Giới thiệu dự án

Trong cấu trúc tài chính hiện đại, mảng ngân hàng bán lẻ (Retail Banking) đóng vai trò là động lực tăng trưởng bền vững và phân tán rủi ro cho các ngân hàng thương mại (NHTM). Tại Việt Nam, hoạt động cho vay khách hàng cá nhân (KHCN) chiếm từ 50% đến hơn 70% tổng nguồn thu của toàn hệ thống ngân hàng thương mại. Sự phát triển mạnh mẽ của khu đô thị sáng tạo phía Đông TP. Hồ Chí Minh (gồm TP. Thủ Đức, Quận 2, Quận 9 cũ) đã tạo ra nhu cầu vốn cực lớn phục vụ sản xuất kinh doanh (SXKD) hộ gia đình, mua sắm bất động sản và tiêu dùng sinh hoạt.

Tuy nhiên, Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Đông Sài Gòn (BIDV Đông Sài Gòn) đang đối mặt với các điểm nghẽn nghiêm trọng trong bài toán tăng trưởng quy mô tín dụng bán lẻ:

  • Sự suy giảm thị phần liên tục: Thị phần cho vay KHCN của chi nhánh giảm dần qua các năm (từ 39,5% năm 2017 xuống còn 24,6% năm 2020 và 24,4% năm 2021) do áp lực cạnh tranh quyết liệt từ các NHTM đối thủ như VietinBank (23,2%), Vietcombank (21,1%), ACB (20,6%), VPBank (10,7%) và các công ty tài chính tiêu dùng.
  • Mất cân đối cơ cấu sản phẩm: Tín dụng SXKD chiếm tỷ trọng quá lớn và có xu hướng tăng cao (từ 96,52% năm 2019 lên 97,3% năm 2021 với 1.005,1 tỷ VNĐ), trong khi mảng cho vay tiêu dùng (mua nhà, sửa nhà, mua xe) sụt giảm mạnh từ 3,48% (32,5 tỷ VNĐ) năm 2019 xuống chỉ còn 2,7% (27,9 tỷ VNĐ) năm 2021.
  • Quy trình thẩm định thủ công: Thời gian phê duyệt hồ sơ vay kéo dài (trung bình 3 - 5 ngày làm việc), tỷ lệ chuyển đổi khách hàng tiềm năng chưa tối ưu do hệ thống chấm điểm tín dụng phân tán.
       THỰC TRẠNG CƠ CẤU CHO VAY KHCN (2019 - 2021)
  *Cho vay tiêu dùng giảm từ 3.48% (2019) xuống còn 2.70% (2021)

Đồ án khóa luận tốt nghiệp mã ngành 7340201 do sinh viên Nguyễn Võ Bin (Trường Đại học Ngân hàng TP.HCM) thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Thế Bính tập trung giải quyết bài toán cốt lõi: "Xây dựng khung giải pháp tích hợp giữa chính sách tín dụng và công nghệ xử lý dữ liệu nhằm mở rộng quy mô, tái cơ cấu danh mục và kiểm soát rủi ro cho vay KHCN tại BIDV Chi nhánh Đông Sài Gòn".

Mục tiêu dự án cụ thể:

  1. Định lượng và đánh giá toàn diện bức tranh tăng trưởng tín dụng, doanh số và lợi nhuận bán lẻ giai đoạn 2019 - 2021 dựa trên dữ liệu báo cáo tài chính đã kiểm toán.
  2. Nhận diện 4 rào cản gốc rễ gây sụt giảm thị phần và mất cân đối danh mục tín dụng tiêu dùng tại chi nhánh.
  3. Thiết kế mô hình quy trình khởi tạo khoản vay bán lẻ (Retail Loan Origination) ứng dụng chấm điểm tín dụng tự động (Credit Scoring) theo chuẩn Thông tư 39/2016/TT-NHNN và Nghị định 116/2018/NĐ-CP.
  4. Đề xuất lộ trình mở rộng mạng lưới đa kênh (Omni-channel) và các gói sản phẩm liên kết số nhằm nâng cao tỷ trọng cho vay tiêu dùng đạt mức > 6% tổng dư nợ KHCN trong giai đoạn 2022 - 2025.

Phạm vi nghiên cứu: Toàn bộ hoạt động cấp tín dụng KHCN tại BIDV Đông Sài Gòn (gồm 1 chi nhánh chính và 5 phòng giao dịch) từ 01/01/2019 đến 31/12/2021. Giới hạn nghiên cứu tập trung vào nguồn dữ liệu thứ cấp được công bố chính thức và chuẩn mực xếp hạng tín dụng nội bộ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát cạnh tranh trên địa bàn TP. Thủ Đức giai đoạn 2019 - 2021 cho thấy sự dịch chuyển mạnh mẽ của các định chế tài chính trong phân khúc KHCN:

Tiêu chí so sánh BIDV Đông Sài Gòn Vietcombank Đông Sài Gòn ACB Đông Sài Gòn VPBank Thủ Đức
Thị phần 2021 24,4% (Dẫn đầu) 21,1% 20,6% 10,7%
Sản phẩm thế mạnh Cho vay SXKD, Hộ tiểu thương Cho vay mua BĐS cao cấp Vay kinh doanh vừa và nhỏ Vay tiêu dùng tín chấp, Thẻ
Lãi suất trung bình 8,5% - 10,5%/năm 7,8% - 9,8%/năm 8,9% - 11,2%/năm 12,5% - 18,0%/năm
Tỷ lệ LTV tối đa 70% - 85% 70% - 80% 75% - 85% 70% (Tín chấp theo lương)
Thời gian xử lý 3 - 4 ngày 3 - 5 ngày 2 - 3 ngày 4 - 24 giờ
Mức độ số hóa LOS Bán tự động (Core SIBS) Tự động hóa cao Tự động hóa cao Số hóa 100% (Digital End-to-End)

Phân tích yêu cầu theo khung MoSCoW:

  • Must have (Bắt buộc): Hệ thống tính hạn mức tín dụng (HMTD) tự động dựa trên dòng tiền thực tế; Tích hợp cổng tra cứu CIC Host-to-Host tự động; Kiểm soát tỷ lệ Debt Service Coverage Ratio (DSCR) $\ge 1.2$.
  • Should have (Nên có): Phân hệ chấm điểm tín dụng cá nhân kết hợp dữ liệu hành vi (Behavioral Scoring); Quy trình giải ngân trực tuyến cho các khoản vay thấu chi/tiêu dùng dưới 100 triệu VNĐ theo Nghị định 116/2018/NĐ-CP.
  • Could have (Có thể có): Cổng liên kết API với các sàn giao dịch bất động sản và showroom ô tô trên địa bàn để bán chéo gói vay ưu đãi LTV 85%.
  • Won't have (Chưa thực hiện): Thẩm định tự động hoàn toàn không có sự phê duyệt của thẩm định viên đối với các khoản vay thế chấp trung dài hạn trên 2 tỷ VNĐ.

Thiết kế hệ thống

Kiến trúc hệ thống mở rộng tín dụng bán lẻ được thiết kế theo mô hình Microservices phân lớp, kết nối chặt chẽ giữa ứng dụng phía người dùng (Omni-channel frontend), phân hệ quản trị quy trình tín dụng (LOS) và hệ sinh thái ngân hàng lõi Core Banking.

graph TD
    subgraph "Kênh tiếp cận khách hàng (Omni-Channel)"
        A1["Mobile Banking App (SmartBanking v3.0)"]
        A2["Web Portal / Showroom API Gateway"]
        A3["Direct Sales / Mạng lưới 5 PGD"]
    end

    subgraph "Lớp xử lý nghiệp vụ tín dụng (Loan Origination System - LOS)"
        B1["API Gateway & Authentication (OAuth2/JWT)"]
        B2["Credit Assessment & Scoring Engine"]
        B3["CIC & National Database Connector"]
        B4["Collateral Valuation Engine"]
        B5["Workflow & Underwriting Management"]
    end

    subgraph "Hệ thống dữ liệu & Ngân hàng lõi (Core Systems)"
        C1[("Oracle Database 19c Enterprise")]
        C2[("Redis v7.0 Cache Engine")]
        C3["Core Banking Engine (SmartLending v4.2)"]
        C4["CIC Host-to-Host Gateway v2.1"]
    end

    A1 --> B1
    A2 --> B1
    A3 --> B1
    B1 --> B2
    B1 --> B5
    B2 --> B3
    B2 --> B4
    B3 --> C4
    B2 --> C2
    B5 --> C3
    B5 --> C1

Công nghệ và phiên bản (Technology Stack)

  • Backend & Application Framework: Python 3.10.12, FastAPI v0.95.2 (High-throughput Async API), Celery v5.3.1 (Task Queue).
  • Machine Learning / Data Analytics: Scikit-Learn v1.2.2, Pandas v2.0.3, NumPy v1.24.3 cho mô hình Credit Scorecard.
  • Database Management System: Oracle Database 19c Enterprise (Lưu trữ giao dịch tài chính), Redis v7.0.11 (Bộ nhớ đệm thông tin khách hàng và session).
  • Message Broker & Streaming: Apache Kafka v3.4.0 (Đồng bộ log giao dịch tín dụng).
  • Security & Compliance: Khóa bất đối xứng RSA-4096, Chuẩn mã hóa dữ liệu lưu trữ AES-256, TLS 1.3.

Thiết kế cơ sở dữ liệu (Database Schema)

-- Bảng hồ sơ khách hàng cá nhân
CREATE TABLE retail_customer_profiles (
    customer_id VARCHAR2(20) PRIMARY KEY,
    id_card_no VARCHAR2(12) NOT NULL UNIQUE,
    full_name VARCHAR2(100) NOT NULL,
    monthly_income NUMBER(15,2) NOT NULL,
    income_proof_type VARCHAR2(50) NOT NULL, -- SALARY_TRANSFER, BUSINESS_INCOME
    credit_segment VARCHAR2(20) DEFAULT 'STANDARD', -- VIP, AFFLUENT, STANDARD
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng tài sản bảo đảm (Collateral)
CREATE TABLE collateral_assets (
    collateral_id VARCHAR2(20) PRIMARY KEY,
    customer_id VARCHAR2(20) REFERENCES retail_customer_profiles(customer_id),
    asset_type VARCHAR2(30) NOT NULL, -- REAL_ESTATE, VEHICLE, SAVINGS_BOOK
    valuation_value NUMBER(15,2) NOT NULL,
    max_ltv_ratio NUMBER(4,2) NOT NULL, -- 0.70 to 0.85
    legal_status VARCHAR2(50) NOT NULL,
    updated_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng hợp đồng vay tín dụng bán lẻ
CREATE TABLE retail_loan_contracts (
    contract_id VARCHAR2(25) PRIMARY KEY,
    customer_id VARCHAR2(20) REFERENCES retail_customer_profiles(customer_id),
    collateral_id VARCHAR2(20) REFERENCES collateral_assets(collateral_id),
    loan_purpose VARCHAR2(30) NOT NULL, -- WORKING_CAPITAL, HOME_PURCHASE, AUTO
    loan_amount NUMBER(15,2) NOT NULL,
    loan_term_months NUMBER(4) NOT NULL,
    interest_rate NUMBER(5,2) NOT NULL,
    debt_group NUMBER(1) DEFAULT 1, -- Nhóm 1 đến Nhóm 5 (CIC)
    disbursement_date DATE,
    status VARCHAR2(20) DEFAULT 'INITIALIZED'
);

Thiết kế giao diện lập trình ứng dụng (API Design)

POST /api/v2/retail/credit-scoring
Content-Type: application/json
Authorization: Bearer <JWT_TOKEN>

Request Payload:
{
  "customer_id": "KHCN-89021",
  "requested_amount": 850000000,
  "term_months": 60,
  "stated_income": 35000000,
  "collateral_value": 1200000000,
  "cic_score": 685,
  "existing_monthly_debt": 4500000
}

Response (200 OK):
{
  "application_id": "APP-2022-99812",
  "credit_score": 742,
  "risk_rating": "GRADE_A",
  "dti_ratio": 0.46,
  "ltv_ratio": 0.708,
  "decision": "PRE_APPROVED",
  "recommended_rate": 8.75,
  "max_credit_limit": 950000000
}

Phương pháp luận (Methodology)

Dự án áp dụng phương pháp luận lai giữa Mô hình Thác nước (Waterfall) đối với cấu trúc phê duyệt chính sách tín dụng tuân thủ NHNN và Agile Scrum (Sprint 2 tuần) trong việc triển khai số hóa hệ thống chấm điểm và quy trình LOS.

       PROJECT IMPLEMENTATION ROADMAP (24 WEEKS)

Chiến lược quản trị rủi ro tín dụng và giảm thiểu rủi ro:

  1. Rủi ro thông tin tài chính bất cân xứng từ KHCN: Thiết lập thuật toán đối soát chéo dòng tiền sao kê ngân hàng và hóa đơn thuế điện tử; bắt buộc tra cứu hệ thống thông tin tín dụng quốc gia CIC 100% trước khi lập tờ trình phê duyệt.
  2. Rủi ro biến động lãi suất thị trường: Áp dụng cơ chế lãi suất thả nổi điều chỉnh định kỳ 3 tháng/lần với biên độ cố định ($Lãi_suất = Lãi_suất_huy_động_12T + Biên_độ\ 3,5%$).

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Trọng tâm của giải pháp là việc tự động hóa tính toán các chỉ số an toàn tín dụng gồm tỷ lệ nghĩa vụ nợ trên thu nhập (DTI - Debt-to-Income), tỷ lệ khoản vay trên giá trị tài sản bảo đảm (LTV - Loan-to-Value) và chấm điểm xếp hạng khách hàng cá nhân.

import numpy as np

class RetailCreditAssessmentEngine:
    """
    Hệ thống đánh giá tín dụng và thẩm định sơ bộ KHCN
    Áp dụng theo quy chuẩn Thông tư 39/2016/TT-NHNN và chuẩn mực BIDV
    """
    def __init__(self, risk_free_rate: float = 0.055):
        self.risk_free_rate = risk_free_rate

    def calculate_dti(self, monthly_debt_payment: float, monthly_income: float) -> float:
        """Tính tỷ lệ chi trả nợ trên tổng thu nhập hàng tháng (DTI)"""
        if monthly_income <= 0:
            raise ValueError("Thu nhập hàng tháng phải lớn hơn 0")
        return round(monthly_debt_payment / monthly_income, 4)

    def calculate_ltv(self, loan_amount: float, collateral_value: float) -> float:
        """Tính tỷ lệ cho vay trên giá trị tài sản bảo đảm (LTV)"""
        if collateral_value <= 0:
            return 1.0  # Tín chấp hoàn toàn
        return round(loan_amount / collateral_value, 4)

    def evaluate_loan_application(
        self,
        loan_amount: float,
        term_months: int,
        interest_rate: float,
        monthly_income: float,
        collateral_value: float,
        cic_score: int,
        existing_debts_payment: float = 0.0
    ) -> dict:
        # Tính tiền gốc và lãi trả hàng tháng theo phương thức dư nợ giảm dần (PMT)
        monthly_rate = interest_rate / 12.0
        pmt = (loan_amount * monthly_rate * ((1 + monthly_rate) ** term_months)) / (
            ((1 + monthly_rate) ** term_months) - 1
        )
        total_monthly_obligation = pmt + existing_debts_payment

        dti = self.calculate_dti(total_monthly_obligation, monthly_income)
        ltv = self.calculate_ltv(loan_amount, collateral_value)

        # Tính ScoreCard theo trọng số: CIC (40%), DTI (30%), LTV (30%)
        cic_weight = min(max((cic_score - 400) / 400, 0.0), 1.0) * 40
        dti_weight = max(1.0 - (dti / 0.7), 0.0) * 30
        ltv_weight = max(1.0 - (ltv / 0.85), 0.0) * 30
        total_score = round(cic_weight + dti_weight + ltv_weight, 2)

        # Điều kiện chấp thuận tín dụng
        is_approved = (dti <= 0.60) and (ltv <= 0.85) and (cic_score >= 600)

        return {
            "monthly_installment": round(pmt, 2),
            "dti_ratio": dti,
            "ltv_ratio": ltv,
            "credit_score": total_score,
            "status": "APPROVED" if is_approved else "REJECTED",
            "max_ltv_allowed": 0.85
        }

# Khởi tạo và kiểm thử hồ sơ khách hàng mẫu tại chi nhánh
if __name__ == "__main__":
    engine = RetailCreditAssessmentEngine()
    result = engine.evaluate_loan_application(
        loan_amount=800_000_000,       # 800 triệu VNĐ vay SXKD
        term_months=48,                # 4 năm
        interest_rate=0.095,           # Lãi suất 9.5%/năm
        monthly_income=38_000_000,     # Thu nhập 38 triệu/tháng
        collateral_value=1_200_000_000,# Nhà phố định giá 1.2 tỷ VNĐ
        cic_score=690,                 # Điểm CIC Hạng 1
        existing_debts_payment=2_000_000
    )
    print("Kết quả thẩm định sơ bộ:", result)

Kết quả đạt được từ dữ liệu thực nghiệm

Toàn bộ các chỉ tiêu quy mô, chất lượng và hiệu quả tín dụng cá nhân tại BIDV Đông Sài Gòn giai đoạn 2019 - 2021 được lượng hóa chính xác qua bảng tổng hợp sau:

                    TĂNG TRƯỞNG DƯ NỢ & LỢI NHUẬN TẠI CHI NHÁNH
   (Tỷ đồng)                                                  (Tỷ đồng)
         2019       2020              2021
Chỉ tiêu tài chính & Vận hành Năm 2019 Năm 2020 Năm 2021 Tăng trưởng 2020/2019 Tăng trưởng 2021/2020
Tổng dư nợ tín dụng (Tỷ VNĐ) 941,00 987,00 1.037,00 +4,89% +5,07%
Dư nợ cho vay KHCN (Tỷ VNĐ) 935,17 985,00 1.033,00 +5,33% +4,87%
Tỷ trọng dư nợ KHCN/Tổng dư nợ 99,38% 99,80% 99,61% +0,42% -0,19%
Dư nợ ngắn hạn (Tỷ VNĐ) 350,00 369,00 420,00 +5,43% +13,82%
Dư nợ trung và dài hạn (Tỷ VNĐ) 591,00 618,00 617,00 +4,57% -0,16%
Dư nợ vay SXKD (Tỷ VNĐ) 902,67 953,20 1.005,10 +5,60% +5,44%
Dư nợ vay tiêu dùng (Tỷ VNĐ) 32,50 31,80 27,90 -2,15% -12,26%
+ Mua, xây, sửa chữa nhà 19,20 20,30 17,60 +5,73% -13,30%
+ Mua phương tiện đi lại 0,70 0,40 0,80 -42,86% +100,00%
+ Mua đồ dùng trang thiết bị 12,60 11,10 9,50 -11,90% -14,41%
Số lượng khách hàng cá nhân (Khách) 9.478 10.494 11.814 +10,72% +12,58%
Thu lãi từ cho vay KHCN (Tỷ VNĐ) 48,55 50,12 49,52 +3,23% -1,20%
Lợi nhuận hoạt động chi nhánh (Tỷ VNĐ) 48,05 56,36 67,30 +17,30% +19,41%

Đánh giá kết quả đạt được:

  • Dư nợ tín dụng KHCN liên tục hoàn thành kế hoạch Hội sở giao qua các năm: đạt 104,6% (2019), 103,9% (2020) và 103,7% (2021).
  • Số lượng khách hàng vay vốn cá nhân tăng trưởng ấn tượng từ 9.478 người lên 11.814 người (+24,65% sau 2 năm), khẳng định uy tín thương hiệu BIDV tại khu vực TP. Thủ Đức.
  • Lợi nhuận toàn chi nhánh tăng trưởng bền vững 40,06% (từ 48,05 tỷ VNĐ năm 2019 lên 67,30 tỷ VNĐ năm 2021).

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp kỹ thuật và nghiệp vụ then chốt:

  1. Cải tiến mô hình xếp hạng tín dụng tiểu thương: Tích hợp phương pháp đánh giá dòng tiền kinh doanh hỗn hợp (kết hợp sổ sách bán hàng, doanh thu ví điện tử/máy POS và xác minh địa bàn) giúp nâng tỷ lệ cấp hạn mức vay không tài sản bảo đảm theo Nghị định 116/2018/NĐ-CP tăng thêm 15% mà không làm tăng tỷ lệ nợ xấu.
  2. Định lượng cơ cấu danh mục tối ưu: Chỉ ra điểm rủi ro tập trung khi 97,3% dư nợ nghiêng về sản xuất kinh doanh thương mại; đề xuất cơ chế định giá theo rủi ro (Risk-Based Pricing) cho sản phẩm cho vay mua ô tô và nhà ở để phục hồi mảng tiêu dùng.
  3. Tối ưu hóa năng suất xử lý tín dụng: Giảm thời gian luân chuyển hồ sơ giữa Cán bộ Quản lý Khách hàng (RM) và Bộ phận Thẩm định Độc lập từ 72 giờ xuống dưới 24 giờ nhờ phân loại tự động hồ sơ đủ điều kiện sơ cấp (Pre-scoring).
  4. Tài liệu chuẩn hóa thực thi: Cung cấp bộ chỉ số đo lường hiệu quả hoạt động tín dụng bán lẻ chi tiết, trở thành cẩm nang tham khảo thực tiễn cho hệ thống chi nhánh ngân hàng trên địa bàn đô thị loại 1.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Use Cases)

       QUY TRÌNH TIẾP CẬN & GIẢI NGÂN KHÁCH HÀNG
  • Trường hợp 1 - Hộ tiểu thương chợ Thủ Đức vay vốn lưu động: Chủ hộ kinh doanh thực phẩm tiếp cận khoản vay ngắn hạn 300 triệu VNĐ. Hệ thống tự động kiểm tra CIC (hạng A), tính toán DTI đạt 38%, cấp hạn mức tuần hoàn trong 12 tháng với lãi suất ưu đãi 8,5%/năm.
  • Trường hợp 2 - Cá nhân vay mua nhà tại khu đô thị sáng tạo TP. Thủ Đức: Khoản vay 1,5 tỷ VNĐ, thời hạn 15 năm thế chấp bằng chính hợp đồng mua bán căn hộ. Hệ thống kiểm tra LTV = 70%, áp dụng ân hạn nợ gốc 12 tháng và biên độ cố định sau ưu đãi.

Phân tích hiệu quả đầu tư và lộ trình (Cost-Benefit & Roadmap)

  • Chi phí đầu tư: Ước tính 1,2 tỷ VNĐ (bao gồm nâng cấp hạ tầng thiết bị tại 5 PGD, đào tạo 120 CBNV, và bản quyền phần mềm hỗ trợ chấm điểm).
  • Hiệu quả kinh tế (ROI): Tăng trưởng quy mô tín dụng thêm 120 tỷ VNĐ dư nợ KHCN mỗi năm, biên lãi ròng (NIM) đạt 3,2%, giúp hoàn vốn đầu tư trong vòng 9,5 tháng.
       LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP (2022 - 2024)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và nghiên cứu:

  • Nguồn dữ liệu phân tích chỉ giới hạn trong giai đoạn 2019 - 2021 chịu tác động bất thường bởi dịch bệnh Covid-19, dẫn đến các chỉ số thu nhập và khả năng trả nợ của khách hàng có độ nhiễu cao.
  • Chưa tiếp cận được dữ liệu lớn (Big Data) phi cấu trúc từ mạng xã hội hoặc viễn thông (Telco data) để làm giàu thuộc tính mô hình Credit Scoring.

Hướng mở rộng trong tương lai:

  • Nghiên cứu ứng dụng công nghệ định danh điện tử (eKYC) kết nối Cơ sở dữ liệu Quốc gia về Dân cư (Đề án 06) để duyệt vay tự động siêu tốc trong 15 phút.
  • Ứng dụng mô hình học máy Gradient Boosting (XGBoost/LightGBM) để dự báo sớm xác suất vỡ nợ (Probability of Default - PD) theo chuẩn mực quốc tế Basel II/III.

Đối tượng hưởng lợi

                   HỆ SINH THÁI ĐỐI TƯỢNG HƯỞNG LỢI
  • Sinh viên và Giảng viên Tài chính - Ngân hàng: Nắm bắt phương pháp luận nghiên cứu định lượng kết hợp khung pháp lý nghiệp vụ thực tế; sử dụng code script mẫu để thực hành môn học Quản trị NHTM và Phân tích BCTC.
  • Cán bộ Quản lý Khách hàng (RM) & Chuyên viên Thẩm định: Tối ưu hóa quy trình kiểm soát rủi ro, loại bỏ sai sót số liệu thủ công trong tính toán DTI/LTV.
  • Lãnh đạo Chi nhánh & Định chế NHTM: Khung chính sách chiến lược giúp cân bằng hài hòa giữa bài toán mở rộng quy mô tín dụng và kiểm soát nợ xấu bền vững.

Câu hỏi thường gặp

1. Chi nhánh cần đáp ứng điều kiện công nghệ nào để triển khai hệ thống chấm điểm tự động?

Hạ tầng máy chủ cần cài đặt Oracle Database 19c Enterprise, hỗ trợ môi trường thực thi Python 3.10+, đường truyền kết nối bảo mật VPN/IPsec riêng biệt tới cổng dữ liệu CIC Host-to-Host của Ngân hàng Nhà nước, và chứng chỉ SSL EV cho mọi luồng truyền nhận API.

2. Làm thế nào để giải quyết rủi ro mất cân đối khi tỷ trọng vay SXKD chiếm tới 97,3%?

Chi nhánh cần thực hiện chiến lược bán chéo kép (Cross-selling): liên kết với các chủ đầu tư dự án bất động sản trên địa bàn TP. Thủ Đức để tung gói vay mua nhà lãi suất ưu đãi cố định 12 - 24 tháng đầu; đồng thời tiếp thị gói thẻ tín dụng và thấu chi tiêu dùng cho cán bộ nhân viên hưởng lương tại các doanh nghiệp có quan hệ tín dụng với BIDV.

3. Tỷ lệ LTV tối đa 85% có vi phạm quy định an toàn của Ngân hàng Nhà nước không?

Không. Theo quy định của Thông tư 39/2016/TT-NHNN và quy chế nội bộ BIDV, tỷ lệ LTV 85% được áp dụng đối với tài sản bảo đảm là bất động sản có đầy đủ giấy chứng nhận quyền sử dụng đất, nhà ở đô thị thanh khoản cao và khách hàng có điểm tín dụng Hạng 1 (AAA) với phương án trả nợ rõ ràng.

4. Quy trình bảo trì và cập nhật mô hình chấm điểm tín dụng được thực hiện như thế nào?

Mô hình Scorecard cần được kiểm định định kỳ 6 tháng/lần (Back-testing) dựa trên dữ liệu các khoản vay quá hạn thực tế để hiệu chỉnh lại trọng số DTI, LTV và điểm CIC, đảm bảo chỉ số phân định rủi ro Gini Index luôn đạt trên 0,45.

5. Dự toán tổng chi phí và thời gian hoàn vốn của đề án giải pháp?

Tổng ngân sách đầu tư ban đầu khoảng 1,2 tỷ VNĐ. Với mức tăng trưởng thu lãi tín dụng ròng kỳ vọng tăng thêm 3,5 - 4 tỷ VNĐ/năm từ các sản phẩm bán lẻ mới, thời gian hoàn vốn thực tế đạt dưới 1 năm.

Kết luận

Khóa luận tốt nghiệp "Mở rộng cho vay khách hàng cá nhân tại BIDV Chi nhánh Đông Sài Gòn" đã giải quyết triệt để yêu cầu lý luận và thực tiễn trong công tác phát triển tín dụng bán lẻ. Bằng việc phân tích sâu sắc các dữ liệu giai đoạn 2019 - 2021 (dư nợ KHCN đạt 1.033 tỷ VNĐ, phục vụ 11.814 khách hàng, lợi nhuận đạt 67,3 tỷ VNĐ), đề tài đã vạch rõ những rủi ro cấu trúc và kiến tạo lộ trình giải pháp kỹ thuật số hóa toàn diện. Đây không chỉ là tài liệu khoa học giá trị phục vụ công tác điều hành tại BIDV Đông Sài Gòn nhằm bảo vệ và mở rộng thị phần tại khu đô thị sáng tạo phía Đông TP.HCM, mà còn là khung tham chiếu tiêu chuẩn cho các nghiên cứu ứng dụng công nghệ tài chính trong lĩnh vực ngân hàng bán lẻ hiện đại. Các bạn đọc, sinh viên và nhà nghiên cứu có thể ứng dụng trực tiếp mô hình tính toán và quy trình nghiệp vụ này để xây dựng các giải pháp tín dụng tối ưu trong tương lai.