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
Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của riêng tôi. Các số
liệu sử dụng phân tích trong luận án có nguồn gốc rõ ràng, đã công bố theo đúng quy định.
Các kết quả nghiên cứu trong luận án do tôi tự tìm hiểu, phân tích một cách trung thực,
khách quan và phù hợp với thực tiễn của Việt Nam. Các kết quả này chưa từng được công
bố trong bất kỳ nghiên cứu nào khác.

Người thực hiện 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 ............................................................................................................................1
CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU ....................1
1.1. Lý do chọn đề tài ..........................................................................................................1
1.2. Mục tiêu nghiên cứu.....................................................................................................2
1.3. Phương pháp nghiên cứu.............................................................................................. 3
1.3.1. Đối với số liệu phục vụ nghiên cứu ..........................................................................3

1.3.2. Các khái niệm tiếp cận trong nghiên cứu ..................................................................6
1.3.3. Phạm vi nghiên cứu của luận văn .............................................................................7
1.3.4. Kết cấu của luận văn .................................................................................................7
CHƯƠNG 2: CƠ SỞ LÝ LUẬN ......................................................................................8
2.1. Big Data .......................................................................................................................8
2.2. Các ứng dụng của big data trong lĩnh vực ngân hàng ................................................14
2.3. Khai phá dữ 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 trên phương pháp RFM ......................................................23
2.5. Mô 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 và ứng dụng của Big data trong lĩnh vực ngân hàng ..................................28
3.1.1. Big data ...................................................................................................................28


3.1.2. Ứng dụng của Big data trong lĩnh vực ngân hàng ..................................................29
3.2. Ứng dụng big data tại Ngân hàng TMCP Sài Gòn (SCB) .........................................36
3.2.1. Giới thiệu về 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 mô hình gian lận Fraud trong 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 ...................................................................4
Bảng 2.1. Các bước trong quá trình khai phá dữ liệu .......................................................19
Bảng 2.4. Bảng mô tả điểm theo RFM .............................................................................24
Bảng 4.1: Loại thẻ sử dụng của khách hàng theo nghề nghiệp .........................................43
Bảng 4.2: Thông tin các trường trong mô hình .................................................................45
Bảng 4.3: Thông tin các trường trong mô hình theo hành vi giao dịch ............................ 48
Bảng 4.4: Kết quả gian lận xét từ 2 mô hình gian lận.......................................................51

DANH MỤC CÁC BIỂU ĐỒ
Biểu đồ 2.5: Tiến trình tiếp cận phục vụ mô hình fraud ...................................................25
Biểu đồ 4.1: Thông tin giới tính khách hàng ....................................................................38
Biểu đồ 4.2: Thông tin trình độ học vấn ...........................................................................38
Biểu đồ 4.3: Nghề nghiệp của khách hàng........................................................................39
Biểu đồ 4.4: Loại khách hàng sử dụng dịch vụ tại ngân hàng ..........................................40
Biểu đồ 4.5: Thời gian tham gia dịch vụ của ....................................................................40
Biểu đồ 4.6: Thời gian tham gia dịch vụ theo loại khách hàng ........................................41
Biểu đồ 4.7: Các loại thẻ được sử dụng bởi khách hàng...................................................42
Biểu đồ 4.8: Thu nhập bình quân của khách hàng theo loại thẻ sử dụng .........................43
Biểu đồ 4.9: Kết quả từ thuật toán C5.0 ............................................................................46
Biểu đồ 4.10: Đánh giá mô hình dựa trên nhóm Training/Đào tạo và Testing/Kiểm
định ....................................................................................................................................46
Biểu đồ 4.11: Kết quả gian lận xét trên hồ sơ gốc ban đầu...............................................47
Biểu đồ 4.12: Kết quả từ thuật toán C5.0 của bước 2 .......................................................49
Biểu đồ 4.13: Kết quả gian lận xét trên hồ sơ gốc ban đầu...............................................50
Biểu đồ 4.14: Kết quả Gian lận được xác định từ kết hợp hai mô 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


TÓM TẮT
Thông qua nguồn dữ liệu Big data phục vụ phân tích và xác định những gian lận trong
hoạt động tín dụng là một việc dường như mới lạ trong nghiên cứu này. Sự mới lạ được
thể hiện trong nghiên cứu là sử dụng thuật toán C5.0 trên 2.572 khách hàng đang tham gia
giao dịch tại SCB. Những khách hàng trong nghiên cứu được chọn có thời gian tham giao
dịch vụ từ trên 12 tháng trở lên. Điều đó cho kết quả dự báo sẽ chính xác hơn.
Tuy nhiên, chúng ta cũng thừa biết rằng, các tiêu chí để xếp hạng hồ sơ của khách
hàng đã được phía ngân hàng xây dựng theo một qui trình có đóng góp từ nhiều phía. Do
vậy hồ sơ bị đánh giá lệch, cũng phải nói rằng, có trách nhiệm của nhân viên và cấp thẩm

quyền phê duyệt sản phẩm đó. Các lỗ hổng trong phân tích có thể bao gồm những nội dung
tóm tắt trong các điểm chính như sau:
- Khách hàng cố tình gian lận trong việc cung cấp hồ sơ ban đầu cho Ngân hàng,
nhưng nhân viên tiếp nhận & cấp thẩm quyền cao nhất, không phát hiện hồ sơ rủi ro.
- Khách hàng cố tình gian lận trong 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 nhất không phát
hiện hồ sơ rủi ro.
- Khách hàng cố tình gian lận trong việc cung cấp hồ sơ ban đầu cho Ngân hàng, kế
hợp với lảnh đạo cấp thẩm quyền cao nhất của sản phẩm dịch vụ đó thông đồng, phát hiện
ra hồ sơ mang tính rủi ro thấp hoặc trung bình từ khách hàng & lãnh đạo cấp thẩm quyền
phê duyệt sản phẩm đó. …vv
Nghiên cứu này là một sự kế thừa thực tế, trên cơ sở đó áp dụng mô hình Fraud vào
số liệu thực tế của một ngân hàng thương mại. Kết quả nghiên cứu có một đóng góp cực
kỳ quan trọng cho việc xây dựng các giải pháp giảm thiểu rủi ro trong gian lận cho phía
nhân viên của công ty và từ phía khách hàng. Các giải pháp được nêu trong phần tiếp theo.


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 do 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.


1

MỞ ĐẦU
CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
1.1. Lý do chọn đề tài
Nhu cầu ngày càng cao của khách hàng là bài toán thách thức cần lời giải đáp của
doanh nghiệp nói chung và ngành ngân hàng nói riêng. Điều này đòi hỏi ngân hàng
hay doanh nghiệp phải thay đổi chiến lược phát triển theo hướng đa dạng hóa tiện ích
của các dòng sản phẩm, dịch vụ và chú trọng công tác chăm sóc khách hàng. Thực
tiễn chỉ ra rằng nguồn dữ liệu hiện hữu của một tổ chức kinh doanh là một tài nguyên
quan trọng, việc phân tích nguồn tài nguyên này phần nào giúp việc đơn giản hóa quá
trình giám sát và tìm hiểu nhu cầu khách hàng một cách hiệu quả. Với nguồn dữ liệu
lớn sẵn có, cụ thể là nguồn số liệu từ big data (tạm dịch là dữ liệu lớn), các ngân hàng
có thể tự khai thác thông tin để tiếp tục theo dõi hành vi tiêu dùng của khách hàng
trong tương lai, từ đó đưa ra chiến lược, chính sách phù hợp. Quá trình theo dõi đánh
giá hồ sơ khách hàng dựa vào thông tin hiện có hoặc đặc điểm khách hàng sẽ giúp
ngân hàng giảm thiểu được rủi ro đến mức nhỏ nhất. Điều này góp phần trong khai
thác hiệu quả đối tượng khách hang, đảm bảo vị thế cạnh tranh trên thị trường.
Gần đây ngân hàng SCB không ngừng nỗ lực trong việc đẩy mạnh phát triển công

nghệ số, nâng cao chất lượng dịch vụ, đa dạng hóa sản phẩm với tính bảo mật cao,
cung cấp các giải pháp tài chính hiệu quả, chuyên nghiệp hóa công tác chăm sóc
khách hàng. Bên cạnh những cơ hội phát triển, ngân hàng cũng phải đối mặt với nhiều
bài toán thách thức của thị trường. Mức độ cạnh tranh ngày càng gay gắt giữa các
ngân hàng là một trong những thách thức đầu tiên và đầy khó khăn mà không SCB
phải tìm cách giải quyết. Đặc biệt, sự liên kết và sát nhập giữa Ngân hàng ngoại với
Ngân hàng nội đã và đang gây thêm nhiều khó khăn hơn trong việc cạnh tranh, bởi
sự liên kết này sẽ chiếm ưu thế hơn với sản phẩm dịch vụ có chất lượng cao, kinh
nghiệm chuyên nghiệp, năng lực quản trị tốt và mạng lưới toàn cầu cùng sự am hiểu
đặc thù kinh tế tại địa phương. Hai là, nhu cầu của khách hàng ngày một tăng cao,
đòi hỏi Ngân hàng phải đáp ứng thường xuyên việc tối ưu hóa các sản phẩm dịch vụ,


2

nâng cao chất lượng dịch vụ, quy trình, thủ tục đơn giải, nhanh chóng và hướng về
mục tiêu chất lượng trong kinh doanh.
Trong những năm gần đây, SCB đã chi ra một khoảng không nhỏ đầu tư hệ thống lưu
trữ dữ liệu. Đến thời điểm hiện tại, nguồn dữ liệu lưu trữ trong các data warehouse
đã trở thành một nguồn big data. Tuy nhiên việc khai phá dữ liệu từ nguồn big data
đang là bài toán không dễ cho các bộ phận có liên quan. Điều này sẽ dễ dẫn đến tài
nguyên về dữ liệu được đầu tư không phục vụ lợi ích lớn. Thực tế, một khi nguồn dữ
liệu big data được khai thác tốt, là một lợi thế trong nâng cao chất lượng cạnh tranh,
giảm chi phí đáng kể trong phân tích hành vi khách hàng.
Để ngân hàng hiểu hơn về hành vi khách hàng, đặc điểm lựa chọn dịch vụ của khách
hàng, việc phân tích hành vi khách hàng từ nguồn dữ liệu big data là cực kỳ quan
trọng. Điều này không những góp phần vào việc xác định lại phân khúc thị trường để
ngân hàng có hướng tiếp cận phù hợp, trên cơ sở để phát triển thêm vào các dịch vụ
hướng đến phục vụ khách hàng một cách hiệu quả nhằm giữ chân khách hàng cũ, hạn
chế sự rời dịch vụ của khách hàng và tạo tiếng vang lôi kéo khách hàng mới. Đây là

lý do nghiên cứu của đề tài sẽ hướng đến chủ đề “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”. Đề tài này có một tiếp cận mới trên nguồn dữ liệu big data giúp việc phân tích
lỗ hổng trong xét duyệt hồ sơ đánh giá cho vay khách hàng, còn giúp công ty định vị
lại những giải pháp gắn với hành vi đang kỳ vọng của khách hàng hạn chế những rủi
ro trong tín dụng.
1.2. Mục tiêu nghiên cứu
-

Đánh giá đặc điểm tiếp cận vốn vay của khách hàng

-

Phân tích những lỗ hổng trong việc thực hiện xét duyệt hồ sơ cho vay

-

Phân tích hành vi tham gia giao dịch hướng đến xây dựng những giải pháp phù
hợp giúp chăm sóc khách hàng hiệu quả, hạn chế rủi ro trong tín dụng.


3

1.3. Phương pháp nghiên cứu
1.3.1. Đối với số liệu phục vụ nghiên cứu
Nguồn dữ liệu phục vụ nghiên cứu luận văn được trích xuất từ nguồn Big Data của
ngân hàng. Nguồn này được chứa trong các hệ thống lưu trữ của SCB. Việc xuất dữ
liệu được thực hiện từ bộ phân IT, của CRM (hệ thống thu thập và quản lý thông tin
khách hàng), của kho dữ liệu (data warehouse) và portal...Nguồn thông tin này đã ghi
lại những lịch sử giao dịch của khách hàng trong thời gian qua. Mặc dù số liệu không

thuộc dạng khảo sát, tuy nhiên việc sử dụng nguồn dữ liệu Big Data này được xem
như là một xu hướng mới trong việc nghiên cứu các vấn đề kinh tế trong kỷ nguyên
công nghệ thông tin phát triển. Nguồn tài nguyên từ Big Data phản ánh một cách
trung thực nhất về hành vi và lịch sử tiêu dùng của khách hàng theo thời gian. Qua
đó, kết quả của quá trình nghiên cứu sẽ mang độ tin cậy cao hơn. Tuy nhiên, nguồn
tài nguyên này được cung cấp từ phía Ngân hàng nên cần có tính bảo mật cao, vì thế
nghiên cứu này tác giả đề xuất phần dữ liệu sẽ không được công bố rộng rãi.
Số liệu được trích xuất có nhiều nguồn khác nhau, bộ phận chăm sóc khách hàng, bộ
phận cho vay, khách hàng thẻ, khách hàng tiền gửi. Tuy nhiên trong nghiên cứu, số
liệu cho vay sẽ được tập trung. Để hạn chế những thông tin nhiễu, các khách hàng
được chọn đưa vào nghiên cứu có thời gian tham gia dịch vụ trên 12 tháng. Thời gian
nghiên cứu của số liệu đối với khách hàng là 12 tháng, tính từ ngày 01/1/2019 đến
ngày 31/12/2019. Thời gian đưa vào nghiên cứu mỗi mã khách hàng có nhiều dòng
thông tin, nói cách khác mỗi một dòng là một giao dịch của khách hàng. Việc xác
định số lần giao dịch của mỗi khách hàng dựa vào mã khách hàng thống kê từ hệ
thống báo cáo. Các đối tượng khách hàng trong nghiên cứu là khách hàng có tham
gia giao dịch trong thời gian nghiên cứu trên, công cụ được sử dụng hỗ trợ phục vụ
phân tích là SPSS Modeler 18.
Kết quả thống kê nhanh vể số liệu phục vụ cho luận văn này có số dòng 128.290
dòng, tương đương với 3.572 khách hàng. Số lượng 25 biến/field được trích ra từ dữ


4

liệu big data được đưa vào nghiên cứu. Thông tin các biến và giá trị thang đo có thể
được thấy ở bảng 1.1.
Table 1.1: Information of variables concerned
Tên các biến/
trường

Định nghĩa

1. CIF

ID Khách hàng

2. Branch

ID của chi nhánh

3. No.document

ID của tài liệu KH

4. Type of customer

Loại khách hàng vay

Thang đo

Biến định danh

+ Khách hàng tín dụng thẻ
+ Khách hàng cá nhân
+ Khách hàng kinh doannh gia đình
5. Access date

Ngày đăng ký dịch vụ của khách hàng

Ngày

6. Approved date

Ngày hồ sơ vay được duyệt

Ngày

7. Document score

Điểm hồ sơ vay do nhân viên đánh giá

Biến liên tục

8. Gender

Giới tính khách hàng

Biến định danh

9. Age

Tuổi của khách hàng

Giá trị liên tục

Trình độ học vấn của khách hàng

Biến định danh

Hành vi quan hệ cộng đồng

Biến định danh

10.

Education

11. Community

+ Có danh tiếng/Prestige
+ Tốt/good engough
+ Không biết/unknown
12. Marital status

Tình trạng gia đình: Độc thân/ Single và Biến định danh
kết hôn/ married

13. Job position

Vị trí công việc

Biến định danh

+ Công nhân/worker
+ Nhân viên văn phòng/Office staff
+Quản lý/Manager
+Giám đốc/Director
14. Houseownership

Tình trạng sở hữu nhà

+ Nhà riêng/Owned house

Biến định danh


5

+ Nhà thuê/Rented house
+ Ở với cha mẹ/Stayed with parents’
house
15. Usage

Thông tin sử dụng dịch vụ của NH

Biến định danh

+Chỉ sử dụng dịch vụ từ SCB/ only loan
services from SCB bank
+Sử dụng dịch vụ vay từ SCB > ngân
hàng khác/loan services from SCB bank
> another bank
+Sử dụng dịch vụ vay từ SCB = NH
khác/loan services from SCB bank =
another bank
+Sử dụng dịch vụ vay từ SCB< NH
khác/loan services from SCB < another
bank
+ Không sử dụng dịch vụ vay từ
SCB/No loan services from SCB
16. Type of product

Hình thức cho vay

Biến định danh

17. Type of card

Loại thẻ sử dụng: Thẻ chính và thẻ Biến định danh
phụ/Type of card: Main and non-main

18. Level of card

Giá trị của mức thẻ/Value of card level

19. Balance account

Balance
account
measured
Vietnamese currency (VND)

20. Fee

Phí hàng năm (Có/Không)/Annual fee Biến định danh
(Yes/No)

21. Card_date

Ngày cấp thẻ/Date to issue the bank Date
card

22. No.Card

Số tài khoản thẻ/Account number of Series number
card

23. Ncard_Date

Ngày công nhận thẻ mới/Date to Date
approve the new card

24. Workingyear

Số năm công tác/làm việc của Liên tục
kH/Number of years of customers
working

25. NetIncome

Thu nhập ròng bình quân theo tháng Liên tục
(đồng/tháng)

Liên tục

in Liên tục


6

Nguồn: Tổng hợp từ big data

1.3.2. Các khái niệm tiếp cận trong nghiên cứu
Mô hình Fraud còn được dịch là mô hình gian lận, có chức năng hỗ giúp tìm ra những
gian lận hoặc lỗ hổng trong hoạt động kinh doanh, trong đó lĩnh vực cho vay không
là ngoại lệ. Điển hình trong lĩnh vực thế chấp, mô hình gian lận đã giúp việc phát hiện
những nhân viên sử dụng chuyên môn hoặc thẩm quyền của mình để tạo ra một gian
lận cá nhân.
Thuật toán khám phá những lỗ hổng trong kinh doanh có nhiều phương pháp, trong
đó có thể kể đến mô nhánh/cây quyết định, điển hình thuật toán C5.0. Đây là mô hình
kế thừa thuật toán cây quyết định dựa trên nền tảng kết quả nghiên cứu của (Hunt &
Krivanek, 1966). Đặc điểm chính của C5.0 hướng đến khái phá dữ liệu theo phân lớp
dữ liệu dựa trên cây quyết định hiệu quả và phổ biến. Phương pháp này giúp xây dựng
một kế hoạch nhằm đạt được mục tiêu mong muốn và giúp dự báo hành vi của khách
hàng, trong dự báo về hành vi gian lận.
Phân tích lòng trung thành của khách hàng đối với dịch vụ. (Doğan, Ayçin, & Bulut,
2018) sử dụng khái niệm của RFM để xác định mức độ lòng trung thành của khách
hàng dựa vào 3 chỉ số: R, F, M. Trong đó, R là Recency, tức là thời gian mua hàng
gần nhất tính đến thời điểm nghiên cứu. F là Frequency là tần suất giao dịch của
khách hàng trong thời gian mà nghiên cứu đang thực hiện của 12 tháng, tần suất giao
dịch hoặc mua hàng sẽ được tính toán. M là Monetary tức đo lường tổng giá trị mà
khách hàng thực hiện giao dịch trong khoảng thời gian nghiên cứu. Tượng tự,
(Khajvand & Tarokh, 2011) đã sử dụng mô hình RFM như nêu trên để hướng đến
phân phúc thị trường trong lĩnh vực ngân hàng bán lẻ và đo lường nhóm khách hàng
có đóng góp lớn nhất.
Xuất phát từ các nhận định trên, nghiên cứu của luận văn này, phương pháp tiếp cận
trong phân tích sẽ áp dụng vào mô hình của (Khajvand & Tarokh, 2011) để tính RFM,
từ cơ sở đó, các bước hướng đến phân khúc thị trường sẽ được thực hiện để xác định
các nhóm khách hàng khách biệt về sự đóng góp cho ngân hàng từ thấp đến cao.


7

1.3.3. Phạm vi nghiên cứu của luận văn
Dữ liệu được trích xuất chọn ra khách hàng thuộc khu vực Thành phố Hồ Chí Minh.
Mô hình nghiên cứu dựa trên kiến thức chuyên gia của cá nhân, đang là lãnh đạo của
phòng giao dịch tại một quận của thành phố. Đề tài không sử dụng phương pháp định
tính, tuy nhiên trong quá trình nghiên cứu, có sự ủng hộ của các phòng ban và của
lãnh đạo cao hơn. Kết quả nghiên cứu này sẽ là một khởi đầu để xem xét mức độ hiệu
quả trong nghiên cứu giúp cho việc nghiên cứu mở rộng trong thời gian tới.
Việc nghiên cứu sự gian lận trong kinh doanh hàm ý sẽ tập trung vào gian lận có thể
xuất phát từ nhân viên trong xét duyệt hồ sơ, hoặc do khách hàng chủ động khai báo
hồ sơ không chính xác để đạt được mục tiêu trong giao dịch. Cơ sở khám phá gian
lận trong kinh doanh sẽ là cơ sở để xây dựng giải pháp khắc phục gian lận từ phía
nhân viên và từ phía khách hàng.
1.3.4. Kết cấu của luận văn
Luận văn được chia làm 4 chương, với các nội dung sau:
Chương 1: Giới thiệu tổng quan về đề tài nghiên cứu
Chương 2: Cơ sở lý luận
Chương 3: Ứng dụng của Big data tại SCB và kết quả phân tích
Chương 4: Kết luận và giải pháp


8

CHƯƠNG 2: CƠ SỞ LÝ LUẬN
2.1. Big Data
Dữ liệu lớn có thể bao gồm cả dữ liệu cấu trúc và không cấu trúc hay bán cấu trúc.
Các hoạt động được tạo lập trong hệ thống đều được big data ghi lại. Đối với hoạt
động kinh doanh, dữ liệu này sẽ ghi lại tất cả lịch sử tiêu dùng của khách hàng trong
suốt thời gian giao dịch. Một khi dữ liệu được lưu trữ, bản ghi ngày càng phong phú,
đa dạng hơn theo thời gian. Đây là nguồn dữ liệu hữu ích mà các tổ chức có thể sử

dụng trong việc truy vấn thông tin để phát triển chiến lược kinh doanh, hay tạo lập
môi trường quản lý chuyên nghiệp.
Hiểu được tầm quan trọng và “cơ hội kinh doanh” từ Big Data, hiện nay các ngân
hàng nước ngoài đang khai thác nguồn dữ liệu để xây dựng chiến lược kinh doanh
trên nhiều lĩnh vực chuyên môn và ngoài chuyên môn, từ phân tích tâm lý khách hàng
đến phân tích cơ hội kinh doanh trong việc bán chéo sản phẩm hay quản lý doanh
nghiệp.
Big Data đóng vai trò quan trọng trong việc truy xuất dữ liệu và hỗ trợ con người đưa
ra quyết định tốt hơn với cơ hội thành công cao hơn nhiều.
Sự phát triển của ngành ngân hàng (Banking) đi đôi với sự ra đời của Big Data
Ngành ngân hàng đã phát triển theo bước nhảy vọt trong thập kỷ qua từ hoạt động
vận hành kinh doanh đến cung cấp dịch vụ. Điều đáng ngạc nhiên chính là, hầu hết
các ngân hàng đều gặp khó khăn hay thất bại trong việc sử dụng, khai thác thông tin,
dữ liệu từ cơ sở dữ liệu (database) mà họ có được từ khách hàng và từ các chi nhánh,
bộ phận của tổ chức. Tuy nhiên, khi các ngân hàng ngày càng mở rộng dịch vụ, các
tiện ích, hay áp dụng công nghệ trong việc phát triển phân khúc thị trường, thu hút
thêm khách hàng thì song song họ cũng phải xây dựng một hệ thống hạ tầng để thu
thập dữ liệu và tiến hành phân tích và xác định giải pháp cải thiện hiệu quả kinh
doanh. Theo một số chuyên gia dự đoán số lượng dữ liệu tăng lên gấp bảy lần trước


9

năm 2020 (so với năm 2016). Big data là bước tiến lớn đối với sự phát triển của ngành
ngân hàng.
Ngày nay, hầu hết các tổ chức ngân hàng, dịch vụ tài chính và bảo hiểm (Banking,
Financial services and Insurance (BFSI)) đang nỗ lực để áp dụng một cách tiếp cận
mới theo hướng khai thác dữ liệu để phát triển và đổi mới các dịch vụ mà họ cung
cấp cho khách hàng. Giống như hầu hết các ngành công nghiệp khác, phân tích dữ
liệu lớn (Big data analytics) sẽ là một sự thay đổi lớn quan trọng trong cuộc chiến

giữa các tổ chức cùng ngành.
Mặc dù nhiều tổ chức BFSI đang thay đổi cách thức khai thác dữ liệu bằng cách thu
thập một khối lượng dữ liệu khổng lồ và tiến hành phân tích, nhưng đó chỉ là những
bước tổng quát, những bước riêng lẻ ở từng giai đoạn trong quy trình khai thác Big
data. Trong tất cả trường hợp, các dự án Big data được hình thành đều hướng đến
mục tiêu ban đầu là trả lời cho câu hỏi: “Những dữ liệu này có thể giúp chúng ta giải
quyết các vấn đề kinh doanh như thế nào?”
Khi khối lượng khách hàng tăng lên, nó ảnh hưởng đáng kể đến mức độ, khả năng
cung cấp dịch vụ của từng tổ chức. Thực tiễn cho thấy việc phân tích dữ liệu hiện tại
đã đơn giản hóa quá trình theo dõi và đánh giá khách hàng tín dụng của các ngân
hàng và các tổ chức tài chính, dựa trên khối lượng lớn dữ liệu như thông tin, hồ sơ cá
nhân và các thông tin bảo mật khác. Nhưng với sự giúp đỡ của Big data, các ngân
hàng có thể khai thác để liên tục theo dõi hành vi của khách hàng trong thời gian thực,
xác định được các nguồn dữ liệu cần thiết để thu thập phục vụ cho việc đưa ra giải
pháp. Quá trình đánh giá hồ sơ khách hàng trong thời gian thực sẽ dần thúc đẩy hiệu
suất hoạt động và lợi nhuận, từ đó đẩy mạnh phát triển tổ chức hơn nữa.
Theo Forbes, 87% các công ty cho rằng Big data sẽ tạo ra những thay đổi lớn cho các
ngành công nghiệp của họ đến cuối thập kỷ thứ 2 của thế kỷ 21. Thậm chí nhiều công
ty còn nghĩ rằng nếu không có một chiến lược Big data cụ thể và hiệu quả sẽ khiến
họ tụt lại phía sau trong thời đại công nghệ 4.0 ngày nay.


10

Có rất nhiều nguồn dữ liệu Big data trong hầu hết ở các ngành và lĩnh vực khác nhau,
không riêng ở lĩnh vực tài chính, thương mại, bán lẻ, bảo hiểm, mà nó còn rất được
quan tâm ở lĩnh vực ngân hàng. Mọi tương tác, mọi giao dịch của khách hàng tại ngân
hàng đều tạo ra các bản ghi điện tử, các bản sao lưu được lưu lại theo quy định pháp
luật, và các giao dịch tại các trụ ATM ở các địa điểm khác nhau cũng được lưu thông
tin tại ngân hàng. Nhờ phân tích Big data, các công ty dịch vụ tài chính không còn

lưu trữ dữ liệu theo yêu cầu bắt buộc như ngày xưa nhưng giờ đây họ đang tích cực,
chủ động hơn trong việc khai thác để có được những kết quả mà dựa vào đó đưa ra
được các giải pháp cải thiện hoạt động, gia tăng lợi nhuận của tổ chức.
Ngoài ra, các công ty cũng không chờ đợi một khoảng thời gian dài mới có thể phân
tích các dữ liệu lịch sử, dữ liệu quá khứ. Hầu hết các phân tích Big data được thực
hiện chủ yếu xảy ra trong thời gian thực nhằm thúc đẩy việc đưa ra các quyết định
chiến lược một cách nhanh chóng.
Tóm lại, Big data chính là nguồn lực quan trọng, mang tính chất nòng cốt tạo ra lợi
thế cạnh tranh ở bất kỳ một tổ chức tài chính nào đặc biệt khi việc nắm bắt nhu cầu
của người tiêu dùng ngày càng phức tạp mặc dù đã thuận tiện hơn, dễ dàng hơn nhờ
sự phát triển vượt bậc của công nghệ, kỹ thuật. Big data không chỉ đem lại các cái
nhìn mới, sự sáng tạo trong quá trình đổi mới từng loại hình dịch vụ đến khách hàng
mà còn đảm bảo hiệu quả kinh doanh với rủi ro, chi phí được tối ưu nhất
Việc xác định các mảng dịch vụ, các bộ phận, các chức năng trong tổ chức tài chính,
nơi mà Big data có thể được xem xét nhằm mục đích khai thác một cách hiệu quả
nhất dựa vào sự kết hợp giữa các kiến thức, mô hình kinh doanh và khả năng áp dụng
phần mềm công nghệ sẽ tạo ra cơ hội cạnh tranh cho chính tổ chức đó.
Tùy vào mục đích, cơ cấu, nguồn lực, khả năng khác nhau ở mỗi tổ chức mà sẽ có
nhiều trường hợp ứng dụng Big data khác nhau, mang tính chất đặc thù, riêng biệt.
Dưới đây là các trường hợp sử dụng phổ biến nhất – được chúng tôi nghiên cứu và
chọn lọc – mà các ngân hàng và công ty dịch vụ tài chính đang thực hiện để tìm kiếm
các giá trị ẩn sâu bên trong quá trình phân tích Big data.


11

Các ứng dụng của Big data trong lĩnh vực BankingPhân tích các thói quen chi tiêu
của khách hàng
Các ngân hàng có khả năng truy cập trực tiếp nguồn thông tin, dữ liệu lịch sử dồi dào
liên quan đến các thói quen, hành vi chi tiêu của khách hàng. Các ngân hàng còn nắm

thông tin về số tiền một khách hàng được trả bao nhiêu ví dụ như mức lương cụ thể
trong bất kỳ tháng nào, số tiền được chuyển vào tài khoản tiết kiệm, số tiền đã được
thanh toán đến các công ty cung cấp tiện ích (ví dụ công ty điện lực, công ty cung cấp
dịch vụ internet,..), thời gian khách hàng sử dụng dịch vụ của ngân hàng, v.v. Điều
này cung cấp cơ sở, cơ hội để các ngân hàng tiếp cận và phân tích dữ liệu sâu hơn.
Áp dụng các chức năng sàng lọc thông tin (filter function) ví dụ như khi lọc ra thời
điểm dịp lễ hay mùa lễ và điều kiện kinh tế vĩ mô (ví dụ tình hình lạm phát, tỷ lệ thất
nghiệp,..) mà nhân viên ngân hàng có thể hiểu được nguyên nhân tác động làm mức
lương của khách hàng tăng hay giảm và khả năng chi tiêu của khách hàng thay đổi
như thế nào. Đây là một trong những yếu tố nền tảng cho quá trình đánh giá rủi ro,
sàng lọc, thẩm định hồ sơ cho vay, đánh giá khả năng thế chấp và cung cấp nhiều sản
phẩm tài chính khác (cross-selling) đến khách hàng như bảo hiểm.
Các ngân hàng được hưởng lợi rất nhiều nếu biết được thông tin khách hàng rút tiền
mặt - tất cả số tiền có được vào ngày trả lương - hoặc nếu họ muốn giữ tiền lại trên
thẻ tín dụng (credit card)/ thẻ ghi nợ (debit card). Tận dụng điều đó, ngân hàng có
thể tiếp cận khách hàng, mở rộng dịch vụ với các đề nghị, thu hút khách hàng đầu tư
vào các khoản vay ngắn hạn với tỷ lệ thanh toán cao và lãi suất thích hợp, v.v.
Phân khúc khách hàng và xem xét (thẩm định) hồ sơ
Một khi các phân tích ban đầu về thói quen chi tiêu của khách hàng cùng với xác định
các loại hình dịch vụ, kênh giao dịch được khách hàng ưu tiên (ví dụ khách hàng
muốn gửi tiết kiệm hay muốn đầu tư vào các khoản vay) được hoàn tất thì các ngân
hàng sẽ có được một database (cơ sở dữ liệu) phục vụ cho quá trình phân khúc, phân
loại khách hàng một cách phù hợp dựa vào thông tin và hồ sơ khách hàng cung cấp.
Những khách hàng nào chi tiêu dễ dàng thoải mái, các nhà đầu tư nào thận trọng kỹ
lưỡng, khách hàng nào thanh toán các khoản nợ nhanh chóng, khách hàng nào mới


12

bắt đầu trả nợ khi sắp đáo hạn, thời gian khách hàng sử dụng dịch vụ của ngân hàng

để đo lường lòng trung thành… Biết được hồ sơ cá nhân của tất cả khách hàng giúp
ngân hàng đánh giá chi tiêu và thu nhập dự kiến trong tháng tới và lập kế hoạch chi
tiết để đảm bảo lợi nhuận cho chính tổ chức và lợi ích cho chính khách hàng.
Big Data sẽ cung cấp cho các ngân hàng những hiểu biết, kiến thức chuyên môn sâu
về thói quen và mô hình chi tiêu của khách hàng, đơn giản hóa những nhiệm vụ xác
định nhu cầu và mong muốn của họ. Bằng cách có thể theo dõi từng giao dịch của
khách hàng, các ngân hàng sẽ có thể phân loại khách hàng dựa trên các thông số khác
nhau, bao gồm các dịch vụ thường được khách hàng sử dụng, thời gian sử dụng dịch
vụ, thói quen chi tiêu khi dùng thẻ tín dụng hoặc thậm chí là giá trị tài sản ròng (net
worth – thu nhập cộng với giá trị tài sản của khách hàng trừ đi các khoản nợ).
Lợi ích mà phân khúc khách hàng đem lại là nó cho phép các ngân hàng nhắm mục
tiêu khách hàng tốt hơn với các chiến dịch tiếp thị có liên quan được thiết kế để đáp
ứng chính xác nhu cầu của khách hàng.
Phân tích dữ liệu Big Data tăng khả năng cho các công ty, tổ chức BFSI nắm được
nhu cầu tìm ẩn bên trong từng khách hàng (customer insights) từ đó tạo được phân
khúc khách hàng. Tuy nhiên việc thu thập và đánh giá thông tin khách hàng đòi hỏi
sự đầu tư vào cơ sở hạ tầng của tổ chức cũng như đầu tư vào mạng lưới liên kết giữa
mọi nhân viên thuộc các phòng ban, bộ phận chức năng của tổ chức với công nghệ,
phần mềm kỹ thuật tiên tiến phục vụ quá trình khai thác Big Data.
Bán kèm thêm các dịch vụ khác (service cross-selling)
Dựa vào database mà ngân hàng có thể thu hút thêm, hay giữ chân khách hàng bằng
cách giới thiệu thêm các dịch vụ khác. Ví dụ ngân hàng có thể giới thiệu các khoản
đầu tư có lãi suất hấp dẫn đến các khách hàng có lượng tiền nhàn rỗi hoặc những nhà
đâu tư lúc nào cũng luôn thận trọng, cân nhắc trong việc ra quyết định đầu tư. Hoặc
ngân hàng có đề xuất các vay ngắn hạn cho các khách hàng có thói quen chi tiêu
“thoải mái” cho nhu cầu tiêu dùng hàng ngày của họ hoặc những khách hàng đang
gặp khó khăn trong việc thanh toán nợ cũ. Phân tích một cách chính xác về hồ sơ cá


13

nhân của khách hàng, ngân hàng có thể bán kèm các dịch vụ khác quả hơn và thu hút
khách hàng tốt hơn với các ưu đãi được “cá nhân hóa” tập trung chính xác vào nhu
cầu khách hiệu quả hơn, từ đó tăng doanh thu cho công ty.
Xây dựng hệ thống thu thập các phản hồi khách hàng (feedback) và phân tích chúng
Khách hàng có thể để lại phản hồi sau mỗi lần giao dịch hay mỗi lần nhận được tư
vấn từ trung tâm hỗ trợ chăm sóc khách hàng (customer call center) hoặc thông qua
các biểu mẫu phản hồi, nhưng thường xuyên ( hay có thể nói nhiều khả năng) chia sẻ
ý kiến thông qua các phương tiện truyền thông xã hội (social media) hơn ví dụ
Facebook, Zalo,... Các công cụ Big Data có thể tìm kiếm chọn lọc thông qua các
thông tin, feedback công khai trên các social media và thu thập tất cả những dữ liệu
đề cập về thương hiệu của ngân hàng để có thể phản hồi nhanh chóng và đầy đủ đến
khách hàng. Ngoài ra cũng hỗ trợ ngăn chặn các tin đồn thất thiệt ảnh hưởng đến hoạt
động kinh doanh và niềm tin nơi khách hàng ví dụ như vụ ngân hàng Agribank vướng
phải tin đồn phá sản trong hồi đầu tháng 11, 2018 vừa qua.
Khi khách hàng cảm thấy ngân hàng lắng nghe, đánh giá cao ý kiến và thực hiện
những cải tiến, thay đổi theo yêu cầu của họ thì sự trung thành dành cho thương hiệu
sẽ gia tăng, hơn nữa cải thiện hình ảnh của ngân hàng. Để có cái nhìn tổng quát, một
cái nhìn 360 độ về khách hàng các ngân hàng cần xây dựng một trung tâm dữ liệu trung tâm lưu trữ tất cả sự tương tác của khách hàng với thương hiệu bao gồm dữ liệu
cá nhân cơ bản, lịch sử giao dịch, lịch sử duyệt web, dịch vụ, v.v. Hiện tại để hỗ trợ
các tổ chức trong việc phân
Trên đây mới là những ứng dụng của Big Data trong lĩnh vực Banking nhắm đến mục
đích phân khúc khách hàng gia tăng thêm lượng khách hàng sử dụng dịch vụ tại các
ngân hàng (bao gồm cả khách hàng cũ và khách hàng mới) bằng cách phân tích dữ
liệu (feedback và hồ sơ cá nhân của khách hàng) để tiếp thu ý kiến, xác định được
nhu cầu, thói quen chi tiêu của khách hàng để đáp ứng một cách phù hợp.
Ở phần tiếp theo chúng tôi sẽ phân tích về các ứng dụng của Big Data trong việc
hướng đến marketing từng khách hàng (personlized marketing), thay đổi cách thức

14

cung cấp dịch vụ sao cho phù hợp. Đặc biệt là đảm bảo hiệu quả hoạt động, giảm
thiểu rủi ro bằng cách phát hiện, ngăn chặn các gian lận trong giao dịch tài chính,
2.2. Các ứng dụng của big data trong lĩnh vực ngân hàng
Marketing theo hướng cá nhân hóa (personalized marketing)
Sau khi có được phân khúc khách hàng thì các ngân hàng cần tận dụng để
personalized marketing để nhắm mục tiêu khách hàng dựa trên hiểu biết về thói quen
chi tiêu cá nhân của họ. Ngoài việc thu thập dữ liệu về lịch sử giao dịch của khách
hàng, các công ty dịch vụ tài chính hay ngân hàng cũng có thể kết hợp dữ liệu phi cấu
trúc (unstructured data) – một dạng dữ liệu Big Data – lấy được từ mạng xã hội hay
social media ví dụ như hồ sơ của khách hàng trên Facebook,.. để có được một bức
tranh đầy đủ hơn về nhu cầu của khách hàng dựa trên các phân tích về tâm lý, mong
muốn khách hàng ở mọi thời điểm. Mặt khác, dữ liệu của khách hàng ở các nền tảng
social media hay các ứng dụng xã hội thông minh khác sẽ giúp ngân hàng phân tích
được các rủi ro có thể xảy ra mà xem xét có nên cung cấp các khoản vay hay không
ngoài việc thẩm định hồ sơ như thông thường.
Sau khi phân tích và nắm được nhu cầu cụ thể và riêng biệt của mỗi khách hàng, các
tổ chức nên tiếp tục phân khúc sâu hơn nữa và cung cấp các giải pháp, kế hoạch
marketing phù hợp để từ đó có được tỷ lệ phản hồi, tỷ lệ chuyển đổi cao hơn từ mỗi
khách hàng. Ví dụ các ngân hàng sử dụng công cụ e-mail marketing để gửi đến khách
hàng các thông tin mới nhất về những dịch vụ cho vay ngắn hạn với lãi suất vừa phải,
hay gửi tiết kiệm với lãi suất hấp dẫn, hoặc các chương trình ưu đãi khác,…Việc tạo
ra các sản phẩm dịch vụ cung cấp cho từng phân khúc khách hàng, hay thậm chí từng
khách hàng cụ thể sẽ giúp các ngân hàng xây dựng hình ảnh thương hiệu và tạo dựng
một mối quan hệ tốt ở từng khách hàng.
Không chỉ riêng ở lĩnh vực ngân hàng, Big Data còn hỗ trợ marketing ở hầu hết mọi
lĩnh vực khác nhau nếu các công ty biết được tầm quan trọng và có được một tầm
nhìn chiến lược nghiêm túc trong việc khai thác Big Data. Theo McKinsey, việc sử

15

dụng dữ liệu để đưa ra quyết định marketing tốt hơn có thể tăng năng suất tiếp thị,
thu hút khách hàng thêm 15-20% ngoài các giải pháp marketing thông thường.
Thay đổi cách thức cung cấp dịch vụ đến khách hàng
Hệ thống Big Data có thể là một hệ thống phức tạp liên kết giữa nhiều bộ phận chức
năng khác nhau, nhưng công việc của nó là đơn giản hóa các nhiệm vụ trong một tổ
chức. Bất cứ khi nào một tên khách hàng hoặc số tài khoản được nhập vào hệ thống,
hệ thống Big Data sẽ hỗ trợ sàng lọc tất cả dữ liệu và chỉ truyền đi hay cung cấp các
dữ liệu được yêu cầu để phục vụ cho quá trình phân tích. Điều này sẽ cho phép các
ngân hàng tối ưu hóa quy trình làm việc và tiết kiệm cả thời gian và chi phí. Big Data
cũng sẽ cho phép các tổ chức xác định và khắc phục các vấn đề, trước khi chúng ảnh
hưởng đến khách hàng của họ.
Đôi khi khách hàng cũng có thể là nguồn gốc của một vấn đề. Ví dụ, các nhà đầu tư
có thể đưa ra quyết định, nhưng sau đó thay đổi ý định của họ tại một thời điểm trong
tương lai. Big Data sẽ giúp ngân hàng thay đổi phương thức cung cấp dịch vụ của họ
theo cách mà những khách hàng sẽ không thể “đi ngược lại” với cam kết ban đầu của
họ. Big Data cho phép ngành ngân hàng theo dõi hạn mức cho vay và thẻ tín dụng
của khách hàng, đảm bảo rằng họ không chi tiêu quá mức quy định. Cách cung cấp
dịch vụ thay đổi như thế nào còn phụ thuộc vào quy mô hoạt động, tính chất đặc thù
của loại hình dịch vụ, cơ sở hạ tầng,..của tổ chức ngân hàng đó.
Big Data chỉ đưa ra kết quả là thông tin ví dụ như những khách hàng nào có khả năng
không thanh toán được nợ, hay những khách hàng có khả năng rời dịch vụ (churn
risk) và nhiệm vụ của từng ngân hàng là suy nghĩ ra giải pháp để khắc phục ví dụ
theo dõi “sát sao” và thông tin liên tục về thời hạn trả nợ đến các khách hàng có thói
quen chậm trễ trong việc thanh toán lãi,…
Nói tóm lại, mục đích đầu tiên trong việc ứng dụng của Big Data đã được đề cập sẽ
tập trung hướng đến phân khúc khách hàng, cải tiến dịch vụ, marketing tăng doanh
số, lợi nhuận dựa trên toàn bộ thông tin về khách hàng mà tổ chức ngân hàng có được

– chính là dữ liệu Big Data cần được phân tích. Những dữ liệu có thể bao gồm: