã từng làm việc với dữ liệu nào trong ngân hàng?"
- Dữ liệu giao dịch core banking, dữ liệu thẻ tín dụng, dữ liệu CRM, mobile banking logs
💡 TIPS CHUẨN BỊ QUAN TRỌNG
- ✅ Mang portfolio: GitHub, Kaggle profile, slide giới thiệu 1-2 dự án
- ✅ Nghiên cứu kỹ VCB: Lịch sử, sản phẩm (VietQR, VCB Digibank, thẻ JCB…), các dự án AI gần đây
- ✅ Hiểu nghiệp vụ ngân hàng: Tín dụng, thẻ, tiền gửi, chuyển tiền quốc tế, treasury
- ✅ Chuẩn bị case study: "Nếu bạn làm ở VCB, bạn sẽ giải quyết bài toán nào?" → Ví dụ: dự đoán KH rời bỏ (churn), giảm tỷ lệ nợ xấu
👔 DRESS CODE
- Vòng HR: Smart casual / Áo sơ mi + quần tây
- Vòng chuyên môn / Lãnh đạo: Vest/complete formal — vì gặp lãnh đạo cấp Trung tâm
- Lưu ý: VCB là ngân hàng nhà nước cổ phần, dress code conservative hơn Tech startup
Lộ trình ôn thi
📚 Lộ trình ôn thi & chuẩn bị trong 2 tuần
🎯 CHIA THỜI GIAN 14 NGÀY
```
Ngày 1-3: Nền tảng Toán - Thống kê
Ngày 4-6: SQL + Python chuyên sâu
Ngày 7-9: Machine Learning & Case Study Banking
Ngày 10-11: Tiếng Anh chuyên ngành + Nghiệp vụ Ngân hàng
Ngày 12-13: Luyện test + Phỏng vấn giả
Ngày 14: Hoàn thiện CV + Portfolio
```
---
📖 NGÀY 1-3: TOÁN - XÁC SUẤT THỐNG KÊ
Kiến thức nền tảng (bắt buộc nắm vững):
| Chủ đề | Tài liệu đề xuất | Bài tập |
|---|---|---|
| Xác suất cơ bản | "Introduction to Probability" - Blitzstein | 50 bài |
| Phân phối (Normal, Binomial, Poisson) | Khan Academy Statistics | 30 bài |
| Kiểm định giả thuyết (t-test, chi-square, ANOVA) | "Statistical Inference" - Casella Berger | 40 bài |
| Hồi quy tuyến tính & logistic | Andrew Ng Machine Learning (Coursera) Week 1-2 | 30 bài |
| Bayesian cơ bản | "Think Bayes" - Allen Downey | Đọc + code |
Tài nguyên miễn phí:
- 🎓 Coursera: "Mathematics for Machine Learning" (Imperial College London)
- 🎓 Khan Academy: Statistics & Probability
- 📺 3Blue1Brown: "Essence of Linear Algebra" (YouTube)
- 📚 Sách "All of Statistics" - Larry Wasserman (kinh điển)
---
💻 NGÀY 4-6: SQL + PYTHON
SQL (ưu tiên cao — test rất hay hỏi):
```
Cấp độ Beginner:
- SELECT, WHERE, GROUP BY, HAVING, ORDER BY
- JOIN (INNER, LEFT, RIGHT, FULL)
- Subquery, CTE
Cấp độ Intermediate (VCB hay hỏi):
- Window Functions: ROW_NUMBER, RANK, DENSE_RANK
- LAG, LEAD
- Aggregate functions cùng OVER
Cấp độ nâng cao:
- Optimization query, index
- Pivot table, Date functions
```
Tài liệu SQL:
- 🌐 HackerRank SQL (50 bài Easy → Medium)
- 🌐 LeetCode SQL (30-50 bài)
- 🌐 Mode Analytics SQL Tutorial (miễn phí, có dataset banking)
- 📚 "SQL for Data Scientists" - Renee Teate
Python (tập trung vào ứng dụng):
```
Must-know libraries:
- Pandas (DataFrame manipulation — 80% công việc)
- NumPy (xử lý array)
- Scikit-learn (ML algorithms)
- Matplotlib + Seaborn (visualization)
Bonus:
- XGBoost / LightGBM (rất được ưa chuộng trong finance)
- Statsmodels (statistical modeling)
- PySpark (nếu làm Big Data)
```
Bài tập thực hành:
- Kaggle: "Credit Card Fraud Detection"
- Kaggle: "Home Credit Default Risk"
- Kaggle: "Loan Default Prediction"
---
🤖 NGÀY 7-9: MACHINE LEARNING + CASE STUDY NGÂN HÀNG
Machine Learning core:
| Thuật toán | Ứng dụng banking | Học ở đâu |
|---|---|---|
| Logistic Regression | Credit scoring, PD model | Andrew Ng Course |
| Decision Tree / Random Forest | Phân loại rủi ro, churn | StatQuest YouTube |
| XGBoost / LightGBM | Fraud detection, churn (chính) | Book: "XGBoost" docs |
| K-Means / DBSCAN | Customer segmentation | Scikit-learn docs |
| Neural Network | OCR check, recommendation | fast.ai |
| NLP (BERT) | Phân tích phản hồi KH, chatbot | Hugging Face course |
| Time Series (ARIMA, Prophet) | Dự báo tiền gửi, doanh số | Hyndman Forecasting |
| Anomaly Detection (Isolation Forest) | Phát hiện giao dịch bất thường | Kaggle learn |
Banking Case Study nên ôn:
1. Credit Scoring Model: PD, LGD, EAD → Basel II
2. Fraud Detection: Imbalanced data, real-time scoring
3. Customer Churn: Survival analysis, uplift modeling
4. Anti-Money Laundering (AML): Network analysis, rule-based + ML hybrid
5. Recommendation System: Cross-sell sản phẩm cho KH VCB
6. Customer Lifetime Value (CLV): Tính giá trị KH dài hạn
Project nên làm trong 2 tuần (nếu chưa có portfolio):
- 🏆 Kaggle competition (tham gia 1 cái đang chạy)
- 🏆 Public GitHub: End-to-end project từ EDA → Model → Deployment
---
🏦 NGÀY 10-11: NGHIỆP VỤ NGÂN HÀNG + TIẾNG ANH
Nghiệp vụ Ngân hàng (đọc nhanh trong 2 ngày):
| Chủ đề | Tài liệu |
|---|---|
| Tổng quan ngân hàng thương mại | Báo cáo thường niên VCB (công khai trên website) |
| Basel II/III | Sách "The Basel II Risk Parameters" |
| Quản trị rủi ro tín dụng | Tài liệu NHNN về hệ số an toàn vốn |
| Thanh toán không dùng tiền mặt | Tài liệu NAPAS, VietQR, SWIFT |
| Dữ liệu ngân hàng: CDR, CRM, LOS | Tài liệu nội bộ / Forum banker |
Tiếng Anh chuyên ngành:
- 📰 Đọc: TheBanker, Finextra, Tearsheet (subscribe)
- 📺 Xem: "Towards Data Science" trên Medium, KDnuggets
- 📚 "English for Banking" - Oxford Business English
- 💬 Practice: Speaking English 30 phút/ngày (shadowing với TED Talks Data Science)
---
🎯 NGÀY 12-13: LUYỆN TEST + PHỎNG VẤN GIẢ
Luyện test tuyển dụng:
- 🌐 Vietcombank cũ + đề Big4 ngân hàng (BIDV, Vietinbank, Techcombank)
- 🌐 VietnamWorks, ITViec practice test
- 🌐 HackerRank SQL/Python test
Mock interview:
- Nhờ bạn bè đóng vai interviewer
- Ghi hình, tự review
- Luyện câu "Walk me through your project" trong 5 phút
---
📄 NGÀY 14: HOÀN THIỆN HỒ SƠ
Checklist CV:
- ✅ 1 trang A4 (max 2 trang)
- ✅ Cấu trúc: Thông tin cá nhân → Học vấn → Kinh nghiệm → Dự án → Chứng chỉ → Kỹ năng
- ✅ Phần "Kinh nghiệm" highlight: Python, SQL, ML model đã build, business impact
- ✅ Đính kèm GitHub + Kaggle profile
- ✅ Ảnh chuyên nghiệp (chân dung, nền trắng)
Cover Letter (khuyến nghị viết):
- 1 đoạn: Tại sao VCB?
- 1 đoạn: Tại sao bạn?
- 1 đoạn: Bạn sẽ đóng góp gì?
---
⚠️ LƯU Ý QUAN TRỌNG NHẤT
> VCB yêu cầu chỉ chọn DUY NHẤT 01 vị trí trong 02 vị trí Chuyên viên tại Trung tâm KT&KHDL. Đọc kỹ JD, chọn đúng phòng ban bạn muốn, vi phạm = bị hủy kết quả. Đừng apply đại!
Tư vấn nghề nghiệp
💼 Lời khuyên sự nghiệp & Lộ trình thăng tiến
🏛️ VỊ TRÍ CỦA DATA SCIENCE TRONG NGÂN HÀNG — BỨC TRANH TOÀN CẢNH
Trước khi nhảy vào, hiểu context:
```
Top 4 ngân hàng Việt Nam (theo tài sản):
1. Vietcombank (VCB) — Top 1
2. BIDV
3. VietinBank
4. Agribank
➡️ VCB là ngân hàng có DATA LỚN NHẤT, chuyển đổi số đi đầu,
và chắc chắn là nơi tốt nhất để làm Data Science trong
ngân hàng nhà nước.
```
💰 MỨC LƯƠNG KỲ VỌNG THEO CẤP BẬC (Tham khảo 2024-2026)
| Cấp bậc | Vị trí | Kinh nghiệm | Mức lương (Gross VNĐ/tháng) |
|---|---|---|---|
| Fresher / Junior | Chuyên viên Data Science | 0-2 năm | 18 - 30 triệu |
| Mid-level | Chuyên viên cao cấp DS | 3-5 năm | 35 - 60 triệu |
| Senior | Chuyên viên chính / Lead DS | 5-8 năm | 60 - 100 triệu |
| Manager | Trưởng phòng nhóm KHDL | 8-12 năm | 100 - 180 triệu |
| Director | Phó Giám đốc Trung tâm | 12+ năm | 180 - 350 triệu |
Lưu ý thực tế:
- Big4 ngân hàng (VCB, BIDV, VietinBank, Techcombank) trả cao hơn ngân hàng nhỏ
- Có thêm: thưởng Tết, thưởng quý, thưởng năm, phúc lợi (bảo hiểm, nhà trẻ…)
- Có cơ hội tham gia đào tạo quốc tế nếu có chứng chỉ CFA/FRM
Mức đề xuất cho vị trí này (Entry-level):
- Tốt: 22-28 triệu (đã có 1-2 năm kinh nghiệm)
- Trung bình: 18-22 triệu (fresher / mới ra trường)
- Nếu có chứng chỉ CFA/FRM hoặc từng làm ở fintech top: Đề xuất cao hơn
---
📈 LỘ TRÌNH THĂNG TIẾN — 10 NĂM
```
Năm 1-2: Chuyên viên DS (Junior)
├── Nắm vững core banking data
├── Build được model end-to-end
└── Đóng góp vào 1-2 project nghiệp vụ
Năm 3-5: Chuyên viên DS Senior / Subject Matter Expert
├── Tự chủ 1 vertical (Risk / Marketing / Card / Treasury)
├── Mentor junior
└── Đạt FRM/CFA (nếu chưa có)
Năm 6-8: Lead DS / Trưởng nhóm KHDL
├── Quản lý 3-5 người
├── Điều phối dự án AI cấp ngân hàng
└── Đóng góp chiến lược dữ liệu
Năm 9-10+: Phó GĐ Trung tâm / GĐ Chi nhánh (nếu muốn chuyển sang quản lý)
```
🎯 KỸ NĂNG CẦN PHÁT TRIỂN THÊM (DÀI HẠN)
Trong 1-2 năm đầu:
- ✅ Học sâu về SQL optimization, data modeling (kim tự tháp, star schema)
- ✅ Domain knowledge ngân hàng: Mỗi năm đọc 2-3 cuốn về ngân hàng + finance
- ✅ Giao tiếp với stakeholder: Học cách "bán" insight cho lãnh đạo cấp cao
Trong 3-5 năm:
- ✅ Lấy CFA Level 1 hoặc FRM Part 1 (ưu tiên cho position này)
- ✅ MLLops, Cloud (AWS/Azure)
- ✅ Quản lý dự án, Agile/Scrum
Trong 5-10 năm:
- ✅ Chuyển sang Lead/Manager
- ✅ Networking với AI community quốc tế (NeurIPS, ICML...)
- ✅ Có thể học MBA nếu muốn chuyển sang management
---
⚖️ SO SÁNH CÁC LỰA CHỌN NGHỀ NGHIỆP
| Tiêu chí | VCB (Big4 NHNN) | Tech Startup (Fintech) | Foreign Bank |
|---|---|---|---|
| Lương khởi điểm | TB | TB-Cao | Cao |
| Data scale | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ |
| Work-life balance | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐⭐ |
| Thăng tiến rõ ràng | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ |
| Stability | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ |
| Học hỏi nhanh | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| Resume value | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
Kết luận: VCB là nơi tốt để xây nền tảng vững, sau 3-5 năm có thể nhảy sang fintech/startup với mức lương cao hơn nhiều, hoặc ở lại để lên Lead/Manager.
💡 LỜI KHUYÊN CUỐI
1. Đừng apply nếu chưa có portfolio — Làm ít nhất 2-3 project GitHub trước khi nộp
2. Học banking domain song song với technical — Data Scientist "thuần kỹ thuật" sẽ thất bại ở ngân hàng
3. Networking: Tham gia Vietnam Data Science Community, Kaggle Days, Vietnam AI/DL Conference
4. Đầu tư CFA/FRM — Đây là "passport" cho Data Science trong tài chính
5. Đọc báo cáo thường niên VCB mỗi năm — Hiểu business để không làm model vô nghĩa
Câu hỏi thường gặp
Mình là sinh viên năm cuối ngành Toán Tin tại ĐHKHTN HN, chưa có kinh nghiệm đi làm, có apply được vị trí này không?
Về lý thuyết là CÓ THỂ vì JD yêu cầu "tối thiểu 01 năm kinh nghiệm". Tuy nhiên, để cạnh tranh được với ứng viên 1-3 năm kinh nghiệm, bạn cần:
1. Làm portfolio mạnh trước khi apply: 2-3 project Data Science trên GitHub, đặc biệt 1 project về finance/banking (ví dụ: Credit Scoring trên Kaggle).
2. Tham gia các cuộc thi Olympic Toán/Tin hoặc Kaggle competition để có "giải thưởng" — đây là yếu tố ưu tiên.
3. Thực tập trước khi tốt nghiệp: Tìm internship tại các ngân hàng, fintech, hoặc phòng data của VCB để tích lũy 6-12 tháng kinh nghiệm.
4. Lấy thêm chứng chỉ: Google Data Analytics, AWS Cloud Practitioner, hoặc CFA Level 1 nếu đủ khả năng.
5. Nộp hồ sơ chỉn chu: CV làm nổi bật đồ án tốt nghiệp nếu nó liên quan data science.
Mẹo: VCB thường có chương trình Fresher Talent riêng, bạn có thể tìm hiểu thêm trên careers.vietcombank.com.vn.
Mức lương cho vị trí Chuyên viên KHDL tại VCB khoảng bao nhiêu? Đề xuất thế nào khi phỏng vấn?
Mức lương VCB không công khai (tin ghi "Thỏa thuận"), nhưng theo thị trường:
Entry-level (0-2 năm): 18-30 triệu gross
Mid (2-5 năm): 30-55 triệu gross
Senior (5+ năm): 55-100 triệu gross
Cách deal lương khi phỏng vấn:
1. Đừng đưa con số đầu tiên: Hỏi "Anh/chị có thể cho biết range của vị trí này không?"
2. Nếu bị ép: Đưa range, ví dụ "Em mong muốn khoảng 22-28 triệu gross, tùy thuộc vào phúc lợi và cơ hội phát triển"
3. Nếu bạn có giá trị cao (CFA L1, 3+ năm exp, portfolio mạnh): Đề xuất 28-35 triệu
4. Cộng thêm các yếu tố khác: Thưởng Tết (thường 2-3 tháng), bảo hiểm sức khỏe cao cấp, cơ hội đào tạo nước ngoài
Lưu ý: VCB trả lương theo bậc (từ 1-8), mỗi bậc cách nhau 5-10 triệu. Bạn có thể negotiate sau khi vào 6 tháng nếu thể hiện tốt.
Mình đang làm Data Engineer ở startup fintech, muốn chuyển sang làm Data Scientist tại VCB. Có nên apply vị trí này không?
Có, hoàn toàn nên apply! Đây là lợi thế của bạn:
Điểm mạnh bạn có:
- ✅ Đã có kinh nghiệm trong lĩnh vực tài chính (fintech) → ưu tiên của VCB
- ✅ Background Data Engineer → xử lý big data rất tốt
- ✅ Hiểu nghiệp vụ ngân hàng (tín dụng, thanh toán...)
Điểm cần bổ sung:
- 📚 Chứng minh bạn làm được ML/AI: Làm thêm 1-2 project về xây dựng và triển khai model (chứ không chỉ ETL/warehouse)
- 📚 Học sâu về statistical modeling, A/B testing, experiment design
- 📚 Lấy CFA Level 1 hoặc FRM Part 1 (trong vòng 6-12 tháng)
- 📚 Show portfolio trên GitHub với model deployment thực tế
Vì sao nên chuyển sang VCB:
- 📈 Data scale lớn hơn fintech nhỏ nhiều lần
- 💰 Stability tốt hơn, phúc lợi tốt hơn
- 🎓 Thương hiệu VCB trong CV rất giá trị
- 📊 Cơ hội làm các dự án AI quy mô quốc gia
Trade-off: Startup fintech trả lương cao hơn 20-40% so với VCB ở cùng cấp, nhưng VCB có work-life balance tốt hơn và long-term value cao hơn.
Để cạnh tranh với hàng nghìn ứng viên cho 11 vị trí này, yếu tố nào tạo sự khác biệt lớn nhất?
Dựa trên phân tích JD, các yếu tố khác biệt theo thứ tự ưu tiên:
1. Có "giải thưởng" trong các cuộc thi ⭐⭐⭐⭐⭐
Olympic Toán, Olympic Tin học, giải Kaggle, cuộc thi phân tích dữ liệu — đây là filter mạnh nhất vì JD nêu rõ là "ưu tiên".
2. Có kinh nghiệm AI Engineer thực tế ⭐⭐⭐⭐⭐
JD ghi rõ: "ưu tiên ứng viên có kinh nghiệm đảm nhiệm vị trí Kỹ sư AI (AI Engineer)". Đây là xu hướng VCB đang tuyển rất mạnh trong 2024-2026.
3. Chứng chỉ CFA/FRM/PRM ⭐⭐⭐⭐
Không phải ứng viên Data Science nào cũng có — nên nếu bạn có, đây là lợi thế cực lớn.
4. Project thực tế về Banking/Finance ⭐⭐⭐⭐
Portfolio trên GitHub phải có ít nhất 1 project liên quan đến tài chính (credit, fraud, churn...).
5. Kỹ năng giao tiếp xuất sắc ⭐⭐⭐⭐
JD nhấn mạnh: "giao tiếp, đàm phán". Data Scientist giỏi + nói tốt = cực hiếm.
6. Background trường top theo danh sách ⭐⭐⭐
Nếu bạn từ ĐHQG, Bách Khoa, Kinh tế Quốc dân… → đã pass gate.
7. Tiếng Anh xuất sắc (IELTS 7.0+) + có thể present bằng tiếng Anh
8. Đã từng làm việc tại Big4 ngân hàng trước đó
9. Có mối quan hệ trong ngành (referral nội bộ)
Top 3 hành động để tăng cơ hội: Tham gia 1 Kaggle competition ranking cao + Học CFA L1 + Viết 1 blog chia sẻ về Data Science trong banking.
VCB yêu cầu tối thiểu 1 năm kinh nghiệm, mình mới ra trường thì tính kinh nghiệm thế nào? Internship có tính không?
Câu hỏi rất hay. Trả lời ngắn gọn: Internship CÓ THỂ được tính, nhưng phải đúng loại.
Internship được tính:
- ✅ Thực tập tại ngân hàng, fintech (VPBank, Techcombank, MoMo, ZaloPay...) ở vị trí Data/Data Science
- ✅ Thực tập full-time 6+ tháng tại các công ty có data team mạnh
- ✅ Đồ án tốt nghiệp nếu là project Data Science thực tế và có publication/internal report
- ✅ Nghiên cứu khoa học (NCKH cấp trường trở lên) về data science
Internship KHÔNG được tính:
- ❌ Thực tập marketing, sales, operations không liên quan data
- ❌ Internship <3 tháng
- ❌ Thực tập theo dạng "quan sát, học việc"
Cách chứng minh cho HR VCB:
1. Trong CV, ghi rõ: "Thực tập Data Analyst tại [Công ty] (06/2024 - 12/2024)" — 6 tháng thực tập = tương đương 6 tháng kinh nghiệm
2. Có thư giới thiệu từ manager
3. Có deliverables/project cụ thể đã làm
Câu trả lời khi phỏng vấn: "Tính cả thời gian thực tập tại [X], em có khoảng X tháng kinh nghiệm thực tế làm việc với data, xây dựng model, trong đó [mô tả 1-2 dự án cụ thể]."
Mẹo: Nếu chưa đủ 12 tháng full-time, bạn vẫn có thể apply — nhiều trường hợp VCB tuyển cả fresher giỏi và train lại. Nhưng hãy chuẩn bị sẵn portfolio bù đắp.
Làm Data Science ở ngân hàng có khác gì so với công ty công nghệ (Google, Facebook) không? Mình sợ vào đây sẽ lạc hậu công nghệ.
Khác biệt khá lớn, và đây là điểm bạn cần hiểu rõ trước khi quyết định:
Ở công ty công nghệ (Google/Facebook):
- Tech stack hiện đại nhất (cutting edge)
- Scale dữ liệu cực lớn (petabytes)
- Culture: "Move fast and break things"
- Làm ML pure, ít bị policy ràng buộc
- Research-style: publish papers, open source
- Lương cao (có thể gấp 2-3 lần)
Ở ngân hàng (VCB, etc.):
- Tech stack ổn định, conservative: Python, SQL, SAS, Oracle
- Scale dữ liệu lớn nhưng bị ràng buộc bởi compliance
- Culture: Quy trình chặt chẽ, approval nhiều bước
- ML phải đảm bảo compliance (SBV, Basel, NHNN quy định)
- Domain knowledge quan trọng hơn tech skills
Sợ lạc hậu công nghệ — có đúng không?
- Một phần đúng: Ngân hàng chậm update hơn trong tech stack
- NHƯNG: VCB trong 2024-2026 đang chuyển đổi số mạnh mẽ, áp dụng nhiều AI/Cloud (AWS, Azure)
- Đã có dự án với Microsoft GenAI, CMC, FPT
Lời khuyên thực tế:
1. Bù đắp bằng tự học: Đọc paper, Kaggle, blog bên ngoài
2. Tham gia cộng đồng: Vietnam Data Science Community, MICA, AI4VN
3. Học thêm ở Coursera/fast.ai — để cập nhật công nghệ mới
4. Cân nhắc career path: 3-5 năm VCB → nhảy sang fintech/tech nếu muốn
Thực tế: Nhiều Data Scientist tốt tại Việt Nam khởi đầu ở ngân hàng 2-3 năm rồi mới chuyển sang tech — và HỌ thành công hơn vì hiểu sâu business.
Phỏng vấn tại VCB có khó không? Câu hỏi nào hay gây khó ứng viên nhất?
Phỏng vấn VCB ở mức khó trung bình-khá, nhưng có những "bẫy" riêng:
Top 5 câu hỏi khó nhất ứng viên hay vấp:
1. "Mô tả 1 project Data Science bạn đã làm, giải thích chi tiết"
- 80% ứng viên nói chung chung "em làm model dự đoán"
- Cách trả lời tốt: Dùng STAR method + nêu rõ business impact (giảm X% chi phí, tăng Y% conversion)
2. "Model của bạn đưa vào production thế nào? Monitoring ra sao?"
- Nhiều ứng viên fresh chỉ làm trên Jupyter, không hiểu MLOps
- Cần biết: Docker, API deployment, model monitoring (drift detection)
3. "Khi nào nên dùng statistical model (logistic) và khi nào dùng ML (XGBoost)?"
- Câu này test tư duy thực tế trong banking
- Trả lời gợi ý: Logistic → cần interpretability cho regulator; XGBoost → cần performance, non-linear patterns
4. "Bạn xử lý conflict với business stakeholder khi model của bạn mâu thuẫn với ý kiến họ thế nào?"
- Câu này test communication skill
- Trả lời gợi ý: Lắng nghe → phân tích bằng data → pilot thử nghiệm → quyết định bằng evidence
5. "Anh/chị sẽ làm gì trong 6 tháng đầu tiên ở vị trí này?"
- Câu test mindset và initiative
- Trả lời gợi ý: Hiểu data → ghép với business stakeholders → identify quick wins → triển khai 1 use case
Mẹo chuẩn bị:
- 📚 Đọc trước báo cáo thường niên VCB (công khai)
- 📚 Tìm hiểu 3 dự án AI gần đây của VCB trên báo chí
- 📚 Chuẩn bị 5 câu hỏi ĐẢO NGƯỢC cho interviewer (ví dụ: "Anh/chị thấy thách thức lớn nhất của đội ngũ KHDL hiện tại là gì?")
Nếu được nhận vào VCB, chiến lược 3 năm đầu nên thế nào để thăng tiến nhanh?
Chiến lược 3 năm đầu để tăng tốc độ thăng tiến:
NĂM 1: GÂY ẤN TƯỢNG MẠNH 🚀
Tháng 1-3:
- Học kỹ data warehouse của VCB, các core systems
- Gặp gỡ 100% stakeholders của các phòng ban liên quan
- Xác định 2-3 use case "quick win" mà model có thể làm trong 1-2 tháng
Tháng 4-12:
- Deliver ít nhất 1 project thành công có business impact rõ ràng
- Viết tài liệu kỹ thuật (technical doc) cho team
- Được đánh giá tốt trong probation review
NĂM 2: MỞ RỘNG ẢNH HƯỞNG 🌐
- Đảm nhận ít nhất 1 use case lớn (1-2 tỷ VND impact)
- Bắt đầu mentor 1 junior
- Lấy 1 chứng chỉ quan trọng (CFA L1, FRM Part 1, AWS)
- Đề xuất 1 cải tiến quy trình (process improvement) được chấp nhận
NĂM 3: CHUẨN BỊ THĂNG CHỨC 🎯
- Bắt đầu tham gia các dự án chiến lược cấp ngân hàng (không chỉ team-level)
- Đề xuất 1 innovation project (ví dụ: Generative AI cho chatbot VCB Digibank)
- Được cân nhắc thăng chức lên Chuyên viên cao cấp → Lead
- Networking với các phòng ban khác để chuẩn bị cho vị trí quản lý
5 THÓI QUEN VÀNG:
1. 📊 Deliver impact, không chỉ output: Mỗi project phải có con số business impact rõ ràng
2. 📚 Học liên tục: Dành 5-10 giờ/tuần đọc paper, blog, chứng chỉ
3. 🤝 Build network nội bộ: Ăn trưa, cafe với nhiều người, không chỉ đội data
4. 📝 Document mọi thứ: Là người ghi chép tốt nhất phòng
5. 🎤 Present thường xuyên: Chủ động trình bày trước lãnh đạo cấp cao
THÓI QUEN XẤU CẦN TRÁNH:
- ❌ Làm việc đơn lẻ, không communicate
- ❌ Chỉ làm theo yêu cầu, không chủ động đề xuất
- ❌ Bám víu quá lâu vào cutting-edge tech mà bỏ qua business value
- ❌ Chính trị văn phòng xấu — nhưng quan hệ tốt thì cần thiết