Trong Digital Lending, ngân hàng đánh giá rủi ro khách hàng dựa trên các nhóm dữ liệu chính sau:
Đâu là sự khác biệt cốt lõi giữa "phân tích tín dụng truyền thống" và "phân tích tín dụng trong môi trường Digital Lending"?
Trong Digital Lending, ngân hàng dựa vào những nhóm dữ liệu nào để đánh giá rủi ro khách hàng, và đâu là nhóm dữ liệu tạo ra giá trị lớn nhất trong thực tế?
XEM CÁC BÀI VIẾT KHÁC TRONG SERIES "NGHỀ BANKER"
Chị Nguyễn Thị Thái
Khi dùng mô hình chấm điểm tín dụng (credit scoring), sai lệch/rủi ro thường gặp nhất là gì?
Khi triển khai mô hình chấm điểm tín dụng (credit scoring), các sai lệch và rủi ro thường gặp bao gồm:
Rủi ro lớn nhất trong vận hành Digital Lending và Techcombank kiểm soát thế nào?
Trong vận hành Digital Lending, các rủi ro trọng yếu bao gồm:
Để thích ứng hiệu quả với Digital Lending, đội ngũ phân tích tín dụng cần bổ sung và nâng cao các nhóm kỹ năng trọng yếu sau:
Để thích ứng với Digital Lending, đội ngũ phân tích tín dụng căn bổ sung những kỹ năng nào?
Sự khác biệt cốt lõi giữa phân tích tín dụng truyền thống và phân tích tín dụng trong môi trường Digital Lending nằm ở “trung tâm ra quyết định”.
Trong mô hình phân tích tín dụng truyền thống, quy trình chủ yếu xoay quanh con người. Hồ sơ được thu thập dưới dạng giấy tờ, chuyên viên tín dụng trực tiếp phỏng vấn khách hàng, thẩm định thủ công và đưa ra nhận định dựa nhiều vào kinh nghiệm cá nhân, khả năng quan sát và đánh giá chủ quan. Mô hình này giúp khai thác chiều sâu hiểu biết về khách hàng, nhưng đồng thời dễ phát sinh độ trễ, thiếu tính chuẩn hóa và phụ thuộc lớn vào năng lực từng cá nhân.
Ngược lại, Digital Lending đặt dữ liệu và công nghệ làm trung tâm. Toàn bộ thông tin khách hàng được số hóa, thu thập tự động từ nhiều nguồn, sau đó được hệ thống phân tích bằng các mô hình AI/ML. Quyết định tín dụng vì vậy được đưa ra nhanh hơn, nhất quán hơn và giảm thiểu yếu tố cảm tính. Quan trọng hơn, mô hình này cho phép ngân hàng mở rộng quy mô phục vụ, nâng cao khả năng kiểm soát rủi ro và đáp ứng nhu cầu tín dụng trong bối cảnh thị trường biến động nhanh.
Có thể nói, nếu phân tích tín dụng truyền thống là “kinh nghiệm con người dẫn dắt quyết định”, thì Digital Lending là “dữ liệu và thuật toán dẫn đường cho quyết định” – một bước chuyển tất yếu trong hành trình hiện đại hóa hoạt động tín dụng của ngân hàng.
Từ kinh nghiệm của chị, đâu là lời khuyên quan trọng nhất giúp các bạn trẻ phát triển sự nghiệp phân tích tín dụng trong bối cảnh Digital Lending ngày càng phổ biến?
Phân tích tín dụng trong Digital Lending dựa trên dữ liệu và mô hình chỉ đóng vai trò là bước đầu trong việc đưa ra kết quả chấm điểm và phê duyệt tự động. Để đảm bảo quản trị rủi ro hiệu quả, ngân hàng vẫn cần bổ sung các yếu tố thẩm định truyền thống thông qua kênh con người, nhằm nhận diện những hạn chế mà hệ thống chưa thể đánh giá đầy đủ khi chỉ quan sát hành vi tài chính của khách hàng thông qua dòng tiền.
Trong thực tế, không ít trường hợp chủ doanh nghiệp hoặc chủ hộ kinh doanh không trực tiếp thực hiện giao dịch mà ủy quyền cho kế toán hoặc nhân sự thân cận đứng tên giao dịch. Nếu không được nhận diện đúng, điều này có thể khiến hệ thống xác định sai chân dung khách hàng và dẫn đến quyết định cấp tín dụng chưa chính xác.
Do đó, việc cân bằng và dung hòa giữa phân tích số và thẩm định truyền thống là yêu cầu cốt lõi để đảm bảo quản trị rủi ro, hạn chế phát sinh tổn thất và nâng cao hiệu quả hoạt động Digital Lending tại ngân hàng.
● Dữ liệu nhân thân – định danh: CCCD, định danh điện tử (eKYC)
● Dữ liệu tài chính – tín dụng: Thông tin CIC, lịch sử vay – trả, lịch sử giao dịch tài khoản, dữ liệu ví điện tử (e-wallet).
● Dữ liệu hành vi số: Hành vi tiêu dùng trực tuyến, tần suất và mức độ sử dụng ứng dụng, thời gian hoàn tất hồ sơ, mức độ ổn định trong quá trình tương tác.
● Dữ liệu thiết bị (Device Data): IP, thiết bị đăng nhập, vị trí địa lý, mức độ nhất quán của thiết bị sử dụng.
● Dữ liệu phi truyền thống (Alternative Data): Hành vi trên các nền tảng thương mại điện tử, mạng xã hội và các dấu vết số liên quan.
Trong thực tế, nhóm dữ liệu tạo ra giá trị lớn nhất là lịch sử tín dụng kết hợp với hành vi giao dịch và dòng tiền thực tế trên tài khoản (bank statement) – đây là cơ sở phản ánh chính xác nhất năng lực tài chính và mức độ rủi ro của khách hàng trong môi trường Digital Lending.
● Rủi ro mô hình: Dữ liệu thiếu, không được chuẩn hóa hoặc không phản ánh đúng chân dung và hành vi tài chính của khách hàng, dẫn đến kết quả chấm điểm sai lệch.
● Thiên lệch dữ liệu (Data Bias): Dữ liệu lịch sử không còn đại diện cho bối cảnh hiện tại, khiến mô hình loại bỏ nhầm khách hàng tốt hoặc phê duyệt khách hàng tiềm ẩn rủi ro cao.
● Overfitting: Mô hình học quá sâu dữ liệu quá khứ, làm giảm khả năng dự báo và hiệu quả khi áp dụng vào môi trường thực tế.
● Rủi ro gian lận: Giả mạo danh tính, khai báo sai thông tin thu nhập, hoặc sự không nhất quán giữa dữ liệu thiết bị, hành vi và giao dịch.
● Rủi ro gian lận số (Digital Fraud): Giả mạo danh tính, chiếm đoạt tài khoản, sử dụng công nghệ deepfake trong quá trình định danh và giao dịch.
● Rủi ro mô hình (Model Risk): Sai lệch trong thiết kế, hiệu chỉnh hoặc vận hành các mô hình chấm điểm và phê duyệt tín dụng.
● Rủi ro vận hành hệ thống: Gián đoạn hệ thống, lỗi luồng phê duyệt, hoặc sự không đồng bộ giữa các nền tảng công nghệ.
● Rủi ro tuân thủ: Quy trình định danh chưa đầy đủ hoặc chưa đáp ứng đầy đủ các yêu cầu, quy định của Ngân hàng Nhà nước.
Để kiểm soát các rủi ro này, Techcombank triển khai đồng bộ nhiều biện pháp:
● Hệ thống eKYC đa lớp: Ứng dụng nhận diện khuôn mặt sống (liveness detection), đối sánh sinh trắc học và chấm điểm rủi ro thiết bị.
● Hệ thống phát hiện gian lận theo thời gian thực (Real-time Fraud Detection): Giám sát và cảnh báo sớm các hành vi bất thường.
● Cơ chế kiểm định mô hình định kỳ (Model Validation): Đánh giá hiệu quả, độ ổn định và mức độ phù hợp của mô hình trong điều kiện thực tế.
● Quản trị phê duyệt theo phân khúc: Áp dụng giới hạn hạn mức phù hợp từng nhóm khách hàng, kết hợp phê duyệt tự động có giám sát nhằm đảm bảo an toàn và tuân thủ.
● Hiểu biết về mô hình chấm điểm tín dụng: Nắm được logic vận hành của các mô hình credit scoring, bao gồm cách ứng dụng AI/ML trong phân tích và ra quyết định tín dụng.
● Năng lực đọc và phân tích dữ liệu (Data Literacy): Khả năng diễn giải dữ liệu, nhận diện xu hướng và đánh giá rủi ro dựa trên dữ liệu đa nguồn.
● Kỹ năng vận hành các hệ thống số hóa: Sử dụng thành thạo các nền tảng LOS/LMS, eKYC và các công cụ phát hiện gian lận trong quy trình tín dụng số.
● Hiểu biết về hành vi khách hàng số: Nhận diện và phân tích hành vi, thói quen tương tác của khách hàng trên các kênh số.
● Tư duy sản phẩm số (Digital Mindset): Tiếp cận tín dụng như một sản phẩm số, chú trọng trải nghiệm khách hàng song song với quản trị rủi ro.
● Khả năng phối hợp liên chức năng: Làm việc hiệu quả với các đội ngũ Data, IT và Product để tối ưu mô hình, quy trình và giải pháp Digital Lending.
Do đó, người làm phân tích tín dụng cần đặc biệt chú trọng chất lượng dữ liệu, tính hợp lý của mô hình và khả năng phát hiện các dấu hiệu gian lận hành vi trong môi trường số.