Mô tả công việc

- Có kinh nghiệm trong việc xây dựng, phát triển và vận hành mô hình dữ liệu (phân tích đề bài, lựa chọn mô hình, xây dựng đặc trưng dữ liệu, đánh giá và vận hành mô hình)

- Có kinh nghiệm trong việc áp dụng các mô hình dữ liệu có ảnh hưởng trực tiếp tới hoạt động kinh doanh, vận hành của công ty.

- Có biz mindset để có thể chuyển đổi nhu cầu của kinh doanh thành bài toán mô hình, và chuyển đổi metric của việc xây dựng mô hình thành chỉ số impact của kinh doanh.
Tech skill: python, sql, các lib training model của python.

- Kỹ năng visualize dữ liệu là một lợi thế (powerBI, looker, superset,…)

Yêu cầu ứng viên

- Có kinh nghiệm trong việc xây dựng, phát triển và vận hành mô hình dữ liệu (phân tích đề bài, lựa chọn mô hình, xây dựng đặc trưng dữ liệu, đánh giá và vận hành mô hình)

- Có kinh nghiệm trong việc áp dụng các mô hình dữ liệu có ảnh hưởng trực tiếp tới hoạt động kinh doanh, vận hành của công ty.

- Có biz mindset để có thể chuyển đổi nhu cầu của kinh doanh thành bài toán mô hình, và chuyển đổi metric của việc xây dựng mô hình thành chỉ số impact của kinh doanh.
Tech skill: python, sql, các lib training model của python.

- Kỹ năng visualize dữ liệu là một lợi thế (powerBI, looker, superset,…)

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cần có

### 🔧 Hard Skills (Kỹ năng kỹ thuật)

| Cấp bậc | Kỹ năng bắt buộc | Kỹ năng lợi thế |
|---------|-----------------|-----------------|
| Python | Thành thạo Python, pandas, numpy, scikit-learn | TensorFlow, PyTorch, XGBoost |
| SQL | SQL nâng cao (JOIN phức, window function, CTE) | NoSQL, Spark, Hive |
| ML/AI | Classification, Regression, Clustering, Time Series | Deep Learning, NLP, Recommendation |
| Visualization | - | PowerBI, Looker, Superset, Tableau |
| MLOps | Model deployment, monitoring | Docker, Kubernetes, Airflow |

### 🎯 Soft Skills & Tư duy

- Biz Mindset: Khả năng chuyển đổi bài toán kinh doanh ↔ bài toán ML
- Communication: Trình bày kết quả cho stakeholders non-technical
- Problem Solving: Xác định đúng problem statement trước khi model
- Domain Knowledge: Hiểu nghiệp vụ ngân hàng cá nhân ( bancassurance, thẻ, tín dụng)

### 📜 Chứng chỉ gợi ý

| Chứng chỉ | Mức độ khuyến nghị | Ghi chú |
|-----------|-------------------|---------|
| Google Data Analytics | ⭐⭐⭐ | Cơ bản, phù hợp fresher |
| AWS Certified Machine Learning | ⭐⭐⭐⭐ | Cloud + ML, hay được hỏi |
| Kaggle Competition | ⭐⭐⭐⭐ | Thực hành thực tế |
| FRM/CFA | ⭐⭐ | Nếu muốn chuyên sâu banking |

### 📊 So sánh: Junior vs Senior Data Science

| Tiêu chí | Junior (1-2 năm) | Senior (3-5 năm) |
|----------|------------------|------------------|
| Model complexity | Baseline models, EDA | End-to-end pipeline, production |
| Business impact | Supporting role | Direct business metric ownership |
| Technical depth | Knows how to use | Knows why & when to use |
| Communication | Report to senior | Present to leadership |

---

Đặc thù vị trí BaaS & Digital Banking:
- BaaS = Banking as a Service → hiểu API, integration
- Digital Banking → real-time decision, A/B testing
- Vị trí này hướng đến Personal Banking → customer segmentation, churn, cross-sell, credit scoring

Chuẩn bị phỏng vấn

## Hướng dẫn Phỏng vấn TPBank - Data Science

### 📋 Quy trình phỏng vấn (thường gặp)

```
Vòng 1: HR Screening (30-45 phút)
→ Kiểm tra kinh nghiệm, salary expectation, motivation

Vòng 2: Technical Interview (60-90 phút)
→ Python/SQL test + ML theory + Case study

Vòng 3: Manager Interview (45-60 phút)
→ Business understanding, team fit, project experience

Vòng 4: Department Head/HO (30-45 phút)
→ Strategic thinking, culture fit
```

### 💬 Câu hỏi hay gặp theo từng vòng

Vòng 1 - HR:
- "Tại sao bạn muốn chuyển từ [ngành hiện tại] sang Data Science?"
- "Bạn expect mức lương bao nhiêu?"
- "Kể về 1 dự án data mà bạn tự hào nhất"

Vòng 2 - Technical:
- "Viết SQL: tính tỷ lệ khách hàng có nhiều hơn 3 sản phẩm tại mỗi chi nhánh"
- "Giải thích precision vs recall, khi nào dùng cái nào?"
- "Overfitting là gì? Cách xử lý?"
- "Describe end-to-end ML pipeline từ business problem → deployment"
- "Khi nào nên dùng Random Forest thay vì Logistic Regression?"
- "Walk me through cách build model dự đoán churn cho khách hàng ngân hàng"

Vòng 3 - Manager:
- "Mô tả 1 lần bạn translate business requirement thành ML solution"
- "Làm sao đo lường business impact của model?"
- "Bạn xử lý thế nào khi business stakeholder không hiểu về data?"
- "Có kinh nghiệm làm việc với stakeholders nào?"

Vòng 4 - Head:
- "Bạn nghĩ gì về định hướng Digital Banking của TPBank?"
- "5 năm tới, bạn thấy mình ở đâu trong team này?"

### ✅ Tips chuẩn bị

1. Ôn SQL kỹ: TPBank dùng SQL khá nhiều trong thực tế, phỏng vấn sẽ test nặng phần này
2. Chuẩn bị portfolio: Mang theo laptop/điện thoại có demo hoặc notebook để show project
3. Research TPBank: Tìm hiểu chiến lược Digital Banking, sản phẩm BaaS của họ
4. Prep câu hỏi ngược: "Team hiện tại có bao nhiêu người?","Model nào đang được deploy?"
5. Mô phỏng SQL test: Làm các bài SQL practice trên LeetCode (medium level)

### 👔 Dress Code

- Smart casual → áo sơ mi / polo, quần âu hoặc jeans sạch
- Không cần vest cravat như vị trí front office ngân hàng
- Văn phòng TPBank khá hiện đại, startup-like vibe

### ⏰ Thời gian phỏng vấn

- Thường: 2-3 tuần sau khi nộp
- Offline tại Hội sở TPBank Tower, Ba Đình, Hà Nội

Lộ trình ôn thi

## Lộ trình Ôn tập & Chuẩn bị (2-4 tuần)

### 📚 Kiến thức Nền tảng cần ôn

#### 1. SQL (Trọng tâm - 40% thời gian)
Tài liệu:
- "SQL for Data Scientists" (free online)
- LeetCode Database section (30 bài: easy 10, medium 15, hard 5)
- Mode SQL Tutorial (miễn phí)

Các chủ đề hay test:
```sql
-- Window functions
SELECT customer_id, product_type,
ROW_NUMBER() OVER (PARTITION BY customer_id ORDER BY purchase_date),
LAG(amount, 1) OVER (PARTITION BY customer_id ORDER BY date),
SUM(amount) OVER (PARTITION BY branch ORDER BY date)
FROM transactions;

-- Complex JOINs
-- Aggregation với HAVING
-- Subquery vs CTE
-- UNION vs UNION ALL
```

#### 2. Python & ML (35% thời gian)
Tài liệu:
- Kaggle Learn (Python, ML, Feature Engineering - miễn phí)
- "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow"
- Fast.ai courses (free)

Ôn các algorithms:
- Linear/Logistic Regression
- Decision Tree, Random Forest, XGBoost
- K-Means, DBSCAN
- Time Series (ARIMA, Prophet)

Code patterns cần thành thạo:
```python
# Feature engineering template
def create_features(df):
df['recency'] = (today - df['last_purchase']).days
df['frequency'] = df.groupby('customer_id')['transaction_id'].count()
df['monetary'] = df.groupby('customer_id')['amount'].sum()
return df

# Model evaluation
from sklearn.model_selection import cross_val_score
from sklearn.metrics import classification_report, roc_auc_score
```

#### 3. Business Domain - Banking (15% thời gian)
Tìm hiểu:
- Customer Lifetime Value (CLV) calculation
- Credit scoring methodology
- Churn prediction metrics
- Cross-sell / Up-sell propensity modeling
- Anti-money laundering (AML) basics
- BaaS (Banking as a Service) concept

#### 4. Visualization Tools (10% thời gian)
- PowerBI basics: DAX formulas, visualization best practices
- Looker/Superset: Cơ bản về dashboard design
- Biết cách translate data → business story

### 📅 Lộ trình 2 tuần ( intensive)

| Ngày | Nội dung | Thời lượng |
|------|---------|-----------|
| 1-2 | SQL advanced + practice 20 bài | 4h/ngày |
| 3-4 | Python + pandas + scikit-learn | 4h/ngày |
| 5-6 | ML algorithms deep dive | 4h/ngày |
| 7 | Feature engineering practice | 4h |
| 8-9 | SQL mock interview + timing | 4h/ngày |
| 10-11 | ML case studies (churn, credit, segmentation) | 4h/ngày |
| 12 | PowerBI/visualization basics | 3h |
| 13 | Research TPBank + mock interview | 4h |
| 14 | Review notes + rest | - |

### 🎯 Checklist trước ngày phỏng vấn

- [ ] Ôn lại 1-2 project/data challenge mình tự hào nhất
- [ ] Chuẩn bị 2-3 câu hỏi hỏi ngược cho interviewer
- [ ] Đảm bảo laptop có demo code (nếu cần)
- [ ] In ấn CV (2-3 bản) phòng khi cần
- [ ] Nghỉ ngơi đủ giấc, không overtime ngày hôm trước

Tư vấn nghề nghiệp

## Lời khuyên Sự nghiệp Data Science tại TPBank

### 🚀 Lộ trình Thăng tiến

```
Chuyên viên Data Science (entry)
↓ (1-2 năm)
Senior Data Science
↓ (2-3 năm)
Lead Data Science / Manager
↓ (3-5 năm)
Head of Data Science / VP
```

### 💰 Mức lương kỳ vọng (tham khảo thị trường Hà Nội 2024)

| Level | Kinh nghiệm | Lương tháng (VND) |
|-------|-------------|-------------------|
| Junior (DS) | 0-2 năm | 18-30 triệu |
| Mid (Senior DS) | 2-4 năm | 30-50 triệu |
| Lead | 4-6 năm | 50-80 triệu |
| Manager | 5+ năm | 70-120 triệu |

*Note: Vị trí này ghi "Thỏa thuận" → có thể negotiable cao nếu có skills稀缺*

### 📈 Skills cần phát triển thêm

Ngắn hạn (6-12 tháng đầu):
- Deep dive vào banking domain (products, regulations, customer journey)
- Thành thạo A/B testing methodology
- Cloud platform (AWS/GCP/Azure) → deployment skills

Dài hạn (1-3 năm):
- MLOps: Model monitoring, retraining, versioning
- Leadership: Mentor junior, code review
- Strategic: Từ problem → solution design

### 🎯 Đặc thù TPBank & Digital Banking

Ưu điểm:
- Ngân hàng số mạnh, tech-forward culture
- Dự án BaaS đang phát triển mạnh → học hỏi nhiều
- Quy mô vừa → thấy được impact trực tiếp của mô hình
- Cơ hội chuyển đổi sang nhiều product lines khác nhau

Thách thức:
- Legacy system vẫn còn → integration khó hơn fintech
- Data infrastructure có thể chưa hoàn thiện như big banks
- Need to prove ROI của data project liên tục

### 🔄 Alternative paths sau 2-3 năm

1. Chuyên sâu hơn: Data Science → AI/ML Research Lead
2. Mở rộng: Data Science → Product Manager (Data Products)
3. Chuyển ngang: Fintech, E-commerce, Telco (luôn cần DS)
4. Khởi nghiệp: Data consultant hoặc founding team

### 💡 Khuyến nghị cá nhân

> Vị trí này phù hợp nếu bạn thích:
> - Kết hợp technical + business impact
> - Môi trường năng động, không quá bureaucratic
> - Học hỏi banking domain (credit, wealth, insurance)
>
> Cần cân nhắc kỹ nếu bạn muốn pure technical role (có thể phù hợp hơn ở VinBigData, FPT AI,...)

Câu hỏi thường gặp

Mình có 1 năm kinh nghiệm Data Analyst, muốn chuyển sang Data Science tại TPBank có khả thi không?

Khá khả thi! Vị trí này đánh giá cao biz mindset và khả năng translate business → model, không chỉ pure technical. Bạn có lợi thế là đã quen với dữ liệu ngân hàng. Hãy tập trung: (1) Lên level Python & ML từ analyst → science, (2) Học thêm về model deployment cơ bản, (3) Chuẩn bị portfolio show được impact của các model đã làm. Ứng tuyển ở level Chuyên viên (không phải cao cấp) sẽ hợp lý hơn.

Lương Data Science tại TPBank/HN thường bao nhiêu? Có thương lượng được không?

Vị trí này ghi 'Thỏa thuận', nghĩa là có room để negotiable. Thị trường HN 2024: Junior DS 18-30M, Senior 30-50M, Lead 50-80M. Với 3+ năm kinh nghiệm và skills tốt (Python, ML production, banking domain), bạn có thể target 40-55M. Tips: Nói rõ expected range khi HR hỏi, kèm theo research market data, và nhấn mạnh unique skills (VD: experience với real-time decision model, credit scoring) để justify salary cao hơn.

Kỹ năng visualization như PowerBI có thực sự quan trọng không? Mình chưa giỏi lắm.

Trong JD ghi là 'lợi thế', không bắt buộc. Nhưng thực tế: (1) Bạn sẽ phải present kết quả cho stakeholders non-technical, nên biết cách build dashboard cơ bản, (2) PowerBI học nhanh trong 2-3 tuần nếu biết SQL cơ bản, (3) Quan trọng hơn là tư duy 'data storytelling' - biết cách trình bày số liệu sao cho decision-maker hiểu nhanh. Đề xuất: học PowerBI basics trên YouTube/Microsoft Learn, không cần master.

Mình là fresher IT, muốn apply vị trí này có nên không?

Thành thật mà nói: vị trí ghi 'Có kinh nghiệm trong việc xây dựng, phát triển và vận hành mô hình dữ liệu' → khó cho fresher. Tuy nhiên nếu: (1) Bạn có project ML cá nhân/nghiên cứu khoa học đủ mạnh, (2) Đã làm intern ở data-related role, (3) Kaggle profile tốt, thì vẫn có cơ hội ở vòng đầu. Gợi ý: Apply nhưng be ready to start at lower level, hoặc tìm kiếm intern/trainee position trước.

Công việc hàng ngày của Data Science trong ngân hàng cá nhân như thế nào?

Một ngày typical có thể: 9h standup với team, 9-12h làm model (data prep, training, evaluation), 14-16h họp với business stakeholders (product, marketing, operation) để hiểu requirements hoặc present results, 16-18h coding/implement. Thực tế chia theo project phases: sprint nào đang build model → technical nặng, sprint nào đang present → meeting nhiều. TPBank có văn hóa startup-ish, không quá nhiều bureaucracy.

BaaS và Digital Banking khác nhau thế nào? Vị trí này tập trung vào cái nào?

Digital Banking = ngân hàng số (eBanking, mobile app, digital services) → phục vụ end customers trực tiếp. BaaS = Banking as a Service = cung cấp API/infrastructure để đối tác (fintech, e-commerce) tích hợp dịch vụ ngân hàng. Vị trí này ở Khối Ngân hàng Cá nhân, nên Digital Banking là focus chính (customer-facing products), nhưng knowledge về BaaS sẽ giúp hiểu xu hướng industry và integration capabilities.

Có nên nhảy từ công ty fintech/sản phẩm sang ngân hàng legacy như TPBank không?

Còn tùy goals của bạn. Fintech → thường tech stack hiện đại hơn, học được nhiều về product. TPBank → được học banking domain sâu, compliance, regulation, scale lớn hơn. Lời khuyên: Nếu bạn muốn deep dive vào banking domain và yên tâm stability, TPBank ok. Nếu muốn tech-first và nhanh chóng see product shipped, ở lại fintech. Về tech stack: TPBank đang đầu tư vào digital, không hẳn legacy hoàn toàn.

Mình nên chuẩn bị case study nào để gây ấn tượng khi phỏng vấn?

Chuẩn bị 1-2 full case studies theo format: (1) Problem: Business issue gì, (2) Approach: Tại sao chọn model X, (3) Technical: Feature engineering ra sao, (4) Results: Metric improvement (accuracy, revenue, cost saving), (5) Lessons: Cái gì không work. Gợi ý case banking-related: customer churn prediction, credit scoring, cross-sell propensity, fraud detection. Quan trọng: phải show được biz impact, không chỉ model accuracy. VD: 'Model giảm churn 15% → retain X tỷ revenue' sẽ ấn tượng hơn 'accuracy 95%'.

Chia sẻ từ cộng đồng

Ẩ

Ẩn danh 2024-11-15

Vừa phỏng vấn vị trí này tuần trước. Vòng technical khá nặng SQL, có 2 bài practical phải viết trên giấy. Răn thêm 1 câu lý thuyết ML. Prepare kỹ phần này nếu muốn qua.

b

banker2024 2024-10-28

Đang làm ở TPBank, team Data DS khá small nhưng impact lớn. Mình làm churn prediction cho khách hàng cá nhân, model mình viết đang chạy production. Tech stack chủ yếu Python + SQL + GCP. Ai thích work-life balance thì ok, không quá OT.

Ẩ

Ẩn danh 2024-11-02

Lương thỏa thuận nhưng thực ra HR vẫn có budget range. Qua được technical, expect HR sẽ hỏi về salary expectation. Có friend ở đây nói level senior DS được offer 40-50M, có negotiable thêm nếu skills đặc biệt.

L

Linh P*** 2024-11-10

Mình apply vòng 1 tháng trước nhưng chưa thấy feedback. Có ai biết timeline thường bao lâu sau interview không? HR reply chậm hay nhanh vậy?

Ẩ

Ẩn danh 2024-10-20

Có 3 năm exp ở fintech, đang think about apply. Anyone biết văn hóa làm việc ở đây như nào? Compare với VPBank, MBBank thế nào?

c

career_seeker 2024-11-08

Đọc JD thấy ghi 'biz mindset' nhiều lần. Thực ra interview họ đánh giá cái này như nào? Có test case business không hay chỉ hỏi lý thuyết?

Ẩ

Ẩn danh 2024-09-15

Qua rồi, vouch vị trí này. Nhảy từ Big4 consulting sang, mình được train thêm về banking domain. Pay không bằng consulting nhưng learning curve tốt và stability hơn nhiều. Recommend nếu muốn chuyển hướng banking từ non-banking background.

[Hội sở] Chuyên viên cao cấp/Chuyên viên chính/Chuyên viên Data Science BaaS and Digital Banking – Khối Ngân hàng cá nhân