• Phân tích đầu bài nghiệp vụ:
- Phân tích quy trình nghiệp vụ, bóc tách vấn đề khó khăn mà các đơn vị đang gặp phải để từ đó tìm kiếm giải pháp dựa trên khoa học dữ liệu;
- Chủ động đề xuất các giải pháp khoa học dữ liệu (AI/ ML hoặc các mô hình thống kê truyền thống) để giải quyết các bài toán đã thực hiện phân tích nghiệp vụ;
- Đánh giá impact và mức độ khả thi của các đầu bài khoa học dữ liệu, từ đó xây dựng kế hoạch phát triển cho các đầu bài có mức độ impact và khả thi cao;
- Đề xuất các chỉ tiêu kĩ thuật (technical metric), các chỉ tiêu kinh doanh (business metric) sử dụng để đo lường hiệu quả sau khi phát triển xong.
• Phát triển mô hình AI/ ML:
- Dựa trên mức độ hiểu biết về nghiệp vụ, trực tiếp phát triển các feature có tính chất dự báo tốt để sử dụng cho các mô hình AI/ ML, chuẩn hóa cách thức đặt tên, code và logic để tích hợp vào feature store hiện hữu của ngân hàng;
- Trực tiếp phát triển và tối ưu các mô hình AI/ ML cho các bài toán phân tích nâng cao cho Khối Ngân hàng bán lẻ như dự báo khách hàng rời đi (churn prediction), bán chéo/sản phẩm (cross/up-sell), phân khúc khách hàng (segmentation)… và các khối nghiệp vụ khác trong ngân hàng (các bài toán tối ưu vận hành, phát hiện gian lận);
- Chịu trách nhiệm document các bước phát triển, các điểm ra quyết định trong quá trình phát triển để đảm bảo khả năng tái sử dụng và chia sẻ các tri thức có được trong mỗi dự án Khoa học Dữ liệu;
- Diễn giải kết quả mô hình AI/ ML và cách thức áp dụng vào quy trình cho các đơn vị nghiệp vụ.
• Thử nghiệm, theo dõi và đánh giá hiệu quả mô hình:
- Phối hợp với đơn vị nghiệp vụ để xây dựng kế hoạch thử nghiệm các mô hình AI/ ML trong luồng quy trình nghiệp vụ thông qua A/B test;
- Đánh giá các chỉ tiêu kĩ thuật (technical metric), các chỉ tiêu kinh doanh (business metric) trong quá trình thử nghiệm;
- Theo dõi các hiệu năng mô hình trong quá trình thử nghiệm, thực hiện phân tích kết quả thử nghiệm, đề xuất các điểm cần cải thiện (nếu có).
• 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 Khoa học Dữ liệu;
- 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/ ML tại ngân hàng;
- Tích cực tham gia và chia sẻ tại các seminar nội bộ để lan tỏa kiến thức và chia sẻ kinh nghiệm thực tiễn với đội nhóm.
• Thực hiện các công việc khác theo yêu cầu và chỉ đạo của lãnh đạo cấp trên.

• Kĩ năng cứng:
- Tốt nghiệp Đại học trở lên chuyên ngành Công nghệ thông tin, Toán tài chính hocacwj các chuyên ngành có liên quan;
- Nắm vững các kiến thức nền tảng về xác suất thống kê, các thuật toán học máy thông dụng (thuật toán cây, thuật toán hồi quy logistics, thuật toán phân cụm…);
- Thành thạo Python và các thư viện chuyên sâu phục vụ AI/ ML như: Scikit-learn, XGBoost, LGBM, TensorFlow, Optuna,..cùng các công cụ hỗ trợ triển khai như MLflow, Git;
- Thành thạo SQL;
- Am hiểu về genAI (các thư viện như PyTorch, TensorFlow, Hugging Face Transformers) là một lợi thế
- Có kinh nghiệm sử dụng các công cụ BI như Power BI, Tableau, Superset… là một lợi thế;

• Kỹ năng mềm:
- Có kinh nghiệm làm việc trong lĩnh vực Khoa học Dữ liệu từ 2 năm trở lên;
- Có khả năng phối hợp và làm việc nhóm hiệu quả;
- Cẩn thận, tỉ mỉ, có khả năng logic tốt và có khả năng làm việc trong áp lực;
- Kỹ năng thuyết trình, giao tiếp rõ ràng và mạch lạc, có thể trình bày kết quả phân tích, mô hình và insight cho đơn vị nghiệp vụ;
- Ưu tiên các ứng viên đã có kinh nghiệm trong lĩnh vực tài chính ngân hàng.