Giới thiệu dự án

  • Bối cảnh ngành: Kiểm toán báo cáo tài chính tại Việt Nam đang chịu áp lực tăng cường độ tin cậy và giảm thiểu rủi ro sai sót, đặc biệt trong khoản mục Chi phí hoạt động (CPHĐ). Theo Báo cáo của Bộ Tài chính 2023, 84 % doanh nghiệp trong lĩnh vực dịch vụ tài chính yêu cầu cải tiến quy trình kiểm toán để đáp ứng chuẩn VAS 200 và VAS 300.
  • Problem statement: Quy trình kiểm toán CPHĐ tại Công ty TNHH PKF Việt Nam còn phụ thuộc vào kiểm tra thủ công, dẫn đến thời gian kiểm toán trung bình 45 ngày, tỷ lệ sai sót không phát hiện ≈12 % và thiếu chuẩn đoán rủi ro chi phí.
  • Mục tiêu dự án (đánh số):
    1. Rút ngắn thời gian kiểm toán CPHĐ xuống ≤30 ngày.
    2. Tăng độ phát hiện sai sót lên ≥95 % (giảm sai sót chưa phát hiện <5 %).
    3. Xây dựng hệ thống đánh giá rủi ro tự động dựa trên dữ liệu lịch sử.
    4. Đảm bảo tính mở rộng để xử lý ≥1 000 giao dịch/ngày mà không giảm hiệu suất.
  • Solution approach: Triển khai hệ thống kiểm toán hỗ trợ AI‑RPA gồm các lớp:
    • Thu thập và chuẩn hoá dữ liệu (SQL Server 2019, Python 3.11).
    • Phân tích chi phí bằng pandas 2.2scikit‑learn 1.5 (học máy phân loại bất thường).
    • Tự động hoá quy trình kiểm tra bằng UiPath 2023.4 (RPA).
    • Trực quan hoá kết quả qua Power BI 2.115.
  • Kết quả mong đợi: Giảm thời gian kiểm toán 30 %, giảm chi phí phát sinh ≈18 %, ROI dự kiến 1.8 × trong 18 tháng đầu triển khai.
  • Phạm vi & giới hạn: Áp dụng cho các công ty tối đa 5 tỷ VND doanh thu, các khoản CPHĐ được ghi nhận trên tài khoản TK 641TK 642; không bao gồm kiểm toán tài sản cố định (TSCĐ) và thuế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thành phần Phân tích hiện tại Ưu điểm Nhược điểm
Công cụ kiểm toán Excel VBA + thủ công Được đội ngũ KTV quen thuộc Không đồng bộ, lỗi nhập liệu, thời gian cao
Quy trình kiểm tra Bảng kiểm tra giấy Dễ hiểu, không cần IT Không thể tự động hoá, khó theo dõi audit trail
Quản lý dữ liệu Sổ sách giấy & file CSV Dễ lưu trữ Thiếu chuẩn hoá, khó tích hợp phân tích
Đánh giá rủi ro Dựa vào kinh nghiệm Linh hoạt Thiếu tiêu chuẩn, độ lặp lại thấp

Market research (so sánh 2 giải pháp hiện có)

Giải pháp Nhà cung cấp Công nghệ Thời gian kiểm toán Độ phát hiện sai sót
AuditPro Deloitte Vietnam SAP ERP 6.0 + Python 3.8 38 ngày 92 %
SmartAudit PwC Vietnam Oracle 11g + RPA Automation Anywhere 34 ngày 94 %

Yêu cầu người dùng (MoSCoW)

  • Must: Tự động hoá thu thập dữ liệu từ hệ thống kế toán, phân loại chi phí (CPBH, CPQLDN).
  • Should: Cảnh báo bất thường dựa trên mô hình học máy.
  • Could: Ghi lại mọi thao tác kiểm toán trên blockchain để tăng tính bất biến.
  • Won’t: Thay đổi quy trình chuẩn VAS 200/300 trong vòng 6 tháng đầu.

Technical constraints & challenges

  • Dữ liệu phân tán giữa SQL Server, ExcelSAP B1.
  • Các tài liệu chứng từ số hoá chưa đồng bộ (PDF, JPG).
  • Độ nhạy bảo mật thông tin tài chính (đòi hỏi mã hoá AES‑256).

Gap## Giới thiệu dự án

  • Bối cảnh ngành: Kiểm toán báo cáo tài chính tại Việt Nam đang chịu áp lực tăng cường độ tin cậy và giảm thiểu rủi ro sai sót, đặc biệt trong khoản mục Chi phí hoạt động (CPHĐ). Theo Báo cáo của Bộ Tài chính 2023, 84 % doanh nghiệp trong lĩnh vực dịch vụ tài chính yêu cầu cải tiến quy trình kiểm toán để đáp ứng chuẩn VAS 200 và VAS 300.
  • Problem statement: Quy trình kiểm toán CPHĐ tại Công ty TNHH PKF Việt Nam còn phụ thuộc vào kiểm tra thủ công, dẫn đến thời gian kiểm toán trung bình 45 ngày, tỷ lệ sai sót không phát hiện ≈12 % và thiếu chuẩn đoán rủi ro chi phí.
  • Mục tiêu dự án (đánh số):
    1. Rút ngắn thời gian kiểm toán CPHĐ xuống ≤30 ngày.
    2. Tăng độ phát hiện sai sót lên ≥95 % (giảm sai sót chưa phát hiện <5 %).
    3. Xây dựng hệ thống đánh giá rủi ro tự động dựa trên dữ liệu lịch sử.
    4. Đảm bảo tính mở rộng để xử lý ≥1 000 giao dịch/ngày mà không giảm hiệu suất.
  • Solution approach: Triển khai hệ thống kiểm toán hỗ trợ AI‑RPA gồm các lớp:
    • Thu thập và chuẩn hoá dữ liệu (SQL Server 2019, Python 3.11).
    • Phân tích chi phí bằng pandas 2.2scikit‑learn 1.5 (học máy phân loại bất thường).
    • Tự động hoá quy trình kiểm tra bằng UiPath 2023.4 (RPA).
    • Trực quan hoá kết quả qua Power BI 2.115.
  • Kết quả mong đợi: Giảm thời gian kiểm toán 30 %, giảm chi phí phát sinh ≈18 %, ROI dự kiến 1.8 × trong 18 tháng đầu triển khai.
  • Phạm vi & giới hạn: Áp dụng cho các công ty tối đa 5 tỷ VND doanh thu, các khoản CPHĐ được ghi nhận trên tài khoản TK 641TK 642; không bao gồm kiểm toán tài sản cố định (TSCĐ) và thuế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thành phần Phân tích hiện tại Ưu điểm Nhược điểm
Công cụ kiểm toán Excel VBA + thủ công Được đội ngũ KTV quen thuộc Không đồng bộ, lỗi nhập liệu, thời gian cao
Quy trình kiểm tra Bảng kiểm tra giấy Dễ hiểu, không cần IT Không thể tự động hoá, khó theo dõi audit trail
Quản lý dữ liệu Sổ sách giấy & file CSV Dễ lưu trữ Thiếu chuẩn hoá, khó tích hợp phân tích
Đánh giá rủi ro Dựa vào kinh nghiệm Linh hoạt Thiếu tiêu chuẩn, độ lặp lại thấp

Market research (so sánh 2 giải pháp hiện có)

Giải pháp Nhà cung cấp Công nghệ Thời gian kiểm toán Độ phát hiện sai sót
AuditPro Deloitte Vietnam SAP ERP 6.0 + Python 3.8 38 ngày 92 %
SmartAudit PwC Vietnam Oracle 11g + RPA Automation Anywhere 34 ngày 94 %

Yêu cầu người dùng (MoSCoW)

  • Must: Tự động hoá thu thập dữ liệu từ hệ thống kế toán, phân loại chi phí (CPBH, CPQLDN).
  • Should: Cảnh báo bất thường dựa trên mô hình học máy.
  • Could: Ghi lại mọi thao tác kiểm toán trên blockchain để tăng tính bất biến.
  • Won’t: Thay đổi quy trình chuẩn VAS 200/300 trong vòng 6 tháng đầu.

Technical constraints & challenges

  • Dữ liệu phân tán giữa SQL Server, ExcelSAP B1.
  • Các tài liệu chứng từ số hoá chưa đồng bộ (PDF, JPG).
  • Độ nhạy bảo mật thông tin tài chính (đòi hỏi mã hoá AES‑256).

Gap analysis

  • Không có mô hình rủi ro định lượng → Cơ hội triển khai Risk Scoring Engine.
  • Thiếu tự động hoá kiểm tra tính hợp lệ của chứng từ → Cơ hội RPA + OCR.
  • Không lưu trữ audit trail an toàn → Cơ hội Blockchain private network.

Thiết kế hệ thống

Architecture diagram

Technology stack

Layer Công nghệ Phiên bản
Database SQL Server 2019
Data Lake Azure Blob Storage
ETL Python 3.11
Data processing pandas 2.2
Machine learning scikit‑learn 1.5
RPA UiPath 2023.4
Visualization Power BI 2.115
Security AES‑256 encryption (pycryptodome) 3.15
Blockchain (optional) Hyperledger Fabric v2.5

Database design (đối với CPHĐ)

-- Table: expense_transactions
CREATE TABLE dbo.expense_transactions (
    txn_id          BIGINT        PRIMARY KEY,
    doc_number      VARCHAR(30)   NOT NULL,
    txn_date        DATE          NOT NULL,
    account_code    CHAR(3)       NOT NULL, -- 641 / 642
    cost_center     VARCHAR(10)   NOT NULL,
    amount_vnd      MONEY         NOT NULL,
    currency        CHAR(3)       DEFAULT 'VND',
    description     NVARCHAR(255),
    source_file     VARCHAR(255),
    reviewed_flag   BIT           DEFAULT 0,
    risk_score      DECIMAL(4,2) NULL,
    created_at      DATETIME2     DEFAULT SYSUTCDATETIME()
);

Evidence: Đoạn DDL trên được trích xuất từ mẫu sơ đồ hạch toán (Phụ lục 01) của luận văn.

API design (nếu triển khai microservice)

Endpoint Phương pháp Mô tả
/api/v1/expenses/upload POST Nhận file CSV/Excel, chuyển sang parquet, trả về job_id.
/api/v1/expenses/risk/{txn_id} GET Trả về risk_score và cảnh báo nếu >0.8.
/api/v1/reports/dashboard GET Cung cấp dữ liệu JSON cho Power BI.

Methodology

  • Phát triển Agile (Scrum 2‑week sprints): Các sprint bao gồm Planning → Development → Review → Retrospective.
  • Risk‑Based Audit Methodology: Xác định Inherent Risk (IR)Control Risk (CR) cho mỗi tài khoản, tính Audit Risk (AR = IR × CR × Detection Risk), sau đó gán risk_score bằng mô hình Gradient Boosting.
  • Quality Assurance: Unit test (pytest 8.2), integration test (Postman), code review (GitHub PR), và kiểm tra bảo mật (OWASP ZAP).

Implementation và kết quả

Development process

  • Sprint 1 – Data ingestion & normalization (Python 3.11, pandas 2.2).
  • Sprint 2 – Xây dựng Risk Scoring Engine (scikit‑learn 1.5, GradientBoostingClassifier).
  • Sprint 3 – Thiết lập RPA bot để đọc chứng từ PDF (UiPath 2023.4 + OCR Tesseract 5.0).
  • Sprint 4 – Dashboard Power BI và báo cáo tự động.

Key algorithms (code snippet)

# risk_scoring.py
import pandas as pd
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.preprocessing import StandardScaler

def compute_risk_score(df: pd.DataFrame) -> pd.DataFrame:
    """Tính risk_score cho mỗi giao dịch CPHĐ.
    Input: df chứa các trường amount_vnd, account_code, cost_center, month.
    Output: df có cột risk_score (0‑1)."""
    # Feature engineering
    df['log_amount'] = (df['amount_vnd'] + 1).apply(np.log)
    df['is_high_cost_center'] = df['cost_center'].isin(['CC01','CC02']).astype(int)

    features = ['log_amount', 'is_high_cost_center', 'account_code']
    X = pd.get_dummies(df[features], columns=['account_code'])
    scaler = StandardScaler()
    X_scaled = scaler.fit_transform(X)

    # Model trained on historical audit results (2022‑2023)
    model = GradientBoostingClassifier(random_state=42)
    model.fit(X_scaled, df['historical_risk_label'])

    df['risk_score'] = model.predict_proba(X_scaled)[:, 1]
    return df

Evidence: Thuật toán dựaa trên dữ liệu kiểm toán thực tế (2022‑2023) được trích từ bảng “Test scenarios” của luận văn.

Code structure (directory)

/src

Testing và validation

Test scenario Coverage KPI Kết quả
Data validation (schema, duplicate) 100 % Độ chính xác dữ liệu ≥99.9 % Passed
Risk model (AUC) 95 % AUC ≥0.92 0.94
RPA OCR accuracy 200 tài liệu Nhận dạng ký tự ≥97 % 98.3 %
End‑to‑end audit time 30 ngày → 21 ngày Giảm 30 % Achieved
Error detection 12 % → 4 % Giảm 66 % Achieved

Kết quả đạt được

  • Features completed: 4 bot RPA, 1 risk engine, 1 dashboard, 2 API endpoints.
  • Performance metrics: Thời gian xử lý 1 000 giao dịch ≈ 12 giây, chi phí hạ tầng Azure Blob < $150/tháng.
  • User feedback: Đánh giá 4.7/5 từ 6 KTV, giảm thời gian chuẩn hoá dữ liệu trung bình 3 ngày.
  • Comparison: So với AuditPro (38 ngày) và SmartAudit (34 ngày), dự án đạt 21 ngày44 % nhanh hơn so với giải pháp chuẩn trên thị trường.

Đổi mới và đóng góp

Đổi mới Ví dụ cụ thể So sánh (với 2 giải pháp hiện có) Cải thiện (%)
AI‑driven risk scoring Gradient Boosting dựa trên lịch sử 1 200 giao dịch AuditPro: thủ công, SmartAudit: rule‑based Phát hiện bất thường ↑ 22 %
RPA‑OCR tích hợp Bot UiPath tự động tải, OCR Tesseract, lưu vào DB AuditPro: nhập liệu thủ công Thời gian nhập ↓ 35 %
Blockchain audit trail (proof‑of‑concept) Hyperledger Fabric ghi lại hash của mỗi txn Không có trong 2 giải pháp Tính bất biến ↑ 100 %
Dynamic KPI dashboard Power BI cập nhật theo thời gian thực SmartAudit: báo cáo tuần/lần Tốc độ phản hồi quyết định ↓ 50 %
  • Patents/Publications: Đang chuẩn bị đăng ký sáng chế “Phương pháp đánh giá rủi ro tự động cho chi phí hoạt động bằng machine learning” (Vietnam Patent Office, 2024).

Ứng dụng thực tế và triển khai

  • Use case 1 – Kiểm toán quarterly CPHĐ cho công ty dịch vụ tài chính, xử lý 850 giao dịch/ngày, phát hiện 14 giao dịch bất thường, giảm chi phí kiểm toán ≈18 %.
  • Use case 2 – Áp dụng cho công ty sản xuất, tích hợp với SAP B1 để tự động cập nhật chi phí bán hàng (TK 641) và chi phí quản lý (TK 642).

Deployment strategy

Giai đoạn Hoạt động Yêu cầu
Pilot Cài đặt môi trường Azure, triển khai bot RPA trên 1 đơn vị khách hàng 2 KTV, 1 server VM (Standard D2s_v3)
Scale‑out Mở rộng DB tới 5 đơn vị, tăng bot RPA lên 5 phiên đồng thời Load balancer, Azure SQL Elastic Pool
Production Giám sát 24/7, backup hàng ngày, audit trail blockchain Azure Monitor, Azure Backup

Scalability analysis

  • Growth projection: Tăng trưởng giao dịch +15 %/năm; hệ thống hiện có khả năng xử lý 1 200 giao dịch/ngày (CPU < 30 %).
  • Cost‑benefit: Đầu tư ban đầu $45 k, lợi nhuận ước tính $80 k trong 2 năm → ROI 1.78×.

Hạn chế và hướng phát triển

  • Technical limitations: RPA chưa hỗ trợ OCR tiếng Việt đầy đủ, cần nâng cấp Tesseract 5.1.
  • Resource constraints: Đội ngũ phát triển hiện chỉ 3 người, kéo dài thời gian triển khai.
  • Future enhancements:
    1. Deep Learning model (LSTM) để dự đoán rủi ro dựaa trên chuỗi thời gian.
    2. Integration with ERP Odoo để mở rộng phạm vi tài chính.
    3. Full‑chain blockchain cho toàn bộ quy trình kiểm toán.
  • Research directions: Nghiên cứu Explainable AI (XAI) cho rủi ro chi phí, khảo sát privacy‑preserving ML trong môi trường tài chính.

Đối tượng hưởng lợi

  • Sinh viên: Tài liệu mẫu, workflow kiểm toán, code Python mẫu → nguồn học thực hành.
  • Nhà phát triển: Thư viện Python audit-utils (GitHub) cung cấp API chuẩn hoá chi phí.
  • Doanh nghiệp: Giảm chi phí kiểm toán ≈18 %, tăng độ tin cậy báo cáo tài chính, đáp ứng chuẩn VAS.
  • Nhà nghiên cứu: Cơ sở dữ liệu 1 200 giao dịch được công khai dưới dạng open data cho nghiên cứu rủi ro tài chính.

Câu hỏi thường gặp

  1. Technical requirements để deploy?
    • Azure VM (Linux), SQL Server 2019, Python 3.11, UiPath Orchestrator, Power BI.
  2. Scalability limits và solutions?
    • Hạn chế CPU < 80 % → dùng Azure Scale‑set tự động mở rộng.
  3. Integration với existing systems?
    • Cung cấp REST API, hỗ trợ ODBC/JDBC kết nối tới SAP B1, Oracle 11g.
  4. Maintenance & support?
    • Gói bảo trì 12 tháng bao gồm cập nhật mô hình ML hàng quý.
  5. Cost breakdown & ROI timeline?
    • Đầu tư hạ tầng $25 k, phát triển $20 k, ROI 18 tháng (tiết kiệm chi phí kiểm toán $35 k/năm).

Kết luận

  • Thành tựu chính: Xây dựng hệ thống kiểm toán CPHĐ tự động, giảm thời gian kiểm toán 30 %, tăng độ phát hiện sai sót lên ≥95 % và đưa ra risk_score dựaa trên AI.
  • Đóng góp kỹ thuật: Áp dụng machine learning, RPA, blockchain vào quy trình kiểm toán tài chính – một bước tiến so với các giải pháp truyền thống.
  • Giá trị kinh doanh: Tiết kiệm chi phí, tăng độ tin cậy báo cáo tài chính, hỗ trợ quyết định nhanh chóng cho ban lãnh đạo.
  • Công việc tương lai: Mở rộng mô hình AI, tích hợp sâu hơn với ERP, triển khai XAI để giải thích quyết định rủi ro.

Call to action: Đối với các công ty muốn nâng cấp quy trình kiểm toán CPHĐ, hãy liên hệ với đội ngũ triển khai để được tư vấn chi tiết và lên kế hoạch pilot ngay hôm nay.