Quản trị tốt dữ liệu: Gia tăng lợi thế cạnh tranh

	Tận dụng kết nối và chia sẻ dữ liệu số
	Quản trị dữ liệu tốt giúp doanh nghiệp phát triển bền vững

Trong kỷ nguyên số, tổ chức nào nắm giữ dữ liệu lớn hơn sẽ giành ưu thế

Cơ hội từ dữ liệu mang lại

Trong báo cáo đánh giá của Vietnam Report mới đây dẫn ra con số 100% ngân hàng được hỏi cho hay dự định sẽ hợp tác với các công ty Fintech trong lĩnh vực thanh toán, và gần 82% ngân hàng muốn hợp tác với các công ty Fintech trong dịch vụ Internet Banking và dữ liệu tài chính.

Thực tế, dữ liệu và quản trị dữ liệu đang trở thành mối bận tâm lớn của nhiều doanh nghiệp, tổ chức, đặc biệt trong lĩnh vực tài chính - ngân hàng. Big Data được nhắc tới nhiều hơn, thường xuyên hơn bởi đặc trưng của nó là khối lượng dữ liệu cực kỳ lớn, được giao dịch và cập nhật liên tục với tốc độ cao trong thời gian ngắn với nguồn dữ liệu phong phú, trên nhiều định dạng khác nhau.

Theo Gartner, với tính năng của mình, dữ liệu lớn trở thành tài sản thông tin giá trị, góp phần tăng hiệu quả sử dụng và khai thác thông tin, tiết kiệm chi phí trong quá trình ra quyết định của chủ thể.

ThS. Phạm Xuân Hoè - Phó Viện trưởng Viện Chiến lược ngân hàng nhận định, lượng dữ liệu đầu vào tăng nhanh theo cấp số nhân đòi hỏi các ngân hàng cần phải nghiên cứu và ứng dụng các kỹ thuật mới, hiện đại như Big Data để “thu thập, lưu trữ, xử lý, phân tích và chiết xuất số liệu từ nhiều nguồn khác nhau một cách nhanh chóng, chính xác và bảo mật, hỗ trợ cho việc đưa ra quyết định kinh doanh và tạo lợi thế cạnh tranh”.

Chia sẻ của phần lớn chuyên gia công nghệ cũng đều cho rằng, khi nền kinh tế số có sự dịch chuyển dần sang nền kinh tế dữ liệu, thì ngân hàng hay bất cứ đơn vị tài chính nào khai thác dữ liệu hiệu quả sẽ có được sức cạnh tranh hơn. Ông Trần Viết Huân - chuyên gia tư vấn chuyển đổi số của Microsoft, Khu vực châu Á - Thái Bình Dương dẫn ra ví dụ về hành trình phân tích dữ liệu: Việc tổ chức tài sản về dữ liệu của khách hàng sẽ giúp ngân hàng hiểu rõ hơn nhu cầu của các “thượng đế”, từ đó tạo điều kiện ứng dụng các giải pháp phân tích dữ liệu cao cấp như AI hay machine learning (học máy), giúp cho những hiểu biết mới về khách hàng để có thể đưa ra những sản phẩm, dịch vụ với mức độ cá thể hoá cao cho từng khách hàng.

“Nếu lúc trước một ngân hàng thường chỉ mất vài ba năm với chi phí đầu tư ban đầu lớn để xây dựng một nền tảng dữ liệu như datawarehouse, BI thì thời gian và chi phí đó được tiết kiệm đáng kể với phương pháp triển khai mới theo từng chu kỳ ngắn dựa trên nền tảng dữ liệu đám mây”, ông Huân cho hay.

Khi ngân hàng tổ chức dữ liệu của mình trên đám mây, chắc chắn sẽ dễ tiếp cận với các công cụ khai thác dữ liệu tiên tiến như AI, machine learning để phân tích hành vi khách hàng, đưa ra sản phẩm hợp nhu cầu, cung cấp công cụ hoạch định tài chính cá nhân. Thậm chí phân tích dữ liệu còn giúp nhân viên ngân hàng tập trung vào những đối tượng khách hàng sẽ mang lại nhiều giá trị cho ngân hàng.

Cần cơ chế chia sẻ

Tới thời điểm này, đã có ngày càng nhiều hơn các ngân hàng chú trọng đầu tư cho việc phát triển và quản trị cơ sở dữ liệu, và ứng dụng dữ liệu lớn trong các hoạt động của nhà băng. Như ABBank mới đây đã khởi động dự án xây dựng Khung quản trị dữ liệu (Data Governance) với sự tư vấn của PwC Việt Nam. Hay trước đó Sacombank triển khai dự án phần mềm quản lý quan hệ khách hàng (CRM); OCB và IBM triển khai thành công hệ thống phân tích tích hợp IBM - IIAS đầu tiên trong hệ thống ngân hàng; VPBank cũng đã ứng dụng công nghệ phân tích dữ liệu của IBM để đồng bộ hóa dữ liệu khách hàng, hỗ trợ phân tích hành vi khách hàng nhanh chóng.

Còn có một số cái tên khác như: VietinBank với Dự án Kho dữ liệu doanh nghiệp (EDW) góp phần hỗ trợ VietinBank nâng cao hoạt động quản lý cũng như giám sát và quản trị rủi ro theo tiêu chuẩn quốc tế; MB hợp tác với Infosys, Amigo triển khai dự án kho dữ liệu tập trung và công cụ báo cáo quản trị (Data Warehouse); VietA Bank công bố dự án về hạ tầng Trung tâm dữ liệu đó là di chuyển trung tâm dữ liệu chính và thực hiện đưa toàn bộ hai trung tâm Dữ liệu của ngân hàng lên nền tảng đám mây riêng (Private Cloud)…

Chuyên gia nhận thấy, việc các ngân hàng quan tâm đầu tư xây dựng trung tâm dữ liệu, hay dành một khoản đầu tư xứng đáng để nâng cấp hệ thống dữ liệu và tăng cường ứng dụng giải pháp công nghệ Big Data trong phân tích và quản lý dữ liệu cần phải được tiếp tục đẩy mạnh và nhân rộng hơn trong thời gian tới.

Trong kỷ nguyên số, các công ty mạnh nhất có thể xem là những công ty có thể tổng hợp được nhiều dữ liệu nhất, và chia sẻ dữ liệu này rộng rãi với công chúng. Ông Phạm Anh Tuấn - Trưởng Ban hiện đại hoá công nghệ ngân hàng Vietcombank chia sẻ, phân tích dữ liệu kết hợp với các đơn vị cung cấp dịch vụ thứ ba thì ngân hàng có thể chia sẻ thông tin và gửi tới khách hàng những đề nghị phù hợp với mong muốn khách hàng.

Tuy nhiên, ông cũng nhận thấy dữ liệu của ngân hàng rất khó truy cập hay được chia sẻ bởi các đối tác nếu ngân hàng không đưa ra một giao diện lập trình chung để các bên sử dụng. Điều này đòi hỏi ứng dụng của ngân hàng phải được xây dựng theo định hướng cung cấp, sử dụng API (giao diện lập trình ứng dụng). Cũng cần lưu ý rằng, bên thứ ba có quyền tiếp cận dữ liệu ngân hàng có thể gây ra rủi ro nhất định, nên buộc phải có một cơ chế thật sự chặt chẽ, an toàn, thống nhất trong chia sẻ. Việc này có thể kiểm soát hiệu quả dựa vào sử dụng Open API.

ThS. Nguyễn Mai Ly - Phòng Công cụ, Mô hình và Dữ liệu rủi ro TPBank nhận thấy, về cơ bản dữ liệu xây dựng mô hình tại các ngân hàng hiện nay đang bị giới hạn ở dữ liệu hồ sơ khách hàng và dữ liệu lịch sử quan hệ tín dụng. Ở chiều ngược lại, các công ty Fintech dường như có lợi thế hơn về dữ liệu xây dựng mô hình, tập trung đẩy mạnh thu thập đa dạng nguồn dữ liệu khác nhau.

Một số kênh thông tin phi truyền thống đang dần thông dụng trong lĩnh vực khoa học dữ liệu mà ngân hàng hay các công ty tài chính có thể khai thác để xây dựng mô hình như dữ liệu mạng xã hội, dữ liệu về tâm lý học hành vi, dữ liệu viễn thông và dữ liệu sử dụng thiết bị di động. Ngân hàng có thể chọn sản phẩm, giải pháp với nguồn dữ liệu phù hợp tùy theo chiến lược và lộ trình ứng dụng các mô hình học máy tại từng thời kỳ và trong dài hạn.