Hạng D
7/5/10
4.666
21.710
113
Đã có background về kinh tế thì nên học theo hướng phân tích kinh tế, tức phân tích dữ liệu, đừng học theo hướng coding. Vì nếu đi theo hướng coding, thì mình hoàn toàn không thể bằng được người học chuyên về code. Mà để học theo hướng phân tích dữ liệu thì đầu tiên cần kiến thức về Statistics, Econometrics và sau đó mới nâng cấp đến Machine Learning. Cái Machine Learning đó thật ra là cũng chỉ ứng dụng kiến thức của Statistics mà thôi.

Trong phân tích dữ liệu, Python chỉ là 1 trong nhiều công cụ dùng để phân tích. Cũng cần biết về nó để có thể tự mình viết code để phân tích, nhưng cũng không cần chuyên sâu, vì các bạn chuyên về coding sẽ làm tốt hơn mình ở khía cạnh này. Do đó cũng cần học một chút về Python.

Nhưng ngoài kiến thức về Statistics, Econometrics, Machine Learning và Python thì cũng cần có kiến thức về Kinh Tế. Bốn cái kiến thức đầu tiên chỉ giúp hình dung ra cách phân tích, nhưng làm sao để có được ý tưởng phân tích thì lại cần kiến thức về kinh tế. Ví dụ: nguời làm về tài chính cho vay thì mới biết được là cần phân tích cái gì khi cần trả lời câu hỏi "làm sao để thu hút nhiều nguời vay tiền hơn", để phân tích cái đó thì cần dùng cách phân tích nào là phù hợp, tức là dùng cách tiếp cận của Statistics hay Econometrics hay Machine Learning?

Sau khi có được ý tưởng phân tích, và chọn được cách phân tích phù hợp với tình huống, với bản chất dữ liệu, với đặc thù của ngành, ... thì mới đến phần coding, tức là code làm sao cho tối ưu. Tối ưu ở đây có thể được hiểu là tối ưu trong việc thu thập dữ liệu, và tối ưu trong việc xử lý dữ liệu. Giả sử các anh muốn ráp thông tin của nguời dùng facebook để tạo ra dữ liệu cần thiết, thì phải lấy làm sao? Coder sẽ giúp mình ở khía cạnh này. Rồi sau khi lấy dữ liệu xong và chạy phân tích, thì phải code làm sao để có thể đảm bảo là máy tính chạy nổi hoặc chạy nhanh nhất có thể, vì dữ liệu hiện giờ có thể lên đến vài triệu, hoặc vài chục triệu quan sát. Coder sẽ làm cái này.

Rõ ràng là nguời học về Kinh Tế sẽ làm tốt và có lợi thế hơn ở phần định hướng bên trên, còn phần coding thì để nguời bên IT hoặc Computer Science làm.
Bác 8 nói chuẩn quá. Cách tiếp cận nữa với người có kiến thức kinh tế là xin vào làm ở các cty Tài chính, hiện tại có nhiều cty Tài chính trên thị trường(Home Credit, Vietcredit, MCredit....), khi vào dc rồi thì mình sẽ có nhiều cơ hội nâng cao kiến thức hơn.
 
Hạng D
7/5/10
4.666
21.710
113
Với các cty Tài chính hay Ngân hàng (mảng cho vay tiêu dùng) thì dùng các phương pháp thống kê là chủ yếu với dự giúp sức của SQL, Python.

- Portfolio chủ yếu gồm 2 loại khách hàng, thông thường là 70% khách Vay (Loan) và 30% khách sử dụng Credit Card (CRC)

- Với khách CRC thì bài toán chủ yếu là chấm điểm khách hàng dựa trên chi tiết giao dịch của khách mà mỗi khách hàng sẽ được chấm 1 điểm số nào đó để qua đó ta biết nên ưu tiên cho nhóm khách nào, chú ý nhóm khách nào sắp bỏ đi ( vì quan điểm là giữ khách cũ sẽ dễ hơn kéo khách mới về). Ngoài ra thì có thêm bài toán tính toán % khách hàng ngưng giao dich qua từng tháng để người quản lý có hành động ứng phó cho kịp.

- 1 điểm nữa với khách CRC thì có sản phẩm khi quẹt mua hàng hóa thì khách có xu hướng chuyển món này sang trả góp hay ko, vì đây cũng là lượng thu nhập của Ngân hàng. Bài toán này khó hơn vì sẽ phải tính ra Xác suất.

- Với bài toán Loan thì cái cần chú ý là 'đánh giá' được thu nhập của khách hàng, để offer cho họ những khoản vay hợp lý, ở bài toán này thì xem xét hạn trả nợ của món vay hiện hữu như thế nào để offer món vay mới. Với khách hàng Loan thì dữ liệu về Default của khách cũng rất quan trọng, xem khách có xu hướng default hay ko để bộ phận Collection làm việc hiệu quả hơn..

- Trong 1 năm thường diễn ra rất nhiều đợt Campaigns để offer sản phẩm cho khách hàng, thì qua mỗi đợt Campaigns này cần đánh giá hiệu quả của mỗi Campaign, để qua đó biết được đặc điểm khách nào mình Sale thành công và khách nào mình sale ko thành công.

- Ngoài ra quan trọng ko kém là cần nắm rõ trong Portfolio của mình có bao nhiêu khách hàng vì mỗi khách hàng sẽ cho nhiều thông tin về 'Reference', thông thường lượng Reference này cũng rất lớn nên đây sẽ là lượng khách hàng tiềm năng.

- Đa phần các công việc đều làm việc với SQL, tuy nhiên biết thêm về Python hay R sẽ hỗ trợ các công cụ thống kê được hiệu quả hơn.

Trên đây là các bài toán mà người làm bên lĩnh vực Tài chính cá nhân thường gặp phải, nên đi theo hướng này thì ko phải AI, mà chỉ là dùng các công cụ lập trình để hỗ trợ trong công việc.
 
Hạng C
14/6/11
693
32.896
93
Long An
Partner bên Hitachi Consulting vừa announce sẽ integrate Hitachi Consulting vào Hitachi Vantara, mục đích để tập trung vào IoT, big data, AI ;) :)
Ngành hot AI
Ngành hot AI
 
  • Like
Reactions: HappyGrass
Hạng D
29/10/07
2.005
9.502
113
HCM
www.bsdinsight.com
Với các cty Tài chính hay Ngân hàng (mảng cho vay tiêu dùng) thì dùng các phương pháp thống kê là chủ yếu với dự giúp sức của SQL, Python.

- Portfolio chủ yếu gồm 2 loại khách hàng, thông thường là 70% khách Vay (Loan) và 30% khách sử dụng Credit Card (CRC)

- Với khách CRC thì bài toán chủ yếu là chấm điểm khách hàng dựa trên chi tiết giao dịch của khách mà mỗi khách hàng sẽ được chấm 1 điểm số nào đó để qua đó ta biết nên ưu tiên cho nhóm khách nào, chú ý nhóm khách nào sắp bỏ đi ( vì quan điểm là giữ khách cũ sẽ dễ hơn kéo khách mới về). Ngoài ra thì có thêm bài toán tính toán % khách hàng ngưng giao dich qua từng tháng để người quản lý có hành động ứng phó cho kịp.

- 1 điểm nữa với khách CRC thì có sản phẩm khi quẹt mua hàng hóa thì khách có xu hướng chuyển món này sang trả góp hay ko, vì đây cũng là lượng thu nhập của Ngân hàng. Bài toán này khó hơn vì sẽ phải tính ra Xác suất.

- Với bài toán Loan thì cái cần chú ý là 'đánh giá' được thu nhập của khách hàng, để offer cho họ những khoản vay hợp lý, ở bài toán này thì xem xét hạn trả nợ của món vay hiện hữu như thế nào để offer món vay mới. Với khách hàng Loan thì dữ liệu về Default của khách cũng rất quan trọng, xem khách có xu hướng default hay ko để bộ phận Collection làm việc hiệu quả hơn..

- Trong 1 năm thường diễn ra rất nhiều đợt Campaigns để offer sản phẩm cho khách hàng, thì qua mỗi đợt Campaigns này cần đánh giá hiệu quả của mỗi Campaign, để qua đó biết được đặc điểm khách nào mình Sale thành công và khách nào mình sale ko thành công.

- Ngoài ra quan trọng ko kém là cần nắm rõ trong Portfolio của mình có bao nhiêu khách hàng vì mỗi khách hàng sẽ cho nhiều thông tin về 'Reference', thông thường lượng Reference này cũng rất lớn nên đây sẽ là lượng khách hàng tiềm năng.

- Đa phần các công việc đều làm việc với SQL, tuy nhiên biết thêm về Python hay R sẽ hỗ trợ các công cụ thống kê được hiệu quả hơn.

Trên đây là các bài toán mà người làm bên lĩnh vực Tài chính cá nhân thường gặp phải, nên đi theo hướng này thì ko phải AI, mà chỉ là dùng các công cụ lập trình để hỗ trợ trong công việc.

Dữ liệu và công cụ BI như Tableau bác ơi
 
  • Like
Reactions: ck07ctm