Nghiên Cứu Phương Pháp Chấm Điểm Tín Dụng Cho Sàn Giao Dịch Cho Vay Ngang Hàng DCVFinance

Nghiên cứu phương pháp chấm điểm tín dụng cho sàn giao dịch vay ngang hàng DCVFinance, tối ưu hóa quy trình cho vay và giảm rủi ro.

• Tác giả: Trần Huyền Trang
• Người hướng dẫn: ThS. Nguyễn Thanh Thụy
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Phương Pháp Chấm Điểm Tín Dụng Hiệu Quả Cho Sàn Giao Dịch DCVFinance
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ HỆ THỐNG CHẤM ĐIỂM TÍN DỤNG VÀ KỸ THUẬT KHAI PHÁ DỮ LIỆU ĐƯỢC ÁP DỤNG
• 1.1. Tín dụng tiêu dùng
• 1.2. Chấm điểm tín dụng
• 1.2.1. Khái niệm về chấm điểm tín dụng
• 1.2.2. Đối tượng chấm điểm tín dụng
• 1.2.3. Tầm quan trọng của chấm điểm tín dụng
• 1.2.4. Nguyên tắc chấm điểm tín dụng
• 1.3. Tổng quan về khai phá dữ liệu
• 1.3.1. Khái niệm khai phá dữ liệu
• 1.3.2. Các bước trong quá trình phát hiện tri thức
• 1.3.3. Ứng dụng của khai phá dữ liệu
• 1.3.4. Một số kỹ thuật khai phá dữ liệu cho chấm điểm tín dụng
• 1.3.4.1. Decision Tree – Cây quyết định
• 1.3.4.2. K láng giềng gần nhất (K-Nearest Neighbors - KNN)
• 1.3.4.3. Thuật toán hồi quy tuyến tính
• 1.3.4.4. Thuật toán RandomForest
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: QUY TRÌNH CHẤM ĐIỂM THỰC TẾ TẠI CÔNG TY VÀ PHƯƠNG THỨC KẾT NỐI DỮ LIỆU - WEB API
• 2.1. Giới thiệu đơn vị thực tập
• 2.2. Quá trình hình thành và phát triển của công ty
• 2.3. Cơ cấu tổ chức
• 2.4. Các lĩnh vực hoạt động kinh doanh
• 2.5. Chiến lược, định hướng phát triển
• 2.6. Hệ thống xếp hạng tín dụng khách hàng cá nhân tại DCV Finance
• 2.7. Dự án trước khi có hệ thống chấm điểm tín dụng
• 2.8. Chính sách tín dụng hiện hành của DCV Finance
• 2.9. Nguyên tắc chấm điểm tín dụng tại công ty
• 2.10. Quy trình chấm điểm tín dụng và xếp hạng tín dụng cá nhân
• 2.11. Dự án sau khi triển khai hệ thống chấm điểm tín dụng
• 2.12. Giới thiệu Web API
• 2.12.1. Khái niệm Web API
• 2.12.2. Cách hoạt động của web API
• 2.12.3. Khái niệm RESTful API
• 2.12.4. Phương thức hoạt động của RESTful API
• 2.13. Kết luận chương 2
• 3. CHƯƠNG 3: XÂY DỰNG HỆ THỐNG CHẤM ĐIỂM TÍN DỤNG CHO SÀN GIAO DỊCH NGANG HÀNG DCVFINANCE
• 3.1. Tiền xử lý dữ liệu
• 3.2. Mô tả bộ dữ liệu
• 3.3. Tiền sử lý dữ liệu
• 3.4. Chuẩn bị dữ liệu
• 3.5. So sánh hiệu quả của từng thuật toán và xây dựng mô hình chấm điểm tín dụng
• 3.5.1. So sánh hiệu quả từng thuật toán
• 3.5.2. Phương thức hoạt động thuật toán Gradient Boosting
• 3.5.3. Xây dựng mô hình chấm điểm tín dụng
• 3.6. Xây dựng hệ thống
• 3.6.1. Cài đặt môi trường phát triển
• 3.6.2. Xây dựng website admin
• 3.7. So sánh hiệu quả của hệ thống mới với quy trình chấm điểm của công ty
• 3.8. Kết luận chương 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phương pháp chấm điểm tín dụng hiệu quả cho DCVFinance

Phương pháp chấm điểm tín dụng là một yếu tố quan trọng trong việc đánh giá khả năng tài chính của khách hàng. Đặc biệt, trong bối cảnh sàn giao dịch cho vay ngang hàng như DCVFinance, việc áp dụng phương pháp này không chỉ giúp giảm thiểu rủi ro mà còn nâng cao hiệu quả trong việc quản lý tín dụng. Bài viết này sẽ đi sâu vào các khía cạnh của phương pháp chấm điểm tín dụng, từ khái niệm đến ứng dụng thực tiễn.

1.1. Khái niệm và tầm quan trọng của chấm điểm tín dụng

Chấm điểm tín dụng là quá trình đánh giá mức độ tín nhiệm của khách hàng dựa trên các yếu tố tài chính và phi tài chính. Điều này giúp các tổ chức tín dụng như DCVFinance đưa ra quyết định cho vay chính xác hơn, từ đó giảm thiểu rủi ro tín dụng.

1.2. Các yếu tố ảnh hưởng đến điểm tín dụng

Điểm tín dụng của khách hàng phụ thuộc vào nhiều yếu tố như lịch sử trả nợ, thu nhập, và các khoản vay hiện tại. Việc phân tích các yếu tố này giúp xác định khả năng trả nợ của khách hàng một cách chính xác.

II. Vấn đề và thách thức trong chấm điểm tín dụng tại DCVFinance

Mặc dù phương pháp chấm điểm tín dụng mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong quá trình áp dụng tại DCVFinance. Những vấn đề này có thể ảnh hưởng đến độ chính xác và hiệu quả của hệ thống chấm điểm tín dụng.

2.1. Thiếu thông tin và dữ liệu không đầy đủ

Một trong những thách thức lớn nhất là việc thiếu thông tin đầy đủ về khách hàng. Điều này có thể dẫn đến việc đánh giá không chính xác và tăng rủi ro cho tổ chức tín dụng.

2.2. Khó khăn trong việc phân tích dữ liệu

Việc phân tích dữ liệu tín dụng đòi hỏi các công cụ và kỹ thuật hiện đại. Nếu không có sự đầu tư vào công nghệ, việc chấm điểm tín dụng sẽ gặp khó khăn trong việc đưa ra quyết định chính xác.

III. Phương pháp chấm điểm tín dụng hiệu quả cho DCVFinance

Để nâng cao hiệu quả chấm điểm tín dụng, DCVFinance cần áp dụng các phương pháp hiện đại và phù hợp với đặc thù của thị trường. Các phương pháp này không chỉ giúp cải thiện độ chính xác mà còn tăng cường khả năng quản lý rủi ro.

3.1. Sử dụng công nghệ khai phá dữ liệu

Khai phá dữ liệu là một công cụ mạnh mẽ giúp phân tích và dự đoán hành vi của khách hàng. Việc áp dụng công nghệ này sẽ giúp DCVFinance tối ưu hóa quy trình chấm điểm tín dụng.

3.2. Xây dựng mô hình chấm điểm tín dụng dựa trên AI

Sử dụng trí tuệ nhân tạo để xây dựng mô hình chấm điểm tín dụng có thể giúp cải thiện độ chính xác và giảm thiểu rủi ro. Mô hình này sẽ tự động học hỏi từ dữ liệu và điều chỉnh theo thời gian.

IV. Ứng dụng thực tiễn của phương pháp chấm điểm tín dụng tại DCVFinance

Việc áp dụng phương pháp chấm điểm tín dụng tại DCVFinance đã mang lại nhiều kết quả tích cực. Các tổ chức tín dụng có thể dễ dàng đánh giá và quản lý rủi ro tín dụng một cách hiệu quả hơn.

4.1. Kết quả đạt được từ việc chấm điểm tín dụng

Sau khi áp dụng phương pháp chấm điểm tín dụng, DCVFinance đã ghi nhận sự gia tăng trong tỷ lệ phê duyệt khoản vay và giảm thiểu tỷ lệ nợ xấu.

4.2. Cải thiện trải nghiệm khách hàng

Khách hàng cũng được hưởng lợi từ quy trình chấm điểm tín dụng nhanh chóng và chính xác hơn, giúp họ dễ dàng tiếp cận các khoản vay cần thiết.

V. Kết luận và tương lai của phương pháp chấm điểm tín dụng tại DCVFinance

Phương pháp chấm điểm tín dụng tại DCVFinance không chỉ giúp giảm thiểu rủi ro mà còn nâng cao hiệu quả trong việc quản lý tín dụng. Tương lai của phương pháp này hứa hẹn sẽ còn phát triển hơn nữa với sự hỗ trợ của công nghệ.

5.1. Định hướng phát triển trong tương lai

DCVFinance cần tiếp tục đầu tư vào công nghệ và cải tiến quy trình chấm điểm tín dụng để đáp ứng nhu cầu ngày càng cao của thị trường.

5.2. Tăng cường hợp tác với các tổ chức tín dụng khác

Việc hợp tác với các tổ chức tín dụng khác sẽ giúp DCVFinance mở rộng mạng lưới và cải thiện khả năng chấm điểm tín dụng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sau giai đoạn chịu ảnh hưởng từ đại dịch COVID-19, bối cảnh kinh tế khó khăn đã buộc người tiêu dùng phải cơ cấu lại chi tiêu và thắt chặt quản lý tài chính cá nhân. Tuy nhiên, các nhu cầu tài chính thiết yếu vẫn luôn hiện hữu và đòi hỏi các kênh tiếp cận vốn linh hoạt. Mô hình sàn giao dịch cho vay ngang hàng (Peer-to-Peer Lending - P2P Lending) du nhập vào thị trường tài chính Việt Nam từ năm 2016 đã nhanh chóng trở thành một xu hướng đáng chú ý, tạo cầu nối trực tiếp giữa nhà đầu tư và người đi vay mà không cần thông qua các định chế trung gian tài chính truyền thống.

Tại Công ty Cổ phần Truyền số liệu Việt Nam (DCV), dự án sàn giao dịch P2P Lending DCVFinance được triển khai nhằm mục tiêu kết nối nguồn vốn nhàn rỗi với người có nhu cầu vay tiêu dùng cá nhân. Tuy nhiên, trong giai đoạn đầu vận hành, công tác thẩm định hồ sơ vay tại DCVFinance phụ thuộc chủ yếu vào quy trình thủ công (khoảng 90% dựa trên thông tin tự khai của khách hàng kết hợp tra cứu dữ liệu từ Trung tâm Thông tin Tín dụng Quốc gia - CIC trên cổng thông tin ngân hàng nhà nước). Phương thức này bộc lộ nhiều hạn chế: dữ liệu thiếu toàn diện, độ trễ phê duyệt cao, rủi ro gian lận thông tin lớn và tạo áp lực vận hành khi lượng người dùng gia tăng vượt quy mô ban đầu (khoảng 300 khách hàng). Vì vậy, việc nghiên cứu và xây dựng một hệ thống chấm điểm tín dụng tự động hóa, ứng dụng kỹ thuật khai phá dữ liệu và học máy trở thành yêu cầu cấp thiết.

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

1. Nghiên cứu cơ sở lý luận về tín dụng tiêu dùng, hệ thống chấm điểm tín dụng và các thuật toán khai phá dữ liệu phục vụ phân loại, dự báo rủi ro tín dụng.
2. Phân tích thực trạng quy trình thẩm định, chấm điểm tín dụng và chính sách quản trị rủi ro hiện hành tại Công ty Cổ phần Truyền số liệu Việt Nam đối với sàn DCVFinance.
3. Nghiên cứu, thực nghiệm và so sánh hiệu quả của các mô hình học máy trên bộ dữ liệu thực tế để lựa chọn giải pháp tối ưu cho việc chấm điểm tín dụng cá nhân.
4. Xây dựng mô hình chấm điểm tín dụng tích hợp qua giao diện lập trình ứng dụng (Web API/RESTful API) và phát triển giao diện quản trị (Website Admin) phục vụ công tác xét duyệt hồ sơ tại DCVFinance.
5. Đề xuất các định hướng và giải pháp tăng cường quản trị rủi ro tín dụng đối với khách hàng cá nhân nhằm tối đa hóa hiệu quả hoạt động với mức độ rủi ro chấp nhận được.

• Đối tượng nghiên cứu: Công tác chấm điểm tín dụng và quản trị rủi ro cho khách hàng cá nhân tại sàn giao dịch cho vay ngang hàng DCVFinance.
• Phạm vi nghiên cứu:
  • Về không gian: Nghiên cứu thực tiễn tại Công ty Cổ phần Truyền số liệu Việt Nam (DCV) và sàn DCVFinance; tham chiếu quy định quản lý nợ của Ngân hàng Nhà nước Việt Nam.
  • Về nội dung và dữ liệu: Nghiên cứu quy trình chấm điểm tín dụng hiện hành của công ty kết hợp thực nghiệm mô hình học máy trên bộ dữ liệu thanh toán tín dụng khách hàng cá nhân ("Payment of Credit Card Client Dataset") gồm 30.000 bản ghi.

---

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên sự kết hợp giữa lý thuyết tài chính - ngân hàng và kỹ thuật công nghệ thông tin:

• Khung lý thuyết và khái niệm nền tảng:

  • Tín dụng tiêu dùng và Chấm điểm tín dụng (Credit Scoring): Bản chất của tín dụng là quan hệ chuyển giao vốn dựa trên tính hoàn trả kèm lãi suất. Chấm điểm tín dụng là quá trình định lượng mức độ tín nhiệm và rủi ro tài chính của khách hàng dựa trên việc phân tích các thông tin định danh, tình trạng kinh tế và lịch sử giao dịch.
  • Quy trình phát hiện tri thức từ cơ sở dữ liệu (KDD - Knowledge Discovery in Databases): Thực hiện qua 5 giai đoạn liên tục gồm xác định bài toán, thu thập và tiền xử lý dữ liệu thô, biến đổi dữ liệu, khai phá dữ liệu (áp dụng thuật toán trích xuất mẫu/mô hình), và sử dụng/đánh giá tri thức phát hiện được.
  • Khung pháp lý và phân loại nợ: Quyết định số 493/2005/QĐ-NHNN của Ngân hàng Nhà nước Việt Nam về việc phân loại nợ thành 5 nhóm (Nhóm 1: Nợ đủ tiêu chuẩn; Nhóm 2: Nợ cần chú ý; Nhóm 3: Nợ dưới tiêu chuẩn; Nhóm 4: Nợ nghi ngờ; Nhóm 5: Nợ có khả năng mất vốn).
  • Kiến trúc kết nối Web API và RESTful API: Sử dụng giao thức HTTP/HTTPS với các phương thức cơ bản GET, POST, PUT, DELETE (tương ứng chuẩn thao tác CRUD), định dạng dữ liệu JSON/XML và quản lý mã trạng thái phản hồi từ 1xx đến 5xx.

• Phương pháp nghiên cứu:

  • Phương pháp nghiên cứu lý thuyết: Phân tích, tổng hợp tài liệu chuyên ngành về quản trị rủi ro tín dụng, cơ chế vận hành sàn P2P lending và các thuật toán học máy có giám sát (Supervised Learning).
  • Phương pháp nghiên cứu thực tiễn và thực nghiệm khoa học: Xử lý dữ liệu thực nghiệm, huấn luyện và kiểm thử các mô hình học máy bao gồm: Cây quyết định (Decision Tree), K-Láng giềng gần nhất (K-Nearest Neighbors - KNN), Hồi quy tuyến tính (Linear Regression), Rừng ngẫu nhiên (Random Forest) và Mô hình tăng cường độ dốc (Gradient Boosting Model - GBM).
  • Chỉ số đánh giá mô hình: Sử dụng sai số tuyệt đối trung bình (Mean Absolute Error - MAE) và sai số toàn phương trung bình (Mean Square Error - MSE) để đo lường độ lệch dự đoán điểm tín dụng liên tục trên tập kiểm thử.

• Nguồn dữ liệu:

  • Bộ dữ liệu thứ cấp chuẩn "Payment of Credit Card Client Dataset" tải từ nền tảng Kaggle, phản ánh thông tin chi tiêu, hạn mức tín dụng và lịch sử thanh toán 6 tháng liên tiếp của 30.000 khách hàng.
  • Dữ liệu sơ cấp và quy trình nghiệp vụ nội bộ thu thập trực tiếp từ Phòng Kế hoạch và Phát triển dự án cùng Phòng Quản trị rủi ro tại Công ty Cổ phần Truyền số liệu Việt Nam.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan về hệ thống chấm điểm tín dụng và kỹ thuật khai phá dữ liệu được áp dụng

Chương này tập trung hệ thống hóa các vấn đề lý luận về tín dụng tiêu dùng, vai trò của hệ thống chấm điểm tín dụng đối với các chủ thể trong nền kinh tế, đồng thời giới thiệu các kỹ thuật khai phá dữ liệu chủ chốt:

• Đặc trưng tín dụng tiêu dùng: Quy mô khoản vay nhỏ lẻ, chi phí tổ chức cho vay trên từng món cao dẫn đến lãi suất thường cao hơn tín dụng thương mại; thông tin tài chính của khách hàng cá nhân thường không liên tục và chất lượng dữ liệu không đồng đều; nguồn trả nợ phụ thuộc chính vào thu nhập cá nhân.
• Vai trò của chấm điểm tín dụng: Giúp tổ chức tín dụng mở rộng phân khúc thị trường, rút ngắn thời gian phê duyệt, lượng hóa rủi ro vỡ nợ một cách khách quan; hỗ trợ người tiêu dùng có lịch sử tốt dễ dàng tiếp cận hạn mức; hỗ trợ nền kinh tế điều hòa tiêu dùng trong các chu kỳ biến động.
• Kỹ thuật khai phá dữ liệu và thuật toán phân loại/hồi quy:
  • Decision Tree: Mô hình phân lớp dạng cây dựa trên các quy tắc điều kiện, ít yêu cầu chuẩn hóa dữ liệu phức tạp.
  • K-Nearest Neighbors (KNN): Phương pháp học lười (lazy learning) phân loại dựa trên khoảng cách hình học giữa các điểm dữ liệu trong không gian thuộc tính.
  • Linear Regression: Thiết lập đường hồi quy biểu diễn mối quan hệ tuyến tính giữa các biến độc lập và biến mục tiêu liên tục thông qua việc tối thiểu hóa sai số MSE.
  • Random Forest: Kỹ thuật học kết hợp (ensemble learning) tạo nhiều cây quyết định trên các tập mẫu ngẫu nhiên (bagging) nhằm khắc phục nhược điểm quá khớp và giảm phương sai của từng cây riêng lẻ.

Chương 2: Quy trình chấm điểm thực tế tại công ty và phương thức kết nối dữ liệu - Web API

Chương 2 mô tả chi tiết cơ cấu hoạt động của Công ty Cổ phần Truyền số liệu Việt Nam (DCV) và thực trạng vận hành dự án DCVFinance, đồng thời phân tích chi tiết quy trình chấm điểm tín dụng nội bộ:

• Thực trạng và rủi ro quy trình cũ: Khi chưa có hệ thống tự động, việc thẩm định dựa vào 90% thông tin tự khai và đối soát CIC thủ công gây độ trễ lớn, dễ gặp thông tin nhiễu, nguy cơ gian lận cao và không thể đáp ứng khi quy mô người dùng tăng.
• Quy trình 9 bước chấm điểm tín dụng tại DCVFinance: Bao gồm: (1) Thu thập thông tin đa kênh (thông tin cá nhân, định danh CCCD/hộ chiếu, dữ liệu giao dịch tiện ích, dữ liệu CIC, xác minh người thân); (2) Chấm điểm thông tin cá nhân cơ bản (chiếm 60% tổng điểm); (3) Chấm điểm lịch sử trả nợ (chiếm 40% tổng điểm); (4) Tổng hợp điểm và xếp hạng; (5) Lập tờ trình phê duyệt; (6) Rà soát kết quả đối với hồ sơ rủi ro; (7) Hoàn thiện hồ sơ; (8) Ban Giám đốc phê duyệt; (9) Cập nhật điểm lên hệ thống CMS.
• Hệ thống tiêu chí chấm điểm chi tiết:

Nhóm tiêu chí	Số chỉ tiêu	Trọng số tổng	Các chỉ tiêu thành phần cụ thể
Thông tin cá nhân cơ bản (Bước 2)	10 tiêu chí	60%	Học vấn; Tiền án tiền sự; Tình trạng cư trú; Công việc hiện tại; Thời gian làm công việc hiện tại; Thời gian gắn bó với DN hiện tại; Rủi ro nghề nghiệp; Thu nhập hàng tháng; Thu nhập hàng năm (mỗi chỉ tiêu chiếm 10% trong nhóm).
Lịch sử trả nợ (Bước 3)	13 tiêu chí	40%	Số lượng thẻ tín dụng; Thời gian thẻ đầu tiên; Khoản vay đầu tiên; Số khoản vay mở năm trước; Số thẻ mở năm trước; Khoản vay gần nhất; Thẻ mở gần nhất; Số thẻ đang hoạt động; Số khoản vay chưa thanh toán; Tổng nợ phải trả; Lần trễ hạn gần nhất; Số khoản vay/dư nợ quá hạn; Tỷ lệ sử dụng hạn mức thẻ tín dụng.

• Thang xếp hạng tín dụng và phân loại nợ tại DCVFinance:
  • Điểm tổng hợp: $\text{Tổng điểm} = (\text{Điểm bước 2} \times 60%) + (\text{Điểm bước 3} \times 40%)$.
  • Đối với khách hàng mới hoàn toàn: Gán điểm mặc định ban đầu là 50 điểm.
  • Điểm tín dụng được tính toán định kỳ theo tháng để người dùng thực hiện tạo yêu cầu vay trên ứng dụng.

Thang điểm	Xếp hạng	Đánh giá tín nhiệm	Mức độ rủi ro	Phân loại theo QĐ 493/2005/QĐ-NHNN	Chính sách xử lý tại DCV
95 - 100	AAA	Thượng hạng	Thấp	Nợ tiêu chuẩn (Nhóm 1)	Chấp thuận cho vay
90 - 94	AA	Xuất sắc	Thấp	Nợ tiêu chuẩn (Nhóm 1)	Chấp thuận cho vay
85 - 89	A	Rất tốt	Thấp	Nợ tiêu chuẩn (Nhóm 1)	Chấp thuận cho vay
80 - 84	BBB	Tốt	Thấp	Nợ cần chú ý (Nhóm 2)	Chấp thuận cho vay
70 - 79	BB	Trung bình	Trung bình	Nợ cần chú ý (Nhóm 2)	Chấp thuận cho vay
60 - 69	B	Thỏa đáng	Trung bình	Nợ cần chú ý (Nhóm 2)	Chấp thuận cho vay
50 - 59	CCC	Dưới trung bình	Trung bình	Nợ dưới tiêu chuẩn (Nhóm 3)	Hệ thống tự động từ chối
40 - 49	CC	Dưới chuẩn	Cao	Nợ dưới tiêu chuẩn (Nhóm 3)	Hệ thống tự động từ chối
35 - 39	C	Khả năng thu hồi không cao	Cao	Nợ nghi ngờ (Nhóm 4)	Hệ thống tự động từ chối
< 35	D	Có khả năng mất vốn	Cao	Nợ có khả năng mất vốn (Nhóm 5)	Hệ thống tự động từ chối

• Kiến trúc Web API và RESTful API: Trình bày nguyên lý truyền nhận thông điệp định dạng JSON/XML giữa ứng dụng di động (client), hệ thống backend và các dịch vụ thứ ba thông qua giao thức HTTP/HTTPS với các mã trạng thái chuẩn (1xx phản hồi thông tin, 2xx thành công, 3xx điều hướng, 4xx lỗi phía client, 5xx lỗi máy chủ nội bộ).

Chương 3: Xây dựng hệ thống chấm điểm tín dụng cho sàn giao dịch ngang hàng DCVFinance

Chương 3 trình bày chi tiết quá trình tiền xử lý dữ liệu, thử nghiệm thuật toán và thiết lập mô hình chấm điểm ứng dụng cho hệ thống:

• Bộ dữ liệu thực nghiệm: "Payment of Credit Card Client Dataset" bao gồm 30.000 dòng dữ liệu và 25 cột thuộc tính (5 biến định danh, 18 biến độc lập về lịch sử dư nợ Bill_AMT1 đến Bill_AMT6, số tiền thanh toán Pay_AMT1 đến Pay_AMT6, lịch sử trễ hạn Pay_0 đến Pay_6, và biến mục tiêu).
• Quy trình làm sạch dữ liệu:
  • Sử dụng hàm kiểm tra dữ liệu df.info() xác định không có giá trị khuyết dạng null tự nhiên.
  • Phân tích thống kê phát hiện 68 hàng chứa giá trị bất thường (bằng 0) tại các cột định danh trình độ học vấn và tình trạng hôn nhân.
  • Thực hiện loại bỏ 68 hàng khuyết thiếu này để tạo tập dữ liệu sạch df_no_missing phục vụ phân tích.
  • Phân chia tập dữ liệu thành hai phần độc lập: tập huấn luyện (X_train, y_train) và tập kiểm thử (X_test, y_test).
• Lựa chọn mô hình và đánh giá sai số:
  • Vì điểm số tín dụng đầu ra là biến liên tục, tác giả áp dụng mô hình hồi quy và lựa chọn chỉ số Sai số tuyệt đối trung bình (MAE) để so sánh hiệu quả.
  • Thuật toán Gradient Boosting Model (GBM) và mô hình Ensemble model được xây dựng, tinh chỉnh tham số để nâng cao tính ổn định và chính xác trong việc dự đoán điểm tín dụng.
• Tích hợp hệ thống và giao diện quản trị:
  • Thiết lập giao thức gọi API đồng bộ giữa ứng dụng DCVFinance và mô hình tính điểm.
  • Xây dựng giao diện Website Admin cho phép: Quản trị danh sách người dùng, xem chi tiết thông tin hồ sơ, quản trị các yêu cầu vay vốn (ví dụ luồng duyệt hồ sơ thực tế của khách hàng), kiểm soát danh sách hiển thị khoản vay trên ứng dụng di động và trích xuất báo cáo đo lường hiệu quả vận hành.

---

Thiết kế và triển khai

Hệ thống chấm điểm tín dụng tự động cho DCVFinance được thiết kế với kiến trúc kết nối hướng dịch vụ:

• Quy trình xử lý dữ liệu và mô hình hóa:
  1. Tiếp nhận dữ liệu: Thu thập các biến đầu vào từ hồ sơ đăng ký người dùng (hạn mức chi tiêu Limit_bal, giới tính, học vấn, tình trạng hôn nhân, lịch sử thanh toán các kỳ Pay_0 - Pay_6, dư nợ hóa đơn Bill_AMT, số tiền đã thanh toán Pay_AMT).
  2. Pipeline tiền xử lý: Tự động lọc bỏ các bản ghi không hợp lệ, chuẩn hóa các trường thông tin định danh và chuyển đổi vector đặc trưng.
  3. Mô hình dự báo: Ứng dụng thuật toán Gradient Boosting kết hợp kỹ thuật Ensemble để dự đoán điểm số rủi ro tín dụng của khách hàng trên thang điểm liên tục.
• Kiến trúc tích hợp Web API / RESTful API:
  • Hệ thống sử dụng Web API làm cầu nối trung gian giữa ứng dụng di động DCVFinance / 1Vay và máy chủ chấm điểm tín dụng.
  • Sử dụng các phương thức HTTP tiêu chuẩn: POST để gửi dữ liệu hồ sơ mới cần tính điểm, GET để truy vấn điểm tín dụng và trạng thái xếp hạng, PUT để cập nhật trạng thái hồ sơ thẩm định và DELETE để hủy yêu cầu vay.
  • Dữ liệu trao đổi được đóng gói dưới định dạng JSON, truyền tải qua giao thức bảo mật HTTPS với cơ chế phản hồi theo các mã trạng thái HTTP chuẩn (200 OK, 400 Bad Request, 500 Internal Server Error).
• Phân hệ quản trị (Website Admin):
  • Màn hình Quản trị khách hàng: Quản lý danh sách, tìm kiếm và kiểm tra hồ sơ xác thực tài khoản cá nhân.
  • Màn hình Quản trị yêu cầu vay: Hiển thị chi tiết thông tin nhân khẩu học, mức thu nhập, kết quả chấm điểm tín dụng tự động và xếp hạng nợ tương ứng theo thang từ AAA đến D.
  • Phân hệ Báo cáo và Trích xuất dữ liệu: Theo dõi phân bổ điểm tín dụng, đo lường tỷ lệ phê duyệt/từ chối tự động và thống kê hiệu quả của mô hình so với quy trình thẩm định thủ công.

---

Kết quả và đóng góp

• Kết quả thực nghiệm chính:

  • Hoàn thiện quy trình làm sạch bộ dữ liệu 30.000 bản ghi, loại bỏ chính xác 68 bản ghi khuyết thiếu dữ liệu định danh để xây dựng tập mẫu chuẩn huấn luyện mô hình.
  • Thực nghiệm và chứng minh tính khả thi của mô hình học máy Gradient Boosting Model kết hợp cơ chế Ensemble trong việc dự báo điểm số tín dụng cho khách hàng cá nhân dựa trên chỉ số đánh giá sai số MAE.
  • Số hóa hoàn chỉnh quy trình chấm điểm nội bộ: Chuẩn hóa 10 chỉ tiêu thông tin cá nhân (trọng số 60%) và 13 chỉ tiêu lịch sử tín dụng (trọng số 40%) thành thang xếp hạng 10 bậc (từ AAA đến D) tương ứng với 5 nhóm nợ theo Quyết định 493/2005/QĐ-NHNN.
  • Thiết lập thành công cơ chế tự động từ chối đối với các hồ sơ thuộc nhóm rủi ro cao (xếp hạng CCC, CC, C, D thuộc nhóm nợ 3, 4, 5) và gán điểm sàn mặc định (50 điểm) cho khách hàng mới chưa có lịch sử giao dịch.
  • Triển khai thành công giao diện Web Admin kết nối Web API, hỗ trợ rút ngắn thời gian xử lý yêu cầu vay từ vài ngày xuống còn vài phút đối với các hồ sơ đạt chuẩn.

• Giải pháp và kiến nghị của tác giả:

  • Chuyển đổi hoàn toàn từ quy trình chấm điểm thủ công dựa vào nhân sự sang hệ thống chấm điểm tự động bằng học máy nhằm giảm chi phí vận hành và loại bỏ sai sót chủ quan.
  • Tích hợp kết nối API đa chiều với các cơ sở dữ liệu định danh điện tử, dữ liệu viễn thông, hóa đơn tiện ích và hệ thống các công ty tài chính đối tác để làm giàu dữ liệu chấm điểm cho các khách hàng chưa có lịch sử tín dụng ngân hàng (tệp khách hàng "thin-file").
  • Định kỳ hàng tháng chạy lại mô hình tính điểm để cập nhật biến động tài chính của khách hàng, làm căn cứ điều chỉnh hạn mức vay linh hoạt trên ứng dụng.

• Đóng góp của đề tài:

  • Khóa luận đã hệ thống hóa và cụ thể hóa phương pháp xây dựng hệ thống chấm điểm tín dụng kết hợp giữa lý thuyết chấm điểm truyền thống (bảng điểm scorecard theo trọng số) và công nghệ khai phá dữ liệu hiện đại (Machine Learning) cho mô hình sàn P2P Lending tại Việt Nam.
  • Cung cấp mô hình triển khai thực tế có tính ứng dụng cao cho Công ty Cổ phần Truyền số liệu Việt Nam trong việc nâng cao năng lực quản trị rủi ro tín dụng cá nhân trên sàn DCVFinance.

---

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế:
  • Bộ dữ liệu thực nghiệm mô hình học máy ("Payment of Credit Card Client Dataset") được thu thập từ thị trường thẻ tín dụng Đài Loan, do đó một số đặc trưng phân phối có thể có sự khác biệt nhất định so với hành vi tiêu dùng và văn hóa tín dụng của khách hàng P2P Lending tại Việt Nam.
  • Dữ liệu nội bộ thực tế tại DCVFinance trong giai đoạn thử nghiệm còn giới hạn ở quy mô nhỏ (khoảng 300 khách hàng), chưa đủ lớn để huấn luyện trực tiếp các mô hình học sâu (Deep Learning) phức tạp.
• Hướng nghiên cứu tiếp:
  • Tiếp tục thu thập và làm giàu kho dữ liệu giao dịch thực tế phát sinh tại Việt Nam để tái huấn luyện (retrain) và tinh chỉnh mô hình học máy theo đặc thù thị trường nội địa.
  • Nghiên cứu mở rộng việc khai thác các nguồn dữ liệu phi cấu trúc (dữ liệu hành vi ứng dụng, dữ liệu mạng xã hội, dữ liệu thương mại điện tử) để tối ưu hóa việc chấm điểm cho nhóm khách hàng trẻ hoặc người chưa từng có tài khoản ngân hàng.

---

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo hữu ích cho:

• Sinh viên và học viên: Các ngành Hệ thống thông tin quản lý, Công nghệ thông tin ứng dụng trong kinh tế, Fintech, Tài chính - Ngân hàng và Khoa học dữ liệu cần tài liệu mẫu về việc kết hợp giữa phân tích nghiệp vụ tài chính và xây dựng mô hình học máy.
• Nhà phát triển và chuyên viên quản trị rủi ro: Các nhóm dự án tại các công ty Fintech, công ty tài chính tiêu dùng, sàn P2P Lending đang tìm kiếm phương pháp thiết kế quy trình chấm điểm tín dụng scorecard, cấu trúc bảng tiêu chí đánh giá, tích hợp Web API/RESTful API và thiết kế website quản trị xét duyệt khoản vay.

---

Câu hỏi thường gặp

1. Tại sao DCVFinance phải chuyển đổi từ phương pháp thẩm định ban đầu sang hệ thống chấm điểm tín dụng tự động?
Trước khi có hệ thống, công ty thẩm định thủ công với 90% dựa trên thông tin tự khai của khách hàng và tra cứu CIC trên trang web của Ngân hàng Nhà nước. Quy trình này dễ bị sai lệch do thông tin thiếu trung thực, thời gian duyệt kéo dài (vài ngày) và khi lượng khách hàng tăng vượt quy mô ban đầu (khoảng 300 người), nhân viên thẩm định bị quá tải, gây chậm trễ phê duyệt và gia tăng rủi ro nợ xấu.

2. Quy trình chấm điểm tín dụng nội bộ tại DCVFinance kết hợp những nhóm tiêu chí nào và tỷ trọng điểm ra sao?
Tổng điểm tín dụng được cấu thành từ hai nhóm: Nhóm thông tin cá nhân cơ bản tại Bước 2 (chiếm 60% tổng điểm, gồm 10 chỉ tiêu như học vấn, cư trú, nghề nghiệp, thu nhập...) và Nhóm lịch sử trả nợ tại Bước 3 (chiếm 40% tổng điểm, gồm 13 chỉ tiêu về thẻ tín dụng, lịch sử trễ hạn, dư nợ quá hạn...).

3. Khách hàng mới chưa từng có giao dịch trên hệ thống DCVFinance được xử lý điểm số như thế nào?
Theo nguyên tắc chấm điểm tại công ty, đối với khách hàng mới hoàn toàn chưa có bất kỳ thao tác hay lịch sử giao dịch nào trên hệ thống, điểm tín dụng ban đầu sẽ được gán mức mặc định cố định là 50 điểm (thuộc mức xếp hạng CCC).

4. Khách hàng có mức điểm xếp hạng nào sẽ bị hệ thống DCVFinance tự động từ chối cho vay?
Hệ thống DCVFinance chỉ phục vụ khách hàng thuộc nhóm nợ 1 và nhóm nợ 2 (xếp hạng từ B đến AAA, điểm từ 60 đến 100). Những khách hàng có mức xếp hạng CCC, CC, C và D (điểm dưới 60, tương ứng nợ nhóm 3, 4, 5 theo Quyết định 493/2005/QĐ-NHNN) sẽ bị hệ thống tự động đưa vào danh sách từ chối cho vay.

5. Bộ dữ liệu "Payment of Credit Card Client Dataset" được tiền xử lý như thế nào trước khi huấn luyện mô hình?
Bộ dữ liệu gồm 30.000 dòng và 25 cột được kiểm tra cấu trúc qua df.info(). Quá trình rà soát phát hiện 68 hàng chứa giá trị "0" bất thường (dữ liệu khuyết thiếu) tại hai cột định danh là trình độ học vấn và tình trạng hôn nhân. Tác giả đã loại bỏ 68 hàng này để tạo ra tập dữ liệu sạch df_no_missing trước khi chia tập huấn luyện/kiểm thử và đưa vào mô hình học máy.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Trần Huyền Trang đã giải quyết thành công bài toán thiết kế và xây dựng phương pháp chấm điểm tín dụng cho khách hàng cá nhân tại sàn giao dịch cho vay ngang hàng DCVFinance thuộc Công ty Cổ phần Truyền số liệu Việt Nam. Bằng việc kết hợp chặt chẽ giữa hệ thống tiêu chí định lượng rủi ro theo chuẩn mực ngân hàng và kỹ thuật học máy hiện đại (Gradient Boosting, Ensemble Model) trên nền tảng kết nối RESTful API, đề tài đã đưa ra giải pháp toàn diện giúp tự động hóa khâu thẩm định hồ sơ vay. Kết quả nghiên cứu không chỉ mang lại giá trị thực tiễn trong việc rút ngắn thời gian phê duyệt và kiểm soát tỷ lệ nợ xấu cho DCVFinance mà còn cung cấp một tài liệu tham khảo có giá trị cao cho lĩnh vực công nghệ tài chính và phân tích dữ liệu ứng dụng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ HỆ THỐNG CHẤM ĐIỂM TÍN DỤNG VÀ KỸ THUẬT KHAI PHÁ DỮ LIỆU ĐƯỢC ÁP DỤNG 1. Tín dụng tiêu dùng 1.1 Khái niệm về tín dụng. Tín dụng là quan hệ vay mượn, quan hệ sử dụng vốn lẫn nhau giữa người đi vay và người cho vay dựa trên nguyên tắc hoàn trả, kèm theo lợi tức khi đến hạn. [1] Tín dụng có thể hiểu một cách đơn giản là một quan hệ giao dịch giữa hai chủ thể, trong đó một bên chuyển giao quyền sử dụng tiền hoặc tài sản cho bên kia bằng nhiều hình thức như: cho vay, bán chịu hàng hoá, chiết khấu, bảo lãnh… được sử dụng trong một thời gian nhất định và theo một số điều kiện nhất định nào đó đã thỏa thuận.

Khái niệm tín dụng tiêu dùng Tín dụng tiêu dùng là các khoản cho vay của Ngân hàng (các tổ chức tín dụng) nhằm mục đích tài trợ cho nhu cầu chi tiêu của người tiêu dùng bao gồm cá nhân và các hộ gia đình. Đây là một nguồn tài chính quan trọng giúp người tiêu dùng trang trải các nhu cầu trong cuộc sống như nhu cầu về nhà ở, phương tiện đi lại. Bản chất của tín dụng. Tín dụng là quan hệ kinh tế giữa người đi vay và người cho vay, nhờ quan hệ này mà vốn tín dụng (tiền và hiện vật) được vận động từ chủ thể này sang chủ thể khác để sử dụng cho các nhu cầu khác nhau trong nền kinh tế - xã hội.

Đi sâu tìm hiểu có thể thấy rõ bản chất tín dụng chính là sự vận động của giá trị vốn tín dụng, lần lượt trải qua 3 giai đoạn: • Giai đoạn cho vay: người cho vay chuyển giao quyền sử dụng giá trị vốn tín dụng cho người vay trong một thời gian nhất định • Giai đoạn sử dụng vốn vay: người vay toàn quyền sử dụng giá trị vốn tín dụng vào những mục đích đã được dự kiến trước • Giai đoạn hoàn trả: sau thời gian sử dụng giá trị vốn tín dụng, người vay phải hoàn trả lại cho người cho vay đầy đủ giá trị ban đầu và một phần phụ thêm (lãi) Như Trần Huyền Trang – 21A4040123 3 Khóa luận tốt nghiệp Chấm điểm tín dụng vậy, có thể khẳng định rằng, nét đặc trưng của sự vận động trong quan hệ tín dụng là tính hoàn trả. Đặc điểm của tín dụng tiêu dùng Tín dụng tiêu dùng cho khách hàng cá nhân có một số đặc điểm như sau: • Khách hàng vay là cá nhân và các hộ gia đình. Điều này làm cho quy mô của từng khoản vay thường nhỏ (trừ những khoản vay để mua bất động sản), dẫn đến chi phí khi tổ chức cho vay cao, vì vậy lãi suất tín dụng cho vay tiêu dùng thường cao hơn so với lãi suất của các loại tín dụng trong lĩnh vực thương mại hay công nghiệp. • Mục đích vay nhằm phục vụ nhu cầu tiêu dùng của cá nhân và các hộ gia đình, không phải xuất phát từ mục đích kinh doanh.

Do đó các khoản vay hoàn toàn phụ thuộc vào nhu cầu và tính cách của từng đối tượng khách hàng và chu kỳ kinh tế của khách hàng. • Thông tin tài chính của khách hàng vay cá nhân thương không liên tục và chất lượng các thông tin tài chính của khách hàng vay thường không cao. • Nguồn trả nợ chủ yếu của khách hàng được trích từ nguồn thu nhập mà không nhất thiết phải là từ kết quả của việc sử dụng những khoản vay [1] 1. Chấm điểm tín dụng 1.