Một số ứng dụng máy học trong lĩnh vực ngân hàng

MỘT SỐ ỨNG DỤNG MÁY HỌC
TRONG LĨNH VỰC NGÂN HÀNG
TS Tơn Thất Hồ An
Trường Đại học Tài chính – Marketing
TS Cao Thị Nhạn
Trường Đại học Công nghệ Thông tin
Đại học Quốc gia TP Hồ Chí Minh
Tóm tắt: Hiện nay, việc phân tích dữ liệu để ứng dụng trong các lĩnh vực kinh tế xã hội đã
và đang được nghiên cứu và áp dụng ngày càng phát triển cả về chiều rộng lẫn chiều sâu.
Các tổ chức, doanh nghiệp đặc biệt quan tâm đến ứng dụng Trí tuệ nhân tạo trong việc giải
quyết vấn đề nâng cao chất lượng dịch vụ chăm sóc khách hàng, có chiến lược marketing
hiệu quả, hay phát hiện những rủi ro tiềm ẩn trong doanh nghiệp… nhằm giúp cho các hoạt
động ngân hàng giảm thiểu rủi ro và phát triển lành mạnh. Bài viết trình bày về một số ứng
dụng thực tiễn của Công nghệ thông tin nói chung và Máy học nói riêng trong các hoạt
động ngân hàng và những thách thức đối với chuyên gia Công nghệ thông tin khi nghiên
cứu ứng dụng liên ngành.
Từ khóa: máy học, ngân hàng, điểm tín dụng, giao dịch bất thường
1.

Một số bài toán trong hoạt động ngân hàng

Các hoạt động trong lĩnh vực ngân hàng có ảnh hưởng nhiều đến xã hội. Bên cạnh
đó, số lượng giao dịch lớn, khối lượng công việc đồ sộ phát sinh trong lĩnh vực này đòi
hỏi những phần mềm hỗ trợ sao cho công việc được xử lý một cách nhanh chóng, tiện lợi,
chính xác và an tồn. Một số bài tốn điển hình trong lĩnh vực ngân hàng mà các nghiên
cứu công nghệ thông tin đã và đang thực hiện hiện nay bao gồm:
– Phát hiện các giao dịch được thực hiện bằng thẻ tín dùng có bất thường (credit card
fraud detection)
– Đánh giá điểm tín dụng khách hàng (credit scoring)
1.1. Phát hiện giao dịch bằng thẻ tín dụng bất thường
Giao dịch tài chính được thực hiện bằng thẻ tín dụng ngày càng phổ biến bởi sự

nhanh chóng, tiện lợi. Tuy nhiên bên cạnh đó cịn có nhiều thách thức về mặt an toàn hệ
thống mà ngân hàng cần đảm bảo. Những điều này rất quan trọng vì ảnh hưởng đến chất

190 -


lượng dịch vụ, uy tín của ngân hàng. Theo thống kê của Infosecurity (Parag Jain & Dhruv
Dutta, n.d.), thiệt hại do gian lận tồn cầu trong năm 2018 ước tính là 5 nghìn tỷ đơ la. Tuy
số lượng những gian lận trong giao dịch tài chính khơng chiếm tỉ lệ cao trong tổng số các
giao dịch nhưng lại gây những tổn thất lớn với doanh nghiệp. Và theo khảo sát của PwC’s
Global Economic Crime và Fraud Survey (PwC, 2020), được thực hiện với trên 5.000 đối
tượng cá nhân hoặc doanh nghiệp được khảo sát trong vòng 24 tháng, cho thấy các con số
ấn tượng như sau:
– Thiệt hại khoảng 42 tỉ đô la.
– 47% người được khảo sát cho biết họ đã bị gian lận.
– Trung bình, các cơng ty trải qua 6 sự cố.
– 4 loại gian lận hàng đầu được liệt kê theo thứ tự bao gồm: Gian lận khách hàng
(Customer Fraud), Tội phạm mạng (Cybercrime), Chiếm đoạt tài sản (Asset
Misappropriation), và Hối lộ và tham những (Bribery and Corruption). Hình 1 cho
thấy kết quả thống kê theo khảo sát chi tiết hơn.

Hình 1. Tỉ lệ các loại gian lận được khảo sát theo (PwC, 2020)
Chính vì vậy, yêu cầu cấp thiết là tìm kiếm các giải pháp để kịp thời phát hiện, ngăn
chặn, và loại bỏ các bất thường trong giao dịch nói chung. Riêng trong lĩnh vực ngân
hàng, có nhiều cách tiếp cận khác nhau để giải quyết bài toán phát hiện các giao dịch bất
thường được thực hiện bằng thẻ tín dụng. Cách tiếp cận thứ nhất là các chuyên gia trong

- 191

lĩnh vực ngân hàng tập trung vào xây dựng các bộ quy tắc nhằm phát hiện giao dịch bất
thường và cải tiến quy trình nghiệp vụ ngân hàng. Cách tiếp cận thứ hai là các nhà nghiên
cứu chuyên ngành công nghệ thơng tin tìm kiếm mơ hình phát hiện bất thường ứng dụng
giải quyết bài toán liên ngành. Các nghiên cứu tập trung vào thu thập, tiền xử lý dữ liệu
để lựa chọn dữ liệu học phù hợp với bài tốn; hoặc nghiên cứu tìm ra phương pháp máy
học phù hợp, cho độ chính xác cao và có khả năng ứng dụng thực tế như trong (Padhi
B.K. và các công sự, 2020).
1.2. Đánh giá điểm tín dụng khách hàng
Một trong những hoạt động quan trọng khác của ngân hàng là hoạt động cho vay tín
dụng. Theo báo cáo của SSI Securities Corporation (“Credit growth forecast to reach 13-14
percent this year: SSI”, n.d.), dự báo tăng trưởng tín dụng năm 2021 tại Việt Nam có thể
đạt 13 – 14%. Thực tế việc tăng trưởng nhanh dẫn đến khối lượng công việc của nhân viên
ngân hàng nhiều hơn và rủi ro trong tín dụng cũng tăng theo.
Một trong những cơng việc quan trọng trong quy trình cho vay tín dụng đó chính là
đánh giá tín dụng khách hàng. Theo “What Is a Good Credit Score?”, (n.d.), điểm tín dụng
là chỉ số đánh giá tình trạng tài chính hiện tại của khách hàng để từ đó quyết định cho vay
hay khơng. Trên thế giới, các tổ chức tín dụng thường sử dụng thang điểm tín dụng theo
FICO (Fair Issac Coporation) với thang điểm từ 300 – 850, các khách hàng được đánh giá
điểm tín dụng tốt có số điểm từ 670 đến 799, xuất sắc có điểm trên 800. Hình 2 minh họa
chi tiết các thang điểm tương ứng với mức đánh giá khách hàng cụ thể như sau:
– 300 – 579 điểm: Poor 
– 580 – 669 điểm: Fair
– 670 – 739 điểm: Good
– 740 – 799: Very good
– 800 – 850: Exceptional

192 -


Hình 2. Thang điểm đánh giá theo FICO

Theo SHB Finance (2020), tại Việt Nam, điểm tín dụng là một con số thể hiện lịch sử
tín dụng của một cá nhân nào đó theo tiêu chuẩn và quy tắc xếp hạng quốc tế dựa trên việc
phân tích hồ sơ tín dụng của một cá nhân và số điểm này được trung tâm thơng tin tín dụng
quản lý (trung tâm này trực thuộc Ngân hàng Nhà nước). Đơn giản hơn thì điểm tín dụng là
điểm số mà thơng qua đó các tổ chức tín dụng, cơng ty tài chính, ngân hàng thương mại có
thể đánh giá được sự uy tín của khách hàng khi sử dụng các dịch vụ và các hình thức cho
vay mà tổ chức đó cung cấp.
Như vậy, điểm tín dụng đóng vai trị như một cơng cụ giúp cho các tổ chức cho vay
tiêu dùng có thể đánh giá được mức độ uy tín của khách hàng trước khi quyết định có cho
khách hàng đó vay hay khơng, hạn mức vay tối đa mà ngân hàng có thể giải ngân khi khách
hàng có nhu cầu vay vốn. Theo SHB Finance (2020), thang điểm tín dụng có thể được sử
dụng như sau: 
– 150 – 321 điểm: Rủi ro rất cao, không đủ điều kiện vay. 
– 322 – 430 điểm: Rủi ro cao, không đủ điều kiện vay. 
– 431 – 569 điểm: Rủi ro trung bình, đủ điều kiện vay nhưng lãi suất tương đối cao.
– 570 – 679 điểm: Rủi ro thấp, đủ điều kiện vay, lãi suất thấp và ưu đãi.
– 680 – 750 điểm: Rủi ro rất thấp, đủ điều kiện vay, lãi suất thấp và ưu đãi. 
Đối với các chun gia cơng nghệ thơng tin, đã có các nghiên cứu ứng dụng máy học
để xây dựng mô hình chấm điểm tín dụng như trong ElMasry (2019), Provenzano và cộng
sự (2020). Từ đó xây dựng nên các hệ thống chấm điểm tín dụng cho khách hàng, là một
cơng cụ hỗ trợ cho nhân viên ngân hàng trong quá trình ra quyết định khi xét duyệt hồ sơ
cho vay tín dụng.
- 193


2.

Một số nghiên cứu chuyên ngành công nghệ thông tin ứng dụng trong hoạt động
ngân hàng

Như đã trình bày ở phần trên, các nghiên cứu dưới góc nhìn của chun gia cơng nghệ
thơng tin thì đây là dạng bài tốn khai thác dữ liệu doanh nghiệp. Tiến trình cơ bản bao gồm
các bước sau (như được minh họa trong hình 3):
– Data collection: Thu thập dữ liệu. Dữ liệu được thu thập từ thực tế giao dịch của
doanh nghiệp hoặc các bộ dữ liệu được chia sẻ trong cộng đồng nghiên cứu cùng
lĩnh vực.
– Pre-processing and Extract feature: Tiền xử lý dữ liệu và trích xuất vector đặc trưng.
Bước này bao gồm những kỹ thuật tiền xử lý dữ liệu nhằm rút trích đặc trưng phù
hợp. Thường bao gồm tích hợp dữ liệu (Data integration), chuẩn hóa dữ liệu (Data
normalization), trích chọn đặc trưng (Feature selection) và kỹ thuật giảm chiều dữ
liệu (Dimension reduction).
– Training and testing: huấn luyện và kiểm thử. Áp dụng các phương pháp máy học để
huấn luyện và kiểm thử mơ hình.
– Model evaluation and Result analysis: phân tích kết quả đạt được để hiểu rõ hơn về
dữ liệu sử dụng, về phương pháp máy học áp dụng và đánh giá khả năng ứng dụng
thực tế.

Data
collection

Preprocessing
and Extract
Feature

Training
and Testing

Hình 3. Tiến trình chung

Model

Evaluation
and Result
Analysis

2.1. Phát hiện giao dịch bằng thẻ tín dụng bất thường
Theo nghiên cứu của Padhi và cộng sự (2020) và Makki và cộng sự (2019), bài tốn
có điểm cần lưu ý sau:
– Data collection: Một số bộ dữ liệu được chọn lựa trong tiến hành thực nghiệm là
Credit Card Fraud Detection theo nghiên cứu của (Padhi và cộng sự, 2020), bộ dữ liệu
Credit Card Fraud theo nghiên cứu của Makki và cộng sự (2019). Trong đó:
• Bộ dữ liệu Credit Card Fraud Detection (Machine Learning Group – ULB, Credit
Card Fraud Detection, 2018) do ULB Machine Learning Group thu thập. Bộ dữ

194 -


liệu bao gồm các giao dịch thẻ tín dụng xảy ra trong hai ngày trong tháng 8.2013
tại châu âu, trong đó có 492 vụ lừa đảo trong số 284,807 giao dịch. Bộ dữ liệu mất
cân bằng, lớp posstive (bất thường) chiếm 0,172% của tất cả các giao dịch. Vì lý
do bảo mật mà một số trường dữ liệu đã được biến đổi dùng PCA, do đó khơng biết
được ý nghĩa giá trị thuộc tính là gì. Bảng 1 mơ tả dữ liệu của Credit Card Fraud
Detection.
Bảng 1. Các thuộc tính của dataset Credit Card Fraud Detection
(Machine Learning Group – ULB, Credit Card Fraud Detection, 2018)
STT Tên thuộc tính

Mơ tả

1

Class

Có hai giá trị: 0 là giao dịch bình thường, 1 là giao dịch bất thường.

2

Amount

Số tiền thực hiện giao dịch

3

V1, V2,..., V28

4

Time

Các thuộc tính đã bị biến đổi do bảo mật. Giá trị của các thuộc tính này
là số, là kết quả của q trình chuyển đổi PCA.
Lượng giây trơi qua giữa mỗi giao dịch, và giao dịch đầu tiên trong bộ
dữ liệu.

• Bộ dữ liệu Credit Card Fraud (Credit Card Fraud Dataset, 2013) bao gồm khoảng
10 triệu giao dịch thẻ tín dụng và có 8 thuộc tính như trong bảng 2. Đây cũng là bộ
dữ liệu mất cân bằng khi 5.96% là các giao dịch gian lận.
Bảng 2. Các thuộc tính của dataset Credit Card Fraud
STT
1
2

3
4
5
6
7
8
9

Tên thuộc tính
CustID
Gender
State
Cardholder
Balance
NumTrans
NumIntTrans
CreditLine
FraudRish

Mơ tả
Mã khách hàng, thuộc tính sẽ bị loại bỏ trong bước tiền xử lý dữ liệu
Giới tính
Bang của khách hàng sống ở USA
Số lượng thẻ khách hàng có (tối đa 2)
Số dư tài khoản tính bằng USD
Số lượng giao dịch được thực hiện tính đến thời điểm hiện tại
Số lượng giao dịch quốc tế được thực hiện tính thời thời điểm hiện tại
Hạn mức tín dụng của khách hàng
Có 2 giá trị, 0 là giao dịch bình thường, 1 là giao dịch gian lận

– Vì dữ liệu thu thập được mất cân bằng (đa số đều thuộc lớp giao dịch bình thường)
nên một số kỹ thuật xử lý dữ liệu mất cân bằng được áp dụng như Random Oversampling
(Makki và cộng sự, 2019; Jason Brownlee, 2020). Ý tưởng chính của Random Undersampling
là giảm phần tử lớp đa số để làm giảm tính mất cân bằng của dữ liệu, có thể là loại bỏ các
phần tử lớp đa số một cách ngẫu nhiên, hoặc một cách có chủ đích (giảm phần tử nhiễu,
giảm phần tử ở vùng biên). Với kỹ thuật Random Undersampling thì số lượng bộ dữ liệu
- 195


được giảm đáng kể sau khi áp dụng. Trong khi đó ý tưởng của Random Oversampling (hay
cịn gọi là SMOTE – Synthetic Minority Over-sampling Technique) là tạo các điểm tổng
hợp mới để có sự cân bằng của các lớp. SMOTE tạo ra các dữ liệu tổng hợp từ lớp thiểu số
để đạt được sự cân bằng giữa nhóm thiểu số và đa số. Và với cách này thì nhiều thơng tin
được giữ lại do khơng xóa đi các bộ dữ liệu nào từ dữ liệu ban đầu.
– Các phương pháp máy học thường được áp dụng: Support Vector Machine
(SVM), Quadratic Discriminant Analysis (QDA), Linear Discriminant Analysis (LDA),
và Classification and Regression Tree (CART), kỹ thuật boosting (XGBoost, CatBoots,
LGBoots, Random Forest) như trong (Padhi B.K. và cộng sự, 2020); Nghiên cứu trong
thực nghiệm trên các thuật toán máy học như: C5.0 (Decision tree), SVM, Artificial Neural
Network (ANN), Naïve Bayes, Bayesian Belief Network, Logistics Regression (LG), và
Artificial Immune Systems (AIS) (S. Makki và các cộng sự, 2019).
– Đánh giá kết quả: Theo các thực nghiệm của Padhi và cộng sự (2020) thì LGBoost
cho kết quả tốt nhất; và theo kết luận của Makki và cộng sự (2019) thì Logistics Regression
cho kết quả tốt nhất. Các kết quả này có thể được sử dụng như một kênh tham khảo tốt vì
đã tiến hành thực nghiệm với nhiều phương pháp khác nhau tuy nhiên việc so sánh chi tiết
về độ chính xác, về hiệu quả triển khai ứng dụng thực tế cần cân nhắc kỹ lưỡng vì thực tế
được chạy trên hai bộ dữ liệu khác nhau.
2.2. Đánh giá điểm tín dụng khách hàng
Theo nghiên cứu của ElMasry (2019), Provenzano và cộng sự (2020), bài tốn có
điểm cần lưu ý sau:

– Data collection: Một số bộ dữ liệu được chọn lựa trong tiến hành thực nghiệm
là Freddie Mac sample data theo nghiên cứu của (ElMasry, 2019), và Innovative
Microfinance Limited (IML), a micro-lending institution in Ghana theo nghiên cứu
của (Provenzano và cộng sự, 2020). Trong đó:
• Bộ dữ liệu Freddie Mac được cung cấp bởi Freddie Mac, gồm ngẫu nhiên 50,000 tài
khoản vay được trích từ 25.7 triệu mẫu tin từ thời gian 01/01/1999 đến 31/3/2017.
Bộ dữ liệu gồm 26 thuộc tính như FICO (credit score), first payment date (dt_first_
pi), first time homebuyer flag (flag_fthb), maturity date (dt_matr)...
• Innovative Microfinance Limited (IML), được thu thập bởi micro-lending institution
tại Ghana, trong khoảng thời gian từ 01/2012 đến 7/2018 với 4450 khách hàng. Bộ
dữ liệu gồm có 7 thuộc tính bao gồm: tuổi (age), giới tính (gender), tình trạng hôn
nhân (Marital status), nhật ký số tiền (Log amount), tần suất hoàn trả khoản vay
(Frequency), lãi suất hàng năm (Annualized rate), và số lần hoàn trả khoản vay
(No. of repayment).
196 -


– Đây cũng là dạng dữ liệu mất cân bằng nên có thể áp dụng kỹ thuật xử lý dữ liệu mất
cân bằng.
– Các thuật toán máy học thường được áp dụng: theo ElMasry (2019) thực nghiệm
Logistic Regression, Decision tree, Random forest, K-NN, SVM, Multiple imputation
by chained equation. Trong khi đó Provenzano và cộng sự (2020) thực nghiệm với
Decision tree, Random Rorest, XGBoost, Adaboost, K-NN, Multilayer Perception.
– Đánh giá kết quả: Theo các kết quả thực nghiệm (ElMasry, 2019) trên cùng bộ dữ
liệu thì các thuật tốn cho kết quả tốt là SVM và Random Forest, trong khi đó theo
Provenzano và cộng sự (2020) thì các phương pháp cho kết quả tốt là XGBoost,
Adaboost và Random Forest. Một lưu ý ở đây là các nghiên cứu của ElMasry (2019)
và Provenzano và cộng sự (2020) tiến hành thực nghiệm trên những bộ dữ liệu khác
nhau và cách tiền xử lý dữ liệu, rút trích đặc trưng cũng khác nhau. Chính vì thế kết
quả này có thể xem như là một kênh tham khảo cho các nghiên cứu cùng lĩnh vực chứ

không dùng so sánh độ chính xác của hai nhóm nghiên cứu.
3. Một số vấn đề khi nghiên cứu ứng dụng tại ngân hàng ở Việt Nam
Đây là bài toán ứng dụng công nghệ thông tin trong nghiệp vụ ngân hàng, do đó có
những vấn đề cần quan tâm như sau:
3.1. Dữ liệu
Dữ liệu để huấn luyện mơ hình là rất quan trọng. Tuy nhiên trên thực tế nghiên cứu
rất ít những bộ dữ liệu được chia sẻ công khai và đầy đủ thơng tin chi tiết. Chính vì vậy
cịn có những khó khăn sau:
– Các bộ dữ liệu được chia sẻ là những bộ dữ liệu có những đặc trưng khác nhau dù
trong cùng lĩnh vực nghiên cứu.
– Hơn nữa, các bộ dữ liệu thường là dữ liệu đã cũ, ví dụ Freddie Mac thu thập dữ liệu
từ 1999 đến 2017, hay Innovative Microfinance Limited thu thập dữ liệu từ năm 2012
đến 2018. Khi đó dữ liệu được học không được cập nhật nên kết quả khi ứng dụng
vào thực tế thường khơng cao.
– Vì lý do bảo mật, khó có thể có được dữ liệu thực từ tổ chức ngân hàng để tiến hành
thực nghiệm, đánh giá hiệu quả của các phương pháp máy học.
3.2. Kiến thức chuyên ngành ngân hàng
Đây là ứng dụng công nghệ thông tin trong lĩnh vực chuyên môn, cụ thể là hoạt động
phát hiện bất thường hoặc gian lận trong giao dịch tài chính và đánh giá điểm tín dụng của

- 197


khách hàng nhằm giảm thiểu rủi ro, do đó rất cần ý kiến của chuyên gia trong lĩnh vực ngân
hàng để tư vấn cho việc lựa chọn các đặc trưng cũng như đánh giá các kết quả thực nghiệm.
Những ý kiến từ chuyên gia trong lĩnh vực ngân hàng là vô cùng quan trọng trong
việc đánh giá, hiểu rõ ý nghĩa kết quả chạy thực nghiệm, cũng như có thể cải tiến các mơ
hình học máy để đạt độ chính xác cao, hiệu quả triển khai trên các ứng dụng thực tế tốt.
Hơn nữa, chính những chuyên gia trong lĩnh vực ngân hàng sẽ có những chiến lược phát
triển tổ chức mình một cách phù hợp dựa vào chính tri thức thu nhận được sau q trình

phân tích dữ liệu.
4.

Kết luận

Như đã trình bày ở trên, các hướng nghiên cứu ứng dụng Công nghệ thông tin trong
lĩnh vực ngân hàng là những bài tốn mang tính ứng dụng cao và còn nhiều thách thức.
Việc phát hiện kịp thời các giao dịch tài chính sử dụng thẻ tín dụng bất thường hoặc gian
lận, hay đánh giá tín dụng cho khách hàng nhằm giảm thiểu rủi ro khi cho vay đồng thời
rút ngắn thời gian duyệt hồ sơ cho vay tín dụng ln được quan tâm và cải tiến quy trình
xử lý để ngày càng tốt hơn. Bài viết cũng phân tích những khó khăn thách thức đối với
những chuyên gia trong lĩnh vực công nghệ thông tin khi nghiên cứu xây dựng các mơ
hình máy học ứng dụng trong lĩnh vực ngân hàng. Đối với các chuyên gia công nghệ
thông tin, nếu các nghiên cứu được hỗ trợ từ phía ngân hàng về dữ liệu thực tế, thông
tin chuyên môn nghiệp vụ ngân hàng, cũng như các đánh giá về kết quả thực nghiệm sẽ
cộng tác đưa các nghiên cứu ứng dụng đi vào thực tế, mang lại hiệu quả thiết thực cho
các hoạt động ngân hàng.
Tài liệu tham khảo
Brownlee, J. (2020). Random Oversampling and Undersampling for Imbalanced Classification,
Machine Learning Mastery site. />Credit growth forecast to reach 13-14 percent this year: SSI, (n.d.). />credit-growth-forecast-to-reach-1314-percent-this-year-ssi/194393.vnp
Credit Card Fraud Dataset (2013). />ElMasry, M. H. A. M. T. (2019). Machine learning approach for credit score analysis: a case study
of predicting mortgage loan defaults (Doctoral dissertation).
Makki, S., Assaghir, Z., Taher, Y., Haque, R., Hacid, M. S., & Zeineddine, H. (2019). An experimental
study with imbalanced classification approaches for credit card fraud detection.  IEEE
Access, 7, 93010-93022. doi: 10.1109/ACCESS.2019.2927266
Machine Learning Group – ULB, Credit Card Fraud Detection (2018). />mlg-ulb/creditcardfraud

198 -

Parag Jain, & Dhruv Dutta. Filling Inter-Party Trust GAP in Online Transactions & Interactions
(n.d.), ThynkBlynk. />PwC, PwC’s Global Economic Crime and Fraud Survey (2020). Fighting fraud: A never-ending
battle, PwC, (2020). />Padhi B. K., Chakravarty S., Biswal B. N. (2020). Anonymized Credit Card Transaction Using
Machine Learning Techniques. In: Mohanty M., Das S. (eds) Advances in Intelligent
Computing and Communication. Lecture Notes in Networks and Systems, vol 109. Springer,
Singapore. />Provenzano, A. R., Trifirò, D., Datteo, A., Giada, L., Jean, N., Riciputi, A., Le Pera, G., Spadaccino,
M., Massaron, L., & Nordio, C. (2020). Machine learning approach for credit scoring. arXiv
preprint arXiv:2008.01687.
SHB Fincance (2020). Điểm tín dụng là gì? Tại sao vai trị của điểm tín dụng lại quan trọng?.
/>“What Is a Good Credit Score?”, (n.d.). />
- 199