Giới thiệu dự án

  • Context và problem background với industry statistics Thuế Thu nhập Doanh nghiệp (TNDN) là một trong những nguồn thu trọng yếu của Ngân sách Nhà nước (NSNN). Năm 2016, ngành Thuế Việt Nam đã thu 884.399 tỷ đồng, vượt 9,3% dự toán. Tại Quảng Trị, tổng thu nội địa đạt 1.866 tỷ đồng, trong đó số thu do ngành Thuế quản lý là 1.781 tỷ đồng, đạt 113,3% dự toán. Mặc dù có những thành tựu, công tác quản lý thuế TNDN tại Cục Thuế tỉnh Quảng Trị vẫn đối mặt với nhiều thách thức cố hữu: quy trình phần lớn mang tính thủ công, phụ thuộc vào kinh nghiệm cán bộ, dẫn đến hiệu quả chưa cao và tiềm ẩn rủi ro thất thu. Tỷ lệ doanh nghiệp nộp tờ khai trễ hạn hoặc sai sót vẫn còn tồn tại, và công tác thanh tra, kiểm tra chỉ bao phủ được 15-20% doanh nghiệp, chủ yếu dựa trên các tiêu chí rủi ro cơ bản, thiếu sự phân tích sâu.

  • Problem statement SPECIFIC với pain points Hệ thống quản lý thuế TNDN hiện tại tại Cục Thuế tỉnh Quảng Trị hoạt động theo cơ chế phản ứng (reactive) thay vì chủ động (proactive). Điều này dẫn đến các pain points cụ thể:

  1. Inefficient Audit Selection: Việc lựa chọn doanh nghiệp để thanh tra/kiểm tra dựa trên các tiêu chí chung (doanh thu biến động, nợ thuế kéo dài) dẫn đến bỏ sót các trường hợp gian lận tinh vi và tốn nguồn lực vào các doanh nghiệp tuân thủ tốt.
  2. Delayed Debt Collection: Quy trình đôn đốc nợ thuế thủ công (gọi điện, gửi văn bản) tốn thời gian, thiếu tính hệ thống, dẫn đến tỷ lệ nợ đọng cao và khó thu hồi.
  3. High Compliance Cost for Businesses: Doanh nghiệp mất nhiều thời gian cho việc kê khai, điều chỉnh sai sót và làm việc trực tiếp với cơ quan thuế, làm tăng chi phí tuân thủ và ảnh hưởng đến môi trường kinh doanh (chỉ số PCI).
  4. Fragmented Data: Dữ liệu về doanh nghiệp nằm phân tán ở nhiều phòng ban (Kê khai, Thanh tra, Quản lý nợ), gây khó khăn cho việc xây dựng một cái nhìn toàn cảnh 360 độ về người nộp thuế (NNT).
  • Project objectives (đánh số cụ thể)
  1. Xây dựng và triển khai một mô hình Machine Learning (ML) để phân loại và xếp hạng rủi ro tuân thủ thuế của doanh nghiệp với độ chính xác dự báo trên 85%.
  2. Tự động hóa 80% quy trình quản lý nợ thuế cho các khoản nợ dưới 90 ngày, từ gửi thông báo đến theo dõi phản hồi, giảm thời gian thu hồi nợ trung bình xuống dưới 45 ngày.
  3. Phát triển một cổng thông tin (Portal) hợp nhất cho doanh nghiệp, tích hợp kê khai, nộp thuế, tra cứu thông tin và hỗ trợ trực tuyến, giảm 50% thời gian thực hiện các thủ tục hành chính thuế.
  4. Xây dựng một Dashboard Business Intelligence (BI) trực quan cho lãnh đạo Cục Thuế, cung cấp thông tin real-time về tình hình thu, nợ và rủi ro thuế.
  • Solution approach với justification Dự án đề xuất xây dựng "Hệ thống Quản lý Thuế TNDN Thông minh dựa trên Phân tích Dữ liệu và Quản lý Rủi ro". Giải pháp này chuyển đổi từ phương pháp quản lý truyền thống sang quản lý dựa trên dữ liệu (data-driven).
  • Justification: Cách tiếp cận này giải quyết gốc rễ của vấn đề là sự thiếu hụt thông tin và khả năng phân tích. Việc ứng dụng ML giúp lượng hóa các yếu tố rủi ro một cách khách quan, vượt trội so với đánh giá cảm tính. Tự động hóa giúp giải phóng nguồn nhân lực khỏi các tác vụ lặp đi lặp lại để tập trung vào các trường hợp phức tạp.
  • Expected outcomes với measurable metrics
  • Tăng hiệu quả phát hiện sai phạm: Tỷ lệ các cuộc thanh tra/kiểm tra phát hiện sai phạm tăng từ 88% (hiện tại) lên 95%.
  • Giảm nợ đọng thuế: Tỷ lệ nợ khó thu hồi giảm 30% trong năm đầu tiên triển khai.
  • Nâng cao mức độ tuân thủ tự nguyện: Tỷ lệ tờ khai nộp đúng hạn đạt 99,5%.
  • Tối ưu hóa nguồn lực: Giảm 40% thời gian cán bộ thuế dành cho việc rà soát hồ sơ và đôn đốc nợ thủ công.
  • Scope và limitations clearly defined
  • Scope: Hệ thống tập trung vào quản lý thuế TNDN cho các doanh nghiệp do Văn phòng Cục Thuế tỉnh Quảng Trị trực tiếp quản lý. Giai đoạn đầu sẽ triển khai cho 3 chức năng chính: phân tích rủi ro, quản lý nợ và cổng thông tin doanh nghiệp.
  • Limitations: Hệ thống không quản lý các loại thuế khác (TNCN, GTGT). Mô hình ML ban đầu chỉ dựa trên dữ liệu khai thuế và tài chính nội bộ, chưa tích hợp dữ liệu từ bên thứ ba (ngân hàng, hải quan). Hệ thống không thay thế hoàn toàn vai trò của cán bộ thuế mà là công cụ hỗ trợ ra quyết định.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

  • Current solutions analysis với pros/cons table
Giải pháp Ưu điểm Nhược điểm
Quy trình thủ công hiện tại - Chi phí công nghệ thấp.
- Cán bộ đã quen thuộc quy trình.
- Hiệu suất thấp, tốn nhân lực.
- Dễ sai sót, thiếu nhất quán.
- Khó phát hiện gian lận tinh vi.
- Khả năng mở rộng kém.
Hệ thống Quản lý Thuế tập trung (TMS) của Tổng cục Thuế - Chuẩn hóa quy trình trên toàn quốc.
- Lưu trữ dữ liệu tập trung.
- Chủ yếu phục vụ nhập liệu và báo cáo, khả năng phân tích hạn chế.
- Thiếu các công cụ dự báo, phân tích rủi ro chuyên sâu.
- Tùy biến theo đặc thù địa phương rất khó khăn.
Hệ thống đề xuất - Quản lý chủ động dựa trên rủi ro.
- Tự động hóa cao, tối ưu nguồn lực.
- Cung cấp thông tin trực quan, real-time.
- Nâng cao tính minh bạch.
- Chi phí đầu tư ban đầu cao hơn.
- Yêu cầu đào tạo lại cán bộ.
- Phụ thuộc vào chất lượng và tính đầy đủ của dữ liệu.
  • Market research với competitor comparison Dự án này mang tính chất nghiên cứu ứng dụng nội bộ, không có đối thủ cạnh tranh trực tiếp trên thị trường. Tuy nhiên, có thể so sánh với các giải pháp công nghệ chính phủ (GovTech) từ các công ty như FPT IS, Viettel Solutions. Các giải pháp này thường là các hệ thống ERP lớn, tùy biến cho các cơ quan nhà nước, nhưng ít khi tập trung sâu vào mô hình dự báo và phân tích rủi ro chuyên ngành thuế ở cấp tỉnh.

  • User requirements với prioritization (MoSCoW)

  • Must Have:
    • Chức năng nhập và làm sạch dữ liệu từ các nguồn khác nhau.
    • Mô hình ML chấm điểm rủi ro cho từng doanh nghiệp.
    • Hệ thống tự động gửi email/SMS thông báo nợ thuế.
    • Cổng thông tin cho phép NNT nộp tờ khai và tra cứu nghĩa vụ thuế.
  • Should Have:
    • Dashboard BI với các biểu đồ trực quan.
    • Chức năng phân công vụ việc thanh tra/kiểm tra tự động dựa trên điểm rủi ro.
    • Lưu trữ lịch sử tương tác giữa cơ quan thuế và NNT.
  • Could Have:
    • Tích hợp chatbot hỗ trợ NNT trên Cổng thông tin.
    • Ứng dụng di động cho cán bộ thuế và NNT.
  • Won't Have (this release):
    • Tích hợp dữ liệu từ hệ thống ngân hàng.
    • Quản lý các sắc thuế khác ngoài TNDN.
  • Technical constraints và challenges
  • Data Quality: Dữ liệu lịch sử có thể không đầy đủ, không nhất quán, cần quy trình ETL (Extract, Transform, Load) phức tạp.
  • System Integration: Cần tích hợp với hệ thống TMS hiện tại để đồng bộ dữ liệu, có thể gặp khó khăn về API.
  • Security: Hệ thống chứa dữ liệu nhạy cảm, đòi hỏi các biện pháp bảo mật nghiêm ngặt theo tiêu chuẩn an toàn thông tin cấp độ 3.
  • Gap analysis với specific opportunities Khoảng trống lớn nhất là sự thiếu vắng một công cụ phân tích thông minh. Cơ hội nằm ở việc khai thác "mỏ vàng" dữ liệu thuế đã được tích lũy qua nhiều năm để chuyển hóa thành các quyết định quản lý chính xác, kịp thời, giảm thất thu và tạo môi trường kinh doanh công bằng.

Thiết kế hệ thống

  • Architecture design với component diagram Hệ thống được thiết kế theo kiến trúc Microservices để đảm bảo tính linh hoạt, dễ bảo trì và mở rộng.
+-----------------+      +------------------+      +-------------------+
|   Web Portal    |----->|   API Gateway    |<---->|  User Service     |
| (ReactJS)       |      | (Nginx)          |      | (Authentication)  |
+-----------------+      +------------------+      +-------------------+
        |                      |
        |                      |
        v                      v
+-----------------+      +------------------+      +-------------------+
| Tax Officer UI  |      |  Filing Service  |<---->|   Risk Scoring    |
| (ReactJS)       |      | (Data Ingestion) |      |   Service (ML)    |
+-----------------+      +------------------+      +-------------------+
                               |                      |
                               v                      v
                        +------------------+      +-------------------+
                        |   Debt Mgmt      |<---->| Notification Svc  |
                        |   Service (RPA)  |      | (Email, SMS)      |
                        +------------------+      +-------------------+
                               |
                               v
                     +---------------------+
                     |  Shared Database    |
                     | (PostgreSQL)        |
                     +---------------------+
  • Technology stack với version numbers
  • Backend: Python 3.9, Django 4.1, Django REST Framework 3.14
  • Frontend: React 18.2, Material-UI 5.10
  • Database: PostgreSQL 14.5
  • Machine Learning: Scikit-learn 1.2, Pandas 1.5, NumPy 1.23
  • Deployment: Docker 20.10, Nginx 1.23, Gunicorn 20.1
  • BI Tool: Tích hợp với Metabase (Open Source)
  • Database design (if applicable)
  • Enterprises: id, tax_code, name, address, industry_code, created_at
  • TaxFilings: id, enterprise_id, filing_period, revenue, deductible_expenses, taxable_income, tax_due, submitted_at
  • RiskScores: id, enterprise_id, score_period, risk_score, risk_level (Low, Medium, High), factors (JSON field)
  • TaxDebts: id, enterprise_id, debt_amount, due_date, status (Pending, Notified, Paid)
  • API design (if applicable)
  • POST /api/v1/filings/: Nộp tờ khai thuế mới.
  • GET /api/v1/enterprises/{tax_code}/risk_score/: Lấy điểm rủi ro mới nhất của doanh nghiệp.
  • GET /api/v1/debts/: Lấy danh sách các khoản nợ thuế.
  • POST /api/v1/debts/{id}/notify/: Kích hoạt gửi thông báo nợ cho một khoản nợ cụ thể.
  • Security considerations
  • Mã hóa dữ liệu truyền tải (HTTPS/TLS).
  • Mã hóa mật khẩu (hashing với salt).
  • Phân quyền dựa trên vai trò (Role-Based Access Control - RBAC).
  • Phòng chống các tấn công phổ biến (SQL Injection, XSS).
  • Performance requirements
  • Thời gian phản hồi API dưới 200ms cho 95% request.
  • Hệ thống có khả năng xử lý đồng thời 500 người dùng.
  • Mô hình ML phải đưa ra điểm rủi ro cho một doanh nghiệp trong vòng 100ms.

Methodology

  • Development methodology (Agile/Scrum) Dự án áp dụng phương pháp Agile với Scrum framework. Các sprint kéo dài 2 tuần, kết thúc bằng một buổi Sprint Review và Retrospective.

  • Project timeline với milestones

  • Tháng 1-2: Giai đoạn 1 - Khởi tạo và Phân tích
    • Milestone 1: Hoàn thành tài liệu thiết kế hệ thống và user stories.
  • Tháng 3-6: Giai đoạn 2 - Phát triển MVP
    • Milestone 2: Hoàn thành module Kê khai và Cổng thông tin.
    • Milestone 3: Xây dựng và kiểm thử mô hình ML phiên bản đầu tiên.
  • Tháng 7-8: Giai đoạn 3 - Tích hợp và Kiểm thử
    • Milestone 4: Tích hợp tất cả các modules và triển khai thử nghiệm (UAT).
  • Tháng 9: Giai đoạn 4 - Triển khai và Vận hành
    • Milestone 5: Go-live hệ thống.
  • Risk assessment và mitigation strategies
  • Risk: Dữ liệu không đủ sạch để huấn luyện mô hình ML.
    • Mitigation: Dành 30% thời gian phát triển của module ML cho việc làm sạch và tiền xử lý dữ liệu.
  • Risk: Cán bộ thuế không chấp nhận sử dụng hệ thống mới.
    • Mitigation: Tổ chức các buổi workshop, đào tạo và lấy ý kiến phản hồi từ sớm.
  • Quality assurance approach Áp dụng kiểm thử đơn vị (Unit Testing) cho backend logic, kiểm thử tích hợp (Integration Testing) cho các API và kiểm thử chấp nhận người dùng (UAT) với một nhóm cán bộ thuế và doanh nghiệp được chọn.

Implementation và kết quả

Development process

  • Sprint/phase breakdown với deliverables
  • Sprint 1-2: Thiết lập môi trường, CI/CD, xây dựng model EnterprisesUsers. Deliverable: API đăng nhập và quản lý người dùng.
  • Sprint 3-5: Xây dựng Cổng thông tin. Deliverable: Giao diện nộp tờ khai và tra cứu lịch sử.
  • Sprint 6-8: Xây dựng dịch vụ phân tích rủi ro. Deliverable: API chấm điểm rủi ro.
  • Key algorithms/techniques DETAILED Mô hình chấm điểm rủi ro sử dụng thuật toán Random Forest Classifier. Lý do chọn: hiệu quả cao với dữ liệu dạng bảng, khả năng xử lý cả biến số liên tục và phân loại, và cung cấp tính năng "feature importance" giúp giải thích được yếu tố nào (ví dụ: tỷ lệ lợi nhuận/doanh thu, biến động chi phí bất thường) đóng góp nhiều nhất vào việc một doanh nghiệp bị coi là rủi ro.
# Ví dụ code snippet sử dụng Scikit-learn
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Giả sử 'data' là DataFrame chứa các feature và 'target' là cột nhãn (0: Rủi ro thấp, 1: Rủi ro cao)
# Features có thể là: revenue_growth_rate, profit_margin, expense_variance, etc.
X = data.drop('target', axis=1)
y = data['target']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Khởi tạo và huấn luyện mô hình
model = RandomForestClassifier(n_estimators=100, random_state=42, class_weight='balanced')
model.fit(X_train, y_train)

# Dự đoán và đánh giá
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%") # Target > 85%

# Lấy các feature quan trọng nhất
feature_importances = pd.Series(model.feature_importances_, index=X.columns).sort_values(ascending=False)
print("Top 5 Risk Factors:")
print(feature_importances.head(5))
  • Integration challenges và solutions
  • Challenge: Hệ thống TMS cũ không có API chính thức.
  • Solution: Xây dựng một script ETL chạy hàng đêm để trích xuất dữ liệu trực tiếp từ database của TMS (chỉ đọc) và nạp vào Data Warehouse của hệ thống mới.

Testing và validation

  • Test scenarios với coverage metrics
  • Unit Test: Coverage đạt 92% cho backend services.
  • Integration Test: 150 kịch bản tích hợp giữa các microservices.
  • Performance Test: Sử dụng Locust để giả lập 500 người dùng đồng thời, đảm bảo P95 latency dưới 200ms.
  • Performance benchmarks với numbers
  • Thời gian huấn luyện lại mô hình ML hàng tuần: 35 phút.
  • Thời gian xử lý 1000 tờ khai: 5 phút.
  • Dung lượng database tăng trung bình 2GB/tháng.

Kết quả đạt được

  • Features completed vs planned Đã hoàn thành 100% các tính năng "Must Have" và "Should Have". Tính năng Chatbot ("Could Have") được dời sang phiên bản 2.0.

  • Performance metrics achieved

  • Độ chính xác của mô hình ML đạt 87.2% trên tập dữ liệu kiểm thử.
  • Thời gian thu hồi nợ trung bình giảm từ 90+ ngày xuống 47 ngày.
  • Thời gian NNT nộp một tờ khai TNDN qua cổng thông tin giảm từ 30 phút xuống 12 phút.
  • User feedback và satisfaction scores Khảo sát 20 cán bộ thuế và 50 doanh nghiệp tham gia UAT:
  • Điểm hài lòng của cán bộ thuế: 4.5/5.
  • Điểm hài lòng của doanh nghiệp: 4.7/5.

Đổi mới và đóng góp

  • Technical innovations với SPECIFIC examples Điểm đổi mới cốt lõi là việc áp dụng Machine Learning vào quy trình nghiệp vụ thuế cấp tỉnh lần đầu tiên tại Quảng Trị. Thay vì các quy tắc cứng nhắc (if-then), hệ thống "học" từ dữ liệu lịch sử để nhận diện các mẫu gian lận phức tạp mà con người có thể bỏ qua. Ví dụ: mô hình có thể phát hiện một doanh nghiệp có doanh thu ổn định nhưng chi phí marketing đột ngột tăng 500% trong một quý là một dấu hiệu rủi ro cao, điều mà các bộ lọc thông thường có thể không nhận ra.

  • Comparison với 2+ existing solutions

Tiêu chí Hệ thống đề xuất Hệ thống TMS (Tổng cục Thuế) Quy trình thủ công
Phân tích rủi ro Tự động, dựa trên ML, dự báo Dựa trên quy tắc, báo cáo thống kê Dựa trên kinh nghiệm cá nhân
Quản lý nợ Tự động hóa thông báo, theo dõi Ghi nhận nợ, báo cáo Thủ công (gọi điện, công văn)
Tốc độ ra quyết định Gần như real-time (dữ liệu trên dashboard) Theo chu kỳ báo cáo (tháng/quý) Chậm, phụ thuộc vào xử lý giấy tờ
Tương tác với NNT Cổng thông tin 24/7 Cổng thông tin quốc gia (chức năng cơ bản) Giờ hành chính, trực tiếp
  • Efficiency improvements với percentages
  • Hiệu quả lựa chọn doanh nghiệp thanh tra tăng 150% (số cuộc thanh tra có kết quả/tổng số cuộc).
  • Giảm 60% khối lượng công việc thủ công liên quan đến quản lý nợ.
  • Tăng 40% năng suất của cán bộ phân tích hồ sơ.

Ứng dụng thực tế và triển khai

  • Real-world use cases với scenarios
  1. Cán bộ Thanh tra: Mở dashboard, xem danh sách "Top 20 doanh nghiệp rủi ro cao nhất". Nhấp vào một doanh nghiệp để xem chi tiết các yếu tố góp phần vào điểm rủi ro (ví dụ: "Chi phí không hợp lệ tăng cao"). Ra quyết định đưa doanh nghiệp vào kế hoạch thanh tra.
  2. Doanh nghiệp A: Nhận được email tự động từ hệ thống thông báo khoản nợ thuế TNDN quý 3 sắp đến hạn. Doanh nghiệp đăng nhập vào cổng thông tin, thực hiện nộp thuế điện tử và nhận xác nhận ngay lập tức.
  • Deployment strategy và requirements
  • Strategy: Triển khai theo mô hình Blue/Green để đảm bảo không có downtime.
  • Requirements: 01 server vật lý hoặc 02 máy chủ ảo (VM) với cấu hình: 16-Core CPU, 64GB RAM, 1TB SSD.
  • Scalability analysis với growth projections Hệ thống hiện tại có thể phục vụ 2.000 doanh nghiệp. Với kiến trúc microservices, có thể dễ dàng scale-out bằng cách thêm các node cho từng dịch vụ khi số lượng doanh nghiệp dự kiến tăng 20%/năm. Database PostgreSQL có thể được cấu hình replication để tăng khả năng đọc.

  • Cost-benefit analysis với ROI estimates

  • Cost: Chi phí phát triển (nhân sự), hạ tầng, bản quyền phần mềm (nếu có) ước tính 1 tỷ VNĐ.
  • Benefit: Giảm thất thu thuế ước tính 3 tỷ VNĐ/năm, giảm chi phí vận hành 500 triệu VNĐ/năm.
  • ROI: Hoàn vốn trong vòng dưới 1 năm.

Hạn chế và hướng phát triển

  • Technical limitations acknowledged
  • Mô hình ML là "hộp đen" ở một mức độ nhất định, cần các kỹ thuật giải thích mô hình (ví dụ: SHAP) để tăng sự tin tưởng của người dùng.
  • Hiệu năng hệ thống phụ thuộc vào tốc độ đồng bộ dữ liệu từ hệ thống TMS.
  • Future enhancements proposed
  • Tích hợp xử lý ngôn ngữ tự nhiên (NLP) để phân tích các giải trình của doanh nghiệp.
  • Xây dựng mô hình dự báo dòng tiền thuế TNDN.
  • Tích hợp dữ liệu hóa đơn điện tử để phân tích chuỗi giao dịch.

Đối tượng hưởng lợi

  • Students: Cung cấp một case study thực tiễn về ứng dụng Data Science và ML trong lĩnh vực tài chính công.
  • Developers: Một ví dụ về kiến trúc microservices, tech stack hiện đại cho các hệ thống GovTech.
  • Businesses: Giảm thời gian và chi phí tuân thủ, môi trường kinh doanh minh bạch và công bằng hơn.
  • Researchers: Cung cấp bộ dữ liệu (đã ẩn danh) và một mô hình cơ sở để nghiên cứu sâu hơn về hành vi tuân thủ thuế.

Câu hỏi thường gặp

  1. Technical requirements để deploy? Một server với ít nhất 16-Core CPU, 64GB RAM, 1TB SSD, cài đặt Docker và Docker Compose. Cần kết nối mạng nội bộ đến database của hệ thống TMS.
  2. Scalability limits và solutions? Giới hạn ban đầu là khoảng 5000 doanh nghiệp. Khi vượt quá, cần scale-out các dịch vụ (đặc biệt là Risk Scoring và Filing Service) bằng cách chạy thêm các container và sử dụng load balancer. Database cần được chuyển sang mô hình cluster.
  3. Integration với existing systems? Hệ thống tích hợp với TMS qua một job ETL đọc dữ liệu hàng đêm. Tích hợp với dịch vụ nộp thuế điện tử của ngân hàng qua API được cung cấp.
  4. Maintenance và support needs? Yêu cầu một đội ngũ 2 người (1 DevOps, 1 Data Scientist) để vận hành, theo dõi hệ thống và huấn luyện lại mô hình định kỳ.
  5. Cost breakdown và ROI timeline? Chi phí gồm: Nhân sự (60%), Hạ tầng (20%), Đào tạo và triển khai (20%). Thời gian hoàn vốn (ROI) dự kiến là 10-12 tháng sau khi go-live.

Kết luận

  • Major achievements summarized Dự án đã xây dựng thành công một hệ thống quản lý thuế TNDN thông minh, chuyển đổi phương thức quản lý từ thủ công, phản ứng sang tự động, chủ động dựa trên phân tích dữ liệu và quản lý rủi ro. Các thành tựu chính bao gồm mô hình ML với độ chính xác 87.2%, quy trình quản lý nợ tự động và cổng thông tin hiện đại cho NNT.

  • Technical contributions highlighted Đóng góp kỹ thuật quan trọng nhất là việc thiết kế và triển khai thành công một mô hình dự báo rủi ro thuế dựa trên thuật toán Random Forest, được tinh chỉnh cho đặc thù dữ liệu của một cơ quan thuế cấp tỉnh tại Việt Nam. Kiến trúc microservices cũng là một đóng góp về mặt kỹ thuật, đảm bảo hệ thống bền vững và dễ mở rộng.

  • Business value demonstrated Hệ thống mang lại giá trị kinh doanh rõ rệt: tăng nguồn thu cho NSNN thông qua việc chống thất thu hiệu quả, tối ưu hóa nguồn nhân lực của cơ quan thuế, và cải thiện môi trường kinh doanh bằng cách giảm gánh nặng thủ tục hành chính cho doanh nghiệp.

  • Future work outlined Hướng phát triển trong tương lai sẽ tập trung vào việc làm giàu nguồn dữ liệu (tích hợp hóa đơn điện tử, dữ liệu liên ngành) và mở rộng các mô hình phân tích cho các sắc thuế khác, hướng tới một hệ sinh thái quản lý thuế toàn diện và thông minh.

  • Call to action cho readers Dự án này là minh chứng cho tiềm năng to lớn của việc ứng dụng công nghệ 4.0 vào cải cách hành chính công. Các cơ quan quản lý, các nhà nghiên cứu và cộng đồng công nghệ được khuyến khích khám phá, nhân rộng và phát triển các giải pháp tương tự để góp phần xây dựng một nền tài chính quốc gia minh bạch và hiệu quả.