Quy trình chấm điểm tín dụng hành vi theo thiết bị di động (Mobile-device Behavioral Credit Scoring Process)
Quy trình chấm điểm tín dụng hành vi theo thiết bị di động là chuỗi các bước nghiệp vụ và công nghệ mà tổ chức tín dụng hoặc công ty fintech sử dụng để thu thập, xử lý và phân tích dữ liệu hành vi của khách hàng cá nhân trên thiết bị di động (smartphone, tablet) — chẳng hạn như cách cầm máy, tốc độ cuộn trang, thời gian dừng tại các trường thông tin, tần suất đăng nhập, mẫu sinh trắc họa gõ phím (keystroke dynamics), vị trí địa lý, lịch sử cài đặt và sử dụng ứng dụng — nhằm tạo ra một điểm số tín dụng bổ sung phục vụ quyết định cho vay, cấp hạn mức tín dụng hoặc phê duyệt sản phẩm tín dụng số.
Khác với chấm điểm tín dụng truyền thống dựa trên lịch sử tín dụng, thu nhập, tài sản đảm bảo, mô hình hành vi trên thiết bị di động tập trung vào tín hiệu hành vi thời gian thực, đặc biệt hữu ích đối với nhóm khách hàng mới (new-to-credit) hoặc khách hàng chưa có hoặc có rất ít dữ liệu tín dụng trên hệ thống CIC. Đây là một trong những thành phần cốt lõi của xu hướng "underwriting tự động" và "cho vay ngang hàng" (P2P lending) đang phát triển mạnh tại Việt Nam và khu vực Đông Nam Á.
Các bước chính trong quy trình
Quy trình chấm điểm tín dụng hành vi theo thiết bị di động thường bao gồm các bước cơ bản sau:
Bước 1 — Thu thập dữ liệu thô từ thiết bị: Khi khách hàng tải ứng dụng ngân hàng/fintech và đăng ký khoản vay, SDK (bộ công cụ phát triển phần mềm) tích hợp sẽ ghi nhận các tín hiệu hành vi như kiểu vuốt, tốc độ gõ, áp lực chạm (trên các thiết bị hỗ trợ 3D Touch/Force Touch), thời gian người dùng dừng lại tại từng trường thông tin, mức độ nhất quán giữa các lần đăng nhập. Quá trình này phải tuân thủ quy định về bảo vệ dữ liệu cá nhân.
Bước 2 — Tiền xử lý và chuẩn hóa dữ liệu: Dữ liệu thô được làm sạch, loại bỏ nhiễu, chuẩn hóa về cùng định dạng, mã hóa và lưu trữ trên hạ tầng đám mây hoặc data lake của tổ chức tín dụng. Các tín hiệu bất thường như sử dụng GPS giả, thiết bị đã root/jailbreak, mạng VPN thường được gắn cờ cảnh báo.
Bước 3 — Trích xuất đặc trưng (feature engineering): Các nhà phân tích dữ liệu và chuyên gia mô hình rủi ro sẽ chuyển dữ liệu hành vi thành hàng trăm đặc trưng có ý nghĩa, ví dụ: tốc độ gõ trung bình, số lần sửa khi nhập thu nhập, thời gian hoàn thành form đăng ký, tính nhất quán giữa hành vi trên các phiên đăng nhập khác nhau.
Bước 4 — Xây dựng mô hình chấm điểm: Áp dụng các thuật toán học máy (machine learning) như hồi quy logistic, cây quyết định, random forest, gradient boosting (XGBoost, LightGBM) hoặc mạng nơ-ron tích chập (CNN) để tạo mô hình dự đoán khả năng trả nợ đúng hạn. Mô hình được huấn luyện trên tập dữ liệu lịch sử của chính tổ chức tín dụng hoặc dữ liệu từ đối tác fintech.
Bước 5 — Gán điểm và phân hạng: Mỗi khách hàng được gán một điểm số (thường trên thang 300–850 hoặc 0–1000 tùy hệ thống) và phân hạng rủi ro từ A đến E hoặc từ 1 đến 5. Ngưỡng điểm cắt (cut-off score) sẽ quyết định tự động phê duyệt, từ chối hoặc chuyển sang xét duyệt thủ công.
Bước 6 — Giám sát và hiệu chỉnh mô hình: Mô hình được theo dõi liên tục về hiệu suất phân biệt (Gini, KS), tỷ lệ sai (false positive rate), độ ổn định phân phối điểm (PSI) và được tái huấn luyện định kỳ khi dữ liệu hành vi của khách hàng thay đổi theo thời gian.
Dữ liệu hành vi thường được sử dụng
- Sinh trắc họa hành vi: kiểu gõ phím, tốc độ vuốt, áp lực chạm, góc xoay thiết bị, tần suất nghiêng máy.
- Dữ liệu phiên sử dụng: thời lượng mỗi phiên, số lần mở ứng dụng mỗi ngày, khoảng thời gian trong ngày khách hàng thường truy cập.
- Dữ liệu ngữ cảnh: vị trí địa lý, thời gian di chuyển giữa các lần đăng nhập, mạng Wi-Fi thường dùng.
- Dữ liệu thiết bị: model máy, phiên bản hệ điều hành, dung lượng pin, danh sách ứng dụng đã cài (đã được đồng ý chia sẻ).
- Dữ liệu tương tác form: thời gian dừng tại từng trường, số lần sửa, tỷ lệ copy–paste, thứ tự điền thông tin.
Vai trò trong nghiệp vụ ngân hàng
- Mở rộng tệp khách hàng: giúp chấm điểm được nhóm khách hàng chưa có lịch sử tín dụng tại CIC — theo số liệu tham khảo từ một số công ty fintech Đông Nam Á, tỷ lệ tiếp cận tín dụng lần đầu có thể tăng từ mức dưới 30% lên trên 50% dân số trưởng thành.
- Giảm thời gian phê duyệt: thời gian phê duyệt khoản vay nhỏ (micro-loan) có thể rút từ vài giờ xuống dưới 5 phút.
- Phát hiện gian lận sớm: nhận diện hành vi bất thường như dùng thiết bị lạ, giả lập vị trí, hoặc bot tự động tạo đơn vay.
- Hỗ trợ quản trị rủi ro: cho phép cập nhật hồ sơ rủi ro của khách hàng liên tục thay vì chỉ đánh giá tại thời điểm vay.
- Cá như hóa sản phẩm: kết hợp điểm hành vi để đề xuất hạn mức, lãi suất và kỳ hạn phù hợp từng phân khúc.
Câu hỏi thường gặp
Hỏi: Quy trình chấm điểm tín dụng hành vi theo thiết bị di động có thay thế hoàn toàn mô hình chấm điểm tín dụng truyền thống dựa trên CIC không?
Trả lời: Không hoàn toàn. Trong thực tế triển khai, điểm hành vi từ thiết bị di động thường được sử dụng như một biến bổ sung (alternative data) trong mô hình tổng hợp, kết hợp với điểm CIC, thu nhập, nghề nghiệp và các biến truyền thống khác. Đối với nhóm khách hàng đã có lịch sử tín dụng dày dặn, CIC vẫn là nguồn dữ liệu có trọng số cao nhất. Mô hình hành vi phát huy tác dụng rõ rệt nhất với nhóm new-to-credit hoặc underbanked — những người trưởng thành có thu nhập ổn định nhưng chưa từng vay ngân hàng chính thống.
Hỏi: Việc thu thập dữ liệu hành vi trên thiết bị di động có vi phạm quyền riêng tư của khách hàng không?
Trả lời: Phụ thuộc vào cách triển khai. Tổ chức tín dụng phải thực hiện thu thập theo nguyên tắc đồng thuận rõ ràng (informed consent), tối thiểu hóa dữ liệu (data minimization), mục đích sử dụng hạn chế (purpose limitation) và cho phép khách hàng rút lại đồng ý. Tại Việt Nam, Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân và các quy định hiện hành của Ngân hàng Nhà nước về an toàn, bảo mật trong hoạt động ngân hàng điện tử là khung pháp lý bắt buộc áp dụng. Việc ghi nhận keystroke, vị trí, danh bạ mà không có sự đồng ý rõ ràng bằng văn bản điện tử có thể bị xem là vi phạm.
Hỏi: Ngân hàng Việt Nam nào đã triển khai mô hình này và hiệu quả ra sao?
Trả lời: Một số ngân hàng thương mại lớn và công ty fintech tại Việt Nam đã thử nghiệm hoặc triển khai thành phần chấm điểm hành vi trong quy trình cho vay tiêu dùng và vay mua xe máy, xe ô tô trên ứng dụng di động. Theo chia sẻ từ một số diễn đàn ngân hàng số, mô hình cho phép tăng tỷ lệ phê duyệt tự động lên 20–40% đối với khoản vay nhỏ, đồng thời giảm tỷ lệ nợ xấu phát sinh trong 30 ngày đầu. Tuy nhiên, con số cụ thể từng ngân hàng thường không được công bố công khai do tính nhạy cảm về chiến lược rủi ro.
Lưu ý: Nội dung trên mang tính tham khảo, không thay thế tư vấn pháp lý hoặc tư vấn chuyên môn về quản trị rủi ro tín dụng. Bạn đọc nên tham khảo thêm tài liệu từ Ngân hàng Nhà nước Việt Nam và các văn bản pháp luật hiện hành khi triển khai hoặc nghiên cứu mô hình chấm điểm tín dụng hành vi tại tổ chức.