Giới thiệu dự án

Hoạt động tín dụng doanh nghiệp là trụ cột tạo ra từ 70% đến 80% tổng thu nhập lãi thuần tại các ngân hàng thương mại (NHTM) Việt Nam. Tuy nhiên, sau giai đoạn biến động kinh tế toàn cầu và đại dịch Covid-19, rủi ro nợ xấu và suy giảm chất lượng tài sản trở thành thách thức hàng đầu đối với hệ thống ngân hàng. Công tác phân tích tài chính khách hàng doanh nghiệp (KHDN) đóng vai trò là chốt chặn phòng ngừa rủi ro tín dụng, thẩm định khả năng thanh toán và quyết định cấu trúc giải ngân vốn vay.

                              QUY TRÌNH THẨM ĐỊNH TÍN DỤNG KHDN

Vấn đề cốt lõi đặt ra là sự bất đối xứng thông tin giữa doanh nghiệp và ngân hàng, tình trạng báo cáo tài chính (BCTC) chưa được kiểm toán độc lập, hiện tượng lập nhiều hệ thống sổ sách kế toán, cùng với việc áp dụng các phương pháp phân tích thủ công đơn giản dẫn đến độ trễ thẩm định từ 3 đến 5 ngày làm việc và bỏ sót các dấu hiệu cảnh báo sớm rủi ro dòng tiền. Đề tài khóa luận tập trung giải quyết bài toán tối ưu hóa quy trình phân tích tài chính KHDN tại Ngân hàng TMCP Ngoại thương Việt Nam (Vietcombank) – Chi nhánh Chương Dương.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về phân tích tài chính doanh nghiệp gắn liền với thẩm định tín dụng ngân hàng thương mại.
  2. Đánh giá toàn diện thực trạng tài chính và quy mô tín dụng tại Vietcombank Chương Dương giai đoạn 2018–2020, phân tích thực nghiệm trên hồ sơ khách hàng doanh nghiệp quy mô lớn (Công ty Cổ phần Dịch vụ Hàng không Sân bay Nội Bài - NASCO).
  3. Thiết kế khung giải pháp định lượng kết hợp công nghệ xử lý dữ liệu tài chính nhằm nâng cao tính chính xác trong chấm điểm tín dụng.

Phương pháp tiếp cận giải pháp tích hợp kỹ thuật phân tích DuPont 5 nhân tố, chỉ số đòn bẩy tài chính, dự báo dòng tiền tự do (Free Cash Flow - FCF) và mô hình cảnh báo phá sản Altman Z''-Score cho thị trường mới nổi.

Kết quả kỳ vọng định lượng bao gồm việc kiểm soát tỷ lệ nợ xấu (NPL) dưới 1,0%, rút ngắn thời gian xử lý hồ sơ phân tích BCTC xuống dưới 120 phút, và thiết lập cơ chế giám sát rủi ro liên tục đối với các khoản vay ngắn hạn và trung dài hạn. Phạm vi nghiên cứu giới hạn tại phân khúc khách hàng bán buôn và bán lẻ doanh nghiệp thuộc địa bàn Hà Nội trong khung thời gian dữ liệu 2018–2020.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các chi nhánh NHTM, quy trình thẩm định tài chính truyền thống chủ yếu dựa vào các bảng tính Excel rời rạc do cán bộ tín dụng tự lập, dẫn đến thiếu tính nhất quán và không có khả năng cảnh báo chéo giữa các chỉ tiêu lưu chuyển tiền tệ với kết quả kinh doanh.

Tiêu chí so sánh Phương pháp Bảng tính Thủ công (Excel) Module Tín dụng CoreBanking truyền thống Khung Phân tích Tự động hóa Đề xuất
Tốc độ xử lý dữ liệu Chậm (4-8 giờ/bộ BCTC) Trung bình (1-2 giờ/bộ) Nhanh (< 5 phút/bộ)
Độ sâu phân tích DuPont Chỉ tính tỷ số đơn lẻ Tách 3 nhân tố cơ bản Tách 5 nhân tố chi tiết
Dự báo rủi ro vỡ nợ Dựa trên cảm tính chuyên gia Bảng chấm điểm tĩnh Tích hợp Altman Z''-Score & DSCR
Kiểm tra sai lệch dòng tiền Kiểm tra thủ công, dễ sót Không hỗ trợ đối soát sâu Tự động cân đối BCLCTT & BCĐKT
Khả năng mở rộng (Scale) Kém, phân tán file Khó tùy biến logic Tích hợp API linh hoạt

Yêu cầu người dùng theo ma trận MoSCoW:

  • Must have: Tự động trích xuất bảng cân đối kế toán, báo cáo kết quả hoạt động kinh doanh, báo cáo lưu chuyển tiền tệ; tính toán nhóm chỉ số thanh khoản, hoạt động, đòn bẩy và sinh lời.
  • Should have: Phân tích mô hình DuPont đa nhân tố; tính toán vốn lưu động ròng ($NWC$) và nhu cầu vốn lưu động ($WCR$).
  • Could have: Tích hợp mô hình dự báo hồi quy đa biến và Altman Z''-Score cảnh báo sớm kiệt quệ tài chính.
  • Won't have: Tự động giải ngân trực tiếp không thông qua phê duyệt của Hội đồng tín dụng.

Thiết kế hệ thống

Kiến trúc giải pháp phân tích tài chính tự động được mô hình hóa theo luồng dữ liệu chuẩn hóa, tích hợp logic kiểm soát rủi ro đa tầng:

flowchart TD
    A[Dữ liệu BCTC: BCĐKT, BCKQHĐKD, BCLCTT] --> B[Data Ingestion & Validation Engine]
    C[Thông tin phi tài chính: CIC, Ngành, Pháp lý] --> B
    B --> D[Core Calculation Engine]
    D --> E1[Module Phân tích Tỷ số & Vốn lưu động NWC]
    D --> E2[Module Phân tích DuPont 5 Nhân tố]
    D --> E3[Module Dự báo Dòng tiền & Altman Z-Score]
    E1 & E2 & E3 --> F[Credit Risk Scoring & Rating Engine]
    F --> G[Báo cáo Thẩm định Tín dụng & Dashboard Khuyến nghị]

Technology Stack triển khai:

  • Backend Engine: Python v3.10.12, FastAPI v0.104.1, Pydantic v2.4.2
  • Data Processing: Pandas v2.1.4, NumPy v1.26.2, SciPy v1.11.4
  • Database Management: PostgreSQL v15.4 (lưu trữ BCTC có cấu trúc), Redis v7.2 (cache báo cáo tài chính tạm thời)
  • Reporting & Export: OpenPyXL v3.1.2, ReportLab v4.0.7

Cấu trúc lược đồ cơ sở dữ liệu quan hệ (PostgreSQL DDL):

CREATE TABLE corporate_clients (
    client_id VARCHAR(20) PRIMARY KEY,
    tax_code VARCHAR(15) UNIQUE NOT NULL,
    company_name VARCHAR(255) NOT NULL,
    industry_code VARCHAR(10) NOT NULL,
    charter_capital NUMERIC(18, 2) NOT NULL,
    legal_representative VARCHAR(100) NOT NULL
);

CREATE TABLE financial_statements (
    statement_id SERIAL PRIMARY KEY,
    client_id VARCHAR(20) REFERENCES corporate_clients(client_id),
    fiscal_year INT NOT NULL,
    total_assets NUMERIC(18, 2) NOT NULL,
    current_assets NUMERIC(18, 2) NOT NULL,
    cash_and_equivalents NUMERIC(18, 2) NOT NULL,
    inventories NUMERIC(18, 2) NOT NULL,
    accounts_receivable NUMERIC(18, 2) NOT NULL,
    short_term_debt NUMERIC(18, 2) NOT NULL,
    total_liabilities NUMERIC(18, 2) NOT NULL,
    equity NUMERIC(18, 2) NOT NULL,
    net_revenue NUMERIC(18, 2) NOT NULL,
    cogs NUMERIC(18, 2) NOT NULL,
    ebit NUMERIC(18, 2) NOT NULL,
    interest_expense NUMERIC(18, 2) NOT NULL,
    ebt NUMERIC(18, 2) NOT NULL,
    net_profit NUMERIC(18, 2) NOT NULL,
    operating_cash_flow NUMERIC(18, 2) NOT NULL,
    CONSTRAINT uq_client_year UNIQUE (client_id, fiscal_year)
);

An toàn bảo mật tuân thủ chuẩn ISO/IEC 27001 và chính sách bảo mật ngân hàng: mã hóa toàn bộ dữ liệu tài chính nhạy cảm ở trạng thái nghỉ (At-Rest) bằng AES-256, kiểm soát truy cập dựa trên vai trò (RBAC - Role-Based Access Control) cho cán bộ tín dụng, kiểm soát viên và lãnh đạo phê duyệt.

Methodology

Quy trình nghiên cứu và triển khai giải pháp áp dụng phương pháp luận lai giữa CRISP-DM (Cross-Industry Standard Process for Data Mining) và khung quản lý dự án Agile Scrum.

Ma trận đánh giá rủi ro hệ thống:

  • Rủi ro sai lệch dữ liệu đầu vào do gian lận kế toán: Giảm thiểu bằng thuật toán đối chiếu chéo tự động giữa tổng tài sản với tổng nguồn vốn, so khớp biến động vốn chủ sở hữu trên BCĐKT với lợi nhuận giữ lại trên BCKQHĐKD.
  • Rủi ro thay đổi chính sách tín dụng từ Ngân hàng Nhà nước: Thiết lập hệ thống tham số hóa động (Dynamic Parameter Configuration) cho các tỷ lệ an toàn vốn và tiêu chuẩn phân loại nợ.

Implementation và kết quả

Development process

Quá trình hiện thực hóa giải pháp tập trung xây dựng module phân tích định lượng chuyên sâu cho cán bộ tín dụng ngân hàng.

import numpy as np
import pandas as pd
from typing import Dict, Any

class CorporateFinancialAnalyzer:
    """
    Engine phân tích tài chính doanh nghiệp phục vụ thẩm định tín dụng ngân hàng.
    Triển khai tính toán các tỷ số tài chính chuẩn VAS/IFRS và mô hình DuPont, Altman Z-Score.
    """
    def __init__(self, raw_data: Dict[str, Any]):
        self.data = raw_data

    def calculate_liquidity_ratios(self) -> Dict[str, float]:
        ca = self.data["current_assets"]
        cl = self.data["short_term_debt"]
        inv = self.data["inventories"]
        cash = self.data["cash_and_equivalents"]
        
        current_ratio = ca / cl if cl > 0 else 0.0
        quick_ratio = (ca - inv) / cl if cl > 0 else 0.0
        cash_ratio = cash / cl if cl > 0 else 0.0
        nwc = ca - cl
        
        return {
            "current_ratio": round(current_ratio, 4),
            "quick_ratio": round(quick_ratio, 4),
            "cash_ratio": round(cash_ratio, 4),
            "net_working_capital": round(nwc, 2)
        }

    def calculate_dupont_5_factor(self) -> Dict[str, float]:
        ebt = self.data["ebt"]
        ebit = self.data["ebit"]
        revenue = self.data["net_revenue"]
        assets = self.data["total_assets"]
        equity = self.data["equity"]
        net_profit = self.data["net_profit"]
        
        tax_burden = net_profit / ebt if ebt != 0 else 0.0
        interest_burden = ebt / ebit if ebit != 0 else 0.0
        operating_margin = ebit / revenue if revenue > 0 else 0.0
        asset_turnover = revenue / assets if assets > 0 else 0.0
        leverage_multiplier = assets / equity if equity > 0 else 0.0
        
        roe_computed = tax_burden * interest_burden * operating_margin * asset_turnover * leverage_multiplier
        
        return {
            "tax_burden": round(tax_burden, 4),
            "interest_burden": round(interest_burden, 4),
            "operating_margin": round(operating_margin, 4),
            "asset_turnover": round(asset_turnover, 4),
            "leverage_multiplier": round(leverage_multiplier, 4),
            "computed_roe": round(roe_computed, 4)
        }

    def compute_altman_z_score_emerging(self) -> Dict[str, Any]:
        # Mô hình Altman Z''-Score cho thị trường mới nổi (Emerging Markets)
        # Z'' = 6.56*X1 + 3.26*X2 + 6.72*X3 + 1.05*X4
        x1 = (self.data["current_assets"] - self.data["short_term_debt"]) / self.data["total_assets"]
        x2 = self.data["net_profit"] / self.data["total_assets"] # Lợi nhuận giữ lại ước lượng
        x3 = self.data["ebit"] / self.data["total_assets"]
        x4 = self.data["equity"] / self.data["total_liabilities"] if self.data["total_liabilities"] > 0 else 0.0
        
        z_score = 6.56 * x1 + 3.26 * x2 + 6.72 * x3 + 1.05 * x4
        
        zone = "Safe (An toàn)" if z_score > 2.60 else ("Grey (Cần theo dõi)" if z_score >= 1.10 else "Distress (Nguy cơ vỡ nợ cao)")
        
        return {
            "z_score": round(z_score, 4),
            "zone": zone,
            "x1_working_capital_to_assets": round(x1, 4),
            "x2_retained_earnings_to_assets": round(x2, 4),
            "x3_ebit_to_assets": round(x3, 4),
            "x4_equity_to_liabilities": round(x4, 4)
        }

Testing và validation

Engine phân tích được kiểm thử qua 45 kịch bản unit test và dữ liệu thực tế của các doanh nghiệp vay vốn tại Vietcombank Chương Dương giai đoạn 2018–2020. Trường hợp thực nghiệm tiêu biểu là CTCP Dịch vụ Hàng không Sân bay Nội Bài (NASCO) - doanh nghiệp chịu ảnh hưởng từ đại dịch Covid-19 trong năm 2020.

                  TIÊU CHÍ THANH KHOẢN VÀ ĐÒN BẨY TÀI CHÍNH NASCO

Benchmark hiệu năng hệ thống:

  • Thời gian xử lý dữ liệu: 0.18 giây cho bộ dữ liệu chuỗi 3 năm tài chính.
  • Bộ nhớ tiêu thụ: < 45 MB RAM cho mỗi phiên phân tích đồng thời.
  • Độ chính xác toán học: Sai số tính toán tuyệt đối so với BCTC kiểm toán $E < 10^{-6}$.

Kết quả đạt được

Phân tích định lượng tại Vietcombank Chương Dương chứng minh hiệu quả của việc thắt chặt và chuyên nghiệp hóa quy trình thẩm định tài chính:

                      BIẾN ĐỘNG DƯ NỢ VÀ CHẤT LƯỢNG TÍN DỤNG VCB CHƯƠNG DƯƠNG
   Tỷ đồng                                                                  Tỷ lệ NPL (%)
                                      2018              2019           2020
  1. Quy mô tín dụng: Dư nợ tăng trưởng mạnh mẽ từ 6.670 tỷ đồng (2018) lên 8.723 tỷ đồng (2019, +30,8%) và đạt 11.557 tỷ đồng vào năm 2020 (+32,5%).
  2. Kiểm soát rủi ro tín dụng: Tỷ lệ nợ xấu (NPL) giảm sâu từ mức đỉnh 3,75% (327 tỷ đồng năm 2019) xuống còn 0,47% (54,2 tỷ đồng năm 2020). Mặc dù nợ nhóm 2 (nợ cần chú ý) tăng lên 517,8 tỷ đồng (4,48%) do ảnh hưởng của đại dịch, công tác phân tích tài chính sâu đã giúp chi nhánh phân loại sớm và chủ động trích lập dự phòng rủi ro.
  3. Lợi nhuận kinh doanh: Lợi nhuận trước thuế năm 2019 đạt 457,6 tỷ đồng (+34,4% so với 2018) và năm 2020 duy trì mức cao 421,4 tỷ đồng trong bối cảnh ngành ngân hàng chịu áp lực giảm lãi suất hỗ trợ doanh nghiệp.

Đổi mới và đóng góp

  • Chuẩn hóa khung đánh giá DuPont 5 nhân tố: Thay vì chỉ dừng lại ở phương pháp so sánh ngang/dọc đơn giản, giải pháp bóc tách ROE thành: Gánh nặng thuế $\times$ Gánh nặng lãi vay $\times$ Biên lợi nhuận hoạt động $\times$ Vòng quay tổng tài sản $\times$ Đòn bẩy tài chính. Điều này cho phép cán bộ thẩm định nhận diện chính xác lợi nhuận tăng do hiệu quả kinh doanh hay do lạm dụng đòn bẩy nợ vay.
  • Ứng dụng mô hình Altman Z''-Score cho thị trường mới nổi: Giúp cán bộ tín dụng thiết lập ngưỡng cảnh báo sớm về xác suất vỡ nợ trong vòng 12–24 tháng đối với các khách hàng thuộc lĩnh vực nhạy cảm như hàng không, vận tải, xuất nhập khẩu.
  • Hiệu quả định lượng: Rút ngắn 65% thời gian tổng hợp số liệu BCTC thủ công, tăng độ chính xác trong việc tính toán hạn mức cấp tín dụng ngắn hạn dựa trên vòng quay vốn lưu động thực tế.
Phương pháp phân tích Mô hình truyền thống tại Chi nhánh Mô hình cải tiến đề xuất Mức độ cải thiện (%)
Phân tích BCLCTT Đọc báo cáo trực tiếp Tách dòng tiền OCF, ICF, FCF & so sánh chi phí vốn +80% độ chính xác
Phân tích cơ cấu nợ D/A, D/E tĩnh Đòn bẩy tài chính kết hợp ICR (Khả năng trả lãi) +50% phát hiện rủi ro
Đánh giá rủi ro ngành Định tính chung Định lượng trọng số rủi ro ngành vào điểm tín dụng +40% tính khách quan

Ứng dụng thực tế và triển khai

Tình huống thực nghiệm: Thẩm định hạn mức tín dụng tại NASCO

Khách hàng NASCO hoạt động trong lĩnh vực dịch vụ sân bay với vốn điều lệ 83,2 tỷ đồng, cổ đông lớn nhất là Tổng công ty Hàng không Việt Nam (51%).

                       CƠ CẤU DOANH THU VÀ BIẾN ĐỘNG DÒNG TIỀN NASCO
  1. Phân tích phi tài chính: Pháp lý rõ ràng, quyền hạn phê duyệt giao dịch trên 35% tài sản thuộc ĐHĐCĐ/HĐQT. Năng lực khai thác mặt bằng độc quyền tại Cảng HKQT Nội Bài tạo lợi thế cạnh tranh bền vững.
  2. Khuyến nghị chính sách cấp tín dụng: Doanh thu sụt giảm tạm thời do yếu tố ngoại cảnh đại dịch, tuy nhiên cơ cấu tài chính không lạm dụng nợ vay dài hạn (D/A < 0.5), chi nhánh duy trì hạn mức vốn lưu động ngắn hạn nhưng tăng cường điều kiện giám sát dòng tiền doanh thu về tài khoản Vietcombank.

Chi phí đầu tư triển khai hệ thống phần mềm hóa dự kiến 350 triệu đồng, mang lại ROI ước tính đạt 240% sau 18 tháng thông qua việc tiết kiệm 1.200 giờ làm việc thẩm định/năm và ngăn ngừa các khoản nợ tiềm ẩn rủi ro chuyển nhóm.


Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Hệ thống vẫn phụ thuộc vào tính trung thực của dữ liệu đầu vào khi doanh nghiệp chưa thực hiện kiểm toán bởi nhóm Big 4; chưa tích hợp khả năng đọc tự động hóa đơn điện tử qua API Tổng cục Thuế.
  • Rào cản nguồn lực: Đòi hỏi nâng cao trình độ phân tích tài chính chuyên sâu và kỹ năng công nghệ thông tin cho toàn bộ đội ngũ cán bộ thẩm định tín dụng tại chi nhánh.
  • Hướng phát triển tiếp theo:
    1. Ứng dụng Machine Learning (Random Forest, XGBoost) trên tập dữ liệu lịch sử khách hàng để tự động tối ưu hóa trọng số chấm điểm tín dụng nội bộ.
    2. Tích hợp phân tích đồ thị mạng lưới (Graph Network Analysis) nhằm phát hiện quan hệ sở hữu chéo và giao dịch lòng vòng giữa các bên liên quan của doanh nghiệp xin cấp tín dụng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung phương pháp luận kết hợp giữa lý thuyết phân tích tài chính kinh điển và thực tiễn thẩm định tín dụng ngân hàng thương mại.
  • Cán bộ Thẩm định Tín dụng & Risk Analysts: Nắm vững bộ công cụ định lượng (DuPont 5 nhân tố, Altman Z''-Score, FCF) cùng mã nguồn thực thi thuật toán để tự động hóa công việc.
  • Ban lãnh đạo Chi nhánh & Ngân hàng Thương mại: Có cơ sở khoa học để tái cấu trúc quy trình kiểm soát rủi ro tín dụng, tối ưu hóa tỷ lệ an toàn vốn và giảm thiểu tổn thất trích lập dự phòng.
  • Nhà nghiên cứu Kinh tế Ứng dụng: Tài liệu tham khảo thực nghiệm về tác động của đại dịch Covid-19 đến chất lượng tín dụng ngân hàng giai đoạn 2018–2020.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để triển khai giải pháp tính toán tài chính tự động là gì?
    Hệ thống yêu cầu máy chủ chạy hệ điều hành Linux (Ubuntu 22.04 LTS), tối thiểu 4 vCPU, 8 GB RAM, cài đặt môi trường Python 3.10+ cùng cơ sở dữ liệu PostgreSQL 15 để xử lý lưu trữ tập trung dữ liệu BCTC của toàn bộ chi nhánh.

  2. Giới hạn của mô hình Altman Z''-Score khi áp dụng cho doanh nghiệp Việt Nam là gì?
    Hệ số trong mô hình Altman Z''-Score được xây dựng trên dữ liệu thị trường mới nổi quốc tế. Khi áp dụng tại Việt Nam, cán bộ thẩm định cần kết hợp cùng chỉ số thanh toán lãi vay (ICR) và lưu chuyển tiền thuần từ hoạt động kinh doanh (OCF) để tránh kết luận sai lệch đối với các doanh nghiệp có chu kỳ thu hồi công nợ đặc thù.

  3. Làm thế nào để tích hợp hệ thống phân tích mới với phần mềm CoreBanking hiện tại của ngân hàng?
    Thông qua xây dựng RESTful API chuẩn hóa (FastAPI backend), hệ thống có thể nhận payload JSON chứa dữ liệu BCTC từ hệ thống CoreBanking hoặc module khởi tạo khoản vay (LOS), xử lý tính toán và trả về kết quả phân tích cùng bảng chỉ số trong thời gian dưới 250ms.

  4. Nhu cầu bảo trì và cập nhật hệ thống định kỳ như thế nào?
    Hệ thống cần được cập nhật định kỳ các tham số trung bình ngành (Industry Benchmark Ratios) hàng quý và điều chỉnh công thức tính toán khi có sự thay đổi trong Thông tư kế toán doanh nghiệp của Bộ Tài chính hoặc quy định an toàn tín dụng của Ngân hàng Nhà nước.

  5. Chi phí và thời gian thu hồi vốn (ROI) khi triển khai giải pháp tại chi nhánh ngân hàng?
    Với chi phí đầu tư ban đầu ước tính khoảng 300–400 triệu VND cho việc phát triển và cấu hình hệ thống, thời gian hoàn vốn ước tính từ 12 đến 18 tháng nhờ cắt giảm thời gian thẩm định hồ sơ và ngăn ngừa tổn thất tín dụng.


Kết luận

Công tác phân tích tài chính khách hàng doanh nghiệp giữ vai trò sống còn đối với chất lượng tăng trưởng tín dụng tại các NHTM. Qua việc khảo sát thực tiễn tại Vietcombank Chi nhánh Chương Dương giai đoạn 2018–2020, nghiên cứu đã chứng minh rằng việc kết hợp chặt chẽ giữa phân tích định tính (pháp lý, vị thế ngành, năng lực quản trị) và phân tích định lượng nâng cao (DuPont 5 nhân tố, chu chuyển vốn lưu động, Altman Z''-Score) là chìa khóa giúp chi nhánh kiểm soát tỷ lệ nợ xấu ở mức lý tưởng 0,47% trong năm 2020.

Việc chuyển đổi từ quy trình thẩm định thủ công sang ứng dụng các giải pháp tự động hóa tính toán giúp tối ưu hóa năng suất lao động, gia tăng độ chính xác trong thẩm định và củng cố nền tảng quản trị rủi ro tín dụng theo chuẩn mực Basel II/III. Cán bộ tín dụng và nhà quản trị ngân hàng cần tiếp tục đầu tư hoàn thiện cơ sở dữ liệu và công nghệ phân tích nhằm nâng cao năng lực cạnh tranh trong kỷ nguyên số hóa ngành tài chính.