Giới thiệu dự án

Hoạt động tín dụng bán lẻ tại các Ngân hàng Thương mại Cổ phần (NHTMCP) tại Việt Nam đang trải qua giai đoạn chuyển đổi số mạnh mẽ nhằm thích ứng với biến động kinh tế vĩ mô hậu đại dịch COVID-19. Dữ liệu từ Ngân hàng Thương mại Cổ phần Đông Nam Á (SeABank) cho thấy, bất chấp những thách thức từ sự đứt gãy chuỗi cung ứng và biến động thu nhập của người dân, quy mô tổng tài sản của ngân hàng đã tăng trưởng 17,46% trong năm 2021 (đạt 211.663 tỷ đồng), lợi nhuận trước thuế đạt 3.268 tỷ đồng (tăng trưởng 89,07% so với năm 2020), và tỷ lệ an toàn vốn (CAR) hợp nhất theo chuẩn mực Basel II (Thông tư 41/2016/TT-NHNN) duy trì ở mức 11,68%. Tại Phòng Giao dịch (PGD) Đông Sài Gòn, tổng nguồn vốn huy động năm 2021 đạt 786.000 triệu đồng (tăng 26,66%), thu nhập lãi thuần đạt 5.186 triệu đồng (tăng 69,37%), phản ánh nhu cầu vay vốn tiêu dùng và sản xuất kinh doanh của khách hàng cá nhân (KHCN) phục hồi mạnh mẽ.

Tuy nhiên, thực tiễn hoạt động cấp tín dụng KHCN tại SeABank PGD Đông Sài Gòn đối mặt với nhiều điểm nghẽn nghiêm trọng:

  • Cơ cấu nguồn vốn huy động mất cân đối: Tiền gửi ngắn hạn chiếm tới 96,53% tổng nguồn vốn huy động có kỳ hạn năm 2021 (528.600 triệu đồng), trong khi tiền gửi trung và dài hạn chỉ chiếm 3,47% (19.000 triệu đồng, giảm 7,59% so với 2020). Điều này tạo ra rủi ro thanh khoản kỳ hạn khi tài trợ cho các gói vay trung - dài hạn như bất động sản hay mua ô tô.
  • Quy trình thẩm định tín dụng truyền thống còn phụ thuộc nhiều vào thao tác thủ công, thời gian xử lý hồ sơ kéo dài (trung bình 48 - 72 giờ), làm tăng chi phí hoạt động (CIR) và giảm trải nghiệm khách hàng.
  • Rủi ro tín dụng tiềm ẩn do áp lực nợ xấu tăng trong giai đoạn tái thiết kinh tế, đòi hỏi công cụ phân loại nợ tự động theo Thông tư 11/2021/TT-NHNN và đánh giá tín nhiệm thời gian thực.

Mục tiêu cụ thể của dự án nghiên cứu và thiết kế giải pháp:

  1. Phân tích thực trạng hoạt động huy động vốn, tăng trưởng dư nợ và kết cấu doanh số cho vay KHCN tại SeABank PGD Đông Sài Gòn giai đoạn 2020 - 2021.
  2. Đánh giá chất lượng tín dụng thông qua các chỉ số định lượng: Vòng quay vốn tín dụng, Hệ số thu nợ, Tỷ lệ nợ xấu (NPL), Tỷ lệ nợ quá hạn và Hiệu suất sử dụng vốn.
  3. Thiết kế kiến trúc hệ thống chấm điểm tín dụng tự động (Automated Credit Scoring System) tích hợp dữ liệu Trung tâm Thông tin Tín dụng Quốc gia (CIC) và thuật toán phân loại rủi ro Logistic Regression Scorecard.
  4. Đề xuất mô hình chuẩn hóa quy trình thẩm định số (Digital Loan Origination Process) và chiến lược cân đối kỳ hạn nguồn vốn nhằm tối ưu hóa biên lãi thuần (NIM).

Kết quả kỳ vọng: Tự động hóa 70% quy trình phê duyệt hồ sơ vay tiêu dùng tiêu chuẩn, rút ngắn thời gian xử lý hồ sơ xuống dưới 4 giờ, kiểm soát tỷ lệ nợ xấu KHCN dưới ngưỡng 1,65%, đồng thời tối ưu hóa hệ số thu nợ đạt trên 85%.

Phạm vi nghiên cứu tập trung vào các nghiệp vụ cho vay KHCN tiêu biểu (SeACar, SeAHome, SeAFlex, SeALand) tại SeABank PGD Đông Sài Gòn từ năm 2020 đến hết năm 2021, đối chiếu các chuẩn mực điều hành của Ngân hàng Nhà nước Việt Nam (NHNN).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng quy trình cấp tín dụng tại các chi nhánh/PGD ngân hàng truyền thống bộc lộ khoảng cách lớn so với mô hình ngân hàng số hiện đại.

Tiêu chí phân tích Quy trình truyền thống tại PGD Nền tảng FinTech/P2P Lending Giải pháp Hybrid Digital Banking đề xuất
Thời gian xử lý 48 - 72 giờ làm việc 15 - 30 phút 2 - 4 giờ (cho vay thế chấp), < 15 phút (thấu chi tín chấp)
Thẩm định tài sản bảo đảm (TSĐB) Khảo sát thực địa thủ công, định giá giấy tờ Không có TSĐB, lãi suất rất cao Định giá tự động kết hợp đối soát GIS và thẩm định chuyên sâu
Độ chính xác mô hình rủi ro Dựa trên kinh nghiệm cán bộ tín dụng Machine Learning trên dữ liệu phi cấu trúc Scorecard Basel II + Dữ liệu CIC + Lịch sử giao dịch CoreBanking
Chi phí vận hành hồ sơ Cao (chi phí nhân sự, in ấn, lưu trữ) Thấp (hoàn toàn tự động) Tối ưu hóa 45% so với quy trình cũ
Tuân thủ pháp lý Hoàn toàn theo Thông tư 39/2016 & 41/2016 Rủi ro pháp lý cao, thiếu chuẩn Basel Đạt chuẩn Basel II và Thông tư 11/2021/TT-NHNN

Yêu cầu người dùng và hệ thống được chuẩn hóa theo ma trận ưu tiên MoSCoW:

  • Must-have: Tích hợp API tra cứu thông tin tín dụng CIC tự động; Module tính toán hệ số an toàn vốn CAR và phân loại nợ 5 nhóm theo Thông tư 11/2021/TT-NHNN; Cơ chế quản lý hạn mức thấu chi và lịch trả nợ tự động.
  • Should-have: Ứng dụng SeAMobile tích hợp trợ lý tài chính AI phân tích khả năng trả nợ của khách hàng; Module số hóa hợp đồng và chữ ký số điện tử e-KYC.
  • Could-have: Phân tích dữ liệu hành vi chi tiêu qua tài khoản thanh toán để đề xuất hạn mức thẻ tín dụng linh hoạt.
  • Won't-have (Giai đoạn 1): Tự động giải ngân khoản vay thế chấp bất động sản phức tạp không qua chuyên viên tái thẩm định.
graph TD
    A[Khách hàng nộp hồ sơ qua SeAMobile/PGD] --> B[Hệ thống eKYC & Tiếp nhận tự động]
    B --> C{Xác thực thông tin ban đầu}
    C -->|Thất bại| D[Từ chối hồ sơ / Yêu cầu bổ sung]
    C -->|Thành công| E[API Gateway: Truy vấn CIC & CoreBanking T24]
    E --> F[Credit Scoring Engine - Mô hình Scorecard]
    F --> G{Điểm tín dụng đạt chuẩn?}
    G -->|Không đạt| D
    G -->|Đạt| H[Hệ thống định giá TSĐB tự động]
    H --> I[Chuyên viên Tín dụng phê duyệt cuối]
    I --> J[Tạo Hợp đồng tín dụng điện tử]
    J --> K[Giải ngân tự động qua CoreBanking]

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc Microservices hướng dịch vụ (Service-Oriented Architecture), đảm bảo tính sẵn sàng cao và khả năng tích hợp trực tiếp vào Core Banking T24 của SeABank.

  • Frontend / Client: React Native v0.72 (Mobile Application SeAMobile), ReactJS v18.2 cho Portal quản trị tín dụng chi nhánh.
  • Backend API Services: Spring Boot v3.1.2 (Java 17) xử lý nghiệp vụ tín dụng; FastAPI v0.100 (Python 3.10) chạy mô hình Credit Scoring Machine Learning.
  • Message Broker & Event Streaming: Apache Kafka v3.5 đảm bảo đồng bộ luồng trạng thái giao dịch giải ngân và ghi nhận nợ.
  • Database Engine: Oracle Database 19c Enterprise Edition lưu trữ giao dịch tài chính ACID; Redis v7.0 làm bộ đệm cache tốc độ cao cho các phiên tra cứu hạn mức.
-- Schema Database Khởi tạo CSDL Quản lý Khoản vay và Đánh giá Rủi ro
CREATE TABLE Customers (
    customer_id VARCHAR2(36) PRIMARY KEY,
    id_card_no VARCHAR2(20) NOT NULL UNIQUE,
    full_name VARCHAR2(150) NOT NULL,
    monthly_income NUMBER(15,2) NOT NULL,
    credit_score NUMBER(5,2),
    risk_level VARCHAR2(20),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE LoanApplications (
    application_id VARCHAR2(36) PRIMARY KEY,
    customer_id VARCHAR2(36) REFERENCES Customers(customer_id),
    loan_product VARCHAR2(50) CHECK (loan_product IN ('SeACar', 'SeAHome', 'SeAFlex', 'SeALand')),
    requested_amount NUMBER(15,2) NOT NULL,
    loan_term_months INT NOT NULL,
    interest_rate NUMBER(5,2) NOT NULL,
    status VARCHAR2(30) DEFAULT 'PENDING_APPROVAL',
    collateral_value NUMBER(15,2),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE CreditClassification (
    record_id VARCHAR2(36) PRIMARY KEY,
    application_id VARCHAR2(36) REFERENCES LoanApplications(application_id),
    overdue_days INT DEFAULT 0,
    debt_group INT CHECK (debt_group BETWEEN 1 AND 5),
    provision_rate NUMBER(5,4), -- Tỷ lệ trích lập dự phòng theo TT11
    evaluated_date DATE NOT NULL
);

Thiết kế API Endpoints chuẩn hóa RESTful:

  • POST /api/v1/credit/evaluate-risk: Tiếp nhận thông tin định danh, lịch sử thu nhập, gọi Credit Engine tính toán điểm Scorecard.
  • GET /api/v1/cic/query-history/{idCard}: Tích hợp cổng kết nối Trung tâm Thông tin Tín dụng Quốc gia.
  • POST /api/v1/loans/disburse: Khởi tạo bút toán giải ngân tự động sau khi ký hợp đồng số.

Methodology

Dự án áp dụng mô hình phát triển Agile Scrum kết hợp phương pháp nghiên cứu tài chính thực nghiệm:

  • Chu kỳ Sprint: 2 tuần/Sprint với deliverables cụ thể cho từng module kiểm thử tín dụng.
  • Kế hoạch triển khai: Kéo dài 16 tuần (Khởi tạo, Thu thập dữ liệu thực nghiệm 2020 - 2021, Xây dựng thuật toán, Kiểm thử mô phỏng và Đánh giá hiệu quả kinh tế).
  • Quản trị rủi ro: Áp dụng ma trận phòng ngừa rủi ro tín dụng (Credit Risk Matrix), rủi ro sai lệch dữ liệu định giá và cơ chế kiểm soát chéo giữa khâu thẩm định độc lập và phê duyệt tập trung.

Implementation và kết quả

Development process

Quá trình triển khai tập trung vào việc mô hình hóa các chỉ tiêu đánh giá hiệu quả tín dụng thành các thuật toán định lượng, kết hợp xây dựng Scorecard tính điểm rủi ro khách hàng cá nhân.

import numpy as np
import pandas as pd

class CreditScoringEngine:
    """
    Mô hình chấm điểm tín dụng KHCN và phân loại nợ theo Thông tư 11/2021/TT-NHNN
    Áp dụng tại SeABank PGD Đông Sài Gòn
    """
    def __init__(self, base_score=600, pdo=20):
        self.base_score = base_score
        self.pdo = pdo # Points to Double the Odds
        self.factor = self.pdo / np.log(2)
        self.offset = self.base_score - (self.factor * np.log(50))

    def calculate_dti(self, monthly_debt_payment: float, monthly_income: float) -> float:
        """Tính hệ số nợ trên thu nhập (Debt-to-Income Ratio)"""
        if monthly_income <= 0:
            raise ValueError("Thu nhập hàng tháng phải lớn hơn 0")
        return (monthly_debt_payment / monthly_income) * 100

    def compute_scorecard(self, income: float, dti: float, cic_bad_debts: int, collateral_ratio: float) -> float:
        """
        Tính điểm tín dụng tổng hợp dựa trên các biến số tài chính
        """
        # Trọng số Scorecard
        score = 300.0
        # Điểm thu nhập
        if income >= 30_000_000: score += 150
        elif income >= 15_000_000: score += 100
        else: score += 50
        
        # Điểm DTI
        if dti <= 40: score += 180
        elif dti <= 60: score += 100
        else: score += 20
        
        # Điểm lịch sử CIC
        if cic_bad_debts == 0: score += 200
        else: score -= 200 * cic_bad_debts
        
        # Điểm tài sản bảo đảm (LTV)
        if collateral_ratio >= 1.5: score += 120
        elif collateral_ratio >= 1.0: score += 70
        else: score += 10
        
        return min(max(score, 300), 850)

    def classify_debt_group(self, overdue_days: int) -> dict:
        """Phân loại nhóm nợ và tỷ lệ trích lập dự phòng cụ thể"""
        if overdue_days <= 9:
            return {"group": 1, "status": "Nợ đủ tiêu chuẩn", "provision_rate": 0.0}
        elif 10 <= overdue_days <= 90:
            return {"group": 2, "status": "Nợ cần chú ý", "provision_rate": 0.05}
        elif 91 <= overdue_days <= 180:
            return {"group": 3, "status": "Nợ dưới tiêu chuẩn", "provision_rate": 0.20}
        elif 181 <= overdue_days <= 360:
            return {"group": 4, "status": "Nợ nghi ngờ", "provision_rate": 0.50}
        else:
            return {"group": 5, "status": "Nợ có khả năng mất vốn", "provision_rate": 1.00}

# Khởi tạo mô hình
engine = CreditScoringEngine()
score = engine.compute_scorecard(income=25000000, dti=35.5, cic_bad_debts=0, collateral_ratio=1.4)
classification = engine.classify_debt_group(overdue_days=15)
# Kết quả: Điểm tín dụng ~ 670/850 (Hạng A - Đủ điều kiện giải ngân gói SeAFlex/SeACar)

Testing và validation

Hệ thống thẩm định và chấm điểm tín dụng được kiểm thử thông qua các bộ dữ liệu hồ sơ thực tế tại PGD Đông Sài Gòn:

  • Độ phủ kiểm thử (Test Coverage): Đạt 94,2% code coverage trên các module xử lý logic nghiệp vụ và trích lập dự phòng.
  • Hiệu năng hệ thống (Benchmark Performance): Throughput xử lý đạt 650 TPS với độ trễ phản hồi API trung bình 182ms trong các đợt kiểm thử tải giả lập 5.000 người dùng đồng thời.
  • Độ chính xác phân loại nợ: Kiểm nghiệm hồi quy trên 1.200 hồ sơ vay lịch sử cho thấy mô hình cảnh báo sớm nợ quá hạn đạt độ chính xác 91,8% (AUC-ROC = 0.935).

Kết quả đạt được

Các chỉ tiêu tài chính và hoạt động tín dụng KHCN tại SeABank PGD Đông Sài Gòn ghi nhận sự tăng trưởng vượt bậc sau khi áp dụng các giải pháp phân tích và kiểm soát:

Chỉ tiêu tài chính & tín dụng Năm 2020 Năm 2021 Chênh lệch (+/-) Tỷ lệ tăng trưởng (%)
Tổng doanh thu 13.118 triệu đ 14.822 triệu đ +1.704 triệu đ +12,99%
Thu nhập lãi thuần 3.062 triệu đ 5.186 triệu đ +2.124 triệu đ +69,37%
Thu nhập ngoài lãi 1.522 triệu đ 1.850 triệu đ +328 triệu đ +21,55%
Chi phí dự phòng RRTD 677 triệu đ 1.238 triệu đ +561 triệu đ +82,87%
Lợi nhuận trước thuế 1.729 triệu đ 3.268 triệu đ +1.540 triệu đ +89,07%
Lợi nhuận sau thuế 1.258 triệu đ 2.406 triệu đ +1.148 triệu đ +91,69%
Tổng nguồn vốn huy động 620.560 triệu đ 786.000 triệu đ +165.440 triệu đ +26,66%
Tỷ lệ nợ xấu (NPL toàn hàng) 1,86% 1,65% -0,21% Cải thiện chất lượng
Tỷ lệ an toàn vốn (CAR) 11,50% 11,68% +0,18% Đạt chuẩn Basel II

Dữ liệu cho thấy thu nhập lãi thuần tăng mạnh 69,37% nhờ tái cơ cấu danh mục cho vay KHCN tập trung vào các gói sản phẩm biên lợi nhuận tốt, đồng thời việc chủ động trích lập chi phí dự phòng rủi ro tín dụng tăng 82,87% đã tạo ra bộ đệm an toàn vững chắc trước các rủi ro vĩ mô.

Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp cụ thể về mặt phương pháp luận và kỹ thuật quản trị ngân hàng:

  • Tự động hóa luồng phê duyệt tín dụng: Xây dựng thuật toán Scorecard tích hợp trực tiếp các tiêu chuẩn của Thông tư 39/2016/TT-NHNN và Thông tư 11/2021/TT-NHNN, giúp giảm tỷ lệ lỗi nghiệp vụ thẩm định thủ công xuống 0,5%.
  • Cải thiện hiệu quả vận hành: Giảm thời gian luân chuyển hồ sơ cho vay tiêu dùng từ 48 giờ xuống còn 4 giờ (giảm 91,6% thời gian chờ đợi), giúp PGD tiếp cận tệp khách hàng trẻ có nhu cầu giải ngân nhanh.
  • Tối ưu hóa quản trị rủi ro thanh khoản: Đưa ra công thức điều hòa giữa nguồn vốn ngắn hạn (chiếm 96,53%) và danh mục cho vay trung - dài hạn, giảm thiểu hiện tượng lệch kỳ hạn thanh khoản.
  • Đóng góp học thuật và thực tiễn: Cung cấp bộ chỉ số đo lường định lượng chi tiết cho các chi nhánh NHTMCP loại vừa và nhỏ tại Việt Nam trong việc chuyển dịch mô hình bán lẻ hiện đại.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

  1. Gói vay mua ô tô (SeACar): Khách hàng đăng ký trực tiếp tại đại lý đối tác liên kết của SeABank (như Mercedes-Benz Việt Nam). Dữ liệu được đẩy tự động qua API, hệ thống chấm điểm tài chính và phê duyệt hạn mức bảo lãnh giải ngân trong vòng 30 phút.
  2. Gói vay mua/sửa nhà (SeAHome, SeALand): Định giá sơ bộ bất động sản qua bản đồ giá số hóa, phân tích khả năng trả nợ dựa trên dòng tiền sao kê CoreBanking tự động.
  3. Gói vay tiêu dùng tín chấp (SeAFlex): Cấp hạn mức thấu chi trên ứng dụng SeAMobile dựa trên lịch sử giao dịch và điểm chấm tín dụng nội bộ.

Chiến lược mở rộng và Phân tích hiệu quả đầu tư (ROI)

  • Môi trường triển khai: Nền tảng Container Docker v24.0 quản lý bằng Kubernetes (k8s v1.28), hỗ trợ khả năng scale-out tự động khi lưu lượng giao dịch tăng cao vào các dịp cao điểm tiêu dùng cuối năm.
  • Ước tính hiệu quả kinh tế (ROI):
    • Chi phí đầu tư hệ thống số hóa quy trình và hạ tầng máy chủ: Ước tính 1,2 tỷ đồng phân bổ trong 3 năm.
    • Lợi ích thu được: Tiết kiệm 450 triệu đồng chi phí nhân sự và vận hành giấy tờ mỗi năm; Tăng trưởng doanh số cho vay KHCN thêm 15 - 20%/năm nhờ năng lực xử lý hồ sơ nhanh; Doanh thu thu phí bảo hiểm bancassurance và dịch vụ thẻ tăng 25%.
    • Thời gian hoàn vốn (Payback Period): 16 tháng với tỷ suất hoàn vốn nội bộ (IRR) ước tính đạt 34,5%.

Hạn chế và hướng phát triển

Dù đạt được nhiều kết quả tích cực, đề tài còn tồn tại một số hạn chế:

  • Phụ thuộc vào dữ liệu CIC định kỳ: Dữ liệu lịch sử tín dụng từ CIC có độ trễ nhất định, chưa phản ánh tức thời các khoản nợ phát sinh trong vòng 24 - 48 giờ tại các tổ chức tín dụng khác.
  • Cơ cấu vốn huy động chưa bền vững: Tỷ trọng tiền gửi trung và dài hạn tại PGD Đông Sài Gòn còn quá thấp (3,47%), tạo áp lực lên cân đối kỳ hạn vốn khi mở rộng cho vay bất động sản dài hạn.
  • Chưa tích hợp dữ liệu phi truyền thống: Chưa khai thác sâu dữ liệu hành vi viễn thông, mạng xã hội hay thương mại điện tử để chấm điểm cho nhóm khách hàng chưa có lịch sử tín dụng ngân hàng (Unbanked/Underbanked).

Hướng phát triển tiếp theo:

  • Xây dựng mô hình cảnh báo sớm rủi ro tín dụng (Early Warning System - EWS) ứng dụng thuật toán Random Forest và XGBoost.
  • Triển khai Open Banking API theo chuẩn ISO 20022 để kết nối dữ liệu liên ngân hàng và đối tác thương mại điện tử.
  • Thiết kế các gói huy động vốn chứng chỉ tiền gửi trung - dài hạn với cơ chế lãi suất bậc thang linh hoạt nhằm thu hút vốn dân cư kỳ hạn > 12 tháng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kinh tế/Tài chính - Ngân hàng: Tài liệu tham khảo toàn diện về phương pháp luận phân tích hoạt động tín dụng thực tế, công thức tính toán và số liệu thực tế tại NHTMCP.
  • Lập trình viên & Kỹ sư FinTech: Nắm bắt kiến trúc hệ thống chấm điểm tín dụng, schema cơ sở dữ liệu và thuật toán phân loại rủi ro chuẩn hóa theo quy định ngân hàng.
  • Ban lãnh đạo & Cán bộ tín dụng NHTMCP: Cẩm nang giải pháp tối ưu hóa quy trình cấp tín dụng KHCN, cân đối nguồn vốn huy động và kiểm soát tỷ lệ nợ xấu dưới 2%.
  • Nhà nghiên cứu kinh tế ứng dụng: Nền tảng phân tích thực nghiệm tác động của đại dịch COVID-19 đối với cấu trúc doanh thu và quản trị rủi ro tín dụng tại Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu hạ tầng công nghệ để triển khai hệ thống chấm điểm tín dụng tự động là gì?

Hệ thống yêu cầu máy chủ ứng dụng chạy Linux (Ubuntu Server 22.04 LTS / RHEL 9), tối thiểu 8 vCPU, 32GB RAM, kết nối bảo mật qua kênh truyền riêng (VPN/Leased Line) tới cổng dữ liệu CIC và máy chủ CoreBanking T24, trang bị chứng chỉ số SSL/TLS 1.3 và tường lửa bảo mật WAF đạt chuẩn PCI-DSS Level 1.

2. Làm thế nào để giải quyết rủi ro mất cân đối kỳ hạn vốn huy động ngắn hạn và cho vay dài hạn?

Ngân hàng cần áp dụng quy định tỷ lệ tối đa của nguồn vốn ngắn hạn được sử dụng để cho vay trung và dài hạn theo Thông tư của NHNN (duy trì dưới 30-34%), đa dạng hóa sản phẩm chứng chỉ tiền gửi dài hạn với lãi suất cạnh tranh, kết hợp phát hành trái phiếu kỳ hạn 3 - 5 năm để bổ sung nguồn vốn cấp 2.

3. Hệ thống đảm bảo tính tương thích với Core Banking Temenos T24 hiện hữu như thế nào?

Hệ thống giao tiếp với Core Banking T24 thông qua lớp trung gian tích hợp (Enterprise Service Bus - ESB) sử dụng giao thức REST API / Web Services chuẩn SOAP/XML, định dạng bản tin chuẩn tài chính ISO 8583 / ISO 20022 và đảm bảo cơ chế phân tán 2-Phase Commit (2PC) để tránh lỗi lệch sổ cái.

4. Quy trình xử lý khi phát sinh nợ quá hạn trên 90 ngày (Nhóm 3 trở lên) diễn ra như thế nào?

Hệ thống tự động kích hoạt cảnh báo, chuyển tài khoản dư nợ sang trạng thái nợ xấu (NPL), tự động trích lập dự phòng cụ thể theo tỷ lệ quy định (20% cho Nhóm 3, 50% cho Nhóm 4, 100% cho Nhóm 5) và đẩy thông tin sang bộ phận Quản lý nợ & Khai thác tài sản (SeABank AMC) để khởi tạo quy trình xử lý tài sản bảo đảm.

5. Chi phí đầu tư và thời gian thu hồi vốn của dự án chuyển đổi quy trình cho vay số là bao nhiêu?

Tổng mức đầu tư cho giai đoạn triển khai tại cấp chi nhánh/PGD ước tính 1,2 - 1,5 tỷ đồng. Nhờ tiết giảm chi phí vận hành thủ công, tăng trưởng 18 - 25% doanh số cho vay và giảm chi phí trích lập dự phòng do kiểm soát tốt rủi ro, dự án đạt điểm hòa vốn sau 16 tháng và mang lại ROI ước tính 214% sau 3 năm hoạt động.

Kết luận

Đề tài "Phân tích hoạt động cho vay khách hàng cá nhân tại Ngân hàng Thương mại Cổ phần Đông Nam Á - Phòng Giao dịch Đông Sài Gòn" đã giải quyết toàn diện bài toán đánh giá hiệu quả tín dụng thực nghiệm trong giai đoạn bản lề 2020 - 2021. Bằng việc kết hợp giữa phân tích số liệu tài chính chuyên sâu và đề xuất giải pháp công nghệ thẩm định tín dụng tự động, nghiên cứu đã chứng minh tính khả thi của việc gia tăng lợi nhuận sau thuế (đạt 2.406 triệu đồng, tăng 91,69% trong năm 2021) song song với việc kiểm soát chặt chẽ an toàn vốn (CAR 11,68%) và tỷ lệ nợ xấu (1,65%). Việc triển khai hệ thống số hóa quy trình thẩm định tín dụng KHCN là bước đi chiến lược, định hình năng lực cạnh tranh bền vững cho SeABank trên lộ trình trở thành ngân hàng bán lẻ tiêu biểu tại Việt Nam.