Nghiên cứu mạng neural network và ứng dụng trong dự đoán khả năng gửi tiền tiết kiệm của khách hàng cá nhân qua telemarketing tại ngân hàng

Trong bối cảnh kinh tế số, việc ứng dụng các công nghệ tiên tiến vào ngành ngân hàng trở nên vô cùng quan trọng. 83 trang · Học viện Ngân hàng · 2022.

• Tác giả: Hoàng Thị Thu
• Người hướng dẫn: ThS. Nguyễn Dương Hùng
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Nghiên Cứu Mạng Neural Network Trong Dự Đoán Khả Năng Gửi Tiền Tiết Kiệm Qua Telemarketing Tại Ngân Hàng
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: HOẠT ĐỘNG CRM VÀ MARKETING TRONG NGÂN HÀNG
• 1.1. Hoạt động CRM trong ngân hàng
• 1.2. Khách hàng cá nhân trong ngân hàng thương mại
• 1.3. CRM trong ngân hàng
• 1.4. Vai trò của CRM trong ngân hàng
• 1.5. Lợi ích của CRM trong ngân hàng
• 1.6. Hoạt động Marketing trong ngân hàng
• 1.7. Khái niệm Marketing
• 1.8. Vai trò của hoạt động Marketing trong ngân hàng
• 1.9. Chức năng của bộ phận marketing trong ngân hàng
• 1.10. Các xu hướng marketing trong ngân hàng
• 1.11. Các hình thức marketing
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ KHAI PHÁ DỮ LIỆU
• 2.1. Tổng quan về kỹ thuật khai phá dữ liệu
• 2.2. Khái niệm khai phá dữ liệu
• 2.3. Các giai đoạn của quá trình khai phá dữ liệu
• 2.4. Ứng dụng của khai phá dữ liệu
• 2.5. Một số phương pháp khai phá dữ liệu hiện đại
• 2.5.1. Phương pháp khai phá phân lớp
• 2.5.2. Phương pháp khai phá phân cụm
• 2.5.3. Phương pháp khai phá luật kết hợp
• 2.6. Tổng quan mạng neural network ANN
• 2.6.1. Nơron sinh học và nơron nhân tạo
• 2.6.2. Khái niệm mạng neural network
• 2.6.3. Đặc trưng của mạng neural network
• 2.6.4. Cấu trúc và phân loại mạng neural network
• 2.6.5. Huấn luyện mạng neural network
• 2.6.6. Một số vấn đề của mạng neural network
• 2.6.7. Ứng dụng mạng neural network
• 3. CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 3.1. Bài toán dự báo khả năng gửi tiền của khách hàng
• 3.2. Chiến dịch Bank TeleMarketing khuyến khích khách hàng gửi tiền
• 3.3. Phân tích bài toán
• 3.4. Xây dựng mô hình thực nghiệm. Tiền xử lý dữ liệu
• 3.5. Thực nghiệm với thuật toán neural network
• 3.6. Kết quả và đánh giá thuật toán neural network
• 3.7. Kết quả của một số thuật toán khác
• 3.8. Các quy luật dự đoán khả năng gửi tiền của khách hàng
• 3.9. Hạn chế của bài toán
• 3.10. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Mạng Neural Network Dự Đoán Tiền Tiết Kiệm

Trong bối cảnh kinh tế số, việc ứng dụng các công nghệ tiên tiến vào ngành ngân hàng trở nên vô cùng quan trọng. Một trong số đó là mạng Neural Network, hay còn gọi là mạng nơ-ron nhân tạo (ANN), được sử dụng để dự đoán khả năng gửi tiền tiết kiệm của khách hàng. Bài viết này sẽ khám phá tiềm năng của mô hình dự đoán này trong việc tối ưu hóa hoạt động telemarketing ngân hàng. Ngân hàng có thể tận dụng phân tích dữ liệu khách hàng để cá nhân hóa trải nghiệm và tăng cường hiệu quả telemarketing. Áp dụng học máy (machine learning) vào bài toán này không chỉ giúp tăng tỷ lệ phản hồi mà còn cải thiện chuyển đổi khách hàng và tăng lợi nhuận đầu tư (ROI). Thực tế, việc khai thác dữ liệu lịch sử giao dịch và hành vi khách hàng một cách thông minh mang lại lợi thế cạnh tranh đáng kể cho ngân hàng.

1.1. Tầm Quan Trọng Của Dự Đoán Trong Telemarketing

Telemarketing đóng vai trò quan trọng trong việc tiếp cận và thuyết phục khách hàng sử dụng các sản phẩm, dịch vụ ngân hàng. Tuy nhiên, việc tiếp cận ngẫu nhiên có thể gây lãng phí nguồn lực và làm phiền khách hàng. Dự đoán khả năng gửi tiền tiết kiệm giúp ngân hàng tập trung vào những khách hàng tiềm năng, tối ưu hóa chi phí và nâng cao hiệu quả chiến dịch. Dữ liệu lịch sử và hành vi khách hàng được phân tích để xác định các yếu tố ảnh hưởng đến quyết định gửi tiền, từ đó xây dựng mô hình dự đoán chính xác.

1.2. Ứng Dụng Mạng Neural Network Trong Ngành Ngân Hàng

Mạng Neural Network là một công cụ mạnh mẽ trong việc phân tích dữ liệu phức tạp và dự đoán các xu hướng. Trong ngành ngân hàng, nó có thể được sử dụng để phân loại khách hàng, phân tích rủi ro, phát hiện gian lận, và dự đoán nhu cầu tài chính. Khả năng tự học và thích ứng của mạng nơ-ron nhân tạo giúp ngân hàng đưa ra các quyết định thông minh và kịp thời, nâng cao hiệu quả hoạt động và giảm thiểu rủi ro.

II. Thách Thức Bài Toán Dự Đoán Gửi Tiền Tiết Kiệm

Việc dự đoán khả năng gửi tiền tiết kiệm qua telemarketing không phải là một bài toán đơn giản. Nhiều yếu tố ảnh hưởng đến quyết định của khách hàng, bao gồm tình hình tài chính cá nhân, lãi suất, uy tín ngân hàng, và các yếu tố tâm lý. Phân tích dữ liệu khách hàng đòi hỏi sự chính xác và toàn diện để tránh những sai lệch trong mô hình dự đoán. Thách thức lớn nhất là làm sao để xây dựng một thuật toán dự đoán đủ mạnh mẽ để xử lý lượng lớn dữ liệu lịch sử giao dịch và hành vi khách hàng phức tạp, đồng thời đảm bảo tính hiệu quả telemarketing và tăng tỷ lệ phản hồi.

2.1. Thu Thập Và Xử Lý Dữ Liệu Khách Hàng

Quá trình thu thập và xử lý dữ liệu khách hàng gặp nhiều khó khăn. Dữ liệu có thể bị thiếu, không chính xác, hoặc không đồng nhất. Cần có các phương pháp tiền xử lý dữ liệu hiệu quả để làm sạch và chuẩn hóa dữ liệu trước khi đưa vào mô hình. Các kỹ thuật như loại bỏ dữ liệu trùng lặp, điền giá trị thiếu, và chuyển đổi dữ liệu định tính thành định lượng là cần thiết để đảm bảo chất lượng dữ liệu.

2.2. Chọn Thuộc Tính Đầu Vào Cho Mô Hình Dự Đoán

Việc lựa chọn các thuộc tính đầu vào phù hợp là rất quan trọng để xây dựng một mô hình dự đoán chính xác. Các thuộc tính như tuổi, giới tính, nghề nghiệp, thu nhập, lịch sử giao dịch, và phản hồi từ các chiến dịch telemarketing trước đây có thể ảnh hưởng đến quyết định gửi tiền của khách hàng. Cần có các phương pháp lựa chọn thuộc tính hiệu quả để chọn ra những thuộc tính quan trọng nhất và loại bỏ những thuộc tính không liên quan.

III. Phương Pháp Xây Dựng Mô Hình Neural Network Dự Đoán

Để giải quyết bài toán dự đoán khả năng gửi tiền tiết kiệm, việc xây dựng một mô hình Neural Network là một lựa chọn tiềm năng. Quá trình này bao gồm việc thiết kế kiến trúc mạng, lựa chọn thuật toán học, và huấn luyện mạng trên dữ liệu lịch sử giao dịch. Cần có sự cân nhắc kỹ lưỡng để đảm bảo rằng mạng nơ-ron nhân tạo có khả năng học hỏi và khái quát hóa tốt, đồng thời tránh hiện tượng quá khớp (overfitting). Việc sử dụng các kỹ thuật Deep Learning cũng có thể được xem xét để nâng cao độ chính xác của mô hình dự đoán.

3.1. Lựa Chọn Kiến Trúc Mạng Neural Network Phù Hợp

Có nhiều kiến trúc mạng Neural Network khác nhau, mỗi kiến trúc phù hợp với một loại bài toán cụ thể. Đối với bài toán dự đoán khả năng gửi tiền tiết kiệm, có thể sử dụng mạng truyền thẳng (feedforward neural network), mạng hồi quy (recurrent neural network), hoặc mạng tích chập (convolutional neural network). Việc lựa chọn kiến trúc mạng phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của bài toán.

3.2. Huấn Luyện Và Đánh Giá Mô Hình Dự Đoán

Sau khi xây dựng mô hình, cần huấn luyện mô hình trên dữ liệu lịch sử giao dịch. Quá trình huấn luyện bao gồm việc điều chỉnh các trọng số của mạng để giảm thiểu sai số dự đoán. Sau khi huấn luyện, cần đánh giá hiệu quả của mô hình trên một tập dữ liệu kiểm tra độc lập. Các chỉ số đánh giá như độ chính xác (accuracy), độ nhạy (sensitivity), và độ đặc hiệu (specificity) được sử dụng để đánh giá khả năng dự đoán của mô hình.

3.3. Tối Ưu Hóa Mô Hình Dự Đoán Bằng Kỹ Thuật Feature Engineering

Feature engineering (kỹ thuật trích xuất và biến đổi đặc trưng) đóng vai trò quan trọng trong việc cải thiện hiệu suất của mô hình dự đoán. Các kỹ thuật như biến đổi dữ liệu số, tạo biến tương tác (interaction variables), và mã hóa biến phân loại (categorical encoding) có thể được sử dụng để tạo ra những đặc trưng mới, cung cấp thông tin hữu ích hơn cho mô hình. Việc lựa chọn và biến đổi đặc trưng một cách thông minh có thể giúp mô hình học hỏi tốt hơn và đưa ra dự đoán chính xác hơn.

IV. Kết Quả Ứng Dụng Thực Tế và Đánh Giá Hiệu Quả Mô Hình

Việc triển khai mô hình Neural Network vào thực tế giúp ngân hàng tối ưu hóa chiến dịch telemarketing. Ngân hàng có thể tập trung nguồn lực vào những khách hàng có khả năng cao sẽ gửi tiền tiết kiệm, giảm thiểu chi phí và tăng lợi nhuận đầu tư (ROI). Kết quả nghiên cứu cho thấy, mô hình có thể đạt được độ chính xác cao trong việc dự đoán, mang lại lợi ích thiết thực cho hoạt động kinh doanh. Bên cạnh đó, việc tích hợp mô hình vào hệ thống CRM (Customer Relationship Management) giúp cải thiện trải nghiệm khách hàng và tăng cường mối quan hệ giữa ngân hàng và khách hàng.

4.1. So Sánh Với Các Phương Pháp Dự Đoán Truyền Thống

Cần so sánh hiệu quả của mô hình Neural Network với các phương pháp dự đoán truyền thống như hồi quy logistic, cây quyết định, và máy vector hỗ trợ (SVM). So sánh dựa trên các chỉ số đánh giá như độ chính xác, độ nhạy, và độ đặc hiệu. Kết quả so sánh sẽ cho thấy liệu mô hình Neural Network có thực sự vượt trội so với các phương pháp truyền thống hay không.

4.2. Phân Tích Các Quy Luật Dự Đoán Khả Năng Gửi Tiền

Mô hình Neural Network có thể khám phá ra các quy luật ẩn trong dữ liệu, giúp ngân hàng hiểu rõ hơn về hành vi khách hàng. Ví dụ, mô hình có thể phát hiện ra rằng những khách hàng có độ tuổi nhất định, thu nhập ổn định, và lịch sử giao dịch tốt có khả năng gửi tiền tiết kiệm cao hơn. Phân tích các quy luật này giúp ngân hàng đưa ra các chiến lược tiếp thị và chăm sóc khách hàng phù hợp.

V. Triển Vọng Phát Triển và Tối Ưu Mô Hình Dự Đoán NN

Trong tương lai, mô hình Neural Network có thể được phát triển và tối ưu hóa hơn nữa bằng cách sử dụng các kỹ thuật tiên tiến như học tăng cường (reinforcement learning) và chatbot ngân hàng. Việc tích hợp AI trong ngân hàng giúp tự động hóa quy trình telemarketing, cá nhân hóa trải nghiệm khách hàng, và cung cấp dịch vụ hỗ trợ 24/7. Bên cạnh đó, việc chú trọng đến vấn đề phân tích rủi ro và bảo mật dữ liệu khách hàng là rất quan trọng để đảm bảo tính bền vững và tin cậy của mô hình dự đoán.

5.1. Tích Hợp Chatbot Hỗ Trợ Telemarketing Tự Động

Chatbot có thể được tích hợp vào quy trình telemarketing để tự động trả lời các câu hỏi thường gặp của khách hàng, cung cấp thông tin về sản phẩm, dịch vụ, và hỗ trợ khách hàng thực hiện giao dịch. Chatbot có thể hoạt động 24/7, giúp ngân hàng tiếp cận khách hàng mọi lúc, mọi nơi và giảm tải cho nhân viên telemarketing.

5.2. Sử Dụng Dữ Liệu Big Data Để Cải Thiện Độ Chính Xác

Ngân hàng có thể thu thập và phân tích lượng lớn dữ liệu từ nhiều nguồn khác nhau như mạng xã hội, website, và các ứng dụng di động. Dữ liệu này có thể cung cấp thông tin hữu ích về sở thích, nhu cầu, và hành vi của khách hàng. Sử dụng dữ liệu big data để cải thiện độ chính xác của mô hình dự đoán giúp ngân hàng đưa ra các quyết định thông minh hơn và tăng cường khả năng cạnh tranh.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh hội nhập kinh tế quốc tế cùng với sự phát triển của cuộc cách mạng công nghệ lần thứ tư, ngành ngân hàng tại Việt Nam đang đứng trước nhiều cơ hội phát triển lẫn áp lực cạnh tranh gay gắt. Để tạo lập năng lực cạnh tranh và duy trì vị thế thị trường, các ngân hàng thương mại buộc phải tìm kiếm giải pháp cá nhân hóa dịch vụ và tối ưu hóa công tác phân khúc khách hàng. Khách hàng cá nhân đóng vai trò quyết định đối với nguồn vốn huy động cũng như lợi nhuận ròng của ngân hàng, song việc khai thác tệp khách hàng tiềm năng chưa được nhận diện vẫn là một bài toán khó khăn đối với các nhà quản trị.

Thực tế hoạt động cho thấy, dù các ngân hàng sở hữu kho cơ sở dữ liệu điện tử khổng lồ từ các giao dịch và dữ liệu nhân khẩu học, việc chuyển hóa nguồn dữ liệu thô này thành tri thức phục vụ quản trị quan hệ khách hàng (CRM) và các chiến dịch tiếp thị qua điện thoại (Telemarketing) vẫn gặp nhiều trở ngại. Hình thức Telemarketing có chi phí thấp và tính tương tác trực tiếp cao, nhưng nếu tiếp cận dàn trải mà không có định hướng phân loại trước sẽ gây lãng phí nguồn lực nhân sự và gia tăng chi phí vận hành. Từ thực tiễn đó, kỹ thuật khai phá dữ liệu – đặc biệt là thuật toán mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) với khả năng tự học, thích nghi cao và ánh xạ các mối quan hệ phi tuyến tính phức tạp – được lựa chọn để giải quyết bài toán dự báo hành vi gửi tiền tiết kiệm của khách hàng.

Mục tiêu và nhiệm vụ nghiên cứu của khóa luận được xác định cụ thể như sau:

1. Nghiên cứu, hệ thống hóa và làm rõ cơ sở lý thuyết về hoạt động quản trị quan hệ khách hàng (CRM), hoạt động marketing và hình thức tiếp thị qua điện thoại (Telemarketing) trong hệ thống ngân hàng thương mại.
2. Tìm hiểu quy trình khám phá tri thức trong cơ sở dữ liệu (KDD) và nghiên cứu chuyên sâu cấu trúc, nguyên lý vận hành, các phương pháp học cùng thuật toán huấn luyện của mạng nơ-ron nhân tạo (ANN).
3. Ứng dụng kỹ thuật khai phá dữ liệu và thuật toán mạng ANN vào bài toán phân tích tập dữ liệu khách hàng cá nhân; xây dựng mô hình thực nghiệm để dự đoán khả năng gửi tiền tiết kiệm qua kênh Telemarketing; so sánh hiệu quả với các thuật toán phân lớp khác nhằm đưa ra đề xuất hỗ trợ ngân hàng sàng lọc khách hàng tiềm năng.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Mạng nơ-ron nhân tạo (ANN) và bài toán phân lớp dữ liệu dự báo khả năng tham gia gửi tiền tiết kiệm của khách hàng cá nhân.
• Phạm vi nội dung: Tập trung vào các kỹ thuật tiền xử lý dữ liệu, phương pháp phân lớp học có giám sát bằng mạng ANN và đối sánh với mô hình Hồi quy Logistic (Logistic Regression), K-láng giềng gần nhất (K-nearest neighbors - KNN); đồng thời phân tích các thuộc tính tác động đến quyết định của khách hàng trong chiến dịch tiếp thị qua điện thoại.
• Phạm vi không gian và thời gian: Nghiên cứu được thực hiện tại Khoa Hệ thống thông tin quản lý - Học viện Ngân hàng, kết hợp quá trình học hỏi kinh nghiệm làm việc thực tế tại phòng ban HAS thuộc Công ty Cổ phần Dịch vụ Công nghệ Tin học HPT. Dữ liệu thực nghiệm sử dụng bộ dữ liệu chiến dịch tiếp thị qua điện thoại của ngân hàng (Bank Telemarketing) với quy mô 11.162 bản ghi; khóa luận được hoàn thành vào tháng 05 năm 2022.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của công trình được xây dựng trên sự giao thoa giữa nghiệp vụ ngân hàng thương mại và kỹ thuật khoa học dữ liệu:

• Quản trị quan hệ khách hàng (CRM) và Marketing ngân hàng: CRM được nhìn nhận dưới góc độ chiến lược kinh doanh kết hợp giải pháp phần mềm quản trị thông tin hai chiều tại 3 bộ phận: bộ phận bán hàng, bộ phận hỗ trợ khách hàng và bộ phận tiếp thị. Nghiên cứu tiếp cận marketing ngân hàng qua 4 chức năng cốt lõi (thích nghi sản phẩm, phân phối, tiêu thụ sản phẩm, hỗ trợ sau bán) và phân loại tiếp thị thành Marketing Offline (quảng cáo báo chí, pano ngoài trời, sự kiện, tiếp thị trực tiếp qua điện thoại) cùng Marketing Online (SEM, SEO, PPC, SMO, Affiliate Marketing, Viral Marketing, Content Marketing).
• Quy trình khám phá tri thức trong cơ sở dữ liệu (KDD): Khóa luận tuân thủ quy trình chuẩn 5 giai đoạn: (1) Trích chọn dữ liệu (Data selection); (2) Tiền xử lý dữ liệu (Data preprocessing); (3) Biến đổi dữ liệu (Data transformation); (4) Khai phá dữ liệu (Data mining); (5) Đánh giá và biểu diễn tri thức (Knowledge representation & evaluation).
• Mạng nơ-ron nhân tạo (ANN): Mô phỏng cấu trúc nơ-ron sinh học (gồm thân tế bào, sợi nhánh và sợi trục). Một nơ-ron nhân tạo tiếp nhận các tín hiệu đầu vào $x_i$, nhân với trọng số liên kết $w_{ki}$, cộng thêm hệ số điều chỉnh bias $b$ qua bộ cộng tổng hợp tín hiệu: $$v = b + \sum_{i=1}^{m} x_i w_{ki}$$ Tín hiệu tổng hợp $v$ sau đó được chuyển đổi qua hàm kích hoạt phi tuyến tính (activation function) dạng sigmoid: $$\hat{y} = \sigma(v)$$ để tạo ra giá trị đầu ra chuẩn hóa trong miền xác định, bảo đảm khả năng ánh xạ phi tuyến tính của mạng.

Phương pháp nghiên cứu thực tế được triển khai bao gồm:

• Phương pháp thu thập và phân tích tài liệu: Tổng hợp tài liệu trong nước và quốc tế về các mô hình phân lớp, phân cụm, khai phá luật kết hợp (thuật toán Apriori) và các bài toán dự báo tỷ lệ rời dịch vụ (Churn Prediction), bán chéo sản phẩm trong ngành ngân hàng.
• Phương pháp tiền xử lý và biến đổi dữ liệu: Áp dụng kỹ thuật lọc và xử lý dữ liệu khuyết thiếu (xóa bản ghi hoặc thay thế bằng giá trị thống kê phù hợp); khử dữ liệu trùng lặp; nhận diện và loại bỏ giá trị ngoại lai (outliers qua phân tích khoảng tứ phân vị và biểu đồ ria mèo); biến đổi dữ liệu thông qua chuẩn hóa (chuẩn hóa min-max, chuẩn hóa z-score, chuẩn hóa theo thang chia lũy thừa 10); thu giảm dữ liệu và rời rạc hóa các thuộc tính liên tục thành các khoảng giá trị phân loại.
• Phương pháp phân lớp bằng mô hình học có giám sát (Supervised Learning): Dữ liệu được phân chia thành tập huấn luyện (training data) để mạng học và điều chỉnh bộ trọng số, và tập kiểm tra (testing data) độc lập nhằm đánh giá khả năng tổng quát hóa của mạng, tránh hiện tượng quá khớp (overfitting).
• Phương pháp đo lường và đánh giá hiệu năng: Đánh giá chất lượng mô hình thông qua ma trận nhầm lẫn (Confusion Matrix) với 4 chỉ số cơ bản gồm True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN); theo dõi độ chính xác tổng thể (Accuracy) và đồ thị suy giảm hàm mất mát (Model Loss).
• Nguồn dữ liệu: Khóa luận sử dụng bộ dữ liệu thứ cấp gồm 11.162 bản ghi ghi nhận kết quả chiến dịch tiếp thị qua điện thoại (Bank Telemarketing) của ngân hàng, bao gồm các nhóm thuộc tính nhân khẩu học (độ tuổi, hôn nhân), tình trạng nhà ở, cùng thông tin tiếp xúc tiếp thị (thời lượng cuộc gọi cuối, tháng liên hệ, số lần liên hệ trong chiến dịch hiện tại và các chiến dịch trước).

Nội dung chính theo từng chương

CHƯƠNG 1: HOẠT ĐỘNG CRM VÀ MARKETING TRONG NGÂN HÀNG

Chương 1 thiết lập bức tranh tổng thể về vai trò sống còn của khách hàng cá nhân đối với các ngân hàng thương mại, đồng thời phân tích mối liên hệ chặt chẽ giữa CRM, chiến lược tiếp thị và bài toán kinh doanh thực tiễn:

• Khách hàng cá nhân và vai trò CRM: Khách hàng cá nhân được phân định thành hai nhóm mục tiêu chính: nhóm khách hàng gửi tiền tiết kiệm (tạo nguồn vốn huy động) và nhóm khách hàng vay vốn (tạo thu nhập lãi vay). Hệ thống CRM đóng vai trò kết nối, tự động hóa quy trình tại 3 phòng ban chức năng: lưu trữ hợp đồng và báo cáo doanh số cho bộ phận bán hàng; quản lý danh sách khách hàng tiềm năng cho bộ phận hỗ trợ; quản lý chiến dịch tiếp thị, phân tích lợi nhuận theo nhóm khách hàng cho bộ phận marketing. CRM mang lại 6 lợi ích cốt lõi: gia tăng mức độ gắn kết, tăng cường phối hợp liên phòng ban, cải thiện chất lượng dịch vụ, tối ưu hóa doanh thu, nâng cao năng suất nhân viên và cắt giảm chi phí tiếp thị.
• Hệ thống marketing ngân hàng: Chương này phân tích 4 chức năng cốt lõi của marketing ngân hàng bao gồm: làm cho sản phẩm thích nghi với thị trường; tổ chức kênh phân phối; thúc đẩy tiêu thụ sản phẩm (đòi hỏi quy trình giao dịch chuyên nghiệp, kịch bản xử lý rủi ro và nâng cao năng lực giao dịch viên); và chức năng hỗ trợ chăm sóc sau bán. Tác giả cũng hệ thống hóa các xu hướng marketing hiện đại như Digital Marketing gắn với ngân hàng số, khai thác dữ liệu giao dịch, cá nhân hóa trải nghiệm và tích hợp giải pháp tài chính công nghệ (Fintech).
• Phương thức Telemarketing: Tiếp thị qua điện thoại được làm rõ như một công cụ tiếp cận trực tiếp, linh hoạt và tiết kiệm chi phí để giới thiệu các gói gửi tiết kiệm, tư vấn lãi suất và kỳ hạn cho khách hàng. Các thông tin thu thập qua cuộc gọi (như tuổi tác, tình trạng hôn nhân, nhà ở, số lần gọi, thời lượng cuộc gọi) chính là nguồn dữ liệu đầu vào phục vụ phân tích dự báo.

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ KHAI PHÁ DỮ LIỆU

Chương 2 trình bày có hệ thống nền tảng toán học và kỹ thuật khai phá dữ liệu, tập trung làm rõ quy trình KDD cùng nguyên lý vận hành của mạng nơ-ron nhân tạo:

• Kỹ thuật khai phá dữ liệu và quy trình KDD: Khai phá dữ liệu được định vị là bước phân tích trung tâm của quá trình khám phá tri thức trong cơ sở dữ liệu. Tác giả phân tích chi tiết quy trình 5 bước và các giải pháp kỹ thuật tiền xử lý: xử lý dữ liệu khuyết thiếu, khử nhiễu, loại bỏ ngoại lai; tích hợp dữ liệu theo chiều dài (nối bản ghi cùng cấu trúc) và chiều rộng (kết hợp các thuộc tính qua khóa định danh); các công thức chuẩn hóa dữ liệu min-max, z-score ($\sigma_A$) và chia cho lũy thừa 10; cùng các kỹ thuật thu giảm dữ liệu (thu giảm chiều, thu giảm lượng, rời rạc hóa thuộc tính).
• Các phương pháp khai phá hiện đại: Phân biệt rõ phương pháp phân lớp (học có giám sát, phân tách tập train/test, đo lường bằng ma trận nhầm lẫn); phương pháp phân cụm (học không giám sát, gom nhóm dữ liệu tự động); và khai phá luật kết hợp (học không giám sát, tìm quy tắc $X \rightarrow Y$ ứng dụng thuật toán Apriori).
• Cơ chế mạng nơ-ron nhân tạo (ANN): Đối chiếu từ cấu trúc nơ-ron sinh học sang nơ-ron nhân tạo với đầy đủ các thành phần: liên kết nơ-ron, trọng số liên kết $w$, hệ số điều chỉnh bias $b$, bộ cộng tổng hợp tín hiệu và hàm kích hoạt sigmoid $\sigma(v)$. Mạng ANN có các đặc trưng ưu việt như tính phi tuyến, khả năng tự thích nghi, tính chấp nhận lỗi và thuận tiện khi mô hình hóa toán học; tuy nhiên tồn tại hạn chế là chỉ xử lý dữ liệu định lượng, đòi hỏi dữ liệu huấn luyện lớn và mang tính chất "hộp đen" (không cung cấp cơ chế giải thích quy tắc).
• Cấu trúc, phân loại và thuật toán huấn luyện ANN: Phân loại mạng theo liên kết (mạng lan truyền thẳng, mạng hồi quy, mạng kết nối đối xứng/không đối xứng) và theo số tầng (mạng đơn tầng, mạng đa tầng với 2-3 lớp ẩn phổ biến). Huấn luyện mạng được thực hiện thông qua học có giám sát với thuật toán lặp: khởi tạo ngẫu nhiên trọng số $w$, tính giá trị đầu ra $Y_i'$, so sánh với nhãn thực tế $Y_i$ để điều chỉnh trọng số $w$ qua các chu kỳ lặp cho đến khi mức chênh lệch trọng số hội tụ hoặc đạt ngưỡng số lần lặp $N$ định trước.

CHƯƠNG 3: THỰC NGHIỆM VÀ ĐÁNH GIÁ

Chương 3 là phần trọng tâm thực nghiệm của khóa luận, ứng dụng mạng ANN vào tập dữ liệu Bank Telemarketing để đưa ra mô hình dự báo và so sánh đối chuẩn:

• Tiền xử lý dữ liệu thực nghiệm: Thực hiện trên tập dữ liệu gồm 11.162 bản ghi. Quá trình tiền xử lý tiến hành rà soát các trường dữ liệu khuyết thiếu, áp dụng phương pháp thay thế giá trị thiếu thích hợp, kiểm tra và loại bỏ hoàn toàn các bản ghi trùng lặp. Các thuộc tính định lượng được thực hiện rời rạc hóa (so sánh cụ thể qua Bảng 2 và Bảng 3 trong văn bản) để chuyển đổi dữ liệu liên tục sang các khoảng giá trị phân loại, chuẩn bị bảng dữ liệu đầu vào cho mô hình (Bảng 4).
• Triển khai huấn luyện mạng ANN: Thiết lập cấu hình mạng nơ-ron lan truyền thẳng nhiều lớp, nạp dữ liệu huấn luyện, khởi tạo bộ tham số và tiến hành quá trình đào tạo mạng qua nhiều chu kỳ (epochs). Mô hình được kiểm tra khả năng dự báo trực tiếp trên các mẫu bản ghi khách hàng cụ thể.
• Đánh giá hiệu năng và so sánh thuật toán: Kết quả chạy mô hình được kiểm chứng thông qua ma trận nhầm lẫn, biểu đồ biến thiên độ chính xác (Model Accuracy) và biểu đồ tổn thất (Model Loss). Tác giả thực hiện so sánh hiệu quả dự báo của mạng ANN với hai thuật toán đối chuẩn là Hồi quy Logistic (Logistic Regression) và K-láng giềng gần nhất (KNN).
• Phát hiện các quy luật dữ liệu: Phân tích tương quan chỉ ra các yếu tố ảnh hưởng mạnh đến quyết định gửi tiền: (1) Mối quan hệ giữa độ tuổi và khả năng gửi tiền (tỷ lệ tham gia có sự khác biệt rõ nét giữa các nhóm tuổi); (2) Ảnh hưởng của tháng liên hệ trong năm; (3) Tác động của số lần liên hệ trong các chiến dịch trước đó đối với sự sẵn sàng gửi tiết kiệm của khách hàng.
• Mô hình hóa ứng dụng: Khóa luận xây dựng các giao diện mẫu phục vụ bộ phận kinh doanh gồm: giao diện danh sách kết quả dự báo khả năng gửi tiền của khách hàng; màn hình nhập liệu và thêm mới thông tin khách hàng đơn lẻ; màn hình hỗ trợ tải dữ liệu hàng loạt từ tệp bảng tính Excel.

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả định lượng và giải pháp thực tiễn cụ thể từ tập dữ liệu 11.162 bản ghi:

• Xây dựng thành công quy trình xử lý dữ liệu hoàn chỉnh từ làm sạch dữ liệu khuyết thiếu, khử trùng lặp, rời rạc hóa thuộc tính số đến thiết lập cấu hình mạng nơ-ron lan truyền thẳng nhiều lớp phục vụ bài toán phân lớp nhị phân (khách hàng đồng ý hoặc không đồng ý gửi tiền).
• Đo lường và kiểm soát được độ hội tụ của mô hình thông qua biểu đồ Model Accuracy và Model Loss, đồng thời xác lập ma trận nhầm lẫn nhằm phân tách rõ các tỷ lệ dự báo chính xác (TP, TN) và hạn chế lỗi nghiêm trọng (FN).

Tiêu chí so sánh	Thuật toán Mạng Neural Network (ANN)	Thuật toán Hồi quy Logistic (Logistic Regression)	Thuật toán K-láng giềng gần nhất (KNN)
Loại hình mô hình	Mô hình nơ-ron nhân tạo đa tầng	Mô hình phân lớp thống kê tuyến tính	Mô hình dựa trên khoảng cách không gian mẫu
Cơ chế hoạt động	Tự học và cập nhật trọng số liên kết phi tuyến	Ước lượng hàm xác suất logit	Đo khoảng cách tới $k$ điểm láng giềng gần nhất
Khả năng ánh xạ	Ánh xạ tốt các mối quan hệ phi tuyến phức tạp	Bị giới hạn ở các mối quan hệ tuyến tính	Phụ thuộc vào phân bố cục bộ của dữ liệu
Xử lý dữ liệu lớn	Hiệu quả cao khi số lượng bản ghi lớn (11.162 bản ghi)	Xử lý nhanh nhưng độ bao quát quy luật thấp hơn	Chi phí tính toán tăng mạnh khi dữ liệu lớn
Khả năng giải thích	Dạng "hộp đen", không có cơ chế giải thích trực quan	Cung cấp hệ số tương quan từng biến số	Phụ thuộc trực tiếp vào nhãn láng giềng

Các giải pháp và đóng góp thực tiễn tác giả đề xuất:

• Tối ưu hóa nguồn lực Telemarketing: Ngân hàng có thể sử dụng kết quả dự báo của mạng ANN để sàng lọc trước danh sách khách hàng tiềm năng, giảm thiểu tối đa thời gian và chi phí cuộc gọi vào các nhóm khách hàng có xác suất đồng ý thấp.
• Xây dựng kịch bản tiếp cận theo đặc trưng khách hàng: Dựa trên các quy luật tương quan đã phát hiện về nhóm tuổi, thời điểm tháng liên hệ và lịch sử tiếp xúc trong các chiến dịch trước, bộ phận tiếp thị có thể thiết kế kịch bản tư vấn và chính sách lãi suất phù hợp cho từng phân khúc cụ thể.
• Đóng góp so với nghiên cứu trước: Khóa luận kế thừa các nghiên cứu quốc tế và trong nước về ứng dụng khai phá dữ liệu trong ngân hàng (như các nghiên cứu của Dong Sheng Wu, Yong Wang, Dr. Singh, K. Subashini), mở rộng phạm vi ứng dụng mạng nơ-ron nhân tạo đa tầng vào dữ liệu Telemarketing ngân hàng với 11.162 bản ghi, đồng thời kết nối kết quả mô hình vào các giao diện ứng dụng thực tế hỗ trợ nhân viên nhập liệu đơn lẻ hoặc nạp file Excel.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ những hạn chế mang tính kỹ thuật và dữ liệu:

• Bản chất "hộp đen" của mạng ANN: Mạng nơ-ron nhân tạo thực hiện tính toán dựa trên việc tối ưu hóa ma trận trọng số và các hàm kích hoạt phi tuyến, do đó không cung cấp cơ chế diễn giải logic tường minh (như dạng luật if-then hay cấu trúc cây quyết định), gây khó khăn cho việc giải thích chi tiết căn nguyên quyết định cho nhà quản trị.
• Rào cản về loại dữ liệu: Mạng ANN chỉ tiếp nhận dữ liệu định lượng, đòi hỏi toàn bộ các thuộc tính định tính trong hồ sơ khách hàng phải trải qua công đoạn mã hóa, rời rạc hóa và chuẩn hóa phức tạp, dễ gây thất thoát thông tin nếu xử lý không phù hợp.
• Vấn đề xác định cấu trúc mạng tối ưu: Việc lựa chọn số lượng tầng ẩn và số lượng nút nơ-ron trong mỗi tầng chưa có công thức tối ưu hóa tuyệt đối mà vẫn phụ thuộc vào phương pháp thử nghiệm lặp đi lặp lại; tốc độ hội tụ của mạng có thể bị biến động tùy thuộc vào phương pháp khởi tạo tham số.

Hướng nghiên cứu và phát triển tiếp theo được tác giả xác định:

• Mở rộng phạm vi và quy mô tập dữ liệu với nhiều thuộc tính chi tiết hơn về lịch sử giao dịch thanh toán, thu nhập thực tế và hành vi sử dụng dịch vụ số của khách hàng.
• Nghiên cứu áp dụng các phương pháp tự động xác định tối ưu số lớp và số nút trong mạng ANN nhằm nâng cao độ chính xác và tốc độ hội tụ của thuật toán.
• Hoàn thiện và tích hợp mô hình phân tích dự báo vào hệ sinh thái phần mềm CRM vận hành thực tế của ngân hàng nhằm tự động hóa quy trình phân phối danh sách liên hệ cho giao dịch viên.

Giá trị tham khảo

Báo cáo khóa luận mang lại giá trị tham khảo thiết thực cho các đối tượng học thuật và ứng dụng nghiệp vụ:

• Đối tượng tham khảo: Sinh viên, học viên chuyên ngành Hệ thống thông tin quản lý, Khoa học dữ liệu, Tin học tài chính - ngân hàng và Công nghệ thông tin; các chuyên viên phân tích dữ liệu (Data Analyst), cán bộ quản trị quan hệ khách hàng (CRM) và bộ phận phát triển sản phẩm tại các ngân hàng thương mại.
• Nội dung có giá trị sử dụng cao:
  • Quy trình kỹ thuật tiền xử lý dữ liệu telemarketing: cách thức xử lý dữ liệu khuyết thiếu, làm sạch bản ghi trùng lặp và phương pháp rời rạc hóa thuộc tính số.
  • Cấu trúc xây dựng và các bước thực nghiệm mạng ANN từ khâu khởi tạo tham số, phân chia tập dữ liệu huấn luyện/kiểm thử, vẽ biểu đồ Model Accuracy/Model Loss đến lập ma trận nhầm lẫn.
  • Phương pháp phân tích mối quan hệ tương quan giữa các biến số nhân khẩu học, lịch sử tiếp thị với hành vi tài chính của khách hàng cá nhân.

Câu hỏi thường gặp

1. Tập dữ liệu thực nghiệm trong khóa luận có quy mô bao nhiêu bản ghi và thuộc chiến dịch nào?
Nghiên cứu sử dụng tập dữ liệu chiến dịch tiếp thị qua điện thoại của ngân hàng (Bank Telemarketing) với quy mô tổng cộng 11.162 bản ghi khách hàng cá nhân.

2. Quy trình khám phá tri thức trong cơ sở dữ liệu (KDD) được tác giả phân tích gồm những giai đoạn nào?
Quy trình KDD trong khóa luận gồm 5 giai đoạn tuần tự: Trích chọn dữ liệu (Data selection), Tiền xử lý dữ liệu (Data preprocessing), Biến đổi dữ liệu (Data transformation), Khai phá dữ liệu (Data mining), và Đánh giá và biểu diễn tri thức (Knowledge representation & evaluation).

3. Mạng nơ-ron nhân tạo được xây dựng dựa trên công thức toán học và hàm kích hoạt nào?
Mô hình nơ-ron nhân tạo sử dụng bộ cộng tuyến tính tổng hợp tín hiệu có trọng số kết hợp hệ số điều chỉnh bias theo công thức $v = b + \sum_{i=1}^{m} x_i w_{ki}$, sau đó chuyển đổi qua hàm kích hoạt phi tuyến tính sigmoid $\hat{y} = \sigma(v)$ để đưa giá trị đầu ra về miền xác định từ 0 đến 1.

4. Tác giả đã thực hiện đối sánh thuật toán mạng ANN với những phương pháp phân lớp nào khác?
Hiệu năng phân lớp và độ chính xác của mạng ANN được đối sánh thực nghiệm trực tiếp với thuật toán Hồi quy Logistic (Logistic Regression) và K-láng giềng gần nhất (K-nearest neighbors - KNN), đồng thời tham chiếu đến các mô hình cây quyết định (CART, ID3) trong các công trình đi trước.

5. Những thuộc tính nào được xác định có mối tương quan rõ nét với khả năng gửi tiền của khách hàng?
Kết quả phân tích dữ liệu thực nghiệm chỉ ra 3 yếu tố có mối liên hệ mật thiết với khả năng gửi tiền gồm: nhóm độ tuổi của khách hàng, tháng thực hiện cuộc gọi liên hệ trong năm, và số lần đã liên hệ tiếp xúc trong các chiến dịch trước đó.

Kết luận

Khóa luận tốt nghiệp của sinh viên Hoàng Thị Thu đã nghiên cứu và ứng dụng mạng nơ-ron nhân tạo (ANN) vào bài toán dự đoán khả năng gửi tiền tiết kiệm của khách hàng cá nhân qua kênh Telemarketing tại ngân hàng thương mại. Thông qua thực nghiệm trên tập dữ liệu 11.162 bản ghi, tác giả đã chứng minh tính khả thi của mô hình phân lớp mạng nơ-ron đa tầng, theo dõi sát sao độ hội tụ qua ma trận nhầm lẫn, biểu đồ Model Accuracy, Model Loss và đối sánh với các thuật toán phân lớp truyền thống. Công trình không chỉ cung cấp một khung lý thuyết có hệ thống kết hợp giữa CRM ngân hàng và quy trình KDD chuẩn mực mà còn đề xuất các quy luật tương quan và giao diện ứng dụng thực tế, hỗ trợ các nhà quản trị ngân hàng tối ưu hóa chiến dịch tiếp thị và nâng cao hiệu quả kinh doanh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: HOẠT ĐỘNG CRM VÀ MARKETING TRONG NGÂN HÀNG Trong cuộc sống hiện nay, không thể phủ nhận vai trò của khách hàng cá nhân đối với ngân hàng vì những khách hàng cá nhân này sẽ quyết định thất bại hay thành công của ngân hàng trong cuộc chiến cạnh tranh giành thị phần của các NHTM. Thực tế, số lượng khách hàng tiềm năng chưa được phát hiện là rất lớn, các ngân hàng cần phải thu hút, lôi kéo sự gia tăng số lượng khách hàng để tăng doanh thu, lợi nhuận. Điều này đồng nghĩa với việc ngân hàng cần phát triển các mối quan hệ thân thiết với khách hàng và thường xuyên thay đổi, sử dụng các công nghệ mới để tạo nhiều sản phẩm, dịch vụ đáp ứng được tốt nhất nhu cầu sử dụng của KH. Như đã đề cập, khách hàng cá nhân ảnh hưởng lớn đến giá trị kinh tế của NHTM.

Vì vậy, ngân hàng muốn có thêm nhiều khách hàng và phát triển mối quan hệ thân thiết với khách hàng thì trước hết, ngân hàng cần nhận biết được khách hàng tiềm năng. Trên thực tế, ngân hàng sẽ sử dụng dữ liệu và thông tin khách hàng thu thập được từ các giao dịch, … để nhận diện ra KHCN. Dữ liệu đó có thể là: dữ liệu về nhân khẩu, dữ liệu về hành vi mua sắm, … Ngày nay, ngành ngân hàng ngày càng tăng trưởng mạnh mẽ, số lượng giao dịch ngày càng nhiều, ngân hàng thu thập được tập dữ liệu của khách hàng ngày càng lớn. Ngân hàng có thể sử dụng kho dữ liệu này để cá nhân hóa dịch vụ cho từng khách hàng hay xác định rủi ro xảy ra hay cơ hội ở từng thời điểm.

Tuy nhiên, việc khai thác kho dữ liệu khổng lồ này hiện nay vẫn đặt ra rất nhiều thách thức với các nhà quản trị. Làm thế nào để có thể tìm được thông tin hữu ích từ những dữ liệu này phục vụ cho các quyết định trong CRM như nhận diện KH tiềm năng, duy trì KH tiềm năng? Thực tế, hiện nay các ngân hàng đã sử dụng khá nhiều phương pháp KPDL để giải quyết câu hỏi này. Hiện nay, không chỉ trên thế giới mà tại Việt Nam, kỹ thuật KPDL đã được nghiên cứu và áp dụng trên nhiều lĩnh vực, đặc biệt là trong ngành tài chính ngân hàng. Nhờ có kỹ thuật KPDL, ngoài việc ngân hàng có thể dễ dàng hơn trong việc ra quyết định, quản lý rủi ro thì KPDL còn có vai trò quan trọng trong công tác quản trị quan hệ khách hàng của ngân hàng.

Bằng việc xử lý và phân tích dữ liệu, phương pháp KPDL hỗ trợ ngân hàng tìm ra các khách hàng tiềm năng, gom cụm khách hàng từ đó nâng cao hiệu quả kinh doanh. Việc lựa chọn thuật toán và thuộc tính để đưa 4 vào mô hình quyết định rất nhiều đến chất lượng tri thức được tìm ra. Lựa chọn đúng thuật toán và thuộc tính đầu vào sẽ giúp tìm ra tri thức đúng đắn và quyết định kinh doanh sáng suốt. Dưới đây là một số bài toán KPDL trong lĩnh vực tài chính ngân hàng điển hình: - “Phát triển các mô hình dự báo khả năng thay đổi dịch vụ (Churn Prediction Modeling)” [1].

Thực tế cho thấy, khách hàng sau khi sử dụng SPDV của ngân hàng sẽ có xu hướng so sánh, đánh giá các SPDV với nhau, các SPDV này có thể thuộc cùng một ngân hàng hoặc thuộc các ngân hàng khác nhau. Kết quả của việc so sánh, đánh giá này là họ sẽ tìm được một ngân hàng có dịch vụ tốt hơn, đáng tin cậy hơn để thực hiện gửi tiền hoặc sử các SPDV do ngân hàng cung cấp.