Machine Learning và ứng dụng trong ngành ngân hàng

machine Learning

Và ứNg DụNg TrONg NgàNh NgâN hàNg

Minh Trung

Là một khái niệm được nhắc đến nhiều trong thời đại công nghiệp 4.0, Machine Learning (học máy) ngày càng cho thấy sự hỗ trợ rất lớn đối với những nghiệp vụ phức tạp của con người. Công nghệ này đã và đang được ứng dụng trong nhiều lĩnh vực, trong đó có tài chính ngân hàng.

maChine learning là gì?

Nhiều người thường cho rằng các thuật ngữ Machine Learning và AI (trí tuệ nhân tạo) như từ đồng nghĩa. Tuy nhiên, hai thuật ngữ này là hai khái niệm khác nhau. AI là một mảng rất rộng thuộc lĩnh vực khoa học máy tính với mục đích tạo ra một hệ thống máy tính có thể bắt chước trí thông minh của con người. Trong khi đó, Machine Learning cho phép máy móc học hỏi từ dữ liệu, sử dụng và phân tích dữ liệu lịch sử; từ đó có thể đưa ra những dự đoán chính xác cho những tác vụ cụ thể mà chúng được đào tạo, nhằm hỗ trợ đưa ra quyết định chính xác.

Trong quá khứ, các hệ thống máy móc đều được xây dựng dựa trên quy luật. Thông thường, các quy tắc trong hệ thống này bao gồm một tập hợp các điều kiện “nếu” bên vế trái và sau đó đưa ra hành động bên vế phải. Ví dụ, trong hệ thống chấm điểm tín dụng, nếu thu nhập thấp và đã từng vỡ nợ suy ra không đạt tiêu chuẩn. Điều đáng nói ở đây là tất cả những quy tắc này đều được đặt ra bởi con người, những chuyên gia về mảng nghiệp vụ liên quan. Cách tiếp cận này khá đơn giản, dễ hiểu và vẫn được sử dụng cho tới hiện

nay, tuy nhiên nó vẫn còn nhiều hạn chế. Quá trình tạo ra các quy tắc là thủ công, đây sẽ không phải là vấn đề lớn khi hệ thống mới được xây dựng, nhưng khi hệ thống trở nên phức tạp hơn, các quy tắc cũng cần phải được chỉnh sửa sao cho phù hợp với hệ thống thì điều này gây mất thời gian và nhiều khi vượt qua khả năng tính toán của con người. Do vậy, AI và Machine Learning ra đời.

ứng Dụng maChine learning trong ngành ngân hàng

Machine Learning được áp dụng trong rất nhiều lĩnh vực hiện nay, từ y tế với những hệ thống chẩn đoán bệnh, cho đến giao thông với Google Maps, hay phổ biến nhất là hệ thống gợi ý sản phẩm trên các nền tảng giải trí và thương mại điện tử như: Amazon, Netflix…

Lĩnh vực tài chính ngân hàng cũng được hưởng lợi rất nhiều từ việc ứng dụng Machine Learning với những tiện ích như phát hiện gian lận, dự đoán khách hàng rời bỏ, marketing, nhận diện khuôn mặt...

Phát hiện gian lận

Các thuật toán của Machine Learning có thể phát hiện các gian lận trong giao dịch bằng cách phân tích hàng triệu điểm dữ liệu con người có thể bỏ lỡ, không chú ý đến. Hơn nữa, Machine Learning giúp cải thiện độ chính xác của các phê duyệt theo thời gian thực, thay vì phát hiện chúng sau khi giao dịch đã được thực hiện. Nếu như không có sự hỗ trợ của Machine Learning, sẽ cần rất nhiều chuyên gia trực tiếp giám sát các giao dịch và cũng không thể ngăn chặn được gian lận trong thời gian thực mà chỉ có thể kiểm chứng sau khi nó đã xảy ra.

Dự đoán khách hàng rời bỏ

So với việc tìm kiếm và lôi kéo khách hàng mới, việc giữ chân khách hàng hiện hữu sẽ tốn ít chi phí hơn. Các ngân hàng có thể sử dụng công nghệ Machine Learning để dự đoán những khách hàng có khả năng rời bỏ để từ đó có chính sách giữ khách hàng, đặc biệt là những khách hàng đem lại lợi ích lớn cho ngân hàng.

Hiện nay, Trung tâm Ngân hàng số BIDV sử dụng các mô hình phân loại nhị phân, dự đoán để tìm ra những khách hàng có khả năng rời bỏ theo từng phân khúc sản phẩm dịch vụ như tiền gửi kì hạn, tiền gửi thanh toán và ứng dụng BIDV SmartBanking,... để các đơn vị kinh doanh xem xét và xây dựng các chiến dịch nhằm giữ chân khách hàng.

Marketing

Machine Learning có thể giúp chúng ta đưa ra dự đoán chính xác nhu cầu của người dùng dựa trên hành vi của họ trong quá khứ. Từ việc phân tích việc sử dụng ứng dụng trên thiết bị di động, hoạt động web và phản hồi của khách hàng với các chiến dịch quảng cáo trước đó, các thuật toán Machine Learning có thể giúp tạo ra các chiến lược marketing tương ứng, phù hợp để giới thiệu đến từng nhóm, từng cá nhân khách hàng, tối ưu hóa chi phí và lợi nhuận.

Trung tâm Ngân hàng số hiện đã xây dựng mô hình dự báo khách hàng có khả năng sử dụng sản phẩm số của BIDV, trong tháng 8 đã phối hợp với Trung tâm Chăm sóc khách hàng để thực hiện chiến dịch gọi điện cho hơn 4.000 khách hàng với kết quả rất tích cực.

Nhận diện khuôn mặt

Với công nghệ nhận diện khuôn mặt, các ngân hàng có thể thực hiện được giấc mơ chuyển đổi thành ngân hàng tự động. Ngoài ứng dụng vào eKYC, nhận diện khuôn mặt sẽ làm tăng trải nghiệm khách hàng tại các quầy giao dịch. Ví dụ, khách hàng đăng kí một cuộc gặp tại quầy trên ứng dụng BIDV SmartBanking, khi họ đến, hệ thống sẽ nhận diện khuôn mặt và tự động hướng dẫn họ đến nơi họ cần tới. Điều này sẽ giúp tiết kiệm thời gian và gia tăng trải nghiệm của khách hàng một cách đáng kể.

Ngoài các ví dụ điển hình ở trên, các ngân hàng cũng có thể sử dụng AI và Machine Learning để cá nhân hóa trải nghiệm đối với khách hàng, tự động hóa hệ thống giới thiệu sản phẩm dịch vụ phù hợp nhất đến với từng khách hàng...

tầm quan trọng Của Dữ liệu

Có thể thấy, các ứng dụng Machine Learning sẽ giúp ích rất nhiều cho việc giải các bài toán phức tạp trong lĩnh vực tài chính ngân hàng, qua đó thúc đẩy quá trình chuyển đổi số và tự động hóa.

Tuy nhiên, đầu vào quan trọng nhất của Machine Learning chính là dữ liệu. Chúng sẽ chỉ dự đoán được những gì mà chúng được học và cần có dữ liệu để phát huy hết tác dụng. Không chỉ vậy, dữ liệu cần phải đầy đủ, chính xác, phù hợp với mục tiêu của bài toán.

Do vậy, dữ liệu là vấn đề cốt lõi của công cuộc chuyển đổi số và hiện đại hóa trong lĩnh vực tài chính ngân hàng nói riêng và bất kì lĩnh vực nào hiện nay. Chúng ta nên coi dữ liệu như một tài sản và bỏ công sức đầu tư để thu thập chúng một cách đầy đủ và chính xác nhất, nhằm phục vụ cho quá trình ứng dụng công nghệ Machine Learning trong công tác nghiệp vụ.