Trang chủ
- Giảm 10% phí tải tài liệu khi like và share website
- Tặng 1 bộ slide thuyết trình khi tải tài liệu
- Giảm 5% dịch vụ viết thuê luận văn thạc sĩ của Luận Văn A-Z
- Giảm 2% dịch vụ viết thuê luận án tiến sĩ của Luận Văn A-Z
Ứng Dụng Big Data Phân Tích Lỗ Hổng Tín Dụng Cho Vay Và Giải Pháp Hạn Chế: Trường Hợp Của Ngân Hàng TMCP Sài Gòn (SCB)
Giá gốc là: 100.000 VNĐ.50.000 VNĐGiá hiện tại là: 50.000 VNĐ.
Nghiên cứu này khám phá việc ứng dụng Big Data để phân tích và xác định các gian lận trong hoạt động tín dụng, một lĩnh vực còn mới mẻ. Nghiên cứu sử dụng thuật toán C5.0 trên dữ liệu của 2.572 khách hàng đang giao dịch tại SCB với thời gian giao dịch trên 12 tháng. Kết quả cho thấy có khoảng 36% khách hàng có dấu hiệu gian lận, từ cả phía nhân viên và khách hàng. Các lỗ hổng bao gồm: khách hàng gian lận trong hồ sơ ban đầu, nhân viên tiếp nhận thông đồng, hoặc lãnh đạo phê duyệt không phát hiện rủi ro. Nghiên cứu cũng đề xuất các giải pháp như hiệu chỉnh quy trình thẩm định, tăng cường kiểm soát, và đào tạo nhân viên. Ngoài ra, nghiên cứu cũng chỉ ra nhóm khách hàng không có gian lận (64%) là cơ sở để ngân hàng mở rộng các dịch vụ tín dụng và sản phẩm bán chéo. Các giải pháp bao gồm: hiệu chỉnh quy trình thẩm định, tăng cường kiểm soát và đào tạo lại cán bộ nhân viên, đồng thời tận dụng tệp khách hàng tốt để phát triển các dịch vụ cho vay và bán chéo sản phẩm.
Tuyệt vời! Dưới đây là ý chính của bài viết, được trình bày theo yêu cầu của bạn:
1. Thông tin Luận văn thạc sĩ:
- Tên Luận văn thạc sĩ: Ứng dụng Big Data phân tích lỗ hổng tín dụng cho vay và giải pháp hạn chế: Trường hợp của Ngân hàng TMCP Sài Gòn (SCB)
- Tác giả: Lê Văn Phú
- Số trang file pdf: (Không có thông tin trong tài liệu)
- Năm: 2020
- Nơi xuất bản: Trường Đại học Kinh tế Thành phố Hồ Chí Minh
- Chuyên ngành học: Quản trị kinh doanh
- Từ khoá: Big Data, lỗ hổng tín dụng, phân tích gian lận, ngân hàng, SCB, RFM, C5.0
2. Nội dung chính:
Luận văn nghiên cứu ứng dụng Big Data để phân tích các lỗ hổng trong hoạt động tín dụng cho vay của Ngân hàng TMCP Sài Gòn (SCB), từ đó đề xuất các giải pháp hạn chế rủi ro và gian lận. Nghiên cứu tập trung vào việc phân tích hành vi và lịch sử giao dịch của 3.527 khách hàng có thời gian tham gia dịch vụ trên 12 tháng tại SCB, sử dụng thuật toán C5.0 để xây dựng mô hình dự báo gian lận. Luận văn đặt ra một cách tiếp cận mới trong việc sử dụng Big Data để phân tích lỗ hổng trong xét duyệt hồ sơ vay vốn, đồng thời định vị các giải pháp gắn với hành vi kỳ vọng của khách hàng nhằm hạn chế rủi ro tín dụng.
Nghiên cứu thực hiện phân tích theo ba bước. Bước đầu tiên, luận văn đánh giá sự gian lận dựa trên hồ sơ ban đầu của khách hàng, xác định mức độ rủi ro của từng hồ sơ (Tốt, Vừa, Xấu) bằng cách sử dụng các biến số như thu nhập, tài sản, loại khách hàng, quan hệ cộng đồng, học vấn, vị trí công việc và gia cảnh. Bước thứ hai, nghiên cứu xác định gian lận dựa trên lịch sử giao dịch của khách hàng sau 12 tháng, sử dụng mô hình RFM (Recency, Frequency, Monetary) kết hợp với các thông tin về dư nợ và so sánh mức độ sử dụng dịch vụ của SCB so với các ngân hàng khác. Cuối cùng, luận văn kết hợp kết quả của hai bước trên để xác định các nhóm khách hàng có nguy cơ gian lận cao nhất. Kết quả phân tích cho thấy có 36% khách hàng được đưa vào nhóm có khả năng gian lận, bao gồm cả gian lận từ phía nhân viên và khách hàng.
Kết quả nghiên cứu chỉ ra rằng, thu nhập là yếu tố quan trọng nhất ảnh hưởng đến việc xếp loại hồ sơ ban đầu. Ngoài ra, thời gian giao dịch gần nhất (Recency) và dư nợ bình quân có tầm quan trọng lớn nhất trong mô hình dự báo gian lận dựa trên lịch sử giao dịch. Đáng chú ý, những khách hàng có thời gian tham gia dịch vụ lâu hơn (trên 65 tháng) có xu hướng gian lận cao hơn, đặc biệt là với các khách hàng có hạn mức tín dụng cao. Các lỗ hổng được xác định bao gồm: khách hàng cố tình gian lận khi cung cấp hồ sơ, nhân viên tiếp nhận thông đồng hoặc thiếu trách nhiệm, lãnh đạo cấp cao duyệt hồ sơ thiếu kiểm soát.
Từ kết quả nghiên cứu, luận văn đề xuất các giải pháp hạn chế gian lận, bao gồm: điều chỉnh quy trình thẩm định hồ sơ, nhắc nhở nhân viên thực hiện nghiêm túc quy trình, đánh giá kỹ lịch sử tín dụng và thái độ đi vay của khách hàng, phân loại khách hàng theo nhóm để giám sát hành vi giao dịch hiệu quả hơn, và nâng cao năng lực của đội ngũ nhân viên. Đồng thời, luận văn cũng gợi ý SCB nên tập trung phát triển các dịch vụ cho vay đối với 64% khách hàng đã được xác định không có gian lận, bởi đây là những khách hàng có tiềm năng và độ tin cậy cao. Nghiên cứu này không chỉ cung cấp cái nhìn tổng quan về ứng dụng Big Data trong lĩnh vực ngân hàng mà còn giúp SCB xác định rõ hơn các lỗ hổng và xây dựng các chiến lược phát triển phù hợp.
