# Information Value IV chấm điểm tín dụng

Tiếng Anh: Information Value

Chỉ số đo lường sức mạnh phân biệt của một biến đối với biến mục tiêu vỡ nợ, phổ biến trong xây dựng mô hình tín dụng ngân hàng.

Nguồn: https://vieclam.nganhang.com/thuat-ngu/information-value-iv-cham-diem-tin-dung-la-gi
Danh mục: AI & Machine Learning trong ngân hàng
Cập nhật: 13/09/2026

**Information Value (IV)** — thường được gọi tắt là **IV** hay **Giá trị thông tin** — là một chỉ số thống kê quan trọng được sử dụng rộng rãi trong lĩnh vực xây dựng mô hình **chấm điểm tín dụng** (credit scoring model) tại các ngân hàng và tổ chức tài chính. Chỉ số này đo lường **sức mạnh phân biệt** (predictive power) của một biến độc lập (feature, biến giải thích) đối với biến mục tiêu (target variable) — cụ thể là biến vỡ nợ (default) hay nợ xấu trong hồ sơ khách hàng. Nói cách khác, IV trả lời câu hỏi cốt lõi: *"Biến X có khả năng dự đoán khách hàng nào sẽ vỡ nợ và khách hàng nào sẽ trả nợ đúng hạn tốt đến mức nào?"*

Trong bối cảnh ứng dụng **trí tuệ nhân tạo (Artificial Intelligence - AI)** và **học máy (Machine Learning - ML)** vào ngân hàng, IV đóng vai trò là "cây sàng" quan trọng ở giai đoạn **trích chọn đặc trưng** (feature selection) — giúp các nhà phân tích dữ liệu (data analyst) và chuyên gia mô hình (modelling team) quyết định biến nào nên giữ lại, biến nào nên loại bỏ trước khi đưa vào mô hình **hồi quy logistic** (Logistic Regression), **cây quyết định** (Decision Tree) hay **rừng ngẫu nhiên** (Random Forest). Một biến có IV cao đồng nghĩa với việc nó mang lại nhiều "thông tin có giá trị" cho việc phân biệt nhóm khách hàng vỡ nợ và không vỡ nợ, qua đó giúp mô hình chấm điểm tín dụng hoạt động chính xác và ổn định hơn.

Lịch sử phát triển của IV gắn liền với ngành **quản lý rủi ro tín dụng** (credit risk management) từ những năm 1990, khi các ngân hàng lớn trên thế giới bắt đầu chuyển đổi từ mô hình đánh giá tín dụng dựa trên phán đoán chuyên gia (expert judgment) sang mô hình dựa trên dữ liệu (data-driven model). Hiện nay, IV là một trong những chỉ tiêu bắt buộc xuất hiện trong các báo cáo kiểm định mô hình (model validation report) tuân thủ theo chuẩn mực **Basel II**, **Basel III** và hướng dẫn của **Ngân hàng Nhà nước Việt Nam** về quản trị rủi ro mô hình.

**Thuật ngữ tiếng Anh:** Information Value (IV)  
**Lĩnh vực:** AI & Machine Learning trong ngân hàng

## Đặc điểm và phân loại

### 1. Công thức tính Information Value

IV được tính dựa trên **Weight of Evidence (WoE)** — tạm dịch là **Trọng số bằng chứng** — thông qua công thức kinh điển:

$$IV = \sum_{i=1}^{n} \left( \% \text{Good}_i - \% \text{Bad}_i \right) \times WoE_i$$

Trong đó:
- **%Good_i**: tỷ lệ khách hàng không vỡ nợ trong khoảng (bin) thứ i của biến
- **%Bad_i**: tỷ lệ khách hàng vỡ nợ trong khoảng thứ i
- **WoE_i = ln(%Good_i / %Bad_i)**
- **n**: số khoảng chia của biến (thường từ 5 đến 20)

### 2. Thang đánh giá sức mạnh dự đoán

Dựa trên giá trị IV, các chuyên gia thường phân loại biến theo bảng dưới đây:

| Khoảng giá trị IV | Mức độ dự đoán | Khuyến nghị sử dụng |
|---|---|---|
| IV < 0,02 | Rất yếu (Useless) | Không nên đưa vào mô hình |
| 0,02 ≤ IV < 0,1 | Yếu (Weak) | Chỉ dùng kết hợp, không dùng đơn lẻ |
| 0,1 ≤ IV < 0,3 | Trung bình (Medium) | Có giá trị dự đoán đáng kể |
| 0,3 ≤ IV < 0,5 | Mạnh (Strong) | Nên ưu tiên sử dụng |
| IV ≥ 0,5 | Rất mạnh (Suspicious) | Cần kiểm tra khả năng overfitting hoặc trùng lặp thông tin |

### 3. Đặc điểm nổi bật của IV

- **Dễ diễn giải**: IV cung cấp con số cụ thể giúp cả nhà quản lý không chuyên kỹ thuật và chuyên gia dữ liệu đều có thể đánh giá sức mạnh của biến.
- **Phù hợp với biến phân loại**: IV hoạt động đặc biệt hiệu quả với các biến phân loại (categorical) hoặc biến liên tục đã được **phân khoảng** (binning) thành các nhóm có ý nghĩa.
- **Hỗ trợ tính thống nhất của mô hình**: IV giúp đảm bảo các biến được chọn có tính ổn định theo thời gian, tránh hiện tượng **quá khớp** (overfitting).
- **Có thể tự động hóa**: Trong các pipeline **AutoML** hiện đại, IV được tích hợp như một bước chuẩn để lọc biến.

### 4. Phân biệt IV với các chỉ số khác

| Chỉ số | Đo lường | Phạm vi giá trị | Ứng dụng chính |
|---|---|---|---|
| **IV** | Sức mạnh phân biệt tổng thể | 0 → +∞ | Sàng lọc biến đầu vào |
| **WoE** | Mức độ thiên lệch từng khoảng | Có thể âm hoặc dương | Biến đổi đặc trưng |
| **Gini** / **AUC** | Sức mạnh mô hình tổng thể | 0 → 1 | Đánh giá mô hình hoàn chỉnh |
| **KS** | Khoảng cách phân phối | 0 → 100 | Đánh giá khả năng phân loại |

## Ví dụ thực tế trong ngành ngân hàng

### Ví dụ 1: Xây dựng mô hình chấm điểm tín dụng khách hàng cá nhân

**Ngân hàng A** triển khai dự án xây dựng **mô hình scorecard** cho vay mua nhà với 50.000 hồ sơ khách hàng trong 12 tháng. Đội ngũ Data Scientist tiến hành tính IV cho hơn 120 biến ứng viên. Kết quả thu được như sau:

| Biến ứng viên | IV | Phân loại | Quyết định |
|---|---|---|---|
| Tỷ lệ nợ/thu nhập (DTI) | 0,62 | Rất mạnh | Giữ lại, kiểm tra overfitting |
| Lịch sử thẻ tín dụng 12 tháng | 0,48 | Mạnh | Giữ lại |
| Nghề nghiệp | 0,25 | Trung bình | Giữ lại |
| Số lần thay đổi địa chỉ | 0,08 | Yếu | Loại bỏ |
| Giới tính | 0,01 | Rất yếu | Loại bỏ |

Sau khi sàng lọc, **Ngân hàng A** giữ lại 35 biến có IV ≥ 0,1, loại bỏ 85 biến còn lại. Mô hình cuối cùng đạt **AUC = 0,78** và **KS = 42%** — vượt chỉ tiêu tối thiểu theo quy định nội bộ.

### Ví dụ 2: Tính IV cho biến "Nhóm tuổi" tại Ngân hàng B

**Ngân hàng B** muốn đánh giá biến "Nhóm tuổi" của khách hàng vay tiêu dùng. Dữ liệu 30.000 khách hàng trong đó có 1.200 trường hợp vỡ nợ (tỷ lệ vỡ nợ 4%):

| Nhóm tuổi | Tổng KH | Vỡ nợ (Bad) | %Good | %Bad | WoE | IV đóng góp |
|---|---|---|---|---|---|---|
| 18–25 | 4.500 | 270 | 14,6% | 22,5% | -0,432 | 0,0342 |
| 26–35 | 9.000 | 450 | 29,5% | 37,5% | -0,240 | 0,0192 |
| 36–45 | 8.500 | 340 | 28,0% | 28,3% | -0,011 | 0,00003 |
| 46–55 | 5.000 | 110 | 16,5% | 9,2% | +0,583 | 0,0426 |
| > 55 | 3.000 | 30 | 9,9% | 2,5% | +1,375 | 0,1019 |

**Tổng IV ≈ 0,198** → biến "Nhóm tuổi" có sức mạnh dự đoán **trung bình**, hữu ích cho mô hình. Đáng chú ý, nhóm tuổi trên 55 có WoE dương cao nhất (+1,375), cho thấy nhóm này ít có khả năng vỡ nợ — một insight quan trọng để đội ngũ kinh doanh thiết kế sản phẩm tín dụng phù hợp.

### Ví dụ 3: Ứng dụng IV trong giám sát mô hình (Model Monitoring)

Sau khi mô hình đi vào vận hành, **Ngân hàng C** thiết lập quy trình giám sát định kỳ hàng quý. Một chỉ tiêu bắt buộc là theo dõi **sự thay đổi IV** (IV drift) của các biến đầu vào. Nếu IV của biến giảm quá 20% so với thời điểm phát triển mô hình, hệ thống tự động cảnh báo để đội ngũ kiểm định mô hình (model validation team) tiến hành đánh giá lại. Trong quý 3/2024, hệ thống phát hiện biến "Lịch sử tín dụng 6 tháng qua" có IV giảm từ 0,42 xuống còn 0,21 — dấu hiệu cho thấy hành vi khách hàng đã thay đổi sau dịch COVID-19, buộc ngân hàng phải **hiệu chỉnh lại mô hình** (model recalibration).

## Information Value IV chấm điểm tín dụng trong các ngôn ngữ khác

| Ngôn ngữ | Thuật ngữ | Phiên âm |
|---|---|---|
| Tiếng Anh | Information Value (IV) | /ˌɪnfərˈmeɪʃən ˈvæljuː/ |
| Tiếng Nhật | 情報価値 (ジョウホウカチ) | Jōhō Kachi (IV) |
| Tiếng Hàn | 정보 가치 (정보 가치) | Jeongbo Gachi (IV) |
| Tiếng Trung | 证据权重 / 信息价值 | Zhèngjù Quánzhòng / Xìnxī Jiàzhí |
| Tiếng Tây Ban Nha | Valor de la Información | /baˈloɾ ðe la in.foɾ.maˈsjon/ |

**Ghi chú:** Trong tiếng Trung, "证据权重" (trọng số bằng chứng) thường dùng để chỉ WoE, còn "信息价值" là thuật ngữ tương đương trực tiếp với Information Value. Việc nắm vững cách dịch đa ngôn ngữ giúp ứng viên tham khảo tài liệu quốc tế khi thi tuyển vào các vị trí **risk modelling** tại ngân hàng đa quốc gia.

## Câu hỏi thường gặp

### Information Value khác gì Weight of Evidence (WoE)?

**Information Value (IV)** là chỉ số tổng hợp đo lường sức mạnh phân biệt tổng thể của một biến, được tính bằng cách cộng dồn đóng góp WoE của tất cả các khoảng. Trong khi đó, **WoE** chỉ là trọng số bằng chứng cho từng khoảng riêng lẻ, cho biết khoảng đó "nghiêng" về phía Good hay Bad. Nói cách khác, WoE là "viên gạch", còn IV là "bức tường hoàn chỉnh" để đánh giá biến đó có đáng đưa vào mô hình hay không.

### Khi nào cần biết về Information Value?

Ứng viên cần nắm vững IV khi ứng tuyển vào các vị trí như **Chuyên viên mô hình rủi ro tín dụng**, **Data Scientist ngân hàng**, **Chuyên viên phân tích dữ liệu rủi ro**, **Model Validator** hoặc bất kỳ vị trí nào liên quan đến xây dựng, đánh giá và giám sát mô hình tín dụng. IV đặc biệt quan trọng trong các dự án **IFRS 9**, **Basel III** và các bài kiểm tra case study phỏng vấn vòng technical.

### Information Value ảnh hưởng thế nào đến khách hàng?

IV gián tiếp ảnh hưởng đến khách hàng thông qua chất lượng của mô hình chấm điểm tín dụng. Khi mô hình sử dụng các biến có IV cao, điểm tín dụng (credit score) của khách hàng sẽ phản ánh đúng thực tế hơn, giúp ngân hàng đưa ra quyết định cấp tín dụng công bằng và chính xác. Ngược lại, nếu mô hình loại bỏ nhầm một biến quan trọng (có IV cao nhưng chưa được nhận diện), khách hàng tốt có thể bị từ chối cho vay oan, hoặc khách hàng xấu có thể được cấp tín dụng — gây tổn thất cho cả ngân hàng và hệ thống tài chính.

## Tổng kết

**Information Value (IV)** là một công cụ thống kê không thể thiếu trong kho tài nguyên của chuyên gia xây dựng mô hình tín dụng ngân hàng hiện đại. Từ việc **sàng lọc biến** ở giai đoạn phát triển mô hình cho đến việc **giám sát suy giảm chất lượng** theo thời gian, IV giúp cân bằng giữa yêu cầu sức mạnh dự đoán và tính ổn định của mô hình — hai yếu tố sống còn trong quản trị rủi ro. Đối với ứng viên thi tuyển vào ngân hàng, việc hiểu sâu công thức, cách diễn giải thang IV và ứng dụng thực tế sẽ là lợi thế cạnh tranh lớn, đặc biệt trong bối cảnh ngân hàng Việt Nam ngày càng đẩy mạnh chuyển đổi số và ứng dụng **AI/ML** vào toàn bộ vòng đời tín dụng.

---

> 💡 **Mẹo ôn thi:** Khi phỏng vấn, hãy sẵn sàng trình bày một ví dụ cụ thể về cách bạn tính IV cho một biến trong mô hình scorecard, cùng với cách bạn xử lý tình huống IV giảm trong quá trình vận hành. Đây là "điểm cộng vàng" mà nhiều ngân hàng lớn đánh giá rất cao.

## Thuật ngữ liên quan

- [Chấm điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/cham-diem-tin-dung-ca-nhan-la-gi) — Hệ thống đánh giá mức độ tín nhiệm của khách hàng dựa trên lịch sử vay, thu nhập, nghề nghiệp và dữ liệu từ CIC.
- [Hệ thống xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/he-thong-xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống phân hạng khách hàng do ngân hàng tự xây dựng theo chuẩn Basel, làm cơ sở tính vốn yêu cầu cho rủi ro tín dụng (phương pháp IRB).
- [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…
- [Mô hình chấm điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/mo-hinh-cham-diem-tin-dung-ca-nhan-la-gi) — Hệ thống đánh giá và xếp hạng khả năng trả nợ của khách hàng dựa trên thu nhập, lịch sử tín dụng và nhiều yếu tố khác bằng thuật toán.
- [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.
- [Tỷ lệ nợ trên thu nhập](https://vieclam.nganhang.com/thuat-ngu/ty-le-no-tren-thu-nhap-la-gi) — Chỉ tiêu đánh giá khả năng trả nợ của khách hàng cá nhân, tính bằng tổng nghĩa vụ nợ hàng tháng chia cho thu nhập ròng.
- [Xếp hạng tín dụng nội bộ](https://vieclam.nganhang.com/thuat-ngu/xep-hang-tin-dung-noi-bo-la-gi) — Hệ thống chấm điểm khách hàng do ngân hàng tự xây dựng, quyết định lãi suất và hạn mức cho vay.
- [Điểm tín dụng cá nhân](https://vieclam.nganhang.com/thuat-ngu/diem-tin-dung-ca-nhan-la-gi) — Chỉ số đánh giá mức độ uy tín tín dụng của khách hàng cá nhân dựa trên lịch sử vay và trả nợ.