“Xây dựng hệ thống quản trị rủi ro bằng hệ thống chấm điểm tín dụng khách hàng cũng giống như đi trồng lúa, để có một vụ mùa bội thu việc sàng lọc, lựa chọn những hạt giống, nguyên liệu tốt là không thể bỏ qua. Để có mô hình tốt, ngân hàng sẽ cần dành nhiều thời gian để thu thập, sàng lọc dữ liệu”, ông Dmitro Kolevko – Giám đốc khối quản trị rủi ro Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank, mã VPB-HoSE) chia sẻ về công việc xây dựng thẻ điểm tín dụng mà ông đảm trách tại ngân hàng này.
Với ngày càng nhiều sản phẩm tài chính mới liên tục ra đời, công việc nhận diện và quản trị rủi ro càng phức tạp. Nhưng rủi ro là điều luôn tồn tại khi xem xét một cơ hội kinh doanh. Hoặc lựa chọn né tránh đứng ngoài cuộc chơi hoặc hạn chế tối đa rủi ro bằng các công cụ.
Là một ngân hàng có thế mạnh mảng bán lẻ đặc biệt trong lĩnh vực cho vay tín chấp, người làm quản trị rủi ro càng phải đau đầu khi lượng khách hàng của ngân hàng rất lớn, ngân hàng gom "bạc lẻ" từ những khoản vay giá trị nhỏ. Phương pháp chấm điểm tín dụng khách hàng dựa trên phân tích Dữ liệu lớn (Big data) là một trong các công cụ được VPBank sử dụng.
Nói về việc xây dựng mô hình quản trị rủi ro này, ông Dmitro Kolevko cho biết nếu không đầu tư cho những công đoạn ban đầu, không thể thu về kết quả tốt. Để hệ thống quản trị rủi ro hoạt động hiệu quả, ông cho biết thu thập dữ liệu chiếm tới 2/3 thời gian tại VPBank, còn lại 1/3 thời gian là để xây dựng mô hình dựa trên các dữ liệu đó.
Từ nguồn dữ liệu, các ngân hàng xây dựng mô hình xác định khả năng trả được nợ của khách hàng. Hay thậm chí như VPBank, ngân hàng này còn xây dựng mô hình đánh giá sự gian lận.
Thu thập dữ liệu là một phần quan trọng của chấm điểm tín dụng và là bài toán khó không chỉ riêng ở Việt Nam. Chuẩn mực Basel II mà NHNN yêu cầu các ngân hàng áp dụng từ năm 2020 cũng đòi hỏi thu thập dữ liệu rất lớn. Nếu bắt tay triển khai thực hiện Basel II từ 3 năm trước khi NHNN đề xuất về chuẩn mực này thì nay các ngân hàng đã có thể đủ dữ liệu. Nhưng phần lớn đây vẫn là khó khăn của các ngân hàng. Dù vậy, việc triển khai sau lại giúp ngân hàng Việt Nam có thể “đi tắt đón đầu”, áp dụng công nghệ tiên tiến hay học hỏi từ thất bại của những người đi trước.
Theo chia sẻ của ông Dmitro Kolevko, dữ liệu thực chất là các thông tin, đơn giản như tờ khai mà khách hàng phải điền khi có khoản vay với ngân hàng. Chấm điểm thẻ tín dụng là chuyển thông tin mong muốn thành con số cụ thể. Với số lượng khách hàng đủ lớn, các thông tin sẽ có giá trị dự báo và trở thành nhữ con số “biết nói”, hỗ trợ việc quyết định cho vay của ngân hàng.
Có tới 7 triệu khách hàng, VPBank sở hữu nguồn cơ sở dữ liệu khách hàng lớn nhất nhì trong nhóm các nhà băng. Ở chiều ngược lại, mô hình chấm điểm tín dụng hoạt động hiệu quả sẽ đồng thời giúp dễ ràng rút ngắn thời gian xét duyệt, giải ngân các khoản vay nhỏ cho khách hàng.
“Nếu có tệp mẫu đủ lớn , tập hợp lại theo các nhóm độ tuổi, sử dụng nhiều biến,… việc dự báo có thể được thực hiện tương đối chính xác”, vị giám đốc khối quản trị rủi ro giải thích tính logic của phương pháp này.
Số lượng chỉ tiêu đánh giá tùy thuộc vào từng mô hình nhưng sẽ không quá nhiều, khoảng 10 chỉ tiêu. Các chỉ tiêu sẽ có trọng số khác nhau trong mô hình nhưng không quá tập trung trọng số quá lớn ở một chỉ tiêu nào đó.
Việc quan sát hành vi của khách hàng 1 năm có thể giúp dự đoán các hành xử như thế nào 3-6 tháng tới, từ đó có thể giúp ngân hàng đưa ra quyết định cho vay hay không, hạn mức và lãi suất cho vay với từng khách hàng là cao hay thấp…, ông Dmitro Kolevko cho hay.
Các ngân hàng có thể thuê ngoài hoặc tự xây dựng mô hình cho mình. Với VPBank, nhân sự được ngân hàng tìm kiếm ngay tại môt số trường đại học, đào tạo nhiều năm theo chương trình thực tập và chính đội ngũ này hiện nay đã có thể xây dưng mô hình phức tạp.
Nhưng có được mô hình mới chỉ là nền móng đầu tiên. Ông cho biết một mô hình muốn hoạt động tốt thì sau đó còn phải thường xuyên đánh giá, theo dõi, cập nhật và phân tích tính ổn định.
“Rất có thể các nhóm khách hàng đã có sự thay đổi. Một tòa nhà mới mọc lên kéo theo hàng nghìn nhân viên đến làm việc cũng có thể làm thay đổi tệp khách hàng. Các đơn vị kinh doanh phải thay đổi để phù hợp tương ứng”, Giám đốc khối quản trị rủi ro của VPBank nêu ra một ví dụ của ngành Marketing khi ứng dụng Dữ liệu lớn.
Một số chỉ số do đó luôn được theo dõi để đảm bảo mô hình vẫn đang cho kết quả tốt điển hình như chỉ số Gini đo khả năng phân biệt khách hàng tốt/xấu được quy định luôn phải trên 30% nhưng tại VPBank phần lớn mô hình có chỉ số này trên 60%, thậm chí có mô hình ở mức 75%.
Không bao giờ danh mục cho vay của ngân hàng không có một đồng nợ xấu cũng như rủi ro luôn thường trực với người làm kinh doanh. Vậy nên, không một công cụ quản trị rủi ro có thể dự báo chính xác 100% xác suất khách hàng sẽ trả được nợ.
Nhưng rủi ro được hạn chế tối đa nhờ sức mạnh công nghệ giúp lưu trữ, hệ thống nguồn dữ liệu lớn và khả năng phân tích dữ liệu để xây dựng mô hình, đồng thời luôn cải tiến qua theo dõi và cập nhật thường xuyên. Các cơ hội kinh doanh tốt nhờ đó không bị bỏ qua, người đi vay có thể tiếp cận nguồn vốn để thực hiện các khoản đầu tư của mình.
THANH THỦY
Tuyên bố trách nhiệm: Bài viết được lấy nguyên văn từ nguồn tin nêu trên. Mọi thắc mắc về nội dung bài viết xin liên hệ trực tiếp với tác giả. Chúng tôi sẽ sửa, hoặc xóa bài viết nếu nhận được yêu cầu từ phía tác giả hoặc nếu bài gốc được sửa, hoặc xóa, nhưng vẫn bảo đảm nội dung được lấy nguyên văn từ bản gốc.