Giới thiệu dự án

Hoạt động tín dụng bán lẻ giữ vai trò huyết mạch trong cấu trúc tài sản sinh lời của các ngân hàng thương mại (NHTM) tại Việt Nam, đóng góp trung bình từ 50% đến 70% tổng thu nhập lãi thuần (NII). Tại thị trường Thừa Thiên Huế, sự cạnh tranh gay gắt giữa các ngân hàng thương mại cổ phần cùng với tác động của chu kỳ kinh tế hậu đại dịch đặt ra áp lực lớn lên công tác kiểm soát rủi ro và tăng trưởng tín dụng khách hàng cá nhân (KHCN).

Đề tài "Nâng cao chất lượng tín dụng khách hàng cá nhân tại Ngân hàng TMCP Quân Đội – Chi nhánh Huế" (thực hiện bởi tác giả Nguyễn Ngọc Long, dưới sự hướng dẫn của PGS.TS Hoàng Trọng Hùng - Trường Đại học Kinh tế, Đại học Huế) giải quyết bài toán cân bằng giữa tăng trưởng quy mô dư nợ và kiểm soát nợ xấu (NPL). Dự án nhận diện các điểm nghẽn cốt lõi (pain points): quy trình thẩm định tín dụng bán lẻ còn phụ thuộc nhiều vào thao tác thủ công, tỷ lệ nợ nhóm 2 tiềm ẩn nguy cơ chuyển nhóm nợ xấu theo tiêu chuẩn Thông tư 02/2013/TT-NHNN và Thông tư 09/2014/TT-NHNN, thời gian phê duyệt hồ sơ còn kéo dài so với kỳ vọng của khách hàng.

       MỤC TIÊU VÀ ĐẦU RA ĐO LƯỜNG CỦA DỰ ÁN
       
  [Mục tiêu 1: Lý luận & Chuẩn mực]
  └── Hệ thống hóa chỉ số định lượng/định tính theo chuẩn Basel II & NHNN
  
  [Mục tiêu 2: Thực trạng & Phân tích định lượng]
  └── Đo lường hiệu quả 2019–2021 + Khảo sát sơ cấp N=130 khách hàng
  
  [Mục tiêu 3: Giải pháp & Mô hình tối ưu]
  └── Tối ưu hóa quy trình luân chuyển hồ sơ, hạ NPL < 1.5%

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận và khung pháp lý: Phân tích các tiêu chuẩn định lượng (Hệ số thu nợ, Vòng quay vốn tín dụng, Tỷ lệ LDR, Tỷ lệ nợ xấu) và định tính (Quy trình thẩm định 5C, chất lượng phục vụ, mức độ an toàn tài sản bảo đảm).
  2. Đánh giá thực trạng hiệu quả tín dụng giai đoạn 2019 - 2021: Khai thác dữ liệu thứ cấp từ báo cáo tài chính của MB Huế kết hợp xử lý dữ liệu sơ cấp từ 130 phiếu khảo sát hợp lệ trên phần mềm IBM SPSS Statistics 20.0.
  3. Xây dựng giải pháp đa tầng: Đề xuất 03 nhóm giải pháp (Chiến lược - Nghiệp vụ - Hỗ trợ công nghệ) nhằm cải thiện năng lực cạnh tranh và kiểm soát rủi ro.

Kết quả kỳ vọng và Phạm vi áp dụng

  • Chỉ số đo lường: Duy trì tỷ lệ nợ xấu KHCN dưới ngưỡng an toàn $1.5%$, nâng vòng quay vốn tín dụng lên trên $2.5$ vòng/năm, và cải thiện mức độ hài lòng khách hàng đạt điểm trung bình $> 4.2/5.0$ trên thang đo Likert.
  • Phạm vi nghiên cứu: Toàn bộ dư nợ cho vay KHCN (vay sản xuất kinh doanh, vay mua nhà, mua ô tô, vay tiêu dùng tín chấp/thế chấp) tại MB Chi nhánh Huế và Phòng Giao dịch Nam Tràng Tiền. Dữ liệu thứ cấp khảo sát từ 2019 đến 2021; dữ liệu sơ cấp khảo sát từ tháng 09/2022 đến tháng 11/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại địa bàn Thừa Thiên Huế, MB Huế đối mặt với sự cạnh tranh trực tiếp từ các NHTM Nhà nước (Vietcombank, VietinBank, BIDV, Agribank) và các NHTM Cổ phần quy mô lớn (Techcombank, VPBank, ACB).

Tiêu chí phân tích MB Bank Chi nhánh Huế Vietcombank Huế VietinBank Huế
Thế mạnh lõi (Pros) Ứng dụng App MBBank hiện đại, định danh eKYC mượt mà, chính sách số tài khoản đẹp tạo phễu KHCN tốt. Lãi suất cho vay ổn định, thương hiệu uy tín vượt trội, tệp KHCN chất lượng cao. Hệ sinh thái bán lẻ đa dạng, tỷ lệ tiền gửi không kỳ hạn (CASA) cao, nguồn vốn dồi dào.
Hạn chế (Cons) Khâu thẩm định thực địa tài sản bảo đảm tốn thời gian; áp lực mở rộng chỉ tiêu dư nợ bán lẻ. Điều kiện tài sản bảo đảm khắt khe, tỷ lệ cấp tín dụng trên định giá (LTV) thấp. Quy trình phê duyệt qua nhiều cấp, thời gian phản hồi tín dụng trung bình từ 3 - 5 ngày.
Độ phủ thị trường Phân khúc khách hàng trẻ, kinh doanh tự do, quân nhân, viên chức. Doanh nghiệp lớn, cán bộ công nhân viên hưởng lương ngân sách. Tiểu thương, hộ kinh doanh truyền thống, dự án bất động sản liên kết.
                       MA TRẬN YÊU CẦU ĐẶC TẢ (MoSCoW)
 ┌───────────────────────────────────┬───────────────────────────────────┐
 │ MUST HAVE (Bắt buộc)              │ SHOULD HAVE (Cần có)              │
 │ • Chấm điểm tín dụng tự động CIC  │ • Luồng thẩm định luân chuyển số  │
 │ • Phân loại nợ theo TT 02 & TT 09 │ • Cảnh báo sớm nợ nhóm 2 tự động  │
 ├───────────────────────────────────┼───────────────────────────────────┤
 │ COULD HAVE (Có thể mở rộng)       │ WON'T HAVE (Chưa ưu tiên)         │
 │ • Chấm điểm Scorecard phi tài liệu│ • Tự động giải ngân khoản vay lớn │
 │ • Tích hợp e-Sign qua Smart OTP   │   trên 5 tỷ mà không cần công chứng│
 └───────────────────────────────────┴───────────────────────────────────┘

Thiết kế hệ thống

Quy trình thẩm định và cấp tín dụng KHCN được tái cấu trúc dựa trên mô hình kết hợp luồng xử lý Core Banking Temenos T24 R20 với hệ sinh thái quản lý rủi ro số.

graph TD
    A["Tiếp nhận hồ sơ KHCN\n(App MB / Quầy)"] --> B["Thu thập dữ liệu định danh\n& Check CIC Gateway API"]
    B --> C{"Kết quả tra cứu CIC\n& Internal Blacklist"}
    C -- "Nợ nhóm 2 - 5" --> D["Từ chối cấp tín dụng /\nChuyển luồng xử lý nợ"]
    C -- "Nợ nhóm 1 (Chuẩn)" --> E["Chấm điểm tín dụng tự động\nCredit Scoring Model"]
    E --> F["Thẩm định thực địa\n& Pháp lý TSBĐ"]
    F --> G["Tự động tính toán Hạn mức &\nTỷ lệ LTV / DTI"]
    G --> H["Phê duyệt tập trung (CPC)\n& Ký kết Hợp đồng số"]
    H --> I["Giải ngân Core T24\n& Giám sát dòng tiền sau vay"]

Ngăn xếp công nghệ và công cụ áp dụng

  • Nền tảng phân tích thống kê: IBM SPSS Statistics v20.0 (xử lý EFA, phân tích hồi quy, kiểm định độ tin cậy thang đo).
  • Hệ thống Core Banking: Temenos T24 R20 Subsystem Loan & Deposits.
  • Cổng giao tiếp dữ liệu liên ngân hàng: CIC RESTful API Gateway v2.1 (tra cứu lịch sử quan hệ tín dụng theo thời gian thực).
  • Cơ sở dữ liệu lưu trữ: Oracle Database Enterprise Edition 19c.
  • Chuẩn mã hóa bảo mật: TLS 1.3, mã hóa dữ liệu nghỉ (AES-256), xác thực hai lớp (Smart OTP / FIDO2).

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng phương pháp kết hợp định tính và định lượng (Mixed-methods research design).

[Tiến độ dự án: 12 tuần]
├── Tuần 1 - 3: Thu thập dữ liệu thứ cấp (BCTC 2019-2021) & Thiết kế bảng hỏi (25 items)
├── Tuần 4 - 7: Phát 144 phiếu khảo sát trực tiếp tại MB Huế -> Thu 130 phiếu hợp lệ
├── Tuần 8 - 9: Mã hóa, làm sạch dữ liệu và chạy phân tích trên SPSS 20.0
└── Tuần 10 - 12: Tổng hợp kết quả, phỏng vấn sâu chuyên gia tín dụng & Hoàn thiện giải pháp

Ma trận đánh giá rủi ro triển khai (Risk Matrix)

  1. Rủi ro sai lệch dữ liệu sơ cấp: Tỷ lệ hồi đáp không hợp lệ cao $\rightarrow$ Biện pháp: Khảo sát vượt $20%$ quy mô tối thiểu ($144$ phiếu thay vì $120$ theo nguyên tắc $5:1$ của Hoàng Trọng & Chu Nguyễn Mộng Ngọc).
  2. Rủi ro suy giảm thanh khoản hệ thống: Tỷ lệ sử dụng vốn huy động (LDR) biến động $\rightarrow$ Biện pháp: Giám sát tỷ lệ an toàn vốn theo Thông tư 22/2019/TT-NHNN.

Implementation và kết quả

Quá trình phân tích và công thức lượng hóa

Quy trình thẩm định tín dụng được mô hình hóa bằng các thuật toán định lượng rủi ro trực tiếp từ dữ liệu vận hành.

Các công thức tính toán chỉ tiêu chất lượng tín dụng

  1. Tỷ lệ nợ xấu (NPL Ratio): $$\text{NPL (%)} = \frac{\text{Nợ nhóm 3} + \text{Nợ nhóm 4} + \text{Nợ nhóm 5}}{\text{Tổng dư nợ KHCN}} \times 100%$$

  2. Hiệu suất sử dụng vốn (Loan-to-Deposit Ratio - LDR): $$\text{LDR (%)} = \frac{\text{Tổng dư nợ KHCN}}{\text{Tổng vốn huy động KHCN}} \times 100%$$

  3. Vòng quay vốn tín dụng (Credit Turnover): $$\text{Vòng quay vốn} = \frac{\text{Doanh số thu nợ trong kỳ}}{\text{Dư nợ bình quân trong kỳ}}$$

  4. Hệ số khả năng trả nợ (Debt Service Coverage Ratio - DSCR / DTI): $$\text{DTI} = \frac{\text{Tổng nghĩa vụ trả nợ hàng tháng (Gốc + Lãi)}}{\text{Tổng thu nhập ròng hàng tháng được chứng minh}} \le 45%$$

Mã nguồn xử lý dữ liệu và kiểm định mô hình

Đoạn cú pháp phân tích kiểm định độ tin cậy thang đo (Cronbach's Alpha) trên IBM SPSS Statistics v20.0 cho 25 biến quan sát thuộc 6 nhóm nhân tố chất lượng tín dụng:

* Kiem dinh do tin cay Cronbach Alpha cho nhom nhan to Quy trinh & Thu tuc tin dung.
RELIABILITY
  /VARIABLES=TT1 TT2 TT3 TT4 TT5
  /SCALE('Thang do Thu tuc cho vay') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL.

* Phan tich nhan to kham pha EFA (Exploratory Factor Analysis).
FACTOR
  /VARIABLES=TT1 TT2 TT3 TT4 TT5 LS1 LS2 LS3 SP1 SP2 SP3 SP4 NV1 NV2 NV3 NV4 CS1 CS2 CS3
  /MISSING LISTWISE 
  /ANALYSIS TT1 TT2 TT3 TT4 TT5 LS1 LS2 LS3 SP1 SP2 SP3 SP4 NV1 NV2 NV3 NV4 CS1 CS2 CS3
  /PRINT INITIAL EXTRACTION ROTATION FSCORE
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PC
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

Đoạn mã Python mô phỏng quy tắc phân luồng tín dụng tự động (Automated Underwriting Engine) tích hợp chuẩn phân loại nợ NHNN:

from dataclasses import dataclass
from typing import Tuple

@dataclass
class CreditApplication:
    customer_id: str
    income_monthly: float
    monthly_debt_obligations: float
    loan_amount: float
    collateral_value: float
    cic_group: int  # 1: Du tieu chuan, 2: Can chu y, 3-5: No xau

class RetailCreditScoringEngine:
    MAX_DTI_THRESHOLD: float = 0.45
    MAX_LTV_THRESHOLD: float = 0.70

    def evaluate_risk(self, app: CreditApplication) -> Tuple[bool, str]:
        # 1. Kiem tra lich su CIC
        if app.cic_group > 1:
            return False, f"Tu choi: Khach hang thuoc Nhom no {app.cic_group} tren he thong CIC"
        
        # 2. Tinh toan he so DTI (Debt-to-Income)
        estimated_installment = app.loan_amount * 0.025  # Gia dinh tra gop goc + lai 2.5%/thang
        total_monthly_debt = app.monthly_debt_obligations + estimated_installment
        dti = total_monthly_debt / app.income_monthly
        if dti > self.MAX_DTI_THRESHOLD:
            return False, f"Tu choi: He so DTI ({dti:.2%}) vuot nguong cho phep ({self.MAX_DTI_THRESHOLD:.0%})"

        # 3. Tinh toan ty le dam bao LTV (Loan-to-Value)
        ltv = app.loan_amount / app.collateral_value if app.collateral_value > 0 else 1.0
        if ltv > self.MAX_LTV_THRESHOLD:
            return False, f"Tu choi: Ty le LTV ({ltv:.2%}) vuot muc tran ({self.MAX_LTV_THRESHOLD:.0%})"

        return True, "Phe duyet: Ho so du dieu kien cap tin dung KHCN"

Kiểm định và Đánh giá thống kê

Dữ liệu khảo sát sơ cấp $N = 130$ khách hàng cá nhân tại MB Huế được làm sạch và xử lý. Kết quả kiểm định thống kê cho thấy:

  • Hệ số tin cậy Cronbach's Alpha của các nhóm biến quan sát (Thủ tục cho vay, Lãi suất & Chi phí, Sản phẩm tín dụng, Khả năng tiếp cận, Đội ngũ nhân viên, Cơ sở vật chất) đều đạt từ $0.782$ đến $0.891$ ($> 0.60$), hệ số tương quan biến - tổng (Corrected Item-Total Correlation) đều $> 0.30$.
  • Kiểm định KMO trong phân tích nhân tố khám phá EFA đạt $0.814$ ($0.5 < KMO < 1.0$), kiểm định Bartlett có mức ý nghĩa Sig. = $0.000 < 0.05$, phương sai trích đạt $63.45%$.
                     KẾT QUẢ ĐÁNH GIÁ TRUNG BÌNH CỦA KHÁCH HÀNG (THANG ĐO LIKERT 1-5)
 Nhân viên tín dụng (NV)  ████████████████████████████████████████ 4.28 / 5.0
 Cơ sở vật chất (CS)      ██████████████████████████████████████ 4.15 / 5.0
 Khả năng tiếp cận (TC)   ████████████████████████████████████ 3.96 / 5.0
 Sản phẩm tín dụng (SP)   ██████████████████████████████████ 3.88 / 5.0
 Lãi suất & Phí (LS)      ████████████████████████████████ 3.65 / 5.0
 Thủ tục cho vay (TT)     ██████████████████████████████ 3.52 / 5.0

Kết quả kinh doanh và Chất lượng tín dụng đạt được (2019 - 2021)

Chỉ số tài chính & Tín dụng Năm 2019 Năm 2020 Năm 2021 So sánh 2021/2019
Tổng dư nợ KHCN (Tỷ VND) 482.5 598.2 742.6 $+53.91%$
Doanh số thu nợ KHCN (Tỷ VND) 312.4 405.1 528.9 $+69.30%$
Tỷ lệ nợ nhóm 2 (%) 1.85% 2.10% 1.62% $-0.23%$
Tỷ lệ nợ xấu NPL (Nhóm 3-5) (%) 1.42% 1.58% 1.28% Giữ vững $< 1.50%$
Vòng quay vốn tín dụng (Vòng) 1.82 1.95 2.15 $+0.33$ vòng
Hiệu suất sử dụng vốn (LDR) (%) 88.4% 91.2% 94.6% Tối ưu hóa thanh khoản

Đổi mới và đóng góp

  1. Khung giải pháp tối ưu hóa luồng thẩm định phi tập trung: Nghiên cứu đề xuất mô hình phân cấp phê duyệt dựa trên điểm tín dụng tự động, giúp giảm thiểu thời gian xử lý hồ sơ vay tiêu dùng từ $48$ giờ xuống còn $12 - 18$ giờ.
  2. Hệ thống cảnh báo sớm rủi ro dịch chuyển nợ nhóm 2: Xây dựng cơ chế rà soát dữ liệu định kỳ $15$ ngày/lần thay vì $30$ ngày/lần, kết hợp quét dữ liệu biến động số dư tài khoản CASA của khách hàng để nhận diện sớm các dấu hiệu suy giảm khả năng trả nợ.
  3. Mô hình hóa định lượng hành vi khách hàng địa phương: Luận văn là công trình chuyên khảo đầu tiên lượng hóa chi tiết mức độ hài lòng của 130 KHCN tại địa bàn Thừa Thiên Huế đối với các sản phẩm tín dụng của MB, cung cấp cơ sở dữ liệu thực nghiệm cho công tác quản trị chi nhánh.

Ứng dụng thực tế và triển khai

gantt
    title Lộ trình triển khai nâng cao chất lượng tín dụng (Triển khai 4 giai đoạn)
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Chuẩn hóa
    Rà soát quy trình & Tái cơ cấu danh mục nợ        :2023-01-01, 60d
    section Giai đoạn 2: Đào tạo
    Đào tạo nghiệp vụ thẩm định chuyên sâu           :2023-03-01, 45d
    section Giai đoạn 3: Số hóa
    Tích hợp hệ thống cảnh báo sớm nợ nhóm 2         :2023-04-15, 60d
    section Giai đoạn 4: Đánh giá
    Đánh giá định kỳ & Tối ưu hóa thang chấm điểm     :2023-06-15, 45d

Các kịch bản ứng dụng thực tế (Real-world Use Cases)

  • Kịch bản 1: Cho vay hộ kinh doanh cá thể tại chợ Đông Ba/Tây Lộc: Áp dụng phương pháp thẩm định dòng tiền thực tế qua sao kê QR Code/App MB kết hợp kiểm tra tài sản bảo đảm, giải quyết rào cản thiếu sổ sách kế toán chuẩn.
  • Kịch bản 2: Cho vay tiêu dùng cán bộ công nhân viên hưởng lương: Tích hợp phê duyệt tín chấp hạn mức thấu chi trực tiếp trên App MB dựa trên lịch sử trả lương qua tài khoản quân đội/hành chính sự nghiệp.

Hạn chế và hướng phát triển

  • Hạn chế về cỡ mẫu không gian: Nghiên cứu tập trung tại địa bàn Thừa Thiên Huế, chưa mở rộng so sánh liên tỉnh tại khu vực Bắc Trung Bộ (Quảng Trị, Quảng Bình, Đà Nẵng).
  • Hạn chế về dữ liệu lịch sử: Giai đoạn 2019 - 2021 chịu tác động bất thường của đại dịch COVID-19 và các chính sách cơ cấu nợ theo Thông tư 01/2020/TT-NHNN, có thể tạo ra độ trễ trong việc phản ánh thực chất rủi ro nợ xấu.
  • Hướng nghiên cứu tiếp theo: Ứng dụng mô hình Machine Learning (như Logistic Regression, XGBoost, Random Forest) trên nền tảng Python để xây dựng hệ thống tự động dự báo xác suất vỡ nợ (Probability of Default - PD) cho danh mục KHCN.

Đối tượng hưởng lợi

                 GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN
 ┌───────────────────────────┬───────────────────────────┐
 │ Sinh viên & Học viên      │ Cán bộ Tín dụng (QHKH)    │
 │ • Khung mẫu phân tích     │ • Bộ tiêu chí thẩm định   │
 │   SPSS hoàn chỉnh         │   nhanh, giảm 30% sai sót │
 ├───────────────────────────┼───────────────────────────┤
 │ Ban Lãnh đạo Ngân hàng    │ Nhà nghiên cứu Kinh tế    │
 │ • Chiến lược giảm nợ xấu  │ • Dữ liệu thực nghiệm     │
 │   tăng vòng quay vốn      │   thị trường miền Trung   │
 └───────────────────────────┴───────────────────────────┘
  • Sinh viên chuyên ngành Tài chính - Ngân hàng, Quản trị Kinh doanh: Nắm bắt phương pháp luận nghiên cứu kết hợp giữa lý thuyết tài chính vi mô và kỹ thuật xử lý dữ liệu SPSS thực tế.
  • Chuyên viên Quản lý Khách hàng cá nhân (RM): Áp dụng bộ quy tắc thẩm định rủi ro và các bước nhận diện tài sản bảo đảm có tính thanh khoản cao.
  • Cấp quản lý chi nhánh NHTM: Tham khảo mô hình phân tích hiệu suất sử dụng vốn (LDR) và kế hoạch kiểm soát tỷ lệ nợ nhóm 2 trong giai đoạn thắt chặt chỉ tiêu tín dụng.

Câu hỏi thường gặp

1. Tại sao tỷ lệ nợ nhóm 2 lại được coi là chỉ báo sớm quan trọng nhất cho chất lượng tín dụng?

Nợ nhóm 2 (nợ cần chú ý - quá hạn từ 10 đến 90 ngày) phản ánh sự suy giảm ban đầu trong khả năng tạo dòng tiền của khách hàng. Nếu không có biện pháp đôn đốc thu hồi hoặc tái cơ cấu nguồn trả nợ kịp thời, các khoản vay này sẽ nhanh chóng chuyển thành nợ xấu (Nhóm 3, 4, 5), buộc ngân hàng phải trích lập dự phòng rủi ro cụ thể ở mức cao (từ 20% đến 100%), làm suy giảm trực tiếp lợi nhuận.

2. Mô hình nghiên cứu này có thể áp dụng cho các chi nhánh ngân hàng khác không?

Hoàn toàn có thể. Quy trình nghiên cứu kết hợp giữa phân tích báo cáo tài chính nội bộ (thứ cấp) và khảo sát định lượng qua bảng hỏi chuẩn hóa (sơ cấp) là khung phương pháp luận chuẩn có thể nhân rộng tại bất kỳ chi nhánh NHTM nào tại Việt Nam.

3. Tỷ lệ LDR (Dư nợ / Huy động vốn) tại MB Huế ở mức trên 90% nói lên điều gì?

Chỉ số LDR đạt mức $> 90%$ cho thấy MB Huế đã tận dụng tối đa nguồn vốn huy động tại chỗ để tài trợ cho vay sinh lời. Trong mô hình mạng lưới ngân hàng thương mại, phần chênh lệch thanh khoản nếu thiếu hụt sẽ được điều hòa và cấp vốn trực tiếp từ Hội sở chính MB.

4. Thang đo SPSS trong luận văn bao gồm những nhóm yếu tố nào?

Thang đo gồm 25 biến quan sát thuộc 6 nhóm nhân tố: (1) Thủ tục cho vay, (2) Chi phí và Lãi suất, (3) Danh mục sản phẩm tín dụng, (4) Khả năng tiếp cận vốn vay, (5) Trình độ và thái độ của đội ngũ nhân viên, (6) Cơ sở vật chất và công nghệ hỗ trợ.

5. Dự án đưa ra giải pháp gì để giảm thiểu rủi ro từ yếu tố thiên tai tại miền Trung?

Đề tài đề xuất cơ chế phân loại danh mục khách hàng theo chu kỳ mùa vụ, yêu cầu mua bảo hiểm bắt buộc đối với tài sản bảo đảm là công trình/phương tiện vận tải, đồng thời thiết lập chính sách ân hạn nợ gốc linh hoạt trong các tháng cao điểm bão lũ (tháng 10 - tháng 12 hàng năm).


Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Ngọc Long đã hoàn thành xuất sắc mục tiêu lượng hóa thực trạng chất lượng tín dụng khách hàng cá nhân tại MB Bank Chi nhánh Huế giai đoạn 2019 - 2021. Bằng việc kết hợp chặt chẽ giữa phân tích số liệu tài chính chuyên sâu và mô hình nghiên cứu định lượng trên SPSS 20.0, công trình đã làm sáng tỏ mối quan hệ biện chứng giữa quy trình thẩm định, năng lực nhân sự và mức độ thỏa mãn của khách hàng đối với sự an toàn vốn của ngân hàng. Các giải pháp đề xuất mang tính ứng dụng cao, đóng góp thiết thực vào chiến lược phát triển bán lẻ bền vững của MB tại khu vực miền Trung.