Bài tập lớn: Ứng dụng Big Data trong Ngân hàng môn Năng lực số ứng dụng | Học viện Ngân hàng

HỌC VIỆN NGÂN HÀNG
PHÂN VIỆN BẮC NINH
BÀI TẬP LỚN
MÔN NĂNG LỰC SỐ ỨNG DỤNG
TÊN ĐỀ TÀI
ỨNG DỤNG CỦA BIG DATA TRONG
LĨNH VỰC NGÂN HÀNG TÊN NHÓM: NHÓM 7 TÊN LỚP: K26NHA-BN
Bắc Ninh –12/2023
HỌC VIỆN NGÂN HÀNG
PHÂN VIỆN BẮC NINH
BÀI TẬP LỚN
MÔN NĂNG LỰC SỐ ỨNG DỤNG
TÊN ĐỀ TÀI
ỨNG DỤNG CỦA BIG DATA TRONG
LĨNH VỰC NGÂN HÀNG
Giáo viên hướng dẫn: Vũ Duy Hiến Danh sách nhóm
1. Mã sinh viên: 26A4010766 Họ và tên: Hoàng Gia Hiếu
2. Mã sinh viên: 26A4010366 Họ và tên: Hoàng Tùng Bách
3. Mã sinh viên: 26A4010378 Họ và tên: Đỗ Quang Hà
4. Mã sinh viên: 26A4011269 Họ và tên: Phan Chu Trinh
5. Mã sinh viên: 26A4010771 Họ và tên: Dương Quốc Huy
Bắc Ninh –12/2023 Phần Stt Tên thành viên trăm
Nội dung chịu trách nhiệm Chữ kí đóng góp 1 Hoàng Gia Hiếu 30% Chịu trách nhiệm chính Word+PowerPoint 2 Hoàng Tùng Bách 17,5% Nội dung 1.1-1.4 3 Đỗ Quang Hà 17,5% Nội dung 3.1-3.6 4 Phan Chu Trinh 17,5% Nội dung 2.1-2.5 5 Dương Quốc Huy 17,5% Nội dung 2.6-2.9 MỤC LỤC
I. Lý thuyết về big data .............................................................................................................. 1
1.1. Big data là gì? ................................................................................................................. 1
1.2. Nguồn gốc và sự phát triển của Big Data ....................................................................... 1
1.3. Đặc trưng của Big Data là gì? ......................................................................................... 2
Đặc trưng của Big Data là gì – Big data 3V là đặc trung rõ nhất (Nguồn: Digital Ready) .... 3
1.4. Cơ sở hạ tầng IT cần thiết để hỗ trợ Big Data và các công nghệ dự liệu đặc biệt dành
cho big data ............................................................................................................................ 5
1.4.1. Cơ sở hạ tầng IT cần thiết để hỗ trợ Big Data .......................................................... 5
1.4.2. Các công nghệ dữ liệu đặc biệt dành cho Big data ................................................... 5
1.4.3. Các kĩ năng Big data................................................................................................. 6
1.4.4. Các ứng dụng Big data ............................................................................................. 7
II. Ứng dụng của Big Data trong các hoạt động ngân hàng .................................................... 12
2.1. Thứ nhất, phân tích các thói quen chi tiêu của khách hàng. ......................................... 13
2.2. Thứ hai, phân khúc khách hàng và thẩm định hồ sơ ..................................................... 13
2.3. Thứ ba, bán chéo thêm các dịch vụ khác ...................................................................... 14
2.4. Thứ tư, nâng cao chất lượng dịch vụ thông qua xây dựng hệ thống thu thập các phản
hồi khách hàng và phân tích chúng. ..................................................................................... 15
2.5. Thứ năm, marketing theo hướng cá nhân hóa ............................................................... 15
2.6. Thứ sáu, thay đổi cách thức cung cấp dịch vụ đến khách hàng .................................... 16
2.7. Thứ bảy, phát hiện và ngăn chặn hành vi lừa đảo, vi phạm pháp luật .......................... 16
2.8. Thứ tám, kiểm soát rủi ro, tuân thủ luật pháp và minh bạch trong báo cáo tài chính ... 17
2.9. Thứ chín, tham gia vào việc kiểm soát đánh giá và nâng cao hiệu quả làm việc của
nhân viên. ............................................................................................................................. 17
III. Hạn chế và Giải pháp khi ứng dụng big data ở trong ngân hàng ...................................... 18
3.1. Các hệ thống kế thừa đang gặp khó khăn trong việc theo kịp ...................................... 18
3.2. Dữ liệu càng nhiều thì rủi ro càng lớn. ......................................................................... 19
3.3. Dữ liệu lớn đang trở nên không thể quản lý. ................................................................ 19
3.4. Thay đổi tư duy vè dữ liệu và các phương pháp xử lý các dữ liệu hiện đại của đội ngũ
ngân hang. ............................................................................................................................ 19
3.5. Cần xây dựng được quy trình liên quan đến dữ liệu từ khâu thu nhập đến sử dụng kết
quả xử lý dữ liệu .................................................................................................................. 20
3.6. Xây dựng một đội ngũ chuyên viên khoa học dữ liệu .................................................. 21
KẾT LUẬN ............................................................................................................................ 22 4
LỜI MỞ ĐẦU
Bí ẩn đằng sau các trang web thông minh này là mọi sự chào mời sản phẩm đều dựa trên các nghiên
cứu về sở thích, thói quen của khách hàng cũng như phân loại được các nhóm khách hàng khác
nhau… Vậy những thông tin để phân tích này có được từ đâu và nó có tác động thế nào đến việc
sản xuất kinh doanh của doanh nghiệp?
Thứ nhất, dữ liệu khổng lồ về khách hàng có thể có từ các thông tin mà các doanh nghiệp thu
thập trong lúc khách hàng ghé thăm, tương tác hay mua sắm trên website của mình; dữ liệu này
cũng có thể được mua lại từ các công ty chuyên cung cấp dữ liệu khách hàng. Các thông tin này
không chỉ giúp nhà cung ứng hàng hóa, dịch vụ tăng lợi nhuận cho chính họ mà còn tăng trải
nghiệm mua sắm của người dùng. Một mặt, nhờ quá trình tìm hiểu, phân tích khách hàng, doanh
nghiệp có thể tạo ra các sản phẩm đáp ứng nhu cầu của khách hàng, cũng như xây dựng chính sách
phân phối và bán sản phẩm đến tay người tiêu dùng một cách có hiệu quả nhất. Mặt khác, bản thân
người tiêu dùng có thể tiết kiệm thời gian và yên tâm trong trải nghiệm mua sắm của mình. Hơn
thế nữa, ở tầm ngành và vĩ mô, ứng dụng dữ liệu lớn (big data) có thể giúp các tổ chức và chính
phủ dự đoán được tỉ lệ thất nghiệp, xu hướng nghề nghiệp của tương lai để đầu tư cho những hạng
mục đó, hoặc cắt giảm chi tiêu, kích thích tăng trưởng kinh tế…thậm chí là ra phương án phòng
ngừa trước một dịch bệnh nào đó .Là một tổ chức cung ứng dịch vụ tài chính cho hầu hết các chủ
thể trong nền kinh tế, ngành Ngân hàng không thể đứng ngoài xu thế ứng dụng dữ liệu lớn giống
như các doanh nghiệp bán lẻ khác. Đặc thù của hoạt động ngân hàng (cơ sở khách hàng rộng lớn,
bao quát mọi mặt tài chính của nền kinh tế) cho phép mỗi ngân hàng xây dựng một cơ sở dữ liệu
khổng lồ, từ dữ liệu có cấu trúc (như lịch sử giao dịch, hồ sơ khách hàng) tới những dữ liệu phi cấu
trúc(như hoạt động của khách hàng trên website, ứng dụng mobile banking hay trên mạng xã hội).
Ứng dụng Big Data nếu được khai thác hiệu quả sẽ đem lại những lợi thế cạnh tranh và hiệu quả to
lớn trong lĩnh vực ngân hàng đặc biệt trong bối cảnh thị trường dịch vụ tài chính đang bão hòa. Bài
viết này nhằm hệ thống những vấn đề cơ bản về Big Data, trên cơ sở đó phân tích những ứng dụng
của Big Data và các điều kiện nhằm ứng dụng Big Data ở lĩnh vực ngân hàng trong bối cảnh cách mạng công nghệ 4.0. 5
I. LÝ THUYẾT VỀ BIG DATA
1.1. Big data là gì?
Big Data hay được gọi là Dữ liệu lớn là thuật ngữ mô tả khối lượng dữ liệu lớn – cả cấu trúc
và không có cấu trúc – dữ liệu fnày cung cấp thông tin cho một doanh nghiệp trên cơ sở hàng
ngày. Đó là những gì các tổ chức làm với dữ liệu quan trọng. Big data có thể được phân tích
để có thông tin chi tiết dẫn đến các quyết định tốt hơn và các động thái kinh doanh chiến lược.
Những bộ dữ liệu này quá lớn đến nỗi phần mềm xử lý dữ liệu truyền thống không thể quản
lý chúng. Nhưng những khối lượng dữ liệu khổng lồ này có thể được sử dụng để giải quyết
các vấn đề kinh doanh mà bạn không thể giải quyết được trước đây.
1.2. Nguồn gốc và sự phát triển của Big Data
Đối với nhiều người hiện nay thì thuyết trình về Big Data là một thuật ngữ còn khá mới mẻ
những thực ra, nguồn gốc của Big Data đã bắt đầu từ những năm 1960 và 1970. Đó là thời
điểm mà thế giới dữ liệu chỉ mới bắt đầu với các trung tâm dữ liệu đầu tiên cùng với đó là sự
phát triển của cơ sở dữ liệu SQL. 6
Năm 1984, Tập đoàn Teradata đã cho ra thị trường hệ thống xử lý dữ liệu song song DBC
1012. Đây chính là những hệ thống đầu tiên phân tích và lưu trữ tới 1 terabyte dữ liệu. Cho
đến năm 2017, có hàng chục cơ sở dữ liệu dựa trên hệ thống của Teradata với dung lượng lên
đến hàng petabyte. Trong đó dữ liệu lớn nhất đã vượt qua ngưỡng 50 pentabytes.
Năm 2000, Seisint Inc. (nay là Tập đoàn LexisNexis) đã phát triển thành công khung chia sẻ
dữ liệu dựa theo cấu trúc C ++ để truy vấn và lưu trữ dữ liệu. Năm 2004, Gooogle cho ra bài
báo về quá trình có tên gọi MapReduce sử dụng một kiến trúc tương tự. MapReduce cung cấp
mô hình xử lý song song, cho ra những ứng dụng liên quan để có thể xử lý nhanh lượng dữ
liệu khổng lồ. Google triển khai mẫu MapReduce thông qua mã nguồn mở Apache Hadoop.
Năm 2005, con người bắt đầu nhận ra rằng số lượng người dùng được tạo ra thông qua
Youtube, Facebook và các dịch vụ trực tuyến khác là cực kỳ lớn. Cùng năm đó, Hadoop (một
framework open source được tạo riêng với nhiệm vụ lưu trữ và phân tích BigData) đã được
phát triển. Cũng trong khoảng thời gian này, NoSQL cũng bắt đầu trở nên phổ biến. Sự phát
triển của các framework ví dụ như Hadoop (hoặc gần đây là Spark) là cần thiết cho sự phát
triển của Big Data. Lý do là vì chúng khiến cho Big Data hoạt động dễ dàng hơn và lưu trữ rẻ hơn.
Hiện nay thì khối lượng Big Data đã tăng một cách nhanh chóng, những người sử dụng vẫn
đang hàng ngày tạo ra một lượng dữ liệu vô cùng lớn. Tuy nhiên, có một điều thú vị là lượng
dữ liệu đó không chỉ của con người mà còn do máy móc tạo ra, thậm chí còn là chủ yếu. Sự
ra đời của IoT (Internet of Things), nhiều thiết bị và đối tượng được kết nối với internet, từ
đó thu thập dữ liệu về mô hình sử dụng của người dùng và hiệu suất của sản phẩm. Chính sự
có mặt của IoT đã tạo ra nhiều dữ liệu hơn.
1.3. Đặc trưng của Big Data là gì?
Sau khi hiểu được tổng quan về Big Data, những đặc trưng của dữ liệu lớn được đặc trưng bởi 3V, trong đó bao gồm:
Volume (Khối lượng dữ liệu): Với big data, bạn sẽ phải xử lý khối lượng lớn dữ liệu có mật
độ thấp, không có cấu trúc. Đây có thể là dữ liệu của giá trị không xác định, chẳng hạn như
nguồn cấp dữ liệu Twitter, nhấp chuột trên trang web hoặc ứng dụng dành cho thiết bị di động
hoặc thiết bị hỗ trợ cảm biến. Đối với một số tổ chức, điều này có thể là hàng chục terabyte
dữ liệu. Đối với những người khác, nó có thể chỉ là hàng trăm petabyte.
Velocity (Vận tốc mà dữ liệu cần xử lý được và phân tích): Tốc độ là tốc độ nhanh tại đó
dữ liệu được nhận và (có thể) đã hành động. Thông thường, tốc độ cao nhất của luồng dữ 7
liệu trực tiếp vào bộ nhớ so với được ghi vào đĩa. Một số sản phẩm thông minh hỗ trợ internet
hoạt động trong thời gian thực hoặc gần thời gian thực và sẽ yêu cầu đánh giá và hành động theo thời gian thực.
Variety (Nhiều loại dữ liệu đa dạng): Nhiều loại đề cập đến nhiều loại dữ liệu có sẵn. Các
kiểu dữ liệu truyền thống được cấu trúc và phù hợp gọn gàng trong một cơ sở dữ liệu quan hệ.
Các kiểu dữ liệu phi cấu trúc và bán cấu trúc, chẳng hạn như văn bản, âm thanh và video yêu
cầu tiền xử lý bổ sung để lấy được ý nghĩa và siêu dữ liệu hỗ trợ.
Đặc trưng của Big Data là gì – Big data 3V là đặc trung rõ nhất (Nguồn: Digital Ready)
Các kho dữ liệu lớn được tạo thành từ những dữ liệu. Dữ liệu có thể đến từ các nguồn như
ứng dụng trên thiết bị di động, ứng dụng dành cho máy tính để bàn, mạng xã hội, trang web,
thí nghiệm khoa học, thiết bị cảm biến và các thiết bị khác trong internet (IoT).
Big Data khi đi kèm cùng với các thành phần có liên quan cho phép các tổ chức đưa dữ liệu
vào sử dụng thực tế và giải quyết một số các vấn đề trong kinh doanh. Các vấn đề đó gồm có:
Các phân tích áp dụng với các dữ liệu. Cơ sở hạ tầng IT cần thiết để có thể hỗ trợ cho Big Data
Các công nghệ cần thiết cho những dự án Big Data các bộ kĩ năng có liên quan
Những trường hợp thực tế có ý nghĩa đối với Big Data. 8
Phân tích dữ liệu mới là giá trị thực sự được mang lại từ các tổ chức dữ liệu lớn. Nếu không
có sự phân tích thì đây chỉ là những dữ liệu được sử dụng vô cùng hạn chế trong kinh doanh.
Với việc phân tích những dữ liệu lớn, các công ty có thể thu về cho mình những lợi ích như
dịch vụ khách hàng được cải thiện, từ đó mang lại hiệu quả cao hơn, tăng doanh thu và tăng khả năng cạnh tranh.
Việc phân tích dữ liệu có liên quan đến việc kiểm tra những bộ dữ liệu để thu thập các thông
tin chi tiết hoặc rút ra các kết luận về những nội dung chúng chứa, ví dụ như các xu hướng
và dự đoán về hoạt động trong tương lai. Bằng việc phân tích dữ liệu, các tổ chức có thể đưa
ra quyết định kinh doanh hoàn hảo hơn. Ví dụ các tổ chức có thể quyết định xem khi nào và
ở đâu thì nên chạy chiến dịch tiếp thị hoặc giới thiệu sản phẩm, dịch vụ mới. Sự phân tích có
thể được tham khảo các ứng dụng kinh doanh tiên tiến, thông minh hơn. Các tổ chức khoa
học sử dụng phép phân tích dự đoán như một ứng dụng.
Data mining là loại phân tích dữ liệu cao cấp nhất, là nơi mà các nhà phân tích đánh giá các
bộ dữ liệu lớn để xác định những mối quan hệ, mô hình và xu hướng. Phân tích dữ liệu có
thể bao gồm phân tích dữ liệu thăm dò và phân tích dữ liệu xác nhận. Có một mảng khác
chính là phân tích những dữ liệu định lượng (hoặc phân tích dữ liệu số có các biến có thể so
sánh theo thống kê) so với phân tích dữ liệu định tính (tập trung vào các dữ liệu không phải
dữ liệu cá nhân như văn bản, hình ảnh, video). 9
1.4. Cơ sở hạ tầng IT cần thiết để hỗ trợ Big Data và các công nghệ dự liệu đặc biệt
dành cho big data
1.4.1. Cơ sở hạ tầng IT cần thiết để hỗ trợ Big Data
Đối với khái niệm Big Data để có thể làm việc, các tổ chức cần phải xây dựng được
cơ sở hạ tầng để thu thập và chứa dữ liệu, cung cấp quyền truy cập và đảm bảo thông tin
trong khi chuyển tiếp và lưu trữ. Cấp độ cao hơn, bao gồm hệ thống lưu trữ và máy chủ được
thiết kế cho Big Data, tích hợp dữ liệu và phần mềm quản lý, phần mềm phân tích dữ liệu,
thông tin kinh doanh và các ứng dụng Big Data. Phần lớn các cơ sở hạ tầng này sẽ tập trung
tại một chỗ vì các công ty muốn tiếp tục tận dụng những khoản đầu tư vào trung tâm dữ liệu
của mình. Tuy nhiên, ngày càng có nhiều những tổ chức dựa vào các dịch vụ điện toán đám
mây để xử lý nhiều yêu cầu Big Data của họ. Thu thập dữ liệu đòi hỏi bắt buộc là phải có
nguồn. Một số ứng dụng như các ứng dụng web, ứng dụng di động, các kênh truyền thông
xã hội và lưu trữ email đã được cài đặt sẵn. Tuy nhiên, khi mà IoT trở nên phổ biến, các
công ty có thể cần phải triển khai cảm biến trên tất cả các loại thiết bị, sản phẩm và phương
tiện để có thể thu thập dữ liệu, cũng như những ứng dụng mới tạo ra dữ liệu người dùng. Tất
nhiên, phân tích dữ liệu theo định hướng IoT có những kỹ thuật và công cụ chuyên biệt của
riêng nó. Để lưu giữ được tất cả những dữ liệu trên, các tổ chức bắt buộc phải có đủ dung
lượng lưu trữ tại chỗ. Những tùy chọn lưu trữ bao gồm kho dữ liệu truyền thống, lưu giữ trên
đám mây và data lakes (một kho lưu trữ tập trung cho phép bạn lưu trữ tất cả dữ liệu có cấu
trúc và không cấu trúc của bạn ở bất kỳ quy mô nào). Những công cụ cơ sở hạ tầng bảo mật
bao gồm việc mã hóa dữ liệu, hệ thống giám sát, tường lửa, xác thực người dùng và những
điều khiển truy cập khác, quản lý di động của doanh nghiệp và các sản phẩm khác để có thể
bảo vệ được hệ thống và dữ liệu.
1.4.2. Các công nghệ dữ liệu đặc biệt dành cho Big data
Dưới đây là một số công nghệ cụ thể được dành cho Big Data mà cơ sở hạ tầng IT của bạn nên hỗ trợ. • Hệ sinh thái Hadoop
Hadoop là một trong những công nghệ được coi là phổ biến và liên quan mật thiết nhất với
Big Data. Apache Hadoop là dự án phát triển phần mềm mã nguồn mở cho máy tính, có khả
năng mở rộng, phân tán. Thư viện phần mềm Hadoop là một khuôn mẫu cho phép xử lý
phân tán những bộ dữ liệu lớn trên các nhóm máy tính mà sử dụng các mô hình lập trình đơn
giản. Nó được thiết kế để mở rộng từ một máy chủ duy nhất sang hàng ngàn những máy
khác, mỗi máy lưu trữ cục bộ và cung cấp tính toán. Dự án này bao gồm rất nhiều phần:
Những tiện ích phổ biến hỗ trợ các phần Hadoop khác: Hadoop Common
Cung cấp các khả năng truy cập những dữ liệu ứng dụng cao: Hadoop Distributed File System 10
Là một khuôn mẫu cho việc lên kế hoạch làm việc và quản lý các tài nguyên cụm: Hadoop YARN
Là một hệ thống dựa trên YARN để xử lý song song các tập dữ liệu lớn: Hadoop MapReduce. • Data lakes
Data lakes được coi là kho lưu trữ, nó chứa một khối lượng dữ liệu thô khổng lồ ở định dạng
gốc cho đến khi những người dùng doanh nghiệp cần dữ liệu. Các yếu tố giúp Data lakes tăng
trưởng là sự phát triển của IoT và phong trào kỹ thuật số. Các Data lakes được thiết kế sao
cho người dùng có thể dễ dàng truy cập vào một lượng lớn dữ liệu bất cứ khi nào có nhu cầu. • Apache Spark
Apache Spark là một phần của hệ sinh thái Hadoop, một khuôn mẫu tính toán cụm nguồn mở
được sử dụng để làm công cụ xử lý Big Data trong Hadoop. Spark hiện nay đã trở thành một
trong những khuôn mẫu xử lý Big Data vô cùng quan trọng, và nó hoàn toàn có thể triển khai
theo rất nhiều cách khác nhau. Nó cung cấp những phương thức hỗ trợ đối với Scala, Python
(đặc biệt là Anaconda Python distro), Java, ngôn ngữ lập trình R (R đặc biệt phù hợp với Big
Data) và hỗ trợ SQL, streaming data, machine learning và xử lý đồ thị. • In-memory databases
IMDB (cơ sở dữ liệu trong bộ nhớ) là một hệ thống quản lý cơ sở dữ liệu chủ yếu dựa vào
Ram thay vì HDD để lưu trữ dữ liệu. Các cơ sở dữ liệu được tối ưu hóa trong đĩa không thể
nào nhanh bằng cơ sở dữ liệu trong bộ nhớ Đó là một điểm vô cùng quan trọng để sử dụng
phân tích Big Data và tạo ra các kho dữ liệu, các siêu dữ liệu. • NoSQL Databases
Những cơ sở dữ liệu SQL thông thường sẽ được thiết kế cho các truy vấn ngẫu nhiên và các
transactin đáng tin cậy. Tuy nhiên, chúng vẫn có những hạn chế như giản đồ cứng nhắc, không
phù hợp với một số loại ứng dụng. Cơ sỡ dữ liệu NoSQL đã nêu ra được những hạn chế, lưu
trữ và quản lý dữ liệu theo những cách cho phép tốc độ hoạt động cao và có được sự linh hoạt
tuyệt vời. Rất nhiều các cơ sở dữ liệu đã được phát triển bởi các doanh nghiệp để tìm ra cách
tốt hơn lưu trữ nội dung hoặc xử lý dữ liệu cho các trang web lớn. Khác với cơ sở dữ liệu
SQL. Nhiều cơ sở dữ liệu NoSQL có thể được mở tộng theo chiều ngang trên hàng ngàn máy chủ.
1.4.3. Các kĩ năng Big data 11
Big Data và phân tích Big Data yêu cầu những kĩ năng cụ thể, dù đó là từ bên trong tổ chức
hay thông qua các chuyên gia bên ngoài. Rất nhiều những kĩ năng có liên quan đến các
thành phần công nghệ dữ liệu vô cùng quan trọng như Hadoop, NoSQL. Spark, phần mềm
phân tích và các cơ sở dữ liệu trong bộ nhớ. Ngoài ra trong từng lĩnh vực cụ thể lại yêu cầu
các nguyên tắc khác nhau, như phân tích thống kê và định lượng, hình dung dữ liệu…. Đặc
biệt cũng cần có kĩ năng quản lý tổng thể để quản lý tiến độ của các dự án Big Data. Với sự
phổ biến của các dự án phân tích dữ liệu và sự thiếu hụt nhân lực có những kĩ năng trên như
hiện nay, việc tìm kiếm các chuyên gia có kinh nghiệm đang là một bài toán khó với rất nhiều tổ chức.
1.4.4. Các ứng dụng Big Data
Báo cáo của Viện nghiên cứu Toàn cầu McKinsey năm 2011 mô tả các thành phần chính
và hệ sinh thái của dữ liệu lớn như sau: •
Các kỹ thuật để phân tích dữ liệu, chẳng hạn như kiểm thử A/B, học máy và xử lý ngôn ngữ tự nhiên
• Công nghệ dữ liệu lớn, như thông tin kinh doanh, điện toán đám mây và cơ sở dữ liệu
• Công cụ trực quan như biểu đồ, đồ thị và các phương pháp thể hiện khác của dữ liệu
Các dữ liệu lớn đa chiều cũng có thể được biểu diễn dưới dạng tensor, có thể được xử lý
hiệu quả hơn bằng cách tính toán dựa trên cơ sở dựa trên Tensor, chẳng hạn như nghiên cứu
không gian đa cấp. Các công nghệ bổ sung đang được áp dụng cho dữ liệu lớn bao gồm cơ sở
dữ liệu MPP, các ứng dụng dựa trên tìm kiếm, khai thác dữ liệu, hệ thống phân tán tập tin,
phân tán cơ sở dữ liệu, điện toán đám mây và HPC (ứng dụng, lưu trữ và các tài nguyên máy
tính) và Mạng Internet. Mặc dù nhiều phương thức tiếp cận cũng như các công nghệ xử lý đã
được phát triển, vẫn còn khó khăn để thực hiện việc học máy với dữ liệu lớn.
Một vài cơ sở dữ liệu liên quan đến MPP có khả năng lưu trữ và quản lý hàng petabytes
dữ liệu. Đó chính là một nguồn tận dụng khả năng tải về, theo dõi, sao lưu và tối ưu hóa việc
sử dụng các bảng dữ liệu lớn trong RDBMS.
Chương trình Phân tích Dữ liệu Topological của DARPA tìm ra cấu trúc cơ bản của
bộ dữ liệu khổng lồ và đến năm 2008, công nghệ này được công bố cùng với sự ra mắt của công ty Ayasdi.
Những chuyên viên phân tích dữ liệu lớn thường không sử dụng việc lưu trữ bằng những
ổ đĩa chia sẻ vì chúng chậm, họ thích lưu trữ trực tiếp (DAS) dưới nhiều hình thức khác nhau
từ ổ SSD (SATA) đến ổ đĩa SATA dung lượng cao được tích hợp bên trong các nút xử lý song
song. Các kiến trúc lưu trữ dùng chung - Mạng lưu trữ (SAN) và Lưu trữ trên Mạng 12
(NAS) tương đối chậm, phức tạp và tốn kém. Những yếu tố này không phù hợp với các hệ
thống phân tích dữ liệu lớn đang phát triển mạnh mẽ về hiệu năng hệ thống, cơ sở hạ tầng và chi phí thấp.
Việc gửi thông tin thời gian thực hoặc gần với thời gian thực là một trong những đặc điểm
xác định của phân tích dữ liệu lớn. Do đó độ trễ được tránh bất cứ khi nào và bất cứ khi nào
có thể. Dữ liệu trong bộ nhớ là dữ liệu trên một đĩa quay tròn với một đầu kia là FC SAN. Chi
phí của một SAN ở quy mô cần thiết cho các ứng dụng phân tích cao hơn rất nhiều so với các
kỹ thuật lưu trữ khác. Có nhiều lợi thế cũng như bất lợi khi sử dụng các ổ đĩa chung trong
phân tích dữ liệu lớn, nhưng các chuyên gia phân tích dữ liệu lớn vào năm 2011 đã không ủng hộ chuyện này. • Quản lý Chính phủ
Việc sử dụng các dữ liệu lớn trong các quy trình của chính phủ cho phép tăng hiệu quả
về mặt chi phí, năng suất và sự đổi mới, nhưng không phải là không có sai sót của nó. Phân
tích dữ liệu thường yêu cầu nhiều bộ phận của chính phủ (trung ương và địa phương) hợp tác
và tạo ra các quy trình mới và sáng tạo để mang lại kết quả mong muốn. Dưới đây là một số
ví dụ về các sáng kiến liên quan đến dữ liệu lớn của chính phủ
Hoa Kỳ
• Năm 2012, chính quyền của Tổng thống Obama tuyên bố Sáng kiến Nghiên cứu và
Phát triển Dữ liệu lớn để tìm hiểu xem dữ liệu lớn có thể được sử dụng như thế nào để
giải quyết các vấn đề quan trọng mà chính phủ phải đối mặt. Sáng kiến bao gồm 84
chương trình dữ liệu lớn khác nhau trải rộng trên sáu phòng ban.
• Phân tích dữ liệu lớn đã đóng một vai trò lớn trong chiến dịch bầu cử lại thành công của Barack Obama năm 2012.
• Chính phủ liên bang Hoa Kỳ sở hữu sáu trong số mười siêu máy tính mạnh nhất trên thế giới.
• Trung tâm Dữ liệu Utah đã được NSA (Cơ quan An ninh Quốc gia Hoa Kỳ) xây dựng.
Khi hoàn tất, cơ sở sẽ có thể xử lý một số lượng lớn thông tin thu thập được bởi NSA
qua Internet. Số lượng chính xác của không gian lưu trữ là không rõ, nhưng các nguồn
gần đây hơn cho rằng nó lên đến vài exabyte.
Ấn Độ
• Phân tích số liệu lớn đã được thử nghiệm cho BJP để giành chiến thắng trong Tổng
tuyển cử Ấn Độ, 2014.
• Chính phủ Ấn Độ sử dụng nhiều kỹ thuật để xác định cách thức cử tri Ấn Độ phản
ứng lại hành động cũng như các ý tưởng của chính phủ về thay đổi chính sách. 13
Vương quốc Anh
Ví dụ về việc sử dụng dữ liệu lớn trong các dịch vụ công:
• Dữ liệu về thuốc theo toa: bằng cách kết nối nguồn gốc, vị trí và thời gian của mỗi toa
thuốc, một đơn vị nghiên cứu có thể theo dõi việc phân phối bất cứ loại thuốc nào trong
đơn thuốc, và hướng dẫn Viện Y tế và Chăm sóc Quốc gia điều chỉnh cho chính xác.
Điều này khiến cho các loại thuốc mới nhất sẽ tốn ít thời gian hơn khi đến với bệnh nhân phổ thông.
• Kết nối dữ liệu: các cơ quan địa phương liên kết các dữ liệu về các dịch vụ với nhau,
ví dụ như hệ thống giao thông, với các dịch vụ công, như là việc phân chia thức ăn cho
người tàn tật. Việc kết nối dữ liệu cho phép chính quyền địa phương tránh được các
chậm trễ liên quan đến thời tiết, đường sá...
• Sự phát triển quốc tế
Nghiên cứu về việc sử dụng hiệu quả các công nghệ thông tin và truyền thông cho mục
đích phát triển (hay còn gọi là ICT4D) cho thấy công nghệ dữ liệu lớn có thể có nhiều đóng
góp quan trọng nhưng cũng là thách thức đối với sự phát triển của quốc tế. Những tiến bộ
trong phân tích dữ liệu lớn giúp giảm chi phí cho việc ra quyết định trong các lĩnh vực quan
trọng như chăm sóc sức khoẻ, việc làm, năng suất kinh tế, tội phạm, an ninh, thiên tai và quản
lý tài nguyên. Tuy nhiên, những thách thức đối với các nước đang phát triển như cơ sở hạ tầng
công nghệ không đầy đủ và sự khan hiếm về kinh tế và nguồn nhân lực sẽ làm nghiêm trọng
thêm các mặt trái của dữ liệu lớn như sự riêng tư hoặc các vấn đề khác. • Tài chính
Việc sử dụng các dữ liệu lớn dưới dạng lịch sử các giao dịch tài chính được gọi là phân tích
kỹ thuật. Sử dụng dữ liệu phi tài chính để dự đoán thị trường đôi khi được gọi là dữ liệu thay thế. • Sản Xuất
Theo bài Nghiên cứu xu hướng toàn cầu TCS 2013, sự cải tiến trong kế hoạch sản xuất và
chất lượng sản phẩm là lợi ích lớn nhất của dữ liệu lớn cho ngành sản xuất. Dữ liệu lớn cung
cấp cơ sở hạ tầng cho ngành công nghiệp sản xuất, đó là khả năng cải thiện năng suất và tính
khả dụng. Việc lên kế hoạch sản xuất chính là một cách tiếp cận dữ liệu lớn cho phép giảm
thời gian chết về gần như bằng không và cụ thể hóa số lượng lớn dữ liệu và các công cụ dự
đoán khác cho phép tạo ra một quá trình nhằm hệ thống hóa dữ liệu thành các thông tin hữu
ích. Khái niệm về việc dự báo sản xuất bắt đầu bằng việc thu thập dữ liệu cảm quan khác nhau
như âm thanh, chuyển động, áp suất, điện áp... Số lượng lớn các dữ liệu cảm quan cộng với
dữ liệu lịch sử sản xuất tạo thành dữ liệu lớn trong sản xuất. Các dữ liệu lớn này 14
như là đầu vào cho các công cụ dự báo và các chiến lược phòng ngừa tương tự như việc dự
báo trong lĩnh vực Quản lý Y tế. • Chăm sóc sức khỏe
Phân tích dữ liệu lớn đã giúp cải thiện việc chăm sóc sức khoẻ bằng cách cá nhân hóa các
phương pháp trị liệu và chẩn đoán lâm sàng, làm giảm thiểu chi phí và thời gian khám bệnh,
tự động báo cáo và lưu trữ thông tin sức khỏe và dữ liệu bệnh nhân trong nội bộ cũng như mở
rộng ra bên ngoài, chuẩn hóa các thuật ngữ y học và chống phân mảnh trong lưu trữ dữ liệu
và thông tin của bệnh. Một số lĩnh vực có sự cải tiến mang tính hướng dẫn hơn là thực hành.
Lượng dữ liệu được tạo ra trong các hệ thống chăm sóc sức khoẻ là không nhỏ. Với sự bổ
sung thêm của mHealth, eHealth và các thiết bị công nghệ theo dõi sức khỏe được thì khối
lượng dữ liệu sẽ tiếp tục gia tăng. Điều này bao gồm dữ liệu ghi chép sức khoẻ điện tử, dữ
liệu hình ảnh, dữ liệu được tạo ra của bệnh nhân, dữ liệu cảm biến và các dạng dữ liệu khó xử
lý khác. Hiện nay, nhu cầu lớn hơn đối với các môi trường như vậy là chú ý nhiều hơn đến
chất lượng dữ liệu và thông tin. "Dữ liệu lớn rất thường có nghĩa là dữ liệu chưa được xử lý
và một phần số liệu không chính xác tăng lên khi có sự tăng trưởng khối lượng dữ liệu." Việc
theo dõi bằng con người ở quy mô dữ liệu lớn là không thể và có một nhu cầu cấp thiết về các
công cụ thông minh để kiểm soát chính xác và xử lý thông tin bị mất trong dịch vụ y tế. Mặc
dù dữ liệu trong lĩnh vực chăm sóc sức khoẻ hiện nay thường được lưu trữ dưới dạng điện tử,
nhưng nó nằm ngoài phạm vi của dữ liệu lớn vì hầu hết không có cấu trúc và khó sử dụng. • Giáo dục
Một nghiên cứu của Viện nghiên cứu toàn cầu McKinsey cho thấy, ngành dữ liệu lớn đang
thiếu hút 1,5 triệu chuyên gia cũng như nhà quản lý dữ liệu, và một số trường đại học bao gồm
Đại học Tennessee và UC Berkeley đã tạo ra các chương trình thạc sĩ để đáp ứng nhu cầu này.
Các khóa huấn luyện tư nhân cũng phát triển các chương trình để đáp ứng nhu cầu đó, bao
gồm các chương trình miễn phí như The Data Incubator hoặc chương trình trả tiền như General Assembly. • Truyền thông
Để hiểu cách thức các phương tiện truyền thông sử dụng dữ liệu lớn như thế nào, trước
tiên cần hiểu rõ một số ngữ cảnh trong cơ chế sử dụng cho quá trình truyền thông. Nick
Couldry và Joseph Turow đề xuất rằng các học viên trong ngành Truyền thông và Quảng
cáo cần tiếp cận dữ liệu lớn như là nhiều điểm thông tin về hàng triệu cá nhân. Ngành công
nghiệp dường như đang chuyển hướng từ cách tiếp cận truyền thống bằng cách sử dụng
các môi trường truyền thông cụ thể như báo chí, tạp chí hoặc chương trình 15
truyền hình và thay vào đó là những người tiêu dùng với công nghệ tiếp cận những người
này được nhắm mục tiêu vào những thời điểm tối ưu ở những vị trí tối ưu. Mục đích cuối
cùng là để phục vụ hoặc truyền tải, một thông điệp hoặc nội dung (theo cách thống kê) phù
hợp với suy nghĩ của người tiêu dùng. Ví dụ, môi trường xuất bản ngày càng làm cho các
thông điệp (quảng cáo) và nội dung (bài viết) được cải thiện để thu hút người tiêu dùng đã
được thu thập độc quyền thông qua các hoạt động khai thác dữ liệu khác nhau.
• Nhắm đến người tiêu dùng mục tiêu (đối với quảng cáo của các nhà tiếp thị) • Thu thập dữ liệu
• Dữ liệu trong báo chí: nhà xuất bản và nhà báo sử dụng các công cụ dữ liệu lớn để cung
cấp thông tin chi tiết và các bản đồ họa chi tiết độc đáo và sáng tạo. Kênh 4, một kênh
phát thanh truyền hình công cộng của Anh, đang dẫn đầu trong lĩnh vực dữ liệu lớn và phân tích dữ liệu.
• Mạng lưới vạn vật kết nối Internet (IoT)
Dữ liệu lớn có thể kết hợp với công nghệ Mạng lưới vạn vật kết nối Internet. Dữ liệu được
chiết xuất từ các thiết bị IoT cung cấp một bản đồ kết nối giữa các thiết bị. Những sự kết nối
này đã được ngành công nghiệp truyền thông, các công ty và chính phủ sử dụng để nhắm mục
tiêu chính xác hơn đối tượng của họ và tăng hiệu quả của phương tiện truyền thông. IoT cũng
ngày càng được chấp nhận như một phương tiện thu thập dữ liệu cảm giác, và dữ liệu cảm
giác này đã được sử dụng trong các ngành như y học và sản xuất. Kevin Ashton, chuyên gia
đổi mới kỹ thuật số người được cho là người tạo ra thuật ngữ định nghĩa Internet vạn vật đã
phát biểu: "Nếu chúng ta có máy tính biết tất cả mọi thứ - nó sẽ sử dụng dữ liệu mà nó thu
thập được mà không có sự trợ giúp từ chúng ta - chúng ta sẽ có thể theo dõi và kiểm soát mọi
thứ, giảm đáng kể lượng chất thải, tổn thất và chi phí. Chúng ta sẽ biết khi nào cần thay thế,
sửa chữa hoặc thu hồi lại, và liệu rằng thức ăn chúng ta đang ăn có tươi hay không." • Công nghệ
Từ năm 2015, dữ liệu lớn trở nên nổi bật trong hoạt động kinh doanh như một công cụ để
giúp nhân viên làm việc hiệu quả hơn cũng như tối ưu hóa việc thu thập và chia sẻ thông tin.
Việc sử dụng dữ liệu lớn để giải quyết các vấn đề thu thập dữ liệu và CNTT trong một doanh
nghiệp được gọi là IT Operations Analytics (ITOA). Bằng cách áp dụng các nguyên tắc dữ
liệu lớn vào các khái niệm về trí thông minh của máy móc và tính toán sâu, các bộ phận CNTT
có thể dự đoán các vấn đề tiềm ẩn và đưa ra các giải pháp trước khi vấn đề xảy ra. Vào thời
điểm này, các doanh nghiệp ITOA cũng bắt đầu đóng vai trò quan trọng trong việc 16
quản lý hệ thống bằng cách cung cấp các nền tảng mang các dữ liệu cá nhân riêng biệt và tạo
ra những hiểu biết sâu sắc từ toàn bộ hệ thống chứ không phải từ các dữ liệu riêng lẻ.
• EBay sử dụng hai kho dữ liệu với tốc độ 7.5 petabyte và 40PB cũng như một cụm
40PB Apache Hadoop để tìm kiếm, khuyến nghị người tiêu dùng và bán hàng.
• Amazon.com xử lý hàng triệu hoạt động back-end hàng ngày, cũng như các truy vấn
từ hơn nửa triệu người bán hàng bên thứ ba. Công nghệ cốt lõi mà Amazon hoạt động
dựa trên Linux và đến năm 2005 họ có ba cơ sở dữ liệu Linux lớn nhất thế giới, với
dung lượng 7,8 TB, 18,5 TB và 24,7 TB.
• Facebook xử lý 50 tỷ hình ảnh từ cơ sở người dùng của nó.
• Google đã xử lý khoảng 100 tỷ lượt tìm kiếm mỗi tháng vào tháng 8 năm 2012.
• Cơ sở dữ liệu Oracle NoSQL đã được kiểm tra để vượt qua mốc 1 triệu xử lý mỗi giây
với 8 nhân và đạt tốc độ 1.2 triệu xử lý mỗi giây với 10 nhân. 17
II. ỨNG DỤNG CỦA BIG DATA TRONG CÁC HOẠT ĐỘNG NGÂN HÀNG
Hiện nay, hầu hết các tổ chức chức ngân hàng, dịch vụ tài chính và bảo hiểm đang nỗ lực để
áp dụng một cách tiếp cận mới theo hướng khai thác dữ liệu để phát triển và đổi mới sản phẩm.
Mặc dù, các tổ chức đang thay đổi cách thức khai thác dữ liệu bằng cách thu thập một khối
lượng dữ liệu khổng lồ và tiến hành phân tích, thực hiện bước đầu tiên trong quy trình khai
thác Big Data. Khi khối lượng khách hàng tăng lên, nó ảnh hưởng đáng kể đến mức độ, khả
năng cung cấp dịch vụ của từng tổ chức. Thực tiễn cho thấy việc phân tích dữ liệu hiện tại đã
đơn giản hóa quá trình theo dõi và đánh giá khách hàng tín dụng của các ngân hàng và các tổ
chức tài chính, dựa trên khối lượng lớn dữ liệu như thông tin, hồ sơ cá nhân và các thông tin
bảo mật khác. Với sự giúp đỡ của Big Data, các ngân hàng có thể theo dõi hành vi của khách
hàng, xác định các nguồn dữ liệu cần thiết để thu thập phục vụ cho việc đưa ra giải pháp.
Các ứng dụng của Big Data trong lĩnh vực ngân hàng bao gồm:
2.1. Thứ nhất, phân tích các thói quen chi tiêu của khách hàng.
Các ngân hàng có khả năng truy cập trực tiếp nguồn thông tin, dữ liệu lịch sử dồi dào liên
quan đến các thói quen, hành vi chi tiêu của khách hàng. Các ngân hàng còn nắm thông tin
chi tiết về nguồn thu của khách hàng trong một năm, khoản chi tiêu, các dịch vụ ngân hàng
mà khách hàng sử dụng… Điều này cung cấp cơ sở, cơ hội để các ngân hàng tiếp cận và
phân tích dữ liệu sâu hơn. Áp dụng các chức năng sàng lọc thông tin, ví dụ như, khi lọc ra
thời điểm dịp lễ hay mùa lễ và điều kiện vĩ mô (lạm phát, tỷ lệ thất nghiệp…) mà nhân viên
ngân hàng có thể hiểu được nguyên nhân của biến động trong thu nhập hay chi tiêu của ngân
hàng. Đây là một trong các yếu tố quan trọng trong quá trình đánh giá rủi ro, thẩm định hồ
sơ cho vay, mở rộng dịch vụ cung cấp hay bán chéo sản phẩm đến khách hàng. Bên cạnh đó,
nhờ nắm được thông tin về nguồn tiền nhàn rỗi của khách hàng, ngân hàng có thể tận dụng
thu hút tiền gửi để thực hiện các hoạt động đầu tư.
Ví dụ: Qua phân tích dữ liệu về thói quen người Việt hay tiết kiệm mỗi dịp tết đến nhiều ngân
hàng bắt đầu tung ra các chương trình khuyến mãi nhằm tri ân khách hàng cũng như tranh thủ
huy động vốn trong tháng cuối năm ngân hàng TMCP Đông Nam Á triển khai chương trình
khuyến mãi tết như ý xuân phú quý dành cho các khách hàng gửi tiết kiệm tại quầy gửi tiết
kiệm online mợ mới thẻ tín dụng ký hợp đồng bảo hiểm với gần 12.000 quà tặng có tổng giá
trị lên đến gần 6.000.000.000 đồng 18
2.2. Thứ hai, phân khúc khách hàng và thẩm định hồ sơ.
Phân khúc khách hàng là một trong những nhân tố quan trọng trong chiến lược marketing và
thiết kế sản phẩm của ngân hàng. Một khi các phân tích ban đầu về thói quen chi tiêu của
khách hàng cùng với xác định các loại hình dịch vụ, kênh giao dịch được khách hàng ưu tiên
(ví dụ khách hàng muốn gửi tiết kiệm hay muốn đầu tư các khoản vay) được hoàn tất thì các
ngân hàng sẽ có được một cơ sở dữ liệu phục vụ cho quá trình phân khúc, phân loại khách
hàng một cách phù hợp dựa vào thông tin và hồ sơ khách hàng cung cấp. Big Data sẽ cung
cấp cho các ngân hàng những hiểu biết, kiến thức chuyên môn sâu về nhu cầu tiềm ẩn bên
trong, thói quen và xu hướng chi tiêu của khách hàng, trợ giúp cho nhiệm vụ xác định nhu cầu
và mong muốn của họ. Bằng cách nắm các thông tin liên quan đến giao dịch, ngân hàng có
thể xác định được khách hàng của mình thuộc các nhóm nào, ví dụ nhóm có chi tiêu dễ dàng,
nhóm nhà đầu tư thận trọng, nhóm thanh toán nợ nhanh chóng, nhóm khách hàng trung
thành… Bên cạnh đó, biết được hồ sơ cá nhân của tất cả các khách hàng giúp ngân hàng đánh
giá chi tiêu và thu nhập dự kiến trong tháng tới và lập kế hoạch chi tiết để đảm bảo lợi nhuận
cho chính tổ chức và lợi ích cho chính khách hàng. -Ví dụ:
+ Phân khúc khách hàng: VietinBank cho ra mắt thẻ dành cho phái đẹp E-partner
PinkCard.Không chỉ thực hiện các chức năng rút tiền và thanh toán hàng hóa tại hệ thống
ATM của ViettinBank, chủ thẻ còn có thể thực hiện giao dịch tại gần 2000 ATM và POS
thuộc hệ thống Banknetvn trải rộng trên toàn quốc.Chỉ cần gọi điện thoại hẹn trước chủ sẽ
được khám sức khỏe miễn phí tại các trung tâm y tế trên khắp toàn quốc, E-partner PinkCard
được Vietinbank khẳng định không chỉ là một phương tiện thanh toán hiện đại mà còn là người
bạn đồng hành với người phụ nữ trong nhịp sống hiện đại luôn mong muốn được quan tâm và chia sẻ 19
+ Thẩm định hồ sơ khách hàng : Hiện nay với sự trợ giúp của Big data các quyết định cho vay
hay kiểm soát tài khoản vay sẽ được thực hiện nhanh chóng chính xác hơn so với việc sử
dụng các mô hình chấm điểm tín dụng trước đây. Ngân hàng TMCP Việt Nam Thịnh Vượng
đang triển khai Basel II để chấm điểm tín dụng với khách hàng dựa trên cơ sở dữ liệu lớn bằng trường thông tin
• Sử dụng thông tin dữ liệu từ trung tâm thông tin tín dụng quốc gia Việt Nam nhằm tìm kiếm thông tin nợ xấu
• Dự báo được hành vi trả nợ ngân hàng thông qua việc thu nhập số liệu đẹp mẫu đủ lớn
với hàng nghìn khách hàng khi khách hàng muốn có một khoản vay thì đầu tiên họ phải
điền vào một tờ khai.Tùy vào từng sản phẩm trong tờ khai có nhiều câu hỏi khác nhau
có những thông tin cơ bản của khách hàng phải khai như tên, tuổi, ngày sinh bên cạnh
đó là những câu hỏi khác nữa và thông qua các câu trả lời của họ thì ngân hàng rút ra
được đánh giá về hồ sơ tín dụng sự phù hợp khách hàng đó với sản phẩm mà họ đang mong muốn.
2.3. Thứ ba, bán chéo thêm các dịch vụ khác.
Dựa vào cơ sở dữ liệu ngân hàng có được, ngân hàng có thể thu hút thêm, hay giữ chân khách
hàng bằng cách giới thiệu thêm các dịch vụ khác. Ví dụ, ngân hàng có thể giới thiệu các khoản
đầu tư có lãi suất hấp dẫn đến các khách hàng có lượng tiền nhàn rỗi hoặc những nhà đầu tư
thận trọng. Ngân hàng cũng có thể đề xuất các khoản vay ngắn hạn cho các khách hàng có thói
quen chi tiêu dễ dàng để đáp ứng nhu cầu hàng ngày hoặc những khoản vay đáp ứng nhu cầu
thanh khoản ngắn hạn của doanh nghiệp. Phân tích một cách chính xác về hồ sơ cá nhân của
khách hàng, ngân hàng có thể bán kèm các dịch vụ khác với các ưu đãi được tập trung chính xác vào nhu cầu khách.
Ví dụ: Sacombank phát hành chứng chỉ tiền gửi trên hệ trên toàn hệ thống dành cho khách
hàng cá nhân và tổ chức khách hàng mua chứng chỉ tiền gửi dài hạn có ghi danh mệnh giá tối
thiểu 1.000.000 đồng thời hạn 7 năm sẽ được nhận mức lãi suất cực kỳ hấp dẫn lên tới 8,6% một năm.
2.4. Thứ tư, nâng cao chất lượng dịch vụ thông qua xây dựng hệ thống thu thập các phản
hồi khách hàng và phân tích chúng.
Khách hàng có thể để lại phản hồi sau mỗi lần giao dịch hay mỗi lần nhận được tư vấn từ
trung tâm hỗ trợ chăm sóc khách hàng hoặc qua các biểu mẫu phản hồi; nhưng thường xuyên
(hay có thể nói nhiều khả năng) chia sẻ ý kiến thông qua các phương tiện truyền 20