Mô tả công việc

• Xây dựng, hiệu chỉnh và giám sát các mô hình đo lường rủi ro tín dụng phục vụ quản trị rủi ro và tuân thủ quy định.

• Phát triển các mô hình: Xếp hạng tín dụng nội bộ; Chấm điểm tín dụng khách hàng cá nhân và doanh nghiệp; PD, LGD, EAD; IFRS 9 Expected Credit Loss (ECL); Early Warning Signals (EWS);…

• Theo dõi chất lượng mô hình sau triển khai, đề xuất hiệu chỉnh hoặc tái xây dựng khi cần thiết.

• Xây dựng tài liệu phương pháp luận, báo cáo mô hình theo yêu cầu quản trị nội bộ và cơ quan quản lý.

• Phối hợp với các đơn vị CNTT, Dữ liệu, Kinh doanh và Quản lý rủi ro trong quá trình phát triển và triển khai mô hình.

Yêu cầu ứng viên

• Tốt nghiệp Đại học trở lên các ngành Tài chính, Ngân hàng, Toán kinh tế, Thống kê, Khoa học dữ liệu. Có tối thiểu 2 năm kinh nghiệm xây dựng mô hình rủi ro tín dụng trong lĩnh vực tài chính, ngân hang. Có kiến thức tốt về thống kê, mô hình hóa dữ liệu và Machine Learning là một lợi thế

• Thành thạo SQL, SAS, Python, R; ưu tiên Power BI.

Phân tích kỹ năng cần có

Phân tích kỹ năng cần có cho vị trí Chuyên viên Xây dựng mô hình rủi ro tại pgbank

1. Kỹ năng cứng (Hard Skills) — BẮT BUỘC

a) Kiến thức nền tảng về rủi ro tín dụng

Hiểu biết sâu về quy trình quản trị rủi ro tín dụng trong ngân hàng: từ phân loại khách hàng, chấm điểm, phê duyệt đến giám sát sau cho vay.
Nắm vững các khái niệm: PD (Probability of Default), LGD (Loss Given Default), EAD (Exposure at Default).
Hiểu rõ Basel II/III trong khía cạnh IRB (Internal Rating-Based) approach.
Am hiểu IFRS 9 và cách tính Expected Credit Loss (ECL) theo 3 giai đoạn (Stage 1, 2, 3).
Kiến thức về Early Warning System (EWS) và các tín hiệu cảnh báo sớm.

b) Kỹ năng lập trình & công cụ

Công cụ	Mức yêu cầu	Ứng dụng cụ thể
SQL	Thành thạo	Truy vấn dữ liệu từ Data Warehouse, Core Banking
Python	Thành thạo	Xây dựng mô hình, phân tích dữ liệu, tự động hóa
R	Thành thạo	Thống kê, mô hình hóa, visualization nâng cao
SAS	Thành thạo	Mô hình tín dụng truyền thống, backtest
Power BI	Ưu tiên	Dashboard giám sát mô hình, trực quan hóa

c) Kiến thức về thống kê & mô hình hóa

Hồi quy logistic, hồi quy Cox, decision trees, random forest, gradient boosting (XGBoost, LightGBM).
Kiểm định giả thuyết, phân tích tương quan, xử lý missing data, feature engineering.
Validation mô hình: AUC, Gini, KS, PSI, Brier Score, discrimination vs calibration.

2. Kỹ năng mềm (Soft Skills) — QUAN TRỌNG

Tư duy phản biện: Mô hình rủi ro ảnh hưởng đến hàng nghìn tỷ đồng vốn, một sai sót có thể gây thiệt hại lớn.
Kỹ năng giao tiếp với nghiệp vụ: Phải giải thích được mô hình kỹ thuật cho ban lãnh đạo và người không chuyên.
Làm việc nhóm đa phòng ban: Phối hợp với IT, Dữ liệu, Kinh doanh, Quản lý rủi ro — cần biết cách dung hòa quan điểm.
Quản lý thời gian & dự án: Một dự án mô hình thường kéo dài 3-6 tháng với nhiều milestone.
Tinh thần học hỏi liên tục: Quy định NHNN liên tục cập nhật, mô hình cần tái xây dựng định kỳ.

3. Chứng chỉ gợi ý (nếu có thì càng tốt)

FRM (Financial Risk Manager) — GARP: chứng chỉ quốc tế uy tín nhất về quản trị rủi ro.
PRM (Professional Risk Manager) — PRMIA: bổ sung cho FRM.
Microsoft Certified: Data Analyst Associate (Power BI).
Google Data Analytics Certificate hoặc IBM Data Science Professional.
Coursera/edX: Machine Learning (Andrew Ng), Statistics with Python.
Chứng chỉ nội bộ NHNN về Basel II/III (nếu có).

4. So sánh yêu cầu với năng lực ứng viên phổ biến

Yêu cầu của pgbank	Mức độ phổ biến ở ứng viên VN	Ghi chú
2 năm kinh nghiệm mô hình rủi ro tín dụng	Trung bình	Ít người có đúng chuyên môn, nhiều người làm data analyst chuyển sang
SQL + Python + R + SAS	Thấp	Rất ít người thành thạo cả 4, ưu tiên Python + SQL là đủ
Power BI	Trung bình	Ứng viên thường quen Tableau hơn, cần học thêm
Hiểu biết IFRS 9 ECL	Thấp	Kiến thức chuyên sâu, thường học qua dự án thực tế
PD/LGD/EAD modeling	Trung bình	Phổ biến ở ngân hàng lớn, ít hơn ở fintech

Lời khuyên: Nếu bạn thiếu 1-2 yếu tố trên, vẫn nên nộp hồ sơ. pgbank là ngân hàng liên doanh (PG Bank trước đây), thường có văn hóa tuyển dụng cởi mở, đánh giá cao tiềm năng và sự sẵn sàng học hỏi.

Chuẩn bị phỏng vấn

Hướng dẫn phỏng vấn vị trí Chuyên viên Xây dựng mô hình rủi ro — pgbank

Quy trình tuyển dụng dự kiến (3-4 vòng)

Vòng 1: Sơ loại hồ sơ (CV Screening)

HR sàng lọc hồ sơ, chú trọng: trường ĐH, kinh nghiệm, chứng chỉ, dự án mô hình đã làm.
Mẹo: CV nên có phần "Dự án tiêu biểu" nêu rõ: bài toán, phương pháp, công cụ, kết quả định lượng (ví dụ: "Xây dựng mô hình PD cho phân khúc SME, AUC đạt 0.78, Gini 0.45").

Vòng 2: Phỏng vấn HR / Nhân sự (45-60 phút)

Giới thiệu bản thân, lý do ứng tuyển, mức lương kỳ vọng.
Câu hỏi về định hướng nghề nghiệp, lý do nghỉ việc cũ.
Tìm hiểu tính cách, khả năng thích ứng với văn hóa ngân hàng.

Vòng 3: Phỏng vấn chuyên môn (60-90 phút) — Vòng quan trọng nhất

Có thể có 2-3 interviewer: Trưởng phòng Quản trị rủi ro + Senior Modeler + đại diện IT/Data.
Dạng câu hỏi: lý thuyết + case study thực tế + kiểm tra code.

Vòng 4: Phỏng vấn lãnh đạo / GĐ Khối (30-45 phút)

Tập trung vào tầm nhìn, sự phù hợp văn hóa, khả năng phát triển lâu dài.
Thường là vòng cuối, mang tính quyết định.

Câu hỏi chuyên môn hay gặp

Nhóm 1: Kiến thức nền tảng về rủi ro tín dụng

PD, LGD, EAD là gì? Mối quan hệ giữa chúng trong tính toán EL (Expected Loss) là gì?
- Gợi ý: EL = PD × LGD × EAD. Giải thích cách ước lượng từng thành phần.
IFRS 9 khác gì so với mô hình dự phòng theo Basel? Tại sao ngân hàng cần chuyển đổi?
- Gợi ý: IFRS 9 dựa trên ECL forward-looking 3 stage, Basel dựa trên VaR/UL 1 năm.
Hãy giải thích mô hình Xếp hạng tín dụng nội bộ (Internal Credit Rating). Quy trình xây dựng như thế nào?
Early Warning System (EWS) hoạt động ra sao? Bạn sẽ chọn những biến nào để đưa vào hệ thống?

Nhóm 2: Kỹ thuật mô hình 5. So sánh hồi quy logistic và Random Forest trong bài toán chấm điểm tín dụng. Khi nào nên dùng cái nào?

Làm thế nào để xử lý class imbalance trong dữ liệu tín dụng (tỷ lệ nợ xấu thường chỉ 2-5%)?
- Gợi ý: SMOTE, undersampling, class weight, threshold tuning.
Các chỉ số validation mô hình nào bạn quan tâm? Gini, KS, PSI có ý nghĩa gì?
- Gợi ý: Gini đo discrimination, PSI đo stability, KS là khoảng cách phân phối.
PSI (Population Stability Index) được tính như thế nào? Ngưỡng nào được coi là cảnh báo?
- Gợi ý: PSI < 0.1 ổn định, 0.1-0.25 cần theo dõi, > 0.25 bất ổn.
Bạn xử lý missing data và outliers trong dữ liệu tín dụng như thế nào?

Nhóm 3: Coding & Case study 10. Viết đoạn SQL truy vấn: tính tỷ lệ nợ xấu theo từng phân khúc khách hàng trong 12 tháng gần nhất.

Bằng Python, hãy mô tả cách bạn sẽ thực hiện feature selection cho mô hình PD.
Case: Bạn nhận được yêu cầu xây dựng mô hình chấm điểm cho khách hàng cá nhân vay tiêu dùng. Bạn sẽ bắt đầu từ đâu?
- Gợi ý: Business Understanding → Data Collection → EDA → Feature Engineering → Model → Validation → Implementation → Monitoring.

Nhóm 4: Hành vi & Tình huống 13. Bạn phát hiện mô hình hiện tại có Gini giảm mạnh trong 2 tháng gần đây. Bạn sẽ làm gì?

Kinh doanh phản đối kết quả mô hình vì "cắt giảm quá nhiều khách hàng tiềm năng". Bạn xử lý thế nào?

Tips chuẩn bị

Mang theo portfolio mô hình (nếu được): slide, dashboard, sơ đồ kiến trúc.
Đọc trước về pgbank: pgbank (trước là PG Bank) là ngân hàng liên doanh giữa Petrolimex và một đối tác nước ngoài, trọng tâm cho vay doanh nghiệp vừa và nhỏ.
Cập nhật quy định NHNN: Thông tư hướng dẫn về hệ thống xếp hạng tín dụng nội bộ, Thông tư 02/2023 về phân loại nợ.

Dress code

Nữ: Áo sơ mi + quần âu/váy qua gối, giày búp bê hoặc giày thấp, tóc gọn gàng.
Nam: Sơ mi + quần âu + giày tây, thắt lưng, cạo râu sạch sẽ, tóc cắt gọn.
Chung: Tông màu trung tính (trắng, xanh nhạt, xám), tránh phụ kiện quá cầu kỳ. Ngân hàng thường yêu cầu ăn mặc chỉn chu, lịch sự.

Lộ trình ôn thi

Lộ trình ôn tập & chuẩn bị trong 1-2 tuần

Tuần 1: Nền tảng kiến thức

Ngày 1-2: Rủi ro tín dụng cơ bản

Đọc lại khung Basel II/III: 3 trụ cột, cách tiếp cận IRB (Foundation vs Advanced).
Tài liệu: Sách "Credit Risk Management" của Bart Baesens, "The Basel II Risk Parameters" của Engelmann & Rauhmeier.
Tóm tắt: Hiểu rõ PD, LGD, EAD, M (maturity), RWA.

Ngày 3-4: IFRS 9 & ECL

Đọc IFRS 9 Standard (có bản tóm tắt miễn phí trên Deloitte, PwC, KPMG).
Tài liệu tiếng Việt: Thông tư hướng dẫn của NHNN về trich lập dự phòng theo IFRS 9.
Luyện tập: Tính ECL cho một danh mục cho vay giả định, phân loại Stage 1/2/3.

Ngày 5-7: Mô hình chấm điểm & Rating

Học về scorecard development: Weight of Evidence (WoE), Information Value (IV).
Tìm hiểu về reject inference, vintage analysis, through-the-door vs application score.
Tài liệu: "Credit Scoring for Risk Managers" của Elizabeth Mays, "Consumer Credit Models" của Lyn C. Thomas.

Tuần 2: Kỹ thuật & Thực hành

Ngày 8-9: Thống kê & Validation

Ôn lại: Logistic regression, Cox PH, decision tree, ensemble methods.
Các metric: AUC, Gini, KS, Brier Score, Hosmer-Lemeshow test, Binomial test.
PSI, CSI (Characteristic Stability Index), HER (Hazard Rate).

Ngày 10-11: Lập trình thực hành

Python: Scikit-learn (LogisticRegression, RandomForest, XGBoost), statsmodels, lifelines (survival analysis), scorecardpy (tự động hóa scorecard).
SQL: Window functions, CTE, GROUP BY ROLLUP, PIVOT.
R: glm, survival, gbm, Scorecard (package).
Power BI: DAX cơ bản, tạo dashboard giám sát mô hình.

Ngày 12-13: Case study & Mô phỏng

Tìm dataset công khai: German Credit Data, Lending Club, Home Credit Default Risk (Kaggle).
Thực hành end-to-end: EDA → Feature Engineering → Model → Validation → Report.
Đăng project lên GitHub để show portfolio.

Ngày 14: Tổng ôn & Mock interview

Review lại toàn bộ note.
Luyện tập trả lời các câu hỏi phỏng vấn trước gương hoặc với bạn bè.
Chuẩn bị 5-7 câu hỏi ngược cho nhà tuyển dụng.

Tài liệu tham khảo

Tiếng Việt:

Quyết định 149/2007/QĐ-NHNN về hệ thống xếp hạng tín dụng nội bộ.
Thông tư 02/2023/TT-NHNN về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng.
Các bài viết trên tapchinganhang.gov.vn, sbv.gov.vn.
Báo cáo thường niên của NHNN, UBCKNN.

Tiếng Anh (nên đọc):

BIS (Bank for International Settlements) publications về IRB.
IFRS Foundation: IFRS 9 standard summary.
Paper: "Credit Scoring Using Machine Learning" trên các tạp chí Journal of Banking & Finance.
Blog: Towards Data Science, Kaggle Learn.

Khóa học online:

Coursera: "Financial Risk Management with Python" (CASS Business School).
edX: "Credit Risk Modeling" (NYU).
Udemy: "Credit Risk Modeling in Python" (365 Careers).
DataCamp: "Credit Risk Modeling in R".

Cộng đồng hữu ích:

Group Facebook: "Data Science Vietnam", "Vietnam Risk Management Community".
LinkedIn: Follow các chuyên gia như Nguyễn Thanh Tùng (data scientist ngân hàng), Đào Minh Quân (risk modeler).
Kaggle: tham gia các cuộc thi về credit risk.

Tư vấn nghề nghiệp

Lời khuyên sự nghiệp cho vị trí Chuyên viên Xây dựng mô hình rủi ro

Lộ trình thăng tiến trong lĩnh vực Risk Modeling tại ngân hàng

Chuyên viên (0-2 năm) → Chuyên viên cao cấp (2-5 năm) → Chuyên viên chính/Trưởng nhóm (5-8 năm) → Phó phòng/Trưởng phòng (8-12 năm) → Giám đốc Khối Quản trị rủi ro (12+ năm)

Tại pgbank cụ thể:

Chuyên viên (1-3 năm): Làm các task được giao, hỗ trợ senior.
Chuyên viên cao cấp (3-5 năm): Chủ trì một mô hình, điều phối nhóm nhỏ 2-3 người.
Chuyên viên chính/Trưởng nhóm (5-7 năm): Quản lý portfolio mô hình, mentoring.
Phó phòng Mô hình rủi ro (7-10 năm): Chiến lược, đối thoại với NHNN, ban lãnh đạo.
Trưởng phòng/Giám đốc Trung tâm Mô hình (10+ năm): Toàn quyền quyết định.

Mức lương kỳ vọng theo cấp bậc (ƯỚC LƯỢNG — có thể thay đổi tùy ngân hàng và thời điểm)

Cấp bậc	Mức lương tháng (gross)	Ghi chú
Fresher/Junior (0-2 năm)	18-25 triệu	Thường là big 4, ngân hàng nhỏ, fintech
Chuyên viên (2-4 năm)	25-40 triệu	pgbank có thể nằm trong khoảng này
Chuyên viên cao cấp (4-6 năm)	40-60 triệu	Tùy ngân hàng lớn hay nhỏ
Trưởng nhóm (6-8 năm)	60-90 triệu	Cộng thưởng KPIs
Phó/Trưởng phòng (8-12 năm)	90-150 triệu	Ngân hàng lớn, FDI bank
Giám đốc Khối (12+ năm)	150-300 triệu+	Top ngân hàng TMCP lớn, Vietcombank, Techcombank...

⚠️ Lưu ý: Đây là mức ước lượng tham khảo. Mức lương thực tế phụ thuộc vào: quy mô ngân hàng, vùng miền, năng lực thực tế, khả năng đàm phán. pgbank là ngân hàng cỡ vừa, mức lương thường thấp hơn các ngân hàng top đầu 10-20% nhưng có thể có chế độ đãi ngộ khác tốt hơn.

Kỹ năng cần phát triển thêm trong 2-3 năm tới

Kỹ năng kỹ thuật (phải có):

Explainable AI (XAI): SHAP, LIME — giải thích mô hình phức tạp cho NHNN và kiểm toán.
Cloud & Big Data: AWS Sagemaker, Azure ML, Spark, Databricks — xu hướng ngân hàng đang chuyển đổi.
MLOps: Triển khai mô hình tự động, monitoring drift, retrain pipeline.
Alternative data: Dữ liệu phi truyền thống (mobile, social, e-commerce) cho đánh giá tín dụng.

Kỹ năng mềm (cần thiết cho thăng tiến):

Storytelling với dữ liệu: Trình bày kết quả mô hình cho HĐQT, NHNN.
Quản lý dự án: Agile/Scrum, JIRA, stakeholder management.
Tiếng Anh: Đọc tài liệu quốc tế, giao tiếp với đối tác nước ngoài (đặc biệt với pgbank có yếu tố nước ngoài).

Cơ hội nghề nghiệp rộng hơn

Sau khi làm mô hình rủi ro tín dụng, bạn có thể:

Chuyển sang phòng Data Science ở các công ty fintech (MoMo, ZaloPay, Tima, Trusting Social).
Mở rộng sang rủi ro thị trường (Market Risk), rủi ro vận hành (Operational Risk).
Sang làm tư vấn tại Big 4 (Deloitte, PwC, EY, KPMG) hoặc công ty tư vấn risk advisory.
Khởi nghiệp trong lĩnh vực fintech cho vay (P2P lending, BNPL).
Làm regtech: xây dựng công cụ compliance cho ngân hàng.

Đánh giá cơ hội tại pgbank

Điểm mạnh:

Môi trường ngân hàng liên doanh, có thể học hỏi quy trình chuẩn quốc tế.
Quy mô vừa phải — cơ hội được tham gia sâu vào nhiều khía cạnh của mô hình, không bị "chai một phần" như ở ngân hàng lớn.
Vị trí Chuyên viên cao cấp thể hiện rằng pgbank đang đầu tư xây dựng năng lực mô hình hóa.

Điểm cần cân nhắc:

Lương có thể không cạnh tranh bằng ngân hàng top 10 (Vietcombank, Techcombank, MBB...).
Nên hỏi rõ về: số lượng thành viên trong team, ngân sách đào tạo, cơ hội tham gia hội thảo quốc tế.
Tìm hiểu về chiến lược chuyển đổi số của pgbank để đánh giá tầm quan trọng của vị trí này trong tương lai.

Lời khuyên cá nhân

Đừng ngại bước ra khỏi vùng an toàn: Nếu bạn đang làm data analyst ở công ty khác, đây là bước tiến tốt để vào chuyên môn rủi ro.
Hãy xây dựng portfolio trên GitHub: 2-3 project thực tế về credit scoring sẽ "đắt" hơn bằng cấp.
Networking là chìa khóa: Tham gia Vietnam Risk Management Community, kết nối với những người đang làm ở pgbank để hiểu văn hóa.
Lương không phải tất cả ở giai đoạn đầu: Quan trọng là bạn học được gì, gặp ai, xây dựng được nền tảng gì trong 2-3 năm tới.

Câu hỏi thường gặp

Em mới ra trường ngành Tài chính, chưa có 2 năm kinh nghiệm, có nên nộp đơn vào vị trí này không?

Theo yêu cầu chính thức thì bạn cần tối thiểu 2 năm kinh nghiệm, nhưng thực tế nhiều ngân hàng vẫn xem xét ứng viên có nền tảng tốt nếu bạn thể hiện được: (1) Đã từng làm đồ án/làm thực tập về credit scoring hoặc IFRS 9; (2) Thành thạo Python/SQL và có project trên GitHub; (3) Có chứng chỉ FRM hoặc hoàn thành các khóa học liên quan. Lời khuyên: vẫn nên nộp đơn, đồng thời nhấn mạnh vào tiềm năng và sự sẵn sàng học hỏi. Nếu không được vị trí này, bạn có thể thử vị trí Fresher/Junior Data Analyst ở phòng Quản trị rủi ro để tích lũy kinh nghiệm trong 1-2 năm.

Mức lương kỳ vọng bao nhiêu là hợp lý khi phỏng vấn vị trí Chuyên viên Cao cấp tại pgbank?

Vị trí Chuyên viên cao cấp (4-6 năm kinh nghiệm) tại ngân hàng cỡ vừa như pgbank, mức lương tham khảo khoảng 35-50 triệu gross/tháng (lương này có thể thay đổi tùy ngân hàng và thời điểm). Khi đàm phán, bạn nên: (1) Nghiên cứu mức lương thị trường trên VietnamWorks, ITviec, các group Facebook; (2) Đưa ra một range thay vì một con số cụ thể, ví dụ "40-50 triệu"; (3) Đừng quên hỏi về thưởng KPIs, thưởng Tết, phúc lợi khác. Lưu ý pgbank là ngân hàng liên doanh nên có thể có chế độ đãi ngộ riêng — hãy hỏi rõ trong buổi phỏng vấn.

Tôi đang làm Data Analyst ở fintech, muốn chuyển sang làm mô hình rủi ro tín dụng ngân hàng, cần chuẩn bị gì?

Bạn đã có lợi thế về Python, SQL, xử lý dữ liệu. Cần bổ sung: (1) Kiến thức chuyên ngành: Basel II/III, IFRS 9, PD/LGD/EAD, EWS — đọc sách "Credit Risk Management" của Baesens; (2) Tham gia khóa học FRM Part I hoặc các khóa credit risk trên Coursera; (3) Làm 1-2 project cá nhân về credit scoring trên dataset Kaggle (Lending Club) để có portfolio; (4) Học thêm về scorecard (WoE, IV), reject inference, vintage analysis — những kiến thức này đặc thù cho ngân hàng, không có ở fintech. Khi phỏng vấn, nhấn mạnh kinh nghiệm làm việc với big data, business acumen mà bạn có được từ fintech là tài sản quý.

Vị trí này có yêu cầu cả Python, R, SAS — tôi chỉ giỏi Python thôi có đủ không?

Trong JD ghi "thành thạo SQL, SAS, Python, R" là mức lý tưởng, thực tế ít người giỏi cả 4. Nếu bạn giỏi Python + SQL là đủ dùng cho 80% công việc. R có thể tự học trong 1-2 tháng vì syntax tương đồng Python. SAS là công cụ legacy, nhiều ngân hàng lớn vẫn dùng cho mô hình truyền thống, nhưng xu hướng đang chuyển sang Python. Lời khuyên: (1) Trong CV ghi rõ "thành thạo Python, SQL; cơ bản R, SAS"; (2) Học thêm R (1-2 tuần) và SAS basics (có khóa free trên SAS website); (3) Nếu được nhận, trong 6 tháng đầu nên đầu tư thời gian học R và SAS để đáp ứng yêu cầu lâu dài.

Công việc hàng ngày của một Risk Modeler tại ngân hàng như thế nào? Có áp lực không?

Một ngày làm việc điển hình: sáng check email, họp stand-up với team; trưa làm việc với IT về dữ liệu; chiều code Python/R để xây dựng/validate mô hình; cuối ngày viết documentation. Áp lực lớn nhất đến từ: (1) Deadline tuân thủ NHNN — phải nộp báo cáo định kỳ (hàng quý, hàng năm); (2) Khi mô hình dự đoán sai dẫn đến thiệt hại, bạn phải giải trình; (3) Phối hợp với nhiều phòng ban, đôi khi bị "đẩy deadline" vì dữ liệu từ IT trễ. Bù lại, đây là công việc có tính học thuật cao, được làm việc với data lớn, cập nhật công nghệ mới liên tục, và là vị trí chiến lược trong ngân hàng.

Sự khác biệt giữa làm mô hình rủi ro ở ngân hàng Việt Nam so với ngân hàng nước ngoài/FDI?

Ngân hàng FDI (HSBC, Standard Chartered, ANZ...) thường: dùng nhiều mô hình phức tạp hơn, quy trình chuẩn quốc tế, công cụ hiện đại (SAS, S&P Capital IQ), training budget tốt, lương cao hơn 20-50%. Ngân hàng Việt: dùng nhiều Excel/SQL hơn, một số chỗ vẫn còn manual, dữ liệu có thể chưa clean, nhưng được tham gia end-to-end nhiều hơn, hiểu sâu bài toán địa phương. pgbank là ngân hàng liên doanh nên có thể là sự kết hợp giữa hai — đây là môi trường tốt để học hỏi cả hai phong cách.

Tôi có chứng chỉ FRM, liệu có lợi thế cạnh tranh hơn so với ứng viên khác không?

Có, FRM là lợi thế rất lớn, đặc biệt với vị trí quản trị rủi ro. Theo khảo sát của GARP, ở Việt Nam số người có FRM còn khá ít (~vài nghìn người), trong khi nhu cầu tuyển dụng tăng mạnh. pgbank có thể trả thêm "FRM allowance" từ 2-5 triệu/tháng hoặc hỗ trợ phí thi. Tuy nhiên, FRM chỉ là một yếu tố — nhà tuyển dụng vẫn đánh giá cao: kinh nghiệm thực chiến, kỹ năng code, khả năng giao tiếp. Nếu có FRM + portfolio tốt + 2 năm exp, bạn sẽ là ứng viên rất mạnh.

Sau 2-3 năm làm ở vị trí này, tôi có thể chuyển sang lĩnh vực nào khác?

Risk modeling là nền tảng rất vững, bạn có thể rẽ nhiều hướng: (1) Quản trị rủi ro tổng thể: lên Trưởng phòng Risk, Giám đốc rủi ro; (2) Data Science ở các công ty lớn: bạn đã có ML + business sense, dễ chuyển sang fintech, e-commerce; (3) Consulting: các công ty Big 4, McKinsey thường tuyển risk modeler có kinh nghiệm; (4) Quản lý quỹ/tài sản: phân tích rủi ro danh mục đầu tư; (5) Regtech/Startup: nhiều startup cần người xây dựng mô hình compliance. Lưu ý: hãy chọn hướng phát triển theo đam mê — risk manager, data scientist, hay consultant đều có lộ trình riêng.

Chia sẻ từ cộng đồng

Ẩ

Ẩn danh 2025-01-15

Mình từng làm ở phòng Quản trị rủi ro 1 ngân hàng cỡ vừa tương tự pgbank được 3 năm. Nói thật là công việc khá ổn định, lương không quá cao nhưng đủ sống, môi trường không quá áp lực như ngân hàng lớn. Điều quan trọng là bạn phải tự học nhiều vì team nhỏ thường không có người hướng dẫn sâu. Nếu bạn là người chủ động thì đây là môi trường tốt để phát triển.

M

Minh T*** 2025-01-18

Mình đang apply vị trí này, thấy yêu cầu Python + SQL + R + SAS hơi ngợp. Ai có kinh nghiệm cho mình hỏi thực tế công ty có dùng hết 4 cái không hay chỉ cần 1-2 cái thôi? Cảm ơn mọi người.

Ẩ

Ẩn danh 2025-01-20

Cảnh báo thật: đừng apply pgbank nếu bạn kỳ vọng mức lương như Techcombank hay Vietcombank. Mình biết một bạn làm 2 năm ở đây, lương khoảng 25-28tr, thấp hơn thị trường khoảng 20%. Bù lại công việc không quá nặng, có thời gian học thêm. Tùy bạn ưu tiên cái gì.

H

Hoa N*** 2025-01-22

Mình vừa pass phỏng vấn vòng chuyên môn pgbank tuần trước. Chia sẻ chút: họ hỏi khá nặng về IFRS 9 và PD/LGD/EAD, case study thực tế về xây dựng scorecard cho SME. Chuẩn bị kỹ phần này nhé các bạn. Còn vòng coding họ cho bài tập SQL truy vấn cohort analysis khá đơn giản.

b

banker2024 2025-01-25

Có ai biết pgbank có chính sách hybrid/remote không? Mình thấy nhiều ngân hàng sau COVID đã cho làm việc 2-3 ngày/tuần ở nhà rồi. Comment giúp với.

Ẩ

Ẩn danh 2025-01-28

Góp ý thật lòng: vị trí Risk Modeler ở VN đang rất hot trong 2-3 năm tới vì NHNN đẩy mạnh Basel III và IFRS 9. Ai đang ở fresher/junior nên nhảy vào sớm, đừng đợi. Cơ hội thăng tiến sẽ tốt hơn rất nhiều so với làm ở phòng kinh doanh hay marketing ngân hàng.

L

Linh P*** 2025-01-30

Mình đọc JD thấy ưu tiên Power BI. Nếu ai đang quen Tableau thì đừng lo, chỉ cần 1-2 tuần là chuyển qua được vì concept khá giống nhau. Recommend học DAX trước khi phỏng vấn nhé, họ hay hỏi phần này.

Ẩ

Ẩn danh 2025-02-02

Đã làm ở pgbank 4 năm, giờ đã chuyển sang 1 ngân hàng lớn hơn. Cảm nhận: pgbank là môi trường tốt để khởi đầu, nhưng nếu bạn muốn lên level cao (Trưởng phòng, GĐ) thì nên chuyển sang ngân hàng top đầu sau 3-5 năm. CV sẽ đẹp hơn nhiều.

Chuyên viên/Chuyên viên cao cấp Xây dựng mô hình rủi ro