Luận văn thạc sĩ: Ứng dụng Business Intelligence trong thẩm định tài sản bảo đảm ngân hàng

Luận văn thạc sĩ VNU UET nghiên cứu ứng dụng Business Intelligence trong thẩm định tài sản bảo đảm của ngân hàng, mang lại giải pháp hiệu quả.

• Tác giả: Cao Thị Vân Anh
• Người hướng dẫn: PGS. Trương Ninh Thuận
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng dụng BI (Business Intelligence) trong bài toán thẩm định tài sản bảo đảm của ngân hàng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Giới thiệu về Trí tuệ nghiệp vụ (Business Intelligence)
• 1.2. Kiến trúc và thành phần của BI
• 1.3. Giới thiệu về Data Warehouse
• 1.4. Kiến trúc của Data Warehouse
• 1.5. Xây dựng Data warehouse
• 1.6. Giới thiệu về Khai phá dữ liệu (Data mining)
• 1.7. Quy trình khai phá dữ liệu
• 1.8. Các phương pháp khai phá dữ liệu
• 2. CHƯƠNG 2: BÀI TOÁN ỨNG DỤNG BI TRONG HỖ TRỢ THẨM ĐỊNH TÀI SẢN BẢO ĐẢM CỦA NGÂN HÀNG
• 2.1. Ứng dụng của BI trong lĩnh vực ngân hàng
• 2.2. Công nghệ BI trong các hoạt động ngân hàng
• 2.3. Một số ứng dụng BI trong lĩnh vực ngân hàng
• 2.4. Bài toán thẩm định tài sản bảo đảm trong hệ thống ngân hàng
• 2.5. Giới thiệu về thẩm định tài sản bảo đảm
• 2.6. Quy trình thẩm định giá tài sản bảo đảm
• 2.7. Phương pháp so sánh trực tiếp trong bước định giá giá trị của tài sản
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG BI HỖ TRỢ THẨM ĐỊNH TÀI SẢN BẢO ĐẢM TRONG NGÂN HÀNG
• 3.1. Phát biểu bài toán
• 3.2. Áp dụng thuật toán K-Nearest Neighbors (KNN) và thuật toán hồi quy tuyến tính đa biến trong quyết định giá
• 3.3. Sử dụng thuật toán K-Nearest Neighbors (KNN) để dự đoán giá trị tài sản thẩm định
• 3.4. Dự đoán giá trị tài sản qua phương pháp hồi quy tuyến tính đa biến
• 3.5. Kết hợp thuật toán KNN và hồi quy tuyến tính đa biến
• 3.6. Thiết kế ứng dụng
• 3.7. Module Thẩm định tài sản
• 3.8. Xây dựng và triển khai
• 3.9. Xây dựng Database
• 3.10. Xây dựng mô hình ứng dụng
• 4. CHƯƠNG 4: CÀI ĐẶT VÀ KẾT QUẢ
• 4.1. Chức năng quản lý thông tin hồ sơ thẩm định
• 4.2. Chức năng Cập nhật thông tin chung của hồ sơ
• 4.3. Cập nhật thông tin pháp lý của hồ sơ
• 4.4. Cập nhật thông tin tài sản bảo đảm
• 4.5. Cập nhật thông tin kết luận của báo cáo thẩm định
• 4.6. Thuyết minh giá
• 4.7. So sánh kết quả thực nghiệm trên Web thẩm định và phần mềm Weka
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Luận văn thạc sĩ VNU UET ứng dụng BI trong thẩm định tài sản

Luận văn thạc sĩ VNU UET nghiên cứu ứng dụng Business Intelligence (BI) trong bài toán thẩm định tài sản bảo đảm của ngân hàng. Mục tiêu chính của nghiên cứu là phát triển một hệ thống hỗ trợ ra quyết định trong việc định giá tài sản bảo đảm, từ đó nâng cao hiệu quả công việc của các chuyên viên thẩm định. Luận văn sẽ trình bày các khái niệm cơ bản về BI, quy trình thẩm định tài sản và các phương pháp định giá tài sản bảo đảm.

1.1. Khái niệm về Business Intelligence trong ngân hàng

Business Intelligence là một công nghệ quan trọng giúp ngân hàng thu thập, phân tích và trình bày dữ liệu để hỗ trợ ra quyết định. Hệ thống BI cho phép ngân hàng tối ưu hóa quy trình thẩm định tài sản bảo đảm, từ đó giảm thiểu rủi ro và nâng cao hiệu quả kinh doanh.

1.2. Tầm quan trọng của thẩm định tài sản bảo đảm

Thẩm định tài sản bảo đảm là một bước quan trọng trong quy trình cho vay của ngân hàng. Việc định giá chính xác tài sản bảo đảm giúp ngân hàng đảm bảo an toàn vốn và giảm thiểu rủi ro tín dụng. Luận văn sẽ phân tích các yếu tố ảnh hưởng đến giá trị tài sản và quy trình thẩm định.

II. Vấn đề và thách thức trong thẩm định tài sản bảo đảm

Trong quá trình thẩm định tài sản bảo đảm, các chuyên viên thường gặp phải nhiều thách thức như thiếu dữ liệu chính xác, quy trình phức tạp và thời gian thẩm định kéo dài. Những vấn đề này có thể dẫn đến sai sót trong việc định giá tài sản, ảnh hưởng đến quyết định cho vay của ngân hàng.

2.1. Thiếu dữ liệu và thông tin không đầy đủ

Một trong những thách thức lớn nhất trong thẩm định tài sản là việc thiếu dữ liệu chính xác và đầy đủ. Điều này có thể dẫn đến việc định giá không chính xác và ảnh hưởng đến quyết định cho vay của ngân hàng.

2.2. Quy trình thẩm định phức tạp

Quy trình thẩm định tài sản bảo đảm thường bao gồm nhiều bước và yêu cầu sự phối hợp giữa các phòng ban khác nhau. Sự phức tạp này có thể làm tăng thời gian thẩm định và giảm hiệu quả công việc.

III. Phương pháp ứng dụng BI trong thẩm định tài sản bảo đảm

Luận văn sẽ trình bày các phương pháp ứng dụng BI để hỗ trợ thẩm định tài sản bảo đảm. Các phương pháp này bao gồm việc sử dụng Data Warehouse, Data Mining và các thuật toán phân tích dữ liệu để đưa ra quyết định chính xác hơn trong việc định giá tài sản.

3.1. Xây dựng Data Warehouse cho thẩm định tài sản

Data Warehouse là một phần quan trọng trong hệ thống BI, giúp lưu trữ và quản lý dữ liệu thẩm định. Việc xây dựng Data Warehouse sẽ giúp ngân hàng dễ dàng truy cập và phân tích dữ liệu lịch sử để đưa ra quyết định chính xác hơn.

3.2. Ứng dụng Data Mining trong phân tích dữ liệu

Data Mining cho phép ngân hàng khai thác thông tin từ dữ liệu thẩm định để tìm ra các mẫu và xu hướng. Việc áp dụng các thuật toán khai thác dữ liệu sẽ giúp nâng cao độ chính xác trong việc định giá tài sản bảo đảm.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Luận văn sẽ trình bày kết quả nghiên cứu từ việc ứng dụng BI trong thẩm định tài sản bảo đảm. Các kết quả này sẽ cho thấy sự cải thiện trong quy trình thẩm định, từ đó nâng cao hiệu quả công việc của các chuyên viên thẩm định.

4.1. Cải thiện quy trình thẩm định

Việc ứng dụng BI đã giúp cải thiện quy trình thẩm định tài sản bảo đảm, giảm thiểu thời gian và tăng độ chính xác trong việc định giá tài sản. Các chuyên viên thẩm định có thể dễ dàng truy cập dữ liệu và đưa ra quyết định nhanh chóng hơn.

4.2. Đánh giá hiệu quả ứng dụng BI

Kết quả nghiên cứu cho thấy việc ứng dụng BI trong thẩm định tài sản bảo đảm đã mang lại nhiều lợi ích cho ngân hàng, bao gồm giảm thiểu rủi ro và nâng cao hiệu quả kinh doanh. Các chuyên viên thẩm định có thể đưa ra quyết định chính xác hơn dựa trên dữ liệu phân tích.

V. Kết luận và hướng phát triển trong tương lai

Luận văn kết luận rằng việc ứng dụng BI trong thẩm định tài sản bảo đảm là một giải pháp hiệu quả giúp ngân hàng nâng cao hiệu quả công việc và giảm thiểu rủi ro. Hướng phát triển trong tương lai sẽ tập trung vào việc cải tiến công nghệ và mở rộng ứng dụng BI trong các lĩnh vực khác của ngân hàng.

5.1. Tương lai của ứng dụng BI trong ngân hàng

Trong tương lai, việc ứng dụng BI sẽ tiếp tục được mở rộng trong các lĩnh vực khác của ngân hàng, từ quản lý rủi ro đến phân tích khách hàng. Điều này sẽ giúp ngân hàng tối ưu hóa quy trình và nâng cao hiệu quả kinh doanh.

5.2. Đề xuất cải tiến công nghệ

Luận văn đề xuất một số cải tiến công nghệ trong việc ứng dụng BI, bao gồm việc sử dụng các công nghệ mới như trí tuệ nhân tạo và học máy để nâng cao độ chính xác trong thẩm định tài sản bảo đảm.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống ngân hàng thương mại, quản trị rủi ro tín dụng là nhiệm vụ sống còn nhằm bảo toàn nguồn vốn và tối ưu hóa lợi nhuận. Khi tỷ lệ nợ xấu tiềm ẩn nguy cơ tăng cao từ 2% đến 3% tổng dư nợ nếu khâu định giá tài sản thế chấp bị sai lệch, việc xác định chính xác giá trị thị trường của tài sản bảo đảm trở thành mắt xích then chốt. Căn cứ theo khoản 7 Điều 3 và khoản 2 Điều 4 Nghị định 163/2006/NĐ-CP, tài sản bảo đảm là cơ sở pháp lý và kinh tế trực tiếp để ngân hàng cấp tín dụng. Tuy nhiên, quy trình thẩm định giá truyền thống bao gồm 12 bước luân chuyển phức tạp qua nhiều phòng ban, khiến thời gian xử lý hồ sơ kéo dài từ 3 đến 5 ngày và phụ thuộc nặng nề vào kinh nghiệm chủ quan của chuyên viên định giá.

Nhằm giải quyết triệt để vấn đề này, luận văn tập trung nghiên cứu giải pháp ứng dụng Trí tuệ nghiệp vụ (Business Intelligence - BI) kết hợp khai phá dữ liệu (Data Mining) để tự động hóa và chuẩn hóa bài toán định giá tài sản bảo đảm. Mục tiêu cụ thể là thiết kế kho dữ liệu (Data Warehouse) lưu trữ thông tin lịch sử thẩm định, đồng thời xây dựng mô hình thuyết minh giá kết hợp thuật toán K láng giềng gần nhất (KNN) và hồi quy tuyến tính đa biến. Phạm vi nghiên cứu tập trung vào phân hệ tài sản bất động sản tại các đô thị lớn ở Việt Nam, với dữ liệu kiểm thử thực tế thu thập tại khu vực Hà Nội. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp rút ngắn 40% đến 50% thời gian thẩm định, nâng cao tính khách quan và giảm thiểu rủi ro hoạt động tín dụng trong toàn hệ thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng kiến trúc Trí tuệ nghiệp vụ 3 tầng tiêu chuẩn, bao gồm: tầng tích hợp dữ liệu (Data Sources & ETL), tầng lưu trữ dữ liệu đa chiều (Data Warehouse/Data Mart theo lược đồ hình sao Star Schema) và tầng phân tích khai phá dữ liệu hỗ trợ ra quyết định. Trong kho dữ liệu, các bảng sự kiện (Fact tables) lưu trữ các chỉ tiêu đo lường giao dịch kết hợp chặt chẽ với các bảng chiều (Dimension tables) về khách hàng, vị trí địa lý, thời gian và đặc điểm tài sản. Hệ thống hỗ trợ các thao tác xử lý phân tích trực tuyến đa chiều (OLAP) như cuộn lên (Roll-up), khoan sâu (Drill-down), cắt lát (Slice and dice) và xoay chiều (Pivot) trên không gian dữ liệu nhiều chiều.

Mô hình định giá cốt lõi kết hợp hai kỹ thuật khai phá dữ liệu chủ đạo:

• Thuật toán K láng giềng gần nhất (KNN): Sử dụng hàm khoảng cách không gian Euclidean đa chiều để đo lường mức độ tương đồng giữa tài sản cần thẩm định với toàn bộ tập dữ liệu tài sản trong quá khứ, từ đó trích chọn ra đúng 3 tài sản so sánh có khoảng cách ngắn nhất.
• Mô hình Hồi quy tuyến tính đa biến: Thiết lập phương trình hồi quy biểu diễn mối quan hệ giữa biến phụ thuộc (giá trị tài sản) và các biến độc lập định lượng (chiều rộng mặt tiền, chiều sâu, mặt ngõ) cùng các biến định tính đã được mã hóa (hướng đất, tình trạng pháp lý, cơ sở hạ tầng). Các tham số được ước lượng bằng phương pháp bình phương bé nhất (Ordinary Least Squares - OLS), kiểm định mức độ phù hợp qua hệ số xác định $R^2$ với khoảng tin cậy thống kê 95%.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu thực nghiệm gồm 110 hồ sơ tài sản bảo đảm bất động sản đã được định giá thành công trong 6 tháng gần nhất tại ngân hàng. Phương pháp chọn mẫu có chủ đích được áp dụng nhằm thu thập đầy đủ các nhóm thuộc tính đại diện cho phân khúc đất ở đô thị. Quy trình xử lý dữ liệu và xây dựng mô hình trải qua các bước nghiêm ngặt:

1. Tiền xử lý dữ liệu: Chuẩn hóa các biến định tính sang thang điểm số (ví dụ: hướng Nam gán 10 điểm, Đông Nam gán 9 điểm; tình trạng pháp lý có sổ đỏ gán 1, chưa cấp sổ gán 0) và chuẩn hóa tọa độ không gian (kinh độ, vĩ độ).
2. Trích chọn thuộc tính tối ưu: Sử dụng phần mềm Weka với thuật toán tìm kiếm từng bước GreedyStepwise kết hợp bộ đánh giá tập thuộc tính WrapperSubsetEval trên thuật toán mạng nơ-ron lan truyền ngược MultilayerPerceptron, áp dụng kỹ thuật kiểm định chéo K-fold cross-validation.
3. Huấn luyện và kiểm thử mô hình: Thử nghiệm chi tiết trên tập mẫu gồm 10 bất động sản giao dịch thực tế tại địa bàn quận Hà Đông, Hà Nội.

Lý do lựa chọn phương pháp tích hợp này là vì KNN giải quyết xuất sắc bài toán lọc sạch dữ liệu nhiễu và tìm kiếm tài sản so sánh tương đồng theo đúng chuẩn mực thẩm định giá, trong khi hồi quy tuyến tính đa biến lượng hóa chính xác tỷ lệ điều chỉnh của từng thuộc tính mà không bị thiên lệch bởi cảm tính con người.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm và cài đặt hệ thống đã đem lại các kết quả nổi bật sau:

• Xác định 9 thuộc tính chi phối giá trị bất động sản: Kết quả xử lý qua công cụ Weka cho thấy toàn bộ 9 thuộc tính đưa vào phân tích đều có ý nghĩa thống kê cao, trong đó mức độ ảnh hưởng được xếp hạng theo thứ tự giảm dần: Lợi thế kinh doanh $\rightarrow$ Loại đất $\rightarrow$ Tình trạng pháp lý $\rightarrow$ Hướng đất $\rightarrow$ Chiều rộng mặt tiền $\rightarrow$ Mặt ngõ.
• Độ chính xác vượt trội của mô hình hồi quy: Phương trình hồi quy đa biến thiết lập trên tập dữ liệu thử nghiệm đạt hệ số xác định $R^2 = 0.844$, chứng minh rằng 4 biến độc lập chính (chiều rộng, chiều sâu, mặt ngõ, hướng đất) giải thích được tới 84.4% sự biến thiên của giá bán tài sản. Trong đó, chiều rộng mặt tiền là yếu tố chi phối mạnh nhất với hệ số hồi quy đạt 927 triệu đồng trên mỗi mét tăng thêm, đi kèm mức ý nghĩa thống kê $p = 0.019 < 0.05$.
• Hiệu quả tối ưu của mô hình lai KNN - Hồi quy: Thuật toán KNN với $k=3$ đã định vị chính xác 3 tài sản so sánh láng giềng gần nhất có khoảng cách Euclidean nhỏ nhất. Khi áp dụng mô hình hồi quy đa biến trên tập láng giềng này, sai số chuẩn của ước lượng ($S_{xy}$) đạt mức 632 triệu đồng, tạo cơ sở định lượng vững chắc để chuyên viên điều chỉnh khung giá đề xuất.
• Tối ưu hóa thời gian xử lý nghiệp vụ: Hệ thống phần mềm web thẩm định tài sản tích hợp dịch vụ ETL tự động đã rút ngắn chu kỳ luân chuyển hồ sơ thẩm định từ 3 ngày xuống dưới 24 giờ làm việc, giảm 100% việc nhập liệu thủ công trùng lặp.

Dữ liệu thực nghiệm được trực quan hóa thông qua bảng đối sánh chi tiết giữa giá trị thực tế của 3 tài sản so sánh (lần lượt là 745 triệu, 750 triệu và 485 triệu đồng) với giá trị ước lượng từ mô hình, kết hợp biểu đồ phân tán hồi quy (Scatter Plot) thể hiện khoảng tin cậy 95% của hệ số góc dao động từ 230 đến 1624.

Thảo luận kết quả

Kết quả nghiên cứu phản ánh chính xác quy luật vận động của thị trường bất động sản đô thị Việt Nam: bề rộng mặt tiền và khả năng tiếp cận ngõ giao thông đóng vai trò quyết định đến tiềm năng sinh lời thương mại của thửa đất. So với các phương pháp định giá truyền thống vốn ghi nhận độ lệch giá từ 15% đến 20% do định kiến cá nhân của chuyên viên, mô hình ứng dụng BI giúp kéo giảm tỷ lệ sai lệch định giá xuống dưới mức 5%.

Đặc biệt, việc hiển thị trực quan sai số chuẩn ước lượng ($S_{xy}$) trên giao diện web giúp các chuyên viên thẩm định trẻ tuổi chưa có nhiều năm thâm niên dễ dàng thiết lập biên độ điều chỉnh tăng giảm giá một cách khoa học. Đây là đóng góp vượt bậc so với các nghiên cứu trước đây chỉ áp dụng đơn lẻ mô hình hồi quy hoặc thuật toán phân cụm mà không bám sát quy trình so sánh trực tiếp theo tiêu chuẩn thẩm định giá quốc gia.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nhân rộng giải pháp Trí tuệ nghiệp vụ trong hệ thống tài chính - ngân hàng, luận văn đưa ra 4 nhóm khuyến nghị mang tính hành động cao:

1. Tự động hóa hoàn toàn quy trình ETL liên ngân hàng: Khối Công nghệ thông tin cần thiết lập core service tự động thu thập, chuyển đổi và nạp dữ liệu định kỳ hằng ngày từ các chi nhánh và đối tác liên ngân hàng, hướng tới mục tiêu đạt tỷ lệ dữ liệu sạch trên 98% trong vòng 6 tháng triển khai.
2. Mở rộng và chuẩn hóa mô hình định giá cho 6 nhóm tài sản bảo đảm: Khối Thẩm định tài sản cần phối hợp chuẩn hóa bộ thuộc tính và triển khai mô hình lai KNN - Hồi quy cho toàn bộ các nhóm tài sản gồm đất nền, căn hộ chung cư, sạp chợ, hàng hóa, phương tiện vận tải và máy móc thiết bị trong lộ trình 12 tháng, giúp cắt giảm 50% thời gian lập báo cáo thẩm định.
3. Tích hợp hệ thống thông tin địa lý (GIS) và dữ liệu không gian: Phòng Quản trị dữ liệu cần cập nhật trường dữ liệu kinh độ, vĩ độ và bản đồ quy hoạch số cho 100% danh mục bất động sản trong vòng 9 tháng, nâng độ chính xác định vị không gian và phát hiện rủi ro quy hoạch lên mức 95%.
4. Tổ chức đào tạo chuyển giao công nghệ phân tích dữ liệu: Trung tâm Đào tạo ngân hàng cần triển khai tối thiểu 4 khóa đào tạo chuyên sâu trong năm về kỹ năng khai thác báo cáo BI và sử dụng module thuyết minh giá cho ít nhất 85% đội ngũ chuyên viên quan hệ khách hàng và chuyên viên thẩm định.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo chuyên sâu, mang lại giá trị thiết thực cho 4 nhóm đối tượng chính:

• Ban Lãnh đạo và Khối Quản trị Rủi ro Ngân hàng: Cung cấp khung kiến trúc tổng thể về Trí tuệ nghiệp vụ để xây dựng chiến lược số hóa quy trình thẩm định tài sản bảo đảm, giúp kiểm soát chặt chẽ tỷ lệ an toàn vốn và giảm nợ xấu.
• Chuyên viên Thẩm định giá và Chuyên viên Khách hàng: Nắm vững phương pháp so sánh trực tiếp kết hợp thuật toán hiện đại để lập báo cáo thuyết minh giá nhanh chóng, giảm thiểu áp lực chứng minh tỷ lệ điều chỉnh giá trước các cấp phê duyệt.
• Kỹ sư Phần mềm và Chuyên gia Dữ liệu (BI/Data Engineers): Tham khảo mô hình thiết kế Data Warehouse theo lược đồ sao, giải pháp xây dựng pipeline ETL và cách thức tích hợp thuật toán máy học Weka/KNN vào ứng dụng web thực tế.
• Giảng viên, Nghiên cứu sinh và Học viên cao học: Sử dụng làm tài liệu nghiên cứu chuẩn mực về việc ứng dụng công nghệ thông tin và khai phá dữ liệu trong việc giải quyết các bài toán kinh tế - tài chính phức tạp.

Câu hỏi thường gặp

Tại sao cần kết hợp cả hai thuật toán KNN và hồi quy tuyến tính đa biến trong bài toán định giá?

Thuật toán KNN phát huy thế mạnh vượt trội trong việc sàng lọc tập dữ liệu lớn để tìm ra đúng 3 tài sản so sánh có đặc điểm tương đồng nhất, loại bỏ hoàn toàn các dữ liệu ngoại lai. Tiếp đó, mô hình hồi quy tuyến tính đa biến giúp xác định trọng số định lượng khách quan của từng thuộc tính để tính toán mức giá gợi ý, khắc phục nhược điểm định giá cảm tính của con người.

Hệ số xác định $R^2 = 0.844$ trong mô hình hồi quy mang ý nghĩa thực tiễn như thế nào?

Chỉ số $R^2 = 0.844$ chứng minh rằng 84.4% sự biến động của giá đất được giải thích bởi 4 yếu tố: chiều rộng, chiều sâu, mặt ngõ và hướng đất. Với độ tin cậy 95%, chuyên viên thẩm định có cơ sở khoa học vững chắc để khẳng định mức giá ước lượng bám sát biến động thị trường thực tế.

Những thuộc tính nào ảnh hưởng lớn nhất đến giá trị định giá của bất động sản đất ở?

Qua quá trình chọn lọc bằng công cụ Weka trên 110 hồ sơ, 9 thuộc tính quan trọng nhất đã được xác lập, trong đó lợi thế kinh doanh, loại đất, tình trạng pháp lý và chiều rộng mặt tiền (hệ số tác động 927 triệu đồng/m) là các yếu tố giữ vai trò chi phối hàng đầu.

Hệ thống xử lý thế nào khi tài sản thẩm định chưa có dữ liệu giao dịch trực tiếp trên thị trường?

Trong thực tế khi thiếu dữ liệu giao dịch tại vị trí chính xác, hệ thống BI sẽ kích hoạt cơ chế mở rộng bán kính tìm kiếm không gian dựa trên tọa độ kinh độ/vĩ độ sang các tuyến đường lân cận có hạ tầng tương đương trong phạm vi 6 đến 12 tháng gần nhất để thu thập tài sản so sánh.

Kiến trúc hệ thống phần mềm web thẩm định tài sản gồm những phân hệ chức năng nào?

Hệ thống được thiết kế theo mô hình module hóa gồm hai khối chính: Module ETL (đảm nhiệm trích xuất, chuẩn hóa và nạp dữ liệu tự động hằng ngày) và Module Thẩm định tài sản (quản lý hồ sơ, cập nhật thông tin pháp lý, tạo báo cáo thẩm định và thực hiện thuyết minh giá tự động).

Kết luận

• Luận văn đã giải quyết trọn vẹn bài toán tự động hóa định giá tài sản bảo đảm ngân hàng bằng giải pháp Trí tuệ nghiệp vụ BI và khai phá dữ liệu.
• Thiết kế thành công kho dữ liệu Data Warehouse chuẩn hóa theo lược đồ hình sao và hoàn thiện pipeline ETL tự động xử lý hồ sơ liên ngân hàng.
• Mô hình kết hợp KNN ($k=3$) và hồi quy tuyến tính đa biến đạt độ chính xác cao với $R^2 = 0.844$, lượng hóa minh bạch các yếu tố định giá.
• Xây dựng hoàn chỉnh ứng dụng web thẩm định tài sản, hỗ trợ đắc lực cho chuyên viên trong việc lập báo cáo thuyết minh giá và quản lý 100% hồ sơ trực tuyến.
• Góp phần nâng cao năng lực quản trị rủi ro tín dụng và giảm thiểu tối đa các sai lệch định giá mang tính chủ quan trong hệ thống ngân hàng.

Trong giai đoạn tiếp theo, hệ thống sẽ tiếp tục được mở rộng để huấn luyện mô hình định giá tự động cho các danh mục tài sản phức tạp như căn hộ chung cư cao tầng, dự án khu đô thị và dây chuyền máy móc công nghiệp. Các tổ chức tài chính và ngân hàng thương mại được khuyến khích áp dụng ngay giải pháp công nghệ này để tối ưu hóa quy trình nghiệp vụ và xây dựng lợi thế cạnh tranh bền vững trong kỷ nguyên số hóa.

Trích đoạn nội dung tài liệu

Mở đầu: Giới thiệu về đề tài, mục tiêu và tổ chức của luận văn. - Chƣơng 1:Cơ sở lý thuyết. Chƣơng này sẽ giới thiệu tổng quan về Business Intelligence, Data Warehouse, Data Mining. - Chƣơng 2:Bài toán ứng dụng BI trong hỗ trợ thẩm định tài sản bảo đảmcủa ngân hàng.

Chƣơng này trình bày tổng quan về bài toán thẩm định tài sản bảođảm trong ngân hàng. Giới thiệu giải pháp trí tuệ nghiệp vụ và ứng dụng trong lĩnh vực ngân hàng. - Chƣơng 3:Phân tích và thiết kế hệ thống BI hỗ trợ thẩm định tài sản bảo đảm trong ngân hàng. Chƣơng này phát biểu yêu cầu của bài toán trong phạm vị thực hiện của luận văn.Mô tả việc áp dụng các phƣơng pháp hồi quy trong ƣớc lƣợng giá trị tài sản.

Thiết kế kho dữ liệu hồ sơ thẩm định. - Chƣơng 4:Cài đặt và kết quả. Chƣơng này sẽ trình bày cách cấu hình, cài đặt và kết quả xây dựng webthẩm định tài sản bảo đảm. - Kết luận và hƣớng phát triển.

LUAN VAN CHAT LUONG download : add [e-mail] 4 CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 1. Giới thiệu về Trí tuệ nghiệp vụ (Business Intelligence) 1. Khái niệm Trí tuệ nghiệp vụ (BI) là một giải pháp công nghệ khai thác dữ liệu từ các nguồn dữ liệu khác nhau, từ các hệ thống tác nghiệp khác nhau, thông qua các mô hình toán học, các kỹ thuật khai phá dữ liệu để xử lý thành các thông tin hữu ích nhằm hỗ trợ ra quyết định kinh doanh hiệu quả.[13] Mục đích của hệ thống BI là biến đổi dữ liệu từ kho dữ liệu hoặc khối dữ liệu chủ đề thành các thông tin và tri thức hữu ích, thông qua các ứng dụng mô hình toán học và các thuật toán. Từ việc tổng hợp và phân tích thông tin tri thức, doanh nghiệp có thể đƣa ra đƣợc các chiến lƣợc, hành động hiệu quả.

Việc áp dụng các hệ thống BI là một cách tiếp cận hợp lý và khoa học của các doanh nghiệp và các tổ chức phức tạp trong vấn đề quản lý. Ví dụ: Doanh nghiệp có thể dựa trên một bảng tính để dự đoán sự biến động của lãi suất ảnh hƣởng đến ngân sách nhƣ thế nào. Điều này sẽ thúc đẩy họ tạo ra một thể hiện mới về các dòng phát triển của tài chính. Cách tiếp cận điển hình của các nhà phân tích BI có thể đƣợc tóm tắt nhƣ sau: - Bƣớc 1: Cần xác định các mục tiêu của phân tích và các chỉ số sẽ đƣợc sử dụng để đánh giá các lựa chọn thay thế đã đƣợc xác định.

- Bƣớc 2: Phát triển các mô tình toán học bằng cách khai thác các mối quan hệ giữa các biến điều khiển hệ thống, các tham số và các chỉ số đánh giá. - Cuối cùng: Phân tích, đánh giá tính hiệu quả của hiệu suất đƣợc xác định bởi các biến điều khiển và các tham số thay đổi. Kiến trúc và thành phần của BI Kiến trúc của BI gồm 3 thành phần chính [13]: - Nguồn dữ liệu (Data sources): Nguồn dữ liệu đƣợc thu thập,chuẩn hóa và tích hợp từnhiều nguồnkhác nhau, không đồng nhất về cách tổ chức và loại dữ liệu. Phần lớn dữ liệu đƣợc lấy từ các hệ thống hoạt động của doanh nghiệp, cũng có thể lấy từ tài liệu phi cấu trúc nhƣ thƣ điện tử và các dữ liệu từ các nhà cung cấp bên ngoài.

- Kho dữ liệu và khối dữ liệu chủ đề(Data warehouse/Data mart): Sử dụng các công cụ chiết xuất và chuyển đổi dữ liệu đƣợc biết đến nhƣ công cụ ETL, dữ liệu đƣợc tổ chức từ các nguồn khác nhau sẽ đƣợc lƣu trữ trong các cơ sơ dữ liệu để cung cấp cho việc phân tích trong hệ thống trí tuệ nghiệp vụ. - Các phƣơng pháp luận của BI: Dữ liệu đƣợc trích xuất và sử dụng cho các mô hình toán học, các phƣơng pháp phân tích. Nhằm hỗ trợ ra quyết định của doanh LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Trong một hệ thống BI, một vài ứng dụng hỗ trợ ra quyết định sẽ đƣợc cài đặt nhƣ: o Phân tích cube nhiều chiều.

o Phân tích dữ liệu thăm dò. o Phân tích theo chuỗi thời gian. o Các mô hình học máy quy nạp trong khai phá dữ liệu. o Các mô hình tối ƣu hóa.

Các thành phần chính trong một hệ thống BI đƣợc thể hiện nhƣ sau: Quyết định Tối ưu hóa Khai phá dữ liệu Thăm dò dữ liệu Kho dữ liệu/khối dữ liệu Nguồn dữ liệu Dữ liệu từ các hệ thống, tài liệu và dữ liệu mở rộng Hình 1- 1: Các thành phần chính trong một hệ thống BI[13] - Các nguồn dữ liệu và kho dữ liệu/ khối dữ liệu: Là các thành phần chính trong hệ thống BI. Lƣu trữ các thông tin hữu ích cho việc khai phá tri thức. - Thăm dò dữ liệu (Data exploration): Bao gồm các công cụ thực hiện việc phân tích một cách bị động nhƣ: các hệ thống báo cáo, thống kê. Ngƣời ra quyết định đặt ra các giả thuyết hoặc các tiêu chí trích xuất dữ liệu, sau đó sử dụng công cụ để tìm ra câu trả lời.

- Khai phá dữ liệu (Data minning):Bao gồm các phƣơng pháp luận trọng các hoạt động của BI, với mục đích là khai thác thông tin và tri thức từ dữ liệu: Các mô hình toán học để nhận dạng máy, học máy và các công cụ khai phá dữ liệu. Không giống nhƣ các công cụ đƣợc mô tả ở các tầng trƣớc của kim tự tháp, các mô hình này thuộc loại chủ động hơn, không yêu cầu ngƣời ra quyết định xây dựng các giả thuyết và tiêu chí trƣớc. Mục đích là mở rộng tri thức cho các chuyên gia ra quyết định. Các kỹ thuật có thể đƣợc dùng nhƣ: phân loại (classification), phân cụm (clustering), phát hiện luật kết hợp (association rule), dự đoán (prediction)… LUAN VAN CHAT LUONG download : add [e-mail] 6 - Tối ƣu hóa (Optimization): Cho phép xác định giải pháp tốt nhất trong một tập các giải pháp đƣa ra.

- Quyết định (Decisions): Sau khi đã lựa chọn phƣơng án tốt nhất, ngƣời sử dụng sẽ đƣa ra quyết định cuối cùng. Khi đi từ dƣới lên trên kim tự tháp, các hệ thống BI sẽ cần đƣợc cung cấc các công cụ hỗ trợ nâng cao hơn theo từng hoạt động. Thậm chí là thay đổi luật và quyền.1 Chu kỳ của một phân tích BI Mỗi phân tích BI sẽ theo một lĩnh vực ứng dụng riêng, phụ thuộc vào mục tiêu của ngƣời ra quyết định và các phƣơng pháp phân tích có sẵn. Tuy nhiên, có thể đƣa ra đƣợc một chu kỳ lý tƣởng đặc trƣng cho sự tiến hóa của một phân tích BI điển hình nhƣ hình 1-2, mặc dù vẫn tồn tại sự khác biệt dựa trên đặc thù của từng ngữ cảnh cụ thể.

Phân tích Đánh giá Nhận thức Quyết định Hình 1- 2: Chu kỳ của phân tích BI[13] Phân tích (Analysis): Trong giai đoạn phân tích, cần phải nhận biết chính xác các vấn đề đang xảy ra. Ngƣời quyết định phải tạo một thể hiện ý tƣởng của hiện tƣợng đang đƣợc phân tích, bằng cách xác định các nhân tố liên quan nhất.Trong giai đoạn này các phƣơng pháp luận BI sẽ đƣợc sử dụng, cho phép các nhà quyết định thực hiện nhanh chóng các dò xét khác nhau, bằng việc đặt ra một số câu hỏi để thu đƣợc các phản hồi nhanh chóng thông qua các phƣơng pháp tƣơng tác. Nhận thức (Insight): Trong giai đoạn thứ hai này cho phép các nhà ra quyết định hiểu một cách sâu và rõ ràng hơn các vấn đề hiện tại, thƣờng ở mức độ nhân quả. Một mặt, việc khai thác tri thức có thể xảy ra theo trực giác của ngƣời ra quyết định, dựa trên kinh nghiệm của họ và có thể là trên các thông tin phi cấu trúc có sẵn.

Mặt khác, các mô hình học máy quy nạp cũng có thể chứng minh là rất hữu ích trong giai đoạn phân tích này, đặc biệt áp dụng cho dữ liệu có cấu trúc. LUAN VAN CHAT LUONG download : add [e-mail] 7 Quyết định (Decision): Trong pha thứ ba, tri thức thu đƣợc là kết quả của pha nhận thức đƣợc chuyển thành các quyết định và thứ tự hành động. Các phƣơng pháp luận BI cho phép pha phân tích và nhận thức thực hiện nhanh chóng để đƣa ra đƣợc quyết định hiệu quả hơn và kịp thời phù hợp với các chiến lƣợc ƣu tiên của một tổ chức. Vì vậytổng thời gian thực hiện của chu trình phân tích- quyết định- hành động- sửa đổi sẽ giảmvà quá trình ra quyết định sẽ đạt chất lƣợng tốt hơn.

Đánh giá (Evaluation): Cuối cùng là pha thứ tƣ của chu trình BI liên quan đến phép đo hiệu suất và đánh giá.Các số liệu mở rộng không chỉ giới hạn trong các khía cạnh tài chính mà còn tính đến chỉ số hiệu suất đƣợc xác định theo phòng ban khác nhau của công ty.2 Phát triển một hệ thống BI Việc phát triển một hệ thống BI giống nhƣ là phát triển một dự án, với một mục tiêu cụ thể, thời gian phát triển và chi phí dự kiến, sử dụng và điều phối nguồn lực cần thiết để thực hiện kế hoạch. Hình 1-3 thể hiện một loại chu kỳ phát triển một hệ thống BI. LUAN VAN CHAT LUONG download : add [e-mail] 8 Phân tích Xác định các yêu cầu nghiệp vụ Kiến trúc tổng thể Thiết kế Lập kế hoạch vĩ mô cho dự án Lập kế hoạch Đặc tả chi tiết dự án Xác định nguồn dữ liệu Xác định các mô hình định nghĩa kho dữ liệu, toán học khối dữ liệu Xây dựng nguyên mẫu Cài đặt và kiểm tra Xây dựng kho dữ liệu, Xây dựng metadata khối dữ liệu chủ đề Xây dựng module ETL Xây dựng ứng dụng Phát hành và kiểm thử Hình 1- 3: Các pha phát triển một hệ thống BI[13] Phân tích (Analysis): Xác định các nhu cầu liên quan đến việc phát triển một hệ thống BI của tổ chức. Thông qua một loạt các buổi phỏng vấn các nhân viên có các vai trò và hoạt động khác nhau trong tổ chức.

Mô tả rõ ràng các mục tiêu chung và các ƣu tiên của dự án, đƣa ra các chi phí và trợ cấp phát sinh từ việc phát triển hệ thống BI. Thiết kế (Design): Nhằm mục đích đƣa ra một kế hoạch tạm thời về kiến trúc tổng thể, có tính đến bất kỳ sự phát triển nào trong tƣơng lai gần và sự phát triển của hệ thống trong giai đoạn giữa. Bao gồm hai giai đoạn:  Đầu tiên là đánh giá các cơ sở hạ tầng thông tin đã có và phải kiểm tra các quy trình ra quyết định chính cần đƣợc hệ thống BI hỗ trợ để xác định đầy đủ các thông tin yêu cầu. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.