TỔNG QUAN BÀI TOÁN
Giới thiệu đơn vị thực tập Công ty giải pháp phần mềm tài chính FSS
1.1.1 Sự hình thành và phát triển
Công ty cổ phần giải pháp phần mềm tài chính FSS, được thành lập theo giấy chứng nhận đăng ký kinh doanh số 0102684006 vào ngày 18/03/2008, có trụ sở tại tầng 7, số 315 Trường Chinh, Thanh Xuân, Hà Nội Được thành lập bởi các chuyên gia dày dạn kinh nghiệm trong lĩnh vực công nghệ thông tin, FSS chuyên cung cấp giải pháp cho các tổ chức tài chính, ngân hàng và chứng khoán tại Việt Nam và khu vực.
Sau hơn 9 năm hoạt động, FSS đã phát triển mạnh mẽ với đội ngũ 160 chuyên gia trong lĩnh vực phần mềm, trở thành một trong những công ty trẻ, năng động và uy tín hàng đầu tại Việt Nam FSS nổi bật trong lĩnh vực phần mềm tài chính - ngân hàng và được nhiều khách hàng tin tưởng, lựa chọn, bao gồm các ngân hàng lớn như BIDV, Techcombank, VP Bank, MB Bank, cùng với các công ty chứng khoán như VNDirect, VCBS, BSC và BVSC.
Hình 1 Bộ máy tổ chức của công ty FSS
1.1.3 Các hoạt động nghiệp vụ
FSS chuyên cung cấp và triển khai các giải pháp phần mềm cho ngân hàng, công ty chứng khoán và tổ chức tài chính Hiện tại, FSS tập trung vào ba lĩnh vực chính trong việc phát triển và cung cấp dịch vụ phần mềm.
-I- Cung cấp và triển khai các hệ thống core giao dịch chứng khoán
FSS chuyên triển khai hệ thống Datawarehouse và Business Intelligence cho ngân hàng, đồng thời cung cấp dịch vụ tư vấn, phát triển và triển khai phần mềm theo yêu cầu cho các khách hàng lớn như Tổng cục Thuế và Trung tâm Lưu ký Chứng khoán Việt Nam Đội ngũ chuyên gia hàng đầu của FSS trong lĩnh vực phần mềm tài chính ngân hàng, với 15-20 năm kinh nghiệm, có khả năng hiểu rõ yêu cầu nghiệp vụ của khách hàng và đưa ra các giải pháp công nghệ tối ưu nhất.
Sản phẩm của FSS được phát triển dựa trên tiêu chuẩn quốc tế về phần mềm, kết hợp kiến thức nghiệp vụ toàn cầu với thực tiễn tại Việt Nam Các giải pháp phần mềm như sàn giao dịch vàng, sàn giao dịch hàng hóa và core giao dịch chứng khoán của FSS đã được công nhận là những sản phẩm hàng đầu trên thị trường Việt Nam.
KHAI PHÁ DỮ LIỆU VÀ ỨNG DỤNG TRONG BÀI TOÁN Dự ĐOÁN RỦI RO CHO VAY ĐỒNG TÀI TRỢ
Giới thiệu về khai phá dữ liệu
Tổng hợp từ nhiều tài liệu ta có rất nhiều định nghĩa về khai phá dữ liệu:
Theo Tom M Mitchell (1997), khai phá dữ liệu là quá trình sử dụng dữ liệu lịch sử để phát hiện các quy tắc và nâng cao chất lượng quyết định trong tương lai.
Khai phá dữ liệu là một tập hợp các phương pháp được sử dụng trong quá trình khám phá tri thức, nhằm chỉ ra sự khác biệt giữa các mối quan hệ và các mẫu chưa biết bên trong dữ liệu (Ferruzza, 2015).
Khai phá dữ liệu, theo Parsaye (2000), là quá trình hỗ trợ quyết định bằng cách tìm kiếm các mẫu thông tin chưa biết và bất ngờ trong cơ sở dữ liệu lớn Đây là một bước thiết yếu trong quá trình khám phá tri thức, bao gồm nhiều bước quan trọng.
Gom dữ liệu là bước đầu tiên trong quá trình khai phá dữ liệu, nơi dữ liệu được thu thập từ các cơ sở dữ liệu hoặc kho dữ liệu để phục vụ cho việc phân tích và tìm kiếm thông tin hữu ích.
(2) Trích lọc dữ liệu:Ở buớc này dữ liệu đuợc lựa chọn và phân chia theo một số tiêu chuẩn nào đó
Làm sạch và tiền xử lý dữ liệu là bước quan trọng trong khai phá dữ liệu, giúp loại bỏ các lỗi thường gặp như dữ liệu không logic hoặc vô nghĩa, ví dụ như tuổi = -1 Giai đoạn này xử lý các dữ liệu không chặt chẽ, coi chúng là thông tin thừa và không có giá trị Nếu không được làm sạch, dữ liệu này có thể dẫn đến những kết quả sai lệch nghiêm trọng.
Giai đoạn chuyển đổi dữ liệu là bước tiếp theo, trong đó dữ liệu được chuyển đổi hoặc hợp nhất để phù hợp với yêu cầu khai thác thông tin.
Khai phá dữ liệu là một bước quan trọng trong quy trình phân tích Tại giai đoạn này, nhiều thuật toán khác nhau được áp dụng để trích xuất thông tin hữu ích từ dữ liệu.
Trong giai đoạn ước lượng mẫu, việc chiết xuất dữ liệu là rất quan trọng, nhưng không phải tất cả các mẫu đều có giá trị sử dụng Một số mẫu có thể bị sai lệch, do đó cần ưu tiên chọn lọc những mẫu dữ liệu chất lượng và phù hợp nhất.
(7) Biểu diễn tri thức: Đây là bước cuối cùng trong quá trình khám phá tri thức.
Hình 5 Quá trình khám phá tri thức
Khám phá tri thức và khai phá dữ liệu là hai khái niệm khác nhau trong quá trình xử lý thông tin Khám phá tri thức đề cập đến việc phát hiện tri thức hữu ích từ dữ liệu một cách tổng thể, trong khi khai phá dữ liệu chỉ là một bước trong quy trình này Công việc của khai phá dữ liệu bao gồm xác định bài toán cần giải quyết, lựa chọn phương pháp phù hợp và tách ra các tri thức cần thiết từ dữ liệu đã có.
2.1.2 Ưu thế khai phá dữ liệu
Khai phá dữ liệu có một số ưu thế dưới đây:
Khai phá dữ liệu có ưu thế hơn phương pháp học máy bởi khả năng xử lý hiệu quả các bộ dữ liệu chứa nhiều nhiễu, không đầy đủ hoặc biến đổi liên tục Ngược lại, học máy thường chỉ áp dụng cho các cơ sở dữ liệu đầy đủ, ổn định và tập dữ liệu có kích thước vừa phải.
Phương pháp thống kê là nền tảng lý thuyết quan trọng của Khai phá dữ liệu, nhưng vẫn tồn tại một số điểm yếu mà Khai phá dữ liệu đã khắc phục Cụ thể, các phương pháp thống kê chuẩn không phù hợp với dữ liệu có cấu trúc trong cơ sở dữ liệu Kết quả phân tích từ thống kê thường rất nhiều và khó làm rõ, đồng thời cần có sự hướng dẫn của người dùng để xác định cách thức và địa điểm phân tích dữ liệu.
Với những uu điểm này, khai phá dữ liệu đang trở nên vô cũng hữu ích và có tầm quan trọng trong cuộc sống ở những lĩnh vực khác nhau.
2.1.3 Ứng dụng của khai phá dữ liệu
Khai phá dữ liệu là một phương pháp mới mẻ nhưng ngày càng thu hút sự quan tâm của các chuyên gia nghiên cứu nhờ vào khả năng ứng dụng thực tiễn đa dạng Nó đang được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau và trở nên ngày càng quan trọng trong việc phân tích và xử lý thông tin.
-I- Lĩnh vực thuơng mại điện tử:
- Công cụ tìm hiểu, định huớng thúc đẩy, giao tiếp với khách hàng
- Phân tích hành vi mua sắm trên mạng và cho biết thông tin tiếp thị phù hợp với loại khách hàng trong một phân khu thị truờng nhất định
Nhân sự đóng vai trò quan trọng trong việc giúp nhà tuyển dụng lựa chọn ứng viên phù hợp nhất với nhu cầu của công ty Trong lĩnh vực y học, công nghệ hỗ trợ bác sĩ trong việc phát hiện bệnh thông qua các xét nghiệm đầu vào Bên cạnh đó, an ninh mạng cũng được cải thiện nhờ các hệ thống phát hiện xâm nhập (IDS/IPS), giúp nhận diện và ngăn chặn các cuộc tấn công mạng trái phép.
Trong lĩnh vực tài chính ngân hàng, ứng dụng khai phá dữ liệu đã đóng góp to lớn vào hiệu quả kinh doanh của các ngân hàng Khi ngành ngân hàng phát triển, giao dịch trở nên dễ dàng hơn và khối lượng dữ liệu tăng nhanh chóng với nhiều loại hình đa dạng Các ngân hàng cần khai thác hiệu quả nguồn dữ liệu này để phục vụ hoạt động kinh doanh Nhận thức được tầm quan trọng của việc sử dụng dữ liệu, nhiều ngân hàng đã chuyển từ phương pháp phân tích truyền thống sang công cụ khai phá dữ liệu Ví dụ, vào ngày 08/05/2017, Viện Đào tạo Công nghệ và Quản trị Robusta tại Hà Nội đã tổ chức khóa đào tạo “Khai phá dữ liệu” cho Ngân hàng TMCP Công Thương Việt Nam Ngoài ra, vào năm 2017, Ngân hàng thương mại cổ phần ngoại thương Việt Nam đã nghiên cứu và áp dụng công cụ Data Mining để phân khúc khách hàng, chấm điểm tín dụng, phê duyệt, quảng bá sản phẩm và phát hiện gian lận.
Khai phá dữ liệu giúp giải quyết các vấn đề kinh doanh bằng cách phát hiện các mẫu và mối quan hệ ẩn chứa trong thông tin lưu trữ Ứng dụng này cho phép các chuyên viên ngân hàng xây dựng mô hình và phân tích, từ đó đưa ra dự đoán chính xác nhằm tối ưu hóa hoạt động kinh doanh, tối đa hóa lợi nhuận và giảm thiểu tổn thất Đặc biệt, khai phá dữ liệu có vai trò quan trọng trong việc dự đoán rủi ro tín dụng, giúp chuyên viên ngân hàng xác định khách hàng có khả năng trả nợ, nhận diện rủi ro cao và quyết định mức cho vay hợp lý.
THựC NGHIỆM VÀ ĐÁNH GIÁ
Xây dựng mô hình dự đoán rủi ro cho vay đồng tài trợ
Thẩm định dự án cho vay đồng tài trợ là bước quan trọng quyết định việc cho khách hàng vay hay không Dựa trên hồ sơ dữ liệu thu thập từ việc phân tích yêu cầu người dùng, khóa luận đã xây dựng bộ dữ liệu thực nghiệm phù hợp với tiêu chí thẩm định hồ sơ khách hàng và dự án ngân hàng dưới dạng file Excel.
Hình 9 Bộ dữ liệu thực nghiệm
Tuy nhiên, thẩm định dự án luôn bao gồm 2 phần nhỏ: (1) thẩm định hồ sơ khách hàng,
Tác giả đã chia nhỏ bộ dữ liệu lớn thành hai bộ dữ liệu nhỏ dựa trên nội dung thẩm định hồ sơ dự án, nhằm nâng cao hiệu quả trong quá trình thẩm định.
~ Quy_mo_NV Nominal Lon, Vua, Nho Quy mô nguồn vốn
4 TS_doanh_loi_rong Numeric 0.9334 Tỷ suất doanh lợi ròng
5 ROA Numeric 1.2684 Tỷ suất về khả năng sinh lời của tài sản
6 ROE Numeric 1.1246 Tỷ suất về khả năng sinh lời của vốn chủ sở hữu
7 TS_sd_TSCD Numeric 0.762 Tỷ suất sử dụng tài sản cố định
8 - Ty_so_no Nominal An toan, Khong tot Tỷ số nợ
9 Ty_so_don_can_no Nominal An toan, Khong tot Tỷ số đòn cân nợ
10 HS_KNg_tra_lai Numeric 1.2568 Hệ số khả năng trả lãi
11 Thuoc_do_ti en_mat Nominal Tot, Binh thuong,
12 HS_KNg_thanh_toa n_nhanh
Numeric 0.7378 Hệ số khả năng thanh toán nhanh
-I- Thẩm định hồ sơ khách hàng: bao gồm 12 thuộc tính
- Trình độ tổ chức quản lý
- Tỷ suất doanh lợi ròng: giá trị càng cao càng tốt
- Tỷ suất về khả năng sinh lời của tàisản:có giá trịcàngcao càng tốt
- Tỷ suất về khả năng sinh lời của vốnchủsở hữu: cógiá trị càng cao càng tốt
- Tỷ suất sử dụng tài sản cố định: có giá trị càng cao càng tốt
- Tỷ số đòn cân nợ
- Hệ số khả năng trả lãi
- Hệ số khả năng thanh toán nhanh
Bảng 1 Danh sách các thuộc tính trong bộ dữ liệu "DulieuKH.xlsx"
2 Muc_do_can_thiet Nominal Rat can thiet, Binh thuong,
3 HQ_TTr Nominal Tot, Binh thuong, Khong tot Hiệu quả thị trường
4 HQ_KTh Nominal Tot, Binh thuong, Khong tot Hiệu quả kỹ thuật
5 HQ_TC Nominal Tot, Binh thuong, Khong tot Hiệu quả tài chính
6 HQ_KTXH Nominal Tot, Binh thuong, Khong tot Hiệu quả kinh tế xã hội
-I- Thẩm định hồ sơ dự án: gồm 6 thuộc tính
- Mức độ cần thiết cả dự án
- Hiệu quả thị trường của dự án
- Hiệu quả kinh tế xã hội
Bảng 2 Danh sách các thuộc tính trong bộ dữ liệu "DulieuDA.xlsx"
ranges [0.70 ranges [0.53 ranges [074 rangeS[0 01 range2[1.15.
[0.53 ranges [074 raπge3[110geS[0 61 rangeS[1.15.
- range1[-5j- range1[-M- raπge3[110ge1
[0.70 ranges [0.70 ranges [0.53 ranges [074 rangeS[0 01 range2[1.15.
[0.70 ranges [0.70 ranges [O.OS ranges [074 raπge3[110geS[0 61 rangeS[1.15.
[0.70 ranges [0.70 ranges [0.53 range1 [-ô- range1 [- α>- ranges
Xây dựng mô hình bao gồm năm bước quan trọng: đầu tiên là nạp dữ liệu, tiếp theo là lựa chọn các thuộc tính tham gia mô hình, sau đó là xác định các thuộc tính nhãn Tiếp theo, cần tiến hành tiền xử lý dữ liệu để đảm bảo chất lượng, và cuối cùng là xây dựng mô hình dựa trên các yếu tố đã được chọn lựa.
-I- Xây dựng mô hình dự đoán thẩm định hồ sơ khách hàng:
- Add Data ÷ chọn tệp dữ liệu “Dữ liệu KH” trong máy tính
- Tạo một Process mới, đưa tệp dữ liệu vào mô hình
Bước 2: Lựa chọn các thuộc tính tham gia mô hình
Lựa chọn các thuộc tính có ý nghĩa và phù hợp vào bài toán tham gia vào mô hình
- Parameter ÷ Subset: chọn tất cả các thuộc tính trong tập dữ liệu trừ các thuộc tính định danh ID không có ý nghĩa trong bài toán phân lớp
Hình 11 Lựa chọn các thuộc tính tham gia mô hình
Bước 3: Lựa chọn các thuộc tính nhãn
Lựa chọn thuộc tính quyết định của mô hình (nhãn):
- Parameter ÷ attribute name: chọn thuộc tính KQ
- Parameter ÷ target role: chọn label
Hình 12 Lựa chọn thuộc tính nhãn
Bước 4: Tiền xử lý dữ liệu
Biến đổi các dữ liệu liên tục về dữ liệu rời rạc:
- Parameter ÷ subset: chọn các thuộc tính Numeric
Hình 13 Tiền xử lý dữ liệu 1 attributes O SeIectAttributes C D invert selection C D include special attributes C D number of bins 3 C D
Hình 14 Tiền xử lý dữ liệu 2
Bước 5: Xây dựng mô hình
Xây dựng mô hình phân lớp:
- Parameter ÷ number of validation: 5( kiểm thử 5 folds)
- Kích đúp vào mô hình
Bước 5.1: Lựa chọn các kỹ thuật phân lớp
Trong phần Training: sử dụng giải thuật cây quyết định để phân lớp dữ liệu
- Áp dụng mô hình đã được xây dựng trong bước 5.1 để đánh giá tập dữ liệu kiểm tra: Operators - Apply Model
- Đánh giá hiệu quả mô hình bằng các độ đo hồi tưởng và chính xác: Operators ÷
Hình 16 Mô hình thu được với bộ dữ liệu DulieuKH.xlsx1
Hình 17.MÔ hình thu được với bộ dữ liệu
-I- Xây dựng mô hình dự đoán thẩm định hồ sơ dự án:
Để xây dựng mô hình dự đoán thẩm định hồ sơ dự án, bạn cần thực hiện 5 bước tương tự như khi xây dựng mô hình thẩm định hồ sơ khách hàng Các bước này bao gồm: thu thập dữ liệu, phân tích dữ liệu, chọn lựa thuật toán phù hợp, huấn luyện mô hình và đánh giá kết quả Việc áp dụng quy trình này sẽ giúp tạo ra một mô hình dự đoán chính xác và hiệu quả cho việc thẩm định hồ sơ dự án.
Hình 18.MÔ hình thu được với bộ dữ liệu DulieuDA.xlsxl
Hình 19.MÔ hình thu được với bộ dữ liệu DulieuDA.xlsx2
-I- Ket quả thẩm định khách hàng:
- Các luật được sinh ra:
HS-KNg_tra_lai = rangel [-OO - 0.613]
TSdaahhlQirQng = rangel [-00 - 0.416]: NO -[YEΞ=O f NO=5J
TS daanh lQi rong = range2 [0.416 - 0.703]: NO -[YES=O f NO=SJ
I TS-daahh—1QĨ—rong = range3 [0.703 - 00]
I I I ROE = rangel [—Sũ - 0.533]: NO {YES=O f NO=U
I I I ROE = range2 [0.533 - 0.929]: YES -[YEΞ=l f NO=OJ
I I I ROE = rangel [ SO - 0.533]: NO {YES=O f NO=IJ
I I I ROE = range2 [0.533 - 0.929]: NO -[YES=O f NO=2J
Illl TS ad-TSCD = rangel [-SŨ - 0.746]: NO -[YEΞ=O f NO=IJ
Illl TS-3d—TSCD = range2 [0.746 - 1.215]: YES -[YEΞ=l f NO=OJ
I I ROA = ranges [1.187 - OO]: YES -[YES=I f NO=OJ
HS-KNg_tra_lai = range2 [0.613 - 1.101]
I TS sd-TSCD = rangel [-OO - 0.746]
I I I Qay-IUQ-NX r = Nho: NO {YES=O f NO=IJ
I I I Qay-IUQ-NX r = Vua: YES -[YEΞ=l f NO=OJ
ROA = range2 [0.701 - 1.187]: NO -[YEΞ=O f NO=IJ ROA = ranges [1.187 - OO]: NO -[YEΞ=O f NO=IJ
I I Ty_SQ_nQ = AN TOAN: YES ■{ YES = S f NO=OJ
I I Ty_SQ-no = KO TOT: NO -[YES=O f NO=IJ
TS-Sd-TSCD = ranges [1.215 - OO]: YES -[YEΞ=4 f NO=OJ
HS-KNg tra-Iai = ranges [1.101 - OO]: YES -[YEΞ = S f NO=OJ
Hình 20 Các luật được sinh ra với bộ dữ liệu DulieuKH.xlsx
- Cây quyết định thẩm định hồ sơ khách hàng:
Hình 21 Cây quyết định thẩm định hồ sơ khách hàng
-I- Kết quả thẩm định dự án
- Các luật được sinh ra:
I I Muc_do_can_thiet = ET: YES -[YEΞ=z f NO=OJ
I I Mue_dci_can_thiet = Ko can thiet
I I I HQKTh = KO TOT: NO ■{ YES=O f NO=U
I I I HQ KTh = TOT: YES -[YEΞ=l f NO=OJ
I HQ TC = TOT: YES -[YEΞ=≡ f NO=OJ
Muc dci can thiet = ET: NO -[YEΞ=O f NO=3J Muc_do_can_thiet = Ko can thiet: NO -[YES=O f NO=8J Muc_do_can_thiet = Rat can thiet: YES -[ YES=I f NO=OJ
HQ KTXH = TOT: YES -[YEΞ f NO=OJ
Hình 22 Các luật được sinh ra với bộ dữ liệu DulieuDA.xlsx
- Cây quyết định thẩm định hồ sơ dự án
Hình 23 Cây quyết định thẩm định hồ sơ dự án
-I- Đánh giá về cây quyết định dự đoán rủi ro:
Trong quá trình thẩm định khách hàng, chúng tôi đã xác định được 17 luật từ bộ dữ liệu, trong khi đó, bộ dữ liệu dùng để thẩm định dự án cho thấy 9 luật.
- Hai cây quyết định được xây dựng ở trên thể hiện tốt, rõ ràng luồng đi dẫn đến kết quả cuối cùng.
Không phải tất cả các trường hợp đều cần xem xét toàn bộ thuộc tính để đưa ra quyết định Đôi khi, chỉ cần 1 hoặc 2 thuộc tính là đủ để xác định kết quả yes/no Đây là một trong những ưu điểm nổi bật của cây quyết định, cho phép đưa ra quyết định mà không nhất thiết phải sử dụng tất cả các thuộc tính.
Ta có độ đo tổng hợp của từng cây quyết định
Hình 24 Đánh giá độ chính xác cây quyết định thẩm định khách hàng
Hình 25.Đánh giá độ chính xác cây quyết định thẩm định hồ sơ dự án
Độ đo tổng hợp của từng cây quyết định đạt được các giá trị 96,66% và 76,36%, cho thấy kết quả chính xác và đáng tin cậy.
Xây dựng cây quyết định là một công cụ quan trọng giúp lãnh đạo và chuyên viên ngân hàng đưa ra những quyết định chính xác, đồng thời giảm thiểu rủi ro có thể xảy ra.
3.2 Xây dựng module thử nghiệm
Sau khi xây dựng được mô hình cây quyết định tương đối khả quan, hợp lý khóa luận tiến hành xây dựng module vào trong hệ thống
3.2.1 Chức năng của phân hệ cho vay đồng tài trợ
Phân hệ cho vay đồng tài trợ gồm có một số chức năng chính:
Hình 26 Các chức năng của phân hệ cho vay đồng tài trợ
Do tính chất đặc thù của đội dự án, tác giả đã phát triển module thành một chức năng độc lập trong hệ thống Dữ liệu được thu thập từ hai chức năng chính: quản lý khách hàng và quản lý dự án Mô hình các chức năng chính của hệ thống sẽ được cải tiến sau khi xây dựng module này.
Hình 27 Các chức năng của phân hệ cho vay đồng tài trợ sau khi phát triển module
3.2.2 Giới thiệu module Dự đoán rủi ro
Module bao gồm một số chức năng:
-I- Chức năng nhập dữ liệu: tại đây giao diện cho các ô text giúp cho việc đưa vào thông tin của một khách hàng/dự án
Hình 29 Chức năng nhập dữ liệu
-I- Chức năng tìm kiếm hồ sơ khách hàng đã lưu trong cơ sở dữ liệu
Hình 30 Chức năng tìm kiếm hồ sơ khách hàng
Chức năng ra quyết định với dữ liệu tuơng ứng:
Nếu dữ liệu hợp lệ cho từng nhánh cây quyết định, chương trình sẽ trả về kết quả “Yes” Khi người dùng nhấn nút Dự ĐOÁN RỦI RO, hệ thống sẽ thông báo: “Khách hàng này có thể cho vay”.
Khi dữ liệu hợp lệ theo từng nhánh cây quyết định, hệ thống sẽ trả về kết quả “Nơ” Khi người dùng nhấn nút Dự ĐOÁN RỦI RO, chương trình sẽ thông báo rằng “Khách hàng này có thể có rủi ro”.
Hình 31 Chương trình thông báo "Khách hàng này có thể chơ vay"
Hình 32 Chương trình thông báo “Khách hàng này có thể có rủi ro”
Hình 33 Chương trình thông báo “Dự án này có thể cho vay đồng tài trợ”
Hình 34 Chương trình thông báo dự án này có thể có thể có rủi ro
3.2.3 Nhận xét, đánh giá khi triển khai module
-I- Module đuợc triển khai dễ dàng, dễ sử dụng
-I- Hoạt động ổn định, hiển thị kết quả nhanh chóng và rất thuận tiện
Với bộ dữ liệu thực nghiệm, hệ thống đã đưa ra những quyết định chính xác và phù hợp, đặc biệt là rút ngắn thời gian xử lý hồ sơ Trước khi có module, chuyên viên ngân hàng phải thẩm định hồ sơ khách hàng và dự án một cách thủ công, dẫn đến việc mất nhiều thời gian cho cả nhân viên và khách hàng Hiện nay, module đã trở thành một kênh đáng tin cậy để chuyên viên ngân hàng tham khảo, giúp cải thiện hiệu quả công việc.
Tại bước 6 của quy trình cho vay đồng tài trợ, hội đồng thẩm định dự án bao gồm nhiều ngân hàng thành viên tiến hành thẩm định Trong quá trình này, có thể xuất hiện những quan điểm trái chiều do mỗi ngân hàng có góc nhìn riêng Tuy nhiên, module dự đoán rủi ro đóng vai trò quan trọng trong việc giúp các ngân hàng giải quyết những mâu thuẫn này, từ đó mang lại kết quả chính xác và khả quan hơn.
Trong chương 3, khóa luận đã thực hiện thí nghiệm với hai bộ dữ liệu DulieuKH.xls và DulieuDA.xls bằng công cụ Rapidminer Dựa trên các luật được sinh ra từ cây quyết định, khóa luận đã phát triển module Dự đoán rủi ro CVĐTT cho hệ thống Ngân hàng Á Châu, đảm bảo tính khả thi và hợp lý.
Ngân hàng Á Châu đã thực hiện phân tích và tìm hiểu quy trình cho vay đồng tài trợ, từ đó áp dụng và triển khai cây quyết định cùng thuật toán ID3 để giải quyết bài toán một cách hiệu quả và phù hợp với yêu cầu đề ra.
Xây dựng được module dự đoán rủi ro vào trong phân hệ cho vay đồng tài trợ -I- Nhận xét
Giao diện module gần gũi, rõ ràng và các chức năng thể hiện đầy đủ giúp người dùng thao tác thuận tiện, dễ dàng
Quá trình xử lý để đưa ra quyết định rất nhanh chóng và trực quan
Kết quả đưa ra rất phù hợp với yêu cầu bài toán
Hệ thống chưa xử lý được, đáp ứng việc hỗ trợ ra quyết định cho nhiều khách hàng/dự án cùng một thời điểm.
Chưa xây dựng được chức năng hiển thị cây quyết định trên giao diện.