CVCC Khoa học dữ liệu - Hà Nội - TA174
Mô tả công việc
- Chủ động và phối hợp triển khai các giải pháp khoa học dữ liệu và trí tuệ nhân tạo cho các đơn vị trong ngân hàng
- Chủ động đề xuất, thiết kế, chịu trách nhiệm chính triển khai các giải pháp khoa học dữ liệu cùng chuyên gia và phối hợp chặt chẽ với các đơn vị kinh doanh/vận hành để giải quyết các bài toán thực tế có tính ứng dụng cao.
- Phân tích chuyên sâu và khám phá dữ liệu lớn, sử dụng các kỹ thuật xác suất thống kê, học máy, học sâu và GenAI để phát hiện các xu hướng, hành vi ẩn và các yếu tố thúc đẩy hành động của khách hàng; từ đó xây dựng insight giá trị và hỗ trợ đề xuất chiến lược kinh doanh, thiết kế sản phẩm hoặc chiến dịch phù hợp.
- Thực hiện hoặc dẫn dắt phát triển các mô hình học máy, học sâu và ứng dụng GenAI nhằm phục vụ các mục tiêu như: dự báo khách hàng rời đi (churn prediction), bán chéo/sản phẩm (cross/up-sell), phân khúc khách hàng (segmentation), dự đoán giá trị vòng đời khách hàng (CLTV), dự đoán hành vi tiếp theo và cá nhân hóa trải nghiệm khách hàng đa kênh
- Tham gia xây dựng và phát triển sản phẩm AI/ML/GenAI theo hướng sản phẩm tái sử dụng, hỗ trợ tự động hóa và tối ưu hóa các quy trình nghiệp vụ của ngân hàng, bao gồm nhưng không giới hạn ở: xử lý hồ sơ tín dụng, phân loại và phân tích văn bản/giọng nói, thẩm định tự động, gợi ý hành động cho RM, hỗ trợ chăm sóc khách hàng, và cải tiến vận hành nội bộ.
- Nghiên cứu & cập nhật kỹ thuật, công nghệ mới
- Thường xuyên nghiên cứu, cập nhật các xu hướng, kỹ thuật tiên tiến trong lĩnh vực phân tích dữ liệu, học máy, học sâu và/hoặc GenAI theo định hướng từ cấp quản lý hoặc chuyên gia nội bộ.
- Chủ động tìm hiểu và thử nghiệm các công nghệ, framework và mô hình mới để nâng cao hiệu quả triển khai giải pháp dữ liệu và AI tại ngân hàng.
- Tích cực tham gia và chia sẻ tại các diễn đàn chuyên môn, hội thảo nội bộ/ngoại bộ, seminar nhằm mở rộng kiến thức và chia sẻ kinh nghiệm thực tiễn với đội nhóm.
- Tham gia hỗ trợ đào tạo, hướng dẫn cho các thành viên cấp thấp hơn trong nhóm khi được phân công.
- Thưc hiện các công việc khác theo phân công của cấp thẩm quyền
OUTCOME/MEASURES • Số lượng các insights được đưa ra/ khuyến nghị với các đơn vị kinh doanh/ • Cải thiện hiệu quả của các chương trình kinh doanh như tăng tỷ lệ chuyển đổi, giảm tỷ lệ khách hàng rời bỏ, tăng quy mô huy động vốn,… • Cải thiện về hiệu quả vận hành: giảm SLA, giảm thời gian thực hiện tác vụ, tối ưu hóa lợi nhuận (NII, NFI),… • Các phương pháp và kỹ thuật mới được áp dụng thực tế trong EDA • Số lượng seminar/sharing • Số lượng mentees • Hoàn thành các công việc theo phân công
Yêu cầu về năng lực
Trình độ đào tạo: Tốt nghiệp Đại học trở lên trong các lĩnh vực liên quan như: Khoa học Máy tính (Computer Science), Toán học/Toán ứng dụng (Mathematics/Applied Mathematics), Thống kê (Statistics), Kỹ thuật (Engineering), Khoa học Dữ liệu (Data Science), Kinh tế lượng, Tài chính định lượng (Econometrics, Quantitative Finance), hoặc các ngành liên quan đến phân tích dữ liệu và xử lý thông tin.
Kiến thức/ Chuyên môn có liên quan: • Nắm vững kiến thức về mô hình thống kê, thuật toán học máy, học sâu và GenAI, đồng thời có khả năng đánh giá, tùy biến và tối ưu hóa các kỹ thuật cho các bài toán phức tạp trong thực tế. • Có hiểu biết sâu và vận dụng thành thạo các kỹ thuật phân tích dữ liệu nâng cao, bao gồm kiểm định giả thuyết, phân tích nhân quả, xử lý mất cân bằng dữ liệu, phân tích chuỗi thời gian, mô hình suy diễn, vector embeddings… • Thành thạo Python và các thư viện chuyên sâu phục vụ học máy, học sâu và GenAI như: Scikit-learn, XGBoost, LGBM, PyTorch, TensorFlow, Hugging Face Transformers,,..cùng các công cụ hỗ trợ triển khai như MLflow, Docker, Git. • Hiểu rõ và có khả năng tham gia triển khai các quy trình phát triển và vận hành mô hình (MLOps/LangOps), bao gồm xử lý dữ liệu, huấn luyện, đánh giá, kiểm thử, triển khai và giám sát mô hình • Có khả năng phối hợp hiệu quả với các đơn vị kinh doanh/vận hành để hiểu bài toán, chuyển đổi thành giải pháp phân tích dữ liệu cụ thể, có giá trị ứng dụng cao và đo lường được hiệu quả.
Các kỹ năng: • Kỹ năng thuyết trình. giao tiếp rõ ràng và mạch lạc, có thể trình bày kết quả phân tích, mô hình và insight cho chuyên gia hoặc đơn vị phối hợp. • Có khả năng phối hợp làm việc nhóm hiệu quả, đặc biệt trong các nhóm liên chức năng giữa Data, BU và IT. • Kỹ năng giải quyết vấn đề tốt, có khả năng tiếp cận các bài toán phân tích theo hướng cấu trúc và logic.
Yêu cầu kinh nghiệm
• Tối thiểu 3–5 năm kinh nghiệm trong lĩnh vực phân tích nâng cao, phát triển mô hình học máy/học sâu và/hoặc ứng dụng AI/GenAI vào bài toán thực tiễn. • Có kinh nghiệm chủ động triển khai các mô hình hoặc giải pháp phân tích phục vụ một hoặc nhiều mục tiêu như tăng trưởng kinh doanh, cá nhân hóa, tối ưu hóa vận hành, nâng cao trải nghiệm khách hàng, phòng chống gian lận, v.v. • Đã từng tham gia hoặc đóng vai trò chính trong việc triển khai mô hình hoặc ứng dụng AI/ML/GenAI trên nền tảng cloud như AWS, Azure, Google Cloud, Databricks, v.v. • Có kinh nghiệm xử lý, trực quan hóa và diễn giải dữ liệu một cách sâu sắc, kết nối với nhu cầu kinh doanh và gợi ý hành động cụ thể. • Có khả năng hướng dẫn hoặc hỗ trợ chuyên viên khác trong nhóm khi triển khai mô hình hoặc xử lý dữ liệu. • Ưu tiên ứng viên có kinh nghiệm làm việc tại các tổ chức lớn, ngân hàng, công ty công nghệ.
Quyền lợi của ứng viên
- Thu nhập hấp dẫn, lương thưởng cạnh tranh theo năng lực, gói thu nhập 15-18 tháng lương/năm
- Thưởng các Ngày lễ, Tết (theo chính sách ngân hàng)
- Được vay ưu đãi theo chính sách ngân hàng từng thời kỳ
- Chế độ ngày phép hấp dẫn theo cấp bậc công việc
- Bảo hiểm theo luật lao động + Bảo hiểm VPBank care cho CBNV theo cấp bậc và thời gian công tác
- Được tham gia các khóa đào tạo tùy thuộc vào Khung đào tạo cho từng vị trí
- Cơ hội làm việc tại một Ngân hàng tiên phong ứng dụng AI & ML trong thúc đẩy giá trị kinh doanh với hệ sinh thái đa dạng: Ngân hàng, Tài chính, Chứng khoán, Bảo hiểm,... và phát triển tại môi trường dẫn đầu thị trường ngân hàng về khối lượng dữ liệu; tham gia nhiều dự án, sáng kiến dữ liệu lớn, không ngừng tạo ra giá trị gia tăng cho khách hàng
- Môi trường làm việc chuyên nghiệp với cơ hội làm việc trực tiếp cùng ban lãnh đạo ngân hàng lớn, mở ra nhiều cơ hội học hỏi và phát triển sự nghiệp.
#body.unify div.unify-button-container .unify-apply-now:focus, #body.unify div.unify-button-container .unify-apply-now:hover{color:rgb(255,255,255) !important;}#body.unify div.unify-button-container .unify-apply-now:focus, #body.unify div.unify-button-container .unify-apply-now:hover{background:rgba(0,183,79,1.0) !important;}
<div
Phân tích kỹ năng cần có
Phân tích Kỹ năng cần có cho vị trí CVCC Data Science - VPBank
1. HARD SKILLS (Kỹ năng chuyên môn bắt buộc)
| Cấp độ | Kỹ năng | Mức độ yêu cầu | Ghi chú |
|---|---|---|---|
| Python | Scikit-learn, XGBoost, LightGBM, PyTorch, TensorFlow, Hugging Face Transformers | Cao | Thành thạo ≥3 libraries |
| ML/DL | Supervised/Unsupervised learning, Deep Learning, GenAI/LLM | Cao | Áp dụng được vào bài toán thực tế |
| Statistics | Hypothesis testing, Causal analysis, Time series, Imbalanced data handling | Trung bình-cao | Nền tảng vững |
| Cloud | AWS/Azure/GCP/Databricks | Trung bình-cao | Triển khai model trên cloud |
| MLOps | MLflow, Docker, Git, CI/CD cho ML | Trung bình | Hiểu quy trình end-to-end |
| Data | EDA, Visualization, SQL, Data processing | Cao | Xử lý data lớn |
2. SOFT SKILLS (Kỹ năng mềm)
| Kỹ năng | Mức độ quan trọng | Ví dụ thể hiện trong CV |
|---|---|---|
| Giao tiếp & Thuyết trình | Rất cao | Present insight cho business stakeholders |
| Làm việc nhóm liên chức năng | Cao | Phối hợp Data + BU + IT |
| Problem solving | Cao | Tiếp cận bài toán có cấu trúc, logic |
| Mentoring | Trung bình | Hướng dẫn junior members |
3. CHỨNG CHỈ GỢI Ý (Ưu tiên)
✓ AWS Certified Machine Learning Specialty
✓ Google Professional Machine Learning Engineer
✓ Microsoft Azure Data Scientist Associate
✓ Kaggle Competition (Top 10%+)
✓ Coursera/EdX: Deep Learning Specialization (Andrew Ng)
✓ O'Reilly subscription (Data Science books)
4. BACKGROUNDS PHÙ HỢP (Ưu tiên theo thứ tự)
- Computer Science / Data Science - Phù hợp nhất
- Mathematics / Applied Mathematics / Statistics - Phù hợp
- Engineering (Electrical, Computer, Automation) - Phù hợp
- Econometrics / Quantitative Finance - Khả thi nếu có kỹ năng ML
- Các ngành liên quan đến AI/ML - Cần bổ sung kiến thức
5. COMPARISON: CVCC vs Junior Data Scientist
| Tiêu chí | Junior DS | CVCC DS (vị trí này) |
|---|---|---|
| Kinh nghiệm | 0-2 năm | 3-5 năm |
| Model deployment | Học hỏi | Tự triển khai, có thể lead |
| Business acumen | Cơ bản | Chuyển đổi bài toán BU → giải pháp DS |
| Communication | Present kết quả | Present insight, thuyết phục stakeholders |
| Project ownership | Hỗ trợ | Chịu trách nhiệm chính |
Chuẩn bị phỏng vấn
Hướng dẫn Phỏng vấn VPBank - CVCC Data Science
QUY TRÌNH PHỎNG VẤN (Dự kiến)
Vòng 1: HR Phone Screening (20-30 phút)
↓
Vòng 2: Technical Interview - Data Science (45-60 phút)
↓
Vòng 3: Panel Interview - Business + Manager (45-60 phút)
↓
Vòng 4: HR Discuss (Offer negotiation)
VÒNG 1: HR SCREENING
Câu hỏi thường gặp:
- "Giới thiệu ngắn về bản thân và dự án gần đất nhất"
- "Tại sao bạn muốn chuyển sang VPBank?"
- "Bạn biết gì về chiến lược Data của VPBank?"
- "Mức lương mong muốn của bạn?"
- "Bạn có kinh nghiệm làm việc trong môi trường ngân hàng/chứng khoán chưa?"
Tips chuẩn bị: ✓ Nghiên cứu trước về VPBank: "VPBank ứng dụng AI trong credit scoring, customer analytics" ✓ Chuẩn bị câu trả lời ngắn gọn 30-60 giây cho mỗi câu hỏi ✓ Tìm hiểu mô hình kinh doanh của VPBank (FE Credit, VPBank Securities)
VÒNG 2: TECHNICAL INTERVIEW
PHẦN 1: Machine Learning (45 phút)
Câu hỏi bắt buộc:
- "Explain how XGBoost works, including gradient boosting mechanism"
- "What techniques do you use to handle imbalanced data?"
- "How would you approach a churn prediction problem? Walk me through the entire pipeline"
- "What's the difference between L1 and L2 regularization? When to use which?"
- "How do you evaluate a classification model? Which metrics would you use for imbalanced classes?"
Hands-on Coding (30 phút):
- Write a Python function to calculate customer lifetime value
- Build a quick ML pipeline using scikit-learn
- SQL query: Calculate monthly churn rate by customer segment
PHẦN 2: Deep Learning & GenAI (30 phút)
Câu hỏi về GenAI:
- "What is RAG? When would you use it in a banking context?"
- "How do you fine-tune an LLM?"
- "What are the risks of using GenAI in banking (e.g., credit decisions)?"
- "How would you build a chatbot for customer service?"
Hands-on:
- Design a prompt engineering strategy for a banking use case
- Explain transformer architecture (attention mechanism)
PHẦN 3: MLOps & Deployment (20 phút)
Câu hỏi:
- "How do you monitor a model in production?"
- "What is model drift? How would you detect and handle it?"
- "Explain your experience with cloud platforms"
- "How do you ensure reproducibility in ML experiments?"
**PHẦN 3: CASE STUDY - Banking Business
Câu hỏi scenario-based:
"VPBank muốn giảm tỷ lệ khách hàng rời bỏ (churn) 20%. Bạn sẽ tiếp cận bài toán này như thế nào?"
Framework trả lời:
1. DEFINE (5 phút)
- Định nghĩa churn: inactive 30/60/90 days?
- Phân loại churn: voluntary vs involuntary
- Đo lường: monthly churn rate, cohort analysis
2. DATA (10 phút)
- Thu thập features: demographics, transaction behavior,
product usage, customer service interactions
- Feature engineering: RFM, engagement scores
- Handle missing data, imbalanced classes
3. MODELING (15 phút)
- Baseline: Logistic Regression
- Advanced: XGBoost, LightGBM, Neural Networks
- Ensemble methods
- Validation: Time-series split, cross-validation
4. DEPLOYMENT (10 phút)
- Real-time scoring system
- Integration với CRM để trigger campaigns
- Monitoring: prediction drift, business metric drift
5. ACTION (5 phút)
- Personalized retention offers
- A/B test để measure effectiveness
- ROI calculation
VÒNG 3: PANEL INTERVIEW
Người phỏng vấn: Business Lead + Data Head
Câu hỏi về kinh nghiệm:
- "Kể về một dự án DS mà bạn tự hào nhất. Impact đo lường như thế nào?"
- "Bạn đã từng deal với situation nào mà stakeholder không tin kết quả model?"
- "How do you communicate complex ML concepts to non-technical stakeholders?"
- "Describe a time when you had to learn a new technology quickly"
Câu hỏi về VPBank-specific:
- "Bạn nghĩ gì về việc áp dụng GenAI trong ngân hàng?"
- "VPBank đang push mạnh về data-driven culture. Bạn sẽ đóng góp thế nào?"
- "Các use cases DS nào bạn nghĩ VPBank nên ưu tiên?"
DRESS CODE & LOGISTICS
| Item | Recommendation |
|---|---|
| Trang phục | Business casual (áo sơ mi, quần tây) |
| Địa điểm | VPBank Tower, 89 Láng Hạ, Ba Đình, HN |
| Thời gian | Thường 9:00-11:00 hoặc 14:00-16:00 |
| Giấy tờ | CV (bản cứng), CMND/CCCD, bằng cấp (bản sao) |
| Online | Nếu online: test mic, camera trước 15 phút |
TIPS QUAN TRỌNG
- Research VPBank trước: Đọc annual report 2023, tìm hiểu VPBank's AI initiatives
- Prepare Portfolio: Mang theo laptop/tablet demo một vài visualizations hoặc dashboards
- Use STAR method: Trả lời behavioral questions theo Situation → Task → Action → Result
- Ask questions: Chuẩn bị 3-5 câu hỏi cho interviewer (thể hiện sự quan tâm)
- Follow up: Gửi thank-you email trong vòng 24 giờ sau phỏng vấn
Lộ trình ôn thi
Lộ trình Ôn tập & Chuẩn bị (2 tuần)
TUẦN 1: Củng cố Kiến thức Nền tảng
Day 1-2: Machine Learning Refresh
Tài liệu:
- 📖 "Hands-On Machine Learning" (Aurélien Géron) - Chương 3-10
- 📄 Medium: "XGBoost: The Definitive Guide" by James Wilson
Thực hành:
# Ôn lại XGBoost implementation
import xgboost as xgb
from sklearn.model_selection import cross_val_score
# Quick churn prediction example
model = xgb.XGBClassifier(
objective='binary:logistic',
eval_metric='auc',
max_depth=6,
learning_rate=0.1,
n_estimators=100
)
Focus areas:
- Gradient Boosting mechanism
- Regularization (L1, L2)
- Feature importance interpretation
- Hyperparameter tuning
Day 3-4: Deep Learning & GenAI
Tài liệu:
- 📖 PyTorch Documentation (Official tutorials)
- 📄 Hugging Face Course: "Introduction to Transformers"
- 📄 "Attention Is All You Need" paper (simplified version)
Thực hành:
# Fine-tune a small LLM for banking use case
from transformers import AutoModelForSequenceClassification
from transformers import Trainer, TrainingArguments
# Example: Sentiment analysis for customer feedback
model = AutoModelForSequenceClassification.from_pretrained(
"bert-base-uncased",
num_labels=3
)
Focus areas:
- Transformer architecture (Self-attention)
- LLM fine-tuning basics
- RAG (Retrieval-Augmented Generation)
- Prompt engineering
Day 5: Statistics & Data Analysis
Focus areas:
- Hypothesis testing (t-test, chi-square)
- A/B testing fundamentals
- Time series analysis (ARIMA, Prophet)
- Causal inference basics
Resources:
- 📖 "Think Stats" (Allen Downey) - Free PDF
- 📄 Kaggle: Time Series Competition solutions
Day 6-7: MLOps & Cloud
Hands-on labs:
# Sample MLflow experiment tracking
import mlflow
mlflow.set_experiment("churn_prediction")
with mlflow.start_run():
mlflow.log_param("model_type", "xgboost")
mlflow.log_param("n_estimators", 100)
model.fit(X_train, y_train)
mlflow.sklearn.log_model(model, "model")
mlflow.log_metric("auc", roc_auc_score(y_test, model.predict(X_test)))
Focus areas:
- MLflow for experiment tracking
- Docker basics for model serving
- Cloud ML services overview (AWS SageMaker, Azure ML, GCP Vertex AI)
TUẦN 2: Banking Domain + Interview Prep
Day 8-9: Banking Use Cases
Đọc hiểu các bài toán DS trong ngân hàng:
| Use Case | Mô tả | ML Techniques | KPIs |
|---|---|---|---|
| Credit Scoring | Đánh giá khả năng trả nợ | Logistic Regression, XGBoost, NN | AUC, Gini, KS |
| Churn Prediction | Dự đoán khách hàng rời bỏ | XGBoost, LSTM, Survival Analysis | Churn rate reduction |
| Cross-sell/Upsell | Gợi ý sản phẩm phù hợp | Recommender Systems, Uplift Modeling | Conversion rate |
| Fraud Detection | Phát hiện gian lận | Anomaly Detection, Graph Networks | Recall, Precision |
| CLV Prediction | Dự đoán giá trị vòng đời | Survival Analysis, BG/NBD | Predicted CLV vs actual |
| Collection Scoring | Ưu tiên thu hồi nợ | Scorecard, Decision Trees | Recovery rate |
Research:
- Đọc VPBank Annual Report 2023 (phần về công nghệ)
- Tìm hiểu "VPBank AI Lab" hoặc "VPBank digital transformation"
Day 10-11: Mock Interviews
Practice coding (30 phút mỗi ngày):
# Practice problems (LeetCode/Evaluator style)
# 1. Customer Segmentation (K-means)
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
# 2. RFM Analysis
def calculate_rfm(df, customer_id_col, date_col, amount_col):
# Recency, Frequency, Monetary
pass
# 3. churn_rate_calculation
def monthly_churn_rate(df, customer_col, date_col, churn定义='inactive_30d'):
# Calculate monthly churn rate
pass
SQL Practice:
-- Calculate monthly active users and churn rate
WITH monthly_activity AS (
SELECT
customer_id,
DATE_TRUNC('month', activity_date) AS month,
COUNT(*) AS activity_count
FROM customer_activities
GROUP BY customer_id, DATE_TRUNC('month', activity_date)
),
churned AS (
SELECT
customer_id,
month,
LAG(month) OVER (PARTITION BY customer_id ORDER BY month) AS prev_month
FROM monthly_activity
)
SELECT
month,
COUNT(CASE WHEN prev_month IS DISTINCT FROM month
AND DATE_DIFF(month, prev_month, MONTH) = 1
THEN 1 END) AS churned_customers
FROM churned
GROUP BY month
ORDER BY month;
Day 12-13: Prepare Portfolio & Questions
Chuẩn bị Portfolio:
- Một Jupyter notebook/demo về bài toán banking (churn/CVS)
- Một dashboard visualization (Tableau/PowerBI/Streamlit)
- Một slide deck ngắn (5-10 phút) về một dự án impact lớn
Câu hỏi dành cho VPBank:
- "What are the biggest data challenges VPBank is facing?"
- "How is the data science team structured?"
- "What ML/AI projects are currently in production?"
- "What is the typical project lifecycle from ideation to deployment?"
Day 14: Final Review
Checklist trước ngày phỏng vấn:
□ CV đã update, có quantified achievements
□ LinkedIn profile đã complete
□ Portfolio project đã ready để demo
□ Đã research VPBank và industry trends
□ Đã practice 5+ ML coding problems
□ Đã prepare STAR stories (3-5 examples)
□ Đã chuẩn bị outfit
□ Đã check logistics (địa điểm, thời gian)
□ Đã set up phone/computer cho online interview
□ Đã ngủ đủ giấc, ăn sáng
TÀI LIỆU THAM KHẢO BỔ SUNG
| Loại | Tài liệu | Link |
|---|---|---|
| Book | "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" | Oreilly / Amazon |
| Book | "Machine Learning Engineering" by Andriy Burkov | ml-book |
| Course | Fast.ai Practical Deep Learning | fast.ai |
| Course | Andrew Ng's ML & Deep Learning Specialization | Coursera |
| Blog | Google AI Blog, OpenAI Blog | Medium/LinkedIn |
| Vietnamese | Trang chủ VPBank, Tin công nghệ banking | vpbank.com |
| Practice | Kaggle Competitions | kaggle.com |
| SQL | Mode SQL Tutorial | mode.com |
Đánh dấu ⭐ các phần quan trọng để ôn lại nhanh trước phỏng vấn
Tư vấn nghề nghiệp
Lời khuyên Sự nghiệp cho Data Scientist tại VPBank
1. LỘ TRÌNH THĂNG TIẾN TRONG VPBANK
CVCC Data Science (3-5 năm exp)
↓
Chuyên viên Cao cấp / Team Lead (5-7 năm)
↓
Trưởng nhóm Data Science (7-10 năm)
↓
Giám đốc Data Science / Chief Data Scientist (10+ năm)
↓
Chief Data Officer / VP Data
Timeline thăng tiến thực tế:
- CVCC → Senior: 2-3 năm (nếu có impact rõ ràng)
- Senior → Team Lead: 2-3 năm (cần mentoring skill + project ownership)
- Team Lead → Manager: 3-4 năm (cần leadership + business acumen)
2. MỨC LƯƠNG KỲ VỌNG THEO CẤP BẬC
Tại VPBank (tham khảo, thực tế có thể thay đổi):
| Level | Kinh nghiệm | Base Salary/tháng (VND) | Total Package (12 tháng) |
|---|---|---|---|
| Junior DS | 0-2 năm | 20-30 triệu | 300-450 triệu |
| CVCC DS | 3-5 năm | 35-50 triệu | 525-900 triệu |
| Senior DS | 5-7 năm | 50-70 triệu | 750-1.2 tỷ |
| Team Lead | 7-10 năm | 70-100 triệu | 1-1.8 tỷ |
| Data Science Manager | 10+ năm | 100-150 triệu | 1.5-2.7 tỷ |
Ghi chú:
- VPBank được biết đến với gói lương 15-18 tháng
- Ngoài base: thưởng Tết, thưởng performance, stock options (với cấp cao)
- Có thể đàm phán cao hơn 20-30% nếu có offer từ competitor
So sánh với thị trường:
- VPBank: Lương thuộc top 30% ngân hàng, top 50% fintech
- So với tech company (FPT, VNG): Thấp hơn 20-30%
- So với foreign bank (HSBC, Citi): Tương đương hoặc cao hơn
3. SKILLS CẦN PHÁT TRIỂN THÊM
A. Technical Skills (6-12 tháng tới)
| Kỹ năng | Mức độ ưu tiên | Nguồn học | Ghi chú |
|---|---|---|---|
| MLOps (Advanced) | ⭐⭐⭐ Cao | Udemy, Databricks Academy | Rất quan trọng cho Senior |
| LLM/GenAI | ⭐⭐⭐ Cao | DeepLearning.AI, Hugging Face | Xu hướng 2024-2025 |
| Cloud ML (AWS/Azure) | ⭐⭐ Cao | AWS/Azure certification | Required cho deployment |
| Real-time ML Systems | ⭐⭐ Trung bình | Streaming courses | Bonus cho fintech |
B. Soft Skills (12-18 tháng tới)
| Kỹ năng | Mức độ ưu tiên | Cách phát triển |
|---|---|---|
| Business Acumen | ⭐⭐⭐ Rất cao | Học từ BU stakeholders, đọc financial reports |
| Stakeholder Management | ⭐⭐⭐ Cao | Present regularly, learn to influence |
| Leadership/Mentoring | ⭐⭐ Cao | Mentor junior, lead small projects |
| Strategic Thinking | ⭐⭐ Cao | Think beyond technical, align with business goals |
C. Domain Knowledge (Liên tục)
□ Banking Products: Credit cards, personal loans, mortgage, SME loans
□ Risk Management: Basel III, credit risk, market risk
□ Regulations: SBV regulations, AML/KYC, data privacy
□ Digital Banking: Mobile banking, payment systems, open banking
□ Fintech Ecosystem: Lending platforms, e-wallets, BNPL
4. STRATEGIC ADVICE: LÀM VIỆC TẠI VPBANK
NÊN LÀM (DO's)
✅ Chủ động propose projects: VPBank culture khuyến khích sáng kiến
- Tìm pain points trong business
- Propose DS solution với clear ROI
- Build proof-of-concept, show results
- Scale up thành production system
✅ Network rộng:
- Work across departments (Retail, SME, Risk, Marketing)
- Attend cross-functional meetings
- Build relationships với IT and Data teams
- Connect với FE Credit, VPBank Securities teams
✅ Continuous learning:
- VPBank đầu tư vào training (tận dụng budget đào tạo)
- Attend conferences: AI Summit, Data Science Vietnam
- Kaggle competitions để stay sharp
- Internal knowledge sharing sessions
✅ Build visible impact:
- Document business impact (revenue saved, cost reduced)
- Create dashboards/metrics tracking
- Present achievements to leadership
- Write case studies for internal wiki
KHÔNG NÊN (DON'Ts)
❌ Don't work in silos: DS role cần cross-functional collaboration ❌ Don't over-engineer: Business value > technical sophistication ❌ Don't ignore business context: Always align ML with business goals ❌ Don't skip documentation: MLOps best practice là document everything
5. ALTERNATIVE CAREER PATHS
Path A: Deep Technical → Principal DS/Research Scientist
Focus: State-of-the-art models, GenAI, cutting-edge ML
Move: Big tech / Research labs / AI startup
Timeline: 3-5 năm
Path B: Management → Data Science Manager → CDO
Focus: People leadership, strategy, business impact
Move: VP/Director level in any industry
Timeline: 5-10 năm
Path C: Domain Expert → Risk/Finance DS Specialist
Focus: Credit risk, financial modeling, regulatory compliance
Move: Risk analytics in banks, rating agencies, fintech
Timeline: 5-8 năm
Path D: Entrepreneur → AI Startup Founder
Focus: Problem-solving, product thinking, business building
Move: Start your own AI/ML consulting or product company
Timeline: Variable
6. SHOULD YOU JOIN VPBANK?
NÊN join nếu bạn:
- ✅ Muốn làm việc với data scale lớn (hàng triệu khách hàng)
- ✅ Quan tâm đến banking/fintech domain
- ✅ Muốn học hỏi GenAI/LLM applications in banking
- ✅ Cần stability (ngân hàng ít biến động hơn startup)
- ✅ Muốn học business acumen từ production environment
CÂN NHẮC thêm nếu bạn:
- 🤔 Muốn lương cao nhất thị trường (có thể cân nhắc big tech)
- 🤔 Thích môi trường startup năng động (VPBank là big corporate)
- 🤔 Muốn pure research (VPBank hướng applied DS)
- 🤔 Cần flexibility về location (VPBank mainly HCM/HN)
Câu hỏi thường gặp
VPBank công bố lương 'thỏa thuận theo năng lực' với gói thu nhập 15-18 tháng/năm. Với 3-5 năm kinh nghiệm, mức base salary dao động 35-50 triệu/tháng (tổng package 525-900 triệu/năm). Bạn có thể đàm phán cao hơn 20-30% nếu có offer từ competitor hoặc prove được track record impact rõ ràng. Tip: Đề xuất mức lương dựa trên research thị trường (VietnamSalary Survey, Glassdoor) và concrete achievements.
Theo JD, VPBank cam kết 'được tham gia các khóa đào tạo tùy thuộc vào Khung đào tạo cho từng vị trí'. Thực tế, VPBank có chương trình đào tạo nội bộ và hỗ trợ chi phí học tập cho nhân viên. Bạn nên hỏi rõ HR về: (1) Training budget hàng năm cho vị trí DS, (2) Các khóa học nào được ưu tiên (cloud cert, ML courses), (3) Cơ hội tham gia conference/seminar. Đây cũng là điểm cộng khi đàm phán offer.
VPBank là ngân hàng tư nhân lớn nên có những giai đoạn bận rộn (đặc biệt cuối quý, cuối năm). Tuy nhiên, môi trường Data Science thường không yêu cầu OT nhiều như business roles. Với vị trí senior (CVCC), bạn có thể chủ động hơn về timeline. Tips: (1) Tìm hiểu văn hóa team trong phỏng vấn, (2) Hỏi về typical workday và flexible work policy, (3) Note rằng startup/fintech có thể WLB khác nhau.
Phù hợp nếu bạn muốn: (1) Học banking domain và compliance, (2) Làm việc với data scale lớn hơn, (3) Có stability tốt hơn startup. Tuy nhiên, cần lưu ý: (1) Culture khác - corporate vs startup (nhiều process hơn), (2) Tech stack có thể legacy hơn (nhưng đang chuyển đổi), (3) Compensation structure khác (bonus-based). Nên đi phỏng vấn để đánh giá văn hóa team cụ thể trước khi quyết định.
VPBank là một trong những ngân hàng Việt Nam tiên phong ứng dụng AI. JD đề cập rõ 'Hugging Face Transformers, GenAI, RAG' - đây là keywords cụ thể chứ không phải generic. Thực tế, các ngân hàng lớn đang đẩy mạnh GenAI cho: chatbot, document processing, personalized recommendations. Bạn nên hỏi trực tiếp interviewer: 'What GenAI/LLM projects are currently in production?' và 'What's the team's roadmap for next 12 months?' để verify.
Timeline thông thường là 2-3 năm nếu bạn demonstrate được: (1) Consistent impact (models in production với measurable business metrics), (2) Leadership potential (mentoring junior, leading projects), (3) Business acumen (understand và align với business goals). Để accelerate, hãy: chủ động propose và lead projects, build relationships across departments, document achievements rõ ràng, và express interest trong career path management.
Vị trí yêu cầu 3-5 năm kinh nghiệm, nên apply thẳng vào sẽ khó. Tuy nhiên, bạn có thể: (1) Apply nếu có internship/research projects tương đương, (2) Target các vị trí Junior DS cùng VPBank hoặc ngân hàng khác trước, (3) Build portfolio với Kaggle competitions, personal projects, (4) Gain 2-3 năm experience ở startup/fintech rồi re-apply. JD có ghi 'hoặc equivalent experience' - có thể thương lượng nếu portfolio đủ mạnh.
Typical day có thể bao gồm: (1) Sáng: Team standup, review model performance, check ML pipelines, (2) Trưa: Deep work - coding, model development, EDA, (3) Chiều: Meetings với business units để understand requirements, present insights, align on priorities, (4) Cuối ngày: Documentation, code review, experiment tracking. Ngoài ra còn có: mentoring junior, reading papers/tech blogs, attending seminars. Tỷ lệ coding:meetings thường 60:40 cho senior roles.
Chia sẻ từ cộng đồng
Mình đang ở vị trí tương đương tại một ngân hàng khác, đang consider chuyển sang VPBank. Ai đang làm ở đây cho mình hỏi về văn hóa làm việc với data team như thế nào?
Đã phỏng vấn vị trí này tháng 8. Vòng technical khá nặng, có cả coding lẫn system design. Họ hỏi sâu về XGBoost, MLOps, và có một case study về churn prediction. Không pass được vì thiếu kinh nghiệm cloud deployment. Recommend các bạn ôn kỹ phần này.
Offer mình nhận được cho vị trí senior tương đương là 65 triệu base + 16 tháng. Thương lượng thêm được 5% so với initial offer. Tip: có offer competitor trong tay thì mạnh dạn đàm phán, HR khá flexible.
Làm ở VPBank được 1.5 năm rồi. Điểm cộng: dữ liệu lớn, nhiều bài toán thú vị, team tech-savvy. Điểm trừ: nhiều process của corporate, đôi khi slow down việc deploy. Nhưng nhìn chung recommend nếu muốn học banking domain.
HR respond khá chậm, mình apply tháng 7 mà đến tháng 9 mới có kết quả. Ai apply rồi thì kiên nhẫn chờ, có vẻ process lâu hơn các công ty tech.
Vừa join được 3 tháng. Điểm mạnh: management open với new ideas, được thử nghiệm nhiều thứ mới. GenAI đang là focus chính của team mình. Workload khá balanced, ít OT. Good for someone muốn switch from pure tech.
Các bạn chú ý phần requirement về 'chủ động triển khai' - đây không phải role research thuần túy. Họ cần người đưa solution ra production, deliver business impact. Nếu bạn thích research/lab work hơn thì có thể không phù hợp.
Thanks các bạn đã share. Mình sắp phỏng vấn, giờ tự tin hơn rồi. Ôn lại ML fundamentals và chuẩn bị portfolio project về banking use case. Ai có tips gì thêm cho vòng panel interview không?
Ứng tuyển ngay
Ứng tuyển trên website gốcBạn sẽ được chuyển đến trang tuyển dụng chính thức của VPBank
Chuyên môn / Từ khoá
Mất kết nối mạng
Đang thử kết nối lại
Đã xảy ra lỗi!
Vui lòng chờ trong giây lát