Tổng quan về Big Data
Khái niệm về Big Data
Big Data, hay còn gọi là "dữ liệu lớn", đề cập đến các tập dữ liệu khổng lồ và phức tạp, khó xử lý bằng phương pháp truyền thống Theo định nghĩa phổ biến từ công ty Gartner, Big Data là các tài sản thông tin có dung lượng lớn, tốc độ cao và/hoặc đa dạng cao, yêu cầu các hình thức xử lý thông tin sáng tạo và hiệu quả về chi phí Điều này giúp nâng cao hiểu biết sâu sắc, hỗ trợ ra quyết định và tự động hóa quy trình.
Đặc điểm của Big Data
Nghiên cứu của Doug Laney (2001) xác định ba đặc trưng cơ bản của dữ liệu lớn, bao gồm Khối lượng (Volume), Vận tốc (Velocity) và Đa dạng (Variety) Đến năm 2012, hai đặc trưng mới là Tính giá trị (Value) và Tính xác thực (Veracity) đã được bổ sung, làm phong phú thêm khái niệm về dữ liệu lớn.
Khối lượng là một đặc trưng quan trọng của dữ liệu lớn, mô tả kích thước và quy mô của dữ liệu Các cơ sở dữ liệu lớn thường có kích thước từ vài tá TB đến PB, yêu cầu phần cứng mạnh mẽ để cung cấp không gian lưu trữ cần thiết cho việc khai thác thông tin tiềm ẩn Doanh nghiệp thu thập dữ liệu cho Big Data từ nhiều nguồn như giao dịch, thiết bị thông minh, video, hình ảnh, âm thanh và phương tiện truyền thông xã hội Trước đây, việc lưu trữ lượng dữ liệu khổng lồ này rất tốn kém, nhưng hiện nay, nhờ vào các hồ sơ dữ liệu và dịch vụ lưu trữ đám mây, chi phí đã giảm đáng kể.
Vận tốc dữ liệu đề cập đến tốc độ tạo ra và xử lý dữ liệu, với yêu cầu xử lý nhanh chóng để đáp ứng nhu cầu lưu trữ và trích xuất thông tin hiệu quả Dữ liệu thường được xử lý theo thời gian thực để đảm bảo không bỏ sót thông tin hữu ích, đặc biệt trong các lĩnh vực như chuyển và nhận tiền, thanh toán ngân hàng, nơi mà phản hồi ngay lập tức là rất quan trọng.
Sự đa dạng trong cơ sở dữ liệu lớn xuất phát từ việc thu thập dữ liệu từ nhiều nguồn khác nhau, dẫn đến nhiều loại dữ liệu đa dạng Dữ liệu có thể ở nhiều định dạng, từ dữ liệu số có cấu trúc trong cơ sở dữ liệu truyền thống đến tài liệu văn bản phi cấu trúc, email, video, âm thanh, dữ liệu mã chứng khoán và các giao dịch tài chính Sự bùng nổ của cảm biến và thiết bị thông minh, cùng với sự phát triển của mạng xã hội, đã làm cho cơ sở dữ liệu trong doanh nghiệp trở nên phức tạp, bao gồm cả dữ liệu truyền thống được lưu trữ trong các cơ sở dữ liệu quan hệ và cơ sở dữ liệu dạng phẳng, cũng như dữ liệu thô Với sự đa dạng này, các công nghệ phân tích truyền thống không còn hiệu quả, đòi hỏi sự phát triển của công nghệ mới để có thể phân tích cả dữ liệu phi truyền thống.
Tính xác thực (veracity) là một trong những đặc tính phức tạp nhất của Big Data, liên quan đến sự không nhất quán và không chắc chắn trong dữ liệu Dữ liệu có sẵn thường có thể bị lộn xộn, và việc kiểm soát chất lượng cũng như độ chính xác của chúng là rất khó khăn Sự đa dạng của dữ liệu lớn có thể dẫn đến sự nhầm lẫn, trong khi dữ liệu ít ỏi lại không đủ để truyền tải thông tin một cách hiệu quả.
Giá trị là yếu tố quan trọng nhất của Big Data, thúc đẩy doanh nghiệp xây dựng cơ sở hạ tầng thông tin để lưu trữ và khai thác dữ liệu Dữ liệu lớn tiềm ẩn giá trị lớn, nhưng chỉ khi có thể truy cập và trích xuất, nếu không sẽ trở nên vô dụng Do đó, mục tiêu chính trong việc thu thập, lưu trữ và xử lý lượng dữ liệu khổng lồ là tìm kiếm các mối quan hệ rõ ràng hoặc ẩn trong dữ liệu, nhằm biến nó thành thông tin có giá trị.
Quy trình ứng dụng Big Data
1.3.1 Xây dựng chiến lược Big Data
Chiến lược Big Data là một kế hoạch nhằm giám sát và cải thiện quy trình thu thập, lưu trữ, quản lý, chia sẻ và sử dụng dữ liệu trong doanh nghiệp Để phát triển chiến lược này, doanh nghiệp cần xem xét các mục tiêu và sáng kiến hiện tại cũng như tương lai Việc coi Big Data là một tài sản kinh doanh quý giá, thay vì chỉ là một công cụ thông thường, là điều thiết yếu để tối ưu hóa giá trị của dữ liệu.
1.3.2 Xác định các nguồn dữ liệu của Big Data
Dữ liệu truyền trực tiếp từ Internet of Things (IoT) và các thiết bị kết nối, như điện thoại thông minh và ô tô thông minh, được tích hợp vào hệ thống công nghệ thông tin.
• Dữ liệu hành chính như hồ sơ bệnh án điện tử, hồ sơ bảo hiểm, hồ sơ ngân hàng; …
• Dữ liệu từ hoạt động thương mại như giao dịch tín dụng, giao dịch qua mạng trên các thiết bị di động
• Dữ liệu từ thiết bị cảm biến như hình ảnh từ vệ tinh, cảm biến đường, khí hậu
• Dữ liệu từ các thiết bị theo dõi như điện thoại di động, GPS
• Dữ liệu hành vi như tìm kiếm trực tuyến sản phẩm dịch vụ
Bạn có khả năng phân tích Big Data ngay khi dữ liệu được truyền đến, từ đó đưa ra quyết định về việc giữ lại dữ liệu nào, loại bỏ dữ liệu nào và xác định những dữ liệu cần được phân tích sâu hơn.
Mạng xã hội như Facebook, YouTube và Instagram cung cấp một lượng lớn dữ liệu lớn dưới dạng hình ảnh, video, giọng nói, văn bản và âm thanh, rất hữu ích cho các hoạt động tiếp thị, bán hàng và hỗ trợ khách hàng Tuy nhiên, dữ liệu này thường ở dạng phi cấu trúc hoặc bán cấu trúc, điều này tạo ra những thách thức riêng trong việc tiêu thụ và phân tích thông tin.
Ngân hàng thương mại Đại học Kinh tế…
Bài tập Ngân hàng thương mại 1 gửi lớ…
Dàn ý phân tích nhân vật Võ Tòng
Ngân hàng thương… 94% (17) 2 đề cương ôn tập ngân hàng trung…
Luận Văn Phát Triển Cho Vay Khách Hàn… Ngân hàng
Dữ liệu có sẵn được công bố là những thông tin và dữ liệu được công khai rộng rãi, thường xuất hiện trên các trang web chính thức của Chính phủ các nước.
Các nguồn khác: một số nguồn dữ liệu khác đến từ khách hàng, nhà cung cấp hoặc dữ liệu đám mây
1.3.3 Truy cập, quản lý và lưu trữ Big Data
Các hệ thống máy tính hiện đại mang lại tốc độ, sức mạnh và tính linh hoạt cần thiết để truy cập nhanh chóng vào khối lượng lớn dữ liệu Để đảm bảo truy cập đáng tin cậy, các công ty cần áp dụng các phương pháp tích hợp dữ liệu, xây dựng đường ống dẫn dữ liệu và đảm bảo chất lượng dữ liệu Việc quản lý và lưu trữ dữ liệu cũng như chuẩn bị dữ liệu cho phân tích là rất quan trọng Mặc dù một số dữ liệu lớn có thể được lưu trữ tại chỗ trong kho dữ liệu truyền thống, nhưng còn nhiều tùy chọn linh hoạt và chi phí thấp hơn như giải pháp đám mây, hồ dữ liệu, đường ống dữ liệu và Hadoop để lưu trữ và xử lý dữ liệu lớn.
Theo báo cáo của IDC (2021), năm 2020 đã có 64,2 ZB dữ liệu được tạo ra, với khối lượng dữ liệu sinh ra mỗi ngày lớn hơn tổng lượng dữ liệu của cả một năm vào những năm 2000 Nhiều tổ chức nhận thấy rằng các phương pháp quản lý dữ liệu truyền thống đã trở nên lỗi thời và không đủ nhanh để đáp ứng nhu cầu (Michael Lock, 2017) Giải pháp kho dữ liệu đã giúp tích hợp dữ liệu từ nhiều hệ thống khác nhau, đơn giản hóa việc truy cập và hỗ trợ tổ chức trong việc ra quyết định kinh doanh Tuy nhiên, với khối lượng dữ liệu ngày càng tăng, kho dữ liệu gặp khó khăn trong việc cung cấp phản hồi và kết quả chuyên sâu Do đó, hồ dữ liệu đã ra đời để khắc phục những hạn chế mà kho dữ liệu chưa đáp ứng được.
Hồ dữ liệu là một kho lưu trữ tập trung, cho phép lưu trữ tất cả dữ liệu có cấu trúc và phi cấu trúc ở bất kỳ quy mô nào Nó hoạt động như một kho dữ liệu thô, với mục đích chưa được xác định rõ ràng Nhiều công ty lưu trữ dữ liệu trong hồ dữ liệu để phục vụ cho các phân tích trong tương lai.
Rủi Ro Tín Dụng Tại…
Hồ dữ liệu, với khả năng lưu trữ dữ liệu thô, mang lại nhiều lợi ích đáng kể như khai thác giá trị từ mọi loại dữ liệu mà không bị giới hạn Tính linh hoạt của hồ dữ liệu cho phép không cần tiền xử lý dữ liệu ban đầu, giúp dễ dàng thích ứng với các lược đồ khác nhau và phân tích kịp thời các luồng dữ liệu Nó có thể lưu trữ cả dữ liệu có cấu trúc và phi cấu trúc ở dạng thô, bao gồm dữ liệu từ hệ thống quản trị quan hệ khách hàng và các bài đăng trên mạng xã hội Bên cạnh đó, hồ dữ liệu không giới hạn các phương pháp truy vấn, khắc phục tình trạng thông tin rời rạc trong các hệ thống khác nhau của tổ chức, đồng thời cung cấp quyền truy cập dữ liệu qua một chế độ xem thống nhất trên toàn hệ thống.
1.3.4 Tiến hành phân tích dữ liệu
Với sự phát triển của các công nghệ hiệu suất cao như điện toán lưới và phân tích trong bộ nhớ, các tổ chức có thể tận dụng toàn bộ dữ liệu lớn để phân tích Một phương pháp khác là xác định trước dữ liệu liên quan để tối ưu hóa quá trình phân tích Dù theo cách nào, việc phân tích dữ liệu lớn giúp các công ty khai thác giá trị và thông tin quý giá từ dữ liệu Hiện nay, nguồn dữ liệu lớn hỗ trợ các nỗ lực phân tích tiên tiến, bao gồm trí tuệ nhân tạo (AI) và máy học.
1.3.5 Dựa trên dữ liệu, đưa ra quyết định
Dữ liệu đáng tin cậy và được quản lý tốt là yếu tố then chốt giúp các doanh nghiệp đưa ra phân tích chính xác và quyết định sáng suốt Để duy trì tính cạnh tranh, các tổ chức cần khai thác toàn bộ giá trị của dữ liệu lớn và hoạt động theo hướng dữ liệu, từ đó đưa ra những quyết định dựa trên chứng minh rõ ràng Các doanh nghiệp dựa trên dữ liệu không chỉ hoạt động hiệu quả hơn mà còn dễ dự đoán và mang lại lợi nhuận cao hơn.
Ứng dụng của Big Data trong các lĩnh vực nói chung
1 1.4 Y tế, chăm sóc sức khỏe
Trong ngành y tế, Big Data không chỉ hỗ trợ xác định phương hướng điều trị mà còn nâng cao chất lượng chăm sóc sức khỏe Công nghệ này giúp dự đoán thời điểm bác sĩ cần có mặt, theo dõi tình trạng bệnh nhân qua hồ sơ sức khỏe điện tử và gửi báo cáo đến các bác sĩ liên quan Hơn nữa, Big Data có khả năng đánh giá triệu chứng và phát hiện nhiều bệnh ở giai đoạn đầu, bảo mật hồ sơ nhạy cảm và lưu trữ lượng dữ liệu lớn một cách hiệu quả Đặc biệt, nó còn dự báo các khu vực có nguy cơ bùng phát dịch bệnh nguy hiểm.
1.4.2 Thương mại điện tử Đối với ngành thương mại điện tử, doanh nghiệp nào sở hữu và ứng dụng tốt Big Data sẽ tạo ra lợi thế cạnh tranh lớn trên thị trường Big Data giúp nhà quản lý xác định được sản phẩm nào được xem nhiều nhất để tối ưu thời gian hiển thị, tự gửi mã ưu đãi cho những sản phẩm khách hàng bỏ vào giỏ hàng nhưng không mua Đặc biệt, Big Data có thể phân tích hành vi, sở thích, sự quan tâm của khách hàng, giúp nhà quản lý hiểu hơn về khách hàng để cung cấp các sản phẩm theo đúng xu hướng, nhu cầu thị trường
Ngành bán lẻ đang ứng dụng Big Data để xây dựng mô hình chi tiêu của khách hàng và dự đoán cung cầu sản phẩm Bằng cách kết hợp dữ liệu giao dịch, thông tin từ mạng xã hội và dự báo thời tiết, các nhà quản lý có thể xác định sản phẩm phù hợp nhất để luôn sẵn sàng cung cấp cho khách hàng Thông qua việc phân tích thói quen mua sắm và sở thích của khách hàng, họ có thể tối ưu hóa vị trí và cách bày trí sản phẩm trong cửa hàng, đồng thời phát triển các chiến lược kinh doanh mới nhằm nâng cao hiệu quả hoạt động.
Digital Marketing đang trở thành công cụ thiết yếu cho doanh nghiệp, nhờ vào việc ứng dụng Big Data Doanh nghiệp có thể xác định đối tượng mục tiêu trên mạng xã hội dựa trên thông tin nhân khẩu học, giới tính, tuổi tác và sở thích Ngoài ra, họ còn có khả năng cá nhân hóa hoạt động tìm kiếm trên Google, thực hiện Email Marketing, hiển thị quảng cáo phù hợp và tạo báo cáo chi tiết sau mỗi chiến dịch quảng cáo.
Các công ty phát triển phần mềm sản phẩm đang tận dụng Big Data để xây dựng mô hình dự đoán cho các sản phẩm và dịch vụ mới Họ phân tích các thuộc tính chính của sản phẩm và dịch vụ trong quá khứ cũng như hiện tại, từ đó mô hình hóa mối quan hệ giữa các thuộc tính để phát triển phần mềm hoàn chỉnh.
Big Data giúp doanh nghiệp nâng cao trải nghiệm khách hàng bằng cách thu thập và phân tích dữ liệu từ nhiều nguồn như mạng xã hội, lịch sử duyệt web và nhật ký cuộc gọi Qua đó, doanh nghiệp có thể hiểu rõ hơn về hành vi thực tế của khách hàng, từ đó cải thiện dịch vụ và tạo ra các chiến lược tiếp thị hiệu quả hơn.
Máy học (Machine Learning) là một bước tiến quan trọng trong công nghệ hiện đại, được thúc đẩy bởi sự phát triển của Big Data Ngày nay, máy móc có khả năng tự học từ dữ liệu lịch sử mà không cần sự can thiệp của con người trong việc lập trình, nhờ vào việc thu thập và lưu trữ dữ liệu một cách đầy đủ trong Big Data.
Big Data đóng vai trò quan trọng trong việc thúc đẩy sự cải tiến mới bằng cách cung cấp dữ liệu chi tiết về thông tin sản phẩm và lịch sử phát triển của các lĩnh vực, ngành nghề khác nhau Nhờ vào những thông tin này, nhà quản lý có thể đưa ra quyết định chính xác và hiệu quả hơn.
11 thể xác định được những điểm cần cải tiến, phát triển để công nghệ mới đem lại sự sáng tạo, mới mẻ, hữu ích cho các ngành công nghiệp
1.4.6 Lĩnh vực giáo dục đào tạo
Ngành giáo dục ứng dụng Big Data để dự đoán số lượng học sinh, sinh viên tuyển sinh hàng năm và quản lý hồ sơ hiệu quả Công nghệ này cho phép truy xuất nhanh thông tin cần thiết khi phát sinh vấn đề Bên cạnh đó, Big Data còn hỗ trợ ước lượng nhu cầu tuyển dụng theo ngành nghề hàng năm, từ đó đề xuất các phương án đào tạo phù hợp nhằm đáp ứng nhu cầu nguồn nhân lực cho xã hội.
Big Data trong lĩnh vực ngân hàng
Nguồn và phân loại dữ liệu lớn trong lĩnh vực ngân hàng
Sự gia tăng sử dụng các thiết bị thông minh đã tạo ra nguồn dữ liệu phong phú cho hệ thống ngân hàng Các cơ sở dữ liệu lớn được hình thành từ nhiều nguồn như giao dịch tại quầy, giấy tờ pháp lý của khách hàng, nhật ký giao dịch từ máy rút tiền tự động, ngân hàng qua SMS, ngân hàng điện tử, và các kênh truyền thông xã hội Những nguồn dữ liệu này tạo ra thông tin đa dạng dưới dạng văn bản, hình ảnh, âm thanh và video, đóng góp vào khối thông tin quan trọng trong lĩnh vực ngân hàng.
Big Data được hình thành từ nhiều nguồn khác nhau, dẫn đến sự đa dạng và không đồng nhất của dữ liệu Để thuận tiện cho việc lưu trữ và phân tích, dữ liệu được phân loại thành ba loại: dữ liệu có cấu trúc, dữ liệu phi cấu trúc và dữ liệu bán cấu trúc Dữ liệu có cấu trúc được lưu trữ trong kho dữ liệu (Data Warehouse) với nhãn rõ ràng, dễ dàng sắp xếp, trong khi dữ liệu phi cấu trúc mang tính ngẫu nhiên và khó phân tích hơn Dữ liệu bán cấu trúc không tuân theo các mô hình dữ liệu nhất định nhưng có thể được gắn thẻ để phân loại Những dữ liệu chưa được gắn nhãn thường được lưu trữ dưới dạng dữ liệu thô trong các hồ dữ liệu (Data Lake).
Dữ liệu có cấu trúc (Structured Data) là loại dữ liệu được tổ chức và lưu trữ theo một mô hình nhất định, như thông tin cá nhân của khách hàng vay, bao gồm số tiền, thời hạn và lãi suất trong hệ thống ngân hàng Ngoài ra, dữ liệu phản hồi từ khách hàng về dịch vụ tín dụng cũng được thu thập qua các khảo sát BI và trình bày dưới dạng bảng Excel Những dữ liệu này có thể dễ dàng truy xuất và xử lý thông qua các từ khóa tìm kiếm như số CIF, số định danh cá nhân (ID) và số tài khoản.
Dữ liệu phi cấu trúc (Unstructured Data) là loại dữ liệu không theo mô hình nhất định, bao gồm âm thanh cuộc gọi khách hàng, nội dung email giữa khách hàng và ngân hàng, cùng với dữ liệu từ các tương tác trên hệ thống mạng ngân hàng như cổng thông tin điện tử và ứng dụng ngân hàng di động Loại dữ liệu này cần sự can thiệp của con người để truy xuất và xử lý, do đó việc khai thác thông tin quý giá từ nó đòi hỏi thời gian và công sức đáng kể.
Dữ liệu bán cấu trúc (Semi structured Data) là loại dữ liệu không tuân theo một mô hình dữ liệu cố định, nhưng có thể gắn nhãn và phân cấp để dễ dàng sắp xếp, lưu trữ và xử lý Ví dụ, các thư điện tử của khách hàng có thể được gắn nhãn theo địa chỉ gửi và phân cấp theo chủ đề, trong khi lịch sử giao dịch online được phân loại theo mục đích như thanh toán hóa đơn hay mua sắm trực tuyến Dữ liệu giao dịch tại quầy cũng được lưu trữ dưới dạng video và phân cấp theo vị trí giao dịch Dữ liệu bán cấu trúc kết hợp tính năng của dữ liệu có cấu trúc và yêu cầu nhận thức của con người để xử lý dữ liệu phi cấu trúc Sự phân loại này cho thấy sự gia tăng độ khó trong việc sắp xếp và truy xuất dữ liệu giữa các loại dữ liệu có cấu trúc, bán cấu trúc và phi cấu trúc, nhằm khám phá giá trị từ cơ sở dữ liệu hiện hành.
Ngân hàng có nguồn dữ liệu lớn từ khách hàng thông qua các giao dịch trong hệ thống ngân hàng lõi, nhưng chỉ dựa vào lịch sử giao dịch là không đủ để hiểu nhu cầu của khách hàng Trong thời đại số, mạng xã hội như Facebook, Twitter, và Instagram trở thành nguồn dữ liệu quan trọng, phản ánh mong muốn, thói quen và hành vi của người tiêu dùng Theo khảo sát của Oracle (2016), 84% giám đốc điều hành ngân hàng cho rằng khách hàng đang tìm kiếm trải nghiệm cá nhân hóa; nếu ngân hàng đáp ứng được nhu cầu này, doanh thu hàng năm có thể tăng hơn 18% Do đó, việc kết nối dữ liệu từ các nguồn khác nhau là cần thiết để có cái nhìn tổng quan về khách hàng Ứng dụng Big Data cho phép ngân hàng sử dụng dữ liệu từ mạng xã hội và các nguồn quan trọng khác, giúp xây dựng chiến lược kinh doanh phù hợp hơn với nhu cầu của nhóm khách hàng mục tiêu Các ngân hàng có thể mua dữ liệu bên ngoài hoặc hợp tác với các bên trung gian cung cấp dữ liệu.
Một ví dụ ển hình chính là thương vụ hợp tác giữa Masan và Trusting đi Social:
Trusting Social là công ty fintech hàng đầu trong lĩnh vực chấm điểm tín dụng thay thế, được thành lập vào năm 2013 bởi tiến sĩ Nguyễn An Nguyên Sử dụng công nghệ Big Data và trí tuệ nhân tạo, Trusting Social xây dựng cơ sở dữ liệu điểm tín dụng cho từng cá nhân, giúp các tổ chức tài chính đưa ra quyết định cấp tín dụng chính xác hơn.
EVO là một sản phẩm tín dụng do Masan kết hợp với ngân hàng đối tác
TP Bank đã tích hợp chức năng thành viên thân thiết của WinMart và WinMart+, với tổng hạn mức phát hành thẻ EVO lên tới 815 tỉ đồng Tại Việt Nam, người dân chủ yếu không tiếp cận được tín dụng với lãi suất thấp và thường có thói quen coi "tiền mặt là vua" Doanh nghiệp khi vay vốn từ ngân hàng thường phải chấp nhận lãi suất cao, bên cạnh đó là sự tồn tại của các hình thức cho vay tiêu dùng không chính thức (tín dụng đen) với chi phí gấp 3-5 lần so với vay ngân hàng Hơn nữa, chỉ khoảng 2,4% dân số được tiếp cận các sản phẩm bảo hiểm, trong khi tỷ lệ sử dụng thẻ tín dụng mới chỉ đạt 4%.
Với công nghệ AI và nền tảng Big Data từ Trusting Social, thẻ tín dụng EVO đã loại bỏ rào cản truyền thống, số hóa toàn bộ quy trình tương tác giữa khách hàng và ngân hàng Khách hàng có thể đăng ký, định danh và thẩm định hoàn toàn trực tuyến, nhận kết quả hạn mức tín dụng nhanh chóng Điều này mang đến cơ hội sở hữu thẻ tín dụng cho tất cả mọi người, không phân biệt vị trí địa lý, nghề nghiệp hay mục đích chi tiêu.
Ứng dụng của Big Data trong lĩnh vực ngân hàng
2.2.1 Phân tích thói quen chi tiêu của khách hàng
Bằng cách sử dụng dữ liệu thanh toán của khách hàng, ngân hàng và các công ty tài chính có thể phân tích mô hình chi tiêu, từ đó xác định thời điểm khách hàng tiềm năng có thể yêu cầu dịch vụ tài chính Nhờ vào phân tích Big Data, ngân hàng có thể nhận diện các mô hình chi tiêu khác nhau dựa trên nhân khẩu học và thu nhập trung bình Điều này giúp ngân hàng xác định khách hàng có giá trị cao và những người chi tiêu nhiều nhất, từ đó cung cấp các ưu đãi tài chính phù hợp Hơn nữa, Big Data còn hỗ trợ phát hiện các mô hình chi tiêu có rủi ro cao, bảo vệ ngân hàng khỏi những tác động tiêu cực lâu dài.
2.2.2 Phân khúc khách hàng và thẩm định hồ sơ
Phân khúc khách hàng là quá trình phân chia khách hàng thành các nhóm có đặc điểm hoặc hành vi tương đồng Hiểu rõ các nhóm này rất quan trọng để xác định nhu cầu và mong muốn của họ, từ đó xây dựng nền tảng cho các chiến lược marketing và bán hàng hiệu quả.
Khi hoàn tất phân tích thói quen chi tiêu và xác định các dịch vụ cùng kênh giao dịch ưu tiên của khách hàng, ngân hàng sẽ có cơ sở dữ liệu để phân khúc và phân loại khách hàng hiệu quả Big Data cung cấp những hiểu biết sâu sắc về nhu cầu tiềm ẩn, thói quen và xu hướng chi tiêu của khách hàng, hỗ trợ xác định mong muốn của họ Thông qua việc nắm bắt thông tin giao dịch, ngân hàng có thể phân loại khách hàng thành các nhóm như chi tiêu dễ dàng, nhà đầu tư thận trọng, thanh toán nợ nhanh chóng, và khách hàng trung thành Đồng thời, việc hiểu rõ hồ sơ cá nhân giúp ngân hàng dự đoán chi tiêu và thu nhập trong tháng tới, từ đó lập kế hoạch chi tiết nhằm đảm bảo lợi nhuận cho tổ chức và lợi ích cho khách hàng.
2.2.3 Bán chéo thêm các dịch vụ khác
Dựa trên cơ sở dữ liệu ngân hàng, ngân hàng có thể thu hút và giữ chân khách hàng bằng cách giới thiệu các dịch vụ bổ sung Chẳng hạn, ngân hàng có thể cung cấp các khoản đầu tư với lãi suất hấp dẫn cho khách hàng có tiền nhàn rỗi hoặc những nhà đầu tư thận trọng Ngoài ra, ngân hàng cũng có thể đề xuất các khoản vay ngắn hạn cho những khách hàng có thói quen chi tiêu dễ dàng, nhằm đáp ứng nhu cầu hàng ngày hoặc nhu cầu thanh khoản ngắn hạn của doanh nghiệp Bằng cách phân tích chính xác hồ sơ cá nhân của khách hàng, ngân hàng có thể cung cấp các dịch vụ kèm theo với ưu đãi phù hợp, tập trung vào nhu cầu cụ thể của từng khách hàng.
2.2.4 Nâng cao chất lượng dịch vụ thông qua xây dựng hệ thng thu thập các phản hồi khách hàng
Khách hàng có thể phản hồi sau mỗi giao dịch hoặc tư vấn qua trung tâm hỗ trợ, nhưng thường chia sẻ ý kiến nhiều hơn trên mạng xã hội như Facebook, Zalo Các công cụ Big Data giúp tìm kiếm và thu thập dữ liệu từ phản hồi công khai về thương hiệu ngân hàng, từ đó phản hồi nhanh chóng và đầy đủ đến khách hàng Điều này không chỉ ngăn chặn tin đồn thất thiệt mà còn tăng cường niềm tin của khách hàng Khi ngân hàng lắng nghe và thực hiện cải tiến theo ý kiến khách hàng, sự trung thành với thương hiệu sẽ gia tăng và hình ảnh ngân hàng cũng được cải thiện.
2.2.5 Marketing theo hướng cá nhân hóa
Sau khi xác định phân khúc khách hàng, các ngân hàng cần tận dụng thông tin này để triển khai chiến lược marketing hướng tới mục tiêu, dựa trên thói quen chi tiêu cá nhân Bằng cách kết hợp dữ liệu lịch sử giao dịch với thông tin phi cấu trúc từ mạng xã hội, ngân hàng có thể hiểu rõ hơn về nhu cầu và tâm lý khách hàng Điều này giúp ngân hàng xây dựng các kế hoạch marketing phù hợp, nhằm tăng tỷ lệ phản hồi từ khách hàng Chẳng hạn, ngân hàng có thể sử dụng email marketing để cung cấp thông tin về dịch vụ cho vay ngắn hạn với lãi suất hợp lý, gửi tiết kiệm với lãi suất hấp dẫn, hoặc các chương trình ưu đãi khác.
2.2.6 Thay đổi cách thức cung cấp dịch vụ đến khách hàng
Hệ thống Big Data là một công cụ quan trọng giúp đơn giản hóa nhiệm vụ trong tổ chức bằng cách liên kết nhiều bộ phận chức năng khác nhau Khi thông tin khách hàng được nhập vào, hệ thống hỗ trợ lọc dữ liệu và cung cấp thông tin cần thiết cho quá trình phân tích, từ đó tối ưu hóa quy trình làm việc và tiết kiệm thời gian, chi phí cho ngân hàng Ngoài ra, Big Data giúp tổ chức phát hiện và khắc phục vấn đề trước khi khách hàng bị ảnh hưởng, đồng thời ngăn chặn hành vi lừa đảo và giao dịch trái phép, nâng cao tiêu chuẩn bảo mật cho toàn ngành Dựa vào dữ liệu lịch sử giao dịch và hồ sơ tín dụng, ngân hàng có thể nhận diện bất thường trong dịch vụ, như rút tiền lớn từ thẻ ATM có thể do thẻ bị mất cắp Bằng cách sử dụng các thuật toán phân tích dữ liệu và machine learning, ngân hàng có thể phân biệt giao dịch hợp pháp và bất hợp pháp, tự động phát hiện và đề xuất hành động kịp thời trong thời gian thực.
Chấm điểm tín dụng dựa trên dữ liệu thay thế giúp đánh giá mức độ tín nhiệm của khách hàng một cách hiệu quả Việc áp dụng phương pháp tiếp cận phân khúc thị trường chưa khai thác có thể giảm thiểu rủi ro tín dụng và ngăn chặn gian lận.
Tinh gọn quy trình tín dụng
Cấp tín dụng truyền thống dựa vào sự đánh giá và hiểu biết của cán bộ tín dụng về khách hàng, cũng như tài sản đảm bảo và lịch sử quan hệ tín dụng của họ.
Nhiều khách hàng không ể th tiếp cận tín dụng do không có lịch sử tín dụng
Mô hình chấm điểm tín dụng dựa trên nguồn dữ ệu thay li thế sẽ giúp ngân hàng tiếp cận và cấp tín dụng cho những khách hàng này
Sử dụng dữ liệu thay thế có thể dự đoán nơi ở, nơi làm việc, hành vi, đặc điểm và thu nhập của khách hàng giúp phát hiện gian lận hiệu quả Ví dụ, việc so sánh thông tin khai báo của khách hàng với dữ liệu ngân hàng thu thập được có thể chỉ ra những bất thường và dấu hiệu gian lận.
Sử dụng các nguồn dữ liệu thay thế đáng tin cậy giúp giảm thiểu thời gian thu thập dữ liệu và rủi ro liên quan đến việc thu thập thông tin không chính xác Điều này cho phép đưa ra các quyết định tín dụng một cách nhanh chóng và chính xác.
Dữ liệu Dữ ệu bên ngoài: Dữ ệu mạng xã hội, dữ ệu viễn thông, lịch sử li li li thanh toán hóa đơn điện, nước,
Chấm điểm thu hồi nợ và dự báo tổn thất là công cụ quan trọng để đánh giá khả năng thu hồi nợ từ các tài khoản quá hạn hoặc đã bị xóa nợ Việc ứng dụng các phương pháp này không chỉ nâng cao chất lượng thu hồi nợ mà còn giúp giảm thiểu tổn thất cho các tổ chức tài chính.
Mô hình thu h i n truy n th ng ch y u d a trên thông tin v ngày ồ ợ ề ố ủ ế ự ề quá hạn và dư nợ, chi phí thu h i n cao và có th m t khách hàng tiồ ợ ể ấ ềm năng
Mô hình thu hồi nợ sử dụng điểm thu hồi n để chuẩn hóa quá trình thu hồi, nhằm tối ưu hóa chiến lược thu hồi nợ Mô hình này dựa trên các tiêu chí như dư nợ, số ngày quá hạn, và các chỉ số khác, giúp nâng cao hiệu quả trong việc quản lý và thu hồi nợ.
Các chiến lược thu hồi nợ giúp ngân hàng tối ưu hóa nguồn lực, từ đó giảm chi phí thu hồi và xác định khả năng nợ quá hạn Đồng thời, việc phân mức ưu tiên trong thu hồi nợ cũng được thực hiện hiệu quả hơn.
Dữ liệu Dữ liệu bên ngoài: CIC, d ữliệu n i b : thông tin nhân kh u h c, thông ộ ộ ẩ ọ tin v hề ợp đồng, kho n vay, tình tr ng quá h n và thu h i nả ạ ạ ồ ợ.
2.2.8 Kiểm soát và nâng cao hiệu quả làm việc của nhân viên
Hệ thống Big Data giúp thu thập, phân tích và đánh giá hiệu quả làm việc của nhân viên một cách nhanh chóng và chính xác Trước đây, việc này yêu cầu nhiều công đoạn thủ công, nhưng với Big Data, các thông tin được xử lý dễ dàng hơn Kết quả phân tích cho phép lãnh đạo hiểu rõ tình hình làm việc hiện tại của nhân viên, đặc biệt là mức độ hài lòng của họ về môi trường làm việc và phúc lợi mà ngân hàng cung cấp.
2.3 Thách thức và đề xuất giải pháp trong ng d ng Big Data t i các ngân ứ ụ ạ hàng Vi t Namệ
2.3.1 Về nguồn lực tài chính
Ứng dụng của Big Data trong các ngân hàng trên thế giới
JPMorgan Chase & Co
JPMorgan Chase & Co là ngân hàng lớn nhất tại Mỹ và có trụ sở chính tại New York City, với vốn hóa thị trường khoảng 265,9 tỷ USD, đứng thứ tư trên thế giới Công ty sở hữu hơn 150 petabyte dữ liệu, phục vụ khoảng 3,5 tỷ tài khoản người dùng và quản lý 30.000 cơ sở dữ liệu JPMorgan cung cấp đa dạng dịch vụ tài chính, bao gồm ngân hàng thương mại, ngân hàng tư nhân, ngân hàng đầu tư, quản lý tài sản, dịch vụ bảo mật và ngân quỹ tại hơn 100 quốc gia.
Ngày 23 cung cấp đa dạng sản phẩm và dịch vụ tài chính nhằm đáp ứng nhu cầu của khách hàng, bao gồm cá nhân, tổ chức tài chính, chính phủ và doanh nghiệp.
Các ngân hàng thương mại lớn như JPMorgan hiện đang tối ưu hóa hiệu quả hoạt động nhờ vào phân tích dữ liệu lớn, với sự hỗ trợ của Apache Hadoop - một framework phần mềm cho phép xử lý dữ liệu phân tán Phân tích này giúp JPMorgan xác định các sản phẩm tối ưu để cung cấp cho khách hàng, với mục tiêu chính là đưa sản phẩm phù hợp đến đúng khách hàng vào thời điểm thích hợp qua các kênh phân phối hiệu quả.
JPMorgan Chase, nhà cung cấp dịch vụ tài chính hàng đầu tại Hoa Kỳ, tạo ra lượng lớn dữ liệu từ thông tin thẻ tín dụng và hàng triệu giao dịch Để quản lý và xử lý khối lượng dữ liệu khổng lồ này, JPMorgan đã chọn Apache Hadoop, một framework lý tưởng không chỉ để mở rộng quy mô dữ liệu mà còn để xử lý nhanh chóng dữ liệu phi cấu trúc phức tạp.
JPMorgan sở hữu khối lượng dữ liệu khổng lồ về chi tiêu và thu nhập của khách hàng, và họ tận dụng công nghệ Hadoop để phân tích dữ liệu lớn này Việc sử dụng Hadoop giúp JPMorgan xử lý thông tin tài chính một cách thông minh và hiệu quả hơn Ngoài ra, họ còn khai thác các dữ liệu phi cấu trúc như email, bài đăng trên mạng xã hội và cuộc gọi điện thoại, điều mà các cơ sở dữ liệu truyền thống không thể thực hiện.
JPMorgan đã khởi đầu việc sử dụng framework Hadoop mã nguồn mở thông qua cụm phần cứng Hadoop cluster-1, góp phần quan trọng trong việc hỗ trợ ra quyết định đầu tư chiến lược.
Các hệ thống dựa trên Hadoop đã trở nên quan trọng trong việc xử lý giao dịch của JPMorgan, đáp ứng nhu cầu về dữ liệu lớn Ngân hàng này sử dụng Apache Hadoop để xử lý dữ liệu khách hàng từ hàng nghìn sản phẩm và hệ thống khác nhau Mặc dù vẫn phụ thuộc vào các hệ thống cơ sở dữ liệu truyền thống, JPMorgan đang tích cực áp dụng khung phân tích và lưu trữ dữ liệu mở Hadoop để quản lý rủi ro CNTT và phát hiện gian lận.
Khả năng lưu trữ dữ liệu phi cấu trúc lớn của Hadoop cho phép JPMorgan Chase thu thập và lưu trữ nhiều loại dữ liệu, bao gồm nhật ký web, dữ liệu giao dịch và dữ liệu mạng xã hội Theo Larry Feinsmith, Giám đốc điều hành CNTT tại JPMorgan Chase, công nghệ này giúp công ty lưu trữ dữ liệu mà trước đây chưa từng được lưu trữ, tạo nền tảng chung cho các công cụ phân tích và khai thác dữ liệu Việc sử dụng dữ liệu lớn không chỉ tối ưu hóa quy trình bán tài sản thế chấp, quản trị rủi ro và đánh giá tín dụng, mà còn giúp ngân hàng phân tích hành vi khách hàng, từ đó xác định các rủi ro và cơ hội kiếm tiền trên thị trường tài chính.
Hệ thống phân tích của JPMorgan kết hợp dữ liệu nội bộ với các nguồn thông tin khác để rút ra những hiểu biết sâu sắc về khách hàng Qua đó, họ có thể dự đoán những khách hàng tiềm năng và đáng tin cậy cho các sản phẩm hoặc dịch vụ tài chính mới.
JPMorgan chi khoảng 250 triệu đô la mỗi năm cho an ninh mạng, nhằm bảo vệ dữ liệu khách hàng Ngân hàng này sử dụng nền tảng phân tích dữ liệu lớn của Sqrrl để tích hợp và phân tích dữ liệu một cách an toàn Sqrrl áp dụng phân tích biểu đồ nâng cao và phương pháp dữ liệu liên kết để phát hiện các điểm bất thường trong các bộ dữ liệu lớn, giúp ngăn chặn vi phạm bảo mật.
Vậy JPM sử dụng những tiến bộ khoa học vượt bậc này để làm gì?
1) JPMorgan sử dụng Big Data Analytics để phân tích nền kinh tế Mỹ
JPMorgan đang kết hợp dữ liệu giao dịch của khoảng 30 triệu khách hàng với số liệu thống kê công khai của Hoa Kỳ Các nhà phân tích dữ liệu tại JPMorgan đã xây dựng một bộ dữ liệu gồm 2,5 triệu khách hàng không xác định danh tính để phân tích thu nhập và thói quen chi tiêu từ tháng 10 năm 2012 đến tháng 12 năm 2014 Để bảo vệ thông tin của khách hàng, JPMorgan đã áp đặt các giao thức bảo mật nghiêm ngặt trong suốt quá trình tạo và phân tích tài sản dữ liệu này.
Phân tích dữ liệu lớn của JPMorgan sẽ trang bị cho các nhà hoạch định chính sách những công cụ cần thiết để cải thiện nền kinh tế Hoa Kỳ và nâng cao đời sống của hàng triệu người dân Là tổ chức tài chính tiên phong trong việc ứng dụng phân tích dữ liệu lớn vì lợi ích công cộng, JPMorgan sẽ cung cấp những hiểu biết quý giá giúp người sử dụng lao động, nhà hoạch định chính sách và nhà cung cấp dịch vụ hỗ trợ người dân quản lý và giảm thiểu rủi ro tài chính thông qua các chương trình, công cụ và sản phẩm sáng tạo.
Dữ liệu của JPMorgan cung cấp cái nhìn nhanh chóng và chính xác về sự phát triển của nền kinh tế, cho phép đánh giá tác động của các thảm họa thiên nhiên như Bão Sandy và việc tăng mức lương tối thiểu tại các bang Theo Diana Farrell, Giám đốc điều hành của Viện, điều này giúp chúng tôi phóng to và phân tích những ảnh hưởng kinh tế một cách hiệu quả.
JP Morgan Chase cho biết
2) JPMorgan tận dụng Phân tích dữ liệu lớn để phát hiện gian lận
JPMorgan không chỉ phân tích dữ liệu giao dịch mà còn theo dõi cuộc gọi và email để phát hiện hoạt động gian lận Họ sử dụng phần mềm phân tích của Palantir để giám sát thông tin liên lạc của nhân viên, nhằm nhận diện các dấu hiệu gian lận nội bộ.
3) JPMorgan tận dụng Phân tích dữ liệu lớn để gia tăng giá trị cho Khách hàng
JPMorgan đang số hóa thông tin chuyển tiền từ hộp khóa, cung cấp cho khách hàng những hiểu biết sâu sắc về tiến trình kinh doanh của họ Khách hàng có thể sử dụng thông tin này để giải quyết hiệu quả thắc mắc, dự báo tiền mặt và tăng cường giao dịch tài chính trong hệ thống phải thu Bằng cách tận dụng dữ liệu lớn và phân tích, JPMorgan gia tăng giá trị cho khách hàng thông qua việc cung cấp thông tin để đánh giá hiệu suất so với đồng nghiệp và đối thủ cạnh tranh.
4) JPMorgan tận dụng Phân tích dữ liệu lớn để đưa ra quan điểm rõ ràng về Dữ liệu thị trường tín dụng
Bank of America (BoA) vs Plaid (Công cụ giám sát tài chính)
Trong bối cảnh nhiều ngân hàng Mỹ gặp khó khăn trong việc xác định vị trí của Plaid, công ty này đã trở thành một chủ đề gây tranh cãi trong ngành ngân hàng và fintech Plaid đã rút khỏi thương vụ sáp nhập với Visa và nhanh chóng khôi phục hoạt động với mục tiêu rõ ràng và cơ hội thị trường lớn Bank of America, giống như nhiều ngân hàng khác, đã âm thầm hợp tác với Plaid mà không công khai vị trí của mình Tuy nhiên, sự nâng cấp trong giao dịch ngân hàng của Bank of America cho thấy mối quan hệ hợp tác thông qua thỏa thuận chia sẻ dữ liệu khách hàng với Plaid Mặc dù không rõ quá trình hợp tác diễn ra như thế nào, nhưng có nhiều sáng tạo khác liên quan đến dữ liệu của Plaid đáng để khám phá.
Trong hai năm qua (2019-2020), Plaid đã hợp tác với nhiều ngân hàng để nâng cao trải nghiệm khách hàng thông qua việc chia sẻ dữ liệu Một trải nghiệm giao dịch lý tưởng cho phép khách hàng biết rõ họ đang chia sẻ dữ liệu với bên thứ ba nào và loại dữ liệu nào được chia sẻ Nhiều ngân hàng mong muốn tiến xa hơn, cho phép người dùng tự quyết định cấp quyền cho các ứng dụng Trung tâm kiểm soát của ngân hàng Wells Fargo là một ví dụ thành công trong lĩnh vực này, và giờ đây, Bank of America cũng bắt đầu tham gia với cách kiểm soát tương tự.
Bank of America chưa công khai thông tin về việc hợp tác trực tiếp với Plaid Mặc dù không có bằng chứng cho thấy ngân hàng này tham gia vào việc triển khai Akoya APIs, nhưng nhiều nhà báo tin rằng đã có một sự hợp tác thành công giữa Bank of America và Plaid.
Bank of America đang hợp tác với Intuit, nhà cung cấp phần mềm quản lý tài chính Quicken, nhằm cải thiện trải nghiệm khách hàng Sự liên kết này diễn ra âm thầm nhưng cho thấy ngân hàng đang chiến lược mở rộng để cung cấp cho khách hàng cái nhìn toàn diện về khả năng liên kết dữ liệu cá nhân, giúp người dùng dễ dàng quản lý tài chính thông qua ngân hàng.
Nhận thức người dùng đóng vai trò quan trọng trong việc quản lý dữ liệu, và Bank of America không phải là ngân hàng duy nhất cung cấp quyền này cho khách hàng Các ngân hàng lớn như Wells Fargo đã từ bỏ nhiều công cụ kiểm soát tài chính truyền thống sau hàng thập kỷ hoạt động Nhân cơ hội này, Plaid đã ra mắt phiên bản cập nhật của công cụ kiểm soát tài chính qua portal My.Plaid.com, cho phép khách hàng xem liên kết dữ liệu của họ giữa các ngân hàng và cung cấp thông tin chi tiết về dữ liệu được chia sẻ với ứng dụng bên thứ ba thông qua Plaid.
Bank of America nổi bật nhờ thông báo cho người dùng về việc kết nối với Plaid, thay vì để họ tự tìm kiếm thông tin bảo mật Đây là nỗ lực nhằm nâng cao nhận thức và thu hút sự chú ý của người dùng đối với các liên kết quan trọng Một câu chuyện hài hước cho rằng những người đã đăng nhập vào Mint cách đây 10 năm mà không quay lại đã vô tình cung cấp dữ liệu ngân hàng của họ cho Mint suốt hơn một thập kỷ Để ngăn chặn lịch sử lặp lại, Bank of America đang hợp tác với Plaid và các công cụ kiểm soát khác nhằm tạo ra sự minh bạch trong các liên kết.
Ngành công nghiệp ngân hàng đang phát triển mạnh mẽ nhờ vào việc chia sẻ dữ liệu, với nhiều dấu hiệu tích cực từ Bank of America, Wells Fargo và các ngân hàng khác Các ngân hàng đã khởi xướng những sáng kiến mới như Ayoka và công bố “Đánh giá mức độ rủi ro trong bất đồng chia sẻ dữ liệu”, đồng thời thúc đẩy những ý tưởng tiên phong như FDX (Financial Data Exchange) Điều này cho thấy một viễn cảnh tương lai, trong đó các ngân hàng Mỹ sẽ hợp tác để tiêu chuẩn hóa cách thức truy cập, chia sẻ và quản lý dữ liệu khách hàng Trải nghiệm người dùng mới của Bank of America là bước khởi đầu quan trọng trong việc chứng minh giá trị của những mối quan hệ đối tác này.
Ứng dụng của Big Data trong các ngân hàng Việt Nam
Thực trạng ứng dụng Big Data tại các ngân hàng Việt Nam
Theo khảo sát của Vietnam Report (2019), gần 75% ngân hàng tại Việt Nam ưu tiên nghiên cứu và áp dụng công nghệ mới trong quản lý và phục vụ khách hàng Bên cạnh đó, 59% doanh nghiệp đang hoặc dự kiến sử dụng công cụ Big Data để thúc đẩy quá trình chuyển đổi số Các ngân hàng lớn đã có nhiều động thái tiêu biểu trong xu hướng này.
Kể từ năm 2018, TPBank đã triển khai ứng dụng BigData nhằm hướng tới ngân hàng số, đáp ứng hầu hết các yêu cầu về khai thác dữ liệu lớn và phân tích nâng cao Hệ thống của ngân hàng sử dụng AI và phân tích nâng cao để giải quyết các bài toán nghiệp vụ như dự trù tiếp quỹ ATM/VTM, bán chéo sản phẩm tiết kiệm điện tử, phân khúc khách hàng trên kênh số, và giám sát tài sản đảm bảo Ngoài ra, TPBank còn ứng dụng phân tích để dự báo Customer Churn, Next Best Offer, quản lý rủi ro an toàn thông tin, và phát hiện giao dịch bất thường.
VietinBank đã đầu tư vào Data Warehouse từ năm 2017, cùng với việc phát triển Data Lake và Big Data để thu thập dữ liệu khách hàng từ nhiều nguồn khác nhau Điều này tạo nền tảng cho việc ứng dụng AI trong phân tích hành vi khách hàng, nhằm thu hút cả khách hàng cũ và mới Ngoài ra, VietinBank sử dụng Big Data để phân tích năng suất lao động của nhân viên, từ đó cải thiện đào tạo và chuyển đổi công việc Chất lượng dữ liệu được coi trọng, với sự hiện diện của một CDO (Chief Data Official) chịu trách nhiệm quản trị và làm giàu dữ liệu Ngân hàng cũng tích hợp dữ liệu từ nhiều nguồn bên ngoài và hợp tác với các đối tác khác nhau để phục vụ khách hàng tốt nhất.
VIB: Ứng dụng Big Data trong cấp duyệt thẻ tín dụng
Ngân hàng thường xác định mức độ an toàn tín dụng của người vay hoặc người mở thẻ dựa vào các dữ liệu tài chính quan trọng Những thông tin này bao gồm hợp đồng lao động, sao kê lương và lịch sử tín dụng được ghi nhận tại các trung tâm thông tin tín dụng, cả của nhà nước và tư nhân.
Các phương pháp hiện tại để đánh giá tín dụng qua CIC còn nhiều hạn chế, đặc biệt đối với những người chưa từng vay mượn hoặc mở thẻ, vì họ không có lịch sử tín dụng Ngoài ra, nhiều người mở thẻ không có hợp đồng lao động hoặc sao kê lương chính xác, dẫn đến việc không phản ánh đúng thu nhập thực tế Đối với những người đã vay, thông tin trên CIC có thể không còn chính xác do hoàn cảnh tài chính cá nhân đã thay đổi theo thời gian.
Phương pháp chấm điểm tín dụng hiện đại sử dụng Big Data kết hợp với AI đã biến tất cả các loại dữ liệu thành thông tin có giá trị Điều này bao gồm dữ liệu hành vi, thói quen mua sắm trực tuyến, thông tin viễn thông, lịch sử thanh toán các loại cước phí, và thậm chí cả dữ liệu sức khỏe.
Dù không có khoản vay ngân hàng nào, khách hàng vẫn phải thanh toán nhiều khoản hàng tháng, và việc thanh toán đúng hạn có thể ảnh hưởng đến mức độ an toàn tín dụng Ví dụ, sinh viên trả hóa đơn điện thoại di động đúng hạn hoặc nhân viên văn phòng thanh toán các hóa đơn điện, nước, Internet đúng thời gian đều cho thấy khả năng quản lý tài chính tốt Ngoài ra, khả năng chi tiêu trực tuyến và mua sắm online cũng là những yếu tố quan trọng trong việc đánh giá tín dụng.
Dữ liệu này cung cấp thông tin quan trọng về cách mọi người quản lý nghĩa vụ tài chính và tuân thủ kỷ luật thanh toán đúng hạn, tạo ra nguồn dữ liệu thay thế cho ngân hàng trong việc đánh giá uy tín người dùng.
Dữ liệu thay thế được các chuyên gia tài chính đánh giá cao vì khả năng hỗ trợ trong việc đánh giá rủi ro tín dụng nhờ vào độ phủ rộng Việc kết nối thông tin từ các giao dịch kỹ thuật số hàng ngày của khách hàng và ứng dụng công nghệ mới trong xử lý dữ liệu tạo ra một cơ chế giám sát hiệu quả, bổ sung cho các phương pháp đánh giá rủi ro tín dụng truyền thống.
Công nghệ hiện đại có khả năng phân tích xu hướng hành vi và mô hình mua sắm của khách hàng, từ các giao dịch mua sắm tạp hóa, thanh toán hóa đơn tiện ích, đến việc chuyển tiền cho gia đình và bạn bè hay mua vé xem phim Những thông tin này được tổng hợp để cung cấp cái nhìn tổng quát về hành vi tài chính và khả năng trả nợ của người tiêu dùng.
Dữ liệu thay thế có thể giải quyết nhiều thách thức trong ngành tín dụng, nhờ vào sự phát triển của thuật toán, khoa học dữ liệu và trí tuệ nhân tạo Những công nghệ này khuyến khích tổ chức và cá nhân tham gia, cải thiện điểm tín dụng, kiểm tra gian lận và thúc đẩy cho vay thông minh.
Ngân hàng thường đánh giá rủi ro tín dụng của những người chưa có kinh nghiệm vay mượn bằng cách yêu cầu cung cấp nhiều giấy tờ chứng minh thu nhập từ bên thứ ba, như hợp đồng lao động và sao kê bảng lương Khi thông tin càng thiếu, người đi vay sẽ phải nộp nhiều giấy tờ hơn để chứng minh khả năng trả nợ Quy trình này thường tốn thời gian và công sức trong việc xác minh và lưu trữ tài liệu.
Trong bối cảnh phát triển mạnh mẽ của mảng bán lẻ trong thị trường ngân hàng, việc phục vụ khách hàng đòi hỏi xác minh một lượng lớn thông tin người dùng Quy trình mở thẻ tín dụng hiện nay có thể kéo dài đến một tuần, bao gồm các bước gặp gỡ, tư vấn, thu thập giấy tờ và chứng minh tài chính Thời gian để thẻ đến tay người dùng thường mất từ một tuần đến 10 ngày.
Dự án ứng dụng Big Data vào quy trình duyệt hạn mức thẻ tín dụng của VIB và Trusting Social đã mang lại thành công lớn, cho phép khách hàng chỉ cần sử dụng thiết bị di động để điền thông tin cơ bản và nhận phê duyệt hạn mức thẻ một cách nhanh chóng và đơn giản.
Dự án này tập trung vào việc số hóa 100% quy trình phê duyệt hạn mức tín dụng và phát hành thẻ, tạo ra bước ngoặt công nghệ trong trải nghiệm người dùng thẻ và thanh toán không tiền mặt tại Việt Nam, theo bà Trần Thu Hương, Giám đốc Ngân hàng Bán lẻ VIB Ông Nguyễn An Nguyên, CEO Trusting Social, nhấn mạnh vai trò quan trọng của Big Data và AI trong việc phổ cập tài chính số Nhiều người chưa tiếp cận dịch vụ tài chính không thể chứng minh thu nhập, nhưng điều đó không có nghĩa là họ không có khả năng thanh toán Việc đánh giá rủi ro tín dụng có thể dựa vào các dữ liệu thay thế như thói quen tiêu dùng và hành vi mua sắm.
Ông Nguyên cho biết, việc sử dụng Big Data để phân tích dữ liệu từ những thông tin có vẻ không liên quan đến ngân hàng có thể mang lại kết quả đánh giá rủi ro tín dụng chính xác, từ đó giúp mở rộng tệp khách hàng và nâng cao hiệu quả kinh doanh.
Big Data không chỉ giúp doanh nghiệp hiểu rõ hơn về khách hàng mà còn giảm chi phí khoản vay, từ đó mở rộng cơ hội kinh doanh Ví dụ điển hình là tại Indonesia, nơi mà việc áp dụng Big Data đã mang lại nhiều lợi ích cho các công ty trong việc tối ưu hóa hoạt động tài chính và phát triển thị trường.
Trusting Social đang ứng dụng công nghệ phân tích dữ liệu mới để cải thiện quy trình chấm điểm tín dụng Thông thường, khi vay 500 USD, chi phí có thể lên tới 50 USD Tuy nhiên, với việc ứng dụng công nghệ, chi phí xử lý hồ sơ cho khoản vay này chỉ còn 50 cent.