Chuyên gia Data AI- Phòng Kế hoạch và Phân tích tài chính- Khối Quản trị tài chính
Phân tích kỹ năng cần có
Phân tích kỹ năng cho vị trí Chuyên gia Data AI – Phòng Kế hoạch và Phân tích tài chính – Khối Quản trị tài chính tại NCB
Lưu ý: Bảng tin tuyển dụng không công bố chi tiết mô tả công việc và yêu cầu. Phần phân tích dưới đây dựa trên chức danh và phòng ban để bạn tham khảo định hướng chuẩn bị.
1. Hard Skills cốt lõi
| Nhóm kỹ năng | Công cụ / Công nghệ cụ thể | Mức độ cần | Ghi chú cho ngân hàng |
|---|---|---|---|
| Lập trình | Python (ưu tiên), SQL, có thêm R | Bắt buộc | Python là ngôn ngữ chính cho ML/AI trong ngân hàng |
| Machine Learning | scikit-learn, XGBoost, LightGBM, TensorFlow, PyTorch | Bắt buộc | Dùng cho credit scoring, churn, fraud, dự báo |
| Deep Learning & NLP | Transformers, BERT tiếng Việt, LLM | Nâng cao | Phục vụ chatbot, phân tích văn bản, sentiment |
| Big Data | Spark (PySpark), Hadoop, Kafka, Airflow | Bắt buộc | NCB xử lý lượng giao dịch lớn hàng ngày |
| Database | SQL Server, Oracle, PostgreSQL, MongoDB | Bắt buộc | Kho dữ liệu ngân hàng chủ yếu quan hệ |
| Data Viz & BI | Power BI, Tableau, Superset | Bắt buộc | Báo cáo cho Ban lãnh đạo CFO |
| Cloud & DevOps | AWS/Azure/GCP, Docker, Git, CI/CD | Nâng cao | Nhiều ngân hàng đang chuyển lên cloud |
| MLOps | MLflow, DVC, model monitoring | Nâng cao | Triển khai và vận hành model trong production |
2. Kiến thức tài chính – ngân hàng (rất quan trọng)
Vì vị trí thuộc Khối Quản trị Tài chính – Phòng Kế hoạch và Phân tích tài chính (FP&A), bạn cần hiểu:
- Tài chính doanh nghiệp: WACC, ROE, ROA, NIM, CIR, NPL ratio, LDR, CASA.
- Phân tích báo cáo tài chính: Bảng cân đối kế toán, Báo cáo kết quả kinh doanh, Báo cáo lưu chuyển tiền tệ.
- Ngân hàng: Cơ chế huy động – cho vay, quản trị rủi ro tín dụng, Basel II/III.
- Quản trị tài chính: Lập ngân sách, kế hoạch kinh doanh, phân tích chênh lệch (variance analysis), dự báo doanh thu – chi phí.
- Phân tích khách hàng: RFM, CLV, churn rate, segmentation, propensity model.
3. Soft Skills
- Tư duy kinh doanh (business acumen) – gắn model với KPI kinh doanh ngân hàng.
- Kỹ năng trình bày cho cấp quản lý, Ban Giám đốc.
- Làm việc liên phòng: Data Science, Tài chính, Kế toán, IT, Marketing.
- Tiếng Anh đọc tài liệu kỹ thuật tốt.
4. Chứng chỉ nên có (không bắt buộc nhưng cộng điểm)
- Google Data Analytics / Professional Machine Learning Engineer.
- AWS Certified Machine Learning – Specialty hoặc Azure AI Engineer Associate.
- TensorFlow Developer Certificate.
- Chứng chỉ tài chính: CFA Level I/II, FRM, hoặc các khóa học về Basel II/III từ NICD.
- CFA Institute Certificate in ESG Investing (xu hướng đang lên ở các ngân hàng).
5. Bảng so sánh năng lực để tự đánh giá
| Mức độ | Mô tả |
|---|---|
| Junior (0–2 năm) | Biết Python, SQL, model cơ bản, đọc hiểu báo cáo tài chính |
| Mid (2–5 năm) | Triển khai model end-to-end, hiểu nghiệp vụ ngân hàng, BI |
| Senior/Chuyên gia (5+ năm) | Thiết kế kiến trúc AI, dẫn dắt dự án, đối thoại C-level |
Vị trí "Chuyên gia" thường yêu cầu ở mức Senior, tức 5 năm kinh nghiệm trở lên, có khả năng dẫn dắt chuyên môn.
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn – Chuyên gia Data AI tại NCB
Do tin tuyển dụng không công bố quy trình, dưới đây là cấu trúc phỏ biết vận dụng cho vị trí Data AI ở khối Quản trị tài chính tại các ngân hàng tại Việt Nam.
Quy trình dự kiến 4–5 vòng
| Vòng | Hình thức | Nội dung chính |
|---|---|---|
| 1. HR sơ loại | Phỏng vấn online 30–45 phút | Lý lịch, định hướng, mức lương mong muốn |
| 2. Trưởng phòng trực tiếp quản lý | Phỏng vấn chuyên môn 60–90 phút | Kinh nghiệm, cách bạn xử lý vấn đề kinh doanh |
| 3. Bài test kỹ thuật / Case study | Làm tại nhà hoặc onsite 2–4 giờ | Phân tích dữ liệu tài chính, xây dựng model |
| 4. Phó phòng hoặc Giám đốc Khối | 60 phút | Tầm nhìn chiến lược, đối thoại cấp cao |
| 5. HR cuối cùng / Offer | 30 phút | Thương lượng lương, đãi ngộ, ngày vào |
Câu hỏi phỏng vấn hay gặp theo từng vòng
Vòng 1 – HR:
- Giới thiệu bản thân và lý do ứng tuyển vào NCB?
- Bạn biết gì về vị trí Chuyên gia Data AI tại Khối Quản trị tài chính?
- Mức lương mong muốn hiện tại và kỳ vọng?
- Thời gian có thể bắt đầu làm việc?
Vòng 2 – Trưởng phòng (chuyên môn nặng):
- Mô tả một dự án AI/ML bạn đã làm từ A–Z, kết quả kinh doanh ra sao?
- Làm sao để cải thiện NIM/dự báo doanh thu bằng model AI trong ngân hàng?
- Cách bạn xử lý imbalance dataset trong bài toán fraud detection hoặc credit scoring?
- Bạn thiết kế kiến trúc data pipeline cho hệ thống giao dịch thẻ như thế nào?
Vòng 3 – Test kỹ thuật / Case study:
- Cho một bảng dữ liệu giao dịch khách hàng, hãy xây dựng mô hình phân khúc khách hàng và đề xuất chiến lược giữ chân.
- Đánh giá hiệu quả một mô hình dự báo NPL bằng các chỉ số nào? Giải thích precision/recall trong bối cảnh ngân hàng.
- Tối ưu chi phí vận hành data pipeline như thế nào?
Vòng 4 – Cấp Giám đốc:
- Bạn nhìn nhận xu hướng AI trong ngành ngân hàng Việt Nam 3 năm tới?
- Làm sao để AI thực sự tạo giá trị cho khối FP&A chứ không phải làm cho "đẹp"?
- Bạn quản lý xung đột khi model AI đưa ra khuyến nghị trái với kinh nghiệm của chuyên viên tài chính lâu năm?
Tips chuẩn bị
- Nghiên cứu NCB trước 3 ngày: Đọc Báo cáo thường niên, chiến lược chuyển đổi số, sản phẩm NCB, đối thủ cạnh tranh (Techcombank, VPBank, MSB…).
- Chuẩn bị 3 dự án "signature": Dùng phương pháp STAR (Situation – Task – Action – Result) để kể, kèm số liệu cụ thể.
- Mang theo portfolio: GitHub, Kaggle, slide dự án, hoặc bài blog kỹ thuật.
- Hỏi ngược 2–3 câu thông minh:
- "Hiện tại Khối Quản trị tài chính ưu tiên AI cho use case nào trong 6 tháng tới?"
- "Đội ngũ Data hiện tại có bao nhiêu người, cơ cấu ra sao?"
- "NCB đang ở giai đoạn nào trong hành trình AI maturity?"
Dress code
- Nữ: Áo sơ mi / áo blouse công sở, quần tây hoặc chân váy, giày có gót thấp.
- Nam: Sơ mi trắng/xanh nhạt, quần tây, giày da, thắt lưng, có thể mặc vest nếu vòng cuối.
- Ngân hàng khá truyền thống về trang phục, nên ưu tiên sự chỉ trang nhã.
Lộ trình ôn thi
Lộ trình ôn tập 2 tuần cho vị trí Chuyên gia Data AI – NCB
Tuần 1 – Nền tảng kỹ thuật & Tài chính ngân hàng
Ngày 1–2: Toán & Thống kê cho AI
- Xác suất, thống kê suy luận, kiểm định giả thuyết.
- Đại số tuyến tính: Eigenvalue, SVD (ứng dụng trong PCA, recommendation).
- Tài liệu: Think Stats – Allen Downey (miễn phí), khóa Probability & Statistics trên Khan Academy.
Ngày 3–4: Python nâng cao & SQL
- Pandas, NumPy, OOP, list comprehension, generator.
- SQL nâng cao: window function, CTE, recursive query, optimization.
- Thực hành: LeetCode SQL 30 bài medium.
Ngày 5–6: Machine Learning cốt lõi
- Supervised: Linear/Logistic Regression, Random Forest, XGBoost, LightGBM.
- Unsupervised: K-Means, DBSCAN, Hierarchical.
- Đánh giá model: AUC, F1, KS statistic (rất quan trọng trong credit scoring).
- Tài liệu: Hands-On ML with Scikit-Learn, Keras and TensorFlow – Aurélien Géron.
Ngày 7: Tài chính ngân hàng cơ bản
- Cấu trúc BCTC ngân hàng.
- Các chỉ số NIM, CIR, ROA, ROE, NPL, CAR, LDR.
- Basel II/III tổng quan.
- Tài liệu: Sách Ngân hàng Thương mại – PGS.TS Nguyễn Minh Kiều; khóa miễn phí của Coursera Financial Markets (Yale).
Tuần 2 – Ứng dụng AI trong ngân hàng & Luyện phỏng vấn
Ngày 8–9: AI use case trong ngân hàng
- Credit scoring, fraud detection, churn, recommendation, OCR/KYC.
- Đọc các bài báo Kaggle về Home Credit Default Risk, Credit Card Fraud.
- Đọc 5 bài blog về AI trong ngân hàng từ McKinsey, BCG, Deloitte.
Ngày 10: Big Data & Pipeline
- Spark cơ bản, Airflow DAG.
- Data lake vs Data warehouse.
- Kiến trúc Lambda, medallion.
Ngày 11: MLOps & Triển khai model
- MLflow, Docker, API Flask/FastAPI.
- Monitoring model drift.
Ngày 12: NLP & LLM (bonus)
- Tiền xử lý tiếng Việt (underthesea, pyvi).
- Tổng quan về LLM, RAG, fine-tuning.
- Chatbot nội bộ ngân hàng.
Ngày 13: Mock interview
- Tự record hoặc nhờ bạn bè phỏng vấn giả.
- Luyện kể 3 dự án theo STAR.
Ngày 14: Tổng hợp & Hỏi đáp
- Đọc lại toàn bộ ghi chú.
- Xem lại BCTC NCB 2 năm gần nhất.
Tài liệu tham khảo gợi ý
- Sách:Hands-On ML – Géron, Designing Data-Intensive Applications – Kleppmann, The Model Risk Manager's Handbook.
- Khóa học: Andrew Ng – Machine Learning Specialization (deeplearning.ai), Google Data Analytics.
- Trang web: Towards Data Science, Analytics Vidhya, Kaggle Learn, NCB Báo cáo thường niên.
- Cộng đồng: Vietnam AI Forum, Group "Data Science Vietnam" trên Facebook, Kaggle notebook chia sẻ tiếng Việt.
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho vị trí Chuyên gia Data AI ngân hàng
Lộ trình thăng tiến điển hình trong ngân hàng
Data Analyst (Fresher/Junior) ──► Data Scientist (Middle) ──► Senior Data Scientist ──► Chuyên gia Data AI (Expert) ──► Trưởng nhóm Data/AI ──► Giám đốc Data & AI
0–2 năm 2–4 năm 4–6 năm 5–8 năm 6–10 năm 10+ năm
Lưu ý: "Chuyên gia" tại ngân hàng thường tương đương cấp Senior Manager hoặc Expert Band về chuyên môn, có thể không quản lý trực tiếp nhiều người nhưng là người định hướng kỹ thuật cho cả khối/phòng.
Mức lương ước lượng tham khảo (gross/tháng)
(Mức lương có thể thay đổi tùy ngân hàng và thời điểm)
| Cấp bậc | Ngân hàng lớn (VCB, Techcombank, MB, VPBank, ACB) | Ngân hàng tầm trung (NCB, MSB, SHB, OCB, LPB) | Fintech/Startup |
|---|---|---|---|
| Junior Data Analyst | 12–20 triệu | 10–18 triệu | 15–25 triệu |
| Data Scientist | 25–45 triệu | 20–40 triệu | 35–60 triệu |
| Senior Data Scientist | 45–80 triệu | 40–70 triệu | 60–100 triệu |
| Chuyên gia Data AI (Expert) | 70–150 triệu | 60–120 triệu | 100–200 triệu |
| Trưởng phòng/Giám đốc Data | 150–300+ triệu | 120–250 triệu | 200–400+ triệu |
Con số trên là ước lượng tham khảo, có thể thay đổi tùy ngân hàng và thời điểm. NCB thuộc nhóm tầm trung nên mặt bằng lương sẽ dao động ở cột giữa, có thể có thưởng thêm theo KPI quý/năm.
Kỹ năng cần phát triển thêm để đi xa hơn
- Kỹ năng chiến lược: Hiểu rõ business model ngân hàng, mối liên hệ giữa data và doanh thu/lợi nhuận.
- Quản trị rủi ro model (Model Risk Management): Càng lên cao càng cần hiểu governance, fairness, explainability.
- Khả năng giao tiếp với cấp C-level: Học cách dịch kỹ thuật → ngôn ngữ kinh doanh.
- Kiến thức pháp lý: Thông tư hướng dẫn AI từ NHNN, GDPR nếu mở rộng ra quốc tế.
- Mentoring: Xây dựng đội nhóm inhouse AI từ 3–10 người trong 3 năm tới.
Lời khuyên thực tế
- Nếu bạn đang ở fintech/telco: Sang ngân hàng là bước tăng lương 20–40% nhưng nhịp chậm hơn, đổi lại có dữ liệu "đúng chất" tài chính.
- Nếu bạn là sinh viên: Làm 2–3 dự án Kaggle về finance, internship ở phòng FP&A hoặc Risk là lợi thế rất lớn.
- Nếu bạn là chuyên viên tài chính muốn chuyển sang AI: Bắt đầu học Python + SQL + ML cơ bản, đề xuất phòng ban xây dựng use case AI nhỏ, dần dần chuyển sang.
- Nếu bạn đã Senior: Đừng chỉ làm model, hãy đẩy mạnh stakeholder management, đó là điều khiến cho bạn khác biệt với một Senior Dev thuần kỹ thuật.
Câu hỏi thường gặp
Vị trí "Chuyên gia" thường yêu cầu 5 năm kinh nghiệm trở lên, nên nếu apply vị trí này khi chưa có kinh nghiệm sẽ khó cạnh tranh. Tuy nhiên, bạn có thể thử vì không mất gì. Lời khuyên thực tế hơn là:
- Apply các vị trí Junior Data Analyst hoặc Data Engineer tại NCB hoặc các ngân hàng khác trước để tích lũy 2–3 năm.
- Trong thời gian chờ, làm 2–3 dự án Kaggle về finance, đăng blog kỹ thuật lên LinkedIn, GitHub.
- Kết nối với HR NCB qua LinkedIn để hỏi cơ hội chương trình Fresher/Intern.
- Học thêm kiến thức ngân hàng: NIM, NPL, Basel II/III, đây là điểm cộng rất lớn vì nhiều bạn Data chỉ biết kỹ thuật mà thiếu domain knowledge.
Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Ước lượng tham khảo: 60–120 triệu đồng/tháng gross cho cấp Expert ở ngân hàng tầm trung như NCB. Ngoài lương cứng còn có:
- Thưởng KPI quý/năm (thường 1–3 tháng lương).
- Thưởng Tết (1–2 tháng).
- Phụ cấp ăn trưa, điện thoại, xăng xe.
- Bảo hiểm sức khỏe cao cấp (PVI, Bảo Việt, Prudential).
- Một số ngân hàng có ESOP hoặc cổ phiếu ưu đãi cho vị trí chuyên môn cao.
Bạn nên tham khảo mặt bằng chung qua các bài salary sharing trên Group "Vietnam Data Salary" hoặc "VietnamWorks Salary Report" hàng năm.
Chuyển từ fintech sang ngân hàng là hướng đi rất phổ biến và được trả lương cao hơn. Bạn cần chuẩn bị:
Về kiến thức ngân hàng:
- Đọc Báo cáo thường niên của NCB và 2–3 ngân hàng đối thủ.
- Học các chỉ số: NIM, CIR, NPL, CAR, LDR.
- Hiểu Basel II/III và cách ngân hàng quản trị rủi ro tín dụng.
- Tìm hiểu Thông tư 01, 02 của NHNN về phân loại nợ.
Về kỹ thuật bổ sung:
- Tín hiệu về MLOps, model monitoring (ngân hàng quản lý rủi ro model rất chặt).
- Explainability (SHAP, LIME) – quan trọng cho credit scoring.
- SQL sâu hơn, đặc biệt Oracle, SQL Server (ngân hàng ít dùng NoSQL).
Về kỹ năng mềm:
- Fintech nhịp nhanh, ngân hàng nhịp chậm hơn nhưng yêu cầu compliance cao. Bạn cần kiên nhẫn hơn với quy trình phê duyệt.
- Có kinh nghiệm làm với stakeholder cấp CFO/CEO là điểm cộng rất lớn.
Đây là câu hỏi rất nhiều bạn nhầm lẫn. Sự khác biệt cốt lõi:
Khối Công nghệ (IT):
- Làm về hạ tầng, data platform, model production.
- Phục vụ toàn ngân hàng.
- Công việc nặng về kỹ thuật: DevOps, database, hệ thống.
Khối Quản trị Tài chính – FP&A:
- Làm AI ứng dụng cho planning, forecasting, budgeting, financial analysis.
- Phục vụ CFO, Ban Giám đốc.
- Model thường là: dự báo doanh thu, phân tích variance, scenario planning, tối ưu vốn.
- Cần hiểu sâu nghiệp vụ tài chính, kế toán.
Lợi thế khi làm ở FP&A:
- Được lãnh đạo cấp cao chú ý, dễ đề xuất ý tưởng.
- Gắn liền với quyết định kinh doanh.
- Thăng tiến nhanh nếu tạo giá trị rõ ràng.
Thách thức:
- Dữ liệu tài chính phức tạp hơn dữ liệu khách hàng.
- Yêu cầu cao về độ chính xác và audit trail.
Một ngày thường bắt đầu lúc 8h30 và kết thúc khoảng 17h30–18h, có thể tăng ca cuối tháng khi đóng báo cáo tài chính. Cấu trúc điển hình:
- 8:30–9:30: Check email, đọc báo cáo BI tự động đã chạy qua đêm, review các chỉ số bất thường.
- 9:30–11:00: Họp với team FP&A để hiểu nhu cầu phân tích trong tuần/quý.
- 11:00–12:00: Coding, xây dựng hoặc cải tiến model (Python, SQL).
- 13:30–15:30: Họp cross-functional với IT, Marketing, Risk để triển khai use case.
- 15:30–17:00: Trình bày insight cho cấp quản lý, viết tài liệu kỹ thuật.
- 17:00–18:00: Review code của team, cập nhật tài liệu.
Lưu ý: Ngân hàng có giờ làm việc cố định hơn fintech, nhưng vẫn có thể linh hoạt nếu kết quả công việc tốt.
Câu trả lời tùy thuộc vào định hướng:
Nếu bạn muốn làm chuyên sâu AI: Python + SQL + ML + Cloud chứng chỉ là đủ. CFA không cần nhưng là điểm cộng.
Nếu bạn muốn thăng lên Trưởng phòng/Giám đốc Data: CFA Level I/II rất có giá trị vì giúp bạn đối thoại với CFO bằng ngôn ngữ kinh doanh.
Khuyến nghị thực tế:
- Ưu tiên 1: Chứng chỉ kỹ thuật (Google ML, AWS ML Specialty) – tác động trực tiếp đến công việc.
- Ưu tiên 2: Đọc sách về phân tích tài chính + CFA Level I – giúp domain knowledge.
- Ưu tiên 3: FRM nếu muốn làm model liên quan rủi ro.
Nói ngắn gọn: Chứng chỉ không thay thế được kinh nghiệm thực chiến, nhưng giúp bạn vượt qua vòng HR một cách nhanh hơn.
Bạn có những lợi thế giá trị nếu chuyển từ ngành khác sang:
- Tư duy mới (fresh perspective): Nhiều đội ngũ Data ngân hàng đang "mắc kẹt" với cách làm cũ, bạn mang đến góc nhìn mới.
- Kinh nghiệm ML production: Nếu từ fintech, startup, bạn có kinh nghiệm deploy model nhanh, cloud-native.
- Bài học từ ngành khác: Ví dụ từ e-commerce biết recommendation tốt → ngân hàng đang cần cho sản phẩm tiết kiệm, thẻ tín dụng.
- Network bên ngoài: Có thể mang ý tưởng, vendor, công nghệ mới.
Cách "che" khuyết điểm thiếu domain:
- Học nhanh các khái niệm tài chính trong 1 tháng trước phỏng vấn.
- Đề cập các dự án có cấu trúc tương tự (dự báo doanh thu, churn, segmentation).
- Chuẩn bị câu trả lời: "Điều tôi mang đến là kinh nghiệm AI production, điều ngân hàng cần hiện tại là AI thực chiến chứ không phải PoC."
Chia sẻ từ cộng đồng
Mình từng làm ở NCB hơn 4 năm, giờ đã chuyển sang ngân hàng lớn hơn. NCB có dữ liệu tốt và ban lãnh đạo đang đẩy mạnh chuyển đổi số, cơ hội cho người làm AI là có thật. Điểm cộng là môi trường không quá áp lực như các ngân hàng top đầu, phù hợp với bạn nào muốn balance work-life.
Có bạn nào biết cụ thể team Data ở NCB đang tuyển vị trí này không? Mình apply 2 tuần rồi chưa thấy phản hồi, gửi email cho HR cũng không ai reply. Có phải tin đăng cũ không vậy?
Lưu ý thật cho ai đang quan tâm: tin NCB thường đăng trên website riêng và LinkedIn, đôi khi VietnamWorks hay TopCV đăng lại nhưng HR không quản lý tin đó. Nên apply trực tiếp trên website NCB hoặc inbox LinkedIn HR NCB sẽ nhanh hơn.
Mình đã phỏng vấn vòng 2 ở đây. Câu hỏi khá nặng về SQL performance tuning với Oracle, không phải chỉ select thông thường. Các bạn chuẩn bị kỹ partition, index, execution plan nhé. Còn câu hỏi ML thì hỏi về XGBoost và SHAP, khá sát thực tế ngân hàng.
Mình thấy tin này thuộc Khối Quản trị tài chính chứ không phải Khối Công nghệ nên các bạn chuẩn bị kỹ kiến thức FP&A, variance analysis, budgeting là điểm cộng. Nhiều bạn Data chỉ giỏi kỹ thuật nhưng không hiểu bản chất ngân hàng thì sẽ khá khó với vị trí này.
Cảnh báo thật: NCB là ngân hàng cổ phần tầm trung, giai đoạn 2022-2024 có tái cơ cấu, có thể chính sách thay đổi. Bạn nào đang so sánh giữa NCB với MSB, OCB, LPB thì cân nhắc về độ ổn định và chiến lược dài hạn của từng nơi, đừng chỉ nhìn lương.
Mình mới ra trường, đang phân vân giữa apply NCB hay một fintech. Bạn nào có kinh nghiệm cho mình xin lời khuyên với. Fintech lương cao hơn nhưng ngân hàng có dữ liệu đúng chất tài chính hơn, khó học được ở nơi khác.
Ứng tuyển ngay
Ứng tuyển trên website gốcBạn sẽ được chuyển đến trang tuyển dụng chính thức của NCB
Chuyên môn / Từ khoá
Mất kết nối mạng
Đang thử kết nối lại
Đã xảy ra lỗi!
Vui lòng chờ trong giây lát