6. Cấu trúc của luận văn
3.3. Nhận xét và đánh giá kết quả
Với các dữ liệu thử nghiệm mô phỏng như trên, hệ thống cho kết quả thuộc tính phân lớp đơn giản, dễ hiểu và chính xác.
Tốc độ xử lý của hệ thống tương đối nhanh, do đó sẽ rất tiết kiệm thời gian khi áp dụng xử lý cho những khối dữ liệu lớn.
Như vậy, nếu sử dụng hệ thống để đánh giá tiềm năng khách hàng cho thuê thông qua việc dự đoán nhóm nợ khách hàng, thì từ kết quả này chúng ta có quyền ra quyết định cho thuê hoặc không cho thuê đối với khách hàng để VLC có lợi nhuận tốt nhất. Do đó, về mặt khoa học ứng dụng này sẽ góp phần nâng cao hiệu quả kinh doanh của toàn ngân hàng nói chung và VLC nói riêng.
Hệ thống này là một công cụ phân tích hữu ích, nó sẽ giúp cho VLC tăng cường năng lực cạnh tranh với các đối thủ trên thị trường thông qua việc giảm thiểu tối đa rủi ro đối với nguồn vốn cho cho thuê của công ty.
3.4. Tổng kết chương 3
Trong chương cuối này, luận văn đã trình bày cách thức tổ chức, xây dựng ứng dụng và thử nghiệm. Đồng thời đã phân tích và giải quyết được bài toán đánh giá khách hàng dựa trên những số liệu cụ thể từ Công ty cho thuê tài chính tại Vietinbank.
Qua đó chúng ta thấy được khả năng ứng dụng của giải pháp trên toàn hệ thống ngân hàng là rất cần thiết. Hệ thống sẽ giúp cho người sử dụng dễ dàng đánh giá khách hàng, trên cơ sở đó sẽ hỗ trợ nhân viên kinh doanh đưa ra những quyết định hợp lý nhằm nâng cao lợi nhuận của VLC.
56
KẾT LUẬN CHUNG
1. Kết quả đạt được
Về mặt lý thuyết
Thứ nhất đã tìm hiểu được quy trình đánh giá khách hàng trong việc cho thuê tài chính, các kiến thức liên quan đến nghiệp vụ pháp lý cho thuê của ngân hàng. Biết được hệ thống hỗ trợ nằm trong khâu nào của quá trình cho vay tài chính.
Thứ hai đã tìm hiểu được các kiến thức cơ bản về khai phá dữ liệu, cụ thể là thuật toán phân lớp, các công cụ phục vụ khai phá dữ liệu.
Thứ ba nắm vững được phương pháp Naive Bayes, áp dụng để giải quyết các bài toán dự đoán khả năng xảy ra trong các lĩnh vực khác nói chung và trong ngành cho thuê tài chính nói riêng.
Về mặt thực tiễn
Luận văn đã nêu được giải pháp kỹ thuật để xây dựng hệ thống nhằm hỗ trợ đánh giá tiềm năng khách hàng cho thuê.
Việc kết hợp lý thuyết về khai phá dữ liệu và phân tích dữ liệu bằng Naive Bayes là rất cần thiết, nó giúp giảm thiểu đáng kể thời gian đánh giá và xếp loại khách hàng trong hoạt động cho thuê tài chính.
Xây dựng ứng dụng phân tích được dữ liệu khách hàng của VLC, đáp ứng được nhu cầu tương lai của VLC.
Hệ thống giúp cho ra kết quả một cách khoa học, tránh được các tình huống đánh giá theo cảm tính, hạn chế các trường hợp rủi ro và tăng cường lợi nhuận của ngân hàng.
2. Hạn chế
Dữ liệu đầu vào cung cấp cho hệ thống yêu cầu phải có các thuộc tính độc lập với nhau.
Phải lọc bớt các trường thuộc tính dư thừa trong tập dữ liệu huấn luyện và dự đoán để thuật toán có kết quả chính xác nhất.
57
Giao diện tương tác với người sử dụng chưa sinh động.
3. Hướng phát triển
Có thể đồng bộ nhiều chức năng hơn với hệ thống Oracle ERP hiện tại như: Thông tin giải ngân, thông tin tài sản, thông tin nhà cung ứng tài sản, giá trị hợp đồng, phụ lục hợp đồng các kỳ trả gốc lãi..v..v.
Tích hợp các báo cáo ngày, tháng, quý, giữa niên, hàng năm gửi tới NHNN, NHTMCPCTVN trực tiếp qua hệ thống.
Xây dựng giao diện trực quan hơn để dễ dàng tương tác với người dùng.
Hoàn thiện thêm một số chức năng để có thể triển khai tại cơ quan và các công ty cho thuê tài chính khác.
DANH MỤC TÀI LIỆU THAM KHẢO
[1] Nguyễn Dương Hùng (2013), Luận văn cao học “Ứng dụng cây quyết định để phân loại khách hàng vay vốn của ngân hàng thương mại”, Học viện công nghệ bưu chính viễn thông.
[2] Nguyễn Lê Phương (2012), Luận văn cao học “Ứng dụng khai phá dữ liệu tìm hiểu thông tin khách hàng viễn thông”, Học viện công nghệ Bưu chính Viễn thông.
[3] Đỗ Phúc (2005), Giáo trình khai phá dữ liệu, Trung tâm nghiên cứu phát triển công nghệ thông tin, Đại học Quốc gia Tp Hồ Chí Minh.
[4] Lê Văn Dực (2006), Hệ hỗ trợ ra quyết định, Đại học Quốc gia Tp Hồ Chí Minh.
[5] Ngân hàng Thương Mại Cổ Phần Công Thương Việt Nam (2000), Quy trình cho thuê tài chính, Lưu hành nội bộ.
[6] Majid Sharahi, Mansoureh Aligholi (2015), Classify the Data of Bank Customers Using Data Mining and Clustering Techniques, Islamic Azad University, Iran.
[7] Asli Calis, Ahmet Boyaci, Kasım Baynal (2015), Data mining application in banking sector with clustering and classification, Turkey.
[8] Jiawei Han, Micheline Kamber, Jian Pei (2011), Data Mining - Concepts and Techniques, 3rd Ed, Morgan Kaufmann.
[9] Efraim Turban (2001), Decision Support Systems and Intelligent Systems,
Prentice Hall.
[10] http://bis.net.vn/forums/t/390.aspx, truy cập ngày 29/03/2019.
[11] http://www.tapchitaichinh.vn/Nghien-cuu-dieu-tra/Buc-tranh-thi-phan- ngan-hang-Viet-Nam/51534.tctc, truy cập ngày 29/03/2019.
[12] https://vi.wikipedia.org/wiki/%C4%90%E1%BB%8Bnh_l%C3%BD_Bay es, truy cập ngày 29/03/2019.
[13] https://gialuan1991.wordpress.com/2016/04/15/2-naive-bayes/, truy cập ngày 29/03/2019.
[14] https://stackoverflow.com/questions/10059594/a-simple-explanation-of- naive-bayes-classification, truy cập ngày 29/03/2019.
[16] https://ongxuanhong.wordpress.com/2015/08/10/scikit-learn-naive-bayes- classifier/, truy cập ngày 29/03/2019.