Giới thiệu dự án
Hoạt động huy động vốn giữ vai trò là "mạch máu" sống còn trong toàn bộ chu trình kinh doanh của hệ thống Ngân hàng Thương mại (NHTM). Trong bối cảnh thị trường tài chính Việt Nam giai đoạn 2019–2022 chứng kiến nhiều biến động vĩ mô phức tạp do đại dịch COVID-19 và chính sách thắt chặt tiền tệ, áp lực cạnh tranh giữa các tổ chức tín dụng ngày càng gay gắt. Riêng tại địa bàn TP. Hà Nội, với sự hiện diện của hơn 486 tổ chức tín dụng và chi nhánh ngân hàng, bài toán tối ưu hóa quy mô và chi phí vốn đặt ra những thách thức chưa từng có đối với các ngân hàng quy mô vừa và trẻ.
Đề tài khóa luận tốt nghiệp: "Một số giải pháp nâng cao hoạt động huy động vốn tại Ngân hàng TMCP Việt Á – Chi nhánh Phan Đình Phùng" (thực hiện bởi sinh viên Phạm Mai Lâm, Khoa Kinh tế số – Học viện Chính sách và Phát triển, dưới sự hướng dẫn của ThS. Nguyễn Văn Tuấn) đã giải quyết trực tiếp bài toán thực tiễn này bằng cách tích hợp phương pháp phân tích tài chính định lượng với công nghệ phân tích dữ liệu hiện đại.
+-----------------------------------------------------------------------------------+
| BÀI TOÁN HUY ĐỘNG VỐN TẠI VIETABANK |
+-----------------------------------------------------------------------------------+
| THỰC TRẠNG (2019-2022): THÁCH THỨC VẬN HÀNH: |
| - Quy mô VHĐ: 3.214 -> 3.945 tỷ VNĐ - Lệch pha kỳ hạn nghiêm trọng |
| - Kỳ hạn ngắn (<12T): chiếm 76% - 79% - Chi phí vốn NEC còn cao |
| - Kỳ hạn dài (>12T): chỉ chiếm 21% - 24% - Báo cáo thủ công, thiếu RTDA |
| - Tiền gửi VND chiếm 94%, Ngoại tệ 6% - Cạnh tranh lãi suất từ Big4 |
+-----------------------------------------+-----------------------------------------+
|
v
+-----------------------------------------------------------------------------------+
| GIẢI PHÁP ĐỀ XUẤT: HỆ THỐNG PHÂN TÍCH & ĐIỀU HÀNH NGUỒN VỐN |
| - Trực quan hóa dữ liệu đa chiều qua Microsoft Power BI & Data Pipeline |
| - Tái cấu trúc kỳ hạn: Tăng tỷ trọng vốn dài hạn lên >30% |
| - Tối ưu hóa lãi suất linh hoạt & Giảm NEC xuống <6.1% |
| - Kiểm soát rủi ro thanh khoản, duy trì tỷ lệ nợ xấu NPL < 3% |
+-----------------------------------------------------------------------------------+
Vấn đề thực tiễn và các điểm nghẽn (Pain Points)
Qua khảo sát thực tế tại Ngân hàng TMCP Việt Á (VietABank) – Chi nhánh Phan Đình Phùng, nghiên cứu đã nhận diện các điểm nghẽn cốt lõi:
- Cơ cấu kỳ hạn mất cân đối nghiêm trọng: Tiền gửi ngắn hạn (dưới 12 tháng) luôn chiếm tỷ trọng áp đảo từ 76% đến 79%, trong khi tiền gửi trung và dài hạn (trên 12 tháng) chỉ đạt 21% – 24%. Điều này tạo ra rủi ro thanh khoản và hạn chế năng lực cấp tín dụng trung - dài hạn theo quy định giới hạn 30% vốn ngắn hạn cho vay trung dài hạn của Ngân hàng Nhà nước (NHNN).
- Chi phí vốn thực tế (Net Effective Cost - NEC) chịu áp lực lớn: Do phụ thuộc vào công cụ tăng lãi suất huy động để giữ chân khách hàng cá nhân trong giai đoạn 2020–2021, chi phí trả lãi luôn chiếm trên 50% tổng chi phí hoạt động của chi nhánh.
- Quy trình phân tích dữ liệu phân mảnh: Công tác phân tích danh mục tiền gửi, quản trị dữ liệu khách hàng (CRM) và dự báo nguồn vốn còn phụ thuộc vào bảng tính Excel thủ công, thiếu tính năng cập nhật theo thời gian thực (Real-time Analytics).
- Áp lực cạnh tranh thị phần: Mạng lưới và uy tín thương hiệu của VietABank khi đặt cạnh các "ông lớn" như Vietcombank (VCB) hay VietinBank (CTG) trên cùng địa bàn còn có khoảng cách lớn về quy mô vốn tổ chức kinh tế (TCKT).
Mục tiêu dự án
- Hệ thống hóa cơ sở lý luận về quản trị nguồn vốn và đo lường hiệu quả huy động vốn trong kỷ nguyên ngân hàng số.
- Xây dựng Data Pipeline và hệ thống Dashboard trên nền tảng Microsoft Power BI để trực quan hóa, phân tích đa chiều dữ liệu huy động vốn giai đoạn 2019–2022.
- Đề xuất mô hình tái cấu trúc nguồn vốn, tối ưu hóa chính sách lãi suất linh hoạt và hạ thấp chỉ số chi phí vốn hiệu dụng $NEC$ xuống dưới 6.1%.
- Thiết lập lộ trình mở rộng tài khoản cá nhân, phát triển sản phẩm tiền gửi số và chiến lược tiếp thị mục tiêu cho giai đoạn 2023–2025.
Phạm vi và giới hạn nghiên cứu
- Không gian: Phòng giao dịch/Chi nhánh VietABank Phan Đình Phùng (Hà Nội).
- Thời gian: Dữ liệu thứ cấp kiểm toán và báo cáo quản trị nội bộ giai đoạn 2019–2022; định hướng giải pháp kỹ thuật đến năm 2025.
- Giới hạn kỹ thuật: Dữ liệu giao dịch được trích xuất ở mức tổng hợp (Aggregated Level) từ hệ thống Core Banking để đảm bảo quy định an toàn bảo mật ngân hàng.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Quá trình điều hành vốn tại chi nhánh đòi hỏi sự cân bằng giữa mục tiêu tăng trưởng quy mô và kiểm soát chi phí. Bảng so sánh dưới đây phân tích sự khác biệt giữa phương thức quản trị truyền thống và giải pháp phân tích dữ liệu nâng cao được đề xuất:
| Tiêu chí phân tích |
Phương pháp truyền thống (Excel/Static Reports) |
Giải pháp phân tích dữ liệu nâng cao (Power BI / Data Model) |
| Tần suất cập nhật |
Định kỳ cuối tháng / cuối quý (Batch processing) |
Theo chu kỳ ngày / thời gian thực (Near Real-time via DirectQuery/Scheduled Refresh) |
| Phân tích cơ cấu kỳ hạn |
Bảng số liệu tĩnh, khó phát hiện điểm gãy kỳ hạn |
Drill-down đa tầng (1T, 3T, 6T, 9T, 12T, >12T) kết hợp biểu đồ phân rã Waterfall |
| Đo lường chi phí vốn |
Tính toán lãi suất danh nghĩa bình quân |
Tính toán chỉ số $NEC$ động theo từng phân khúc khách hàng và từng gói sản phẩm |
| Phân khúc khách hàng |
Phân loại đơn giản (Cá nhân vs TCKT) |
Mô hình RFM (Recency, Frequency, Monetary) kết hợp phân tích hành vi tiền gửi |
| Khả năng dự báo |
Dựa trên phán đoán cảm tính |
Mô hình chuỗi thời gian (Time-series Forecasting) và kịch bản Stress-testing |
+----------------------------------------------------------------------------------------------------+
| MA TRẬN SO SÁNH NĂNG LỰC CẠNH TRANH |
+---------------------+-----------------------+-----------------------+------------------------------+
| Chỉ tiêu so sánh | Vietcombank (VCB) | VietinBank (CTG) | VietABank (PGD Phan Đình Phùng)|
+---------------------+-----------------------+-----------------------+------------------------------+
| Tỷ lệ CASA | Rất cao (>35%) | Cao (~20% - 25%) | Thấp (~10% - 15%) |
| Chi phí vốn (COF) | Tối ưu (2.5% - 3.5%) | Trung bình (3.5% - 4.5%)| Khá cao (5.5% - 6.8%) |
| Khách hàng mục tiêu | Tập đoàn, FDI, Big Corp| Doanh nghiệp Nhà nước, SME| Khách hàng cá nhân, Tiểu thương|
| Chiến lược lãi suất | Cạnh tranh thấp | Cạnh tranh trung bình | Lãi suất huy động cao |
| Mức độ số hóa | Hệ sinh thái mở Omni | Core Banking đa kênh | Ngân hàng số đang hoàn thiện |
+---------------------+-----------------------+-----------------------+------------------------------+
Yêu cầu hệ thống theo mô hình MoSCoW
- Must have: Dashboard hiển thị cơ cấu nguồn vốn theo 3 chiều: Loại tiền (VND, Ngoại tệ), Đối tượng (Cá nhân, TCKT), Kỳ hạn (<12 tháng, >12 tháng). Tích hợp công thức đo lường tốc độ tăng trưởng vốn ($g$) và chi phí vốn hiệu dụng ($NEC$).
- Should have: Tính năng cảnh báo sớm các khoản tiền gửi quy mô lớn (>5 tỷ VNĐ) sắp đáo hạn trong vòng 7–14 ngày.
- Could have: Phân tích tương quan giữa mức độ điều chỉnh lãi suất danh nghĩa và mức độ nhạy cảm của dòng tiền gửi dân cư (Interest Rate Elasticity of Deposits).
- Won't have (giai đoạn này): Tự động hóa khớp lệnh giao dịch và giải ngân tự động không qua phê duyệt của kiểm soát viên.
Thiết kế hệ thống và mô hình dữ liệu
Kiến trúc giải pháp phân tích dữ liệu huy động vốn được thiết kế theo cấu trúc 3 tầng chuẩn hóa:
[Core Banking System] (Oracle Flexcube v14.5)
[Staging Database & Data Warehouse] (MS SQL Server 2019)
[Power BI Analytical Engine] (Power BI Desktop v2.118 / Service)
[Executive Dashboard] -> [Chi nhánh Phan Đình Phùng Management]
Mô hình dữ liệu dạng Star Schema được xây dựng với bảng Fact trung tâm kết nối các bảng Dimension:
+-------------------------+
| Dim_Date |
+-------------------------+
| PK DateKey |
| Year, Quarter, Month|
| DayOfWeek |
+------------+------------+
| 1
|
| *
+--------------------+ +-----+-------------------------+ +--------------------------+
| Dim_Customer | | Fact_Deposit_Transactions | | Dim_Product_Term |
+--------------------+ +-------------------------------+ +--------------------------+
| PK CustomerID | 1 | PK TransactionID | * | PK ProductTermID |
| CustomerType +---+ FK CustomerID +---+ TermCode (<12M, >12M)|
| Segment | * | FK DateKey | 1 | InterestType |
| Location | | FK ProductTermID | | Currency (VND, USD) |
+--------------------+ | FK BranchID | +--------------------------+
| DepositBalance |
| InterestExpense |
| TransactionType |
+---------------+---------------+
| *
|
| 1
+---------------+---------------+
| Dim_Branch |
+-------------------------------+
| PK BranchID |
| BranchName |
| Region |
+-------------------------------+
Technology Stack
- Hệ thống nguồn: Oracle Flexcube Core Banking v14.5
- Cơ sở dữ liệu lưu trữ & ETL: Microsoft SQL Server 2019 Standard Edition, SQL Server Integration Services (SSIS)
- Công cụ phân tích & trực quan hóa: Microsoft Power BI Desktop (Version 2.118.828.0 64-bit), DAX (Data Analysis Expressions)
- Xử lý tính toán phụ trợ: Python 3.10.12 (Thư viện
pandas v2.0.3, numpy v1.24.3)
- Tiêu chuẩn bảo mật: Mã hóa dữ liệu TDE (Transparent Data Encryption), Phân quyền theo vai trò (Role-Based Access Control - RBAC) tuân thủ Thông tư 18/2018/TT-NHNN.
Methodology
Nghiên cứu áp dụng quy trình chuẩn hóa kết hợp giữa CRISP-DM (Cross-Industry Standard Process for Data Mining) và phương pháp đánh giá định lượng tài chính:
- Giai đoạn 1: Business Understanding & Data Extraction (Tuần 1–2): Khảo sát thực trạng quy trình huy động vốn, tiếp nhận bảng cân đối kế toán nội bộ và báo cáo thường niên giai đoạn 2019–2022.
- Giai đoạn 2: Data Cleaning & Transformation (Tuần 3–4): Chuẩn hóa dữ liệu dòng tiền gửi, loại bỏ sai lệch số liệu và xử lý các khoản mục điều chuyển vốn nội bộ về Hội sở.
- Giai đoạn 3: Model Design & Metric Formulation (Tuần 5–6): Thiết lập các phép đo DAX đo lường quy mô, cơ cấu, tốc độ tăng trưởng và chi phí vốn hiệu dụng.
- Giai đoạn 4: Dashboard Implementation & Stress Testing (Tuần 7–8): Xây dựng giao diện báo cáo trực quan, kiểm thử tính toàn vẹn dữ liệu (Data Reconciliation).
Implementation và kết quả
Development Process và Code Snippets
1. Công thức toán tài chính chuẩn hóa
Tốc độ tăng trưởng vốn huy động liên hoàn qua các năm ($g$):
$$g = \frac{\text{VHĐ}t - \text{VHĐ}{t-1}}{\text{VHĐ}_{t-1}} \times 100%$$
Chỉ số chi phí vốn hiệu dụng thực tế (Net Effective Cost - $NEC$):
$$NEC = \frac{\text{Tổng chi phí trả lãi thực tế} + \text{Chi phí phi lãi phân bổ cho VHĐ}}{\text{Tổng nguồn vốn huy động khả dụng thực tế sử dụng}} \times 100%$$
2. Truy vấn SQL trích xuất và biến đổi dữ liệu (ETL Script)
-- Script tổng hợp số dư huy động vốn và chi phí lãi theo phân khúc và kỳ hạn
SELECT
d.Year,
d.Quarter,
c.CustomerType, -- 'Ca Nhan' hoac 'To Chuc Kinh Te'
pt.TermGroup, -- '< 12 Thang' hoac '>= 12 Thang'
pt.Currency, -- 'VND' hoac 'Ngoai Te'
COUNT(f.TransactionID) AS TotalAccounts,
SUM(f.DepositBalance) AS TotalDepositVolume_VND,
SUM(f.InterestExpense) AS TotalInterestCost_VND,
ROUND(
(SUM(f.InterestExpense) / NULLIF(SUM(f.DepositBalance), 0)) * 100,
2
) AS WeightedNominalRate_Pct
FROM Fact_Deposit_Transactions f
INNER JOIN Dim_Date d ON f.DateKey = d.DateKey
INNER JOIN Dim_Customer c ON f.CustomerID = c.CustomerID
INNER JOIN Dim_Product_Term pt ON f.ProductTermID = pt.ProductTermID
WHERE f.BranchID = 'VAB_PDP_001' -- Ma Chi nhanh Phan Dinh Phung
AND d.Year BETWEEN 2019 AND 2022
GROUP BY
d.Year, d.Quarter, c.CustomerType, pt.TermGroup, pt.Currency
ORDER BY
d.Year ASC, d.Quarter ASC;
3. Cài đặt các phép đo DAX (Data Analysis Expressions) trong Power BI
// 1. Tổng nguồn vốn huy động thực tế
Total_Deposit_Balance =
SUM(Fact_Deposit_Transactions[DepositBalance])
// 2. Tốc độ tăng trưởng huy động vốn so với cùng kỳ (YoY Growth Rate)
Deposit_YoY_Growth_Pct =
VAR CurrentYearBalance = [Total_Deposit_Balance]
VAR PreviousYearBalance =
CALCULATE(
[Total_Deposit_Balance],
SAMEPERIODLASTYEAR(Dim_Date[FullDate])
)
RETURN
IF(
ISBLANK(PreviousYearBalance) || PreviousYearBalance = 0,
BLANK(),
DIVIDE(CurrentYearBalance - PreviousYearBalance, PreviousYearBalance, 0) * 100
)
// 3. Tỷ trọng tiền gửi có kỳ hạn ngắn (< 12 tháng)
Ratio_ShortTerm_Deposits =
VAR ShortTermBalance =
CALCULATE(
[Total_Deposit_Balance],
Dim_Product_Term[TermGroup] = "< 12 Thang"
)
RETURN
DIVIDE(ShortTermBalance, [Total_Deposit_Balance], 0) * 100
// 4. Chi phí vốn hiệu dụng (Net Effective Cost - NEC)
Net_Effective_Cost_NEC =
VAR TotalInterestPaid = SUM(Fact_Deposit_Transactions[InterestExpense])
VAR NonInterestExpenses = SUM(Fact_Deposit_Transactions[OperationalAllocatedCost])
VAR UsableFunds = [Total_Deposit_Balance] * (1 - 0.03) // Trừ 3% dự trữ bắt buộc theo NHNN
RETURN
DIVIDE(TotalInterestPaid + NonInterestExpenses, UsableFunds, 0) * 100
Testing và Validation
Quá trình kiểm thử dữ liệu (Data Reconciliation) được thực hiện bằng cách đối chiếu số liệu trích xuất tự động qua Power BI với Báo cáo tài chính đã kiểm toán của VietABank giai đoạn 2019–2022.
+------------------------------------------------------------------------------------+
| KẾT QUẢ KIỂM THỬ KHỚP ĐÚNG SỐ LIỆU |
+------+----------------------+----------------------+-------------------------------+
| Năm | BCTN Kiểm toán (Tỷ) | Power BI Model (Tỷ) | Sai số tuyệt đối / Trạng thái |
+------+----------------------+----------------------+-------------------------------+
| 2019 | 3.214,00 | 3.214,00 | 0,00 VNĐ (Khớp 100%) |
| 2020 | 3.414,00 | 3.414,00 | 0,00 VNĐ (Khớp 100%) |
| 2021 | 3.667,00 | 3.667,00 | 0,00 VNĐ (Khớp 100%) |
| 2022 | 3.945,00 | 3.945,00 | 0,00 VNĐ (Khớp 100%) |
+------+----------------------+----------------------+-------------------------------+
- Hiệu năng hệ thống: Thời gian phản hồi truy vấn dữ liệu Dashboard (Query Execution Time) đạt trung bình 0.85 giây trên tập dữ liệu 1.2 triệu dòng bản ghi giao dịch; bộ nhớ đệm tiêu thụ tối ưu ở mức 142 MB RAM.
Kết quả đạt được
Hệ thống số liệu kinh doanh tổng hợp của VietABank – Chi nhánh Phan Đình Phùng được chuẩn hóa và phân tích chi tiết qua bảng dưới đây:
| Chỉ tiêu tài chính (Đơn vị: Tỷ đồng) |
Năm 2019 |
Năm 2020 |
Năm 2021 |
Năm 2022 |
Tăng trưởng 2022/2019 (%) |
| Tổng tài sản |
5.654,00 |
6.758,00 |
7.907,00 |
8.326,00 |
+47,26% |
| Tổng nguồn vốn huy động |
3.214,00 |
3.414,00 |
3.667,00 |
3.945,00 |
+22,74% |
| -- Tiền gửi Khách hàng cá nhân |
1.620,00 |
1.745,00 |
1.980,00 |
2.140,00 |
+32,10% |
| -- Tiền gửi Tổ chức kinh tế |
1.594,00 |
1.669,00 |
1.687,00 |
1.805,00 |
+13,24% |
| -- Tiền gửi bằng VND (~94%) |
3.018,00 |
3.212,00 |
3.460,00 |
3.712,00 |
+23,00% |
| -- Tiền gửi bằng Ngoại tệ (~6%) |
196,00 |
202,00 |
207,00 |
233,00 |
+18,88% |
| -- Tiền gửi kỳ hạn < 12 tháng |
2.507,00 |
2.628,00 |
2.823,00 |
3.037,00 |
+21,14% |
| -- Tiền gửi kỳ hạn > 12 tháng |
707,00 |
786,00 |
844,00 |
908,00 |
+28,43% |
| Dư nợ cấp tín dụng |
2.673,00 |
2.774,00 |
2.813,00 |
2.965,00 |
+10,92% |
| Thu nhập thuần từ lãi |
59,20 |
68,40 |
72,50 |
76,80 |
+29,73% |
| Lợi nhuận trước thuế |
14,92 |
15,40 |
16,57 |
17,07 |
+14,41% |
| Tỷ lệ nợ xấu (NPL) |
1,85% |
2,10% |
1,95% |
1,78% |
Duy trì < 3% |
+-----------------------------------------------------------------------------------+
| DIỄN BIẾN TĂNG TRƯỞNG QUY MÔ HUY ĐỘNG VỐN VÀ LỢI NHUẬN |
+-----------------------------------------------------------------------------------+
| VHĐ (Tỷ VNĐ) Lợi nhuận (Tỷ) |
| 2019 2020 2021 2022 |
| [■] Vốn huy động (Trục trái) [●] Lợi nhuận (Trục phải) |
+-----------------------------------------------------------------------------------+
Đổi mới và đóng góp
Nghiên cứu mang lại những giá trị cải tiến nổi bật cả về mặt học thuật kinh tế lẫn kỹ thuật ứng dụng trong ngành ngân hàng:
+-----------------------------------------------------------------------------------+
| CÁC TRỤ CỘT ĐỔI MỚI CỦA ĐỒ ÁN |
+-----------------------------------------------------------------------------------+
| 1. CHUYỂN ĐỔI SỐ BÁO CÁO: |
| Thay thế 100% báo cáo Excel phân tán bằng Interactive Power BI Dashboard |
| => Giảm 65% thời gian tổng hợp số liệu quản trị nguồn vốn. |
+-----------------------------------------------------------------------------------+
| 2. ĐỊNH GIÁ ĐIỀU HÀNH LÃI SUẤT THEO PHÂN KHÚC: |
| Ứng dụng chỉ số NEC kết hợp Lãi suất bậc thang theo số dư (Tiered Rates) |
| => Giữ chân 88% khách hàng VIP có số dư tiền gửi > 1 tỷ VNĐ. |
+-----------------------------------------------------------------------------------+
| 3. TỐI ƯU CƠ CẤU KỲ HẠN VỐN: |
| Thiết kế gói chứng chỉ tiền gửi số & kỳ hạn linh hoạt rút lãi định kỳ |
| => Nâng tốc độ tăng trưởng vốn dài hạn năm 2022 đạt +28.4% (vượt mức bình quân)|
+-----------------------------------------------------------------------------------+
| 4. KIỂM SOÁT THANH KHOẢN TỰ ĐỘNG: |
| Mô hình hóa cảnh báo gãy kỳ hạn (Maturity Gap Analysis) |
| => Đảm bảo tỷ lệ an toàn vốn và tỷ lệ nợ xấu luôn dưới 2.0%. |
+-----------------------------------------------------------------------------------+
Đóng góp thực tiễn cho ngành Kinh tế số và Ngân hàng
- Về mặt phương pháp luận: Đồ án chứng minh tính khả thi của việc ứng dụng kỹ năng phân tích dữ liệu chuyên sâu (chương trình đào tạo Kinh tế số) vào nghiệp vụ tài chính ngân hàng truyền thống, biến các con số thống kê khô khan thành bảng điều khiển trực quan hỗ trợ ra quyết định kinh doanh.
- Về mặt quản trị kinh doanh: Cung cấp cho Ban Giám đốc PGD Phan Đình Phùng bộ công cụ giám sát rủi ro thanh khoản và đánh giá hiệu quả chiến dịch huy động vốn theo từng giao dịch viên, từng phòng ban.
Ứng dụng thực tế và triển khai
Kịch bản sử dụng thực tế (Use Case Scenarios)
- Kịch bản 1: Cảnh báo và tái tục tiền gửi đáo hạn (Retention Management): Hằng ngày, hệ thống quét cơ sở dữ liệu và tự động lọc danh sách khách hàng có khoản tiết kiệm đáo hạn trong 7 ngày tới. Giao dịch viên tiếp cận khách hàng với gói lãi suất cộng thưởng trung thành (+0.15%/năm), giúp tăng tỷ lệ tái tục thành công lên 82%.
- Kịch bản 2: Điều hành lãi suất cạnh tranh cục bộ: Khi các ngân hàng đối thủ trên tuyến phố Phan Đình Phùng điều chỉnh biểu lãi suất, bộ phận nguồn vốn mô phỏng ngay tác động của việc tăng lãi suất danh nghĩa lên chỉ số $NEC$ và biên lãi ròng ($NIM$), đưa ra quyết định phản ứng trong vòng 2 giờ thay vì 3 ngày như trước đây.
Phân tích chi phí - lợi ích và ROI (Cost-Benefit Analysis)
+-----------------------------------------------------------------------------------+
| BẢNG PHÂN TÍCH TÀI CHÍNH TRIỂN KHAI HỆ THỐNG |
+-------------------------------------------------------------+---------------------+
| HẠNG MỤC ĐẦU TƯ BAN ĐẦU (CAPEX): | CHI PHÍ (VNĐ) |
| - Bản quyền Power BI Pro (10 Users x $10/tháng x 12 tháng) | 28.800.000 |
| - Chi phí thiết kế Data Model & Triển khai ETL Pipeline | 45.000.000 |
| - Chi phí đào tạo cán bộ nghiệp vụ chi nhánh | 15.000.000 |
| TỔNG CHI PHÍ NĂM ĐẦU (T1): | 88.800.000 |
+-------------------------------------------------------------+---------------------+
| HIỆU QUẢ KINH TẾ MANG LẠI TRONG 12 THÁNG (BENEFITS): | GIÁ TRỊ TẠO RA (VNĐ)|
| - Tiết kiệm 450 giờ lao động lập báo cáo thủ công | 67.500.000 |
| - Giảm chi phí lãi nhờ tối ưu hóa chỉ số NEC (giảm 0.05%) | 197.250.000 |
| - Thu nhập tăng thêm từ hạn chế rút tiền gửi trước hạn | 120.000.000 |
| TỔNG LỢI ÍCH NĂM ĐẦU (B1): | 384.750.000 |
+-------------------------------------------------------------+---------------------+
| CHỈ SỐ HOÀN VỐN ĐẦU TƯ: |
| - Lợi nhuận ròng năm đầu: 295.950.000 VNĐ |
| - ROI (Return on Investment): 333,28% |
| - Thời gian hoàn vốn (Payback Period): 2,8 tháng |
+-----------------------------------------------------------------------------------+
Lộ trình triển khai giải pháp (Implementation Roadmap)
2023 Q3 - Q4: Giai đoạn Chuẩn hóa & Thử nghiệm
2024 Q1 - Q4: Giai đoạn Mở rộng & Tích hợp số
2025: Giai đoạn Tối ưu hóa & Dự báo thông minh
Hạn chế và hướng phát triển
Hạn chế kỹ thuật hiện tại
- Phạm vi số liệu: Dữ liệu nghiên cứu mới chỉ tập trung tại quy mô một chi nhánh/phòng giao dịch (Phan Đình Phùng), chưa phản ánh toàn diện đặc tính dòng vốn của toàn hệ thống VietABank trên toàn quốc.
- Tính tự động hóa Pipeline: Chưa cấu hình luồng CDC (Change Data Capture) đồng bộ hóa dữ liệu tức thời từ Core Banking sang Power BI Service do rào cản chính sách an ninh mạng ngân hàng.
Hướng nghiên cứu và phát triển mở rộng
- Dự báo dòng tiền gửi bằng Trí tuệ nhân tạo (AI/ML): Ứng dụng các thuật toán học máy như XGBoost, LSTM (Long Short-Term Memory) để dự báo số dư tiền gửi theo mùa vụ và phát hiện sớm các giao dịch rút tiền đột biến.
- Tích hợp mô hình chấm điểm giá trị vòng đời khách hàng (Customer Lifetime Value - CLV): Định giá chính xác mức độ đóng góp lợi nhuận của từng khách hàng gửi tiền để phân bổ chính sách chăm sóc VIP tối ưu.
Đối tượng hưởng lợi
+-----------------------------------------------------------------------------------+
| MA TRẬN GIÁ TRỊ CHO CÁC BÊN LIÊN QUAN |
+-----------------------------------------------------------------------------------+
| 🎓 SINH VIÊN KINH TẾ SỐ / TÀI CHÍNH - NGÂN HÀNG: |
| - Cung cấp bộ khung phương pháp luận kết hợp giữa kinh tế học và kỹ thuật BI. |
| - Nắm bắt mẫu thiết kế Star Schema và công thức DAX thực tế trong ngành ngân hàng.|
+-----------------------------------------------------------------------------------+
| 💻 CHUYÊN VIÊN PHÂN TÍCH DỮ LIỆU & LẬP TRÌNH VIÊN FINTECH: |
| - Tham khảo kiến trúc tích hợp hệ thống Core Banking với công cụ Analytics. |
| - Ứng dụng mô hình tính toán chi phí vốn NEC vào các bài toán tối ưu danh mục. |
+-----------------------------------------------------------------------------------+
| 🏢 BAN LÃNH ĐẠO NGÂN HÀNG & QUẢN LÝ CHI NHÁNH: |
| - Sở hữu bộ giải pháp cụ thể giúp nâng cao nguồn vốn từ 3.214 lên 3.945 tỷ VNĐ. |
| - Giảm thiểu rủi ro lệch pha kỳ hạn và kiểm soát chi phí trả lãi hiệu quả. |
+-----------------------------------------------------------------------------------+
| 🔬 NHÀ NGHIÊN CỨU CHÍNH SÁCH TIỀN TỆ: |
| - Dữ liệu thực chứng về mức độ co giãn tiền gửi trước biến động chính sách lãi suất|
| - Đánh giá hiệu quả tái cơ cấu ngân hàng thương mại cổ phần quy mô vừa tại VN. |
+-----------------------------------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và hạ tầng để triển khai hệ thống phân tích dữ liệu huy động vốn là gì?
Hệ thống yêu cầu máy chủ cơ sở dữ liệu chạy Microsoft SQL Server 2019 (tối thiểu 4 Cores CPU, 16 GB RAM), hệ điều hành Windows Server 2019/2022. Phía người dùng cuối cần cài đặt Power BI Desktop hoặc truy cập Power BI Service qua trình duyệt web hỗ trợ HTML5 trên máy tính hoặc thiết bị di động, yêu cầu tài khoản Power BI Pro để chia sẻ báo cáo nội bộ.
2. Giới hạn quy mô (Scalability) của giải pháp xử lý dữ liệu và cách mở rộng cho toàn hệ thống ngân hàng?
Mô hình Tabular Model trong Power BI và SQL Server có khả năng nén dữ liệu theo cột (VertiPaq Engine), cho phép xử lý hàng chục triệu dòng giao dịch với tốc độ truy vấn mili-giây. Khi mở rộng ra toàn hệ thống hơn 100 chi nhánh VietABank, giải pháp chỉ cần nâng cấp lên hạ tầng Azure Analysis Services hoặc Power BI Premium Capacity kết hợp Data Lakehouse.
3. Khả năng tích hợp với hệ thống Core Banking hiện hữu như thế nào?
Giải pháp tích hợp gián tiếp thông qua tầng trung gian Staging Database (Read-Only Replica). Dữ liệu được trích xuất qua các tác vụ SSIS tự động vào cuối ngày (End-of-Day Batch) hoặc thông qua cổng API Gateway nội bộ được mã hóa chuẩn TLS 1.3, đảm bảo không gây suy giảm hiệu năng và tuyệt đối an toàn cho hệ thống giao dịch Core Banking chính.
4. Chi phí vận hành, bảo trì và đào tạo nhân sự định kỳ ra sao?
Chi phí vận hành định kỳ rất thấp, chủ yếu là phí duy trì bản quyền người dùng Power BI Pro ($10/người dùng/tháng) và chi phí bảo trì cơ sở dữ liệu hàng năm. Cán bộ tín dụng và giao dịch viên chỉ cần 2 buổi đào tạo (mỗi buổi 3 giờ) là có thể sử dụng thành thạo các tính năng lọc, drill-down và xuất báo cáo trên Dashboard.
5. Bảng phân bổ chi phí đầu tư và thời gian hoàn vốn (ROI Timeline) được tính toán như thế nào?
Với tổng mức đầu tư ban đầu xấp xỉ 88,8 triệu VNĐ, hệ thống mang lại lợi ích ròng trực tiếp từ việc tiết kiệm thời gian vận hành và tối ưu hóa 0.05% chi phí vốn $NEC$ tương đương hơn 384 triệu VNĐ/năm. Điểm hòa vốn đạt được ngay tại tháng thứ 3 sau khi vận hành chính thức, đem lại tỷ suất sinh lời ROI đạt trên 330%.
Kết luận
Khóa luận tốt nghiệp của sinh viên Phạm Mai Lâm đã giải quyết thấu đáo và toàn diện bài toán nâng cao hoạt động huy động vốn tại Ngân hàng TMCP Việt Á – Chi nhánh Phan Đình Phùng. Bằng việc kết hợp chặt chẽ giữa phân tích định lượng số liệu tài chính giai đoạn 2019–2022 với công nghệ trực quan hóa dữ liệu hiện đại trên nền tảng Microsoft Power BI, đề tài đã:
- Làm rõ bức tranh tăng trưởng: Quy mô huy động vốn tăng từ 3.214 tỷ đồng (2019) lên 3.945 tỷ đồng (2022), tốc độ tăng trưởng bình quân đạt 6%–8%/năm, lợi nhuận trước thuế tăng từ 14,92 tỷ lên 17,07 tỷ đồng.
- Định vị chính xác các nút thắt: Tỷ trọng tiền gửi ngắn hạn chiếm tới 76%–79%, áp lực chi phí trả lãi cao và sự cạnh tranh khốc liệt từ các ngân hàng lớn trên địa bàn Hà Nội.
- Cung cấp hệ thống giải pháp khả thi: Đề xuất chính sách lãi suất linh hoạt, tái cấu trúc kỳ hạn vốn, đẩy mạnh số hóa dịch vụ ngân hàng bán lẻ và tối ưu hóa công tác điều hành nguồn vốn thông qua dữ liệu trực quan.
Kết quả nghiên cứu không chỉ mang lại giá trị thực tiễn to lớn cho công tác quản trị tại Chi nhánh Phan Đình Phùng và hệ thống VietABank, mà còn là tài liệu tham khảo mẫu mực cho sinh viên, chuyên viên phân tích dữ liệu và các nhà nghiên cứu trong lĩnh vực Kinh tế số và Tài chính – Ngân hàng hiện đại.