Khoa học dữ liệu (Data Science) ứng dụng thực tế ra sao?

3 min read

Tóm tắt

Diễn giả (giám đốc trung tâm giải pháp, đối tác mảng tài chính) trình bày cách khoa học dữ liệu và học máy được ứng dụng thực tế, nhấn mạnh phải hiểu đặc tính dữ liệu và tri thức miền (financial, y sinh…) để mô hình chính xác. Phần liên quan tài chính tập trung vào chấm điểm tín dụng: so sánh mô hình truyền thống của ngân hàng (scorecard/FICO dựa trên khai báo khách hàng) với social/alternative credit scoring dùng dữ liệu viễn thông và mạng xã hội. Nêu các bài toán nghiệp vụ phổ biến: dự đoán khách hàng rời dịch vụ (churn), phân nhóm/định danh khách hàng, dự đoán giá trị khách hàng, phát hiện gian lận, marketing trúng mục tiêu. Cảnh báo vấn đề dữ liệu mất cân bằng làm sai lệch độ chính xác báo cáo, và ngưỡng hệ số Gini để mô hình tín dụng được ứng dụng thực tế.

Outline / Ý chính

  • Khoa học dữ liệu phải kết hợp tri thức miền (financial, y sinh) để mô hình đạt độ chính xác cao
  • Quy trình chuẩn 6 bước: hiểu nghiệp vụ, hiểu dữ liệu, lựa chọn dữ liệu, mã hóa, đánh giá, triển khai
  • Vấn đề dữ liệu mất cân bằng (imbalanced data): thuật toán ưu tiên luật số lớn nên lớp thiểu số (rời dịch vụ) bị lấn át; con số 70% chính xác dễ gây hiểu nhầm nếu tính trên cả hai lớp
  • Các bài toán nghiệp vụ: dự đoán churn, phân nhóm/định danh khách hàng, tiếp thị trúng mục tiêu, dự đoán giá trị khách hàng, phát hiện gian lận, phân tích mạng lưới quan hệ
  • Chấm điểm tín dụng truyền thống: scorecard/FICO, dựa trên khai báo khách hàng (15-20 chỉ tiêu), liên hệ PD theo Basel 2, ngưỡng Gini 0.3 đủ ứng dụng vì ngân hàng có nhiều kênh xác minh
  • Social/alternative credit scoring: chấm điểm từ dữ liệu viễn thông + mạng xã hội (không gặp mặt, anonymous), cần Gini vượt 0.5 vì rủi ro cao hơn; giải hai bài toán phụ là ước lượng thu nhập và loại rủi ro (cờ bạc, lô đề)
  • Hệ thống Customer Insight: tổng hợp hành vi đa kênh thành nhân khẩu học / hành vi / sở thích / ý định để marketing trúng mục tiêu

Khái niệm trích xuất

Backlinks