Alternative data in credit scoring in Vietnam: legal issues and policy implications
ThS. Bùi Thị Ngọc Hân
Học viện Ngân hàng
(Quanlynhanuoc.vn) – Bài viết phân tích khuôn khổ pháp lý điều chỉnh việc sử dụng dữ liệu thay thế trong chấm điểm tín dụng tại Việt Nam. Trọng tâm là nhận diện khoảng trống giữa cơ chế thử nghiệm có kiểm soát (Sandbox) trong lĩnh vực ngân hàng với yêu cầu bảo vệ dữ liệu cá nhân. Kết quả cho thấy, pháp luật đã mở không gian thử nghiệm cho chấm điểm tín dụng số nhưng còn thiếu quy định về phân loại dữ liệu, đồng ý xử lý, quyền giải thích, kiểm toán thuật toán và điều phối liên ngành. Từ đó, tác giả đưa ra một số đề xuất về chế độ pháp lý “cho phép có điều kiện” để cân bằng tài chính toàn diện với quyền bảo vệ dữ liệu cá nhân.
Từ khóa: Dữ liệu thay thế; chấm điểm tín dụng; tài chính toàn diện; bảo vệ dữ liệu cá nhân; Sandbox.
Abstract: This article analyzes the legal framework governing the use of alternative data in credit scoring in Vietnam. It focuses on identifying the gap between the controlled testing mechanism (Sandbox) in the banking sector and personal data protection requirements. The findings show that while the law has created a testing environment for digital credit scoring, it still lacks provisions regarding data classification, consent for processing, the right to explanation, algorithmic auditing, and interagency coordination. Based on this, the author proposes a “conditional authorization” legal regime to balance financial inclusion with the right to personal data protection.
Keywwords: Alternative data; credit scoring; inclusive finance; personal data protection; Regulatory Sandbox.
1. Đặt vấn đề
Tài chính toàn diện là điều kiện quan trọng của tăng trưởng bao trùm và giảm nghèo đa chiều. Tại Việt Nam, hạ tầng thanh toán số đã cải thiện rõ rệt nhưng tiếp cận tín dụng chính thức vẫn là điểm nghẽn đối với nông dân, lao động tự do, hộ kinh doanh siêu nhỏ, thanh niên, phụ nữ nông thôn và người có thu nhập không ổn định. Các nhóm này không nhất thiết thiếu năng lực trả nợ mà thường thiếu lịch sử tín dụng đủ dày để hệ thống chấm điểm truyền thống nhận diện chính xác (VNBA, 2026). Hệ thống chấm điểm truyền thống chủ yếu dựa trên dữ liệu vay – trả do tổ chức tín dụng báo cáo cho hệ thống thông tin tín dụng. Cách tiếp cận này tạo vòng lặp loại trừ đối với khách hàng “thin-file” vì chưa từng vay chính thức nên không có hồ sơ tín dụng; vì không có hồ sơ tín dụng nên tiếp tục khó được phê duyệt vay. Trong kinh tế số, nhiều cá nhân tuy thiếu dữ liệu tín dụng truyền thống nhưng có dấu vết số qua thanh toán hóa đơn, ví điện tử, thương mại điện tử, viễn thông, thuế hoặc bảo hiểm xã hội (World Bank, 2020; VNBA, 2026).
Dữ liệu thay thế vì vậy nổi lên như nguồn thông tin bổ sung để đánh giá năng lực tài chính và hành vi trả nợ. Nếu được xử lý có kiểm soát, dữ liệu hóa đơn tiện ích, dòng tiền qua ví điện tử, lịch sử bán hàng trực tuyến hoặc dữ liệu hành chính có thể giúp mở rộng xét duyệt, rút ngắn thời gian thẩm định và thiết kế sản phẩm phù hợp hơn với nhóm chưa được phục vụ đầy đủ (VNBA, 2025). Tuy nhiên, chính tiềm năng của dữ liệu thay thế cũng đặt ra thách thức pháp lý đáng kể. Khác với dữ liệu tín dụng truyền thống, dữ liệu thay thế thường được tạo ra trong quan hệ thanh toán, viễn thông, thương mại điện tử hoặc sử dụng nền tảng số. Khi các dữ liệu này được tái sử dụng để quyết định khả năng tiếp cận tín dụng, nguy cơ xâm phạm quyền riêng tư, xử lý dữ liệu ngoài mục đích, phân biệt đối xử thuật toán và thiếu minh bạch trở nên hiện hữu (World Bank, 2022; Quốc hội Việt Nam, 2025). Vì vậy, vấn đề cốt lõi không phải chỉ là “có được dùng dữ liệu thay thế hay không” mà là “dùng loại dữ liệu nào, trong điều kiện nào, với cơ chế bảo vệ quyền ra sao”.
Mục tiêu nghiên cứu của bài viết hướng tới trả lời ba câu hỏi: (i) dữ liệu thay thế được hiểu và phân loại ra sao; (ii) pháp luật Việt Nam hiện hành điều chỉnh hoặc hạn chế việc sử dụng dữ liệu này như thế nào; và (iii) cần hoàn thiện khuôn khổ pháp lý theo hướng nào. Phương pháp nghiên cứu là phân tích pháp lý quy phạm, kết hợp tổng hợp tài liệu thứ cấp. Bài viết giới hạn phạm vi ở Việt Nam và không triển khai mục kinh nghiệm quốc tế.
2. Cơ sở lý luận về dữ liệu thay thế trong chấm điểm tín dụng
2.1. Khái niệm và phân loại dữ liệu thay thế
Dữ liệu thay thế trong chấm điểm tín dụng là thông tin về cá nhân hoặc doanh nghiệp có khả năng hỗ trợ dự báo năng lực trả nợ, nhưng không nằm trong phạm vi dữ liệu tín dụng truyền thống do tổ chức tín dụng báo cáo cho hệ thống thông tin tín dụng (World Bank, 2020). Khái niệm này nhấn mạnh hai đặc trưng: tính phi truyền thống và tính hữu ích dự báo.
Không phải mọi dữ liệu số đều nên được sử dụng cho tín dụng. Dữ liệu hóa đơn tiện ích, thuế hoặc bảo hiểm xã hội thường có độ tin cậy cao; dữ liệu ví điện tử, thương mại điện tử hoặc tài khoản thanh toán phản ánh dòng tiền nhưng cần cơ sở pháp lý và đồng ý cụ thể; còn dữ liệu mạng xã hội, vị trí, danh bạ hoặc nội dung liên lạc có mức độ nhạy cảm cao, dễ dẫn tới suy đoán quá mức và phân biệt đối xử (AFI, 2025; World Bank, 2022).
Bảng 1. Phân loại dữ liệu thay thế trong chấm điểm tín dụng
| Nhóm dữ liệu | Ví dụ | Đặc điểm pháp lý |
| Thanh toán tiện ích | Điện, nước, internet, thuê nhà | Tương đối ổn định, cần thông báo mục đích rõ |
| Giao dịch số | Ví điện tử, tài khoản thanh toán | Phản ánh dòng tiền, cần đồng ý riêng khi dùng cho tín dụng |
| Thương mại điện tử | Doanh thu, đánh giá người bán | Hữu ích với hộ kinh doanh, cần kiểm soát chia sẻ dữ liệu |
| Viễn thông | Lịch sử nạp tiền, sử dụng dịch vụ | Bao phủ rộng nhưng nhạy cảm hơn |
| Mạng xã hội/vị trí | Tương tác, kết nối, vị trí | Rủi ro cao, nên hạn chế hoặc cấm trong tín dụng |
| Hành chính | Thuế, BHXH, định danh điện tử | Độ tin cậy cao, cần cơ chế chia sẻ hợp pháp |
2.2. Lợi ích và rủi ro của dữ liệu thay thế
Lợi ích lớn nhất của dữ liệu thay thế là mở rộng bao phủ tín dụng. Với khách hàng chưa có lịch sử vay chính thức, các dấu hiệu về thanh toán hóa đơn, doanh thu bán hàng trực tuyến, dòng tiền qua ví điện tử hoặc nghĩa vụ thuế có thể bổ sung thông tin về năng lực tài chính. Nếu được xử lý có kiểm soát, dữ liệu thay thế giúp giảm phụ thuộc tuyệt đối vào tài sản bảo đảm và lịch sử vay quá khứ, từ đó tăng cơ hội tiếp cận vốn cho nhóm yếu thế (AFI, 2025; World Bank, 2020).
Lợi ích thứ hai là nâng cao chất lượng dự báo và hiệu quả vận hành. Các mô hình học máy có thể xử lý tập dữ liệu lớn, đa dạng và cập nhật liên tục, qua đó nhận diện những mẫu hành vi mà mô hình truyền thống khó quan sát. Trong các khoản vay nhỏ, giá trị khoản vay thấp nhưng số lượng hồ sơ lớn, tự động hóa chấm điểm có thể rút ngắn thời gian xét duyệt và giảm chi phí thẩm định, đồng thời cải thiện trải nghiệm vay vốn cho khách hàng (Federal Reserve Board, 2025; Philadelphia Federal Reserve Bank, 2025). Dẫu vậy, dữ liệu thay thế không trung tính về quyền. Rủi ro nổi bật là phân biệt đối xử thuật toán, khi mô hình học từ dữ liệu lịch sử chứa bất bình đẳng về giới, địa bàn, nghề nghiệp hoặc thu nhập. Rủi ro thứ hai là “creep mục đích”, khi dữ liệu thu thập cho thanh toán, viễn thông hoặc thương mại điện tử bị dùng để chấm điểm tín dụng mà chủ thể dữ liệu chưa đồng ý rõ ràng. Rủi ro thứ ba là thiếu minh bạch khi mô hình AI khiến người bị từ chối vay không biết dữ liệu nào ảnh hưởng đến kết quả (World Bank, 2022; Quốc hội Việt Nam, 2025).
2.3. Cơ sở pháp lý về cân bằng lợi ích trong sử dụng dữ liệu thay thế
Từ góc độ pháp lý, việc sử dụng dữ liệu thay thế cần cân bằng giữa lợi ích công về tài chính toàn diện, lợi ích thương mại của tổ chức tín dụng và quyền cơ bản của cá nhân đối với dữ liệu. Cách tiếp cận hợp lý không phải cấm tuyệt đối hay cho phép vô điều kiện, mà là “cho phép có điều kiện”, trong đó mức độ xử lý phụ thuộc vào tính nhạy cảm của dữ liệu, mục đích sử dụng, tác động tới cá nhân và biện pháp bảo vệ đi kèm (Chính phủ Việt Nam, 2023; Quốc hội Việt Nam, 2025).
Ba nguyên tắc nền tảng là giới hạn mục đích, tối thiểu hóa dữ liệu và bảo vệ dữ liệu ngay từ thiết kế. Tổ chức chỉ được xử lý dữ liệu cho mục đích đã thông báo rõ; chỉ thu thập dữ liệu cần thiết; và phải tích hợp biện pháp bảo vệ quyền riêng tư trong toàn bộ vòng đời sản phẩm. Với chấm điểm tự động, trách nhiệm giải trình đặc biệt quan trọng vì quyết định tín dụng tác động trực tiếp tới cơ hội kinh tế của cá nhân (World Bank, 2022).
3. Thực trạng pháp luật điều chỉnh dữ liệu thay thế trong chấm điểm tín dụng tại Việt Nam
3.1. Khung pháp lý cho phép
Nghị định số 94/2025/NĐ-CP ngày 29/4/2025 của Chính phủ thiết lập cơ chế thử nghiệm có kiểm soát trong lĩnh vực ngân hàng, trong đó chấm điểm tín dụng là một nhóm giải pháp Fintech được tham gia thử nghiệm. Về mặt chính sách, đây là bước tiến quan trọng vì thừa nhận nhu cầu thử nghiệm mô hình chấm điểm mới dựa trên công nghệ số, dữ liệu lớn và trí tuệ nhân tạo. Cơ chế sandbox giúp cơ quan quản lý quan sát rủi ro thực tế trước khi ban hành quy định ổn định hơn, đồng thời tạo không gian pháp lý cho ngân hàng và Fintech phát triển sản phẩm mới (Chính phủ Việt Nam, 2025a).
Điểm đáng chú ý là Nghị định 94 sử dụng cách tiếp cận mở đối với “giải pháp chấm điểm tín dụng”, không liệt kê cứng loại dữ liệu đầu vào. Cách diễn đạt này có thể được hiểu là không loại trừ dữ liệu thay thế. Tuy nhiên, văn bản chưa quy định dữ liệu nào được phép dùng, dữ liệu nào cần đồng ý riêng, dữ liệu nào bị cấm; chưa đặt ra nghĩa vụ giải thích đối với quyết định tín dụng tự động; và chưa có chuẩn kiểm toán thuật toán đối với mô hình AI (Chính phủ Việt Nam, 2025a; Quốc hội Việt Nam, 2025).
3.2. Khung pháp lý hạn chế
Luật Bảo vệ dữ liệu cá nhân năm 2015 và Nghị định số 13/2023/NĐ-CP ngày 17/4/2023 của Chính phủ tạo nền tảng pháp lý chung điều chỉnh việc thu thập, xử lý, lưu trữ, chuyển giao và bảo vệ dữ liệu cá nhân tại Việt Nam. Đối với lĩnh vực tài chính – ngân hàng, điểm quan trọng là dữ liệu tài chính, tín dụng và dữ liệu phản ánh tình trạng kinh tế của cá nhân thường có mức độ nhạy cảm cao. Điều này kéo theo yêu cầu về sự đồng ý rõ ràng, mục đích xử lý cụ thể, biện pháp bảo mật tương xứng và trách nhiệm thông báo khi có sự cố dữ liệu (Chính phủ Việt Nam, 2023; Quốc hội Việt Nam, 2025).
Các nguyên tắc bảo vệ dữ liệu có tác động trực tiếp đến dữ liệu thay thế. Tổ chức không thể viện dẫn sự đồng ý chung chung để xử lý dữ liệu cho mọi mục đích. Nếu dữ liệu ví điện tử, viễn thông hoặc thương mại điện tử được dùng để chấm điểm tín dụng, người dùng phải được thông báo rõ về mục đích đó. Đồng thời, nguyên tắc tối thiểu hóa dữ liệu hạn chế việc thu thập quá mức các dữ liệu vị trí, danh bạ, mạng xã hội hoặc hành vi cá nhân không liên quan trực tiếp đến khả năng trả nợ (Quốc hội Việt Nam, 2025).
3.3. Pháp luật về thông tin tín dụng
Nghị định số 58/2021/NĐ-CP ngày 10/6/2021 của Chính phủ điều chỉnh tổ chức và hoạt động của công ty thông tin tín dụng, bao gồm thu thập, xử lý, cung cấp sản phẩm thông tin tín dụng và chấm điểm tín dụng. Đây là văn bản có liên hệ trực tiếp nhất với chủ thể cung cấp dịch vụ chấm điểm. Tuy nhiên, Nghị định được xây dựng trong bối cảnh dữ liệu thay thế và AI trong tín dụng chưa phát triển mạnh, nên trọng tâm vẫn là dữ liệu tín dụng truyền thống, điều kiện cấp phép và nghĩa vụ của công ty thông tin tín dụng (Chính phủ Việt Nam, 2021).
Khoảng trống nổi bật của Nghị định 58 là chưa có quy định cụ thể về dữ liệu phi truyền thống, tiêu chuẩn lựa chọn biến đầu vào, kiểm soát chất lượng dữ liệu, kiểm toán thuật toán hoặc nghĩa vụ giải thích khi điểm tín dụng được tạo bởi mô hình học máy. Văn bản cũng chưa làm rõ quan hệ trách nhiệm giữa công ty thông tin tín dụng, ngân hàng, Fintech, nhà cung cấp dữ liệu và chủ thể dữ liệu khi dữ liệu được chia sẻ qua nền tảng số (Chính phủ Việt Nam, 2021; World Bank, 2022).
3.4. Ma trận xung đột pháp lý
Từ các văn bản nêu trên, có thể nhận diện một số điểm chưa tương thích giữa xu hướng cho phép thử nghiệm Fintech và yêu cầu bảo vệ dữ liệu cá nhân. Đây không hẳn là mâu thuẫn trực tiếp về hiệu lực pháp luật, mà chủ yếu là khoảng trống điều phối: một văn bản mở không gian đổi mới, trong khi văn bản khác đặt nghĩa vụ bảo vệ quyền nhưng chưa có cầu nối vận hành cụ thể cho chấm điểm tín dụng dữ liệu thay thế (Chính phủ Việt Nam, 2025a; Quốc hội Việt Nam, 2025).
Bảng 2. Ma trận xung đột pháp lý trong sử dụng dữ liệu thay thế
| Vấn đề | Khung sandbox/Fintech | Khung bảo vệ dữ liệu | Rủi ro |
| Loại dữ liệu | Định nghĩa mở, chưa liệt kê cụ thể | Yêu cầu mục đích rõ ràng, dữ liệu nhạy cảm cần bảo vệ cao | Cao |
| Đồng ý | Chưa có mẫu riêng cho dữ liệu thay thế | Đồng ý phải rõ ràng, cụ thể và có thể rút lại | Cao |
| Chia sẻ với bên thứ ba | Cho phép trong phạm vi thử nghiệm | Hạn chế chuyển giao trái phép, cần phân định trách nhiệm | Trung bình – Cao |
| Lưu trữ/tái sử dụng | Chưa quy định thời hạn riêng | Giới hạn theo mục đích, có nghĩa vụ xóa/ngừng xử lý | Trung bình |
| Quyết định tự động dựa trên AI | Cho phép thử nghiệm công nghệ mới | Chưa có cơ chế chuyên biệt về quyền giải thích | Cao |
4. Đánh giá các rủi ro pháp lý và xã hội
4.1. Rủi ro phân biệt đối xử thuật toán
Rủi ro phân biệt đối xử thuật toán là vấn đề trọng tâm khi dữ liệu thay thế được dùng trong quyết định tín dụng. Nếu dữ liệu lịch sử phản ánh tình trạng một số nhóm dân cư ít được tiếp cận tín dụng, có thu nhập không ổn định hoặc thường xuyên giao dịch tiền mặt, mô hình có thể gán rủi ro cao hơn cho các đặc điểm liên quan đến nhóm đó. Kết quả là những người vốn đã bị loại trừ khỏi hệ thống tài chính có nguy cơ tiếp tục bị loại trừ dưới hình thức tinh vi hơn (World Bank, 2022).
Ở Việt Nam, rủi ro này đáng chú ý vì mức độ bao phủ dữ liệu không đồng đều giữa đô thị và nông thôn, giữa lao động chính thức và phi chính thức, giữa người quen dùng dịch vụ số và người ít tiếp cận công nghệ. Nếu mô hình đánh giá cao tần suất giao dịch số nhưng không điều chỉnh cho điều kiện tiếp cận hạ tầng, người dân ở khu vực có hạ tầng số kém có thể bị chấm điểm thấp không phải vì năng lực trả nợ thấp, mà vì dữ liệu của họ ít được ghi nhận. Do đó, kiểm thử công bằng theo nhóm dân cư cần trở thành yêu cầu bắt buộc trong quản trị mô hình (AFI, 2025; World Bank, 2022).
4.2. Rủi ro “creep mục đích” và chuyển giao dữ liệu trái phép
Dữ liệu thay thế thường phát sinh từ các dịch vụ không phải tín dụng: ví điện tử thu thập dữ liệu để xử lý thanh toán, nhà mạng thu thập dữ liệu để cung cấp dịch vụ viễn thông, còn sàn thương mại điện tử thu thập dữ liệu để vận hành giao dịch. Khi các dữ liệu này được tái sử dụng để chấm điểm tín dụng, ranh giới mục đích xử lý có thể bị mở rộng; nếu điều khoản đồng ý quá rộng, người dùng có thể không hiểu dữ liệu của mình sẽ được dùng để đánh giá khả năng vay vốn (Chính phủ Việt Nam, 2023; Quốc hội Việt Nam, 2025).
Rủi ro chuyển giao dữ liệu cũng đáng kể vì mô hình chấm điểm tín dụng có thể liên quan đến nhiều chủ thể: ngân hàng, Fintech, ví điện tử, nhà mạng, đơn vị phân tích dữ liệu, nhà cung cấp hạ tầng điện toán đám mây và công ty thông tin tín dụng. Nếu không có hợp đồng xử lý dữ liệu rõ ràng, phân định trách nhiệm khi xảy ra vi phạm sẽ rất khó khăn. Việc chuyển dữ liệu cho bên thứ ba hoặc xử lý trên hệ thống đặt ngoài lãnh thổ Việt Nam càng cần được kiểm soát chặt để tránh mất khả năng giám sát và bảo vệ quyền của chủ thể dữ liệu (Quốc hội Việt Nam, 2025).
4.3. Thiếu cơ chế quyền giải thích trong quyết định tự động
Khi một cá nhân bị từ chối khoản vay do điểm tín dụng thấp, họ cần biết tối thiểu những nhóm yếu tố nào ảnh hưởng đến quyết định: lịch sử thanh toán không đều, dòng tiền thiếu ổn định, dữ liệu xác minh chưa đầy đủ hay thông tin có sai lệch. Nếu quyết định được đưa ra bởi mô hình AI nhưng tổ chức tín dụng chỉ thông báo kết quả chung chung, chủ thể dữ liệu không có cơ hội sửa lỗi, bổ sung thông tin hoặc phản đối quyết định bất hợp lý (World Bank, 2022).
Pháp luật Việt Nam đã ghi nhận quyền của chủ thể dữ liệu ở mức chung, nhưng chưa có cơ chế chuyên biệt cho quyết định tín dụng tự động. Khoảng trống này quan trọng vì khả năng tiếp cận vốn ảnh hưởng đến cơ hội kinh doanh, học tập, tiêu dùng thiết yếu và ổn định đời sống. Do đó, quyền giải thích không nên bị hiểu là yêu cầu công bố bí mật thuật toán, mà là nghĩa vụ cung cấp thông tin có ý nghĩa, dễ hiểu và đủ để người vay thực hiện quyền của mình (Quốc hội Việt Nam, 2025; World Bank, 2022).
4.4. Gánh nặng tuân thủ chồng chéo
Trong giai đoạn gần đây, Việt Nam đồng thời xây dựng nhiều khung pháp lý liên quan đến dữ liệu, Fintech, tín dụng số và bảo vệ người tiêu dùng tài chính. Một mô hình chấm điểm dữ liệu thay thế có thể phải tuân thủ quy định của Ngân hàng Nhà nước về sandbox, quy định bảo vệ dữ liệu cá nhân, quy định an ninh mạng, quy định thông tin tín dụng và quy định về bảo vệ người tiêu dùng (Chính phủ Việt Nam, 2021; Chính phủ Việt Nam, 2023; Chính phủ Việt Nam, 2025a).
5. Một số giải pháp
Thứ nhất, phân loại dữ liệu thay thế theo mức độ nhạy cảm.
Ngân hàng Nhà nước cần phối hợp với cơ quan bảo vệ dữ liệu cá nhân ban hành hướng dẫn phân loại dữ liệu thay thế dùng trong chấm điểm tín dụng. Có thể chia thành ba tầng: dữ liệu rủi ro thấp như hóa đơn tiện ích hoặc dữ liệu xác minh thu nhập; dữ liệu rủi ro trung bình hoặc cao như ví điện tử, viễn thông, thương mại điện tử, chỉ dùng khi có đồng ý riêng; và dữ liệu bị cấm hoặc hạn chế nghiêm ngặt như sức khỏe, tôn giáo, quan điểm chính trị, nội dung liên lạc, danh bạ hoặc dữ liệu mạng xã hội không liên quan trực tiếp đến khả năng trả nợ.
Thứ hai, bổ sung quyền giải thích và quyền yêu cầu xem xét lại.
Cần bổ sung quy định chuyên biệt về quyết định tín dụng tự động. Khi điểm tín dụng hoặc quyết định từ chối vay được tạo ra chủ yếu bởi mô hình AI, tổ chức tín dụng hoặc công ty thông tin tín dụng phải cung cấp giải thích dễ hiểu về các nhóm yếu tố chính ảnh hưởng đến kết quả. Người bị từ chối tín dụng cũng cần có quyền yêu cầu xem xét lại bởi nhân viên có thẩm quyền trong thời hạn hợp lý.
Thứ ba, thiết lập chuẩn kiểm toán thuật toán chấm điểm tín dụng.
Ngân hàng Nhà nước cần xây dựng bộ tiêu chuẩn kiểm toán mô hình chấm điểm tín dụng sử dụng dữ liệu thay thế. Nội dung kiểm toán nên bao gồm nguồn gốc và tính hợp pháp của dữ liệu, chất lượng và tính đại diện của dữ liệu, khả năng giải thích của mô hình, kiểm thử công bằng giữa các nhóm dân cư, độ ổn định của mô hình và quy trình xử lý sai lệch. Các mô hình tác động lớn tới người tiêu dùng cần được kiểm toán độc lập định kỳ hoặc trước khi mở rộng quy mô sau sandbox.
Thứ tư, thiết lập cơ chế điều phối liên ngành.
Dữ liệu thay thế nằm ở giao điểm của ngân hàng, viễn thông, thương mại điện tử, định danh điện tử, an ninh mạng và bảo vệ dữ liệu cá nhân. Vì vậy, Việt Nam cần thiết lập cơ chế điều phối liên ngành về tín dụng số và dữ liệu thay thế, với sự tham gia của Ngân hàng Nhà nước, cơ quan bảo vệ dữ liệu cá nhân, cơ quan quản lý thông tin – truyền thông, Bộ Tư pháp và các đơn vị liên quan. Cơ chế này cần thống nhất mẫu đồng ý, tiêu chuẩn hợp đồng chia sẻ dữ liệu, quy trình xử lý sự cố và kênh khiếu nại.
Thứ năm, nâng cấp hệ thống thông tin tín dụng theo hướng bao trùm và an toàn.
Cần nghiên cứu mở rộng vai trò của hệ thống thông tin tín dụng theo hướng tích hợp có chọn lọc một số nguồn dữ liệu thay thế đáng tin cậy, như hóa đơn tiện ích, dữ liệu thuế, bảo hiểm xã hội hoặc lịch sử thanh toán số. Việc mở rộng phải dựa trên sự đồng ý hợp lệ của khách hàng, cơ chế kiểm soát truy cập và nguyên tắc chỉ sử dụng dữ liệu cần thiết cho mục đích đánh giá tín.
Thứ sáu, tăng cường năng lực pháp chế, thanh tra và nghiên cứu.
Hoàn thiện pháp luật cần đi cùng nâng cao năng lực thực thi. Tổ chức tín dụng cần đào tạo đội ngũ pháp chế, quản trị rủi ro và công nghệ về bảo vệ dữ liệu cá nhân, đạo đức AI và quản trị mô hình. Cơ quan thanh tra cần có năng lực đánh giá tài liệu mô hình, rủi ro thuật toán và bằng chứng tuân thủ. Đồng thời, cần có nghiên cứu thực nghiệm tại Việt Nam về tác động của dữ liệu thay thế đối với nhóm “thin-file”.
6. Kết luận
Dữ liệu thay thế trong chấm điểm tín dụng là xu hướng khó đảo ngược trong bối cảnh tài chính số và nhu cầu mở rộng tài chính toàn diện tại Việt Nam. Nguồn dữ liệu này có thể giúp nhận diện năng lực trả nợ của những người chưa có lịch sử tín dụng truyền thống, qua đó giảm loại trừ tài chính và thúc đẩy đổi mới sản phẩm ngân hàng. Tuy nhiên, nó cũng làm gia tăng rủi ro xâm phạm quyền riêng tư, xử lý dữ liệu ngoài mục đích, phân biệt đối xử thuật toán và thiếu minh bạch. Việt Nam cần xây dựng chế độ “cho phép có điều kiện” với các trụ cột: phân loại dữ liệu thay thế, đồng ý rõ ràng, quyền giải thích, kiểm toán thuật toán, điều phối liên ngành và nâng cấp hạ tầng thông tin tín dụng.
Tài liệu tham khảo:
Alliance for Financial Inclusion (AFI) (2025). Alternative data for credit scoring: Special report on regulatory frameworks across 32 jurisdictions. AFI Publications.
Federal Reserve Board. (2025). Speech by Governor Michael S. Barr on financial inclusion and alternative data in credit underwriting. Board of Governors of the Federal Reserve System.
Chính phủ (2021). Nghị định số 58/2021/NĐ-CP ngày 12/6/2021 về tổ chức và hoạt động của công ty thông tin tín dụng.
Chính phủ (2023). Nghị định số 13/2023/NĐ-CP ngày 17/4/2023 về bảo vệ dữ liệu cá nhân.
Chính phủ (2025a). Nghị định số 94/2025/NĐ-CP ngày 29/4/2025 quy định về cơ chế thử nghiệm có kiểm soát trong lĩnh vực ngân hàng.
Philadelphia Federal Reserve Bank. (2025). Fintech partnership and default rate on bank loans. Working Paper No. WP25-21.
Quốc hội (2025). Luật Bảo vệ dữ liệu cá nhân năm 2025.
Văn phòng Chính phủ (2026). Thông báo số 114/TB-VPCP ngày 11/3/2026 tổng kết phiên họp lần thứ 3 Ban Chỉ đạo Quốc gia về Tài chính toàn diện.
Vietnam Banks Association (VNBA). (2025). Six key banking policy highlights in 2025. VNBA Insights.
Vietnam Banks Association (VNBA). (2026). Completing 62/62 targets under 2020-2025 National Financial Inclusion Strategy: Sets more ambitious goals. VNBA.
World Bank. (2020). Credit scoring approaches guidelines: Innovative credit scoring for financial inclusion. International Finance Corporation & World Bank Group.
World Bank. (2022). Responsible use of technology in credit reporting. World Bank Publications.
