Chấm điểm tín dụng doanh nghiệp dựa trên dữ liệu thay thế
Chấm điểm tín dụng doanh nghiệp dựa trên dữ liệu thay thế (tiếng Anh: Alternative Credit Scoring for SMEs / Alternative Data Credit Scoring) là phương pháp đánh giá rủi ro tín dụng của khách hàng doanh nghiệp, đặc biệt là doanh nghiệp vừa và nhỏ (SME) và doanh nghiệp siêu nhỏ, thông qua việc sử dụng các nguồn dữ liệu phi truyền thống (alternative data) thay cho hoặc bổ sung cho các chỉ tiêu tài chính chính thống trên báo cáo tài chính. Các nguồn dữ liệu thay thế phổ biến bao gồm: dòng tiền số từ tài khoản thanh toán, dữ liệu giao dịch trên sàn thương mại điện tử, lịch sử giao dịch với nhà cung cấp, dữ liệu hóa đơn điện tử, thông tin đăng ký kinh doanh, dữ liệu hành vi sử dụng ngân hàng điện tử, dữ liệu từ cơ quan thuế và bảo hiểm xã hội, thậm chí là tín hiệu từ mạng xã hội và giới thiệu cộng đồng.
Mô hình này ra đời nhằm giải quyết hai hạn chế lớn của chấm điểm tín dụng truyền thống: thứ nhất, nhiều SME tại Việt Nam không có báo cáo tài chính đã kiểm toán hoặc báo cáo tài chính phản ánh không trung thực; thứ hai, doanh nghiệp mới thành lập chưa đủ lịch sử tín dụng (thin file) để mô hình truyền thống hoạt động hiệu quả. Nhờ đó, chấm điểm tín dụng trên dữ liệu thay thế giúp mở rộng khả năng tiếp cận vốn (financial inclusion) cho nhóm khách hàng mà phương pháp cũ thường loại trừ.
Đặc điểm của mô hình chấm điểm trên dữ liệu thay thế
Khác với mô hình truyền thống chủ yếu dựa vào bộ ba chỉ tiêu tài chính (doanh thu, lợi nhuận, tỷ lệ nợ), mô hình dữ liệu thay thế mở rộng đáng kể "vùng quan sát" bằng cách kết hợp hàng trăm đến hàng nghìn biến số (features) từ nhiều nguồn. Về mặt kỹ thuật, đây là sân chơi của các thuật toán học máy (machine learning) và học sâu (deep learning) — các mô hình phân loại như Random Forest, Gradient Boosting (XGBoost, LightGBM), mạng nơ-ron, và gần đây là các mô hình ngôn ngữ lớn (LLM) được ứng dụng để trích xuất đặc trưng từ dữ liệu phi cấu trúc như văn bản mô tả doanh nghiệp.
Về quy trình, mô hình thường trải qua bốn bước: (1) Thu thập và làm sạch dữ liệu từ nhiều nguồn nội bộ (core banking) và bên ngoài (CIC, sàn thương mại điện tử, cơ quan nhà nước); (2) Xây dựng biến số (feature engineering), ví dụ tần suất giao dịch, độ biến động dòng tiền, mức độ tập trung khách hàng; (3) Huấn luyện và kiểm định mô hình trên tập dữ liệu có gán nhãn (doanh nghiệp đã vỡ nợ hoặc không); (4) Triển khai và giám sát hiệu quả theo thời gian thực.
Lợi ích và rủi ro khi triển khai
Về lợi ích, mô hình dữ liệu thay thế mang lại ba giá trị cốt lõi: (i) Mở rộng phạm vi cho vay — theo báo cáo của Ngân hàng Thế giới, các nền kinh tế áp dụng mạnh mẽ chấm điểm dựa trên dữ liệu thay thế có tỷ lệ tiếp cận tín dụng của SME tăng trung bình 15-25%; (ii) Giảm thời gian phê duyệt tín dụng từ vài ngày xuống còn vài phút đối với các khoản vay nhỏ; (iii) Nâng cao độ chính xác dự báo vỡ nợ (AUC) thường tăng 5-15 điểm phần trăm so với mô hình chỉ dựa trên báo cáo tài chính.
Về rủi ro, cần lưu ý năm điểm chính: (1) Rủi ro riêng tư dữ liệu khi sử dụng thông tin cá nhân không có sự đồng thuận rõ ràng; (2) Thiên kiến mô hình (model bias) nếu dữ liệu huấn luyện không đại diện cho một số nhóm doanh nghiệp; (3) Rủi ro tập trung nguồn dữ liệu khi phụ thuộc vào một vài nhà cung cấp lớn (như sàn thương mại điện tử); (4) Nguy cơ "black box" khi các quyết định tín dụng khó giải thích trước cơ quan quản lý và khách hàng; (5) Tuân thủ quy định về bảo vệ dữ liệu cá nhân theo 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.
Mô hình này hoạt động như thế nào trong thực tế tại Việt Nam?
Tại Việt Nam, mô hình này đang được một số ngân hàng thương mại triển khai thử nghiệm và mở rộng, đặc biệt trong phân khúc cho vay theo hạn mức tín dụng (credit line) dành cho hộ kinh doanh cá thể và SME. Dữ liệu thường được khai thác bao gồm: dòng tiền vào/ra tài khoản thanh toán tại chính ngân hàng, lịch sử giao dịch trên các ví điện tử liên kết, dữ liệu từ Trung tâm Thông tin Tín dụng Quốc gia (CIC), hóa đơn điện tử từ Tổng cục Thuế, và gần đây là dữ liệu từ các sàn thương mại điện tử thông qua hợp tác API. Điểm chấm đầu ra thường nằm trong thang 100-1.000 hoặc xếp hạng A-E, làm đầu vào cho quyết định phê duyệt, lãi suất và hạn mức tín dụng.
Câu hỏi thường gặp
Hỏi: Dữ liệu thay thế khác gì với dữ liệu truyền thống trong chấm điểm tín dụng? Dữ liệu truyền thống chủ yếu là báo cáo tài chính đã kiểm toán hoặc kê khai thuế — vốn thiếu vắng hoặc kém tin cậy đối với phần lớn SME. Dữ liệu thay thế bổ sung thông tin hành vi và giao dịch thời gian thực (dòng tiền, tần suất mua bán, mối quan hệ đối tác), giúp mô hình "nhìn thấy" doanh nghiệp ở góc độ vận hành thực tế chứ không chỉ qua con số kế toán cuối kỳ.
Hỏi: Kết quả chấm điểm trên dữ liệu thay thế có thay thế hoàn toàn báo cáo tài chính không? Không hoàn toàn. Trong hầu hết khung quản trị rủi ro hiện nay, dữ liệu thay thế đóng vai trò bổ sung (complementary), kết hợp với các chỉ tiêu tài chính truyền thống và đánh giá định tính của chuyên viên tín dụng. Với khoản vay lớn hoặc khách hàng quan trọng, phương pháp hybrid (lai ghép) vẫn là chuẩn mực để vừa tận dụng sức mạnh dữ liệu, vừa đảm bảo tính minh bạch và trách nhiệm giải trình.
Hỏi: Người làm nghề tín dụng cần trang bị kiến thức gì để làm việc với mô hình này? Ngoài kiến thức nghiệp vụ tín dụng cốt lõi, chuyên viên cần hiểu cơ bản về phân tích dữ liệu, ý nghĩa các chỉ số đánh giá mô hình (AUC, Gini, KS), cách đọc báo cáo giám sát mô hình (model monitoring) và đặc biệt là khung quản trị model risk theo hướng dẫn của Ngân hàng Nhà nước về quản trị rủi ro trong hoạt động ngân hàng.
Nội dung mang tính tham khảo phục vụ luyện thi tuyển dụng ngân hàng, không thay thế tư vấn chuyên môn về quản trị rủi ro tín dụng.