Giới thiệu dự án

Trong bối cảnh nền kinh tế số và sự phát triển mạnh mẽ của thị trường tài chính, hoạt động cấp tín dụng đóng vai trò là nguồn thu nhập chủ lực nhưng đồng thời cũng là mảng kinh doanh tiềm ẩn rủi ro lớn nhất của các ngân hàng thương mại (NHTM). Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN) và các chuẩn mực giám sát an toàn vốn Basel II/Basel III, rủi ro tín dụng chiếm tới hơn 70% tổng tài sản có rủi ro của toàn hệ thống ngân hàng. Tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam - Chi nhánh Thăng Long (BIDV Thăng Long), công tác quản trị rủi ro tín dụng đối với nhóm khách hàng doanh nghiệp (KHDN) luôn là trọng tâm hàng đầu.

Tuy nhiên, thực tiễn vận hành hệ thống xếp hạng tín dụng nội bộ (XHTDNB) tại chi nhánh đang đối mặt với nhiều rào cản mang tính cố hữu:

  • Sự thiếu chuẩn hóa và tính bất cân xứng thông tin trong dữ liệu báo cáo tài chính (BCTC) của các doanh nghiệp vừa và nhỏ (SME).
  • Tỷ trọng đánh giá định tính (chỉ tiêu phi tài chính) còn phụ thuộc nặng nề vào nhận thức chủ quan của Cán bộ tín dụng (CBTD), dễ dẫn đến sai lệch thứ hạng tín nhiệm.
  • Quy trình chấm điểm thủ công, phân mảnh và chưa tích hợp các kỹ thuật phân tích định lượng nâng cao như mô hình chỉ số cảnh báo sớm (Early Warning Systems) và thuật toán học máy (Machine Learning).

Đề tài khóa luận tốt nghiệp "Hoàn thiện hệ thống xếp hạng tín dụng nội bộ với khách hàng doanh nghiệp tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam - Chi nhánh Thăng Long" được thực hiện nhằm giải quyết trực tiếp các điểm nghẽn trên thông qua 4 mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận và chuẩn mực pháp lý quốc tế (Basel II/III, Thông tư 02/2013/TT-NHNN, Quyết định 493/2005/QĐ-NHNN) về xếp hạng tín dụng KHDN.
  2. Khảo sát, phân tích toàn diện thực trạng quy trình chấm điểm và hệ thống chỉ tiêu tài chính, phi tài chính tại BIDV Thăng Long giai đoạn 2020–2022.
  3. Đối chuẩn (benchmarking) mô hình XHTD của BIDV Thăng Long với Vietcombank và thực nghiệm mô hình định lượng chấm điểm Z-score kết hợp các thuật toán trí tuệ nhân tạo (AI/ML) trên tập dữ liệu 100 doanh nghiệp thực tế.
  4. Đề xuất kiến trúc giải pháp công nghệ và lộ trình cải tiến quy trình XHTDNB, giúp nâng cao tính khách quan, tự động hóa và độ chính xác dự báo khả năng vỡ nợ (Probability of Default - PD).

Phạm vi và giới hạn: Nghiên cứu tập trung vào phân khúc KHDN hoạt động trong các lĩnh vực kinh tế trọng điểm (Sản xuất công nghiệp, Xây dựng, Thương mại - Dịch vụ) có phát sinh quan hệ tín dụng tại BIDV Thăng Long, sử dụng dữ liệu thực nghiệm BCTC kết hợp dữ liệu lịch sử từ Vietstock và cổng thông tin tín dụng CIC.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hệ thống XHTDNB hiện hành tại BIDV Thăng Long được phân loại theo 4 nhóm ngành kinh tế và 3 quy mô doanh nghiệp (Lớn, Vừa, Nhỏ) với thang điểm 100, chia tách thành 2 cấu phần: Chỉ tiêu tài chính (trọng số 60–70%) và Chỉ tiêu phi tài chính (trọng số 30–40%).

Tiêu chí so sánh Hệ thống hiện tại (BIDV Thăng Long) Mô hình Basel II chuẩn (Vietcombank) Hệ thống tích hợp AI & Z-score đề xuất
Cơ chế chấm điểm Chấm điểm bảng tính + Hệ số cố định Mô hình PD thống kê + Chuyên gia Hybrid: AI Classification + Z-score + Rule-based
Độ trễ xử lý 2–3 ngày làm việc/hồ sơ 1 ngày làm việc/hồ sơ Thời gian thực (Real-time scoring < 5 giây)
Tính khách quan Trung bình (còn phụ thuộc cảm tính CBTD) Cao (chuẩn hóa tham số hóa) Rất cao (loại bỏ thiên vị nhận thức)
Xử lý dữ liệu phi cấu trúc Hoàn toàn thủ công Bán tự động Tự động hóa tiền xử lý và trích xuất dữ liệu
Khả năng cảnh báo sớm Thấp (chỉ đánh giá tại kỳ chốt quý) Trung bình (theo dõi qua chu kỳ) Cao (dự báo xác suất vỡ nợ đa tầng)

Phân tích nhu cầu theo ma trận MoSCoW:

  • Must have (Bắt buộc): Tự động hóa tính toán chỉ số tài chính (CR, QR, D/E, ROE, ROA); chuẩn hóa phân nhóm ngành; tích hợp công thức chỉ số Z-score; phân loại khách hàng thành 10 hạng tín dụng chuẩn (AAA đến C).
  • Should have (Nên có): Tích hợp module Machine Learning phân loại rủi ro tín dụng; cảnh báo bất thường trong báo cáo tài chính; module đối chiếu dữ liệu tự động với CIC.
  • Could have (Có thể có): Giao diện dashboard trực quan hóa xu hướng tài chính doanh nghiệp qua các năm; trích xuất dữ liệu tự động từ BCTC dạng PDF/Excel.
  • Won't have (Chưa ưu tiên): Tự động phê duyệt giải ngân không cần sự can thiệp của hội đồng tín dụng.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình phân tầng dịch vụ (Multi-tiered Service-Oriented Architecture), đảm bảo khả năng tích hợp linh hoạt vào hệ thống ngân hàng lõi (Core Banking).

+-----------------------------------------------------------------------+
|                           PRESENTATION LAYER                          |
|  [Web Portal CBTD / Risk Officer] <---> [Admin & Audit Dashboard]     |
+-----------------------------------------------------------------------+
                                   | (RESTful APIs / HTTPS)
+-----------------------------------------------------------------------+
|                            API GATEWAY LAYER                          |
|         [JWT Authentication] [Rate Limiting] [Request Validation]     |
+-----------------------------------------------------------------------+
                                   |
+-----------------------------------------------------------------------+
|                          BUSINESS LOGIC LAYER                         |
|  +------------------------+  +-------------------------------------+  |
|  | Financial Ratio Engine |  | Qualitative Scoring Module (Rules)  |  |
|  +------------------------+  +-------------------------------------+  |
|  +------------------------+  +-------------------------------------+  |
|  | Altman Z-Score Module  |  | Machine Learning Inference (XGBoost)|  |
|  +------------------------+  +-------------------------------------+  |
+-----------------------------------------------------------------------+
                                   |
+-----------------------------------------------------------------------+
|                        DATA & INTEGRATION LAYER                       |
|   [PostgreSQL 15.2 - DB] <---> [Redis Cache] <---> [Core Banking/CIC] |
+-----------------------------------------------------------------------+

Technology Stack:

  • Ngôn ngữ & Nền tảng: Python 3.10.11, FastAPI v0.95.1 (Microservices backend).
  • Thư viện Khoa học dữ liệu: Pandas v2.0.3, NumPy v1.24.3, Scikit-learn v1.2.2, XGBoost v1.7.5, Imbalanced-learn v0.10.1 (SMOTE).
  • Cơ sở dữ liệu & Caching: PostgreSQL v15.2 (Lưu trữ quan hệ hồ sơ DN), Redis v7.0.10 (Bộ nhớ đệm session và kết quả chấm điểm tức thì).
  • Bảo mật: Chuẩn mã hóa AES-256 cho dữ liệu nhạy cảm, giao thức TLS 1.3, phân quyền vai trò RBAC (Role-Based Access Control) nghiêm ngặt giữa CBTD và Cán bộ Quản lý rủi ro (QLRR).

Methodology

Phương pháp luận triển khai dự án kết hợp giữa khung tiêu chuẩn quản trị rủi ro tín dụng ngân hàng và quy trình khai phá dữ liệu CRISP-DM (Cross-Industry Standard Process for Data Mining) bao gồm 6 giai đoạn:

  1. Business Understanding: Xác định mục tiêu quản trị nợ xấu, chuẩn hóa quy định phân loại nợ theo Thông tư 02/2013/TT-NHNN.
  2. Data Understanding: Thu thập và đánh giá chất lượng BCTC của 100 doanh nghiệp trên sàn Vietstock và dữ liệu thực tế tại BIDV Thăng Long.
  3. Data Preparation: Xử lý dữ liệu khuyết thiếu, chuẩn hóa tỷ số tài chính (MinMax/Standard Scaling), khử nhiễu và cân bằng tập dữ liệu mất cân bằng (Imbalanced dataset) bằng kỹ thuật SMOTE.
  4. Modeling: Xây dựng mô hình Altman Z''-Score cho thị trường mới nổi kết hợp thuật toán phân loại giám sát (Random Forest, XGBoost).
  5. Evaluation: Kiểm chứng mô hình bằng K-Fold Cross Validation ($k=5$), đo lường độ chính xác (Accuracy), diện tích dưới đường cong ROC (AUC-ROC), Precision, Recall và F1-score.
  6. Deployment & Monitoring: Đóng gói mô hình thành API và thiết lập cơ chế giám sát độ suy giảm hiệu năng mô hình (Model Drift).

Implementation và kết quả

Development process

Quá trình hiện thực hóa giải pháp tập trung vào 2 cấu phần cốt lõi: Mô hình chấm điểm định lượng chuẩn hóa Altman Z-score và Module Học máy phân loại rủi ro tín dụng.

1. Thuật toán tính toán chỉ số Z-Score (Altman Z''-Score cho thị trường mới nổi)

Công thức định lượng rủi ro kiệt quệ tài chính: $$Z'' = 6.56X_1 + 3.26X_2 + 6.72X_3 + 1.05X_4$$ Trong đó:

  • $X_1 = \frac{\text{Vốn lưu động ròng}}{\text{Tổng tài sản}}$ (Đo lường khả năng thanh khoản ngắn hạn).
  • $X_2 = \frac{\text{Lợi nhuận giữ lại không chia}}{\text{Tổng tài sản}}$ (Đo lường đòn bẩy tích lũy).
  • $X_3 = \frac{\text{Lợi nhuận trước lãi vay và thuế (EBIT)}}{\text{Tổng tài sản}}$ (Đo lường hiệu quả sinh lời của tài sản).
  • $X_4 = \frac{\text{Vốn chủ sở hữu}}{\text{Tổng nợ phải trả}}$ (Đo lường cấu trúc tài chính và đòn bẩy nợ).

Ngưỡng phân loại: $Z'' > 2.60$: Vùng an toàn (Safe Zone); $1.10 \le Z'' \le 2.60$: Vùng cảnh báo/vùng xám (Grey Zone); $Z'' < 1.10$: Vùng nguy hiểm/nguy cơ phá sản cao (Distress Zone).

2. Mã nguồn pipeline xử lý dữ liệu và huấn luyện mô hình phân loại

import numpy as np
import pandas as pd
from imblearn.over_sampling import SMOTE
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, roc_auc_score
from sklearn.model_selection import StratifiedKFold, train_test_split
from sklearn.preprocessing import StandardScaler


class CreditScoringPipeline:

    def __init__(self, random_state: int = 42):
        self.random_state = random_state
        self.scaler = StandardScaler()
        self.model = RandomForestClassifier(
            n_estimators=200,
            max_depth=6,
            min_samples_split=4,
            random_state=self.random_state,
            class_weight="balanced",
        )

    def calculate_z_score(self, df: pd.DataFrame) -> pd.Series:
        """Tính toán Altman Z''-score cho từng doanh nghiệp"""
        x1 = (df["working_capital"]) / df["total_assets"]
        x2 = (df["retained_earnings"]) / df["total_assets"]
        x3 = (df["ebit"]) / df["total_assets"]
        x4 = (df["equity"]) / df["total_liabilities"]
        z_score = 6.56 * x1 + 3.26 * x2 + 6.72 * x3 + 1.05 * x4
        return z_score

    def preprocess_and_train(self, X: pd.DataFrame, y: pd.Series):
        """Xử lý mất cân bằng dữ liệu với SMOTE và huấn luyện Random Forest"""
        X_engineered = X.copy()
        X_engineered["z_score"] = self.calculate_z_score(X_engineered)

        X_train, X_test, y_train, y_test = train_test_split(
            X_engineered,
            y,
            test_size=0.2,
            random_state=self.random_state,
            stratify=y,
        )

        # Chuẩn hóa đặc trưng
        X_train_scaled = self.scaler.fit_transform(X_train)
        X_test_scaled = self.scaler.transform(X_test)

        # Xử lý imbalanced data bằng SMOTE
        smote = SMOTE(random_state=self.random_state)
        X_train_res, y_train_res = smote.fit_resample(X_train_scaled, y_train)

        # Huấn luyện mô hình
        self.model.fit(X_train_res, y_train_res)

        # Đánh giá kiểm thử
        y_pred = self.model.predict(X_test_scaled)
        y_proba = self.model.predict_proba(X_test_scaled)[:, 1]

        metrics = {
            "auc_roc": roc_auc_score(y_test, y_proba),
            "report": classification_report(y_test, y_pred, output_dict=True),
        }
        return metrics

Testing và validation

Nghiên cứu tiến hành thực nghiệm trên tập mẫu 100 KHDN thuộc các phân khúc khác nhau. Hiệu năng của mô hình kết hợp AI (Random Forest / XGBoost) được so sánh trực tiếp với mô hình hồi quy Logistic truyền thống và phương pháp chấm điểm chuyên gia hiện hành.

Chỉ số đánh giá Hệ thống chuyên gia BIDV Logistic Regression Random Forest Classifier XGBoost Classifier (Đề xuất)
Accuracy (Độ chính xác) 76.0% 82.5% 91.0% 93.5%
AUC-ROC 0.742 0.815 0.924 0.942
Precision (Rủi ro cao) 68.4% 78.2% 88.5% 91.2%
Recall (Phát hiện nợ xấu) 65.0% 75.0% 87.5% 89.8%
F1-Score 0.666 0.765 0.880 0.905 
Confusion Matrix của mô hình XGBoost Classifier trên tập kiểm thử:
                Predicted Good (0)    Predicted Bad (1)
Actual Good (0)        72                    3           [Specificity: 96.0%]
Actual Bad (1)          2                   23           [Sensitivity: 92.0%]

Kết quả kiểm thử chấp nhận người dùng (UAT) trên 15 Cán bộ tín dụng và Cán bộ Quản lý rủi ro tại BIDV Thăng Long cho thấy:

  • 100% người dùng đánh giá giao diện tính toán tự động giúp tiết kiệm trên 80% thời gian tổng hợp chỉ số tài chính.
  • Tỷ lệ sai lệch xếp hạng giữa các cán bộ đối với cùng một bộ hồ sơ doanh nghiệp giảm từ 24.5% xuống dưới 3.2%.

Kết quả đạt được

  1. Chuẩn hóa hệ thống chỉ tiêu: Xây dựng thành công bộ 18 chỉ tiêu tài chính định lượng kết hợp 12 tiêu chí phi tài chính có ma trận trọng số phân hóa theo ngành sản xuất, thương mại, xây dựng.
  2. Khắc phục hạn chế dữ liệu SME: Bổ sung cơ chế hiệu chỉnh chỉ số Z-score giúp nhận diện các bất thường trong dòng tiền và đòn bẩy nợ của doanh nghiệp chưa niêm yết.
  3. Hiệu năng vượt trội: Hệ thống đề xuất đạt độ chính xác dự báo 93.5%, cải thiện 17.5% so với phương pháp truyền thống, giảm tỷ lệ phân loại nhầm khách hàng tiềm ẩn rủi ro nợ xấu.

Đổi mới và đóng góp

  • Tích hợp mô hình lai (Hybrid Scoring Framework): Kết hợp hài hòa giữa phương pháp chuyên gia (Expert-based rules) để đánh giá các yếu tố phi tài chính (uy tín lãnh đạo, quan hệ tín dụng) với mô hình định lượng hiện đại (Altman Z''-Score & XGBoost) để xử lý dữ liệu tài chính.
  • Khử bỏ yếu tố thiên lệch nhận thức: Bằng cách tự động hóa tính toán chỉ số và lượng hóa các tiêu chí phi tài chính qua thang đo Likert chuẩn hóa, giải pháp giảm thiểu tối đa sự bất đồng ý kiến chủ quan giữa CBTD và bộ phận tái thẩm định/QLRR.
  • Ứng dụng kỹ thuật SMOTE giải quyết bài toán mất cân bằng dữ liệu ngân hàng: Do tỷ lệ doanh nghiệp vỡ nợ thực tế trong danh mục ngân hàng luôn chiếm tỷ lệ nhỏ (thường < 5%), kỹ thuật SMOTE giúp mô hình học máy nhận diện chính xác các đặc trưng vi mô của nhóm khách hàng rủi ro mà không bị thiên lệch về nhóm an toàn.
  • Đóng góp học thuật và thực tiễn: Cung cấp tài liệu tham khảo chi tiết cho ngành Ngân hàng - Kinh tế số tại Việt Nam trong việc cụ thể hóa lộ trình ứng dụng Big Data/AI vào bài toán tuân thủ Basel II/III.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Use Case)

Khi Doanh nghiệp X (ngành Xây dựng - Thi công hạ tầng) nộp hồ sơ xin cấp hạn mức tín dụng 50 tỷ VNĐ tại BIDV Thăng Long:

  1. CBTD nhập mã số thuế và tải lên BCTC 3 năm liên tiếp (định dạng Excel/XML chuẩn Tổng cục Thuế).
  2. Hệ thống tự động trích xuất các chỉ tiêu: Vốn lưu động, EBIT, Tổng tài sản, Doanh thu thuần, Nợ vay ngắn hạn.
  3. Engine tính toán: $Z''$-Score đạt $1.45$ (Vùng cảnh báo), trong khi mô hình XGBoost phát hiện chỉ số Vòng quay khoản phải thu giảm 35% kết hợp tỷ lệ D/E vượt ngưỡng 3.2.
  4. Hệ thống đề xuất mức xếp hạng tín dụng BB-, tự động kích hoạt yêu cầu bổ sung tài sản bảo đảm thanh khoản cao và khuyến nghị giảm 20% hạn mức tín dụng dự kiến.

Chiến lược triển khai và Phân tích ROI

Lộ trình triển khai hệ thống (12 tháng):
Q1: Hoàn thiện chuẩn hóa DB & Tích hợp ETL pipeline kết nối Core Banking.
Q2: Triển khai thử nghiệm song song (Parallel Run) với hệ thống hiện tại tại 3 Phòng KHDN.
Q3: Đào tạo nghiệp vụ, đánh giá độ sai lệch (Backtesting & Stress Testing).
Q4: Chuyển đổi toàn diện (Go-Live) và mở rộng cho toàn bộ Chi nhánh.

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis):

  • Chi phí đầu tư hạ tầng phần mềm và đào tạo: Ước tính 450 - 600 triệu VNĐ.
  • Giá trị mang lại:
    • Cắt giảm 70% thời gian thẩm định sơ bộ hồ sơ tín dụng doanh nghiệp (từ 24 giờ xuống còn dưới 4 giờ làm việc).
    • Giảm thiểu rủi ro trích lập dự phòng nợ xấu do nhận diện sớm nguy cơ vỡ nợ: Ước tính tiết kiệm 2.5 - 4.0 tỷ VNĐ/năm cho chi nhánh quy mô cấp 1.
    • Thời gian hoàn vốn đầu tư (Payback Period): Dự kiến từ 8 - 10 tháng sau khi vận hành chính thức.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  • Quy mô mẫu thực nghiệm tại chi nhánh đạt 100 doanh nghiệp, chưa bao phủ toàn diện tất cả các phân ngành kinh tế siêu đặc thù (như năng lượng tái tạo, tài chính phái sinh).
  • Chất lượng dữ liệu BCTC của các doanh nghiệp tư nhân, công ty TNHH quy mô nhỏ chưa qua kiểm toán độc lập Big 4 vẫn tiềm ẩn sai số và độ trễ công bố thông tin.

Hướng phát triển tương lai

  • Tích hợp công nghệ Xử lý ngôn ngữ tự nhiên (NLP) để quét và phân tích tự động thông tin tiêu cực trên báo chí, truyền thông xã hội và văn bản pháp lý về doanh nghiệp vay vốn.
  • Áp dụng các kỹ thuật Explainable AI (SHAP, LIME values) giúp minh bạch hóa các quyết định phân loại của mô hình AI, giúp CBTD dễ dàng giải trình lý do từ chối/chấp thuận tín dụng trước thanh tra giám sát NHNN.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Kinh tế số / Phân tích dữ liệu: Nguồn tài liệu học tập ứng dụng thực tế về cách kết hợp lý thuyết tài chính doanh nghiệp với khoa học dữ liệu và Machine Learning.
  • Cán bộ tín dụng & Chuyên viên QLRR: Công cụ hỗ trợ ra quyết định chuẩn hóa, giảm tải áp lực tính toán thủ công, hạn chế rủi ro tác nghiệp.
  • Ban Giám đốc & Ngân hàng thương mại: Nâng cao chất lượng danh mục tín dụng, tối ưu hóa chi phí trích lập dự phòng rủi ro theo chuẩn mực quản trị hiện đại.
  • Doanh nghiệp vay vốn: Tiếp cận quy trình thẩm định minh bạch, công bằng, rút ngắn thời gian chờ đợi phê duyệt hạn mức vay.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để triển khai hệ thống là gì?

Hệ thống yêu cầu máy chủ ứng dụng chạy hệ điều hành Ubuntu Server 22.04 LTS, tối thiểu 8 vCPU, 32GB RAM, 200GB SSD NVMe; môi trường chạy Python 3.10+, cơ sở dữ liệu PostgreSQL 15+ và máy chủ Redis 7.0+. Phía người dùng chỉ cần trình duyệt web hiện đại (Chrome/Edge/Firefox) có kết nối mạng nội bộ ngân hàng.

2. Mô hình xử lý thế nào khi gặp trường hợp doanh nghiệp không có BCTC kiểm toán?

Đối với doanh nghiệp SME chưa có BCTC kiểm toán, hệ thống áp dụng cơ chế trọng số hiệu chỉnh: Tự động đối chiếu chéo số liệu doanh thu với báo cáo thuế VAT, dòng tiền thực tế qua tài khoản thanh toán và sao kê tài khoản ngân hàng, đồng thời tăng tỷ trọng đánh giá các chỉ tiêu phi tài chính và lịch sử giao dịch tại CIC.

3. Hệ thống tích hợp với Core Banking và hệ thống CIC như thế nào?

Hệ thống cung cấp chuẩn kết nối API RESTful (JSON Payload qua kênh truyền bảo mật mTLS). Dữ liệu lịch sử quan hệ tín dụng và điểm tín dụng CIC được tích hợp tự động thông qua các Webhook định kỳ hoặc truy vấn API trực tiếp theo mã số thuế doanh nghiệp.

4. Chi phí vận hành và bảo trì hàng năm ước tính khoảng bao nhiêu?

Chi phí vận hành định kỳ bao gồm phí bản quyền máy chủ, bảo trì hệ thống, hiệu chỉnh tham số mô hình định kỳ (Model Retraining 6 tháng/lần) ước tính chiếm khoảng 10 - 15% tổng chi phí đầu tư ban đầu.

5. Khung thời gian hoàn vốn (ROI) được tính toán dựa trên những yếu tố nào?

Khung thời gian hoàn vốn (8 - 10 tháng) được tính dựa trên hai yếu tố định lượng: (1) Số giờ công lao động tiết kiệm được của đội ngũ thẩm định tín dụng, và (2) Giá trị tổn thất tín dụng kỳ vọng giảm được thông qua việc sàng lọc chính xác nhóm khách hàng có xác suất vỡ nợ cao ngay từ khâu tiếp nhận hồ sơ.

Kết luận

Nghiên cứu đã hoàn thành toàn diện nhiệm vụ phân tích thực trạng và xây dựng mô hình hoàn thiện hệ thống xếp hạng tín dụng nội bộ cho khách hàng doanh nghiệp tại BIDV Thăng Long. Việc kết hợp chặt chẽ giữa thang đo chuyên gia truyền thống, chỉ số định lượng phá sản Altman Z-score và thuật toán phân loại học máy XGBoost đã tạo ra một khung giải pháp toàn diện:

  • Nâng cao độ chính xác phân loại rủi ro tín dụng lên 93.5% với AUC-ROC đạt 0.942.
  • Chuẩn hóa và rút ngắn quy trình chấm điểm tín dụng, hỗ trợ đắc lực cho công tác quản trị rủi ro nợ xấu.
  • Đáp ứng tốt các tiêu chuẩn giám sát an toàn vốn theo định hướng Basel II/III và các thông tư quy định của Ngân hàng Nhà nước Việt Nam.

Giải pháp là minh chứng rõ nét cho xu hướng chuyển đổi số và ứng dụng Khoa học dữ liệu lớn vào hoạt động nghiệp vụ ngân hàng cốt lõi, mở ra tiền đề quan trọng để các tổ chức tín dụng tối ưu hóa hiệu quả hoạt động và phát triển bền vững.