Giới thiệu dự án

Thị trường tài chính bán lẻ tại Việt Nam trong giai đoạn 2021–2023 chứng kiến sự chuyển dịch cơ cấu mạnh mẽ khi hoạt động cho vay tiêu dùng cá nhân (Retail Consumer Lending) trở thành động lực tăng trưởng lợi nhuận cốt lõi của các Ngân hàng Thương mại Cổ phần (NHTM). Tại Ngân hàng TMCP Việt Á – Chi nhánh Đà Nẵng (VietABank Đà Nẵng), hoạt động tín dụng tiêu dùng phục vụ các mục đích cấp thiết như mua sắm bất động sản, xây sửa nhà ở, mua xe và trang trải sinh hoạt gia đình. Tuy nhiên, trước sức ép cạnh tranh từ các ngân hàng thương mại quy mô lớn và các công ty tài chính tiêu dùng, việc quản trị danh mục, tối ưu hóa thời gian xử lý hồ sơ và kiểm soát nợ xấu đang đặt ra nhiều bài toán cấp bách.

+-----------------------------------------------------------------------------+
|                      MÔ HÌNH VẬN HÀNH CHO VAY TIÊU DÙNG                     |
|                                                                             |
|  [Khách hàng Cá nhân]                                                       |
+-----------------------------------------------------------------------------+

Vấn đề then chốt tại đơn vị là quy trình thẩm định tín dụng bán lẻ vẫn mang tính bán thủ công, thời gian xét duyệt kéo dài từ 48 đến 72 giờ, gây suy giảm trải nghiệm khách hàng. Đồng thời, sự gia tăng nhanh chóng của các khoản vay tín chấp đặt ra thách thức lớn đối với công tác kiểm soát rủi ro tín dụng và trích lập dự phòng theo quy định của Ngân hàng Nhà nước (NHNN).

Mục tiêu nghiên cứu và giải pháp của đề tài được xác định cụ thể:

  1. Hệ thống hóa cơ sở lý luận về tín dụng tiêu dùng của NHTM và chuẩn mực phân loại nợ theo Quyết định 493/2005/QĐ-NHNN và Thông tư 11/2021/TT-NHNN.
  2. Đánh giá thực trạng hoạt động kinh doanh và cho vay tiêu dùng khách hàng cá nhân (KHCN) tại VietABank Đà Nẵng giai đoạn 2021–2023 thông qua hệ thống chỉ số định lượng.
  3. Phân tích chi tiết cơ cấu tín dụng tiêu dùng theo thời hạn vay, hình thức bảo đảm (thế chấp so với tín chấp) và mục đích sử dụng vốn (bất động sản, xây sửa nhà, tiêu dùng khác).
  4. Thiết kế mô hình quy trình thẩm định bán tự động kết hợp hệ thống chấm điểm tín dụng (Credit Scoring Model), đề xuất giải pháp mở rộng danh mục và kiểm soát tỷ lệ nợ xấu dưới ngưỡng an toàn 2,0%.

Phương pháp tiếp cận dựa trên dữ liệu chuỗi thời gian (Time-series Financial Data) trích xuất từ báo cáo tài chính và hệ thống Core Banking SmartBank của chi nhánh, kết hợp phân tích rủi ro định lượng. Kết quả kỳ vọng đạt được là tối ưu hóa tốc độ luân chuyển vốn, nâng cao hệ số thu nợ và thiết lập lộ trình số hóa quy trình cho vay tiêu dùng cá nhân.

Phạm vi nghiên cứu tập trung vào toàn bộ hoạt động cho vay tiêu dùng đối với KHCN tại Hội sở VietABank Đà Nẵng (33 Hùng Vương) cùng 7 Phòng Giao dịch (PGD) trực thuộc (Hải Châu, Cẩm Lệ, Trần Cao Vân, Trưng Nữ Vương, An Hải, Sơn Trà, Trung Tâm Thương Nghiệp) trong khung thời gian 3 năm từ 2021 đến 2023.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại địa bàn Đà Nẵng, thị trường cho vay tiêu dùng có sự cạnh tranh gay gắt giữa khối ngân hàng Big4, các NHTM đô thị và công ty tài chính tiêu dùng.

Tiêu chí phân tích Quy trình thủ công truyền thống Giải pháp số hóa / Bán tự động đề xuất
Thời gian thẩm định 48 – 72 giờ làm việc 4 – 8 giờ làm việc (Real-time scoring)
Nguồn dữ liệu đánh giá Hồ sơ giấy tờ, sao kê lương bản cứng Tích hợp API CIC, VNeID, Sao kê điện tử
Độ chính xác chấm điểm Phụ thuộc cảm tính cán bộ tín dụng Mô hình Scorecard chuẩn hóa đa biến
Khả năng mở rộng quy mô Tuyến tính theo số lượng nhân sự Khả năng xử lý song song không giới hạn
Kiểm soát rủi ro nợ xấu Giám sát hậu kiểm định kỳ cuối tháng Cảnh báo sớm (Early Warning System - EWS)

Khảo sát yêu cầu người dùng và nghiệp vụ theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Tự động hóa tính toán tỷ lệ DTI (Debt-to-Income), LTV (Loan-to-Value), kiểm tra lịch sử nợ quá hạn từ Trung tâm Thông tin Tín dụng Quốc gia (CIC).
  • Should-have (Nên có): Tích hợp phân luồng hồ sơ tự động qua Camunda BPM, quản lý danh mục tài sản bảo đảm số hóa.
  • Could-have (Có thể mở rộng): Ứng dụng eKYC sinh trắc học theo Quyết định 2345/QĐ-NHNN, phân tích hành vi chi tiêu qua tài khoản thanh toán.
  • Won't-have (Chưa triển khai): Phê duyệt tự động hoàn toàn không có sự can thiệp của kiểm soát viên đối với các khoản vay bất động sản quy mô lớn.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình Microservices phân tầng đảm bảo khả năng tích hợp linh hoạt với hệ thống Core Banking SmartBank hiện hành của VietABank.

Công nghệ sử dụng bao gồm:

  • Ngôn ngữ & Framework: Python 3.10, FastAPI 0.104, Scikit-learn 1.3, Pandas 2.1.
  • Cơ sở dữ liệu: Oracle Database 19c Enterprise (quản lý giao dịch Core Banking), PostgreSQL 15 (lưu trữ lịch sử chấm điểm và phân tích hành vi tín dụng).
  • Workflow & Quản lý quy trình: Camunda BPM Platform 7.19.
  • Bảo mật & Chuẩn tuân thủ: Mã hóa AES-256 đối với dữ liệu nhạy cảm tại rest, TLS 1.3 trong truyền tải, xác thực phân quyền chuẩn OAuth 2.0 / JWT và tuân thủ PCI-DSS.
  • Hiệu năng hệ thống (SLA): Thời gian phản hồi API dưới 250ms, khả năng chịu tải đạt 500 TPS (Transactions Per Second).

Mô hình dữ liệu quan hệ (Relational Schema) phục vụ phân tích rủi ro và quản lý danh mục:

-- Schema cấu trúc dữ liệu quản lý khoản vay và phân tích rủi ro tín dụng
CREATE TABLE Customers (
    customer_id VARCHAR(20) PRIMARY KEY,
    id_card_number VARCHAR(12) UNIQUE NOT NULL,
    full_name VARCHAR(100) NOT NULL,
    monthly_income NUMERIC(15, 2) NOT NULL,
    credit_tier VARCHAR(10) DEFAULT 'STANDARD'
);

CREATE TABLE LoanApplications (
    application_id VARCHAR(30) PRIMARY KEY,
    customer_id VARCHAR(20) REFERENCES Customers(customer_id),
    loan_purpose VARCHAR(50) NOT NULL, -- 'XAY_SUA_NHA', 'MUA_BDS', 'TIEU_DUNG_KHAC'
    loan_type VARCHAR(20) NOT NULL,    -- 'THE_CHAP', 'TIN_CHAP'
    loan_amount NUMERIC(15, 2) NOT NULL,
    loan_term_months INT NOT NULL,
    interest_rate NUMERIC(5, 2) NOT NULL,
    application_status VARCHAR(20) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE CreditEvaluations (
    evaluation_id VARCHAR(30) PRIMARY KEY,
    application_id VARCHAR(30) REFERENCES LoanApplications(application_id),
    cic_score INT NOT NULL,
    internal_score INT NOT NULL,
    dti_ratio NUMERIC(5, 2) NOT NULL,
    npl_group INT NOT NULL DEFAULT 1, -- Nhom 1 den 5 theo QD 493
    approval_decision VARCHAR(20) NOT NULL
);

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng phương pháp phân tích định lượng kết hợp với thống kê mô tả (Descriptive Statistics), phân tích so sánh chuỗi thời gian (Horizontal & Vertical Financial Analysis) trên toàn bộ số liệu báo cáo tài chính và hoạt động tín dụng từ năm 2021 đến 2023.

Tiến độ nghiên cứu được tổ chức thành các mốc chính:

  1. Giai đoạn 1 (Tuần 1–4): Thu thập dữ liệu thứ cấp, chuẩn hóa danh mục chỉ tiêu tài chính.
  2. Giai đoạn 2 (Tuần 5–8): Phân tích tương quan giữa quy mô cho vay, doanh số thu nợ và biến động nợ xấu.
  3. Giai đoạn 3 (Tuần 9–10): Xây dựng ma trận rủi ro và thuật toán chấm điểm tín dụng.
  4. Giai đoạn 4 (Tuần 11–12): Tổng hợp giải pháp nghiệp vụ và hoàn thiện báo cáo khoa học.

Thực thi và kết quả

Quy trình nghiệp vụ và thuật toán phân tích

Mô hình phân tích sử dụng 5 nhóm chỉ số cốt lõi nhằm định lượng hiệu quả và rủi ro của hoạt động cho vay tiêu dùng:

  1. Tỷ lệ nợ xấu tiêu dùng (NPL Ratio): $$\text{NPL}_{\text{TD}} = \frac{\text{Tổng nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ cho vay tiêu dùng}} \times 100%$$
  2. Vòng quay vốn cho vay tiêu dùng (Loan Turnover): $$\text{Vòng quay vốn} = \frac{\text{Doanh số thu nợ tiêu dùng}}{\text{Dư nợ tiêu dùng bình quân}} \quad (\text{vòng})$$ Trong đó: $$\text{Dư nợ bình quân} = \frac{\text{Dư nợ đầu kỳ} + \text{Dư nợ cuối kỳ}}{2}$$
  3. Hệ số thu nợ tiêu dùng (Collection Efficiency Ratio): $$\text{Hệ số thu nợ} = \frac{\text{Doanh số thu nợ tiêu dùng}}{\text{Doanh số cho vay tiêu dùng}} \times 100%$$

Đoạn mã Python xử lý dữ liệu và tính toán danh mục chỉ tiêu tự động:

import pandas as pd
import numpy as np

def calculate_credit_metrics(df_financials: pd.DataFrame) -> pd.DataFrame:
    """
    Tính toán các chỉ tiêu hiệu quả và rủi ro tín dụng tiêu dùng VietABank Đà Nẵng
    Dữ liệu đầu vào yêu cầu các cột: 'year', 'loan_disbursement', 'debt_collection', 
    'outstanding_debt', 'npl_amount', 'deposits'
    """
    results = df_financials.copy()
    
    # 1. Tỷ lệ nợ xấu trên tổng dư nợ (%)
    results['npl_ratio'] = (results['npl_amount'] / results['outstanding_debt']) * 100
    
    # 2. Hệ số thu nợ (%)
    results['collection_rate'] = (results['debt_collection'] / results['loan_disbursement']) * 100
    
    # 3. Dư nợ tiêu dùng trên vốn huy động (%)
    results['loan_to_deposit'] = (results['outstanding_debt'] / results['deposits']) * 100
    
    # 4. Vòng quay vốn (vòng)
    avg_debt = (results['outstanding_debt'] + results['outstanding_debt'].shift(1, fill_value=results['outstanding_debt'].iloc[0])) / 2
    results['capital_turnover'] = results['debt_collection'] / avg_debt
    
    return results.round(2)

# Dữ liệu thực nghiệm thực tế tại VietABank Đà Nẵng (2021 - 2023)
data = {
    'year': [2021, 2022, 2023],
    'loan_disbursement': [45.77, 52.64, 59.91], # Tỷ đồng
    'debt_collection': [30.81, 39.22, 48.13],   # Tỷ đồng
    'outstanding_debt': [54.45, 62.50, 69.05],  # Tỷ đồng
    'npl_amount': [1.025, 1.097, 1.288],        # Tỷ đồng
    'deposits': [526.0, 584.0, 685.0]           # Tỷ đồng
}

df_metrics = calculate_credit_metrics(pd.DataFrame(data))
print(df_metrics[['year', 'npl_ratio', 'collection_rate', 'loan_to_deposit', 'capital_turnover']])

Kết quả định lượng chi tiết giai đoạn 2021 – 2023

Dữ liệu tài chính tại VietABank Đà Nẵng chứng minh quy mô tín dụng tiêu dùng tăng trưởng ổn định qua các năm:

TĂNG TRƯỞNG DƯ NỢ & DOANH SỐ CHO VAY TIÊU DÙNG (2021-2023)
  Đơn vị: Tỷ VNĐ
        2021                      2022                      2023

1. Tăng trưởng doanh số và quy mô dư nợ:

  • Doanh số cho vay tiêu dùng (DS CVTD) tăng từ 45,77 tỷ đồng (2021) lên 52,64 tỷ đồng (2022, tăng 15,01%) và đạt 59,91 tỷ đồng (2023, tăng 13,81%). Tỷ trọng doanh số CVTD chiếm trung bình 41,31% tổng doanh số giải ngân toàn chi nhánh.
  • Tổng dư nợ cho vay tiêu dùng tăng từ 54,45 tỷ đồng (2021) lên 62,50 tỷ đồng (2022, tăng 14,78%) và đạt 69,05 tỷ đồng (2023, tăng 10,48%).
  • Doanh số thu nợ tiêu dùng tăng mạnh từ 30,81 tỷ đồng (2021) lên 48,13 tỷ đồng (2023), đưa hệ số thu nợ tăng từ 67,31% (2021) lên 80,34% (2023), phản ánh khả năng thu hồi vốn luân chuyển rất tích cực.

2. Cơ cấu theo kỳ hạn và hình thức bảo đảm:

  • Kỳ hạn vay: Dư nợ ngắn hạn tăng từ 27,91 tỷ đồng (chiếm 51,26% năm 2021) lên 40,17 tỷ đồng (chiếm 58,18% năm 2023). Dư nợ trung và dài hạn đạt 28,88 tỷ đồng (chiếm 41,82% năm 2023), phù hợp định hướng tái cấu trúc an toàn thanh khoản.
  • Hình thức bảo đảm:
    • Vay thế chấp giữ vai trò chủ đạo: Dư nợ tăng từ 41,15 tỷ đồng (2021) lên 46,03 tỷ đồng (2023, chiếm 66,66% tổng dư nợ CVTD).
    • Vay tín chấp tăng trưởng nhanh: Dư nợ tăng từ 13,30 tỷ đồng (2021) lên 23,02 tỷ đồng (2023), đạt tốc độ tăng trưởng 73,08% qua 2 năm.

3. Cơ cấu mục đích vay và chất lượng tín dụng:

Mục đích vay vốn Dư nợ 2021 (Tỷ VNĐ) Dư nợ 2022 (Tỷ VNĐ) Dư nợ 2023 (Tỷ VNĐ) Nợ xấu 2023 (Tỷ VNĐ) Tỷ lệ NPL mục đích (%)
Vay mua Bất động sản 21,68 22,77 24,07 0,579 2,41%
Xây dựng & Sửa chữa nhà 19,47 20,53 21,96 0,525 2,39%
Nhu cầu tiêu dùng khác 13,30 19,20 23,02 0,184 0,80%
Tổng cộng 54,45 62,50 69,05 1,288 1,87%

Tỷ lệ nợ xấu tiêu dùng chung luôn được kiểm soát dưới mức 2%: từ 1,88% (2021) giảm xuống 1,76% (2022) và duy trì ở mức 1,87% (2023). Kết quả này chứng minh chính sách thẩm định và trích lập chi phí dự phòng rủi ro tín dụng (tăng từ 202 tỷ lên 401 tỷ đồng trên toàn chi nhánh) được thực hiện thận trọng và hiệu quả.


Đổi mới và đóng góp

  1. Chuẩn hóa quy trình thẩm định ma trận rủi ro: Nghiên cứu đã đề xuất khung chấm điểm tín dụng kết hợp chỉ số định lượng (thu nhập khả dụng, tỷ lệ trả nợ trên thu nhập DTI $\le 45%$) và định tính (thời gian công tác, lịch sử quan hệ tín dụng CIC nhóm 1).
  2. So sánh ưu thế so với các giải pháp hiện hành:
    • So với quy trình truyền thống của các NHTM nhà nước: Rút ngắn thời gian xử lý hồ sơ tiêu dùng tín chấp từ 3 ngày xuống dưới 12 giờ làm việc.
    • So với các công ty tài chính tiêu dùng (FE Credit, Home Credit): Giữ mức lãi suất cho vay cạnh tranh hơn từ 3,5% đến 6,0%/năm nhờ năng lực huy động vốn giá rẻ (tiền gửi khách hàng tại chi nhánh tăng lên 685 tỷ đồng năm 2023).
  3. Đóng góp kinh tế và chuyên môn: Đề xuất mô hình phân bổ kỳ hạn linh hoạt giúp chi nhánh tăng hiệu suất luân chuyển vốn tín dụng đạt 0,73 vòng/năm, đồng thời giảm áp lực dự phòng rủi ro tín dụng riêng lẻ.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  • Use Case 1 - Gói vay mua nhà an cư (Home Loan): Hạn mức cấp tối đa 70% giá trị định giá bất động sản, thời hạn vay 15–20 năm, áp dụng biên độ lãi suất ưu đãi kết hợp phương thức trả góp gốc và lãi đều hàng tháng.
  • Use Case 2 - Gói vay thấu chi tiêu dùng cho Cán bộ Nhân viên (Payroll Overdraft): Cấp hạn mức tín chấp tự động từ 3 đến 5 tháng lương thực nhận dựa trên tài khoản chi lương mở tại VietABank, giải ngân trực tuyến qua ứng dụng Mobile Banking.

Lộ trình triển khai (Roadmap 2024 – 2026)

  • Giai đoạn 1 (Q1–Q2/2024): Hoàn thiện phân hệ chấm điểm Scorecard trên nền tảng SmartBank v4.2 và thử nghiệm tại PGD Hải Châu và PGD Trung Tâm Thương Nghiệp.
  • Giai đoạn 2 (Q3–Q4/2024): Mở rộng áp dụng toàn diện trên 7 PGD trên địa bàn Đà Nẵng, tích hợp eKYC sinh trắc học.
  • Giai đoạn 3 (2025–2026): Mở rộng kết nối Open Banking API, dự phóng quy mô dư nợ CVTD đạt tốc độ tăng trưởng lũy kế hàng năm (CAGR) 15%, vượt mốc 100 tỷ đồng với tỷ lệ nợ xấu duy trì $\le 1,5%$.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Nguồn dữ liệu hành vi tài chính ngoài ngành (hóa đơn tiện ích, dữ liệu thương mại điện tử) chưa được tích hợp đồng bộ vào cơ sở dữ liệu chấm điểm của ngân hàng.
  • Thách thức vận hành: Sự cạnh tranh về nhân sự tín dụng bán lẻ tại khu vực miền Trung dẫn đến biến động chất lượng cán bộ thẩm định tại một số PGD mới mở.
  • Hướng phát triển: Nghiên cứu ứng dụng các thuật toán học máy (XGBoost, Random Forest) để phát hiện sớm các dấu hiệu quá hạn trước 60 ngày, nâng cấp hạ tầng kết nối cơ sở dữ liệu định danh quốc gia VNeID.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu nghiên cứu ứng dụng thực tế với số liệu tài chính xác thực và phương pháp định lượng chuyên sâu trong lĩnh vực ngân hàng bán lẻ.
  • Chuyên viên tín dụng & Quản trị rủi ro: Sở hữu bộ công cụ chỉ số và tiêu chí phân tích danh mục cho vay tiêu dùng theo chuẩn mực NHNN.
  • Ban điều hành NHTM & Chi nhánh: Có cơ sở dữ liệu khoa học để hoạch định chiến lược kinh doanh, tối ưu hóa cơ cấu kỳ hạn huy động – cho vay và nâng cao chỉ số an toàn vốn.
  • Khách hàng cá nhân: Tiếp cận các sản phẩm vay tiêu dùng minh bạch, quy trình tinh gọn với chi phí lãi vay tối ưu.

Câu hỏi thường gặp

  1. Yêu cầu về điều kiện pháp lý và tài chính để khách hàng cá nhân vay tiêu dùng tại VietABank Đà Nẵng là gì?
    Khách hàng là công dân Việt Nam đủ năng lực hành vi dân sự, có nguồn thu nhập ổn định từ lương hoặc hoạt động kinh doanh đảm bảo khả năng trả nợ, không có nợ xấu tại bất kỳ tổ chức tín dụng nào (CIC nhóm 3–5) trong 36 tháng gần nhất, và có tài sản bảo đảm hợp pháp đối với các khoản vay thế chấp.

  2. Ngân hàng kiểm soát tỷ lệ nợ xấu tiêu dùng không vượt quá 2% bằng biện pháp nào?
    Chi nhánh áp dụng quy trình kiểm soát 3 lớp: thẩm định thực địa nghiêm ngặt kết hợp tra cứu CIC tự động, định giá tài sản bảo đảm độc lập theo giá thị trường, và theo dõi chặt chẽ tiến độ trả nợ hàng tháng qua hệ thống cảnh báo sớm.

  3. Hệ thống Core Banking SmartBank của VietABank xử lý quy trình cho vay như thế nào?
    SmartBank quản lý vòng đời khoản vay từ khâu tiếp nhận thông tin, phân loại tài sản bảo đảm, theo dõi lịch thanh toán nợ gốc/lãi, tự động trích nợ từ tài khoản thanh toán và hạch toán kế toán theo chuẩn mực NHNN.

  4. Sự khác biệt căn bản giữa cho vay tiêu dùng thế chấp và tín chấp tại chi nhánh?
    Cho vay thế chấp có hạn mức lớn (chiếm 66,7% dư nợ), thời hạn dài và yêu cầu tài sản bảo đảm (nhà đất, ô tô). Cho vay tín chấp có hạn mức nhỏ hơn, thời hạn ngắn, dựa trên uy tín và thu nhập thực tế của khách hàng nhưng có tốc độ tăng trưởng nhanh hơn (tăng 73% sau 2 năm).

  5. Chi phí triển khai mô hình chấm điểm tự động và thời gian hoàn vốn (ROI)?
    Chi phí đầu tư nâng cấp phân hệ phần mềm và đào tạo ước tính khoảng 450–600 triệu VNĐ, với thời gian thu hồi vốn dưới 18 tháng thông qua việc tiết giảm 35% chi phí vận hành thủ công và gia tăng doanh số giải ngân.


Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc mục tiêu nghiên cứu thông qua việc phân tích chuyên sâu bức tranh toàn cảnh hoạt động cho vay tiêu dùng tại Ngân hàng TMCP Việt Á – Chi nhánh Đà Nẵng giai đoạn 2021–2023. Các bằng chứng định lượng khẳng định hoạt động cho vay tiêu dùng KHCN là trụ cột tăng trưởng vững chắc, với doanh số đạt 59,91 tỷ đồng, dư nợ đạt 69,05 tỷ đồng và tỷ lệ nợ xấu được kiểm soát an toàn ở mức 1,87%. Các nhóm giải pháp về số hóa quy trình, nâng cấp hệ thống chấm điểm tín dụng và đa dạng hóa sản phẩm là tiền đề quan trọng giúp VietABank Đà Nẵng bứt phá, mở rộng thị phần tín dụng bán lẻ an toàn và bền vững trong kỷ nguyên chuyển đổi số ngành ngân hàng.