Phân tích dữ liệu - Quản trị danh mục

Quản trị danh mục - Theo dõi sau vay

Sau khi khách hàng đã được phê duyệt cho vay, hệ thống đã ghi nhận đầy đủ thông tin và khách hàng đó bắt đầu on book trên hệ thống. Trong vòng đời tín dụng thì bước tối ưu lợi ích từ khách hàng và quản trị rủi ro sau vay là 1 bước rất lớn và quan trọng.

Ở đây tôi có phân biệt ra 2 nhiệm vụ quan trọng khá rõ ràng do các bộ phận khác nhau đảm nhận và tất nhiên các bài toán phân tích sẽ hướng tới các mục đích khác nhau:

Quản trị danh mục: Khối Quản trị rủi ro xử lý - Mục đích để tối ưu số tiền phải trích lập dự phòng
Phân tích sau vay: Các khối khác tham gia với các bài toán khác nhau như Khối Bán lẻ, Khối công nghệ, Khoa học dữ liệu, Chăm sóc khách hàng, Nguồn vốn,... - Mục đích để tối ưu doanh thu,chi phí

Chia ra thôi chứ nó vẫn rất liên quan với nhau, nhiều bài toán sẽ phải kết hợp nhiều bộ phận xử lý.

1. Quản trị danh mục

Như đã nói ở bài trước thì hiểu đơn giản Bank là nơi huy động vốn lãi suất rẻ và cho vay lãi suất cao ăn lãi chênh lệch. Tuy nhiên nó không đơn giản như vậy. Không phải cứ tăng trưởng tín dụng là sẽ lãi cao mà phải là chất lượng nợ như thế nào nó mới quyết định lợi nhuận, hay hiểu đơn giản là Bank sẽ phải cắt máu dự phòng bao nhiêu trong tổng phần chênh lệch lãi suất Tiền gửi - Tiền vay kia.

Basel có quy định tỷ lệ an toàn vốn (CAR) hay là ở Việt Nam cũng có TT11/2021/TT-NHNN quy định rất rõ nguyên tắc trích lập và sử dụng dự phòng rủi ro, cụ thể:

Nợ nhóm 1: Không phải trích lập dự phòng.
Nợ nhóm 2: 5%.
Nợ nhóm 3: 20%.
Nợ nhóm 4: 50%.
Nợ nhóm 5: 100%.

Ví dụ đơn giản thế này:

Chi nhánh Bank cày tiếp khách cả tháng, giải ngân cho vay ầm ầm, tiền lãi thu về trừ đi các kiểu chi phí còn dư lãi 2 tỷ. Thế nhưng, có 1 ông khách VIP năm ngoái vay 4 tỷ đang làm ăn bết bát, tháng này ông ấy trễ nợ đúng 90 ngày (Rớt từ Nhóm 2 xuống Nhóm 3).

Tiền lãi 2 tỷ của cả chi nhánh tự nhiên bị bay mất 800 triệu vào két dự phòng chỉ vì 1 ông khách. Nặng hơn nếu tỷ lệ nợ xấu tổng của Chi nhánh kém quá thì có thể là tất cả nhân viên chi nhánh móm, không có thưởng, vào diện theo dõi đặc biệt (sếp bay ghể, cấm nới room,...)

Thực tế nó còn rất phức tạp vì còn có cả các quy định về Tỷ lệ nợ xấu (NPL), có nhiều trick và các mối quan hệ xử lý đảo nợ, Bank tự cắt máu, xử lý ngoại bảng,... Việc đánh giá chất lượng nợ thực tế nó rất lằng nhằng, ở đây tôi chỉ muốn chỉ ra tầm quan trọng của việc quản lý danh mục nó ảnh hưởng lớn tới nồi cơm của rất nhiều người.

Các bài toán Phân tích dữ liệu rất nổi tiếng và phải biết khi apply vào các vị trí này, nó khá khó để mô phỏng trong phạm vi 1 khóa học vì không có dữ liệu và làm thực tế nó có thể hơi khác với lý thuyết. Nhưng ít nhất cần phải nghe qua và biết cơ bản bài toán đó dùng để xử lý vấn đề gì, phương pháp xử lý bài toán đó,... Đây không phải là 1 bài viết hướng dẫn xử lý cụ thể bài toán mà chỉ đơn giản là liệt kê 1 số bài toán bên trong mà gần như bên nào cũng có làm.

Phân tích Roll rate - Roll rate Analysis

Phân tích Rollrate để xem các khách hàng sẽ "tốt lên", "giữ nguyên" hay "xấu đi" theo thời gian về tình trạng nợ quá hạn. Ngày quá hạn sẽ chia theo các Bucket nợ để theo dõi sự thay đổi của khách hàng.

Bucket nợ được định nghĩa dựa theo ngày quá hạn (OVD) của nhóm nợ, cụ thể:

Nhóm 1 (Nợ đủ tiêu chuẩn): Quá hạn 0 - 10 ngày (trả chậm).
Nhóm 2 (Nợ cần chú ý): Quá hạn 11 - 90 ngày.
Nhóm 3 (Nợ dưới tiêu chuẩn): Quá hạn 91 - 180 ngày.
Nhóm 4 (Nợ nghi ngờ): Quá hạn 181 - 360 ngày.
Nhóm 5 (Nợ có khả năng mất vốn): Quá hạn trên 360 ngày.

Khách hàng không bao giờ 1 phát bùng từ "Tốt" (Nợ trong hạn) thành "Xấu" (Nợ Nhóm 3, 4,5) mà sẽ cần thời gian mới bộc lộ bản chất xấu. Họ sẽ trôi từ từ qua các mốc trễ hạn (DPD). Roll-rate đo lường tỷ lệ % dư nợ trượt từ mốc trễ hạn nhẹ sang mốc trễ hạn nặng hơn trong một khoảng thời gian (thường là xem trong khoảng giai đoạn 12,9,6,3,1 tháng).

Dựa vào ma trận Roll-rate (Transition Matrix), có thể mô phỏng chính xác tháng sau, tháng sau nữa có bao nhiêu tiền rớt xuống Nhóm 3 (trích lập 20%), Nhóm 4 (trích lập 50%). Từ đó báo trước cho sếp phải chuẩn bị bao nhiêu lợi nhuận để cất vào dự phòng, tránh bị "sốc" khi chốt sổ cuối tháng.

Phần chia Bucket OVD này cũng phục vụ nhiều trong việc thu nợ. Ví dụ 1 khách hàng sắp đến 90 ngày quá hạn nhóm 3 phải trích lập 20% thì sẽ dồn sức đòi khách đó trả bớt ít thôi để reset nhóm nợ, hoặc có các trick khác để đảo nợ,...

Phân tích Vintage - Vintage Analysis

Không thể so sánh độ uy tín của 1 khách hàng mới vay 1 tháng với 1 khách hàng lâu năm được. Phải có cách nào đó phản ánh được chất lượng của từng lứa khách hàng.

Phân tích Vintage gom tất cả các khoản vay được giải ngân trong cùng một tháng (hoặc 1 quý) vào một rổ, sau đó xem các lứa khách hàng đó bao nhiêu người chuyển quá hạn 90,60,30, 1 ngày qua từng tháng (Month on book - MOB). Cuối cùng tính ra Tỷ lệ % nợ xấu tích lũy cộng dồn qua từng tháng tuổi (MOB) của cái rổ Vintage đó.

Ví dụ như trong ảnh xem số tỷ lệ khách hàng chuyển quá hạn qua từng tháng, vẽ lên xem cái biểu đồ Trend Vintage nó bắt đầu gãy ở ngưỡng 4 tháng, sau đó mượt đi ngang. Nghĩa là hầu hết các khách hàng mới sẽ bắt đầu phát sinh hành vi quá hạn sau 3 tháng. Ai phát sinh hành vi nợ quá hạn sẽ phát sinh luôn trong vòng 4 tháng đầu tiên, ai sống sót qua 4 tháng thì đều trả nợ rất đều.

Behavior Score - BCard

A-Score để chấm điểm xem hồ sơ khách hàng tốt không ? có khả năng vỡ nợ bao nhiêu để duyệt cho vay thì B-Score dùng chấm điểm hành vi các khách hàng đang vay xem liệu họ có khả năng vỡ nợ thế nào để có các hành vi bán thêm, bán chéo, có nên tăng giảm hạn mức , có nên tái ký cho vay thêm,...

Phương pháp làm của BCard y hệt ACard, có cái khác là đã có dữ liệu hành vi trả nợ của khách hàng tại Bank nên sẽ có nhiều biến về hành vi trả nợ, dòng tiền, loại giao dịch,... tìm ra các tiêu chí và trọng số để chấm điểm hành vi

Không cần phải nói nhiều vì các mô hình Scorecard đã quá nổi tiếng.

Hệ thống cảnh báo sớm - Early Warning System - EWS

Mô hình EWS để đánh giá sớm các khách hàng có nguy cơ chuyển nhóm nợ để giảm thiểu tổn thất, nghĩa là nếu khách hàng nào bị đánh giá có nguy cơ là hệ thống sẽ báo ra để gọi

Phương pháp làm EWS nó gần giống với xây Scorecard nhưng có 1 số sự khác biệt:

Đầu ra của mô hình EWS là các cờ chỉ báo Xanh-Vàng-Đỏ thay vì lượng hóa thành các bộ thẻ điểm
Mục đích của EWS là để can thiệp ngay lập tức trong thời gian ngắn chứ không phải theo dõi rủi ro nên sẽ có áp lực về mặt realtime và hệ thống, sẽ phải cân đối nguồn lực, hệ thống xử lý thế nào để chọn ngưỡng cắt bao nhiêu % Đỏ
Bình thường các mô hình Scorecard để nhãn Xấu theo Basel là quá hạn DPD>= 90 ngày nhưng mô hình EWS thay nhãn xấu rất ngắn, quá hạn DPD có thể là khoảng 30 ngày

Các loại báo cáo phục vụ quản trị danh mục

Phần này nó là tổ hợp của nhiều cái: ước tính EAD, cân đối NIM, chi phí, nợ xấu,... để ra mô phỏng tính toán ra được lợi nhuận thu được cuối cùng.

Chỉ số quan tâm cuối cùng là RAROC - Lợi nhuận ròng trên vốn điều chỉnh

2. Phân tích sau vay

Phần Quản trị danh mục chủ yếu là kiểm soát rủi ro để ghim tỷ lệ nợ xấu xuống thấp, nó như 1 cái phanh. Tất nhiên sẽ cần đồng thời phải vít ga để tăng trưởng doanh thu thì mới có thể gia tăng được lợi nhuận.

Các bài toán ở các bộ phận Khoa học dữ liệu, sản phẩm, kinh doanh,... thường sẽ tìm cách tối ưu vắt kiệt giá trị vòng đời (CLV) của 1 khách hàng.

Gợi ý sản phẩm - Next best offer

Đây không phải là 1 bài toán mà là 1 nhóm rất nhiều các bài toán nhỏ, mục đích đều là thúc đẩy khách hàng sử dụng các dịch vụ khác để cải thiện nguồn doanh thu mang lại từ phí dịch vụ và các loại phí khác, ví dụ:

Dự đoán các KH có nhu cầu mở thẻ
Dự đoán các KH có nhu cầu mua bảo hiểm
Dự đoán các KH có nhu cầu vay mua nhà
...

Từ đó có thể xây dựng các mô hình, hệ thống gợi ý sản phẩm đánh tới đúng các khách hàng thực sự có nhu cầu. Phương pháp làm thì rất đa dạng có thể bằng các mô hình, rule base, ML,AI các kiểu, xây dựng ra các hệ thống CRM view được toàn cảnh hành vi, thông tin khách hàng tiềm năng để nhúng các model lên.

Phân khúc khách hàng - Customer Segmentation

Nghe bài này thì nó rất là quen thuộc, nhưng trên thực tế nó cực kỳ quan trọng và định hướng toàn bộ chiến lược khách hàng của Bank.

Với các Bank lớn thì bài này thường thuê các bên tư vấn chiến lược rất lớn : Mckinsey, Big4,... xây dựng bài này, làm cực kỳ chuẩn chỉnh để chia ra các phân khúc khách hàng với các tiêu chí khác nhau, từ đó tiếp tục xây dựng ra các chiến dịch tiếp cận, Ví dụ:

Chăm sóc cho khách hàng cao cấp
Chiến dịch cho khách hàng Mass
Chiến dịch bán loa cho khách hàng tiểu thương
...

Phương pháp cũng cực kỳ đa dạng, nhưng tôi thấy bài này chịu nhiều ảnh hưởng bởi các ý kiến chuyên gia nhận định ngành, thị trường,... chứ không thuần chỉ là làm phân tích view từ dữ liệu.

Phân tích gian lận, mạng lưới dòng tiền, nhóm khách hàng liên quan, truy vết

Sau khi chính phủ thắt chặt việc quản lý thì nhiều bên đã đẩy mạnh và triển khai các bài toán kiểm soát phát hiện gian lận, truy vết các nhóm khách hàng lợi dụng chính sách, lừa đảo, chuyển tiền lòng vòng,...

Phương pháp sử dụng gọi chung là Graph Analysis sử dụng 1 cái gọi là Lý thuyết đồ thị Network Analysis & Graph Theory.

Có thể tôi sẽ viết riêng 1 bài về cái này.

Thực tế thì có rất nhiều các loại báo cáo, có nhiều công đoạn và bài toán mới ứng dụng AI để tăng hiệu quả.

Page updated

Google Sites

Report abuse