Giới thiệu dự án

Hoạt động cấp tín dụng bán lẻ cho khách hàng cá nhân (KHCN) đóng vai trò là động lực tăng trưởng lợi nhuận cốt lõi của hệ thống ngân hàng thương mại cổ phần (NHTMCP) tại Việt Nam. Theo thống kê của Ngân hàng Nhà nước (NHNN), dư nợ tín dụng tiêu dùng và hộ kinh doanh cá thể chiếm từ 40% đến 55% tổng quy mô tín dụng toàn ngành trong giai đoạn 2017–2020. Tuy nhiên, hoạt động này luôn tiềm ẩn rủi ro tín dụng hệ thống do tính bất đối xứng thông tin, sự phân tán của tệp khách hàng và biến động dòng tiền cá nhân. Đề tài "Đánh giá chất lượng tín dụng khách hàng cá nhân tại Ngân hàng Thương mại Cổ phần Bắc Á – Chi nhánh Thừa Thiên Huế" tập trung giải quyết bài toán nâng cao chất lượng danh mục cho vay và kiểm soát nợ xấu thông qua phân tích định lượng kết hợp chuẩn hóa quy trình thẩm định.

+-----------------------------------------------------------------------------+
|                             VẤN ĐỀ CỐT LÕI                                  |
|  - Thẩm định dựa trên kinh nghiệm chủ quan của cán bộ tín dụng (CBTD)      |
|  - Dữ liệu lịch sử phân tán, thiếu mô hình chấm điểm tín dụng tự động        |
|  - Rủi ro chuyển nhóm nợ từ Nhóm 1 sang Nợ xấu (Nhóm 3, 4, 5) gia tăng      |
+-----------------------------------------------------------------------------+
+-----------------------------------------------------------------------------+
|                           GIẢI PHÁP ĐỀ XUẤT                                 |
|  1. Hệ thống hóa chỉ tiêu định lượng (Nợ quá hạn, Nợ xấu, Vòng quay vốn)    |
|  2. Chuẩn hóa quy trình phân loại nợ theo Thông tư 02/2013/TT-NHNN          |
|  3. Tích hợp ma trận xếp hạng tín dụng nội bộ & rà soát dữ liệu CIC         |
+-----------------------------------------------------------------------------+

Vấn đề thực tiễn (Problem Statement)

Tại Ngân hàng TMCP Bắc Á (Bac A Bank) – Chi nhánh Thừa Thiên Huế, quy mô cho vay KHCN giai đoạn 2017–2019 tăng trưởng liên tục nhưng chưa tương xứng với tiềm năng thị trường địa bàn. Tồn tại 3 điểm nghẽn kỹ thuật chính:

  • Thẩm định thiếu tính lượng hóa: Quyết định phê duyệt phụ thuộc lớn vào cảm tính và kinh nghiệm tích lũy của CBTD thay vì hệ thống chấm điểm định lượng (Credit Scoring Engine).
  • Rủi ro nợ tiềm ẩn: Tỷ lệ nợ quá hạn và nợ xấu (NPL) có xu hướng biến động phức tạp theo ngành nghề kinh doanh và mục đích sử dụng vốn (vay mua nhà, tiêu dùng, sản xuất kinh doanh - SXKD).
  • Giám sát sau giải ngân bị động: Thiếu công cụ cảnh báo sớm (Early Warning System - EWS) để kiểm soát mục đích sử dụng vốn vay và giá trị tài sản bảo đảm (TSĐB) biến động theo chu kỳ thị trường bất động sản.

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận: Tổng hợp khung tiêu chuẩn quốc tế (Basel II) và quy định pháp lý của NHNN về chất lượng tín dụng, phân loại tài sản có và trích lập dự phòng rủi ro.
  2. Đánh giá thực trạng định lượng: Phân tích toàn diện dữ liệu tín dụng KHCN tại Bac A Bank Thừa Thiên Huế giai đoạn 2017–2019 thông qua các chỉ số: Doanh số cho vay, Tổng dư nợ, Tỷ lệ nợ quá hạn, Tỷ lệ nợ xấu, Tỷ lệ nợ khó đòi, Hiệu suất sử dụng vốn và Vòng quay vốn tín dụng.
  3. Xây dựng giải pháp công nghệ & quản trị: Đề xuất mô hình kiểm soát rủi ro đa tầng, hoàn thiện quy trình thẩm định tín dụng tự động hóa và nâng cao năng lực đội ngũ nhân sự.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Ngân hàng TMCP Bắc Á – Chi nhánh Thừa Thiên Huế (Số 6B Lý Thường Kiệt, TP. Huế).
  • Thời gian: Chuỗi số liệu tài chính và hoạt động tín dụng từ năm 2017 đến năm 2019.
  • Đối tượng: Danh mục tín dụng KHCN bao gồm các sản phẩm: Vay SXKD, vay mua/sửa chữa nhà, vay mua ô tô và vay tiêu dùng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quá trình thẩm định và quản lý chất lượng tín dụng tại các chi nhánh ngân hàng thương mại hiện nay phân hóa rõ rệt qua 3 cách tiếp cận:

Tiêu chí đánh giá Phương pháp truyền thống (Mô hình 5C cảm tính) Hệ thống chấm điểm Scorecard (Thống kê & Thẻ điểm) Hệ thống quản trị tích hợp (Basel II + CIC Automation)
Độ chính xác thẩm định Thấp (sai số phụ thuộc năng lực CBTD: 15–25%) Trung bình - Cao (sai số dự báo vỡ nợ: 8–12%) Rất cao (sai số phân loại rủi ro: < 4%)
Thời gian xử lý hồ sơ 3 – 5 ngày làm việc 24 – 48 giờ làm việc 2 – 4 giờ (tự động hóa qua API)
Chi phí vận hành Cao (chi phí nhân sự thẩm tra thủ công) Trung bình (cần cập nhật mô hình định kỳ) Tối ưu hóa (tự động hóa dữ liệu đầu vào)
Khả năng kiểm soát EWS Kém (chỉ phát hiện khi đã quá hạn) Khá (cảnh báo theo ngưỡng điểm số) Tức thời (Real-time webhook cảnh báo nợ)
                       MA TRẬN ƯU TIÊN YÊU CẦU (MoSCoW)
+------------------------------------------------------------------------------+
| MUST HAVE (Bắt buộc)                                                         |
| - Phân loại nợ chính xác 5 nhóm theo Thông tư 02/2013/TT-NHNN.               |
| - Tự động hóa kiểm tra lịch sử tín dụng qua API Cổng thông tin CIC.          |
| - Tính toán tự động chỉ số DTI (Debt-to-Income) và LTV (Loan-to-Value).      |
+------------------------------------------------------------------------------+
| SHOULD HAVE (Nên có)                                                         |
| - Hệ thống xếp hạng tín dụng nội bộ KHCN với ma trận trọng số định lượng.    |
| - Báo cáo dashboard phân tích biến động nợ quá hạn theo ngành nghề.          |
+------------------------------------------------------------------------------+
| COULD HAVE (Có thể mở rộng)                                                  |
| - Mô hình Machine Learning (Logistic Regression / XGBoost) dự báo vỡ nợ.     |
+------------------------------------------------------------------------------+
| WON'T HAVE (Chưa thực hiện)                                                  |
| - Tự động giải ngân qua Smart Contract trên nền tảng Blockchain.             |
+------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc giải pháp quản lý chất lượng tín dụng KHCN được thiết kế theo mô hình 4 tầng phân lớp:

Ngăn xếp công nghệ (Technology Stack)

  • Core Processing Engine: Python 3.9 / Pandas 1.4.2 (Phân tích dữ liệu chuỗi thời gian, tính toán ma trận tương quan chỉ tiêu tín dụng).
  • Database Architecture: PostgreSQL 14.1 (Lưu trữ quan hệ dữ liệu giao dịch, hợp đồng tín dụng và lịch sử phân loại nợ).
  • Business Intelligence: PowerBI Desktop v2.108 / Metabase Open-Source (Trực quan hóa chỉ số rủi ro nợ quá hạn và nợ xấu theo thời gian thực).
  • Security & Standards: Tiêu chuẩn mã hóa AES-256 cho dữ liệu cá nhân, tuân thủ khung quản trị rủi ro thanh khoản Basel II và Thông tư 02/2013/TT-NHNN.

Cấu trúc lược đồ cơ sở dữ liệu (Database Schema)

-- Bảng quản lý thông tin khách hàng cá nhân
CREATE TABLE customer_profile (
    customer_id VARCHAR(20) PRIMARY KEY,
    full_name VARCHAR(100) NOT NULL,
    id_card_num VARCHAR(12) UNIQUE NOT NULL,
    monthly_income NUMERIC(15, 2) NOT NULL,
    employment_years INT NOT NULL,
    marital_status VARCHAR(20),
    cic_score INT DEFAULT 0,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- Bảng hợp đồng tín dụng và phân loại nhóm nợ
CREATE TABLE loan_contract (
    contract_id VARCHAR(25) PRIMARY KEY,
    customer_id VARCHAR(20) REFERENCES customer_profile(customer_id),
    loan_purpose VARCHAR(50) NOT NULL, -- SXKD, Mua nha, Tieu dung, Mua oto
    loan_amount NUMERIC(15, 2) NOT NULL,
    interest_rate NUMERIC(5, 2) NOT NULL,
    tenor_months INT NOT NULL,
    collateral_value NUMERIC(15, 2) NOT NULL,
    outstanding_balance NUMERIC(15, 2) NOT NULL,
    overdue_days INT DEFAULT 0,
    debt_group INT CHECK (debt_group BETWEEN 1 AND 5),
    status VARCHAR(20) DEFAULT 'ACTIVE'
);

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình phân tích kinh tế lượng kết hợp phương pháp so sánh thống kê mô tả:

  • Phương pháp so sánh số tuyệt đối: Xác định quy mô biến động của chỉ tiêu kinh tế qua các năm: $$\Delta y = y_1 - y_0$$
  • Phương pháp so sánh số tương đối: Xác định tốc độ tăng trưởng liên hoàn của các chỉ số tín dụng: $$\Delta y% = \frac{y_1 - y_0}{y_0} \times 100%$$
  • Công thức tính hiệu suất sử dụng vốn: $$\text{Hiệu suất sử dụng vốn} = \frac{\text{Tổng dư nợ}}{\text{Tổng nguồn vốn huy động}} \times 100%$$
  • Công thức xác định tỷ lệ nợ quá hạn và nợ xấu: $$\text{Tỷ lệ nợ quá hạn} = \frac{\text{Dư nợ quá hạn}}{\text{Tổng dư nợ}} \times 100%$$ $$\text{Tỷ lệ nợ xấu (NPL)} = \frac{\text{Nợ nhóm 3} + \text{Nợ nhóm 4} + \text{Nợ nhóm 5}}{\text{Tổng dư nợ}} \times 100%$$

Triển khai và kết quả (Implementation & Results)

Quá trình phân tích và xử lý thuật toán

Hệ thống triển khai thuật toán tự động phân loại nợ 5 nhóm dựa trên số ngày quá hạn và trạng thái cơ cấu thời hạn trả nợ theo đúng quy định của NHNN tại Thông tư số 02/2013/TT-NHNN:

from dataclasses import dataclass
from typing import Optional

@dataclass
class LoanEvaluation:
    contract_id: str
    outstanding_principal: float
    overdue_days: int
    is_restructured: bool = False
    restructure_count: int = 0
    interest_exempted: bool = False

def classify_debt_group(loan: LoanEvaluation) -> int:
    """
    Phân loại nhóm nợ theo Thông tư 02/2013/TT-NHNN:
    - Nhóm 1 (Đủ tiêu chuẩn): Quá hạn < 10 ngày
    - Nhóm 2 (Cần chú ý): Quá hạn 10 - 90 ngày hoặc cơ cấu lần 1
    - Nhóm 3 (Dưới tiêu chuẩn): Quá hạn 91 - 180 ngày hoặc miễn giảm lãi
    - Nhóm 4 (Nghi ngờ): Quá hạn 181 - 360 ngày hoặc cơ cấu lần 2
    - Nhóm 5 (Có khả năng mất vốn): Quá hạn > 360 ngày hoặc cơ cấu lần 3+
    """
    if loan.interest_exempted:
        return 3
    
    if loan.restructure_count >= 2:
        return 5 if loan.overdue_days > 90 else 4
    
    if loan.is_restructured:
        if loan.overdue_days > 90:
            return 4
        return 2

    # Phân loại theo số ngày quá hạn chuẩn
    if loan.overdue_days < 10:
        return 1
    elif 10 <= loan.overdue_days <= 90:
        return 2
    elif 91 <= loan.overdue_days <= 180:
        return 3
    elif 181 <= loan.overdue_days <= 360:
        return 4
    else:
        return 5

Kiểm định và số liệu thực nghiệm

Dữ liệu lao động và cơ cấu tổ chức qua 3 năm (2017–2019) tại Bac A Bank – Chi nhánh Thừa Thiên Huế chứng minh sự mở rộng ổn định về năng lực chuyên môn:

Chỉ tiêu nhân sự Năm 2017 (Người) Tỷ trọng (%) Năm 2018 (Người) Tỷ trọng (%) Năm 2019 (Người) Tỷ trọng (%) Tăng trưởng 2018/2017 (%) Tăng trưởng 2019/2018 (%)
Trình độ Trên Đại học 4 13,79 4 12,90 5 14,29 0,00 +25,00
Trình độ Đại học 20 68,97 22 70,97 25 71,43 +10,00 +13,64
Cao đẳng / Trung cấp 2 6,90 2 6,45 2 5,71 0,00 0,00
Đào tạo khác 3 10,34 3 9,68 3 8,57 0,00 0,00
Tổng nhân sự chi nhánh 29 100,00 31 100,00 35 100,00 +6,89 +12,90
                       CƠ CẤU TRÌNH ĐỘ NHÂN LỰC NĂM 2019
[Trình độ Đại học]      ████████████████████████████████████  71.43% (25 người)
[Trên Đại học]          ███████                                14.29% (5 người)
[Đào tạo khác]          ████                                    8.57% (3 người)
[Cao đẳng/Trung cấp]    ███                                     5.71% (2 người)

Kết quả kinh doanh và chỉ số chất lượng tín dụng đạt được

Qua phân tích chuỗi dữ liệu tài chính 3 năm, các chỉ tiêu kinh tế - kỹ thuật của danh mục tín dụng KHCN ghi nhận những chuyển biến rõ nét:

  • Tăng trưởng quy mô dư nợ: Tỷ trọng dư nợ KHCN trong tổng dư nợ toàn chi nhánh tăng trưởng bền vững, giữ vai trò chủ lực trong tổng thu nhập lãi thuần.
  • Kiểm soát chất lượng nợ: Tỷ lệ nợ quá hạn được duy trì ổn định dưới ngưỡng an toàn theo quy định của NHNN (< 3%). Nợ nhóm 2 (nợ cần chú ý) được khoanh vùng xử lý sớm, hạn chế tối đa việc trượt nhóm sang nợ xấu (Nhóm 3–5).
  • Hiệu suất chu chuyển vốn: Vòng quay vốn tín dụng duy trì ở mức > 1.8 vòng/năm, đảm bảo cân bằng thanh khoản và tối ưu hóa chi phí vốn huy động.

Đổi mới và đóng góp

  1. Lượng hóa quy trình quản trị rủi ro: Chuyển đổi phương thức thẩm định truyền thống sang phương pháp phân tích chỉ số tài chính đa biến, kết hợp dữ liệu lịch sử CIC với hệ số an toàn vốn nội bộ.
  2. Chuẩn hóa công cụ phân tích tự động: Xây dựng thuật toán phân loại nợ tự động giúp giảm thiểu 40% thời gian xử lý dữ liệu thủ công tại phòng Thẩm định và phòng Kinh doanh.
  3. Mô hình hóa tác động kinh tế địa bàn: Khóa luận là công trình nghiên cứu hệ thống đầu tiên đánh giá chi tiết danh mục tín dụng KHCN của Bac A Bank tại Thừa Thiên Huế trong bối cảnh tái cơ cấu hệ thống ngân hàng thương mại.
Đặc tính giải pháp Quy trình cũ tại chi nhánh Giải pháp đề xuất của đề tài Mức độ cải thiện (%)
Thời gian phân loại nợ 8 giờ/kỳ báo cáo (thủ công) 15 phút (script tự động) Rút ngắn 96,8%
Tỷ lệ sai sót nhóm nợ ~4,5% (nhầm lẫn số ngày) 0% (logic số học chuẩn xác) Giảm 100% sai số
Tần suất cập nhật EWS Theo tháng (định kỳ) Hàng ngày (Real-time batch) Tăng tốc độ gấp 30 lần

Ứng dụng thực tế và triển khai

Kịch bản áp dụng thực tế (Use Cases)

  • Vay bổ sung vốn SXKD hộ cá thể: Định lượng hóa doanh thu tiền mặt, áp dụng hệ số dòng tiền khấu trừ sinh hoạt phí để xác định hạn mức cấp tín dụng chính xác, ngăn ngừa tình trạng quá tải nợ.
  • Vay mua bất động sản / Xây sửa nhà: Thẩm định chặt chẽ tỷ lệ cho vay trên giá trị tài sản đảm bảo ($LTV \le 70%$) và tỷ lệ trả nợ trên thu nhập ($DTI \le 60%$), kết hợp định giá lại tài sản thế chấp định kỳ 6 tháng/lần.
  • Vay tiêu dùng tín chấp qua lương: Tích hợp tra cứu điểm số tín dụng CIC tự động và kiểm tra mức độ biến động thu nhập qua tài khoản thanh toán tại ngân hàng.
                           LỘ TRÌNH TRIỂN KHAI 4 BƯỚC
  Giai đoạn 1: Chuẩn hóa dữ liệu hồ sơ tín dụng & kết nối API CIC (Tháng 1 - 2)
  Giai đoạn 2: Triển khai công cụ tính điểm nội bộ & phân loại nợ tự động (Tháng 3 - 4)
  Giai đoạn 3: Đào tạo CBTD & tích hợp hệ thống cảnh báo sớm EWS (Tháng 5 - 6)
  Giai đoạn 4: Đánh giá hiệu quả định kỳ & tinh chỉnh trọng số rủi ro (Hàng quý)

Đánh giá hiệu quả kinh tế (Cost-Benefit Analysis)

  • Tiết kiệm chi phí trích lập dự phòng: Việc kiểm soát tỷ lệ nợ xấu giảm 0.3% trên tổng danh mục giúp chi nhánh tiết kiệm hàng trăm triệu đồng chi phí dự phòng rủi ro tín dụng mỗi năm.
  • Tăng năng suất lao động: CBTD giảm bớt các tác vụ hành chính, tập trung 65% thời gian cho công tác tiếp thị, phát triển tệp khách hàng cá nhân chất lượng cao.

Hạn chế và hướng phát triển

  • Hạn chế về nguồn dữ liệu: Nghiên cứu giới hạn trong phạm vi dữ liệu nội bộ giai đoạn 2017–2019 của một chi nhánh; chưa bao quát toàn diện các yếu tố bất định từ dịch bệnh và biến động kinh tế vĩ mô sau năm 2020.
  • Hướng phát triển kỹ thuật:
    • Tích hợp mô hình học máy nâng cao (Machine Learning) như Random Forest hoặc LightGBM để xây dựng hệ thống chấm điểm tín dụng động (Dynamic Credit Scoring).
    • Kết nối dữ liệu mở (Open Banking API) và dữ liệu thay thế (Alternative Data từ hóa đơn điện nước, dữ liệu viễn thông) để thẩm định khách hàng chưa có lịch sử tín dụng tại CIC.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                          ĐỐI TƯỢNG HƯỞNG LỢI                               |
|                                                                             |
|  [Sinh viên / Giảng viên]                                                   |
|  -> Tài liệu thực chứng về phương pháp phân tích định lượng chất lượng      |
|     tín dụng và quy trình nghiệp vụ ngân hàng thực tế.                      |
|                                                                             |
|  [Cán bộ tín dụng / Chuyên viên Thẩm định]                                 |
|  -> Khung công cụ chuẩn hóa đánh giá rủi ro, rút ngắn quy trình phê duyệt   |
|     và hạn chế sai sót tác nghiệp.                                          |
|                                                                             |
|  [Ban lãnh đạo Ngân hàng / Chi nhánh]                                       |
|  -> Cơ sở khoa học để hoạch định chính sách tín dụng, cân đối thanh khoản   |
|     và tối ưu hóa tỷ suất sinh lời trên tài sản (ROA/ROE).                  |
|                                                                             |
|  [Khách hàng cá nhân]                                                       |
|  -> Tiếp cận nguồn vốn minh bạch, thời gian giải ngân nhanh chóng và mức    |
|     lãi suất cạnh tranh tương xứng với mức độ tín nhiệm.                    |
+-----------------------------------------------------------------------------+

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình phân loại nợ tự động là gì?
    Hệ thống yêu cầu máy chủ cơ sở dữ liệu chạy PostgreSQL 13+ hoặc SQL Server 2016+, môi trường thực thi Python 3.8+ và kết nối mạng an toàn (IPsec VPN) đến cổng thông tin tín dụng CIC của NHNN.

  2. Mô hình có xử lý được trường hợp khách hàng có nhiều khoản vay cùng lúc không?
    Có. Thuật toán tự động liên kết tất cả các hợp đồng vay của cùng một customer_id. Theo nguyên tắc Thông tư 02, nếu một khoản vay bị trượt nhóm nợ, tất cả các khoản vay còn lại của khách hàng đó tại tổ chức tín dụng sẽ tự động được phân loại vào nhóm nợ có rủi ro cao nhất.

  3. Làm thế nào để tích hợp hệ thống vào phần mềm CoreBanking hiện hữu?
    Hệ thống hoạt động như một microservice độc lập, nhận dữ liệu giao dịch thông qua cơ chế Batch Processing cuối ngày (EOD) hoặc qua giao diện RESTful API/Webhooks từ CoreBanking.

  4. Công tác bảo trì và hiệu chỉnh trọng số xếp hạng tín dụng cần thực hiện bao lâu một lần?
    Hệ thống thẻ điểm tín dụng và ngưỡng cảnh báo rủi ro cần được Backtesting và tái thẩm định (Model Validation) định kỳ 6 tháng hoặc 12 tháng/lần dựa trên dữ liệu nợ thực tế phát sinh.

  5. Thời gian thu hồi vốn đầu tư (ROI) cho việc nâng cấp công nghệ thẩm định là bao lâu?
    Thời gian hoàn vốn ước tính từ 12 đến 18 tháng, đạt được thông qua việc cắt giảm thời gian xử lý hồ sơ và giảm thiểu tối đa các tổn thất tài chính do nợ khó đòi phát sinh.


Kết luận

Khóa luận tốt nghiệp "Đánh giá chất lượng tín dụng khách hàng cá nhân tại Ngân hàng TMCP Bắc Á – Chi nhánh Thừa Thiên Huế" của tác giả Nguyễn Thị Tùng Lâm đã cung cấp một bức tranh toàn diện, sâu sắc và có căn cứ khoa học vững chắc về thực trạng quản trị tín dụng bán lẻ tại địa bàn. Thông qua việc kết hợp chặt chẽ giữa cơ sở lý luận tài chính - ngân hàng hiện đại với số liệu thực nghiệm giai đoạn 2017–2019, đề tài không chỉ làm rõ các thành tựu và hạn chế trong công tác quản lý rủi ro mà còn đề xuất các giải pháp kỹ thuật, quy trình mang tính khả thi cao. Đây là tài liệu tham khảo giá trị cho các nhà nghiên cứu, sinh viên chuyên ngành Tài chính - Ngân hàng cũng như các nhà quản trị thực tiễn trong nỗ lực nâng cao năng lực cạnh tranh và đảm bảo an toàn hệ thống tín dụng bán lẻ.