AI-Driven Multi-Source Credit Scoring

1. Người dùng nhập thông tin cá nhân

• Ở bước đầu tiên, User cung cấp các thông tin cơ bản: họ tên, số điện thoại, số CCCD.Để xin quyền truy cập lấy dữ liệu đa nguồn từ người dùng

  • Nếu Không → Quy trình dừng lại.

  • Nếu Có → tiếp tục sang bước thu thập dữ liệu.

2. Thu thập dữ liệu đa nguồn

Khi người dùng đồng ý, hệ thống tiến hành thu thập dữ liệu từ 4 nguồn chính:

1.    Thanh toán tiện ích / hóa đơn

2.    Dữ liệu viễn thông

3.    Dữ liệu thương mại điện tử

4.    Dữ liệu hành vi ứng xử & mạng xã hội

3. Tiền xử lý dữ liệu

• Tất cả dữ liệu từ 4 nguồn trên được gom lại và tiền xử lý.

• Mục tiêu là làm sạch dữ liệu, chuẩn hóa, loại bỏ nhiễu, và đưa về định dạng phù hợp để đưa vào mô hình học máy.

4. Mô hình Machine Learning

• Sau khi tiền xử lý, dữ liệu được đưa vào ML Model.

• Mô hình này sẽ phân tích toàn bộ đặc trưng và tạo ra dự đoán cuối cùng – cụ thể là điểm tín dụng của người dùng.

5. Final Prediction & AI Explainable

• Kết quả dự đoán cuối cùng chính là điểm tín dụng.

• Điểm này được gửi đến khối AI Explainable để giải thích:

  • Vì sao người dùng có số điểm đó

  • Những yếu tố ảnh hưởng chính (ví dụ: tỷ lệ thanh toán đúng hạn, cước viễn thông ổn định, hành vi mua sắm, mạng xã hội…)

  • Gợi ý cải thiện điểm tín dụng trong tương lai

6. Ví dụ minh họa kết quả

• Giả sử hệ thống tính được 720/850 điểm tín dụng (Good).

• Giải thích:

  • 96% hóa đơn thanh toán đúng hạn, chỉ 1 lần trễ nhỏ

  • Cước viễn thông trả đều đặn

  • Mua sắm online ổn định, ít hoàn trả

  • Mạng xã hội hoạt động tích cực

• Gợi ý cải thiện:

  • Tránh trễ hạn hóa đơn

  • Giảm tỷ lệ trả hàng online

  • Đa dạng phương thức thanh toán