Ứng dụng Big Data và AI: Ngân hàng không thể đứng ngoài cuộc

Ông đánh giá như thế nào về thực trạng ứng dụng Big Data và AI trong hoạt động ngân hàng tại Việt Nam hiện nay?

Theo quan sát của chúng tôi, các ứng dụng của Big Data và AI trong hoạt động ngân hàng ngày càng mạnh mẽ trong thời gian gần đây. Một số ngân hàng coi Big Data và AI là nhiệm vụ chiến lược trong những năm tới để thúc thẩy hoạt động kinh doanh và quản trị rủi ro hiệu quả. Những việc trước đây phải thực hiện thủ công thì bây giờ đã có thể xử lý bằng máy tính, những việc trước đây xử lý mất nhiều thời gian thì bây giờ đã dễ dàng, nhanh chóng và chính xác hơn. Việc ứng dụng có thể liệt kê thành các nhóm lớn như sau.

Ông Nguyễn Huy Cường, Giám đốc Công ty Raffles Việt Nam

Trong giai đoạn đánh giá khách hàng ban đầu, một loạt kỹ thuật như OCR, nhận diện gương mặt… để xác thực thông tin tự động được tích hợp vào trong giải pháp e-KYC; các mô hình máy học (Machine learning) có thể đưa ra kết quả tốt hơn các kết quả phân tích truyền thống trong quá trình đánh giá rủi ro tín dụng khi cho vay…

Trong giai đoạn chăm sóc khách hàng và quản lý danh mục, xử lý ngôn ngữ tự nhiên có thể giúp ngân hàng xây dựng các chatbot; OCR giúp xử lý việc nhập các chữ viết trở nên đơn giản và nhanh chóng hơn; công nghệ chuyển giọng nói thành văn bản làm cho thao tác của các bộ phận phải nhập liệu nhanh trở nên đơn giản hơn; nhận diện giọng nói giúp cho ngân hàng biết khách hàng nào gọi đến trung tâm chăm sóc khách hàng; các mô hình máy học giúp ngân hàng đánh giá chất lượng danh mục, phân tích hành vi khách hàng hiệu quả.

Để tối ưu danh mục và hiệu quả hoạt động, AI giúp ngân hàng nhìn ra được các góc khuất có thể hoàn thiện hoặc các phương án tốt nhất để có thể điều chỉnh danh mục, quy trình. Mặc dù các ngân hàng đều nói về Big Data và AI, nhưng đây vẫn là một nội dung mới, mức độ hiểu biết, triển khai và ứng dụng giữa các ngân hàng rất khác nhau, định hướng của một số ngân hàng còn chưa rõ ràng về Big Data và AI.

Có quan điểm cho rằng, cứ ứng dụng Big Data và AI sẽ quản lý dữ liệu hiệu quả. Theo ông, điều đó có đúng không?

Quản lý dữ liệu là một nhóm công việc khác với Big Data và AI. Quản lý dữ liệu là cách thức và công cụ mà một tổ chức sử dụng để có được dữ liệu với chất lượng tốt, vừa được bảo mật cao vừa dễ dàng khai thác để phục vụ cho các hoạt động. Điều này đòi hỏi phải có một chiến lược về dữ liệu rõ ràng, phải có một bộ máy để thực hiện chiến lược dữ liệu, phải có các chính sách và quy định về dữ liệu và phải có công cụ để thực hiện các chính sách và quy định đó.

Nhiều ngân hàng đang đẩy mạnh ứng dụng AI trong hoạt động. Để làm được việc này, một số ngân hàng đã tuyển dụng các chuyên gia phân tích dữ liệu (data scientist). Trong bối cảnh thiếu hụt nhân sự AI, chi phí tuyển dụng và duy trì đội ngũ này là không nhỏ. Tuy nhiên, việc quản lý dữ liệu tại các ngân hàng chưa được triển khai một cách phù hợp, dẫn tới không có dữ liệu để phân tích.

Một số ngân hàng coi Big Data và AI là nhiệm vụ chiến lược trong những năm tới để thúc đẩy hoạt động kinh doanh và quản trị rủi ro hiệu quả.

Đội ngũ phân tích dữ liệu của các ngân hàng phải dành khoảng 80 - 90% thời gian để trả lời các câu hỏi không phải là chuyên môn chính của họ: Ngân hàng có dữ liệu không? Nếu có dữ liệu thì nó nằm ở đâu? Cách khai thác, tiếp cận dữ liệu như thế nào? Sau khi tiếp cận được dữ liệu thì chất lượng có tốt không, xử lý dữ liệu như thế nào?...

Khi xử lý xong dữ liệu thì đội ngũ phân tích dữ liệu chỉ còn khoảng 10 - 20% thời gian sử dụng chuyên mô chính của họ để làm việc và khó có thể đưa ra kết quả có ý nghĩa. Điều này rất tốn kém cho các ngân hàng. Các vấn đề tương tự như vậy sẽ được giải quyết nếu như ngân hàng có phương pháp, chính sách, quy định và công cụ để quản lý dữ liệu.

Nhìn chung, ngân hàng cần phải thực hiện quản lý dữ liệu để có thể ứng dụng được Big Data và AI một cách hiệu quả trong hoạt động.

Ông có thể liệt kê cụ thể hơn một số ứng dụng của Big Data và AI trong hoạt động tín dụng?

Hoạt động tín dụng là một trong các nghiệp vụ lớn nhất, phức tạp nhất và có nhiều khu vực thủ công nhất trong ngân hàng. Khảo sát của chúng tôi cho thấy, khoảng 90% rủi ro của các ngân hàng vẫn đến từ rủi ro tín dụng, xét theo các tiêu chí đánh giá rủi ro tại Thông tư 41/2016/TT-NHNN của Ngân hàng Nhà nước. Do vậy, khả năng ứng dụng của Big Data và AI trong hoạt động tín dụng là rất lớn.

Để tối ưu hóa tác nghiệp với các hồ sơ giấy như báo cáo tài chính, hóa đơn giá trị gia tăng, sổ đỏ, ngân hàng hoàn toàn có thể triển khai các công nghệ OCR, NLP… để giảm thiểu thời gian tác nghiệp và sai sót trong nhập dữ liệu.

Để có thể phát hiện gian lận trong quá trình cấp tín dụng, kể cả gian lận nội bộ và từ khách hàng, ngân hàng có thể sử dụng các mô hình AI để nhận diện.

Để đánh giá rủi ro tín dụng, khi cân nhắc cho vay một khách hàng, ngân hàng có thể huy động dữ liệu từ nhiều nguồn khác nhau và sử dụng các mô hình máy học để dự báo rủi ro khách hàng không trả được nợ (A-score). Sau khi khách hàng đã được cho vay, ngân hàng tiếp tục sử dụng các mô hình máy học để đánh giá chất lượng danh mục, cảnh báo sớm rủi ro đối với khách hàng, đồng thời xác định chiến lược thu hồi, xử lý nợ một cách phù hợp. Đối với cả danh mục tín dụng, ngân hàng có thể sử dụng AI để xác định các hạn mức rủi ro phù hợp với khẩu vị rủi ro theo đúng yêu cầu tại Thông tư 13/2018/TT-NHNN của Ngân hàng Nhà nước.

Đó là một số ứng dụng thực tế và mang lại hiệu quả cao cho các ngân hàng. Trên cơ sở tổ chức dữ liệu và phân tích dữ liệu hợp lý, A-score mà Raffles đã xây dựng cho các ngân hàng tại Việt Nam bao giờ cũng có Gini (khả năng phân biệt) đạt từ 40 - 60%, tương đương tiêu chuẩn của các ngân hàng lớn tại Singapore - nơi dữ liệu về khách hàng rất đầy đủ và chính xác.

Ông dự báo như thế nào về xu hướng ứng dụng Big Data và AI trong thời gian tới của ngành ngân hàng?

Với sự phát triển cực nhanh về công nghệ xử lý và các thuật toán hiện nay, Big Data và AI đương nhiên là một xu hướng. Trong ngành ngân hàng, với việc đẩy mạnh số hóa như hiện nay, nhu cầu lưu trữ, xử lý các dữ liệu phi truyền thống ngày càng lớn. Cùng với đó, áp lực giảm chi phí, tăng năng suất lao động đòi hỏi việc ra quyết định phải dựa trên dữ liệu nhiều hơn cảm tính, kinh nghiệm. Có thể nói rằng, Big Data và AI ngày càng trở nên phổ biến và các ngân hàng không thể đứng ngoài cuộc chơi này.

Trong thời gian tới, nhiều vấn đề cụ thể trong từng nghiệp vụ ngân hàng sẽ được xử lý thông qua Big Data và AI. Ví dụ, ngân hàng sẽ muốn biết khách hàng tương tác như thế nào với ứng dụng digital bank của ngân hàng? Ngân hàng có thể bán bảo hiểm cho khách hàng nào để khả năng thành công là cao nhất và khách hàng không cảm thấy phiền lòng? Ngân hàng nên để bao nhiêu tiền tại các máy ATM/CDM/CRM? Ngân hàng làm sao để phê duyệt và phát hành thẻ tín dụng tự động từ các đơn phát hành thẻ được điền bằng chữ viết tay? Hoặc đơn giản là làm sao để biết khách hàng nào đang bước chân vào ngân hàng mà không cần hỏi giấy tờ tùy thân? Làm sao để tối ưu hoạt động của trung tâm chăm sóc khách hàng? Làm sao để đánh giá mức độ hài lòng của khách hàng sau cuộc gọi đến trung tâm chăm sóc khách hàng? Sản phẩm tiếp theo tốt nhất của khách hàng là sản phẩm nào? Khách hàng nào có khả năng rời bỏ ngân hàng?

Trong lĩnh vực ứng dụng AI, Việt Nam hoàn toàn có khả năng tạo ra các sản phẩm với tiêu chuẩn tương đương, thậm chí tốt hơn các nhà cung cấp từ nước ngoài. Điều này đến từ các yếu tố sau: thứ nhất, AI là lĩnh vực mà thế giới chia sẻ rất cởi mở về công nghệ ứng dụng; thứ hai, người Việt Nam rất giỏi toán và ứng dụng; thứ ba, người Việt Nam hiểu rõ nhất các vấn đề cụ thể tại Việt Nam như ngôn ngữ, thị trường…

Thực tế cho thấy, trong công nghệ chuyển giọng nói thành văn bản, OCR, NLP…, các nhà cung cấp nội địa hiện nay xử lý tiếng Việt tốt hơn cả Google. Có những giải pháp mà Raffles hoàn toàn kiểm soát công nghệ lõi tại Việt Nam, trong khi nếu mua từ nước ngoài, các ngân hàng có thể sẽ phải trả hàng triệu USD. Do vậy, trong thời gian tới, chúng tôi tin tưởng rằng, các nhà cung cấp trong nước sẽ chiếm tỷ trọng ngày càng lớn trong việc cung cấp dịch vụ AI cho các ngân hàng.