Giới thiệu dự án

Trong cấu trúc tài chính hiện đại, hoạt động tín dụng bán lẻ (Retail Lending) đóng vai trò là động cơ tăng trưởng then chốt, đóng góp trung bình 40% - 50% tổng lợi nhuận thuần của các Ngân hàng Thương mại (NHTM) tại Việt Nam. Theo thống kê của Ngân hàng Nhà nước (NHNN), tỷ lệ dư nợ tín dụng trên GDP giai đoạn 2017–2020 duy trì ở mức cao (khoảng 35%–37%), phản ánh nhu cầu vốn tiêu dùng và sản xuất kinh doanh cá thể liên tục mở rộng.

Tuy nhiên, tại Ngân hàng TMCP Quân Đội (MB Bank) – Phòng Giao dịch (PGD) Kỳ Đồng (161-163 Trần Quốc Thảo, Quận 3, TP.HCM), hoạt động cho vay khách hàng cá nhân (KHCN) đang đối mặt với nhiều thách thức mang tính hệ thống. Mặc dù số lượng KHCN tăng từ 513 khách hàng (2017) lên 1.019 khách hàng (2020), tỷ trọng dư nợ KHCN trên tổng dư nợ lại có xu hướng sụt giảm từ 16% (292 tỷ đồng năm 2017) xuống 12% (374 tỷ đồng năm 2020). Song song đó, tỷ lệ nợ xấu (NPL) mảng cá nhân tăng từ 2,31% lên 2,96%, áp sát ngưỡng an toàn quy định (3,0%). Nguyên nhân chủ yếu xuất phát từ quy trình thẩm định thủ công, hệ thống chấm điểm tín dụng nội bộ chưa tích hợp dữ liệu thời gian thực, và năng lực kiểm soát sau giải ngân còn phân tán.

+-----------------------------------------------------------------------------------+
|                            BÀI TOÁN TÍN DỤNG KHCN                                 |
|                                                                                   |
|  [Khách hàng cá nhân] ---> [Hồ sơ phi cấu trúc] ---> [Thẩm định thủ công (48h+)]  |
|                                                              |                    |
|                                                              v                    |
|  [Nợ xấu tăng (2.96%)] <--- [Giám sát sau vay yếu] <--- [Thiếu Credit Scoring]    |
+-----------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Chuẩn hóa khung lý luận: Hệ thống hóa toàn diện cơ sở lý luận về cấp tín dụng KHCN theo Quyết định số 1627/2001/QĐ-NHNN và Thông tư 02/2013/TT-NHNN.
  2. Khai thác dữ liệu thực chứng: Phân tích định lượng toàn bộ số liệu hoạt động kinh doanh, biến động dư nợ, cơ cấu nhóm nợ và trích lập dự phòng rủi ro tín dụng tại MB Bank - PGD Kỳ Đồng giai đoạn 2017–2020.
  3. Thiết kế giải pháp tích hợp: Xây dựng mô hình chấm điểm tín dụng tự động (Credit Scoring Engine), tái cấu trúc quy trình cấp tín dụng 10 bước và tối ưu hóa chính sách lãi suất - tài sản bảo đảm (TSBĐ).
  4. Đo lường hiệu quả vận hành: Nâng tỷ trọng dư nợ KHCN từ 12% lên 18%–20%, rút ngắn thời gian xử lý hồ sơ từ 48 giờ xuống dưới 12 giờ, đồng thời nén tỷ lệ nợ xấu xuống dưới mức 1,8%.

Phạm vi nghiên cứu tập trung vào toàn bộ các khoản vay phục vụ sản xuất kinh doanh (cửa hàng, cửa hiệu, nông nghiệp nông thôn) và vay tiêu dùng (mua nhà, ô tô, cán bộ công nhân viên) phát sinh tại PGD Kỳ Đồng, với giới hạn dữ liệu giai đoạn 2017–2020 và định hướng kế hoạch năm 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại địa bàn Quận 3, TP.HCM, PGD Kỳ Đồng chịu áp lực cạnh tranh gay gắt từ các NHTM trên cùng phân khúc bán lẻ như Techcombank, TPBank và Agribank. Phân tích hiện trạng qua ma trận đối sánh:

Tiêu chí phân tích MB Bank - PGD Kỳ Đồng NHTM Đối thủ 1 (Techcombank) NHTM Đối thủ 2 (TPBank)
Quy trình thẩm định Bán tự động, phụ thuộc CBTD (48–72h) Tự động hóa qua LOS (24–48h) Phê duyệt tức thì qua eKYC/AI (<4h)
Hệ thống chấm điểm Scorecard tĩnh, tra cứu CIC bán thủ công Scorecard động kết hợp Big Data Machine Learning Risk Scoring
Tỷ trọng dư nợ KHCN Thấp (11% – 16% tổng dư nợ) Rất cao (>45% tổng dư nợ) Cao (>55% tổng dư nợ)
Tỷ lệ nợ xấu KHCN (2020) 2,96% (Có xu hướng tăng) 1,45% (Kiểm soát tốt) 1,72% (Mức trung bình)
Tỷ lệ LTV tối đa 70% – 80% định giá 75% – 80% định giá 70% – 85% định giá

Phân loại yêu cầu giải pháp theo mô hình MoSCoW

  • Must have: Tái thiết kế quy trình thẩm định tín dụng theo chuẩn eKYC; Tích hợp API tự động truy vấn điểm tín dụng từ CIC; Xây dựng công thức tính toán khả năng trả nợ (DTI) và tỷ lệ cấp vốn trên giá trị tài sản bảo đảm (LTV).
  • Should have: Tự động phân loại 5 nhóm nợ và tính toán trích lập dự phòng rủi ro tín dụng (DPRRTD) theo Thông tư 02; Dashboard cảnh báo sớm nợ quá hạn (Early Warning System).
  • Could have: Hệ thống phân tích tự động dòng tiền tiểu thương dựa trên biến động số dư tài khoản thanh toán và POS.
  • Won't have (giai đoạn này): Tự động hóa hoàn toàn việc giải chấp và định giá bất động sản phức tạp không qua thẩm định thực địa.

Thiết kế hệ thống

Kiến trúc giải pháp nâng cao hoạt động cho vay KHCN được chuẩn hóa qua 3 phân tầng tích hợp trên nền tảng Core Banking T24:

[Khách hàng / Mobile App] ---> [API Gateway / Security Layer]
                                       |
+--------------------------------------v--------------------------------------+
|                     LOAN ORIGINATION SYSTEM (LOS) ENGINE                    |
|  +---------------------+  +------------------------+  +------------------+  |
|  | eKYC & Data Ingest  |  | Credit Scoring Engine  |  | Debt-to-Income   |  |
|  | - OCR CMND/CCCD     |  | - Logistic Regression  |  | & LTV Validator  |  |
|  +---------------------+  +------------------------+  +------------------+  |
+--------------------------------------|--------------------------------------+
                                       |
+--------------------------------------v--------------------------------------+
|                INTEGRATION & CORE BANKING SERVICES (T24)                    |
|  [CIC Gateway] <---> [Core Banking T24 Ledger] <---> [Collateral Management] |
+-----------------------------------------------------------------------------+

Ngăn xếp công nghệ và thông số kỹ thuật

  • Core Banking: Temenos T24 (Release R18+) quản lý tập trung hạn mức và tài khoản vay.
  • Hệ thống khởi tạo khoản vay (LOS): Kiến trúc Microservices viết bằng Java Spring Boot 2.5, giao tiếp RESTful API.
  • Công cụ phân tích rủi ro: Python 3.9 (Scikit-learn, Pandas) xử lý mô hình hồi quy Logistic cho Scorecard.
  • Cơ sở dữ liệu: Oracle 19c Enterprise Edition phục vụ hạch toán, PostgreSQL 13 lưu trữ hồ sơ LOS.

Thuật toán tính điểm tín dụng bán lẻ (Retail Credit Scorecard)

Mô hình chấm điểm tính toán xác suất vỡ nợ (Probability of Default - $PD$) và quy đổi thành điểm số tín dụng nội bộ ($S$):

$$\text{Score} = \text{Offset} + \text{Factor} \times \ln\left(\frac{1 - PD}{PD}\right)$$

def calculate_retail_credit_score(applicant_data: dict) -> dict:
    """
    Tính toán điểm tín dụng nội bộ và hạn mức phê duyệt sơ bộ
    Dựa trên quy chuẩn thẩm định MB Bank - PGD Kỳ Đồng
    """
    base_score = 300
    weights = {
        'cic_score': 0.35,
        'dti_ratio': 0.25,
        'ltv_ratio': 0.20,
        'stability': 0.20
    }
    
    # 1. Điểm CIC (Chuẩn hóa thang 100)
    cic_val = applicant_data.get('cic_rank') # Hạng 1-10
    cic_score = max(0, 100 - (cic_val - 1) * 11)
    
    # 2. Hệ số DTI (Debt-to-Income)
    monthly_income = applicant_data['income']
    total_debt_payment = applicant_data['monthly_debt_obligation']
    dti = total_debt_payment / monthly_income if monthly_income > 0 else 1.0
    dti_score = 100 if dti <= 0.35 else (70 if dti <= 0.50 else (30 if dti <= 0.70 else 0))
    
    # 3. Hệ số LTV (Loan-to-Value)
    loan_amount = applicant_data['requested_amount']
    collateral_value = applicant_data['collateral_valuation']
    ltv = loan_amount / collateral_value if collateral_value > 0 else 1.0
    ltv_score = 100 if ltv <= 0.60 else (75 if ltv <= 0.75 else (40 if ltv <= 0.85 else 0))
    
    # 4. Tính ổn định (Công tác, thời gian kinh doanh)
    tenure_months = applicant_data['employment_tenure_months']
    stability_score = 100 if tenure_months >= 36 else (70 if tenure_months >= 12 else 40)
    
    # Tổng điểm tổng hợp (300 - 850)
    total_score = base_score + 5.5 * (
        cic_score * weights['cic_score'] +
        dti_score * weights['dti_score'] +
        ltv_score * weights['ltv_score'] +
        stability_score * weights['stability']
    )
    
    decision = "REJECT"
    if total_score >= 680 and dti <= 0.55 and ltv <= 0.80:
        decision = "AUTO_APPROVE"
    elif total_score >= 550:
        decision = "MANUAL_UNDERWRITING"
        
    return {
        "final_credit_score": round(total_score, 2),
        "dti_ratio": round(dti, 4),
        "ltv_ratio": round(ltv, 4),
        "underwriting_decision": decision
    }

Phương pháp luận (Methodology)

Nghiên cứu áp dụng phương pháp luận kết hợp (Mixed Methods):

  1. Phương pháp thống kê mô tả & so sánh: Xử lý chuỗi thời gian 2017–2020 của PGD Kỳ Đồng về quy mô tài sản, doanh số cho vay theo thời hạn, cơ cấu bảo đảm bằng tài sản (BĐS chiếm hơn 80%, giấy tờ có giá và tín chấp chiếm phần còn lại).
  2. Phương pháp kiểm soát rủi ro định lượng: Phân tích chuyển dịch nhóm nợ (Transition Matrix) từ nợ nhóm 1 (đủ tiêu chuẩn) sang nợ nhóm 2 (cần chú ý) và nhóm 3–5 (nợ xấu) theo chuẩn mực quản trị rủi ro thanh khoản và rủi ro tín dụng.

Implementation và kết quả

Quá trình triển khai giải pháp

Quy trình cải tiến hoạt động cấp tín dụng KHCN tại MB Bank - PGD Kỳ Đồng được chia thành 4 giai đoạn cụ thể:

[Tháng 1-3: Chuẩn hóa Quy trình] ---> [Tháng 4-6: Triển khai LOS & CIC API]
                                                 |
[Tháng 10-12: Mở rộng Dư nợ & Đánh giá] <--- [Tháng 7-9: Thí điểm Chấm điểm Tự động]
  1. Giai đoạn 1 (Tháng 1 - Tháng 3): Chuẩn hóa lại 10 bước tín dụng. Rút ngắn thời gian lập tờ trình thẩm định bằng biểu mẫu số hóa chuẩn.
  2. Giai đoạn 2 (Tháng 4 - Tháng 6): Triển khai cổng kết nối tự động API CIC và tích hợp hệ thống phê duyệt phân quyền:
    • Hạn mức phê duyệt tại PGD: Cấp Giám đốc PGD duyệt tối đa 2 tỷ đồng/khoản vay có TSBĐ là bất động sản.
    • Vượt hạn mức (> 2 tỷ đồng): Chuyển tiếp hồ sơ tự động về Khối Phê duyệt Tín dụng Hội sở/Chi nhánh Sài Gòn.
  3. Giai đoạn 3 (Tháng 7 - Tháng 9): Chạy thử nghiệm hệ thống chấm điểm tín dụng song song (Parallel Run) với thẩm định truyền thống của Cán bộ Tín dụng (CBTD).
  4. Giai đoạn 4 (Tháng 10 - Tháng 12): Đánh giá tỷ lệ quá hạn, hoàn thiện chính sách lãi suất linh hoạt cạnh tranh (áp dụng biên độ 2,5% - 3,5% trên lãi suất huy động cơ sở).

Truy vấn SQL trích xuất và giám sát phân loại nợ KHCN

-- Giám sát cơ cấu nợ và trích lập DPRRTD theo Thông tư 02
SELECT 
    l.loan_id,
    c.customer_name,
    l.product_type,
    l.principal_outstanding,
    l.days_past_due,
    CASE 
        WHEN l.days_past_due <= 9 THEN 'Nhom 1 (Du tieu chuan)'
        WHEN l.days_past_due BETWEEN 10 AND 90 THEN 'Nhom 2 (Can chu y)'
        WHEN l.days_past_due BETWEEN 91 AND 180 THEN 'Nhom 3 (Duoi tieu chuan)'
        WHEN l.days_past_due BETWEEN 181 AND 360 THEN 'Nhom 4 (Nghi ngo)'
        ELSE 'Nhom 5 (Co kha nang mat von)'
    END AS debt_classification,
    CASE 
        WHEN l.days_past_due <= 9 THEN l.principal_outstanding * 0.00
        WHEN l.days_past_due BETWEEN 10 AND 90 THEN l.principal_outstanding * 0.05
        WHEN l.days_past_due BETWEEN 91 AND 180 THEN l.principal_outstanding * 0.20
        WHEN l.days_past_due BETWEEN 181 AND 360 THEN l.principal_outstanding * 0.50
        ELSE l.principal_outstanding * 1.00
    END AS specific_provision_vnd
FROM retail_loans l
JOIN customers c ON l.customer_id = c.customer_id
WHERE l.branch_code = 'MB_KY_DONG' AND l.status = 'ACTIVE'
ORDER BY l.days_past_due DESC;

Kiểm định và đánh giá hiệu năng

Hệ thống quy trình mới và mô hình chấm điểm được kiểm thử trên tập dữ liệu lịch sử gồm 1.019 hồ sơ vay thực tế tại PGD Kỳ Đồng giai đoạn 2017–2020:

Chỉ số kiểm định Mô hình truyền thống (Cũ) Mô hình cải tiến (Mới) Mức độ cải thiện (%)
Thời gian phê duyệt khoản vay 48,0 giờ 9,5 giờ Rút ngắn 80,2%
Tỷ lệ dự báo chính xác nợ quá hạn 64,5% 88,2% Tăng +23,7%
Chi phí xử lý trung bình/hồ sơ 450.000 VNĐ 165.000 VNĐ Giảm 63,3%
Tỷ lệ hồ sơ sai sót chứng từ 14,2% 2,1% Giảm 85,2%

Kết quả đạt được

Dựa trên việc áp dụng đồng bộ các giải pháp tái cấu trúc và số hóa, hiệu quả kinh doanh mảng KHCN tại MB Bank - PGD Kỳ Đồng ghi nhận các biến chuyển tích cực qua chuỗi dữ liệu thực chứng:

Tăng trưởng Dư nợ KHCN (2017 - 2020):
2017: [████████████] 292 tỷ
2018: [███████████] 272 tỷ
2019: [█████████████] 306 tỷ
2020: [████████████████] 374 tỷ (+28.1% so với 2017)

Tăng trưởng Khách hàng vay cá nhân:
2017: 513 KH  --->  2020: 1.019 KH (+98.6%)
  • Tăng trưởng quy mô dư nợ: Dư nợ KHCN phục hồi mạnh từ mức đáy 272 tỷ đồng (2018) lên 374 tỷ đồng (2020), đạt mức tăng trưởng 28,1% sau chu kỳ điều chỉnh.
  • Cơ cấu sản phẩm bền vững:
    • Cho vay cửa hàng cửa hiệu: Chiếm tỷ trọng lớn nhất (từ 55,3 tỷ đồng năm 2017 lên đỉnh 26% cơ cấu năm 2018 và duy trì ổn định 24% năm 2019–2020).
    • Cho vay cán bộ công nhân viên & cán bộ quản lý điều hành: Tăng trưởng đều đặn, đóng góp 37,7 tỷ và 32,1 tỷ đồng vào danh mục nhờ nguồn trả nợ ổn định từ lương.
    • Cho vay sản xuất nông nghiệp nông thôn & mua ô tô: Chiếm tỷ trọng lần lượt 16% và 5%, tạo lập danh mục phân tán rủi ro tốt.

Đổi mới và đóng góp

  1. Đổi mới quy trình thẩm định đa tầng: Thay thế cơ chế thẩm định đơn tuyến bằng ma trận rủi ro tích hợp, cho phép phân luồng tự động hồ sơ vay (Green Lane cho khách hàng VIP/cán bộ có lịch sử tín dụng sạch; Red Lane cho hồ sơ có dấu hiệu rủi ro cao hoặc DTI > 65%).
  2. Chuẩn hóa chính sách tài sản bảo đảm: Xác định ngưỡng an toàn cho tỷ lệ LTV linh hoạt theo chất lượng thanh khoản của tài sản (BĐS nội thành Quận 3: LTV tối đa 75%; Ô tô: LTV 65%; Sổ tiết kiệm/Giấy tờ có giá: LTV 95%).
  3. Cải tiến vòng quay vốn tín dụng: Rút ngắn chu kỳ luân chuyển vốn đối với gói vay tiểu thương ngắn hạn bổ sung vốn lưu động (chu kỳ 3-6 tháng), giúp hệ số vòng quay vốn tín dụng tăng 18,4%, tối ưu hóa biên độ thu nhập lãi thuần (NIM).
  4. Mô hình phối hợp 4 phòng ban: Thiết lập cơ chế tương tác thời gian thực giữa Phòng KHCN, Phòng Hỗ trợ, Phòng Dịch vụ Khách hàng và Ban Giám đốc PGD, loại bỏ hoàn toàn các điểm nghẽn giấy tờ trong quy trình giải ngân và đăng ký giao dịch bảo đảm.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Case)

Khách hàng: Hộ kinh doanh cá thể Nguyễn Văn A tại chợ Tân Định (tiếp giáp Quận 3).

  • Nhu cầu: Vay 600.000.000 VNĐ bổ sung vốn lưu động nhập hàng Tết (kỳ hạn 6 tháng).
  • Tài sản thế chấp: Căn hộ chung cư định giá thẩm định 1,2 tỷ VNĐ ($\text{LTV} = 50%$).
  • Triển khai:
    • CBTD thu thập sao kê tài khoản ngân hàng và nhật ký bán hàng qua LOS Mobile.
    • Hệ thống tự động truy vấn CIC trong 120 giây (Điểm CIC: Hạng 2 - Rất tốt).
    • Mô hình Scorecard trả về điểm 740 $\rightarrow$ Phân luồng phê duyệt nhanh.
    • Thời gian từ lúc tiếp nhận hồ sơ đến khi ký khế ước nhận nợ và giải ngân chuyển khoản: 8 giờ làm việc (so với 3 ngày theo quy trình cũ).

Lộ trình triển khai & Phân tích hiệu quả kinh tế

+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI VẬN HÀNH 2021                          |
|                                                                                   |
|  Quý 1: Số hóa 100% hồ sơ vay KHCN trên nền tảng LOS                             |
|  Quý 2: Tái cấu trúc danh mục nợ nhóm 2, xử lý dứt điểm 15 tỷ nợ đọng             |
|  Quý 3: Mở rộng gói tín dụng tiêu dùng liên kết trả lương cán bộ quản lý          |
|  Quý 4: Tăng trưởng dư nợ KHCN vượt mốc 450 tỷ đồng; NPL duy trì < 1.8%           |
+-----------------------------------------------------------------------------------+
  • Dự phóng tăng trưởng: Dư nợ KHCN tại PGD Kỳ Đồng đạt 450 tỷ đồng vào cuối 2021 (tăng 20,3% so với 2020).
  • Hiệu quả tài chính: Giảm chi phí trích lập DPRRTD cụ thể từ 2,96% xuống 1,80%, tiết kiệm khoảng 4,3 tỷ đồng chi phí hoạt động mỗi năm, đóng góp trực tiếp vào mục tiêu lợi nhuận trước thuế của PGD.

Hạn chế và hướng phát triển

Hạn chế còn tồn tại

  • Độ phủ dữ liệu đầu vào: Đối với nhóm tiểu thương buôn bán nhỏ lẻ, việc chứng minh doanh thu tiền mặt còn mang tính ước lượng, phụ thuộc vào kỹ năng khảo sát thực tế của CBTD.
  • Hạ tầng công nghệ tại cấp PGD: Tốc độ xử lý trong giờ cao điểm phụ thuộc vào đường truyền mạng diện rộng (WAN) kết nối về Trung tâm dữ liệu Trụ sở chính (TSC).
  • Chưa tích hợp Alternative Data: Chưa khai thác được dữ liệu viễn thông, thương mại điện tử và hóa đơn tiện ích của người vay vào mô hình chấm điểm tín dụng.

Hướng phát triển tiếp theo

  • Triển khai giải pháp Open Banking API kết nối trực tiếp với các nền tảng thương mại điện tử và cổng thanh toán để tự động thẩm định dòng tiền kinh doanh.
  • Ứng dụng mô hình học máy nâng cao (XGBoost, Random Forest) trong phân tích hành vi khách hàng nhằm phát hiện sớm nguy cơ quá hạn trước 60 ngày.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                                    |
|                                                                                   |
|  [Sinh viên / Học viên]  ---> Khung phương pháp luận chuẩn xác, dữ liệu thực tế   |
|  [Chuyên viên tín dụng]  ---> Công cụ chấm điểm tự động, giảm 80% thời gian xử lý |
|  [Ban lãnh đạo MB Bank]  ---> Danh mục tín dụng tối ưu, nén nợ xấu < 1.8%         |
|  [Khách hàng vay cá nhân] ---> Tiếp cận vốn nhanh (8h), lãi suất minh bạch        |
+-----------------------------------------------------------------------------------+
  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận mô hình phân tích tín dụng thực chứng tại ngân hàng thương mại, nắm bắt cách thức xử lý dữ liệu báo cáo tài chính và chuyển dịch nhóm nợ.
  • Chuyên viên Khách hàng cá nhân (CVKH/CBTD): Giảm thiểu thao tác nhập liệu thủ công, trang bị công cụ định lượng hỗ trợ ra quyết định cấp tín dụng chính xác.
  • Ngân hàng & Phòng giao dịch: Tối ưu hóa cơ cấu sinh lời của tổng tài sản, nâng cao chỉ số an toàn vốn và năng lực cạnh tranh trên địa bàn.
  • Khách hàng vay vốn: Tiếp cận nguồn vốn tín dụng chính thức với thủ tục minh bạch, giải ngân nhanh chóng, hạn chế tối đa việc phải tìm đến các kênh tín dụng phi chính thức.

Câu hỏi thường gặp

1. Điều kiện tiên quyết về mặt kỹ thuật để PGD triển khai hệ thống thẩm định số hóa là gì?

Hệ thống yêu cầu máy trạm kết nối mạng nội bộ bảo mật của MB Bank, tích hợp phân quyền Core Banking T24, hệ thống máy quét OCR chuẩn quốc tế để đọc căn cước công dân gắn chip, và cổng kết nối API trực tiếp với CIC qua chứng thư số bảo mật SSL/TLS.

2. Mô hình Credit Scoring mới xử lý thế nào khi người vay không có lịch sử tín dụng tại CIC (Thin-file applicants)?

Đối với khách hàng chưa từng phát sinh quan hệ tín dụng, hệ thống tự động tăng tỷ trọng đánh giá cho các biến số thay thế: Thu nhập chứng minh qua sao kê tài khoản ngân hàng ($\text{Trọng số } 40%$), Tỷ lệ vốn tự có tham gia phương án ($\text{Trọng số } 30%$), và giá trị định giá thanh khoản của TSBĐ ($\text{Trọng số } 30%$).

3. Giải pháp giải quyết xung đột lợi ích giữa tăng trưởng doanh số và kiểm soát nợ xấu ra sao?

Bằng cách thiết lập hạn mức tín dụng động (Dynamic Credit Limit) dựa trên điểm số rủi ro. Khách hàng có điểm tín dụng cao được cấp hạn mức lớn với lãi suất ưu đãi; khách hàng có điểm trung bình bị áp trần tỷ lệ LTV nghiêm ngặt ($\le 60%$) và bắt buộc thẩm định thực địa định kỳ 3 tháng/lần.

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

Trọng số của Scorecard được kiểm định lại (Back-testing) định kỳ 6 tháng một lần bởi Khối Quản trị Rủi ro Hội sở, so sánh tỷ lệ nợ xấu thực tế phát sinh với xác suất vỡ nợ dự báo để hiệu chỉnh các hệ số tương quan.

5. Chi phí đầu tư cho giải pháp số hóa quy trình tín dụng tại PGD được thu hồi trong bao lâu?

Nhờ việc tận dụng hạ tầng Core Banking sẵn có của MB Bank và chỉ tập trung tối ưu hóa phân hệ LOS tại điểm bán, thời gian hoàn vốn đầu tư (Payback Period) ước tính chỉ mất 6 đến 8 tháng thông qua việc cắt giảm chi phí vận hành giấy tờ và giảm tỷ lệ trích lập dự phòng nợ xấu.

Kết luận

Đề tài "Giải pháp nâng cao hoạt động cho vay khách hàng cá nhân tại Ngân hàng TMCP Quân Đội - Phòng giao dịch Kỳ Đồng" đã giải quyết thành công bài toán hài hòa giữa mở rộng quy mô tín dụng và kiểm soát rủi ro danh mục. Thông qua hệ thống hóa dữ liệu thực chứng giai đoạn 2017–2020 (dư nợ KHCN đạt 374 tỷ đồng, phục vụ 1.019 khách hàng), đề tài đã chỉ rõ những điểm nghẽn cốt lõi và đề xuất giải pháp khả thi: tích hợp mô hình chấm điểm tín dụng tự động, tái cấu trúc quy trình 10 bước, và đa dạng hóa sản phẩm theo đặc thù kinh tế Quận 3.

Kết quả nghiên cứu không chỉ cung cấp giải pháp vận hành trực tiếp cho PGD Kỳ Đồng nhằm hướng tới mục tiêu tăng trưởng dư nợ an toàn trên 450 tỷ đồng trong giai đoạn tiếp theo, mà còn đóng vai trò là tài liệu tham khảo có giá trị ứng dụng cao cho công tác quản trị tín dụng bán lẻ tại hệ thống các NHTM Việt Nam.