ການພະຍາກອນຄວາມສ່ຽງການຜິດນັດຊຳລະໜີ້ສຳລັບສະຖາບັນການເງິນຈຸລະພາກໃນລາວ

ປະຈຸບັນ, ສະຖາບັນການເງິນຈຸລະພາກ (Microfinance) ມີບົດບາດສຳຄັນຢ່າງຍິ່ງໃນການຂັບເຄື່ອນເສດຖະກິດຮາກຖານຂອງ ສປປ ລາວ. ບໍ່ວ່າຈະເປັນການປ່ອຍສິນເຊື່ອໃຫ້ແກ່ຊາວກະສິກອນປູກກາເຟຢູ່ເມືອງປາກຊ່ອງ ຫຼື ແມ່ຄ້າຂາຍເຄື່ອງຍ່ອຍຢູ່ຕະຫຼາດເຊົ້າ, ການເຂົ້າເຖິງແຫຼ່ງທຶນຊ່ວຍໃຫ້ປະຊາຊົນສາມາດຂະຫຍາຍທຸລະກິດໄດ້. ແນວໃດກໍຕາມ, ສິ່ງທ້າທາຍໃຫຍ່ທີ່ສຸດຂອງສະຖາບັນການເງິນຄື ການຜິດນັດຊຳລະໜີ້ (Loan Default) ຊຶ່ງນຳໄປສູ່ບັນຫາໜີ້ເສຍ (NPL).

ໃນບົດຄວາມນີ້, ເຮົາຈະມາເຈາະເລິກວິທີການນຳໃຊ້ Machine Learning (ML) ໂດຍສະເພາະອັນກໍຣິທຶມ Decision Tree (ຕົ້ນໄມ້ຕັດສິນໃຈ) ມາຊ່ວຍປະເມີນຄວາມສ່ຽງຂອງລູກຄ້າ ແບບເປັນຂັ້ນຕອນພ້ອມກັບການຂຽນໂຄດ Python ເພື່ອເປັນແນວທາງສຳລັບນັກພັດທະນາໃນລາວ.

ທຳຄວາມເຂົ້າໃຈໂມເດວ Decision Tree ໃນບໍລິບົດສິນເຊື່ອ

Decision Tree ແມ່ນໂມເດວ Machine Learning ທີ່ໃຊ້ສຳລັບການຈັດໝວດໝູ່ (Classification) ທີ່ມີການເຮັດວຽກຄ້າຍຄືກັບວິທີຄິດຂອງມະນຸດ ໂດຍການຕັ້ງຄຳຖາມແບບ ແມ່ນ/ບໍ່ແມ່ນ (Yes/No) ຕໍ່ເນື່ອງກັນໄປ.

ລອງນຶກພາບພະນັກງານສິນເຊື່ອທີ່ກຳລັງພິຈາລະນາເອກະສານກູ້ຢືມ:

1. ລູກຄ້າມີລາຍຮັບຫຼາຍກວ່າ 5 ລ້ານກີບຕໍ່ເດືອນບໍ່?
2. (ຖ້າແມ່ນ) ລູກຄ້າເຄີຍມີປະຫວັດການກູ້ຢືມ ແລະ ສົ່ງຕົງເວລາໃນ 1 ປີຜ່ານມາບໍ່?
3. (ຖ້າບໍ່) ລູກຄ້າມີໃບຕາດິນເປັນຫຼັກຊັບຄ້ຳປະກັນບໍ່?

Decision Tree ຈະຮຽນຮູ້ຈາກຂໍ້ມູນໃນອະດີດເພື່ອສ້າງກົດເກນເຫຼົ່ານີ້ອັດຕະໂນມັດ ໂດຍໃຊ້ຫຼັກການທາງຄະນິດສາດເຊັ່ນ Gini Impurity ຫຼື Entropy ເພື່ອເລືອກຄຳຖາມທີ່ສາມາດແຍກກຸ່ມ “ຄົນທີ່ຈະສົ່ງໜີ້” ແລະ “ຄົນທີ່ຈະໜີໜີ້” ໄດ້ດີທີ່ສຸດໃນແຕ່ລະຂັ້ນ.

ຂັ້ນຕອນການສ້າງໂມເດວພະຍາກອນການຜິດນັດຊຳລະໜີ້

ໃນຕົວຢ່າງນີ້, ເຮົາຈະໃຊ້ພາສາ Python ແລະ ໄລບຣາຣີ scikit-learn ເພື່ອສ້າງໂມເດວ. ເຮົາຈະຈຳລອງຂໍ້ມູນລູກຄ້າ ໂດຍມີຕົວປ່ຽນ (Features) ທີ່ພົບເຫັນທົ່ວໄປໃນສະຖາບັນການເງິນຈຸລະພາກຂອງລາວ.

1. ການກຽມຂໍ້ມູນ (Data Preparation)

ລອງຈຳລອງ Dataset ຂະໜາດນ້ອຍທີ່ມີຂໍ້ມູນ: ລາຍຮັບເດືອນ (Income), ມູນຄ່າເງິນກູ້ (Loan Amount), ແລະ ປະຫວັດສິນເຊື່ອ (Credit History 1=ດີ, 0=ບໍ່ດີ). ສ່ວນ Target Variable ແມ່ນການຜິດນັດ (Default 1=ຜິດນັດ, 0=ຈ່າຍປົກກະຕິ).

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

# 1. ສ້າງຂໍ້ມູນຈຳລອງຂອງລູກຄ້າໃນລາວ
data = {
    'Income_LAK': [3000000, 8500000, 4200000, 15000000, 2500000, 6000000, 12000000, 3500000],
    'Loan_Amount_LAK': [10000000, 30000000, 15000000, 100000000, 5000000, 20000000, 50000000, 20000000],
    'Credit_History': [1, 1, 0, 1, 0, 1, 1, 0], 
    'Default': [1, 0, 1, 0, 1, 0, 0, 1] 
}

df = pd.DataFrame(data)
print("--- ຕົວຢ່າງຂໍ້ມູນລູກຄ້າ ---")
print(df.head())

2. ແບ່ງຂໍ້ມູນສຳລັບຝຶກສອນ ແລະ ທົດສອບ (Train-Test Split)

ກ່ອນຈະສ້າງໂມເດວ, ເຮົາຕ້ອງແບ່ງຂໍ້ມູນອອກເປັນ 2 ສ່ວນຄື: ສ່ວນສຳລັບໃຫ້ຄອມພິວເຕີຮຽນຮູ້ (Training Set) ແລະ ສ່ວນສຳລັບທົດສອບຄວາມແມ່ນຍຳ (Testing Set).

# ແຍກ Features (X) ແລະ Target (y)
X = df[['Income_LAK', 'Loan_Amount_LAK', 'Credit_History']]
y = df['Default']

# ແບ່ງຂໍ້ມູນໃນອັດຕາສ່ວນ 75% ຝຶກສອນ, 25% ທົດສອບ
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)

3. ສ້າງ ແລະ ຝຶກສອນໂມເດວ (Model Training)

ເຮົາຈະໃຊ້ DecisionTreeClassifier. ຈຸດສຳຄັນໃນຂັ້ນຕອນນີ້ແມ່ນການກຳນົດ max_depth (ຄວາມເລິກສູງສຸດຂອງຕົ້ນໄມ້) ເພື່ອປ້ອງກັນບັນຫາ Overfitting (ການທີ່ໂມເດວຈື່ຈຳຂໍ້ມູນຝຶກສອນໄດ້ດີເກີນໄປ ແຕ່ໃຊ້ກັບຂໍ້ມູນໃໝ່ບໍ່ໄດ້).

# ສ້າງອອບເຈັດໂມເດວ ໂດຍໃຊ້ເກນ Gini Impurity ແລະ ຈຳກັດຄວາມເລິກທີ່ 3 ຂັ້ນ
clf = DecisionTreeClassifier(criterion='gini', max_depth=3, random_state=42)

# ເລີ່ມຝຶກສອນໂມເດວ
clf.fit(X_train, y_train)
print("\nການຝຶກສອນໂມເດວສຳເລັດແລ້ວ!")

4. ທົດສອບ ແລະ ປະເມີນຜົນໂມເດວ (Model Evaluation)

ເມື່ອໂມເດວຮຽນຮູ້ແລ້ວ, ເຮົາຈະເອົາຂໍ້ມູນຊຸດທົດສອບມາໃຫ້ໂມເດວທວາຍເບິ່ງວ່າ ລູກຄ້າເຫຼົ່ານີ້ຈະຜິດນັດຊຳລະໜີ້ ຫຼື ບໍ່.

# ໃຫ້ໂມເດວພະຍາກອນຂໍ້ມູນຊຸດທົດສອບ
y_pred = clf.predict(X_test)

# ປະເມີນຜົນ
print("\n--- ຜົນການປະເມີນໂມເດວ ---")
print(f"ຄວາມແມ່ນຍຳລວມ (Accuracy): {accuracy_score(y_test, y_pred) * 100}%")
print("\nລາຍລະອຽດການແຍກປະເພດ (Classification Report):")
print(classification_report(y_test, y_pred))

ໃນວຽກງານສິນເຊື່ອ, ການເບິ່ງພຽງແຕ່ Accuracy ອາດບໍ່ພຽງພໍ. ສິ່ງທີ່ທະນາຄານຕ້ອງໃສ່ໃຈຄືຄ່າ Recall ຂອງກຸ່ມ Default(1) ເພາະການປ່ອຍສິນເຊື່ອໃຫ້ຄົນທີ່ມີຄວາມສ່ຽງຈະໜີໜີ້ (False Negative) ສ້າງຄວາມເສຍຫາຍທາງການເງິນໜັກໜ່ວງກວ່າການປະຕິເສດລູກຄ້າທີ່ດີ (False Positive).

ຂໍ້ໄດ້ປຽບຂອງ Decision Tree ໃນສະຖາບັນການເງິນ

• ສາມາດອະທິບາຍໄດ້ (Explainability): ຕ່າງຈາກໂມເດວ Deep Learning ທີ່ເປັນ “Black Box”, ຜູ້ບໍລິຫານ ຫຼື ພະນັກງານສິນເຊື່ອສາມາດເບິ່ງເງື່ອນໄຂ (Rules) ຂອງ Decision Tree ໄດ້ຊັດເຈນວ່າເປັນຫຍັງລະບົບຈຶ່ງປະຕິເສດເງິນກູ້ຂອງລູກຄ້າ ເຊິ່ງຈຳເປັນຫຼາຍສຳລັບການປະຕິບັດຕາມລະບຽບການຂອງທະນາຄານແຫ່ງ ສປປ ລາວ (BOL).
• ຈັດການຂໍ້ມູນທີ່ບໍ່ເປັນເສັ້ນຊື່ໄດ້ດີ: ລາຍຮັບຫຼາຍບໍ່ໄດ້ໝາຍຄວາມວ່າຈະຈ່າຍໜີ້ສະເໝີໄປ ຖ້າຫາກຍອດເງິນກູ້ສູງເກີນຕົວ. Decision Tree ສາມາດຮຽນຮູ້ຄວາມສຳພັນທີ່ຊັບຊ້ອນເຫຼົ່ານີ້ໄດ້ໂດຍອັດຕະໂນມັດ.
• ບໍ່ຕ້ອງປັບຫົວໜ່ວຍຂໍ້ມູນຫຼາຍ: ບໍ່ຈຳເປັນຕ້ອງເຮັດ Scaling ຂໍ້ມູນເຊັ່ນ: ການປ່ຽນລາຍຮັບຈາກຫຼັກລ້ານກີບໃຫ້ຢູ່ໃນລະດັບ 0-1 ຄືກັບໂມເດວອື່ນໆ ເຮັດໃຫ້ການກະກຽມຂໍ້ມູນໄວຂຶ້ນ.

ຂໍ້ຄວນຈື່ທີ່ສຳຄັນ (Key Takeaways)

1. ຮູບແບບສິນເຊື່ອຈຸລະພາກໃນລາວ ມີຄວາມສ່ຽງສະເພາະຕົວ (ເຊັ່ນ ຄວາມຜັນຜວນຂອງລາຍຮັບກະສິກຳຕາມລະດູການ). ການລວມເອົາຂໍ້ມູນເຫຼົ່ານີ້ມາເປັນ Features ຈະຊ່ວຍເພີ່ມຄວາມແມ່ນຍຳ.
2. ໂມເດວ Decision Tree ເຂົ້າໃຈງ່າຍ ແລະ ສາມາດອະທິບາຍເຫດຜົນການອະນຸມັດໄດ້.
3. ລະວັງບັນຫາ Overfitting ສາເໝີ ໂດຍການໃຊ້ເຕັກນິກຈຳກັດຄວາມເລິກ (Pruning ຫຼື ກຳນົດ Max Depth) ຫຼື ຫັນໄປໃຊ້ຮູບແບບທີ່ຊັບຊ້ອນກວ່າເຊັ່ນ Random Forest ຫາກມີຂໍ້ມູນຫຼາຍພຽງພໍ.

ສະຫຼຸບ ການນຳໃຊ້ Machine Learning ມາຊ່ວຍໃນການປະເມີນຄວາມສ່ຽງ ບໍ່ໄດ້ມາເພື່ອແທນທີ່ພະນັກງານສິນເຊື່ອ ແຕ່ມາເປັນ “ຜູ້ຊ່ວຍ” ທີ່ສາມາດວິເຄາະຂໍ້ມູນຈຳນວນມະຫາສານໄດ້ຢ່າງວ່ອງໄວ. ສຳລັບສະຖາບັນການເງິນຈຸລະພາກໃນປະເທດລາວ, ການເລີ່ມຕົ້ນດ້ວຍໂມເດວທີ່ເຂົ້າໃຈງ່າຍຄື Decision Tree ຈະຊ່ວຍຫຼຸດຜ່ອນອັດຕາໜີ້ເສຍ (NPL) ແລະ ເພີ່ມໂອກາດໃຫ້ທຸລະກິດຂະໜາດນ້ອຍ, ຊາວກະສິກອນ ສາມາດເຂົ້າເຖິງແຫຼ່ງທຶນດ້ວຍອັດຕາດອກເບ້ຍທີ່ເປັນທຳຫຼາຍຂຶ້ນ. ອັນຈະເປັນຕົວຊ່ວຍຍົກລະດັບມາດຕະຖານເຕັກໂນໂລຊີທາງການເງິນ (FinTech) ໃນລາວໃຫ້ກ້າວໜ້າໄປອີກຂັ້ນ.