Quy trình xét duyệt tín dụng tự động theo hành vi số khách hàng
Quy trình xét duyệt tín dụng tự động theo hành vi số khách hàng (tiếng Anh: Digital Behavior-Based Automated Credit Underwriting) là chuỗi bước nghiệp vụ mà ngân hàng hoặc công ty tài chính ứng dụng công nghệ để phân tích dấu vết số của người dùng — chẳng hạn như tần suất nhấp chuột, thời lượng phiên truy cập, mẫu thiết bị, lịch sử cài đặt và sử dụng ứng dụng, dữ liệu định vị (nếu được đồng thuận) — nhằm tạo ra chỉ số rủi ro tín dụng. Chỉ số này được đưa vào mô hình chấm điểm (scorecard) và hệ thống quy tắc (rule engine) để tự động phê duyệt, từ chối hoặc chuyển sang bộ phận xét duyệt thủ công dựa trên ngưỡng điểm rủi ro đã thiết lập sẵn. Toàn bộ quy trình thường diễn ra trong vài giây đến vài phút, thay vì vài ngày như mô hình tín dụng truyền thống dựa trên hồ sơ tài chính và lịch sử quan hệ.
Mục tiêu và ý nghĩa với ngân hàng
Mục tiêu cốt lõi của mô hình này là mở rộng khả năng tiếp cận tín dụng cho nhóm khách hàng "mỏng" hoặc "không có hồ sơ tín dụng" (thin-file, no-file) — điển hình là người mới đi làm, lao động tự do, người sống ở vùng nông thôn — những người chưa có đủ dữ liệu trên hệ thống CIC (Trung tâm Thông tin Tín dụng Quốc gia Việt Nam). Khi dữ liệu tài chính truyền thống chưa đủ để ra quyết định, hành vi số sẽ đóng vai trò "biến thay thế" (proxy variable) phản ánh mức độ ổn định, kỷ luật tài chính và ý định trả nợ. Đối với ngân hàng, quy trình này giúp cắt giảm chi phí vận hành xét duyệt, rút ngắn thời gian ra quyết định, tăng tỷ lệ chuyển đổi đơn vay và tối ưu hóa tỷ lệ nợ xấu thông qua phân khúc rủi ro tinh hơn.
Dữ liệu hành vi số thường được sử dụng
Các tín hiệu số được thu thập phải tuân thủ quy định về bảo vệ dữ liệu cá nhân và phải có sự đồng thuận rõ ràng từ khách hàng. Những nhóm dữ liệu phổ biến gồm:
- Siêu dữ liệu thiết bị: loại thiết bị, hệ điều hành, thời gian sử dụng thiết bị, mức độ thường xuyên thay đổi SIM/thiết bị (dấu hiệu gian lận danh tính).
- Hành vi trong ứng dụng/website: số lần đăng nhập, thời gian trung bình mỗi phiên, tần suất truy cập trang sản phẩm vay, lịch sử so sánh sản phẩm trước khi đăng ký.
- Tương tác với nội dung tài chính: có xem video hướng dẫn đọc hợp đồng hay không, có trả lời khảo sát khả năng trả nợ hay không.
- Dữ liệu giao dịch trên ví điện tử hoặc tài khoản liên kết: tần suất giao dịch, mức độ biến động số dư, lịch sử nhận lương (nếu có liên kết).
- Mẫu mạng và định vị tương đối: IP thiết bị có khớp với địa chỉ khai báo không, có di chuyển đột ngột giữa các tỉnh trong thời gian ngắn hay không (chỉ số nhận diện bất thường).
Quy trình vận hành chuẩn
Một quy trình điển hình gồm năm bước:
- Thu thập và đồng thuận: khách hàng cấp quyền truy cập dữ liệu trên ứng dụng ngân hàng; hệ thống ghi nhận phiên bản đồng thuận để phục vụ kiểm toán.
- Trích xuất đặc trưng (feature engineering): mô hình chuyển dữ liệu thô thành hàng trăm biến số, ví dụ "số ngày sử dụng ứng dụng liên tục", "tỷ lệ phiên hoạt động vào khung giờ hành chính", "số lần thay đổi thiết bị trong 30 ngày".
- Chấm điểm rủi ro: mô hình học máy (thường là gradient boosting, random forest hoặc mạng nơ-ron) gán điểm trên thang 0–1000. Mô hình được huấn luyện trên dữ liệu lịch sử của chính ngân hàng và được tái huấn luyện định kỳ.
- Áp ngưỡng và ra quyết định: nếu điểm vượt ngưỡng A → phê duyệt tự động; nằm giữa ngưỡng A và B → chuyển xét duyệt thủ công; dưới ngưỡng B → từ chối.
- Theo dõi sau phê duyệt: hành vi số tiếp tục được giám sát trong suốt vòng đời khoản vay để cảnh báo sớm (early warning) khi có dấu hiệu bất thường.
Rủi ro và thách thức cần lưu ý
- Rủi ro thiên kiến thuật toán (algorithmic bias): nếu dữ liệu huấn luyện chứa định kiến, mô hình có thể phân biệt đối xử gián tiếp với một nhóm khách hàng nhất định, ví dụ người dùng thiết bị cũ, người ở vùng sóng yếu.
- Rủi ro tuân thủ: việc thu thập dữ liệu hành vi phải tuân thủ Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân và các quy định của Ngân hàng Nhà nước về an toàn, bảo mật trong hoạt động ngân hàng điện tử; khách hàng phải được thông báo rõ ràng về loại dữ liệu thu thập và mục đích sử dụng.
- Rủi ro mô hình (model drift): hành vi người dùng thay đổi theo mùa vụ, xu hướng công nghệ hoặc sự kiện kinh tế — xếp hạng tín dụng có thể suy giảm chất lượng nếu không được giám sát và tái huấn luyện.
- Khó giải thích (explainability): nhiều mô hình học sâu hoạt động như "hộp đen", gây khó khăn khi cần giải thích cho khách hàng lý do bị từ chối — xu hướng hiện nay là sử dụng kỹ thuật SHAP/LIME để truy vết biến số tác động.
Câu hỏi thường gặp
Hỏi: Hành vi số khác gì so với dữ liệu tín dụng truyền thống (lịch sử nợ, thu nhập)? Hành vi số là dữ liệu phái sinh từ tương tác kỹ thuật số của khách hàng, không phải dữ liệu tài chính trực tiếp. Nó phản ánh "kỷ luật số", "sự ổn định thiết bị" và "mức độ tương tác với sản phẩm tài chính". Ưu điểm lớn nhất là có sẵn ngay cả khi khách hàng chưa từng vay ngân hàng, giúp phục vụ nhóm khách hàng chưa có lịch sử tín dụng.
Hỏi: Mô hình chấm điểm theo hành vi số có thay thế hoàn toàn chấm điểm tín dụng CIC không? Không thể thay thế hoàn toàn. Trong thực tế, hệ thống thường kết hợp cả hai nguồn: CIC là lớp nền tảng đánh giá lịch sử nợ, còn hành vi số bổ sung tín hiệu thời gian thực và phủ những khách hàng chưa có dữ liệu CIC. Các ngân hàng lớn tại Việt Nam đang chuyển dần sang mô hình "hybrid score" như vậy thay vì chọn một nguồn duy nhất.
Hỏi: Nếu khách hàng từ chối cấp quyền truy cập dữ liệu thiết bị thì có bị từ chối vay không? Không nhất thiết. Nhiều ngân hàng thiết kế quy trình "graceful degradation" — nếu không có dữ liệu hành vi số, hệ thống sẽ chuyển sang dùng các biến số thay thế (thu nhập khai báo, lịch sử CIC, quan hệ tiền gửi) hoặc chuyển sang kênh xét duyệt thủ công. Việc ép buộc cấp quyền có thể vi phạm nguyên tắc đồng thuận theo Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.
Lưu ý: Nội dung trên mang tính tham khảo chuyên môn, không thay thế tư vấn pháp lý hay tư vấn tín dụng cụ thể cho từng tổ chức tín dụng. Các số liệu, quy định pháp luật được nêu tại thời điểm cập nhật và có thể thay đổi theo chính sách hiện hành của Ngân hàng Nhà nước Việt Nam.