Data Engineer — Không cần tiếng Nhật, làm việc 100% từ xa cho công ty AI Nhật Bản tự phát triển sản phẩm | Hạ tầng dữ liệu 8 tỷ bản ghi | Kỹ sư Việt đang hoạt động tích cực, tuyển thêm 5-10 người
仕事概要
## Về SalesNow
Sứ mệnh của SalesNow là "Tạo ra cơ chế để ai cũng có thể phát huy năng lực", và chúng tôi đang theo đuổi thử thách thay đổi tận gốc cách con người làm việc. Lực lượng lao động Nhật Bản đang thu hẹp, nên câu hỏi đặt ra là mỗi người có thể tạo ra thêm bao nhiêu giá trị. SalesNow trả lời câu hỏi đó bằng cách tái thiết kế cách làm việc giữa doanh nghiệp với doanh nghiệp, dựa trên dữ liệu doanh nghiệp và AI.
Nền tảng của chúng tôi là cơ sở dữ liệu hơn 16 triệu bản ghi doanh nghiệp và tổ chức, được cấu trúc hóa riêng biệt đến từng doanh nghiệp, tổ chức, chi nhánh và phòng ban. Hạ tầng dữ liệu phía sau lưu trữ 8 tỷ bản ghi. SalesNow đứng số 1 về số lượng bản ghi trong số các cơ sở dữ liệu doanh nghiệp tại Nhật Bản (khảo sát của Japan Marketing Research Organization, kỳ khảo sát kết thúc tháng 10/2025).
## Vì sao có vị trí này
**Thời kỳ doanh thu tăng theo số lượng nhân sự đã kết thúc.** Phần giá trị mà mỗi người tạo ra ngày càng đến từ việc làm việc cùng AI, và AI chỉ hỗ trợ được những quyết định tốt khi làm việc trên dữ liệu chính xác về từng doanh nghiệp. Xây dựng nguồn dữ liệu đó chính là công việc của vị trí này.
Một phần lớn dữ liệu này không bao giờ xuất hiện trên web: chúng đến từ việc thu thập thủ công của hàng chục nghìn nhà nghiên cứu dữ liệu cùng đội ngũ nội bộ của chúng tôi, và từ đóng góp của người dùng trên trang media do chúng tôi vận hành. Xác định một danh tính doanh nghiệp duy nhất từ những nguồn như vậy, thay vì từ một tập dữ liệu công khai, chính là bài toán kỹ thuật bạn đảm nhận ở đây. SalesNow đang tiến gần đến vòng Series B, và chúng tôi đặt mục tiêu tăng ARR trên mỗi nhân viên lên gấp 10 lần trong 3 năm, tính từ tháng 11/2025. Dữ liệu chính xác là điều kiện để đạt mục tiêu đó. Vì vậy, data engineering giữ vai trò trung tâm trong cách SalesNow phát triển. Chúng tôi đang tuyển Data Engineer thiết kế cách thu thập, tích hợp và kiểm chứng dữ liệu doanh nghiệp, đồng thời bảo đảm dữ liệu đó có thể được cả con người lẫn AI sử dụng.
### Đội ngũ tại Việt Nam
Hiện đã có 3 thành viên người Việt đang làm việc cùng chúng tôi, và chúng tôi dự định tuyển thêm 5–10 người nữa. Bạn gia nhập một đội ngũ đã có sẵn quy trình phối hợp xuyên ngôn ngữ, và góp phần định hình cách làm việc của đội ngũ tại Việt Nam khi đội ngũ mở rộng.
## Bạn sẽ xây dựng gì
- Hồ sơ doanh nghiệp kết hợp thông tin tổng quan, tin tuyển dụng, IR, dịch vụ, công nghệ và công cụ đang sử dụng, quảng cáo, tổ chức và phòng ban, thông tin liên hệ — được đối chiếu đến cấp chi nhánh bằng mã JC riêng của SalesNow. Bạn quyết định cách hợp nhất các nguồn này để mỗi doanh nghiệp chỉ còn đúng một hồ sơ
- Tín hiệu nắm bắt động thái của doanh nghiệp: tăng tuyển dụng, gọi vốn, mở văn phòng mới, mở rộng ra nước ngoài, điều chỉnh giảm dự báo kết quả kinh doanh, tạm dừng tin tuyển dụng. Đội sales dùng những tín hiệu này để quyết định nên tiếp cận doanh nghiệp nào và vào lúc nào. Bạn thiết kế các bước kiểm chứng làm cho những tín hiệu đó đủ tin cậy để hành động
- Các DAG Airflow (MWAA) cho các nguồn tin tuyển dụng của chúng tôi. Bạn quyết định cách phát hiện bất thường, cách chạy lại khi lỗi, và thế nào là "đã thu thập đúng" cho từng nguồn
- Nền tảng Databricks và Delta Lake với ba lớp (thô, làm sạch, phục vụ), định nghĩa job quản lý bằng Terraform. Làm sạch bản ghi ở đâu, và cho phép dữ liệu nào vào lớp phục vụ, là quyết định thiết kế của bạn
- Dữ liệu được cung cấp qua ứng dụng web SalesNow, tích hợp Salesforce và HubSpot, Data API, SalesNow MCP (được các AI agent như Claude và Cursor sử dụng trực tiếp) và các dự án triển khai AI cho khách hàng. Một quyết định về schema của bạn xuất hiện cả trong CRM của khách hàng lẫn trong câu trả lời của AI agent
## Thách thức kỹ thuật
### Thu thập và nạp dữ liệu
- Thiết kế và triển khai hệ thống web scraping quy mô lớn, trích xuất dữ liệu có cấu trúc một cách ổn định từ nhiều nguồn không đồng nhất
- Xây dựng pipeline tích hợp API cho các nguồn dữ liệu từ đối tác, kèm kiểm tra schema và phát hiện bất thường
- Thiết kế pipeline nạp dữ liệu thời gian thực cho các cập nhật hằng ngày, với mục tiêu độ trễ dưới một phút
### Biến đổi và chất lượng dữ liệu
- Xây dựng và duy trì các model dbt chuyển dữ liệu thô sang schema thống nhất của SalesNow
- Định nghĩa SLA chất lượng dữ liệu (độ chính xác, độ đầy đủ, độ mới) và xây dựng dashboard giám sát cảnh báo trước khi khách hàng nhận ra vấn đề
- Triển khai entity resolution và khử trùng lặp ở quy mô lớn: đối sánh bản ghi doanh nghiệp giữa các nguồn có định dạng, quy ước đặt tên và mã định danh khác nhau
### Hạ tầng và điều phối
- Điều phối các DAG Airflow phức tạp xuyên suốt thu thập, biến đổi, làm giàu và phân phối dữ liệu
- Tối ưu các cụm PostgreSQL và Elasticsearch / OpenSearch cho 8 tỷ bản ghi, với truy vấn phản hồi ở mức mili giây
- Thiết kế pipeline chịu lỗi, tự phục hồi sau sự cố, với khả năng quan sát rõ ràng ở mọi giai đoạn
### Tích hợp AI pipeline
- Đưa dữ liệu có cấu trúc vào các RAG pipeline và hệ thống AI agent thông qua SalesNow MCP
- Xây dựng lớp phân phối dữ liệu để AI agent truy vấn theo thời gian thực cho quy trình làm việc của khách hàng doanh nghiệp
- Làm việc với Amazon Bedrock, Claude và Gemini để cải thiện cách hệ thống AI sử dụng dữ liệu doanh nghiệp có cấu trúc
### Bài toán chúng tôi đang giải
- Xác định một tin tuyển dụng còn mở hay đã đóng. Logic phát hiện tin đã đóng hiện chia thành ba hệ thống và hoạt động khác nhau tùy nguồn. Một số nguồn không hiển thị trạng thái đóng trên trang danh sách, nên cách đóng tin dựa trên chênh lệch có thể đóng nhầm khi một lần crawl bỏ sót trang. Với từng nguồn, bạn cân nhắc giữa rủi ro đánh dấu nhầm tin còn mở là đã đóng và rủi ro để tin đã hết hạn vẫn hiển thị là còn mở
- Thiết kế quy trình thu thập thông tin website của mọi doanh nghiệp và liên tục theo dõi thay đổi, để thông tin tổng quan và dịch vụ của doanh nghiệp luôn được cập nhật
### Kiểm chứng dữ liệu của chính chúng tôi bằng bằng chứng
Khi cho AI kiểm chứng độc lập logic suy luận doanh nghiệp khách hàng đứng sau các tin tuyển dụng freelance, chỉ 12 trên 100 trường hợp xác định được với bằng chứng rõ ràng. Chúng tôi đã sửa logic để những trường hợp không đủ căn cứ được đánh dấu là "không thể xác định". Ở đây bạn được kỳ vọng đặt câu hỏi với dữ liệu, kể cả kết quả từ pipeline của chính bạn, và khi bằng chứng không đủ, bạn có quyền thay đổi logic.
### Phạm vi công việc
Phạm vi thay đổi công việc đảm nhận: Có
## Cách chúng tôi làm việc với AI
- Mọi người đều dùng được Claude và Gemini, và chúng tôi cũng dùng Codex. Bạn tự chọn model phù hợp với từng công việc
- Chúng tôi nhờ nhiều LLM review công việc, còn con người kiểm tra căn cứ và quyết định áp dụng hay không. Với kiểm tra dữ liệu, chúng tôi dùng LLM as a Judge theo tiêu chí do con người đặt ra. CodeRabbit thực hiện vòng review đầu tiên cho pull request
- Các chỉ dẫn viết cho AI cũng được review qua pull request giống như code, nên prompt và agent được xây dựng với mức độ chặt chẽ như pipeline production. Các sản phẩm công việc được quản lý trên GitHub
- Sau khi thống nhất mục tiêu và ngân sách, người phụ trách tự quyết định cách tiến hành, dùng AI ở đâu và dùng công cụ nào. Với việc thu thập dữ liệu, bạn còn chịu trách nhiệm về chi phí để lấy được mỗi bản ghi, và mọi pipeline bạn thiết kế đều được đánh giá trên cả độ chính xác lẫn chi phí đơn vị
- Mọi vị trí đều được kỳ vọng tự tái thiết kế công việc của mình bằng AI. Ban lãnh đạo của chúng tôi cũng viết code, nên bạn thảo luận các đánh đổi kỹ thuật với những người trực tiếp xây dựng sản phẩm
- Trên toàn công ty, 2.229 pull request đã được merge trong 30 ngày tính đến ngày 12/9/2026. Với nhịp độ đó, bạn đánh giá các thay đổi pipeline do AI hỗ trợ tạo ra dựa trên dữ liệu thực tế, các kiểu sự cố và chi phí vận hành
## Công nghệ sử dụng
- Ngôn ngữ: Python (FastAPI), SQL, Scala
- Biến đổi dữ liệu: dbt
- Điều phối: Airflow (MWAA)
- Xử lý dữ liệu: Databricks (Spark / Delta Lake), Scrapy
- Infrastructure as code: Terraform
- Cơ sở dữ liệu: PostgreSQL, Elasticsearch, OpenSearch
- Cloud: AWS (chính), Vercel
- AI/ML: Amazon Bedrock, Claude, Gemini
- Công cụ phát triển: Claude Code, Codex, Cursor, GitHub Copilot, CodeRabbit
- CI/CD: GitHub Actions
- Giao tiếp: Slack, GitHub, Notion
## Làm việc xuyên ngôn ngữ
- Không cần tiếng Nhật. Ngôn ngữ làm việc của đội engineering là tiếng Anh: code, pull request, tài liệu kỹ thuật và standup
- Công việc được giao kèm PRD. Hai bên thống nhất yêu cầu và thời hạn trước khi bắt đầu, để bạn dồn thời gian cho thiết kế và code
- GitHub, Notion và Slack đều có bản dịch. Pull request, tài liệu và trao đổi hằng ngày đều đi qua công cụ dịch, nên bạn theo kịp mọi cuộc thảo luận mà không cần tiếng Nhật
- Công cụ dịch AI do công ty chi trả. Các thành viên không nói tiếng Nhật trao đổi công việc với đồng nghiệp người Nhật qua phiên dịch đồng thời bằng AI, và buổi phỏng vấn cũng diễn ra theo cách này
## Quy trình tuyển dụng
1. Xét hồ sơ (CV + trả lời ngắn 3 câu hỏi kỹ thuật)
2. Ngày tuyển chọn tập trung, hoàn tất trong một ngày: bài tập data pipeline theo tình huống thực tế (2-3 giờ), phỏng vấn kỹ thuật (60 phút) về kinh nghiệm đã làm và thiết kế hệ thống, và buổi trao đổi về mức độ phù hợp văn hóa (culture fit) với engineering lead (30 phút)
3. Offer
Thời gian: 2-3 tuần từ khi ứng tuyển đến khi nhận offer
## Cơ hội bình đẳng
Chúng tôi là nhà tuyển dụng bình đẳng và đánh giá ứng viên dựa trên kỹ năng, kinh nghiệm và tiềm năng, bất kể quốc tịch, giới tính, tuổi tác hay xuất thân.
## Liên kết tham khảo
- Phỏng vấn một engineer trong đội, người vào công ty từ vị trí thực tập sinh và hiện phát triển SalesNow MCP và API (tiếng Nhật): https://note.com/salesnow/n/na813feacc9cb
- Culture deck (tiếng Nhật): https://speakerdeck.com/salesnow/culture-deck
必須スキル
## Về SalesNow
Sứ mệnh của SalesNow là "Tạo ra cơ chế để ai cũng có thể phát huy năng lực", và chúng tôi đang theo đuổi thử thách thay đổi tận gốc cách con người làm việc. Lực lượng lao động Nhật Bản đang thu hẹp, nên câu hỏi đặt ra là mỗi người có thể tạo ra thêm bao nhiêu giá trị. SalesNow trả lời câu hỏi đó bằng cách tái thiết kế cách làm việc giữa doanh nghiệp với doanh nghiệp, dựa trên dữ liệu doanh nghiệp và AI.
Nền tảng của chúng tôi là cơ sở dữ liệu hơn 16 triệu bản ghi doanh nghiệp và tổ chức, được cấu trúc hóa riêng biệt đến từng doanh nghiệp, tổ chức, chi nhánh và phòng ban. Hạ tầng dữ liệu phía sau lưu trữ 8 tỷ bản ghi. SalesNow đứng số 1 về số lượng bản ghi trong số các cơ sở dữ liệu doanh nghiệp tại Nhật Bản (khảo sát của Japan Marketing Research Organization, kỳ khảo sát kết thúc tháng 10/2025).
## Vì sao có vị trí này
**Thời kỳ doanh thu tăng theo số lượng nhân sự đã kết thúc.** Phần giá trị mà mỗi người tạo ra ngày càng đến từ việc làm việc cùng AI, và AI chỉ hỗ trợ được những quyết định tốt khi làm việc trên dữ liệu chính xác về từng doanh nghiệp. Xây dựng nguồn dữ liệu đó chính là công việc của vị trí này.
Một phần lớn dữ liệu này không bao giờ xuất hiện trên web: chúng đến từ việc thu thập thủ công của hàng chục nghìn nhà nghiên cứu dữ liệu cùng đội ngũ nội bộ của chúng tôi, và từ đóng góp của người dùng trên trang media do chúng tôi vận hành. Xác định một danh tính doanh nghiệp duy nhất từ những nguồn như vậy, thay vì từ một tập dữ liệu công khai, chính là bài toán kỹ thuật bạn đảm nhận ở đây. SalesNow đang tiến gần đến vòng Series B, và chúng tôi đặt mục tiêu tăng ARR trên mỗi nhân viên lên gấp 10 lần trong 3 năm, tính từ tháng 11/2025. Dữ liệu chính xác là điều kiện để đạt mục tiêu đó. Vì vậy, data engineering giữ vai trò trung tâm trong cách SalesNow phát triển. Chúng tôi đang tuyển Data Engineer thiết kế cách thu thập, tích hợp và kiểm chứng dữ liệu doanh nghiệp, đồng thời bảo đảm dữ liệu đó có thể được cả con người lẫn AI sử dụng.
### Đội ngũ tại Việt Nam
Hiện đã có 3 thành viên người Việt đang làm việc cùng chúng tôi, và chúng tôi dự định tuyển thêm 5–10 người nữa. Bạn gia nhập một đội ngũ đã có sẵn quy trình phối hợp xuyên ngôn ngữ, và góp phần định hình cách làm việc của đội ngũ tại Việt Nam khi đội ngũ mở rộng.
## Bạn sẽ xây dựng gì
- Hồ sơ doanh nghiệp kết hợp thông tin tổng quan, tin tuyển dụng, IR, dịch vụ, công nghệ và công cụ đang sử dụng, quảng cáo, tổ chức và phòng ban, thông tin liên hệ — được đối chiếu đến cấp chi nhánh bằng mã JC riêng của SalesNow. Bạn quyết định cách hợp nhất các nguồn này để mỗi doanh nghiệp chỉ còn đúng một hồ sơ
- Tín hiệu nắm bắt động thái của doanh nghiệp: tăng tuyển dụng, gọi vốn, mở văn phòng mới, mở rộng ra nước ngoài, điều chỉnh giảm dự báo kết quả kinh doanh, tạm dừng tin tuyển dụng. Đội sales dùng những tín hiệu này để quyết định nên tiếp cận doanh nghiệp nào và vào lúc nào. Bạn thiết kế các bước kiểm chứng làm cho những tín hiệu đó đủ tin cậy để hành động
- Các DAG Airflow (MWAA) cho các nguồn tin tuyển dụng của chúng tôi. Bạn quyết định cách phát hiện bất thường, cách chạy lại khi lỗi, và thế nào là "đã thu thập đúng" cho từng nguồn
- Nền tảng Databricks và Delta Lake với ba lớp (thô, làm sạch, phục vụ), định nghĩa job quản lý bằng Terraform. Làm sạch bản ghi ở đâu, và cho phép dữ liệu nào vào lớp phục vụ, là quyết định thiết kế của bạn
- Dữ liệu được cung cấp qua ứng dụng web SalesNow, tích hợp Salesforce và HubSpot, Data API, SalesNow MCP (được các AI agent như Claude và Cursor sử dụng trực tiếp) và các dự án triển khai AI cho khách hàng. Một quyết định về schema của bạn xuất hiện cả trong CRM của khách hàng lẫn trong câu trả lời của AI agent
## Thách thức kỹ thuật
### Thu thập và nạp dữ liệu
- Thiết kế và triển khai hệ thống web scraping quy mô lớn, trích xuất dữ liệu có cấu trúc một cách ổn định từ nhiều nguồn không đồng nhất
- Xây dựng pipeline tích hợp API cho các nguồn dữ liệu từ đối tác, kèm kiểm tra schema và phát hiện bất thường
- Thiết kế pipeline nạp dữ liệu thời gian thực cho các cập nhật hằng ngày, với mục tiêu độ trễ dưới một phút
### Biến đổi và chất lượng dữ liệu
- Xây dựng và duy trì các model dbt chuyển dữ liệu thô sang schema thống nhất của SalesNow
- Định nghĩa SLA chất lượng dữ liệu (độ chính xác, độ đầy đủ, độ mới) và xây dựng dashboard giám sát cảnh báo trước khi khách hàng nhận ra vấn đề
- Triển khai entity resolution và khử trùng lặp ở quy mô lớn: đối sánh bản ghi doanh nghiệp giữa các nguồn có định dạng, quy ước đặt tên và mã định danh khác nhau
### Hạ tầng và điều phối
- Điều phối các DAG Airflow phức tạp xuyên suốt thu thập, biến đổi, làm giàu và phân phối dữ liệu
- Tối ưu các cụm PostgreSQL và Elasticsearch / OpenSearch cho 8 tỷ bản ghi, với truy vấn phản hồi ở mức mili giây
- Thiết kế pipeline chịu lỗi, tự phục hồi sau sự cố, với khả năng quan sát rõ ràng ở mọi giai đoạn
### Tích hợp AI pipeline
- Đưa dữ liệu có cấu trúc vào các RAG pipeline và hệ thống AI agent thông qua SalesNow MCP
- Xây dựng lớp phân phối dữ liệu để AI agent truy vấn theo thời gian thực cho quy trình làm việc của khách hàng doanh nghiệp
- Làm việc với Amazon Bedrock, Claude và Gemini để cải thiện cách hệ thống AI sử dụng dữ liệu doanh nghiệp có cấu trúc
### Bài toán chúng tôi đang giải
- Xác định một tin tuyển dụng còn mở hay đã đóng. Logic phát hiện tin đã đóng hiện chia thành ba hệ thống và hoạt động khác nhau tùy nguồn. Một số nguồn không hiển thị trạng thái đóng trên trang danh sách, nên cách đóng tin dựa trên chênh lệch có thể đóng nhầm khi một lần crawl bỏ sót trang. Với từng nguồn, bạn cân nhắc giữa rủi ro đánh dấu nhầm tin còn mở là đã đóng và rủi ro để tin đã hết hạn vẫn hiển thị là còn mở
- Thiết kế quy trình thu thập thông tin website của mọi doanh nghiệp và liên tục theo dõi thay đổi, để thông tin tổng quan và dịch vụ của doanh nghiệp luôn được cập nhật
### Kiểm chứng dữ liệu của chính chúng tôi bằng bằng chứng
Khi cho AI kiểm chứng độc lập logic suy luận doanh nghiệp khách hàng đứng sau các tin tuyển dụng freelance, chỉ 12 trên 100 trường hợp xác định được với bằng chứng rõ ràng. Chúng tôi đã sửa logic để những trường hợp không đủ căn cứ được đánh dấu là "không thể xác định". Ở đây bạn được kỳ vọng đặt câu hỏi với dữ liệu, kể cả kết quả từ pipeline của chính bạn, và khi bằng chứng không đủ, bạn có quyền thay đổi logic.
### Phạm vi công việc
Phạm vi thay đổi công việc đảm nhận: Có
## Cách chúng tôi làm việc với AI
- Mọi người đều dùng được Claude và Gemini, và chúng tôi cũng dùng Codex. Bạn tự chọn model phù hợp với từng công việc
- Chúng tôi nhờ nhiều LLM review công việc, còn con người kiểm tra căn cứ và quyết định áp dụng hay không. Với kiểm tra dữ liệu, chúng tôi dùng LLM as a Judge theo tiêu chí do con người đặt ra. CodeRabbit thực hiện vòng review đầu tiên cho pull request
- Các chỉ dẫn viết cho AI cũng được review qua pull request giống như code, nên prompt và agent được xây dựng với mức độ chặt chẽ như pipeline production. Các sản phẩm công việc được quản lý trên GitHub
- Sau khi thống nhất mục tiêu và ngân sách, người phụ trách tự quyết định cách tiến hành, dùng AI ở đâu và dùng công cụ nào. Với việc thu thập dữ liệu, bạn còn chịu trách nhiệm về chi phí để lấy được mỗi bản ghi, và mọi pipeline bạn thiết kế đều được đánh giá trên cả độ chính xác lẫn chi phí đơn vị
- Mọi vị trí đều được kỳ vọng tự tái thiết kế công việc của mình bằng AI. Ban lãnh đạo của chúng tôi cũng viết code, nên bạn thảo luận các đánh đổi kỹ thuật với những người trực tiếp xây dựng sản phẩm
- Trên toàn công ty, 2.229 pull request đã được merge trong 30 ngày tính đến ngày 12/9/2026. Với nhịp độ đó, bạn đánh giá các thay đổi pipeline do AI hỗ trợ tạo ra dựa trên dữ liệu thực tế, các kiểu sự cố và chi phí vận hành
## Công nghệ sử dụng
- Ngôn ngữ: Python (FastAPI), SQL, Scala
- Biến đổi dữ liệu: dbt
- Điều phối: Airflow (MWAA)
- Xử lý dữ liệu: Databricks (Spark / Delta Lake), Scrapy
- Infrastructure as code: Terraform
- Cơ sở dữ liệu: PostgreSQL, Elasticsearch, OpenSearch
- Cloud: AWS (chính), Vercel
- AI/ML: Amazon Bedrock, Claude, Gemini
- Công cụ phát triển: Claude Code, Codex, Cursor, GitHub Copilot, CodeRabbit
- CI/CD: GitHub Actions
- Giao tiếp: Slack, GitHub, Notion
## Làm việc xuyên ngôn ngữ
- Không cần tiếng Nhật. Ngôn ngữ làm việc của đội engineering là tiếng Anh: code, pull request, tài liệu kỹ thuật và standup
- Công việc được giao kèm PRD. Hai bên thống nhất yêu cầu và thời hạn trước khi bắt đầu, để bạn dồn thời gian cho thiết kế và code
- GitHub, Notion và Slack đều có bản dịch. Pull request, tài liệu và trao đổi hằng ngày đều đi qua công cụ dịch, nên bạn theo kịp mọi cuộc thảo luận mà không cần tiếng Nhật
- Công cụ dịch AI do công ty chi trả. Các thành viên không nói tiếng Nhật trao đổi công việc với đồng nghiệp người Nhật qua phiên dịch đồng thời bằng AI, và buổi phỏng vấn cũng diễn ra theo cách này
## Quy trình tuyển dụng
1. Xét hồ sơ (CV + trả lời ngắn 3 câu hỏi kỹ thuật)
2. Ngày tuyển chọn tập trung, hoàn tất trong một ngày: bài tập data pipeline theo tình huống thực tế (2-3 giờ), phỏng vấn kỹ thuật (60 phút) về kinh nghiệm đã làm và thiết kế hệ thống, và buổi trao đổi về mức độ phù hợp văn hóa (culture fit) với engineering lead (30 phút)
3. Offer
Thời gian: 2-3 tuần từ khi ứng tuyển đến khi nhận offer
## Cơ hội bình đẳng
Chúng tôi là nhà tuyển dụng bình đẳng và đánh giá ứng viên dựa trên kỹ năng, kinh nghiệm và tiềm năng, bất kể quốc tịch, giới tính, tuổi tác hay xuất thân.
## Liên kết tham khảo
- Phỏng vấn một engineer trong đội, người vào công ty từ vị trí thực tập sinh và hiện phát triển SalesNow MCP và API (tiếng Nhật): https://note.com/salesnow/n/na813feacc9cb
- Culture deck (tiếng Nhật): https://speakerdeck.com/salesnow/culture-deck
歓迎スキル
- Từ 2 năm kinh nghiệm data engineering, đã xây dựng và duy trì pipeline dữ liệu chạy production
- Kinh nghiệm với công cụ điều phối như Airflow, Dagster, Prefect hoặc tương đương
- Kinh nghiệm với cơ sở dữ liệu quan hệ ở quy mô lớn (PostgreSQL, MySQL hoặc tương tự)
- Kinh nghiệm Elasticsearch hoặc OpenSearch ở quy mô lớn
- Kinh nghiệm dbt
- Web scraping hoặc hệ thống thu thập dữ liệu quy mô lớn
- Kinh nghiệm với framework và giám sát chất lượng dữ liệu
- Kinh nghiệm AWS (S3, Lambda, ECS, RDS, v.v.)
- Kinh nghiệm RAG pipeline hoặc vector database
- Kinh nghiệm xử lý từ 1 triệu bản ghi trở lên mỗi ngày
- Tiếng Nhật (JLPT N3 trở lên). Không bắt buộc, nhưng giúp bạn làm việc gần hơn với các đội business và mở rộng lựa chọn nghề nghiệp trong công ty
求める人物像
- Bạn đồng cảm với sứ mệnh của SalesNow "Tạo ra cơ chế để ai cũng có thể phát huy năng lực" và ba giá trị: AI Native, Kotoshikou (hướng đến mục đích) và Chất lượng cao nhất. Bạn quyết tâm tận dụng tối đa AI trong công việc của mình
- Bạn thích nhịp độ nhanh. Ngay cả khi mọi thứ thay đổi, bạn xuất phát từ mục đích, tìm ra vấn đề và theo đuổi đến khi giải quyết xong
- Bạn làm việc với đồng đội và khách hàng bằng sự chính trực và tinh thần làm chủ
- Bạn coi trọng chất lượng dữ liệu và bảo vệ nó bằng cơ chế, không chỉ bằng kiểm tra thủ công
- Bạn đối chiếu kết quả của AI với bằng chứng trước khi áp dụng
- Bạn giải thích được các quyết định thiết kế của mình, bao gồm cả chi phí, cho đồng đội dùng ngôn ngữ khác
**Trong 2–3 năm tới, biết dùng AI sẽ là điều hiển nhiên. Khác biệt nằm ở việc bạn có thể thiết kế công việc và tổ chức lấy AI làm điểm xuất phát hay không. Ở SalesNow, đó là điều chúng tôi làm mỗi ngày.**
応募概要
給与
Mức lương gross: 1.000–2.500 USD/tháng (25–62 triệu VND/tháng), trước khi khấu trừ thuế thu nhập cá nhân và các khoản bảo hiểm bắt buộc, tùy theo kinh nghiệm và kỹ năng
- Mức 2.500 USD là mức dành cho Data Engineer cấp trưởng nhóm (lead). Mức lương cụ thể được quyết định sau khi xem xét kinh nghiệm và mức lương hiện tại của bạn, và có thể thấp hơn khoảng trên.
- Thời gian đầu là giai đoạn thử việc.
勤務地
100% từ xa. Làm việc từ TP. Hồ Chí Minh, Hà Nội, Đà Nẵng hoặc bất kỳ nơi nào có kết nối internet ổn định
雇用形態
Toàn thời gian, làm việc hoàn toàn từ xa. Bạn sẽ được tuyển dụng chính thức thông qua đối tác EOR (Employer of Record) tại Việt Nam, ký hợp đồng lao động và hưởng đầy đủ phúc lợi theo quy định tại Việt Nam, không phải làm việc theo hình thức contractor.
勤務体系
- Giờ làm việc: 10:00–19:00 giờ Nhật Bản, tương đương 8:00–17:00 giờ Việt Nam
- Ngày nghỉ lễ: Bạn nghỉ theo các ngày lễ của Việt Nam (Tết Nguyên Đán, Giỗ Tổ Hùng Vương, 30/4, 1/5, Quốc khánh 2/9), không theo lịch Nhật Bản
- Nghỉ phép có lương: Theo luật lao động Việt Nam
- Lộ trình phát triển: Đánh giá lương 6 tháng một lần dựa trên kết quả công việc. Lộ trình lên Senior DE, Lead DE và Data Architect
- Hình thức làm việc: Hoàn toàn từ xa
- Phạm vi thay đổi địa điểm làm việc: Không có
試用期間
福利厚生
- Công cụ AI: chi tiêu trung bình trên 600 USD mỗi người mỗi tháng (công ty chi trả)
- Thiết bị: công ty cấp MacBook