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)

Việc xuất dữ liệu được thực hiện từ bộ phân IT, của CRM hệ thống thu thập và quản lý thông tin khách hàng, của kho dữ liệu data warehouse và portal...Nguồn thông tin này đã ghi lại những

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

Thành Phố Hồ Chí Minh – Năm 2020

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của riêng tôi Các số liệu sử dụng phân tích trong luận án có nguồn gốc rõ ràng, đã công bố theo đúng quy định Các kết quả nghiên cứu trong luận án do tôi tự tìm hiểu, phân tích một cách trung thực, khách quan và phù hợp với thực tiễn của Việt Nam Các kết quả này chưa từng được công

bố trong bất kỳ nghiên cứu nào khác

Người thực hiện đề tài

MỤC LỤC

TRANG PHỤ BÌA

LỜI CAM ĐOAN

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

DANH MỤC CÁC BẢNG BIỂU

DANH MỤC CÁC BIỂU ĐỒ

TÓM TẮT

ABSTRACT

MỞ ĐẦU 1

CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU 1

1.1 Lý do chọn đề tài 1

1.2 Mục tiêu nghiên cứu 2

1.3 Phương pháp nghiên cứu 3

1.3.1 Đối với số liệu phục vụ nghiên cứu 3

1.3.2 Các khái niệm tiếp cận trong nghiên cứu 6

1.3.3 Phạm vi nghiên cứu của luận văn 7

1.3.4 Kết cấu của luận văn 7

CHƯƠNG 2: CƠ SỞ LÝ LUẬN 8

2.1 Big Data 8

2.2 Các ứng dụng của big data trong lĩnh vực ngân hàng 14

2.3 Khai phá dữ liệu (Data Mining) 19

2.4 Hành vi tiêu dùng 20

2.4.1 Định nghĩa 20

2.4.2 Hành vi tiêu dùng dựa trên phương pháp RFM 23

2.5 Mô hình đề xuất cho nghiên cứu 24

CHƯƠNG 3: ỨNG DỤNG BIG DATA TẠI SCB VÀ KẾT QUẢ PHÂN TÍCH DỮ LIỆU 28

A BIG DATA VÀ ỨNG DỤNG BIG DATA TẠI SCB 28

3.1 Big Data và ứng dụng của Big data trong lĩnh vực ngân hàng 28

3.1.1 Big data 28

3.1.2 Ứng dụng của Big data trong lĩnh vực ngân hàng 29

3.2 Ứng dụng big data tại Ngân hàng TMCP Sài Gòn (SCB) 36

3.2.1 Giới thiệu về SCB 36

B PHÂN TÍCH DỮ LIỆU BIG DATA 37

4.1 Số liệu phục vụ nghiên cứu 37

4.2 Thông tin giao dịch khách hàng 37

4.2.1 Đối với khách hàng tham gia dịch vụ vay 37

4.2.2 Thông tin khách hàng sử dụng thẻ 41

4.2.3 Phân tích mô hình gian lận Fraud trong kinh doanh 44

4.2.4 Thông tin giao dịch phân theo gian lận 52

CHƯƠNG 4: KẾT LUẬN VÀ XÂY DỰNG CHIẾN LƯỢC 54

A KẾT LUẬN 54

B CÁC GIẢI PHÁP HẠN CHẾ LỖ HỔNG VÀ GIAN LẬN TRONG KINH DOANH 56

C PHÁT TRIỂN CÁC DỊCH VỤ CHO VAY 58 TÀI LIỆU THAM KHẢO

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

DANH MỤC CÁC BẢNG BIỂU

Table 1.1: Information of variables concerned 4

Bảng 2.1 Các bước trong quá trình khai phá dữ liệu 19

Bảng 2.4 Bảng mô tả điểm theo RFM 24

Bảng 4.1: Loại thẻ sử dụng của khách hàng theo nghề nghiệp 43

Bảng 4.2: Thông tin các trường trong mô hình 45

Bảng 4.3: Thông tin các trường trong mô hình theo hành vi giao dịch 48

Bảng 4.4: Kết quả gian lận xét từ 2 mô hình gian lận 51

DANH MỤC CÁC BIỂU ĐỒ

Biểu đồ 2.5: Tiến trình tiếp cận phục vụ mô hình fraud 25

Biểu đồ 4.1: Thông tin giới tính khách hàng 38

Biểu đồ 4.2: Thông tin trình độ học vấn 38

Biểu đồ 4.3: Nghề nghiệp của khách hàng 39

Biểu đồ 4.4: Loại khách hàng sử dụng dịch vụ tại ngân hàng 40

Biểu đồ 4.5: Thời gian tham gia dịch vụ của 40

Biểu đồ 4.6: Thời gian tham gia dịch vụ theo loại khách hàng 41

Biểu đồ 4.7: Các loại thẻ được sử dụng bởi khách hàng 42

Biểu đồ 4.8: Thu nhập bình quân của khách hàng theo loại thẻ sử dụng 43

Biểu đồ 4.9: Kết quả từ thuật toán C5.0 46

Biểu đồ 4.10: Đánh giá mô hình dựa trên nhóm Training/Đào tạo và Testing/Kiểm định 46

Biểu đồ 4.11: Kết quả gian lận xét trên hồ sơ gốc ban đầu 47

Biểu đồ 4.12: Kết quả từ thuật toán C5.0 của bước 2 49

Biểu đồ 4.13: Kết quả gian lận xét trên hồ sơ gốc ban đầu 50

Biểu đồ 4.14: Kết quả Gian lận được xác định từ kết hợp hai mô hình 52

Biểu đồ 4.14: Hạn mức sử dụng theo nhóm khách hàng 52

Biểu đồ 4.15: Nhóm khách hàng xếp loại theo 53

TÓM TẮT

Thông qua nguồn dữ liệu Big data phục vụ phân tích và xác định những gian lận trong hoạt động tín dụng là một việc dường như mới lạ trong nghiên cứu này Sự mới lạ được thể hiện trong nghiên cứu là sử dụng thuật toán C5.0 trên 2.572 khách hàng đang tham gia giao dịch tại SCB Những khách hàng trong nghiên cứu được chọn có thời gian tham giao dịch vụ từ trên 12 tháng trở lên Điều đó cho kết quả dự báo sẽ chính xác hơn

Tuy nhiên, chúng ta cũng thừa biết rằng, các tiêu chí để xếp hạng hồ sơ của khách hàng đã được phía ngân hàng xây dựng theo một qui trình có đóng góp từ nhiều phía Do vậy hồ sơ bị đánh giá lệch, cũng phải nói rằng, có trách nhiệm của nhân viên và cấp thẩm quyền phê duyệt sản phẩm đó Các lỗ hổng trong phân tích có thể bao gồm những nội dung tóm tắt trong các điểm chính như sau:

- Khách hàng cố tình gian lận trong việc cung cấp hồ sơ ban đầu cho Ngân hàng, nhưng nhân viên tiếp nhận & cấp thẩm quyền cao nhất, không phát hiện hồ sơ rủi ro

- Khách hàng cố tình gian lận trong việc cung cấp hồ sơ pháp lý ban đầu cho Ngân hàng, kế hợp với nhân viên tiếp nhận thông đồng, cấp thẩm quyền cao nhất không phát hiện hồ sơ rủi ro

- Khách hàng cố tình gian lận trong việc cung cấp hồ sơ ban đầu cho Ngân hàng, kế hợp với lảnh đạo cấp thẩm quyền cao nhất của sản phẩm dịch vụ đó thông đồng, phát hiện

ra hồ sơ mang tính rủi ro thấp hoặc trung bình từ khách hàng & lãnh đạo cấp thẩm quyền phê duyệt sản phẩm đó …vv

Nghiên cứu này là một sự kế thừa thực tế, trên cơ sở đó áp dụng mô hình Fraud vào

số liệu thực tế của một ngân hàng thương mại Kết quả nghiên cứu có một đóng góp cực

kỳ quan trọng cho việc xây dựng các giải pháp giảm thiểu rủi ro trong gian lận cho phía nhân viên của công ty và từ phía khách hàng Các giải pháp được nêu trong phần tiếp theo

ABSTRACT

The use of Big data in analyzing and identifying credit frauds is a novelty of this study, through the application of C5.0 algorithm on 2.572 customers who were transacting with the Sai Gon Joint Stock Commercial Bank (“SCB”) The customers selected for the study had transaction histories of more than 12 months, which allows for more accurate forecasts

However, we also acknowledge that the criteria to evaluate a customer’s credit applications are developed by the bank through a process that incorporates inputs from multiple parties Therefore, in the event a credit application is misevaluated, it is partially the responsibilities of the staff and approving authority In summary, the gaps in credit evaluation may include the following:

- The customer commits fraud in the credit application submitted to the bank, but the receiving staff and the highest authority do not detect the credit risk

- The customer commits fraud in the credit application submitted to the bank, with the collusion of the receiving staff, but the highest authority does not detect the credit risk

- The customer commits fraud in the credit application submitted to the bank, but the highest authority assesses a low credit risk and connives at the red flags, approving the application

This study is a practical succession, based on which the Fraud model is applied to the actual data of a commercial bank The results of which make a tremendously important contribution to the development of solutions to mitigate the fraud risks attributed to the bank’s employees and its customers Suggested solutions are outlined in the next section

có thể tự khai thác thông tin để tiếp tục theo dõi hành vi tiêu dùng của khách hàng trong tương lai, từ đó đưa ra chiến lược, chính sách phù hợp Quá trình theo dõi đánh giá hồ sơ khách hàng dựa vào thông tin hiện có hoặc đặc điểm khách hàng sẽ giúp ngân hàng giảm thiểu được rủi ro đến mức nhỏ nhất Điều này góp phần trong khai thác hiệu quả đối tượng khách hang, đảm bảo vị thế cạnh tranh trên thị trường Gần đây ngân hàng SCB không ngừng nỗ lực trong việc đẩy mạnh phát triển công nghệ số, nâng cao chất lượng dịch vụ, đa dạng hóa sản phẩm với tính bảo mật cao, cung cấp các giải pháp tài chính hiệu quả, chuyên nghiệp hóa công tác chăm sóc khách hàng Bên cạnh những cơ hội phát triển, ngân hàng cũng phải đối mặt với nhiều bài toán thách thức của thị trường Mức độ cạnh tranh ngày càng gay gắt giữa các ngân hàng là một trong những thách thức đầu tiên và đầy khó khăn mà không SCB phải tìm cách giải quyết Đặc biệt, sự liên kết và sát nhập giữa Ngân hàng ngoại với Ngân hàng nội đã và đang gây thêm nhiều khó khăn hơn trong việc cạnh tranh, bởi

sự liên kết này sẽ chiếm ưu thế hơn với sản phẩm dịch vụ có chất lượng cao, kinh nghiệm chuyên nghiệp, năng lực quản trị tốt và mạng lưới toàn cầu cùng sự am hiểu đặc thù kinh tế tại địa phương Hai là, nhu cầu của khách hàng ngày một tăng cao, đòi hỏi Ngân hàng phải đáp ứng thường xuyên việc tối ưu hóa các sản phẩm dịch vụ,

nâng cao chất lượng dịch vụ, quy trình, thủ tục đơn giải, nhanh chóng và hướng về mục tiêu chất lượng trong kinh doanh

Trong những năm gần đây, SCB đã chi ra một khoảng không nhỏ đầu tư hệ thống lưu trữ dữ liệu Đến thời điểm hiện tại, nguồn dữ liệu lưu trữ trong các data warehouse

đã trở thành một nguồn big data Tuy nhiên việc khai phá dữ liệu từ nguồn big data đang là bài toán không dễ cho các bộ phận có liên quan Điều này sẽ dễ dẫn đến tài nguyên về dữ liệu được đầu tư không phục vụ lợi ích lớn Thực tế, một khi nguồn dữ liệu big data được khai thác tốt, là một lợi thế trong nâng cao chất lượng cạnh tranh, giảm chi phí đáng kể trong phân tích hành vi khách hàng

Để ngân hàng hiểu hơn về hành vi khách hàng, đặc điểm lựa chọn dịch vụ của khách hàng, việc phân tích hành vi khách hàng từ nguồn dữ liệu big data là cực kỳ quan trọng Điều này không những góp phần vào việc xác định lại phân khúc thị trường để ngân hàng có hướng tiếp cận phù hợp, trên cơ sở để phát triển thêm vào các dịch vụ hướng đến phục vụ khách hàng một cách hiệu quả nhằm giữ chân khách hàng cũ, hạn chế sự rời dịch vụ của khách hàng và tạo tiếng vang lôi kéo khách hàng mới Đây là

lý do nghiên cứu của đề tài sẽ hướng đến chủ đề “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” Đề tài này có một tiếp cận mới trên nguồn dữ liệu big data giúp việc phân tích

lỗ hổng trong xét duyệt hồ sơ đánh giá cho vay khách hàng, còn giúp công ty định vị lại những giải pháp gắn với hành vi đang kỳ vọng của khách hàng hạn chế những rủi

ro trong tín dụng

1.2 Mục tiêu nghiên cứu

- Đánh giá đặc điểm tiếp cận vốn vay của khách hàng

- Phân tích những lỗ hổng trong việc thực hiện xét duyệt hồ sơ cho vay

- Phân tích hành vi tham gia giao dịch hướng đến xây dựng những giải pháp phù hợp giúp chăm sóc khách hàng hiệu quả, hạn chế rủi ro trong tín dụng

1.3 Phương pháp nghiên cứu

1.3.1 Đối với số liệu phục vụ nghiên cứu

Nguồn dữ liệu phục vụ nghiên cứu luận văn được trích xuất từ nguồn Big Data của ngân hàng Nguồn này được chứa trong các hệ thống lưu trữ của SCB Việc xuất dữ liệu được thực hiện từ bộ phân IT, của CRM (hệ thống thu thập và quản lý thông tin khách hàng), của kho dữ liệu (data warehouse) và portal Nguồn thông tin này đã ghi lại những lịch sử giao dịch của khách hàng trong thời gian qua Mặc dù số liệu không thuộc dạng khảo sát, tuy nhiên việc sử dụng nguồn dữ liệu Big Data này được xem như là một xu hướng mới trong việc nghiên cứu các vấn đề kinh tế trong kỷ nguyên công nghệ thông tin phát triển Nguồn tài nguyên từ Big Data phản ánh một cách trung thực nhất về hành vi và lịch sử tiêu dùng của khách hàng theo thời gian Qua

đó, kết quả của quá trình nghiên cứu sẽ mang độ tin cậy cao hơn Tuy nhiên, nguồn tài nguyên này được cung cấp từ phía Ngân hàng nên cần có tính bảo mật cao, vì thế nghiên cứu này tác giả đề xuất phần dữ liệu sẽ không được công bố rộng rãi

Số liệu được trích xuất có nhiều nguồn khác nhau, bộ phận chăm sóc khách hàng, bộ phận cho vay, khách hàng thẻ, khách hàng tiền gửi Tuy nhiên trong nghiên cứu, số liệu cho vay sẽ được tập trung Để hạn chế những thông tin nhiễu, các khách hàng được chọn đưa vào nghiên cứu có thời gian tham gia dịch vụ trên 12 tháng Thời gian nghiên cứu của số liệu đối với khách hàng là 12 tháng, tính từ ngày 01/1/2019 đến ngày 31/12/2019 Thời gian đưa vào nghiên cứu mỗi mã khách hàng có nhiều dòng thông tin, nói cách khác mỗi một dòng là một giao dịch của khách hàng Việc xác định số lần giao dịch của mỗi khách hàng dựa vào mã khách hàng thống kê từ hệ thống báo cáo Các đối tượng khách hàng trong nghiên cứu là khách hàng có tham gia giao dịch trong thời gian nghiên cứu trên, công cụ được sử dụng hỗ trợ phục vụ phân tích là SPSS Modeler 18

Kết quả thống kê nhanh vể số liệu phục vụ cho luận văn này có số dòng 128.290 dòng, tương đương với 3.572 khách hàng Số lượng 25 biến/field được trích ra từ dữ

liệu big data được đưa vào nghiên cứu Thông tin các biến và giá trị thang đo có thể được thấy ở bảng 1.1

Table 1.1: Information of variables concerned Tên các biến/

trường

2 Branch ID của chi nhánh

3 No.document ID của tài liệu KH

4 Type of customer Loại khách hàng vay

+ Khách hàng tín dụng thẻ + Khách hàng cá nhân + Khách hàng kinh doannh gia đình

Biến định danh

5 Access date Ngày đăng ký dịch vụ của khách hàng Ngày

6 Approved date Ngày hồ sơ vay được duyệt Ngày

7 Document score Điểm hồ sơ vay do nhân viên đánh giá Biến liên tục

10 Education Trình độ học vấn của khách hàng Biến định danh

11 Community Hành vi quan hệ cộng đồng

+ Có danh tiếng/Prestige + Tốt/good engough + Không biết/unknown

+ Nhà thuê/Rented house + Ở với cha mẹ/Stayed with parents’

house

15 Usage Thông tin sử dụng dịch vụ của NH

+Chỉ sử dụng dịch vụ từ SCB/ only loan services from SCB bank

+Sử dụng dịch vụ vay từ SCB > ngân hàng khác/loan services from SCB bank

> another bank +Sử dụng dịch vụ vay từ SCB = NH khác/loan services from SCB bank = another bank

+Sử dụng dịch vụ vay từ SCB< NH khác/loan services from SCB < another bank

+ Không sử dụng dịch vụ vay từ SCB/No loan services from SCB

Biến định danh

16 Type of product Hình thức cho vay Biến định danh

17 Type of card Loại thẻ sử dụng: Thẻ chính và thẻ

phụ/Type of card: Main and non-main

Biến định danh

18 Level of card Giá trị của mức thẻ/Value of card level Liên tục

19 Balance account Balance account measured in

23 Ncard_Date Ngày công nhận thẻ mới/Date to

approve the new card

Date

24 Workingyear Số năm công tác/làm việc của

kH/Number of years of customers working

Liên tục

25 NetIncome Thu nhập ròng bình quân theo tháng

Nguồn: Tổng hợp từ big data

1.3.2 Các khái niệm tiếp cận trong nghiên cứu

Mô hình Fraud còn được dịch là mô hình gian lận, có chức năng hỗ giúp tìm ra những gian lận hoặc lỗ hổng trong hoạt động kinh doanh, trong đó lĩnh vực cho vay không

là ngoại lệ Điển hình trong lĩnh vực thế chấp, mô hình gian lận đã giúp việc phát hiện những nhân viên sử dụng chuyên môn hoặc thẩm quyền của mình để tạo ra một gian lận cá nhân

Thuật toán khám phá những lỗ hổng trong kinh doanh có nhiều phương pháp, trong

đó có thể kể đến mô nhánh/cây quyết định, điển hình thuật toán C5.0 Đây là mô hình

kế thừa thuật toán cây quyết định dựa trên nền tảng kết quả nghiên cứu của (Hunt & Krivanek, 1966) Đặc điểm chính của C5.0 hướng đến khái phá dữ liệu theo phân lớp

dữ liệu dựa trên cây quyết định hiệu quả và phổ biến Phương pháp này giúp xây dựng một kế hoạch nhằm đạt được mục tiêu mong muốn và giúp dự báo hành vi của khách hàng, trong dự báo về hành vi gian lận

Phân tích lòng trung thành của khách hàng đối với dịch vụ (Doğan, Ayçin, & Bulut, 2018) sử dụng khái niệm của RFM để xác định mức độ lòng trung thành của khách hàng dựa vào 3 chỉ số: R, F, M Trong đó, R là Recency, tức là thời gian mua hàng gần nhất tính đến thời điểm nghiên cứu F là Frequency là tần suất giao dịch của khách hàng trong thời gian mà nghiên cứu đang thực hiện của 12 tháng, tần suất giao dịch hoặc mua hàng sẽ được tính toán M là Monetary tức đo lường tổng giá trị mà khách hàng thực hiện giao dịch trong khoảng thời gian nghiên cứu Tượng tự, (Khajvand & Tarokh, 2011) đã sử dụng mô hình RFM như nêu trên để hướng đến phân phúc thị trường trong lĩnh vực ngân hàng bán lẻ và đo lường nhóm khách hàng

1.3.3 Phạm vi nghiên cứu của luận văn

Dữ liệu được trích xuất chọn ra khách hàng thuộc khu vực Thành phố Hồ Chí Minh

Mô hình nghiên cứu dựa trên kiến thức chuyên gia của cá nhân, đang là lãnh đạo của phòng giao dịch tại một quận của thành phố Đề tài không sử dụng phương pháp định tính, tuy nhiên trong quá trình nghiên cứu, có sự ủng hộ của các phòng ban và của lãnh đạo cao hơn Kết quả nghiên cứu này sẽ là một khởi đầu để xem xét mức độ hiệu quả trong nghiên cứu giúp cho việc nghiên cứu mở rộng trong thời gian tới

Việc nghiên cứu sự gian lận trong kinh doanh hàm ý sẽ tập trung vào gian lận có thể xuất phát từ nhân viên trong xét duyệt hồ sơ, hoặc do khách hàng chủ động khai báo

hồ sơ không chính xác để đạt được mục tiêu trong giao dịch Cơ sở khám phá gian lận trong kinh doanh sẽ là cơ sở để xây dựng giải pháp khắc phục gian lận từ phía nhân viên và từ phía khách hàng

1.3.4 Kết cấu của luận văn

Luận văn được chia làm 4 chương, với các nội dung sau:

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

CHƯƠNG 2: CƠ SỞ LÝ LUẬN

2.1 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

năm 2020 (so với năm 2016) 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 4.0 ngày nay

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

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.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.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

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

Big Data sẽ cung cấp cho các ngân hàng những hiểu biết, kiến thức chuyên môn sâu

về thói quen và mô hình chi tiêu của khách hàng, đơn giản hóa những nhiệm vụ xác định nhu cầu và mong muốn của họ Bằng cách có thể theo dõi từng giao dịch của khách hàng, các ngân hàng sẽ có thể phân loại khách hàng dựa trên các thông số khác nhau, bao gồm các dịch vụ thường được khách hàng sử dụng, thời gian sử dụng dịch

vụ, thói quen chi tiêu khi dùng thẻ tín dụng hoặc thậm chí là giá trị tài sản ròng (net worth – thu nhập cộng với giá trị tài sản của khách hàng trừ đi các khoản nợ) Lợi ích mà phân khúc khách hàng đem lại là nó cho phép các ngân hàng nhắm mục tiêu khách hàng tốt hơn với các chiến dịch tiếp thị có liên quan được thiết kế để đáp ứng chính xác nhu cầu của khách hàng

Phân tích dữ liệu Big Data tăng khả năng cho các công ty, tổ chức BFSI nắm được nhu cầu tìm ẩn bên trong từng khách hàng (customer insights) từ đó tạo được phân khúc khách hàng Tuy nhiên việc thu thập và đánh giá thông tin khách hàng đòi hỏi

sự đầu tư vào cơ sở hạ tầng của tổ chức cũng như đầu tư vào mạng lưới liên kết giữa mọi nhân viên thuộc các phòng ban, bộ phận chức năng của tổ chức với công nghệ, phần mềm kỹ thuật tiên tiến phục vụ quá trình khai thác Big Data

Bán kèm thêm các dịch vụ khác (service cross-selling)

Dựa vào database mà ngân hàng có thể thu hút thêm, hay giữ chân khách hàng bằng cách giới thiệu thêm các dịch vụ khác Ví dụ ngân hàng có thể giới thiệu các khoản đầu tư có lãi suất hấp dẫn đến các khách hàng có lượng tiền nhàn rỗi hoặc những nhà đâu tư lúc nào cũng luôn thận trọng, cân nhắc trong việc ra quyết định đầu tư Hoặc ngân hàng có đề xuất các vay ngắn hạn cho các khách hàng có thói quen chi tiêu

“thoải mái” cho nhu cầu tiêu dùng hàng ngày của họ hoặc những khách hàng đang gặp khó khăn trong việc thanh toán nợ cũ Phân tích một cách chính xác về hồ sơ cá

nhân của khách hàng, ngân hàng có thể bán kèm các dịch vụ khác quả hơn và thu hút khách hàng tốt hơn với các ưu đãi được “cá nhân hóa” tập trung chính xác vào nhu cầu khách hiệu quả hơn, từ đó tăng doanh thu cho công ty

Xây dựng hệ thống thu thập các phản hồi khách hàng (feedback) và phân tích chúng

Khách hàng có thể để lại phản hồi sau mỗi lần giao dịch hay mỗi lần nhận được tư vấn từ trung tâm hỗ trợ chăm sóc khách hàng (customer call center) hoặc thông qua các biểu mẫu phản hồi, nhưng thường xuyên ( hay có thể nói nhiều khả năng) chia sẻ

ý kiến thông qua các phương tiện truyền thông xã hội (social media) hơn ví dụ Facebook, Zalo, Các công cụ Big Data có thể tìm kiếm chọn lọc thông qua các thông tin, feedback công khai trên các social media và thu thập tất cả những dữ liệu

đề cập về thương hiệu của ngân hàng để có thể phản hồi nhanh chóng và đầy đủ đến khách hàng Ngoài ra cũng hỗ trợ ngăn chặn các tin đồn thất thiệt ảnh hưởng đến hoạt động kinh doanh và niềm tin nơi khách hàng ví dụ như vụ ngân hàng Agribank vướng phải tin đồn phá sản trong hồi đầu tháng 11, 2018 vừa qua

Khi khách hàng cảm thấy ngân hàng lắng nghe, đánh giá cao ý kiến và thực hiện những cải tiến, thay đổi theo yêu cầu của họ thì sự trung thành dành cho thương hiệu

sẽ gia tăng, hơn nữa cải thiện hình ảnh của ngân hàng Để có cái nhìn tổng quát, một cái nhìn 360 độ về khách hàng các ngân hàng cần xây dựng một trung tâm dữ liệu - trung tâm lưu trữ tất cả sự tương tác của khách hàng với thương hiệu bao gồm dữ liệu

cá nhân cơ bản, lịch sử giao dịch, lịch sử duyệt web, dịch vụ, v.v Hiện tại để hỗ trợ các tổ chức trong việc phân

Trên đây mới là những ứng dụng của Big Data trong lĩnh vực Banking nhắm đến mục đích phân khúc khách hàng gia tăng thêm lượng khách hàng sử dụng dịch vụ tại các ngân hàng (bao gồm cả khách hàng cũ và khách hàng mới) bằng cách phân tích dữ liệu (feedback và hồ sơ cá nhân của khách hàng) để tiếp thu ý kiến, xác định được nhu cầu, thói quen chi tiêu của khách hàng để đáp ứng một cách phù hợp

Ở phần tiếp theo chúng tôi sẽ phân tích về các ứng dụng của Big Data trong việc hướng đến marketing từng khách hàng (personlized marketing), thay đổi cách thức

cung cấp dịch vụ sao cho phù hợp Đặc biệt là đảm bảo hiệu quả hoạt động, giảm thiểu rủi ro bằng cách phát hiện, ngăn chặn các gian lận trong giao dịch tài chính,

2.2 Các ứng dụng của big data trong lĩnh vực ngân hàng

Marketing theo hướng cá nhân hóa (personalized marketing)

Sau khi có được phân khúc khách hàng thì các ngân hàng cần tận dụng để personalized marketing để nhắm mục tiêu khách hàng dựa trên hiểu biết về thói quen chi tiêu cá nhân của họ Ngoài việc thu thập dữ liệu về lịch sử giao dịch của khách hàng, các công ty dịch vụ tài chính hay ngân hàng cũng có thể kết hợp dữ liệu phi cấu trúc (unstructured data) – một dạng dữ liệu Big Data – lấy được từ mạng xã hội hay social media ví dụ như hồ sơ của khách hàng trên Facebook, để có được một bức tranh đầy đủ hơn về nhu cầu của khách hàng dựa trên các phân tích về tâm lý, mong muốn khách hàng ở mọi thời điểm Mặt khác, dữ liệu của khách hàng ở các nền tảng social media hay các ứng dụng xã hội thông minh khác sẽ giúp ngân hàng phân tích được các rủi ro có thể xảy ra mà xem xét có nên cung cấp các khoản vay hay không ngoài việc thẩm định hồ sơ như thông thường

Sau khi phân tích và nắm được nhu cầu cụ thể và riêng biệt của mỗi khách hàng, các

tổ chức nên tiếp tục phân khúc sâu hơn nữa và cung cấp các giải pháp, kế hoạch marketing phù hợp để từ đó có được tỷ lệ phản hồi, tỷ lệ chuyển đổi cao hơn từ mỗi khách hàng Ví dụ các ngân hàng sử dụng công cụ e-mail marketing để gửi đến khách hàng các thông tin mới nhất về những dịch vụ cho vay ngắn hạn với lãi suất vừa phải, hay gửi tiết kiệm với lãi suất hấp dẫn, hoặc các chương trình ưu đãi khác,…Việc tạo

ra các sản phẩm dịch vụ cung cấp cho từng phân khúc khách hàng, hay thậm chí từng khách hàng cụ thể sẽ giúp các ngân hàng xây dựng hình ảnh thương hiệu và tạo dựng một mối quan hệ tốt ở từng khách hàng

Không chỉ riêng ở lĩnh vực ngân hàng, Big Data còn hỗ trợ marketing ở hầu hết mọi lĩnh vực khác nhau nếu các công ty biết được tầm quan trọng và có được một tầm nhìn chiến lược nghiêm túc trong việc khai thác Big Data Theo McKinsey, việc sử

dụng dữ liệu để đưa ra quyết định marketing tốt hơn có thể tăng năng suất tiếp thị, thu hút khách hàng thêm 15-20% ngoài các giải pháp marketing thông thường

Thay đổi cách thức cung cấp dịch vụ đến khách hàng

Hệ thống Big Data có thể là một hệ thống phức tạp liên kết giữa nhiều bộ phận chức năng khác nhau, nhưng công việc của nó là đơn giản hóa các nhiệm vụ trong một tổ chức Bất cứ khi nào một tên khách hàng hoặc số tài khoản được nhập vào hệ thống,

hệ thống Big Data sẽ hỗ trợ sàng lọc tất cả dữ liệu và chỉ truyền đi hay cung cấp các

dữ liệu được yêu cầu để phục vụ cho quá trình phân tích Điều này sẽ cho phép các ngân hàng tối ưu hóa quy trình làm việc và tiết kiệm cả thời gian và chi phí Big Data cũng sẽ cho phép các tổ chức xác định và khắc phục các vấn đề, trước khi chúng ảnh hưởng đến khách hàng của họ

Đôi khi khách hàng cũng có thể là nguồn gốc của một vấn đề Ví dụ, các nhà đầu tư

có thể đưa ra quyết định, nhưng sau đó thay đổi ý định của họ tại một thời điểm trong tương lai Big Data sẽ giúp ngân hàng thay đổi phương thức cung cấp dịch vụ của họ theo cách mà những khách hàng sẽ không thể “đi ngược lại” với cam kết ban đầu của

họ Big Data cho phép ngành ngân hàng theo dõi hạn mức cho vay và thẻ tín dụng của khách hàng, đảm bảo rằng họ không chi tiêu quá mức quy định Cách cung cấp dịch vụ thay đổi như thế nào còn phụ thuộc vào quy mô hoạt động, tính chất đặc thù của loại hình dịch vụ, cơ sở hạ tầng, của tổ chức ngân hàng đó

Big Data chỉ đưa ra kết quả là thông tin ví dụ như những khách hàng nào có khả năng không thanh toán được nợ, hay những khách hàng có khả năng rời dịch vụ (churn risk) và nhiệm vụ của từng ngân hàng là suy nghĩ ra giải pháp để khắc phục ví dụ theo dõi “sát sao” và thông tin liên tục về thời hạn trả nợ đến các khách hàng có thói quen chậm trễ trong việc thanh toán lãi,…

Nói tóm lại, mục đích đầu tiên trong việc ứng dụng của Big Data đã được đề cập sẽ tập trung hướng đến phân khúc khách hàng, cải tiến dịch vụ, marketing tăng doanh

số, lợi nhuận dựa trên toàn bộ thông tin về khách hàng mà tổ chức ngân hàng có được – chính là dữ liệu Big Data cần được phân tích Những dữ liệu có thể bao gồm:

- Hồ sơ tín dụng của khách hàng

- Thông tin về kỳ hạn vay của khách hàng (ngắn hạn, trung hạn hay dài hạn)

- Mức cấp tín dụng theo từng thời hạn (ngắn hạn, trung hạn hay dài hạn)

- Cơ cấu các loại hình dịch vụ theo số lượng khách hàng đăng ký và mức cấp tín dụng

- Thời gian tham gia dịch vụ ví dụ trong 1 năm, từ 1 đến 3 năm hoặc trên 3 năm,

- V.v …

Ngoài gia tăng lợi nhuận, mở rộng cung cấp dịch vụ đến các khách hàng tiềm năng, các ngân hàng cũng có thể dựa vào database đã thu thập để kiểm soát rủi ro, các gian lận tín dụng, đảm bảo hiệu quả hoạt động của tổ chức

Phát hiện và ngăn chặn hành vi lừa đảo, vi phạm pháp luật (Fraud identification)

Một trong những vấn đề lớn nhất mà ngành ngân hàng phải đối mặt là gian lận, tội phạm trong tín dụng Big Data sẽ cho phép các ngân hàng đảm bảo rằng không có giao dịch trái phép nào được thực hiện, cung cấp mức độ an toàn, nâng cao tiêu chuẩn bảo mật của toàn bộ ngành

Nhờ vào dữ liệu về lịch sử giao dịch và hồ sơ tín dụng của khách hàng, ngân hàng sẽ

có thể xác định hay nhận được cảnh báo nếu có điều gì bất thường xảy ra trong quá trình hoạt động, cung cấp dịch vụ đến khách hàng Ví dụ nếu một nhà đầu tư hay khách hàng thường thanh toán chi tiêu cho sinh hoạt hằng ngày hoặc để tiền trong tài khoản gửi tiết kiệm lấy lãi, nhưng trong một ngày lại cố gắng rút toàn bộ số tiền từ tài khoản của mình qua máy ATM, điều này có nghĩa là thẻ có thể đã bị mất cắp và

sử dụng bởi chính những kẻ cắp Nhân viên ngân hàng sẽ gọi điện đến chủ tài khoản hoặc thông báo đến khách hàng bằng bất kỳ hình thức nào để xác minh lại giao dịch

đó một cách rõ hơn: giao dịch hợp pháp khách hàng thực hiện hay giao dịch trái phép bởi tội phạm lừa đảo, tội phạm đã trộm được thẻ mà khách hàng không biết? Cứ thế, việc phân tích dữ liệu giao dịch lịch sử và làm cơ sở để kiểm tra tính hợp pháp, an

toàn bảo mật của các giao dịch hiện tại sẽ giảm thiểu được hành vi vi phạm pháp luật

có thể xảy ra

Các ngân hàng và tổ chức tài chính khai thác Big Data để phân biệt giữa các giao dịch

là hành vi phạm tội với các giao dịch hợp pháp bằng cách áp dụng các thuật toán phân tích dữ liệu (data analytics models) và “học máy” (machine learning) Các hệ thống phân tích sẽ tự động phát hiện, trích xuất các giao dịch bất hợp pháp ở thời gian thực

và đề xuất các hành động ngay lập tức, chẳng hạn như chặn các giao dịch bất thường, ngăn chặn hành vi lừa đảo trước khi nó xảy ra đảm bảo lợi ích của khách hàng và lợi nhuận của chính ngân hàng

Kiểm soát rủi ro (Risk management), tuân thủ luật pháp và minh bạch trong báo cáo tài chính (Compliance and Reporting)

Ngoài phát hiện các hành vi phạm tội, bảo vệ lợi ích người tiêu dùng, các ngân hàng

có thể ứng dụng Big Data đo lường, kiểm soát rủi ro khi thực hiện các giao dịch bằng

cổ phiếu với những nhà đầu tư và kiểm tra hồ sơ vay của khách hàng Dĩ nhiên tất cả phải dựa trên sự phân tích có kết quả từ mọi dữ liệu lịch sử liên quan Các thuật toán Big Data còn giúp giải quyết các vấn đề về tuân thủ quy định pháp luật về kế toán, kiểm toán và báo cáo tài chính minh bạch nhằm hợp lý hoá các hoạt động của tổ chức

từ đó giảm được chi phí quản lý

Các tổ chức ngân hàng và tài chính hoạt động trong một khung pháp lý rất nghiêm ngặt, đòi hỏi mức độ cao nhất trong kiểm soát minh bạch các hoạt động tài chính, tuân thủ các điều luật và báo cáo đầy đủ chi tiết đến các cơ quan nhà nước, chính phủ

Ở Việt Nam, các ngân hàng và tổ chức tín dụng phải tuân thủ toàn bộ Luật Ngân hàng trong đó có Đạo luật về Luật Ngân hàng Nhà nước Việt Nam và Luật Các Tổ chức tín dụng Ở Mỹ thì có Đạo luật Dodd – Frank, được ban hành sau cuộc khủng hoảng tài chính năm 2008, yêu cầu giám sát các giao dịch và tài liệu chi tiết về mọi giao dịch xảy ra ở bất kỳ tổ chức tài chính nào Việc phát hiện sớm hành vi gian lận của khách hàng là cực kỳ quan trọng Hệ thống Big Data thu thập và lưu trữ dữ liệu trong một cơ sở dữ liệu có quy mô lớn giúp ngân hàng quản lý, tiến hành phân tích một

cách nhanh nhất bằng cách sử dụng các phần mềm, thuật toán chuyên dụng Và khi phát hiện một số lượng lớn rủi ro có thể xảy ra, ngân hàng sẽ dễ dàng kiểm soát Big Data đóng một vai trò to lớn trong quá trình tích hợp các chức năng của các bộ phận, phòng ban và yêu cầu xử lý dữ liệu của ngân hàng vào một hệ thống trung tâm duy nhất Qua đó hỗ trợ kiểm soát, ngăn chặn vấn đề mất dữ liệu, giảm thiểu rủi ro và gian lận

Tham gia vào việc kiểm soát đánh giá và nâng cao hiệu quả làm việc của nhân viên

Quá tập trung vào gia tăng lợi nhuận mà nhiều ngân hàng lại thường quên đi một ứng dụng tiềm năng của Big Data mà có thể có tác động rất lớn đến quá trình phát triển kinh doanh Đó chính là nâng cao năng suất làm việc của nhân viên Hệ thống Big Data hỗ trợ thu thập, phân tích, đánh giá, truyền tải dữ liệu về hiệu quả làm việc của nhân viên Kết quả phân tích sẽ giúp các nhà lãnh đạo có cái nhìn về tình hình, thực trạng làm việc hiện tại của nhân viên mình như những nhân viên nào đang có thành tích tốt nhất, những nhân viên nào không đạt được chỉ tiêu, và đặc biệt là xem xét mức độ hài lòng của nhân viên về môi trường làm việc, phúc lợi, của ngân hàng dành cho họ Các công cụ của Big Data khai thác toàn bộ dữ liệu đều ở thời gian thực,

do đó lúc giải pháp được đưa ra sẽ mang tính khả thi cao, và tạo nên những sự thay đổi nhanh chóng

Ngoài ra các ngân hàng có thể đo lường nhiều thứ không chỉ mỗi hiệu suất làm việc của cá nhân, mà còn tinh thần đồng đội, sự tương tác giữa các phòng ban và văn hóa tổng thể của công ty Nhân viên sẽ giảm thời gian dành cho các công việc mang tính thủ công gồm nhiều quy trình phức tạp bằng cách dựa vào hệ thống Big Data gồm các phần mềm đã được lập trình sẵn để giải quyết các công việc ấy một cách nhanh chóng và chính xác Từ đó nhân viên dành nhiều thời gian cho các công việc, nhiệm

vụ khó hơn, cấp bách hơn từ cấp trên giao xuống

2.3 Khai phá dữ liệu (Data Mining)

Theo báo cáo của Markets and Markets thị trường Data Mining dự báo sẽ tăng từ 591,2 triệu USD năm 2018 lên 1.039 triệu USD trong năm 2023 Đây chính là minh chứng cho thấy xu hướng tiếp cận Data mining phục vụ cho khai thác giá trị từ dữ

liệu ở các công ty trên toàn cầu ngày càng mạnh mẽ

Khai phá dữ liệu là một tập hợp, một hệ thống các phương pháp tính toán, thuật toán được áp dụng cho các cơ sở dữ liệu lớn và phức tạp, mục đích loại bỏ các chi tiết ngẫu nhiên, chi tiết ngoại lệ, khám phá các mẫu, mô hình, quy luật tìm ẩn, các thông tin có giá trị trong bộ dữ liệu Khai phá dữ liệu là thành quả công nghệ tiên tiến ngày ngay, là quá trình khám phá các kiến thức vô giá bằng cách phân tích khối lượng lớn

dữ liệu đồng thời lưu trữ chúng ở nhiều cơ sở dữ liệu khác nhau (Data-Flair)

Qui trình khai phá dữ liệu sẽ được thực hiện qua 2 quá trình: chuẩn bị dữ liệu (data preparation) và khai phá dữ liệu (data mining) và 7 bước được mô tả chi tiết trong bảng 2.1

Bảng 2.1 Các bước trong quá trình khai phá dữ liệu

Chọn ra những dữ liệu liên quan, có giá trị phân tích

4 Chuyển đổi dữ liệu

(Transformation)

Chuyển đổi và hợp nhất dữ liệu theo các loại biến, định dạng khác nhau để phù hợp và dễ dàng cho việc phân tích

5 Khai phá dữ liệu

(Data mining)

Xây dựng các thuật toán, phương pháp, các model phân tích khác nhau nhằm mục đích phát hiện, trích

xuất các thông tin hữu ích, giá trị tiềm năng từ những mẫu dữ liệu

6 Đánh giá mẫu dữ liệu

Khai phá dữ liệu là một trong những lợi thế các công ty trong ngành sản xuất, kinh doanh, marketing nếu họ biết cách ứng dụng hợp lý để tăng cường hiệu quả hoạt động Các lợi ích cơ bản của khai phá dữ liệu như sau: hỗ trợ ra quyết định tự động,

hỗ trợ đưa ra dự báo chính xác, hỗ trợ giảm thiểu chi phí và hỗ trợ khả năng thấu hiểu khách hàng Đồng thời việc khai phá dữ liệu cũng được ứng dụng rộng rãi trong nhiều lĩnh vực kinh doanh và ngành nghề và được phân theo từng chức năng nhiệm vụ

2.4 Hành vi tiêu dùng

2.4.1 Định nghĩa

Hành vi người tiêu dùng là loại hình nghiên cứu hướng đến các đối tượng là cá nhân hoặc tổ chức và cách mà các đối tượng chủ thể trên quyết định lựa chọn và sử dụng sản phẩm, dịch vụ để thỏa mãn nhu cầu của bản thân, cũng như sự tác động của quá trình đưa ra quyết định đó tới tâm lý số đông người tiêu dùng và xã hội Những tác nhân gây ảnh hưởng tới hành vi tiêu dùng chủ yếu là các tác động nội tại và ngoại vi (Solomon, 2004) Điều này có thể do con người muốn trốn thoát khỏi guồng công việc thường nhật, cải thiện chất lượng sống, tự thưởng công sức (Danziger, 2004a), đẩy mạnh niềm tin vào bản thân, tìm kiếm trải nghiệm đáng nhớ, trở nên đặc biệt và độc nhất (Danziger, 2004b), thể hiện cá tính, thể hiện địa vị xã hội hoặc đáp ứng các

nhu cầu tâm lý (Nia và Judith, 2000)

Có nhiều công trình nghiên cứu của nhiều tác giả xoay quanh chủ đề hành vi tiêu dùng, một cách tổng quát có thể phân tích hành vi người tiêu dùng theo hai trường phái chính: một là trường phái kinh tế (economic man) hay được gọi là trường phái dựa vào lí trí (rational school) và hai là trường phái dựa vào cảm xúc (emotional school)

Trường phái kinh tế cho rằng việc người tiêu dùng đưa ra quyết định dựa vào lí trí để đáp ứng nhu cầu tối đa hóa giá trị sử dụng đối với sản phẩm dịch vụ Để làm được điều này, người tiêu dùng phải trải qua một quá trình nhận thức bao gồm các giai đoạn: xác định những thuộc tính ưu việt của sản phẩm, thu thập thông tin và thực hiện đánh giá các thuộc tính của các thương hiệu cạnh tranh trên thị trường nhằm đưa ra lựa chọn thương hiệu tốt nhất Trường phái này chỉ phù hợp cho những sản phẩm mà đối tượng người tiêu dùng tập trung duy nhất vào những lợi ích chức năng sản phẩm Quan điểm theo trường phái lí trí này bỏ qua lợi ích mang tính cảm xúc, thứ đóng vai trò rất quan trọng trong việc tiêu dùng một số sản phẩm nhất định, mà điển hình là các sản phẩm xa xỉ phẩm

Khác với trường phái theo lí trí, trường phái cảm xúc lại nhận định rằng, yếu tố tác động đến hành vi người tiêu dùng cơ bản đó chính là cảm xúc Theo quan điểm này, người tiêu dùng ra đưa quyết định hoàn toàn dựa trên các tiêu chuẩn mang tính chất chủ quan của chủ thể như thị hiếu, niềm tin, ham muốn hay đơn giản chỉ là thích thú thể hiện cá tính của mình

Bên cạnh những lí thuyết cơ bản về hành vi tiêu dùng, chúng ta cũng cần phải bàn thêm khái niệm phân khúc thị trường một khái niệm tuy không mới nhưng lại có ý nghĩa quan trọng trong thực tiễn kinh doanh của các tổ chức tài chính Phân khúc thị trường được hiểu đơn giản là chia “chiếc bánh thị trường” của một sản phẩm hay dịch

vụ nào đó thành nhiều nhóm nhỏ, gọi tắt là các phân khúc, đảm bảo rằng trong cùng một phân khúc thì có hành vi tiêu dùng của các khách hàng tương tự nhau và mang tính khác biệt so với khách hàng của những phân khúc còn lại Phân khúc thị trường đóng vai trò hết sức rất quan trọng trong việc xây dựng chiến lược marketing mục

tiêu để tối đa hóa lợi nhuận Đây là khâu đầu tiên phải thực hiện để xác định đâu là thị trường mục tiêu cần tập trung nguồn lực để khai thác Một điểm cần lưu ý, người phân tích marketing chỉ đóng vai trò nhận dạng phân khúc và tiến hành phân tích nguồn lực sẵn có của đơn vị chọn ra phân khúc phù hợp để thực hiện chiến lược kinh doanh chứ không phải là người tạo ra bất kỳ phân khúc nào

Phân tích dữ liệu có thể bao gồm cả phân tích dữ liệu thăm dò (dùng trong trường hợp xác định các mẫu cần phân tích và mối quan hệ trong dữ liệu) và phân tích dữ liệu xác nhận (thông qua việc áp dụng các kĩ thuật dùng trong thống kê để tìm ra giả thiết về một bộ dữ liệu nào đó có đúng hay không)

Theo cách tiếp cận khác thì phân tích dữ liệu được chia thành 2 dạng: phân tích dữ liệu định lượng (hay còn gọi là phân tích dữ liệu số, và các biến trong dữ liệu có thể

so sánh theo thống kê) so với phân tích dữ liệu định tính (chỉ tập trung vào các dữ liệu không phải là dữ liệu số như video, hình ảnh và văn bản)

Trong thực tế, dữ liệu lớn và phân tích có thể được áp dụng trong nhiều lĩnh vực khác nhau mà điển hình là lĩnh vực kinh doanh và với nhiều trường hợp sử dụng cụ thể khác nhau Sau đây là vài ví dụ:

Phân tích khách hàng: Các công ty có thể truy xuất thông tin dữ liệu giao dịch của

khách hàng để phân tích xu hướng nhu cầu của khách hàng thông qua đó nâng cao tính năng sản phẩm dịch vụ, cải thiện tỉ lệ chuyển đổi và quan trọng là giữ khách hàng tốt hơn

Phân tích hoạt động: Nâng cao hiệu quả hoạt động sản xuất kinh doanh và tối ưu

hóa nguồn lực (tài sản) của công ty là mục tiêu của tất cả công ty Phân tích big data

có thể giúp doanh nghiệp vận hành một cách hiệu quả hơn và cải thiện hiệu suất lao dộng góp phần gia tăng lợi nhuận

Phòng chống gian lận: Dựa vào dữ liệu lịch sử giao dịch khách hàng tham gia dịch

vụ tín dụng ở ngân hàng và dựa vào các mô hình, các thuật toán, chúng ta sẽ khám phá ra những lổ hỗng trong kinh doanh, cũng như xác định các hoạt động mang tính

chất khả nghi giúp chỉ ra hành vi gian lận Kết quả phân tích như vừa được nêu, có một đống góp lơn giúp các tổ chức kinh doanh ngăn chặn kịp thời những gian lận từ phía khách hàng và từ phía nhân viên hướng đến giảm thiểu rủi ro

2.4.2 Hành vi tiêu dùng dựa trên phương pháp RFM

Trong thị trường cạnh tranh hiện nay, khách hàng được xem là một trong những ưu tiên lớn nhất của công ty Để tạo ra sự trung thành và giữ chân khách hàng, các công

ty cần xác định mối quan hệ khách hàng của họ dựa trên một số kỹ thuật RFM được

viết tắt từ Recency, Frequency, Monetary, ý nghĩa của từ yếu tố như sau: (i) Recency

là thời gian giao dịch gần nhất của khách hàng tính đến thời điểm nghiên cứu Đây là chỉ số quan trọng để xác định thời gian tham gia giao dịch tại ngân hàng Điều này sẽ giúp ngân hàng xác định được đâu là khách hàng mới và đâu là khách hàng cũ; (ii)

Frequency là chỉ số xác định số tần suất giao dịch trong lĩnh vực ngân hàng của suốt

thời gian nghiên cứu Ví dụ trong nghiên cứu này, thời gian số liệu nghiên cứu là 12 tháng, tổng số lần giao dịch của khách hàng đến ngân hàng sẽ được xác định trong trường hợp này Những đối tượng khách hàng thường xuyên đến giao dịch sẽ là những đối tượng có khả năng nhiều nhất trở thành hệ khách hàng trung thành ở mức cao trong tương lai Thông tin này một phần nào đó cũng sẽ xác định được sự hài lòng

của khách hàng đối với dịch vụ của đơn vị kinh doanh; (iii) Monetary là tổng giá trị

số dư của khách hàng tại ngân hàng trong thời gian nghiên cứu Qua đó, công ty sẽ

có thông tin dữ liệu để phân loại mức dư nợ hoặc số dư nợ của khách hàng Điều này

là cơ sở giúp ngân hàng xây dựng những chương trình, giải pháp chiến lược sản phẩm hoặc dịch vụ phù hợp theo khả năng thanh toán hoặc chi trả của khách hàng

Wu & Lin (2005) đã chứng minh rằng giá trị của R và F càng cao, khách hàng càng

có thể giúp việc đo lường về hành vi sử dụng dịch vụ của khách hàng tại ngân hàng Ngoài ra, giá trị M càng cao, khách hàng càng có thể được xem rằng, đánh giá giá trị giao dịch của khách hàng để hướng đến nhóm khách hàng ở tầm cỡ hoặc qui mô giao dịch

Tất cả các khách hàng được phân tích dựa vào 3 tiêu chí: thời gian giao dịch gần nhất (R), tần suất giao dịch (F) và giá trị giao dịch (M), các tiêu chí được đánh giá theo thang điểm từ 1 năm đến 5 sẽ đóng góp vào việc thực hiện phân khúc thị trường Chi tiết phân khúc khách hàng theo RFM được mô tả chi tiết theo bảng 2.3

Bảng 2.4 Bảng mô tả điểm theo RFM

1 Rời dịch vụ

(không chắc chắn)

Rất thấp Rất thấp Rất thấp

3 Thông thường Bình thường Bình thường Bình thường

Nguồn: Wu & Lin (2005)

2.5 Mô hình đề xuất cho nghiên cứu

Mô hình Fraud được gọi là mô hình gian lận, mô hình này được xem xét dựa trên sự tham gia các thông tin về hồ sơ tham gia dịch vụ của khách hàng tại ngân hàng, thông tin giao dịch và lịch sử giao dịch vủa khách hàng khi đến tham gia Như được chỉ ra

ở biểu đồ 2.1 (Eshghi & Kargari, 2019), chuỗi tiếp cận để đi vào phân tích tính gian lận sẽ bao gồm về xu hướng các đặc điểm mới bao gồm về số lượng tham gia giao dịch, thời gian và khoảng thời gian Tiếp theo đó là các mức độ về thông tin cá nhân, chủ tài khoản và các thông tin về đặc điểm được xét duyệt khi tham gia giao dịch, ví dụ: tài sản nhà, chức vụ công việc, trình độ học vấn Kế đến là các hoạt động tham gia, ví dụ tham gia giao dịch vay, thẻ tín dụng, gia hạn Sau cùng là thời gian có thể được đo lường đánh giá theo ngày trong tuần, hay ngày trong tháng, tuần trong tháng, ngày trong năm, tuần trong năm, tháng trong năm, tháng trong vụ mùa, và tổng thể