Mô tả công việc

Tham gia và phối hợp triển khai các giải pháp khoa học dữ liệu và trí tuệ nhân tạo cho các đơn vị trong ngân hàng

Đề xuất và tham gia 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
Ứng dụng các kỹ thuật phân tích nâng cao, xác suất thống kê, học máy, học sâu và GenAI để khám phá hành vi và thấu hiểu khách hàng, từ đó đưa ra insight có giá trị nhằm thúc đẩy kinh doanh
Tham gia 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), và cá nhân hóa trải nghiệm khách hàng
Tham gia xây dựng sản phẩm AI/ML/GenAI hỗ trợ tự động hóa và tối ưu hóa các quy trình vận hành ngân hàng từ xử lý hồ sơ, thẩm định, hỗ trợ chăm sóc khách hàng đến 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 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.

Yêu cầu ứng viên

Trình độ đào tạo

Đại học in Khoa học máy tính

Năng lực chuyên môn

Kỹ năng

Phân tích kỹ năng cần có

Phân tích Kỹ năng cần có cho vị trí Data Scientist - VPBank

1. Hard Skills (Kỹ năng chuyên môn)

Yêu cầu bắt buộc:

Lập trình Python/R — thành thạo, sử dụng được pandas, numpy, scikit-learn, TensorFlow/PyTorch
SQL & NoSQL — truy vấn dữ liệu lớn, tối ưu hóa query
Machine Learning — supervised/unsupervised learning, ensemble methods (Random Forest, XGBoost, LightGBM)
Deep Learning — Neural Networks, CNN, RNN/LSTM, Transformers (cho GenAI)
Thống kê & Xác suất — phân phối, kiểm định giả thuyết, regression analysis
GenAI/LLM — hiểu cách hoạt động của Large Language Models, RAG, fine-tuning, prompt engineering
Data Engineering cơ bản — ETL, data pipeline, Apache Spark, cloud platforms (AWS/GCP/Azure)
Visualization — Tableau, Power BI, matplotlib, seaborn

Mức độ thành thạo kỳ vọng theo cấp bậc:

Kỹ năng	Junior (0-2 năm)	Mid (2-4 năm)	Senior (4+ năm)
Python	Thành thạo	Thành thạo + vectorization	System design
ML Models	Logistic, Tree-based	XGBoost, Clustering, PCA	Custom model development
Deep Learning	Basic NN	CNN/RNN	Transformer, GenAI
GenAI	Hiểu khái niệm	Prompting, API integration	Fine-tuning, RAG, deployment
SQL	Query phức tạp	Optimization	Data modeling
Cloud	Basic	S3/GCS, Lambda	MLOps, deployment pipelines

2. Soft Skills (Kỹ năng mềm)

Kỹ năng giao tiếp — diễn đạt kết quả phân tích cho người không chuyên (stakeholder/business unit)
Tư duy kinh doanh — hiểu bài toán nghiệp vụ ngân hàng (churn, cross-sell, CLTV, risk)
Giải quyết vấn đề — đặt giả thuyết, thiết kế thí nghiệm, đánh giá mô hình
Quản lý thời gian — làm việc trong môi trường agile, ưu tiên task
Tinh thần tự học — công nghệ AI thay đổi nhanh, cần chủ động cập nhật
Làm việc nhóm — phối hợp với BA, IT, business units

3. Chứng chỉ gợi ý

Có giá trị cao:

Google Professional Data Scientist
AWS Certified Machine Learning Specialty
Microsoft Certified: Azure AI Engineer
TensorFlow Developer Certificate
Kaggle Competition medals/ranks

Bổ trợ hữu ích:

FRM (Financial Risk Manager) — nếu muốn định hướng risk analytics
CFA — nếu muốn chuyển sang wealth management/credit
PMP — nếu muốn phát triển quản lý dự án

4. Kiến thức nghiệp vụ ngân hàng cần nắm

Customer Analytics: Churn prediction, CLTV, segmentation, RFM analysis
Credit Risk: Scorecard modeling, PD/LGD/EAD, model validation
Marketing Analytics: Campaign targeting, A/B testing, attribution modeling
NLP/GenAI: Chatbot, document processing, KYC automation
Regulatory: Basel III/IV, IRB approach, model risk management (SR 11-7)

Bảng so sánh: Data Scientist ngân hàng vs. Data Scientist công ty tech

Khía cạnh	Ngân hàng (VPBank)	Công ty Tech (FAANG)
Dữ liệu	Structured, legacy systems, đa dạng sản phẩm	Massive, real-time, đa dạng
Compliance	Rất cao (regulatory, audit)	Thấp hơn (chủ yếu data privacy)
Tốc độ triển khai	Chậm hơn (qua nhiều tầng approve)	Nhanh (CI/CD, agile)
Impact	Trực tiếp vào doanh thu/lợi nhuận ngân hàng	Sản phẩm công nghệ
Lương	Ổn định, thưởng cuối năm	Cao hơn, equity/stock
Học tập	Học nhiều về nghiệp vụ tài chính	Học nhiều về distributed systems
GenAI	Đang đẩy mạnh ứng dụng	Tiên phong, core business

Lưu ý đặc thù VPBank: VPBank là ngân hàng có tốc độ chuyển đổi số nhanh, đã triển khai nhiều dự án AI như VPBank Oxygen, chatbot chăm sóc khách hàng. Vị trí này thuộc Khối Quản trị và Phân tích dữ liệu — nghĩa là bạn sẽ phục vụ toàn ngân hàng, tiếp xúc với nhiều domain khác nhau (retail banking, SME, credit card, digital banking). Đây là cơ hội tốt để xây dựng profile đa dạng.

Chuẩn bị phỏng vấn

Hướng dẫn Phỏng vấn Data Scientist - VPBank

Quy trình các vòng phỏng vấn (tham khảo)

Vòng 1: HR Screening (30-45 phút)

Review hồ sơ, xác nhận kinh nghiệm
Tìm hiểu động lực ứng tuyển, mức lương kỳ vọng
Đánh giá communication skills sơ bộ

Vòng 2: Technical Interview - Data Science (60-90 phút)

Kiểm tra coding (Python/SQL)
Case study phân tích dữ liệu
Hỏi về ML models đã xây dựng
Bài toán nghiệp vụ ngân hàng cụ thể

Vòng 3: Technical Interview - Deep Dive (60 phút)

System design cho bài toán AI/ML
Hỏi sâu về model validation, A/B testing
GenAI: prompting, RAG, fine-tuning
Review portfolio/code đã làm

Vòng 4: Manager/Head Interview (30-45 phút)

Định hướng phát triển
Văn hóa làm việc, teamwork
Câu hỏi ngược từ ứng viên

Vòng 5: Offer (thường qua HR)

Câu hỏi hay gặp theo từng vòng

Vòng 1 - HR:

"Tại sao bạn muốn chuyển sang VPBank?"
"Bạn biết gì về chiến lược chuyển đổi số của VPBank?"
"Mức lương kỳ vọng của bạn là bao nhiêu?"
"Bạn có đang phỏng vấn ở đâu khác không?"
"Một ngày làm việc của bạn như thế nào?"

Vòng 2 - Technical DS:

"Triển khai thuật toán Random Forest từ đầu bằng Python?"
"Xử lý imbalanced dataset như thế nào? (credit card fraud, churn)"
"Precision vs Recall vs F1 — khi nào dùng cái nào?"
"Bạn đã validate model như thế nào? (cross-validation, holdout)"
"Gradient Descent hoạt động ra sao? Tại sao learning rate quan trọng?"
"SQL: viết query tính monthly active users, retention rate"
"Bài toán: làm sao predict churn cho khách hàng ngân hàng?"

Vòng 3 - Deep Technical:

"Thiết kế hệ thống recommendation cho cross-sell sản phẩm ngân hàng"
"Khi nào dùng collaborative filtering vs content-based?"
"Explain bias-variance tradeoff cho model bạn đã làm"
"GenAI: RAG hoạt động ra sao? Ưu nhược điểm?"
"Làm sao đánh giá LLM output quality?"
"A/B testing: cách thiết kế, sample size, p-value"
"Feature engineering cho customer lifetime value"
"Overfitting: làm sao phát hiện và xử lý?"

Vòng 4 - Manager:

"Bạn thấy xu hướng AI/ML trong ngân hàng sẽ đi đâu trong 3-5 năm tới?"
"Kể về một dự án mà bạn phải bán ý tưởng cho stakeholder?"
"Bạn làm việc với business unit như thế nào?"
"Khi model production gặp vấn đề, bạn xử lý ra sao?"
"Mục tiêu phát triển nghề nghiệp của bạn trong 3 năm tới?"

Tips chuẩn bị

Trước 1-2 tuần:

Ôn lại ML fundamentals: bias-variance, overfitting, regularization (L1/L2), gradient descent
Thực hành SQL trên LeetCode (tag: Database) hoặc HackerRank
Ôn một vài case study ML end-to-end đã làm (chuẩn bị slide/notes)
Đọc về VPBank: annual report, VPBank Oxygen, AI initiatives
Cập nhật xu hướng GenAI 2024-2025: RAG, agents, fine-tuning
Chuẩn bị 2-3 câu hỏi thông minh cho người phỏng vấn

Trước 1 ngày:

Ngủ đủ giấc
Chuẩn bị laptop/điện thoại dự phòng (nếu phỏng vấn online)
In CV và portfolio (nếu onsite)

Trong phỏng vấn:

Dùng STAR method (Situation → Task → Action → Result) để trả lời
Thể hiện tư duy business, không chỉ technical
Khi không biết, thành thật + show cách suy nghĩ, đừng bluff
Hỏi ngược nhiều câu hỏi thể hiện sự quan tâm

Dress Code

VPBank là ngân hàng thương mại tư nhân lớn, dress code khá business professional
Nam: áo sơ mi, quần âu, giày da (có thể không cần cravat)
Nữ: áo sơ mi blouse, quần âu hoặc váy công sở
Nếu phỏng vấn online: smart casual được chấp nhận
Màu sắc trung tính (xanh navy, đen, xám, trắng) — chuyên nghiệp nhưng không quá cứng nhắc

Chuẩn bị portfolio/code

Mang theo notebook có demo model, dashboard, hoặc slide dự án
Chuẩn bị GitHub profile có code sạch, có README mô tả rõ ràng
Đặc biệt: chuẩn bị slide 5-10 phút trình bày một dự án ML end-to-end mà bạn tự hào nhất, bao gồm: business problem → data → feature engineering → modeling → results → lessons learned

Lộ trình ôn thi

Ôn thi & Chuẩn bị cho vị trí Data Scientist - VPBank

Lộ trình chuẩn bị 2 tuần (nếu bạn đã có nền tảng DS)

Tuần 1: Củng cố nền tảng

Ngày	Chủ đề	Tài liệu	Thực hành
1-2	SQL (window functions, CTEs)	LeetCode Database, Mode SQL Tutorial	10 bài LeetCode medium
3-4	Machine Learning fundamentals	"Hands-On ML" (O'Reilly), lecture notes	Tái hiện thuật toán bằng numpy
5-6	Model Validation & A/B Testing	Stanford CS229, Towards Data Science	Thiết kế A/B test cho churn model
7	Deep Learning refresh	Fast.ai, deeplearning.ai	Kaggle notebook practice

Tuần 2: Chuyên sâu + VPBank domain

Ngày	Chủ đề	Tài liệu	Thực hành
8-9	GenAI (RAG, prompting, agents)	Anthropic docs, OpenAI cookbook	Demo RAG pipeline đơn giản
10-11	Banking domain knowledge	Annual report VPBank, Basel docs, blog ngân hàng	Chuẩn bị case study cross-sell/churn
12-13	System design + Coding	Grokking System Design, LeetCode	Mock interview tự đánh giá
14	Soft skill + HR prep	STAR method guide	Trả lời 20 câu hỏi phỏng vấn thường gặp

Kiến thức nền cần nắm vững

1. Statistics & Probability (ôn lại nếu quên):

Probability distributions (normal, binomial, Poisson)
Bayes' theorem, conditional probability
Central Limit Theorem
Confidence intervals, p-values, hypothesis testing
Correlation vs causation

2. Machine Learning:

Supervised: Logistic Regression, Decision Tree, Random Forest, XGBoost, SVM, Naive Bayes
Unsupervised: K-Means, DBSCAN, Hierarchical Clustering, PCA
Evaluation: Accuracy, Precision, Recall, F1, AUC-ROC, Confusion Matrix
Regularization: L1 (Lasso), L2 (Ridge), Dropout

3. Deep Learning:

Feedforward NN, backpropagation
CNN (cho image/video), RNN/LSTM (cho sequence)
Attention mechanism, Transformers (nền tảng của GenAI)
Optimization: Adam, SGD, learning rate scheduling

4. GenAI specific:

LLM fundamentals: GPT, BERT architectures
Prompt engineering: zero-shot, few-shot, chain-of-thought
RAG: embedding, vector database, retrieval-augmented generation
Fine-tuning: LoRA, PEFT
Evaluation: RAGAS, BLEU, ROUGE (context-specific)

5. SQL advanced:

Window functions: ROW_NUMBER, RANK, LAG, LEAD
CTEs, subqueries
Self-join, union/intersect
Query optimization basics

6. Banking domain knowledge:

Bài toán cần hiểu:

Churn prediction: Dự đoán khách hàng ngừng sử dụng dịch vụ — dùng survival analysis, binary classification
Cross-sell/Up-sell: Đề xuất sản phẩm phù hợp — recommendation system, propensity scoring
Customer segmentation: Phân nhóm khách hàng — clustering (K-Means, hierarchical), RFM
CLTV prediction: Ước tính giá trị vòng đời — regression, BG/NBD, Pareto/NBD models
Credit scoring: Đánh giá tín dụng — scorecard, WOE/IV, PD model
Personalization: Cá nhân hóa trải nghiệm — recommendation engine, next-best-action

Tài liệu tham khảo

Sách:

"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" — Aurélien Géron
"The Elements of Statistical Learning" — Hastie, Tibshirani, Friedman (nâng cao)
"Practical Statistics for Data Scientists" — Bruce & Bruce
"Designing Data-Intensive Applications" — Martin Kleppmann (nếu muốn hiểu data engineering)

Online courses:

Kaggle Learn (miễn phí, cơ bản)
Andrew Ng's Machine Learning & Deep Learning Specialization (Coursera)
fast.ai (Practical Deep Learning)
DataCamp / Dataquest (SQL, Python, ML)

Vietnamese resources:

Machine Learning Cơ Bản (machinelearningcoban.com)
Kipalog, Viblo community
VPBank Tech Blog (nếu có)

GenAI resources:

"Building LLM Applications" — Naveen Kiran (free on GitHub)
OpenAI/ Anthropic/ Google documentation
"Practical Generative AI with ChatGPT" — Ozge Yalcin

Thực hành coding

SQL: Làm ít nhất 20 bài medium trên LeetCode, tập trung:

Aggregation + window functions
Self-join (employee-manager, customer transactions)
Cumulative sum, running average

Python:

Tái hiện thuật toán ML từ đầu: logistic regression, k-means, decision tree
Xây dựng end-to-end pipeline: EDA → preprocessing → feature engineering → modeling → evaluation → deployment (hoặc demo)

Case study mẫu để chuẩn bị:

Churn prediction end-to-end (có thể dùng dataset telecom churn từ Kaggle)
Credit card fraud detection (imbalanced dataset)
Customer segmentation cho ngân hàng
Loan default prediction

Tip: Sẵn sàng walk through một case study trong 10-15 phút phỏng vấn. Người ta muốn thấy cách bạn suy nghĩ, không phải kết quả hoàn hảo.

Tư vấn nghề nghiệp

Lời khuyên Sự nghiệp cho Data Scientist - VPBank

Lộ trình thăng tiến điển hình

Data Scientist (Junior/Mid)
    ↓ (2-3 năm)
Senior Data Scientist
    ↓ (3-5 năm)
Lead Data Scientist / Analytics Manager
    ↓ (3-5 năm)
Head of Data Science / VP Data Science
    ↓
Chief Data/AI Officer (CDO/CAIO)

Chi tiết từng bước:

1. Data Scientist (Junior/Mid) — 0-3 năm kinh nghiệm:

Chạy model do senior/body define
EDA, feature engineering, model training
Làm việc với data engineer để lấy data
Trình bày kết quả cho business stakeholder
Mức lương: 25-45 triệu/tháng (Hà Nội, 2024)

2. Senior Data Scientist — 3-5 năm:

Define problem statement, đề xuất giải pháp
Mentor junior, code review
Đánh giá model trước khi production
Tham gia architecture design
Mức lương: 50-80 triệu/tháng

3. Lead Data Scientist / Analytics Manager — 5-7 năm:

Quản lý team 3-7 người
Định hướng roadmap ML/AI cho domain
Giao tiếp trực tiếp với C-level
Đánh giá vendor, công nghệ mới
Mức lương: 80-130 triệu/tháng

4. Head of Data Science / VP Data Science — 7-10 năm:

Xây dựng data science strategy toàn ngân hàng
Quản lý budget, hiring plan
Đại diện ngân hàng trong hội thảo, forum
Mức lương: 150-250+ triệu/tháng + thưởng

Mức lương thị trường Data Scientist ngân hàng VN (2024-2025)

Cấp bậc	Mức lương tháng (VND)	Notes
Junior (0-2 năm)	20-35 triệu	Sinh viên mới ra trường hoặc chuyển ngành
Mid (2-4 năm)	35-55 triệu	Có production experience
Senior (4-6 năm)	55-85 triệu	Có team lead, E2E project
Lead (6-8 năm)	85-120 triệu	Management track
VP/Director	120-250 triệu	Strategic role

Lưu ý VPBank: VPBank thường trả competitive hơn một số ngân hàng nhà nước nhờ culture startup-like. Thưởng: 1-3 tháng tùy hiệu quả. Ngoài lương còn có: healthcare, flex benefit, learning budget.

Kỹ năng cần phát triển thêm để thăng tiến

Kỹ năng kỹ thuật cần bổ sung theo cấp:

Level	Kỹ năng cần phát triển	Lý do
Junior → Mid	MLOps, model deployment, A/B testing, Spark	Đưa model vào production thực sự
Mid → Senior	System design, software engineering practices, cloud ML	Scale solutions
Senior → Lead	People management, stakeholder management, OKR	Chuyển từ IC sang leader
Lead → Head	Strategy, vendor management, budgeting, communication with board	Strategic impact

Kỹ năng cross-functional để nổi bật:

Business acumen: Hiểu P&L, revenue drivers, cost structure của ngân hàng
Communication: Present insight cho audience không biết technical
Project management: Agile/Scrum, JIRA, estimating effort
Domain expertise: Credit risk, compliance, customer journey mapping

Định hướng phát triển sau VPBank

Option 1: Stay in Banking/Finance

Chuyển sang ngân hàng khác (VPBank → TPBank, MBBank, Techcombank) — lương tăng 15-25%
Chuyển sang fintech (VNPay, MoMo, ZaloPay) — lương cao hơn 20-40%
Chuyển sang fund/asset management — chuyên sâu về quantitative finance

Option 2: Go Big Tech

Data Scientist/ML Engineer tại FAANG, Microsoft, Google (remote hoặc Singapore)
Lương có thể x3-x5 lần nhưng yêu cầu rất cao
Cần: strong coding, distributed systems, production ML

Option 3: Deep tech startup

AI startup tại Vietnam hoặc Singapore
Equity upside, fast-paced environment
Phù hợp nếu bạn thích innovation và risk

Option 4: Become MLOps/AI Engineer

Chuyển hướng sang MLOps, AI Infrastructure
Nhu cầu rất cao, supply thấp → lương competitive
Cần: DevOps, Kubernetes, cloud platforms

Lời khuyên thực tế từ góc nhìn người đi trước

Bắt đầu từ ngân hàng là tốt — học được nghiệp vụ tài chính rất giá trị, sau này chuyển đâu cũng dùng được
Đừng chỉ làm model — học cách đưa model vào production, hiểu business impact. "Model đẹp nhưng không deploy được = 0 value"
GenAI là xu hướng bắt buộc — nếu chưa biết, học ngay. Đây là kỹ năng được săn đón nhất 2024-2025
Network nội bộ quan trọng — VPBank có nhiều project cross-team, quan hệ tốt giúp bạn join được các dự án thú vị
Chứng chỉ không thay thế kinh nghiệm — nhưng có cert giúp bạn pass screening. Đầu tư 1-2 cái phù hợp
Thăng tiến không chỉ vì technical giỏi — leadership, communication, business impact quan trọng ngang (hoặc hơn) ở cấp senior trở lên

Câu hỏi thường gặp

Em mới tốt nghiệp ngành Khoa học máy tính, chưa có kinh nghiệm thực tế. Liệu em có phù hợp với vị trí Data Scientist tại VPBank không?

Hoàn toàn có thể! Tin tuyển dụng không ghi rõ yêu cầu kinh nghiệm (N/A), đồng thời JD có đề cập đến việc 'ứng dụng GenAI', 'thử nghiệm công nghệ mới' — phù hợp với tinh thần của các bạn trẻ muốn học hỏi. Điều quan trọng nhất là bạn cần có portfolio thuyết phục: ít nhất 2-3 dự án end-to-end (từ data → model → result), biết Python/SQL, hiểu ML fundamentals. Đặc biệt, nếu bạn đã tự tìm hiểu về GenAI, đã thử prompt engineering hoặc build RAG demo, đó là điểm cộng rất lớn. Gợi ý: apply ngay, đồng thời đẩy mạnh portfolio trên GitHub để có cái để show khi phỏng vấn.

Mức lương Data Scientist tại VPBank là bao nhiêu? Có thương lượng được không?

JD ghi 'Thỏa thuận' — nghĩa là hoàn toàn thương lượng được! Với ứng viên có 2-4 năm kinh nghiệm, mức tham chiếu là 35-55 triệu/tháng. Với 4-6 năm hoặc có kỹ năng GenAI đặc biệt, có thể đàm phán lên 60-80 triệu. Tip thương lượng: (1) research mức lương thị trường trước, (2) show portfolio/value bạn mang lại, (3) đừng đưa số đầu tiên — để HR đề xuất trước, (4) nếu có offer từ công ty khác, đó là điểm mạnh để đàm phán. Ngoài lương, đừng quên hỏi về thưởng, healthcare, learning budget, flexible working.

Làm Data Scientist ở ngân hàng khác gì so với công ty công nghệ? Tại sao nên chọn VPBank thay vì đi FAANG?

Đây là câu hỏi nhiều bạn băn khoăn. Ngân hàng có ưu điểm: (1) dữ liệu phong phú và thực tế — bạn giải quyết bài toán có tác động doanh thu rõ ràng, (2) học được nghiệp vụ tài chính rất sâu — kiến thức này dùng được lâu dài, (3) stability cao hơn, (4) cân life-work balance tốt hơn một số công ty tech. Nhược điểm: tốc độ đổi mới chậm hơn, nhiều compliance/risk process. Về FAANG: lương cao hơn nhiều nhưng yêu cầu rất cao, áp lực lớn. Khuyên thực tế: nếu bạn mới đi làm, bắt đầu ở VPBank 2-3 năm để tích lũy domain + technical, sau đó nhảy sang tech/fintech là lộ trình rất phổ biến và hiệu quả.

Kỹ năng GenAI cần thiết mức nào cho vị trí này? Em chưa biết nhiều về GenAI có sao không?

'GenAI' được nhấn mạnh nhiều lần trong JD — đây là kỹ năng được ưu tiên rất cao. Tuy nhiên, mức độ kỳ vọng tùy cấp bận: junior thì chỉ cần hiểu khái niệm + thử nghiệm được với ChatGPT API, senior thì phải design RAG system, fine-tune model. Nếu bạn chưa biết GenAI: đừng hoảng, học trong 1-2 tháng là đủ nền tảng để apply. Bắt đầu từ: (1) hiểu LLM là gì, how it works, (2) thực hành prompt engineering thật nhiều, (3) tự build 1-2 demo RAG đơn giản (sử dụng LangChain + vector DB), (4) đọc về LangChain, LlamaIndex. Đầu tư thời gian vào GenAI là ROI cao nhất bạn có thể làm ngay bây giờ.

Công việc hàng ngày của Data Scientist tại VPBank như thế nào? Có phải ngồi code cả ngày không?

Thực tế sẽ chia thời gian như thế này: ~40% thời gian là code (Python, SQL, model development), ~25% họp với business units (hiểu bài toán, trình bày kết quả), ~15% đọc paper/cập nhật công nghệ mới, ~10% viết documentation/báo cáo, ~10% meeting, project management. Nếu bạn muốn ngồi code cả ngày thì không nên — ngân hàng cần bạn hiểu business chứ không phải chỉ code. Một tuần typical: 2-3 sprint meetings, 1-2 sessions với BA/stakeholder, 2-3 ngày tập trung làm việc cá nhân. VPBank có hybrid policy: có thể WFH 2-3 ngày/tuần tùng team.

KPI của Data Scientist tại ngân hàng đánh giá như thế nào? Có áp lực không?

KPI DS ngân hàng thường gồm: (1) Số lượng model/solution deployed vào production (2-3 cái/năm), (2) Business metrics impact (model giúp giảm churn bao nhiêu %, tăng cross-sell bao nhiêu %), (3) Technical quality (model performance, code review, documentation), (4) Collaboration (đánh giá từ stakeholder), (5) Learning & innovation (nghiên cứu, chia sẻ). Áp lực có nhưng không quá lớn — thường là áp lực chất lượng (model phải đúng regulatory, audit được) hơn là deadline cứng như startup. Điểm khác biệt với tech company: bạn không có metric như 'ship feature mỗi sprint', mà là 'model mang lại business value được đo bằng A/B test'.

Em đang làm Backend Developer, muốn chuyển sang Data Scientist. Cần làm gì để chuyển ngành thành công?

Chuyển ngành từ Backend → Data Scientist là hoàn toàn khả thi vì backend đã có nền tảng lập trình tốt. Lộ trình khuyến nghị: (1) Học Python + SQL (đã biết backend nên học nhanh), (2) Học ML fundamentals từ course online (Andrew Ng rất tốt), (3) Xây portfolio với 3 dự án ML hoàn chỉnh (đặc biệt chú ý EDA và feature engineering), (4) Học thêm probability & statistics (rất quan trọng, backend ít dùng), (5) Tự học GenAI basics, thử LangChain. Tip quan trọng: leverage backend skill của bạn — nói rằng bạn hiểu software engineering, deployment, API, có thể đưa model vào production tốt hơn pure DS. Apply vào JD này, backend experience là điểm cộng khi họ nhấn mạnh 'sản phẩm AI/ML/GenAI hỗ trợ tự động hóa'.

VPBank có văn hóa làm việc như thế nào? Data team ở đó có tốt không?

VPBank được đánh giá là một trong những ngân hàng có văn hóa 'startup-like' nhất — ít layers, quyết định nhanh, linh hoạt hơn ngân hàng nhà nước. Data team thuộc Khối Quản trị và Phân tích dữ liệu, làm việc cross-functional với nhiều đơn vị — đa dạng bài toán, nhiều cơ hội học hỏi. Ưu điểm: modern tech stack (cloud, microservices), đầu tư vào AI, team relatively young. Nhược điểm: fast-paced có thể gây áp lực, sếp kỳ vọng cao, một số process vẫn còn legacy. So sánh: VPBank vs Techcombank: VPBank tech-forward hơn, Techcombank process chặt chẽ hơn. Nếu bạn thích môi trường năng động, VPBank là lựa chọn tốt.

Chia sẻ từ cộng đồng

Ẩ

Ẩn danh 2024-11-15

Mình đang ở vị trí tương tự ở một ngân hàng khác, apply VPBank Data Scientist hồi tháng 6. Qua được 2 vòng technical thì fail ở vòng 3 vì hỏi sâu về model validation. Glesson: ôn kỹ cross-validation, A/B testing, bias-variance tradeoff. Đừng chủ quan dù background tốt.

T

Tuấn A*** 2024-12-03

Data Scientist mới vào VPBank thường được assign vào các dự án churn prediction hoặc cross-sell trước — đây là bài toán core và rất quan trọng với bank. Làm tốt 1-2 cái thì sau đó được tham gia GenAI project. Mình thấy roadmap khá clear.

Ẩ

Ẩn danh 2024-10-28

Cảnh báo thực tế: ngân hàng nào cũng vậy, compliance và audit process rất chặt. Model phải được documented kỹ, có model risk management, SR 11-7 style review. Nếu bạn thích làm POC nhanh rồi quên thì sẽ bất đồng với văn hóa. Nhưng bù lại, kinh nghiệm model governance này rất giá trị nếu muốn đi ra nước ngoài.

b

banker2024 2024-11-22

Kỹ năng GenAI đang là must-have thật sự. JD viết mơ hồ nhưng interview hỏi rất cụ thể về RAG, vector database, prompt engineering. Mình suggest học LangChain + Pinecone/Chroma trước khi apply. Ai chưa biết thì vào YouTube có tutorial rất nhiều.

Ẩ

Ẩn danh 2024-09-15

Lương thực nhận sau thuế mình được ~42tr/tháng gross 55tr, 2 năm exp, không có cert. Đợt offer còn có VPBank Oxygen membership + healthcare. So với công ty outsource IT cho bank thì ngon hơn hẳn. Bonus thường được 1.5-2 tháng.

L

Linh P*** 2024-12-10

Team data VPBank đang tuyển khá nhiều người, hình như đang build AI capability mạnh. Đồng nghiệp mình từng làm ở TPBank chuyển sang, nói team tech ở đây hiện đại hơn hẳn. WFH 2 ngày/tuần, flexible hours, sếp không toxic. Ai thích môi trường ngân hàng nhưng không muốn quá formal thì phù hợp.

Ẩ

Ẩn danh 2024-11-08

Interview ở đây không khó bằng FAANG nhưng vẫn đòi hỏi kiến thức vững. Hỏi cả case study lẫn coding. Suggest chuẩn bị 1 bài case study ML end-to-end thật kỹ, có slide trình bày thì sẽ gây ấn tượng. Mình thấy người ta đánh giá cao candidate có tư duy business, không chỉ biết train model.

Data Scientist - Hà Nội - TA105