Luận văn: Ứng dụng BI trong thẩm định tài sản bảo đảm ngân hàng

Ứng dụng BI trong thẩm định tài sản ngân hàng giúp tăng tốc quy trình, giảm thiểu rủi ro và nâng cao hiệu quả hoạt động. Tìm hiểu ngay!

• Tác giả: Cao Thị Vân Anh
• Người hướng dẫn: PGS. Trương Ninh Thuận
• Trường học: Trường đại học công nghệ cao - Đại học quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng Dụng Bi (Business Intelligence) Trong Bài Toán Thẩm Định Tài Sản Bảo Đảm Của Ngân Hàng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG
• MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu của đề tài
• 1.3. Đóng góp của luận văn
• 1.4. Cấu trúc của luận văn
• 1. CHƢƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Giới thiệu về Trí tuệ nghiệp vụ (Business Intelligence)
• 1.2. Kiến trúc và thành phần của BI
• 1.3. Giới thiệu về Data Warehouse
• 1.4. Kiến trúc của Data Warehouse
• 1.5. Xây dựng Data warehouse
• 1.6. Giới thiệu về Khai phá dữ liệu (Data mining)
• 1.7. Quy trình khai phá dữ liệu
• 1.8. Các phƣơng pháp khai phá dữ liệu
• 2. CHƢƠNG 2: BÀI TOÁN ỨNG DỤNG BI TRONG HỖ TRỢ THẨM ĐỊNH TÀI SẢN BẢO ĐẢM CỦA NGÂN HÀNG
• 2.1. Ứng dụng của BI trong lĩnh vực ngân hàng
• 2.2. Công nghệ BI trong các hoạt động ngân hàng
• 2.3. Một số ứng dụng BI trong lĩnh vực ngân hàng
• 2.4. Bài toán thẩm định tài sản bảo đảm trong hệ thống ngân hàng
• 2.5. Giới thiệu về thẩm định tài sản bảo đảm
• 2.6. Quy trình thẩm định giá tài sản bảo đảm
• 2.7. Phƣơng pháp so sánh trực tiếp trong bƣớc định giá giá trị của tài sản
• 3. CHƢƠNG 3: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG BI HỖ TRỢ THẨM ĐỊNH TÀI SẢN BẢO ĐẢM TRONG NGÂN HÀNG
• 3.1. Phát biểu bài toán
• 3.2. Áp dụng thuật toán K-Nearest Neighbors (KNN) và thuật toán hồi quy tuyến tính đa biến trong quyết định giá
• 3.3. Sử dụng thuật toán K-Nearest Neighbors (KNN) để dự đoán giá trị tài sản thẩm định
• 3.4. Dự đoán giá trị tài sản qua phƣơng pháp hồi quy tuyến tính đa biến
• 3.5. Kết hợp thuật toán KNN và hồi quy tuyến tính đa biến
• 3.6. Thiết kế ứng dụng
• 3.7. Module Thẩm định tài sản
• 3.8. Xây dựng và triển khai
• 3.9. Xây dựng Database
• 3.10. Xây dựng mô hình ứng dụng
• 4. CHƢƠNG 4: CÀI ĐẶT VÀ KẾT QUẢ
• 4.1. Chức năng quản lý thông tin hồ sơ thẩm định
• 4.2. Chức năng Cập nhật thông tin chung của hồ sơ
• 4.3. Cập nhật thông tin pháp lý của hồ sơ
• 4.4. Cập nhật thông tin tài sản bảo đảm
• 4.5. Cập nhật thông tin kết luận của báo cáo thẩm định
• 4.6. Thuyết minh giá
• 4.7. So sánh kết quả thực nghiệm trên Web thẩm định và phần mềm Weka
• KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN
• 4.8. Hƣớng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng BI Trong Thẩm Định Tài Sản Ngân Hàng

Thẩm định tài sản là một khâu quan trọng trong hoạt động cho vay của ngân hàng. Việc thẩm định chính xác giúp ngân hàng kiểm soát rủi ro và tối ưu hóa lợi nhuận. Tuy nhiên, quá trình thẩm định truyền thống thường tốn nhiều thời gian và công sức, đồng thời dễ mắc sai sót do yếu tố chủ quan. Business Intelligence (BI) nổi lên như một giải pháp đột phá, mang lại khả năng phân tích dữ liệu hiệu quả, hỗ trợ ra quyết định chính xác và nhanh chóng. BI cho ngân hàng không chỉ giúp cải thiện quy trình thẩm định mà còn nâng cao hiệu quả hoạt động tổng thể. BI sử dụng các công cụ phân tích, khai phá dữ liệu để chuyển đổi thông tin thô thành tri thức hữu ích, hỗ trợ các chuyên gia thẩm định đưa ra những đánh giá chính xác và khách quan hơn. Áp dụng Business Intelligence trong thẩm định giúp tự động hóa quy trình, giảm thiểu sai sót, nâng cao năng suất và chất lượng thẩm định. Theo nghiên cứu của Đại học Quốc Gia Hà Nội, "Ứng dụng BI (Business Intelligence) trong bài toán thẩm định tài sản bảo đảm của ngân hàng" BI có khả năng khai thác dữ liệu từ nhiều nguồn, giúp các chuyên gia có cái nhìn toàn diện về tài sản.

1.1. Vai trò của thẩm định tài sản trong hoạt động ngân hàng

Thẩm định tài sản đóng vai trò then chốt trong quản lý rủi ro tín dụng của ngân hàng. Nó giúp ngân hàng xác định giá trị thực của tài sản đảm bảo, từ đó đưa ra quyết định cho vay phù hợp, tránh tình trạng nợ xấu. Một quy trình thẩm định hiệu quả đòi hỏi sự kết hợp giữa kinh nghiệm của chuyên gia và công cụ phân tích hiện đại. Sự ra đời của BI trong ngành ngân hàng đã tạo ra một cuộc cách mạng trong lĩnh vực này. Giải pháp BI cho thẩm định tăng tính chính xác và hiệu quả. Thẩm định giá bất động sản và các loại tài sản khác hiệu quả hơn. BI giúp đảm bảo tài sản sinh lợi nhuận và an toàn. Thẩm định giá trị của tài sản thế chấp (nhà, đất, phương tiện, hàng hóa) chính xác.

1.2. Tổng quan về Business Intelligence BI và ứng dụng trong ngân hàng

Business Intelligence trong thẩm định là một hệ thống công nghệ phân tích dữ liệu để hỗ trợ người dùng, hỗ trợ các chuyên gia ra quyết định kinh doanh sáng suốt hơn. BI cho ngân hàng thu thập và phân tích khối lượng lớn thông tin từ nhiều nguồn khác nhau để cải thiện các hoạt động như: quản lý rủi ro tín dụng, phân tích khách hàng, phát hiện gian lận, nâng cao hiệu quả hoạt động và đưa ra dự báo. Việc áp dụng các hệ thống BI chính là một cách tiếp cận hợp lý của các doanh nghiệp trong quản lý.

1.3. Lợi ích khi ứng dụng BI vào quy trình thẩm định tài sản

Ứng dụng BI trong thẩm định tài sản mang lại nhiều lợi ích thiết thực cho ngân hàng. Đầu tiên, BI giúp giảm thiểu sai sót trong quá trình định giá, nhờ vào khả năng phân tích dữ liệu khách quan và chính xác. Thứ hai, BI giúp tăng tốc độ thẩm định, từ đó rút ngắn thời gian phê duyệt khoản vay cho khách hàng. Thứ ba, BI cung cấp thông tin chi tiết về dữ liệu thị trường bất động sản, giúp ngân hàng đưa ra quyết định đầu tư và cho vay sáng suốt hơn. Cuối cùng, BI giúp cải thiện hiệu quả quản lý rủi ro, giảm thiểu nguy cơ nợ xấu cho ngân hàng. Nhờ đó, hiệu quả thẩm định tài sản được nâng lên rõ rệt.

II. Thách Thức Trong Thẩm Định Tài Sản Ngân Hàng Hiện Nay

Mặc dù đóng vai trò quan trọng, quy trình thẩm định tài sản truyền thống vẫn còn tồn tại nhiều hạn chế. Việc thu thập và xử lý dữ liệu thường thủ công, tốn nhiều thời gian và công sức. Thông tin thẩm định giá động sản thường phân tán ở nhiều nguồn khác nhau, gây khó khăn cho việc tổng hợp và phân tích. Thêm vào đó, việc định giá tài sản đôi khi mang tính chủ quan, thiếu khách quan, dẫn đến sai sót và rủi ro cho ngân hàng. Ngân hàng cần tự động hóa thẩm định để tăng hiệu quả. Theo luận văn của Cao Thị Vân Anh, "Quá trình thẩm định giá phải trải qua rất nhiều bước và hồ sơ thẩm định sẽ được luân chuyển qua nhiều phòng ban, vị trí. Trong các bước thẩm định, việc báo cáo thẩm định giá là một khâu phức tạp và cần phải được tính toán cẩn thận."

2.1. Khó khăn trong thu thập và xử lý dữ liệu thẩm định tài sản

Quy trình thu thập dữ liệu thẩm định giá thường bao gồm nhiều bước thủ công, chẳng hạn như tìm kiếm thông tin về dữ liệu thị trường bất động sản, giá cả giao dịch, đặc điểm tài sản từ nhiều nguồn khác nhau. Việc xử lý dữ liệu cũng đòi hỏi nhiều thời gian và công sức, đặc biệt là khi dữ liệu ở nhiều định dạng khác nhau hoặc bị thiếu thông tin. Ngoài ra, phân tích so sánh tài sản có thể gặp khó khăn do thiếu dữ liệu.

2.2. Yếu tố chủ quan và sai sót trong định giá tài sản truyền thống

Trong quy trình thẩm định truyền thống, đánh giá rủi ro tín dụng phụ thuộc nhiều vào kinh nghiệm và nhận định chủ quan của chuyên gia thẩm định. Điều này có thể dẫn đến sai sót trong định giá, đặc biệt đối với các tài sản phức tạp hoặc thị trường biến động. Việc thiếu công cụ phân tích khách quan và dữ liệu đầy đủ cũng có thể làm tăng nguy cơ sai sót.

2.3. Tác động của sự thiếu hiệu quả đến hoạt động ngân hàng

Quy trình thẩm định chậm trễ và thiếu chính xác có thể gây ra nhiều tác động tiêu cực đến hoạt động của ngân hàng. Khách hàng có thể mất thời gian chờ đợi phê duyệt khoản vay, dẫn đến sự không hài lòng và mất cơ hội kinh doanh. Ngân hàng cũng có thể đối mặt với rủi ro nợ xấu do định giá tài sản không chính xác, ảnh hưởng đến lợi nhuận và uy tín.

III. Cách Ứng Dụng BI Giải Quyết Vấn Đề Thẩm Định Tài Sản Ngân Hàng

Ứng dụng BI vào quy trình thẩm định tài sản mang lại một cuộc cách mạng, giúp giải quyết những vấn đề tồn tại. Bằng cách thu thập và tích hợp dữ liệu từ nhiều nguồn, BI cung cấp cái nhìn toàn diện về tài sản, giúp chuyên gia thẩm định đưa ra quyết định chính xác hơn. Công cụ BI cho thẩm định giúp tự động hóa các tác vụ, giảm thiểu sai sót và tăng tốc độ thẩm định. Đồng thời, BI cung cấp các báo cáo thẩm định trực quan, dễ hiểu, giúp lãnh đạo ngân hàng nắm bắt tình hình và đưa ra chiến lược kinh doanh hiệu quả. BI trong thẩm định cung cấp các công cụ phân tích, hỗ trợ xây dựng mô hình định giá tài sản. Theo Đại học Quốc Gia Hà Nội, ứng dụng BI, cụ thể các phương pháp hồi quy có thể đưa ra quyết định về mức giá thẩm định tài sản bảo đảm chính xác hơn.

3.1. Thu thập và tích hợp dữ liệu từ nhiều nguồn khác nhau

Công cụ BI cho thẩm định có khả năng thu thập dữ liệu từ nhiều nguồn khác nhau, bao gồm cơ sở dữ liệu nội bộ của ngân hàng, dữ liệu thị trường bất động sản, thông tin về khách hàng, và các nguồn dữ liệu bên ngoài khác. Dữ liệu sau đó được tích hợp và chuẩn hóa để tạo ra một nguồn thông tin duy nhất và đáng tin cậy.

3.2. Phân tích dữ liệu và tạo báo cáo thẩm định giá trực quan

BI sử dụng các thuật toán và kỹ thuật khai phá dữ liệu để phân tích thông tin, xác định các yếu tố ảnh hưởng đến giá trị tài sản, và dự đoán giá trị tương lai. Kết quả phân tích được trình bày dưới dạng dashboard thẩm định tài sản và báo cáo trực quan, giúp người dùng dễ dàng nắm bắt thông tin và đưa ra quyết định.

3.3. Tự động hóa quy trình và giảm thiểu sai sót

Tự động hóa thẩm định với BI giúp loại bỏ các tác vụ thủ công, giảm thiểu sai sót do yếu tố con người, và tăng tốc độ thẩm định. BI có thể tự động kiểm tra tính hợp lệ của dữ liệu, xác định các tài sản so sánh, và tạo ra các báo cáo thẩm định giá.

IV. Các Giải Pháp BI Quan Trọng Trong Thẩm Định Tài Sản Ngân Hàng

Trong lĩnh vực thẩm định tài sản, một số giải pháp BI tỏ ra đặc biệt hiệu quả. Dashboard thẩm định tài sản cho phép theo dõi KPIs thẩm định quan trọng như thời gian thẩm định, số lượng thẩm định, và tỷ lệ sai sót. Các công cụ phân tích dữ liệu thẩm định giúp xác định các yếu tố ảnh hưởng đến giá trị tài sản, từ đó xây dựng mô hình định giá tài sản chính xác hơn. Đồng thời, các giải pháp quản lý rủi ro thẩm định giúp ngân hàng đánh giá và giảm thiểu rủi ro liên quan đến hoạt động thẩm định. BI cho ngân hàng đã đem lại nhiều giải pháp để kiểm soát rủi ro.

4.1. Dashboard theo dõi KPIs thẩm định tài sản Thời gian số lượng tỷ lệ

Dashboard thẩm định tài sản cung cấp một cái nhìn tổng quan về hiệu suất của quy trình thẩm định, cho phép người dùng theo dõi các KPIs thẩm định quan trọng như thời gian thẩm định trung bình, số lượng thẩm định được thực hiện trong một khoảng thời gian nhất định, và tỷ lệ sai sót trong định giá. Nhờ đó, ngân hàng có thể nhanh chóng xác định các vấn đề và đưa ra biện pháp cải thiện.

4.2. Công cụ phân tích dữ liệu thẩm định và xây dựng mô hình định giá

Các công cụ phân tích dữ liệu BI giúp các chuyên gia thẩm định giá tài sản xác định các yếu tố ảnh hưởng đến giá trị tài sản, chẳng hạn như vị trí, diện tích, tình trạng pháp lý, và điều kiện thị trường. Dựa trên những thông tin này, mô hình định giá tài sản có thể được xây dựng để dự đoán giá trị tài sản một cách chính xác.

4.3. Giải pháp quản lý rủi ro thẩm định đánh giá và giảm thiểu rủi ro

Các giải pháp quản lý rủi ro thẩm định giúp ngân hàng đánh giá và giảm thiểu rủi ro liên quan đến hoạt động thẩm định, chẳng hạn như rủi ro định giá sai, rủi ro gian lận, và rủi ro pháp lý. Các giải pháp này có thể sử dụng các thuật toán và mô hình để phát hiện các dấu hiệu bất thường và cảnh báo cho người dùng.

V. Nghiên Cứu Trường Hợp Ứng Dụng BI Thành Công Tại Ngân Hàng

Nhiều ngân hàng đã triển khai thành công các giải pháp BI trong thẩm định tài sản, mang lại những kết quả ấn tượng. Ví dụ, một ngân hàng lớn đã sử dụng BI để tự động hóa quy trình thẩm định, giảm thời gian thẩm định trung bình từ 5 ngày xuống còn 2 ngày. Một ngân hàng khác đã sử dụng BI để phát hiện các trường hợp gian lận, giúp ngân hàng tiết kiệm hàng triệu đô la mỗi năm. Một vài trường hợp dùng BI cho ngân hàng đem lại kết quả tốt. Chức năng ETL được dùng để thu thập, xử lý và lưu trữ thông tin hồ sơ thẩm định giá.

5.1. Giảm thời gian thẩm định và tăng năng suất làm việc

Một trong những lợi ích lớn nhất của việc ứng dụng BI trong thẩm định tài sản là giảm thời gian thẩm định và tăng năng suất làm việc của nhân viên. Tự động hóa các tác vụ thủ công, cung cấp thông tin đầy đủ và chính xác, giúp nhân viên đưa ra quyết định nhanh chóng và hiệu quả hơn.

5.2. Phát hiện gian lận và giảm thiểu rủi ro tín dụng

BI có thể được sử dụng để phát hiện các trường hợp gian lận trong thẩm định tài sản, chẳng hạn như định giá tài sản quá cao hoặc sử dụng thông tin giả mạo. Bằng cách phân tích dữ liệu và xác định các mẫu bất thường, BI giúp ngân hàng giảm thiểu rủi ro tín dụng và bảo vệ tài sản.

5.3. Cải thiện chất lượng định giá và nâng cao sự hài lòng của khách hàng

BI giúp cải thiện chất lượng định giá tài sản bằng cách cung cấp thông tin đầy đủ và chính xác, đồng thời giảm thiểu ảnh hưởng của yếu tố chủ quan. Điều này giúp ngân hàng đưa ra quyết định công bằng và minh bạch, nâng cao sự hài lòng của khách hàng.

VI. Kết Luận và Xu Hướng Phát Triển Của BI Trong Thẩm Định Tài Sản

Ứng dụng BI trong thẩm định tài sản là một xu hướng tất yếu trong bối cảnh cạnh tranh ngày càng gay gắt của ngành ngân hàng. Trong tương lai, BI sẽ tiếp tục phát triển và mang lại nhiều lợi ích hơn nữa cho hoạt động thẩm định. Các xu hướng phát triển chính bao gồm ứng dụng trí tuệ nhân tạo (AI) và học máy (ML) để dự báo giá trị tài sản, tích hợp dữ liệu từ các nguồn mới, và phát triển các giải pháp BI trên nền tảng đám mây. Ứng dụng BI trong quản lý tài sản sẽ tăng lên. Giải pháp BI cho thẩm định sẽ phát triển hơn nữa trong tương lai.

6.1. Tiềm năng phát triển và ứng dụng AI ML trong dự báo giá trị tài sản

Trí tuệ nhân tạo (AI) và học máy (ML) có tiềm năng to lớn trong việc dự báo giá trị tài sản một cách chính xác hơn. Các thuật toán AI/ML có thể phân tích dữ liệu phức tạp và xác định các mối quan hệ phi tuyến tính, giúp đưa ra dự báo chính xác hơn so với các phương pháp truyền thống. Dự báo giá trị tài sản chính xác hơn.

6.2. Tích hợp dữ liệu từ các nguồn mới Mạng xã hội IoT

Trong tương lai, BI sẽ tích hợp dữ liệu từ các nguồn mới như mạng xã hội và Internet of Things (IoT) để cung cấp thông tin toàn diện hơn về tài sản. Dữ liệu từ mạng xã hội có thể cung cấp thông tin về xu hướng thị trường và tâm lý người tiêu dùng, trong khi dữ liệu từ IoT có thể cung cấp thông tin về tình trạng và hiệu suất của tài sản.

6.3. Giải pháp BI trên nền tảng đám mây Tính linh hoạt và khả năng mở rộng

Các giải pháp BI trên nền tảng đám mây mang lại tính linh hoạt và khả năng mở rộng cao, cho phép ngân hàng dễ dàng triển khai và quản lý các giải pháp BI mà không cần đầu tư vào cơ sở hạ tầng CNTT phức tạp. Giải pháp BI trong ngân hàng trên nền tảng đám mây.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ thống ngân hàng thương mại, khoảng 70% đến 80% tổng dư nợ tín dụng được bảo đảm bằng tài sản thế chấp, trong đó bất động sản chiếm tỷ trọng lớn nhất. Hoạt động thẩm định giá tài sản bảo đảm đóng vai trò then chốt trong việc kiểm soát rủi ro tín dụng và phòng ngừa nợ xấu. Căn cứ theo Khoản 7 Điều 3 và Khoản 2 Điều 4 Nghị định số 163/2006/NĐ-CP của Chính phủ, tài sản bảo đảm là cơ sở pháp lý và kinh tế trực tiếp bảo vệ nguồn vốn cho vay của tổ chức tín dụng.

Tuy nhiên, quy trình thẩm định giá truyền thống tại các ngân hàng hiện nay đang bộc lộ nhiều điểm nghẽn nghiêm trọng. Thời gian xử lý một hồ sơ thẩm định thường kéo dài từ 3 đến 5 ngày làm việc do phải luân chuyển qua nhiều phòng ban và cấp phê duyệt. Cán bộ thẩm định gặp nhiều khó khăn trong việc thu thập thông tin thị trường, dễ dẫn đến các sai lệch mang tính chủ quan khi ước lượng tỷ lệ điều chỉnh giá.

Nhằm giải quyết triệt để vấn đề này, luận văn tập trung nghiên cứu và ứng dụng giải pháp Trí tuệ nghiệp vụ (Business Intelligence - BI) kết hợp khai phá dữ liệu để xây dựng hệ thống hỗ trợ ra quyết định thẩm định giá tài sản bảo đảm. Mục tiêu trọng tâm của nghiên cứu là thiết kế kho dữ liệu (Data Warehouse) lưu trữ thông tin thẩm định lịch sử, đồng thời kết hợp thuật toán K láng giềng gần nhất (KNN) và mô hình hồi quy tuyến tính đa biến để tự động hóa khâu thuyết minh giá. Nghiên cứu thực nghiệm trên tập dữ liệu giao dịch bất động sản thực tế tại khu vực quận Hà Đông, Hà Nội trong giai đoạn 6 tháng gần nhất. Kết quả nghiên cứu giúp rút ngắn thời gian lập báo cáo thẩm định xuống dưới 24 giờ, giảm thiểu hơn 40% sai số định giá cảm tính và nâng cao toàn diện tính minh bạch trong quản trị rủi ro tín dụng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của lý thuyết Trí tuệ nghiệp vụ (BI) và các kỹ thuật khai phá dữ liệu hiện đại. Chu trình phân tích BI được vận dụng toàn diện qua 4 giai đoạn logic: Phân tích vấn đề nghiệp vụ, Khai thác nhận thức sâu (Insight), Hỗ trợ ra quyết định và Đánh giá hiệu suất.

Hệ thống ứng dụng kiến trúc Kho dữ liệu đa chiều theo mô hình lược đồ hình sao (Star Schema), phân tách rõ ràng giữa bảng sự kiện (Fact Table) lưu trữ chỉ số giá trị định giá và các bảng cắt lớp (Dimension Tables) chứa thuộc tính về khách hàng, vị trí địa lý, thời gian và đặc điểm kỹ thuật của tài sản. Kiến trúc này hỗ trợ đắc lực các thao tác phân tích trực tuyến đa chiều (OLAP) như tổng hợp dữ liệu (Roll-up), phân rã chi tiết (Roll-down), cắt lớp (Slice and Dice) và xoay chiều dữ liệu (Pivot).

Ba khái niệm học máy cốt lõi được tích hợp trong mô hình gồm:

1. Thuật toán K láng giềng gần nhất (KNN): Phân lớp và tìm kiếm các đối tượng tương đồng dựa trên độ đo khoảng cách không gian Euclidean n chiều.
2. Mô hình hồi quy tuyến tính đa biến: Lượng hóa mức độ tác động của từng biến độc lập lên giá trị tài sản thông qua phương pháp bình phương tối thiểu (OLS).
3. Độ đo mức độ quan tâm (Interestingness Score): Ứng dụng hàm Entropy để đánh giá độ lợi thông tin và sàng lọc thuộc tính quan trọng. Các thuộc tính định tính được chuẩn hóa sang thang đo định lượng từ 0 đến 1, hoặc theo thang điểm 8 hướng đất từ 7 đến 10 điểm (hướng Nam đạt 10 điểm, Đông Nam đạt 9 điểm, Tây Bắc đạt 7 điểm).

Phương pháp nghiên cứu

Nguồn dữ liệu của nghiên cứu được trích xuất từ cơ sở dữ liệu giao dịch của hệ thống ngân hàng lõi (Core-Banking) và các báo cáo thẩm định thực tế trên thị trường. Cỡ mẫu nghiên cứu bao gồm 110 hồ sơ thẩm định bất động sản hoàn tất trong vòng 6 tháng gần nhất tại địa bàn Hà Nội. Phương pháp chọn mẫu là chọn mẫu có chủ đích, tập trung vào phân khúc đất ở đô thị có đầy đủ hồ sơ pháp lý nhằm đảm bảo tính chuẩn hóa và hạn chế dữ liệu khuyết thiếu.

Lý do lựa chọn phương pháp phân tích kết hợp xuất phát từ đặc thù của nghiệp vụ thẩm định so sánh trực tiếp. Luận văn sử dụng phần mềm khai phá dữ liệu Weka với bộ đánh giá WrapperSubsetEval, thuật toán tìm kiếm GreedyStepwise và mạng nơ-ron lan truyền ngược MultilayerPerceptron để chọn lọc 9 thuộc tính độc lập có ảnh hưởng lớn nhất đến giá trị tài sản.

Thuật toán KNN với k = 3 được sử dụng đầu tiên nhằm chọn ra 3 tài sản so sánh có khoảng cách không gian gần nhất với tài sản cần thẩm định, giúp loại bỏ hoàn toàn các điểm dữ liệu nhiễu ngoại lai. Sau đó, mô hình hồi quy tuyến tính đa biến được áp dụng trên tập mẫu tương đồng này để tính toán các hệ số hồi quy, đóng vai trò là tỷ lệ điều chỉnh giá khách quan. Toàn bộ quy trình nghiên cứu, thiết kế cơ sở dữ liệu và thử nghiệm phần mềm được hoàn thành trong năm 2017.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình tiền xử lý và trích chọn thuộc tính trên phần mềm Weka từ 110 mẫu bất động sản ban đầu đã xác định được 9 biến số mang tính quyết định đến giá trị đất. Mức độ quan trọng giảm dần theo thứ tự: Lợi thế kinh doanh (độ rộng mặt ngõ), loại đất, tình trạng pháp lý, hướng đất, cơ sở hạ tầng, chiều rộng mặt tiền, chiều sâu và vị trí địa lý.

Thử nghiệm mô hình hồi quy tuyến tính đa biến trên tập dữ liệu thực nghiệm 10 bất động sản tại quận Hà Đông đã thiết lập phương trình dự báo giá trị với các phát hiện cụ thể:

1. Hệ số xác định R bình phương đạt 0,844 (tương đương 84,4%), chứng minh rằng 4 biến số độc lập được đưa vào mô hình (chiều rộng, chiều sâu, mặt ngõ, hướng đất) giải thích được tới 84,4% sự biến thiên của đơn giá tài sản bảo đảm.
2. Chiều rộng mặt tiền là yếu tố có tác động mạnh mẽ nhất đến giá trị tài sản với hệ số hồi quy đạt 927. Khi chiều rộng tăng thêm 1 mét trong điều kiện các yếu tố khác không đổi, giá trị đất tăng thêm 927 đơn vị. Biến số này đạt mức ý nghĩa thống kê cao nhất với giá trị p-value bằng 0,019 (nhỏ hơn mức ý nghĩa chuẩn 0,05) và khoảng tin cậy 95% dao động từ 230 đến 1624.
3. Chiều sâu và độ rộng mặt ngõ có hệ số hồi quy lần lượt là 44,53 và 123, cho thấy chiều sâu có mức độ tác động thấp hơn khoảng 20 lần so với chiều rộng mặt tiền.
4. Thuật toán KNN với k = 3 đã xác định chính xác 3 tài sản so sánh có khoảng cách Euclidean nhỏ nhất lần lượt là 0,70; 1,12 và 1,45. Sai số chuẩn của ước lượng mô hình đạt mức Sxy = 632 triệu đồng, tạo căn cứ định lượng tin cậy để chuyên viên điều chỉnh giá trị biên.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình đạt độ chính xác cao là cơ chế kết hợp hai giai đoạn giữa KNN và hồi quy đa biến. Thuật toán KNN giải quyết triệt để khâu tìm kiếm 3 tài sản so sánh có tính tương đồng tối đa theo đúng quy định thẩm định giá, từ đó cung cấp tập dữ liệu sạch, không bị méo mó bởi các biến động bất thường của thị trường. Tiếp theo, mô hình hồi quy tuyến tính đa biến đóng vai trò công cụ khoa học xác định trọng số điều chỉnh giá một cách tự động, loại bỏ hoàn toàn các ước lượng cảm tính của chuyên viên.

So với các phương pháp định giá thủ công truyền thống vốn khiến độ lệch giá giữa các thẩm định viên có thể lên tới 15% đến 25%, mô hình BI tích hợp giúp kiểm soát độ lệch dưới mức 8%. Thời gian xuất báo cáo thuyết minh giá giảm từ nhiều giờ xuống chỉ còn vài phút thao tác trên giao diện web.

Dữ liệu thực nghiệm của nghiên cứu có thể được trực quan hóa tối ưu thông qua các biểu đồ phân tán (Scatter Plot) mô tả tương quan giữa chiều rộng mặt tiền và đơn giá đất, kết hợp bảng ma trận khoảng cách Euclidean giữa tài sản thẩm định với các tài sản so sánh. Ngoài ra, biểu đồ cột so sánh giá trị ước lượng và giá trị giao dịch thực tế giúp người dùng nhanh chóng nhận biết biên độ sai số chuẩn, từ đó đưa ra quyết định cấp tín dụng an toàn và chuẩn xác.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và thực nghiệm hệ thống, tác giả đề xuất 4 nhóm giải pháp chiến lược nhằm ứng dụng hiệu quả công nghệ BI vào quy trình thẩm định giá tài sản bảo đảm:

1. Tự động hóa toàn diện quy trình ETL dữ liệu định kỳ: Phòng Công nghệ thông tin ngân hàng cần thiết lập các luồng dịch vụ tự động trích xuất, làm sạch và nạp dữ liệu từ các báo cáo thẩm định mới vào Kho dữ liệu với tần suất 24 giờ một lần. Mục tiêu đạt tỷ lệ đồng bộ dữ liệu sạch trên 99,5% trong vòng 3 tháng đầu triển khai, đảm bảo nguồn dữ liệu so sánh luôn cập nhật theo thời gian thực.
2. Chuẩn hóa bộ quy tắc lượng hóa các thuộc tính tài sản: Khối Quản trị rủi ro và Trung tâm Thẩm định tài sản cần phối hợp ban hành sổ tay hướng dẫn lượng hóa 100% các yếu tố định tính (như tính pháp lý, chất lượng hạ tầng, lợi thế vị trí) thành thang điểm số học chuẩn. Việc này cần hoàn thành trước quý 2 năm tới nhằm kiểm soát sai số ước lượng dưới ngưỡng 5%.
3. Mở rộng kiến trúc hệ thống cho danh mục đa tài sản: Đội ngũ phát triển phần mềm cần nhân rộng mô hình định giá sang 5 nhóm tài sản bảo đảm phổ biến khác bao gồm căn hộ chung cư, sạp chợ thương mại, xe cơ giới, hàng hóa lưu kho và máy móc thiết bị trong lộ trình 6 tháng tiếp theo.
4. Đào tạo chuyển đổi số cho đội ngũ chuyên viên thẩm định: Trung tâm Đào tạo ngân hàng cần tổ chức các khóa tập huấn thực hành sử dụng phần mềm BI cho 100% cán bộ thẩm định tại các chi nhánh. Mục tiêu giúp chuyên viên rút ngắn thời gian lập báo cáo xuống dưới 4 giờ làm việc cho mỗi bộ hồ sơ phức tạp trong vòng 1 năm áp dụng.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo chuyên sâu, mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng sau:

1. Chuyên viên thẩm định giá và cán bộ quản lý tín dụng: Nắm vững phương pháp lựa chọn 3 tài sản so sánh tối ưu bằng khoảng cách không gian Euclidean, loại bỏ phán đoán cảm tính khi lập bảng thuyết minh giá bất động sản thế chấp.
2. Lãnh đạo ngân hàng và chuyên gia quản trị rủi ro: Tiếp cận mô hình kiến trúc kho dữ liệu tập trung và giải pháp BI toàn diện để giám sát chất lượng danh mục tài sản bảo đảm, tối ưu hóa quy trình phê duyệt khoản vay và kéo giảm tỷ lệ nợ xấu tiềm ẩn.
3. Kỹ sư phát triển phần mềm và chuyên gia dữ liệu ngành Fintech: Vận dụng chi tiết thiết kế kỹ thuật của mô-đun ETL, lược đồ dữ liệu hình sao đa chiều và thuật toán lai ghép KNN - Hồi quy tuyến tính vào xây dựng các nền tảng công nghệ tài chính, Proptech định giá bất động sản tự động.
4. Giảng viên, học viên cao học và sinh viên ngành Công nghệ thông tin, Hệ thống thông tin quản lý: Sử dụng như một công trình mẫu mực về việc ứng dụng kỹ thuật khai phá dữ liệu và trí tuệ nghiệp vụ để giải quyết bài toán kinh tế - tài chính thực tiễn, phục vụ nghiên cứu và phát triển đề tài thạc sĩ.

Câu hỏi thường gặp

Tại sao luận văn lại kết hợp cả thuật toán KNN và hồi quy tuyến tính đa biến thay vì chỉ dùng một mô hình đơn lẻ? Việc kết hợp giúp tận dụng triệt để ưu điểm và bù trừ khuyết điểm của hai mô hình. Thuật toán KNN lọc chính xác 3 tài sản so sánh có độ tương đồng cao nhất trong không gian đa chiều, giúp loại bỏ dữ liệu ngoại lai. Tiếp đó, mô hình hồi quy tuyến tính đa biến trên tập dữ liệu đã lọc sẽ tính toán chính xác trọng số điều chỉnh giá cho từng yếu tố cụ thể.

Cơ sở pháp lý nào điều chỉnh trực tiếp hoạt động thẩm định tài sản bảo đảm trong nghiên cứu này? Nghiên cứu căn cứ trực tiếp trên Khoản 7 Điều 3 và Khoản 2 Điều 4 Nghị định số 163/2006/NĐ-CP về giao dịch bảo đảm. Các điều khoản này chuẩn hóa quyền sở hữu, nghĩa vụ dân sự và phạm vi tài sản bảo đảm, làm nền tảng pháp lý vững chắc để xây dựng quy trình thẩm định giá 12 bước trong hệ thống phần mềm.

Hệ số xác định R bình phương đạt 0,844 mang ý nghĩa thực tế như thế nào trong định giá bất động sản? Hệ số R bình phương bằng 0,844 chứng minh 4 biến số độc lập gồm chiều rộng, chiều sâu, mặt ngõ và hướng đất giải thích được 84,4% sự biến thiên của giá đất thực tế tại khu vực khảo sát. Đây là minh chứng định lượng cho thấy mô hình có độ tin cậy rất cao, trong khi 15,6% còn lại phụ thuộc vào các yếu tố ngoại cảnh khác.

Dữ liệu đầu vào cho hệ thống BI được thu thập và làm sạch qua những bước nào? Hệ thống sử dụng mô-đun ETL chuyên biệt để thu thập dữ liệu từ 110 hồ sơ thẩm định lịch sử và các tệp báo cáo liên ngân hàng. Dữ liệu trải qua các bước tiền xử lý gồm chuyển đổi thuộc tính định tính sang định lượng, loại bỏ trường thông tin dư thừa và chuẩn hóa phạm vi giá trị trước khi nạp vào các bảng dữ liệu đa chiều.

Hệ thống BI này có thể mở rộng để thẩm định các tài sản phi bất động sản như máy móc hay phương tiện không? Hệ thống hoàn toàn có khả năng mở rộng nhờ thiết kế mô-đun linh hoạt theo từng ca sử dụng. Kho dữ liệu và các thuật toán hồi quy sẵn sàng tích hợp các bộ thuộc tính đặc thù của phương tiện vận tải (số kilomet, năm sản xuất), hàng hóa kho bãi và dây chuyền thiết bị công nghiệp khi được cung cấp tập dữ liệu huấn luyện tương ứng.

Kết luận

• Xây dựng thành công kiến trúc kho dữ liệu chuyên biệt phục vụ nghiệp vụ thẩm định tài sản bảo đảm trong ngân hàng.
• Đề xuất giải pháp lai ghép đột phá giữa thuật toán K láng giềng gần nhất (KNN) và hồi quy tuyến tính đa biến, đạt độ chính xác giải thích 84,4%.
• Phát triển hoàn chỉnh phần mềm ứng dụng gồm mô-đun ETL tự động và mô-đun quản trị, lập báo cáo thẩm định trực quan.
• Rút ngắn thời gian lập hồ sơ định giá từ 3 ngày xuống dưới 24 giờ, giảm thiểu tối đa rủi ro đạo đức và sai lệch chủ quan của thẩm định viên.
• Cung cấp mô hình công nghệ có khả năng mở rộng linh hoạt cho đa dạng danh mục tài sản bảo đảm khác nhau.

Đóng góp lớn nhất của luận văn là đã chuyển hóa bài toán nghiệp vụ thẩm định ngân hàng phức tạp thành mô hình toán học và công nghệ thông tin có tính thực tiễn cao. Trong lộ trình 12 tháng tới, hệ thống cần tiếp tục được nâng cấp với các thuật toán học sâu và tích hợp dữ liệu bản đồ địa chính trực tuyến. Các tổ chức tín dụng và ngân hàng thương mại hãy chủ động triển khai giải pháp BI này để nâng cao năng lực định giá, tối ưu hóa quản trị rủi ro và bứt phá trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

Mở đầu: Giới thiệu về đề tài, mục tiêu và tổ chức của luận văn. - Chƣơng 1:Cơ sở lý thuyết. Chƣơng này sẽ giới thiệu tổng quan về Business Intelligence, Data Warehouse, Data Mining. - Chƣơng 2:Bài toán ứng dụng BI trong hỗ trợ thẩm định tài sản bảo đảmcủa ngân hàng.

Chƣơng này trình bày tổng quan về bài toán thẩm định tài sản bảođảm trong ngân hàng. Giới thiệu giải pháp trí tuệ nghiệp vụ và ứng dụng trong lĩnh vực ngân hàng. - Chƣơng 3:Phân tích và thiết kế hệ thống BI hỗ trợ thẩm định tài sản bảo đảm trong ngân hàng. Chƣơng này phát biểu yêu cầu của bài toán trong phạm vị thực hiện của luận văn.Mô tả việc áp dụng các phƣơng pháp hồi quy trong ƣớc lƣợng giá trị tài sản.

Thiết kế kho dữ liệu hồ sơ thẩm định. - Chƣơng 4:Cài đặt và kết quả. Chƣơng này sẽ trình bày cách cấu hình, cài đặt và kết quả xây dựng webthẩm định tài sản bảo đảm. - Kết luận và hƣớng phát triển.

TIEU LUAN MOI download : [e-mail] 4 CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 1. Giới thiệu về Trí tuệ nghiệp vụ (Business Intelligence) 1. Khái niệm Trí tuệ nghiệp vụ (BI) là một giải pháp công nghệ khai thác dữ liệu từ các nguồn dữ liệu khác nhau, từ các hệ thống tác nghiệp khác nhau, thông qua các mô hình toán học, các kỹ thuật khai phá dữ liệu để xử lý thành các thông tin hữu ích nhằm hỗ trợ ra quyết định kinh doanh hiệu quả.[13] Mục đích của hệ thống BI là biến đổi dữ liệu từ kho dữ liệu hoặc khối dữ liệu chủ đề thành các thông tin và tri thức hữu ích, thông qua các ứng dụng mô hình toán học và các thuật toán. Từ việc tổng hợp và phân tích thông tin tri thức, doanh nghiệp có thể đƣa ra đƣợc các chiến lƣợc, hành động hiệu quả.

Việc áp dụng các hệ thống BI là một cách tiếp cận hợp lý và khoa học của các doanh nghiệp và các tổ chức phức tạp trong vấn đề quản lý. Ví dụ: Doanh nghiệp có thể dựa trên một bảng tính để dự đoán sự biến động của lãi suất ảnh hƣởng đến ngân sách nhƣ thế nào. Điều này sẽ thúc đẩy họ tạo ra một thể hiện mới về các dòng phát triển của tài chính. Cách tiếp cận điển hình của các nhà phân tích BI có thể đƣợc tóm tắt nhƣ sau: - Bƣớc 1: Cần xác định các mục tiêu của phân tích và các chỉ số sẽ đƣợc sử dụng để đánh giá các lựa chọn thay thế đã đƣợc xác định.

- Bƣớc 2: Phát triển các mô tình toán học bằng cách khai thác các mối quan hệ giữa các biến điều khiển hệ thống, các tham số và các chỉ số đánh giá. - Cuối cùng: Phân tích, đánh giá tính hiệu quả của hiệu suất đƣợc xác định bởi các biến điều khiển và các tham số thay đổi. Kiến trúc và thành phần của BI Kiến trúc của BI gồm 3 thành phần chính [13]: - Nguồn dữ liệu (Data sources): Nguồn dữ liệu đƣợc thu thập,chuẩn hóa và tích hợp từnhiều nguồnkhác nhau, không đồng nhất về cách tổ chức và loại dữ liệu. Phần lớn dữ liệu đƣợc lấy từ các hệ thống hoạt động của doanh nghiệp, cũng có thể lấy từ tài liệu phi cấu trúc nhƣ thƣ điện tử và các dữ liệu từ các nhà cung cấp bên ngoài.

- Kho dữ liệu và khối dữ liệu chủ đề(Data warehouse/Data mart): Sử dụng các công cụ chiết xuất và chuyển đổi dữ liệu đƣợc biết đến nhƣ công cụ ETL, dữ liệu đƣợc tổ chức từ các nguồn khác nhau sẽ đƣợc lƣu trữ trong các cơ sơ dữ liệu để cung cấp cho việc phân tích trong hệ thống trí tuệ nghiệp vụ. - Các phƣơng pháp luận của BI: Dữ liệu đƣợc trích xuất và sử dụng cho các mô hình toán học, các phƣơng pháp phân tích. Nhằm hỗ trợ ra quyết định của doanh TIEU LUAN MOI download : skknchat@gmail. Trong một hệ thống BI, một vài ứng dụng hỗ trợ ra quyết định sẽ đƣợc cài đặt nhƣ: o Phân tích cube nhiều chiều.

o Phân tích dữ liệu thăm dò. o Phân tích theo chuỗi thời gian. o Các mô hình học máy quy nạp trong khai phá dữ liệu. o Các mô hình tối ƣu hóa.

Các thành phần chính trong một hệ thống BI đƣợc thể hiện nhƣ sau: Quyết định Tối ưu hóa Khai phá dữ liệu Thăm dò dữ liệu Kho dữ liệu/khối dữ liệu Nguồn dữ liệu Dữ liệu từ các hệ thống, tài liệu và dữ liệu mở rộng Hình 1- 1: Các thành phần chính trong một hệ thống BI[13] - Các nguồn dữ liệu và kho dữ liệu/ khối dữ liệu: Là các thành phần chính trong hệ thống BI. Lƣu trữ các thông tin hữu ích cho việc khai phá tri thức. - Thăm dò dữ liệu (Data exploration): Bao gồm các công cụ thực hiện việc phân tích một cách bị động nhƣ: các hệ thống báo cáo, thống kê. Ngƣời ra quyết định đặt ra các giả thuyết hoặc các tiêu chí trích xuất dữ liệu, sau đó sử dụng công cụ để tìm ra câu trả lời.

- Khai phá dữ liệu (Data minning):Bao gồm các phƣơng pháp luận trọng các hoạt động của BI, với mục đích là khai thác thông tin và tri thức từ dữ liệu: Các mô hình toán học để nhận dạng máy, học máy và các công cụ khai phá dữ liệu. Không giống nhƣ các công cụ đƣợc mô tả ở các tầng trƣớc của kim tự tháp, các mô hình này thuộc loại chủ động hơn, không yêu cầu ngƣời ra quyết định xây dựng các giả thuyết và tiêu chí trƣớc. Mục đích là mở rộng tri thức cho các chuyên gia ra quyết định. Các kỹ thuật có thể đƣợc dùng nhƣ: phân loại (classification), phân cụm (clustering), phát hiện luật kết hợp (association rule), dự đoán (prediction)… TIEU LUAN MOI download : [e-mail] 6 - Tối ƣu hóa (Optimization): Cho phép xác định giải pháp tốt nhất trong một tập các giải pháp đƣa ra.

- Quyết định (Decisions): Sau khi đã lựa chọn phƣơng án tốt nhất, ngƣời sử dụng sẽ đƣa ra quyết định cuối cùng. Khi đi từ dƣới lên trên kim tự tháp, các hệ thống BI sẽ cần đƣợc cung cấc các công cụ hỗ trợ nâng cao hơn theo từng hoạt động. Thậm chí là thay đổi luật và quyền.1 Chu kỳ của một phân tích BI Mỗi phân tích BI sẽ theo một lĩnh vực ứng dụng riêng, phụ thuộc vào mục tiêu của ngƣời ra quyết định và các phƣơng pháp phân tích có sẵn. Tuy nhiên, có thể đƣa ra đƣợc một chu kỳ lý tƣởng đặc trƣng cho sự tiến hóa của một phân tích BI điển hình nhƣ hình 1-2, mặc dù vẫn tồn tại sự khác biệt dựa trên đặc thù của từng ngữ cảnh cụ thể.

Phân tích Đánh giá Nhận thức Quyết định Hình 1- 2: Chu kỳ của phân tích BI[13] Phân tích (Analysis): Trong giai đoạn phân tích, cần phải nhận biết chính xác các vấn đề đang xảy ra. Ngƣời quyết định phải tạo một thể hiện ý tƣởng của hiện tƣợng đang đƣợc phân tích, bằng cách xác định các nhân tố liên quan nhất.Trong giai đoạn này các phƣơng pháp luận BI sẽ đƣợc sử dụng, cho phép các nhà quyết định thực hiện nhanh chóng các dò xét khác nhau, bằng việc đặt ra một số câu hỏi để thu đƣợc các phản hồi nhanh chóng thông qua các phƣơng pháp tƣơng tác. Nhận thức (Insight): Trong giai đoạn thứ hai này cho phép các nhà ra quyết định hiểu một cách sâu và rõ ràng hơn các vấn đề hiện tại, thƣờng ở mức độ nhân quả. Một mặt, việc khai thác tri thức có thể xảy ra theo trực giác của ngƣời ra quyết định, dựa trên kinh nghiệm của họ và có thể là trên các thông tin phi cấu trúc có sẵn.

Mặt khác, các mô hình học máy quy nạp cũng có thể chứng minh là rất hữu ích trong giai đoạn phân tích này, đặc biệt áp dụng cho dữ liệu có cấu trúc. TIEU LUAN MOI download : [e-mail] 7 Quyết định (Decision): Trong pha thứ ba, tri thức thu đƣợc là kết quả của pha nhận thức đƣợc chuyển thành các quyết định và thứ tự hành động. Các phƣơng pháp luận BI cho phép pha phân tích và nhận thức thực hiện nhanh chóng để đƣa ra đƣợc quyết định hiệu quả hơn và kịp thời phù hợp với các chiến lƣợc ƣu tiên của một tổ chức. Vì vậytổng thời gian thực hiện của chu trình phân tích- quyết định- hành động- sửa đổi sẽ giảmvà quá trình ra quyết định sẽ đạt chất lƣợng tốt hơn.

Đánh giá (Evaluation): Cuối cùng là pha thứ tƣ của chu trình BI liên quan đến phép đo hiệu suất và đánh giá.Các số liệu mở rộng không chỉ giới hạn trong các khía cạnh tài chính mà còn tính đến chỉ số hiệu suất đƣợc xác định theo phòng ban khác nhau của công ty.2 Phát triển một hệ thống BI Việc phát triển một hệ thống BI giống nhƣ là phát triển một dự án, với một mục tiêu cụ thể, thời gian phát triển và chi phí dự kiến, sử dụng và điều phối nguồn lực cần thiết để thực hiện kế hoạch. Hình 1-3 thể hiện một loại chu kỳ phát triển một hệ thống BI. TIEU LUAN MOI download : [e-mail] 8 Phân tích Xác định các yêu cầu nghiệp vụ Kiến trúc tổng thể Thiết kế Lập kế hoạch vĩ mô cho dự án Lập kế hoạch Đặc tả chi tiết dự án Xác định nguồn dữ liệu Xác định các mô hình định nghĩa kho dữ liệu, toán học khối dữ liệu Xây dựng nguyên mẫu Cài đặt và kiểm tra Xây dựng kho dữ liệu, Xây dựng metadata khối dữ liệu chủ đề Xây dựng module ETL Xây dựng ứng dụng Phát hành và kiểm thử Hình 1- 3: Các pha phát triển một hệ thống BI[13] Phân tích (Analysis): Xác định các nhu cầu liên quan đến việc phát triển một hệ thống BI của tổ chức. Thông qua một loạt các buổi phỏng vấn các nhân viên có các vai trò và hoạt động khác nhau trong tổ chức.

Mô tả rõ ràng các mục tiêu chung và các ƣu tiên của dự án, đƣa ra các chi phí và trợ cấp phát sinh từ việc phát triển hệ thống BI. Thiết kế (Design): Nhằm mục đích đƣa ra một kế hoạch tạm thời về kiến trúc tổng thể, có tính đến bất kỳ sự phát triển nào trong tƣơng lai gần và sự phát triển của hệ thống trong giai đoạn giữa. Bao gồm hai giai đoạn:  Đầu tiên là đánh giá các cơ sở hạ tầng thông tin đã có và phải kiểm tra các quy trình ra quyết định chính cần đƣợc hệ thống BI hỗ trợ để xác định đầy đủ các thông tin yêu cầu. TIEU LUAN MOI download : skknchat@gmail.