Ngân hàng cần chuyển từ đầu tư sang khai thác hiệu quả giá trị dữ liệu

Ngân hàng vẫn gặp khó để biến dữ liệu thành giá trị thực

Trong nhiều năm qua, các ngân hàng liên tục đầu tư mạnh vào chuyển đổi số, hạ tầng dữ liệu, AI và phân tích nâng cao. Tuy nhiên, theo chia sẻ của nhiều lãnh đạo phụ trách dữ liệu tại các ngân hàng lớn, khoảng cách giữa việc sở hữu dữ liệu và khả năng sử dụng dữ liệu để ra quyết định hiệu quả vẫn còn khá lớn.

Ông Nguyễn Quang Huy, Giám đốc Trung tâm Dữ liệu và Phân tích Vietcombank, cho rằng vấn đề lớn nhất hiện nay không nằm ở việc thiếu dữ liệu hay thiếu công nghệ. Theo ông, phần lớn ngân hàng đều đã có khả năng thu thập dữ liệu ở quy mô lớn nhờ công nghệ ngày càng dễ tiếp cận hơn. Điều khó hơn là đưa các kết quả phân tích dữ liệu và AI vào vận hành kinh doanh hàng ngày.

“Chúng ta đang chỉ tập trung vào xây dựng Data Infrastructure (hạ tầng dữ liệu) nhưng chúng ta không xây dựng Decision-making Infrastructure (hạ tầng ra quyết định)”, ông Huy nói.

Các diễn giả tại phiên thảo luận

Theo đại diện Vietcombank, nhiều tổ chức hiện có thể tạo ra lượng lớn “insight” (thông tin phân tích chuyên sâu) từ dữ liệu, song các kết quả này chưa thực sự đi vào hoạt động điều hành và kinh doanh thực tế. Ông lấy ví dụ, ngay trong nội bộ một số ngân hàng, cùng một KPI nhưng các đơn vị khác nhau có thể áp dụng các công thức đo lường khác nhau, dẫn tới tình trạng nơi thì cho rằng đã hoàn thành xuất sắc mục tiêu, nơi khác lại đánh giá chưa đạt yêu cầu.

Điều này cho thấy thách thức của dữ liệu hiện nay không còn thuần túy là vấn đề công nghệ, mà nằm ở khả năng chuẩn hóa quy trình, thống nhất cách vận hành và đưa dữ liệu trở thành một phần trong hoạt động ra quyết định hàng ngày.

Ở góc độ khác, ông Nguyễn Công Thương, Phó Giám đốc Khối Dữ liệu & AI của VietinBank, cho rằng nhiều dự án dữ liệu tại các tổ chức hiện nay vẫn đang được triển khai theo góc nhìn kỹ thuật nhiều hơn là xuất phát từ bài toán kinh doanh.

“Chúng ta không có một mục tiêu về mặt business (kinh doanh) một cách rõ ràng”, ông Thương nhận định. Theo vị chuyên gia, dữ liệu tại nhiều tổ chức vẫn còn phân mảnh, nằm rải rác ở nhiều hệ thống và chưa được chuẩn hóa đầy đủ. Đây là một trong những nguyên nhân khiến việc ứng dụng AI và phân tích nâng cao chưa đạt được hiệu quả như kỳ vọng.

“Nếu mà chúng ta ứng dụng trên cái dữ liệu không sạch thì cái output (đầu ra) của chúng ta nó cũng không được rõ ràng”, ông nói thêm.

Đại diện VietinBank cũng chỉ ra, hiện không ít tổ chức đang triển khai dữ liệu và AI theo xu hướng nóng, trong khi khả năng thực thi, quy trình vận hành và văn hóa tổ chức chưa thực sự sẵn sàng cho sự thay đổi này.

Dữ liệu chỉ có giá trị khi đi vào quyết định kinh doanh

Từ những thực tế nêu trên, nhiều ý kiến tại phiên thảo luận cho rằng việc đầu tư dữ liệu trong ngân hàng cần chuyển dần từ cách tiếp cận thiên về công nghệ sang định hướng lấy bài toán kinh doanh làm trung tâm.

Bà Nguyễn Minh Hà, Phó Giám đốc Khối Dữ liệu & Phân tích, LPBank, cho rằng các tổ chức không nên triển khai hạ tầng dữ liệu theo hướng “hoành tráng” ngay từ đầu hoặc chạy theo các xu hướng công nghệ mới nhất, mà cần ưu tiên các use case (trường hợp ứng dụng) có khả năng tạo ra giá trị cụ thể cho hoạt động kinh doanh. Theo bà Hà, các dự án dữ liệu cần được triển khai theo từng giai đoạn với kết quả đầu ra có thể đo lường rõ ràng trong khoảng từ 3-6 tháng. Điều này giúp bộ phận kinh doanh nhìn thấy hiệu quả thực tế của dữ liệu thay vì xem đây chỉ là một dự án công nghệ tốn kém kéo dài nhiều năm.

“Chúng ta sẽ không triển khai một cách hoành tráng ngay từ ban đầu, mà sẽ triển khai theo từng phần liên quan đến lộ trình”, bà Hà chia sẻ. Đồng thời, đội ngũ dữ liệu cần tạo được niềm tin đối với các khối nghiệp vụ thông qua việc chứng minh giá trị cụ thể mà dữ liệu mang lại cho hoạt động kinh doanh.

Không chỉ dừng ở câu chuyện đầu tư, vấn đề chất lượng dữ liệu cũng được xem là yếu tố nền tảng quyết định khả năng ứng dụng AI trong ngân hàng.

Đưa ra giải pháp, ông Nguyễn Quang Huy, để dữ liệu thực sự tạo ra giá trị, hệ thống dữ liệu phải đảm bảo ba yếu tố “sống – sạch – đủ”. Trong đó, “sống” là dữ liệu được cập nhật nhanh và liên tục; “sạch” là dữ liệu được chuẩn hóa và quản trị tốt; còn “đủ” là không bị thiếu hụt dữ liệu trong các hoạt động vận hành và phục vụ khách hàng.

Ông Huy cho rằng nhiều cách tiếp cận quản trị dữ liệu hiện nay vẫn còn “cũ và chậm” khi chỉ phát hiện vấn đề sau khi dữ liệu đã xảy ra lỗi. Thay vào đó, việc quản trị và bảo mật cần được tích hợp ngay bên trong hệ thống dữ liệu thay vì xây dựng như một lớp giám sát phía trên.

Bên cạnh đó, ông cũng nhấn mạnh vai trò của kiến trúc dữ liệu linh hoạt và khả năng liên thông giữa các cấu phần công nghệ. Theo ông, hệ thống dữ liệu chỉ có thể vận hành hiệu quả nếu các thành phần trong hệ thống có thể “nói chuyện được với nhau một cách nhanh, gọn và chính xác”.

Ở góc độ AI và quản trị rủi ro, các diễn giả cho rằng, việc mở rộng ứng dụng AI trong ngân hàng không thể tách rời các cơ chế kiểm soát và quản trị dữ liệu. Ông Nguyễn Công Thương nhìn nhận, trước khi triển khai AI trên diện rộng, các ngân hàng cần giải quyết bài toán Data Governance (quản trị dữ liệu), đồng thời thiết lập các hàng rào kiểm soát để AI hoạt động trong giới hạn cho phép. Theo ông, mô hình “human in the loop” (con người tham gia giám sát trong vòng lặp vận hành) vẫn cần được duy trì, thay vì hoàn toàn để AI tự đưa ra quyết định.

Trong khi đó, ông Koustuv Banerjee, Giám đốc Cao cấp Phân tích Dữ liệu Kinh doanh, Techcombank, cho rằng governance (quản trị) cần được tích hợp ngay từ nền tảng của hệ thống dữ liệu và AI, thay vì chỉ bổ sung ở giai đoạn sau. Theo ông, dữ liệu và AI chỉ phát huy hiệu quả khi gắn chặt với chiến lược kinh doanh và được tích hợp trực tiếp vào các bộ phận vận hành, thay vì chỉ nằm trong các nhóm chuyên trách dữ liệu.

Đại diện Techcombank cũng nhấn mạnh AI cần tạo ra những giá trị mà phương thức truyền thống khó thực hiện, như cải thiện chấm điểm tín dụng, phát hiện gian lận hay tối ưu tương tác khách hàng thông qua phân tích dữ liệu nâng cao. Bên cạnh đó, khả năng “explainability” (giải thích được) của AI cũng là yếu tố quan trọng để người dùng hiểu được nguyên nhân phía sau các khuyến nghị mà hệ thống đưa ra.

Khép lại phiên thảo luận, ông Nguyễn Quang Huy dự báo, trong vòng 3-5 năm tới khoảng cách giữa các ngân hàng dẫn đầu về dữ liệu và các ngân hàng đi sau có thể sẽ ngày càng nới rộng. Tuy nhiên, sự khác biệt này không đến từ việc ngân hàng nào sở hữu công nghệ hiện đại hơn, bởi theo ông, trong tương lai phần lớn các ngân hàng đều sẽ tiếp cận các nền tảng công nghệ tương tự nhau như cloud computing (điện toán đám mây) hay các hệ quản trị dữ liệu hiện đại. Yếu tố quyết định sẽ nằm ở năng lực lãnh đạo, mức độ cam kết của tổ chức đối với việc sử dụng dữ liệu trong kinh doanh, khả năng đưa các kết quả phân tích vào vận hành hàng ngày cũng như chất lượng nguồn nhân lực có khả năng kết hợp giữa hiểu biết công nghệ, dữ liệu và nghiệp vụ kinh doanh.