Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế phát triển và hội nhập quốc tế, ngành ngân hàng Việt Nam đang đối mặt với sự cạnh tranh gay gắt trong việc tìm kiếm và phát triển dư nợ khách hàng. Tại VietinBank, việc đánh giá chính xác khách hàng cho thuê tài chính nhằm giảm thiểu rủi ro nợ xấu và tối ưu hóa lợi nhuận là vấn đề cấp thiết. Theo ước tính, công ty cho thuê tài chính VietinBank (VLC) tại tỉnh Bình Định quản lý dữ liệu hơn 2000 khách hàng, với các nhóm nợ phân loại theo 5 mức độ từ trả đúng hạn đến quá hạn trên 360 ngày. Mục tiêu nghiên cứu là xây dựng hệ thống hỗ trợ ra quyết định cho thuê tài chính dựa trên thuật toán phân lớp Naive Bayes, giúp dự đoán nhóm nợ khách hàng mới, từ đó nâng cao hiệu quả đánh giá và giảm thiểu rủi ro tín dụng. Phạm vi nghiên cứu tập trung vào dữ liệu khách hàng tại VLC khu vực tỉnh Bình Định trong giai đoạn gần đây, với ý nghĩa quan trọng trong việc cải thiện quy trình thẩm định và ra quyết định cho thuê tài chính, góp phần tăng cường lợi nhuận và ổn định hoạt động của ngân hàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: kỹ thuật khai phá dữ liệu (Data Mining) và thuật toán phân lớp Naive Bayes trong học máy có giám sát. Khai phá dữ liệu là quá trình tìm kiếm các mẫu mới và thông tin tiềm ẩn trong khối dữ liệu lớn, giúp phát hiện tri thức có giá trị kinh tế. Thuật toán Naive Bayes dựa trên định lý Bayes, tính xác suất có điều kiện, giả định các thuộc tính dữ liệu độc lập điều kiện với nhau khi biết lớp phân loại. Ba khái niệm chính được sử dụng gồm: (1) Định lý Bayes và xác suất có điều kiện, (2) Độc lập điều kiện giữa các thuộc tính, (3) Kỹ thuật làm trơn Laplace để xử lý trường hợp xác suất bằng 0. Thuật toán Naive Bayes được lựa chọn do tính đơn giản, hiệu quả cao trong dự đoán đa lớp, phù hợp với dữ liệu rời rạc và khả năng xử lý nhanh trong môi trường thực tế.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập dữ liệu khách hàng cho thuê tài chính tại VLC tỉnh Bình Định, gồm hơn 2000 mẫu với các thuộc tính như ngành nghề kinh tế, loại tài sản thuê, nhóm thành phần kinh tế, loại khách hàng, quy mô doanh nghiệp, và nhóm nợ phân loại theo 5 mức độ. Phương pháp chọn mẫu là sử dụng toàn bộ dữ liệu có sẵn từ hệ thống ERP Oracle của công ty. Phương pháp phân tích sử dụng thuật toán phân lớp Naive Bayes để huấn luyện mô hình dự đoán nhóm nợ khách hàng mới dựa trên dữ liệu huấn luyện. Quá trình nghiên cứu gồm các bước: thu thập dữ liệu, khảo sát và làm sạch dữ liệu, xây dựng mô hình Naive Bayes, triển khai hệ thống hỗ trợ ra quyết định, và thử nghiệm với dữ liệu thực tế. Timeline nghiên cứu kéo dài trong khoảng 1 năm, từ thu thập dữ liệu đến hoàn thiện hệ thống và đánh giá kết quả thử nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả dự đoán nhóm nợ khách hàng: Hệ thống sử dụng thuật toán Naive Bayes dựa trên dữ liệu huấn luyện hơn 2000 khách hàng đã phân loại nhóm nợ thành công với độ chính xác cao. Ví dụ, trong thử nghiệm với 14 khách hàng mẫu, hệ thống dự đoán chính xác nhóm nợ tương ứng với các đặc điểm ngành nghề, loại tài sản và quy mô doanh nghiệp.

  2. Tác động của các thuộc tính đến nhóm nợ: Các thuộc tính như ngành nghề kinh tế theo Thông tư 21 và quyết định 337, loại tài sản thuê, nhóm thành phần kinh tế và loại hình doanh nghiệp có ảnh hưởng rõ rệt đến khả năng trả nợ của khách hàng. Tỷ lệ khách hàng thuộc nhóm nợ 1 (trả đúng hạn) chiếm khoảng 40%, trong khi nhóm nợ 5 (quá hạn trên 360 ngày) chiếm dưới 10%.

  3. Ứng dụng hệ số Laplace cải thiện độ chính xác: Việc áp dụng hệ số làm trơn Laplace giúp tránh trường hợp xác suất bằng 0, nâng cao độ tin cậy của dự đoán. Kết quả thử nghiệm cho thấy khi sử dụng hệ số Laplace bằng 1, độ chính xác dự đoán tăng khoảng 5-7% so với không sử dụng.

  4. Tiết kiệm thời gian và nâng cao hiệu quả thẩm định: Hệ thống hỗ trợ ra quyết định giúp giảm thời gian phân tích, thẩm định khách hàng từ vài ngày xuống còn vài giờ, đồng thời giảm thiểu rủi ro do đánh giá cảm tính. Tỷ lệ phê duyệt hợp đồng dựa trên kết quả dự đoán nhóm nợ tăng lên khoảng 15% so với phương pháp truyền thống.

Thảo luận kết quả

Nguyên nhân của các phát hiện trên xuất phát từ việc áp dụng thuật toán Naive Bayes phù hợp với tính chất dữ liệu rời rạc và độc lập điều kiện giữa các thuộc tính. So sánh với các nghiên cứu trước đây sử dụng cây quyết định hoặc K-means, Naive Bayes cho kết quả ổn định hơn khi dữ liệu có nhiều thuộc tính và không yêu cầu chuẩn hóa phức tạp. Việc sử dụng hệ số Laplace là bước cải tiến quan trọng giúp xử lý các trường hợp dữ liệu hiếm, tránh sai lệch trong dự đoán. Kết quả này phù hợp với các báo cáo ngành cho thấy kỹ thuật khai phá dữ liệu giúp quản lý rủi ro tín dụng hiệu quả hơn. Dữ liệu có thể được trình bày qua biểu đồ phân phối nhóm nợ và bảng so sánh độ chính xác dự đoán với và không có hệ số Laplace để minh họa rõ ràng hơn.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống hỗ trợ ra quyết định trên toàn quốc: Mở rộng áp dụng hệ thống dự đoán nhóm nợ khách hàng tại các chi nhánh VietinBank trên toàn quốc nhằm chuẩn hóa quy trình thẩm định và giảm thiểu rủi ro tín dụng trong vòng 12 tháng tới.

  2. Đào tạo nhân viên kinh doanh sử dụng hệ thống: Tổ chức các khóa đào tạo chuyên sâu về khai phá dữ liệu và vận hành hệ thống cho nhân viên kinh doanh và quản lý nhằm nâng cao kỹ năng đánh giá khách hàng, dự kiến hoàn thành trong 6 tháng.

  3. Cập nhật và mở rộng dữ liệu huấn luyện: Liên tục thu thập và cập nhật dữ liệu khách hàng mới để cải thiện độ chính xác của mô hình Naive Bayes, thực hiện định kỳ mỗi quý nhằm đảm bảo mô hình phản ánh đúng thực tế thị trường.

  4. Phát triển thêm các thuật toán hỗ trợ: Nghiên cứu tích hợp các thuật toán phân lớp khác như cây quyết định, mạng nơ ron nhân tạo để so sánh và nâng cao hiệu quả dự đoán, dự kiến triển khai thử nghiệm trong 18 tháng tới.

Đối tượng nên tham khảo luận văn

  1. Ngân hàng và công ty cho thuê tài chính: Giúp cải thiện quy trình thẩm định khách hàng, giảm thiểu rủi ro tín dụng và nâng cao hiệu quả kinh doanh thông qua ứng dụng khai phá dữ liệu.

  2. Chuyên gia phân tích dữ liệu và khoa học máy tính: Cung cấp ví dụ thực tiễn về ứng dụng thuật toán Naive Bayes trong lĩnh vực tài chính, hỗ trợ nghiên cứu và phát triển các mô hình phân lớp.

  3. Nhà quản lý và lãnh đạo doanh nghiệp tài chính: Hỗ trợ ra quyết định dựa trên dữ liệu khách quan, tăng cường quản lý rủi ro và tối ưu hóa nguồn vốn cho thuê tài chính.

  4. Sinh viên và nghiên cứu sinh ngành công nghệ thông tin, tài chính: Là tài liệu tham khảo quý giá về phương pháp nghiên cứu, xây dựng hệ thống hỗ trợ ra quyết định và ứng dụng kỹ thuật khai phá dữ liệu trong thực tế.

Câu hỏi thường gặp

  1. Hệ thống hỗ trợ ra quyết định cho thuê tài chính hoạt động như thế nào?
    Hệ thống sử dụng thuật toán Naive Bayes để phân tích dữ liệu khách hàng đã có, dự đoán nhóm nợ của khách hàng mới dựa trên các thuộc tính như ngành nghề, loại tài sản thuê, quy mô doanh nghiệp. Kết quả dự đoán giúp nhân viên kinh doanh và lãnh đạo đưa ra quyết định cho thuê chính xác hơn.

  2. Tại sao chọn thuật toán Naive Bayes thay vì các thuật toán khác?
    Naive Bayes đơn giản, dễ cài đặt, xử lý nhanh với dữ liệu rời rạc và độc lập điều kiện. Thuật toán này cho độ chính xác cao trong dự đoán đa lớp và phù hợp với dữ liệu khách hàng tại VLC, đồng thời giảm thiểu chi phí tính toán so với cây quyết định hay K-means.

  3. Hệ số Laplace có vai trò gì trong mô hình?
    Hệ số Laplace được sử dụng để làm trơn xác suất, tránh trường hợp xác suất bằng 0 khi thuộc tính chưa xuất hiện trong dữ liệu huấn luyện. Việc này giúp mô hình dự đoán chính xác và ổn định hơn, đặc biệt với dữ liệu có nhiều giá trị rời rạc.

  4. Hệ thống có thể áp dụng cho các ngân hàng khác không?
    Có thể áp dụng cho các ngân hàng và công ty cho thuê tài chính khác có dữ liệu tương tự. Tuy nhiên, cần điều chỉnh mô hình và dữ liệu huấn luyện phù hợp với đặc thù từng tổ chức để đảm bảo hiệu quả dự đoán.

  5. Làm thế nào để nâng cao độ chính xác của hệ thống trong tương lai?
    Cập nhật thường xuyên dữ liệu khách hàng mới, mở rộng thuộc tính phân tích, kết hợp thêm các thuật toán phân lớp khác và đào tạo nhân viên sử dụng hệ thống hiệu quả sẽ giúp nâng cao độ chính xác và tính ứng dụng của hệ thống.

Kết luận

  • Luận văn đã xây dựng thành công hệ thống hỗ trợ ra quyết định cho thuê tài chính tại VietinBank dựa trên thuật toán phân lớp Naive Bayes, với dữ liệu hơn 2000 khách hàng tại tỉnh Bình Định.
  • Hệ thống giúp dự đoán nhóm nợ khách hàng mới chính xác, giảm thiểu rủi ro tín dụng và nâng cao hiệu quả thẩm định.
  • Việc áp dụng hệ số Laplace cải thiện đáng kể độ tin cậy của mô hình dự đoán.
  • Hệ thống được thiết kế với kiến trúc tổng thể tích hợp dữ liệu từ ERP Oracle, giao diện thân thiện và quy trình phê duyệt linh hoạt.
  • Các bước tiếp theo bao gồm mở rộng triển khai toàn quốc, đào tạo nhân viên và nghiên cứu tích hợp thêm thuật toán nâng cao.

Quý độc giả và các tổ chức quan tâm được khuyến khích áp dụng và phát triển hệ thống nhằm nâng cao năng lực quản lý rủi ro và hiệu quả kinh doanh trong lĩnh vực cho thuê tài chính.