GIS 8 — Dữ liệu không gian trong ngân hàng: Tổng hợp

Bảy bài trước xây bộ công cụ: tổng quan GIS, PostGIS, truy vấn không gian, định dạng dữ liệu, trực quan hoá bản đồ, phân tích không gian, và dữ liệu lớn & cloud. Bài kết này gộp tất cả lại quanh một câu hỏi nghiệp vụ: ngân hàng dùng "vị trí" để ra quyết định tốt hơn ở đâu?

Thuật ngữ ngành gọi việc này là location intelligence — biến toạ độ, địa chỉ, ranh giới hành chính thành thông tin phục vụ quyết định kinh doanh và quản trị rủi ro. Với một ngân hàng có mạng lưới vật lý (chi nhánh, phòng giao dịch, ATM) và tệp khách phân bố theo địa bàn, gần như mọi bài toán đều có một chiều không gian ẩn bên trong — chỉ là ta có khai thác nó hay không.

Bài này tổ chức theo năm nhóm ứng dụng. Mỗi nhóm trả lời cùng một khung: bài toán → dữ liệu cần → kỹ thuật không gian → kết quả ra quyết định. Sau đó là kiến trúc dữ liệu, quyền riêng tư, và lộ trình cho NCB.

Nhóm 1 — Tối ưu mạng lưới chi nhánh / ATM / PGD

Bài toán. Mỗi chi nhánh, phòng giao dịch (PGD) hay ATM là một tài sản tốn chi phí cố định. Câu hỏi lặp lại hàng năm: mở điểm mới ở đâu, điểm nào hoạt động kém, vùng nào bị bỏ trống, điểm nào nên đóng hoặc di dời?

Dữ liệu cần. Toạ độ tất cả điểm hiện có (của mình và của đối thủ nếu thu thập được), ranh giới hành chính, dân số/thu nhập/mật độ doanh nghiệp theo phường-xã (nguồn ngoài: Tổng cục Thống kê, dữ liệu mua), và số liệu kinh doanh gắn với từng điểm (dư nợ, huy động, số giao dịch, số khách).

Kỹ thuật không gian. Đây chính là toàn bộ kho công cụ ở phân tích không gian: buffer/isochrone (vùng phục vụ trong bán kính 3km hoặc 15 phút đi xe), overlay dân số vào vùng phục vụ để ước lượng thị trường tiềm năng, phát hiện khoảng trống phủ (vùng đông dân mà không điểm nào phủ tới), và bài toán tối ưu chọn tập điểm (facility location) — nối sang tối ưu mạng lưới & lập lịch vì đây là bài toán quy hoạch có ràng buộc, không chỉ vẽ bản đồ.

Kết quả. Danh sách xếp hạng địa điểm ứng viên cho mở mới; danh sách điểm hiệu quả thấp và trùng vùng phục vụ với điểm khác (ứng viên đóng/di dời); bản đồ khoảng trống cho kế hoạch mở rộng.

Nhóm 2 — Phân tích khách hàng theo địa bàn

Bài toán. Khách của mình nằm ở đâu, thị phần từng vùng ra sao, vùng nào còn tiềm năng chưa khai thác, và có nên phân khúc chính sách theo địa lý không?

Dữ liệu cần. Địa chỉ khách (đã geocode ra toạ độ), gắn về phường-xã/quận-huyện; dân số và thu nhập bình quân theo vùng để tính tỉ lệ thâm nhập (số khách / dân số trưởng thành).

Kỹ thuật không gian. Gộp khách theo vùng hành chính (spatial join điểm-vào-polygon), tính mật độ và tỉ lệ thâm nhập, so với thị phần ước lượng. Trực quan bằng choropleth đã chuẩn hoá — nhớ cảnh báo ở trực quan hoá bản đồ: tô theo tỉ lệ, không theo số tuyệt đối, kẻo bản đồ chỉ vẽ lại dân số.

Phần gộp theo tên địa bàn thì không cần PostGIS — chỉ cần GROUP BY city. Ví dụ phân bố khách theo tỉnh/thành trên schema sandbox:

-- ▶ Chạy được
SELECT city,
       COUNT(*)                         AS so_khach
FROM customers
GROUP BY city
ORDER BY so_khach DESC;

Ghép với dư nợ (ở đây minh hoạ bằng balance của accounts) để xem tương quan quy mô khách và số dư theo địa bàn:

-- ▶ Chạy được
SELECT c.city,
       COUNT(DISTINCT c.id)             AS so_khach,
       ROUND(AVG(a.balance)::numeric, 2) AS so_du_tb,
       SUM(a.balance)                   AS tong_so_du
FROM customers c
JOIN accounts a ON a.customer_id = c.id
GROUP BY c.city
ORDER BY tong_so_du DESC;

Chú ý ROUND(AVG(...)::numeric, 2): AVG trả double precision, phải ép ::numeric mới dùng được ROUND hai tham số. Còn khi cần khoảng cách, vùng phủ, điểm trong bán kính thì mới cần PostGIS — và những câu đó là minh hoạ, không đánh dấu chạy được.

Kết quả. Bản đồ thị phần theo vùng; danh sách vùng "thâm nhập thấp nhưng thị trường lớn" cho đội bán; đầu vào cho phân khúc chính sách theo địa lý.

Nhóm 3 — Rủi ro tín dụng & danh mục theo không gian

Bài toán. Danh mục tín dụng có bị tập trung địa lý không (quá nhiều dư nợ dồn vào một tỉnh, một khu công nghiệp)? Tài sản đảm bảo (TSĐB) có nằm ở vùng rủi ro thiên tai / quy hoạch treo không? Có nên chấm điểm khu vực như một yếu tố rủi ro?

Dữ liệu cần. Toạ độ TSĐB (nhất là bất động sản), địa bàn của khách vay; lớp dữ liệu ngoài: bản đồ ngập lụt/sạt lở, quy hoạch, biến động giá đất theo vùng.

Kỹ thuật không gian. Gộp dư nợ theo vùng để đo tập trung (chỉ số Herfindahl theo tỉnh); overlay TSĐB lên lớp rủi ro thiên tai/quy hoạch để gắn cờ TSĐB "vùng nhạy cảm"; xây biến khu vực (region risk) đưa vào mô hình chấm điểm. Chi tiết cách một biến như vậy sống trong scorecard xem chấm điểm & scorecard tín dụng — ở đây không gian chỉ cung cấp một feature, không thay thế toàn bộ mô hình.

Kết quả. Cảnh báo tập trung danh mục; danh sách khoản vay có TSĐB ở vùng rủi ro cao (cho định giá lại/giám sát); một biến địa lý bổ sung cho scorecard, cải thiện phân tách rủi ro.

Nhóm 4 — Gian lận & AML theo vị trí

Bài toán. Vị trí giao dịch là một tín hiệu gian lận rất mạnh. Ba mẫu kinh điển: giao dịch bất khả thi về địa lý (impossible travel — quẹt thẻ ở Hà Nội rồi 20 phút sau ở TP.HCM), cụm ATM gian lận (nhiều thẻ bị rút bất thường tại cùng vài ATM — dấu hiệu skimming), và vị trí giao dịch thẻ bất thường so với vùng thường lệ của khách.

Dữ liệu cần. Giao dịch thẻ/ATM có gắn toạ độ hoặc mã điểm chấp nhận (merchant/ATM), timestamp chính xác, và hồ sơ vị trí thường lệ của từng khách.

Kỹ thuật không gian. Với impossible travel: tính khoảng cách great-circle giữa hai giao dịch liên tiếp chia cho khoảng thời gian → vận tốc suy ra; vượt ngưỡng vật lý (ví dụ > 900 km/h) thì gắn cờ. Với cụm ATM: phân cụm không gian (DBSCAN) các sự kiện nghi ngờ để tìm điểm nóng. Đây là lớp không gian bổ sung cho khung giám sát mô tả ở giám sát giao dịch AML — vị trí thêm một chiều mà luật ngưỡng thuần số tiền/tần suất bỏ sót.

Kết quả. Luật/cảnh báo impossible travel real-time; danh sách ATM/điểm nghi skimming để khảo sát vật lý; feature "độ lệch vị trí so với thường lệ" cho mô hình chấm điểm gian lận.

Nhóm 5 — Marketing địa điểm

Bài toán. Chạy chiến dịch (mở thẻ, vay tiêu dùng, ưu đãi merchant) đúng vùng thay vì rải đều, và geo-targeting theo hành vi vị trí.

Dữ liệu cần. Phân bố khách mục tiêu theo vùng (từ Nhóm 2), vùng phục vụ của điểm bán, dữ liệu merchant/POI (điểm quan tâm) theo địa bàn.

Kỹ thuật không gian. Chọn vùng ưu tiên bằng giao của "mật độ khách mục tiêu cao" và "gần điểm phục vụ/merchant hợp tác"; geo-targeting đẩy ưu đãi khi khách ở gần một merchant liên kết (dựa trên buffer quanh POI). Kết quả đo bằng tỉ lệ chuyển đổi theo vùng, đóng vòng lại về phân tích khách hàng.

Kết quả. Danh sách vùng ưu tiên và ngân sách phân bổ theo vùng; kịch bản ưu đãi theo vị trí; đo lường hiệu quả theo địa bàn thay vì trung bình toàn hàng.

Kiến trúc dữ liệu không gian trong ngân hàng

Năm nhóm trên chỉ chạy được nếu có một nền dữ liệu không gian chung. Kiến trúc điển hình:

Các mảnh chính:

• Nguồn. Core banking cho khách/tài khoản/địa chỉ; hệ thống thẻ cho giao dịch có toạ độ; danh mục chi nhánh/ATM với toạ độ; ranh giới hành chính (polygon phường-xã/quận/tỉnh) làm khung tổng hợp; dữ liệu bên ngoài (dân số, thu nhập, thiên tai, quy hoạch) mua hoặc lấy công khai.
• Geocoding. Địa chỉ khách trong core hầu như là chuỗi text tự do, không có toạ độ. Bước geocoding — chuyển "123 Lê Lợi, P.Bến Thành, Q.1, TP.HCM" thành (lat, lng) — là nút thắt sống còn: chất lượng địa chỉ quyết định mọi phân tích phía sau. Thực tế phải chuẩn hoá địa chỉ trước (viết tắt, sai chính tả, thiếu cấp), rồi mới geocode; tỉ lệ khớp 80–90% đã là tốt.
• Kho không gian. PostGIS (PostgreSQL + không gian) cho khối lượng vừa; warehouse có hàm địa lý (BigQuery GEOGRAPHY, hoặc Sedona trên Spark) cho khối lớn — xem dữ liệu lớn & cloud.
• Phục vụ. Dashboard bản đồ cho lãnh đạo và nghiệp vụ, theo nguyên tắc ở trực quan hoá bản đồ: xuất GeoJSON, choropleth chuẩn hoá, cluster điểm.

Quyền riêng tư & tuân thủ dữ liệu vị trí

Dữ liệu vị trí là dữ liệu cá nhân nhạy cảm: chuỗi toạ độ giao dịch của một người tiết lộ nơi ở, nơi làm, thói quen, thậm chí tôn giáo/sức khoẻ (qua các POI hay lui tới). Vì vậy nó chịu ràng buộc chặt của Nghị định 13/2023 về bảo vệ dữ liệu cá nhân và chính sách nội bộ — xem quyền riêng tư & tuân thủ dữ liệu.

Nguyên tắc thực hành:

• Tối thiểu hoá & gộp mức vùng. Cho báo cáo/dashboard, tổng hợp ở mức phường-xã/quận là đủ; đừng phơi toạ độ điểm của từng cá nhân. Tránh vùng có quá ít khách (nguy cơ tái định danh) — áp ngưỡng số lượng tối thiểu trước khi hiển thị.
• Phân quyền chặt. Toạ độ giao dịch cá nhân chỉ mở cho đội gian lận/AML với lý do nghiệp vụ và có log truy cập.
• Mục đích rõ. Dùng vị trí cho quản trị rủi ro/chống gian lận (có cơ sở pháp lý) khác với dùng cho quảng cáo (cần sự đồng ý). Đừng gộp mục đích.

Lộ trình áp dụng cho NCB

Không nhảy thẳng vào phân tích nâng cao. Trình tự thực tế:

1. Chuẩn hoá địa chỉ. Làm sạch trường địa chỉ khách trong core (tách cấp hành chính, chuẩn viết tắt). Đây là công việc dữ liệu thuần, chưa cần GIS, nhưng quyết định mọi thứ sau.
2. Geocode. Chuyển địa chỉ đã sạch thành toạ độ; đo tỉ lệ khớp; xử lý phần không khớp thủ công cho khách lớn.
3. Bản đồ chi nhánh & khách. Bản đồ nền: đặt chi nhánh/ATM và mật độ khách lên bản đồ. Riêng bước này đã tạo giá trị trực quan cho lãnh đạo.
4. Phân tích cơ bản. Choropleth thị phần theo tỉnh, vùng phục vụ chi nhánh, khoảng trống phủ (Nhóm 1, 2).
5. Phân tích nâng cao. Tối ưu vị trí điểm mới, biến khu vực cho scorecard, impossible travel cho gian lận (Nhóm 1, 3, 4) — khi nền dữ liệu và địa chỉ đã đủ tin cậy.

Use case thực tế

Bối cảnh. NCB muốn tối ưu mạng lưới ATM tại một tỉnh có 12 ATM đang vận hành, chi phí duy trì bình quân 8 triệu đồng/tháng/máy (~96 triệu/tháng toàn tỉnh). Câu hỏi: có thể giảm số máy mà không giảm vùng phủ, và lấp vùng trống đông dân nào?

Bước 1 — Dữ liệu. Toạ độ 12 ATM; ranh giới 30 phường-xã; dân số từng phường; số giao dịch/tháng của từng ATM (12 tháng).

Bước 2 — Vùng phủ. Vẽ buffer 2km quanh mỗi ATM (minh hoạ; PostGIS ST_Buffer — không đánh dấu chạy được vì là hàm không gian). Overlay lên dân số: 12 buffer phủ 72% dân số tỉnh.

Bước 3 — Chồng lấn & hiệu quả. Ba cặp ATM có buffer chồng nhau > 60% và một máy trong mỗi cặp chỉ đạt < 1.500 giao dịch/tháng (ngưỡng hoà vốn nội bộ là 2.000). → 3 máy là ứng viên gỡ bỏ; vùng phủ giảm không đáng kể vì máy còn lại trong cặp gánh được.

Bước 4 — Khoảng trống. Hai phường đông dân (tổng 41.000 dân) nằm ngoài mọi buffer → ứng viên đặt 1 ATM mới.

Kết quả đề xuất. Gỡ 3 máy kém, đặt 1 máy mới ở vùng trống: 12 → 10 máy, chi phí ~96 → 80 triệu/tháng (giảm ~17%), vùng phủ dân số tăng (từ 72% lên ~78% nhờ lấp khoảng trống), và giao dịch/máy trung bình cải thiện do bỏ máy dưới ngưỡng. Quyết định định lượng, có bản đồ minh chứng cho hội đồng — thay vì cảm tính "chỗ này hình như đông".

Các con số trên là minh hoạ cho phương pháp, không phải số liệu thực của NCB.

Ghi nhớ

• Location intelligence = dùng vị trí để ra quyết định tốt hơn; hầu hết bài toán ngân hàng có một chiều không gian ẩn.
• Năm nhóm ứng dụng: mạng lưới, khách hàng theo địa bàn, rủi ro tín dụng theo vùng, gian lận/AML theo vị trí, marketing địa điểm — mỗi nhóm theo khung bài toán → dữ liệu → kỹ thuật → kết quả.
• Tối ưu mạng lưới là bài toán tối ưu có ràng buộc (facility location), không chỉ vẽ bản đồ — nối tối ưu mạng lưới.
• Không gian trong tín dụng/gian lận thường là một feature đưa vào mô hình (scorecard, AML monitoring), không thay thế mô hình.
• Geocoding + chuẩn hoá địa chỉ là nút thắt: chất lượng địa chỉ core quyết định mọi phân tích không gian phía sau.
• Kiến trúc: nguồn (core/thẻ/chi nhánh/ranh giới/ngoài) → geocode → PostGIS/warehouse → dashboard bản đồ.
• Dữ liệu vị trí là cá nhân nhạy cảm: tối thiểu hoá, gộp mức vùng, ngưỡng tối thiểu chống tái định danh, phân quyền chặt (privacy).
• Lộ trình NCB: chuẩn hoá địa chỉ → geocode → bản đồ chi nhánh/khách → phân tích cơ bản → nâng cao. Đừng nhảy cóc.
• Gộp theo tên địa bàn (GROUP BY city) chạy được trên SQL thuần; các phép khoảng cách/vùng phủ cần PostGIS và ở đây chỉ là minh hoạ.