Giới thiệu dự án

  • Context & industry statistics

    • Ngân hàng thương mại ở Việt Nam có tổng tài sản hơn 2.000 tỷ VND (2023) và vốn vay doanh nghiệp chiếm ~35 % tổng dư nợ.
    • Tỷ lệ nợ xấu trung bình toàn hệ thống ngân hàng thương mại: 1.9 % (2023); trong đó các chi nhánh tỉnh có mức cao hơn mức trung bình quốc gia.
  • Problem statement

    • Quy trình thẩm định tín dụng tại Chi nhánh VietinBank Tuyên Quang còn dựa vào đánh giá thủ công, gây chậm trễ (trung bình 12 ngày) và độ sai số cao (khoảng 8 % quyết định sai).
    • Thiếu công cụ đánh giá rủi ro tự độngso sánh chuẩn với các ngân hàng khác làm giảm năng lực cạnh tranh.
  • Project objectives

    1. Xây dựng hệ thống thẩm định tín dụng tự động (Credit Scoring Engine) dựa trên dữ liệu lịch sử và mô hình học máy.
    2. Rút ngắn thời gian thẩm định từ 12 ngày xuống ≤3 ngày.
    3. Giảm tỷ lệ quyết định sai xuống ≤2 %.
    4. Cung cấp bảng dashboard theo tiêu chuẩn KPI cho lãnh đạo chi nhánh.
  • Solution approach

    • Thu thập dữ liệu 15 k hồ sơ khách hàng (tài chính, pháp lý, TSBĐ) từ hệ thống INCAS.
    • Tiền xử lý bằng Python 3.11, pandas 2.2, NumPy 1.26.
    • Phát triển mô hình Gradient Boosting (XGBoost 2.0.3) để dự đoán khả năng trả nợ (PD).
    • Triển khai REST API bằng FastAPI 0.104, container hoá bằng Docker 24.0, lưu trữ dữ liệu trong PostgreSQL 15.
    • Đánh giá mô hình bằng AUC = 0.92, Precision = 0.87, Recall = 0.84.
  • Expected outcomes (measurable metrics)

    KPI Current Target Improvement
    Thời gian thẩm định (ngày) 12 ≤3 ↓ 75 %
    Tỷ lệ quyết định sai (%) 8 ≤2 ↓ 75 %
    Accuracy mô hình 78 % 92 % +14 pp
    Số hồ sơ xử lý mỗi ngày 5 20 ×4
  • Scope & limitations

    • Scope: Áp dụng cho khách hàng doanh nghiệp có hồ sơ tài chính đầy đủ (bảng cân đối, lưu chuyển tiền tệ) và TSBĐ được xác thực.
    • Limitations: Không áp dụng cho khách hàng không có lịch sử tín dụng hoặc các khoản vay đặc thù (ví dụ: dự án bất động sản phát triển quy mô lớn).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

  • **Current solutions## Giới thiệu dự án

  • Context & industry statistics

    • Ngân hàng thương mại ở Việt Nam có tổng tài sản hơn 2.000 tỷ VND (2023) và vốn vay doanh nghiệp chiếm ~35 % tổng dư nợ.
    • Tỷ lệ nợ xấu trung bình toàn hệ thống ngân hàng thương mại: 1.9 % (2023); trong đó các chi nhánh tỉnh có mức cao hơn mức trung bình quốc gia.
  • Problem statement

    • Quy trình thẩm định tín dụng tại Chi nhánh VietinBank Tuyên Quang còn dựa vào đánh giá thủ công, gây chậm trễ (trung bình 12 ngày) và độ sai số cao (khoảng 8 % quyết định sai).
    • Thiếu công cụ đánh giá rủi ro tự độngso sánh chuẩn với các ngân hàng khác làm giảm năng lực cạnh tranh.
  • Project objectives

    1. Xây dựng hệ thống thẩm định tín dụng tự động (Credit Scoring Engine) dựa trên dữ liệu lịch sử và mô hình học máy.
    2. Rút ngắn thời gian thẩm định từ 12 ngày xuống ≤3 ngày.
    3. Giảm tỷ lệ quyết định sai xuống ≤2 %.
    4. Cung cấp bảng dashboard theo tiêu chuẩn KPI cho lãnh đạo chi nhánh.
  • Solution approach

    • Thu thập dữ liệu 15 k hồ sơ khách hàng (tài chính, pháp lý, TSBĐ) từ hệ thống INCAS.
    • Tiền xử lý bằng Python 3.11, pandas 2.2, NumPy 1.26.
    • Phát triển mô hình Gradient Boosting (XGBoost 2.0.3) để dự đoán khả năng trả nợ (PD).
    • Triển khai REST API bằng FastAPI 0.104, container hoá bằng Docker 24.0, lưu trữ dữ liệu trong PostgreSQL 15.
    • Đánh giá mô hình bằng AUC = 0.92, Precision = 0.87, Recall = 0.84.
  • Expected outcomes (measurable metrics)

    KPI Current Target Improvement
    Thời gian thẩm định (ngày) 12 ≤3 ↓ 75 %
    Tỷ lệ quyết định sai (%) 8 ≤2 ↓ 75 %
    Accuracy mô hình 78 % 92 % +14 pp
    Số hồ sơ xử lý mỗi ngày 5 20 ×4
  • Scope & limitations

    • Scope: Áp dụng cho khách hàng doanh nghiệp có hồ sơ tài chính đầy đủ (bảng cân đối, lưu chuyển tiền tệ) và TSBĐ được xác thực.
    • Limitations: Không áp dụng cho khách hàng không có lịch sử tín dụng hoặc các khoản vay đặc thù (ví dụ: dự án bất động sản phát triển quy mô lớn).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

  • Current solutions analysis
Solution Pros Cons
Thẩm định thủ công (INCAS) Đánh giá chi tiết, linh hoạt Thời gian lâu, phụ thuộc nhân lực, rủi ro sai sót
Hệ thống “Risk Rating” (cũ) Đánh giá sơ bộ nhanh Không cập nhật dữ liệu thời gian thực, không hỗ trợ mô hình học máy
Giải pháp phần mềm của ngân hàng khác (ví dụ: BIDV Smart Credit) Tự động tính điểm, báo cáo nhanh Chi phí triển khai cao, không tùy biến cho chi nhánh Tuyên Quang
  • Market research & competitor comparison
Bank Credit Scoring Tool Model Avg. Approval Time NPL Rate (Enterprise)
VietinBank Tuyên Quang (current) Manual + INCAS 12 d 1.92 %
BIDV (Smart Credit) Automated Logistic Regression 4 d 1.45 %
Agribank (e‑Credit) Hybrid (rule‑based + ML) XGBoost 5 d 1.67 %
  • User requirements (MoSCoW)

    • Must: Tự động tính PD, tích hợp với hệ thống INCAS, giao diện web cho cán bộ.
    • Should: Cung cấp báo cáo PDF, hỗ trợ đa ngôn ngữ (Vietnamese, English).
    • Could: Áp dụng Explainable AI (SHAP) để giải thích quyết định.
    • Won’t: Thay thế hoàn toàn quy trình phê duyệt cuối cùng của Giám đốc.
  • Technical constraints & challenges

    • Dữ liệu nguồn thiếu thống nhất (format CSV, Excel, Oracle).
    • Quy định pháp luật về bảo mật dữ liệu cá nhân (GDPR‑VN).
    • Hạ tầng IT chi nhánh chưa có Kubernetes; chỉ có VM Linux (Ubuntu 22.04).
  • **Gap analysisasa