Luận văn thạc sĩ ueh ứng dụng big data phân tích lỗ hổng tín dụng cho vay và giải pháp hạn chế trường hợp của ngân hàng tmcp sài gòn scb

Luận văn thạc sĩ kinh tế nghiên cứu ueh ứng dụng big data phân tích lỗ hổng tín dụng cho vay và giải pháp hạn chế trường hợp của ngân, khảo sát thực trạng, phân tích nguyên nhân,

• Tác giả: Lê Văn Phú
• Người hướng dẫn: PGS. Từ Văn Bình
• Trường học: Trường Đại Học Kinh Tế Thành Phố Hồ Chí Minh
• Chuyên ngành: Quản trị kinh doanh
• Đề tài: Phân Tích Lỗ Hổng Tín Dụng Trong Cho Vay Bằng Big Data Tại Ngân Hàng SCB
• Loại tài liệu: Luận Văn Thạc Sĩ Kinh Tế
• Năm xuất bản: 2020
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.3.1. Đối với số liệu phục vụ nghiên cứu
• 1.4. Các khái niệm tiếp cận trong nghiên cứu
• 1.5. Phạm vi nghiên cứu của luận văn
• 1.6. Kết cấu của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN
• 2.1. Big Data
• 2.2. Các ứng dụng của big data trong lĩnh vực ngân hàng
• 2.3. Khai phá dữ liệu (Data Mining)
• 2.4. Hành vi tiêu dùng
• 2.5. Hành vi tiêu dùng dựa trên phương pháp RFM
• 2.6. Mô hình đề xuất cho nghiên cứu
• 3. CHƯƠNG 3: ỨNG DỤNG BIG DATA TẠI SCB VÀ KẾT QUẢ PHÂN TÍCH DỮ LIỆU
• 3.1. BIG DATA VÀ ỨNG DỤNG BIG DATA TẠI SCB
• 3.1.1. Big Data và ứng dụng của Big data trong lĩnh vực ngân hàng
• 3.1.2. Ứng dụng của Big data trong lĩnh vực ngân hàng
• 3.1.3. Ứng dụng big data tại Ngân hàng TMCP Sài Gòn (SCB)
• 3.1.4. Giới thiệu về SCB
• 3.2. PHÂN TÍCH DỮ LIỆU BIG DATA
• 3.2.1. Số liệu phục vụ nghiên cứu
• 3.2.2. Thông tin giao dịch khách hàng
• 3.2.2.1. Đối với khách hàng tham gia dịch vụ vay
• 3.2.3. Thông tin khách hàng sử dụng thẻ
• 3.2.4. Phân tích mô hình gian lận Fraud trong kinh doanh
• 3.2.4.1. Thông tin giao dịch phân theo gian lận
• 4. CHƯƠNG 4: KẾT LUẬN VÀ XÂY DỰNG CHIẾN LƯỢC
• 4.1. CÁC GIẢI PHÁP HẠN CHẾ LỖ HỔNG VÀ GIAN LẬN TRONG KINH DOANH
• 4.2. PHÁT TRIỂN CÁC DỊCH VỤ CHO VAY
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Tích Lỗ Hổng Tín Dụng Bằng Big Data Tại SCB

Phân tích lỗ hổng tín dụng trong cho vay là một vấn đề quan trọng trong ngành ngân hàng, đặc biệt là tại Ngân hàng TMCP Sài Gòn (SCB). Việc ứng dụng big data giúp ngân hàng có cái nhìn sâu sắc hơn về hành vi của khách hàng, từ đó phát hiện và hạn chế các rủi ro tín dụng. Nghiên cứu này sẽ đi sâu vào việc phân tích các lỗ hổng trong quy trình cho vay, đồng thời đề xuất các giải pháp nhằm nâng cao hiệu quả quản lý rủi ro tín dụng.

1.1. Lý Do Cần Phân Tích Lỗ Hổng Tín Dụng

Việc phân tích lỗ hổng tín dụng giúp ngân hàng nhận diện các rủi ro tiềm ẩn trong quy trình cho vay. Các lỗ hổng này có thể đến từ việc khách hàng cung cấp thông tin không chính xác hoặc từ sự thiếu sót trong quy trình thẩm định hồ sơ. Điều này không chỉ ảnh hưởng đến lợi nhuận mà còn đến uy tín của ngân hàng.

1.2. Vai Trò Của Big Data Trong Ngân Hàng

Big data đóng vai trò quan trọng trong việc phân tích và quản lý rủi ro tín dụng. Ngân hàng có thể khai thác dữ liệu từ nhiều nguồn khác nhau để xây dựng mô hình dự đoán rủi ro, từ đó đưa ra quyết định cho vay chính xác hơn. Việc sử dụng big data giúp ngân hàng tối ưu hóa quy trình cho vay và nâng cao trải nghiệm khách hàng.

II. Thách Thức Trong Phân Tích Lỗ Hổng Tín Dụng Tại SCB

Mặc dù việc ứng dụng big data mang lại nhiều lợi ích, nhưng ngân hàng SCB cũng phải đối mặt với nhiều thách thức trong quá trình phân tích lỗ hổng tín dụng. Các thách thức này bao gồm việc thu thập và xử lý dữ liệu, cũng như việc đảm bảo tính chính xác và bảo mật của thông tin khách hàng.

2.1. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu từ nhiều nguồn khác nhau có thể gặp khó khăn do sự không đồng nhất trong định dạng và chất lượng dữ liệu. Ngân hàng cần có các công cụ và quy trình hiệu quả để đảm bảo dữ liệu được thu thập đầy đủ và chính xác.

2.2. Vấn Đề Bảo Mật Dữ Liệu Khách Hàng

Bảo mật thông tin khách hàng là một trong những ưu tiên hàng đầu của ngân hàng. Việc xử lý và lưu trữ dữ liệu lớn cần phải tuân thủ các quy định về bảo mật thông tin, nhằm bảo vệ quyền lợi của khách hàng và tránh các rủi ro pháp lý.

III. Phương Pháp Phân Tích Lỗ Hổng Tín Dụng Bằng Big Data

Để phân tích lỗ hổng tín dụng hiệu quả, SCB cần áp dụng các phương pháp phân tích dữ liệu hiện đại. Việc sử dụng các thuật toán học máy và mô hình phân tích dữ liệu sẽ giúp ngân hàng phát hiện các mẫu hành vi gian lận và rủi ro tín dụng.

3.1. Ứng Dụng Thuật Toán C5 Trong Phân Tích

Thuật toán C5 là một trong những công cụ mạnh mẽ trong việc phân tích dữ liệu lớn. Nó giúp ngân hàng xây dựng các mô hình dự đoán rủi ro tín dụng dựa trên các yếu tố như lịch sử giao dịch, điểm tín dụng và hành vi tiêu dùng của khách hàng.

3.2. Phân Tích Hành Vi Khách Hàng Qua Dữ Liệu Lịch Sử

Phân tích hành vi khách hàng thông qua dữ liệu lịch sử giúp ngân hàng hiểu rõ hơn về nhu cầu và thói quen tiêu dùng của khách hàng. Điều này không chỉ giúp phát hiện các lỗ hổng tín dụng mà còn tối ưu hóa các sản phẩm và dịch vụ cho vay.

IV. Ứng Dụng Thực Tiễn Của Phân Tích Lỗ Hổng Tín Dụng Tại SCB

Việc ứng dụng phân tích lỗ hổng tín dụng tại SCB đã mang lại nhiều kết quả tích cực. Ngân hàng đã có thể phát hiện và ngăn chặn nhiều trường hợp gian lận, từ đó giảm thiểu rủi ro tín dụng và nâng cao hiệu quả kinh doanh.

4.1. Kết Quả Đạt Được Từ Phân Tích

SCB đã áp dụng thành công các mô hình phân tích để phát hiện các trường hợp gian lận trong cho vay. Kết quả cho thấy tỷ lệ rủi ro tín dụng đã giảm đáng kể, đồng thời ngân hàng cũng nâng cao được uy tín và lòng tin của khách hàng.

4.2. Các Giải Pháp Hạn Chế Lỗ Hổng Tín Dụng

Ngân hàng đã triển khai nhiều giải pháp nhằm hạn chế lỗ hổng tín dụng, bao gồm việc cải tiến quy trình thẩm định hồ sơ, đào tạo nhân viên và nâng cao công nghệ phân tích dữ liệu. Những giải pháp này không chỉ giúp giảm thiểu rủi ro mà còn nâng cao trải nghiệm khách hàng.

V. Kết Luận Về Phân Tích Lỗ Hổng Tín Dụng Bằng Big Data Tại SCB

Phân tích lỗ hổng tín dụng bằng big data là một bước tiến quan trọng trong việc nâng cao hiệu quả quản lý rủi ro tại SCB. Nghiên cứu này không chỉ giúp ngân hàng phát hiện các rủi ro tín dụng mà còn mở ra hướng đi mới cho việc phát triển các sản phẩm và dịch vụ tài chính.

5.1. Tương Lai Của Phân Tích Lỗ Hổng Tín Dụng

Trong tương lai, việc ứng dụng big data trong phân tích lỗ hổng tín dụng sẽ ngày càng trở nên phổ biến. Ngân hàng cần tiếp tục đầu tư vào công nghệ và phát triển các mô hình phân tích để đáp ứng nhu cầu ngày càng cao của thị trường.

5.2. Đề Xuất Các Hướng Nghiên Cứu Tiếp Theo

Nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình phân tích mới, cũng như việc áp dụng các công nghệ tiên tiến như trí tuệ nhân tạo để nâng cao khả năng phát hiện rủi ro tín dụng.

Nội dung chính

Tổng quan nghiên cứu

Thị trường tài chính – ngân hàng Việt Nam trong giai đoạn chuyển đổi số chứng kiến sự bùng nổ mạnh mẽ của quy mô tín dụng tiêu dùng và thẻ tín dụng. Tuy nhiên, đi kèm với tốc độ tăng trưởng là áp lực nợ xấu và các nguy cơ thất thoát vốn nghiêm trọng từ những lỗ hổng trong quy trình thẩm định. Thực tế tại Ngân hàng Thương mại Cổ phần Sài Gòn (SCB) cho thấy, việc quản trị danh mục tín dụng truyền thống bộc lộ nhiều hạn chế khi phụ thuộc vào đánh giá định tính của cán bộ tín dụng, dẫn đến nguy cơ sai sót hồ sơ hoặc thông đồng gian lận.

Mục tiêu cốt lõi của đề tài là ứng dụng công nghệ Big Data và kỹ thuật khai phá dữ liệu (Data Mining) để bóc tách, nhận diện các lỗ hổng tín dụng, phát hiện gian lận (Fraud Identification) trong quy trình cấp tín dụng, đồng thời đề xuất giải pháp kiểm soát rủi ro toàn diện. Nghiên cứu được thực hiện trên không gian dữ liệu khách hàng cá nhân tại khu vực Thành phố Hồ Chí Minh trong mốc thời gian 12 tháng (từ ngày 01/01/2019 đến ngày 31/12/2019).

Ý nghĩa thực tiễn của công trình thể hiện qua việc xử lý tập dữ liệu khổng lồ với 128.290 bản ghi giao dịch từ 3.572 khách hàng thực tế. Bằng việc kết hợp giữa thuật toán cây quyết định C5.0 và mô hình hành vi RFM, nghiên cứu đã lượng hóa rủi ro đạo đức, giúp nâng cao độ chính xác trong phân loại hồ sơ vay, hỗ trợ giảm thiểu tổn thất tín dụng và tối ưu hóa hiệu suất tiếp thị thêm 15% đến 20% cho ngân hàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng tích hợp giữa lý thuyết hành vi người tiêu dùng, lý thuyết phân khúc thị trường và các mô hình quản trị rủi ro gian lận hiện đại:

• Lý thuyết hành vi người tiêu dùng: Nghiên cứu kế thừa quan điểm của Solomon (2004) và Danziger (2004) về hai trường phái chi phối hành vi: trường phái duy lý (Rational School) và trường phái cảm xúc (Emotional School). Trường phái duy lý lý giải các quyết định tối ưu hóa giá trị tài chính và cân đối dòng tiền, trong khi trường phái cảm xúc phản ánh động cơ tiêu dùng vượt mức thu nhập, tạo ra rủi ro vỡ nợ tiềm ẩn.
• Mô hình RFM (Recency, Frequency, Monetary): Dựa trên nghiên cứu nền tảng của Wu & Lin (2005) cùng Khajvand & Tarokh (2011), mô hình RFM được chuẩn hóa để đo lường mức độ tương tác và lòng trung thành của khách hàng thông qua ba biến số: Thời gian giao dịch gần nhất (Recency - R), Tần suất giao dịch trong năm (Frequency - F) và Tổng giá trị/số dư giao dịch (Monetary - M). Thang điểm RFM từ 1 đến 5 phân loại khách hàng thành 5 nhóm từ "Rời dịch vụ" đến "Tốt nhất".
• Khung mô hình nhận diện gian lận (Fraud Framework): Ứng dụng tiến trình tiếp cận đa chiều của Eshghi & Kargari (2019), phân tích rủi ro dựa trên chuỗi đặc trưng gồm thông tin định danh cá nhân, lịch sử giao dịch, kênh tiếp cận và thời gian biến động số dư.
• Các khái niệm cốt lõi: Dữ liệu lớn (Big Data), Khai phá dữ liệu (Data Mining với quy trình 7 bước chuẩn hóa), Cây quyết định C5.0 (Decision Tree C5.0), Lỗ hổng tín dụng (Credit Risk Gaps) và Bán chéo dịch vụ (Cross-selling).

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng khai phá dữ liệu trên cơ sở dữ liệu lớn thực tế:

• Nguồn dữ liệu và thu thập: Dữ liệu được trích xuất trực tiếp từ hệ thống Kho dữ liệu tập trung (Data Warehouse), hệ thống Quản lý quan hệ khách hàng (CRM) và Cổng thông tin nội bộ (Portal) của Ngân hàng TMCP Sài Gòn.
• Quy mô mẫu và phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu có chủ đích với tiêu chí sàng lọc nghiêm ngặt: chỉ chọn khách hàng cá nhân có lịch sử quan hệ tín dụng và giao dịch thực tế trên 12 tháng tính từ ngày 01/01/2019 đến 31/12/2019 tại địa bàn TP.HCM. Kích thước tập dữ liệu gồm 128.290 dòng giao dịch tương ứng với 3.572 khách hàng riêng biệt. Bộ dữ liệu tích hợp 25 biến số then chốt (bao gồm mã CIF, điểm hồ sơ ban đầu do nhân viên thẩm định, học vấn, vị trí công tác, tình trạng sở hữu nhà ở, loại thẻ, hạn mức tín dụng, thu nhập ròng bình quân và số dư khả dụng).
• Lý do lựa chọn công cụ và thuật toán: Nghiên cứu sử dụng phần mềm chuyên dụng IBM SPSS Modeler 18 và thuật toán cây quyết định C5.0. Thuật toán C5.0 được ưu tiên lựa chọn nhờ tốc độ xử lý vượt trội trên tập dữ liệu lớn, cơ chế tối ưu hóa nhánh dựa trên độ lợi thông tin (Information Gain) và khả năng tự động cắt tỉa nhánh (Pruning) giúp loại bỏ hiện tượng quá khớp (Overfitting), cung cấp các luật quyết định (If-Then rules) minh bạch, dễ hiểu đối với các nhà quản trị rủi ro ngân hàng.
• Quy trình phân tích 3 bước:
  1. Bước 1: Sử dụng C5.0 phân loại hồ sơ ban đầu thành 3 nhóm (Tốt, Vừa, Xấu) dựa trên thông tin nhân khẩu và tài chính khai báo.
  2. Bước 2: Đánh giá hành vi thực tế sau 12 tháng qua mô hình RFM và biến động số dư tài khoản.
  3. Bước 3: Đối soát chéo giữa kết quả Bước 1 và Bước 2 để bóc tách 3 kịch bản sai lệch: khách hàng cố tình khai khống hồ sơ, nhân viên tiếp nhận thiếu trách nhiệm, hoặc sự thông đồng phê duyệt trái quy định giữa nhân viên và cấp quản lý.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích thống kê mô tả và khai phá dữ liệu trên 3.572 khách hàng của SCB mang lại các kết quả nổi bật:

• Đặc trưng nhân khẩu học và học vấn: Tỷ lệ khách hàng nam chiếm 55% và nữ chiếm 45%. Về trình độ học vấn, nhóm có trình độ Đại học chiếm tỷ trọng áp đảo với 67%, nhóm sau đại học chiếm 7% (gồm 6% Thạc sĩ và 1% Tiến sĩ), trong khi nhóm Trung cấp và Cao đẳng cùng chiếm 13%. Điều này phản ánh đối tượng tiếp cận vốn vay tại SCB phần lớn là nhóm có tri thức và nhận thức pháp lý tốt.
• Cơ cấu nghề nghiệp và địa vị xã hội: Khách hàng giữ vị trí lãnh đạo doanh nghiệp và quản lý cấp trung chiếm tới 43,2% (trong đó Giám đốc chiếm 22,0%, Quản lý cấp trung chiếm 21,2%), Nhân viên văn phòng chiếm 29,0%, Công nhân chiếm 27,6% và nhóm hưu trí chiếm tỷ lệ nhỏ 0,2%.
• Phân bổ sản phẩm và thời gian gắn kết: Khách hàng vay vốn tiêu dùng cá nhân chiếm 63%, khách hàng phát hành thẻ tín dụng chiếm 34% và 3% còn lại là vay phục vụ kinh doanh hộ gia đình. Xét theo vòng đời khách hàng, nhóm có thời gian sử dụng dịch vụ từ trên 12 đến 31 tháng chiếm tỷ lệ cao nhất với 37,0% (tương đương 1.323 khách hàng).
• Bóc tách các nhóm gian lận tín dụng: Qua mô hình cây quyết định C5.0 kết hợp RFM, nghiên cứu chỉ ra 3 nhóm lỗ hổng thực tế:
  1. Hồ sơ xấu nhưng chấm điểm tốt: Khách hàng ngụy tạo hồ sơ thu nhập nhưng cấp thẩm định sơ suất bỏ qua.
  2. Hồ sơ trung bình nhưng được cấp hạn mức tối đa: Thể hiện dấu hiệu thông đồng trục lợi giữa cán bộ tín dụng và khách hàng.
  3. Hồ sơ được chấm điểm tốt ban đầu nhưng điểm RFM sau 12 tháng ở mức rất thấp: Khách hàng có dấu hiệu rút vốn chiếm dụng rồi ngưng giao dịch (Churn risk kết hợp Credit fraud).

Thảo luận kết quả

Các kết quả nghiên cứu phản ánh sự chênh lệch rõ rệt giữa dữ liệu hồ sơ kê khai tĩnh ban đầu và hành vi chi tiêu động thực tế của khách hàng. Trên biểu đồ phân phối điểm hồ sơ và ma trận nhầm lẫn (Confusion Matrix) của thuật toán C5.0, tỷ lệ dự báo chính xác hành vi gian lận trên tập kiểm định (Testing dataset) đạt mức cao vượt trội so với các phương pháp chấm điểm tín dụng truyền thống.

Nguyên nhân dẫn đến các lỗ hổng tín dụng tại SCB xuất phát từ ba yếu tố chính:

1. Áp lực tăng trưởng dư nợ khiến quy trình kiểm tra thực địa bị xem nhẹ.
2. Thiếu cơ chế kiểm tra chéo tự động giữa nguồn dữ liệu giao dịch thời gian thực với dữ liệu chấm điểm hồ sơ lúc phê duyệt.
3. Rủi ro đạo đức từ nhân viên tín dụng khi quy trình phê duyệt còn kẽ hở cho sự can thiệp chủ quan.

So sánh với bức tranh toàn cầu, thị trường Data Mining đã tăng trưởng từ 591,2 triệu USD năm 2018 lên 1.039 triệu USD vào năm 2023, khẳng định xu thế tất yếu của việc ứng dụng máy học vào kiểm soát gian lận tài chính. Dữ liệu nghiên cứu tại SCB chứng minh rằng nếu ngân hàng chỉ dựa vào điểm hồ sơ ban đầu mà không cập nhật điểm hành vi RFM định kỳ, rủi ro nợ xấu tiềm ẩn sẽ bị che giấu trong các khoản vay tiêu dùng ngắn hạn và hạn mức thẻ tín dụng.

Đề xuất và khuyến nghị

Nhằm bịt kín các lỗ hổng tín dụng và nâng cao hiệu quả kinh doanh tại SCB, nghiên cứu đề xuất 4 nhóm giải pháp chiến lược:

• Tự động hóa hệ thống thẩm định và chấm điểm tín dụng bằng thuật toán C5.0: Khối Công nghệ thông tin phối hợp cùng Khối Quản trị rủi ro tích hợp trực tiếp mô hình C5.0 vào phần mềm phê duyệt tín dụng tập trung. Mục tiêu nâng tỷ lệ phân loại chính xác hồ sơ rủi ro lên trên 92%, rút ngắn 40% thời gian xử lý hồ sơ vay tiêu dùng, hoàn thành triển khai trong vòng 6 tháng.
• Thiết lập hệ thống cảnh báo sớm gian lận thời gian thực kết hợp ma trận RFM: Khối Vận hành và Quản lý rủi ro xây dựng dashboard tự động theo dõi biến động các chỉ số R, F, M của từng chủ thẻ và khách hàng vay vốn. Khi điểm RFM giảm mạnh đột ngột dưới mức 2 trong 3 tháng liên tiếp hoặc phát sinh giao dịch rút tiền mặt bất thường tại ATM, hệ thống sẽ tự động khóa hạn mức và kích hoạt quy trình tái thẩm định. Mục tiêu giảm tỷ lệ nợ xấu phát sinh do gian lận xuống dưới 1,5%, thực hiện trong 9 tháng.
• Siết chặt cơ chế kiểm soát nội bộ và phân quyền độc lập: Ban Kiểm soát và Khối Nhân sự thực hiện luân chuyển định kỳ cán bộ tín dụng giữa các địa bàn sau mỗi 18 đến 24 tháng; thiết lập cơ chế phê duyệt độc lập hai cấp đối với các khoản cấp tín dụng thẻ có hạn mức cao; áp dụng kiểm toán dữ liệu hồi tố tự động bằng Big Data để phát hiện triệt để các hành vi thông đồng nội bộ.
• Cá nhân hóa chính sách sản phẩm và đẩy mạnh bán chéo (Cross-selling): Khối Khách hàng cá nhân ứng dụng kết quả phân khúc RFM để thiết kế các gói sản phẩm riêng biệt: cung cấp gói vay thấu chi lãi suất cạnh tranh cho nhóm khách hàng "Tốt nhất" (RFM = 5) và chương trình tái cấu trúc nợ sớm cho nhóm "Nguy cơ" (RFM = 2). Theo tính toán của McKinsey, phương pháp tiếp thị dựa trên dữ liệu giúp gia tăng từ 15% đến 20% năng suất bán hàng và nâng tỷ lệ giữ chân khách hàng thêm 25% trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho nhiều nhóm độc giả chuyên sâu:

• Ban điều hành và Cán bộ Quản trị rủi ro Ngân hàng: Cung cấp giải pháp mẫu trong việc số hóa quy trình thẩm định, nhận diện sớm hành vi gian lận tín dụng và xây dựng hàng rào kiểm soát nội bộ vững chắc.
• Chuyên viên Phân tích dữ liệu (Data Analyst / Data Scientist) ngành BFSI: Tài liệu tham khảo trực quan về quy trình xử lý dữ liệu lớn (Big Data Preparation), kỹ thuật trích xuất biến số và ứng dụng phần mềm IBM SPSS Modeler 18 cùng thuật toán C5.0 trên dữ liệu ngân hàng thực tế.
• Giảng viên, Học viên Cao học và Nghiên cứu sinh ngành Tài chính - Ngân hàng, QTKD: Khung tham chiếu phương pháp luận kết hợp giữa mô hình phân khúc RFM và thuật toán phân lớp cây quyết định trong nghiên cứu kinh tế ứng dụng.
• Cơ quan Thanh tra, Giám sát Ngân hàng Nhà nước: Góc nhìn thực tiễn về các lỗ hổng tín dụng phát sinh từ sự thông đồng nội bộ và hành vi khách hàng, hỗ trợ công tác ban hành chính sách quản lý an toàn hệ thống tín dụng.

Câu hỏi thường gặp

Thuật toán cây quyết định C5.0 mang lại ưu thế gì vượt trội trong phân tích gian lận tín dụng?

Thuật toán C5.0 vượt trội nhờ khả năng xử lý đồng thời biến định danh và biến liên tục trên tập dữ liệu lớn với 128.290 bản ghi. C5.0 sử dụng tiêu chuẩn độ lợi thông tin (Information Gain) để phân nhánh tối ưu và tích hợp kỹ thuật cắt tỉa cây giúp hạn chế lỗi quá khớp, tạo ra các tập luật phân loại minh bạch, chính xác cao cho cán bộ rủi ro.

Mô hình RFM hỗ trợ phát hiện gian lận sau khi cấp tín dụng như thế nào?

Mô hình RFM theo dõi hành vi giao dịch động trong 12 tháng. Nếu một khách hàng có hồ sơ ban đầu được chấm điểm xuất sắc nhưng chỉ số F (tần suất giao dịch) và M (giá trị giao dịch/số dư) giảm mạnh bất thường về mức 1 hoặc 2, hệ thống sẽ tự động định vị đây là lỗ hổng gian lận rút vốn chiếm dụng hoặc hồ sơ khai khống.

Tại sao nghiên cứu chỉ chọn mẫu khách hàng có lịch sử giao dịch trên 12 tháng?

Việc giới hạn mẫu trên 12 tháng nhằm loại bỏ các dữ liệu nhiễu và cung cấp đủ độ dài chu kỳ tài chính để tính toán chính xác ba biến số Recency, Frequency, Monetary. Tập dữ liệu 12 tháng từ 3.572 khách hàng đảm bảo tính khách quan và độ tin cậy thống kê cao cho mô hình dự báo.

Những lỗ hổng tín dụng lớn nhất được nhận diện trong luận văn là gì?

Nghiên cứu chỉ ra 3 lỗ hổng chính: khách hàng cố tình làm giả hồ sơ thu nhập/pháp lý mà cấp thẩm định không phát hiện; khách hàng thông đồng với nhân viên tín dụng để nâng khống điểm hồ sơ; và sự can thiệp chủ quan của lãnh đạo phê duyệt bỏ qua các dấu hiệu cảnh báo rủi ro ban đầu.

Ngân hàng quy mô vừa và nhỏ có thể ứng dụng mô hình này như thế nào?

Các ngân hàng có thể tận dụng hạ tầng Data Warehouse sẵn có, trích xuất 25 trường thông tin cơ bản về khách hàng và chạy thử nghiệm mô hình phân lớp C5.0 kết hợp RFM trên phần mềm SPSS Modeler hoặc Python. Mô hình có tính module hóa cao, giúp triển khai nhanh với chi phí đầu tư ban đầu hợp lý.

Kết luận

• Luận văn đã ứng dụng thành công kỹ thuật khai phá dữ liệu Big Data trên tập mẫu thực tế gồm 128.290 dòng giao dịch của 3.572 khách hàng tại Ngân hàng TMCP Sài Gòn (SCB).
• Xác lập mô hình nhận diện gian lận 3 bước, kết hợp chặt chẽ giữa thuật toán cây quyết định C5.0 và mô hình hành vi RFM để bóc tách chính xác các lỗ hổng thẩm định tín dụng.
• Cung cấp bức tranh toàn diện về đặc trưng khách hàng cá nhân (55% nam, 67% trình độ đại học, 43,2% giữ chức vụ quản lý/giám đốc, 63% vay tiêu dùng cá nhân).
• Đề xuất hệ thống 4 giải pháp chiến lược khả thi với mục tiêu cụ thể: tự động hóa chấm điểm rủi ro, kiểm soát gian lận thời gian thực, luân chuyển nhân sự định kỳ và nâng cao hiệu quả bán chéo sản phẩm thêm 15% đến 20%.
• Kế hoạch hành động khuyến nghị ban lãnh đạo ngân hàng cần ưu tiên hoàn thiện hạ tầng tích hợp dữ liệu trong 6 đến 12 tháng tới nhằm đảm bảo an toàn vốn và tối đa hóa năng lực cạnh tranh bền vững trên thị trường.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu tổng quan về đề tài nghiên cứu Chương 2: Cơ sở lý luận Chương 3: Ứng dụng của Big data tại SCB và kết quả phân tích Chương 4: Kết luận và giải pháp LUAN VAN CHAT LUONG download : add [e-mail] 8 CHƯƠNG 2: CƠ SỞ LÝ LUẬN 2. Big Data Dữ liệu lớn có thể bao gồm cả dữ liệu cấu trúc và không cấu trúc hay bán cấu trúc. Các hoạt động được tạo lập trong hệ thống đều được big data ghi lại. Đối với hoạt động kinh doanh, dữ liệu này sẽ ghi lại tất cả lịch sử tiêu dùng của khách hàng trong suốt thời gian giao dịch.

Một khi dữ liệu được lưu trữ, bản ghi ngày càng phong phú, đa dạng hơn theo thời gian. Đây là nguồn dữ liệu hữu ích mà các tổ chức có thể sử dụng trong việc truy vấn thông tin để phát triển chiến lược kinh doanh, hay tạo lập môi trường quản lý chuyên nghiệp. Hiểu được tầm quan trọng và “cơ hội kinh doanh” từ Big Data, hiện nay các ngân hàng nước ngoài đang khai thác nguồn dữ liệu để xây dựng chiến lược kinh doanh trên nhiều lĩnh vực chuyên môn và ngoài chuyên môn, từ phân tích tâm lý khách hàng đến phân tích cơ hội kinh doanh trong việc bán chéo sản phẩm hay quản lý doanh nghiệp. Big Data đóng vai trò quan trọng trong việc truy xuất dữ liệu và hỗ trợ con người đưa ra quyết định tốt hơn với cơ hội thành công cao hơn nhiều.

Sự phát triển của ngành ngân hàng (Banking) đi đôi với sự ra đời của Big Data Ngành ngân hàng đã phát triển theo bước nhảy vọt trong thập kỷ qua từ hoạt động vận hành kinh doanh đến cung cấp dịch vụ. Điều đáng ngạc nhiên chính là, hầu hết các ngân hàng đều gặp khó khăn hay thất bại trong việc sử dụng, khai thác thông tin, dữ liệu từ cơ sở dữ liệu (database) mà họ có được từ khách hàng và từ các chi nhánh, bộ phận của tổ chức. Tuy nhiên, khi các ngân hàng ngày càng mở rộng dịch vụ, các tiện ích, hay áp dụng công nghệ trong việc phát triển phân khúc thị trường, thu hút thêm khách hàng thì song song họ cũng phải xây dựng một hệ thống hạ tầng để thu thập dữ liệu và tiến hành phân tích và xác định giải pháp cải thiện hiệu quả kinh doanh. Theo một số chuyên gia dự đoán số lượng dữ liệu tăng lên gấp bảy lần trước LUAN VAN CHAT LUONG download : add luanvanchat@agmail.

Big data là bước tiến lớn đối với sự phát triển của ngành ngân hàng. Ngày nay, hầu hết các tổ chức ngân hàng, dịch vụ tài chính và bảo hiểm (Banking, Financial services and Insurance (BFSI)) đang nỗ lực để áp dụng một cách tiếp cận mới theo hướng khai thác dữ liệu để phát triển và đổi mới các dịch vụ mà họ cung cấp cho khách hàng. Giống như hầu hết các ngành công nghiệp khác, phân tích dữ liệu lớn (Big data analytics) sẽ là một sự thay đổi lớn quan trọng trong cuộc chiến giữa các tổ chức cùng ngành. Mặc dù nhiều tổ chức BFSI đang thay đổi cách thức khai thác dữ liệu bằng cách thu thập một khối lượng dữ liệu khổng lồ và tiến hành phân tích, nhưng đó chỉ là những bước tổng quát, những bước riêng lẻ ở từng giai đoạn trong quy trình khai thác Big data.

Trong tất cả trường hợp, các dự án Big data được hình thành đều hướng đến mục tiêu ban đầu là trả lời cho câu hỏi: “Những dữ liệu này có thể giúp chúng ta giải quyết các vấn đề kinh doanh như thế nào?” Khi khối lượng khách hàng tăng lên, nó ảnh hưởng đáng kể đến mức độ, khả năng cung cấp dịch vụ của từng tổ chức. Thực tiễn cho thấy việc phân tích dữ liệu hiện tại đã đơn giản hóa quá trình theo dõi và đánh giá khách hàng tín dụng của các ngân hàng và các tổ chức tài chính, dựa trên khối lượng lớn dữ liệu như thông tin, hồ sơ cá nhân và các thông tin bảo mật khác. Nhưng với sự giúp đỡ của Big data, các ngân hàng có thể khai thác để liên tục theo dõi hành vi của khách hàng trong thời gian thực, xác định được các nguồn dữ liệu cần thiết để thu thập phục vụ cho việc đưa ra giải pháp. Quá trình đánh giá hồ sơ khách hàng trong thời gian thực sẽ dần thúc đẩy hiệu suất hoạt động và lợi nhuận, từ đó đẩy mạnh phát triển tổ chức hơn nữa.

Theo Forbes, 87% các công ty cho rằng Big data sẽ tạo ra những thay đổi lớn cho các ngành công nghiệp của họ đến cuối thập kỷ thứ 2 của thế kỷ 21. Thậm chí nhiều công ty còn nghĩ rằng nếu không có một chiến lược Big data cụ thể và hiệu quả sẽ khiến họ tụt lại phía sau trong thời đại công nghệ 4. LUAN VAN CHAT LUONG download : add [e-mail] 10 Có rất nhiều nguồn dữ liệu Big data trong hầu hết ở các ngành và lĩnh vực khác nhau, không riêng ở lĩnh vực tài chính, thương mại, bán lẻ, bảo hiểm, mà nó còn rất được quan tâm ở lĩnh vực ngân hàng. Mọi tương tác, mọi giao dịch của khách hàng tại ngân hàng đều tạo ra các bản ghi điện tử, các bản sao lưu được lưu lại theo quy định pháp luật, và các giao dịch tại các trụ ATM ở các địa điểm khác nhau cũng được lưu thông tin tại ngân hàng.

Nhờ phân tích Big data, các công ty dịch vụ tài chính không còn lưu trữ dữ liệu theo yêu cầu bắt buộc như ngày xưa nhưng giờ đây họ đang tích cực, chủ động hơn trong việc khai thác để có được những kết quả mà dựa vào đó đưa ra được các giải pháp cải thiện hoạt động, gia tăng lợi nhuận của tổ chức. Ngoài ra, các công ty cũng không chờ đợi một khoảng thời gian dài mới có thể phân tích các dữ liệu lịch sử, dữ liệu quá khứ. Hầu hết các phân tích Big data được thực hiện chủ yếu xảy ra trong thời gian thực nhằm thúc đẩy việc đưa ra các quyết định chiến lược một cách nhanh chóng. Tóm lại, Big data chính là nguồn lực quan trọng, mang tính chất nòng cốt tạo ra lợi thế cạnh tranh ở bất kỳ một tổ chức tài chính nào đặc biệt khi việc nắm bắt nhu cầu của người tiêu dùng ngày càng phức tạp mặc dù đã thuận tiện hơn, dễ dàng hơn nhờ sự phát triển vượt bậc của công nghệ, kỹ thuật.

Big data không chỉ đem lại các cái nhìn mới, sự sáng tạo trong quá trình đổi mới từng loại hình dịch vụ đến khách hàng mà còn đảm bảo hiệu quả kinh doanh với rủi ro, chi phí được tối ưu nhất Việc xác định các mảng dịch vụ, các bộ phận, các chức năng trong tổ chức tài chính, nơi mà Big data có thể được xem xét nhằm mục đích khai thác một cách hiệu quả nhất dựa vào sự kết hợp giữa các kiến thức, mô hình kinh doanh và khả năng áp dụng phần mềm công nghệ sẽ tạo ra cơ hội cạnh tranh cho chính tổ chức đó. Tùy vào mục đích, cơ cấu, nguồn lực, khả năng khác nhau ở mỗi tổ chức mà sẽ có nhiều trường hợp ứng dụng Big data khác nhau, mang tính chất đặc thù, riêng biệt. Dưới đây là các trường hợp sử dụng phổ biến nhất – được chúng tôi nghiên cứu và chọn lọc – mà các ngân hàng và công ty dịch vụ tài chính đang thực hiện để tìm kiếm các giá trị ẩn sâu bên trong quá trình phân tích Big data. LUAN VAN CHAT LUONG download : add [e-mail] 11 Các ứng dụng của Big data trong lĩnh vực BankingPhân tích các thói quen chi tiêu của khách hàng Các ngân hàng có khả năng truy cập trực tiếp nguồn thông tin, dữ liệu lịch sử dồi dào liên quan đến các thói quen, hành vi chi tiêu của khách hàng.

Các ngân hàng còn nắm thông tin về số tiền một khách hàng được trả bao nhiêu ví dụ như mức lương cụ thể trong bất kỳ tháng nào, số tiền được chuyển vào tài khoản tiết kiệm, số tiền đã được thanh toán đến các công ty cung cấp tiện ích (ví dụ công ty điện lực, công ty cung cấp dịch vụ internet,.), thời gian khách hàng sử dụng dịch vụ của ngân hàng, v. Điều này cung cấp cơ sở, cơ hội để các ngân hàng tiếp cận và phân tích dữ liệu sâu hơn. Áp dụng các chức năng sàng lọc thông tin (filter function) ví dụ như khi lọc ra thời điểm dịp lễ hay mùa lễ và điều kiện kinh tế vĩ mô (ví dụ tình hình lạm phát, tỷ lệ thất nghiệp,.) mà nhân viên ngân hàng có thể hiểu được nguyên nhân tác động làm mức lương của khách hàng tăng hay giảm và khả năng chi tiêu của khách hàng thay đổi như thế nào. Đây là một trong những yếu tố nền tảng cho quá trình đánh giá rủi ro, sàng lọc, thẩm định hồ sơ cho vay, đánh giá khả năng thế chấp và cung cấp nhiều sản phẩm tài chính khác (cross-selling) đến khách hàng như bảo hiểm.

Các ngân hàng được hưởng lợi rất nhiều nếu biết được thông tin khách hàng rút tiền mặt - tất cả số tiền có được vào ngày trả lương - hoặc nếu họ muốn giữ tiền lại trên thẻ tín dụng (credit card)/ thẻ ghi nợ (debit card). Tận dụng điều đó, ngân hàng có thể tiếp cận khách hàng, mở rộng dịch vụ với các đề nghị, thu hút khách hàng đầu tư vào các khoản vay ngắn hạn với tỷ lệ thanh toán cao và lãi suất thích hợp, v. Phân khúc khách hàng và xem xét (thẩm định) hồ sơ Một khi các phân tích ban đầu về thói quen chi tiêu của khách hàng cùng với xác định các loại hình dịch vụ, kênh giao dịch được khách hàng ưu tiên (ví dụ khách hàng muốn gửi tiết kiệm hay muốn đầu tư vào các khoản vay) được hoàn tất thì các ngân hàng sẽ có được một database (cơ sở dữ liệu) phục vụ cho quá trình phân khúc, phân loại khách hàng một cách phù hợp dựa vào thông tin và hồ sơ khách hàng cung cấp. Những khách hàng nào chi tiêu dễ dàng thoải mái, các nhà đầu tư nào thận trọng kỹ lưỡng, khách hàng nào thanh toán các khoản nợ nhanh chóng, khách hàng nào mới LUAN VAN CHAT LUONG download : add [e-mail] 12 bắt đầu trả nợ khi sắp đáo hạn, thời gian khách hàng sử dụng dịch vụ của ngân hàng để đo lường lòng trung thành… Biết được hồ sơ cá nhân của tất cả khách hàng giúp ngân hàng đánh giá chi tiêu và thu nhập dự kiến trong tháng tới và lập kế hoạch chi tiết để đảm bảo lợi nhuận cho chính tổ chức và lợi ích cho chính khách hàng.