Phó phòng Phân tích dữ liệu

Phó phòng Phân tích dữ liệu là cầu nối giữa dữ liệu và kinh doanh: cùng Trưởng phòng xác định các bài toán kinh doanh có giá trị, dẫn dắt đội ngũ Data Scientist và Machine Learning Engineer triển khai giải pháp đến khi được nghiệp vụ sử dụng thực tế, và chứng minh bằng số liệu tác động của dữ liệu tới doanh thu, chi phí và rủi ro của ngân hàng.

Trách nhiệm:

• Xác định và ưu tiên bài toán kinh doanh: Làm việc với các khối nghiệp vụ qua business discovery workshop để nhận diện cơ hội ứng dụng dữ liệu; đánh giá, ưu tiên use case theo giá trị kinh doanh và tính khả thi; xây dựng business case.
• Thiết kế và đo lường tác động: Thiết lập business hypothesis, KPI và phương pháp đo lường (A/B test, nhóm đối chứng, uplift) ngay từ đầu mỗi dự án; theo dõi và báo cáo giá trị mang lại như ROI, doanh thu tăng thêm, giảm tỷ lệ rời bỏ, giảm tổn thất rủi ro.
• Dẫn dắt triển khai end-to-end: Hỗ trợ Trưởng phòng lập kế hoạch use case theo quý/năm; điều phối dự án từ bài toán kinh doanh đến mô hình vận hành và được tích hợp vào quy trình nghiệp vụ; theo dõi tiến độ và rủi ro.
• Chuyển insight thành hành động: Chuyển kết quả phân tích thành khuyến nghị cụ thể cho nghiệp vụ (chiến dịch bán hàng, phê duyệt tín dụng, cảnh báo rủi ro…); trình bày kết quả và tác động cho các khối nghiệp vụ và lãnh đạo.
• Quản lý đội ngũ và chất lượng giải pháp: Phân công, giám sát nhóm DS/MLE; review mô hình và kết quả phân tích để bảo đảm vừa đúng kỹ thuật vừa giải quyết đúng mục tiêu kinh doanh; theo dõi hiệu năng mô hình sau triển khai để giá trị được duy trì.
• Phát triển đội ngũ: Đào tạo, kèm cặp DS/MLE cả về kỹ năng kỹ thuật và tư duy kinh doanh; đánh giá năng lực và đề xuất lộ trình phát triển nhân sự.

Trình độ chuyên môn

• Tốt nghiệp Đại học hệ đào tạo chính quy trở lên chuyên ngành Khoa học dữ liệu, CNTT, Toán - Thống kê, Kinh tế lượng, Tài chính - Ngân hàng hoặc lĩnh vực tương đương; ưu tiên Thạc sĩ hoặc chứng chỉ quốc tế về Data Science, Machine Learning, Agile Project Management.
• Am hiểu nghiệp vụ ngân hàng và các chỉ số kinh doanh cốt lõi (giá trị vòng đời khách hàng, tỷ lệ chuyển đổi, tỷ lệ rời bỏ, nợ xấu, hiệu quả chiến dịch).
• Am hiểu đặc thù dữ liệu ngân hàng (giao dịch, hành vi khách hàng, tín dụng, rủi ro, vận hành) và kiến trúc dữ liệu (Data Lake, Data Warehouse, Data Mart).
• Thành thạo Python, SQL; vững kiến thức Machine Learning/Deep Learning (Scikit-learn, TensorFlow hoặc PyTorch).
• Hiểu quy trình triển khai và vận hành mô hình (CRISP-ML(Q), MLOps, MLflow, Airflow).
• Đánh giá mô hình về chỉ số kỹ thuật (AUC, F1-score, lift) và giá trị kinh doanh mang lại.

Kinh nghiệm

• Tối thiểu 5 năm kinh nghiệm trong phân tích dữ liệu, machine learning hoặc AI, trong đó ít nhất 2 năm quản lý nhóm hoặc dẫn dắt dự án phân tích dữ liệu.
• Đã trực tiếp dẫn dắt các use case từ bài toán kinh doanh đến triển khai thực tế, có kết quả đo lường được bằng chỉ số kinh doanh (doanh thu, tỷ lệ chuyển đổi, tỷ lệ rời bỏ, nợ xấu, chi phí vận hành…).
• Kinh nghiệm với các bài toán ngân hàng như chấm điểm khách hàng, dự đoán hành vi, khuyến nghị sản phẩm và bán chéo, giữ chân khách hàng, quản lý rủi ro.
• Kinh nghiệm thiết kế thử nghiệm và đo lường hiệu quả giải pháp (A/B test, nhóm đối chứng, uplift).
• Kinh nghiệm làm việc trực tiếp với các khối kinh doanh và trình bày kết quả trước lãnh đạo cấp cao.
• Ưu tiên ứng viên chứng minh được tác động của mình bằng case study cụ thể kèm số liệu.

Tư duy và hành vi tương tác giữa các cá nhân

• Tư duy kinh doanh: bắt đầu từ vấn đề kinh doanh, không bắt đầu từ thuật toán; theo đuổi chuỗi Data → Insight → Action → Impact.
• Định hướng kết quả: chịu trách nhiệm về giá trị thực tế mà giải pháp mang lại, không chỉ về mô hình.
• Kể chuyện bằng dữ liệu: trình bày rõ ràng, thuyết phục; truyền đạt nội dung kỹ thuật bằng ngôn ngữ kinh doanh.
• Khả năng tạo ảnh hưởng: thuyết phục các khối nghiệp vụ và lãnh đạo áp dụng giải pháp dữ liệu vào quy trình.
• Tổ chức, điều phối đội nhóm hiệu quả; hợp tác tốt với các đơn vị nghiệp vụ, IT và quản lý cấp cao; tinh thần sẵn sàng chia sẻ/hướng dẫn.