Mô tả công việc

• Nghiên cứu, áp dụng các kỹ thuật phân tích dữ liệu trong phát hiện gian lận; • Nghiên cứu, xây dựng các Mô hình Machine Learning, Deep Learning (Random Forest, XGboost, Neural Network, LSTM, …) trong phát hiện gian lận; • Triển khai Rules-base/Mô hình trên hệ thống phát hiện gian lận của Ngân hàng; • Quản lý, kiểm định và cải tiến các Rules/Mô hình đã triển khai;

Phúc lợi: Lương tháng thứ 13, Bảo hiểm sức khỏe cá nhân, Du lịch, Fitness Center (Yoga, GYM…), Hỗ trợ đi lại, Hỗ trợ kinh phí tập luyện thể thao, Khám sức khỏe định kỳ, Ngày nghỉ sinh nhật, Quà tặng sinh nhật, Quà tặng Tết Nguyên Đán, Thưởng các dịp Lễ (Tết, Quốc Khánh, 30/4 - 1/5, Sinh nhật Ngân hàng…), Thưởng thành tích, Thưởng hiệu suất, Vay ưu đãi

Yêu cầu ứng viên

Có nền tảng kiến thức về Tài chính, Thống kê, Data Mining, Machine Learning; Có khả năng sử dụng các ngôn ngữ lập trình dùng phân tích dữ nhiệu như Python/SQL/R…; Có kinh nghiệm làm việc với các hệ thống tài chính kinh doanh của các tổ chức tài chính/tín dụng là một điểm cộng; Có kinh nghiệm xây dựng và ứng dụng mô hình (PD, Fraud Detection) trong thực tiễn là một lợi thế; Ngoại ngữ: Tiếng Anh TOEIC 700 trở lên hoặc tương đương MB Bank yêu cầu ứng viên ứng tuyển cần cung cấp chi tiết các thông tin sau:

Thông tin cá nhân: Họ và tên, Ngày tháng năm sinh, Giới tính
Số điện thoại và Email liên hệ
Trình độ học vấn, Trường đã tốt nghiệp
Kinh nghiệm làm việc
Từ 3 - 5 kỹ năng nổi bật
Nguồn Tuyển dụng

Vì sao Bạn nên đảm bảo đầy đủ thông tin khi ứng tuyển?

Hồ sơ của Bạn sẽ được đánh giá nhanh chóng.
Đối với các hồ sơ đáp ứng đầy đủ thông tin và tiêu chí tuyển dụng phù hợp, MB Bank sẽ chủ động liên hệ phỏng vấn trong thời gian sớm nhất..
Ứng viên vui lòng kiểm tra email và điện thoại thường xuyên để không bỏ lỡ lịch hẹn phỏng vấn.

Cập nhật ngay thông tin mới nhất về các Chương trình do MB tổ chức tại FanPage:

Ai yêu Miền Bắc hơn MBers
Ai yêu Miền Trung hơn MBers
Ai yêu Miền Nam hơn MBers

Phân tích kỹ năng cần có

Phân tích Kỹ năng Cần Có

1. Hard Skills (Kỹ năng chuyên môn bắt buộc)

Nhóm kỹ năng	Cụ thể	Mức độ yêu cầu
Lập trình	Python (ưu tiên), SQL, R	Thành thạo ít nhất 1 ngôn ngữ
Machine Learning	Random Forest, XGBoost, Neural Network	Nâng cao
Deep Learning	LSTM, CNN (cho chuỗi thời gian gian lận)	Trung bình-Nâng cao
Data Mining	Feature Engineering, Data Preprocessing	Thành thạo
Kiến thức tài chính	Rủi ro tín dụng, phát hiện gian lận	Nền tảng vững
Thống kê	Statistical Analysis, A/B Testing	Nền tảng vững

2. Soft Skills (Kỹ năng mềm)

Phân tích vấn đề: Khả năng phân tích patterns gian lận, nhận diện anomaly
Giao tiếp: Diễn giải kết quả mô hình cho ban lãnh đạo phi kỹ thuật
Quản lý thời gian: Deadline-driven với các dự án model deployment
Chủ động học hỏi: Công nghệ ML phát triển nhanh, cần cập nhật liên tục

3. Chứng chỉ Gợi Ý

Chứng chỉ	Giá trị	Ghi chú
FRM (Financial Risk Manager)	⭐⭐⭐	Chuẩn vàng ngành Quản trị rủi ro
CFA	⭐⭐	Nền tảng tài chính vững
AWS/GCP Machine Learning	⭐⭐	Triển khai model production
Kaggle Certificate	⭐	Thể hiện kỹ năng ML thực chiến
SQL/Python Certificates	⭐	Coursera, DataCamp

4. Bảng So Sánh Đối Thủ

Vì sao bạn nên ứng tuyển?

Yếu tố	MB Bank	So với các ngân hàng khác
Mức lương	Thỏa thuận (cạnh tranh)	Cao hơn VPBank, TPBank nhờ đặc thù vị trí niche
Công nghệ	Đang đầu tư mạnh ML/DL	Lộ trình hiện đại hóa rõ ràng
Lợi thế	Khối QTRR chuyên nghiệp	Cơ hội học hỏi từ chuyên gia rủi ro
Thử thách	Data scale ngân hàng lớn	Xử lý transaction volume thực tế

Yêu Cầu Ẩn (Không Ghi Rõ Nhưng Quan Trọng)

Kinh nghiệm với imbalanced data - fraud detection thường có tỷ lệ fraud/rất thấp
Hiểu business domain ngân hàng - AML/KYC compliance
Model interpretability - giải thích được cho regulator
Feature engineering skills - tạo features từ raw transaction data

Chuẩn bị phỏng vấn

Hướng Dẫn Phỏng Vấn Vị Trí Fraud Analytics Specialist - MB Bank

Quy Trình Phỏng Vấn (Dự Kiến)

Vòng 1: HR Screening (30-45 phút)
    ↓
Vòng 2: Technical Interview - Data Science/Risk (60-90 phút)
    ↓
Vòng 3: Panel Interview - Quản lý Khối QTRR (45-60 phút)
    ↓
Vòng 4: Thương lượng & Offer (30 phút)

Câu Hỏi Hay Gặp Theo Từng Vòng

Vòng 1: HR Screening

"Giới thiệu bản thân và dự án ML gần nhất của bạn"
"Tại sao bạn muốn chuyển sang lĩnh vực ngân hàng?"
"Bạn biết gì về MB Bank và Khối QTRR?"
"Kỳ vọng mức lương và timeline?"

Vòng 2: Technical Interview (TRỌNG TÂM)

A. Machine Learning (80% gặp)

"Xây dựng model fraud detection từ đầu, bạn sẽ bắt đầu thế nào?"
"Giải thích sự khác nhau giữa Random Forest và XGBoost? Khi nào dùng cái nào?"
"Làm thế nào xử lý imbalanced data trong fraud detection? (SMOTE, undersampling, class weights)"
"Precision vs Recall trong fraud detection - cái nào quan trọng hơn?"
"Explainable AI: Làm sao giải thích model cho non-technical stakeholders?"

B. Deep Learning

"Tại sao dùng LSTM cho fraud detection? Nó hoạt động thế nào với time series?"
"Khi nào nên dùng Neural Network thay vì traditional ML?"
"Overfitting trong fraud model: Làm sao detect và xử lý?"

C. SQL & Python

Viết SQL query: Tính tổng giao dịch fraud theo ngày/tuần/tháng
Python: Xử lý missing data, feature engineering demo
"Pandas vs PySpark: Khi nào dùng cái nào với big data?"

D. Business Domain

"Bạn hiểu gì về phòng chống rửa tiền (AML)?"
"Mô tả các loại gian lận phổ biến trong ngân hàng?"
"Các regulatory requirements liên quan đến fraud detection?"

Vòng 3: Panel Interview

"Mô tả một lần bạn phát hiện insight quan trọng từ data?"
"Làm thế nào để prioritize giữa model accuracy và business constraints?"
"Bạn sẽ làm gì nếu model production không perform như expected?"
"5 năm tới, bạn thấy mình ở đâu trong ngành này?"

Tips Chuẩn Bị

Ôn kỹ: Random Forest, XGBoost, LSTM, SMOTE, ROC-AUC, Precision-Recall trade-off
Chuẩn bị project portfolio: GitHub với fraud detection project là plus lớn
Research MB Bank: Tìm hiểu chiến lược digital transformation, các sản phẩm mới
Mock interview: Practice diễn giải ML concepts cho người không biết kỹ thuật
Business case preparation: Sẵn sàng discuss về fraud patterns cụ thể

Dress Code

Formal Business: Áo sơ mi, quần âu (nam) / Váy công sở/chân váy (nữ)
Màu sắc trung tính: trắng, xanh navy, xám
Tránh: sneakers, jeans, áo phông

Lộ trình ôn thi

Ôn Thi & Chuẩn Bị Cho Vị Trí Fraud Analytics Specialist

Lộ Trình Chuẩn Bị 2 Tuần

Tuần 1: Củng cố nền tảng
├── Ngày 1-2: ML fundamentals (bias-variance, overfitting)
├── Ngày 3-4: Ensemble methods (RF, XGBoost) + hands-on
├── Ngày 5-6: Deep Learning basics (NN, LSTM) + hands-on
└── Ngày 7: SQL practice + Business domain (AML basics)

Tuần 2: Chuyên sâu + Mock
├── Ngày 8-9: Fraud detection-specific (imbalanced data, SMOTE)
├── Ngày 10-11: MB Bank research + STAR stories
├── Ngày 12-13: Technical mock interviews
└── Ngày 14: Review + relax

Kiến Thức Nền Cần Nắm Vững

A. Machine Learning Core

1. Ensemble Methods

# Random Forest vs XGBoost - biết khi nào dùng
# Key parameters: n_estimators, max_depth, learning_rate
# Feature importance interpretation

2. Model Evaluation

Confusion Matrix (TP, TN, FP, FN)
Precision vs Recall: Trong fraud, Recall quan trọng hơn (catch fraud) nhưng cần cân bằng với Precision (tránh false alarm quá nhiều)
ROC-AUC, F1-Score
Cross-validation cho imbalanced datasets

3. Imbalanced Data Handling

SMOTE (Synthetic Minority Over-sampling Technique)
Class weights
Undersampling/oversampling
Threshold tuning

B. Deep Learning

1. LSTM cho Time Series Fraud

Memory cells, gates (input, forget, output)
Sequence modeling cho transaction patterns
Khi nào LSTM > traditional ML: sequential patterns, long-term dependencies

2. Architecture Considerations

Input: Sequence of transactions
Hidden layers: LSTM layers
Output: Binary fraud/non-fraud or probability

C. SQL & Python

Must-know SQL:

-- Window functions
-- Self-join cho hierarchical data
-- Aggregation với HAVING
-- CTEs (Common Table Expressions)

Must-know Python Libraries:

pandas, numpy (data manipulation)
scikit-learn (ML models)
XGBoost, LightGBM (gradient boosting)
TensorFlow/PyTorch (deep learning)
imbalanced-learn (SMOTE)

Tài Liệu Tham Khảo

Tài liệu	Link/Loại	Ưu tiên
Hands-On Machine Learning (Aurélien Géron)	Sách	⭐⭐⭐
Kaggle Fraud Detection Competitions	Website	⭐⭐⭐
ML for Finance (Jannes Klaas)	Sách	⭐⭐
Towards Data Science - Fraud Detection	Blog	⭐⭐
Google Machine Learning Crash Course	Course	⭐⭐
sklearn documentation	Docs	⭐⭐

Resources Tiếng Việt

Machine Learning cơ bản (VietJack, Tự học ICT)
DS & ML Vietnam Community (Facebook)
Vietnam Data Science Network

Practice Platforms

Kaggle: Fraud Detection competitions
LeetCode: SQL problems (Medium level)
StrataScratch: Data science interview questions

Tư vấn nghề nghiệp

Lời Khuyên Sự Nghiệp Cho Vị Trí Fraud Analytics Specialist

Lộ Trình Thăng Tiến Dự Kiến

Junior Data Scientist (0-2 năm)
    ↓ [2-3 năm, chứng chỉ FRM, project thành công]
Senior Data Scientist - Fraud Analytics
    ↓ [3-5 năm, leadership, cross-functional]
Lead Data Scientist / Manager
    ↓ [5-8 năm]
Head of Fraud Analytics / VP Risk Modeling

Mức Lương Kỳ Vọng (Tham Khảo - Hà Nội)

Cấp bậc	Kinh nghiệm	Mức lương tháng (VND)
Fresher/Junior	0-1 năm	15-25 triệu
Mid-level	2-4 năm	25-45 triệu
Senior	4-7 năm	45-80 triệu
Lead/Manager	7+ năm	80-150 triệu

Lưu ý: Mức lương thỏa thuận theo năng lực. Vị trí này thuộc nhóm "hot skill" nên có thể đàm phán cao hơn 20-30% so với mặt bằng chung.

Kỹ Năng Cần Phát Triển Thêm

Ngắn hạn (6-12 tháng đầu)

Domain expertise: Hiểu sâu về AML/KYC regulations
MLOps skills: Model deployment, monitoring, MLOps pipeline
Cloud platforms: AWS SageMaker hoặc GCP Vertex AI
Communication: Present findings to non-technical audiences

Trung hạn (1-3 năm)

Business acumen: Đọc hiểu P&L, risk appetite
Leadership: Mentor junior members
Strategic thinking: Roadmap cho fraud detection system
Regulatory knowledge: Basel accords, local banking regulations

Dài hạn (3-5 năm)

Executive presence: Board-level presentations
Innovation: Emerging tech (Graph Neural Networks, Real-time ML)
Industry network: Connect với fraud analytics community
FRM/CFA: Để chuyển sang broader risk management roles

Lời Khuyên Thực Tế

"Đây là vị trí crossover giữa tech và finance - cơ hội hiếm có để build profile đa chiều."

Đừng chỉ focus vào model accuracy: Business value quan trọng hơn
Xây portfolio thực chiến: Contribute vào Kaggle competitions hoặc open source
Network nội bộ: Kết nối với team Credit Risk, Compliance để hiểu business
Stay updated: Fraud patterns thay đổi liên tục - attackers luôn evolve
Certification value: FRM không chỉ là chứng chỉ mà là roadmap kiến thức

Rủi Ro & Cạnh Tranh

Thách thức	Giải pháp
Cạnh tranh từ fintech/big tech	Emphasize domain knowledge + banking experience
Technology obsolescence	Continuous learning, attending conferences
Workload cao (deadline-driven)	Time management, prioritize
Regulatory pressure	Stay updated với compliance requirements

Câu hỏi thường gặp

Mình có 1 năm kinh nghiệm Python và ML nhưng chưa làm trong ngân hàng, có nên ứng tuyển vị trí này không?

Hoàn toàn có thể! MB Bank đánh giá cao technical skills, kinh nghiệm domain banking là 'điểm cộng' chứ không bắt buộc. Hãy chuẩn bị kỹ portfolio ML project (đặc biệt classification/imbalanced data), show được passion học hỏi domain finance, và highlight any exposure với financial data. Gợi ý: tham gia 1-2 Kaggle competitions về fraud/similarity topics để build portfolio.

Mức lương cho vị trí này thường là bao nhiêu và có thương lượng được không?

Vì tin ghi 'thỏa thuận', đây là cơ hội tốt để thương lượng. Với 2-4 năm kinh nghiệm ML/fraud analytics, mức tham khảo là 30-50 triệu/tháng. Với 5+ năm có thể đạt 60-80 triệu. Tip: nghiên cứu mặt bằng lương trên Glassdoor/LinkedIn trước, đừng đưa số đầu tiên, hãy để HR đề xuất trước. Lương tháng 13 + performance bonus có thể tăng total compensation thêm 10-30%.

Công việc hàng ngày của Fraud Analytics Specialist tại ngân hàng như thế nào?

Thực tế mix giữa: (1) Phân tích dữ liệu - truy vấn SQL, khám phá patterns bất thường trong transaction data; (2) Model development - xây dựng và fine-tune ML/DL models; (3) Model deployment - làm việc với IT để đưa model lên production; (4) Monitoring - theo dõi model performance, false positive rates; (5) Meetings - trình bày findings với quản lý, tham gia fraud investigation meetings. Thường split 40% development, 30% analysis, 30% meetings/communication.

Mình đang làm backend developer, muốn chuyển sang Data Science ngân hàng - cần những gì?

Backend → Data Science là path khả thi vì bạn đã có coding foundation. Những gì cần bổ sung: (1) Statistics/Math fundamentals - học probability, linear algebra; (2) ML libraries - scikit-learn, XGBoost, TensorFlow; (3) SQL - deep dive vào window functions, aggregations; (4) Domain knowledge - đọc về fraud patterns, AML basics; (5) Portfolio - build 2-3 end-to-end projects từ data cleaning → modeling → evaluation. Thời gian chuẩn bị: 6-12 tháng tự học hoặc 3-6 tháng bootcamp.

Vị trí này có cần TOEIC 700 không? Mình chỉ có TOEIC 650?

Ứng viên không đạt TOEIC 700 vẫn có thể apply, nhưng cần prove English ability bằng cách khác: (1) Technical English - có thể đọc tài liệu ML tiếng Anh, viết code comments; (2) Interview bằng tiếng Anh fluid; (3) Certificação Cambridge (B2 equivalent); (4) Có thể hứa sẽ retake TOEIC sau khi join. Nếu technical skills xuất sắc, HR có thể waive English requirement. Tuy nhiên, sẽ học tiếng Anh nghiêm túc vì nghiệp vụ QTRR đòi hỏi đọc nhiều tài liệu regulatory quốc tế.

KPI của vị trí này thường là gì? Có áp lực không?

KPIs điển hình cho Fraud Analytics: (1) Model performance metrics - AUC/recall thỏa mãn threshold; (2) False positive rate - kiểm soát không để false alarm quá nhiều ảnh hưởng customer experience; (3) Detection rate - % fraud được catch; (4) Model refresh timeline - update model định kỳ theo new fraud patterns; (5) Project delivery - hoàn thành model mới đúng deadline. Áp lực chủ yếu đến từ: fraud detection bị miss (reputational risk) và false positive cao (business complaint). Cần balance giữa model sophistication và operational constraints.

Làm ở Khối QTRR có khác gì so với IT/Tech company?

Khác biệt chính: (1) Regulatory environment - ngân hàng phải tuân thủ nhiều quy định của NHNN, Basel, có audit trail bắt buộc; (2) Risk culture - conservative, mọi model phải validated kỹ trước khi deploy; (3) Speed vs stability - tech company ưu tiên ship fast, bank ưu tiên stability và compliance; (4) Career path - chuyên sâu vào risk domain thay vì broad tech skills; (5) Compensation - thường competitive với tech company, cộng thêm stability và benefits ngành ngân hàng. Đây là lựa chọn tốt nếu bạn muốn career bền vững trong financial services.

Nên chuẩn bị project nào để gây ấn tượng khi phỏng vấn?

Top 3 project types gây ấn tượng nhất cho vị trí này: (1) End-to-end fraud detection pipeline - từ data ingestion → feature engineering → model training → evaluation → deployment consideration, có GitHub repo rõ ràng; (2) Imbalanced classification problem - demonstrate ability handle skewed data với SMOTE, class weights, threshold tuning; (3) Time series anomaly detection - LSTM/RNN cho sequential data. Bonus: nếu có project sử dụng real financial transaction dataset (đã anonymized), hoặc show dashboard visualization của fraud insights. Quan trọng: phải explain được business impact chứ không chỉ technical metrics.

Chia sẻ từ cộng đồng

Ẩ

Ẩn danh 2024-11-15

Vừa phỏng vấn vị trí tương tự ở đây tuần trước. Vòng technical hỏi rất sâu về XGBoost vs Random Forest, mình bị hỏi lép ở phần feature importance interpretation. Chuẩn bị kỹ phần đó nhé!

T

Tuấn D*** 2024-11-08

Đang ở vị trí Senior DS tại một fintech, cân nhắc apply. Lương thỏa thuận nên mình đàm phán được 65tr/tháng + 2 tháng thưởng. Thấy hài lòng với benefits, gym + khám sức khỏe định kỳ.

Ẩ

Ẩn danh 2024-10-28

Có ai biết vòng panel interview hỏi gì không? Mình sắp vào vòng 3, lo lắmg quá. HR bảo gặp trực tiếp Head of Risk Management.

L

Linh P*** 2024-10-20

Fresher mới vào làm ở đây được 3 tháng. Team khá young, work-life balance tạm ổn, nhưng deadline gần đây khá căng vì đang upgrade fraud detection system lên real-time. Nhưng học được nhiều thứ thật sự.

Ẩ

Ẩn danh 2024-10-12

Lời khuyên: đừng chỉ ôn ML theory. Họ phỏng vấn mình rất nhiều về SQL - viết query phức tạp, window functions. Có bạn nào lọt tới vòng 2 mà fail ở SQL không?

b

banker2024 2024-09-30

Đang apply position này, đã nộp hồ sơ. HR liên hệ sau 1 tuần, hẹn interview tuần sau. Ai đã từng phỏng vấn ở MB Bank chia sẻ kinh nghiệm với?

Ẩ

Ẩn danh 2024-09-15

Chia sẻ thật: mình làm ở Big 4 audit, chuyển sang ngân hàng này làm fraud analytics. Qua đây thấy technical hơn nhiều, được làm việc với ML model thực sự chứ không phải control documentation. Không hối hận.

M

Minh T*** 2024-09-05

Cảnh báo: vòng HR họ hỏi rất chi tiết về kinh nghiệm, expect realistic answers. Mình bị reject sau vòng 1 vì khai 3 năm kinh nghiệm ML nhưng thực tế chỉ 1 năm làm ML thực sự, 2 năm còn lại là data analyst.

Chuyên Gia Phân tích dữ liệu và xây dựng mô hình phát hiện gian lận - Phòng Quản trị rủi ro hoạt động và Phòng chống rửa tiền - Khối Quản trị rủi ro