Mô tả công việc

Tổng quan vị trí Chịu trách nhiệm vận hành các dashboard, báo cáo và pipeline dữ liệu phục vụ hoạt động nghiệp vụ hàng ngày, đảm bảo số liệu chính xác, kịp thời và đáng tin cậy cho các phòng ban sử dụng. Trách nhiệm chính

Vận hành và bảo trì các dashboard/report phục vụ nghiệp vụ như Data Warehouse, Data Lake, hoặc Data Lakehouse.
Theo dõi lịch chạy các job ETL/pipeline dữ liệu, đảm bảo chạy đúng lịch và đầy đủ.
Xử lý sự cố liên quan đến dữ liệu sai lệch, report lỗi hiển thị, hoặc job dữ liệu chạy thất bại.
Phối hợp với các phòng ban nghiệp vụ để làm rõ yêu cầu số liệu và điều chỉnh báo cáo khi cần.
Xây dựng và cập nhật data dictionary, đảm bảo tính nhất quán và dễ tra cứu của tài liệu dữ liệu.
Hỗ trợ trích xuất số liệu phục vụ báo cáo quản trị nội bộ và báo cáo tuân thủ quy định (regulatory reporting).
Thực hiện kiểm tra chất lượng dữ liệu định kỳ (data quality check) để phát hiện sớm các bất thường.
Escalate lên đội Data Engineering khi phát hiện lỗi ở tầng pipeline hoặc hạ tầng dữ liệu.

Yêu cầu ứng viên

Yêu cầu kỹ năng & kinh nghiệm

2–4 năm kinh nghiệm phân tích/vận hành dữ liệu, ưu tiên trong lĩnh vực ngân hàng/tài chính.
Thành thạo SQL để truy vấn và đối chiếu dữ liệu.
Kinh nghiệm làm việc với các hệ quản trị cơ sở dữ liệu quan hệ (Oracle, SQL Server, PostgreSQL, MySQL, v.v.) và NoSQL (MongoDB, Cassandra, v.v.) là một lợi thế.
Hiểu biết cơ bản về vận hành pipeline dữ liệu (Airflow hoặc công cụ tương đương).
Có kiến thức về sản phẩm ngân hàng, tài chính (điểm tín dụng, dữ liệu giao dịch, danh mục vay).
Kỹ năng giao tiếp tốt để trao đổi số liệu với các bên nghiệp vụ không chuyên kỹ thuật

Phân tích kỹ năng cần có

Phân tích kỹ năng cho vị trí Data & Reporting Support Analyst

1. Hard Skills (Kỹ năng cứng) — Yêu cầu bắt buộc

Nhóm kỹ năng	Mức độ yêu cầu	Công cụ/Nền tảng cụ thể
SQL	Thành thạo	Viết truy vấn phức tạp (CTE, Window Functions, Pivot), tối ưu hiệu năng, đối chiếu dữ liệu giữa các bảng
Cơ sở dữ liệu quan hệ (RDBMS)	Có kinh nghiệm	Oracle, SQL Server, PostgreSQL, MySQL — ưu tiên Oracle vì phổ biến trong ngân hàng Việt Nam
Cơ sở dữ liệu NoSQL	Lợi thế	MongoDB, Cassandra — hiểu khái niệm document, key-value
Hiểu biết kiến trúc dữ liệu	Cần có	Data Warehouse, Data Lake, Data Lakehouse — phân biệt được ưu nhược điểm từng loại
ETL/Pipeline	Cơ bản	Airflow, Talend, Informatica, hoặc các công cụ tương đương
Kiểm tra chất lượng dữ liệu	Cần có	Data quality check, data reconciliation, data profiling
Công cụ báo cáo/Visualization	Nên có	Power BI, Tableau, Looker, hoặc các tool BI nội bộ ngân hàng
Excel nâng cao	Cần có	Pivot Table, VLOOKUP, Power Query, VBA cơ bản

2. Kiến thức nghiệp vụ ngân hàng

Hiểu sản phẩm tín dụng: điểm tín dụng (credit score), vòng đời khoản vay, phân loại nợ (nhóm 1-5 theo NHNN)
Hiểu dòng tiền giao dịch: giao dịch thẻ, chuyển khoản, tiền gửi tiết kiệm
Hiểu danh mục vay (loan portfolio): cơ cấu, tỷ lệ nợ xấu (NPL)
Hiểu báo cáo tuân thủ (regulatory reporting): NHNN, Basel II/III
Am hiểu quy trình vận hành data trong ngân hàng: từ core, staging, đến data mart, reporting layer

3. Soft Skills (Kỹ năng mềm)

Giao tiếp với bên phi kỹ thuật: Đây là yêu cầu được nhấn mạnh — bạn phải dịch được yêu cầu nghiệp vụ thành truy vấn dữ liệu và ngược lại
Tư duy phản biện: Phát hiện bất thường trong số liệu, đặt câu hỏi đúng về tính hợp lý của dữ liệu
Quản lý thời gian: Vận hành nhiều báo cáo theo lịch cố định, xử lý sự cố đúng deadline
Làm việc nhóm: Phối hợp với Data Engineering, BA, nghiệp vụ tín dụng/rủi ro
Tài liệu hóa: Viết data dictionary rõ ràng, dễ tra cứu

4. Chứng chỉ gợi ý (nếu muốn nâng cao hồ sơ)

Chứng chỉ	Tổ chức	Giá trị
Google Data Analytics	Coursera/Google	Nền tảng phân tích dữ liệu
Microsoft Certified: Power BI Data Analyst	Microsoft	Làm chủ công cụ BI phổ biến
Oracle Database SQL Certified Associate	Oracle	Khẳng định năng lực SQL trên Oracle
AWS Certified Data Analytics – Specialty	Amazon	Nếu hướng đến data trên cloud
DAMA Certified Data Management Professional (CDMP)	DAMA	Quản trị dữ liệu chuyên nghiệp
Chứng chỉ ngân hàng nội bộ	Ngân hàng đào tạo	Hiểu quy định nội bộ, Basel, tuân thủ

5. Bảng so sánh mức độ phù hợp cho từng đối tượng

Đối tượng	Mức phù hợp	Lý do
Sinh viên mới ra trường	⭐⭐	Yêu cầu 2-4 năm kinh nghiệm — cần tích lũy thêm
Data Analyst 2-3 năm ngoài ngân hàng	⭐⭐⭐⭐	Có kỹ năng SQL, cần học thêm nghiệp vụ banking
Nhân viên ngân hàng chuyển sang data	⭐⭐⭐⭐⭐	Hiểu sản phẩm ngân hàng, cần bổ sung SQL/pipeline
BA/Report Analyst trong ngân hàng	⭐⭐⭐⭐⭐	Đã có nền tảng báo cáo, sẵn sàng chuyển sang data vận hành
ETL Developer/Data Engineer	⭐⭐⭐	Có kỹ thuật nhưng vị trí này thiên về vận hành hơn phát triển

Chuẩn bị phỏng vấn

Hướng dẫn phỏng vấn vị trí Data & Reporting Support Analyst

1. Quy trình phỏng vấn dự kiến (3-4 vòng)

Vòng 1 — Sơ loại hồ sơ & Phone/HR Interview (30-45 phút)

Xác nhận thông tin cá nhân, kinh nghiệm làm việc
Mức lương kỳ vọng, thời gian có thể bắt đầu
Giới thiệu sơ lược về vị trí và phòng ban

Vòng 2 — Technical Interview (60-90 phút) Đây là vòng quan trọng nhất, thường có 2 phần:

Phần A — SQL Live Test: Cho một bộ dữ liệu mẫu (thường là bảng khách hàng, giao dịch, khoản vay), yêu cầu viết truy vấn
Phần B — Câu hỏi tình huống: Cách xử lý khi pipeline lỗi, data sai lệch, báo cáo không khớp

Vòng 3 — Hiring Manager Interview (45-60 phút)

Phỏng vấn với trưởng phòng/team lead
Đánh giá tư duy phản biện, khả năng giao tiếp với nghiệp vụ
Câu hỏi về kinh nghiệm xử lý sự cố dữ liệu thực tế

Vòng 4 — HR Final & Offer (20-30 phút)

Đàm phán lương, phúc lợi
Trao đổi về văn hóa công ty, kỳ vọng công việc

2. Câu hỏi phỏng vấn thường gặp

Vòng SQL — Câu hỏi kỹ thuật

"Viết truy vấn tính tổng số dư tiền gửi theo từng chi nhánh trong 6 tháng gần nhất."
"Tìm top 10 khách hàng có giá trị giao dịch cao nhất, nhưng loại trừ các giao dịch hoàn tiền."
"Làm sao phát hiện bản ghi trùng lặp trong bảng khách hàng khi không có khóa chính rõ ràng?"
"Sự khác nhau giữa INNER JOIN, LEFT JOIN, FULL OUTER JOIN? Cho ví dụ trong báo cáo ngân hàng."
"Window Functions — khi nào dùng RANK, DENSE_RANK, ROW_NUMBER?"

Vòng tình huống — Xử lý sự cố

"Sáng nay bạn mở dashboard thấy số liệu giảm 30% so với hôm qua. Bạn xử lý thế nào?"
- Gợi ý: Kiểm tra ETL job → Kiểm tra source data → So sánh logic → Báo cáo team
"Một stakeholder nói báo cáo sai số liệu, nhưng bạn đã kiểm tra và thấy đúng. Bạn làm gì?"
- Gợi ý: Đặt câu hỏi để hiểu cách họ diễn giải → Kiểm tra lại definition → Giải thích rõ ràng
"Pipeline Airflow chạy thất bại lúc 2 giờ sáng, báo cáo phải có sáng nay. Bạn xử lý ra sao?"
- Gợi ý: Xem log lỗi → Đánh giá có thể rerun không → Báo cáo escalation → Backup plan
"Business team yêu cầu thêm một trường dữ liệu mới vào báo cáo, nhưng field này chưa có trong source. Bạn xử lý thế nào?"

Vòng Hiring Manager — Tư duy & Kinh nghiệm

"Mô tả dự án data lớn nhất bạn đã tham gia và vai trò của bạn?"
"Sự khác nhau giữa Data Warehouse, Data Lake, Data Lakehouse?"
"Data quality — bạn đã làm gì để đảm bảo chất lượng dữ liệu?"
"Bạn đã bao giờ phải escalate lỗi nghiêm trọng cho cấp trên chưa? Cách bạn truyền đạt?"
"Tại sao bạn muốn làm trong lĩnh vực ngân hàng/tài chính?"

3. Tips chuẩn bị

Ôn SQL trước ít nhất 5-7 ngày: Tập trung vào JOIN, Window Functions, GROUP BY, Subquery, CTE. Luyện trên HackerRank/LeetCode/SQLZoo
Nắm rõ nghiệp vụ ngân hàng: Đọc lại về sản phẩm tín dụng, NPL, Basel II/III nếu có thể
Chuẩn bị STAR: Mỗi câu hỏi tình huống nên trả lời theo cấu trúc Situation – Task – Action – Result
Mang theo portfolio: Nếu có dashboard, data dictionary, tài liệu báo cáo đã làm
Nghiên cứu về Vikki trước: Sản phẩm, khách hàng mục tiêu, công nghệ họ dùng

4. Dress Code

Ngân hàng truyền thống: Vest + sơ mi, giày tây, lịch sự
Ngân hàng số/Fintech (như Vikki): Smart casual — áo polo/sơ mi, không cần vest, vẫn chuyên nghiệp
Tránh: Quần jean rách, áo thun in hình, giày thể thao quá thể thao, nước hoa nồng

Lộ trình ôn thi

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

Tuần 1 — Nền tảng kỹ thuật

Ngày 1-2: SQL cơ bản đến nâng cao

Ôn lại SELECT, WHERE, GROUP BY, ORDER BY, HAVING
Luyện JOIN (INNER, LEFT, RIGHT, FULL, CROSS, SELF JOIN)
Subquery, CTE, Window Functions (ROW_NUMBER, RANK, LAG, LEAD, SUM OVER)
Tài liệu: SQLZoo, Mode Analytics SQL Tutorial, LeetCode SQL (30 bài Easy-Medium)

Ngày 3-4: Cơ sở dữ liệu & ETL/Pipeline

Đọc về Oracle DBMS — vì phổ biến trong ngân hàng VN
Tìm hiểu Data Warehouse vs Data Lake vs Data Lakehouse
Học cơ bản Apache Airflow: DAG, Task, Schedule, Operator
Tài liệu: Astronomer Airflow Tutorial, AWS Big Data Whitepaper

Ngày 5-7: Kiến trúc dữ liệu trong ngân hàng

Tìm hiểu mô hình dữ liệu ngân hàng: Core Banking → Staging → ODS → Data Warehouse → Data Mart
Đọc về regulatory reporting: NHNN, Basel II/III, IFRS 9
Khái niệm: GL (General Ledger), customer master, loan portfolio

Tuần 2 — Nghiệp vụ ngân hàng & Luyện phỏng vấn

Ngày 8-9: Nghiệp vụ tín dụng & tài chính

Điểm tín dụng (Credit Score): Cách tính, mục đích sử dụng
Phân loại nợ: Nhóm 1-5 theo Thông tư 02/2023/TT-NHNN
Nợ xấu (NPL), tỷ lệ NPL, dự phòng rủi ro tín dụng
Sản phẩm: Thẻ tín dụng, vay tiêu dùng, vay mua nhà, tiền gửi tiết kiệm

Ngày 10-11: Luyện câu hỏi phỏng vấn

Viết lại các câu trả lời theo STAR cho 5-7 tình huống
Luyện giải SQL trên bảng mẫu (tự tạo dataset banking)
Tìm hiểu về Vikki: Sản phẩm, tin tức, văn hóa công ty

Ngày 12-13: Mock interview

Nhờ bạn bè hoặc mentor phỏng vấn giả
Quay video để xem lại ngôn ngữ cơ thể, tốc độ nói
Tập trả lời câu hỏi "Tại sao bạn chọn ngân hàng số/fintech?"

Ngày 14: Tổng kết & nghỉ ngơi

Review lại toàn bộ tài liệu đã chuẩn bị
Chuẩn bị trang phục, giấy tờ
Ngủ đủ giấc, tinh thần thoải mái

Tài liệu tham khảo cụ thể

Sách:

"Fundamentals of Data Engineering" — Joe Reis & Matt Housley
"The Data Warehouse Toolkit" — Ralph Kimball (kinh điển về DWH)
"Designing Data-Intensive Applications" — Martin Kleppmann
"Banking Analytics" — các tài liệu nội bộ ngân hàng (nếu có)

Khóa học online:

Google Data Analytics Certificate
DataCamp: SQL for Business Analysts, ETL with Python
Coursera: Data Engineering Specialization

Blog/Trang tham khảo:

Towards Data Science (Medium)
Apache Airflow Documentation
Towards AI
Viblo.vn (cộng đồng IT Việt Nam)

Tài liệu tiếng Việt về ngân hàng:

Thông tư hướng dẫn của NHNN
Báo cáo thường niên của các ngân hàng
Tạp chí Ngân hàng

Tư vấn nghề nghiệp

Lời khuyên sự nghiệp cho vị trí Data & Reporting trong Ngân hàng

1. Lộ trình thăng tiến rõ ràng

Junior Data Analyst (0-2 năm)
    ↓
Data & Reporting Support Analyst (2-4 năm) ← Bạn đang ở đây
    ↓
Senior Data Analyst / Reporting Lead (4-6 năm)
    ↓
Data Analytics Manager / Data Governance Lead (6-10 năm)
    ↓
Head of Data / CDO (Chief Data Officer) (10+ năm)

Hướng rẽ ngang:

Sang phía Data Engineering: Nếu bạn thích code nhiều hơn, xử lý sự cố pipeline
Sang phía Business Intelligence (BI): Nếu bạn thích kể chuyện qua dữ liệu
Sang phía Data Governance/Compliance: Nếu bạn thích regulatory, audit
Sang phía Risk Analytics: Nếu bạn thích phân tích rủi ro tín dụng

2. Mức lương kỳ vọng theo cấp bậc

(Mức lương có thể thay đổi tùy ngân hàng và thời điểm)

Cấp bậc	Kinh nghiệm	Mức lương ước lượng (VNĐ/tháng)
Junior Data Analyst	0-2 năm	15 - 22 triệu
Data & Reporting Support Analyst	2-4 năm	22 - 35 triệu
Senior Data Analyst	4-6 năm	35 - 55 triệu
Data Analytics Manager	6-10 năm	55 - 85 triệu
Head of Data / CDO	10+ năm	100 - 200 triệu+

Lưu ý quan trọng:

Ngân hàng số (như Vikki, TNEX, Cake) thường trả cao hơn ngân hàng truyền thống 10-20%
TP.HCM và Hà Nội trả cao hơn các tỉnh thành khác
Fintech/lending startup có thể trả cao hơn nhưng kèm cổ phần/ESOP
Ngoài lương còn có: thưởng Tết, thưởng KPI, BHXH, bảo hiểm sức khỏe, 13th month salary

3. Kỹ năng cần phát triển thêm để thăng tiến nhanh

Trong năm đầu tiên:

Làm chủ ít nhất 1 công cụ BI (Power BI hoặc Tableau)
Học Python cơ bản để tự động hóa task
Xây dựng network với team Business
Hiểu sâu regulatory reporting của NHNN

Trong 2-3 năm tới:

Lấy 1-2 chứng chỉ quốc tế (Google Data Analytics, Microsoft Power BI)
Học về cloud data (AWS, Azure, hoặc GCP)
Bắt đầu đảm nhận vai trò lead cho 1-2 người
Đóng góp vào cộng đồng (viết blog, nói chuyện tại meetup)

Trong 4-5 năm tới:

Phát triển tư duy chiến lược: Data không chỉ là report mà là insights
Học về data product management
Đảm nhận trách nhiệm với 1 domain nghiệp vụ (tín dụng, rủi ro, marketing)

4. Cơ hội thị trường hiện tại

Ngành ngân hàng Việt Nam đang trong giai đoạn chuyển đổi số mạnh mẽ. Nhu cầu nhân sự data trong banking/finance đang tăng 25-30% mỗi năm. Các ngân hàng số (neobank) và fintech đặc biệt cần người có kinh nghiệm cả data lẫn ngân hàng — đây là lợi thế cạnh tranh rất lớn.

5. Lời khuyên cá nhân

Đừng chỉ học tool, hãy học nghiệp vụ: Biết SQL không khó — biết tại sao con số này quan trọng với NHNN mới là giá trị
Xây dựng reputation trong team: Là người chủ động phát hiện vấn đề trước khi ai hỏi
Đừng ngại làm việc với business: Đây là kỹ năng mà Data Engineer thường thiếu — nếu bạn giỏi, bạn sẽ nổi bật
Cân nhắc di chuyển sang fintech/digital bank: Lương cao hơn, học nhanh hơn, nhưng áp lực cũng lớn hơn

Câu hỏi thường gặp

Em là sinh viên năm cuối ngành Hệ thống thông tin, muốn ứng tuyển vị trí Data & Reporting Support Analyst nhưng chưa có 2-4 năm kinh nghiệm. Em nên làm gì?

Với vị trí yêu cầu 2-4 năm kinh nghiệm, em khó cạnh tranh trực tiếp. Tuy nhiên, em có thể:

Ứng tuyển các vị trí Junior Data Analyst, Fresher Data để tích lũy 1-2 năm kinh nghiệm đầu tiên. Đây là bước đệm rất tốt.
Làm freelance/part-time cho các dự án data nhỏ, hoặc tham gia cộng đồng open source để có sản phẩm thực tế.
Học sâu về nghiệp vụ ngân hàng qua các khóa học online miễn phí hoặc tài liệu NHNN công bố. Khi kết hợp được IT + Banking, em sẽ có lợi thế cạnh tranh lớn.
Nộp CV vào các chương trình Fresher/Graduate của ngân hàng lớn (Vikki, VCB, Techcombank, MBB,...) — thường có chương trình đào tạo 6-12 tháng.
Xây dựng portfolio SQL bằng dataset ngân hàng mẫu trên Kaggle, viết blog chia sẻ kiến thức.

Lưu ý: Đừng nộp CV khi chưa đáp ứng yêu cầu cơ bản về kinh nghiệm — sẽ mất thời gian cả hai bên. Hãy đầu tư 1-2 năm đầu tư xây dựng nền tảng vững chắc.

Hiện tại mình đang làm BA trong ngân hàng 3 năm, chuyên viết requirement cho team data. Mình có phù hợp để chuyển sang vị trí Data & Reporting Support Analyst không?

Hoàn toàn phù hợp — thậm chí đây là background rất tốt. Bạn có lợi thế:

Đã hiểu nghiệp vụ ngân hàng: sản phẩm, quy trình, stakeholder — đây là điều mà nhiều bạn data thiếu
Biết cách giao tiếp với business: Bạn đã quen viết requirement, dịch yêu cầu — đây là kỹ năng được nhấn mạnh trong JD
Quen thuộc với báo cáo: Bạn đã review báo cáo từ phía business

Tuy nhiên bạn cần bổ sung:

SQL thành thạo: Đây là yêu cầu cứng — bạn phải tự viết được truy vấn, không chỉ review
Hiểu kiến trúc dữ liệu: Data Warehouse, Data Lake, ETL pipeline
Kỹ năng xử lý sự cố data: Từ BA sang vận hành data sẽ khác biệt về tư duy debug

Lộ trình gợi ý:

Học SQL trong 2-3 tháng (có thể dùng dữ liệu nội bộ ngân hàng mình đang làm)
Đề xuất với sếp được tham gia một số task data để chuyển đổi dần
Hoặc tìm vị trí Data Analyst trong chính ngân hàng đó — sẽ dễ chuyển hơn

Mức lương kỳ vọng hợp lý cho vị trí Data & Reporting Support Analyst 3 năm kinh nghiệm trong ngân hàng tại Hà Nội/TP.HCM là bao nhiêu?

Mức lương có thể thay đổi tùy ngân hàng và thời điểm, nhưng tham khảo:

Ngân hàng truyền thống (VCB, BIDV, Vietcombank, Agribank):

Mức khá: 22-28 triệu/tháng
Phúc lợi tốt: BHYT 1, thưởng Tết 2-4 tháng lương, 13th month

Ngân hàng TMCP lớn (Techcombank, MBB, ACB, VPBank):

Mức phổ biến: 25-32 triệu/tháng
Có thêm ESOP, thưởng KPI theo quý

Ngân hàng số / Fintech (Vikki, TNEX, Cake, MoMo):

Mức cao: 28-40 triệu/tháng
Thưởng linh hoạt, có thể có ESOP

Lưu ý khi đàm phán:

Đừng nói mức cụ thể đầu tiên — hãy để HR đưa ra trước
Nếu họ hỏi, đưa range: Ví dụ 28-35 triệu tùy package
Đừng chỉ nhìn lương gross — tính còn thưởng KPI, BHXH, bảo hiểm sức khỏe, training budget
Ngân hàng số trả cao hơn nhưng áp lực cũng lớn hơn

Nếu bạn giỏi Power BI + SQL + có kinh nghiệm ngân hàng, có thể deal được 30-35 triệu dễ dàng.

Mình đang là Data Engineer 4 năm ở công ty fintech, muốn ứng tuyển vị trí này — có nên không?

Đây là quyết định cá nhân cần cân nhắc kỹ. Phân tích cả ưu và nhược điểm:

Ưu điểm nếu chuyển:

Ngân hàng ổn định hơn fintech, đặc biệt trong giai đoạn kinh tế khó
Lương có thể ngang hoặc cao hơn, phúc lợi dài hạn tốt hơn
Được tiếp xúc với regulatory reporting — kiến thức đặc thù ngành
Work-life balance thường tốt hơn fintech startup

Nhược điểm:

Vị trí này là vận hành, không phải phát triển — bạn sẽ ít code hơn
Lộ trình thăng tiến có thể chậm hơn nếu bạn thích kỹ thuật
Có thể nhàm chán với bạn nếu đã quen build hệ thống
Bạn sẽ "xuống cấp" về kỹ năng kỹ thuật nếu ở đây lâu

Khuyến nghị:

Nếu mục tiêu của bạn là ổn định + work-life balance + lương tốt, hãy chuyển
Nếu bạn còn muốn phát triển sâu về kỹ thuật, hãy tìm vị trí Senior Data Engineer ở ngân hàng thay vì Support Analyst
Có thể hỏi HR về lộ trình thăng tiến trong team: từ Support Analyst → Senior → Manager trong bao lâu?

Vikki là ngân hàng số thuộc VPBank đúng không? Ứng tuyển vào đây có gì đặc biệt cần lưu ý?

Đúng, Vikki là ngân hàng số của VPBank (ra mắt 2021). Đây là môi trường đặc thù:

Đặc điểm của Vikki:

Ngân hàng thuần số (neobank), app-first, không có chi nhánh vật lý
Văn hóa startup trong doanh nghiệp lớn — nhanh, linh hoạt, thử nghiệm nhiều
Đối tượng khách hàng: Gen Z, Millennials, người chưa có tài khoản ngân hàng
Sản phẩm chính: tài khoản, tiết kiệm online, đầu tư, vay tiêu dùng

Lưu ý khi ứng tuyển:

Hiểu về ngân hàng số: Đọc về sự khác biệt giữa ngân hàng truyền thống và neobank
Tìm hiểu đối thủ cạnh tranh: TNEX, Cake, Timo, OCB... — interviewer có thể hỏi
Thể hiện tư duy digital-first: Họ không thích những người chỉ quen với quy trình ngân hàng truyền thống cũ
Văn hóa phỏng vấn: Thường friendly hơn ngân hàng truyền thống, nhưng câu hỏi technical vẫn chặt
Cơ hội học hỏi: Được tiếp cận công nghệ mới (cloud, real-time data, ML) nhanh hơn
Rủi ro: Ngân hàng số còn mới, có thể thay đổi chiến lược, hoặc sáp nhập lại với VPBank

Nếu bạn thích môi trường năng động, fintech, chấp nhận rủi ro, đây là nơi tốt để phát triển.

Công việc vận hành báo cáo có nhàm chán không? Sợ làm lâu sẽ bị lạc hậu về kỹ thuật.

Lo lắng này hoàn toàn có lý. Đây là nhược điểm thật của vị trí Support Analyst:

Tuy nhiên, không phải lúc nào cũng nhàm chán:

Mỗi ngày có sự cố mới, bạn sẽ học cách debug, tìm root cause
Data của ngân hàng rất phức tạp — bạn sẽ hiểu sâu về sản phẩm, nghiệp vụ
Nếu công ty có dự án chuyển đổi số, bạn sẽ được tham gia
Sau 2-3 năm, bạn sẽ trở thành chuyên gia nghiệp vụ data — giá trị này khó bị thay thế bởi AI

Để tránh bị lạc hậu, bạn nên:

Chủ động học thêm: Python, cloud, ML cơ bản ngoài giờ làm
Đề xuất cải tiến: Tự động hóa task lặp lại, xây dựng dashboard tốt hơn
Tham gia cộng đồng: Meetup, conference, viết blog
Tìm cơ hội xoay vòng: Sang team Data Engineering, hoặc sang domain mới
Đặt mục tiêu rõ ràng: Ví dụ 2 năm nữa mình sẽ làm Senior Data Analyst

Quan trọng: Vị trí vận hành là nền tảng vững chắc. Nhiều CDO (Chief Data Officer) bắt đầu từ đây vì họ hiểu sâu về data thực tế, không chỉ lý thuyết.

KPI của vị trí Data & Reporting Support Analyst trong ngân hàng thường được đánh giá như thế nào?

KPI có thể khác nhau tùy ngân hàng, nhưng thường bao gồm:

1. KPI về chất lượng:

Tỷ lệ báo cáo đúng hạn (on-time delivery)
Tỷ lệ lỗi dữ liệu phát hiện được trước khi user phản ánh
Điểm hài lòng của stakeholder (business team)

2. KPI về vận hành:

Uptime của dashboard/report (% thời gian hệ thống hoạt động bình thường)
Số lượng sự cố được xử lý trong ngày
Thời gian trung bình xử lý sự cố (MTTR — Mean Time To Recover)

3. KPI về cải tiến:

Số lượng quy trình được tự động hóa
Số lượng báo cáo mới được xây dựng
Số lượng data quality issue được phát hiện và sửa

4. KPI về tuân thủ:

Báo cáo regulatory nộp đúng hạn cho NHNN
Không có vi phạm về bảo mật dữ liệu
Data dictionary được cập nhật đầy đủ

Lưu ý: Nên hỏi rõ KPI khi phỏng vấn để hiểu kỳ vọng và đánh giá công bằng.

Mình đã ở vị trí Data & Reporting Support Analyst được 3 năm, muốn thăng lên Senior hoặc Lead. Cần chuẩn bị gì?

Sau 3 năm ở vị trí này, bạn đã có nền tảng tốt. Để thăng tiến, bạn cần:

1. Mở rộng kỹ năng kỹ thuật:

Học Python (pandas, numpy) để phân tích nâng cao
Làm chủ 1 công cụ BI nâng cao (Power BI/Tableau) với DAX/Power Query phức tạp
Tìm hiểu cloud data: AWS Redshift, BigQuery, Snowflake
Học về data modeling (Kimball, Inmon)

2. Phát triển kỹ năng quản lý:

Đề xuất được mentor 1-2 bạn junior
Chủ trì các dự án cải tiến (tự động hóa, di chuyển sang cloud)
Đóng góp vào việc xây dựng quy trình data governance

3. Xây dựng uy tín:

Trở thành người được hỏi khi có vấn đề về data
Viết bài chia sẻ nội bộ hoặc public
Đóng góp vào quyết định chiến lược của team

4. Kinh doanh & chiến lược:

Hiểu được bức tranh lớn hơn: dữ liệu này ảnh hưởng đến quyết định kinh doanh nào
Có khả năng đề xuất cải tiến dựa trên data insight
Có network với các phòng ban khác

5. Học thêm:

Lấy chứng chỉ (Google Data Analytics, AWS, CDMP)
Học MBA mini hoặc các khóa leadership

Thời điểm tốt để đề xuất thăng tiến: sau 4 năm, khi bạn đã chứng minh được năng lực lead. Nếu công ty không có cơ hội, hãy nhảy sang ngân hàng khác với vị trí Senior.

Chia sẻ từ cộng đồng

Ẩ

Ẩn danh 2025-05-15

Mình đang làm ở vị trí tương tự tại một ngân hàng TMCP lớn được 2 năm rồi. Công việc chủ yếu là chạy report T24, kiểm tra số liệu cuối ngày, escalate lỗi cho team DE. Lương ổn (khoảng 25tr), nhưng đúng là nếu không tự học thêm thì dễ bị lạc hậu. Các bạn mới vào nên tranh thủ 1-2 năm đầu học SQL thật sâu, Python cơ bản, và tìm hiểu về cloud. Đừng chỉ ngồi chạy job.

M

Minh T*** 2025-05-20

Mình từng ứng tuyển Vikki năm ngoái, vòng technical khá nặng — phỏng vấn 2 tiết, bao gồm SQL live test và case study về xử lý pipeline lỗi. Mình fail vì câu SQL chưa optimize, viết được nhưng chạy chậm. Các bạn chú ý luyện phần này kỹ nhé, đặc biệt là cách explain query và hiểu execution plan. Đề bài họ cho bảng transaction 10 triệu record, yêu cầu tính theo tuần — phải biết partition và index mới qua.

Ẩ

Ẩn danh 2025-04-28

Cảnh báo cho ai đang phấn khích với Vikki: đây là neobank nên văn hóa áp lực cao, KPI quý, nhiều khi phải OT. Lương có cao hơn ngân hàng truyền thống nhưng trade-off với work-life balance. Mình biết vài bạn vào được 6 tháng là burnout xin nghỉ. Cân nhắc trước khi apply nhé. Còn nếu muốn học nhanh và chịu được áp lực thì đây là môi trường tốt.

L

Linh P*** 2025-05-08

Mình apply vị trí này tháng trước, đến giờ chưa thấy phản hồi. JD không ghi rõ phòng ban nên mình hơi lo — không rõ là team nào trong Data. Khi phỏng vấn nên hỏi rõ: mình sẽ làm cho team BI, team Data Warehouse, hay team Data Engineering? Mỗi team có style khác nhau, công việc khác nhau. Mình đã hỏi HR qua email nhưng họ trả lời mơ hồ quá.

n

newbie_bank 2025-05-22

Mình mới ra trường ngành Tài chính Ngân hàng, đang cân nhắc apply vị trí này dù chưa đủ năm kinh nghiệm. Có ai biết Vikki có tuyển Fresher không nhỉ? Hay là phải có 2 năm kinh nghiệm mới được nhận? Mình thấy JD nói 2-4 năm nhưng cũng có nhiều công ty tuyển dưới mức yêu cầu nếu ứng viên tốt.

Ẩ

Ẩn danh 2025-04-15

Tip thật lòng: đừng bỏ qua phần data dictionary trong JD. Nhiều bạn ứng viên mải mê học query mà quên rằng công việc hàng ngày 30% là viết tài liệu. Nếu bạn có thể show portfolio data dictionary tốt trong phỏng vấn (có versioning, có business glossary, có data lineage), bạn sẽ nổi bật hơn 80% ứng viên. Đây là điểm khác biệt giữa analyst nghiệp vụ và analyst chuyên nghiệp.

Data & Reporting Support Analyst