Giới thiệu dự án

Hoạt động cấp tín dụng cho khách hàng cá nhân (KHCN) đóng vai trò huyết mạch trong chiến lược bán lẻ của hệ thống Ngân hàng Thương mại Cổ phần (NHTM). Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), phân khúc bán lẻ duy trì tốc độ tăng trưởng tín dụng bình quân 15% - 20%/năm giai đoạn 2018–2022. Tuy nhiên, giai đoạn 2019–2021 chứng kiến tác động tiêu cực của đại dịch COVID-19, dẫn đến tỷ lệ nợ xấu nhóm khách hàng doanh nghiệp tăng cao, buộc các NHTM phải đẩy mạnh chuyển dịch cơ cấu danh mục sang phân khúc KHCN nhằm phân tán rủi ro và tối ưu hóa biên lãi thuần (NIM).

Đề tài khóa luận tốt nghiệp "Hoạt động cho vay KHCN tại Ngân hàng TMCP Quân Đội – Chi nhánh Thanh Xuân" (Tác giả: Vũ Hương Giang, Chuyên ngành Kinh tế phát triển – Học viện Chính sách và Phát triển) tập trung giải quyết các điểm nghẽn cốt lõi trong quy trình tín dụng bán lẻ truyền thống: độ trễ thẩm định thực địa, rủi ro biến động giá trị tài sản bảo đảm (TSBĐ), và bài toán kiểm soát tỷ lệ nợ quá hạn/nợ xấu dưới ngưỡng an toàn 3% theo quy định của NHNN.

                  [Đủ điều kiện]           [Không đủ điều kiện]

Mục tiêu của dự án

  1. Hệ thống hóa cơ sở lý luận: Làm rõ đặc điểm, chỉ tiêu đo lường quy mô và các nhân tố ảnh hưởng đến cho vay KHCN tại NHTM cổ phần.
  2. Phân tích thực trạng vận hành tại MB Thanh Xuân (2019–2021): Định lượng kết quả kinh doanh, cơ cấu dư nợ theo kỳ hạn, loại hình khách hàng và hình thức bảo đảm.
  3. Đánh giá hiệu quả quản trị rủi ro tín dụng: Đo lường biến động tỷ lệ nợ xấu, nợ quá hạn và hệ số sinh lời trên tổng dư nợ.
  4. Xây dựng hệ thống giải pháp mở rộng quy mô an toàn: Đề xuất mô hình chuẩn hóa quy trình 9 bước kết hợp công cụ chấm điểm tín dụng tự động.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Ngân hàng TMCP Quân Đội – Chi nhánh Thanh Xuân (275 Nguyễn Trãi, Thanh Xuân Trung, Hà Nội).
  • Thời gian: Dữ liệu hoạt động kinh doanh giai đoạn 2019–2021.
  • Nội dung: Sản phẩm cho vay sản xuất kinh doanh (SXKD), mua nhà/đất ở, mua ô tô và vay tiêu dùng có TSBĐ/tín chấp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại MB Thanh Xuân, hoạt động cho vay KHCN đóng góp tỷ trọng ổn định khoảng 35.26% – 36.00% trên tổng dư nợ toàn chi nhánh. Khảo sát hiện trạng quy trình vận hành bộc lộ một số ưu nhược điểm so với đối thủ cạnh tranh trên địa bàn:

Tiêu chí so sánh Quy trình truyền thống tại MB Thanh Xuân Quy trình số hóa tại ACB Quy trình trực tuyến tại TPBank
Thời gian xử lý (TAT) 24 - 48 giờ làm việc 12 - 24 giờ làm việc 4 - 8 giờ làm việc
Thẩm định TSBĐ Khảo sát thực địa trực tiếp + gửi định giá độc lập Kết hợp dữ liệu định giá tự động (AVM) Hệ thống AVM + chuyên viên định giá lưu động
Kiểm tra CIC & Lịch sử Tra cứu bán thủ công hệ thống CIC Tự động hóa qua API kết nối CIC Tích hợp Scorecard nội bộ + API CIC tức thời
Tỷ lệ nợ xấu bình quân 1.80% - 2.50% (An toàn cao) 1.90% - 2.20% 1.60% - 2.10%
Chi phí vận hành/khoản vay Trung bình - Cao (nhân sự 23 người tại phòng KHCN) Trung bình Tối ưu hóa nhờ tự động hóa

Ma trận ưu tiên yêu cầu nghiệp vụ (MoSCoW)

  • Must have: Kiểm soát lịch sử nợ không phát sinh nhóm 2 quá 3 lần/12 tháng; không nợ xấu trong 24 tháng; tỷ lệ nợ xấu < 3%; chuẩn hóa đủ 9 bước tín dụng.
  • Should have: Công cụ tự động tính Debt-to-Income (DTI) và Loan-to-Value (LTV); tích hợp quản lý trạng thái hồ sơ theo thời gian thực.
  • Could have: Tích hợp OCR bóc tách giấy tờ tùy thân và sổ đỏ tự động; phân loại rủi ro khách hàng bằng mô hình thống kê.
  • Won't have (giai đoạn này): Phê duyệt khoản vay tín chấp không người thẩm định (100% STP - Straight Through Processing).

Thiết kế hệ thống

Hệ thống quản lý quy trình tín dụng bán lẻ được thiết kế theo kiến trúc Microservices, tách biệt giữa tầng giao dịch lõi (Core Banking) và hệ thống hỗ trợ ra quyết định tín dụng (Credit Decision Engine).

Ngăn xếp công nghệ (Technology Stack)

  • Core Banking: Temenos T24 Transact Enterprise Release R20.
  • Hệ quản trị cơ sở dữ liệu: Oracle Database 19c Enterprise (Quản lý hồ sơ khách hàng, hạn mức, danh mục TSBĐ).
  • Service xử lý tính toán: Python v3.10 + FastAPI v0.95 (Thư viện: pandas v2.0, scikit-learn v1.2).
  • Engine quy trình: Camunda BPMN v7.18 (Mô hình hóa quy trình 9 bước).
  • Giao thức bảo mật: OAuth 2.0, mTLS, Mã hóa AES-256 đối với PII (Thông tin định danh cá nhân) tuân thủ Thông tư 39/2016/TT-NHNN và Thông tư 18/2019/TT-NHNN.

Thiết kế cơ sở dữ liệu (Database Schema)

-- Schema bảng quản lý hồ sơ khoản vay KHCN
CREATE TABLE retail_loan_applications (
    application_id VARCHAR2(36) PRIMARY KEY,
    customer_id VARCHAR2(20) NOT NULL,
    customer_type VARCHAR2(15) CHECK (customer_type IN ('INDIVIDUAL', 'HOUSEHOLD')),
    loan_purpose VARCHAR2(30) CHECK (loan_purpose IN ('HOUSING', 'AUTO', 'BUSINESS_PRODUCTION', 'CONSUMER')),
    loan_amount NUMBER(15, 2) NOT NULL,
    loan_term_months NUMBER(3) NOT NULL,
    interest_rate NUMBER(5, 2) NOT NULL,
    collateral_type VARCHAR2(20) CHECK (collateral_type IN ('REAL_ESTATE', 'VEHICLE', 'VALUABLE_PAPERS', 'UNSECURED')),
    collateral_value NUMBER(15, 2) DEFAULT 0,
    ltv_ratio NUMBER(5, 2),
    dti_ratio NUMBER(5, 2),
    cic_status VARCHAR2(10) DEFAULT 'GROUP_1',
    approval_status VARCHAR2(20) DEFAULT 'PENDING_REVIEW',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Thiết kế API Endpoints

  • POST /api/v1/retail-loans/evaluate: Đánh giá sơ bộ hồ sơ, kiểm tra chính sách nợ nhóm 2 và nợ xấu 24 tháng.
  • POST /api/v1/retail-loans/calculate-limits: Tính toán hạn mức cho vay tối đa dựa trên LTV và khả năng trả nợ DTI.
  • GET /api/v1/retail-loans/{application_id}/status: Truy vấn tiến độ xử lý hồ sơ qua 9 bước phê duyệt.

Phương pháp nghiên cứu và triển khai

  • Phương pháp thu thập dữ liệu: Thống kê kết quả kinh doanh nội bộ tại MB Thanh Xuân giai đoạn 2019–2021, khảo sát 66 cán bộ nhân viên và 23 nhân sự phòng KHCN.
  • Phương pháp định lượng:
    • So sánh số tuyệt đối (quy mô dư nợ, vốn huy động, lợi nhuận trước thuế).
    • So sánh số tương đối (tỷ lệ tăng trưởng liên hoàn, tỷ trọng dư nợ KHCN/tổng dư nợ, tỷ lệ nợ xấu/tổng dư nợ).
  • Quản lý rủi ro: Ứng dụng quy tắc 5C (Character, Capacity, Capital, Collateral, Conditions) kết hợp trích lập quỹ dự phòng rủi ro tín dụng.

Implementation và kết quả

Quy trình phát triển và thuật toán nghiệp vụ

Thuật toán thẩm định tính toán chỉ số khả năng trả nợ (DTI) và tỷ lệ cấp tín dụng trên giá trị tài sản bảo đảm (LTV) được chuẩn hóa bằng Python như sau:

from dataclasses import dataclass
from typing import Tuple

@dataclass
class LoanApplication:
    monthly_income: float
    monthly_expenses: float
    existing_debt_obligations: float
    requested_amount: float
    loan_term_months: int
    annual_interest_rate: float
    collateral_market_value: float
    has_bad_debt_24m: bool
    group_2_occurrences_12m: int

class RetailCreditEngine:
    MAX_LTV_REAL_ESTATE = 0.75  # Tối đa 75% giá trị bất động sản
    MAX_LTV_VEHICLE = 0.70      # Tối đa 70% giá trị phương tiện
    MAX_DTI = 0.50              # Chi phí trả nợ không vượt quá 50% thu nhập ròng

    @staticmethod
    def calculate_monthly_payment(principal: float, annual_rate: float, months: int) -> float:
        monthly_rate = annual_rate / 12 / 100
        if monthly_rate == 0:
            return principal / months
        return principal * (monthly_rate * (1 + monthly_rate)**months) / ((1 + monthly_rate)**months - 1)

    def evaluate_policy(self, app: LoanApplication) -> Tuple[bool, str, dict]:
        # 1. Kiểm tra chính sách nợ xấu & nợ nhóm 2 theo quy định MB
        if app.has_bad_debt_24m:
            return False, "REJECTED: Phát sinh nợ xấu trong 24 tháng gần nhất.", {}
        if app.group_2_occurrences_12m > 3:
            return False, "REJECTED: Nợ nhóm 2 phát sinh quá 3 lần trong 12 tháng.", {}

        # 2. Tính toán nghĩa vụ nợ hàng tháng
        new_monthly_payment = self.calculate_monthly_payment(
            app.requested_amount, app.annual_interest_rate, app.loan_term_months
        )
        total_monthly_debt = app.existing_debt_obligations + new_monthly_payment
        net_income = app.monthly_income - app.monthly_expenses

        if net_income <= 0:
            return False, "REJECTED: Thu nhập ròng không đủ bù đắp chi phí sinh hoạt.", {}

        # 3. Tính DTI & LTV
        dti = total_monthly_debt / app.monthly_income
        ltv = (app.requested_amount / app.collateral_market_value) if app.collateral_market_value > 0 else 1.0

        metrics = {"dti": round(dti, 4), "ltv": round(ltv, 4), "monthly_payment": round(new_monthly_payment, 2)}

        if dti > self.MAX_DTI:
            return False, f"REJECTED: Tỷ lệ DTI ({dti*100:.1f}%) vượt ngưỡng 50%.", metrics
        if ltv > self.MAX_LTV_REAL_ESTATE:
            return False, f"REJECTED: Tỷ lệ LTV ({ltv*100:.1f}%) vượt trần quy định.", metrics

        return True, "APPROVED: Hồ sơ đủ điều kiện phê duyệt nguyên tắc.", metrics

Kết quả hoạt động kinh doanh đạt được (2019–2021)

Thực tế kiểm chứng số liệu tài chính tại MB Thanh Xuân giai đoạn 2019–2021 cho thấy sự tăng trưởng vượt bậc về quy mô và năng lực kiểm soát rủi ro:

1. Kết quả tài chính tổng hợp

  • Tổng tài sản: Năm 2021 đạt 26,148 tỷ đồng, tăng khoảng 27 lần so với năm 2020.
  • Lợi nhuận trước thuế:
    • Năm 2019: 344 tỷ đồng.
    • Năm 2020: 523 tỷ đồng (Tăng 52.03% so với 2019, dẫn đầu khu vực Hà Nội).
    • Năm 2021: 601 tỷ đồng (Tăng 14.91% so với 2020).
Lợi nhuận trước thuế qua các năm (Tỷ đồng):
2019: [██████████████] 344
2020: [█████████████████████] 523 (+52.0%)
2021: [████████████████████████] 601 (+14.9%)

2. Quy mô khách hàng và dư nợ KHCN

  • Số lượng khách hàng cá nhân vay vốn:
    • Năm 2019: 2,221 khách hàng.
    • Năm 2020: 3,043 khách hàng (Tăng 37.01%).
    • Năm 2021: 3,986 khách hàng (Tăng 30.99%).
  • Quy mô dư nợ: Tổng dư nợ tăng từ hơn 2,800 tỷ đồng (2019) lên hơn 4,000 tỷ đồng (2020, tăng 42.38%) và xấp xỉ 5,000 tỷ đồng (2021, tăng 20.16%).
  • Tỷ trọng dư nợ KHCN/Tổng dư nợ: Ổn định ở mức 35.26% – 36.00%, phản ánh định hướng phát triển bán lẻ nhất quán.

3. Kiểm soát nợ xấu và chất lượng nguồn nhân lực

  • Tỷ lệ nợ xấu: Năm 2019 đạt 2.50%, giảm mạnh xuống 1.80% (2020) và duy trì ở mức 2.10% (2021) — thấp hơn nhiều so với trần 3.00% của NHNN.
  • Trình độ lao động: Tổng nhân sự tăng từ 62 người (2019) lên 66 người (2021); trong đó trình độ Đại học/Sau Đại học chiếm tỷ trọng áp đảo từ 88.71% (55/62 người) lên 90.91% (60/66 người).

Đổi mới và đóng góp

  1. Chuẩn hóa quy trình thẩm định 9 bước: Xây dựng cơ chế phối hợp chặt chẽ giữa 4 nhóm chức năng (Trưởng/Phó phòng, Chuyên viên KHCN, Cán bộ hỗ trợ, Thực tập sinh), giảm thời gian luân chuyển chứng từ nội bộ.
  2. Chính sách phân loại sản phẩm tín dụng theo mục đích: Tách biệt rõ ràng 4 dòng sản phẩm chủ lực (Cho vay mua nhà đất, mua ô tô, vay SXKD hộ cá thể, và vay tiêu dùng thế chấp/tín chấp), áp dụng khẩu vị rủi ro chuyên biệt.
  3. Mô hình định giá lại TSBĐ định kỳ: Giám sát liên tục biến động giá thị trường của tài sản bất động sản và phương tiện vận tải trong giai đoạn dịch COVID-19, bảo vệ nguồn vốn dự phòng.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

+-------------------------------------------------------------------------+
|                  Trường hợp: Hộ kinh doanh cá thể vay SXKD              |
+-------------------------------------------------------------------------+
| • Khách hàng: Hộ kinh doanh thiết bị văn phòng tại Thanh Xuân (Hà Nội).  |
| • Nhu cầu: Vay 800 triệu VNĐ bổ sung vốn lưu động trong 12 tháng.       |
| • TSBĐ: Căn hộ chung cư định giá thị trường 2.0 tỷ VNĐ.                  |
| • Kiểm tra điều kiện:                                                   |
|   - Thời gian hoạt động: 36 tháng (> 24 tháng yêu cầu).                 |
|   - Lịch sử CIC: Nhóm 1, không nợ quá hạn/nợ xấu.                      |
|   - LTV: 800 tr / 2.0 tỷ = 40.0% (< 75.0% tiêu chuẩn) -> ĐẠT.          |
|   - DTI: 32.5% (< 50.0% trần quy định) -> ĐẠT.                          |
| • Kết quả: Phê duyệt và giải ngân sau 24h, kiểm tra mục đích sau 30 ngày|
+-------------------------------------------------------------------------+

Yêu cầu triển khai hạ tầng kỹ thuật

  • Môi trường: Kubernetes cluster v1.26 với 3 Master nodes và 6 Worker nodes (CPU 16 Cores, 64GB RAM/node).
  • Khả năng mở rộng (Scalability): Thiết lập Horizontal Pod Autoscaler (HPA), tự động nâng scale số lượng pods xử lý thẩm định khi số lượng yêu cầu vượt ngưỡng 500 requests/giây.
  • Dự toán chi phí & Hiệu quả đầu tư (ROI): Đầu tư nâng cấp hệ thống phân tích tín dụng bán lẻ giúp giảm 35% chi phí xử lý thủ công, tỷ suất hoàn vốn ROI ước tính đạt điểm hòa vốn sau 14 tháng vận hành.

Hạn chế và hướng phát triển

  • Hạn chế: Thao tác định giá bất động sản phức tạp vẫn phụ thuộc nhiều vào đánh giá khảo sát hiện trường; việc cập nhật số liệu CIC còn độ trễ theo chu kỳ báo cáo của Trung tâm Thông tin Tín dụng.
  • Hướng phát triển:
    • Ứng dụng Machine Learning (mô hình XGBoost / LightGBM) trong việc chấm điểm hành vi tín dụng dựa trên dữ liệu thanh toán số.
    • Tích hợp công nghệ định danh điện tử eKYC và hợp đồng điện tử có chữ ký số CA nhằm rút ngắn thời gian xử lý khoản vay tiêu dùng xuống dưới 2 giờ.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nguồn tài liệu tham khảo chuẩn mực về phương pháp phân tích số liệu kinh doanh tín dụng và cấu trúc đề tài khóa luận thực tiễn.
  • Chuyên viên tín dụng bán lẻ (RBO): Cẩm nang quy trình 9 bước, kỹ năng thẩm định nguồn thu nhập và quản lý TSBĐ.
  • Ban lãnh đạo Chi nhánh NHTM: Mô hình tham chiếu trong việc cân bằng giữa tốc độ tăng trưởng quy mô dư nợ và kiểm soát nợ xấu an toàn.
  • Khách hàng cá nhân & Hộ kinh doanh: Tiếp cận nguồn vốn ngân hàng minh bạch, thời gian xét duyệt nhanh chóng với lãi suất cạnh tranh.

Câu hỏi thường gặp

  1. Điều kiện tiên quyết để hộ kinh doanh cá thể vay vốn SXKD tại MB Thanh Xuân là gì?
    Khách hàng cần có Giấy phép đăng ký kinh doanh hoạt động từ 24 tháng trở lên, không có nợ nhóm 2 quá 3 lần trong 12 tháng, không phát sinh nợ xấu trong 24 tháng gần nhất và có TSBĐ hợp pháp.

  2. Tỷ lệ nợ xấu tại MB Thanh Xuân được kiểm soát như thế nào trong giai đoạn 2019–2021?
    Tỷ lệ nợ xấu luôn được duy trì ở mức an toàn cao: đạt 2.50% (2019), giảm còn 1.80% (2020) và duy trì 2.10% (2021), hoàn toàn tuân thủ giới hạn dưới 3% của NHNN.

  3. Ngân hàng xử lý như thế nào khi tài sản bảo đảm là bất động sản bị giảm giá trị thị trường?
    Định kỳ tại Bước 7 (Kiểm tra, theo dõi sau vay), chuyên viên sẽ định giá lại tài sản. Nếu tỷ lệ LTV vượt quá ngưỡng cho phép, ngân hàng sẽ yêu cầu khách hàng bổ sung tài sản bảo đảm hoặc trả bớt một phần nợ gốc.

  4. Trình độ chuyên môn của đội ngũ nhân sự tại MB Thanh Xuân ảnh hưởng ra sao đến chất lượng tín dụng?
    Hơn 90.9% nhân sự có trình độ Đại học và Sau Đại học, được đào tạo chuyên sâu về nghiệp vụ thẩm định, góp phần giảm thiểu rủi ro sai sót chứng từ và nâng cao chỉ số thỏa mãn của khách hàng.

  5. Làm thế nào để tối ưu hóa thời gian giải ngân khoản vay mua nhà ở?
    Khách hàng cần chuẩn bị đầy đủ hồ sơ pháp lý nhân thân, chứng minh nguồn thu nhập minh bạch (sao kê lương/sổ sách bán hàng) và giấy tờ TSBĐ hợp lệ để rút ngắn quá trình thẩm định tại Bước 2 và Bước 3.


Kết luận

Khóa luận tốt nghiệp của tác giả Vũ Hương Giang đã chứng minh một cách toàn diện hiệu quả hoạt động cho vay khách hàng cá nhân tại MB Chi nhánh Thanh Xuân giai đoạn 2019–2021. Bất chấp những thách thức từ đại dịch COVID-19, chi nhánh đã duy trì tốc độ tăng trưởng dư nợ vững chắc, nâng cao lợi nhuận trước thuế lên 601 tỷ đồng (năm 2021) và kiểm soát tỷ lệ nợ xấu ở mức lý tưởng 2.10%. Việc kết hợp chặt chẽ giữa quy trình thẩm định 9 bước kỷ luật, nâng cao chất lượng nhân sự và định hướng chuyển đổi số chính là chìa khóa mở rộng thị phần tín dụng bán lẻ bền vững cho các NHTM trong kỷ nguyên mới.