EDA-68_CG Khoa học dữ liệu_JG 09
Mô tả công việc
Các trách nhiệm chính 1
Tham mưu cho Trưởng phòng. hỗ trợ quản lý và định hướng phòng Khoa học dữ liệu trong việc áp dụng các kỹ thuật phân tích nâng cao, khoa học dữ liệu nhằm tìm ra hành vi khách hàng, giải quyết các vấn đề kinh doanh thực tế/ Consult for Head of Data Science department, support managing and direct Data science department in applying advanced analytics and data science techniques to find customers’ behaviors, by which solving real business problems
Làm việc trực tiếp với trưởng phòng khoa học dữ liệu, hỗ trợ định hướng các bài toán phân tích nâng cao, dự báo trong các hoạt động của ngân hàng/ Work directly with the head of Data Science department, head of AI Center to give direction for advanced analytics, predictive modeling in the bank’s operations
Chủ động đề xuất triển khai và dẫn dắt các dự án phân tích dữ liệu phục vụ hoạt động kinh doanh dưới sự định hướng của trưởng phòng khoa học dữ liệu/ Proactively propose, execute and lead analytics projects to support business units under the head of Data science department
Áp dụng các kỹ thuật phân tích nâng cao, khoa học dữ liệu nhằm đưa ra các hiểu biết sâu sắc về hành vi của khách hàng, qua đó giúp giải quyết các vấn đề kinh doanh thực tế./Apply data science and analytics techniques to get insights so as to help business to solve real business problems.
Tìm kiếm các hiểu biết sâu sắc về hành vi khách hàng bằng các kỹ thuật khai thác dữ liệu khác nhau / Get insights from customers’ behaviors using various data mining techniques
Phát triển mô hình học máy, trí tuệ nhân tạo giúp các đơn vị kinh doanh dự báo các vấn đề kinh doanh khác nhau như dự báo khách hàng ngừng sử dụng dịch vụ, bán chéo sản phẩm cho khách hàng hiện tại… / Develop machine learning models to help business units in various problems including customer churn, cross-selling products to existing customers….
Hướng dẫn, đào tạo các thành viên trong phòng/ Coach & train team members
Tự động hóa quy trình phân tích /Automate analytics process
Các trách nhiệm chính 2 2. Lead việc triển khai nghiên cứu, cập nhật và ứng dụng các kỹ thuật phân tích nâng cao mới/ Lead to conduct research, update and apply new advanced analytics, data science techniques
Nghiên cứu các phương pháp mới trong lĩnh vực phân tích, khai phá dữ liệu và dự báo & ứng dụng / Conduct research on modern methods for data analysis, data mining & predictive modelling with its applications
Chủ động nghiên cứu và tận dụng các nguồn dữ liệu sẵn có/ mới trong ngân hàng phục vụ quá trình phân tích/ Proactively analyze and utilize existing/new data sources to for better analyses
Các trách nhiệm chính 3 3. Lead việc triển khai, hỗ trợ các trung tâm/phòng ban khác thuộc EDA trong các bài toán liên quan đến phân tích nâng cao, khoa học dữ liệu / Lead of implementing, working with other centers / departments of EDA on advanced analytics, data science-related problems
Lead việc triển khai, hỗ trợ các phòng ban khác thuộc EDA trong các phân tích chuyên sâu và dự báo khi cần thiết/ Lead of supporting other centers / departments of EDA on diagnostic or predictive analytics when needed
Lead việc triển khai, hỗ trợ đào tạo thành viên khác trong lĩnh vực phân tích dữ liệu / Leading of planning and training other EDA team members on data analytics
Yêu cầu ứng viên
Trình độ đào tạo Đại học in Khoa học máy tính
Các yêu cầu khác
Ít nhất 5-6 năm kinh nghiệm trong linh vực phân tích nâng cao, khoa học dữ liệu/ Min 5-6 years of solid experience in advanced analytics, data science
Có kinh nghiệm quản lý đối tác là một lợi thế/ Experience in stakeholder management a plus
Có nhiều kinh nghiệm trong việc đọc hiểu và biên dịch ý nghĩa của dữ liệu thành các hành động cụ thể, không chỉ là báo cáo/ Lots of experience in interpreting data and translate them into actionable insights, not just data extraction and reporting
Hiểu biết rõ và có nhiều kinh nghiệm làm việc với các khái niệm, kỹ thuật phân tích thông kê, kiểm định, phân tích dữ liệu phức và đưa ra các khuyến nghị cần thiết/ Good understanding of and lots of experience using analytical concept and statistical techniques, hypothesis development, analyzing complex data set and drawing conclusions
Hiểu biết rõ về các mô hình thống kê, dự báo, các thuật toán học máy, phân lớn và phân loại/ Good knowledge of statistical and predictive modeling concepts, machine learning approaches, clustering and classification techniques
Có kiến thức và kinh nghiệm làm việc với Cloud/ Knowledge of and experience using Cloud
Có kinh nghiệm vận hành các mô hình dự báo / Experience with MLOps
Có kiến thức về ngân hàng bán lẻ/ Knowledge of retail banking
Có kiến thức về hệ thống dữ liệu, hệ thống báo cáo phân tích kinh doanh / Knowledge of data system, Business intelligence system
Khám phá dữ liệu, dự báo/ Data Mining, predictive modelling
Phân tích kỹ năng cần có
Phân tích kỹ năng cần có cho vị trí Data Scientist cấp cao tại VPBank
Tổng quan vị trí
Đây là vị trí Senior/Lead Data Scientist (JG 09) thuộc Khối Quản trị và Phân tích dữ liệu (EDA) của VPBank — một trong những vị trí khoa học dữ liệu cao cấp nhất trong khối ngân hàng. Ứng viên sẽ làm việc trực tiếp với Trưởng phòng Khoa học dữ liệu và Head of AI Center, đồng thời dẫn dắt các dự án chiến lược.
🎯 Hard Skills bắt buộc
| Nhóm kỹ năng | Mức độ yêu cầu | Công cụ/Công nghệ cụ thể |
|---|---|---|
| Lập trình | Thành thạo | Python (chính), SQL, có thêm R/Scala là lợi thế |
| Thống kê & Toán | Vững chắc | Hypothesis testing, A/B testing, Bayesian, phân phối xác suất |
| Machine Learning | Chuyên sâu | Supervised/Unsupervised, Ensemble (XGBoost, LightGBM), Neural Networks, Clustering, Classification |
| Deep Learning | Có kiến thức | TensorFlow, PyTorch cho NLP/Recommendation |
| MLOps | Kinh nghiệm thực tế | MLflow, Kubeflow, Docker, CI/CD cho ML, Model monitoring |
| Cloud Platform | Thành thạo | AWS/GCP/Azure (Vertex AI, SageMaker, hoặc Azure ML) |
| Big Data | Có kinh nghiệm | Spark, Hadoop, Kafka, Databricks |
| Data Visualization | Tốt | Power BI, Tableau, hoặc Looker |
| Ngân hàng bán lẻ | Hiểu biết | Customer 360, Cross-sell, Churn, Credit Risk, Product recommendation |
🧠 Soft Skills quan trọng
- Storytelling với dữ liệu: Biến insight thành hành động kinh doanh cụ thể, không chỉ dừng ở báo cáo
- Stakeholder management: Làm việc với nhiều phòng ban (CRM, Risk, Sales, Marketing)
- Leadership: Đào tạo, dẫn dắt team member, review code và model
- Tư duy chiến lược: Nhìn bài toán từ góc độ kinh doanh, không chỉ kỹ thuật
- Nghiên cứu & cập nhật: Liên tục theo dõi paper mới, công nghệ mới (LLM, Generative AI đang là trend)
- Giao tiếp song ngữ: Tiếng Anh là điểm cộng lớn vì JD viết song ngữ Việt–Anh
📜 Chứng chỉ gợi ý (ưu tiên theo thứ tự)
| Chứng chỉ | Tổ chức | Giá trị |
|---|---|---|
| Google Professional Data Engineer / ML Engineer | Cao | |
| AWS Certified Machine Learning – Specialty | AWS | Cao |
| Azure Data Scientist Associate | Microsoft | Cao |
| TensorFlow Developer Certificate | Trung bình | |
| Databricks Certified ML Professional | Databricks | Trung bình |
| SAS Certified Predictive Modeler | SAS | Trung bình (trong ngân hàng hay dùng) |
🎓 Bằng cấp
JD nêu rõ yêu cầu Đại học Khoa học máy tính hoặc các ngành liên quan (Toán tin, Thống kê, Kinh tế lượng, AI/Data Science). Thạc sĩ là lợi thế nhưng không bắt buộc nếu kinh nghiệm thực tế tốt.
💡 Mẹo thực tế: Với vị trí JG 09, VPBank thường tìm người đã từng lead ít nhất 3–5 dự án ML đưa vào production thực tế (không phải chỉ PoC trên Kaggle). Hãy chuẩn bị portfolio các dự án có đo lường tác động kinh doanh rõ ràng (ví dụ: "mô hình churn giảm tỷ lệ rời đi X%, tăng retention value Z tỷ VNĐ/năm").
📊 So sánh với các vị trí Data Scientist khác
| Tiêu chí | Data Scientist (Fresher) | Senior DS (JD này) | DS Manager |
|---|---|---|---|
| Số năm KN | 0–2 | 5–7 | 7–10+ |
| Phạm vi công việc | Phân tích, xây model | Lead dự án, đào tạo | Quản lý phòng, chiến lược |
| Độ sâu kỹ thuật | Medium | High | Medium–High (có thể giảm) |
| Stakeholder work | Low | High | Very High |
| Mức lương | 18–35 triệu | 50–100 triệu | 80–150 triệu+ |
(Mức lương mang tính tham khảo, có thể thay đổi tùy ngân hàng và thời điểm)
Chuẩn bị phỏng vấn
Hướng dẫn phỏng vấn vị trí Senior Data Scientist – EDA, VPBank
📋 Quy trình tuyển dụng dự kiến (4–5 vòng)
Vòng 1: HR Screening (30–45 phút)
- Giới thiệu bản thân, kinh nghiệm, lý do ứng tuyển
- Mức lương mong muốn, thời gian có thể bắt đầu
- Kiểm tra thông tin cơ bản, background
- HR có thể hỏi về kỳ vọng với VPBank, định hướng nghề nghiệp
Vòng 2: Technical Assessment / Case Study (90–120 phút)
- Có thể làm online test hoặc take-home assignment
- Nội dung: SQL nâng cao, Python (pandas, numpy), câu hỏi thống kê
- Bài toán case study thực tế: ví dụ "Xây dựng mô hình dự báo churn cho khách hàng thẻ tín dụng VPBank"
- Đánh giá cách tiếp cận, logic, code quality
Vòng 3: Deep Technical Interview với Trưởng phòng Data Science (60–90 phút)
- Đi sâu vào kinh nghiệm ML các dự án đã làm
- Câu hỏi về: feature engineering, model selection, evaluation metrics
- Xử lý imbalanced data, model deployment, drift detection
- Câu hỏi về nghiệp vụ ngân hàng (churn, cross-sell, credit scoring)
Vòng 4: Business & Stakeholder Interview với Head of EDA/AI Center (60 phút)
- Câu hỏi về cách làm việc với business stakeholder
- Case study: "Làm thế nào để thuyết phục business team áp dụng model của bạn?"
- Tầm nhìn về chiến lược Data Science trong ngân hàng
- Đánh giá leadership và khả năng đào tạo
Vòng 5: Final Interview – Lãnh đạo cấp cao & thương lượng (45–60 phút)
- Fit với văn hóa VPBank
- Thương lượng mức lương, phúc lợi, bonus
- Thời gian gia nhập
❓ Câu hỏi phỏng vấn hay gặp
A. Câu hỏi về Technical & Machine Learning
"Hãy mô tả end-to-end một dự án ML bạn đã đưa vào production. Bạn đã đo lường tác động kinh doanh như thế nào?" → Dùng STAR method (Situation, Task, Action, Result). Luôn nhấn mạnh business impact bằng con số cụ thể.
"Làm thế nào để xử lý imbalanced dataset trong bài toán fraud detection?" → Đề cập: SMOTE, class weights, threshold tuning, precision-recall tradeoff, cost-sensitive learning.
"Sự khác nhau giữa L1 và L2 regularization? Khi nào dùng cái nào?" → L1 (Lasso) tạo sparse model, L2 (Ridge) giữ feature weights nhỏ. Dùng L1 khi nghi ngờ nhiều feature irrelevant.
"Bias-Variance tradeoff là gì? Làm sao diagnose và fix?" → High bias = underfit (model quá simple). High variance = overfit (model quá phức tạp). Cách diagnose qua learning curves.
"SHAP vs Feature Importance — khi nào dùng cái nào?" → Feature Importance nhanh nhưng có bias với high-cardinality features. SHAP cho insight sâu hơn, local + global explanation.
"MLOps workflow bạn từng làm? Model monitoring như thế nào?" → Trình bày: data versioning → experiment tracking (MLflow) → CI/CD → model registry → monitoring (drift detection, performance metrics).
B. Câu hỏi về Ngân hàng / Business
"Bạn hiểu thế nào về bài toán churn prediction trong ngân hàng bán lẻ?" → Đề cập: defining churn (active vs inactive threshold), features (transaction frequency, complaint, balance trend), model (survival analysis, classification), business actions (retention campaign, personalized offer).
"Làm sao đánh giá hiệu quả của cross-sell model?" → A/B testing, uplift modeling, incremental lift, conversion rate, revenue per customer, ROI.
"PD, LGD, EAD là gì trong credit scoring?" → Probability of Default, Loss Given Default, Exposure at Default. Expected Loss = PD × LGD × EAD.
C. Câu hỏi về Stakeholder & Leadership
"Bạn xử lý thế nào khi business team không chấp nhận kết quả model?" → Lắng nghe feedback, explain model limitations, pilot test nhỏ, thu thập evidence, đề xuất iteration.
"Bạn đã đào tạo team member như thế nào?" → Mentorship, code review, pair programming, knowledge sharing session, đặt mục tiêu rõ ràng.
🎯 Tips chuẩn bị quan trọng
- Mang theo portfolio: Mô tả 2–3 dự án ML nổi bật có đo lường KPI kinh doanh
- Hiểu rõ VPBank: Đọc về chiến lược chuyển đổi số, sản phẩm VPBank Neo, Cake, các sáng kiến AI
- Cập nhật trend: LLM, Generative AI, Real-time ML, Federated Learning, Privacy-preserving ML
- Chuẩn bị câu hỏi ngược: Hỏi về data infrastructure, team structure, roadmap, công cụ đang dùng
👔 Trang phục
- Vòng HR & Technical: Business casual (áo sơ mi, quần âu, không cần vest)
- Vòng Leadership/Final: Smart business (vest + sơ mi là phù hợp nhất với ngân hàng)
- Lịch sự, gọn gàng, chuyên nghiệp — ngân hàng coi trọng hình ảnh
Lộ trình ôn thi
Lộ trình ôn tập & chuẩn bị 2 tuần cho vị trí Senior Data Scientist
📚 Kiến thức nền tảng cần nắm vững
Tuần 1: Nền tảng kỹ thuật
Ngày 1–2: SQL & Data Manipulation
- Window functions, CTE, recursive queries
- Optimization, indexing, EXPLAIN PLAN
- Pandas (Python) nâng cao: merge, groupby, pivot, time-series
- Bài tập: LeetCode SQL Hard, HackerRank SQL
Ngày 3–4: Thống kê & Probability
- Hypothesis testing (z-test, t-test, ANOVA, Chi-square)
- A/B testing: sample size, power analysis, p-value, multiple testing correction
- Bayesian thinking, prior/posterior
- Confidence intervals, bootstrapping
- Tài liệu: "Practical Statistics for Data Scientists" (Bruce & Bruce)
Ngày 5–7: Machine Learning cốt lõi
- Supervised: Linear/Logistic, Tree-based (Random Forest, XGBoost, LightGBM), SVM, KNN
- Unsupervised: K-means, DBSCAN, Hierarchical, PCA, t-SNE
- Model selection: cross-validation, hyperparameter tuning (Grid, Random, Bayesian)
- Metrics: Accuracy, Precision, Recall, F1, ROC-AUC, PR-AUC, RMSE, MAE, MAPE
- Handling imbalance: SMOTE, ADASYN, class_weight, threshold optimization
- Tài liệu: "Hands-On Machine Learning" (Aurélien Géron) — Chapter 1–8
Tuần 2: Nâng cao & Business Context
Ngày 8–9: Deep Learning & Modern ML
- Neural Networks cơ bản, Backpropagation
- Embedding, Recommender System (matrix factorization, two-tower)
- NLP cơ bản, LLM awareness (RAG, fine-tuning, prompt engineering)
- Time Series: ARIMA, Prophet, LSTM, Temporal Fusion Transformer
Ngày 10–11: MLOps & Engineering
- Docker, Kubernetes cơ bản
- MLflow / Weights & Biases cho experiment tracking
- CI/CD cho ML (GitHub Actions, Jenkins)
- Model serving: REST API (FastAPI, Flask), batch vs real-time inference
- Data drift & concept drift monitoring
- Tài liệu: "Designing Machine Learning Systems" (Chip Huyen) — đọc toàn bộ
Ngày 12–13: Ngân hàng & Business Domain
- Customer 360, RFM segmentation
- Churn prediction framework
- Cross-sell / Upsell modeling, uplift modeling
- Credit scoring: PD/LGD/EAD, Basel framework
- Fraud detection: rule-based + ML hybrid, real-time scoring
- Anti-money laundering (AML) basics
- Tài liệu: Tìm paper trên Google Scholar: "Customer churn prediction banking", "Credit scoring machine learning"
Ngày 14: Review & Mock Interview
- Ôn lại 5 dự án cá nhân quan trọng nhất
- Luyện STAR trả lời câu hỏi behavior
- Chuẩn bị câu hỏi ngược cho interviewer
- Mock interview với bạn bè hoặc mentor
📖 Tài liệu tham khảo nên đọc
| Tài liệu | Tác giả | Mức độ ưu tiên |
|---|---|---|
| Hands-On Machine Learning | Aurélien Géron | ⭐⭐⭐⭐⭐ |
| Designing Machine Learning Systems | Chip Huyen | ⭐⭐⭐⭐⭐ |
| Practical Statistics for Data Scientists | Bruce & Bruce | ⭐⭐⭐⭐ |
| Introduction to Statistical Learning (ISL) | James, Witten | ⭐⭐⭐⭐ |
| The Elements of Statistical Learning | Hastie, Tibshirani, Friedman | ⭐⭐⭐ |
| Machine Learning Engineering | Andriy Burkov | ⭐⭐⭐⭐ |
| Designing Data-Intensive Applications | Martin Kleppmann | ⭐⭐⭐ (cho MLOps) |
| Data Science for Business | Provost & Fawcett | ⭐⭐⭐⭐ (rất phù hợp với JD) |
🌐 Tài nguyên online miễn phí
- Kaggle Learn: Micro-courses miễn phí (Pandas, ML Intro, Deep Learning)
- StatQuest (YouTube): Giải thích thống kê/ML cực dễ hiểu
- Google ML Crash Course: Ôn tập nhanh
- AWS/GCP/Azure free tier: Tự build pipeline thực hành
- Towards Data Science (Medium): Bài viết chuyên sâu
- ArXiv: Đọc paper mới về ML/AI
✅ Checklist trước ngày phỏng vấn
- [ ] Ôn lại 5 dự án ML cá nhân (chuẩn bị slide nếu cần)
- [ ] Đọc về VPBank: báo chí, báo cáo thường niên, chiến lược số
- [ ] Đọc lại JD, highlight keywords chính
- [ ] Chuẩn bị 5–7 câu hỏi ngược thông minh
- [ ] In 2 bản CV, sẵn sàng cho cả take-home assignment
- [ ] Test laptop, internet, microphone (nếu phỏng vấn online)
- [ ] Chuẩn bị trang phục từ đêm hôm trước
Tư vấn nghề nghiệp
Lời khuyên sự nghiệp cho vị trí Senior/Lead Data Scientist trong ngân hàng
🛤️ Lộ trình thăng tiến điển hình trong khối ngân hàng
Data Analyst/Junior DS (0–2 năm)
↓
Data Scientist (2–4 năm)
↓
Senior Data Scientist ← VỊ TRÍ NÀY (5–7 năm)
↓
Lead Data Scientist / Data Science Manager (7–10 năm)
↓
Head of Data Science / Chief Data Officer (10+ năm)
Tại VPBank, cấp JG 09 thường tương ứng Senior Manager hoặc Lead trong hệ thống cấp bậc. Từ vị trí này, lộ trình tự nhiên là:
- JG 10–11: Department Head / Senior Lead
- JG 12+: Division Head / C-level track (CDAO)
- Chuyển ngang: Sang Product, Risk, hoặc mở consulting/startup
💰 Mức lương kỳ vọng theo cấp bậc (tham khảo)
| Cấp bậc | Kinh nghiệm | Mức lương VNĐ/tháng (gross) | Ghi chú |
|---|---|---|---|
| Data Analyst / Junior DS | 0–2 năm | 15–30 triệu | Tùy ngân hàng lớn/nhỏ |
| Data Scientist | 2–4 năm | 30–55 triệu | Có thể có thưởng KPI |
| Senior Data Scientist (JD này) | 5–9 năm | 55–110 triệu | + bonus 2–6 tháng |
| Lead/Manager Data Science | 7–12 năm | 90–180 triệu | Có thể có stock/ESOP nếu công ty tư nhân |
| Head of Data Science | 10+ năm | 150–350 triệu | VPBank tier 1 có thể cao hơn |
(Mức lương có thể thay đổi tùy ngân hàng và thời điểm. Top ngân hàng như Vietcombank, Techcombank, VPBank, MBB, ACB thường cao hơn 15–30% so với mặt bằng chung.)
🎯 Các kỹ năng cần phát triển để thăng tiến lên cấp cao hơn
Kỹ năng kỹ thuật (giữ vững)
- Generative AI / LLM applications trong ngân hàng
- Real-time ML (streaming, online learning)
- Causal inference, uplift modeling nâng cao
- Privacy-preserving ML (federated learning, differential privacy)
- Graph neural networks cho fraud ring detection
Kỹ năng quản lý (cần phát triển thêm)
- People management: 1-on-1, performance review, hiring
- Project management: Agile/Scrum cho data team
- Budget management: ROI của data initiatives
- Vendor management (nếu outsource ML platform)
- Cross-functional collaboration với Tech, Business, Risk
Kỹ năng chiến lược (để lên Head/CDO)
- Xây dựng data strategy & roadmap
- Stakeholder management ở cấp C-level
- Data governance, data quality framework
- Data monetization (data-as-a-product)
- Regulatory compliance (NHNN, Basel, GDPR)
💡 Lời khuyên thực tế từ góc nhìn "đàn anh"
Đừng chỉ là "model builder": Ở cấp Senior, VPBank cần người chuyển đổi business problem thành data science solution, không phải chỉ build model giỏi. Hãy học cách nói chuyện với business bằng ngôn ngữ của họ (revenue, ROI, customer lifetime value).
Production mindset: Một model không chạy trong production = model không tồn tại. Hãy học MLOps seriously, đừng chỉ làm trên Jupyter Notebook.
Network nội bộ: Trong ngân hàng, mối quan hệ với các trưởng phòng kinh doanh rất quan trọng. Hãy chủ động xây dựng từ sớm.
Hiểu ngân hàng là gì: Đừng apply nếu chưa hiểu retail banking. Đọc báo cáo NHNN, báo cáo thường niên ngân hàng, theo dõi fintech trends.
Cân nhắc offer từ nước ngoài: Với kinh nghiệm 5+ năm ở vị trí này, bạn có thể apply sang Singapore fintech, ASEAN bank. Mức lương có thể gấp 2–3 lần VN nhưng cost of life cũng cao hơn.
Cập nhật liên tục: LLM/Generative AI đang thay đổi cách làm data science. Hãy học RAG, fine-tuning, prompt engineering — đây sẽ là requirement trong 1–2 năm tới.
Chuẩn bị cho "bẫy" Senior: Nhiều người ở cấp Senior 5–7 năm rồi plateau. Hãy chủ động phát triển leadership skills hoặc chuyển hướng technical specialist (Principal DS, Fellow) để tránh plateau.
Câu hỏi thường gặp
Chào em, vị trí này yêu cầu 5–6 năm kinh nghiệm nên không phù hợp cho fresher. Tuy nhiên, em có thể:
- Apply các vị trí Junior Data Scientist ở VPBank hoặc ngân hàng khác để tích lũy kinh nghiệm 3–5 năm trước.
- Trong thời gian học, hãy làm các project thực tế trên Kaggle hoặc GitHub (ưu tiên bài toán finance/banking: churn, credit scoring, fraud).
- Thực tập tại các công ty fintech, ngân hàng — đây là lợi thế cạnh tranh lớn.
- Học vững Python, SQL, Statistics, và 1–2 framework ML (XGBoost, scikit-learn).
- Thi chứng chỉ AWS/GCP để chứng minh năng lực.
Nếu em có 1–2 năm kinh nghiệm và đã đưa model vào production thật, có thể apply các vị trí DS 2–4 năm để bắt đầu hành trình.
Tin vui là em đã có lợi thế ngân hàng rồi — đây là điểm cộng lớn vì JD nêu rõ cần kiến thức về retail banking.
Lộ trình gợi ý (12–18 tháng):
- Tháng 1–3: Ôn Python nâng cao (pandas, numpy), học scikit-learn cơ bản
- Tháng 4–6: Học ML cốt lõi (supervised, unsupervised), làm 2–3 project Kaggle
- Tháng 7–9: Học SQL nâng cao, Big Data (Spark), tham gia một dự án ML thực tế tại công ty
- Tháng 10–12: Học Deep Learning cơ bản, MLOps cơ bản (MLflow, Docker)
- Tháng 12–18: Apply vị trí Data Scientist (không phải Senior như JD này) ở các công ty tài chính
Mẹo: Trong công việc hiện tại, chủ động đề xuất tham gia các dự án ML hoặc tự xây predictive model phục vụ team. Điều này giúp em có case study thực tế.
Hoàn toàn được! Với 7 năm kinh nghiệm, anh/chị đáp ứng được yêu cầu 5–6 năm. Tuy nhiên, cần lưu ý:
Điểm mạnh có thể tận dụng:
- Kinh nghiệm ML, MLOps, Cloud đã có sẵn
- Có thể đã làm scale lớn hơn ngân hàng
- Mindset engineering tốt
Khoảng cách cần bù:
- Nghiệp vụ ngân hàng: Hãy dành 2–4 tuần đọc về retail banking, churn, credit risk, fraud, cross-sell
- Stakeholder management: Trong ngân hàng, nhiều quy trình, regulation hơn tech firm. Thể hiện khả năng làm việc với business + risk + compliance
- Văn hóa ngân hàng: Bảo thủ hơn tech, tốc độ chậm hơn nhưng có thể build lâu dài
Trong CV và phỏng vấn, hãy map kinh nghiệm tech sang banking context: "Em đã làm churn prediction cho app X với 5 triệu user, có thể apply tương tự cho khách hàng ngân hàng".
Mức lương JD ghi "thỏa thuận" vì là vị trí senior nên thường deal theo năng lực. Theo tham khảo thị trường (có thể thay đổi tùy ngân hàng và thời điểm):
- Mức cơ bản Senior DS (5–7 năm): 55–90 triệu VNĐ/tháng gross
- Mức cao (7–9 năm, có leadership): 90–120 triệu VNĐ/tháng
- JG 09 tại top bank như VPBank có thể ở mức 70–130 triệu + bonus 2–6 tháng
- Tổng thu nhập năm có thể 1.2–2 tỷ VNĐ (gồm bonus, 13th month, thưởng KPI)
Các yếu tố tăng lương:
- Kinh nghiệm ở ngân hàng lớn
- Đã lead team
- Có chứng chỉ Cloud (AWS/GCP)
- Đã scale model ra production với traffic lớn
- Có network tốt trong ngành
Mẹo: Đừng nói mức lương quá sớm với HR. Hãy hỏi "Mức tham khảo của ngân hàng cho vị trí này là bao nhiêu?" trước.
JD viết song ngữ Việt–Anh, điều này gợi ý VPBank cần tiếng Anh ở mức có thể đọc hiểu tài liệu kỹ thuật và giao tiếp cơ bản. Tuy nhiên, không nhất thiết phải hoàn hảo vì:
- Phỏng vấn thường bằng tiếng Việt (trừ một số vòng quốc tế)
- Công việc hàng ngày chủ yếu với team Việt
- Tài liệu ML chủ yếu bằng tiếng Anh, cần đọc được
Nếu tiếng Anh yếu:
- Cải thiện bằng cách đọc paper, blog kỹ thuật bằng tiếng Anh mỗi ngày 30 phút
- Tham gia cộng đồng Data Science quốc tế (Kaggle, Reddit)
- Học các thuật ngữ ML bằng tiếng Anh trước
- Trong CV, đừng ghi tiếng Anh "thành thạo" nếu không phải
Nếu tiếng Anh tốt: Đây là lợi thế lớn, đặc biệt vì VPBank có nhiều dự án với đối tác quốc tế và môi trường làm việc đa quốc gia.
Đây là câu hỏi rất hay! Có nhiều điểm khác biệt quan trọng:
1. Quy trình chậm hơn nhưng chắc hơn
- Tech: "Move fast and break things"
- Bank: Cần approval từ Risk, Compliance, Legal trước khi deploy
- Trade-off: Chậm hơn nhưng ít rủi ro pháp lý, ảnh hưởng lớn
2. Data quality và governance
- Ngân hàng có dữ liệu rất "sạch" nhưng nhiều legacy system
- Cần tuân thủ quy định NHNN về data privacy
- Data lineage rất quan trọng (audit trail)
3. Tác động kinh doanh khác nhau
- Tech: Tăng engagement, retention, revenue
- Bank: Quản lý rủi ro, compliance, tăng AUM, giảm NPL
- Một model sai có thể ảnh hưởng hàng triệu khách hàng và nghìn tỷ đồng
4. Stakeholder diversity
- Tech: Thường làm với Product, Engineering
- Bank: Business, Risk, Compliance, Audit, IT — nhiều bên hơn
5. Compensation
- Tech (Big Tech Việt Nam): Có thể cao hơn về base salary + stock
- Bank: Bonus ổn định hơn, ít risk bị layoff, phúc lợi tốt
6. Workload
- Bank thường ổn định 8h/ngày, ít on-call
- Tech có thể intensity cao hơn ở một số công ty
Lời khuyên: Nếu anh/chị thích ổn định, tác động xã hội lớn, làm việc với data "thật" → ngân hàng là lựa chọn tốt. Nếu thích tốc độ, innovation, edge tech → tech/fintech phù hợp hơn.
Chào anh/chị, đây là bước nhảy quan trọng. Kỹ năng cần phát triển từ "doing" sang "leading through others":
1. Kỹ năng People (Quan trọng nhất)
- 1-on-1 meeting, coaching
- Performance review (đưa feedback khó)
- Hiring (interview, đánh giá)
- Conflict resolution
- Mentoring junior members
2. Kỹ năng Strategic
- Xây dựng roadmap cho team/nhập phòng
- Budget planning (cloud cost, tooling, hiring)
- Đặt OKR cho team và align với mục tiêu công ty
3. Kỹ năng Process
- Agile/Scrum cho data team
- Code review, technical standard
- Documentation culture
- Knowledge sharing (tech talk, brown bag)
4. Kỹ năng Business
- Stakeholder management ở cấp Director/VP
- Business case, ROI calculation
- Present to senior leadership
5. Vẫn giữ Technical credibility
- Đừng để mất hoàn toàn technical skills
- Review code, thiết kế architecture cho dự án lớn
- Stay updated với tech mới
Lộ trình thực tế:
- Tháng 1–3: Đề xuất lead 1 dự án lớn với team 2–3 người
- Tháng 4–6: Mentoring 1 junior, đánh giá performance
- Tháng 7–12: Tham gia hiring, planning, present to leadership
- Sau 12–18 tháng: Apply Lead position hoặc đề xuất promotion
Trong CV phỏng vấn, hãy highlight các thành tích leadership: "Led team of 4 to deliver X project, resulted in Y business impact".
Câu hỏi thực tế và quan trọng! Chia sẻ thẳng thắn:
Về KPI:
- Thường có KPI định lượng (ví dụ: số model đưa vào production, số dự án hoàn thành, ROI)
- KPI định tính (chất lượng stakeholder feedback, mentoring)
- Một số ngân hàng có OKR theo quý
- Senior thường có KPI cá nhân + KPI team
Về Workload & Overtime:
- Ngân hàng Việt Nam thường 8h/ngày, 5 ngày/tuần, ít OT so với tech
- Tuy nhiên, cuối quý/ cuối năm có thể căng hơn
- Một số dự án urgent có thể cần weekend
- On-call thường không phổ biến (trừ team MLOps production)
Về Work-life balance:
- Tốt hơn tech công ty lớn (Google, Facebook, v.v.)
- Phù hợp người muốn ổn định, có thời gian cho gia đình
- Tuy nhiên, vị trí senior đôi khi cần họp stakeholder ngoài giờ
Về áp lực công việc:
- Áp lực về chất lượng (mỗi model ảnh hưởng business lớn)
- Áp lực về compliance (risk, audit)
- Áp lực về stakeholder (nhiều bên liên quan)
Mẹo khi phỏng vấn hỏi về work-life balance:
- Đừng hỏi trực tiếp "Có OT nhiều không?"
- Hãy hỏi: "Team structure như thế nào? Có on-call rotation không? Typical sprint cycle ra sao?"
Đánh giá tổng thể: Vị trí Senior Data Scientist ở ngân hàng tốt có work-life balance khá tốt, ổn định hơn tech, phù hợp người muốn gắn bó lâu dài.
Dựa trên JD, đây là những điểm nhấn mạnh trong CV (theo thứ tự ưu tiên):
1. Kinh nghiệm ML Production (Quan trọng nhất)
- Số dự án đã đưa vào production
- Quy mô user/data
- Tác động kinh doanh bằng con số (VD: "Giảm churn 15%, tăng retention 20 tỷ VNĐ/năm")
- Tech stack đã dùng (Python, XGBoost, AWS SageMaker, ...)
2. Kinh nghiệm Ngân hàng/Tài chính
- Nếu có, đưa lên đầu CV
- Highlight các bài toán: churn, fraud, credit scoring, cross-sell
3. Kỹ năng MLOps & Cloud
- MLflow, Docker, Kubernetes, CI/CD
- AWS/GCP/Azure certification
- Model monitoring, drift detection
4. Leadership & Mentoring
- Số người đã lead/mentor
- Dự án cross-team
6. Publication/Patent (Nếu có)
- Paper tại conference
- Patent về ML
Cách trình bày:
- Dùng STAR format cho mỗi project
- Mỗi project nên có: Context → Action → Result với % và tiền
- Bullet points, không viết đoạn văn dài
- Có link GitHub/portfolio nếu có
Ví dụ CV tốt: "Senior Data Scientist | VPBank | 2021–2024
- Lead team of 4 to develop customer churn prediction model for retail banking, reducing churn rate by 18% and saving $2M annually
- Deployed 5 ML models to production using AWS SageMaker + MLflow, serving 3M+ customers
- Mentored UTM PS 3 junior data scientists, all promoted within 18 months
- Collaborated with UTM BS Risk and Marketing teams to drive $5M revenue increase via cross-sell campaigns"
Lưu ý: Luôn đọc kỹ JD và customize CV cho từng vị trí. Đừng dùng CV chung chung.
Chia sẻ từ cộng đồng
Mình đã apply vị trí tương tự ở VPBank cách đây 6 tháng. Quy trình 4 vòng khá nặng, có cả case study làm trong 48h. Câu hỏi technical khá sâu về MLOps và statistical inference. Lương offer cuối cùng khá tốt so với mặt bằng chung ngân hàng.
Đang làm Senior DS ở fintech 5 năm, mình thấy vị trí này khá hấp dẫn. JD yêu cầu MLOps thực sự - không phải PoC trên notebook là xong. Ai đã từng làm production ML ở bank thì chia sẻ kinh nghiệm với.
Có ai biết phòng Data Science của VPBank có bao nhiêu người không? Team structure thế nào? Mình thấy EDA là khối khá mới của họ, đang phát triển mạnh.
Cảnh báo thật: vị trí JG 09 ở VPBank senior không phải là JG thấp đâu, nó khá cao trong hệ thống. Trưởng phòng thường JG 10-11. Nên ứng viên cần có kinh nghiệm thực sự, không phải "Senior" trên danh nghĩa.
Mình phỏng vấn vòng 3 với Head of Data Science, câu hỏi khá nặng về cách xử lý imbalanced data cho fraud detection và làm sao monitor model drift. Chuẩn bị kỹ phần này nhé các bạn.
Em fresher mới ra trường, đọc xong JD thấy ngợp quá :)) Nhưng cảm ơn bài phân tích, em sẽ dùng lộ trình 2 tuần để bắt đầu học. Mục tiêu 3 năm nữa em sẽ apply lại vị trí này.
VPBank gần đây đẩy mạnh chuyển đổi số, đầu tư nhiều vào data team. Theo mình biết phòng Data Science của họ scale lên gấp đôi trong 2 năm qua. Cơ hội tốt cho ai muốn vào ngân hàng làm data.
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