# Học máy trong ngân hàng

Tiếng Anh: Machine Learning in Banking

Thuật toán học máy phân tích dữ liệu lịch sử để dự đoán rủi ro vỡ nợ, hành vi khách hàng và gian lận giao dịch với độ chính xác ngày càng cao.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/hoc-may-trong-ngan-hang-la-gi
Danh mục: Chuyển đổi số ngân hàng
Cập nhật: 13/09/2026

Học máy (**Machine Learning - ML**) trong ngân hàng là một lĩnh vực ứng dụng trí tuệ nhân tạo (**Artificial Intelligence - AI**), trong đó các thuật toán được "huấn luyện" trên tập dữ liệu tài chính lớn để tự động nhận diện các mẫu hình, xu hướng và đưa ra dự báo phục vụ cho hoạt động ngân hàng. Khác với phần mềm truyền thống chạy theo quy tắc cố định do lập trình viên thiết lập, hệ thống học máy có khả năng tự cải thiện độ chính xác theo thời gian khi tiếp nhận thêm dữ liệu mới. Đây được xem là một trong những công nghệ cốt lõi trong tiến trình chuyển đổi số ngân hàng tại Việt Nam hiện nay, đặc biệt trong bối cảnh Ngân hàng Nhà nước đẩy mạnh Đề án "Ngân hàng số - Chuyển đổi số ngành Ngân hàng đến năm 2025, định hướng đến năm 2030".

Về cơ chế hoạt động, học máy trong ngân hàng thường được triển khai theo ba phương pháp chính: **học có giám sát** (**supervised learning**) sử dụng dữ liệu lịch sử đã gán nhãn để dự đoán xác suất vỡ nợ, phân loại khách hàng hay phát hiện giao dịch gian lận; **học không giám sát** (**unsupervised learning**) phân cụm khách hàng theo hành vi giao dịch để cá nhân hóa sản phẩm và phát hiện bất thường; và **học tăng cường** (**reinforcement learning**) tối ưu hóa danh mục đầu tư, quản trị rủi ro thanh khoản. Dữ liệu đầu vào có thể đến từ hồ sơ tín dụng, lịch sử giao dịch, hành vi trên kênh số, dữ liệu sinh trắc học và cả thông tin từ các nguồn phi truyền thống (**alternative data**). Mô hình sau khi huấn luyện sẽ được kiểm thử chéo, đánh giá bằng các chỉ số như AUC, Precision, Recall trước khi đưa vào vận hành thực tế, đồng thời được giám sát liên tục để tránh hiện tượng suy giảm chất lượng (**model drift**).

Trong bối cảnh cạnh tranh với các công ty fintech và ví điện tử, các ngân hàng Việt Nam buộc phải tăng tốc ứng dụng học máy để tối ưu chi phí vận hành, nâng cao trải nghiệm khách hàng và đảm bảo tuân thủ quy định phòng chống rửa tiền. Theo báo cáo của Ngân hàng Nhà nước, đến cuối năm 2024, hơn 90% giao dịch tại nhiều ngân hàng thương mại cổ phần đã được xử lý trên nền tảng số, trong đó phần lớn có sự hỗ trợ của các mô hình học máy ở phía hậu trường (back-end).

**Thuật ngữ tiếng Anh:** Machine Learning in Banking
**Lĩnh vực:** Chuyển đổi số ngân hàng

## Đặc điểm và phân loại

### Đặc điểm nổi bật của học máy trong ngân hàng

- **Tự động hóc dữ liệu lớn**: Có khả năng xử lý hàng triệu đến hàng tỷ bản ghi giao dịch mỗi ngày, vượt xa năng lực phân tích thủ công của con người.
- **Khả năng dự báo**: Đưa ra xác suất về các sự kiện tương lai như vỡ nợ, gian lận, rút tiền tiềm ẩn với độ chính xác ngày càng cao.
- **Học liên tục**: Mô hình tự cập nhật khi có dữ liệu mới, không cần lập trình viên can thiệp thường xuyên.
- **Cá nhân hóa theo thời gian thực**: Phân tích hành vi khách hàng ngay trong phiên giao dịch để gợi ý sản phẩm phù hợp.
- **Yêu cầu chất lượng dữ liệu đầu vào cao**: Mô hình chỉ tốt khi dữ liệu sạch, đầy đủ và có nhãn chính xác.
- **Tính "hộp đen"** của một số mô hình phức tạp: Đặt ra thách thức về giải thích mô hình (**model explainability**) theo yêu cầu của cơ quan quản lý.

### Phân loại theo phương pháp huấn luyện

| Phương pháp | Đặc điểm | Ứng dụng điển hình trong ngân hàng |
|---|---|---|
| **Học có giám sát** (Supervised Learning) | Sử dụng dữ liệu có nhãn (input - output đã biết) | Chấm điểm tín dụng, phát hiện gian lận, dự báo thu hồi nợ |
| **Học không giám sát** (Unsupervised Learning) | Tự tìm cấu trúc trong dữ liệu chưa gán nhãn | Phân nhóm khách hàng, phát hiện bất thường, giám sát giao dịch |
| **Học bán giám sát** (Semi-supervised Learning) | Kết hợp dữ liệu có nhãn và chưa có nhãn | Nhận diện giọng nói, phân loại văn bản hợp đồng |
| **Học tăng cường** (Reinforcement Learning) | Học qua thử - sai với phần thưởng/phạt | Tối ưu danh mục đầu tư, giao dịch thuật toán, quản trị rủi ro thanh khoản |
| **Học sâu** (Deep Learning) | Mạng nơ-ron nhiều lần, xử lý dữ liệu phi cấu trúc | Nhận diện khuôn mặt (eKYC), xử lý ảnh CCCD, chatbot |

### Phân loại theo nghiệp vụ ứng dụng

| Mảng nghiệp vụ | Bài toán cụ thể | Thuật toán phổ biến |
|---|---|---|
| Tín dụng | Chấm điểm, dự báo vỡ nợ, định giá tài sản đảm bảo | Logistic Regression, Random Forest, XGBoost |
| Phòng chống gian lận | Phát hiện giao dịch bất thường, lừa đảo thẻ | Isolation Forest, Neural Networks |
| CRM và Marketing | Phân khúc khách hàng, gợi ý sản phẩm, dự báo churn | K-Means, Collaborative Filtering |
| Vận hành | Dự báo lưu lượng ATM, phân luồng khách hàng | Time Series, ARIMA, LSTM |
| Tuân thủ (Compliance) | Sàng lọc danh sách đen, giám sát AML | NLP, Graph Neural Networks |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Chấm điểm tín dụng tự động cho khoản vay tiêu dùng

**Ngân hàng A** triển khai mô hình học máy chấm điểm tín dụng tự động trên nền tảng cho vay số (digital lending) từ năm 2023. Mô hình được huấn luyện trên tập dữ liệu gồm hơn 3 triệu hồ sơ khách hàng cá nhân đã vay trong 5 năm trước đó, với hơn 200 biến đầu vào bao gồm thu nhập, lịch sử tín dụng, hành vi giao dịch và cả dữ liệu thay thế như mức độ sử dụng điện thoại thông minh. Kết quả cho thấy thời gian phê duyệt khoản vay giảm từ trung bình 24 giờ xuống còn **3 phút**, tỷ lệ nợ xấu (NPL) trên nhóm khách hàng mới giảm **0,8 điểm phần trăm** so với mô hình cũ, đồng thời tỷ lệ phê duyệt tăng **15%** mà không làm tăng rủi ro. Điều này đặc biệt có ý nghĩa với nhóm khách hàng B ở vùng nông thôn - nhóm chưa có nhiều dữ liệu tín dụng truyền thống nhưng có hành vi chi tiêu ổn định.

### Ví dụ 2: Phát hiện gian lận thẻ tín dụng theo thời gian thực

**Ngân hàng B** ứng dụng mô hình học sâu (**deep learning**) kết hợp với học không giám sát để giám sát hơn **2,5 triệu giao dịch thẻ** mỗi ngày. Hệ thống phân tích hơn 50 đặc trưng trên mỗi giao dịch (thiết bị, vị trí, thời gian, tần suất, merchant category...) và đưa ra điểm rủi ro trong vòng **dưới 100 mili-giây**. Nhờ đó, tỷ lệ giao dịch gian lận bị bỏ sót (false negative) giảm **42%**, số lượng giao dịch bị từ chối nhầm (false positive) giảm **28%**, giúp tiết kiệm chi phí xử lý khiếu nại khoảng **15 tỷ đồng mỗi năm**. Khách hàng C từng bị đánh cắp thông tin thẻ và thực hiện giao dịch ở nước ngoài, hệ thống đã tự động tạm khóa thẻ và gửi cảnh báo đến khách hàng chỉ trong vòng 8 giây.

### Ví dụ 3: Cá nhân hóa sản phẩm qua phân tích hành vi trên ứng dụng

**Ngân hàng D** triển khai hệ thống gợi ý sản phẩm dựa trên mô hình học máy phân tích hành vi người dùng trên ứng dụng di động (mobile banking). Mỗi ngày, hệ thống thu thập hơn **300 triệu sự kiện** (event) từ 8 triệu người dùng hoạt động, từ đó phân cụm khách hàng thành 24 nhóm hành vi và gợi ý sản phẩm phù hợp (gửi tiết kiệm, thẻ tín dụng, bảo hiểm nhân thọ, vay mua xe...). Kết quả sau 6 tháng triển khai: tỷ lệ khách hàng nhấp vào sản phẩm được gợi ý (click-through rate) tăng từ **2,1% lên 6,8%**, tỷ lệ chuyển đổi thành giao dịch thực tế tăng **gấp 2,3 lần**. Khách hàng E - một nhân viên văn phòng 28 tuổi - thường xuyên kiểm tra số dư vào cuối tháng, hệ thống đã gợi ý sản phẩm gửi tiết kiệm tự động theo bậc thang, giúp khách hàng hình thành thói quen tiết kiệm.

### Ví dụ 4: Giám sát giao dịch phòng chống rửa tiền (AML)

Một ngân hàng thương mại cổ phần lớn tại Việt Nam ứng dụng mô hình học máy kết hợp xử lý ngôn ngữ tự nhiên (**Natural Language Processing - NLP**) để quét các giao dịch đáng ngờ theo thời gian thực. Mô hình được huấn luyện trên dữ liệu báo cáo giao dịch đáng ngờ (STR) trong 10 năm, kết hợp với danh sách đen từ các tổ chức quốc tế. Nhờ vậy, số lượng báo cáo STR chất lượng cao gửi về Cục Phòng chống rửa tiền tăng **35%**, số giờ làm việc thủ công của nhân viên tuân thủ giảm **60%**, giúp ngân hàng tuân thủ tốt hơn các quy định của Luật Phòng chống rửa tiền 2022.

## Học máy trong ngân hàng trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Machine Learning in Banking | /məˈʃiːn ˈlɜːnɪŋ ɪn ˈbæŋkɪŋ/ |
| Tiếng Nhật | 銀行における機械学習 | Ginkō ni okeru kikai gakushū |
| Tiếng Hàn | 은행의 머신러닝 | Eunhaeng-ui meosin leoning |
| Tiếng Trung | 银行业机器学习 | Yínháng jīqì xuéxí |
| Tiếng Tây Ban Nha | Aprendizaje Automático en la Banca | /a.pɾen.diˈsa.xe aw.t̪oˈma.t̪i.ko en la ˈβaŋ.ka/ |

## Câu hỏi thường gặp

### Học máy trong ngân hàng khác gì Hệ chuyên gia (Expert System)?

Hệ chuyên gia là hệ thống dựa trên bộ quy tắc do con người thiết lập sẵn (nếu - thì), chẳng hạn "nếu giao dịch > 500 triệu và ở nước ngoài thì cảnh báo". Trong khi đó, học máy tự tìm ra quy tắc từ dữ liệu mà không cần lập trình viên phải mô tả trước. Hệ chuyên gia có ưu điểm là minh bạch, dễ giải thích nhưng khó mở rộng và không thích ứng với dữ liệu mới; học máy linh hoạt hơn nhưng có thể gặp vấn đề "hộp đen". Trong thực tế, nhiều ngân hàng kết hợp cả hai: dùng học máy để phát hiện mẫu đáng ngờ, sau đó chuyển qua hệ chuyên gia để đánh giá cuối cùng.

### Khi nào cần biết về Học máy trong ngân hàng?

Người ôn thi vào vị trí chuyên viên công nghệ thông tin, chuyên viên phân tích dữ liệu, chuyên viên tín dụng số, hay quản lý rủi ro vận hành (ORM) đều cần nắm vững thuật ngữ này. Ngoài ra, khi thi vào các vị trí liên quan đến chuyển đổi số, phát triển sản phẩm số, hay phòng phòng chống gian lận (fraud), câu hỏi về học máy xuất hiện với tần suất rất cao. Bài thi có thể yêu cầu phân biệt học máy với khai phá dữ liệu (**data mining**), giải thích quy trình xây dựng mô hình, hoặc đưa ra tình huống ứng dụng cụ thể trong ngân hàng.

### Học máy trong ngân hàng ảnh hưởng thế nào đến khách hàng?

Đối với khách hàng cá nhân, học máy giúp rút ngắn thời gian phê duyệt khoản vay, phát hiện sớm giao dịch lừa đảo, gợi ý sản phẩm tài chính phù hợp với nhu cầu và khả năng chi trả. Tuy nhiên, khách hàng cũng cần lưu ý rằng quyết định tín dụng do máy đưa ra có thể khó giải thích, đôi khi dẫn đến từ chối không rõ lý do. Theo Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân và Quyết định 2345/QĐ-NHNN, khách hàng có quyền yêu cầu ngân hàng giải thích lý do từ chối tín dụng dựa trên mô hình học máy, cũng như quyền khiếu nại nếu nghi ngờ bị phân biệt đối xử bởi thuật toán (algorithmic bias).

## Tổng kết

Học máy trong ngân hàng là xương sống của tiến trình chuyển đổi số, giúp ngân hàng xử lý lượng dữ liệu khổng lồ, đưa ra quyết định nhanh hơn, chính xác hơn và nâng cao trải nghiệm khách hàng. Từ chấm điểm tín dụng, phát hiện gian lận đến cá nhân hóa sản phẩm và giám sát tuân thủ, học máy đã chứng minh giá trị thực tiễn với những con số ấn tượng về hiệu quả vận hành. Tuy nhiên, việc triển khai học máy đi kèm yêu cầu chặt chẽ về chất lượng dữ liệu, khả năng giải thích mô hình, tuân thủ pháp lý và đảm bảo công bằng cho khách hàng. Đối với ứng viên thi tuyển vào ngân hàng, nắm vững thuật ngữ này không chỉ giúp làm bài tốt mà còn là nền tảng để làm việc hiệu quả trong môi trường ngân hàng số ngày càng phức tạp.

## Thuật ngữ liên quan

- [Chấm điểm tín dụng tự động](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-tu-dong-la-gi) — Hệ thống ngân hàng sử dụng mô hình thống kê và AI để đánh giá khả năng trả nợ của khách hàng trước khi phê duyệt khoản vay.
- [Mô hình chấm điểm tín dụng](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-tin-dung-la-gi) — Mô hình thống kê (hồi quy logistic, cây quyết định, machine learning) gán điểm cho khách hàng dựa trên dữ liệu tài chính và phi tài chính để quyết định cấp tín…
- [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 cụm khách hàng theo hành vi giao dịch](https://vieclam.nganhang.com/thuat-ngu/phan-cum-khach-hang-theo-hanh-vi-giao-dich-la-gi) — Kỹ thuật phân cụm dựa trên hành vi giao dịch nhằm phát hiện nhóm khách hàng có đặc điểm tương đồng để cá nhân hóa dịch vụ.
- [Phân tích hành vi khách hàng](https://vieclam.nganhang.com/thuat-ngu/phan-tich-hanh-vi-khach-hang-la-gi) — Kỹ thuật phân tích dữ liệu giao dịch và tương tác để hiểu nhu cầu, từ đó cá nhân hóa sản phẩm và dịch vụ ngân hàng.
- [Quyết định 2345/QĐ-NHNN](https://vieclam.nganhang.com/thuat-ngu/quyet-dinh-2345qd-nhnn-la-gi) — Quyết định của Ngân hàng Nhà nước Việt Nam ban hành năm 2023 quy định về bảo đảm an toàn thông tin trong hoạt động ngân hàng.
- [Tối ưu hóa danh mục đầu tư](https://vieclam.nganhang.com/thuat-ngu/toi-uu-hoa-danh-muc-dau-tu-la-gi) — Sử dụng mô hình toán như Markowitz để phân bổ vốn nhằm tối đa hóa lợi nhuận trên rủi ro cho ngân hàng.