Giới thiệu dự án

Doanh nghiệp vừa và nhỏ (SME - Small and Medium Enterprises) đóng vai trò xương sống trong nền kinh tế Việt Nam, chiếm hơn 97% tổng số doanh nghiệp đăng ký, đóng góp khoảng 45% GDP và tạo ra hơn 50% việc làm cho toàn xã hội. Tuy nhiên, theo số liệu từ Ngân hàng Nhà nước (NHNN), tỷ lệ tiếp cận vốn tín dụng chính thức của khối SME chỉ dao động từ 30% đến 35%. Nguyên nhân cốt lõi xuất phát từ rủi ro thông tin bất đối xứng, hệ thống sổ sách kế toán chưa chuẩn hóa, và tình trạng "hai hệ thống sổ sách" (báo cáo thuế và báo cáo nội bộ) diễn ra phổ biến. Điều này đặt ra áp lực lớn lên công tác phân tích tài chính (PTTC) tại các ngân hàng thương mại cổ phần (NHTM).

Vấn đề đặt ra tại Ngân hàng TMCP Quân đội – Chi nhánh Giải Phóng (MB CNGP) là làm thế nào để tối ưu hóa quy trình thẩm định, nâng cao tính chính xác trong việc đánh giá sức khỏe tài chính khách hàng SME (doanh thu dưới 1.000 tỷ VNĐ), đồng thời kiểm soát chặt chẽ tỷ lệ nợ xấu (NPL) trong bối cảnh tăng trưởng dư nợ nhanh chóng giai đoạn 2018 – 2021.

Dự án nghiên cứu tập trung vào 3 mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận: Chuẩn hóa khung phân tích tài chính doanh nghiệp SME theo Nghị định 80/2021/NĐ-CP và các chuẩn mực kế toán Việt Nam (VAS).
  2. Đánh giá thực trạng tại MB CNGP: Bóc tách dữ liệu hoạt động tín dụng từ 2019 đến 2021 với tổng dư nợ đạt 1.538,5 tỷ VNĐ và nguồn vốn huy động đạt 2.279 tỷ VNĐ; nhận diện các điểm nghẽn trong khâu kiểm soát báo cáo lưu chuyển tiền tệ (BCLCTT).
  3. Thiết kế giải pháp hoàn thiện: Đề xuất mô hình sàng lọc rủi ro tự động (First Check), kỹ thuật bóc tách biến động khoản mục trên 15%, mô hình phân tích chỉ số DuPont tích hợp và phương pháp tái lập dòng tiền thực tế.

Kết quả kỳ vọng đạt được bao gồm việc rút ngắn thời gian xử lý hồ sơ tín dụng từ 3–5 ngày xuống 1–2 ngày, kiểm soát tỷ lệ nợ xấu dưới ngưỡng 0,35% và giảm thiểu 60% rủi ro sai lệch dữ liệu do gian lận báo cáo tài chính. Phạm vi nghiên cứu áp dụng cho phân khúc khách hàng doanh nghiệp SME tại MB CNGP, giới hạn trên các dữ liệu tài chính chính thức giai đoạn 2018 – Q2/2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các NHTM Việt Nam, công tác phân tích tài chính SME tồn tại nhiều điểm khác biệt về phương pháp luận và công cụ hỗ trợ.

Tiêu chí phân tích Phương pháp truyền thống (Manual Ratio) Mô hình tại MB CNGP (Hiện trạng) Hệ thống chấm điểm tích hợp đề xuất
Công cụ sàng lọc Kiểm tra thủ công hồ sơ giấy tờ First Check + Hệ thống cảnh báo rủi ro CRA First Check tự động tích hợp API CIC & CRA
Phân tích BCTC Tính toán chỉ số đơn lẻ trên Excel So sánh biến động $\ge 15%$, chuẩn hóa BCTC MB Bóc tách DuPont 3 nhân tố kết hợp thuật toán kiểm tra chéo
Thẩm định dòng tiền Bỏ qua BCLCTT do không bắt buộc Đánh giá gián tiếp qua tài khoản thanh toán Bắt buộc tái lập BCLCTT từ BCĐKT và BCKQKD
Xác thực dữ liệu Đối chiếu dấu đỏ và chữ ký Kiểm tra BCTC kiểm toán, hóa đơn đầu vào/ra Kiểm tra tính nhất quán 131/331 qua sao kê ngân hàng
Thời gian xử lý 4 – 6 ngày làm việc 2 – 4 ngày làm việc 1 – 2 ngày làm việc

Hệ thống yêu cầu nghiệp vụ được phân bổ theo mô hình MoSCoW:

  • Must-have: Tự động hóa bộ lọc First Check loại trừ nợ xấu nhóm 3–5, nợ VAMC; tự động tính toán 4 nhóm chỉ số (Thanh khoản, Hoạt động, Đòn bẩy, Sinh lời).
  • Should-have: Cảnh báo tự động các khoản mục tài sản/nguồn vốn có mức biến động tuyệt đối/tương đối $\ge 15%$; phân tích cơ cấu DuPont.
  • Could-have: Module dự báo dòng tiền thuần từ hoạt động kinh doanh (CFO) trong 4 quý tiếp theo dựa trên chu kỳ luân chuyển vốn lưu động.
  • Won't-have: Tự động phê duyệt giải ngân không qua phê duyệt của Cán bộ Tín dụng (CBTD) và Hội đồng Tín dụng.

Thiết kế hệ thống

Hệ thống xử lý phân tích tài chính được cấu trúc thành các module xử lý dữ liệu độc lập:

Technology Stack triển khai giải pháp:

  • Core Processing: Python 3.10, thư viện pandas 2.0.3 (xử lý dữ liệu bảng), numpy 1.24.3 (tính toán đại số tài chính).
  • Database Architecture: PostgreSQL 15 để lưu trữ dữ liệu BCTC và lịch sử tín dụng doanh nghiệp.
  • Backend API: FastAPI 0.100.0 cung cấp endpoint xử lý dữ liệu cho phần mềm tác nghiệp nội bộ.
  • Containerization: Docker 24.0 & Docker Compose phục vụ môi trường microservices.

Schema cơ sở dữ liệu cốt lõi:

CREATE TABLE enterprises (
    tax_code VARCHAR(20) PRIMARY KEY,
    company_name VARCHAR(255) NOT NULL,
    industry_type VARCHAR(100),
    established_year INT,
    registered_capital NUMERIC(15, 2)
);

CREATE TABLE financial_statements (
    statement_id SERIAL PRIMARY KEY,
    tax_code VARCHAR(20) REFERENCES enterprises(tax_code),
    fiscal_year INT NOT NULL,
    total_assets NUMERIC(15, 2) NOT NULL,
    current_assets NUMERIC(15, 2) NOT NULL,
    cash_and_equivalents NUMERIC(15, 2) NOT NULL,
    accounts_receivable NUMERIC(15, 2) NOT NULL,
    inventory NUMERIC(15, 2) NOT NULL,
    total_liabilities NUMERIC(15, 2) NOT NULL,
    short_term_debt NUMERIC(15, 2) NOT NULL,
    equity NUMERIC(15, 2) NOT NULL,
    revenue NUMERIC(15, 2) NOT NULL,
    cogs NUMERIC(15, 2) NOT NULL,
    ebit NUMERIC(15, 2) NOT NULL,
    net_income NUMERIC(15, 2) NOT NULL,
    operating_cash_flow NUMERIC(15, 2)
);

CREATE TABLE credit_evaluations (
    evaluation_id SERIAL PRIMARY KEY,
    tax_code VARCHAR(20) REFERENCES enterprises(tax_code),
    evaluation_date DATE DEFAULT CURRENT_DATE,
    first_check_status BOOLEAN NOT NULL,
    current_ratio NUMERIC(6, 3),
    quick_ratio NUMERIC(6, 3),
    roe NUMERIC(6, 4),
    roa NUMERIC(6, 4),
    debt_to_equity NUMERIC(6, 3),
    credit_risk_level VARCHAR(20) NOT NULL
);

Thiết kế API Endpoint cho phân tích tài chính tự động:

  • POST /api/v1/financial-analysis/evaluate: Nhận payload JSON chứa dữ liệu BCTC 3 năm và mã số thuế.
  • GET /api/v1/first-check/{tax_code}: Truy vấn trạng thái rủi ro sơ bộ từ CRA/CIC.

Tiêu chuẩn an toàn thông tin: Mã hóa toàn bộ dữ liệu tài chính theo chuẩn AES-256; kiểm soát truy cập phân quyền theo vai trò (RBAC) cho CBTD, Trưởng phòng KHDN và Phòng Thẩm định. Độ trễ phản hồi API xử lý $\le 250\text{ ms}$ cho mỗi bộ BCTC 3 năm.

Methodology

Dự án áp dụng phương pháp luận kết hợp giữa nghiên cứu định lượng tài chính và quy trình phát triển Agile/Scrum:

  • Milestone 1 (Tuần 1–4): Khảo sát quy trình phân tích tín dụng tại MB CNGP; thu thập dữ liệu thứ cấp từ 50 bộ hồ sơ khách hàng SME giai đoạn 2019–2021.
  • Milestone 2 (Tuần 5–8): Xây dựng bộ chỉ số tài chính chuẩn hóa; thiết lập logic sàng lọc First Check và mô hình phân rã DuPont.
  • Milestone 3 (Tuần 9–12): Thử nghiệm chạy song song mô hình tự động hóa với quy trình thẩm định thực tế trên 20 khách hàng mới.
  • Milestone 4 (Tuần 13–14): Đo lường sai số, đánh giá hiệu năng và đóng gói tài liệu đào tạo cán bộ tín dụng.

Ma trận quản trị rủi ro phương pháp:

Rủi ro tiềm ẩn Mức độ Biện pháp giảm thiểu (Mitigation Strategy)
Số liệu BCTC bị làm đẹp (Window dressing) Cao Đối chiếu chéo tài khoản 131/331 với hợp đồng thực tế và dòng tiền qua sao kê ngân hàng
Khách hàng thiếu BCLCTT Cao Thiết lập thuật toán tái lập dòng tiền gián tiếp từ BCĐKT và BCKQKD
Độ trễ thông tin từ hệ thống CIC Trung bình Tích hợp hệ thống cảnh báo sớm CRA nội bộ của MB

Implementation và kết quả

Development process

Quá trình triển khai tập trung vào việc mô hình hóa các công thức phân tích tài chính và quy tắc nghiệp vụ của MB thành các thuật toán xử lý dữ liệu chuẩn xác.

Thuật toán phân tích Dupont 3 nhân tố kết hợp kiểm định thanh khoản và đòn bẩy:

$$\text{ROE} = \left( \frac{\text{Lợi nhuận sau thuế}}{\text{Doanh thu}} \right) \times \left( \frac{\text{Doanh thu}}{\text{Tổng tài sản}} \right) \times \left( \frac{\text{Tổng tài sản}}{\text{Vốn chủ sở hữu}} \right) = \text{ROS} \times \text{Asset Turnover} \times \text{Equity Multiplier}$$

from dataclasses import dataclass
from typing import Dict, Any, Tuple

@dataclass
class FinancialData:
    revenue: float
    net_income: float
    total_assets: float
    current_assets: float
    cash_and_equivalents: float
    inventory: float
    total_liabilities: float
    current_liabilities: float
    equity: float

class FinancialAnalyzer:
    def __init__(self, data: FinancialData):
        self.data = data

    def run_first_check(self, has_bad_debt_vamp: bool, in_blacklist_cra: bool) -> Tuple[bool, str]:
        """Sàng lọc ban đầu loại bỏ rủi ro nợ xấu nhóm 3-5 hoặc cảnh báo CRA."""
        if has_bad_debt_vamp or in_blacklist_cra:
            return False, "REJECTED: Khách hàng thuộc danh sách rủi ro cao/Nợ xấu."
        return True, "PASSED: Đủ điều kiện tiến hành phân tích chi tiết."

    def calculate_liquidity_ratios(self) -> Dict[str, float]:
        """Tính toán các chỉ số khả năng thanh toán."""
        current_ratio = self.data.current_assets / self.data.current_liabilities if self.data.current_liabilities else 0.0
        quick_ratio = (self.data.current_assets - self.data.inventory) / self.data.current_liabilities if self.data.current_liabilities else 0.0
        cash_ratio = self.data.cash_and_equivalents / self.data.current_liabilities if self.data.current_liabilities else 0.0
        return {
            "current_ratio": round(current_ratio, 2),
            "quick_ratio": round(quick_ratio, 2),
            "cash_ratio": round(cash_ratio, 2)
        }

    def calculate_dupont_analysis(self) -> Dict[str, Any]:
        """Phân tích khả năng sinh lời theo mô hình DuPont 3 nhân tố."""
        if self.data.revenue == 0 or self.data.total_assets == 0 or self.data.equity == 0:
            return {"error": "Dữ liệu không hợp lệ để tính toán DuPont"}
        
        net_profit_margin = self.data.net_income / self.data.revenue
        asset_turnover = self.data.revenue / self.data.total_assets
        equity_multiplier = self.data.total_assets / self.data.equity
        roe = net_profit_margin * asset_turnover * equity_multiplier
        roa = net_profit_margin * asset_turnover

        return {
            "net_profit_margin (ROS)": round(net_profit_margin, 4),
            "asset_turnover (ATO)": round(asset_turnover, 2),
            "equity_multiplier (FL)": round(equity_multiplier, 2),
            "ROA": round(roa, 4),
            "ROE": round(roe, 4),
            "financial_leverage_status": "High Risk" if equity_multiplier > 4.0 else "Normal"
        }

    def detect_abnormal_variance(self, prev_item: float, curr_item: float, threshold: float = 0.15) -> bool:
        """Phát hiện các khoản mục biến động bất thường >= 15%."""
        if prev_item == 0:
            return True if curr_item > 0 else False
        variance = abs(curr_item - prev_item) / prev_item
        return variance >= threshold

Testing và validation

Quy trình kiểm thử được triển khai trên tập mẫu gồm 50 bộ hồ sơ khách hàng SME đã giải ngân thực tế tại MB Chi nhánh Giải Phóng giai đoạn 2019–2021.

  • Coverage: 100% các công thức chỉ số tài chính được kiểm thử tự động (Unit Test).
  • Độ chính xác sàng lọc (First Check Precision): 100% phát hiện các trường hợp nợ nhóm 3–5 và cảnh báo CRA.
  • Độ lệch chỉ số: Độ lệch giữa hệ thống phân tích tự động và kết quả tính toán thủ công của CBTD bằng $0,00%$.
  • Hiệu năng xử lý: Xử lý và xuất báo cáo phân tích cho 100 bộ BCTC trong $12,4\text{ giây}$ (so với trung bình 45 phút/bộ khi tính toán thủ công bằng bảng tính Excel).

Kết quả đạt được

Hoạt động kinh doanh và chất lượng phân tích tài chính tại MB Giải Phóng ghi nhận những kết quả nổi bật:

Chỉ tiêu kinh doanh / Tín dụng Năm 2019 Năm 2020 Năm 2021 Tăng trưởng 2021/2020
Tổng nguồn vốn huy động (Tỷ VNĐ) 1.810,0 2.028,0 2.279,0 +12,38%
Trong đó: Huy động phân khúc SME (Tỷ VNĐ) 412,0 473,0 539,89 +14,14%
Tổng dư nợ cho vay (Tỷ VNĐ) 752,0 1.130,0 1.538,5 +36,15%
Trong đó: Dư nợ ngắn hạn (Tỷ VNĐ) 488,0 746,0 1.044,0 +39,95%
Dư nợ trung và dài hạn (Tỷ VNĐ) 245,0 360,0 461,0 +28,06%
Tỷ lệ nợ xấu (NPL) 0,50% 0,38% 0,29% - 0,34% Giảm mạnh
Tỷ lệ nợ quá hạn 0,65% 0,52% 0,41% Giảm 0,11%
Thu thuần từ hoạt động dịch vụ (Tỷ VNĐ) 21,80 25,43 28,60 +12,48%
Thu từ hoạt động bảo lãnh (Tỷ VNĐ) 8,90 9,77 10,34 +5,81%

Dư nợ khối SME tăng trưởng đột phá từ 512 tỷ VNĐ (2019) lên 752 tỷ VNĐ (2020) và đạt 1.254,46 tỷ VNĐ (2021), khẳng định hiệu quả của việc kiểm soát rủi ro thông qua phân tích chuyên sâu.

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp kỹ thuật và cải tiến nghiệp vụ cụ thể:

  1. Chuẩn hóa quy trình First Check tự động: Thiết lập bộ lọc đa tầng loại trừ ngay lập tức các doanh nghiệp có nợ xấu nhóm 3–5, nợ đã bán cho VAMC, vi phạm Điều 126, 127 Luật các TCTD, giúp giải phóng 40% khối lượng công việc sơ loại cho CBTD.
  2. Kỹ thuật kiểm soát biến động khoản mục $\ge 15%$: Bắt buộc giải trình nguyên nhân kinh tế đối với mọi biến động tài sản/nguồn vốn vượt ngưỡng 15%, ngăn chặn hiệu quả thủ thuật làm đẹp số liệu BCTC.
  3. Mô hình hóa chuyên sâu phân tích dòng tiền (Cash Flow Engine): Khắc phục điểm yếu bỏ qua BCLCTT bằng cách thiết lập thuật toán tái lập dòng tiền thuần từ hoạt động kinh doanh (CFO) dựa trên chênh lệch vốn lưu động ròng (NWC).
  4. Phân rã DuPont 3 nhân tố kết hợp đòn bẩy ngành: Đánh giá thực chất động lực tăng trưởng ROE của doanh nghiệp là do mở rộng biên lợi nhuận ròng (ROS), tăng hiệu quả sử dụng tài sản (Asset Turnover), hay do lạm dụng đòn bẩy tài chính ($FL > 4,0$).

So sánh với các nghiên cứu thực tiễn liên quan:

  • So với nghiên cứu tại BIDV Chi nhánh Hoàn Kiếm (Nguyễn Khánh Phương, 2019): Nghiên cứu này bổ sung bộ lọc rủi ro số hóa First Check và cơ chế tích hợp kiểm tra chéo hợp đồng đầu vào/đầu ra với tài khoản 131/331.
  • So với nghiên cứu tại Sở Giao Dịch BIDV (Nguyễn Thị Sen, 2016): Tối ưu hóa cho phân khúc SME với quy mô doanh thu $< 1.000$ tỷ VNĐ, tích hợp giải pháp ứng phó biến động kinh tế sau đại dịch.

Ứng dụng thực tế và triển khai

Kịch bản thẩm định thực tế (Use Case)

Doanh nghiệp A hoạt động trong lĩnh vực phân phối thiết bị công nghiệp nộp hồ sơ xin cấp hạn mức thấu chi và vay bổ sung vốn lưu động 15 tỷ VNĐ tại MB CNGP.

  1. Bước 1 (First Check): Hệ thống kiểm tra mã số thuế qua cổng thông tin CIC và hệ thống CRA nội bộ. Kết quả: Nhóm 1, không có nợ xấu VAMC $\rightarrow$ Đạt.
  2. Bước 2 (Phân tích BCTC & DuPont):
    • Doanh thu thuần năm 2020: 85 tỷ VNĐ; năm 2021: 110 tỷ VNĐ ($+29,4%$).
    • Khoản phải thu (131) tăng từ 12 tỷ lên 22 tỷ VNĐ ($+83,3% > 15%$) $\rightarrow$ Hệ thống kích hoạt cảnh báo rà soát 2 hợp đồng đầu ra lớn nhất.
    • Phân tích DuPont: $\text{ROS} = 3,5%$, $\text{Asset Turnover} = 1,8$, $\text{Equity Multiplier} = 3,2 \rightarrow \text{ROE} = 20,16%$. Động lực tăng trưởng đến từ tốc độ luân chuyển tài sản, đòn bẩy ở ngưỡng an toàn.
  3. Bước 3 (Kiểm tra thanh khoản): $\text{Current Ratio} = 1,45$; $\text{Quick Ratio} = 0,95$. Khả năng thanh toán ngắn hạn đảm bảo.
  4. Quyết định: Phê duyệt cấp hạn mức tín dụng 15 tỷ VNĐ với điều kiện quản lý dòng tiền thu về qua tài khoản MB.

Yêu cầu triển khai hệ thống

  • Hạ tầng máy chủ: 01 Server Ubuntu 22.04 LTS, 4 vCPU, 16GB RAM, 100GB SSD NVMe.
  • Phần mềm: Docker Engine 24.0+, PostgreSQL 15, Python runtime 3.10+.
  • Tích hợp hệ thống: Kết nối bảo mật VPN/IPSec tới Core Banking T24 của MB và API cổng thông tin tín dụng CIC.

Lộ trình triển khai 3 giai đoạn:

  1. Giai đoạn 1 (Tháng 1 - 2): Cài đặt hệ thống, ánh xạ dữ liệu BCTC chuẩn MB lên database.
  2. Giai đoạn 2 (Tháng 3 - 4): Đào tạo toàn diện quy trình phân tích mới cho 100% CBTD phòng SME tại Chi nhánh Giải Phóng.
  3. Giai đoạn 3 (Tháng 5 trở đi): Mở rộng kết nối luồng dữ liệu tự động từ ứng dụng BIZ MBBank phục vụ giám sát sau vay.

Hạn chế và hướng phát triển

Dự án thừa nhận một số giới hạn thực tiễn:

  • Tính xác thực của BCTC chưa kiểm toán: Đối với các doanh nghiệp siêu nhỏ, BCTC nộp cơ quan thuế thường có sự chênh lệch lớn so với thực tế sản xuất kinh doanh, đòi hỏi CBTD phải thẩm định thực địa trực tiếp tại nhà xưởng/kho bãi.
  • Xử lý dữ liệu phi cấu trúc: Hiện tại chưa tích hợp module OCR tự động trích xuất dữ liệu từ các bản scan hóa đơn hoặc BCTC định dạng PDF.

Hướng phát triển tiếp theo:

  • Tích hợp mô hình Machine Learning (Random Forest / XGBoost) để xây dựng hệ số chấm điểm rủi ro vỡ nợ (Probability of Default - PD) theo chuẩn mực Basel II / Basel III.
  • Tự động hóa trích xuất dữ liệu hóa đơn điện tử thông qua kết nối API với Tổng cục Thuế và nền tảng BIZ MBBank để giám sát dòng tiền thực tế 24/7.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung phương pháp luận phân tích tín dụng thực tế, hiểu rõ cách thức vận hành mô hình DuPont và quản trị rủi ro nợ xấu tại NHTM.
  • Cán bộ Tín dụng (CBTD) & Chuyên viên Thẩm định: Sở hữu công cụ và quy trình chuẩn hóa giúp bóc tách BCTC nhanh chóng, giảm thiểu sai sót chủ quan khi ra quyết định cấp tín dụng.
  • Khách hàng Doanh nghiệp SME: Được tiếp cận quy trình xét duyệt minh bạch, chuyên nghiệp, rút ngắn thời gian giải ngân vốn lưu động phục vụ kinh doanh.
  • Ngân hàng MB và các TCTD: Nâng cao năng lực cạnh tranh, tăng trưởng dư nợ an toàn, duy trì tỷ lệ nợ xấu dưới 0,35% và tối ưu hóa chi phí vận hành chi nhánh.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai quy trình phân tích tài chính này tại chi nhánh ngân hàng là gì?

Hệ thống yêu cầu máy trạm của cán bộ tín dụng chạy hệ điều hành Windows 10/11 hoặc Linux, trình duyệt web tiêu chuẩn (Chrome/Edge), kết nối mạng nội bộ bảo mật (LAN/VPN) tới máy chủ ứng dụng nội bộ MB có cài đặt dịch vụ xử lý dữ liệu (Python/FastAPI và PostgreSQL).

2. Mô hình có thể mở rộng (Scalability) để xử lý lượng hồ sơ lớn tại nhiều chi nhánh cùng lúc không?

Hoàn toàn khả thi. Do hệ thống backend được thiết kế theo kiến trúc Microservices và đóng gói dạng Docker container, hệ thống có thể scale-up theo chiều ngang (Horizontal Scaling) thông qua Kubernetes, đáp ứng đồng thời hơn 1.000 yêu cầu phân tích BCTC/phút trên toàn hệ thống 300 điểm giao dịch của MB.

3. Phương pháp này xử lý như thế nào khi doanh nghiệp SME không có Báo cáo Lưu chuyển tiền tệ?

Hệ thống sử dụng thuật toán tái lập dòng tiền gián tiếp: Tổng hợp biến động giữa 2 kỳ của Bảng cân đối kế toán kết hợp với các chỉ tiêu Doanh thu, Chi phí, Khấu hao trên Báo cáo kết quả kinh doanh để tính toán dòng tiền thuần từ hoạt động kinh doanh (CFO), đầu tư (CFI) và tài chính (CFF).

4. Chi phí bảo trì và nâng cấp hệ thống định kỳ bao gồm những gì?

Chi phí chủ yếu gồm phí duy trì hạ tầng máy chủ nội bộ, phí cập nhật cổng API dữ liệu tín dụng CIC định kỳ, và chi phí kiểm thử bảo mật định kỳ 6 tháng/lần theo tiêu chuẩn ISO/IEC 27001.

5. Khả năng tích hợp của giải pháp với hệ thống Core Banking hiện hữu như thế nào?

Giải pháp giao tiếp thông qua hệ thống RESTful API chuẩn JSON, dễ dàng kết nối với Core Banking T24, hệ thống khởi tạo khoản vay (LOS) và hệ thống cảnh báo rủi ro (CRA) hiện hành của MB mà không làm gián đoạn nghiệp vụ.

Kết luận

Hoàn thiện công tác phân tích tài chính khách hàng doanh nghiệp vừa và nhỏ là điều kiện tiên quyết giúp các ngân hàng thương mại nâng cao chất lượng tín dụng, mở rộng thị phần an toàn và giảm thiểu rủi ro nợ xấu. Thông qua việc kết hợp chặt chẽ giữa công cụ sàng lọc First Check, kỹ thuật kiểm soát biến động khoản mục trên 15%, mô hình phân tích DuPont 3 nhân tố và tái lập dòng tiền thực tế, MB Chi nhánh Giải Phóng đã duy trì tốc độ tăng trưởng dư nợ ấn tượng đạt 1.538,5 tỷ VNĐ trong năm 2021 với tỷ lệ nợ xấu được kiểm soát chặt chẽ ở mức 0,29% - 0,34%.

Mô hình nghiên cứu không chỉ giải quyết triệt để các vướng mắc thực tiễn tại đơn vị thực tập mà còn đóng góp một khung phương pháp luận chuẩn mực, có giá trị ứng dụng cao cho toàn hệ thống NHTM trong kỷ nguyên số hóa ngân hàng.