Phân loại nhóm khách hàng tín dụng tại các ngân hàng ở Đức

Báo cáo phân tích nhóm khách hàng tín dụng tại ngân hàng Đức, ứng dụng khoa học dữ liệu trong phân loại và dự đoán hành vi khách hàng.

• Tác giả: Nguyễn Ngô Anh Phương
• Người hướng dẫn: GVHD: Trương Việt Phương
• Trường học: Đại học Kinh tế Thành phố Hồ Chí Minh
• Chuyên ngành: Khoa học dữ liệu
• Đề tài: Phân loại nhóm khách hàng tín dụng tại các ngân hàng tại Đức
• Loại tài liệu: Báo cáo đồ án học phần
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ KHOA HỌC DỮ LIỆU VÀ GIỚI THIỆU ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng nghiên cứu
• 2. CHƯƠNG 2: TỔNG QUAN VỀ CHƯƠNG TRÌNH SỬ DỤNG VÀ CÁC PHƯƠNG PHÁP SỬ DỤNG
• 2.1. Giới thiệu về Excel
• 2.2. Phần mềm Orange
• 2.3. Làm sạch dữ liệu nghiên cứu
• 2.4. Phân cụm dữ liệu
• 2.5. Phân lớp dữ liệu
• 2.6. Mô hình cây quyết định
• 2.7. Mô hình SVM
• 2.8. Mô hình hồi quy Logistics
• 2.9. Mô hình Neural Networking
• 2.10. Đánh giá mô hình phân lớp
• 3. CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP VÀO BÀI TOÁN THỰC TẾ
• 3.1. Tiền xử lí dữ liệu
• 3.2. Mô tả bộ dữ liệu
• 3.3. Thông tin về bộ dữ liệu
• 3.4. Phân tích biến
• 3.5. Mục tiêu phân tích
• 3.6. Phân lớp dữ liệu
• 3.6.1. Kết quả mô hình khi sử dụng mô hình
• 3.6.2. Ma trận nhầm lẫn (Confusion Matrix)
• 3.6.3. Kết quả dự báo
• 3.7. Phân cụm dữ liệu
• 3.7.1. Phân cụm theo phương pháp Hierarchical Clustering
• 3.7.2. Phương pháp phân cụm theo trực quan hóa dữ liệu nhiều chiều về 2 chiều
• 3.7.3. Phân cụm theo phương pháp K-mean
• 3.7.4. Chọn lựa mô hình phân cụm phù hợp với dữ liệu nghiên cứu
• 4. CHƯƠNG 4: ĐÁNH GIÁ KẾT QUẢ CỦA MÔ HÌNH
• 4.1. Các kết quả đạt được
• 4.2. Nhược điểm chung
• 4.3. Kết quả mô hình
• 4.4. Ưu điểm từng mô hình
• 4.5. Mô hình phân lớp
• 4.6. Mô hình phân cụm
• 4.7. Nhược điểm của từng mô hình
• 4.7.1. Mô hình phân lớp
• 4.7.2. Mô hình phân cụm
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phân loại nhóm khách hàng tín dụng tại ngân hàng Đức

Phân loại nhóm khách hàng tín dụng tại các ngân hàng ở Đức là một chủ đề quan trọng trong lĩnh vực tài chính. Việc phân loại này giúp ngân hàng hiểu rõ hơn về hành vi và nhu cầu của khách hàng, từ đó đưa ra các giải pháp tài chính phù hợp. Nghiên cứu này không chỉ giúp cải thiện hiệu quả cho vay mà còn giảm thiểu rủi ro tín dụng.

1.1. Định nghĩa và tầm quan trọng của phân loại khách hàng tín dụng

Phân loại khách hàng tín dụng là quá trình phân chia khách hàng thành các nhóm dựa trên các tiêu chí như khả năng trả nợ, lịch sử tín dụng và nhu cầu vay vốn. Điều này giúp ngân hàng tối ưu hóa quy trình cho vay và quản lý rủi ro hiệu quả hơn.

1.2. Các yếu tố ảnh hưởng đến phân loại khách hàng tín dụng

Nhiều yếu tố ảnh hưởng đến việc phân loại khách hàng tín dụng, bao gồm thu nhập, lịch sử tín dụng, và mục đích vay vốn. Những yếu tố này giúp ngân hàng đánh giá khả năng trả nợ của khách hàng và đưa ra quyết định cho vay hợp lý.

II. Thách thức trong việc phân loại nhóm khách hàng tín dụng tại ngân hàng Đức

Mặc dù việc phân loại nhóm khách hàng tín dụng mang lại nhiều lợi ích, nhưng cũng tồn tại nhiều thách thức. Các ngân hàng phải đối mặt với việc thu thập và phân tích dữ liệu khách hàng một cách chính xác để đưa ra quyết định đúng đắn.

2.1. Khó khăn trong việc thu thập dữ liệu khách hàng

Việc thu thập dữ liệu khách hàng tín dụng gặp nhiều khó khăn do sự thiếu minh bạch trong thông tin tài chính của khách hàng. Điều này có thể dẫn đến việc phân loại không chính xác và tăng rủi ro cho ngân hàng.

2.2. Rủi ro từ việc phân loại sai nhóm khách hàng

Phân loại sai nhóm khách hàng có thể dẫn đến quyết định cho vay không chính xác, gây ra tổn thất cho ngân hàng. Do đó, việc áp dụng các phương pháp phân tích dữ liệu hiện đại là rất cần thiết.

III. Phương pháp phân loại nhóm khách hàng tín dụng hiệu quả

Để phân loại nhóm khách hàng tín dụng một cách hiệu quả, các ngân hàng ở Đức có thể áp dụng nhiều phương pháp khác nhau. Những phương pháp này không chỉ giúp cải thiện độ chính xác mà còn tối ưu hóa quy trình cho vay.

3.1. Sử dụng mô hình hồi quy logistic trong phân loại

Mô hình hồi quy logistic là một trong những phương pháp phổ biến để phân loại khách hàng tín dụng. Phương pháp này giúp dự đoán khả năng trả nợ của khách hàng dựa trên các yếu tố như thu nhập và lịch sử tín dụng.

3.2. Phân tích dữ liệu lớn để tối ưu hóa phân loại

Phân tích dữ liệu lớn cho phép ngân hàng khai thác thông tin từ nhiều nguồn khác nhau, từ đó cải thiện độ chính xác trong việc phân loại nhóm khách hàng tín dụng.

IV. Ứng dụng thực tiễn của phân loại nhóm khách hàng tín dụng

Phân loại nhóm khách hàng tín dụng không chỉ là lý thuyết mà còn có nhiều ứng dụng thực tiễn trong ngành ngân hàng. Các ngân hàng có thể áp dụng các kết quả phân loại để cải thiện dịch vụ và tăng cường sự hài lòng của khách hàng.

4.1. Tăng cường dịch vụ khách hàng thông qua phân loại

Việc phân loại khách hàng giúp ngân hàng cung cấp dịch vụ phù hợp với nhu cầu của từng nhóm khách hàng, từ đó nâng cao trải nghiệm khách hàng.

4.2. Giảm thiểu rủi ro tín dụng nhờ phân loại chính xác

Phân loại chính xác giúp ngân hàng nhận diện được những khách hàng có nguy cơ cao, từ đó có biện pháp phòng ngừa và giảm thiểu rủi ro tín dụng.

V. Kết luận và hướng phát triển trong phân loại nhóm khách hàng tín dụng

Phân loại nhóm khách hàng tín dụng tại các ngân hàng ở Đức là một lĩnh vực đang phát triển mạnh mẽ. Các ngân hàng cần tiếp tục cải thiện quy trình phân loại để đáp ứng nhu cầu ngày càng cao của thị trường.

5.1. Tương lai của phân loại khách hàng tín dụng

Với sự phát triển của công nghệ, việc phân loại khách hàng tín dụng sẽ ngày càng chính xác hơn. Các ngân hàng cần đầu tư vào công nghệ và dữ liệu để tối ưu hóa quy trình này.

5.2. Đề xuất cải tiến trong quy trình phân loại

Các ngân hàng nên xem xét áp dụng các công nghệ mới như trí tuệ nhân tạo và học máy để cải thiện quy trình phân loại nhóm khách hàng tín dụng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong hệ thống tài chính hiện đại, hoạt động tín dụng đóng vai trò huyết mạch, chiếm tỷ trọng lớn nhất trong tổng tài sản và tạo ra nguồn thu nhập chủ yếu cho các ngân hàng thương mại. Tín dụng vừa là công cụ cung ứng vốn cho nền kinh tế, vừa là nghiệp vụ nền tảng để phát triển các dịch vụ tài chính đi kèm. Tuy nhiên, hoạt động này luôn tiềm ẩn rủi ro nợ xấu khi khách hàng không thực hiện nghĩa vụ hoàn trả đúng hạn. Việc xây dựng mô hình định lượng nhằm đánh giá nguy cơ vỡ nợ là yêu cầu cấp thiết để tối ưu hóa chiến lược cho vay và giảm thiểu tổn thất tài chính.

Đề tài "Phân loại nhóm khách hàng tín dụng tại các ngân hàng ở Đức" do nhóm sinh viên Khoa Công nghệ Thông tin Kinh doanh, Trường Công nghệ và Thiết kế thuộc Đại học Kinh tế TP. Hồ Chí Minh thực hiện dưới sự hướng dẫn của giảng viên Trương Việt Phương (tháng 8/2023). Báo cáo tập trung giải quyết bài toán phân loại và dự báo rủi ro khách hàng vay vốn không trả nợ đúng hạn thông qua các kỹ thuật khai phá dữ liệu và học máy.

Mục đích tổng quát của nghiên cứu là đánh giá thực trạng và đề xuất biện pháp hạn chế tình trạng thanh toán không đúng hạn trong hoạt động tín dụng ngân hàng. Các nhiệm vụ nghiên cứu cụ thể được xác định gồm:

1. Phân tích đặc điểm nhân khẩu học và hành vi tài chính của đối tượng khách hàng để xác định nhóm có khả năng trả nợ cao hoặc thấp.
2. Phân tích thời hạn tín dụng, mục đích vay vốn cùng các yếu tố chủ quan và khách quan tác động đến khả năng thanh toán.
3. Đo lường mức độ rủi ro, khả năng trả nợ và các hành vi tín dụng của khách hàng.
4. Đánh giá hiệu năng của các thuật toán học máy nhằm xác định mô hình có độ chính xác cao nhất phục vụ dự báo rủi ro tín dụng.

Đối tượng nghiên cứu là bộ dữ liệu rủi ro vỡ nợ tín dụng (Home Credit Default Risk Dataset), chứa thông tin giao dịch tài chính của các khách hàng cá nhân tại ngân hàng ở Đức. Phạm vi phân tích tập trung vào các đặc trưng tín dụng, lịch sử thanh toán nợ quá hạn và khả năng thanh khoản của khách hàng cá nhân.

---

Cơ sở lý thuyết và phương pháp

Nghiên cứu kết hợp hai nhóm phương pháp phân tích định lượng chính trong khai phá dữ liệu: học có giám sát (phân lớp dữ liệu) và học không giám sát (phân cụm dữ liệu), được triển khai trên hai công cụ phần mềm là Microsoft Excel và Orange Data Mining.

1. Công cụ và phương pháp xử lý dữ liệu trên Microsoft Excel

Microsoft Excel được ứng dụng trong giai đoạn thống kê mô tả ban đầu và phân tích chuỗi thời gian, bao gồm:

• Thống kê mô tả (Descriptive Statistics): Tính toán các chỉ số thống kê cơ bản như trung bình (Mean), sai số chuẩn (Standard Error), trung vị (Median), yếu vị (Mode), độ lệch chuẩn (Standard Deviation), phương sai mẫu (Sample Variance), độ nhọn (Kurtosis), độ nghiêng (Skewness), khoảng biến thiên (Range) với độ tin cậy $95%$.
• Tổng hợp nhóm và đa chiều: Sử dụng công cụ Subtotal và bảng tổng hợp Pivot Table để nhóm dữ liệu theo các biến phân loại.
• Phương pháp dự báo định lượng: Phương pháp trung bình trượt (Moving Average), phương pháp san bằng mũ (Exponential Smoothing với hệ số làm mịn Damping factor $0.7$, hệ số điều chỉnh $0.3$) và phương pháp hồi quy tuyến tính (Regression) xác định mối liên hệ giữa các biến.

2. Các thuật toán học máy trên phần mềm Orange

Phần mềm Orange đóng vai trò công cụ phân tích dữ liệu chuyên sâu với các thuật toán:

• Phân lớp dữ liệu (Classification):
  • Cây quyết định (Decision Tree): Cấu trúc phân nhánh theo điều kiện quyết định để phân chia không gian dữ liệu.
  • Máy học vector hỗ trợ (Support Vector Machines - SVM): Xây dựng siêu phẳng (hyperplane) trong không gian nhiều chiều với khoảng cách lề (margin) tối đa giữa các lớp.
  • Hồi quy Logistic (Logistic Regression): Mô hình xác suất dự đoán đầu ra nhị phân thông qua hàm Sigmoid: $$P(y=1) = \frac{1}{1 + e^{-(w_0 + w_1x_1 + w_2x_2 + \dots + w_dxd)}}$$
  • Mạng nơ-ron nhân tạo (Neural Network): Hệ thống kết nối các nút nơ-ron nhân tạo để phát hiện phi tuyến tính phức tạp trong dữ liệu.
• Phân cụm dữ liệu (Clustering):
  • Phân cụm phân cấp (Hierarchical Clustering): Dựa trên ma trận khoảng cách Cosine kết hợp các phương pháp liên kết: Complete Link, Single Link, Average Link, Weighted Link, và Ward Link.
  • Phân cụm phân hoạch (K-Means Clustering): Tối ưu hóa khoảng cách từ các điểm dữ liệu đến tâm cụm với các mức $k=2$ và $k=3$.
  • Trực quan hóa giảm chiều dữ liệu: Ứng dụng kỹ thuật t-SNE (t-Distributed Stochastic Neighbor Embedding) đưa dữ liệu nhiều chiều về không gian 2 chiều để kiểm chứng các cụm phân tách.

3. Phương pháp đánh giá mô hình

• Kỹ thuật kiểm định chéo: Áp dụng kiểm định chéo $K$-Fold ($K=5$, $K=10$) và chia mẫu ngẫu nhiên (Random Sampling với các tỷ lệ 50–90%, 20–70%, 50–66%).
• Tiêu chí đánh giá phân lớp: Độ chính xác phân loại (Classification Accuracy - CA), Điểm điều hòa F1-Score, Độ chuẩn xác (Precision), Độ nhạy (Recall), Ma trận nhầm lẫn (Confusion Matrix gồm TP, TN, FP, FN) và Diện tích dưới đường cong ROC (AUC).
• Tiêu chí đánh giá phân cụm: Chỉ số Silhouette ($S_i \ge 0.5$: phân cụm sát thực tế; $0.25 \le S_i < 0.5$: cần đánh giá lại; $S_i < 0.25$: không tin cậy).

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu về khoa học dữ liệu và giới thiệu đề tài

Chương 1 thiết lập khung nghiên cứu tổng thể, phân tích vai trò chiến lược của hoạt động tín dụng trong việc tối đa hóa lợi nhuận và mở rộng nghiệp vụ ngân hàng. Tác giả chỉ ra vấn đề cốt lõi của đề tài: xác định tại sao khách hàng không hoàn trả nợ đúng hạn và làm thế nào để phát hiện sớm rủi ro này. Chương này cũng nêu rõ đối tượng nghiên cứu là tập dữ liệu Home Credit Default Risk, cùng các mục tiêu cụ thể và phương hướng tiếp cận nhằm lượng hóa rủi ro thanh khoản tín dụng.

Chương 2: Tổng quan về chương trình sử dụng và các phương pháp sử dụng

Chương 2 hệ thống hóa cơ sở lý thuyết về các công cụ và thuật toán. Tác giả trình bày chi tiết quy trình thao tác trên Excel (Descriptive Statistics, Subtotal, Pivot Table, Moving Average, Exponential Smoothing, Regression) và phần mềm Orange. Quy trình xử lý dữ liệu trong Orange được mô tả gồm 4 bước chuẩn:

1. Làm sạch dữ liệu (xử lý giá trị khuyết thiếu missing values, lọc nhiễu bằng Binning, khắc phục sự không nhất quán qua metadata).
2. Phân cụm dữ liệu (Hierarchical Clustering, K-Means).
3. Phân lớp dữ liệu (Decision Tree, SVM, Logistic Regression, Neural Network).
4. Đánh giá và dự báo (Cross-Validation, Confusion Matrix, ROC-AUC).

Chương 3: Ứng dụng phương pháp vào bài toán thực tế

Chương 3 trình bày toàn bộ quá trình thực nghiệm trên dữ liệu tín dụng thực tế, gồm các khâu xử lý, mô tả biến, phân lớp và phân cụm:

• Tiền xử lý và làm sạch dữ liệu:

  • Tập dữ liệu ban đầu gồm $150.000$ mẫu. Qua rà soát, biến thu nhập hàng tháng có $20%$ dữ liệu khuyết thiếu và một số biến khác thiếu $2{,}9%$. Nhóm sử dụng công cụ Processing loại bỏ toàn bộ dòng thiếu, thu được $120.269$ quan sát.
  • Tập dữ liệu sau lọc gồm $8.357$ khách hàng vỡ nợ và $111.912$ khách hàng trả nợ đúng hạn (mất cân bằng lớp nghiêm trọng). Nhóm sử dụng Filter chọn mẫu ngẫu nhiên gồm $8.357$ khách hàng vỡ nợ và $41.785$ khách hàng trả nợ đúng hạn, đưa tỷ lệ về mức $1:5$.
  • Do phần mềm Orange hoạt động tối ưu với dung lượng dưới $5.000$ quan sát, nhóm trích xuất mẫu nghiên cứu chính thức gồm $4.573$ quan sát ($10$ biến độc lập và $1$ biến mục tiêu). Sau khi loại bỏ các điểm ngoại lai (outliers), mẫu nghiên cứu còn $4.157$ quan sát phục vụ một số phân tích sâu.

• Hệ thống các biến nghiên cứu trong bộ dữ liệu:

STT	Tên biến	Định dạng	Ý nghĩa kinh tế / kỹ thuật
1	SeriousDlqin2yrs (Biến mục tiêu)	Binary	Người vay quá hạn thanh toán từ 90 ngày trở lên (1: Vỡ nợ, 0: Bình thường)
2	Sử dụng quay vòng đường dây không bảo đảm	Numeric	Tỷ lệ tổng dư nợ tín dụng trên tổng hạn mức (không gồm bất động sản, trả góp ô tô)
3	Độ tuổi	Numeric	Tuổi của khách hàng vay vốn (tính theo năm)
4	Số thời gian quá hạn 30–59 ngày	Numeric	Số lần người vay quá hạn 30–59 ngày trong 2 năm qua
5	Tỉ lệ nợ	Numeric	Tỷ lệ tổng chi phí trả nợ và sinh hoạt trên thu nhập hàng tháng
6	Thu nhập trung bình	Numeric	Tổng thu nhập hàng tháng của khách hàng
7	Số lượng mở thẻ tín dụng và khoản vay	Numeric	Số lượng khoản vay mở (trả góp, thế chấp) và thẻ tín dụng đang hoạt động
8	Số lần trễ 90 ngày trở lên	Numeric	Số lần khách hàng quá hạn thanh toán từ 90 ngày trở lên
9	Số khoản cho vay nợ bất động sản	Numeric	Số lượng khoản vay thế chấp và hạn mức tín dụng thế chấp nhà
10	Số thời gian quá hạn 60–89 ngày	Numeric	Số lần người vay quá hạn 60–89 ngày trong 2 năm qua
11	Người bảo lãnh các khoản vay	Numeric	Số lượng người phụ thuộc trong gia đình (không tính bản thân người vay)

• Kết quả phân tích thống kê mô tả:

  • Tỷ lệ sử dụng hạn mức tín dụng quay vòng: $54{,}3%$ ($2.484$ người) sử dụng thường xuyên; $39{,}2%$ ($1.790$ người) sử dụng không thường xuyên; $6{,}5%$ ($299$ người) không sử dụng. Nhóm tuổi 21–30 có tỷ lệ sử dụng tín dụng cao nhất ($0{,}54$), trong khi nhóm trên 81 tuổi thấp nhất ($0{,}00$).
  • Cơ cấu độ tuổi: Tập trung cao nhất ở độ tuổi 41–50 với $25%$ ($1.161$ người); nhóm trên 81 tuổi chỉ chiếm $3%$ ($115$ người).
  • Lịch sử trễ hạn: Đối với trễ hạn 30–59 ngày, $79%$ ($3.613$ người) không trễ lần nào; $13{,}1%$ ($598$ người) trễ 1 lần; $4{,}2%$ ($190$ người) trễ 2 lần; $0{,}1%$ ($4$ người) ghi nhận 98 lần trễ. Đối với trễ hạn 60–89 ngày, $99{,}4%$ ($4.545$ người) trễ từ 0–3 lần. Đối với trễ hạn $\ge 90$ ngày, $99{,}6%$ ($4.554$ người) trễ từ 0–5 lần.
  • Mục đích vay và bảo lãnh: $64%$ khách hàng vay phục vụ đầu tư bất động sản ($36%$ không vay BĐS). Về bảo lãnh, $53%$ ($2.421$ người) không có người bảo lãnh; $44%$ ($2.017$ người) có từ 1–3 người bảo lãnh; dưới $3%$ có trên 3 người bảo lãnh.

• Kết quả huấn luyện và đánh giá các mô hình phân lớp: Qua kiểm định chéo $10$-Fold và chia mẫu ngẫu nhiên $50-66%$, hiệu năng của các thuật toán được tổng hợp như sau:

Thuật toán phân lớp	Độ chính xác (CA)	Điểm F1-Score	Độ chuẩn xác (Precision)	Diện tích dưới ROC (AUC)
Neural Network (Mạng Nơ-ron)	86,2%	84,8%	84,2%	0,822
Logistic Regression (Hồi quy Logistic)	86,0%	-	-	-
Decision Tree (Cây quyết định)	85,3%	-	-	-
SVM (Máy học Vector hỗ trợ)	41,4%	-	-	-

Chi tiết tính toán từ ma trận nhầm lẫn (Confusion Matrix):

• Decision Tree: $\text{CA} = \frac{3289 + 252}{3289 + 437 + 174 + 252} \times 100 = 85{,}3%$
• SVM: $\text{CA} = \frac{1534 + 183}{1534 + 183 + 1929 + 506} \times 100 = 41{,}4%$
• Logistic Regression: $\text{CA} = \frac{3380 + 192}{3380 + 192 + 497 + 83} \times 100 = 86{,}0%$
• Neural Network: $\text{CA} = \frac{3310 + 268}{3310 + 268 + 421 + 153} \times 100 = 86{,}2%$

Kiểm thử dự báo trên tập dữ liệu độc lập gồm $416$ mẫu ($10%$ mẫu thử nghiệm) bằng mô hình Neural Network ghi nhận $327$ mẫu dự đoán đúng nhãn 0, $31$ mẫu đúng nhãn 1, sai lệch $44$ mẫu nhãn 0 và $14$ mẫu nhãn 1. Tỷ lệ sai lệch được tính toán: $$\text{Độ sai lệch} = \frac{44 + 14}{327 + 14 + 44 + 31} \times 100 = 13{,}9%$$ Mức độ chính xác đạt $86{,}1%$, chứng minh tính ổn định của mô hình đề xuất.

• Kết quả phân cụm dữ liệu:
  • Hierarchical Clustering: Khảo sát các phép đo liên kết Cosine (Complete, Single, Average, Weighted, Ward). Phương pháp Single Link bị loại do tạo nhánh phân cụm mất cân đối nghiêm trọng. Nhóm lựa chọn phương pháp Average Link với cấu trúc gom từ 2 đến 4 cụm để đảm bảo tính ứng dụng phân hạng tín dụng trong thực tế ngân hàng.
  • K-Means Clustering: Triển khai thử nghiệm với $k=2$ và $k=3$ cụm, kết hợp đánh giá chỉ số Silhouette và biểu đồ phân tán 2 chiều t-SNE để đo lường độ nén nội cụm và độ phân tách giữa các cụm.

Chương 4: Đánh giá kết quả của mô hình

Chương 4 tổng kết ưu điểm và hạn chế của các phương pháp thực nghiệm. Mô hình Neural Network vượt trội về độ chính xác và chỉ số diện tích dưới đường cong ROC ($0{,}822$), có khả năng xử lý phi tuyến tính tốt, song đòi hỏi chi phí tính toán cao. Cây quyết định và Hồi quy Logistic cho kết quả khả quan và có tính diễn giải cao, trong khi SVM hoạt động kém hiệu quả trên tập dữ liệu này ($41{,}4%$). Đối với phân cụm, phương pháp phân cấp với liên kết Average và K-Means 2 cụm mang lại cấu trúc phân nhóm khách hàng rõ ràng, phù hợp cho việc phân loại rủi ro tín dụng.

---

Kết quả và đóng góp

Nghiên cứu mang lại các kết quả thực nghiệm và giá trị ứng dụng cụ thể:

• Xây dựng quy trình thực nghiệm chuẩn hóa: Thực hiện hoàn chỉnh quy trình khai phá dữ liệu tín dụng từ làm sạch, xử lý mất cân bằng lớp, trích chọn biến, đến so sánh đa mô hình phân lớp và phân cụm.
• Xác định mô hình phân lớp tối ưu: Chứng minh mô hình Mạng Nơ-ron nhân tạo (Neural Network) đạt hiệu năng cao nhất trên tập dữ liệu với độ chính xác $\text{CA} = 86{,}2%$, $\text{F1} = 84{,}8%$, $\text{Precision} = 84{,}2%$, $\text{AUC} = 0{,}822$, và tỷ lệ sai lệch dự báo thấp ($13{,}9%$).
• Lượng hóa các nhân tố rủi ro tín dụng:
  • Xác định lịch sử quá hạn (đặc biệt là các mốc quá hạn $\ge 90$ ngày) và tỷ lệ sử dụng hạn mức tín dụng quay vòng là các biến có tính phân tách rủi ro cao nhất.
  • Khách hàng trẻ tuổi (21–30 tuổi) có tỷ lệ sử dụng tín dụng cao nhất ($0{,}54$) nhưng mức thu nhập thấp nhất (trên $3.000$), là nhóm tiềm ẩn nguy cơ mất khả năng thanh khoản nếu không được kiểm soát chặt chẽ.
  • Tỷ lệ khách hàng vay nợ bất động sản chiếm đa số ($64%$), và nhóm khách hàng không có người bảo lãnh chiếm tỷ trọng lớn ($53%$), cung cấp cơ sở để ngân hàng thắt chặt điều kiện bảo đảm khi cấp tín dụng.

---

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế về năng lực xử lý của phần mềm: Do công cụ Orange bị giới hạn hiệu năng tính toán và hiển thị đối với các tập dữ liệu quy mô lớn (mô hình tính toán Silhouette và cây phân cấp tối ưu dưới $5.000$ quan sát), nhóm nghiên cứu phải giảm cỡ mẫu từ $150.000$ quan sát ban đầu xuống còn $4.573$ quan sát ($10%$). Điều này làm giảm tính bao quát của toàn bộ tổng thể dữ liệu gốc.
• Hạn chế về xử lý mất cân bằng lớp: Việc sử dụng kỹ thuật lọc ngẫu nhiên (Filter) đưa tỷ lệ lớp về $1:5$ là giải pháp mang tính cục bộ, chưa áp dụng các kỹ thuật cân bằng mẫu nâng cao như SMOTE hay cân bằng trọng số lớp (class weights).
• Hướng nghiên cứu tiếp:
  • Mở rộng quy mô dữ liệu nghiên cứu trên toàn bộ tập $150.000$ mẫu bằng các ngôn ngữ lập trình chuyên sâu như Python (với các thư viện Scikit-learn, PyTorch, TensorFlow).
  • Thử nghiệm các thuật toán học máy kết hợp (Ensemble Learning) như Random Forest, XGBoost, LightGBM để nâng cao độ chính xác dự báo và tối ưu hóa diện tích ROC-AUC.
  • Nghiên cứu bổ sung các kỹ thuật xử lý dữ liệu khuyết thiếu phức tạp hơn thay vì xóa bỏ dòng dữ liệu.

---

Giá trị tham khảo

Báo cáo đồ án là tài liệu tham khảo hữu ích cho các đối tượng:

• Sinh viên các ngành Khoa học dữ liệu, Hệ thống thông tin quản lý, Công nghệ thông tin kinh doanh, Tài chính - Ngân hàng: Tham khảo quy trình xây dựng đồ án thực hành khai phá dữ liệu kinh doanh, từ khâu làm sạch dữ liệu đến thiết lập mô hình trên Orange và Excel.
• Nhà nghiên cứu và người thực hiện đề tài về rủi ro tín dụng: Tham khảo phương pháp phân tích ma trận nhầm lẫn, so sánh đa thuật toán (Decision Tree, SVM, Logistic Regression, Neural Network) và kỹ thuật phân cụm khách hàng ngân hàng.
• Phần có giá trị tham khảo cao nhất: Toàn bộ quy trình thực nghiệm tại Chương 3, đặc biệt là bảng phân tích ý nghĩa các biến tín dụng, các bước so sánh chỉ số đánh giá mô hình qua Cross-Validation và các biểu đồ phân cụm Hierarchical/K-Means.

---

Câu hỏi thường gặp

1. Bộ dữ liệu nghiên cứu ban đầu có quy mô bao nhiêu và nhóm tác giả đã xử lý như thế nào để đưa vào mô hình?
Bộ dữ liệu gốc Home Credit Default Risk gồm $150.000$ quan sát. Tác giả đã loại bỏ các dòng bị thiếu dữ liệu ở biến thu nhập hàng tháng ($20%$) và một biến khác ($2{,}9%$), thu được $120.269$ quan sát. Do tỷ lệ mất cân bằng lớn ($8.357$ khách hàng vỡ nợ và $111.912$ khách hàng bình thường), nhóm đã lọc ngẫu nhiên để chọn $8.357$ khách hàng vỡ nợ và $41.785$ khách hàng không vỡ nợ (tỷ lệ $1:5$). Cuối cùng, do giới hạn xử lý của phần mềm Orange, nhóm trích xuất mẫu chính thức gồm $4.573$ quan sát ($10$ biến độc lập và $1$ biến mục tiêu), sau đó làm sạch điểm ngoại lai còn $4.157$ quan sát.

2. Thuật toán phân lớp nào đạt hiệu năng cao nhất và các thông số cụ thể là bao nhiêu?
Thuật toán Mạng Nơ-ron nhân tạo (Neural Network) đạt kết quả tốt nhất trong các mô hình được thử nghiệm, với độ chính xác phân loại $\text{CA} = 86{,}2%$, chỉ số $\text{F1-Score} = 84{,}8%$, độ chuẩn xác $\text{Precision} = 84{,}2%$ và diện tích dưới đường cong $\text{AUC} = 0{,}822$. Khi kiểm thử dự báo trên $416$ mẫu độc lập, mô hình đạt độ chính xác $86{,}1%$ với tỷ lệ sai lệch là $13{,}9%$.

3. Hiệu năng của mô hình SVM trong nghiên cứu này như thế nào?
Trong nghiên cứu này, mô hình SVM đạt hiệu năng rất thấp với độ chính xác chỉ đạt $41{,}4%$ (dự đoán đúng $1.534$ trường hợp nhãn 0 và $183$ trường hợp nhãn 1, trong khi dự đoán sai $1.929$ mẫu nhãn 0 thành nhãn 1 và $506$ mẫu nhãn 1 thành nhãn 0), bị đánh giá là không phù hợp với tập dữ liệu thực nghiệm.

4. Phương pháp liên kết nào bị loại bỏ trong phân cụm Hierarchical Clustering và vì sao?
Phương pháp liên kết đơn (Single Link) bị loại bỏ khỏi mô hình phân cụm vì số cụm bị giới hạn cục bộ ở nhánh đầu tiên, gây mất cân đối nghiêm trọng giữa các cụm. Nhóm tác giả đã lựa chọn phương pháp liên kết trung bình (Average Link) với số lượng phân chia tối ưu từ 2 đến 4 cụm để đảm bảo tính ứng dụng trong phân hạng tín dụng ngân hàng.

---

Kết luận

Báo cáo đồ án "Phân loại nhóm khách hàng tín dụng tại các ngân hàng ở Đức" đã ứng dụng thành công các công cụ khai phá dữ liệu Excel và Orange để giải quyết bài toán thực tiễn về quản trị rủi ro thanh khoản ngân hàng. Nghiên cứu chỉ ra mô hình Mạng Nơ-ron nhân tạo (Neural Network) là phương pháp phân lớp tối ưu nhất với độ chính xác $86{,}2%$ và diện tích đường cong ROC đạt $0{,}822$. Các kết quả phân tích thống kê mô tả và phân cụm dữ liệu đã làm rõ đặc điểm hành vi tín dụng của khách hàng cá nhân, cung cấp cơ sở thực nghiệm rõ ràng cho việc nhận diện rủi ro nợ xấu trong hoạt động tài chính.

Trích đoạn nội dung tài liệu

Chương 1: GIỚI THIỆU VỀ KHOA HỌC DỮ LIỆU VÀ GIỚI THIỆU ĐỀ TÀI 1. Lý do chọn đề tài: Hiện nay, bên cạnh sự phát triển không ngừng của nền kinh tế thì sự phát triển của ngành ngân hàng cũng có những bước tiến đáng kể. Hoạt động ngân hàng nói chung, trong đó không thể không kể đến hoạt động tín dụng - hoạt động được xem là trung tâm đóng vai trò chủ chốt và chiếm tỷ trọng lớn nhất trên tổng tài sản của các ngân hàng. Tín dụng ngân hàng được ví như hệ thần kinh của nền kinh tế với chức năng huy động các nguồn lực tài chính từ các chủ thể kinh tế để đầu tư phát triển kinh tế qua hình thức cấp tín dụng của ngân hàng.

Việc cấp tín dụng của ngân hàng là nguồn cung vốn chủ yếu cho nền kinh tế, thúc đẩy tăng trưởng kinh tế, đồng thời cũng đem lại lợi nhuận không nhỏ cho ngân hàng. Hoạt động tín dụng không những mang lại thu nhập chủ yếu cho mỗi ngân hàng, mà còn là nghiệp vụ cơ sở để ngân hàng phát triển và đa dạng hóa các nghiệp vụ ngân hàng khác. Tuy nhiên, cái gì cũng kèm theo những rủi ro, tín dụng ngân hàng cũng gặp không ít khó khăn và nhiều trở ngai. Chính vì vậy, bất kỳ ngân hàng nào cũng luôn đề cao, ra sức củng cố và phát triển hoạt động tín dụng của mình.

Mỗi một báo cáo sẽ đưa ra cái nhìn tổng quan cụ thể về nguy cơ vay không trả nợ đúng hạn, để góp phần đánh giá hiệu quả được rủi ro tín dụng. Với đề tài: “Đánh giá nguy cơ khách hàng vay không trả nợ đúng hạn” sẽ giúp chúng ta tìm hiểu, phân tích, đánh giá và đưa ra các rủi ro tín dụng. Tại sao các khách hàng lại vay không trả nợ đúng hạn? Nghiên cứu về rủi ro tín dụng của một ngân hàng đã trở thành đề tài rất quen thuộc đối với sinh viên nói riêng và rất nhiều các bài viết về lĩnh vực tài chính ngân hàng nói chung. Tuy nhiên, để có một bài đánh giá cụ thể về rủi ro tín dụng thì vẫn còn hạn chế.

Nhờ tìm hiểu qua các tài liệu và thực tế, chúng tôi mong muốn đưa ra cái nhìn tổng quát về rủi ro tín dụng tại các ngân hàng trong thực tế. Từ đó, đánh giá được hiệu quả về rủi ro tín dụng nói riêng, toàn ngành nói chung và đưa ra gợi ý góp phần hoàn thiện rủi ro tín dụng cho các ngân hàng trong nước và ngoài nước. Mục tiêu nghiên cứu: Mục đích tổng quát: Đánh giá và đưa ra biện pháp hạn chế việc trả nợ không đúng hạn trong rủi ro tín dụng trên thực tế. 10 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Mục tiêu cụ thể: • Phân tích đặc điểm của đối tượng khách hàng để xác định nhóm khách hàng có khả năng cao hoặc thấp trong việc trả nợ • Phân tích về thời hạn tín dụng, các yếu tố khách quan và chủ quan của mục đích vay vốn cũng như hoạt động của người vay vốn • Đánh giá, đo lường mức độ hài lòng, sự trung thành và khả năng trả nợ của khách hàng.

• Đánh giá và đưa ra biện pháp hạn chế rủi ro tín dụng 3. Đối tượng nghiên cứu; • Đối tượng nghiên cứu: Chọn bộ dữ liệu “Home Credit Default Risk Dataset” - bộ dữ liệu liên quan đến vấn đề dự đoán rủi ro vỡ nợ tín dụng. Bộ dữ liệu này chứa thông tin giao dịch và viễn thông, được sử dụng rộng rãi trong nghiên cứu để xét xem khách hàng có gặp khó khăn trong việc thanh toán hay không. • Xác định mô hình mang lại đánh giá có độ chính xác cao nhất trong việc nghiên cứu nguy cơ khách hàng trở nợ vay vốn không đúng hạn.

• Dựa trên mô hình đã xác định trên từ đó kết luận được những đặc điểm để dự đoán được hiệu quả về rủi ro tín dụng. 11 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Chương 2: TỔNG QUAN VỀ CHƯƠNG TRÌNH SỬ DỤNG VÀ CÁC PHƯƠNG PHÁP SỬ DỤNG Nôi dung chương này, trình bày về tổng quan về chương trình sử dụng và các phương pháp sử dụng đến đề tài bao gồm:…. Giới thiệu về Excel Excel là một phần mềm bảng tính nằm trong bộ Microsoft Office. Phần mềm này giúp người dùng ghi lại dữ liệu, trình bày thông tin dưới dạng bảng, tính toán, xử lý thông tin nhanh chóng và chính xác với một lượng dữ liệu lớn.

Các phương pháp EXCEL dùng để khai thác dữ liệu Phương pháp thống kê mô tả Thống kê bằng công cụ Descripitive Statistics Cách thực hiện: − Bước 1: Chuẩn bị bảng số liệu cần thống kê. − Bước 2: Chọn lệnh Data — Data Analysis Descriptive Statistics, xuất hiện hộp thoại Descriptive Statistics. − Bước 3: Khai báo các thông số Input và lựa chọn các thông số Output Options tùy chỉnh. Ví dụ về việc lập tín dụng tại 1 ngân hàng ở Đức như sau: 12 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Hình 1.

Hộp thoại thống kê mô tả Trong hộp thoại Descriptive Statistics, nhập vào Input Range là cột chứa dữ liệu về độ tuổi, Output Range là ô xuất dữ liệu. Confidence Level for Mean là 95%. Sau đó ta sẽ nhận được bảng kết quả sau đây: Mean: Giá trị trung bình • Standard Error: Sai số chuẩn • Median: Trung vị • Mole: Yếu vị • Standard Deviation: Độ lệch chuẩn • Sample Variance: Phương sai mẫu • Kurtosis: Độ nhọn • Skewness: Độ bất đối xứng (Độ nghiêng) • Range: Khoảng biển thiên (Max – Min) • Minimum: Số nhỏ nhất • Maximum: Số lớn nhất • Sum: Tổng • Count: Số lượng phần tử Hình 2 Bảng ví dụ thống kê mô tả • Confidence Level: Độ tin cậy 13 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Báo cáo tổng hợp nhóm với Subtotal Chức năng của Subtotal: • Cho phép tổng hợp từng nhóm dữ liệu của các cột kiểu số trong cơ sở dữ liệu như: tìm tổng, số lớn nhất, số nhỏ nhất, số trung bình,. • Kết quả tổng hợp được đặt trên hay dưới mỗi nhóm.

Cách thực hiện: Bước 1: Sắp xếp dữ liệu theo cột muốn gom nhóm Bước 2: Chọn toàn bộ cơ sở dữ liệu hay click chuột vào một ô bất kỳ trên dữ liệu. Bước 3: Chọn Data Outline Subtotal, xuất hiện hộp thoại Subtotal. Số liệu về khách hàng cho vay Bảng 2 Số liệu cho vay 14 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Hình 3 Hộp thoại Subtotal • At each change in: chọn cột gồm nhóm • Use function: chọn hàm thống kê dùng để tổng hợp dữ liệu (Sum). • Add subtotal to: chọn cột thống kê giá trị • Replace current subtotals: chọn để thay thế kết quả thống kê trước đó.

• Page break between group: chọn để ngắt trang giữa các nhóm, khi in ra giấy thì mỗi nhóm một trag giấy. • Summary below data: chọn để kết quả tổng hợp ở dưới mỗi nhóm. • Remove All: để xóa bỏ các kết quả tổng hợp. Tổng hợp đa chiều với Pivot table Cách thực hiện trên Excel: Bước 1: Click vào ô bất kỳ trên cơ sở dữ liệu.

Bước 2: Chọn lệnh Insert + PivotTable Bước 3: Xuất hiện hộp thoại Create PivotTable, chọn dữ liệu nguồn và nơi chứa PivotTable, click nút OK. Bước 4: Drag các tên field từ PivotTable Fields vào 4 khu vực: FILTERS, ROWS, COLUMNS và VALUES. 15 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Bảng 3 Tạo bảng với Excel Table/Range: Là các dữ liệu muốn thống kê. • New Worksheet: Pivot Table sẽ xuất hiện ở trang tính mới.

• Existing Worksheet: Sẽ xuất dữ liệu ở 1 trang tính mới. • Location: Chọn vị trí muốn tạo bảng Privot Table. Hình 4 Hình ảnh hộp thoại tạo Pivot Table Phương pháp về phân tích dự báo Phương pháp trung bình trượt (Moving Average) Chức năng: Giúp làm giảm độ nhiễu của dữ liệu bằng cách loại bỏ các giá trị nhiều tạm thời và tạo ra một bảng trung bình có ý nghĩa hơn. Nó cũng giúp xác định xu hướng và mức độ biến động của dữ liệu, giúp cho việc dự đoán và quản lý rủi ro trở nên dễ dàng hơn.

Cách thực hiện: Bước 1: Chuẩn bị bảng số liệu cần dự báo. 16 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Bước 2: Chọn lệnh Data — Data Analysis -> • Moving Average, xuất hiện hộp thoại Moving Average. Bước 3: Khai báo các thông số Input và Output Options. • Input Range: tham chiếu đến vùng dữ liệu thực tế.

• Labels in First Row: Khai báo hàng đầu tiên của Input range có chứa tiêu • đề cốt hay không. • Interval (w): Số lượng các kỳ trước đó muốn tỉnh. • Output Range: tham chiếu đến vùng xuất ra kết quả. Những ô không đủ số lượng các giá trị các kỷ trước đó để tính toán thì sẽ xuất ra giá trị #N/A.

• Chart Output: tùy chọn dùng tạo biểu đồ nhúng cùng với vùng. • xuất kết quả. • Standard Errors: tùy chọn dùng tạo thêm 1 cột chứa các sai số chuẩn. Dự báo về tỉ lệ nợ: Hình 5 Hộp thoại Moving Average Sau khi chọn vùng dữ liệu cần khai báo vào Input Range, chọn các kỳ trước đó muốn ước tính trong Interval, từ đó dự báo được tỉ lệ vỡ nợ.

Sau đó, chọn vùng muốn hiển thị kết quả ở ô Output Range. Phương pháp san bằng mũ Chức năng: Dự báo giá trị tương lai của một chuỗi dữ liệu dựa trên xu hướng và mức độ biển động của dữ liệu trong quá khứ. Nó cũng giúp loại bỏ các giá trị nhiều, dự báo kết quả kinh doanh và quản lý rủi ro, cải thiện độ chính xác của dự báo và đưa ra quyết định dựa trên dữ liệu chính xác hơn. 17 Báo cáo đồ án học phần Khoa học dữ liệu (DS) Downloaded by MON HOANG ([e-mail]) lOMoARcPSD|39222806 Cách thực hiện Bước 1: Chuẩn bị bảng số liệu cần dự báo.

Bước 2: Chọn lệnh Data — Data Analysis— Exponential Smoothing, xuất hiện hộp thoại Exponential Smoothing. Bước 3: Khai báo các thông số Input và Output Options. • Input Range: tham chiếu đến vùng dữ liệu thực tế. • Damping factor: giá trị dùng làm hệ số san bằng.

Đó là ổn của dữ liệu, giá trị mặc định là Damping factor giá trị điều chỉnh sự bất • Labels: tùy chọn cho biết hàng/cột đầu tiên của Input Range có chứa tiêu đề hay không.