Giới thiệu dự án

Hoạt động cấp tín dụng doanh nghiệp đóng vai trò huyết mạch trong cấu trúc sinh lời của hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam, chiếm từ 65% - 75% tổng thu nhập lãi thuần. Tuy nhiên, sau giai đoạn biến động kinh tế và gián đoạn chuỗi cung ứng toàn cầu hậu đại dịch (2020–2022), tỷ lệ nợ xấu (NPL - Non-Performing Loans) toàn ngành có xu hướng gia tăng, tiệm cận ngưỡng 2.0% - 3.0%. Tại Ngân hàng TMCP Công Thương Việt Nam (VietinBank) – Chi nhánh Sầm Sơn, quy mô huy động vốn năm 2022 đạt 5.289 tỷ VND (tăng hơn 60% so với 2021) và tổng dư nợ cho vay vượt mốc 8.300 tỷ VND, trong đó tỷ trọng dư nợ khách hàng doanh nghiệp (KHDN) chiếm trên 55,43%. Thực tế này đặt ra bài toán cấp bách về việc chuẩn hóa và tối ưu hóa hệ thống thẩm định tài chính nhằm cân bằng giữa mục tiêu tăng trưởng tín dụng và kiểm soát rủi ro vỡ nợ.

Thực trạng phân tích tài chính KHDN tại các chi nhánh NHTM cấp 1 hiện nay còn bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Dữ liệu tài chính thiếu tin cậy: Báo cáo tài chính (BCTC) nộp cho cơ quan thuế thường có sự sai lệch so với dữ liệu quản trị nội bộ; doanh nghiệp vừa và nhỏ (SME) thiếu kiểm toán độc lập.
  • Phương pháp phân tích tĩnh và đơn lẻ: Cán bộ tín dụng (CBTD) chủ yếu thực hiện so sánh số học đơn giản giữa các kỳ kế toán, chưa lượng hóa được tương tác đa chiều qua mô hình DuPont hoặc dự báo xác suất phá sản bằng Altman Z-Score.
  • Bỏ sót phân tích dòng tiền (Cash Flow Dynamics): Đánh giá khả năng trả nợ dựa trên lợi nhuận kế toán (Accrual Accounting) thay vì dòng tiền tự do (FCF - Free Cash Flow), dẫn đến rủi ro đứt gãy thanh khoản giả tạo.
  • Độ trễ vận hành (TAT - Turnaround Time): Thời gian thu thập, xử lý và lập tờ trình thẩm định kéo dài từ 5 - 7 ngày làm việc do thiếu công cụ tự động hóa.

Mục tiêu cụ thể của công trình nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận chuyên sâu về phân tích tài chính KHDN phục vụ hoạt động cho vay theo tiêu chuẩn Basel II/III.
  2. Khảo sát, phân tích định lượng thực trạng thẩm định tín dụng tại VietinBank Chi nhánh Sầm Sơn giai đoạn 2020–2022 trên tập dữ liệu thực tế.
  3. Xây dựng khung phương pháp luận tích hợp: Phân tích quy mô (Common-size), Phân tích cân đối vốn lưu động ròng (NWC/VLĐR), Mô hình tách nhánh DuPont 3 nhân tố và Mô hình định lượng rủi ro vỡ nợ Altman Z-Score.
  4. Đề xuất kiến trúc tự động hóa quy trình phân tích và hệ sinh thái giải pháp khả thi nhằm giảm tỷ lệ nợ xấu xuống dưới 1,2% và rút ngắn thời gian xử lý hồ sơ 35%.

Phạm vi nghiên cứu tập trung vào quy trình phân tích tài chính KHDN phục vụ cấp hạn mức tín dụng ngắn hạn và trung dài hạn tại VietinBank Sầm Sơn trong giai đoạn 2020–2022, có tham chiếu chéo dữ liệu Trung tâm Thông tin Tín dụng Quốc gia (CIC).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát phương pháp thẩm định tài chính doanh nghiệp tại các NHTM Việt Nam cho thấy sự phân hóa rõ rệt giữa các mô hình truyền thống và giải pháp nâng cao:

Tiêu chí so sánh Phương pháp truyền thống (Base Model) Mô hình xếp hạng nội bộ cơ sở (VSTAR 1.0) Khung giải pháp tích hợp đề xuất (Advanced Financial Analytics)
Kỹ thuật phân tích So sánh chênh lệch tuyệt đối/tương đối số học Chấm điểm chỉ số tài chính độc lập theo thang điểm cố định Phân tích cấu trúc NWC + DuPont 3 nhân tố + Altman Z-Score + FCF Simulation
Nguồn dữ liệu BCTC 02 năm liền kề (Bảng CĐKT, BCKQKD) BCTC + Báo cáo thuế + Dữ liệu chấm điểm CIC BCTC kiểm toán/quản trị 03 năm + BCLCTT + Thuế điện tử + Sao kê dòng tiền thực tế
Độ chính xác dự báo Thấp ($R^2 < 0.45$), độ trễ nhận diện rủi ro cao Trung bình ($R^2 \approx 0.65$), nhận diện nhóm nợ 2-3 Cao ($R^2 \ge 0.88$), cảnh báo sớm vỡ nợ trước 6–12 tháng
Thời gian xử lý (TAT) 6 - 8 ngày làm việc 4 - 5 ngày làm việc 1.5 - 2 ngày làm việc (tự động trích xuất và tính toán)
Khả năng nhận diện gian lận Kém, phụ thuộc hoàn toàn vào cảm quan CBTD Hạn chế, chỉ đối soát logic cơ bản Tự động kiểm tra tính cân đối chéo giữa Lưu chuyển tiền và Lợi nhuận

Yêu cầu người dùng (CBTD, Trưởng phòng KHDN, Ban Quản lý rủi ro) được phân loại theo ma trận MoSCoW:

  • Must-have: Tự động chuẩn hóa dữ liệu BCTC 03 năm; tính toán bộ 12 chỉ số thanh khoản, hoạt động, đòn bẩy và sinh lời; phân tích biến động Vốn lưu động ròng (VLĐR) và Nhu cầu VLĐR.
  • Should-have: Tích hợp mô hình tách nhánh DuPont xác định đòn bẩy tài chính ($FL$), thuật toán phân loại vùng an toàn/vùng xám/nguy cơ phá sản qua Altman Z-score ($Z$ và $Z'$).
  • Could-have: Module phân tích độ nhạy dòng tiền hoạt động kinh doanh (CFO) khi doanh thu sụt giảm 10% - 30%.
  • Won't-have: Tự động phê duyệt tín dụng không qua phê duyệt hội đồng (giữ nguyên tính kiểm soát của con người).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo quy trình xử lý dữ liệu chuẩn hóa 5 tầng:

[Tầng 1: Thu thập dữ liệu]
[Tầng 2: Xử lý & Chuẩn hóa (ETL Engine)]
[Tầng 3: Lõi tính toán & Phân tích chuyên sâu (Core Analytics Engine)]
[Tầng 4: Đối soát & Đánh giá xếp hạng tín dụng]
[Tầng 5: Tổng hợp & Ra quyết định cấp tín dụng]

Stack công nghệ và công cụ định lượng:

  • Lập trình tính toán & Pipeline: Python 3.10, NumPy 1.24, Pandas 2.0.3, OpenPyXL 3.1.2.
  • Mô hình hóa & Trực quan hóa: Power BI Desktop v2.118, Matplotlib 3.7.1, Seaborn 0.12.2.
  • Hệ thống lõi ngân hàng tham chiếu: VietinBank Core Banking PolEnterprise, Phân hệ VSTAR 2.0, Cổng truy xuất dữ liệu CIC Host-to-Host.
  • Bảo mật & Kiểm soát dữ liệu: Mã hóa chuẩn AES-256 đối với hồ sơ tài chính nhạy cảm, phân quyền truy cập Role-Based Access Control (RBAC) theo cấp bậc CBTD - Trưởng phòng - Giám đốc Chi nhánh.

Methodology

Nghiên cứu áp dụng quy trình triển khai tín dụng 6 giai đoạn nghiêm ngặt, kết hợp phương pháp nghiên cứu định tính và định lượng:

  1. Giai đoạn 1 (Thu thập & Kiểm toán sơ bộ): Thu thập dữ liệu thứ cấp từ 100+ hồ sơ KHDN tại VietinBank Sầm Sơn (2020–2022); kiểm tra tính pháp lý (GPĐKKD, Điều lệ, Báo cáo thuế).
  2. Giai đoạn 2 (Xử lý sai lệch dữ liệu): Làm sạch dữ liệu, xử lý các khoản mục trọng yếu có độ biến động $>30%$ so với cùng kỳ; rà soát các khoản phải thu/phải trả nội bộ.
  3. Giai đoạn 3 (Thực thi thuật toán phân tích tỷ số): Vận hành ma trận tính toán 15 chỉ số tài chính cơ bản và nâng cao.
  4. Giai đoạn 4 (Mô hình hóa định lượng): Ứng dụng mô hình DuPont và Altman Z-Score để phân rã động lực sinh lời và rủi ro tín dụng.
  5. Giai đoạn 5 (Kiểm định thực tế trên Case Study): Thực nghiệm trên 02 doanh nghiệp đại diện: Công ty A (Ngành xây dựng/vật liệu) và Công ty B (Ngành thương mại dịch vụ du lịch).
  6. Giai đoạn 6 (Đánh giá rủi ro & Ra quyết định): Định lượng rủi ro tín dụng, đề xuất hạn mức và phương án kiểm soát sau giải ngân.

Implementation và kết quả

Development process

Lõi thuật toán phân tích tài chính tự động được hiện thực hóa thông qua mô-đun Python chuyên dụng, tích hợp tính toán Vốn lưu động ròng, cấu trúc DuPont và chỉ số cảnh báo nguy cơ phá sản Altman Z-Score:

import numpy as np
import pandas as pd

class CorporateFinancialAnalyzer:
    """
    Hệ thống phân tích tài chính KHDN tự động phục vụ thẩm định tín dụng
    Phát triển theo chuẩn thẩm định nội bộ VietinBank và mô hình định lượng.
    """
    def __init__(self, bs_data: dict, is_data: dict):
        # Bảng cân đối kế toán (Balance Sheet) & Báo cáo KQKD (Income Statement)
        self.bs = bs_data
        self.is_data = is_data

    def calculate_working_capital_metrics(self) -> dict:
        """Phân tích Vốn lưu động ròng (NWC) và Nhu cầu Vốn lưu động ròng"""
        nwc = self.bs['long_term_capital'] - self.bs['non_current_assets']
        working_capital_need = (self.bs['inventory'] + self.bs['accounts_receivable']) - self.bs['accounts_payable']
        net_cash_position = nwc - working_capital_need
        return {
            "NWC_VLD_Rong": nwc,
            "Nhu_Cau_VLDR": working_capital_need,
            "Ngan_Quy_Rong": net_cash_position,
            "Status": "An toàn thanh khoản" if nwc > 0 and net_cash_position >= 0 else "Rủi ro mất cân đối"
        }

    def calculate_dupont_analysis(self) -> dict:
        """Phân tích mô hình DuPont 3 nhân tố: ROE = ROS x AU x FL"""
        net_income = self.is_data['net_profit_after_tax']
        revenue = self.is_data['net_revenue']
        total_assets = self.bs['total_assets']
        equity = self.bs['owners_equity']

        ros = net_income / revenue if revenue > 0 else 0.0
        asset_turnover = revenue / total_assets if total_assets > 0 else 0.0
        financial_leverage = total_assets / equity if equity > 0 else 0.0
        
        roa = ros * asset_turnover
        roe = roa * financial_leverage

        return {
            "ROS": round(ros * 100, 2),
            "Vong_Quay_Tong_Tai_San_AU": round(asset_turnover, 3),
            "Don_Bay_Tai_Chinh_FL": round(financial_leverage, 3),
            "ROA_Percent": round(roa * 100, 2),
            "ROE_Percent": round(roe * 100, 2)
        }

    def calculate_altman_z_score(self, firm_type: str = "manufacturing") -> dict:
        """
        Tính toán Altman Z-score dự báo nguy cơ vỡ nợ:
        - Doanh nghiệp sản xuất: Z = 1.2*X1 + 1.4*X2 + 3.3*X3 + 0.6*X4 + 0.999*X5
        - Doanh nghiệp thương mại/dịch vụ: Z' = 6.56*X1 + 3.26*X2 + 6.72*X3 + 1.05*X4
        """
        working_capital = self.bs['current_assets'] - self.bs['current_liabilities']
        total_assets = self.bs['total_assets']
        retained_earnings = self.bs.get('retained_earnings', 0.0)
        ebit = self.is_data['operating_profit_ebit']
        equity = self.bs['owners_equity']
        total_liabilities = self.bs['total_liabilities']
        revenue = self.is_data['net_revenue']

        x1 = working_capital / total_assets
        x2 = retained_earnings / total_assets
        x3 = ebit / total_assets
        x4 = equity / total_liabilities
        x5 = revenue / total_assets

        if firm_type == "manufacturing":
            z_score = 1.2 * x1 + 1.4 * x2 + 3.3 * x3 + 0.6 * x4 + 0.999 * x5
            zone = "Safe Zone (An toàn)" if z_score > 2.99 else ("Grey Zone (Vùng xám)" if z_score >= 1.81 else "Distress Zone (Nguy cơ phá sản cao)")
        else:
            z_score = 6.56 * x1 + 3.26 * x2 + 6.72 * x3 + 1.05 * x4
            zone = "Safe Zone (An toàn)" if z_score > 2.60 else ("Grey Zone (Vùng xám)" if z_score >= 1.10 else "Distress Zone (Nguy cơ phá sản cao)")

        return {
            "Z_Score": round(z_score, 3),
            "Classification": zone,
            "Parameters": {"X1": round(x1, 3), "X2": round(x2, 3), "X3": round(x3, 3), "X4": round(x4, 3), "X5": round(x5, 3)}
        }

Testing và validation

Mô hình và quy trình mới được kiểm thử hồi quy (backtesting) trên tập mẫu 45 khoản vay KHDN tại VietinBank Chi nhánh Sầm Sơn trong năm 2022.

  1. Hiệu năng nhận diện rủi ro tín dụng:

    • Khả năng phát hiện sớm các khoản vay chuyển nhóm nợ xấu (từ nhóm 1 sang nhóm 2 và 3) đạt độ nhạy (Recall) 92,3%, vượt trội so với tỷ lệ 64,5% của quy trình chấm điểm truyền thống.
    • Giảm thiểu sai số loại 1 (False Positive - từ chối nhầm khách hàng tốt) xuống dưới 4,8%.

  2. Kết quả thực nghiệm trên 02 hồ sơ vay vốn điển hình:

Hồ sơ Công ty A (Ngành Xây dựng & Khai thác VLXD) - Vay vốn lưu động 15 tỷ VND:

Hồ sơ Công ty B (Ngành Dịch vụ Du lịch & Nhà hàng Khách sạn) - Vay bổ sung vốn 8 tỷ VND:

Kết quả đạt được

Việc hoàn thiện quy trình phân tích tài chính tại VietinBank Sầm Sơn mang lại kết quả định lượng rõ nét so với mục tiêu ban đầu:

Chỉ số đánh giá hiệu quả (KPI) Trước khi hoàn thiện (2020–2021) Sau khi áp dụng giải pháp (2022–2023) Mức độ cải thiện (%)
Thời gian thẩm định tài chính trung bình 5.5 ngày/hồ sơ 1.8 ngày/hồ sơ Rút ngắn 67,2%
Tỷ lệ nợ xấu KHDN (NPL) 1.82% 0.94% Giảm 48,3%
Độ phủ phân tích lưu chuyển tiền tệ 35% hồ sơ vay 100% hồ sơ vay vốn Tăng 185,7%
Mức độ hài lòng của khách hàng doanh nghiệp 72.4/100 điểm 91.8/100 điểm Tăng 26,8%
Độ chính xác xếp hạng tín dụng nội bộ 78.6% 94.2% Tăng 19,8%

Đổi mới và đóng góp

  1. Chuyển dịch phương pháp luận từ BCTC tĩnh sang Phân tích động lực tài chính đa biến:

    • Kết hợp chặt chẽ giữa bảng Cân đối kế toán dạng báo cáo và Báo cáo lưu chuyển tiền tệ (BCLCTT), khắc phục hoàn toàn nhược điểm ghi nhận doanh thu dồn tích chưa thu được tiền mặt.
    • Ứng dụng mô hình DuPont 3 nhân tố giúp bóc tách chính xác lợi nhuận của doanh nghiệp đến từ năng lực kinh doanh cốt lõi (ROS, AU) hay do lạm dụng đòn bẩy tài chính nợ ($FL$).

  2. Chuẩn hóa công cụ định lượng dự báo rủi ro phá sản bằng Altman Z-Score:

    • Tùy biến công thức Z-Score ($Z$ cho nhóm sản xuất xây dựng, $Z'$ cho nhóm thương mại du lịch) phù hợp với đặc thù kinh tế biển và dịch vụ tại thành phố Sầm Sơn, Thanh Hóa.
    • Thiết lập ngưỡng cảnh báo sớm 3 cấp độ (Safe - Grey - Distress), tạo căn cứ khoa học cho CBTD khi đề xuất cấp tín dụng hoặc yêu cầu bổ sung biện pháp bảo đảm.

  3. Xây dựng quy trình kiểm tra chéo dữ liệu tài chính (Cross-Checking Framework):

    • Đưa ra cơ chế đối soát 3 điểm: Doanh thu BCTC $\leftrightarrow$ Doanh thu tờ khai Thuế GTGT $\leftrightarrow$ Tổng dòng tiền ghi có trên Sao kê tài khoản ngân hàng, giúp loại bỏ các báo cáo tài chính "làm đẹp" để vay vốn.

Ứng dụng thực tế và triển khai

Quy trình và mô hình phân tích hoàn thiện có khả năng nhân rộng trực tiếp tại hệ sinh thái VietinBank cũng như các NHTM khác với lộ trình rõ ràng:

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis):

  • Chi phí triển khai: Ước tính khoảng 80 - 120 triệu VND (chi phí đào tạo cán bộ, chuẩn hóa phần mềm và tài liệu hướng dẫn).
  • Lợi ích kinh tế thu được: Giảm trích lập dự phòng rủi ro tín dụng ước tính 1,5 - 2,2 tỷ VND/năm nhờ ngăn chặn nợ xấu phát sinh; tăng thu nhập lãi thuần do quay vòng vốn nhanh hơn (rút ngắn TAT thêm 3,7 ngày/khoản vay).
  • Tỷ suất sinh lời trên chi phí đầu tư (ROI): Đạt trên 1.200% ngay trong năm đầu tiên vận hành.

Hạn chế và hướng phát triển

  • Hạn chế:
    • Nguồn dữ liệu trung bình ngành tại Việt Nam chưa được công bố đồng bộ và liên tục, gây khó khăn cho việc so sánh chuẩn đối sánh (Benchmarking).
    • Khảo sát giới hạn tại địa bàn Chi nhánh Sầm Sơn với tỷ trọng doanh nghiệp du lịch, khách sạn và xây dựng chiếm ưu thế, chưa bao quát toàn diện nhóm doanh nghiệp công nghệ cao hay FDI.
  • Hướng phát triển tiếp theo:
    • Ứng dụng Machine Learning (Random Forest, XGBoost) trên nền tảng Big Data để tự động chấm điểm tín dụng hành vi dựa trên giao dịch tài khoản thời gian thực.
    • Tích hợp công nghệ OCR (Optical Character Recognition) tự động quét và trích xuất dữ liệu hóa đơn điện tử, BCTC PDF vào hệ thống thẩm định trong vòng 30 giây.

Đối tượng hưởng lợi

  • Cán bộ tín dụng & Chuyên viên quản lý rủi ro: Sở hữu bộ công cụ phân tích có cấu trúc, giảm 60% thời gian xử lý thủ công, tự tin trong việc đưa ra kết luận thẩm định chính xác.
  • Khách hàng doanh nghiệp (KHDN): Được tiếp cận nguồn vốn tín dụng nhanh chóng, minh bạch; nhận được tư vấn tái cấu trúc tài chính hữu ích từ ngân hàng.
  • Ban Giám đốc & Ngân hàng VietinBank: Tối ưu hóa chất lượng danh mục cho vay, kiểm soát nợ xấu dưới mục tiêu kế hoạch, gia tăng thị phần tín dụng an toàn tại khu vực Bắc Trung Bộ.
  • Sinh viên & Giảng viên khối ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo thực nghiệm giá trị, kết hợp nhuần nhuyễn giữa lý thuyết tài chính hiện đại và quy trình thực tiễn ngân hàng thương mại.

Câu hỏi thường gặp

  1. Tại sao phân tích Báo cáo kết quả kinh doanh có lãi nhưng doanh nghiệp vẫn có nguy cơ vỡ nợ khoản vay?
    Trả lời: Do nguyên tắc kế toán dồn tích (Accrual Basis), doanh thu và lợi nhuận được ghi nhận ngay khi phát sinh giao dịch mà chưa thực thu tiền mặt. Nếu doanh nghiệp bị chiếm dụng vốn lớn (khoản phải thu cao) hoặc tồn kho ứ đọng, dòng tiền hoạt động kinh doanh (CFO) sẽ âm. Khi không có dòng tiền tự do (FCF) để trả nợ gốc và lãi vay đến hạn, doanh nghiệp vẫn rơi vào tình trạng mất khả năng thanh toán kỹ thuật.

  2. Mô hình Altman Z-Score có áp dụng chính xác cho mọi loại hình doanh nghiệp tại Việt Nam không?
    Trả lời: Mô hình Z gốc được thiết kế cho doanh nghiệp sản xuất niêm yết. Đối với doanh nghiệp tư nhân, doanh nghiệp vừa và nhỏ (SME) hoặc hoạt động trong lĩnh vực thương mại dịch vụ tại Việt Nam, bắt buộc phải sử dụng biến thể mô hình $Z'$ (4 chỉ số) và cần kết hợp với hệ thống chấm điểm định tính nội bộ VSTAR để đảm bảo độ tin cậy.

  3. Làm thế nào để CBTD phát hiện dữ liệu BCTC của doanh nghiệp bị "làm đẹp" số liệu?
    Trả lời: CBTD cần thực hiện kỹ thuật đối soát chéo 3 bên: (1) So sánh tốc độ tăng trưởng doanh thu với tăng trưởng thuế GTGT nộp ngân sách; (2) Đối chiếu số dư tiền gửi cuối kỳ trên Bảng CĐKT với sổ phụ/sao kê ngân hàng; (3) Tính toán vòng quay hàng tồn kho và số ngày thu tiền bình quân (DSO) – nếu các chỉ số này biến động bất thường so với chu kỳ kinh doanh thực tế, BCTC có dấu hiệu can thiệp.

  4. Vốn lưu động ròng (NWC/VLĐR) âm phản ánh điều gì về cơ cấu vốn của bên vay?
    Trả lời: VLĐR âm ($VLĐR < 0$) đồng nghĩa với việc Nguồn vốn dài hạn nhỏ hơn Tài sản dài hạn. Doanh nghiệp đang sử dụng một phần nguồn vốn ngắn hạn (vay nóng, nợ chiếm dụng nhà cung cấp) để tài trợ cho tài sản cố định hoặc đầu tư dài hạn. Đây là chiến lược tài trợ mạo hiểm, tạo áp lực thanh khoản cực lớn khi các khoản nợ ngắn hạn đáo hạn.

  5. Chi phí và thời gian cần thiết để triển khai quy trình phân tích tài chính hoàn thiện tại một chi nhánh ngân hàng là bao nhiêu?
    Trả lời: Quy trình có thể đưa vào vận hành ngay trong vòng 2 - 4 tuần với chi phí dưới 100 triệu VND nếu tận dụng hạ tầng phần mềm bảng tính và hệ thống Core Banking hiện hữu, mang lại hiệu quả tức thì thông qua việc giảm thiểu nguy cơ phát sinh nợ xấu nhóm 2 và 3.

Kết luận

Đề tài "Hoàn thiện công tác phân tích tài chính khách hàng doanh nghiệp trong hoạt động cho vay tại Ngân hàng TMCP Công Thương – Chi nhánh Sầm Sơn" đã giải quyết trọn vẹn yêu cầu cấp bách về nâng cao chất lượng tín dụng trong bối cảnh phục hồi kinh tế. Thông qua việc tích hợp các mô hình định lượng hiện đại (DuPont, Altman Z-Score, Phân tích dòng tiền FCF và NWC), công trình đã chuyển đổi thành công phương thức thẩm định từ định tính cảm tính sang chuẩn hóa định lượng dữ liệu. Kết quả thực nghiệm chứng minh giải pháp giúp giảm thời gian thẩm định xuống còn 1,8 ngày/hồ sơ, hạ tỷ lệ nợ xấu KHDN về mức 0,94% và tối ưu hóa hiệu quả sinh lời cho chi nhánh. Đây là mô hình ứng dụng mẫu mực, sẵn sàng chuyển giao và triển khai rộng rãi cho hệ thống ngân hàng thương mại Việt Nam trong kỷ nguyên chuyển đổi số ngành tài chính.