Big Data trong tài chính được ứng dụng vào những nghiệp vụ nào?

Big Data biến dữ liệu tài chính thành tín hiệu ra quyết định như thế nào?

Một ngân hàng, công ty chứng khoán hay tổ chức tài chính không chỉ sở hữu dữ liệu số dư và giao dịch. Họ còn có lịch sử thanh toán, hồ sơ tín dụng, dữ liệu thiết bị, thời gian và vị trí giao dịch, tương tác trên ứng dụng, dữ liệu thị trường, thông tin doanh nghiệp, dữ liệu kinh tế vĩ mô và nhiều nguồn dữ liệu bên ngoài khác.

Big Data tạo giá trị khi những nguồn dữ liệu này được thu thập, chuẩn hóa, liên kết và phân tích ở quy mô đủ lớn. Từ đó, tổ chức tài chính có thể chuyển từ câu hỏi “điều gì đã xảy ra?” sang các câu hỏi có giá trị quản trị cao hơn như:

·         Giao dịch nào khác thường so với hành vi trước đây của khách hàng

·         Người vay nào có xác suất không thực hiện nghĩa vụ cao hơn

·         Danh mục đang tập trung rủi ro vào ngành, khu vực hoặc nhóm đối tác nào

·         Dòng tiền nào có khả năng gây áp lực thanh khoản

·         Khách hàng nào có khả năng cần một sản phẩm hoặc dịch vụ cụ thể

Đây cũng là lý do quản trị dữ liệu trở thành một phần của quản trị rủi ro. Basel Committee nhấn mạnh rằng khả năng tổng hợp dữ liệu rủi ro chính xác, đầy đủ và kịp thời là điều kiện quan trọng để ngân hàng nhận diện và quản lý các rủi ro có thể gây tổn thất tài chính. BCBS 239 được xây dựng chính từ bài học của cuộc khủng hoảng 2007–2008, khi nhiều ngân hàng lớn không thể tổng hợp đầy đủ và nhanh chóng các mức độ phơi nhiễm rủi ro của mình.

Vì vậy, Big Data trong tài chính không nên được hiểu đơn giản là “có thật nhiều dữ liệu”. Giá trị chỉ xuất hiện khi dữ liệu có chất lượng, có thể truy nguyên, được quản trị đúng và được chuyển thành thông tin phục vụ một quyết định tài chính cụ thể.

Big Data được dùng để thẩm định tín dụng và kiểm soát rủi ro vỡ nợ

Thẩm định tín dụng là một trong những nghiệp vụ phù hợp nhất với Big Data vì quyết định cho vay vốn phụ thuộc trực tiếp vào khả năng đánh giá xác suất khách hàng hoàn trả nghĩa vụ trong tương lai.

Mô hình tín dụng truyền thống thường dựa trên một tập dữ liệu tương đối rõ ràng: thu nhập, tài sản, lịch sử vay, dư nợ, lịch sử thanh toán và thông tin từ tổ chức tín dụng. Big Data cho phép mở rộng phạm vi quan sát bằng cách kết hợp thêm dữ liệu giao dịch, dòng tiền, hoạt động kinh doanh và trong những mô hình phù hợp, dữ liệu thay thế.

Chẳng hạn, với một doanh nghiệp nhỏ có lịch sử tín dụng hạn chế, dữ liệu bán hàng từ hệ thống POS hoặc sàn thương mại điện tử có thể bổ sung thông tin về doanh thu, tần suất giao dịch và biến động dòng tiền. World Bank ghi nhận mô hình chấm điểm tín dụng thay thế có thể sử dụng những nguồn dữ liệu như dữ liệu thương mại điện tử và dữ liệu điểm bán để đánh giá khả năng tín dụng của doanh nghiệp nhỏ.

Cơ chế kiểm soát rủi ro ở đây gồm nhiều bước. Dữ liệu lịch sử trước tiên được dùng để nhận diện những đặc trưng có liên hệ với kết quả trả nợ. Mô hình sau đó ước lượng mức độ rủi ro của hồ sơ mới. Kết quả có thể hỗ trợ quyết định phê duyệt, hạn mức, giá khoản vay hoặc yêu cầu kiểm soát bổ sung.

Big Data cũng có ý nghĩa sau thời điểm giải ngân. Nếu dòng tiền, số dư, hành vi thanh toán hoặc mức sử dụng hạn mức thay đổi bất thường, hệ thống có thể tạo tín hiệu cảnh báo sớm trước khi khoản vay thực sự chuyển thành nợ xấu.

Tuy nhiên, nhiều dữ liệu hơn không đồng nghĩa với chấm điểm chính xác hoặc công bằng hơn. Dữ liệu đầu vào thiếu đại diện, dữ liệu lỗi hoặc những biến có quan hệ gián tiếp với đặc điểm nhạy cảm của khách hàng có thể tạo thiên lệch. Vì vậy, khả năng giải thích mô hình, chất lượng dữ liệu, quyền riêng tư và cơ chế con người giám sát quyết định vẫn là những điều kiện quan trọng.

Big Data hỗ trợ phát hiện gian lận và phòng chống rửa tiền

Gian lận tài chính là bài toán mà phương pháp kiểm tra theo quy tắc cố định dễ gặp giới hạn. Kẻ gian có thể thay đổi số tiền, tần suất, tài khoản trung gian hoặc cách phân bổ giao dịch để tránh những ngưỡng cảnh báo đã biết.

Big Data cho phép phân tích đồng thời nhiều chiều của một giao dịch: số tiền, thời gian, địa điểm, thiết bị, người nhận, tần suất, lịch sử của tài khoản và quan hệ với những tài khoản khác. Thay vì chỉ hỏi một giao dịch có vượt một ngưỡng nhất định hay không, hệ thống có thể đánh giá liệu tổ hợp hành vi đó có bất thường so với lịch sử và mạng lưới giao dịch hay không.

Trong phòng chống rửa tiền và tài trợ khủng bố, giá trị này còn rõ hơn. Phân tích mạng lưới có thể hỗ trợ phát hiện một nhóm tài khoản liên kết qua nhiều giao dịch nhỏ, trung gian hoặc luân chuyển tiền mà việc kiểm tra từng giao dịch riêng biệt khó nhận biết.

FATF cho rằng các công nghệ như Big Data, machine learning và advanced analytics có thể hỗ trợ hiểu, đánh giá và giảm thiểu rủi ro AML/CFT, thực hiện thẩm định khách hàng và giám sát hiệu quả hơn. FATF cũng lưu ý rằng khả năng thu thập và xử lý lượng dữ liệu lớn cho phép chuyển sang cách đánh giá rủi ro năng động hơn và có thể nhận diện những rủi ro mới chưa khớp với các mẫu đã biết.

Mức độ ứng dụng thực tế cũng cho thấy đây là một nhóm nghiệp vụ quan trọng. Trong khảo sát năm 2024 của Bank of England và FCA với 118 doanh nghiệp tài chính tại Anh, 33% số đơn vị trả lời cho biết đang sử dụng AI cho phát hiện gian lận; AML và chống gian lận cũng nằm trong những lĩnh vực mà doanh nghiệp đánh giá có lợi ích cao từ AI. Big Data không đồng nhất với AI, nhưng dữ liệu quy mô lớn chính là lớp đầu vào quan trọng của nhiều hệ thống phân tích và học máy này.

Giới hạn cần lưu ý là một tín hiệu bất thường không tự động chứng minh có gian lận hoặc rửa tiền. Mô hình quá nhạy có thể tạo nhiều cảnh báo giả; mô hình quá hẹp lại có thể bỏ sót hành vi mới. Vì vậy, Big Data phù hợp nhất với vai trò xếp hạng rủi ro và ưu tiên điều tra, kết hợp cùng quy trình kiểm soát và đánh giá của chuyên viên.

Big Data giúp quản trị rủi ro thị trường, thanh khoản và danh mục

Trong nghiệp vụ thị trường và đầu tư, tổ chức tài chính phải theo dõi đồng thời giá tài sản, lãi suất, tỷ giá, biến động, vị thế giao dịch, tương quan giữa các tài sản và nhiều yếu tố vĩ mô. Những biến này có thể thay đổi nhanh và ảnh hưởng lẫn nhau.

Big Data cho phép đưa nhiều nguồn dữ liệu vào cùng một hệ thống phân tích để đánh giá mức độ phơi nhiễm của danh mục. Khi giá, lãi suất hoặc tỷ giá thay đổi, tổ chức có thể cập nhật nhanh hơn tác động lên từng vị thế, từng nhóm tài sản và toàn bộ danh mục.

Giá trị lớn hơn nằm ở khả năng phát hiện rủi ro tập trung. Một danh mục có hàng nghìn khoản đầu tư vẫn có thể phụ thuộc mạnh vào cùng một ngành, cùng một khu vực hoặc cùng một yếu tố kinh tế. Nếu dữ liệu bị phân tán trong nhiều hệ thống, mức độ tập trung này có thể khó nhận diện. Khi dữ liệu được tổng hợp, tổ chức có thể quan sát rủi ro ở cấp toàn hệ thống thay vì chỉ nhìn từng sản phẩm.

Nguyên tắc tương tự áp dụng cho thanh khoản. Phân tích dòng tiền vào, dòng tiền ra, kỳ hạn nghĩa vụ, hành vi rút tiền và trạng thái thị trường giúp tổ chức xây dựng cảnh báo sớm khi nhu cầu thanh khoản tăng bất thường.

BCBS 239 đặc biệt nhấn mạnh khả năng tổng hợp dữ liệu và báo cáo rủi ro trong điều kiện căng thẳng. Dù vậy, việc triển khai không hề đơn giản: báo cáo Basel Committee năm 2023 cho thấy 31 ngân hàng thuộc nhóm G-SIB được đánh giá vẫn ở những mức độ khác nhau trong quá trình đáp ứng đầy đủ các nguyên tắc này. Điều đó cho thấy thách thức lớn không chỉ nằm ở thuật toán mà còn ở kiến trúc dữ liệu, hệ thống CNTT và quản trị.

Big Data vì thế có thể làm cho phân tích rủi ro nhanh và toàn diện hơn, nhưng kết quả chỉ đáng tin khi dữ liệu từ các hệ thống khác nhau được định nghĩa nhất quán và có thể tổng hợp chính xác.

Big Data hỗ trợ phân tích đầu tư và giám sát thị trường

Trong đầu tư, nguồn thông tin có thể lớn hơn nhiều so với báo cáo tài chính truyền thống. Ngoài giá và khối lượng giao dịch, nhà phân tích có thể xử lý thông tin kinh tế vĩ mô, báo cáo doanh nghiệp, thông báo thị trường, dữ liệu ngành và các nguồn dữ liệu phi cấu trúc phù hợp.

Với năng lực xử lý dữ liệu lớn, hàng triệu quan sát có thể được sàng lọc để tìm mối quan hệ giữa biến động thị trường và những yếu tố ảnh hưởng đến giá tài sản. Các hệ thống phân tích cũng có thể cập nhật tín hiệu nhanh hơn so với quy trình tổng hợp thủ công.

Một ứng dụng khác là giám sát giao dịch. Thay vì chỉ kiểm tra từng lệnh riêng lẻ, dữ liệu có thể được phân tích theo chuỗi thời gian và quan hệ giữa nhiều tài khoản để tìm những mẫu giao dịch khác thường. Điều này hỗ trợ bộ phận kiểm soát ưu tiên những trường hợp cần xem xét sâu hơn.

Tuy nhiên, một tương quan được phát hiện trong dữ liệu lịch sử không đương nhiên trở thành quan hệ nhân quả hoặc lợi thế đầu tư bền vững. Khi cấu trúc thị trường thay đổi, mô hình được huấn luyện bằng dữ liệu cũ có thể suy giảm hiệu quả. Dữ liệu bên ngoài cũng có thể chứa nhiễu hoặc xuất hiện hiện tượng “nhìn trước tương lai” nếu việc xây dựng tập dữ liệu không kiểm soát đúng thời điểm thông tin thực sự có sẵn.

Do đó, Big Data làm tăng khả năng sàng lọc và kiểm định giả thuyết, chứ không loại bỏ yêu cầu đánh giá mô hình, kiểm thử ngoài mẫu và quản trị rủi ro đầu tư.

Big Data được dùng để phân tích khách hàng và cá nhân hóa dịch vụ tài chính

Dữ liệu giao dịch cung cấp một bức tranh hành vi rất khác so với thông tin nhân khẩu học đơn thuần. Hai khách hàng có cùng độ tuổi và mức thu nhập vẫn có thể có cấu trúc chi tiêu, nhu cầu thanh khoản và hành vi sử dụng sản phẩm hoàn toàn khác nhau.

Big Data cho phép tổ chức tài chính phân nhóm khách hàng dựa trên hành vi thực tế như tần suất giao dịch, loại chi tiêu, mức duy trì số dư, sản phẩm đang sử dụng hoặc sự thay đổi của dòng tiền. Từ đó, tổ chức có thể lựa chọn thời điểm và nội dung tương tác phù hợp hơn.

Ví dụ, thay vì gửi cùng một đề xuất tín dụng cho toàn bộ khách hàng, hệ thống có thể xác định những nhóm có dòng tiền phù hợp, nhu cầu có khả năng phát sinh và mức rủi ro nằm trong giới hạn cho phép. Trong quản trị quan hệ khách hàng, các tín hiệu giảm tương tác hoặc thay đổi hành vi cũng có thể được sử dụng để xác định nguy cơ khách hàng ngừng sử dụng dịch vụ.

Khảo sát Bank of England/FCA năm 2024 cho thấy 75% doanh nghiệp tài chính tham gia khảo sát đã sử dụng AI và thêm 10% dự kiến sử dụng trong ba năm tiếp theo. Các doanh nghiệp cho biết một trong những lợi ích quan trọng hiện tại là khả năng khai thác dữ liệu và phân tích tốt hơn.

Nhưng cá nhân hóa trong tài chính có ranh giới chặt chẽ hơn nhiều ngành khác. Dữ liệu được sử dụng có thể liên quan trực tiếp đến khả năng tiếp cận tín dụng, giá sản phẩm hoặc điều kiện dịch vụ. Việc sử dụng dữ liệu vì thế phải được kiểm soát về mục đích, quyền riêng tư, bảo mật và nguy cơ phân biệt đối xử.

Muốn dùng Big Data để kiểm soát rủi ro phải kiểm soát chính dữ liệu và mô hình

Một sai lầm phổ biến là xem Big Data như giải pháp tự động làm cho mọi quyết định tài chính chính xác hơn. Trên thực tế, càng phụ thuộc vào dữ liệu và mô hình, tổ chức càng phải quản trị thêm một nhóm rủi ro mới.

Chất lượng dữ liệu là lớp kiểm soát đầu tiên. Dữ liệu thiếu, trùng lặp, sai định nghĩa hoặc không đồng bộ giữa các hệ thống có thể làm sai kết quả phân tích dù thuật toán tốt.

Quyền riêng tư và bảo mật là lớp thứ hai. Dữ liệu tài chính chứa nhiều thông tin nhạy cảm; việc thu thập thêm dữ liệu chỉ có giá trị khi tổ chức có cơ sở sử dụng phù hợp và kiểm soát quyền truy cập.

Thiên lệch và khả năng giải thích của mô hình là lớp thứ ba. Một mô hình có kết quả thống kê tốt vẫn có thể tạo hậu quả không mong muốn nếu dữ liệu lịch sử chứa thiên lệch hoặc những biến đầu vào tạo tác động bất hợp lý lên một nhóm khách hàng.

Phụ thuộc bên thứ ba cũng ngày càng đáng chú ý. Khảo sát Bank of England/FCA năm 2024 cho thấy một phần ba các trường hợp sử dụng AI được báo cáo là triển khai thông qua bên thứ ba; bốn trong năm nhóm rủi ro được doanh nghiệp đánh giá cao nhất liên quan trực tiếp tới dữ liệu, gồm quyền riêng tư, chất lượng, bảo mật và thiên lệch/khả năng đại diện.

Các quan sát này phù hợp với kiến trúc mà EBA đề xuất cho Big Data và Advanced Analytics trong ngân hàng: quản trị dữ liệu, hạ tầng công nghệ, tổ chức và quản trị, cùng phương pháp phân tích là bốn trụ cột cần thiết.

Vì vậy, một hệ thống Big Data hiệu quả trong tài chính không chỉ cần data lake, công cụ phân tích hay mô hình machine learning. Nó cần xác định rõ dữ liệu đến từ đâu, ai chịu trách nhiệm, dữ liệu được cập nhật thế nào, mô hình được kiểm định ra sao, khi nào phải có con người can thiệp và kết quả phân tích được sử dụng cho quyết định nào.

Big Data trong tài chính có giá trị lớn nhất ở các nghiệp vụ mà quyết định phụ thuộc vào việc tổng hợp nhanh nhiều tín hiệu: thẩm định tín dụng, phát hiện gian lận và AML/CFT, quản trị rủi ro thị trường và thanh khoản, phân tích đầu tư, giám sát giao dịch và phân tích khách hàng. Cơ chế chung là biến dữ liệu phân tán thành tín hiệu về xác suất, bất thường, xu hướng hoặc mức độ phơi nhiễm để tổ chức tài chính hành động sớm hơn.

Tuy nhiên, lợi thế đó chỉ tồn tại khi dữ liệu đủ chính xác, đầy đủ và được quản trị đúng. Trong môi trường tài chính, kiểm soát rủi ro bằng Big Data vì thế luôn có hai mặt: dùng dữ liệu để nhìn thấy rủi ro trong hoạt động kinh doanh, đồng thời kiểm soát rủi ro phát sinh từ chính dữ liệu và mô hình phân tích.