Tóm tắt: Trong bối cảnh chuyển đổi số, dữ liệu ngày càng trở thành tài sản chiến lược quyết định năng lực cạnh tranh của ngành Ngân hàng. Tuy nhiên, các mô hình quản trị dữ liệu truyền thống đã bộc lộ nhiều hạn chế trước yêu cầu phân tích thời gian thực, ứng dụng AI và cá nhân hóa dịch vụ. Từ đó, quản trị dữ liệu chủ động nổi lên như một hướng tiếp cận mới, nhấn mạnh vai trò của con người, sự hợp tác và phản hồi liên tục trong quản lý dữ liệu. Bài viết phân tích khái niệm, nguyên tắc, ứng dụng thực tiễn của quản trị dữ liệu chủ động, đồng thời so sánh với mô hình truyền thống và đề xuất định hướng triển khai cho ngành Ngân hàng Việt Nam trong thời gian tới.
Từ khóa: Quản trị dữ liệu chủ động, ngành Ngân hàng, kỷ nguyên số.
ACTIVE DATA GOVERNANCE IN THE BANKING INDUSTRY:
ORIENTATIONS AND IMPLEMENTATION FRAMEWORK IN VIETNAM
Abstract: In the context of digital transformation, data has become a strategic asset that determines the competitiveness of the banking industry. However, traditional data governance models have revealed significant limitations in meeting the demands of real-time analytics, artificial intelligence (AI) applications, and service personalization. As a result, active data governance has emerged as a new approach, emphasizing the role of people, collaboration, and continuous feedback in data management. This article analyzes the concept, principles, and practical applications of active data governance, compares it with traditional governance models, and proposes implementation orientations for the Vietnamese banking industry in the coming period.
Keywords: Active data governance, banking industry, digital era.
1. Khái niệm và đặc trưng của quản trị dữ liệu chủ động
1.1. Khái niệm
Theo DAMA International (2017), quản trị dữ liệu được định nghĩa là “việc thực thi quyền lực và kiểm soát đối với quản lý tài sản dữ liệu”. Cách tiếp cận này nhấn mạnh yếu tố kiểm soát, tuân thủ và cấu trúc tổ chức. Tuy nhiên, trong môi trường ngân hàng hiện đại, các mô hình quản trị dữ liệu truyền thống đang bộc lộ một số hạn chế, đặc biệt khi phải đáp ứng nhu cầu phân tích dữ liệu theo thời gian thực, ứng dụng AI và cá nhân hóa dịch vụ khách hàng.
Trước những thách thức đó, khái niệm quản trị dữ liệu chủ động đã được đề xuất như một hướng tiếp cận mới. Theo đó, quản trị dữ liệu chủ động là mô hình chuyển đổi từ việc thiết lập các quy định tĩnh sang giám sát và thực thi tự động theo thời gian thực. Thay vì chờ xảy ra lỗi, hệ thống sẽ tự động phát hiện, cảnh báo, ngăn chặn rủi ro và tối ưu hóa dữ liệu ngay trong quy trình làm việc.
Theo Robert S. Seiner (2014), quản trị dữ liệu hiệu quả không nên áp đặt từ trên xuống mà cần “chính thức hóa những hành vi quản lý dữ liệu vốn đã tồn tại trong tổ chức”. Quản trị dữ liệu chủ động là một bước tiến hóa từ các mô hình quản trị dữ liệu truyền thống, chuyển trọng tâm từ kiểm soát sang trao quyền. Khác với cách tiếp cận tập trung, mô hình này tích hợp các hoạt động quản trị trực tiếp vào quy trình làm việc của người dùng dữ liệu.
Seiner (2014) cho rằng, mọi tổ chức đều đã thực hiện quản trị dữ liệu một cách không chính thức thông qua các hành vi hằng ngày như kiểm tra chất lượng dữ liệu, lựa chọn nguồn dữ liệu đáng tin cậy hay xây dựng logic xử lý dữ liệu. Quản trị dữ liệu chủ động không thay thế các hoạt động này mà chính thức hóa, chuẩn hóa và mở rộng chúng theo hướng có hệ thống, đồng bộ và gắn chặt hơn với mục tiêu quản trị rủi ro, nâng cao hiệu quả vận hành cũng như hỗ trợ ra quyết định trong tổ chức.
1.2. Đặc trưng
Theo Alation (2023), các đặc trưng chính của quản trị dữ liệu chủ động bao gồm:
(i) Lấy con người làm trung tâm: Coi người dùng dữ liệu là yếu tố cốt lõi trong toàn bộ hoạt động quản trị. Thay vì chỉ dựa vào các quy định kỹ thuật mang tính áp đặt, mô hình tập trung vào việc trao quyền, nâng cao nhận thức, năng lực và trách nhiệm của cá nhân đối với dữ liệu. Việc hình thành văn hóa dữ liệu giúp mỗi thành viên chủ động, tự giác bảo vệ và đảm bảo chất lượng dữ liệu trong suốt quá trình làm việc.
(ii) Tích hợp vào quy trình làm việc: Quản trị dữ liệu không còn là một hoạt động tách biệt mà được tích hợp trực tiếp vào các công cụ và quy trình nghiệp vụ hằng ngày. Các quy tắc, tiêu chuẩn dữ liệu được tích hợp trực tiếp vào hệ thống và công cụ làm việc, giúp người dùng tuân thủ một cách tự nhiên. Nhờ đó, quy trình vận hành không bị gián đoạn mà vẫn đảm bảo tính nhất quán và kiểm soát dữ liệu.
(iii) Khuyến khích hợp tác và đóng góp: Cách tiếp cận này hướng tới việc xóa bỏ sự phân tán và cô lập dữ liệu giữa các bộ phận trong tổ chức. Mọi thành viên được khuyến khích tham gia chia sẻ tri thức, bổ sung thông tin và cải thiện dữ liệu thông qua các hoạt động cộng tác. Điều này giúp giá trị tổng thể của dữ liệu trở nên giá trị hơn và tạo ra một hệ sinh thái dữ liệu thống nhất.
(iv) Cải tiến liên tục dựa trên phản hồi: Mô hình quản trị dữ liệu chủ động áp dụng nguyên tắc lặp và cải tiến liên tục dựa trên cơ chế tiếp nhận, xử lý phản hồi từ người dùng cũng như môi trường công nghệ. Nhờ đó, hệ thống quản trị luôn thích ứng với nhu cầu thực tiễn và sự thay đổi của môi trường kinh doanh. Cách tiếp cận này phù hợp với xu hướng phát triển của các hệ thống dữ liệu hiện đại, đặc biệt trong bối cảnh ứng dụng AI, phân tích dữ liệu nâng cao và nhu cầu ra quyết định theo thời gian thực ngày càng gia tăng trong ngành Ngân hàng.
2. Định hướng triển khai quản trị dữ liệu chủ động trong ngành Ngân hàng
Dưới sự định hướng, điều hành chủ động, sát sao của Ngân hàng Nhà nước Việt Nam (NHNN), các ngân hàng đang đẩy mạnh chuyển đổi số nhằm nâng cao năng lực cạnh tranh và đáp ứng yêu cầu quản lý hiện đại. Tuy nhiên, việc triển khai quản trị dữ liệu chủ động cần được thực hiện một cách có hệ thống và phù hợp với thực tiễn. Cụ thể:
Thứ nhất, xây dựng chiến lược dữ liệu gắn với mục tiêu kinh doanh
Ngân hàng cần xây dựng chiến lược dữ liệu đồng bộ với chiến lược kinh doanh tổng thể, trong đó dữ liệu không chỉ phục vụ báo cáo mà còn hỗ trợ ra quyết định chủ động và tạo giá trị mới. Trên thực tế, nhiều tổ chức tài chính vẫn gặp hạn chế do dữ liệu phân mảnh và thiếu liên kết với mục tiêu kinh doanh (Bank Director, 2024). Do đó, chiến lược dữ liệu cần tập trung vào việc tích hợp, chuẩn hóa và khai thác dữ liệu nhằm hỗ trợ các mục tiêu như cá nhân hóa dịch vụ, quản trị rủi ro và tối ưu vận hành. Đồng thời, việc gắn kết chặt chẽ giữa dữ liệu và mục tiêu kinh doanh giúp ngân hàng tận dụng hiệu quả các công nghệ mới như AI và phân tích nâng cao (Deloitte, 2024).
Thứ hai, phát triển văn hóa dữ liệu trong tổ chức
Yếu tố con người và văn hóa đóng vai trò then chốt trong quản trị dữ liệu chủ động. Các ngân hàng cần xây dựng văn hóa ra quyết định dựa trên dữ liệu, trong đó nhân sự ở mọi cấp độ được khuyến khích sử dụng và chia sẻ dữ liệu. Các nghiên cứu gần đây cho thấy, việc thúc đẩy văn hóa dữ liệu giúp cải thiện chất lượng dữ liệu và giảm tình trạng phân mảnh dữ liệu trong tổ chức (Datameaning, 2024). Đồng thời, chuyển đổi số thành công thường đi kèm với việc nâng cao năng lực dữ liệu và tăng cường hợp tác liên phòng, ban (Techcombank, 2023).
Thứ ba, đầu tư vào hạ tầng công nghệ và công cụ quản trị dữ liệu
Hạ tầng công nghệ là nền tảng để triển khai quản trị dữ liệu hiệu quả. Các ngân hàng cần đầu tư vào các hệ thống như kho dữ liệu (data warehouse), hồ dữ liệu (data lake) và các công cụ quản trị dữ liệu khác. Thực tế cho thấy, các tổ chức tài chính đang tăng mạnh đầu tư vào dữ liệu nhằm tăng cường ứng dụng AI, tự động hóa và cá nhân hóa dịch vụ (Deloitte, 2024). Bên cạnh đó, việc xây dựng chiến lược dữ liệu và phân tích dài hạn cũng được xem là yếu tố quan trọng trong nâng cao năng lực quản trị và ra quyết định (Bank of England, 2023).
Thứ tư, triển khai theo lộ trình từng bước, bắt đầu từ các lĩnh vực ưu tiên
Thay vì triển khai đồng loạt, các ngân hàng nên áp dụng cách tiếp cận từng bước, ưu tiên các lĩnh vực có tác động lớn như quản trị rủi ro, tín dụng hoặc trải nghiệm khách hàng. Cách tiếp cận này giúp giảm thiểu rủi ro và tối ưu nguồn lực trong quá trình triển khai (Datameaning, 2024). Thực tế cho thấy nhiều tổ chức gặp khó khăn khi triển khai dàn trải mà không xác định rõ giá trị mang lại (Bank Director, 2024). Do đó, việc bắt đầu từ các trường hợp sử dụng cụ thể và mở rộng dần sẽ giúp nâng cao hiệu quả và tạo nền tảng cho cải tiến liên tục.
3. Đề xuất khung quản trị dữ liệu chủ động áp dụng cho hệ thống ngân hàng Việt Nam
Từ những phân tích về bản chất của quản trị dữ liệu chủ động cũng như các định hướng triển khai trong bối cảnh chuyển đổi số của ngành Ngân hàng, có thể thấy rằng việc áp dụng mô hình này không chỉ dừng lại ở cấp độ chiến lược mà cần được cụ thể hóa thành một khung vận hành rõ ràng và khả thi. Các yếu tố như gắn kết với mục tiêu kinh doanh, xây dựng văn hóa dữ liệu, đầu tư công nghệ và triển khai theo lộ trình chỉ thực sự phát huy hiệu quả khi được tích hợp trong một mô hình quản trị có cấu trúc và tính hệ thống. Điều này đặc biệt quan trọng đối với các ngân hàng Việt Nam, nơi có sự khác biệt về mức độ trưởng thành dữ liệu và yêu cầu tuân thủ ngày càng khắt khe.
Do đó, nghiên cứu này đề xuất một khung quản trị dữ liệu chủ động được điều chỉnh phù hợp với đặc thù hoạt động của ngành Ngân hàng, bao gồm các yêu cầu về quản trị rủi ro, tuân thủ và khai thác dữ liệu phục vụ việc ra quyết định. Trên cơ sở đó, khung được thiết kế gồm 7 bước liên kết chặt chẽ, hình thành một vòng lặp quản trị dữ liệu khép kín và có khả năng cải tiến liên tục theo thời gian.
Bước 1: Thiết lập khung quản trị
Đối với ngành Ngân hàng, việc thiết lập khung quản trị dữ liệu cần bắt đầu từ việc xác định rõ vai trò của dữ liệu trong chiến lược kinh doanh số, đặc biệt trong các hoạt động như quản trị rủi ro, tín dụng và trải nghiệm khách hàng. Ngân hàng cần thành lập các đơn vị chuyên trách như trung tâm quản trị dữ liệu hoặc trung tâm quản lý dữ liệu, đồng thời phân định rõ trách nhiệm giữa các bộ phận công nghệ thông tin, kinh doanh và quản lý rủi ro. Việc này giúp tạo nền tảng tổ chức và định hướng dài hạn cho toàn bộ hoạt động quản trị dữ liệu cũng như thể hiện rõ nguyên tắc lấy con người làm trung tâm.
Bước 2: Làm giàu danh mục dữ liệu
Các ngân hàng cần xây dựng hệ thống danh mục dữ liệu tập trung, tích hợp đầy đủ thông tin về nguồn dữ liệu, định nghĩa nghiệp vụ và mức độ sử dụng. Việc thu thập siêu dữ liệu (metadata) từ các hệ thống như ngân hàng lõi (Core Banking), quản lý quan hệ khách hàng (CRM) hay hệ thống chấm điểm tín dụng, cùng với chuẩn hóa thuật ngữ, không chỉ giúp nâng cao khả năng tra cứu và hiểu dữ liệu mà còn đảm bảo sự thống nhất giữa các phòng, ban như tín dụng, kế toán và quản lý rủi ro.
Khi các thông tin này được cung cấp trực tiếp tại điểm sử dụng trong các công cụ giúp quy trình nghiệp vụ, quản trị dữ liệu được tích hợp vào hoạt động hằng ngày một cách tự nhiên; Đồng thời, việc mở rộng cơ chế cho phép nhiều bộ phận cùng tham gia bổ sung và cập nhật metadata cũng góp phần thúc đẩy sự hợp tác và chia sẻ tri thức trong tổ chức.
Bước 3: Trao quyền cho bộ phận quản lý dữ liệu
Theo đó, các ngân hàng cần chỉ định rõ người quản lý dữ liệu tại từng bộ phận nghiệp vụ, ví dụ như phòng tín dụng, phòng khách hàng cá nhân hoặc phòng quản lý rủi ro. Các cá nhân này chịu trách nhiệm giám sát chất lượng, định nghĩa và sử dụng dữ liệu trong phạm vi chức năng của mình.
Bên cạnh đó, cần đẩy mạnh các ứng dụng công cụ tự động hóa quy trình nghiệp vụ giúp giảm tải các hoạt động thủ công và đảm bảo các quy trình phê duyệt, cập nhật dữ liệu được thực hiện minh bạch và nhất quán. Bước này gắn trực tiếp với nguyên tắc lấy con người làm trung tâm, khi trao quyền cho người quản lý dữ liệu trong từng bộ phận nghiệp vụ. Đồng thời, họ đóng vai trò thúc đẩy hợp tác liên phòng, ban trong quản lý và sử dụng dữ liệu.
Bước 4: Giám định tài sản dữ liệu
Dữ liệu cần được đánh giá, phân loại và gắn mức độ tin cậy phù hợp với từng mục đích sử dụng nhằm bảo đảm tính chính xác, nhất quán và minh bạch, đặc biệt đối với các báo cáo quản trị nội bộ, báo cáo tài chính và báo cáo tuân thủ theo yêu cầu của cơ quan quản lý. Việc thiết lập các quy tắc chất lượng dữ liệu như mức độ đầy đủ, tính nhất quán và tính chính xác giúp kiểm soát rủi ro dữ liệu hiệu quả. Đồng thời, các chỉ số chất lượng cần được hiển thị trực tiếp trên hệ thống để hỗ trợ người dùng đưa ra quyết định chính xác.
Bên cạnh đó, cần thực hiện việc đánh giá và gắn cờ chất lượng dữ liệu bằng cách tích hợp trực tiếp vào quá trình ra quyết định, qua đó giúp người dùng dễ dàng nhận biết mức độ tin cậy của dữ liệu. Các tiêu chí đánh giá dữ liệu cũng có thể được điều chỉnh linh hoạt dựa trên phản hồi từ người sử dụng và yêu cầu thực tiễn, qua đó hỗ trợ quá trình cải tiến liên tục và nâng cao chất lượng quản trị dữ liệu.
Bước 5: Áp dụng chính sách và kiểm soát
Các ngân hàng cần xây dựng hệ thống chính sách dữ liệu phù hợp với các yêu cầu pháp lý như Basel II/III hoặc các quy định của NHNN. Các cơ chế kiểm soát truy cập, phân quyền dữ liệu và giám sát sử dụng cần được triển khai đồng bộ trên toàn hệ thống.
Ngoài ra, việc thực hiện kiểm toán dữ liệu định kỳ giúp phát hiện sớm các sai lệch và đảm bảo tuân thủ quy định. Bước này tập trung vào tích hợp kiểm soát vào hệ thống vận hành, giúp đảm bảo tuân thủ mà không gây gián đoạn quy trình. Việc giám sát và kiểm toán cũng tạo cơ sở cho điều chỉnh chính sách theo thực tế.
Bước 6: Thúc đẩy cộng tác cộng đồng
Để khai thác tối đa giá trị dữ liệu, ngân hàng cần khuyến khích sự tham gia của các bộ phận thông qua nền tảng chia sẻ tri thức dữ liệu, nơi người dùng có thể đóng góp thông tin, nhận xét và đánh giá về dữ liệu. Cơ chế này không chỉ giúp cải thiện chất lượng và độ tin cậy của dữ liệu mà còn tạo ra môi trường trao đổi tri thức liên tục giữa các đơn vị. Khi hoạt động cộng tác được tích hợp vào quá trình sử dụng dữ liệu hằng ngày, các vùng dữ liệu cô lập dần được phá vỡ, qua đó thúc đẩy việc khai thác dữ liệu một cách rộng rãi và gia tăng giá trị chung cho toàn tổ chức.
Bước 7: Giám sát và đo lường
Để thực hiện giám sát và đo lường hiệu quả sử dụng dữ liệu, các ngân hàng cần thiết lập các chỉ số đánh giá hiệu quả quản trị dữ liệu như mức độ tuân thủ, tỉ lệ sử dụng và chất lượng dữ liệu theo thời gian. Các báo cáo giám sát cho phép lãnh đạo theo dõi tình trạng dữ liệu theo thời gian thực, từ đó đưa ra các điều chỉnh kịp thời trong hoạt động quản trị. Khi việc đo lường được thực hiện liên tục và gắn với thực tiễn vận hành, các kết quả thu được trở thành cơ sở phản hồi quan trọng, giúp ngân hàng tối ưu hóa quy trình và đảm bảo mô hình quản trị dữ liệu luôn thích ứng với sự thay đổi của môi trường kinh doanh.
4. Kết luận
Quản trị dữ liệu chủ động đại diện cho một sự chuyển đổi quan trọng trong cách các ngân hàng tiếp cận quản lý dữ liệu. Bằng việc chuyển từ mô hình kiểm soát sang mô hình trao quyền, cách tiếp cận này giúp khai thác tối đa giá trị của dữ liệu trong khi vẫn đảm bảo tuân thủ và chất lượng.
Trong bối cảnh chuyển đổi số và sự phát triển mạnh mẽ của khoa học - công nghệ, quản trị dữ liệu chủ động không chỉ là một xu hướng mà đã trở thành yêu cầu tất yếu trong ngành Ngân hàng. Do đó, khi các ngân hàng áp dụng thành công mô hình này sẽ gia tăng lợi thế cạnh tranh đáng kể trong việc nâng cao hiệu quả hoạt động, quản lý rủi ro và cải thiện trải nghiệm khách hàng.
Tuy nhiên, để triển khai hiệu quả mô hình quản trị dữ liệu chủ động, ngân hàng cần đầu tư bài bản vào hạ tầng và các công nghệ phù hợp, đồng thời chủ động xây dựng văn hóa dữ liệu lấy con người làm trung tâm. Đây được xem là yếu tố then chốt quyết định hiệu quả quản trị dữ liệu, khả năng thích ứng của ngân hàng và sự thành công trong tiến trình chuyển đổi số.
Tài liệu tham khảo:
1. Alation (2023), Active Data Governance Methodology:Use a people-first approach to avoid failed governance programs. https://www.alation.com/resource-center/whitepapers/data-governance-methodology/
2. Bank Director (2024), Mind the data gap. https://www.bankdirector.com/magazine/4th-quarter-2024/mind-the-data-gap/
3. Bank of England (2023), The Bank’s data and analytics strategy: A three-year roadmap. https://www.bankofengland.co.uk/independent-evaluation-office/ieo-report-october2023/the-banks-data-and-analytics-strategy-a-three-year-roadmap
4. DAMA International (2017), DAMA-DMBOK: Data Management Body of Knowledge (2nd ed.).
5. Datameaning (2024), Data governance in banking: Trends and challenges. https://datameaning. com/2024/05/23/data-governance-banking/
6. Deloitte (2024), Banking data analytics survey insights. https://www.deloitte.com/us/en/services/consulting/articles/2024-banking-data-analytics-survey-insights.html
7. Seiner, R. S. (2014), Non-invasive data governance: The path of least resistance and greatest success. Technics Publications.
8. Techcombank (2023), Transformation report 2023. https://techcombank.com/en/investors/annual-report/2023/transformation-report
