Có thể có, và thường không phải vì ai cố ý. Máy chấm điểm tín dụng học từ dữ liệu quá khứ: ai từng vay, ai trả đúng hạn, ai nợ xấu. Những nhóm người trước đây ít được ngân hàng cho vay, ít để lại dấu vết giao dịch, hoặc sống ở khu vực bị đánh giá rủi ro cao, sẽ dễ bị máy chấm thấp lặp lại. Máy không được dạy để phân biệt đối xử, nhưng nó học đúng những gì quá khứ đã làm.
Chuyện này chạm tới rất nhiều người Việt: tài xế công nghệ, người bán hàng chợ, thợ hồ, lao động tự do, những người có thu nhập thật nhưng không có bảng lương. Bài này giải thích thiên lệch chui vào máy bằng đường nào, ai dễ bị thiệt, lý lẽ của bên cho vay, và những quy tắc mà nhiều người cho là nên có.
Thiên lệch chui vào máy bằng đường nào
Hình dung một anh tài xế công nghệ ở Gò Vấp, chạy xe sáu năm, thu nhập đều, chưa từng nợ ai. Anh làm hồ sơ vay qua ứng dụng để sửa nhà, bị từ chối trong vài phút, không lời giải thích. Một chị nhân viên văn phòng có bảng lương, thu nhập ngang anh, được duyệt ngay. Không có dòng lệnh nào viết "từ chối tài xế". Nhưng máy học từ dữ liệu mà ở đó, người có bảng lương chiếm phần lớn những khoản vay được trả tốt, đơn giản vì trước đây họ là người được cho vay nhiều nhất.
Đường thứ hai là các "thước đo thay thế". Khi không có lịch sử vay, một số hệ thống dùng dữ liệu khác để đoán: loại điện thoại, cách nạp tiền điện thoại, địa chỉ đăng ký, thậm chí giờ giấc dùng ứng dụng. Mỗi thứ có vẻ trung lập, nhưng điện thoại đời cũ, nạp thẻ lẻ, địa chỉ ở xóm trọ đều gắn với người thu nhập thấp. Máy có thể dùng chúng như một cách gián tiếp để chấm thấp cả một nhóm.
Đường thứ ba là vòng lặp. Người bị chấm thấp không được vay, nên không có lịch sử trả nợ tốt, nên lần sau vẫn bị chấm thấp. Trong khi đó người đã được vay tích luỹ thêm điểm. Khoảng cách tự nó nới rộng ra mà không ai quyết định chuyện đó.
Đường thứ tư là dữ liệu sai. Một khoản nợ đã trả nhưng chưa được cập nhật, một lần trùng tên với người nợ xấu, một số điện thoại cũ từng thuộc về người khác. Với người thẩm định, những lỗi này có thể được phát hiện qua một cuộc nói chuyện. Với máy chạy tự động, chúng trôi qua im lặng.
Ai dễ bị thiệt khi máy chấm điểm
Lao động tự do. Thợ hồ, tài xế, người bán hàng rong có thu nhập thật nhưng không có bảng lương hay sao kê đều đặn.
Người dùng tiền mặt nhiều. Chủ tiệm tạp hoá, người buôn bán chợ ít để lại dấu vết giao dịch số nên "vô hình" với máy.
Người mới đi làm. Sinh viên mới ra trường chưa có lịch sử tín dụng, bị coi là rủi ro chỉ vì chưa có gì để chấm.
Người sống ở xóm trọ, khu ven. Địa chỉ có thể bị dùng như dấu hiệu rủi ro, kéo điểm của cả những người trả nợ tốt.
Người lớn tuổi. Ít dùng ứng dụng, ít giao dịch số, dễ bị máy hiểu là thiếu thông tin.
Phụ nữ nội trợ, làm việc nhà. Công việc không có lương nên không hiện trong dữ liệu thu nhập, dù góp phần lớn vào kinh tế gia đình.
Người di cư từ tỉnh lên thành phố. Đổi chỗ ở, đổi số điện thoại nhiều lần có thể bị đọc như dấu hiệu bất ổn.
Người từng gặp một lần khó khăn. Một khoản trễ hạn vì bệnh, vì mất việc có thể kéo điểm nhiều năm dù sau đó trả đều.
Người trùng tên. Tên phổ biến dễ bị nhầm với người khác trong các hệ thống ghép dữ liệu kém.
Người khuyết tật. Cách dùng điện thoại khác thường, như dùng chức năng đọc màn hình, có thể bị hiểu sai nếu hệ thống dùng hành vi làm thước đo.
Hộ kinh doanh nhỏ ở nông thôn. Thu nhập theo mùa vụ, không đều tháng, khó khớp với khuôn chấm điểm thiết kế cho người làm công ăn lương.
Lý lẽ của bên cho vay và của người phản biện
Bên cho vay có lý lẽ đáng nghe. Máy chấm điểm giúp xét hồ sơ nhanh, rẻ, nhờ đó cho vay được những khoản nhỏ mà trước đây không đáng công thẩm định. Nhiều người lần đầu được vay chính nhờ hệ thống tự động dùng dữ liệu thay thế. Họ cũng nhắc rằng người thẩm định bằng tay cũng có định kiến, có khi còn nặng hơn, chỉ là không ai đo được.
Người phản biện không phủ nhận điều đó, nhưng chỉ ra ba khác biệt. Một là quy mô: một người thẩm định thiên lệch ảnh hưởng vài trăm hồ sơ, một hệ thống ảnh hưởng hàng triệu. Hai là sự im lặng: người bị từ chối không biết vì sao, không có ai để thuyết phục. Ba là vẻ khách quan: kết quả từ máy được tin là "khoa học", nên ít bị nghi ngờ hơn ý kiến của một con người.
Cũng có tranh luận về chuyện có nên cấm hẳn một số loại dữ liệu hay không. Phía muốn cấm cho rằng những thứ như loại điện thoại, danh bạ, mạng xã hội không liên quan tới khả năng trả nợ và dễ trở thành công cụ phân biệt. Phía phản đối cho rằng cấm quá nhiều thì người không có lịch sử tín dụng lại càng không được vay, vì máy không còn gì để đánh giá.
Điểm nhiều bên đồng ý là cần đo. Một hệ thống chấm điểm nên được kiểm tra định kỳ xem tỉ lệ từ chối có chênh bất thường giữa các nhóm không, và nếu chênh thì vì lý do chính đáng hay vì thước đo gián tiếp. Không đo thì không ai biết, kể cả chính bên cho vay.
Những quy tắc nhiều người cho là nên có
Báo cho người vay là máy đang chấm. Người làm hồ sơ có quyền biết quyết định có dùng hệ thống tự động hay không.
Nêu lý do chính khi từ chối. Không cần lộ công thức, nhưng nói được vài yếu tố chính như "thu nhập chưa xác minh được".
Cho người vay bổ sung giấy tờ. Tài xế có thể nộp lịch sử thu nhập từ ứng dụng, người bán hàng có thể nộp sổ sách.
Có người xem lại khi được yêu cầu. Hồ sơ bị từ chối nên có đường để một nhân viên xem lại bằng mắt.
Kiểm tra chênh lệch giữa các nhóm. Đo định kỳ tỉ lệ duyệt theo vùng, giới, độ tuổi để phát hiện thiên lệch.
Hạn chế dữ liệu không liên quan. Danh bạ điện thoại, ảnh cá nhân, nội dung mạng xã hội không nên là căn cứ chấm điểm.
Cho sửa dữ liệu sai nhanh. Khoản nợ đã trả phải được cập nhật; người vay có kênh khiếu nại rõ ràng.
Không đòi danh bạ để đòi nợ. Việc gọi cho người thân, đồng nghiệp của người vay để gây áp lực là vi phạm phẩm giá, dù có chấm điểm hay không.
Ghi lại phiên bản hệ thống. Khi có khiếu nại, biết hồ sơ được chấm bằng phiên bản nào để kiểm tra lại.
Giải thích bằng lời dễ hiểu. Thư từ chối viết cho người bình thường đọc, không phải cho kỹ sư.
Có bên độc lập kiểm tra. Giống như kiểm toán tài chính, hệ thống chấm điểm lớn nên có kiểm tra từ bên ngoài.
Nếu bị từ chối, người đi vay có thể làm gì
Hỏi lý do bằng văn bản. Gửi qua kênh chính thức của bên cho vay, hỏi những yếu tố chính dẫn tới quyết định.
Kiểm tra lịch sử tín dụng của mình. Xem có khoản nợ nào sai, chưa cập nhật hay bị nhầm tên không.
Chuẩn bị bằng chứng thu nhập. Sao kê tài khoản, lịch sử thu nhập từ ứng dụng làm việc, hợp đồng thuê mặt bằng của tiệm.
Đề nghị người xem lại. Nói rõ muốn một nhân viên thẩm định hồ sơ trực tiếp.
Đừng nộp dồn nhiều nơi cùng lúc. Nhiều lần hỏi vay trong thời gian ngắn có thể bị hiểu là đang cần tiền gấp.
Tránh ứng dụng vay đòi quyền danh bạ. Đó là dấu hiệu của cách đòi nợ gây áp lực lên người thân.
Xây lịch sử từ khoản nhỏ. Một thẻ tín dụng hạn mức thấp dùng và trả đúng hạn giúp có dữ liệu để chấm.
Giữ một số điện thoại lâu dài. Đổi số nhiều lần làm hồ sơ rời rạc, khó xác minh.
Ghi lại mọi trao đổi. Ngày gửi, nội dung trả lời, tên phòng ban, để khi cần phản ánh có hồ sơ.
Phản ánh khi không được trả lời. Liên hệ bộ phận chăm sóc khách hàng cấp cao hoặc cơ quan bảo vệ người tiêu dùng.
Hỏi tổ chức hỗ trợ pháp lý khi có thiệt hại lớn. Với tranh chấp nghiêm trọng, luật sư hoặc trung tâm trợ giúp pháp lý là nơi nên tới.
Câu hỏi thường gặp
Máy chấm điểm có công bằng hơn người thẩm định không?
Có mặt hơn, có mặt kém. Máy nhất quán và không có cảm xúc nhất thời, nhưng nó lặp lại định kiến trong dữ liệu quá khứ trên quy mô rất lớn. Công bằng hay không phụ thuộc vào việc hệ thống có được kiểm tra và sửa định kỳ hay không.
Vì sao người không có bảng lương hay bị từ chối vay qua ứng dụng?
Vì nhiều hệ thống được thiết kế quanh dữ liệu lương và sao kê đều đặn. Thu nhập thật nhưng không đều hoặc dùng tiền mặt nhiều khiến máy thiếu căn cứ, và thiếu căn cứ thường bị hiểu là rủi ro cao.
Loại điện thoại đang dùng có ảnh hưởng tới điểm tín dụng không?
Ở một số hệ thống dùng dữ liệu thay thế thì có thể, vì loại máy được coi là dấu hiệu gián tiếp về thu nhập. Nhiều người cho rằng đây là thước đo dễ gây phân biệt và nên bị hạn chế.
Có quyền đòi bên cho vay giải thích vì sao bị từ chối không?
Người vay luôn có thể hỏi, và nhiều nơi có quy định hoặc thông lệ yêu cầu bên cho vay nêu lý do chính. Mức độ bắt buộc cụ thể tuỳ quy định từng nơi, nên khi có tranh chấp nên hỏi người làm luật.
Thiên lệch thuật toán có sửa được không?
Sửa được một phần: đo chênh lệch giữa các nhóm, bỏ những thước đo gián tiếp gây phân biệt, bổ sung dữ liệu cho nhóm bị thiếu, và có người xem lại hồ sơ bị từ chối. Không có cách sửa một lần cho xong, cần kiểm tra liên tục.
