Ứng dụng dữ liệu lớn - Thách thức đối với các ngân hàng thương mại Việt Nam

80
Tạp chí Khoa học & Đào tạo Ngân hàng
Số 224+225- Tháng 1&2. 2021
© Học viện Ngân hàng
ISSN 1859 - 011X 
Ứng dụng dữ liệu lớn - thách thức đối với các ngân hàng 
thương mại Việt Nam
Đào Mỹ Hằng
Học viện Ngân hàng
Đặng Thu Hoài
Ngân hàng Đại chúng
Ngày nhận: 16/09/2020 
Ngày nhận bản sửa: 06/10/2020 
Ngày duyệt đăng: 21/10/2020
Dữ liệu có tầm ảnh hưởng quan trọng đối với hoạt động kinh doanh của mỗi ngân 
hàng thương mại (NHTM)- lĩnh vực kinh doanh ngành dịch vụ đặc thù dựa trên cơ 
sở thông tin. Sự xuất hiện của dữ liệu lớn (Big Data) trong bối cảnh kỷ nguyên số 
đang được NHTM kỳ vọng như một nguồn tài nguyên khổng lồ có thể mang đến cái 
nhìn đa chiều giúp ngân hàng đưa ra các quyết định sáng suốt. Tuy nhiên, việc ứng 
dụng Big Data vẫn đang là bài toán khó với nhiều thách thức đối với các NHTM tại 
Việt Nam. Nghiên cứu đề cập đến thực trạng ứng dụng và những thách thức cơ bản 
của Big Data đối với các NHTM tại Việt Nam và đưa ra các giải pháp khuyến nghị 
theo hướng tích hợp dữ liệu có cấu trúc truyền thống từ kho dữ liệu với các hệ thống 
nội bộ và dữ liệu phi cấu trúc trên Big Data.
Từ khóa: Dữ liệu lớn (Big Data), thách thức, ngân hàng thương mại.
Challenges in applying Big Data for the Vietnam commercial banks
Abstract: Data has an important influence on the business operations of each commercial bank. 
Commercial banks expect that the appearance of Big Data in the context of the digital era is a huge 
resource that can provide a multidimensional view to help banks make informed decisions. However, 
applying Big Data is difficult for commercial banks in Vietnam. The study discusses the application 
status and fundamental challenges of Big Data to commercial banks in Vietnam and recommends 
solutions.
Keywords: Big Data, Challenges, Commercial Banks
Hang My Dao
Email: myhang@hvnh.edu.vn
Banking Academy of Vietnam
Hoai Thu Dang
Email: danghoai.bav@gmail.com
PvcomBank
ĐÀO MỸ HẰNG - ĐẶNG THU HOÀI
81Số 224+225- Tháng 1&2. 2021- Tạp chí Khoa học & Đào tạo Ngân hàng
1. Giới thiệu 
Trong bối cảnh cạnh tranh khốc liệt của 
thị trường tài chính- ngân hàng (TC- NH), 
các NHTM đang từng bước ứng dụng các 
chuyển đổi số với trọng tâm là khách hàng 
(KH) nhằm không ngừng mang đến những 
trải nghiệm tốt hơn cho KH. Để làm được 
điều đó, NHTM cần có những chiến lược 
để hiểu được từng nhóm nhu cầu KH, từ 
đó có những quyết định phù hợp trong 
chính sách quản trị và hoạt động. Tại Việt 
Nam, tính đến tháng 01/2020, có khoảng 
68 triệu người (khoảng 70% dân số) dùng 
internet, 65 triệu người (67% dân số) dùng 
mạng xã hội và 146 triệu lượt kết nối điện 
thoại (khoảng 150% dân số) (theo We are 
Social, 2020, “Digital 2020 global digital 
yearbook”), mọi thông tin về người dùng 
internet đều được lưu giữ lại thành dữ liệu 
theo đơn vị bit. Báo cáo này nhận định, 
sự gia tăng của nguồn dữ liệu này hoàn 
toàn có thể làm rung chuyển ngành dịch 
vụ TC- NH theo hướng tích cực hơn khi 
dữ liệu được thu thập, phân tích, giải thích 
liên quan đến xu hướng tài chính, từ đó vẽ 
nên một bức tranh chi tiết về xu hướng tiêu 
dùng và điều mà KH đang tìm kiếm. Đây 
sẽ là cơ sở rất quan trọng để các NHTM 
có thể cá nhân hóa dịch vụ đến từng KH, 
đáp ứng mong muốn KH tối ưu hơn trong 
định hướng chính sách sản phẩm, đặc biệt 
là nhóm sản phẩm có tính số hóa cao, đồng 
thời có thể xác định rủi ro kịp thời ở mọi 
thời điểm và có những thay đổi phù hợp 
trong điều hành, quản trị các hoạt động kinh 
doanh của ngân hàng để đạt được những 
mục tiêu lớn hơn. Tuy nhiên, việc khai 
thác, ứng dụng triển khai Big Data đang 
đặt rất nhiều thách thức cho các nhà quản 
trị NHTM và bộ phận công nghệ thông tin 
(CNTT), đặc biệt với các NHTM với mức 
vốn nhỏ. Để Big Data trở thành nguồn lực 
của ngân hàng, các NHTM cần trả lời được 
các câu hỏi: (i) Làm thế nào để có thể khai 
thác giá trị từ nguồn dữ liệu Big Data một 
cách hiệu quả? (ii) Dữ liệu này có tương 
thích và tích hợp được với những phân hệ 
hiện tại hay không? (iii) Thực trạng điều 
kiện ngân hàng đang ở đâu, có phù hợp để 
ứng dụng triển khai không?
Để trả lời các câu hỏi đó, các nội dung tiếp 
theo sẽ được trình bày theo trình tự Tổng 
quan về Big Data, thực trạng ứng dụng Big 
Data tại các NHTM Việt Nam, thách thức 
của Big Data và giải pháp khuyến nghị đối 
với các NHTM.
2. Tổng quan về Big Data
2.1. Khái niệm Big Data
Big Data dùng để chỉ tập dữ liệu với kích 
thước vượt quá khả năng lưu trữ, quản lý và 
phân tích của phần mềm cơ sở dữ liệu điển 
hình (Manyika, 2011).
Big Data được hình thành từ việc sử dụng 
ngày càng tăng các công cụ điện tử và hệ 
thống thông tin, do các tổ chức và cá nhân 
hình thành trong đời thường dưới những 
hình thức khác nhau, bao gồm 6 nguồn dữ 
liệu chủ yếu sau: (i) dữ liệu hành chính; 
(ii) dữ liệu về hoạt động thương mại; (iii) 
dữ liệu từ các thiết bị cảm biến như thiết 
bị chụp ảnh vệ tinh, cảm biến đường, cảm 
biến khí hậu; (iv) dữ liệu từ thiết bị theo 
dõi; (v) dữ liệu từ hành vi (như tìm kiếm 
trực tuyến); (vi) dữ liệu từ thông tin về ý 
kiến, quan điểm cá nhân trên các phương 
tiện thông tin xã hội.
Cụ thể, dữ liệu Big Data có thể chia thành 
3 loại theo hình thức như sau:
- Dữ liệu có cấu trúc (Structured): là những 
dữ liệu có thể được lưu trữ, truy cập và xử 
lý theo hình thức cố định truyền thống, đây 
là loại dữ liệu phổ biến nhất hiện nay tại 
các tổ chức.
- Dữ liệu không có cấu trúc (Unstructured): 
Ứng dụng dữ liệu lớn - thách thức đối với các ngân hàng thương mại Việt Nam
82 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 224+225- Tháng 1&2. 2021
những dữ liệu không có khuôn mẫu hoặc 
cấu trúc cố định, không phù hợp lưu trữ và 
quản lý với cấu trúc thông thường bằng hệ 
quản trị cơ sở dữ liệu truyền thống. Loại 
dữ liệu này có khối lượng lớn, không có 
cấu trúc và thay đổi nhanh, đặt ra rất nhiều 
thách thức trong xử lý và quản trị dữ liệu 
để có thể khai thác được giá trị từ nó. Ví 
dụ như dữ liệu từ các mạng xã hội như 
Facebook, Twitter, Instagram, đều là 
những nguồn dữ liệu không có cấu trúc kết 
hợp từ văn bản, ảnh, video...
- Dữ liệu bán cấu trúc (Semi-structured): Dữ 
liệu kiểu bán cấu trúc có thể bao gồm tất cả 
các mẫu dữ liệu. Chúng ta có thể thấy dữ liệu 
bán cấu trúc như một mẫu nhưng nó không 
được định nghĩa với bảng với mối quan hệ 
như hệ quản trị quan hệ dữ liệu quan hệ 
(DBMS- Relational Database Management 
System). Loại dữ liệu này thường được thể 
hiện trong tập tin ngôn ngữ đánh dấu mở 
rộng (XML- Extensible Markup Language), 
có chức năng truyền dữ liệu và mô tả nhiều 
loại dữ liệu khác nhau.
2.2. Đặc tính của Big Data 
Big Data có 5 đặc trưng cơ bản như sau 
(mô hình 5Vs về Big Data- theo Issues with 
big data, Gartner, 2018):
- Khối lượng dữ liệu (Volume): Đây là 
đặc điểm tiêu biểu nhất của Big Data, đó 
là khối lượng hoặc kích thước dữ liệu rất 
lớn. Kích cỡ của Big Data ngày càng tăng 
lên, dự kiến đến năm 2025 IDC dự đoán 
số liệu này sẽ là 175 zettabytes (1021 bytes) 
tương ứng với khoảng 59% công suất của 
nền công nghiệp cung cấp ổ cứng (HDD) 
toàn cầu (theo David Reinsel và cộng sự, 
2018), nên các tổ chức sẽ cần sử dụng công 
nghệ “đám mây” mới đáp ứng khả năng lưu 
trữ được Big Data.
- Tốc độ (Velocity): Tốc độ có thể hiểu 
theo hai khía cạnh: (i) Khối lượng dữ liệu 
gia tăng rất nhanh; (ii) Xử lý dữ liệu nhanh 
ở mức thời gian thực (real time) tính bằng 
mili giây. Công nghệ xử lý Big Data ngày 
nay đã cho phép chúng ta xử lý tức thì trước 
khi chúng được lưu trữ vào cơ sở dữ liệu.
- Đa dạng (Variety): Big Data cho phép 
liên kết và phân tích nhiều dạng dữ liệu 
khác nhau, ví dụ như kết nối thông tin của 
người dùng trên các nền tảng mạng xã hội 
khác nhau.
- Độ tin cậy/ chính xác (Veracity): Đây là 
một trong những tính chất phức tạp nhất của 
Big Data bởi các phương tiện truyền thông 
xã hội, mạng xã hội ngày càng phổ biến với 
đa dạng người dùng tương tác và chia sẻ 
nên việc xác định độ tin cậy và chính xác 
của dữ liệu ngày một phức tạp hơn.
- Giá trị (Value): Giá trị là đặc điểm quan 
trọng nhất của Big Data, vì khi bắt đầu triển 
khai xây dựng Big Data thì việc đầu tiên 
phải làm là xác định được giá trị của thông 
tin mang lại như thế nào, bởi dữ liệu tự bản 
thân không sinh ra giá trị, chỉ khi được xử 
lý và khai phá hợp lý thì chúng mới phát 
huy được lợi ích. Dựa trên các cân đối về 
nguồn lực khi đó chúng ta mới quyết định 
triển khai Big Data hay không.
2.3. Tầm quan trọng của ứng dụng Big 
Data đối với các ngân hàng thương mại
Big Data với nguồn dữ liệu khổng lồ, cập 
nhật từng phút, đang có vai trò lớn trong 
lĩnh vực ngân hàng với các ứng dụng cụ 
thể như: phân tích, phân loại sự hài lòng 
và hành vi KH; phân tích phát hiện và cảnh 
báo, ngăn chặn các hành vi rủi ro, giả mạo; 
tối ưu hóa hoạt động xử lý dữ liệu trong 
quá trình vận hành, phân tích và hỗ trợ ra 
quyết định. 
Tiếp cận, nghiên cứu và khai thác Big 
Data sẽ mang đến nhiều lợi ích cho ngân 
hàng trong kinh doanh như: tiết giảm chi 
phí; tăng thời gian phát triển và tối ưu hóa 
ĐÀO MỸ HẰNG - ĐẶNG THU HOÀI
83Số 224+225- Tháng 1&2. 2021- Tạp chí Khoa học & Đào tạo Ngân hàng
sản phẩm; đồng thời hỗ trợ ban lãnh đạo, 
cán bộ ngân hàng đưa ra những quyết định 
đúng và hợp lý hơn; tiết kiệm thời gian xử 
lý thông tin của KH và phòng chống rủi 
ro gian lận Nghiên cứu của Manyika, 
J. (2017) cho thấy, khoảng 30% tất cả các 
công việc trong NHTM có thể được tự động 
hóa thông qua công nghệ và chìa khóa cho 
vấn đề này nằm ở Big Data. Điều này sẽ 
giúp NHTM có thể tiết kiệm đáng kể chi 
phí và giảm rủi ro bằng cách loại bỏ sự chi 
phối của yếu tố con người trong một số quy 
trình quan trọng.
Thực tế, bản thân NHTM cũng có được 
nguồn dữ liệu khá lớn từ chính các KH của 
mình qua các giao dịch trong hệ thống ngân 
hàng lõi (corebanking system). Nhưng chỉ 
bó hẹp trong lịch sử giao dịch đó là chưa 
đủ để NHTM hiểu về nhu cầu của KH, bởi 
trong thời đại con người ngày càng phụ 
thuộc vào Internet, thì nguồn dữ liệu lớn 
nhất phản ánh rõ mong muốn, thói quen 
và hành vi KH lại nằm ở mạng xã hội như 
Facebook, Twitter, Instagram, và thông 
tin sử dụng Internet. Theo Oracle (2016), 
84% các giám đốc điều hành ngân hàng 
được khảo sát đồng ý rằng KH đang tìm 
kiếm trải nghiệm phù hợp, cá nhân hơn và 
nếu ngân hàng có thể cung cấp cho người 
dùng những gì họ cần, ngân hàng có thể 
thúc đẩy doanh thu hàng năm cao hơn 18%. 
Do vậy, vấn đề cấp thiết đặt ra là cần kết 
nối các dữ liệu này với nhau để hình thành 
một cái nhìn tổng quan về KH (3600 view).
Khi ứng dụng Big Data, NHTM có thể sử 
dụng dữ liệu từ các mạng xã hội để các ngân 
hàng đưa ra chiến lược kinh doanh sát với 
nhu cầu của nhóm KH mục tiêu hơn. Kết 
quả nghiên cứu của Analytics, M. (2016) 
cho thấy rằng việc sử dụng Big Data để đưa 
ra quyết định có thể tiết kiệm tới 15- 20% 
ngân sách tiếp thị của ngân hàng. Có thể 
nói, khai thác Big Data là cơ hội tuyệt vời 
để không chỉ tiết kiệm chi phí mà còn tạo 
thêm doanh thu thông qua các chiến lược 
tiếp thị được nhắm đến đúng mục tiêu. 
Đồng thời, từ nguồn thông tin dồi dào từ 
Internet và các mạng xã hội, ngân hàng 
có thể tương tác chặt chẽ hơn với KH, cải 
thiện dịch vụ KH một cách nhanh chóng, 
giảm ảnh hưởng của độ trễ thời gian. Bởi 
hệ thống truyền thống nhận phản hồi của 
KH đang bộc lộ nhiều hạn chế, và cần được 
cải thiện dần bởi hệ thống mới thiết kế với 
công nghệ xử lý Big Data và công nghệ xử 
lý ngôn ngữ tự nhiên.
Hơn nữa, công nghệ Big Data có thể được 
sử dụng để lưu trữ các dữ liệu mới trước 
khi chúng được đưa vào các kho chứa dữ 
liệu (Data Warehouse). Sự kết hợp giữa 
công nghệ Big Data có tốc độ xử lý ở mức 
thời gian thực với kho dữ liệu giúp cho các 
ngân hàng thoát khỏi việc không khai thác 
hết giá trị của dữ liệu do độ trễ thời gian. 
Do Big Data được ứng dụng các công nghệ 
mới giúp kiểm soát chặt chẽ và cập nhật dữ 
liệu liên tục sẽ ưu việt hơn dữ liệu truyền 
thống ở 4 điểm: dữ liệu đa dạng hơn, lưu trữ 
dữ liệu lớn hơn, truy vấn nhanh hơn và độ 
chính xác cao hơn (theo Cornelia Hammer 
và cộng sự, 2017).
Tóm lại, Big Data là cơ hội đồng thời cũng là 
thách thức đặt ra cho NHTM trong thời đại 
số hiện nay. Một khi làm chủ được Big Data 
từ việc trích xuất thông tin chính xác hơn, 
hữu ích hơn với chi phí thấp hơn thì NHTM 
sẽ có cơ hội thành công lớn hơn trong bối 
cảnh cạnh tranh ngày càng khắc nghiệt và 
nhu cầu phát sinh đa dạng hơn từ KH.
2.4. Cách tiếp cận Big Data
Hiện nay có nhiều cách tiếp cận triển khai 
các giải pháp Big Data trong các tổ chức, 
tuy nhiên dựa trên cơ sở nền tảng công 
nghệ, có ba cách tiếp cận phổ biến được 
áp dụng là (i) cách tiếp cận truyền thống, 
(ii) cách tiếp cận tiến hóa và (iii) cách tiếp 
Ứng dụng dữ liệu lớn - thách thức đối với các ngân hàng thương mại Việt Nam
84 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 224+225- Tháng 1&2. 2021
cận theo phương pháp lai (Nasser & Tariq, 
2015). Các ngân hàng cân nhắc tùy vào các 
điều kiện thực tế về quy mô, nguồn lực hiện 
tại, mục tiêu mà mỗi đơn vị có một chiến 
lược khác nhau. Cụ thể:
Thứ nhất là cách tiếp cận truyền thống 
mang tính cách mạng, nghĩa là ngân hàng 
thiết lập một môi trường tính toán Big Data 
mới và chuyển tất cả dữ liệu sang nền tảng 
mới, ví dụ như Hadoop. Vì vậy tất cả các 
quá trình xử lý, phân tích, báo cáo và lập 
mô hình được thực hiện trên môi trường 
mới với đầy đủ thông tin, dữ liệu thông 
qua các ứng dụng và công nghệ phân tích 
mới (Business Intelligence & Analytics) 
để chuyển dữ liệu thô thành những mảng 
thông tin hữu ích toàn cảnh về quá khứ, dự 
đoán tương lai của tổ chức hướng đến xây 
dựng các giải pháp kinh doanh thông minh. 
Thứ hai là cách tiếp cận tiến hóa trong đó 
Big Data được xử lý bằng nền tảng Business 
Intelligence (BI) truyền thống hiện tại. Dữ 
liệu được thu thập và phân tích thông qua 
các công cụ có cấu trúc và không có cấu 
trúc và sau đó đầu ra được chuyển tiếp đến 
kho dữ liệu. Các tiện ích báo cáo và lập mô 
hình truyền thống giờ đây có thể truy cập 
suy nghĩ và bản ghi trực tuyến từ các nguồn 
truyền thông xã hội. Tuy nhiên, ngay cả khi 
cách tiếp cận tiến hóa đáp ứng được nhiều 
yêu cầu của môi trường Big Data, nó vẫn có 
hầu hết các vấn đề của BI cổ điển, nó có thể 
trở thành một nút cổ chai giữa thông tin trực 
tuyến từ các nguồn Big Data và phân tích 
sức mạnh của biến đổi BI hoặc kho dữ liệu. 
Thứ ba là phương pháp lai mà cả công 
nghệ Big Data truyền thống và mới được 
sử dụng và dữ liệu được phân phối giữa 
hai nền tảng, một ví dụ về cách tiếp cận 
như vậy là giải pháp Hana từ SAP (công 
ty dẫn đầu thị trường về phần mềm ứng 
dụng doanh nghiệp trên thế giới, có trụ sở 
chính tại Đức). Đây là một giải pháp phân 
tích tích hợp dữ liệu, tính toán, nền tảng và 
được chạy trên công nghệ điện toán bộ nhớ 
đệm (In-memory computing), công nghệ 
mới này có thể chạy đồng thời hệ thống 
xử lý giao dịch trực tuyến (OLTP- Online 
Transaction Processi ... o nhu cầu 
(báo cáo ad-Hoc) và các báo cáo chuyên 
sâu ngày càng phức tạp, đáp ứng nhu cầu 
kịp thời cho các nhà quản trị. 
Những công nghệ và công cụ hỗ trợ cần 
thiết, bao gồm: hệ sinh thái Hadoop; cơ sở 
dữ liệu NoSQL (Not only SQL) có thể được 
thu nhỏ theo chiều ngang trên hàng trăm 
hoặc hàng nghìn máy chủ; cơ sở dữ liệu bộ 
nhớ trong (IMDB) với ưu điểm nhanh hơn 
so với cơ sở dữ liệu trên đĩa được tối ưu 
hóa, một lựa chọn quan trọng cho việc sử 
dụng phân tích Big Data tạo kho dữ liệu. 
Đồng thời, việc xử lý kỹ thuật, lựa chọn 
công nghệ, cập nhật thuật toán trong đảm 
bảo tính riêng tư, bảo mật dữ liệu với khối 
lượng lớn trong xu hướng lưu trữ “đám 
mây” ngày càng tăng cũng là một vấn đề 
hóc búa với bộ phận CNTT của các NHTM.
Về dữ liệu
Thực tế hiện nay dữ liệu ở NHTM Việt 
Nam còn khá manh mún và chưa được làm 
sạch một cách đạt yêu cầu, cũng chưa có sự 
phân loại rõ ràng về dữ liệu có cấu trúc và 
phi cấu trúc nên việc tích hợp dữ liệu đòi 
hỏi làm sao chuẩn hoá các dữ liệu cả đầu 
vào và đầu ra, ví dụ như trường hợp NHTM 
triển khai các hệ thống từ các đối tác CNTT 
khác nhau cũng chưa có chuẩn mực ngay từ 
đầu sẽ dẫn đến khó khăn hơn cho việc hợp 
nhất dữ liệu nếu sử dụng các nền tảng khác 
nhau như Oracle và SQL. Ngoài ra, theo 
các nghiên cứu trong nước như “Tương 
lai nền kinh tế số Việt Nam hướng tới 
năm 2030 và 2045” (CSIRO, 2019), “Dữ 
liệu lớn: Cách thức khai thác cơ hội từ dữ 
liệu? Trường hợp Amazon” (Nguyễn Anh 
Duy, 2019), thực trạng tâm lý và hành vi 
người tiêu dùng Việt Nam là hay thay đổi 
và thường có sở thích, xu hướng ngắn hạn 
chi phối bởi các cộng đồng số và những 
người có tầm ảnh hưởng (Influencer), do 
vậy, việc phân tích nhu cầu KH để đưa vào 
áp dụng là thách thức với các NHTM, vì 
nếu nhận định sai xu hướng nhu cầu thị 
trường Big Data có thể trở thành một con 
dao hai lưỡi. Do đó, NHTM còn đối mặt 
với việc xác định thời gian dữ liệu hợp lệ, 
Biểu đồ 4. Đánh giá kỹ năng nhân viên trong thời đại số 
Nguồn: Vietnam Report, (2019), Báo cáo Vietnam CEO Insight 2019
ĐÀO MỸ HẰNG - ĐẶNG THU HOÀI
89Số 224+225- Tháng 1&2. 2021- Tạp chí Khoa học & Đào tạo Ngân hàng
trả lời câu hỏi trong bao lâu chúng ta nên 
giữ thông tin đó trong cơ sở dữ liệu và thời 
điểm nào thì dữ liệu không còn phù hợp 
với phân tích để đảm bảo được chất lượng 
thông tin đầu ra. Mặt khác, NHTM cần lưu 
ý trong khai thác dữ liệu KH cần tuân thủ 
các quy định của pháp luật, ví dụ theo Nghị 
định số 117/2018/NĐ-CP “Về việc giữ bí 
mật, cung cấp thông tin KH của tổ chức tín 
dụng, chi nhánh ngân hàng nước ngoài” có 
hiệu lực từ 01/11/2018. Đây là một thách 
thức quan trọng khi việc quan tâm đến bảo 
mật thông tin của KH ngày càng tăng, mà 
ngân hàng lại đang có xu hướng sử dụng 
lưu trữ đám mây và hợp tác nhiều hơn với 
các tổ chức fintech. Không chỉ vậy, ngân 
hàng với mạng lưới các điểm giao dịch 
lớn trải dài trên khắp đất nước và có một 
số ngân hàng có chi nhánh tại nước ngoài 
có quy mô nhân viên tương đối lớn, thực 
hiện nhiều loại giao dịch với khách hàng 
mỗi ngày nên ngân hàng cần chú ý vấn đề 
xây dựng quy trình kiểm soát, phân quyền 
truy cập hệ thống và đào tạo nhân sự nội bộ 
bài bản về nhận diện và bảo mật thông tin 
khách hàng. Từ những phân tích trên cùng 
với thực tế tội phạm an ninh mạng ngày 
càng nhiều, với trình độ tinh vi đến từ khắp 
nơi trên thế giới chỉ với kết nối mạng thông 
thường, các ngân hàng cần rất thận trọng 
trong việc đảm bảo các yếu tố bảo mật dữ 
liệu từ các hệ thống đến nhân sự, đối tác, 
nếu không đảm bảo được yếu tố này, ngân 
hàng rất có thể đối mặt với rủi ro về khủng 
hoảng truyền thông, hình ảnh thương hiệu 
cũng như hoạt động kinh doanh.
Tóm lại, bốn nhóm thách thức chính nêu 
trên phản ánh thực tế rằng các NHTM Việt 
Nam cần thời gian để chuẩn bị và tìm kiếm 
giải pháp phù hợp để có thể ứng dụng Big 
Data. Nếu như việc áp dụng triển khai Big 
Data không có lộ trình rõ ràng, thực hiện 
không đúng cách, người triển khai không 
đủ năng lực sẽ có thể nảy sinh nhiều vấn đề 
từ thiết kế, lưu trữ đến quản lý truy cập dữ 
liệu, an toàn bảo mật.
5. Khuyến nghị và giải pháp đối với các 
ngân hàng thương mại Việt Nam
Để có thể ứng dụng Big Data trong NHTM 
với một mục tiêu dài hạn cần chuẩn bị kỹ 
càng nhiều yếu tố, cần có quan điểm quản 
trị đúng đắn, xác định rõ nhu cầu, mục tiêu 
cùng với cân nhắc các nguồn lực, từ đó có 
lộ trình với những mức độ ưu tiên riêng cho 
từng cấu phần trong chiến lược tổng thể. 
Thông qua trao đổi với các chuyên gia có 
kinh nghiệm thực tế trong việc triển khai các 
dự án về Kho dữ liệu Doanh nghiệp, chuyển 
đổi số hướng đến ứng dụng Big Data và Trí 
tuệ nhân tạo từ các ngân hàng Vietinbank, 
BIDV, Công ty ví điện tử Momo, Công ty 
Trusting Social, Vintech và những chia sẻ 
khác tại Hội thảo Quản lý dữ liệu thông 
mình trong lĩnh vực ngân hàng, tài chính 
tháng 9/2020, nhóm tác giả khuyến nghị 
NHTM áp dụng theo 7 bước ở cấp độ “High 
level” trong phân tích cân nhắc lợi ích trước 
khi triển khai Big Data, góp phần đảm bảo 
dự án Big Data đi đúng hướng:
Bước 1. Xác định các tình huống kinh 
doanh thực tế cần cải thiện: NHTM cần đặt 
ra những câu hỏi chi tiết trong các vấn đề 
để đảm bảo các ưu tiên cho các vấn đề cần 
cải thiện đưa ra hợp lý nhất với điều kiện 
thực tại.
Bước 2. Hiểu quy trình kinh doanh và các 
sản phẩm: Cách thức hoạt động, quy trình 
và đặc trưng sản phẩm tại mỗi NHTM sẽ có 
sự khác biệt, việc nắm rõ là rất quan trọng 
trong triển khai dự án.
Bước 3. Hiểu cách phân loại và mức độ 
phân tích cần thiết: Để NHTM có cái nhìn 
hoàn chỉnh về thị trường và cách cạnh tranh 
hiệu quả đòi hỏi một khung phân tích mạnh 
mẽ bao gồm phân tích mô tả, phân tích dự 
đoán và phân tích theo quy định.
Ứng dụng dữ liệu lớn - thách thức đối với các ngân hàng thương mại Việt Nam
90 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 224+225- Tháng 1&2. 2021
Bước 4. Tiến hành khám phá chi tiết: Các 
NHTM cần tìm ra quá trình nào bị ảnh 
hưởng bởi dữ liệu và thực hiện bắt đầu với 
các quy trình kinh doanh liên quan trực tiếp 
đến việc tạo doanh thu, sau đó là quy trình 
hỗ trợ tối ưu hóa.
Bước 5. Xác định các yêu cầu chính về dữ 
liệu: Dựa trên nhu cầu và tình hình hoạt 
động kinh doanh và quản trị, các điểm dữ 
liệu chính, số liệu và điểm đánh dấu cần 
được xác định.
Bước 6. Thiết kế kiến trúc dữ liệu mạnh 
mẽ: Kiểu kiến trúc dữ liệu tốt nhất là kiến 
trúc có khả năng mở rộng và giải quyết các 
yêu cầu của NHTM ít nhất là trong thập 
kỉ tới, khi dữ liệu tăng dần lên và yêu cầu 
phân tích thời gian thực cùng Dashboard 
sáng tạo.
Bước 7. Triển khai ứng dụng: Khi một tầm 
nhìn rõ ràng đã được đặt ra với một cam 
kết thực hiện từ các bên có bao gồm đối tác 
triển khai thì sẽ giúp giảm bớt các rào cản 
khi cùng hướng đến mục tiêu chung dựa 
trên nguyên tắc.
Ngoài ra, để chuẩn bị nền tảng và đối mặt 
với những thách thức đã phân tích, bài viết 
đưa ra bốn nhóm giải pháp như sau:
Một là, giải pháp về tài chính: Để phù hợp 
với nguồn lực tài chính, NHTM nên tận 
dụng sự hỗ trợ của công nghệ điện toán 
đám mây. Hiện nay, các nhà cung cấp giải 
pháp Big Data trên đám mây đã có thể xây 
dựng sẵn các mô hình phân tích và mang 
lại khả năng các tổ chức có thể chi trả cho 
các nguồn lực siêu tính toán theo phương 
thức chi tiêu tùy theo khả năng. Ngoài ra, 
để giảm thiểu một phần chi phí cho việc 
thu thập và làm sạch dữ liệu, NHTM nên 
đẩy mạnh hợp tác với các công ty tài chính 
công nghệ fintech, hướng đến xây dựng mô 
hình chuỗi cung ứng mới gắn kết chặt chẽ 
hơn với nhu cầu của KH. Khi đó, chuỗi 
cung ứng dịch vụ ưu việt hơn sẽ tạo ra một 
cơ sở dữ liệu thống nhất, minh bạch và hiệu 
quả hơn ở mọi giai đoạn, từ khi KH phát 
sinh nhu cầu cho đến khi hoàn tất thực hiện 
cung ứng dịch vụ.
Hai là, giải pháp về công nghệ bao gồm 
kết cấu hạ tầng thông tin nhằm đáp ứng nền 
tảng về công nghệ để ứng dụng Big Data. 
Muốn sử dụng và khai thác Big Data một 
cách hiệu quả thì điều cần thiết là phải xây 
dựng cơ sở hạ tầng đủ để thu thập và lưu 
trữ dữ liệu, cung cấp quyền truy cập và bảo 
mật thông tin trong khi lưu trữ và chuyển 
tiếp, bao gồm: các hệ thống lưu trữ và máy 
chủ; phần mềm quản lý, tích hợp dữ liệu; 
phần mềm phân tích dữ liệu và một số 
thành phần khác. NHTM nên lựa chọn các 
giải pháp Big Data có nền tảng kết nối và 
tận dụng được dữ liệu từ các hệ thống hiện 
tại để không lãng phí cơ sở hạ tầng, dữ liệu 
và nguồn lực đã thực hiện trước đó.
Ba là, nhóm giải pháp về nguồn nhân lực 
có đủ năng lực sáng tạo, nền tảng công nghệ 
của Cách mạng công nghiệp 4.0 nói chung 
và ứng dụng Big Data nói riêng. Các nhà 
quản trị cần tham khảo các mô hình thành 
công trên thế giới và có hoạch định rõ về 
chiến lược phát triển dài hạn hiện đại hóa 
NHTM. Ngoài việc tuyển dụng mới nhân 
sự có kinh nghiệm và trình độ về hiện đại 
hóa ngân hàng, ứng dụng Big Data thì cần 
ưu tiên chiến lược phát triển nhân sự nội bộ 
để xây dựng nguồn nhân lực mạnh với chi 
phí hợp lý, như phổ cập tham gia các khóa 
đào tạo về phân tích dữ liệu, lập trình và 
cơ sở dữ liệu. Đối với bộ phận nghiệp vụ, 
cần tiếp cận thêm các ngôn ngữ lập trình 
ứng dụng trong xử lý phân tích dữ liệu như 
R, Python, SQL để chủ động trong xử lý 
dữ liệu và có cái nhìn bao quát hơn về hệ 
thống dữ liệu. Đối với bộ phận CNTT, yêu 
cầu đặt ra có thể tiếp cận và nhanh chóng 
tiếp thu các xu hướng công nghệ mới của 
thế giới trong thiết kế cơ sở dữ liệu, xử lý 
truy vấn, tích hợp dữ liệu ví dụ như công cụ 
quản lý dữ liệu phân tán (Hadoop, Dryad), 
ĐÀO MỸ HẰNG - ĐẶNG THU HOÀI
91Số 224+225- Tháng 1&2. 2021- Tạp chí Khoa học & Đào tạo Ngân hàng
hệ cơ sở dữ liệu không cấu trúc NoQuery, 
các công cụ xử lý (MapReduce)
Bốn là, giải pháp về dữ liệu. Tuy các nhà 
cung cấp đám mây hiện nay mang lại một 
số lợi ích an ninh hơn so với trung tâm dữ 
liệu thông thường của NHTM như bảo vệ và 
giám sát dữ liệu tập trung hơn, tuy nhiên nó 
cũng mang lại rủi ro khi mà dữ liệu có thêm 
một tổ chức trung gian nắm giữ. Vì vậy, các 
NHTM cần áp dụng các tiêu chuẩn cao về 
đối tác, tuyển dụng và quản lý con người, hệ 
thống; đặc biệt quan tâm đến việc xây dựng 
trung tâm dự phòng dữ liệu (khôi phục dữ 
liệu sau thảm họa); nâng cấp hệ thống an 
ninh, bảo mật ở mức cao; đảm bảo việc mở 
rộng phạm vi hoạt động (nếu có) được ổn 
định, an toàn, mang lại hiệu quả lâu dài.
6. Kết luận
Nhờ khả năng kết hợp nhiều công nghệ, kỹ 
thuật và phương pháp hiện đại, tối ưu, Big 
Data đang dần thể hiện rõ tầm quan trọng 
của mình đối với NHTM hiện tại và trong 
tương lai. Tuy nhiên NHTM cần hết sức 
thận trọng trong việc ứng dụng nó để phù 
hợp với thực tiễn, khắc phục các hạn chế, 
thách thức và đảm bảo an toàn thông tin 
thông qua xây dựng một lộ trình triển khai 
phù hợp dựa trên khuyến nghị tiếp cận theo 
7 bước ở cấp độ “High level”, và một số 
giải pháp được đúc kết dựa trên thực tế từ 
các chuyên gia đã triển khai và ứng dụng 
thành công vào các ngân hàng, fintech. Một 
khi có thể làm chủ, tận dụng, kết hợp giữa 
hệ thống dữ liệu hiện tại và Big Data thì 
Biểu đồ 5: Giải pháp Data Lake kết nối dữ liệu truyền thống và dữ liệu phi cấu 
trúc của ngân hàng
Nguồn: Analytics, M. (2016), The age of analytics: Competing in a data-driven world 
Ứng dụng dữ liệu lớn - thách thức đối với các ngân hàng thương mại Việt Nam
92 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 224+225- Tháng 1&2. 2021
NHTM sẽ có cơ hội thành công lớn hơn 
trong bối cảnh cạnh tranh ngày nay và 
hưởng lợi nhiều hơn từ việc trích xuất thông 
tin một cách chính xác, hữu ích. Từ những 
nền tảng ban đầu trong phân tích này, nhóm 
nghiên cứu sẽ hướng đến nghiên cứu cụ thể 
theo các nhóm ngân hàng tương đồng về 
quy mô và ứng dụng công nghệ mới, từ đó 
đưa ra những giải pháp hữu ích hơn để xây 
dựng nền kinh tế số, giúp các tổ chức ngân 
hàng có thể mang đến trải nghiệm dịch vụ 
tốt nhất tới khách hàng ■
Tài liệu tham khảo
Analytics, M. (2016). The age of analytics: competing in a data-driven world. McKinsey Global Institute Research 
Banking Academy, (2017), Big Data for Banking and Financial Industry, Science and technics publishing house, ISBN: 
9786046709305.
Cornelia Hammer, Diane C Kostroch, Gabriel Quiros, (2017), Big Data: Potential, Challenges, and Statistical 
Implications, ISBN/ISSN:9781484310908.
Cơ quan Nghiên cứu Khoa học và Công nghiệp Khối thịnh vượng chung Úc (CSIRO), (2019), Tương lai nền kinh tế số 
Việt Nam hướng tới năm 2030 và 2045.
Cục Thông tin Khoa học và Công nghệ Quốc gia, (2015), Tổng luận Dữ liệu lớn và xu hướng đổi mới sáng tạo dựa trên 
dữ liệu số.
Domo, (2020), Data never sleeps 7.0 (www.domo.com).
Đào Văn Hùng, (2019), Phát triển khu vực tài chính- ngân hàng trong bối cảnh Cách mạng công nghiệp lần thứ tư, 
Tạp chí Cộng sản số 6/2019.
Fred Zimmerman, (2015), Hadoop Business Case: A Cost Effective Queryable Data Archive/Storage Platform.
Gärtner, B., & Hiebl, M. R. (2018). Issues with big data. The Routledge Companion to Accounting Information Systems 
(S. 161-172). New York: Routledge.
Gordon, J., Perrey, J., & Spillecke, D. (2013). Big data, analytics and the future of marketing and sales. McKinsey: 
Digital Advantage.
Hortonworks, (2019), Data Strategy Scorecard Survey.
Học viện Ngân hàng, (2019), Kỷ yếu Hội thảo Hệ thống thông tin quản lý trong kỷ nguyên số, NXB Thanh Niên, ISBN: 
9786049756801.
Mary Aleksandrova, (2020) Big Data in the Banking Industry: The Main Challenges and Use Cases. . McKinsey Global 
Institute Research
Manyika, J. (2011). Big data: The next frontier for innovation, competition, and productivity. . McKinsey Global 
Institute Research 
Manyika, J. (2017). A future that works: AI, automation, employment, and productivity. McKinsey Global Institute 
Research, Tech. Rep, 60.
Nasser T & Tariq RS, (2015), Big Data Challenges, Journal of Computer Engineering & Information Technology 
Volume 4 Issue 3.
Ngô Kim Thanh, (2020), Ứng dụng dữ liệu lớn trong nền kinh tế số.
Nghị định số 117/2018/NĐ-CP Về việc giữ bí mật, cung cấp thông tin khách hàng của tổ chức tín dụng, chi nhánh ngân 
hàng nước ngoài, ban hành ngày 11/09/2018.
Nguyễn Anh Duy, Nguyễn Phúc Quỳnh, (2019), Dữ liệu lớn: Cách thức khai thác cơ hội từ dữ liệu? Trường hợp 
Amazon, Tạp chí Phát triển & Hội nhập số 46. 
Oracle, (2016), The Era I Enterprise: Ready for Anything, Financial Services- Report
Phan Thanh Đức và cộng sự, (2019), Ứng dụng dữ liệu lớn trong hoạt động quản trị quan hệ khách hàng tại các 
NHTM Việt Nam, Tạp chí Khoa học & Đào tạo Ngân hàng số 203.
Philip Russom, (2015), Hadoop for the Enterprise: Making DataManagement Massively Scalable, Agile, Feature-Rich, 
and Cost-Effective.
Reinsel, D., Gantz, J., Rydning, J., (2018), Data Age 2025: The Digitization of the World from Edge to Core, IDC 
Vietnam Report, (2019), Báo cáo Vietnam CEO insight 2019: chuyển đổi số và cơ hội của các doanh nghiệp Việt Nam
We are Social, (2020), Digital 2020 global digital yearbook.