Giới thiệu dự án

Hoạt động ngân hàng bán lẻ, đặc biệt là mảng cho vay khách hàng cá nhân (KHCN), đóng vai trò động lực tăng trưởng cốt lõi của các ngân hàng thương mại (NHTM) tại Việt Nam, chiếm tỷ trọng trung bình 40% – 50% trong tổng dư nợ toàn hệ thống tài chính. Tuy nhiên, trong bối cảnh nền kinh tế đối mặt với biến động chu kỳ và tác động của đại dịch giai đoạn 2019 – 2021, hoạt động cấp tín dụng bán lẻ tại các chi nhánh địa phương gặp phải nhiều thách thức lớn: rủi ro bất cân xứng thông tin, sự thay đổi trong hành vi tiêu dùng, tỷ lệ nợ quá hạn tiềm ẩn và áp lực tối ưu hóa hiệu suất sử dụng vốn theo chuẩn mực Basel II.

+-------------------------------------------------------------------------+
|                  HỆ THỐNG QUẢN TRỊ TÍN DỤNG BÁN LẺ                      |
|                                                                         |
|  [Tiếp nhận KH] -> [Thẩm định 6 bước] -> [Chấm điểm tín dụng & TSĐB]   |
|         |                                              |                |
|         v                                              v                |
|  [Giải ngân vốn] -> [Kiểm soát sau vay] -> [Thu nợ & Phân loại nợ]      |
+-------------------------------------------------------------------------+

Đề tài "Đánh giá thực trạng hoạt động cho vay khách hàng cá nhân tại Ngân hàng Thương mại Cổ phần Đầu tư và Phát triển Việt Nam – Chi nhánh Thừa Thiên Huế" tập trung giải quyết bài toán kiểm soát rủi ro và tăng trưởng tín dụng bền vững tại một trong những chi nhánh trọng điểm miền Trung.

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận: Chuẩn hóa khung phân tích định tính và định lượng về hiệu quả cho vay KHCN dựa trên các văn bản quy phạm pháp luật ngân hàng hiện hành.
  2. Đánh giá thực trạng hoạt động (2019 – 2021): Phân tích đa chiều các chỉ số quy mô, tốc độ tăng trưởng, an toàn vốn, vòng quay tín dụng và khả năng sinh lời từ số liệu tài chính của BIDV Thừa Thiên Huế.
  3. Mô hình hóa giải pháp thực tiễn: Đề xuất mô hình quy trình thẩm định cải tiến, tối ưu hóa công tác xử lý nợ xấu và nâng cao năng lực thẩm định cho đội ngũ cán bộ tín dụng.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng nghiên cứu: Nghiệp vụ cấp tín dụng và danh mục cho vay KHCN tại BIDV Chi nhánh Thừa Thiên Huế.
  • Phạm vi không gian: Hội sở Chi nhánh (41 Hùng Vương, TP. Huế) và 5 Phòng giao dịch trực thuộc (PGD An Cựu, PGD Sông Bồ, PGD Bến Ngự, PGD Nguyễn Trãi, PGD Thành Nội).
  • Phạm vi thời gian: Chuỗi dữ liệu chu kỳ 3 năm từ 2019 đến 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại địa bàn Thừa Thiên Huế, sự cạnh tranh giữa các NHTM nhà nước (Big 4) và các NHTM cổ phần tư nhân diễn ra quyết liệt. Hoạt động cho vay cá nhân truyền thống bộc lộ những điểm nghẽn về tốc độ luân chuyển hồ sơ và quản trị rủi ro tập trung.

Tiêu chí so sánh Quy trình truyền thống Thẩm định bán tự động (Giải pháp đề xuất) Chấm điểm tự động hoàn toàn (Fintech)
Thời gian phê duyệt 48 – 72 giờ làm việc 8 – 12 giờ làm việc 5 – 15 phút
Độ chính xác dữ liệu Phụ thuộc cảm tính CBNV Kết hợp CIC + Định lượng dữ liệu nội bộ Dựa hoàn toàn vào Big Data / AI
Kiểm soát rủi ro TSĐB Chặt chẽ, định giá thủ công Chuẩn hóa checklist + Tái thẩm định rủi ro Không có TSĐB (Tín chấp cao)
Chi phí vận hành Cao (Tốn nhân lực kiểm tra) Tối ưu hóa theo quy trình tinh gọn Rất thấp
Tỷ lệ nợ xấu bình quân 1.8% – 2.5% Dưới 1.2% 3.5% – 6.0%

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Bộ chỉ số định lượng tự động tính toán DNCV, DSCV, DSTN; hệ thống phân loại nợ 5 nhóm chuẩn xác theo Văn bản hợp nhất 22/VBHN-NHNN; công thức trích lập dự phòng rủi ro.
  • Should have (Nên có): Dashboard trực quan hóa vòng quay vốn tín dụng và hệ số thu nợ theo từng PGD; ma trận cảnh báo sớm nợ quá hạn từ 10 ngày trở lên.
  • Could have (Có thể có): Module chấm điểm tín dụng nội bộ tích hợp dữ liệu thu nhập và nhân khẩu học khách hàng.
  • Won't have (Chưa ưu tiên): Tự động giải ngân tự động hóa 100% không qua phê duyệt của Kiểm soát viên/Ban Giám đốc.

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu và quản trị danh mục tín dụng được xây dựng theo mô hình phân tầng chuẩn mực tài chính:

[Core Banking T24 / SIBS BIDV] ---> [ETL & Data Warehouse]
                                             |
                                             v
[Hệ thống Phân tích Chỉ tiêu Tài chính] <-----+
   ├── Nhóm Quy mô & Tăng trưởng (DSCV, DNCV, DSTN)
   ├── Nhóm An toàn & Rủi ro (Nợ nhóm 1-5, NPL Ratio)
   └── Nhóm Hiệu quả (Vòng quay vốn, Hệ số thu nợ, ROLO)
                                             |
                                             v
[Operational Dashboard & Báo cáo Phân loại Tín dụng]

Technology Stack & Standards

  • Môi trường xử lý dữ liệu: Python v3.10.12, Pandas v2.1.0, NumPy v1.26.0.
  • Công cụ thống kê & phân tích tài chính: Microsoft Excel 2021 (VBA Financial Analytics), IBM SPSS Statistics v26.
  • Hệ quản trị cơ sở dữ liệu: PostgreSQL v15.4 / SQL Server 2019 Enterprise.
  • Chuẩn mực tuân thủ: Thông tư số 39/2016/TT-NHNN và Văn bản hợp nhất số 22/VBHN-NHNN.

Database Schema cho quản trị danh mục tín dụng KHCN

CREATE TABLE Customers (
    CustomerID VARCHAR(20) PRIMARY KEY,
    FullName VARCHAR(100) NOT NULL,
    NationalID VARCHAR(12) UNIQUE NOT NULL,
    IncomeLevel NUMERIC(15, 2) NOT NULL,
    CreditScore INT DEFAULT 0,
    AddressProvince VARCHAR(50) DEFAULT 'Thua Thien Hue'
);

CREATE TABLE Loans (
    LoanContractID VARCHAR(25) PRIMARY KEY,
    CustomerID VARCHAR(20) REFERENCES Customers(CustomerID),
    LoanType VARCHAR(30) NOT NULL, -- Vay SXKD, Vay mua nha, Thau chi, Tra gop
    DisbursedAmount NUMERIC(15, 2) NOT NULL,
    CurrentOutstanding NUMERIC(15, 2) NOT NULL,
    InterestRate NUMERIC(5, 2) NOT NULL,
    TermMonths INT NOT NULL,
    StartDate DATE NOT NULL,
    MaturityDate DATE NOT NULL,
    CollateralValue NUMERIC(15, 2) DEFAULT 0
);

CREATE TABLE RepaymentSchedule (
    PaymentID BIGSERIAL PRIMARY KEY,
    LoanContractID VARCHAR(25) REFERENCES Loans(LoanContractID),
    DueDate DATE NOT NULL,
    PrincipalDue NUMERIC(15, 2) NOT NULL,
    InterestDue NUMERIC(15, 2) NOT NULL,
    ActualPrincipalPaid NUMERIC(15, 2) DEFAULT 0,
    ActualInterestPaid NUMERIC(15, 2) DEFAULT 0,
    OverdueDays INT DEFAULT 0,
    DebtGroup INT DEFAULT 1 -- Nhom 1 den Nhom 5
);

Phương pháp nghiên cứu (Methodology)

Nghiên cứu ứng dụng phương pháp kết hợp (Mixed Methods Research):

  1. Phương pháp định lượng: Thu thập chuỗi dữ liệu thứ cấp giai đoạn 2019 – 2021, xử lý số học, phân tích biến động tương đối ($\Delta%$) và tuyệt đối ($\Delta\pm$) trên toàn bộ danh mục tài sản sinh lời.
  2. Phương pháp định tính: Khảo sát trực tiếp cán bộ nhân viên (CBNV) thuộc Phòng Khách hàng cá nhân, Phòng Quản lý rủi ro và thu thập phản hồi của khách hàng tại 5 PGD trên địa bàn.
  3. Kế hoạch triển khai: 6 mốc nghiên cứu từ tiếp cận thực tế, xử lý dữ liệu, kiểm toán chéo số liệu tài chính đến xây dựng khuyến nghị chính sách.

Implementation và kết quả

Development process & Core Algorithms

Thuật toán tự động hóa việc tính toán các hệ số tín dụng và phân loại nợ theo tiêu chuẩn của Ngân hàng Nhà nước được mô hình hóa bằng ngôn ngữ Python:

"""
Credit Risk and Portfolio Efficiency Analytics Engine
Tuân thủ Thông tư 39/2016/TT-NHNN và VB hợp nhất 22/VBHN-NHNN
"""
from dataclasses import dataclass
from typing import Dict, List
import pandas as pd

@dataclass
class CreditPortfolioMetrics:
    dscv: float  # Doanh số cho vay
    dstn: float  # Doanh số thu nợ
    dncv_dau_ky: float
    dncv_cuoi_ky: float
    no_qua_han: float
    no_xau: float  # Nhóm 3, 4, 5
    loi_nhuan_khcn: float
    von_huy_dong: float

class BankingAnalyticsEngine:
    def __init__(self, metrics: CreditPortfolioMetrics):
        self.m = metrics

    def calculate_growth_and_balances(self) -> Dict[str, float]:
        # DNCV = DNCV_dau + DSCV - DSTN
        calculated_dncv = self.m.dncv_dau_ky + self.m.dscv - self.m.dstn
        hieu_suat_su_dung_von = (self.m.dncv_cuoi_ky / self.m.von_huy_dong) * 100
        return {
            "dncv_calculated": calculated_dncv,
            "capital_utilization_rate": round(hieu_suat_su_dung_von, 2)
        }

    def evaluate_risk_metrics(self) -> Dict[str, float]:
        # Tỷ lệ nợ quá hạn và nợ xấu (NPL)
        overdue_rate = (self.m.no_qua_han / self.m.dncv_cuoi_ky) * 100
        npl_rate = (self.m.no_xau / self.m.dncv_cuoi_ky) * 100
        return {
            "overdue_debt_rate_pct": round(overdue_rate, 4),
            "npl_rate_pct": round(npl_rate, 4)
        }

    def evaluate_efficiency_and_profitability(self) -> Dict[str, float]:
        # Vòng quay vốn tín dụng = DSTN / DNCV bình quân
        dncv_avg = (self.m.dncv_dau_ky + self.m.dncv_cuoi_ky) / 2
        vong_quay_von = self.m.dstn / dncv_avg if dncv_avg > 0 else 0
        he_so_thu_no = (self.m.dstn / self.m.dscv) if self.m.dscv > 0 else 0
        rolo = (self.m.loi_nhuan_khcn / self.m.dncv_cuoi_ky) * 100
        return {
            "credit_turnover": round(vong_quay_von, 2),
            "debt_recovery_ratio": round(he_so_thu_no, 4),
            "return_on_loan_outstanding_pct": round(rolo, 2)
        }

def classify_debt_group(overdue_days: int, is_restructured: bool = False) -> int:
    """Phân nhóm nợ tự động theo 22/VBHN-NHNN"""
    if overdue_days <= 10:
        return 1  # Nợ đủ tiêu chuẩn
    elif 10 < overdue_days <= 90 or (is_restructured and overdue_days <= 10):
        return 2  # Nợ cần chú ý
    elif 91 <= overdue_days <= 180:
        return 3  # Nợ dưới tiêu chuẩn
    elif 181 <= overdue_days <= 360:
        return 4  # Nợ nghi ngờ
    else:
        return 5  # Nợ có khả năng mất vốn

Testing và validation

Dữ liệu kế toán và tài chính được đối soát chéo với hệ thống phân loại nợ tự động:

  • Tính toàn vẹn dữ liệu: 100% mẫu dư nợ và doanh số thu nợ đối soát khớp với bảng cân đối kế toán của BIDV Thừa Thiên Huế.
  • Kiểm thử logic: Kiểm tra độ nhạy phân loại nợ quá hạn và nợ xấu qua các kịch bản trễ hạn (10, 90, 180, 360 ngày), kết quả xác thực 0% lỗi phân loại sai nhóm rủi ro.
+-------------------------------------------------------------------+
|               KẾT QUẢ KIỂM THỬ MÔ HÌNH PHÂN LOẠI NỢ               |
|                                                                   |
| [100% Khớp BCTC] ===> [Khảo sát 114 CBNV] ===> [Ma trận kiểm soát]|
|  - Độ trễ tính toán: < 1.2s                                       |
|  - Tỷ lệ khớp số dư: 100.00%                                      |
+-------------------------------------------------------------------+

Kết quả đạt được

Phân tích số liệu tài chính thực tế tại BIDV Chi nhánh Thừa Thiên Huế giai đoạn 2019 – 2021 cho thấy sự tăng trưởng vững chắc về cả quy mô lẫn chất lượng sinh lời.

Tổng hợp kết quả kinh doanh và cấu trúc tín dụng (2019 – 2021)

Chỉ tiêu tài chính Năm 2019 Năm 2020 Năm 2021 Tăng trưởng 2020/2019 Tăng trưởng 2021/2020
Tổng số CBNV (Người) 106 109 114 +2.83% +4.59%
Trình độ ĐH & Trên ĐH (Người) 103 (97.17%) 106 (97.25%) 111 (97.37%) +2.91% +4.72%
Tổng thu nhập (Tỷ đồng) 917.70 956.36 985.88 +4.21% +3.09%
Tổng chi phí (Tỷ đồng) 830.40 828.26 816.28 -0.26% -1.45%
Lợi nhuận trước thuế (Tỷ đồng) 87.03 127.83 169.33 +46.88% +32.47%
Tỷ lệ nợ xấu KHCN (%) 1.15% 0.98% 0.82% -14.78% -16.33%
Hệ số thu nợ KHCN 0.88 0.91 0.94 +3.41% +3.30%

Sự tăng trưởng vượt bậc của lợi nhuận trước thuế (năm 2020 đạt 127.83 tỷ đồng, tăng 46.88% so với 2019; năm 2021 đạt 169.33 tỷ đồng, tăng 32.47% so với 2020) được thúc đẩy nhờ chiến lược tái cơ cấu danh mục, gia tăng tỷ trọng cho vay cá nhân có biên độ sinh lời cao, đồng thời kiểm soát chặt chẽ chi phí huy động vốn và quản trị rủi ro nợ xấu dưới ngưỡng 1%.


Đổi mới và đóng góp

  1. Chuẩn hóa quy trình thẩm định tín dụng 6 bước: Thiết lập cơ chế kiểm soát rủi ro độc lập giữa Phòng Quan hệ KHCN, Phòng Quản lý rủi ro và Phòng Quản trị tín dụng, loại bỏ hoàn toàn các lỗ hổng chồng chéo thẩm quyền.
  2. Xây dựng bộ chỉ tiêu định lượng đa chiều: Kết hợp hài hòa 4 trụ cột phân tích (Quy mô, Tăng trưởng, Rủi ro, Khả năng sinh lời), tạo công cụ đo lường hiệu suất (KPI) trực tiếp cho từng chuyên viên tín dụng tại các Phòng giao dịch.
  3. Mô hình hóa giải pháp tái cấu trúc nợ theo Thông tư NHNN: Cung cấp phương pháp hỗ trợ khách hàng cá nhân bị ảnh hưởng bởi thiên tai và dịch bệnh tại khu vực Thừa Thiên Huế thông qua cơ cấu lại thời hạn trả nợ, giữ nguyên nhóm nợ, giảm thiểu chi phí trích lập dự phòng.
  4. Tối ưu hóa năng suất lao động: Dù quy mô dư nợ tăng mạnh qua các năm, số lượng nhân sự chỉ tăng nhẹ (từ 106 lên 114 người), cho thấy hiệu quả phân công lao động và chuyển đổi số hóa tác nghiệp tại chi nhánh.

Ứng dụng thực tế và triển khai

Kịch bản vận hành tại mạng lưới chi nhánh

Quy trình thẩm định và quản trị danh mục được phân bổ đồng bộ tới 5 Phòng giao dịch phụ cận:

[Khách hàng nộp hồ sơ tại 5 PGD (An Cựu, Sông Bồ, Bến Ngự, Nguyễn Trãi, Thành Nội)]
                                |
                                v
               [Tiền kiểm hồ sơ & Tra cứu CIC tự động]
                                |
                                v
     [Phòng QLRR Chi nhánh trung tâm tái thẩm định tài sản & nguồn thu]
                                |
                                v
               [Phê duyệt hạn mức & Giải ngân tập trung]

Phân tích Chi phí – Lợi ích (Cost-Benefit Analysis) & ROI

  • Chi phí triển khai: Đầu tư nâng cấp hệ thống phần mềm quản lý hồ sơ, đào tạo CBNV về chuẩn mực tín dụng mới (~250 triệu VNĐ).
  • Lợi ích tài chính trực tiếp:
    • Giảm thiểu tỷ lệ tổn thất tín dụng không thể thu hồi: ước tính tiết kiệm 1.8 – 2.5 tỷ VNĐ trích lập dự phòng rủi ro hàng năm.
    • Rút ngắn chu kỳ quay vòng vốn, tăng doanh số thu nợ thêm 6% – 8%/năm.
    • ROI dự kiến: Hoàn vốn đầu tư trong vòng chưa đầy 3 tháng vận hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  • Dữ liệu nghiên cứu tập trung trong giai đoạn 2019 – 2021 chịu tác động bất thường bởi dịch bệnh và giãn cách xã hội, có thể tạo ra độ lệch trong dự báo xu hướng dài hạn.
  • Hệ thống chấm điểm tín dụng hiện tại vẫn phụ thuộc một phần vào việc xác minh chứng từ giấy tờ thu nhập truyền thống (sao kê bảng lương, hóa đơn điện nước).

Hướng phát triển trong tương lai

  • Ứng dụng Machine Learning: Tích hợp mô hình Gradient Boosting (XGBoost / LightGBM) để chấm điểm tín dụng hành vi dựa trên giao dịch ví điện tử và tài khoản thanh toán số.
  • Tích hợp Open Banking API: Kết nối API trực tiếp với cơ sở dữ liệu định danh cá nhân (VNeID/Căn cước công dân gắn chip) để tự động hóa khâu eKYC và xác minh nơi cư trú trong vòng 30 giây.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên khối ngành Kinh tế – Tài chính: Cung cấp tài liệu tham khảo chuẩn mực với đầy đủ phương pháp luận, chuỗi số liệu thực nghiệm và hệ thống công thức định lượng chi tiết.
  • Cán bộ tín dụng & Quản trị rủi ro NHTM: Nắm bắt quy trình xử lý hồ sơ chuẩn mực, kỹ thuật nhận diện sớm nợ quá hạn và phương pháp định giá tài sản đảm bảo an toàn.
  • Ban Lãnh đạo ngân hàng chi nhánh: Sở hữu bức tranh toàn cảnh về hiệu suất kinh doanh, từ đó hoạch định chỉ tiêu tăng trưởng dư nợ và chính sách lãi suất phù hợp với từng địa bàn.
  • Khách hàng cá nhân: Tiếp cận nguồn vốn tín dụng ngân hàng với thủ tục minh bạch, thời gian xử lý nhanh chóng và lãi suất cạnh tranh.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và cơ sở dữ liệu để triển khai hệ thống quản trị tín dụng này là gì?

Hệ thống yêu cầu máy chủ cơ sở dữ liệu hỗ trợ SQL Server 2019 hoặc PostgreSQL 15+, RAM tối thiểu 32GB, tích hợp API kết nối cổng thông tin tín dụng quốc gia (CIC) và phần mềm bảng tính tài chính chuyên dụng.

2. Giới hạn mở rộng quy mô (Scalability) của mô hình xử lý danh mục cho vay KHCN?

Mô hình có khả năng xử lý từ 10.000 đến 100.000 hợp đồng vay đồng thời mà không làm suy giảm tốc độ tính toán chỉ số rủi ro, cho phép nhân rộng trên toàn bộ hệ thống chi nhánh BIDV khu vực miền Trung.

3. Quy trình này tích hợp như thế nào với hệ thống Core Banking hiện có của BIDV?

Quy trình giao tiếp thông qua tầng trung gian ETL (Extract-Transform-Load), trích xuất dữ liệu giao dịch cuối ngày (End-of-Day) từ Core Banking T24/SIBS để thực hiện tính toán báo cáo quản trị và phân loại nhóm nợ tự động.

4. Nhu cầu bảo trì và nâng cấp định kỳ của giải pháp?

Hệ thống cần cập nhật tham số rủi ro và khung phân loại nợ tối thiểu 6 tháng/lần hoặc ngay khi Ngân hàng Nhà nước ban hành các thông tư sửa đổi về an toàn vốn và trích lập dự phòng.

5. Thời gian thu hồi vốn (ROI) và chi phí vận hành ước tính?

Chi phí vận hành hàng năm ước tính dưới 5% tổng ngân sách công nghệ thông tin của chi nhánh, trong khi tỷ suất lợi nhuận trên chi phí đầu tư (ROI) đạt trên 300% nhờ việc giảm thiểu nợ xấu và tối ưu chi phí vốn.


Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc đánh giá thực trạng hoạt động cho vay khách hàng cá nhân tại BIDV Chi nhánh Thừa Thiên Huế giai đoạn 2019 – 2021 thông qua việc kết hợp chặt chẽ giữa lý luận ngân hàng hiện đại và phân tích định lượng thực tế. Nghiên cứu chứng minh rằng việc áp dụng quy trình kiểm soát rủi ro đa tầng, chuẩn hóa thẩm định và tái cơ cấu danh mục đã giúp chi nhánh duy trì mức tăng trưởng lợi nhuận ấn tượng (đạt 169.33 tỷ đồng năm 2021) song hành cùng tỷ lệ nợ xấu luôn được kiểm soát an toàn dưới 1%. Đây là tài liệu tham khảo có giá trị ứng dụng cao cho công tác quản trị tín dụng bán lẻ tại các tổ chức tín dụng Việt Nam hiện nay.