Senior Data Scientist - Hà Nội - TA174
Mô tả công việc
Các trách nhiệm chính
1. Chủ động và phối hợp triển khai các giải pháp khoa học dữ liệu và trí tuệ nhân tạo cho các đơn vị trong ngân hàng
- Chủ động đề xuất, thiết kế, chịu trách nhiệm chính triển khai các giải pháp khoa học dữ liệu cùng chuyên gia và phối hợp chặt chẽ với các đơn vị kinh doanh/vận hành để giải quyết các bài toán thực tế có tính ứng dụng cao.
- Phân tích chuyên sâu và khám phá dữ liệu lớn, sử dụng các kỹ thuật xác suất thống kê, học máy, học sâu và GenAI để phát hiện các xu hướng, hành vi ẩn và các yếu tố thúc đẩy hành động của khách hàng; từ đó xây dựng insight giá trị và hỗ trợ đề xuất chiến lược kinh doanh, thiết kế sản phẩm hoặc chiến dịch phù hợp.
- Thực hiện hoặc dẫn dắt phát triển các mô hình học máy, học sâu và ứng dụng GenAI nhằm phục vụ các mục tiêu như: dự báo khách hàng rời đi (churn prediction), bán chéo/sản phẩm (cross/up-sell), phân khúc khách hàng (segmentation), dự đoán giá trị vòng đời khách hàng (CLTV), dự đoán hành vi tiếp theo và cá nhân hóa trải nghiệm khách hàng đa kênh
- Tham gia xây dựng và phát triển sản phẩm AI/ML/GenAI theo hướng sản phẩm tái sử dụng, hỗ trợ tự động hóa và tối ưu hóa các quy trình nghiệp vụ của ngân hàng, bao gồm nhưng không giới hạn ở: xử lý hồ sơ tín dụng, phân loại và phân tích văn bản/giọng nói, thẩm định tự động, gợi ý hành động cho RM, hỗ trợ chăm sóc khách hàng, và cải tiến vận hành nội bộ.
2. Nghiên cứu & cập nhật kỹ thuật, công nghệ mới
- Thường xuyên nghiên cứu, cập nhật các xu hướng, kỹ thuật tiên tiến trong lĩnh vực phân tích dữ liệu, học máy, học sâu và/hoặc GenAI theo định hướng từ cấp quản lý hoặc chuyên gia nội bộ.
- Chủ động tìm hiểu và thử nghiệm các công nghệ, framework và mô hình mới để nâng cao hiệu quả triển khai giải pháp dữ liệu và AI tại ngân hàng.
- Tích cực tham gia và chia sẻ tại các diễn đàn chuyên môn, hội thảo nội bộ/ngoại bộ, seminar nhằm mở rộng kiến thức và chia sẻ kinh nghiệm thực tiễn với đội nhóm.
- Tham gia hỗ trợ đào tạo, hướng dẫn cho các thành viên cấp thấp hơn trong nhóm khi được phân công.
3. Thưc hiện các công việc khác theo phân công của cấp thẩm quyền
OUTCOME/MEASURES
• Số lượng các insights được đưa ra/ khuyến nghị với các đơn vị kinh doanh/
• Cải thiện hiệu quả của các chương trình kinh doanh như tăng tỷ lệ chuyển đổi, giảm tỷ lệ khách hàng rời bỏ, tăng quy mô huy động vốn,…
• Cải thiện về hiệu quả vận hành: giảm SLA, giảm thời gian thực hiện tác vụ, tối ưu hóa lợi nhuận (NII, NFI),…
• Các phương pháp và kỹ thuật mới được áp dụng thực tế trong EDA
• Số lượng seminar/sharing
• Số lượng mentees
• Hoàn thành các công việc theo phân công
Các yêu cầu đối với công việc
1. Trình độ đào tạo
Tốt nghiệp Đại học trở lên trong các lĩnh vực liên quan như: Khoa học Máy tính (Computer Science), Toán học/Toán ứng dụng (Mathematics/Applied Mathematics), Thống kê (Statistics), Kỹ thuật (Engineering), Khoa học Dữ liệu (Data Science), Kinh tế lượng, Tài chính định lượng (Econometrics, Quantitative Finance), hoặc các ngành liên quan đến phân tích dữ liệu và xử lý thông tin.
2. Kiến thức/ Chuyên môn có liên quan
• Nắm vững kiến thức về mô hình thống kê, thuật toán học máy, học sâu và GenAI, đồng thời có khả năng đánh giá, tùy biến và tối ưu hóa các kỹ thuật cho các bài toán phức tạp trong thực tế.
• Có hiểu biết sâu và vận dụng thành thạo các kỹ thuật phân tích dữ liệu nâng cao, bao gồm kiểm định giả thuyết, phân tích nhân quả, xử lý mất cân bằng dữ liệu, phân tích chuỗi thời gian, mô hình suy diễn, vector embeddings…
• Thành thạo Python và các thư viện chuyên sâu phục vụ học máy, học sâu và GenAI như: Scikit-learn, XGBoost, LGBM, PyTorch, TensorFlow, Hugging Face Transformers,,..cùng các công cụ hỗ trợ triển khai như MLflow, Docker, Git.
• Hiểu rõ và có khả năng tham gia triển khai các quy trình phát triển và vận hành mô hình (MLOps/LangOps), bao gồm xử lý dữ liệu, huấn luyện, đánh giá, kiểm thử, triển khai và giám sát mô hình
• Có khả năng phối hợp hiệu quả với các đơn vị kinh doanh/vận hành để hiểu bài toán, chuyển đổi thành giải pháp phân tích dữ liệu cụ thể, có giá trị ứng dụng cao và đo lường được hiệu quả.
3. Các kinh nghiệm liên quan
• Tối thiểu 3–5 năm kinh nghiệm trong lĩnh vực phân tích nâng cao, phát triển mô hình học máy/học sâu và/hoặc ứng dụng AI/GenAI vào bài toán thực tiễn.
• Có kinh nghiệm chủ động triển khai các mô hình hoặc giải pháp phân tích phục vụ một hoặc nhiều mục tiêu như tăng trưởng kinh doanh, cá nhân hóa, tối ưu hóa vận hành, nâng cao trải nghiệm khách hàng, phòng chống gian lận, v.v.
• Đã từng tham gia hoặc đóng vai trò chính trong việc triển khai mô hình hoặc ứng dụng AI/ML/GenAI trên nền tảng cloud như AWS, Azure, Google Cloud, Databricks, v.v.
• Có kinh nghiệm xử lý, trực quan hóa và diễn giải dữ liệu một cách sâu sắc, kết nối với nhu cầu kinh doanh và gợi ý hành động cụ thể.
• Có khả năng hướng dẫn hoặc hỗ trợ chuyên viên khác trong nhóm khi triển khai mô hình hoặc xử lý dữ liệu.
• Ưu tiên ứng viên có kinh nghiệm làm việc tại các tổ chức lớn, ngân hàng, công ty công nghệ
4. Các kỹ năng
• Kỹ năng thuyết trình. giao tiếp rõ ràng và mạch lạc, có thể trình bày kết quả phân tích, mô hình và insight cho chuyên gia hoặc đơn vị phối hợp.
• Có khả năng phối hợp làm việc nhóm hiệu quả, đặc biệt trong các nhóm liên chức năng giữa Data, BU và IT.
• Kỹ năng giải quyết vấn đề tốt, có khả năng tiếp cận các bài toán phân tích theo hướng cấu trúc và logic.
5. Các năng lực cần có
• Khả năng làm việc độc lập và quản lý thời gian hiệu quả
• Khả năng thích nghi nhanh với công nghệ mới
• Khả năng học tập liên tục, tự nghiên cứu
Các quyền lợi của ứng viên
- Thu nhập hấp dẫn, lương thưởng cạnh tranh theo năng lực, gói thu nhập 15-18 tháng lương/năm
- Thưởng các Ngày lễ, Tết (theo chính sách ngân hàng)
- Được vay ưu đãi theo chính sách ngân hàng từng thời kỳ
- Chế độ ngày phép hấp dẫn theo cấp bậc công việc
- Bảo hiểm theo luật lao động + Bảo hiểm VPBank care cho CBNV theo cấp bậc và thời gian công tác
- Cơ hội làm việc tại một Ngân hàng tiên phong ứng dụng AI & ML trong thúc đẩy giá trị kinh doanh với hệ sinh thái đa dạng: Ngân hàng, Tài chính, Chứng khoán, Bảo hiểm,...
- Cơ hội phát triển tại môi trường dẫn đầu thị trường ngân hàng về khối lượng dữ liệu; tham gia nhiều dự án, sáng kiến dữ liệu lớn, không ngừng tạo ra giá trị gia tăng cho khách hàng
- Được tham gia các khóa đào tạo tùy thuộc vào Khung đào tạo cho từng vị trí
- Môi trường làm việc chuyên nghiệp với cơ hội làm việc trực tiếp cùng ban lãnh đạo ngân hàng lớn, mở ra nhiều cơ hội học hỏi và phát triển sự nghiệp.
Phân tích kỹ năng cần có
## Phân tích kỹ năng cần có cho Senior Data Scientist tại VPBank
### 🔧 Hard Skills (Kỹ năng chuyên môn bắt buộc)
| Nhóm kỹ năng | Yêu cầu chi tiết | Mức độ quan trọng |
|--------------|------------------|-------------------|
| Lập trình | Python (thành thạo), SQL | ⭐⭐⭐⭐⭐ |
| ML/DL Framework | Scikit-learn, XGBoost, LightGBM, PyTorch, TensorFlow | ⭐⭐⭐⭐⭐ |
| GenAI | Hugging Face Transformers, LangChain, RAG | ⭐⭐⭐⭐ |
| MLOps | MLflow, Docker, Git, Cloud (AWS/Azure/GCP) | ⭐⭐⭐⭐ |
| Data Platform | Databricks, Spark, Hadoop | ⭐⭐⭐ |
| Thống kê nâng cao | Kiểm định giả thuyết, phân tích nhân quả, time series, embeddings | ⭐⭐⭐⭐⭐ |
### 🎯 Kiến thức nghiệp vụ ngân hàng cần có
- Credit scoring & risk modeling: Hiểu về scorecard, PD, LGD, EAD
- Customer analytics: Churn prediction, CLTV, segmentation, cross-sell/up-sell
- Banking products: Deposits, loans, cards, insurance, bancassurance
- Regulatory compliance: Basel III, IRB, model validation requirements
### 🧠 Soft Skills (Kỹ năng mềm)
| Kỹ năng | Mô tả | Cách đánh giá |
|---------|-------|---------------|
| Giao tiếp | Trình bày insight cho business stakeholders | Presentation skills |
| Collaboration | Làm việc cross-functional (Data + BU + IT) | Stakeholder management |
| Problem solving | Tiếp cận bài toán có cấu trúc, logic | Case study |
| Leadership | Hướng dẫn junior, mentoring | Team collaboration |
### 📜 Chứng chỉ gợi ý
1. AWS Certified Machine Learning – Specialty / Azure AI Engineer / GCP ML Engineer
2. Google Data Analytics Professional Certificate
3. Kaggle Competition (medal holder là điểm cộng lớn)
4. FRM/CFA (nếu muốn chuyên sâu về risk modeling)
5. Coursera/edX: Deep Learning Specialization (Andrew Ng)
### 📊 Bảng so sánh: Junior vs Senior Data Scientist
| Tiêu chí | Junior (1-2 năm) | Senior (3-5 năm) |
|----------|------------------|-------------------|
| Model development | Thực hiện theo spec | Tự thiết kế, đề xuất giải pháp |
| Business alignment | Hiểu yêu cầu BU | Chuyển đổi business problem → ML solution |
| Technical depth | Áp dụng ML cơ bản | Deep learning, GenAI, MLOps |
| Impact | Hỗ trợ model | Lead end-to-end project |
| Communication | Report kết quả | Present insight, influence decision |
| Mentorship | Cần hướng dẫn | Mentor junior members |
### 💡 Gap analysis - Những gì bạn cần bổ sung
Nếu thiếu:
- Nghiệp vụ ngân hàng: Học về credit risk, Basel framework, retail banking products
- Cloud ML: Thực hành trên AWS SageMaker / Azure ML / GCP Vertex AI
- MLOps: Tự xây sample pipeline với MLflow + Docker
- GenAI: Thử nghiệm LangChain, fine-tuning LLM, RAG implementation
Chuẩn bị phỏng vấn
## Hướng dẫn phỏng vấn Senior Data Scientist - VPBank
### 📋 Quy trình phỏng vấn (thông thường 3-4 vòng)
```
Vòng 1: HR Screening (30-45 phút)
→ Kiểm tra kinh nghiệm, motivation, cultural fit
Vòng 2: Technical Interview - Data Team (60-90 phút)
→ Python coding, ML/DL concepts, case study
Vòng 3: Technical Interview - Business Stakeholders (45-60 phút)
→ Business understanding, problem-solving, communication
Vòng 4: Final Round - Head/VP (30-45 phút)
→ Leadership, vision, career alignment
```
### ❓ Câu hỏi hay gặp theo từng vòng
#### Vòng 1 - HR Screening
1. Tại sao bạn quan tâm đến VPBank và vị trí này?
2. Mô tả dự án ML/AI mà bạn tự hào nhất trong 3 năm gần đây?
3. Bạn đã có kinh nghiệm làm việc với business stakeholders chưa? Hãy cho ví dụ?
4. Mức lương kỳ vọng của bạn là bao nhiêu?
#### Vòng 2 - Technical Interview
1. Python & Algorithms:
- Viết code Python: xử lý missing data, feature engineering, groupby operations
- Thuật toán: Decision Tree vs Random Forest vs XGBoost khác nhau thế nào?
- Gradient descent hoạt động như thế nào?
2. Machine Learning:
- Làm sao handle imbalanced data? (SMOTE, class weights, sampling)
- Explain bias-variance tradeoff
- Khi nào dùng classification vs regression?
- Feature importance: làm sao để interpret được XGBoost model?
3. Deep Learning & GenAI:
- Transformer architecture hoạt động như thế nào?
- Difference between LLM fine-tuning methods (LoRA, full fine-tune)
- RAG workflow là gì và khi nào cần dùng?
4. Case Study:
- "Nếu được giao bài toán churn prediction cho khách hàng VIP, bạn sẽ tiếp cận như thế nào?"
- "Làm sao đo lường ROI của một model khi triển khai production?"
#### Vòng 3 - Business Alignment
1. Bạn hiểu gì về mô hình kinh doanh của VPBank?
2. Làm sao để explain một complex ML model cho business user không có technical background?
3. Kể về một lần bạn phải convince một stakeholder thay đổi approach?
4. Bạn sẽ đo lường success của các model như thế nào?
#### Vòng 4 - Final Round
1. 3-5 năm tới, bạn thấy mình ở đâu trong VPBank?
2. Bạn sẽ đóng góp gì cho team data của VPBank?
3. Tại sao chúng ta nên hire bạn thay vì ứng viên khác?
### 📝 Tips chuẩn bị đặc biệt cho VPBank
1. Research VPBank trước:
- Đọc về chiến lược "Digital Transformation 2025"
- Tìm hiểu các sản phẩm AI/ML đã triển khai của VPBank
- Theo dõi VPBank trên LinkedIn, news
2. Chuẩn bị portfolio:
- Mang theo laptop demo các projects đã làm
- Chuẩn bị slides ngắn về 1-2 use cases thành công
3. Technical prep:
- Practice coding trên LeetCode (medium level)
- Ôn lại ML pipeline từ data → model → deployment
- Hiểu A/B testing và model evaluation metrics
### 👔 Dress Code
- Semi-formal: Áo sơ mi (không cần cravat), quần âu hoặc váy công sở
- VPBank có dress code khá thoải mái nhưng vòng final nên ăn mặc chỉnh chu
- Clean, professional appearance là chuẩn
### ⚠️ Red flags cần tránh
- Không biết gì về nghiệp vụ ngân hàng
- Không có production deployment experience
- Chỉ biết theory, không có hands-on code
- Không thể giải thích model decisions
Lộ trình ôn thi
## Ôn thi & Chuẩn bị cho vị trí Senior Data Scientist
### 📚 Kiến thức nền tảng cần thành thạo
#### 1. Statistics & Mathematics
```
□ Probability distributions (Normal, Poisson, Binomial)
□ Hypothesis testing (t-test, chi-square, p-value interpretation)
□ Bayesian inference basics
□ Linear algebra for ML (matrix operations, eigenvalues)
□ Calculus basics (derivatives, gradients)
```
#### 2. Machine Learning
```
□ Supervised Learning: Linear/Logistic Regression, SVM, Tree-based (RF, XGB, LGBM)
□ Unsupervised Learning: K-means, DBSCAN, PCA, Hierarchical clustering
□ Model Evaluation: AUC-ROC, Precision-Recall, F1, RMSE, MAE
□ Regularization: L1 (Lasso), L2 (Ridge), Elastic Net
□ Cross-validation strategies (K-fold, stratified, time series split)
□ Feature selection methods
□ Ensemble methods (stacking, blending, voting)
```
#### 3. Deep Learning
```
□ Neural network fundamentals (forward/backward propagation)
□ CNN architectures (for image/text)
□ RNN/LSTM/GRU for sequential data
□ Attention mechanism & Transformer architecture
□ Transfer learning & fine-tuning
□ Generative AI concepts (LLM, RAG, fine-tuning)
```
#### 4. MLOps & Deployment
```
□ Model versioning (MLflow, DVC)
□ Containerization (Docker basics)
□ CI/CD for ML
□ Model monitoring & drift detection
□ Cloud ML services (SageMaker, Azure ML, Vertex AI)
```
### 📖 Tài liệu tham khảo khuyến nghị
| Loại | Tài liệu | Ghi chú |
|------|----------|---------|
| Sách ML | "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" - Aurélien Géron | Thực hành Python, cover từ basic đến DL |
| Sách Stats | "Think Stats" - Allen Downey | Probability & Statistics for programmers |
| Sách Deep Learning | "Deep Learning" - Ian Goodfellow | Theory nền tảng DL |
| Sách GenAI | "Building LLM Applications" - Chip Huyen | RAG, fine-tuning, production |
| Online Course | fast.ai (Practical Deep Learning) | Hands-on, code-first approach |
| Kaggle | Playground competitions | Practice real-world problems |
| Vietnamese | DSVN community, DataScienceVietnam group | Networking, local insights |
### 🗓️ Lộ trình chuẩn bị 2 tuần (trước phỏng vấn)
Tuần 1 - Foundation Review
```
Day 1-2: Python coding practice (pandas, numpy, sklearn)
Day 3-4: ML algorithms deep dive (XGBoost, Neural Networks)
Day 5-6: Statistics review (hypothesis testing, metrics)
Day 7: Review và practice coding problems
```
Tuần 2 - Deep Prep
```
Day 8-9: GenAI concepts (LLM, RAG, prompt engineering)
Day 10-11: MLOps & deployment scenarios
Day 12-13: VPBank research + mock interviews
Day 14: Light review, prepare questions for interviewers
```
### 🧪 Practice Resources
- Coding: LeetCode (tag: "pandas", "numpy", "machine learning")
- ML Theory: StatQuest (YouTube) - Joshua Starmer
- System Design: "Designing Data-Intensive Applications" - Martin Kleppmann
- SQL: HackerRank SQL challenges
- Mock Interview: Pramp, CodeInterview (free alternatives)
### 🎯 Focus areas cho VPBank specific
1. Credit Risk Models: Scorecard development, PD modeling
2. Customer Analytics: CLTV, churn, segmentation
3. Fraud Detection: Anomaly detection techniques
4. GenAI in Banking: Customer service automation, document processing
Tư vấn nghề nghiệp
## Lời khuyên sự nghiệp cho Senior Data Scientist
### 📈 Lộ trình thăng tiến trong ngành Data tại ngân hàng
```
Senior Data Scientist (3-5 năm exp)
↓
Lead Data Scientist / Principal Data Scientist (5-7 năm)
↓
Data Science Manager / Head of Data Science (7-10 năm)
↓
VP/Data Science Director (10+ năm)
↓
CDO (Chief Data Officer) / Chief Analytics Officer
```
### 💰 Mức lương kỳ vọng theo cấp bậc (Hà Nội, 2024)
| Level | Kinh nghiệm | Lương tháng (gross) | Tổng package/năm |
|-------|-------------|---------------------|------------------|
| Data Scientist | 1-3 năm | 20-35 triệu | 300-500 triệu |
| Senior DS | 3-5 năm | 35-55 triệu | 500-800 triệu |
| Lead DS | 5-7 năm | 55-80 triệu | 800-1.2 tỷ |
| DS Manager | 7-10 năm | 80-120 triệu | 1.2-1.8 tỷ |
> Note: VPBank được đánh giá offer salary cạnh tranh top 3 ngành ngân hàng, có thể cao hơn 10-20% so với mặt bằng chung. Package 15-18 tháng là attractive.
### 🚀 Skills cần phát triển thêm để thăng tiến
Technical Skills nâng cao:
```
□ Mở rộng sang: LLM fine-tuning, Agentic AI, Multi-modal models
□ System Design: Thiết kế ML platform, data pipeline architecture
□ MLOps advanced: Feature store, Model registry, A/B testing at scale
□ Cloud certifications: AWS/GCP/Azure Solutions Architect
```
Leadership & Business Skills:
```
□ Executive communication: Present to C-suite, board-level reporting
□ Project management: OKRs, stakeholder management, vendor coordination
□ Business acumen: Deep understanding of P&L, risk-adjusted returns
□ Mentorship: Xây dựng team, hiring, performance review
```
### 🎯 Chuyên môn hóa - Các hướng phát triển
| Hướng | Mô tả | Vai trò phù hợp |
|-------|-------|----------------|
| Risk & Credit | Credit scoring, Basel models, IRB | Risk Quant, Model Risk |
| Customer Analytics | Churn, CLTV, personalization | Customer Insights Lead |
| Generative AI | LLM applications, automation | AI/GenAI Specialist |
| Data Platform | Data lakehouse, governance | Data Engineer Lead |
| MLOps | Pipeline automation, model ops | ML Platform Engineer |
### 📌 Lời khuyên từ người đi trước
1. Xây dựng portfolio có impact đo lường được
- Không chỉ nói "model accuracy 95%"
- Mà phải show: "Model giảm churn rate 15%, tăng NII 2%"
2. Network nội bộ quan trọng hơn bạn nghĩ
- VPBank có văn hóa internal mobility tốt
- Build relationships với các BU khác nhau
3. Đừng chỉ là "model builder"
- Senior DS cần understand business deeply
- Có thể đề xuất use case mới, không chỉ implement spec
4. GenAI là xu hướng không thể bỏ qua
- VPBank đang đẩy mạnh AI applications
- AI/ML skillsets sẽ là differentiator lớn
5. Cân nhắc long-term career
- Ngân hàng có stability tốt, bonus ổn định
- Nhưng tốc độ tech adoption có thể chậm hơn fintech
- Cân nhắc hybrid: bank experience + startup exposure
Câu hỏi thường gặp
Đây là bước chuyển khá phổ biến. Bạn cần tập trung vào: (1) Credit risk basics - hiểu PD, LGD, EAD là gì, cách xây dựng scorecard; (2) Retail banking products - deposits, cards, consumer loans, cross-sell mechanics; (3) Regulatory context - Basel, IRB, anti-money laundering basics. Suggest bạn đọc cuốn 'An Introduction to Credit Risk Management' và follow các blog của các ngân hàng Việt. Thực tế, kiến thức về data infrastructure và cloud ML sẽ vẫn là điểm mạnh của bạn, phần nghiệp vụ có thể học nhanh khi vào.
Based on nhiều review từ cộng đồng, VPBank tập trung vào: (1) Python coding - pandas operations, feature engineering, xử lý missing data; (2) ML fundamentals - bias-variance tradeoff, cross-validation, metrics (AUC-ROC, F1), feature importance; (3) Case study - thường là churn prediction hoặc customer segmentation; (4) GenAI concepts - RAG, prompt engineering, fine-tuning basics. Đặc biệt họ hay hỏi về practical experience: 'Model của bạn đã deployed chưa? Monitoring như thế nào?'. Recommend tập trung ôn những phần này thay vì theory quá sâu.
Package được công bố là 15-18 tháng lương. Với 3-5 năm kinh nghiệm, base salary thường dao động 35-50 triệu/tháng (gross), tổng package có thể đạt 600-800 triệu/năm. VPBank được đánh giá offer khá competitive, có thể cao hơn VIB, Techcombank. Về thương lượng: hoàn toàn có thể, đặc biệt nếu bạn có competing offers hoặc unique skill sets (ví dụ GenAI expertise). Tips: đừng đưa số đầu tiên, let them make the offer, và research kỹ market rate trước.
Thực tế thì JD yêu cầu 3-5 năm kinh nghiệm, nên Fresh grads sẽ khó apply trực tiếp vào Senior. Recommend approach: (1) Tìm các vị trí Data Analyst hoặc Junior Data Scientist tại VPBank trước; (2) Build 1-2 năm experience ở các công ty khác (fintech, consulting, product company); (3) Trong thời gian đó, tích cực contribute open source, participate Kaggle competitions, hoặc làm side projects liên quan đến banking/finance để build portfolio. Sau 2-3 năm, profile của bạn sẽ fit hơn nhiều. Ngoài ra, intern tại VPBank cũng là con đường tốt để vào thẳng.
VPBank được biết đến là một trong những ngân hàng 'fast-paced' nhất, tương đối flat hierarchy. Ưu điểm: (1) Nhiều cơ hội để propose ý tưởng mới, không bị bureaucracy; (2) Tech adoption nhanh - họ thực sự đầu tư vào AI/ML; (3) Cross-functional collaboration tốt hơn nhiều ngân hàng truyền thống. Nhược điểm: (1) Workload có thể heavy, deadline-driven; (2) Thay đổi frequently - strategic pivots; (3) Less structured so có thể không phù hợp với người thích stability hoàn toàn. Nếu bạn thích được nhiều ownership và impact, đây là môi trường tốt.
GenAI được mention trong JD với lý do - VPBank đang đẩy mạnh AI applications trong năm 2024-2025. Tuy nhiên, với 3-5 năm kinh nghiệm ML, bạn hoàn toàn có thể học GenAI trong 2-3 tháng. Suggest: (1) Học basics của Transformers, attention mechanism; (2) Thực hành LangChain, RAG implementation; (3) Tự build 1-2 demo projects với OpenAI API hoặc open-source LLMs (Llama, Mistral). Nếu bạn có strong ML fundamentals, GenAI skills sẽ là 'nice to have' nhưng không phải dealbreaker. Quan trọng hơn là demonstrate ability to learn fast và initiative.
Cái này còn tùy team và giai đoạn. Data team tại VPBank thường có workload khá full, đặc biệt khi có project deadline hoặc model deployment. Average có thể 8-9 tiếng/ngày, peak season có thể overtime. Điểm cộng: (1) Hybrid working policy (2-3 ngày WFH); (2) Flexible hours; (3) Fridays thường out sớm hơn. So với các ngân hàng truyền thống thì VPBank tương đối better. Nếu bạn quan tâm WLB, nên hỏi direct trong interview để understand better specific team dynamics.
VPBank có chính sách internal mobility tương đối open. Trong khối Data, bạn có thể chuyển đổi giữa: Credit Risk Analytics, Customer Analytics, Marketing Analytics, Fraud Detection, Data Engineering, AI/ML Platform. Điều kiện: thường cần 1.5-2 năm ở vị trí hiện tại, có manager endorsement, và phải pass interview của team mới. Nhiều bạn đã chuyển từ Data Scientist → Risk Quant → Business Analyst thành công. Đây là lợi thế của môi trường ngân hàng lớn - có nhiều scope để explore nếu bạn clear về career direction.
Chia sẻ từ cộng đồng
Mình vừa pass vòng final tuần trước. Quy trình VPBank khá nhanh, từ apply đến offer chỉ 3 tuần. Technical round hỏi khá sâu về XGBoost internals, mình bị hỏi về regularization parameters và cách handle overfitting. Phải ôn kỹ mấy topics này.
Ai đang apply vị trí này thì chuẩn bị kỹ case study. Họ hay hỏi: giả sử bạn được access dữ liệu VPBank, bạn sẽ giải quyết bài toán gì? Câu trả lời cần show được cả technical approach lẫn business impact. Mình recommend practice theo framework: Problem → Data → Model → Evaluation → Deployment.
Lương thực tế cho Senior DS ở đây dao động 40-50 triệu base, nhân 15-16 tháng. Có offer letter rồi, đang cân nhắc giữa VPBank và một fintech. Fintech offer cao hơn 20% nhưng VPBank stability hơn, benefits cũng khá đầy đủ. Bạn nào có kinh nghiệm thì chia sẻ thêm với.
Warning: Khối Data của VPBank khá demanding. Mình biết một số bạn đã out sau 6 tháng vì workload quá nặng. Nhưng bù lại, học được nhiều thật sự - tech stack hiện đại, động đến GenAI, cloud. Cần cân nhắc kỹ nếu bạn thích work-life balance.
Review từ người đang ở đây: Team Data có khoảng 20-30 người, culture khá collaborative. Điểm tốt là được tiếp cận massive data của ngân hàng, có cơ hội thử nghiệm nhiều thứ. Điểm trừ: documentation có thể better, một số legacy systems vẫn còn. Nói chung recommend cho bạn nào muốn grow về technical skills.
Mình từng apply vị trí này năm ngoái, không pass vòng technical. Feedback là mình thiếu production deployment experience. Nên nếu bạn nào chỉ có Jupyter notebook experience thì cần bổ sung thêm Docker, CI/CD, monitoring. Học MLOps là must-have. Hiện mình đang làm thêm 1.5 năm để build experience này, hy vọng sẽ re-apply được.
GenAI đang là hot topic ở đây. Team đang build internal LLM applications, RAG systems. Ai có background về NLP/LLM thì sẽ có lợi thế cạnh tranh. Mình suggest tự build một demo RAG application để show trong interview - đó là cách demonstrate ability nhanh nhất.
Có bạn nào biết quy trình onboarding không? Mình sắp join rồi mà chưa rõ. Hỏi HR thì được biết sẽ có 2 tuần orientation, sau đó assigned vào một project cụ thể. Team size khoảng 4-6 người per project. Ai có thông tin thêm thì comment giúp mình với.
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