Phân tích cụm là gì?
Phân tích cụm (Cluster Analysis) là kỹ thuật phân loại thống kê không giám sát (unsupervised learning), nhằm nhóm các đối tượng có đặc điểm tương tự nhau vào cùng một cụm, đồng thời các đối tượng thuộc cụm khác nhau sẽ có sự khác biệt rõ rệt. Điểm đặc trưng quan trọng nhất của phân tích cụm là không đòi hỏi người phân tích phải xác định trước nhãn hoặc danh mục cho dữ liệu — thay vào đó, thuật toán sẽ tự động khám phá cấu trúc tự nhiên của tập dữ liệu dựa trên các biến đầu vào.
Nói một cách đơn giản, nếu bạn có 10.000 khách hàng ngân hàng với hàng chục thuộc tính khác nhau (thu nhập, tuổi, tần suất giao dịch, số dư tài khoản...), phân tích cụm sẽ giúp bạn tự động tách 10.000 khách hàng này thành các nhóm có đặc điểm giống nhau — chẳng hạn nhóm khách hàng thu nhập cao giao dịch ít, nhóm thu nhập trung bình giao dịch thường xuyên, hay nhóm có xu hướng rủi ro tín dụng cao.
Tại sao phân tích cụm quan trọng trong ngân hàng?
Phân khúc khách hàng chính xác: Thay vì phân loại khách hàng dựa trên cảm tính hoặc định kiến, phân tích cụm cho phép ngân hàng chia nhóm dựa trên dữ liệu thực tế, đảm bảo mỗi nhóm có đặc điểm hành vi và nhu cầu tài chính riêng biệt.
Tối ưu hóa chiến lược marketing: Khi hiểu rõ từng cụm khách hàng, ngân hàng có thể thiết kế sản phẩm, chương trình khuyến mãi và kênh truyền thông phù hợp với từng nhóm, giảm thiểu lãng phí ngân sách marketing.
Phát hiện gian lận và rủi ro: Các giao dịch bất thường thường có mẫu hành vi khác biệt so với giao dịch bình thường. Phân tích cụm giúp hệ thống tự động nhận diện và cảnh báo các nhóm giao dịch đáng ngờ.
Hỗ trợ ra quyết định tín dụng: Việc phân cụm khách hàng theo mức độ rủi ro tín dụng giúp bộ phận tín dụng xây dựng chính sách cho vay phù hợp với từng nhóm, cân bằng giữa lợi nhuận và mức độ chấp nhận rủi ro.
Tuân thủ quy định pháp lý: Các thông tư của Ngân hàng Nhà nước Việt Nam như Thông tư 44/2016/TT-NHNN và Thông tư 13/2023/TT-NHNN đều nhấn mạnh việc ứng dụng kỹ thuật phân tích dữ liệu để kiểm soát rủi ro và bảo vệ thông tin khách hàng.
Cách hoạt động và các phương pháp phân tích cụm
Bước 1: Lựa chọn biến đặc trưng
Người phân tích cần chọn các biến phù hợp để đo lường sự tương đồng giữa các đối tượng. Các biến phổ biến trong ngân hàng bao gồm: số dư trung bình, tần suất giao dịch, thu nhập hàng tháng, độ tuổi, tổng dư nợ tín dụng, số lần trễ hạn thanh toán...
Bước 2: Chuẩn hóa dữ liệu
Trước khi áp dụng thuật toán, dữ liệu cần được chuẩn hóa (normalization) để đảm bảo các biến có cùng thang đo và trọng số tương đương. Ví dụ, thu nhập (hàng chục triệu đồng) và tần suất giao dịch (hàng chục lần/tháng) có đơn vị hoàn toàn khác nhau — nếu không chuẩn hóa, biến có giá trị lớn hơn sẽ chi phối kết quả phân cụm.
Bước 3: Lựa chọn thuật toán và số cụm
K-means Clustering: Thuật toán phổ biến nhất, hoạt động bằng cách chia dữ liệu thành K cụm, mỗi cụm có một tâm điểm (centroid). Thuật toán lặp đi lặp lại việc gán điểm dữ liệu vào cụm gần nhất và cập nhật tâm điểm cho đến khi hội tụ.
Phân cụm phân cấp (Hierarchical Clustering): Xây dựng cây phân cấp (dendrogram) thể hiện mối quan hệ lồng nhau giữa các cụm, phù hợp khi cần khám phá cấu trúc đa cấp của dữ liệu.
DBSCAN (Density-Based Spatial Clustering): Phân cụm dựa trên mật độ, có khả năng phát hiện các cụm có hình dạng bất kỳ và tự động loại bỏ nhiễu — phù hợp để phát hiện gian lận.
GMM (Gaussian Mixture Model): Mô hình xác suất giả định dữ liệu được tạo ra từ hỗn hợp của nhiều phân phối chuẩn, cho phép một điểm dữ liệu thuộc về nhiều cụm với xác suất khác nhau.
Bước 4: Đánh giá chất lượng phân cụm
- Silhouette Score: Đo lường mức độ tương tự của một điểm với cụm của nó so với các cụm khác, giá trị từ -1 đến 1 (càng gần 1 càng tốt).
- Elbow Method: Vẽ đồ thị tổng bình phương khoảng cách trong cụm theo số cụm K, chọn điểm "khuỷu tay" nơi việc tăng K không còn giảm đáng kể tổng khoảng cách.
- Dunn Index: Tỷ lệ giữa khoảng cách nhỏ nhất giữa hai cụm và khoảng cách lớn nhất trong cùng cụm, giá trị càng lớn càng tốt.
Ví dụ thực tế
Ví dụ 1: Phân khúc khách hàng bán lẻ
Ngân hàng A có cơ sở dữ liệu 50.000 khách hàng cá nhân với các thông tin: thu nhập hàng tháng, số dư tiết kiệm trung bình, tần suất sử dụng thẻ tín dụng, số lần vay tín dụng trong 12 tháng qua. Áp dụng K-means với K=4, ngân hàng phát hiện 4 cụm:
| Cụm | Mô tả | Số khách hàng | Chiến lược |
|---|---|---|---|
| 1 | Thu nhập >25 triệu/tháng, số dư >200 triệu, giao dịch thẻ <5 lần/tháng | 8.000 (16%) | Gói đầu tư tài chính cao cấp |
| 2 | Thu nhập 10-25 triệu/tháng, số dư 50-200 triệu, giao dịch thẻ 10-20 lần/tháng | 15.000 (30%) | Thẻ tín dụng tích điểm, bảo hiểm nhân thọ |
| 3 | Thu nhập 5-10 triệu/tháng, số dư <50 triệu, giao dịch thẻ >20 lần/tháng | 18.000 (36%) | Thẻ tín dụng cơ bản, vay tiêu dùng |
| 4 | Thu nhập <5 triệu/tháng, nhiều khoản vay, có trễ hạn | 9.000 (18%) | Tái cơ cấu nợ, kiểm soát rủi ro chặt chẽ |
Ví dụ 2: Phát hiện gian lận thẻ
Khách hàng B có hành vi giao dịch bình thường: mua hàng tại siêu thị, cửa hàng tiện lợi 2-3 lần/tuần, rút tiền mặt 1 lần/tuần tại ATM gần nhà. Đột nhiên, trong 1 giờ, hệ thống ghi nhận 5 giao dịch tại 5 quốc gia khác nhau với tổng giá trị 80 triệu đồng. Phân tích cụm với DBSCAN xác định nhóm giao dịch này nằm ngoài phạm vi bình thường (outlier) và kích hoạt cảnh báo cho bộ phận kiểm soát rủi ro.
Phân biệt với thuật ngữ liên quan
| Tiêu chí | Phân tích cụm (Cluster Analysis) | Phân loại (Classification) | Hồi quy (Regression) |
|---|---|---|---|
| Loại học | Không giám sát (unsupervised) | Có giám sát (supervised) | Có giám sát (supervised) |
| Nhãn dữ liệu | Không cần biết trước | Cần biết trước nhãn | Cần biết trước giá trị liên tục |
| Mục tiêu | Khám phá cấu trúc tự nhiên | Dự đoán nhãn/phân loại đối tượng | Dự đoán giá trị liên tục |
| Kết quả | Các nhóm đối tượng | Đối tượng được gán nhãn cụ thể | Giá trị số cụ thể |
| Ví dụ bài toán | Chia khách hàng thành nhóm | Dự đoán khách hàng có trả nợ đúng hạn không | Dự đoán hạn mức tín dụng phù hợp |
Câu hỏi thường gặp trong đề thi
Câu 1: Phân tích cụm (Cluster Analysis) thuộc loại kỹ thuật học máy nào?
A. Học có giám sát (Supervised Learning) B. Học không giám sát (Unsupervised Learning) C. Học tăng cường (Reinforcement Learning) D. Học bán giám sát (Semi-supervised Learning)
Câu 2: Trong thuật toán K-means, tham số K biểu thị điều gì?
A. Số lần lặp tối đa của thuật toán B. Số lượng cụm cần phân chia dữ liệu C. Khoảng cách tối thiểu giữa các tâm điểm D. Tổng số biến đầu vào
Câu 3: Điểm khác biệt cơ bản giữa phân tích cụm và phân loại (Classification) là gì?
A. Phân tích cụm cần nhãn dữ liệu từ trước, phân loại không cần B. Phân tích cụm không cần biết trước nhãn dữ liệu, phân loại cần nhãn đã được gán C. Cả hai đều không cần nhãn dữ liệu D. Cả hai đều là kỹ thuật học có giám sát
Câu 4: Thuật toán DBSCAN có ưu điểm gì so với K-means?
A. Chạy nhanh hơn với dữ liệu lớn B. Phát hiện được các cụm có hình dạng bất kỳ và tự động loại bỏ nhiễu C. Đảm bảo hội tụ về nghiệm tối ưu toàn cục D. Yêu cầu ít bộ nhớ hơn
Tổng kết
Phân tích cụm là kỹ thuật thống kê không giám sát giúp ngân hàng khám phá cấu trúc tự nhiên của dữ liệu khách hàng và giao dịch mà không cần xác định trước các nhóm. Với khả năng phân khúc chính xác, hỗ trợ phát hiện gian lận và đánh giá rủi ro tín dụng, phân tích cụm đã trở thành công cụ không thể thiếu trong ngành ngân hàng hiện đại.
Khi ôn thi tuyển dụng ngân hàng, thí sinh cần ghi nhớ đặc điểm cốt lõi: phân tích cụm là không giám sát, không cần nhãn dữ liệu từ trước — đây là điểm phân biệt quan trọng nhất với phân loại (Classification). Hãy luyện tập phân biệt các thuật toán phổ biến (K-means, DBSCAN, Hierarchical) và hiểu cách đánh giá chất lượng phân cụm (Silhouette Score, Elbow Method) để tự tin chinh phục các câu hỏi liên quan trong kỳ thi.