Chấm điểm tín dụng bằng dữ liệu thay thế là việc đánh giá khả năng trả nợ của một người dựa trên những dữ liệu ngoài lịch sử vay truyền thống: hoá đơn điện, nước, viễn thông đóng có đúng hạn không, dòng tiền qua ví và tài khoản, lịch sử mua hàng, thậm chí hành vi dùng điện thoại. Mục tiêu là cho người chưa từng vay ngân hàng có cơ hội được đánh giá.
Cách tiếp cận này mang lại lợi ích thật cho hàng triệu người "vô hình" với hệ thống tín dụng, nhưng cũng đặt ra ba câu hỏi lớn: dữ liệu nào được phép dùng, mô hình có đối xử bất công với một nhóm người nào không, và người bị từ chối có quyền được biết vì sao không. Ở Việt Nam, chấm điểm tín dụng là một trong ba nhóm giải pháp nằm trong cơ chế thử nghiệm có kiểm soát của ngành ngân hàng từ năm 2025.
Chấm điểm tín dụng truyền thống và giới hạn của nó
Chấm điểm tín dụng truyền thống dựa trên lịch sử vay và trả nợ: bạn đã từng vay chưa, trả đúng hạn không, đang nợ bao nhiêu, đã dùng thẻ tín dụng bao lâu. Ở Mỹ, điểm FICO ra đời năm 1989 là ví dụ quen thuộc. Ở Việt Nam, Trung tâm Thông tin tín dụng Quốc gia (CIC) thuộc Ngân hàng Nhà nước thu thập thông tin tín dụng từ các tổ chức tín dụng và cung cấp báo cáo, điểm tín dụng phục vụ việc thẩm định.
Cách tiếp cận này có một nghịch lý: muốn vay thì phải có lịch sử vay. Người trẻ mới đi làm, người làm nghề tự do, tiểu thương bán hàng bằng tiền mặt, người nông thôn chưa từng giao dịch với ngân hàng đều có hồ sơ "mỏng" hoặc trống. Họ không phải là người không trả nợ, mà là người hệ thống không có thông tin để đánh giá. Kết quả là họ bị từ chối, hoặc tìm tới các kênh vay phi chính thức với chi phí cao và rủi ro bị đòi nợ sai cách.
Dữ liệu thay thế được kỳ vọng lấp khoảng trống đó: một người chưa từng vay nhưng ba năm liền đóng tiền điện đúng hạn, có dòng tiền bán hàng đều đặn qua tài khoản, có thể là người vay đáng tin cậy.
Các loại dữ liệu thay thế và mức độ tranh cãi
Không phải dữ liệu thay thế nào cũng giống nhau. Có loại gần với khả năng trả nợ và tương đối dễ chấp nhận; có loại liên hệ mờ nhạt và gây tranh cãi lớn về quyền riêng tư và công bằng.
| Loại dữ liệu | Liên hệ với khả năng trả nợ | Mức độ tranh cãi |
|---|---|---|
| Hoá đơn điện, nước, viễn thông, tiền thuê nhà | Trực tiếp: phản ánh thói quen thanh toán nghĩa vụ định kỳ | Thấp, nếu có sự đồng ý |
| Dòng tiền tài khoản, ví điện tử | Khá trực tiếp: thu nhập, độ ổn định, số dư | Trung bình: dữ liệu rất chi tiết về đời sống |
| Lịch sử mua hàng trên sàn thương mại điện tử | Gián tiếp | Trung bình đến cao |
| Hành vi dùng điện thoại (pin, ứng dụng cài đặt, thời gian dùng) | Thống kê, không có lý do nhân quả rõ | Cao: khó giải thích, dễ xâm phạm riêng tư |
| Mạng xã hội, danh bạ | Rất gián tiếp | Rất cao: dễ bị lạm dụng, ảnh hưởng người thứ ba |
Dữ liệu danh bạ là ví dụ điển hình của rủi ro: ngoài vấn đề riêng tư của chính người vay, nó từng bị một số ứng dụng cho vay không phép dùng để gọi điện, nhắn tin bêu riếu người thân khi đòi nợ. Một khung chấm điểm có trách nhiệm phải loại hẳn những dữ liệu kiểu này.
Lợi ích thật: ai được hưởng
Bằng chứng từ nhiều thị trường cho thấy dữ liệu thay thế có thể mở rộng tiếp cận tín dụng cho nhóm hồ sơ mỏng mà không làm tăng tỷ lệ nợ xấu một cách tương ứng, khi dữ liệu được chọn hợp lý và mô hình được kiểm định cẩn thận. Đặc biệt với dữ liệu thanh toán hoá đơn và dòng tiền, người vay có thể chứng minh mình có thói quen tài chính tốt dù chưa từng vay.
Với người bán nhỏ trên sàn thương mại điện tử, dữ liệu doanh số cho phép cho vay vốn lưu động nhanh, trả dần theo doanh thu, mà không cần tài sản bảo đảm. Với người lao động tự do nhận tiền qua tài khoản, lịch sử thu nhập đều đặn là căn cứ thay cho hợp đồng lao động.
Nhưng cần thận trọng với lời quảng bá rằng dữ liệu thay thế "giải quyết" tài chính toàn diện. Khả năng tiếp cận tín dụng chỉ có lợi khi khoản vay phù hợp với khả năng trả. Mô hình chấm điểm tốt hơn giúp cho vay đúng người hơn; nó không biến một khoản vay lãi cao, kỳ hạn ngắn thành có lợi cho người vay. Và người chưa có điện thoại thông minh, chưa dùng ví hay tài khoản thì vẫn "vô hình", lần này với cả dữ liệu thay thế.
Ví dụ giả định: hai hồ sơ, hai cách nhìn
Để thấy dữ liệu thay thế thay đổi kết quả thế nào, hãy xem hai hồ sơ giả định dưới đây. Các chi tiết là minh hoạ, không phản ánh mô hình của bất kỳ tổ chức nào.
| Tiêu chí | Chị A, bán hàng ăn sáng | Anh B, nhân viên văn phòng |
|---|---|---|
| Lịch sử vay ngân hàng | Chưa từng vay | Đã có một thẻ tín dụng hai năm |
| Dữ liệu truyền thống cho thấy | Hồ sơ trống, khó đánh giá | Trả đúng hạn, dư nợ thấp |
| Dữ liệu thay thế (khi đồng ý chia sẻ) | Ba năm nhận tiền bán hàng đều đặn qua mã QR, hoá đơn điện đúng hạn | Không bổ sung nhiều |
| Kết quả có thể thay đổi | Từ "không đủ thông tin" sang có căn cứ đánh giá | Gần như không đổi |
Ví dụ cho thấy dữ liệu thay thế có giá trị lớn nhất với nhóm hồ sơ mỏng, và gần như không thêm gì cho người đã có lịch sử tín dụng tốt. Nó cũng cho thấy điều kiện tiên quyết: chị A phải nhận tiền qua tài khoản đứng tên mình. Người bán chỉ nhận tiền mặt, hoặc nhận qua tài khoản của người nhà, vẫn vô hình trước mọi mô hình.
Thiên lệch thuật toán: khi mô hình học lại định kiến
Mô hình máy học học từ dữ liệu quá khứ. Nếu quá khứ chứa định kiến — một nhóm người từng bị từ chối nhiều hơn vì lý do không liên quan đến khả năng trả nợ — mô hình có thể học lại định kiến đó. Kể cả khi loại bỏ các biến nhạy cảm như giới tính, dân tộc, nơi sinh, mô hình vẫn có thể suy ra chúng qua biến đại diện: khu vực sinh sống, loại điện thoại, giờ giấc dùng ứng dụng, mẫu tiêu dùng.
Một trường hợp được dư luận quốc tế chú ý là năm 2019, một thẻ tín dụng mới ra mắt ở Mỹ bị phản ánh cấp hạn mức cho phụ nữ thấp hơn nhiều so với chồng họ dù tài chính chung. Cơ quan quản lý tài chính bang New York đã điều tra và năm 2021 kết luận không tìm thấy vi phạm pháp luật về phân biệt đối xử, nhưng nhấn mạnh yêu cầu về minh bạch và khả năng giải thích. Vụ việc cho thấy ngay cả khi không có ý định phân biệt đối xử, người dùng vẫn cần được hiểu vì sao quyết định được đưa ra.
Các kỹ thuật giảm thiên lệch — kiểm tra kết quả theo nhóm, đo các chỉ số công bằng, loại biến đại diện — đang phát triển, và giới nghiên cứu còn tranh luận về việc nên dùng thước đo công bằng nào, vì một số thước đo không thể thoả mãn đồng thời. Điều chắc chắn là kiểm tra thiên lệch phải là việc làm định kỳ, không phải một lần.
Quyền được giải thích và các khung quy định
Mỹ. Luật về cơ hội tín dụng bình đẳng yêu cầu bên cho vay thông báo lý do chính khi từ chối, kể cả khi dùng mô hình phức tạp; cơ quan bảo vệ người tiêu dùng tài chính đã nhắc rằng "mô hình quá phức tạp" không phải lý do để không giải thích.
Liên minh châu Âu. Quy định chung về bảo vệ dữ liệu (GDPR) có điều khoản về quyết định hoàn toàn tự động gây ảnh hưởng đáng kể tới cá nhân. Đạo luật AI năm 2024 xếp hệ thống AI dùng để đánh giá mức tín nhiệm của cá nhân vào nhóm rủi ro cao, kèm nghĩa vụ về dữ liệu, tài liệu và giám sát của con người.
Việt Nam. Việc xử lý dữ liệu cá nhân, đặc biệt dữ liệu tài chính, chịu các quy định về bảo vệ dữ liệu cá nhân hiện hành, trong đó sự đồng ý của chủ thể dữ liệu là nguyên tắc trung tâm. Chấm điểm tín dụng thuộc diện thử nghiệm có kiểm soát; điều kiện cụ thể cần tra văn bản của Ngân hàng Nhà nước.
Thực tế cho người dùng. Khi bị từ chối, bạn có quyền hỏi lý do và hỏi dữ liệu nào đã được dùng. Câu trả lời có thể chung chung, nhưng việc hỏi giúp tạo áp lực minh bạch và đôi khi phát hiện dữ liệu sai cần sửa.
Trước khi đồng ý cho ứng dụng dùng dữ liệu để chấm điểm
Nhiều ứng dụng vay xin quyền truy cập dữ liệu ngay khi cài đặt. Trước khi bấm đồng ý, hãy đi qua các bước sau:
- Đọc phần xin phép: ứng dụng xin dữ liệu gì (giao dịch, vị trí, danh bạ, tin nhắn, ảnh), để làm gì, giữ trong bao lâu, chia sẻ cho ai.
- Từ chối ngay các quyền không liên quan đến đánh giá khả năng trả nợ, đặc biệt danh bạ, ảnh, tin nhắn. Ứng dụng cho vay hợp pháp không cần đọc danh bạ của bạn.
- Kiểm tra ứng dụng thuộc tổ chức tín dụng được cấp phép, hoặc là đối tác được công bố của tổ chức đó.
- Lưu lại màn hình đồng ý và chính sách quyền riêng tư tại thời điểm đó.
- Biết cách rút lại sự đồng ý và yêu cầu xoá dữ liệu khi không dùng dịch vụ nữa.
Nếu một ứng dụng chỉ cho vay khi bạn cấp quyền đọc danh bạ, hãy coi đó là tín hiệu nguy hiểm, không phải điều kiện bình thường.
Câu hỏi thường gặp
Dữ liệu thay thế có thay thế được điểm CIC không?
Thường là bổ sung chứ không thay thế. Tổ chức tín dụng vẫn tra cứu thông tin tín dụng tại CIC khi thẩm định; dữ liệu thay thế giúp đánh giá thêm, nhất là với người có hồ sơ mỏng. Cách kết hợp cụ thể khác nhau giữa các tổ chức và phải tuân theo quy định về thẩm định tín dụng.
Đóng tiền điện nước đúng hạn có giúp tăng điểm tín dụng không?
Chỉ khi bên cho vay hoặc tổ chức chấm điểm có dùng loại dữ liệu đó và bạn đồng ý chia sẻ. Hiện nay việc này phụ thuộc vào từng mô hình, chưa phải chuẩn chung. Dù vậy, thói quen thanh toán đúng hạn mọi nghĩa vụ luôn có lợi cho hồ sơ tài chính của bạn.
Mô hình chấm điểm có thể sai không, và sửa thế nào?
Có thể sai do dữ liệu sai (giao dịch ghi nhầm, thông tin của người khác) hoặc do mô hình không phù hợp với hoàn cảnh của bạn. Bạn có quyền yêu cầu kiểm tra, chỉnh sửa dữ liệu cá nhân không chính xác. Với dữ liệu tại CIC, khách hàng có thể khiếu nại qua tổ chức tín dụng hoặc trực tiếp theo quy trình của CIC.
Ứng dụng vay xin quyền đọc danh bạ có hợp pháp không?
Việc thu thập dữ liệu phải có mục đích rõ ràng, cần thiết và có sự đồng ý theo quy định bảo vệ dữ liệu cá nhân. Dữ liệu danh bạ chứa thông tin của người thứ ba vốn không đồng ý. Thực tế nhiều vụ đòi nợ bêu riếu xuất phát từ quyền này. Nên từ chối, và cảnh giác với ứng dụng bắt buộc quyền đó.
Thuật toán có công bằng hơn nhân viên tín dụng không?
Còn tranh luận. Thuật toán nhất quán hơn và không bị tâm trạng chi phối, nhưng có thể nhân rộng thiên lệch có sẵn trong dữ liệu với quy mô lớn. Con người có thể xét hoàn cảnh riêng nhưng cũng có định kiến. Nhiều khung quy định chọn cách kết hợp: mô hình đề xuất, con người giám sát và giải thích được.
