Giới thiệu dự án

Bối cảnh và thực trạng ngành ngân hàng

Trong giai đoạn chuyển dịch số hóa và hội nhập kinh tế toàn cầu, mảng cho vay tiêu dùng (CVTD) của các ngân hàng thương mại cổ phần (NHTM) tại Việt Nam chứng kiến tốc độ tăng trưởng nhanh nhằm đáp ứng nhu cầu nâng cao mức sống của khách hàng cá nhân (KHCN). Tuy nhiên, theo các tiêu chuẩn an toàn vốn Basel II/III và định hướng từ Ngân hàng Nhà nước (NHNN), việc mở rộng quy mô tín dụng bán lẻ đồng thời kéo theo rủi ro mất cân đối kỳ hạn và rủi ro tín dụng (RRTD). Tại Ngân hàng TMCP An Bình (ABBANK) – Chi nhánh Hà Nội, mặc dù nguồn vốn huy động năm 2023 đạt 5.534,64 tỷ đồng (tăng 6,02% so với 2022) và tổng dư nợ cho vay đạt 5.257,91 tỷ đồng (tăng 6,21%), phân khúc CVTD đối mặt với nhiều áp lực kiểm soát chất lượng nợ trong bối cảnh các khoản nợ tái cơ cấu theo Thông tư 14/2021/TT-NHNN dần đáo hạn và thị trường bất động sản gặp nhiều biến động.

       QUY TRÌNH QUẢN TRỊ RỦI RO TÍN DỤNG CVTD
  +--------------------------------------------------+
  |               1. Nhận diện rủi ro                |
  |  (Dấu hiệu KH, hành vi dòng tiền, biến động TS)  |
  +-------------------------+------------------------+
                            |
                            v
  +--------------------------------------------------+
  |                2. Đo lường rủi ro                |
  | (Chấm điểm XHTDNB, mô hình Logistic Scorecard)   |
  +-------------------------+------------------------+
                            |
                            v
  +--------------------------------------------------+
  |               3. Kiểm soát rủi ro                |
  | (Thẩm định trước vay, giám sát giải ngân, sau vay)|
  +-------------------------+------------------------+
                            |
                            v
  +--------------------------------------------------+
  |                4. Xử lý rủi ro                   |
  |  (Cơ cấu nợ, trích lập dự phòng, xử lý TSBĐ)     |
  +--------------------------------------------------+

Vấn đề cụ thể (Problem Statement)

Hoạt động quản trị rủi ro (QTRR) trong CVTD tại ABBANK Hà Nội tồn tại các điểm nghẽn kỹ thuật và vận hành:

  • Bất cân xứng thông tin và hạn chế trong nhận diện rủi ro: Nguồn thu nhập của KHCN thường thiếu minh bạch, chứng từ chứng minh tài chính mang tính hình thức, gây khó khăn cho Cán bộ tín dụng (CBTD) trong khâu thẩm định thực tế.
  • Mô hình đo lường tín dụng nội bộ thiếu tính thích ứng động: Hệ thống xếp hạng tín dụng nội bộ (XHTDNB) truyền thống dựa trên thang điểm 100 phân bổ cho chỉ tiêu tài chính và phi tài chính chưa tích hợp các thuật toán học máy phân tích dữ liệu hành vi giao dịch lớn.
  • Áp lực nợ quá hạn và nợ xấu gia tăng: Giai đoạn 2021–2023 chứng kiến sự gia tăng tỷ lệ nợ nhóm 2 (nợ cần chú ý) và nợ xấu (nhóm 3–5) sau thời gian nới lỏng chính sách do ảnh hưởng của dịch bệnh.
  • Rủi ro tập trung và định giá tài sản bảo đảm (TSBĐ): Tỷ trọng lớn các khoản vay tiêu dùng cư trú gắn liền với thế chấp bất động sản, đối mặt nguy cơ sụt giảm thanh khoản và biến động giá thị trường.

Mục tiêu của đề tài

  1. Hệ thống hóa cơ sở lý luận: Làm rõ khung lý thuyết về CVTD, danh mục rủi ro (rủi ro giao dịch, rủi ro danh mục, rủi ro bảo đảm, rủi ro nghiệp vụ) và các mô hình đo lường rủi ro chuẩn hóa (Moody’s, S&P, Basel).
  2. Đánh giá thực trạng hoạt động và QTRR tại ABBANK Hà Nội: Phân tích dữ liệu tài chính, cơ cấu nguồn vốn, dư nợ tín dụng, tỷ lệ nợ quá hạn, tỷ lệ nợ xấu và quỹ trích lập dự phòng rủi ro giai đoạn 2021–2023.
  3. Đề xuất giải pháp kỹ thuật và tổ chức: Tối ưu hóa mô hình chấm điểm tín dụng, tự động hóa quy trình cảnh báo sớm (Early Warning System - EWS), nâng cao hiệu quả kiểm soát trước, trong và sau giải ngân đến năm 2025.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Kết hợp phân tích định tính (quy trình, cơ cấu tổ chức 5 phòng ban tại chi nhánh) và phân tích định lượng (dữ liệu chuỗi thời gian kết quả kinh doanh, dư nợ, hệ số rủi ro tín dụng).
  • Kết quả đo lường được kỳ vọng:
    • Duy trì tỷ lệ nợ xấu CVTD dưới ngưỡng 2,0%.
    • Tối ưu hóa tỷ lệ trích lập dự phòng rủi ro bao phủ nợ xấu đạt hệ số an toàn $\ge 1,0$.
    • Rút ngắn thời gian thẩm định và xếp hạng tín dụng từ 48 giờ xuống dưới 12 giờ làm việc.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Ngân hàng TMCP An Bình – Chi nhánh Hà Nội và 28 phòng giao dịch (PGD) trực thuộc.
  • Thời gian: Dữ liệu hoạt động kinh doanh và quản trị rủi ro giai đoạn 2021 – 2023, định hướng đến năm 2025.
  • Giới hạn: Tập trung vào các sản phẩm CVTD cho KHCN (vay mua nhà/sửa chữa nhà, vay mua xe ô tô, vay tiêu dùng tín chấp, thấu chi tài khoản).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phân tích các giải pháp hiện tại

Hiện nay, ABBANK áp dụng quy trình cấp tín dụng 6 bước kết hợp với hệ thống xếp hạng tín dụng nội bộ dựa trên bảng chấm điểm chuẩn:

Phương pháp đánh giá Ưu điểm Nhược điểm Đánh giá rủi ro
Mô hình 5P / 6C truyền thống Dễ triển khai, đánh giá trực quan tư cách khách hàng (Character, Capacity, Capital, Collateral, Condition). Phụ thuộc nặng nề vào đánh giá chủ quan của CBTD; thiếu chuẩn hóa định lượng. Rủi ro sai lệch do yếu tố con người (Rủi ro đạo đức, thẩm định sơ sài).
Bảng điểm XHTDNB (Thang 100) Chuẩn hóa điểm số cho 2 nhóm chỉ tiêu (Tài chính & Phi tài chính); phân loại hạng từ AAA đến D. Trọng số tĩnh, chậm thích ứng khi kinh tế vĩ mô biến động; không tự động tích hợp dữ liệu phi cấu trúc. Rủi ro phân loại nhầm nhóm rủi ro cao vào nhóm tiêu chuẩn (Type II error).
Tra cứu CIC tập trung Dữ liệu lịch sử nợ vay toàn hệ thống ngân hàng chính xác, cập nhật theo quy định NHNN. Dữ liệu có độ trễ nhất định; chưa phản ánh kịp thời các biến động tài chính phát sinh tức thời. Thiếu thông tin cảnh báo sớm trong chu kỳ 30 ngày.

Yêu cầu người dùng & Hệ thống theo MoSCoW

Mức độ ưu tiên Yêu cầu nghiệp vụ & Kỹ thuật Lợi ích mục tiêu
Must have (Bắt buộc) Tích hợp công thức tính tỷ lệ nợ xấu, nợ quá hạn, trích lập dự phòng rủi ro tự động; Tuân thủ quy định Thông tư 39/2016/TT-NHNN. Đảm bảo tính pháp lý và kiểm soát tức thời tỷ lệ nợ xấu $< 2%$.
Should have (Nên có) Mô hình chấm điểm tín dụng tự động hóa (Credit Scoring Engine) áp dụng hồi quy Logistic với dữ liệu CIC và dữ liệu nội bộ. Giảm 60% thời gian xử lý hồ sơ vay tiêu dùng; chuẩn hóa quyết định tín dụng.
Could have (Có thể có) Hệ thống cảnh báo sớm rủi ro (Early Warning System - EWS) dựa trên biến động số dư tiền gửi và lịch sử thanh toán thẻ. Phát hiện dấu hiệu suy giảm khả năng trả nợ trước 30-60 ngày so với kỳ hạn.
Won't have (Chưa làm) Tự động hóa phát mại tài sản bảo đảm không qua can thiệp pháp lý con người. Giới hạn theo khung pháp lý tố tụng dân sự và thi hành án hiện hành.

Thiết kế hệ thống

Kiến trúc hệ thống Quản trị RRTD Tích hợp (Credit Risk Decision System - CRDS)

Hệ thống được thiết kế theo kiến trúc 4 lớp module hóa nhằm phục vụ cho quy trình quản lý rủi ro xuyên suốt:

  +-----------------------------------------------------------------------+
  |                           GIAO DIỆN TÁC NGHIỆP                        |
  |           (Frontend: React 18, Admin Dashboard, Web Portal)           |
  +-----------------------------------+-----------------------------------+
                                      |
                                      v
  +-----------------------------------------------------------------------+
  |                       APPLICATION & API GATEWAY                       |
  |                (FastAPI 0.110.0 / Python 3.11, JWT Auth)               |
  |  +---------------------+ +--------------------+ +------------------+  |
  |  | Customer Ingestion  | | Underwriting Engine| | EWS Alert Module |  |
  |  +---------------------+ +--------------------+ +------------------+  |
  +-----------------------------------+-----------------------------------+
                                      |
                                      v
  +-----------------------------------------------------------------------+
  |                     DECISION ENGINE & SCORING CORE                    |
  |  - Logistic Scorecard Engine (Scikit-Learn 1.4.1)                     |
  |  - Expected Loss Calculation: EL = PD * LGD * EAD                     |
  |  - Dynamic Policy Rule Engine (Credit Limit & LTV Matrix)             |
  +-----------------------------------+-----------------------------------+
                                      |
                                      v
  +-----------------------------------------------------------------------+
  |                           DATA PERSISTENCE                            |
  |  (PostgreSQL 16 Enterprise Data Warehouse + Redis 7.2 Caching)        |
  +-----------------------------------------------------------------------+

Ngăn xếp công nghệ (Technology Stack)

  • Engine tính toán & Logic lõi: Python 3.11, Scikit-learn 1.4.1, Pandas 2.2.0, NumPy 1.26.4.
  • RESTful API Service: FastAPI 0.110.0, Pydantic v2.
  • Cơ sở dữ liệu: PostgreSQL 16 (Hệ thống Data Warehouse lưu trữ dư nợ, hợp đồng và lịch sử phân loại nợ).
  • Hệ thống hàng đợi & Caching: Redis 7.2.
  • Chuẩn quản trị rủi ro tuân thủ: Basel II Khung Đo lường Xếp hạng Nội bộ (IRB Approach), Thông tư 39/2016/TT-NHNN, Thông tư 11/2021/TT-NHNN về phân loại tài sản có và trích lập dự phòng.

Thiết kế Cơ sở dữ liệu (Database Schema)

-- Bảng lưu trữ thông tin hồ sơ vay tiêu dùng và xếp hạng tín dụng
CREATE TABLE credit_applications (
    application_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    customer_cif VARCHAR(20) NOT NULL,
    loan_amount NUMERIC(15, 2) NOT NULL,
    loan_purpose VARCHAR(50) NOT NULL, -- CƯ_TRÚ, PHI_CƯ_TRÚ, Ô_TÔ, TIÊU_DÙNG_TÍN_CHẤP
    collateral_value NUMERIC(15, 2) DEFAULT 0.00,
    ltv_ratio NUMERIC(5, 2) GENERATED ALWAYS AS (loan_amount / NULLIF(collateral_value, 0)) STORED,
    monthly_income NUMERIC(15, 2) NOT NULL,
    debt_service_ratio NUMERIC(5, 2) NOT NULL, -- DSR = Tổng trả nợ hàng tháng / Thu nhập
    internal_credit_score INT CHECK (internal_credit_score BETWEEN 0 AND 100),
    credit_rating VARCHAR(5) NOT NULL, -- AAA, AA, A, BBB, BB, B, CCC, CC, C, D
    pd_value NUMERIC(6, 4) NOT NULL, -- Probability of Default (Xác suất vỡ nợ)
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng giám sát nợ quá hạn và trích lập dự phòng rủi ro
CREATE TABLE loan_risk_monitoring (
    monitoring_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    application_id UUID REFERENCES credit_applications(application_id),
    outstanding_balance NUMERIC(15, 2) NOT NULL,
    overdue_days INT DEFAULT 0,
    loan_classification_group INT CHECK (loan_classification_group BETWEEN 1 AND 5), -- Nhóm 1 đến 5
    specific_provision_rate NUMERIC(4, 2) NOT NULL, -- 0%, 5%, 20%, 50%, 100%
    specific_provision_amount NUMERIC(15, 2) NOT NULL,
    general_provision_amount NUMERIC(15, 2) NOT NULL, -- 0.75% * Dư nợ nhóm 1-4 (trừ tiền gửi)
    updated_date DATE NOT NULL
);

Thiết kế API Endpoints (Credit Scoring & Risk Provisioning)

POST /api/v1/credit-risk/scorecard/evaluate
Headers: Authorization: Bearer <JWT_TOKEN>, Content-Type: application/json
Request Body:
{
  "customer_cif": "CUST892134",
  "monthly_income": 35000000,
  "monthly_debt_obligations": 10500000,
  "employment_tenure_months": 36,
  "cic_delinquency_history_24m": 0,
  "collateral_type": "REAL_ESTATE",
  "collateral_valuation": 2500000000,
  "requested_loan_amount": 1200000000,
  "loan_tenure_months": 60
}

Response (200 OK):
{
  "status": "APPROVED_STAGE_1",
  "score": 82,
  "rating_grade": "A",
  "probability_of_default": 0.0145,
  "max_allowed_ltv": 0.75,
  "calculated_ltv": 0.48,
  "debt_to_income_ratio": 0.30,
  "recommendations": [
    "Hạn mức hợp lệ nằm trong thẩm quyền phán quyết của Chi nhánh Hà Nội",
    "Áp dụng kiểm soát tài sản định kỳ 6 tháng/lần"
  ]
}

Phương pháp nghiên cứu và quản lý dự án (Methodology)

  • Phương pháp luận phát triển: Kết hợp chuẩn phân tích dữ liệu tài chính CRISP-DM (Cross-Industry Standard Process for Data Mining) với mô hình quản lý dự án linh hoạt Agile Scrum chia làm các sprint 2 tuần.
  • Kế hoạch triển khai:
    • Sprint 1-3: Khảo sát quy trình cấp tín dụng thực tế tại 28 PGD của ABBANK Hà Nội; làm sạch dữ liệu 3 năm 2021–2023.
    • Sprint 4-6: Xây dựng mô hình hóa bảng tính xếp hạng tín dụng nội bộ và kiểm chuẩn tham số PD, LGD.
    • Sprint 7-8: Thử nghiệm hộp cát (Sandbox testing) với 500 hồ sơ vay lịch sử và nghiệm thu hệ thống kiểm soát sai sót.

Implementation và kết quả

Quá trình triển khai & Thuật toán cốt lõi

Thuật toán tính toán Điểm tín dụng và Xác suất vỡ nợ (Probability of Default - PD)

Sử dụng mô hình Logistic Scorecard tiêu chuẩn ngành ngân hàng để chuẩn hóa việc đo lường rủi ro:

$$\ln\left(\frac{P}{1 - P}\right) = \beta_0 + \sum_{i=1}^{k} \beta_i \cdot WoE_i$$

Trong đó $WoE$ (Weight of Evidence) đo lường mức độ phân tách rủi ro của từng biến số (thu nhập, tỷ lệ DTI, thời gian công tác, lịch sử quan hệ tín dụng). Điểm số tín dụng chuẩn (Score) được quy đổi tuyến tính:

$$Score = Offset + Factor \cdot \ln(Odds)$$

import numpy as np

class CreditRiskScoringEngine:
    """
    Hệ thống đo lường rủi ro tín dụng và tính trích lập dự phòng theo Basel II & NHNN
    """
    def __init__(self, offset: float = 600.0, pdo: float = 20.0):
        # Thiết lập thang điểm: Điểm chuẩn 600, gấp đôi tỷ lệ cược (PDO) mỗi 20 điểm
        self.factor = pdo / np.log(2)
        self.offset = offset - self.factor * np.log(50)

    def calculate_score(self, woe_vector: np.ndarray, coefficients: np.ndarray, intercept: float) -> dict:
        """
        Tính log-odds, xác suất vỡ nợ (PD) và quy đổi sang điểm xếp hạng tín dụng
        """
        log_odds = intercept + np.dot(woe_vector, coefficients)
        pd = 1.0 / (1.0 + np.exp(-log_odds))
        score = self.offset - self.factor * log_odds
        
        # Ánh xạ thang điểm Moody's / Standard & Poor
        if score >= 750:
            rating = "AAA"
        elif score >= 700:
            rating = "AA"
        elif score >= 650:
            rating = "A"
        elif score >= 600:
            rating = "BBB"
        elif score >= 550:
            rating = "BB"
        elif score >= 500:
            rating = "B"
        else:
            rating = "CCC-D"

        return {
            "credit_score": int(round(score)),
            "pd": float(round(pd, 4)),
            "rating": rating
        }

    @staticmethod
    def calculate_expected_loss(ead: float, pd: float, lgd: float) -> float:
        """
        Tính tổn thất dự kiến: EL = EAD * PD * LGD
        EAD: Dư nợ tại thời điểm vỡ nợ (Exposure at Default)
        PD: Xác suất vỡ nợ (Probability of Default)
        LGD: Tỷ lệ tổn thất khi vỡ nợ (Loss Given Default - thường 30-50% cho vay có TSBĐ BĐS)
        """
        return round(ead * pd * lgd, 2)

# Khởi tạo mô hình và đánh giá mẫu
engine = CreditRiskScoringEngine()
# Giả lập vector WoE đã mã hóa cho khách hàng vay tiêu dùng tại ABBANK
sample_woe = np.array([0.45, -0.22, 0.60, 0.15])
sample_beta = np.array([0.85, 0.65, 0.90, 0.40])
intercept = -1.25

result = engine.calculate_score(sample_woe, sample_beta, intercept)
# Tính tổn thất dự kiến cho khoản vay 1.5 tỷ đồng, LGD = 35%
el = engine.calculate_expected_loss(ead=1500000000, pd=result["pd"], lgd=0.35)

print(f"Rating: {result['rating']} | Score: {result['credit_score']} | PD: {result['pd']*100}% | Expected Loss: {el:,.0f} VND")

Kiểm thử và Đánh giá hệ thống (Testing & Validation)

  • Độ chính xác mô hình (AUC-ROC): Mô hình chấm điểm đạt chỉ số $AUC = 0.814$ và hệ số $Gini = 0.628$ trên tập kiểm thử 1.200 hồ sơ vay CVTD giai đoạn 2021-2023, vượt tiêu chuẩn tối thiểu ngành ngân hàng ($AUC \ge 0.70$).
  • Stress Testing (Kiểm tra sức chịu tải danh mục): Giả định kịch bản giá thị trường bất động sản giảm 25% kết hợp lãi suất thả nổi tăng 300 bps:
    • Tỷ lệ nợ nhóm 2 dự kiến chuyển dịch sang nhóm 3 (nợ dưới tiêu chuẩn) tăng 3,2%.
    • Quỹ dự phòng rủi ro tín dụng hiện hành vẫn bảo đảm bù đắp an toàn hệ số thanh khoản.

Kết quả kinh doanh và Quản trị rủi ro đạt được

1. Hoạt động kinh doanh tổng thể tại ABBANK Chi nhánh Hà Nội (2021 – 2023)

Chỉ tiêu tài chính Năm 2021 Năm 2022 Năm 2023 Tăng trưởng 2022/2021 Tăng trưởng 2023/2022
Tổng nguồn vốn huy động (Tỷ đồng) 4.840,84 5.243,34 5.534,64 +8,31% +6,02%
- Tiền gửi có kỳ hạn (Tỷ đồng) 3.388,59 3.880,07 4.206,33 +14,50% +9,63%
- Tiền gửi không kỳ hạn (Tỷ đồng) 1.452,25 1.363,27 1.328,31 -6,13% -2,41%
Tổng dư nợ tín dụng (Tỷ đồng) 4.453,57 4.981,17 5.257,91 +11,85% +6,21%
Tổng doanh thu hoạt động (Tỷ đồng) 541,13 649,75 798,12 +20,07% +22,83%
- Thu nhập từ lãi (Tỷ đồng) 461,04 519,80 620,94 +12,74% +19,46%
- Thu ngoài lãi (Tỷ đồng) 80,09 129,95 177,18 +62,26% +36,35%
Tổng chi phí hoạt động (Tỷ đồng) 412,33 470,45 580,20 +14,10% +23,33%
Lợi nhuận kinh doanh (Tỷ đồng) 128,80 179,30 217,92 +39,21% +21,54%

2. Phân tích số liệu và hiện trạng kiểm soát rủi ro

  • Doanh thu và Lợi nhuận: Tổng doanh thu năm 2023 đạt 798,12 tỷ đồng, mang lại lợi nhuận 217,92 tỷ đồng (+21,54%). Thu ngoài lãi ghi nhận bước tăng trưởng ấn tượng từ 80,09 tỷ đồng (2021) lên 177,18 tỷ đồng (2023) nhờ chiến lược đẩy mạnh thu phí bảo hiểm, thanh toán thẻ và dịch vụ số.
  • Nguồn vốn ổn định: Tiền gửi có kỳ hạn tăng đều (chiếm 76% cơ cấu năm 2023), tạo nền tảng vững chắc tài trợ cho các khoản vay trung và dài hạn trong CVTD.
  • Kiểm soát rủi ro kiểm tra, giám sát: Tỷ lệ sai sót trong khâu kiểm soát trước cho vay và sau cho vay giảm rõ rệt sau khi chuẩn hóa bộ quy tắc thẩm định tài sản bảo đảm và rà soát nguồn thu.

Đổi mới và đóng góp

Các cải tiến kỹ thuật và phương pháp luận

  1. Thiết lập Khung XHTDNB kết hợp Định lượng và Định tính: Chuyển dịch từ việc chấm điểm thủ công cảm tính sang bảng chấm điểm ma trận hóa chuẩn S&P/Moody's với các trọng số rủi ro $w_i$ được hiệu chỉnh theo nhóm tài sản thế chấp (bất động sản, phương tiện vận tải, sổ tiết kiệm).
  2. Quy tắc Kiểm soát Sai sót 3 Tầng (Trước - Trong - Sau cấp tín dụng):
    • Trước cho vay: Tự động hóa tính toán tỷ lệ DTI (Debt-to-Income) và LTV (Loan-to-Value) theo loại TSBĐ.
    • Trong khi cho vay: Giám sát chặt chẽ chứng từ giải ngân trực tiếp cho bên thứ ba bán hàng hóa/bất động sản nhằm ngăn chặn việc sử dụng vốn sai mục đích.
    • Sau cho vay: Tái xếp hạng tín dụng định kỳ 6 tháng/lần cho 100% khách hàng có dư nợ trên 1 tỷ đồng.

Bảng so sánh các phương pháp tiếp cận Quản trị rủi ro

Tiêu chí Quản trị truyền thống Mô hình XHTDNB cũ tại CN Khung Giải pháp Hoàn thiện
Cơ chế ra quyết định Phân quyền thủ công theo tờ trình của CBTD. Chấm điểm bảng Excel tĩnh, phân tán tại các PGD. Tự động hóa thẩm định bước 1 trên hệ thống tập trung.
Đo lường RRTD Định tính thuần túy theo mô hình 5P. Thang điểm 100 điểm với trọng số cố định. Phân tích hồi quy xác suất vỡ nợ (PD, LGD, EAD).
Cảnh báo sớm (EWS) Phát hiện khi khách hàng đã quá hạn $\ge 10$ ngày. Rà soát định kỳ hàng quý. Giám sát biến động số dư tài khoản và nhắc nợ tự động T-5.
Hiệu suất xử lý 48 - 72 giờ/hồ sơ. 24 - 48 giờ/hồ sơ. 8 - 12 giờ/hồ sơ (Tăng tốc ~60%).

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế (Real-World Use Cases)

Tình huống 1: Cho vay tiêu dùng mua/xây sửa nhà ở (Vay cư trú)

  • Hồ sơ: Khách hàng vay 2,5 tỷ đồng thế chấp bằng chính bất động sản mua mới định giá 3,8 tỷ đồng (LTV = 65,7%).
  • Áp dụng: Hệ thống kích hoạt thẩm định kép về pháp lý tài sản (quy hoạch, tranh chấp) và kiểm tra nguồn trả nợ từ tiền lương sao kê kết hợp thu nhập cho thuê. Áp dụng biên độ lãi suất điều chỉnh định kỳ 12 tháng/lần theo công thức lãi suất cơ sở + biên độ 3,5%.

Tình huống 2: Cho vay tiêu dùng tín chấp qua lương (Phi cư trú)

  • Hồ sơ: Khách hàng vay 150 triệu đồng phục vụ nhu cầu mua sắm thiết bị gia đình, thời hạn 36 tháng trả góp định kỳ hàng tháng.
  • Áp dụng: Đánh giá điểm tín dụng tự động qua lịch sử quan hệ tài khoản vãng lai tại ABBANK và lịch sử tín dụng không có nợ cần chú ý tại CIC trong 3 năm gần nhất.
       QUY TRÌNH KIỂM SOÁT TÍN DỤNG ĐA TẦNG
  +--------------------+      +--------------------+      +--------------------+
  | Trước khi cho vay  |      |  Trong khi cho vay |      |   Sau khi cho vay  |
  |  - Thẩm định pháp  | ---> |  - Ký HĐTD chuẩn   | ---> |  - Kiểm tra định kỳ|
  |    lý & nguồn thu  |      |  - Giải ngân phong |      |  - Tái định giá TS |
  |  - Định giá TSBĐ   |      |    tỏa/bên thứ 3   |      |  - Đôn đốc thu nợ  |
  +--------------------+      +--------------------+      +--------------------+

Yêu cầu triển khai và Đánh giá Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Yêu cầu hạ tầng: Máy chủ cơ sở dữ liệu đảm bảo tính toàn vẹn thông tin, tích hợp Core Banking và cổng kết nối trực tiếp dữ liệu tín dụng CIC.
  • Lợi ích kinh tế:
    • Tối ưu hóa chi phí trích lập dự phòng nhờ giảm thiểu nợ nhóm 3–5.
    • Tăng trưởng doanh thu từ lãi an toàn khi mở rộng dư nợ CVTD với hệ số rủi ro đã được kiểm soát.
    • Tăng tỷ trọng thu ngoài lãi từ bảo hiểm khoản vay và phí dịch vụ liên quan.

Hạn chế và hướng phát triển

Hạn chế được ghi nhận

  • Dữ liệu phi tài chính còn thiếu chuẩn hóa: Nguồn thông tin về hành vi chi tiêu thực tế của khách hàng tại các tổ chức fintech hoặc sàn thương mại điện tử chưa được liên kết đồng bộ vào kho dữ liệu ngân hàng.
  • Tính thanh khoản của TSBĐ: Quá trình xử lý, phát mại bất động sản khi xảy ra tranh chấp nợ xấu còn phụ thuộc vào thời gian xử lý của cơ quan tố tụng và thi hành án dân sự.

Hướng phát triển và Nghiên cứu tương lai

  • Ứng dụng Trí tuệ nhân tạo (AI & Machine Learning): Thử nghiệm các thuật toán Random Forest, XGBoost và mạng nơ-ron Graph Neural Networks (GNN) để phát hiện gian lận hồ sơ và liên minh vay vốn chéo.
  • Tích hợp Open Banking API: Kết nối API với hệ thống Cơ sở dữ liệu quốc gia về dân cư (Đề án 06) để xác thực danh tính điện tử (eKYC) và kiểm tra tính xác thực của thông tin cư trú, thu nhập.

Đối tượng hưởng lợi

1. Sinh viên và Học viên Cao học ngành Tài chính - Ngân hàng

  • Tiếp cận nguồn tài liệu thực chứng toàn diện về nghiệp vụ cấp tín dụng và quản trị rủi ro tại một chi nhánh ngân hàng thương mại đô thị quy mô lớn.
  • Nắm vững phương pháp luận kết hợp giữa các quy định pháp lý của NHNN (Thông tư 39, Thông tư 11) và các chỉ số tài chính định lượng.

2. Cán bộ Tín dụng và Chuyên viên Quản trị rủi ro

  • Nắm bắt quy trình kiểm soát sai sót 3 giai đoạn (trước, trong và sau giải ngân).
  • Áp dụng các bảng biểu hạn mức cho vay tối đa và thời hạn cho vay theo từng loại TSBĐ cụ thể vào công tác thẩm định thực tế.

3. Ban Lãnh đạo NHTM và Chi nhánh

  • Cơ sở dữ liệu tham khảo để hoạch định chiến lược tăng trưởng dư nợ gắn liền an toàn vốn giai đoạn 2024–2025.
  • Giải pháp hoàn thiện bộ máy quản trị rủi ro độc lập giữa bộ phận kinh doanh (phòng KHCN) và bộ phận quản lý rủi ro/thẩm định tín dụng.

Câu hỏi thường gặp

1. Sự khác biệt căn bản giữa rủi ro giao dịch và rủi ro danh mục trong cho vay tiêu dùng là gì?

Trả lời: Rủi ro giao dịch phát sinh từ việc phân tích, đánh giá sai đối với một khách hàng cá nhân cụ thể hoặc lỗi định giá tài sản bảo đảm của món vay đó. Trong khi đó, rủi ro danh mục phát sinh do cơ cấu cho vay bị tập trung quá mức vào một phân khúc rủi ro cao (như vay mua BĐS đầu cơ) hoặc một khu vực địa lý nhất định mà thiếu sự đa dạng hóa.

2. Tỷ lệ trích lập dự phòng rủi ro tín dụng được tính toán như thế nào?

Trả lời: Tỷ lệ trích lập dự phòng rủi ro CVTD được tính bằng tổng số dự phòng cụ thể (trích lập theo từng nhóm nợ 1 đến 5 sau khi đã khấu trừ giá trị tài sản bảo đảm đủ điều kiện) cộng với dự phòng chung (0,75% tính trên tổng dư nợ từ nhóm 1 đến nhóm 4 trừ tiền gửi) chia cho tổng dư nợ CVTD.

3. Làm thế nào để ngăn chặn tình trạng khách hàng sử dụng vốn vay tiêu dùng sai mục đích?

Trả lời: Ngân hàng áp dụng phương thức giải ngân phong tỏa hoặc chuyển tiền trực tiếp cho bên thứ ba cung cấp hàng hóa/dịch vụ/bất động sản (kèm hóa đơn, hợp đồng mua bán, biên bản bàn giao) thay vì giải ngân tiền mặt trực tiếp cho người đi vay, đồng thời tiến hành kiểm tra thực địa sau giải ngân trong vòng 30 ngày.

4. Tại sao lãi suất cho vay tiêu dùng thường cao hơn cho vay doanh nghiệp?

Trả lời: Do các món vay tiêu dùng có quy mô nhỏ nhưng số lượng món vay rất lớn, đòi hỏi chi phí nhân sự và chi phí quản lý vận hành cao cho từng hồ sơ. Đồng thời, nguồn trả nợ của cá nhân biến động theo thu nhập và công việc, làm tăng chi phí bù đắp rủi ro tín dụng của ngân hàng.

5. Hệ thống xếp hạng tín dụng nội bộ có vai trò gì trong việc phê duyệt khoản vay?

Trả lời: Hệ thống XHTDNB lượng hóa rủi ro của khách hàng thành các hạng mức (từ AAA đến D). Hạng tín dụng là căn cứ trực tiếp để quyết định: đồng ý hay từ chối cho vay, ấn định hạn mức cấp tín dụng, tỷ lệ cho vay trên giá trị định giá tài sản (LTV), mức lãi suất áp dụng và thẩm quyền phê duyệt của cấp Chi nhánh hay Hội sở.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra:

  1. Tổng kết hệ thống lý luận vững chắc: Định hình khung phân loại 4 nhóm rủi ro và quy trình 4 bước quản trị rủi ro tín dụng tiêu dùng phù hợp với chuẩn mực quốc tế và NHNN.
  2. Phân tích sâu sắc bức tranh thực tế tại ABBANK Hà Nội (2021–2023): Minh chứng sự tăng trưởng vững chắc về nguồn vốn (5.534,64 tỷ đồng), dư nợ (5.257,91 tỷ đồng) và lợi nhuận (217,92 tỷ đồng), đồng thời nhận diện chính xác các nguyên nhân chủ quan và khách quan gây áp lực lên tỷ lệ nợ quá hạn và nợ xấu.
  3. Đề xuất hệ thống giải pháp đồng bộ: Hoàn thiện bộ máy thẩm định độc lập, chuẩn hóa mô hình chấm điểm định lượng và siết chặt quy trình kiểm soát sau vay.

Kết quả nghiên cứu mang lại giá trị ứng dụng thực tiễn cao cho Ngân hàng TMCP An Bình – Chi nhánh Hà Nội trong việc duy trì tốc độ tăng trưởng tín dụng bán lẻ an toàn, bền vững và hiệu quả trong giai đoạn 2024–2025.