Data Scientist Expert

Job Purpose

1. Mục tiêu và vai trò

Xây dựng năng lực phân tích nâng cao để hỗ trợ ra quyết định dựa trên dữ liệu nhằm:

• Thiết lập phương pháp luận và năng lực AI/ML

• Nâng cao chất lượng dự báo

• Tối ưu hóa nguồn lực và hiệu quả kinh doanh

• Hỗ trợ ra quyết định dựa trên dữ liệu

• Tự động hóa quy trình phân tích và mở rộng năng lực hỗ trợ ra quyết định trên quy mô lớn, thông qua automation và AI Agent, Rút ngắn thời gian từ dữ liệu đến quyết định

Key Accountabilities (1)

2.1. Nâng cao chất lượng dự báo và hoạch định tài chính

Team chịu trách nhiệm phát triển các mô hình dự báo và mô phỏng để phục vụ công tác lập kế hoạch, quản trị hiệu quả và điều hành kinh doanh, bao gồm:

• Dự báo huy động, tín dụng, NII, NFI, chi phí, CoC và các chỉ tiêu tài chính trọng yếu

• Xây dựng mô hình driver-based forecasting để liên kết kết quả kinh doanh với các biến số hành vi, thị trường và vĩ mô

• Phân tích kịch bản và stress testing nhằm đánh giá tác động của biến động thị trường và thay đổi chính sách lên kết quả tài chính

• Cảnh báo sớm các sai lệch so với budget/forecast để hỗ trợ điều chỉnh kế hoạch kịp thời

2.2. Tối ưu hóa lợi nhuận và phân bổ nguồn lực

Team phát triển các công cụ phân tích giúp nâng cao hiệu quả sử dụng vốn, ngân sách và nguồn lực kinh doanh, bao gồm:

• Phân tích lợi nhuận theo khách hàng, sản phẩm, phân khúc, RM và kênh

• Hỗ trợ tối ưu pricing, ưu đãi, ngân sách marketing và phân bổ nguồn lực theo expected return

• Đánh giá trade-off giữa tăng trưởng, lợi nhuận, thanh khoản và rủi ro để hỗ trợ quyết định quản trị

• Hỗ trợ các bài toán tối ưu danh mục và cấu trúc bảng cân đối trong khung quản trị rủi ro hiện hành

Key Accountabilities (2)

2.3. Xây dựng sản phẩm phân tích và AI có khả năng tái sử dụng

Team không làm phân tích theo hướng thủ công, rời rạc, mà xây dựng các tài sản phân tích có thể tái sử dụng và triển khai ở quy mô lớn, bao gồm:

• Data pipelines và analytical workflows phục vụ các use case trọng điểm

• Feature sets, scoring logic, reusable modules và mô hình dùng chung

• Dashboard, insight layer và decision-support tools tích hợp vào quy trình làm việc của Finance và business

• Tự động hóa các bước tổng hợp dữ liệu, phân tích định kỳ, tạo nhận định và cảnh báo

2.4. Trung tâm chuyên môn AI/ML cho khối Finance

Team đóng vai trò trung tâm chuyên môn trong việc chuẩn hóa phương pháp và nâng cao năng lực tổ chức, bao gồm:

• Thiết lập chuẩn phương pháp luận cho forecasting, causal inference, optimization, explainability và model governance

• Cố vấn kỹ thuật cho các sáng kiến phân tích có liên quan đến Finance

• Đào tạo và mentoring nhằm nâng cao năng lực AI/ML cho đội ngũ nội bộ

• Phối hợp với các đơn vị dữ liệu, công nghệ, kinh doanh và kiểm soát để đưa mô hình vào vận hành an toàn, hiệu quả

Key Accountabilities (3)

3. Một số Use Case phân tích dữ liệu

3.1. Forecasting, Planning và ALM

a. Forecasting vĩ mô và lập kế hoạch theo drivers

b. Dự báo dòng tiền và hành vi bảng cân đối

c. Tối ưu hóa danh mục và hiệu quả vốn

3.2. Profitability, Marketing và Pricing

a. Marketing effectiveness và budget allocation

b. Pricing analytics và offer optimization

c. Customer profitability analytics

3.3. Customer-level Decisioning

a. Churn prediction và retention strategy

b. Cross-sell, up-sell và CLTV

c. Hỗ trợ RM ra quyết định

3.4. Control, Assurance và Fraud Analytics

a. Phát hiện bất thường trong dữ liệu tài chính và giao dịch

b. Financial integrity monitoring

4. AI/GenAI và Agentic Workflow

4.1. Finance Copilot và RM Copilot

• Tích hợp dữ liệu nội bộ, knowledge base, policy và ngữ cảnh khách hàng để hỗ trợ tra cứu, tổng hợp và đề xuất hành động

• Hỗ trợ tạo commentary, phân tích nguyên nhân biến động, chuẩn bị memo và tóm tắt insight

• Nâng cao năng suất của Finance, RM và các nhóm phân tích liên quan

4.2. RAG cho tri thức và quyết định tài chính

• Kết nối LLM với dữ liệu chuẩn hóa từ data lakehouse, semantic layer và tài liệu nghiệp vụ

• Hỗ trợ hỏi đáp, tìm kiếm chuyên sâu, giải thích logic và tạo draft phân tích có căn cứ

• Bảo đảm khả năng truy xuất nguồn, kiểm soát truy cập và giới hạn sử dụng theo đúng governance

4.3. Agentic workflow cho tự động hóa phân tích

• Tự động hóa các tác vụ lặp lại như tổng hợp dữ liệu, chạy logic phân tích chuẩn, sinh nhận định ban đầu và chuyển kết quả vào quy trình phê duyệt

• Triển khai theo nguyên tắc human-in-the-loop, traceability và approval control

• Tập trung vào tăng năng suất và rút ngắn SLA, không theo hướng full autonomy

4.4. Giám sát mô hình và vòng đời vận hành

• Theo dõi drift, hiệu năng, data quality và các ngưỡng cảnh báo của mô hình

• Tự động kích hoạt review hoặc đề xuất re-training theo workflow có kiểm soát

• Bảo đảm mô hình vận hành ổn định, minh bạch và phù hợp môi trường ngân hàng

Success Profile - Qualification and Experiences

5.1. Kiến thức và kỹ năng cốt lõi

Ứng viên cần có nền tảng mạnh về dữ liệu, định lượng và tư duy giải quyết bài toán kinh doanh, bao gồm:

• Tốt nghiệp Đại học hoặc Thạc sĩ các ngành Khoa học máy tính, Thống kê, Toán ứng dụng, Kinh tế lượng hoặc Tài chính định lượng

• Thành thạo Python, SQL; ưu tiên ứng viên có kinh nghiệm với Spark và xử lý dữ liệu lớn

• Hiểu sâu về machine learning fundamentals, time series forecasting, feature engineering, model validation và performance measurement

• Có kinh nghiệm với causal inference, experimentation và explainable AI

• Có khả năng chuyển hóa bài toán kinh doanh thành bài toán phân tích có thể triển khai

5.2. Kinh nghiệm triển khai và năng lực hệ thống

• Kinh nghiệm xây dựng data pipelines, ML pipelines và analytical workflows

• Hiểu biết về triển khai mô hình, monitoring, version control và vòng đời mô hình

• Có kinh nghiệm làm việc với cloud/data platforms như Databricks, Azure hoặc AWS là lợi thế lớn

• Thành thạo các công cụ triển khai như Docker, CI/CD; kinh nghiệm production là điểm cộng rõ rệt

5.3. GenAI và AI ứng dụng

• Có kinh nghiệm xây dựng ứng dụng sử dụng LLM, RAG hoặc workflow automation là lợi thế

• Hiểu các nguyên tắc evaluation, guardrails, observability và governance cho ứng dụng AI trong môi trường doanh nghiệp

• Có tư duy thực dụng, biết dùng GenAI để giải quyết bài toán năng suất và hỗ trợ quyết định thay vì chỉ dừng ở demo kỹ thuật

5.4. Năng lực làm việc

• Tư duy cấu trúc, định hướng kết quả và bám sát business value

• Giao tiếp tốt với stakeholder từ Finance, Business, Risk, Product, Data và Technology

• Có khả năng trình bày insight rõ ràng, súc tích và thuyết phục

• Có năng lực mentoring, dẫn dắt chuyên môn và xây dựng đội ngũ bền vững