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)

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH - LÊ VĂN PHÚ 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 - LÊ VĂN PHÚ 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) Chuyên ngành: Quản trị kinh doanh ( Hệ điều hành cao cấp ) Mã số: 8340101 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS TỪ VĂN BÌNH Thành Phố Hồ Chí Minh – Năm 2020 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu khoa học độc lập riêng Các số liệu sử dụng phân tích luận án có nguồn gốc rõ ràng, công bố theo quy định Các kết nghiên cứu luận án tơi tự tìm hiểu, phân tích cách trung thực, khách quan phù hợp với thực tiễn Việt Nam Các kết chưa công bố nghiên cứu khác Người thực 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 CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU 1.1 Lý chọn đề tài 1.2 Mục tiêu nghiên cứu 1.3 Phương pháp nghiên cứu 1.3.1 Đối với số liệu phục vụ nghiên cứu 1.3.2 Các khái niệm tiếp cận nghiên cứu 1.3.3 Phạm vi nghiên cứu luận văn .7 1.3.4 Kết cấu luận văn CHƯƠNG 2: CƠ SỞ LÝ LUẬN 2.1 Big Data .8 2.2 Các ứng dụng big data lĩnh vực ngân hàng 14 2.3 Khai phá 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 phương pháp RFM 23 2.5 Mơ 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 ứng dụng Big data lĩnh vực ngân hàng 28 3.1.1 Big data 28 3.1.2 Ứng dụng Big data lĩnh vực ngân hàng 29 3.2 Ứng dụng big data Ngân hàng TMCP Sài Gòn (SCB) 36 3.2.1 Giới thiệu 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 mơ hình gian lận Fraud 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 Từ viết tắt Nguyên nghĩa SCB Ngân hàng Thương Mại Cổ Phần Sài Gòn RFM Recency, Frequency, Monatery DANH MỤC CÁC BẢNG BIỂU Table 1.1: Information of variables concerned Bảng 2.1 Các bước trình khai phá liệu .19 Bảng 2.4 Bảng mô tả điểm theo RFM .24 Bảng 4.1: Loại thẻ sử dụng khách hàng theo nghề nghiệp 43 Bảng 4.2: Thông tin trường mơ hình 45 Bảng 4.3: Thông tin trường mơ hình theo hành vi giao dịch 48 Bảng 4.4: Kết gian lận xét từ mơ hình gian lận .51 DANH MỤC CÁC BIỂU ĐỒ Biểu đồ 2.5: Tiến trình tiếp cận phục vụ mơ hình fraud 25 Biểu đồ 4.1: Thơng tin giới tính khách hàng 38 Biểu đồ 4.2: Thông tin trình độ học vấn 38 Biểu đồ 4.3: Nghề nghiệp khách hàng 39 Biểu đồ 4.4: Loại khách hàng sử dụng dịch vụ ngân hàng 40 Biểu đồ 4.5: Thời gian tham gia dịch vụ 40 Biểu đồ 4.6: Thời gian tham gia dịch vụ theo loại khách hàng 41 Biểu đồ 4.7: Các loại thẻ sử dụng khách hàng 42 Biểu đồ 4.8: Thu nhập bình quân khách hàng theo loại thẻ sử dụng 43 Biểu đồ 4.9: Kết từ thuật toán C5.0 46 Biểu đồ 4.10: Đánh giá mơ hình dựa nhóm Training/Đào tạo Testing/Kiểm định 46 Biểu đồ 4.11: Kết gian lận xét hồ sơ gốc ban đầu .47 Biểu đồ 4.12: Kết từ thuật toán C5.0 bước .49 Biểu đồ 4.13: Kết gian lận xét hồ sơ gốc ban đầu .50 Biểu đồ 4.14: Kết Gian lận xác định từ kết hợp hai mơ 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 TĨM TẮT Thơng qua nguồn liệu Big data phục vụ phân tích xác định gian lận hoạt động tín dụng việc dường lạ nghiên cứu Sự lạ thể nghiên cứu sử dụng thuật toán C5.0 2.572 khách hàng tham gia giao dịch SCB Những khách hàng nghiên cứu chọn có thời gian tham giao dịch vụ từ 12 tháng trở lên Điều cho kết dự báo xác Tuy nhiên, thừa biết rằng, tiêu chí để xếp hạng hồ sơ khách hàng phía ngân hàng xây dựng theo qui trình có đóng góp từ nhiều phía Do hồ sơ bị đánh giá lệch, phải nói rằng, có trách nhiệm nhân viên cấp thẩm quyền phê duyệt sản phẩm Các lỗ hổng phân tích bao gồm nội dung tóm tắt điểm sau: - Khách hàng cố tình gian lận việc cung cấp hồ sơ ban đầu cho Ngân hàng, nhân viên tiếp nhận & cấp thẩm quyền cao nhất, không phát hồ sơ rủi ro - Khách hàng cố tình gian lận 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 không phát hồ sơ rủi ro - Khách hàng cố tình gian lận việc cung cấp hồ sơ ban đầu cho Ngân hàng, kế hợp với lảnh đạo cấp thẩm quyền cao sản phẩm dịch vụ thơng đồng, phát hồ sơ mang tính rủi ro thấp trung bình từ khách hàng & lãnh đạo cấp thẩm quyền phê duyệt sản phẩm …vv Nghiên cứu kế thừa thực tế, sở áp dụng mơ hình Fraud vào số liệu thực tế ngân hàng thương mại Kết nghiên cứu có đóng góp quan trọng cho việc xây dựng giải pháp giảm thiểu rủi ro gian lận cho phía nhân viên cơng ty từ phía khách hàng Các giải pháp nêu phần 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 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 45 Bảng 4.2: Thông tin trường mô hình STT Tên trường Định nghĩa trường Giá trị đo lường RANK_HOSO NETINCOME TAISAN LOAI_HOSO QUANHE_CONGDONG HOC_VAN VITRI_CONGTAC GIA_CANH Hồ sơ xếp loại từ Trường mục tiêu (target field): ban đầu TỐT/HIGH (68,0%); TRUNG BÌNH/AVERAGE (24,3%); THẤP (7,7%) Thu nhập sau thuế Triệu đồng/tháng: Min= triệu đồng; Max = 44.1 tỷ đồng; Trung bình = 119,9 triệu đồng Tài sản nhà Nhà sở hữu (78,4%; Ở cha mẹ (16,0%); Nhà thuê (5,6%) Hồ sơ khách hàng Khách hàng (43,5%); Khách hàng cũ (22,3%); Khách hàng phát hành (17,9%); Khách hàng gia hạn/đánh giá lại (16,3%) Qua hệ cộng đồng Có uy tín (49,1%); Bình thường (13,7%); Unknown/không biết (37,3%) Học vấn Đại học (68,0%); Trung cấp (11,5%); Thạc sĩ (6,9%); Cao đẳng (6,5%); Cao đẳng (5,9%); Tiến sĩ (1.3%); Khơng có thơng tin (5,9%) Chức vụ cơng việc Nhân viên văn phịng (24,48%); Cơng nhân (26,06%); Giám đốc (24,52%); Quản lý cấp trung (22,795); Hưu (0.145) Gia cảnh Thịnh vượng (41,7%); Bình thường (21,5%); Khơng rõ (36,8%) Kết dự báo biểu đồ 4.9 cho thấy thu nhập sau thuế (NETINCOME) xem có tầm quan trọng lớn xếp loại hồ sơ, giá trị tài sản nhà khách hàng, phần kế lại nhóm khách hàng thuộc nhóm khách hàng cũ mới, quan hệ cộng đồng, học vấn, vị trí cơng tác gia cảnh Mơ hình dự báo nhóm đào tạo Training (60% số quan sát) nhóm kiểm định (Testing) (40% số quan sát) Kết hai nhóm cho thấy khơng có khác biệt tỷ lệ xác (Correct) 78% Điều cho thấy phương pháp chấp nhận để bước xác định nhóm gian lận 46 Biểu đồ 4.9: Kết từ thuật toán C5.0 Biểu đồ 4.10: Đánh giá mơ hình dựa nhóm Training/Đào tạo Testing/Kiểm định Như trình bày trước đó, trường mục tiêu RANK_HOSO có ba nhóm kết dự báo từ C5.0 cho trường mục tiêu dự báo $C_RANK_HOSO So sánh hồ sơ đánh giá ban đầu sau dự báo, kết biểu đồ 4.11 Có nhóm nêu biểu đồ 4.11 Mỗi nhóm có định nghĩa sau: 47 (1) F1_F- : nhóm gian lận xác định hồ sơ ban đầu đánh giá cao (HIGH), sau dự báo hồ sơ thuật toán xếp loại lại hồ sơ thuộc nhóm thấp (LOW) nhóm trung bình (AVER) Tương tự, hồ sơ ban đầu đánh giá mức trung bình (AVER) kết thuật tốn cho nhóm hồ hơ thuộc vào nhóm thấp (LOW) Trong trường hợp này, kết thống kê từ dự báo Nhóm gian lận F- chiếm 2,4% (2) F1_F+ : nhóm gian lận xác định hồ sơ ban đầu đánh giá thấp (LOW) sau dự báo hồ sơ thuật toán xếp hồ sơ thuộc vào nhóm trung bình (AVER) nhóm cao (HIGH) Tương tự hồ sơ ban đầu xếp hạng mức trung bình (AVER) thuật cho kết dự báo nhóm thuộc nhóm đánh giá hồ sơ thấp (HIGH) Trong trường hợp này, kết thống kê từ dự báo Nhóm gian lận F+ chiếm tỷ lệ 19,3% (3) F1_F0 : nhóm khơng gian lận, hồ sơ ban đầu xếp loại nào, cho kết dự báo Điển hình, ban đầu hồ sơ xếp loại cao (HIGH) sau dự báo cho kết cao (HIGH), tương tự ban đầu xếp loại thấp (LOW) sau dự báo cho kết thấp (LOW) Trường hợp này, kết thống kê từ dự báo Nhóm chiếm tỷ lệ 78,3% Như kết cho thơng điệp có gian lận đánh giá hồ sơ chiếm 21,7% (bao gồm F1_F- F1_F+) Điều chủ đích người tham gia trực tiếp thẩm định hồ sơ thực xếp loại Việc xác định lại nhân viên tham gia trực tiếp thẩm định hồ sơ khơng khó, hệ thống có ghi nhận nhân viên trách nhiệm thẩm định Hoặc xem lại đặc điểm nhận học nằm nhóm có nguy gian lận Biểu đồ 4.11: Kết gian lận xét hồ sơ gốc ban đầu Kết Fraud_B1 F1_FF1_F+ F1_F0 TỔNG Tần suất 84 681 2758 3523 Tỷ lệ 2.4% 19.3% 78.3% 100.0% 48 Nguồn: Kết phân tích b Phân tích mơ hình Fraud dựa vào lịch sử tham gia giao dịch Tương tự mơ hình gian lận Fraud bước 1, mơ hình Fraud bước hướng đến xác định gian lận sau khách hàng có hành vi giao dịch 12 tháng ngân hàng Trường hợp này, RANK_HOSO xem trường mục tiêu (target field), trường hỗ trợ cho dự báo bao gồm lịch sử giao dịch: Số dư bình quân 12 tháng, Thời gian giao dịch gần (R), tần suất giao dịch (F), giá trị giao dịch (M), lịch sử giao dịch ngân hàng SCB so với giao dịch với ngân hàng khác thời gian nghiên cứu Như bảng 4.3, lịch sử giao dịch khách hàng SCB so với ngân hàng khác (đối thủ) thông tin sau: (i) Không sử dụng dịch vụ ngân hàng SCB trước (DV NH SCB) trước (3,2%); (ii) Sử dụng dịch vụ ngân hàng SCB (DV NH SCB) (66,9%); (iii) Sử dụng DV NH SCB < NH khác (1.1%); (iv) Sử dụng DV NH SCB = NH khác (11.2%); (v) Sử dụng DV NH SCB > NH khác (17.6%) Tương tự, thuật toán ứng dụng để dự báo hành vi gian lận Fraud phương pháp C5.0 thông qua phần mềm IBM SPSS MOLDER Bảng 4.3: Thông tin trường mơ hình theo hành vi giao dịch STT Tên trường RANK_HOSO Định nghĩa trường Giá trị đo lường Hồ sơ xếp loại từ Trường mục tiêu (target field): ban đầu TỐT/HIGH (68,0%); TRUNG BÌNH/AVERAGE (24,3%); THẤP (7,7%) DU_NO_BQ Dư nợ khách hàng Triệu đồng/tháng: Min= triệu đồng; Max = 44.1 tỷ đồng; Trung bình = 119,9 triệu đồng RECENCY Thời gian giao dịch gần Thứ bậc: 1= xa; = xa; 3= vừa phải; 4=gần; = gần FREQUENCY Tần suất giao dịch Thứ bậc: 1= Rất ít; = ít; = vừa phải; 4= thường xuyên; = Rất thường xuyên MONETARY Giá trị/Số dư giao dịch Thứ bậc: = thấp; = thấp; = vừa phải; = cao; 5= cao SUDUNG_NHKHAC Thông tin khách hàng sử - Không sử dụng DV NH SCB trước dụng dịch vụ ngân hàng = 3,2% SCB ngân hàng khác - Sử dụng DV NH SCB = 66,9% - Sử dụng DV NH SCB < NH khác = 1.1% - Sử dụng DV NH SCB = NH khác = 11.2% - Sử dụng DV NH SCB > NH khác = 17,6% 49 Kết cho thấy thời gian giao dịch gần (RECENCY) có tầm quan trọng lớn mơ hình, kế số dư nợ bình qn (DU_NO_BQ) thời gian giao dịch, tần suất giao dịch (FREQUENCY), có sử dụng dịch vụ ngân hàng SCB ngân hàng khác (SUDUNG_NHKHAC) (biểu đồ 4.12) Biểu đồ 4.12: Kết từ thuật toán C5.0 bước Tương tự thuật toán bước 1, RANK_HOSO trường mục tiêu cho kết dự báo ba nhóm biểu đồ 13, kết dự báo từ C5.0 cho trường mục tiêu dự báo $C_RANK_HOSO So sánh hồ sơ đánh giá ban đầu sau dự báo, kết biểu đồ 4.13 Mỗi nhóm có định nghĩa sau: (1) F2_F- : nhóm gian lận xác định hồ sơ ban đầu đánh giá cao (HIGH), sau dự báo dựa vào lịch sử giao dịch thông tin hồ sơ dự báo thuật tốn xếp nhóm đánh giá thấp (LOW) nhóm trung bình (AVER) Tương tự, hồ sơ ban đầu đánh giá mức trung bình (AVER) kết thuật tốn cho nhóm hồ hơ thuộc vào nhóm thấp (LOW) Như theo trường hợp trên, kết dự báo cho thấy nhóm F2_Flà nhóm gian lận lịch sử so với hồ sơ ban đầu chiếm 2,2% 50 (2) F2_F+ : nhóm gian lận xác định hồ sơ ban đầu đánh giá thấp (LOW) sau dự báo dựa vào lịch sử giao dịch khách hàng, nhóm xếp vào nhóm trung bình (AVER) nhóm cao (HIGH) Tương tự áp dụng trường hợp hồ sơ ban đầu xếp hạng mức trung bình (AVER) thuật tốn cho kết dự báo nhóm thuộc nhóm đánh giá cao (HIGH) sau dự báo dựa vào lịch sử giao dịch khách hàng Theo kết dự báo, nhóm F2_F+ nhóm gian lận đánh giá ban đầu thấp, kết cho nhóm đánh giá cao chiếm 26,9% (3) F2_F0 : nhóm khơng có gian lận, hồ sơ ban đầu xếp loại nào, sau trình lịch sử giao dịch cho kết dự báo Ví dụ ban đầu hồ sơ khách hàng xếp loại tốt (HIGH), sau trình giao dịch, nhóm khách hàng được thuật tốn dự báo thuộc nhóm có hành vi tốt (HIGH), tương tự áp dụng cho trường hợp nhóm trung bình (AVER) nhóm hồ sơ không tốt (LOW) Kết dự báo trường hợp F2_F0 chiếm tỷ lệ 70,9%, nhóm khơng có gian lận Như kết cho thơng điệp có gian lận đánh giá hồ sơ chiếm 29,1% (bao gồm F2_F- F2_F+) Điều chủ đích người tham gia trực tiếp hồ sơ, nhân viên trực tiếp thẩm định Việc xác định lại nhân viên tham gia trực tiếp đánh giá hồ sơ khơng khó, hệ thống có ghi nhận Hoặc xem lại đặc điểm nhân học nằm nhóm có nguy gian lận Biểu đồ 4.13: Kết gian lận xét hồ sơ gốc ban đầu Kết Fraud_B2 F2_FF2_F+ F2_F0 TỔNG Tần suất 77 948 2,498 3,523 Nguồn: Kết phân tích Tỷ lệ 2.2% 26.9% 70.9% 100.0% 51 c Kết mơ hình gian lận kết hợp từ mơ hình bước bước Như kết mô hinh Fraud bước dựa vào hồ sơ gốc thông tin cá nhân khách hàng tham gia giao dịch kết hợp với bước dự báo dựa vào hồ sơ đánh giá ban đầu dựa báo dựa vào lịch sử giao dịch sau 12 tháng tham gia Kết kết hợp mơ hình cho kết gian lận không gian lận xếp hạn bảng 4.4 Bảng 4.4: Kết gian lận xét từ mơ hình gian lận Kết hợp F1_F0 kết hợp với F2_F0 F1_F0 kết hợp với F2_FF1_F0 kết hợp với F2_F+ F1_F- kết hợp với F2_F+ F1_F- kết hợp với F2_FF1_F+ kết hợp với F2_F+ F1_F+ kết hợp với F2_FF1_F- kết hợp với F2_F0 F1_F+ kết hợp với F2_F0 Kết gian lận Khơng có gian lận Có gian lận Có gian lận Có gian lận Có gian lận Có gian lận Có gian lận Có gian lận Có gian lận Nhận định +++ + + ++ +++ +++ ++ + + Dựa định nghĩa gian lận nêu biểu đồ 4.14 Kết gian lận sau minh họa bảng 4.5 Theo bảng dấu +++ tức mức độ gian lận cao Nhóm có ++ dấu + mức độ gian lận thấp Theo kết thống kê, nhóm khách hàng xác định khơng có biểu gian lận chiếm 64% khách hàng, nhóm có độ tin cậy cao kết dựa vào kết hợp từ bước 1&2 Trên sở kết thông điệp vô quan trọng giúp cho ngân hàng có định hướng cụ thể thực giải pháp khắc phục Chẳng hạn, xuất tập khách hàng xếp vào nhóm có gian lận, ngân hàng lần hành vi khách hàng, xác định nhân viên trực tiếp quản lý thẩm định hồ sơ 52 Biểu đồ 4.14: Kết Gian lận xác định từ kết hợp hai mơ hình Kết GIAN LẬN NO-GIANLAN+++ YES_GIANLAN+++ YES_GIANLAN++ YES_GIANLAN+ TỔNG Tần suất 2,255 676 585 3,523 Tỷ lệ 64.0% 19.2% 0.2% 16.6% 100.0% 4.2.4 Thông tin giao dịch phân theo gian lận Kết biểu đồ 4.15 cho thấy nhóm khách hàng xem có tính gian lận cao (YES_GIANLAN+++) có hạn mức bình qn 80 triệu đồng Trong nhóm khách hàng xếp vào gian lận vừa (YES_GIANLAN++) có hạn mức cao 120 triệu đồng Có lưu ý cho thấy, nhóm khách hàng xếp vào nhóm có gian lận thường có thời gian tham gia dịch vụ lâu SCB từ 65-81 tháng (biểu đồ 4.15) Điều cho thấy, khách hàng nhóm khách hàng cũ Một kinh nghiệm khách hàng nhiều giao dịch, phát sinh gian lận từ nhân viên xét duyệt hồ sơ từ khách hàng khai báo thông tin hồ sơ tiếp cận dịch vụ vay vốn dịch vụ thẻ SCB Biểu đồ 4.14: Hạn mức sử dụng theo nhóm khách hàng 53 Biểu đồ 4.15: Nhóm khách hàng xếp loại theo Ghi chú:  LIFETIME: thời gian tham gia dịch vụ  KQ_GIAN_LAN: Kết khách hàng xếp theo nhóm gian lận Tóm tắt chương: Kết phân tích liệu chương đem đến tranh rõ nét thông tin, đặc điểm tham gia dịch cụ khách hàng, có đặc điểm nhân học loại dịch vụ mà khách hàng tham gia Nhiều mong đợi phân tích, kết tỷ lệ khách hàng đưa vào nhóm mà phía ngân hàng SCB cần quan tâm để kiểm soát rủi ro gian lận chiếm đến 36% Tỷ lệ nói cịn cao Nên phía SCB cần lưu ý hướng đến chỉnh đốn nội kiểm soát kỷ lịch sử giao dịch khách hàng Có thể nói, khách hàng có thời gian tham gia dịch vụ lâu hơn, dường dự báo có tính gian lận cao hơn, đặc biệt nhóm khách hàng có thời gian tham gia dịch vụ từ >65 - 81 tháng xảy khách hàng có hạn mức cao tiếp cận dịch vụ tín dụng thẻ 54 CHƯƠNG 4: KẾT LUẬN VÀ XÂY DỰNG CHIẾN LƯỢC A KẾT LUẬN Ứng dụng nguồn liệu Big data phục vụ phân tích xác định gian lận hoạt động tín dụng việc dường lạ nghiên cứu Sự lạ thể nghiên cứu sử dụng thuật toán C5.0 2.572 khách hàng tham gia giao dịch SCB Những khách hàng nghiên cứu chọn có thời gian tham gia dịch vụ từ 12 tháng trở lên Điều giúp việc hạn chế thông tin nhiễu khách hàng có thời gian tham gia dịch vụ 12 tháng Điều có nghĩa là, thời gian tham gia dịch vụ lâu, hành vi khách hàng sử dụng phân tích, cho kết dự báo xác Qua thuật tốn sử dụng sau hai lần hướng đến xác định gian lận, kết cho dịch vụ ngân hàng SCB có khoảng 36% khách hàng đưa vào nhóm có tính gian lận, gian lận đến từ hai phía Phía từ nhân viên, người trực tiếp thẩm định hồ sơ, vơ tình, có chủ đích vấn đề vấn cịn dấu chấm hỏi Với tỷ lệ khách hàng xem hàm ý gian lận 64% tỷ lệ thật chưa cao, nên phía SCB cần phải có nhiều việc phải đưa giải pháp để kiểm soát Tuy nhiên, thừa biết rằng, tiêu chí để xếp hạng hồ sơ khách hàng phía ngân hàng xây dựng theo qui trình có đóng góp từ nhiều phía Do hồ sơ bị đánh giá lệch, phải nói rằng, có trách nhiệm nhân viên Các lỗ hổng phân tích bao gồm nội dung tóm tắt điểm sau: + Thứ 01: khách hàng cố tình gian lận việc cung cấp hồ sơ ban đầu cho Ngân hàng, nhân viên tiếp nhận cấp thẩm quyền cao nhất, duyệt sản phẩm dịch vụ đó, khơng phát hồ sơ mang tính rủi ro cao trung bình từ khách hàng + Thứ 02 : khách hàng cố tình gian lận việc cung cấp hồ sơ pháp lý ban đầu cho ngân hàng, kế hợp với nhân viên tiếp nhận thông đồng, dựa vào lỗ hổng cấp thẩm 55 quyền cao nhất: tin tưởng nhân viên cấp dưới, không xem kỷ hồ sơ khách hàng cung cấp, duyệt sản phẩm dịch vụ đó, khơng phát hồ sơ mang tính rủi ro trung bình thấp từ khách hàng nhân viên tiếp nhận + Thứ 03 : khách hàng cố tình gian lận việc cung cấp hồ sơ ban đầu cho Ngân hàng, kế hợp với lãnh đạo cấp thẩm quyền cao sản phẩm dịch vụ thơng đồng, dựa vào chức vụ quyền hạng đạo làm sai trái qui định ban hành duyệt sản phẩm dịch vụ đó, phát hồ sơ mang tính rủi ro thấp trung bình từ khách hàng lãnh đạo cấp thẩm quyền phê duyệt sản phẩm +Thứ 04 : khách hàng cung cấp hồ sơ ban đầu cho ngân hàng, nhân viên tiếp nhận khách hàng, dựa vào lỗ hổng cấp thẩm quyền cao nhất: tin tưởng nhân viên cấp dưới, nhân viên cấp sử dụng thông tin người khác không khách hàng cung cấp, qua mặt khách hàng lãnh đạo, lãnh đạo không xem kỷ hồ sơ khách hàng cung cấp có dấu hiệu sai phạm, không qui định sản phẩm ban hành, duyệt sản phẩm dịch vụ đó, khơng phát hồ sơ mang tính rủi ro thấp từ nhân viên tiếp nhận Cho dù nhân viên có tài ba mấy, chủ đích gian lận khách hàng có thực hiện, điều xảy thường tình Điều xảy khách hàng lý cần tiếp cận dịch vụ ngân hàng, họ sẵn sàng làm lệch hồ sơ, gia hạn khơng trung thực tìm ý định gian lận tăng điểm hồ sơ cho vay vốn, cho dịch vụ thẻ Tuy nhiên để kiểm chứng điều này, lịch sử giao dịch khách hàng sau 12 tháng mơ hình dự báo giúp dự báo khách hàng thuộc nhóm trung thực/khơng gian lận nhóm có gian lận Tóm lại kết nghiên cứu ý tưởng nghiên cứu, mơ hình ứng dụng áp dụng từ phương pháp nghiên cứu trước thực Nghiên cứu kế thừa thực tế, sở áp dụng mơ hình Fraud vào số liệu thực tế SCB Kết nghiên cứu có đóng góp quan trọng cho việc xây dựng giải pháp giảm thiểu rủi ro gian lận cho phía nhân viên cơng ty từ phía khách hàng Các giải pháp nêu phần 56 B CÁC GIẢI PHÁP HẠN CHẾ LỖ HỔNG VÀ GIAN LẬN TRONG KINH DOANH Căn vào kết phân tích từ mơ hình gian lận Fraud từ nguồn số liệu big data có SCB, đề tài phát hai lỗ hổng tạo gian lận hoạt động tín dụng SCB Sự gian lận xảy từ phía nhân viên tham gia trực tiếp thẩm định hồ sơ gian lận đến từ chủ đích khách hàng Việc phân tích dựa vào số liệu hồ sơ gốc ban đầu phía khách hàng cung cấp dựa vào lịch sử tham gia giao dịch khách hàng có 12 tháng tham gia dịch vụ SCB Những gian lận Xuất phát từ kết đỏ Nội dung viết đưa giải pháp sau (1) Giải pháp áp dụng đến nhân viên tham gia trực tiếp thẩm định hồ sơ Phía ngân hàng, cần hiệu chỉnh lại phương pháp qui trình đánh giá hồ sơ khách hàng, cần nhắc nhỡ nhân viên phải thực nghiêm túc qui trình thẩm định: Tiếp nhận hồ sơ vay khách hàng vay tín chấp  Thẩm định vay  Quyết định khoản vay  Giải ngân/triển khai dịch vụ khách hàng Để thực qui trình đạt chuẩn mực, nhân viên tuyển dụng cho thẩm định quan trọng, điều liên quan đến lực, kinh nghiệm, đặc biệt tư nhận định vấn đề Đối với khách hàng cũ, người nhân viên nên có thơng tin tóm tắt lại lịch sử giao dịch khách hàng khứ, điều giúp việc đánh giá xác (2) Giải pháp quan tâm kiểm soát, đánh giá hồ sơ, giám sát hành vi tham gia dịch vụ khách hàng Một tiếp nhận thơng tin hồ sơ có liên quan, nhân niên nên bỏ qua yếu tố quen biết Phía khách hàng phải cung cấp thơng tin đầy đủ, giúp minh chứng tính pháp lý cá nhân, hợp đồng cơng việc, nguồn thu có minh 57 chứng hợp pháp Tuy nhiên điều quan trọng hơn, hồ sơ khách hàng cần có lần tìm người nhân viên đánh giá lịch sử tín dụng khách hàng, thái độ vay vốn khách Đối với khách hàng cũ, phía cơng ty nên trích ngang hành vi tham gia dịch vụ khách hàng trước đó, điều giúp cho việc đánh giá xác hạnh kiểm khách hàng tham gia dịch vụ Do kết cho thấy, khách hàng có thời gian tham gia dịch vụ lâu (>65 – 81 tháng) có hạn mức tín dụng mức thẻ cao có tiềm ẩn gian lận lớn Trên sở này, phái SCB cần có phân loại khách hàng theo nhóm khác biệt, điều giúp cho việc giám sát hành vi giao dịch, hồ sơ tốt hơn, góp phần hạn chế rủi ro xảy thẩm định lệch không Điều làm lịng tin khách hàng có qui mơ hạn mức lớn Tuy nhiên cần đề phòng việc chạy theo tiêu cho vay khách hàng có nhu cầu hạn mức lớn, ngân hàng gặp rủi ro khơng nhỏ khơng có đánh giá nhận định (3) Nâng cao lực nhân viên Thưc đào tạo lại cán bộ/nhân viên có liên quan nghiệp vụ đánh giá, nghiệp vụ thẩm định hồ sơ cách đánh giá hồ sơ khứ lịch sử giao dịch khách hàng Thêm vào đó, SCB cần tiêu chuẩn hố đội ngũ nhân viên tham gia vào trình đàm phán, hướng dẫn trực tiếp khách hàng Ngành ngân hàng nhận thức thách thức trình hội nhập ngày lớn công nghệ thông tin, big data phương pháp khai thác liệu lớn big data, điều góp phần vào việc tận dụng hội để phát triển, qua nâng cao vị thế, sức cạnh tranh hệ thống ngân hàng thị trường cạnh tranh, đặc biệt có đối thủ từ ngân hàng quốc tế Cần làm việc với nhà khoa học liệu để tạo điểu kiện cho nhân viên đào tạo kỹ khai phá liệu hướng đến phân tích hành vi khách hàng dựa nguồn gốc kho liệu data warehouse có Hoặc mời chuyên gia tư 58 vấn từ trường/viện tổ chức có liên quan khoa học liệu để SCB có điều kiện hiểu thêm giá trị liệu vấn đề cần đầu tư tương lai C PHÁT TRIỂN CÁC DỊCH VỤ CHO VAY Mơ hình Fraud giúp cho việc xác định tỷ lệ khách hàng không gian lận chiếm 64% sau hai lần dự báo dựa vào thuật tốn Đây nói, nhóm khách hàng cho niềm tin lớn để ngân hàng hướng đến mở rộng, chào mời khách hàng cho dịch vụ tín dụng thêm vào, sản phẩm bán chéo để khai thác tiềm tiêu dùng với mức rủi ro TÀI LIỆU THAM KHẢO Doğan, O., Ayỗin, E., & Bulut, Z A (2018) Customer Segmentation by Using RFM Model and Clustering Methods: A Case Study in Retail Industry International Journal of Contemporary Economics and Administrative Sciences, 8(1), 1–19 Retrieved from www.ijceas.com Eshghi, A., & Kargari, M (2019) Introducing a new method for the fusion of fraud evidence in banking transactions with regards to uncertainty Expert Systems with Applications, 121, 382–392 https://doi.org/10.1016/j.eswa.2018.11.039 Hunt, E., & Krivanek, J (1966) The effects of pentylenetetrazole and methylphenoxypropane on discrimination learning Psychopharmacologia, 9, 1–16 https://doi.org/10.1007/BF00427700 Khajvand, M., & Tarokh, M J (2011) Estimating customer future value of different customer segments based on adapted RFM model in retail banking context Procedia Computer Science, 3, 1327–1332 https://doi.org/10.1016/j.procs.2011.01.011 Wu, J., & Lin, Z (2005) Research on customer segmentation model by clustering ACM International Conference Proceeding Series, 316–318 https://doi.org/10.1145/1089551.1089610 ... DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH - LÊ VĂN PHÚ 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). .. 3.1 Big Data ứng dụng Big data lĩnh vực ngân hàng 28 3.1.1 Big data 28 3.1.2 Ứng dụng Big data lĩnh vực ngân hàng 29 3.2 Ứng dụng big data Ngân hàng TMCP Sài Gòn (SCB). .. lập hoạt động Ngân hàng TMCP Sài Gòn (SCB) vào ngày 26/12/2011 sở hợp tự nguyện ngân hàng: Ngân hàng TMCP Sài Gòn (SCB), Ngân hàng TMCP Đệ Nhất (Ficombank), Ngân hàng TMCP Việt Nam Tín Nghĩa (TinNghiaBank)