Machine Learning và ứng dụng trong xếp hạng tín dụng khách hàng cá nhân tại các Ngân hàng thương mại Việt Nam

Bài viết bàn về 2 trường hợp thể hiện sự bất cập của phần mềm chấm điểm tín dụng hiện tại của các NHTM. Câu hỏi đặt ra là liệu có thể nâng cao độ chính xác trong đánh giá khách hàng không? Làm thế nào để không bỏ lỡ các khách hàng tiềm năng hoặc loại bỏ những khách hàng không thực sự tốt như thể hiện bên ngoài? Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Machine Learning và ứng dụng trong xếp hạng tín dụng khách hàng cá nhân tại các Ngân hàng thương mại Việt Nam Kỷ yếu HộI THảO KHOA HọC QUốC GIA CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG Machine Learning VÀ ỨNG DỤNG TRONG XẾP HẠNG TÍN DỤNG KHÁCH HÀNG CÁ NHÂN TẠI CÁC NGÂN HÀNG THƯƠNG MẠI Việt Nam PGS. TS Nguyễn Hữu Tài Trường Đại học Kinh tế Quốc dân NCS. ThS. Đặng Hương Giang1 Trường Đại học Kinh tế Kỹ Thuật Công nghiệp Tóm tắt Hệ thống phần mềm chấm điểm xếp hạng tín dụng (XHTD) khách hàng cá nhân hiện nay của các ngân hàng thương mại (NHTM) mới chỉ dừng lại ở mức đưa dữ liệu, thông tin khách hàng vào hệ thống và trả lại kết quả là điểm XHTD của khách hỗ trợ cán bộ tín dụng ra quyết định. Tuy nhiên đây là hình thức đánh giá cứng nhắc, tuy mức độ chính xác cao nhưng vẫn có sai số nhất định. Sẽ thế nào nếu một khách hàng đến xin vay tại NH này và bị từ chối vì điểm XHTD thấp nhưng được một NH khác cho vay và là một khách hàng tốt, luôn trả nợ đúng hạn? Hay ngược lại, một khách hàng có điểm XHTD tốt được ngân hàng cho vay nhưng sau đó lại trở thành một khoản nợ xấu với ngân hàng. Đây là 2 trường hợp thể hiện sự bất cập của phần mềm chấm điểm tín dụng hiện tại của các NHTM. Câu hỏi đặt ra là liệu có thể nâng cao độ chính xác trong đánh giá khách hàng không? Làm thế nào để không bỏ lỡ các khách hàng tiềm năng hoặc loại bỏ những khách hàng không thực sự tốt như thể hiện bên ngoài? Hệ thống Machine Learning với nền tảng Big Data có thể giải quyết vấn đề này. Từ khóa: Machine Learning, ngân hàng thương mại, xếp hạng tín dụng, Big Data Machine Learning applications in personal credit ratings of Vietnam Commercial Banks Abstract With current credit score software system for individual clients of commercial banks, it is only set up to input data and customer’s information into the system and the returned result is customer’s credit score which help loan officer to make lending decision. However, this is a rigid, inflexible evaluation way. Although the current system has high accuracy, it still has errors in measurement. What happens if a customer applies a loan at a bank 1 Email: danghuonggiang1902@gmail.com 87 Kỷ yếu HộI THảO KHOA HọC QUốC GIA CÁCH MạNG CÔNG NGHIệP 4.0 VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG and his/her loan application is rejected because of low credit score but that same person and loan application is approved by other bank and become a customer with good credit and always pay on time. Or in an opposite situation, a customer with good credit score is qualified for a loan but that loan is becoming a bad credit loan for the bank. These are 2 situations showing the failure of current credit score software system at commercial banks. Is there any way to increase the accuracy in evaluating customers? How do we avoid missing potential customers or prevent and get rid of customers that are not as good as they are showing. The Machine Learning system with Big Data base can help solving this problem. Keywords: Machine Learning, Commecial bank, credit ratings, Big Data, Artificial intelligence. 1. Lời mở đầu Những năm gần đây, sau khi phải đối mặt với những rủi ro lớn gây tổn thất cho ngân hàng, đặc biệt là rủi ro tín dụng xảy ra với tần suất khá cao, giá trị lớn, các ngân hàng thương mại Việt Nam đã chú trọng nhiều hơn đến hoạt động quản trị rủi ro tín dụng trong kinh doanh và dần tiếp cận tới các chuẩn mực quản trị rủi ro và đánh giá tín dụng (Credit Scoring) theo Hiệp ước quốc tế Basel II vào hoạt động quản trị rủi ro của mình. Đây được cho là hướng đi đúng của các ngân hàng khi một mặt, họ vẫn có thể hút khách hàng qua những sản phẩm, dịch vụ hấp dẫn, mặt khác, họ cần trang bị cho mình những công cụ, phương pháp đánh giá khả năng chi, trả của mỗi khách hàng, qua đó dễ dàng đưa ra quyết định cấp vốn. Cùng với sự phát triển của cuộc Cách mạng công nghiệp 4.0, những tiến bộ trong khoa học công nghệ đã cho phép các đơn vị tài chính, ngân hàng, giảm rủi ro cho vay qua việc phân tích nhiều dữ liệu khác nhau về khách hàng. Bằng các kỹ thuật thống kê, Machine Learning, các dữ liệu này được phân tích và cô đọng đưa ra một giá trị duy nhất được gọi là điểm tín dụng thể hiện tính rủi ro cho vay. Điểm tín dụng càng cao, mức độ tín dụng của khách hàng càng lớn. Đánh giá tín dụng có thể áp dụng Trí tuệ nhân tạo (Artificial Intelligence), dựa trên mô hình tiên đoán, đánh giá khả năng chi trả món vay của khách hàng: đúng hạn, trễ hạn ...