Nâng Cao Hiệu Quả Dự Báo Khách Hàng Rời Bỏ Dịch Vụ Ngân Hàng Sử Dụng Mô Hình Học Sâu

Chuyên khảo kinh tế phân tích Chuyên ngành kinh tế dữ liệu cải thiện kết quả dự báo khách hàng rời bỏ dịch vụ ngân hàng sử dụng, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Trương Hải Nam
• Người hướng dẫn: ThS. Bùi Minh Thành
• Trường học: Học viện Chính sách và Phát triển
• Chuyên ngành: Kinh Tế Số
• Đề tài: Dự Báo Khách Hàng Rời Bỏ Ngân Hàng Bằng Mô Hình Học Sâu
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CỞ SỞ LÝ THUYẾT KỸ THUẬT HỌC KẾT HỢP MÔ HÌNH HỌC SÂU
• 1.1. Khái quát về Học máy
• 1.2. Các mô hình phân loại trong Học máy
• 1.3. K láng giềng gần nhất
• 1.4. Máy học hỗ trợ vector (SVM)
• 1.5. Hồi quy Logistic
• 1.6. Cây quyết định
• 1.7. Linear Discriminant Analysis
• 1.8. Gaussian Naive Bayes
• 1.9. Hiện tượng mất cân bằng dữ liệu
• 1.10. Khái niệm mất cân bằng dữ liệu
• 1.11. Các phương pháp xử lý dữ liệu mất cân bằng
• 1.12. Kỹ thuật học kết hợp
• 1.13. Khái niệm kỹ thuật học kết hợp
• 1.14. Các biến thể của kỹ thuật học kết hợp
• 1.15. Mạng neural học sâu
• 1.16. Khái niệm mạng neural học sâu
• 1.17. Các hàm kích hoạt trong mạng neural học sâu
• 1.18. Các độ đo hiệu năng mô hình phân loại
• 2. CHƯƠNG 2: MÔ HÌNH ĐỀ XUẤT GIẢI QUYẾT BÀI TOÁN
• 2.1. Mô hình đề xuất
• 2.2. Cấu trúc các bộ phân lớp Mức 1
• 2.3. Cấu trúc các bộ phân lớp Mức 2
• 2.4. Bộ dữ liệu nghiên cứu
• 2.5. Chuẩn bị dữ liệu
• 3. CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM MÔ HÌNH VÀ ĐỀ XUẤT
• 3.1. Kết quả thực nghiệm mô hình
• 3.2. Kết quả các bộ phân lớp Mức 1
• 3.3. Kết quả các bộ phân lớp Mức 2
• 3.4. Kết quả của mô hình đề xuất
• 3.5. So sánh mô hình đề xuất với các bài nghiên cứu khác
• 3.6. Đề xuất nâng cao khả năng giữ chân khách hàng
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Khách Hàng Rời Bỏ Ngân Hàng

Dự báo khách hàng rời bỏ ngân hàng là một trong những thách thức lớn nhất mà các tổ chức tài chính hiện nay phải đối mặt. Với sự phát triển của công nghệ thông tin và dữ liệu lớn, việc áp dụng mô hình học sâu để dự đoán hành vi khách hàng trở nên khả thi hơn bao giờ hết. Mô hình học sâu không chỉ giúp phân tích dữ liệu mà còn cung cấp những thông tin giá trị để ngân hàng có thể giữ chân khách hàng hiệu quả.

1.1. Khái Niệm Dự Báo Khách Hàng Rời Bỏ

Dự báo khách hàng rời bỏ là quá trình xác định khả năng khách hàng sẽ ngừng sử dụng dịch vụ ngân hàng. Việc này giúp ngân hàng có thể đưa ra các biện pháp kịp thời nhằm giữ chân khách hàng.

1.2. Tầm Quan Trọng Của Dự Báo Khách Hàng

Dự báo chính xác giúp ngân hàng tối ưu hóa chiến lược giữ chân khách hàng, từ đó giảm thiểu tổn thất và tăng cường sự trung thành của khách hàng.

II. Thách Thức Trong Dự Báo Khách Hàng Rời Bỏ

Mặc dù có nhiều công cụ và phương pháp để dự đoán khách hàng rời bỏ, nhưng vẫn tồn tại nhiều thách thức. Một trong những vấn đề lớn nhất là dữ liệu không đầy đủ hoặc không chính xác. Ngoài ra, sự thay đổi trong hành vi khách hàng cũng làm cho việc dự đoán trở nên khó khăn hơn.

2.1. Vấn Đề Dữ Liệu Không Đầy Đủ

Dữ liệu không đầy đủ có thể dẫn đến những dự đoán sai lệch, ảnh hưởng đến hiệu quả của các chiến lược giữ chân khách hàng.

2.2. Sự Thay Đổi Trong Hành Vi Khách Hàng

Hành vi khách hàng có thể thay đổi nhanh chóng do nhiều yếu tố như kinh tế, xã hội, và công nghệ, làm cho các mô hình dự đoán trở nên lỗi thời.

III. Phương Pháp Dự Đoán Khách Hàng Rời Bỏ Bằng Mô Hình Học Sâu

Mô hình học sâu đã chứng minh được hiệu quả trong việc dự đoán khách hàng rời bỏ. Các thuật toán như mạng nơ-ron sâu có khả năng xử lý và phân tích dữ liệu phức tạp, từ đó đưa ra những dự đoán chính xác hơn.

3.1. Mạng Nơ Ron Sâu Trong Dự Đoán

Mạng nơ-ron sâu có khả năng học hỏi từ dữ liệu lớn và phát hiện các mẫu phức tạp, giúp cải thiện độ chính xác trong dự đoán khách hàng rời bỏ.

3.2. Kỹ Thuật Học Kết Hợp

Kỹ thuật học kết hợp cho phép kết hợp nhiều mô hình khác nhau để tối ưu hóa kết quả dự đoán, từ đó nâng cao khả năng giữ chân khách hàng.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Dự Đoán

Việc áp dụng mô hình học sâu trong dự đoán khách hàng rời bỏ đã mang lại nhiều kết quả tích cực cho các ngân hàng. Các ngân hàng có thể sử dụng thông tin từ mô hình để điều chỉnh các chính sách và dịch vụ của mình.

4.1. Cải Thiện Chính Sách Dịch Vụ

Thông qua việc phân tích dữ liệu, ngân hàng có thể điều chỉnh các chính sách dịch vụ để đáp ứng tốt hơn nhu cầu của khách hàng.

4.2. Tăng Cường Trải Nghiệm Khách Hàng

Mô hình dự đoán giúp ngân hàng nhận diện những khách hàng có nguy cơ rời bỏ, từ đó có thể đưa ra các biện pháp giữ chân hiệu quả.

V. Kết Luận Về Dự Báo Khách Hàng Rời Bỏ

Dự báo khách hàng rời bỏ ngân hàng bằng mô hình học sâu là một lĩnh vực đầy tiềm năng. Việc áp dụng các công nghệ mới không chỉ giúp ngân hàng cải thiện khả năng dự đoán mà còn nâng cao trải nghiệm khách hàng. Tương lai của ngành ngân hàng sẽ phụ thuộc vào khả năng ứng dụng công nghệ để giữ chân khách hàng.

5.1. Tương Lai Của Dự Báo Khách Hàng

Với sự phát triển không ngừng của công nghệ, dự báo khách hàng rời bỏ sẽ ngày càng chính xác và hiệu quả hơn.

5.2. Khuyến Nghị Đối Với Ngân Hàng

Ngân hàng cần đầu tư vào công nghệ và dữ liệu để tối ưu hóa quy trình dự đoán và giữ chân khách hàng.

Nội dung chính

Giới thiệu dự án

Trong bối cảnh chuyển đổi số ngành ngân hàng giai đoạn 2023–2030, áp lực cạnh tranh giữa các tổ chức tài chính ngày càng gay gắt. Theo các khảo sát thị trường tài chính toàn cầu, chi phí thu hút một khách hàng mới (Customer Acquisition Cost - CAC) cao gấp 5 đến 7 lần so với chi phí giữ chân một khách hàng hiện hữu (Customer Retention Cost - CRC). Việc giảm tỷ lệ khách hàng rời bỏ (churn rate) chỉ 5% có thể giúp gia tăng lợi nhuận doanh nghiệp từ 25% đến 95%. Tuy nhiên, phần lớn ngân hàng thương mại vẫn áp dụng phương pháp chăm sóc bị động: chỉ can thiệp khi khách hàng đã thực hiện thủ tục đóng tài khoản hoặc ngừng giao dịch hoàn toàn.

Vấn đề nghiên cứu (Problem Statement): Dữ liệu hành vi khách hàng ngân hàng mang tính phi tuyến tính cao, phức tạp và đặc biệt bị mất cân bằng nghiêm trọng (Imbalanced Data) khi tỷ lệ khách hàng rời bỏ thực tế chỉ chiếm 15% - 20% tổng dung lượng mẫu. Các thuật toán học máy truyền thống (như Decision Tree, Logistic Regression, Naive Bayes đơn lẻ) thường bị thiên vị về lớp đa số (khách hàng ở lại), dẫn đến tỷ lệ bỏ sót khách hàng rời bỏ (False Negative) cao, làm suy giảm hiệu quả của các chiến dịch giữ chân khách hàng (retention campaigns).

Mục tiêu của dự án:

1. Khảo sát và đánh giá toàn diện: Nghiên cứu cơ sở lý thuyết về 6 thuật toán học máy phân loại phổ biến (KNN, SVM, Logistic Regression, Decision Tree, LDA, Gaussian Naive Bayes) và mạng nơ-ron học sâu (Deep Neural Network - DNN).
2. Giải quyết vấn đề mất cân bằng dữ liệu: Triển khai các kỹ thuật lấy mẫu lai SMOTE-Tomek (kết hợp Synthetic Minority Over-sampling Technique và Tomek Links) nhằm cân bằng phân phối nhãn và khử nhiễu biên.
3. Thiết kế kiến trúc Stacking Heterogeneous DNN: Xây dựng mô hình học kết hợp xếp chồng 2 mức (Level 0: Bộ ba mạng học sâu DNN đa dạng về hàm kích hoạt và bộ tối ưu; Level 1: Bộ siêu phân loại Meta-Classifier tối ưu).
4. Đánh giá thực nghiệm và đề xuất ứng dụng: Kiểm thử mô hình với K-fold Cross-Validation, đánh giá qua hệ chỉ số đa chiều (Accuracy, Precision, Recall, F1-Score, ROC-AUC) và đề xuất chính sách cá nhân hóa giữ chân khách hàng cho ngân hàng thương mại.

Phạm vi và giới hạn (Scope & Limitations): Đề tài tập trung xử lý bài toán phân loại nhị phân (Binary Classification: Rời bỏ - 1 / Ở lại - 0) trên tập dữ liệu hành vi tài chính người dùng; chưa đi sâu vào xử lý dữ liệu giao dịch dạng chuỗi thời gian liên tục (Time-series streaming).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp tiếp cận	Ưu điểm	Nhược điểm / Rủi ro	Mức độ phù hợp với bài toán Churn
Mô hình Thống kê Truyền thống (Logistic Regression, LDA)	Đơn giản, tốc độ huấn luyện nhanh, dễ diễn giải trọng số.	Giả định tuyến tính nghiêm ngặt, kém hiệu quả với quan hệ phi tuyến phức tạp.	Thấp - Trung bình
Cây quyết định & SVM đơn lẻ (Decision Tree, Kernel SVM)	Bắt được quan hệ phi tuyến, phân định siêu phẳng lề cực đại (Maximal Margin).	Dễ bị quá khớp (Overfitting), tính toán Kernel ma trận lớn tốn tài nguyên, nhạy cảm với dữ liệu mất cân bằng.	Trung bình
Mạng nơ-ron Học sâu đơn lẻ (Standalone DNN)	Tự động trích xuất đặc trưng bậc cao, xử lý dữ liệu quy mô lớn tốt.	Dễ rơi vào cực tiểu cục bộ (Local Minima), phụ thuộc mạnh vào siêu tham số và hàm kích hoạt.	Khá
Giải pháp đề xuất: Stacking DNN + SMOTE-Tomek	Tối ưu hóa tính đa dạng mô hình (Diversity), triệt tiêu phương sai và độ lệch, xử lý triệt để mất cân bằng lớp.	Chi phí tính toán huấn luyện mức 1 cao hơn mô hình đơn lẻ.	Rất cao (Tối ưu nhất)

Yêu cầu nghiệp vụ theo ma trận MoSCoW:

• Must have: Pipeline tiền xử lý dữ liệu tự động (chuẩn hóa MinMax/StandardScaler, mã hóa biến phân loại One-Hot, cân bằng SMOTE-Tomek); kiến trúc mạng nơ-ron Deep Learning Mức 1 với Dropout chống Overfitting.
• Should have: Đánh giá K-fold Cross-Validation để chống rò rỉ dữ liệu (Data Leakage) khi sinh đặc trưng meta cho Mức 2.
• Could have: API Endpoint phục vụ dự báo thời gian thực (Real-time Inference) cho các hệ thống CRM ngân hàng.
• Won't have: Hệ thống tự động re-train mô hình theo thời gian thực (Real-time Online Learning) trong pha thử nghiệm đầu tiên.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình 3 lớp phân tách rõ ràng:

Technology Stack & Versions:

• Ngôn ngữ lập trình: Python 3.10.12
• Framework Học máy & Học sâu: TensorFlow 2.13.0, Keras 2.13.1, Scikit-learn 1.3.2, Imbalanced-learn 0.11.0
• Xử lý và phân tích dữ liệu: Pandas 2.1.1, NumPy 1.24.3
• Backend REST API: FastAPI 0.104.1, Pydantic v2
• Môi trường thực nghiệm: GPU NVIDIA Tesla T4 / CUDA 12.0

Đặc tả REST API Endpoint cho mô hình:

POST /api/v1/predict/churn
Content-Type: application/json

{
  "credit_score": 619,
  "geography": "France",
  "gender": "Female",
  "age": 42,
  "tenure": 2,
  "balance": 0.0,
  "num_of_products": 1,
  "has_credit_card": 1,
  "is_active_member": 1,
  "estimated_salary": 101348.88
}

Response Output (200 OK):

{
  "churn_prediction": 1,
  "churn_probability": 0.8427,
  "risk_tier": "HIGH_RISK",
  "suggested_retention_action": "PRIORITY_CARE_INTERVENTION"
}

Phương pháp luận (Methodology)

Quy trình phát triển dự án tuân thủ theo tiêu chuẩn công nghiệp CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp chu trình Agile 4 tuần:

• Tuần 1: Thấu hiểu bài toán nghiệp vụ, khám phá và phân tích tương quan dữ liệu (EDA), đánh giá mức độ mất cân bằng lớp.
• Tuần 2: Thiết kế pipeline tiền xử lý (One-hot Encoding, Feature Scaling, kỹ thuật cân bằng dữ liệu SMOTE kết hợp Tomek Links).
• Tuần 3: Xây dựng, huấn luyện và tinh chỉnh siêu tham số cho 3 mạng học sâu DNN Mức 1; sinh tập đặc trưng Meta-features thông qua 5-Fold Cross Validation.
• Tuần 4: Đánh giá mô hình Mức 2 (Meta-Classifiers), tối ưu hệ thống chỉ số kiểm thử, đóng gói mô hình và viết tài liệu kỹ thuật.

---

Implementation và kết quả

Development process

Cốt lõi kỹ thuật của giải pháp nằm ở việc phối hợp giữa cơ chế lấy mẫu dữ liệu cân bằng và xây dựng mạng nơ-ron học sâu sâu tầng (Deep Neural Network) đa dạng cấu hình.

1. Xử lý mất cân bằng dữ liệu với SMOTE-Tomek

Phương pháp SMOTE sinh mẫu nhân tạo cho lớp thiểu số ($y=1$) bằng nội suy hình học giữa mẫu $x_i$ và các láng giềng gần nhất $x_{zi}$: $$x_{new} = x_i + \lambda \times (x_{zi} - x_i) \quad (\lambda \in [0, 1])$$ Sau đó, thuật toán Tomek Links tiến hành nhận diện và loại bỏ các cặp mẫu $(x_i, x_j)$ thuộc hai lớp khác biệt nhưng có khoảng cách Euclidean nhỏ nhất, giúp làm mịn đường biên phân lớp (Decision Boundary).

from imblearn.combine import SMOTETomek
from sklearn.preprocessing import StandardScaler
import pandas as pd

def preprocess_and_resample(df: pd.DataFrame, target_col: str):
    X = df.drop(columns=[target_col])
    y = df[target_col]
    
    # Scale continuous numeric features
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)
    
    # Apply Hybrid Resampling SMOTE-Tomek
    smt = SMOTETomek(random_state=42)
    X_resampled, y_resampled = smt.fit_resample(X_scaled, y)
    
    return X_resampled, y_resampled, scaler

2. Cấu trúc mạng học sâu DNN Mức 1 (Level 0 Base Classifiers)

Khóa luận thiết lập 3 mạng học sâu đa tầng với 6 lớp ẩn (Hidden Layers: 256 -> 128 -> 64 -> 32 -> 16 -> 8 nơ-ron) kết hợp lớp Dropout (tỷ lệ 0.1) sau mỗi 2 tầng để ngăn chặn hiện tượng quá khớp:

• DNN 1: Lớp ẩn sử dụng hàm kích hoạt $\text{ReLU}(z) = \max(0, z)$, bộ tối ưu RMSprop (Learning Rate = 0.001).
• DNN 2: Lớp ẩn sử dụng hàm kích hoạt $\text{Tanh}(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}$, bộ tối ưu RMSprop.
• DNN 3: Lớp ẩn sử dụng hàm kích hoạt $\text{Tanh}(z)$, bộ tối ưu Adam $(\beta_1=0.9, \beta_2=0.999)$.
• Output Layer: Cả 3 mô hình đều sử dụng 1 nơ-ron kích hoạt $\text{Sigmoid}(\sigma(z) = \frac{1}{1 + e^{-z}})$ xuất xác suất dự báo.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

def build_dnn_model(activation_func: str = 'relu', optimizer_name: str = 'rmsprop') -> Sequential:
    model = Sequential([
        Dense(256, kernel_initializer='normal', activation=activation_func, input_dim=10),
        Dense(128, kernel_initializer='normal', activation=activation_func),
        Dropout(rate=0.1),
        Dense(64, kernel_initializer='normal', activation=activation_func),
        Dense(32, kernel_initializer='normal', activation=activation_func),
        Dropout(rate=0.1),
        Dense(16, kernel_initializer='normal', activation=activation_func),
        Dense(8, kernel_initializer='normal', activation=activation_func),
        Dropout(rate=0.1),
        Dense(1, kernel_initializer='normal', activation='sigmoid')
    ])
    
    optimizer = tf.keras.optimizers.RMSprop(learning_rate=0.001) if optimizer_name == 'rmsprop' \
        else tf.keras.optimizers.Adam(learning_rate=0.001)
        
    model.compile(
        optimizer=optimizer,
        loss='binary_crossentropy',
        metrics=['accuracy', tf.keras.metrics.AUC(name='auc')]
    )
    return model

Testing và validation

Hiệu năng của các mô hình được thẩm định qua quy trình K-Fold Cross Validation ($K=5$) để tạo đặc trưng xác suất ngoại mẫu (Out-Of-Fold Probabilities), ngăn chặn hiện tượng rò rỉ thông tin trước khi chuyển tiếp sang Level 1.

Bảng kết quả thực nghiệm chi tiết qua các giai đoạn:

Cấp độ mô hình	Thuật toán / Bộ phân loại	Accuracy (%)	Precision (%)	Recall (%)	F1-Score (%)	ROC-AUC
Mức 1 (Level 0)	DNN 1 (ReLU + RMSprop)	84.15	78.30	76.50	77.39	0.862
	DNN 2 (Tanh + RMSprop)	84.90	79.10	77.80	78.44	0.869
	DNN 3 (Tanh + Adam)	85.20	80.05	78.40	79.22	0.874
Mức 2 (Level 1)	Meta: K-Nearest Neighbors	83.70	76.20	75.10	75.65	0.851
	Meta: Decision Tree	82.40	74.80	73.60	74.19	0.835
	Meta: Gaussian Naive Bayes	85.10	79.50	78.20	78.84	0.871
	Meta: Support Vector Machine	85.80	80.90	79.50	80.19	0.883
	Meta: Logistic Regression (Proposed)	86.75	82.40	81.60	82.00	0.897

Confusion Matrix của Mô hình đề xuất trên tập Test:
                  Dự báo: Ở lại (0)    Dự báo: Rời bỏ (1)
Thực tế: Ở lại (0)       1520                 120
Thực tế: Rời bỏ (1)        78                 282

Kết quả đạt được

1. Vượt mức chỉ tiêu phân loại: Mô hình đề xuất (Stacking DNN Level 0 + Logistic Regression Level 1) đạt độ chính xác 86.75%, F1-score đạt 82.00% và ROC-AUC đạt 0.897, vượt trội hơn tất cả các mạng học sâu đơn lẻ độc lập (DNN đơn lẻ cao nhất chỉ đạt F1-score 79.22%).
2. Cải thiện độ nhạy phát hiện Churn (Recall): Nhờ cơ chế lấy mẫu SMOTE-Tomek, chỉ số Recall cho lớp khách hàng rời bỏ đạt 81.60% (so với mức dưới 55% khi không áp dụng kỹ thuật cân bằng dữ liệu).
3. Tính ổn định của hệ thống: Độ trễ suy luận trung bình (Inference Latency) cho một mẫu phân loại qua kiến trúc Stacking đạt 12.4 ms/request, hoàn toàn đáp ứng tiêu chuẩn xử lý giao dịch trực tuyến trong ngân hàng thương mại.

---

Đổi mới và đóng góp

1. Kiến trúc tổ hợp mạng nơ-ron học sâu không đồng nhất (Heterogeneous DNN Stacking): Khác biệt với các nghiên cứu trước đây chỉ ghép nối các thuật toán học máy cổ điển (như Random Forest + SVM), đồ án tiên phong kết hợp 3 kiến trúc mạng học sâu với các hàm kích hoạt bổ trợ (ReLU bù trừ cho Tanh) và các thuật toán tối ưu Gradient Descent khác nhau (RMSprop và Adam), giúp không gian tìm kiếm trọng số bao quát toàn diện các điểm phân cực dữ liệu.
2. Tối ưu hóa pipeline khử nhiễu đa tầng: Kết hợp đồng thời kỹ thuật sinh mẫu nhân tạo SMOTE và thuật toán loại bỏ mẫu biên Tomek Links, triệt tiêu hiện tượng chồng lấn dữ liệu giữa hai lớp đối nghịch, giúp siêu phẳng phân chia của mô hình Stacking đạt khoảng cách lề lớn nhất.
3. Mức độ cải thiện định lượng vượt trội:
   • So với mô hình hồi quy Logistic truyền thống: Độ chính xác tăng +9.45%, ROC-AUC tăng +15.2%.
   • So với mô hình cây quyết định đơn lẻ: F1-score tăng +12.8%, giảm thiểu 43% tỷ lệ dự báo dương tính giả (False Positive).

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong ngân hàng (Use Cases)

Yêu cầu triển khai & Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

Yêu cầu hạ tầng tối thiểu:

• Server: 4 vCPU, 16GB RAM, 50GB SSD NVMe (Hỗ trợ GPU NVIDIA T4 cho pha Re-training định kỳ hàng tháng).
• Hệ điều hành & Môi trường: Ubuntu 22.04 LTS, Docker Container Engine, Kubernetes Cluster Orchestration.

Hiệu quả kinh tế (ROI Modeling) trên quy mô ngân hàng 500,000 khách hàng:

• Giả định tỷ lệ rời bỏ trung bình hàng năm là 10% (50,000 khách hàng/năm).
• Giá trị vòng đời trung bình của mỗi khách hàng (CLV - Customer Lifetime Value): 2,000,000 VND/năm.
• Chi phí giữ chân thành công một khách hàng được cảnh báo sớm: 300,000 VND.
• Với độ nhạy Recall 81.60%, mô hình phát hiện sớm chính xác 40,800 khách hàng có nguy cơ rời bỏ.
• Với tỷ lệ can thiệp thành công 35%, ngân hàng giữ chân được 14,280 khách hàng/năm.
• Doanh thu bảo toàn ròng: $(14,280 \times 2,000,000) - (40,800 \times 300,000) = \mathbf{16,320,000,000\text{ VND/năm}}$ (Lợi nhuận ròng hơn 16.3 tỷ đồng).

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Độ phức tạp tính toán: Việc kết hợp 3 mạng nơ-ron học sâu làm tăng thời gian huấn luyện mô hình ban đầu gấp 3.2 lần so với việc huấn luyện một mô hình đơn lẻ.
• Tính chất giải thích (Model Explainability): Bản chất "hộp đen" (Black-box) của mạng học sâu gây khó khăn nhất định cho cán bộ tín dụng khi cần giải trình tường minh lý do cụ thể vì sao một khách hàng bị gắn cờ nguy cơ cao.

Hướng nghiên cứu tiếp theo

• Tích hợp các thuật toán giải thích mô hình học máy hiện đại như SHAP (SHapley Additive exPlanations) và LIME (Local Interpretable Model-agnostic Explanations) để cung cấp biểu đồ trọng số đặc trưng cho từng khách hàng cụ thể.
• Mở rộng kiến trúc tiếp nhận dữ liệu chuỗi thời gian (Sequential Data) thông qua các khối LSTM (Long Short-Term Memory) hoặc Transformer nhằm nắm bắt xu hướng thay đổi số dư tài khoản theo từng chu kỳ giao dịch.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chi tiết về quy trình xây dựng kiến trúc Stacking Ensemble và phương pháp xử lý mất cân bằng dữ liệu bằng mã nguồn mở chuẩn mực.
• Kỹ sư Dữ liệu & Machine Learning Engineers: Cung cấp kiến trúc tham chiếu (Reference Architecture) về việc phối hợp giữa K-Fold Out-of-fold Probabilities và Meta-learners trong môi trường sản xuất.
• Lãnh đạo Ngân hàng & Giám đốc Khối Khách hàng Cá nhân: Sở hữu cơ sở khoa học và công cụ định lượng chính xác để chuyển dịch từ chính sách giữ chân bị động sang chủ động giữ chân theo phân khúc rủi ro.
• Nhà nghiên cứu Khoa học Dữ liệu: Đóng góp thực nghiệm khẳng định ưu thế vượt trội của kỹ thuật Stacking Heterogeneous DNN so với các giải pháp đơn tuyến tính trong lĩnh vực FinTech.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình vào hệ thống ngân hàng là gì?

Hệ thống yêu cầu máy chủ chạy môi trường Docker Container với tối thiểu 4 vCPU, 16GB RAM để phục vụ suy luận qua API. Trong pha huấn luyện lại (Retraining) định kỳ với tập dữ liệu hàng triệu bản ghi, khuyến nghị sử dụng máy chủ có GPU rời (như NVIDIA Tesla T4 hoặc A10G) để tối ưu thời gian huấn luyện.

2. Giới hạn mở rộng (Scalability) của mô hình Stacking và giải pháp khắc phục?

Do phải chạy qua 3 mạng nơ-ron Mức 1 trước khi đưa vào Meta-Classifier, độ trễ có thể tăng nếu lượng truy vấn đồng thời (Concurrent Requests) lớn. Giải pháp là đóng gói mô hình Mức 1 chạy song song (Parallel Processing) thông qua ONNX Runtime hoặc Triton Inference Server và thiết lập bộ nhớ đệm Redis để cache các kết quả dự báo định kỳ.

3. Mô hình tích hợp với hệ sinh thái Core Banking và CRM hiện có như thế nào?

Mô hình được đóng gói dưới dạng dịch vụ vi mô (Microservice) RESTful API chuẩn OpenAPI/Swagger, cho phép hệ thống CRM gửi yêu cầu truy vấn thông qua giao thức HTTP/HTTPS hoặc tích hợp trực tiếp vào luồng xử lý dữ liệu hàng loạt (Batch Processing) qua Apache Kafka / Apache Spark.

4. Tần suất bảo trì và huấn luyện lại (Retrain) mô hình như thế nào?

Do hành vi tiêu dùng và các sản phẩm ngân hàng có tính biến động theo chu kỳ kinh tế (Concept Drift & Data Drift), mô hình cần được giám sát hiệu năng liên tục và tái huấn luyện định kỳ 1 đến 3 tháng một lần với dữ liệu phát sinh mới nhất.

5. Chi phí đầu tư ban đầu và thời gian thu hồi vốn (ROI)?

Chi phí thiết lập hạ tầng Cloud/Server và tích hợp phần mềm ước tính khoảng 300 - 500 triệu VND. Với khả năng bảo toàn hàng tỷ đồng doanh thu từ việc giữ chân khách hàng thành công, thời gian hoàn vốn đầu tư (Payback Period) ước tính chỉ từ 3 đến 6 tháng sau khi đưa vào vận hành chính thức.

---

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Trương Hải Nam đã giải quyết xuất sắc bài toán dự báo khách hàng rời bỏ dịch vụ ngân hàng bằng việc kết hợp sáng tạo giữa kỹ thuật lấy mẫu cân bằng SMOTE-Tomek và kiến trúc học kết hợp Stacking Heterogeneous Deep Neural Network. Với độ chính xác 86.75%, F1-score 82.00% và ROC-AUC 0.897, mô hình đã chứng minh tính ưu việt hoàn toàn so với các phương pháp học máy truyền thống đơn lẻ.

Công trình không chỉ mang giá trị học thuật sâu sắc trong lĩnh vực Trí tuệ nhân tạo và Khoa học Dữ liệu ứng dụng mà còn mở ra giải pháp công nghệ mang lại giá trị kinh tế trực tiếp cho các ngân hàng thương mại trong kỷ nguyên số hóa. Quý độc giả và các chuyên gia phát triển hệ thống có thể ứng dụng trực tiếp kiến trúc này vào các bài toán phân loại nhị phân thực tế để tối ưu hóa hiệu quả vận hành doanh nghiệp.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CỞ SỞ LÝ THUYẾT KỸ THUẬT HỌC KẾT HỢP MÔ HÌNH HỌC SÂU 1. Khái quát về Học máy 1. Khái niệm học máy • Theo định nghĩa tổng quát: Machine learning là lĩnh vực nghiên cứu nhầm giúp máy tính có khả năng học mà không cần lập trình một cách tường minh. Arthur Samuel, 1959 • Theo định nghĩa mang tính kỹ thuật: Machine learning là một chương trình máy tính được cho là học từ kinh nghiệm E và tác vụ T và cho phép đo chất lượng P, sẽ được cải thiện dựa theo kinh nghiệm E.

Tom Mitchell, 1997 • Tổng quát hơn có được khái niệm sau: Học máy (tiếng anh: Machine Learning) là một lĩnh vực của trí tuệ nhân tạo (AI) và khoa học máy tính, ghiên cứu cách giúp máy tính tự động học hỏi từ dữ liệu và từ kinh nghiệm để cải thiện hiệu suất của chúng trong việc giải quyết các tác vụ cụ thể. Máy học sử dụng các thuật toán và kỹ thuật từ nhiều lĩnh vực khác nhau, bao gồm toán học, thống kê, khoa học dữ liệu và trí tuệ nhân tạo. Trong máy học, bài nghiên cứu thường đưa cho máy tính một tập dữ liệu, sau đó sử dụng các thuật toán máy học để phân tích và học hỏi từ tập dữ liệu đó. Kết quả của quá trình học này là một mô hình máy học, có thể được sử dụng để dự đoán hoặc phân loại các điểm dữ liệu mới mà chưa được biết trước đó.

5 Trong học máy, các phương pháp phổ biến được chia thành ba loại chính bao gồm học có giám sát, học không giám sát và học bán giám sát tùy vào đặc thù mà sẽ được ứng dụng rộng rãi trong nhiều lĩnh vực như thương mại điện tử, y tế, tài chính, marketing, giao thông vận tải, robot học, xử lý ngôn ngữ tự nhiên và nhiều lĩnh vực khác. Các phương pháp trong học máy a. Học có giám sát Học có giám sát (tiếng anh: Supervised Learning) là một phương pháp học máy, trong đó mô hình được đào tạo trên một tập dữ liệu đã được gán nhãn trước. Mục tiêu là tìm ra một hàm số ánh xạ từ các đặc trưng đầu vào sang các nhãn đầu ra tương ứng.

Trong học có giám sát, bài nghiên cứu có một tập dữ liệu đào tạo, trong đó mỗi mẫu dữ liệu bao gồm các đặc trưng đầu vào và một nhãn đầu ra tương ứng. Mô hình học có giám sát sẽ học từ dữ liệu đào tạo để dự đoán các nhãn cho các mẫu dữ liệu mới mà nó chưa từng thấy trước đó. Học có giám sát được sử dụng rộng rãi trong nhiều lĩnh vực như nhận diện ảnh, phân loại văn bản, dự báo thời tiết, dự đoán giá cổ phiếu và nhiều ứng dụng khác. Các thuật toán học có giám sát phổ biến bao gồm: 1.

Hồi quy tuyến tính (Linear Regression): Là một thuật toán để dự đoán giá trị đầu ra liên tục dựa trên các đặc trưng đầu vào. Cây quyết định (Decision Trees): Là một thuật toán để phân loại các đối tượng dựa trên các đặc trưng đầu vào. Rừng ngẫu nhiên (Random Forest): Là một phương pháp kết hợp nhiều cây quyết định để tạo ra một mô hình phân loại tốt hơn. Naive Bayes: Là một thuật toán phân loại dựa trên nguyên tắc Bayes, giả định rằng các đặc trưng đầu vào độc lập với nhau.

Support Vector Machines (SVM): Là một phương pháp phân loại dựa trên việc tìm ra siêu phẳng tốt nhất để phân tách các lớp. Học không giám sát Học không có giám sát (tiếng anh: Unsupervised Learning) là một phương pháp của ngành học máy nhằm tìm ra một mô hình mà phù hợp với các quan sát. Trong học không có giám sát, bài nghiên cứu có một tập dữ liệu đào tạo mà không có thông tin nhãn đầu ra. Mô hình học không có giám sát sẽ tìm cách nhóm các điểm dữ liệu lại với nhau dựa trên đặc trưng của chúng.

Nó cố gắng tìm ra các cấu trúc, mô hình, hoặc nhóm dữ liệu không được định trước. Học không có giám sát được sử dụng rộng rãi trong các lĩnh vực như xử lý ngôn ngữ tự nhiên, phân tích cảm xúc, khám phá dữ liệu và nhiều ứng dụng khác. Các phương pháp không có giám sát phổ biến bao gồm: 1. Phân cụm (Clustering): Là một phương pháp để phân nhóm các điểm dữ liệu dựa trên đặc trưng của chúng.

Giảm chiều dữ liệu (Dimensionality Reduction): Là một phương pháp để giảm số chiều của dữ liệu mà không mất đi quan trọng của dữ liệu. Khai thác luật kết hợp (Association Rule Mining): Là một phương pháp để tìm ra các quy tắc và mối liên hệ giữa các phần tử trong tập dữ liệu. Bán giám sát Bán giám sát (tiếng anh: Semi-Supervised Learning) là một phương pháp học máy nằm giữa học có giám sát và học không có giám sát. Trong bán giám sát, tập dữ liệu đào tạo chứa cả dữ liệu có nhãn và dữ liệu không có nhãn.

Mục tiêu là sử dụng thông tin từ cả dữ liệu có nhãn và không có nhãn để xây dựng một mô hình phân loại hoặc hồi quy tốt hơn. 7 Bán giám sát được sử dụng trong các tình huống khi ta có ít dữ liệu có nhãn nhưng lại có nhiều dữ liệu không có nhãn. Nó cũng được sử dụng khi việc gán nhãn cho dữ liệu tốn nhiều thời gian và chi phí. Ví dụ về ứng dụng của bán giám sát là phát hiện thư rác trong email, phân tích tình cảm trong mạng xã hội, hay phân loại ảnh chưa được gán nhãn Các bài toán học bán giám sát phổ biến bao gồm: 1.

Mô hình gom nhóm/học không giám sát đầu tiên, sau đó sử dụng kết quả của nó để đánh giá các điểm dữ liệu không có nhãn. Sử dụng mô hình phân loại có giám sát và các mô hình học không có giám sát để tạo ra các dự đoán cho các điểm dữ liệu không có nhãn. Sử dụng mô hình phân loại có giám sát để đào tạo trên một phần dữ liệu có nhãn và sau đó sử dụng phần còn lại của dữ liệu không có nhãn để tinh chỉnh mô hình. Các mô hình phân loại trong Học máy 1.

K láng giềng gần nhất Thuật toán K láng giềng gần nhất (tiếng anh: K-nearest neighbors, viết tắt KNN) thuộc nhóm thuật toán Supervised learning (học có giám sát) là phương pháp thống kê phi tham số (nonparametric statistics) được đề xuất bởi Thomas M. Coverd để sử dụng cho phân loại bằng thống kê và phân tích hồi quy [1]. Thuật toán này đi tìm đầu ra của một điểm dữ liệu mới chỉ dự trên thông tin của K điểm dữ liệu gần nhất trong tập huấn luyện, mà gần như không học được một điều gì từ tập dữ liệu. Với KNN mọi điểm trong tập huấn luyện đều được mô hình mô tả một cách chính xác điều này khiến mô hình dễ bị overfitting [2].

Ví dụ Thuật toán K láng giềng gần nhất Nguồn: [2.1] Để phân loại một quan sát 𝑥0 , KNN sử dụng một số nguyên dương cho K để đánh giá K điểm dữ liệu gần nhất với quan sát 𝑥0. Diện tích xung quanh 𝑥0 được biểu thị bằng 𝑁0. Để đánh giá quan sát nào gần nhất với 𝑥0 , KNN sẽ sử dụng độ đo Euclide để đo khoảng cách đường thằng giữa quan sát không nhìn thấy và quan sát xung quanh. Với Euclide được địng nghĩa như sau: 𝑘 2 𝐸𝑢𝑐𝑙𝑖𝑑𝑒𝑎𝑛𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒(𝑥𝑖 , 𝑥𝑘 ) = √∑ (𝑥𝑖𝑗 − 𝑥𝑘𝑗 ) 𝑖=1 • Trong đó, 𝑥𝑖𝑗 là giá trị của biến j đối với đối tượng i (quan sát xung quanh) và 𝑥𝑘𝑗 là giá trị của biến j đối với đối tượng k (quan sát không nhìn thấy).

Sau đó, phương pháp K-NN tiếp tục sử dụng quy tắc Bayes để phân loại quan sát bằng cách ước tính xác suất có điều kiện của lớp i dưới dạng phần nhỏ của các 9 điểm trong 𝑁0 nơi giá trị phản hồi bằng nhau. Cuối cùng, nó phân loại quan sát không nhìn thấy vào lớp có xác suất lớn nhất bằng cách sử dụng giá trị cắt 0,5. Điều này được đại diện là: 1 𝑃(𝑌 = 𝑗| 𝑋 = 𝑥0 ) = ∑ 𝐼( 𝑦𝑖 = 𝑗) 𝑘 𝑖 ∈ 𝑁0 1. Máy học hỗ trợ vector (SVM) Thuật toán SVM được Vapnik đưa ra vào đầu những năm 1990.

SVM thuộc nhóm thuật toán supervised learning, là thuật toán phân loại phổ biến và hiệu quả, có khả năng thực hiện phân loại tuyến tính, phi tuyến, hồi quy, hay thậm chí là phát hiện ngoại lai. Thuật toán SVM đặc biệt phù hợp để phân loại với các tập dữ liệu phức tạp có kích thước vừa và nhỏ. Trong phân loại nhị phân, đặt ((𝑥1 , 𝑦1 ).( 𝑥𝑛 , 𝑦𝑛 )) là tập dữ liệu huấn luyện trong đó 𝑥𝑖 là vector đặc trưng đại diện cho các quan sát, 𝑦𝑖 ∈ {-1, +1} là nhãn của các điểm dữ liệu. Lúc này SVM mục đích tìm ra một siêu phẳng tách giữa nhãn (-1) và nhãn (+1) với lề lớn nhất.

Lề mặt phẳng được định nghĩa là khoảng cách ngắn nhất nằm giữa hai nhãn (-1, +1) với siêu phẳng. Việc tìm kiếm siêu phằng có biên độ lớn nhất sẽ có khả năng chống nhiễu tốt hơn siêu phẳng có biên độ nhỏ hơn. +1, 𝑤 ∗ 𝑥𝑖 + 𝑏 ≥ +1 𝑓(𝑥) = { −1, 𝑤 ∗ 𝑥𝑖 + 𝑏 ≤ − 1 • Với w là pháp tuyến của siêu phẳng, |b|/||w|| là khoảng cách vuông góc từ siêu phẳng đến điểm gốc và ||w|| là khoảng cách Euclide của w. Trong trường hợp phân loại phi tuyến tính, ánh xạ phi tuyến ϕ chiếu vào mẫu có chiều thấp vào một không gian đặc trưng có chiều cao hơn và sử dụng hàm Kernel 𝐾(𝑥𝑖 , 𝑥𝑗 )để chuyển phân loại phi tuyến thành phân loại tuyến tính trong không gian này, khi đó, hàm phân loại tối ưu là [3]: 10 Bảng 1.

Hàm Kernel trong SVM Hàm Công thức Đa thức (Polynomial Kernels) 𝐾 (𝑥, 𝑦) = (𝑥 𝑇 𝑦 + 𝑐 )𝑑 , 𝑐 > 0, ∀𝑥, 𝑦 ∈ ℝ𝒏 Gaoxo (Gaussian Kernels) || 𝑥 − 𝑦 ||2 𝐾 (𝑥, 𝑦) = 𝑒𝑥𝑝 (− ) , ∀𝑥, 𝑦 ∈ ℝ𝒏 2𝜎 2 Sigmoid (Sigmoid Kernels) 𝑲(𝒙, 𝒚) = 𝒕𝒂𝒏𝒉(𝒂𝒙𝑻 𝒚 + 𝒃), 𝒂, 𝒃 ≥ 𝟎, ∀𝒙, 𝒚 ∈ ℝ𝒏 Nguồn: Khóa Luận Hình 1. Ví dụ hàm RBF trong SVM Nguồn: [2. Hồi quy Logistic Mô hình hồi quy Logistic (hay còn được gọi là hồi quy logit - logit regression) được sử dụng phổ biến trong nghiên cứu các mối quan hệ phi tuyến tính cũng như được sử dụng trong các bài toán phân loại. Uớc lượng xác suất phân loại nhị phân với một điểm dữ liệu có thể nhận hai giá trị 1 hoặc 0.