Bài viết bàn về 2 trường hợp thể hiện sự bất cập của phần mềm chấm điểm tín dụng hiện tại của các NHTM. Câu hỏi đặt ra là liệu có thể nâng cao độ chính xác trong đánh giá khách hàng không? Làm thế nào để không bỏ lỡ các khách hàng tiềm năng hoặc loại bỏ những khách hàng không thực sự tốt như thể hiện bên ngoài? Mời các bạn cùng tham khảo! | Kỷ yếu HộI THảO KHOA HọC QUốC GIA quot CÁCH MạNG CÔNG NGHIệP VÀ NHữNG ĐổI MớI TRONG LĨNH VựC TÀI CHÍNH - NGÂN HÀNG quot Machine Learning VÀ ỨNG DỤNG TRONG XẾP HẠNG TÍN DỤNG KHÁCH HÀNG CÁ NHÂN TẠI CÁC NGÂN HÀNG THƯƠNG MẠI Việt Nam PGS. TS Nguyễn Hữu Tài Trường Đại học Kinh tế Quốc dân NCS. ThS. Đặng Hương Giang1 Trường Đại học Kinh tế Kỹ Thuật Công nghiệp Tóm tắt Hệ thống phần mềm chấm điểm xếp hạng tín dụng XHTD khách hàng cá nhân hiện nay của các ngân hàng thương mại NHTM mới chỉ dừng lại ở mức đưa dữ liệu thông tin khách hàng vào hệ thống và trả lại kết quả là điểm XHTD của khách hỗ trợ cán bộ tín dụng ra quyết định. Tuy nhiên đây là hình thức đánh giá cứng nhắc tuy mức độ chính xác cao nhưng vẫn có sai số nhất định. Sẽ thế nào nếu một khách hàng đến xin vay tại NH này và bị từ chối vì điểm XHTD thấp nhưng được một NH khác cho vay và là một khách hàng tốt luôn trả nợ đúng hạn Hay ngược lại một khách hàng có điểm XHTD tốt được ngân hàng cho vay nhưng sau đó lại trở thành một khoản nợ xấu với ngân hàng. Đây là 2 trường hợp thể hiện sự bất cập của phần mềm chấm điểm tín dụng hiện tại của các NHTM. Câu hỏi đặt ra là liệu có thể nâng cao độ chính xác trong đánh giá khách hàng không Làm thế nào để không bỏ lỡ các khách hàng tiềm năng hoặc loại bỏ những khách hàng không thực sự tốt như thể hiện bên ngoài Hệ thống Machine Learning với nền tảng Big Data có thể giải quyết vấn đề này. Từ khóa Machine Learning ngân hàng thương mại xếp hạng tín dụng Big Data Machine Learning applications in personal credit ratings of Vietnam Commercial Banks Abstract With current credit score software system for individual clients of commercial banks it is only set up to input data and customer s information into the system and the returned result is customer s credit score which help loan officer to make lending decision. However this is a rigid inflexible evaluation way. Although the current system has high accuracy it still has errors in measurement. What happens if a customer applies
