Giá trị thp mang lại

5 giá trị mà môi trường làm việc tại THP
+ Thành tích – Đam mê
• Thành tích của tôi được đánh giá công bằng và rõ ràng, không thiên vị
• Môi trường này tạo cơ hội để tôi thực hiện những gì tôi đam mê
+ Phát triển – Ảnh hưởng
• Tôi được tạo điều kiện để tôi phát triển
• Tôi thấy công việc của tôi đóng góp tạo giá trị cho Công ty & đồng đội của tôi thành công
+ Tư duy cải tiến – Sáng tạo
• Tôi được tạo điều kiện sáng tạo trong việc thực hiện công việc
• Công ty triển khai các chương trình mới mang giá trị đến cho nhân viên & khách hàng
+ Văn hóa làm việc – Xây dựng mối quan hệ
• Văn hóa làm việc giữa đồng nghiệp & cấp trên hành xử với nhau & với tôi theo giá trị Cốt lõi Công ty
• Tại môi trường làm việc với đồng nghiệp: cởi mở, hợp tác, quan tâm lẫn nhau
+ Lãnh đạo – Tôn trọng
• Sếp lắng nghe, thấu hiểu, hỗ trợ & dẫn dắt sự phát triển của tôi & đồng đội
• Công ty muốn lắng nghe để tạo điều kiện cho tôi hoàn thành công việc tốt hơn

Mục đích công việc

Tối ưu hóa việc tạo giá trị cho các bên liên quan bằng cách khai thác dữ liệu hiện có thông qua các kỹ thuật khai phá dữ liệu nâng cao, nhằm phát hiện những thông tin có giá trị và thúc đẩy ra quyết định chiến lược.

– Lập kế hoạch chiến lược và dự án khoa học dữ liệu:
• Xác định cơ hội dữ liệu: Đánh giá các tài sản dữ liệu hiện có để xác định các khu vực có thể khai thác dữ liệu nhằm mang lại giá trị kinh doanh đáng kể.
• Phát triển chiến lược khai thác dữ liệu: Xây dựng kế hoạch chi tiết bao gồm phương pháp luận, công cụ và lộ trình thực hiện các dự án khai phá dữ liệu.
• Thiết lập mục tiêu và KPI: Xác định các mục tiêu rõ ràng và chỉ số đánh giá hiệu quả để đo lường thành công và tác động của các sáng kiến khoa học dữ liệu.

– Triển khai các dự án khoa học dữ liệu:
• Thu thập và chuẩn bị dữ liệu: Tập hợp dữ liệu từ nhiều nguồn nội bộ và bên ngoài, đảm bảo chất lượng và tính nhất quán của dữ liệu.
• Phân tích tập dữ liệu: Áp dụng các phương pháp thống kê và thuật toán máy học để phát hiện mô hình, mối tương quan và xu hướng trong dữ liệu.
• Phát triển mô hình: Xây dựng và kiểm định các mô hình nhằm tạo ra thông tin chi tiết có giá trị từ dữ liệu.
• Trực quan hóa kết quả: Tạo các biểu đồ và báo cáo trực quan để truyền đạt hiệu quả các phát hiện đến các bên liên quan.

– Giám sát và đảm bảo kết quả của các dự án khoa học dữ liệu:
• Đánh giá hiệu suất mô hình: Kiểm tra định kỳ độ chính xác và độ tin cậy của các mô hình dự báo, điều chỉnh khi cần thiết.
• Theo dõi các chỉ số quan trọng: Đánh giá KPI để đảm bảo các dự án khai thác dữ liệu đạt được mục tiêu đề ra và đóng góp vào chiến lược kinh doanh.
• Thu thập phản hồi từ các bên liên quan: Ghi nhận ý kiến của các bên liên quan để đánh giá tác động thực tế của các kết quả dữ liệu và điều chỉnh phương pháp tiếp cận phù hợp.

– Đảm bảo các dự án khoa học dữ liệu mang lại giá trị đúng và xây dựng năng lực dữ liệu cho tổ chức:
• Triển khai giải pháp dựa trên dữ liệu: Phối hợp với các nhóm liên phòng ban để tích hợp các mô hình và kết quả phân tích vào quy trình và hệ thống kinh doanh.
• Tối ưu hóa thực hành dữ liệu: Liên tục cải tiến các bước xử lý dữ liệu từ đầu đến cuối.
• Chia sẻ kiến thức: Hướng dẫn và đào tạo các thành viên trong nhóm và các bên liên quan về các kỹ thuật khai phá dữ liệu và lợi ích của việc ra quyết định dựa trên dữ liệu.

Các điều kiện cần có

– Kỹ năng kỹ thuật:
1. Thành thạo lập trình:
• Python: Sử dụng rộng rãi trong xử lý dữ liệu, phân tích và ứng dụng máy học.
• R: Chuyên sâu về phân tích thống kê và trực quan hóa dữ liệu.
• SQL: Quan trọng trong truy vấn và quản lý cơ sở dữ liệu quan hệ.
2. Kiến thức thống kê và toán học:
• Xác suất và thống kê: Hiểu rõ về kiểm định thống kê, phân phối xác suất và ước lượng hợp lý tối đa.
• Đại số tuyến tính và giải tích: Cơ sở quan trọng để phát triển thuật toán máy học.
3. Máy học và trí tuệ nhân tạo:
• Học có giám sát và không giám sát: Kinh nghiệm với hồi quy, phân loại, phân cụm và kỹ thuật giảm chiều dữ liệu.
• Học sâu: Kiến thức về mạng nơ-ron nhân tạo và các framework như TensorFlow hoặc PyTorch.
4. Xử lý và khám phá dữ liệu:
• Làm sạch dữ liệu: Khả năng tiền xử lý và làm sạch tập dữ liệu lớn trước khi phân tích.
• Phân tích dữ liệu khám phá (EDA): Thành thạo trong việc xác định mô hình, bất thường và thông tin chi tiết trong dữ liệu.
5. Trực quan hóa dữ liệu:
• Công cụ: Thành thạo trong việc tạo biểu đồ dữ liệu bằng các công cụ như Tableau, Power BI hoặc thư viện Matplotlib và Seaborn trong Python.

– Bằng cấp chuyên môn: Bằng cử nhân trong các lĩnh vực Khoa học Dữ liệu, Khoa học Máy tính, Hệ thống Thông tin, Kỹ thuật, Quản trị Kinh doanh, Toán học hoặc lĩnh vực liên quan.

– Kỹ năng CNTT:
1. Quản lý cơ sở dữ liệu:
• Cơ sở dữ liệu quan hệ: Kinh nghiệm với MySQL, PostgreSQL hoặc Oracle.
• Cơ sở dữ liệu NoSQL: Hiểu biết về MongoDB hoặc Cassandra để xử lý dữ liệu phi cấu trúc.
2. Công nghệ dữ liệu lớn:
• Frameworks: Kiến thức về Hadoop, Spark hoặc Hive để xử lý tập dữ liệu lớn.
3. Điện toán đám mây:
• Nền tảng: Kinh nghiệm với AWS, Azure hoặc Google Cloud để lưu trữ và xử lý dữ liệu có thể mở rộng.
4. Kỹ thuật dữ liệu:
• Quy trình ETL: Thiết kế và quản lý pipeline dữ liệu để đảm bảo luồng dữ liệu hiệu quả.
• API: Tích hợp và trích xuất dữ liệu từ nhiều API khác nhau.
5. Quy trình phát triển phần mềm:
• Quản lý phiên bản: Sử dụng Git để kiểm soát phiên bản và làm việc nhóm.
• Gỡ lỗi và kiểm thử: Đảm bảo độ tin cậy và hiệu suất của mã nguồn.

– Thành thạo tiếng Anh và tiếng Việt ở mức giao tiếp, có khả năng đọc, viết và nghe hiểu tiếng Anh.

– Tối thiểu 4 năm làm việc trong vai trò khoa học dữ liệu.

– Quản lý dự án và công cụ cộng tác:
• Phương pháp Agile: Hiểu biết về quản lý dự án theo phương pháp Agile và sử dụng các công cụ như Jira, Trello để giám sát dự án dữ liệu và hỗ trợ hợp tác giữa các phòng ban.