# AI Phân cụm phân cấp tổ chức

Tiếng Anh: Hierarchical Clustering

Phương pháp phân cụm xây dựng cây phân cấp, thường dùng để phân khúc khách hàng ưu tiên trong ngân hàng bán lẻ.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/ai-phan-cum-phan-cap-to-chuc-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

**AI Phân cụm phân cấp tổ chức** (tên tiếng Anh: **Hierarchical Clustering**) là một nhóm thuật toán trong lĩnh vực **Machine Learning** (học máy) không giám sát, được thiết kế để xây dựng cấu trúc phân cụm dữ liệu theo dạng cây phân cấp gọi là **dendrogram** (biểu đồ cây). Thay vì phân chia dữ liệu thành một số cụm cố định ngay từ đầu như phương pháp K-Means, **Hierarchical Clustering** cho phép các nhà phân tích dữ liệu linh hoạt lựa chọn mức độ chi tiết của phân cụm bằng cách cắt cây ở các độ sâu khác nhau.

Trong ngành ngân hàng, đặc biệt là mảng ngân hàng bán lẻ, **Hierarchical Clustering** trở thành công cụ chiến lược để **phân khúc khách hàng ưu tiên** (*priority customer segmentation*). Khi hàng triệu giao dịch được ghi nhận mỗi ngày, việc hiểu rõ hành vi, sở thích và giá trị vòng đời của từng nhóm khách hàng là yếu tố quyết định năng lực cạnh tranh. Một khách hàng VIP gửi tiết kiệm 5 tỷ đồng và sử dụng thẻ tín dụng quốc tế sẽ cần chiến lược chăm sóc hoàn toàn khác so với khách hàng mới mở tài khoản lương. **Hierarchical Clustering** giúp các ngân hàng phát hiện chính xác những "nhánh" khách hàng này một cách tự động, không cần định nghĩa trước số lượng cụm.

Điểm khác biệt cốt lõi của **Hierarchical Clustering** so với các thuật toán phân cụm khác là khả năng tạo ra hệ thống phân cấp đa tầng. Điều này đặc biệt hữu ích cho các mô hình phân khúc trong ngân hàng, nơi mà chiến lược kinh doanh thường được xây dựng theo nhiều cấp độ: từ nhóm rộng (như "khách hàng cá nhân" và "khách hàng doanh nghiệp") đến nhóm hẹp (như "khách hàng cá nhân thu nhập cao, sử dụng dịch vụ đầu tư"). Cấu trúc cây phân cấp này phản ánh đúng cách các ngân hàng tổ chức bộ phận khách hàng và triển khai chiến dịch tiếp thị.

**Thuật ngữ tiếng Anh:** Hierarchical Clustering
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

**Hierarchical Clustering** có hai dạng chính, mỗi dạng phù hợp với một bài toán phân tích khác nhau trong ngân hàng. Dưới đây là bảng tổng hợp đặc điểm, ưu điểm và hạn chế của từng phương pháp:

| Đặc điểm | **Agglomerative** (Gộp dần) | **Divisive** (Tách dần) |
|---|---|---|
| **Cơ chế hoạt động** | Bắt đầu với mỗi điểm dữ liệu là một cụm riêng, sau đó gộp dần các cụm gần nhau | Bắt đầu với toàn bộ dữ liệu là một cụm lớn, sau đó tách dần thành các cụm nhỏ |
| **Chiều tiếp cận** | **Bottom-up** (từ dưới lên) | **Top-down** (từ trên xuống) |
| **Độ phổ biến** | Rất phổ biến trong thực tế, dễ triển khai | Ít phổ biến hơn, đòi hỏi thuật toán phức tạp hơn |
| **Phù hợp với dữ liệu** | Tập dữ liệu nhỏ và trung bình (dưới 100.000 khách hàng) | Tập dữ liệu có cấu trúc rõ ràng từ đầu |
| **Ứng dụng ngân hàng** | Phân khúc khách hàng bán lẻ, phân nhóm giao dịch | Phân tách nhóm rủi ro tín dụng lớn thành nhóm con |

**Các liên kết (linkage) phổ biến trong Agglomerative Clustering:**

- **Single Linkage** (Liên kết đơn): Khoảng cách giữa hai cụm được tính bằng khoảng cách nhỏ nhất giữa hai điểm bất kỳ thuộc hai cụm. Phù hợp khi muốn phát hiện các cụm có hình dạng kéo dài, ví dụ phân nhóm khách hàng giao dịch thường xuyên ở một khu vực địa lý.
- **Complete Linkage** (Liên kết đầy đủ): Khoảng cách giữa hai cụm được tính bằng khoảng cách lớn nhất giữa hai điểm. Phù hợp khi muốn tạo ra các cụm có kích thước đồng đều, ví dụ phân nhóm chi nhánh theo hiệu suất kinh doanh.
- **Average Linkage** (Liên kết trung bình): Khoảng cách được tính bằng trung bình khoảng cách giữa tất cả các cặp điểm. Đây là liên kết được sử dụng phổ biến nhất trong ngân hàng vì cân bằng giữa hai liên kết trên.
- **Ward's Linkage** (Liên kết Ward): Tối ưu hóa phương sai trong cụm, thường tạo ra các cụm có kích thước cân bằng. Đây là lựa chọn hàng đầu cho phân khúc khách hàng ưu tiên tại nhiều ngân hàng bán lẻ.

**Đặc điểm cốt lõi của Hierarchical Clustering trong bối cảnh ngân hàng:**

- Không cần xác định trước số lượng cụm (khác với **K-Means**): Điều này rất quan trọng vì các ngân hàng thường không biết trước có bao nhiêu nhóm khách hàng tiềm năng.
- Kết quả trực quan qua **dendrogram** (cây phân cấp): Giúp ban lãnh đạo dễ dàng trình bày và giải thích cho các bên liên quan không chuyên về kỹ thuật.
- Tính quyết định (deterministic): Cùng một dữ liệu đầu vào cho ra cùng một kết quả, không có yếu tố ngẫu nhiên như K-Means.
- **Chi phí tính toán cao** với dữ liệu lớn: Độ phức tạp thuật toán là O(n²) hoặc O(n³), nên với tập dữ liệu hàng triệu khách hàng, ngân hàng cần sử dụng biến thể **BIRCH** hoặc **Mini Batch Hierarchical Clustering** để tối ưu hiệu năng.
- Độ nhạy cao với nhiễu và **outlier**: Khách hàng có hành vi bất thường (ví dụ giao dịch một lần cực lớn) có thể tạo ra cụm riêng lẻ, cần được xử lý bằng kỹ thuật tiền xử lý dữ liệu trước khi phân cụm.

## Ví dụ thực tế trong ngành ngân hàng

**Ví dụ 1: Phân khúc khách hàng ưu tiên tại Ngân hàng A**

Ngân hàng A là một ngân hàng bán lẻ lớn với khoảng 8 triệu khách hàng cá nhân. Đội ngũ **Data Science** (khoa học dữ liệu) đã sử dụng **Agglomerative Hierarchical Clustering** với **Ward's Linkage** để phân khúc dựa trên 12 biến số, bao gồm: số dư tiền gửi bình quân, tần suất giao dịch, doanh số thẻ tín dụng, số lượng sản phẩm đang sử dụng, độ tuổi, thu nhập ước tính và thời gian quan hệ với ngân hàng.

Kết quả thu được **dendrogram** với 7 nhánh chính, trong đó nhánh được cắt ở độ sâu thứ 4 cho ra 4 cụm rõ rệt:

- **Cụm Kim Cương (Diamond) — 2,3% tổng khách hàng:** Số dư tiền gửi bình quân trên 3 tỷ đồng, sử dụng trung bình 6,5 sản phẩm, giao dịch trên 50 lần/tháng. Đóng góp 38% tổng doanh thu từ phí dịch vụ của ngân hàng.
- **Cụm Vàng (Gold) — 8,7% khách hàng:** Thu nhập cao, sử dụng thẻ tín dụng quốc tế thường xuyên, có bảo hiểm nhân thọ liên kết. Đây là nhóm khách hàng ưu tiên mà ngân hàng muốn mở rộng.
- **Cụm Bạc (Silver) — 24,5% khách hàng:** Khách hàng trung thành với mức sử dụng trung bình, có tiềm năng nâng cấp lên nhóm Vàng trong vòng 12-18 tháng.
- **Cụm Đồng (Bronze) — 64,5% khách hàng:** Khách hàng phổ thông, sử dụng tài khoản lương và dịch vụ cơ bản.

Dựa trên phân cụm này, Ngân hàng A triển khai chiến lược riêng cho từng nhóm với ngân sách tiếp thị 240 tỷ đồng/năm. Kết quả sau 9 tháng, tỷ lệ nâng cấp từ Bạc lên Vàng tăng 18%, và tỷ lệ giữ chân khách hàng Kim Cương đạt 97%.

**Ví dụ 2: Phân nhóm rủi ro giao dịch tại Ngân hàng B**

Ngân hàng B áp dụng **Hierarchical Clustering** để phân nhóm 450.000 giao dịch đáng ngờ trong quý III/2024 theo 4 đặc trưng: số tiền giao dịch, thời gian trong ngày, tần suất và quốc gia phát sinh. Sử dụng **Complete Linkage**, ngân hàng nhận diện được 5 nhóm giao dịch bất thường, trong đó có một cụm chứa 1.240 giao dịch từ 380 tài khoản khác nhau, mỗi giao dịch trị giá từ 480-500 triệu đồng thực hiện trong khoảng 2h sáng - đây là dấu hiệu rõ ràng của đường dây **money laundering** (rửa tiền). Nhờ phát hiện sớm, Ngân hàng B đã báo cáo kịp thời lên **Cục Cảnh sát điều tra hình sự** và phong tỏa hơn 186 tỷ đồng, tránh được khoản phạt theo quy định của **Ngân hàng Nhà nước**.

**Ví dụ 3: Tối ưu hóa mạng lưới chi nhánh**

Tập đoàn tài chính C sử dụng **Divisive Hierarchical Clustering** để phân tích hiệu suất 312 chi nhánh trên toàn quốc dựa trên 18 chỉ tiêu (doanh thu, số lượng khách hàng mới, chất lượng tín dụng, mức độ hài lòng...). Kết quả cho thấy 42 chi nhánh có hiệu suất thấp kéo dài 6 quý liên tiếp, chủ yếu tại khu vực miền núi phía Bắc. Từ phân tích này, ban lãnh đạo quyết định hợp nhất 24 chi nhánh và chuyển đổi 18 chi nhánh còn lại thành mô hình **ngân hàng số** (digital bank) kết hợp **CDM** (Compact Digital Module), giúp tiết kiệm 87 tỷ đồng chi phí vận hành hàng năm.

## AI Phân cụm phân cấp tổ chức trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Hierarchical Clustering | /ˌhaɪəˈrɑːrkɪkl ˈklʌstərɪŋ/ |
| Tiếng Nhật | 階層的クラスタリング | Kaisōteki kurasutaringu |
| Tiếng Hàn | 계층적 군집화 | Gyecheungjeok gunjipwha |
| Tiếng Trung | 层次聚类 | Céngcì jùlèi |
| Tiếng Tây Ban Nha | Agrupamiento Jerárquico | /aɣɾupaˈmiento xeˈɾarkiko/ |

## Câu hỏi thường gặp

### AI Phân cụm phân cấp tổ chức khác gì K-Means Clustering?

**Hierarchical Clustering** không yêu cầu xác định trước số lượng cụm, trong khi **K-Means** bắt buộc phải chọn tham số K. Ngoài ra, K-Means tạo ra các cụm phẳng (flat clustering) và có yếu tố ngẫu nhiên do khởi tạo ban đầu khác nhau, trong khi **Hierarchical Clustering** cho ra kết quả có thứ bậc rõ ràng và mang tính quyết định (deterministic). Tuy nhiên, K-Means có hiệu năng tốt hơn nhiều với tập dữ liệu hàng triệu bản ghi, nên trong ngân hàng thường dùng K-Means cho dữ liệu lớn và **Hierarchical Clustering** cho phân tích chi tiết các phân khúc đã được xác định.

### Khi nào cần biết về AI Phân cụm phân cấp tổ chức?

Cần hiểu và vận dụng **Hierarchical Clustering** khi làm việc ở các vị trí **Data Analyst** (chuyên viên phân tích dữ liệu), **Data Scientist** (nhà khoa học dữ liệu), **CRM Manager** (quản lý quan hệ khách hàng), hoặc **Product Owner** (quản lý sản phẩm) trong ngân hàng. Ngoài ra, kiến thức này cũng cần thiết khi thiết kế chiến lược tiếp thị theo phân khúc, xây dựng hệ thống chấm điểm khách hàng, hoặc phát triển các sản phẩm cá nhân hóa dựa trên hành vi giao dịch — những nội dung thường xuất hiện trong các bài thi tuyển dụng ngân hàng tại Việt Nam.

### AI Phân cụm phân cấp tổ chức ảnh hưởng thế nào đến khách hàng?

Về phía khách hàng, **Hierarchical Clustering** giúp họ được phục vụ phù hợp hơn với nhu cầu thực tế. Một khách hàng gửi tiết kiệm 2 tỷ đồng có thể được hưởng lãi suất ưu đãi và được chăm sóc bởi chuyên viên tư vấn riêng, trong khi khách hàng chỉ sử dụng dịch vụ chuyển tiền sẽ nhận được trải nghiệm ngân hàng số mượt mà hơn. Tuy nhiên, phương pháp này cũng đặt ra thách thức về quyền riêng tư dữ liệu, đòi hỏi ngân hàng tuân thủ nghiêm ngặt **Nghị định 13/2023/NĐ-CP** về bảo vệ dữ liệu cá nhân và **Thông tư hướng dẫn của Ngân hàng Nhà nước**.

## Tổng kết

**AI Phân cụm phân cấp tổ chức** (**Hierarchical Clustering**) là một trong những thuật toán nền tảng của **Machine Learning không giám sát** trong ngân hàng hiện đại. Với khả năng tạo ra cấu trúc phân cụm đa tầng, phương pháp này đã chứng minh giá trị to lớn trong việc phân khúc khách hàng ưu tiên, phát hiện gian lận, tối ưu mạng lưới chi nhánh và cá nhân hóa sản phẩm tài chính. Trong bối cảnh các ngân hàng Việt Nam đang chuyển đổi số mạnh mẽ, nắm vững kiến thức về **Hierarchical Clustering** không chỉ là lợi thế cạnh tranh cho ứng viên mà còn là nền tảng để phát triển các ứng dụng AI phức tạp hơn như **K-Means**, **DBSCAN** hay **Gaussian Mixture Models**. Đầu tư thời gian học thuật toán này chính là đầu tư cho sự nghiệp lâu dài trong ngành ngân hàng và tài chính.

## Thuật ngữ liên quan

- [Bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/bao-ve-du-lieu-ca-nhan-la-gi) — Yêu cầu pháp lý ngân hàng phải thu thập, lưu trữ và xử lý dữ liệu cá nhân khách hàng theo Nghị định 13/2023/NĐ-CP và các quy định liên quan.
- [Chuyển đổi số ngân hàng](https://vieclam.nganhang.com/thuat-ngu/chuyen-doi-so-ngan-hang-la-gi) — Quá trình ngân hàng chuyển đổi toàn diện từ mô hình truyền thống sang vận hành số, nâng cao trải nghiệm khách hàng.
- [Lộ trình chuyển đổi số](https://vieclam.nganhang.com/thuat-ngu/lo-trinh-chuyen-doi-so-la-gi) — Kế hoạch chi tiết các giai đoạn chuyển đổi số của ngân hàng từ hạ tầng công nghệ, quy trình nghiệp vụ đến trải nghiệm khách hàng.
- [Nghị định 13/2023/NĐ-CP](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-la-gi) — Văn bản pháp lý quan trọng quy định về xử lý và bảo vệ dữ liệu cá nhân tại Việt Nam có hiệu lực từ ngày 01/07/2023.
- [Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân](https://vieclam.nganhang.com/thuat-ngu/nghi-dinh-132023nd-cp-ve-bao-ve-du-lieu-ca-nhan-la-gi) — Văn bản pháp lý quan trọng quy định bảo vệ dữ liệu cá nhân tại Việt Nam, áp dụng cho dịch vụ tài chính số.
- [Phân khúc khách hàng](https://vieclam.nganhang.com/thuat-ngu/phan-khuc-khach-hang-la-gi) — Phân chia khách hàng thành các nhóm đồng nhất theo hành vi, thu nhập, nhân khẩu học, giúp cá nhân hóa sản phẩm và chiến dịch tiếp thị.
- [Phòng chống gian lận](https://vieclam.nganhang.com/thuat-ngu/phong-chong-gian-lan-la-gi) — Hệ thống quy trình và công nghệ ngân hàng nhằm ngăn chặn giao dịch gian lận.
- [Quản trị dữ liệu khách hàng](https://vieclam.nganhang.com/thuat-ngu/quan-tri-du-lieu-khach-hang-la-gi) — Khung chính sách và quy trình quản lý chất lượng, quyền truy cập và vòng đời dữ liệu khách hàng trong hệ thống CRM. Đảm bảo tuân thủ Nghị định 13/2023/NĐ-CP về…