Giới thiệu dự án
Bối cảnh và thực trạng ngành tín dụng bán lẻ
Trong cấu trúc tài chính hiện đại, hệ thống Ngân hàng Thương mại (NHTM) giữ vai trò là huyết mạch luân chuyển vốn của nền kinh tế. Hoạt động cấp tín dụng bán lẻ, đặc biệt là phân khúc cho vay khách hàng cá nhân (KHCN) không có tài sản bảo đảm (tín chấp), đóng góp từ 70% – 80% tổng thu nhập hoạt động của các NHTM Việt Nam. Tuy nhiên, tính chất bất đối xứng thông tin, thiếu tài sản đối ứng và độ nhạy cảm cao trước chu kỳ kinh tế khiến cho vay tín chấp luôn tiềm ẩn rủi ro tín dụng (Credit Risk) ở mức cao nhất trong danh mục cho vay.
Tại Ngân hàng TMCP Sài Gòn Thương Tín – Chi nhánh Thăng Long (Sacombank Thăng Long), quy mô huy động vốn và dư nợ tăng trưởng liên tục trong giai đoạn 2021 – 2023 (lợi nhuận trước thuế tăng từ 81.441 triệu đồng năm 2021 lên 94.810 triệu đồng năm 2022 và tiếp tục tăng 10,29% trong năm 2023). Dù vậy, tỷ lệ nợ quá hạn vẫn dao động quanh ngưỡng 2,42% – 2,52%, đặt ra bài toán cấp bách về việc tối ưu hóa quy trình quản trị rủi ro tín dụng (QTRRTD).
┌─────────────────────────────────────────────────────────────┐
│ Khung Pháp Lý & Khẩu Vị Rủi Ro │
│ (Thông tư 39/2016/TT-NHNN, 11/2021/TT-NHNN, Basel II) │
└──────────────────────────────┬──────────────────────────────┘
│
┌───────────────────────────┼───────────────────────────┐
▼ ▼ ▼
┌───────────────┐ ┌───────────────┐ ┌───────────────────┐
│ Lớp 1: CBTD │ ──────► │ Lớp 2: QTRRTD │ ──────► │ Lớp 3: Kiểm Toán │
│ Tiếp nhận, │ │ Tái thẩm định,│ │ Kiểm tra tuân thủ │
│ chấm điểm 6Cs │ │ tính EL, PD │ │ & kiểm soát độc lập│
└───────────────┘ └───────────────┘ └───────────────────┘
Vấn đề nghiên cứu và các điểm nghẽn kỹ thuật
Hoạt động quản trị rủi ro tín chấp cá nhân tại Sacombank Thăng Long đối mặt với ba điểm nghẽn cốt lõi:
- Bất đối xứng thông tin định lượng: Khác với Khách hàng Doanh nghiệp (KHDN) có báo cáo kiểm toán minh bạch, dữ liệu thu nhập và hành vi của KHCN phân mảnh, dễ bị gian lận hồ sơ.
- Hệ thống chấm điểm tín dụng nội bộ còn phụ thuộc đánh giá cảm tính: Trọng số định tính trong mô hình 6Cs (Character, Capacity, Cash flow, Collateral, Control, Conditions) chưa được số hóa hoàn toàn bằng thuật toán xác suất vỡ nợ (Probability of Default - PD).
- Độ trễ trong phát hiện cảnh báo sớm (Early Warning Signals - EWS): Giám sát sau giải ngân chủ yếu thực hiện thủ công, dẫn đến phản ứng chậm khi khách hàng phát sinh nợ quá hạn từ nhóm 2 chuyển sang nợ xấu (nhóm 3–5).
Mục tiêu dự án
- Hệ thống hóa khung lý luận: Xây dựng cơ sở phương pháp luận về QTRRTD tín chấp theo chuẩn mực Basel II và quy định Ngân hàng Nhà nước (Thông tư 11/2021/TT-NHNN, Thông tư 13/2018/TT-NHNN).
- Phân tích thực trạng định lượng giai đoạn 2021 – 2023: Bóc tách toàn diện biến động dư nợ, nợ quá hạn, tỷ lệ trích lập dự phòng và cơ cấu rủi ro tại Sacombank Thăng Long.
- Thiết kế giải pháp tích hợp: Đề xuất mô hình xếp hạng tín dụng (XHTD) nội bộ kết hợp đo lường tổn thất kỳ vọng (Expected Loss - EL) và tái cấu trúc mô hình 3 lớp phòng vệ.
Phương pháp tiếp cận giải pháp
Ứng dụng phương pháp phân tích định lượng kết hợp quy trình thẩm định rủi ro đa tầng:
- Lượng hóa tổn thất kỳ vọng thông qua phương trình:
$$EL = PD \times LGD \times EAD$$
Trong đó: $PD$ là xác suất vỡ nợ, $LGD$ (Loss Given Default) là tỷ trọng tổn thất khi vỡ nợ (đối với cho vay không TSBĐ, $LGD \approx 100%$), $EAD$ (Exposure at Default) là tổng dư nợ tại thời điểm vỡ nợ.
- Phân loại nợ 5 nhóm theo Thông tư 11/2021/TT-NHNN kết hợp công thức trích lập dự phòng cụ thể ($DPCU$) và dự phòng chung ($DPCH$):
$$DPCH = 0.75% \times \sum_{i=1}^{4} \text{Dư nợ nhóm } i$$
Kết quả kỳ vọng và chỉ số đo lường
- Kiểm soát nợ xấu (NPL Ratio): Giảm tỷ lệ nợ xấu kỹ thuật dưới $1.10%$ toàn danh mục tín chấp (năm 2023 đạt $1.16%$).
- Độ chính xác mô hình phân loại rủi ro: Chỉ số AUC-ROC của scorecard tín dụng đạt $\ge 0.82$.
- Thời gian xử lý phê duyệt rủi ro: Rút ngắn $40%$ thời gian thẩm định nhưng vẫn đảm bảo $100%$ tuân thủ khẩu vị rủi ro.
Phạm vi và giới hạn
- Không gian: Toàn bộ dữ liệu vận hành tín dụng KHCN không TSBĐ tại Sacombank – Chi nhánh Thăng Long và 5 Phòng Giao dịch trực thuộc (PGD Đốc Ngữ, Đội Cấn, Hoàng Cầu, Nam Trung Yên, Trần Duy Hưng).
- Thời gian: Chuỗi chu kỳ số liệu từ năm 2021 đến hết năm 2023.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
So sánh các mô hình QTRRTD hiện hành
| Tiêu chí |
Mô hình truyền thống (Expert-based) |
Mô hình Sacombank Thăng Long (Hiện trạng) |
Mô hình Đề xuất (Data-driven Scoring & Basel II) |
| Cơ chế đánh giá |
Đánh giá chủ quan bởi CBTD |
Thang điểm 6Cs kết hợp tra cứu CIC |
Scorecard tự động, tính $PD$, tích hợp CIC API |
| Tốc độ thẩm định |
48 - 72 giờ |
24 - 48 giờ |
< 2 giờ (Pre-approval realtime) |
| Tỷ lệ nợ xấu trung bình |
> 3.0% |
1.16% - 1.44% |
< 1.0% |
| Chi phí vận hành |
Rất cao |
Trung bình |
Tối ưu hóa nhờ tự động hóa |
| Khả năng mở rộng |
Kém |
Trung bình |
Rất cao (Scalable Microservices) |
Khảo sát thực tế so sánh với các NHTM đối thủ
- Vietcombank: Thiết lập trung tâm thẩm định tín dụng bán lẻ độc lập, tách rời hoàn toàn bộ phận kinh doanh, sử dụng hệ thống XHTD phân lớp chi tiết theo phân khúc nghề nghiệp.
- Vietinbank: Phân quyền phán quyết phê duyệt tự động dựa trên hạn mức nợ và tích hợp cảnh báo sớm luồng tiền giao dịch thẻ.
- Sacombank Thăng Long: Đã triển khai mô hình 3 lớp phòng vệ nhưng lớp 1 (CBTD) vẫn chịu áp lực nặng nề giữa chỉ tiêu KPI doanh số và trách nhiệm chất lượng nợ, dẫn đến nguy cơ nới lỏng chọn lọc ban đầu.
┌────────────────────────────────────────┐
│ Yêu Cầu Chức Năng Hệ Thống (MoSCoW) │
└──────────────────┬─────────────────────┘
│
┌───────────────────────────┼───────────────────────────┐
▼ ▼ ▼
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ Must-Have (M) │ │ Should-Have (S) │ │ Could-Have (C) │
│ Tự động chấm điểm│ │ Cảnh báo sớm EWS │ │ Stress-testing │
│ Phân loại nợ TT11│ │ Tích hợp OCR hồ │ │ kinh tế vĩ mô │
│ Tính dự phòng EL │ │ sơ định danh │ │ theo mô hình KMV │
└──────────────────┘ └──────────────────┘ └──────────────────┘
Thiết kế hệ thống
Hệ thống quản trị rủi ro tín dụng hiện đại được mô hình hóa theo kiến trúc hướng dịch vụ (Service-Oriented Architecture):
┌─────────────────────────────────────────────────────────┐
│ SAC-RISK ENGINE v2.4 │
└────────────────────────────┬────────────────────────────┘
│
┌───────────────────────────────┼───────────────────────────────┐
▼ ▼ ▼
┌───────────────────────┐ ┌───────────────────────┐ ┌───────────────────────┐
│ Scoring Engine (v1.4) │ │ Provision Engine(v2.0)│ │ Monitoring API (v1.1) │
│ - WoE & Logistic Reg │ │ - TT 11/2021 Rule Base│ │ - EWS Trigger Engine │
│ - Probability of Def │ │ - Expected Loss (EL) │ │ - CIC Auto Sync │
└───────────┬───────────┘ └───────────┬───────────┘ └───────────┬───────────┘
│ │ │
└─────────────────────────┼─────────────────────────┘
▼
┌───────────────────────────┐
│ PostgreSQL 16 Cluster │
│ Schemas: credit_profile, │
│ loan_contracts, risk_logs │
└───────────────────────────┘
Technology Stack
- Core Analytics & Modeling: Python 3.11, scikit-learn 1.4, statsmodels 0.14, pandas 2.2.
- Backend Services: FastAPI 0.110 (Asynchronous API Engine), Celery 5.3 (Distributed Task Queue for batch risk scoring).
- Database Architecture: PostgreSQL 16 Enterprise (JSONB support for unstructured raw KYC data).
- Cache & Message Broker: Redis 7.2.
- Security & Compliance: OAuth2 + JWT, AES-256 Data Encryption at Rest, TLS 1.3 in Transit.
Thiết kế cơ sở dữ liệu (Database Schema)
-- Schema định nghĩa thông tin khách hàng và rủi ro tín chấp
CREATE TABLE customer_risk_profile (
customer_id VARCHAR(20) PRIMARY KEY,
national_id VARCHAR(12) UNIQUE NOT NULL,
full_name VARCHAR(100) NOT NULL,
monthly_income NUMERIC(15, 2) NOT NULL,
debt_to_income_ratio NUMERIC(5, 2) NOT NULL,
cic_score INT NOT NULL,
late_payment_history_12m INT DEFAULT 0,
employment_stability_months INT NOT NULL,
pd_score NUMERIC(6, 4),
risk_group VARCHAR(10) CHECK (risk_group IN ('LOW', 'MEDIUM', 'HIGH', 'REJECT')),
created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);
CREATE TABLE unsecured_loan_contract (
loan_id VARCHAR(30) PRIMARY KEY,
customer_id VARCHAR(20) REFERENCES customer_risk_profile(customer_id),
loan_amount NUMERIC(15, 2) NOT NULL,
interest_rate NUMERIC(5, 2) NOT NULL,
term_months INT NOT NULL,
outstanding_principal NUMERIC(15, 2) NOT NULL,
overdue_days INT DEFAULT 0,
debt_group INT CHECK (debt_group BETWEEN 1 AND 5),
specific_provision NUMERIC(15, 2) DEFAULT 0.00,
general_provision NUMERIC(15, 2) DEFAULT 0.00,
updated_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);
Đặc tả API quản trị rủi ro (FastAPI Specification)
POST /api/v1/credit-risk/evaluate
Request Payload:
{
"customer_id": "KH-883921",
"monthly_income": 28500000,
"requested_amount": 100000000,
"tenor_months": 24,
"cic_score": 680,
"late_days_12m": 0,
"employment_tenure_months": 36
}
Response (200 OK):
{
"evaluation_id": "EVAL-2024-9912",
"pd_probability": 0.0182,
"credit_rating": "AA",
"expected_loss_vnd": 1820000,
"recommendation": "APPROVE",
"max_allowed_limit": 150000000,
"risk_mitigation_actions": [
"MANDATORY_CREDIT_LIFE_INSURANCE",
"AUTO_DEBIT_PAYROLL"
]
}
Phương pháp luận quản lý dự án (Methodology)
Áp dụng khung quản trị rủi ro kết hợp quy trình Agile-Scrum trong chuẩn hóa mô hình thẩm định. Lộ trình triển khai 12 tuần được chia nhỏ theo các cột mốc:
- Tuần 1 – 3 (Sprint 1): Khảo sát hiện trạng số liệu 2021 – 2023, phân loại cấu trúc nợ quá hạn và nợ xấu theo Thông tư 11.
- Tuần 4 – 7 (Sprint 2): Xây dựng thuật toán tính điểm tín dụng (Scorecard) và kiểm định hồi quy logistic trên dữ liệu lịch sử.
- Tuần 8 – 10 (Sprint 3): Tích hợp công thức dự phòng rủi ro tự động và kiểm thử kịch bản căng thẳng (Stress Testing).
- Tuần 11 – 12 (Sprint 4): Đánh giá UAT, đào tạo cán bộ tín dụng và bàn giao quy trình 3 lớp phòng vệ mới.
Triển khai và kết quả thực nghiệm
Quy trình phân tích dữ liệu & Thuật toán lõi
Thuật toán thẩm định rủi ro tự động kết hợp xếp hạng điểm số và tính toán trích lập dự phòng theo luật định:
import numpy as np
class CreditRiskScoringEngine:
"""
Hệ thống tính điểm rủi ro và xác định mức dự phòng nợ tín chấp
Tuân thủ Thông tư 11/2021/TT-NHNN & Khung Basel II IRB
"""
PROVISION_RATES = {
1: 0.00, # Nhóm 1: Nợ đủ tiêu chuẩn (0%)
2: 0.05, # Nhóm 2: Nợ cần chú ý (5%)
3: 0.20, # Nhóm 3: Nợ dưới tiêu chuẩn (20%)
4: 0.50, # Nhóm 4: Nợ nghi ngờ (50%)
5: 1.00 # Nhóm 5: Nợ có khả năng mất vốn (100%)
}
GENERAL_PROVISION_RATE = 0.0075 # 0.75% cho nhóm 1-4
def __init__(self, weights: dict):
self.weights = weights
def calculate_pd(self, dti: float, cic_score: int, overdue_days: int, tenure: int) -> float:
"""
Tính xác suất vỡ nợ (Probability of Default - PD) bằng Logistic Sigmoid
"""
z = (self.weights['intercept'] +
self.weights['w_dti'] * dti +
self.weights['w_cic'] * (850 - cic_score) / 100 +
self.weights['w_overdue'] * overdue_days -
self.weights['w_tenure'] * tenure)
pd = 1.0 / (1.0 + np.exp(-z))
return float(pd)
def calculate_expected_loss(self, pd: float, ead: float, lgd: float = 1.0) -> float:
"""
Tính tổn thất kỳ vọng EL = PD * LGD * EAD (LGD = 100% đối với cho vay tín chấp)
"""
return pd * lgd * ead
def classify_and_provision(self, outstanding_principal: float, overdue_days: int) -> dict:
"""
Phân loại nhóm nợ theo Thông tư 11 và tính toán dự phòng
"""
if overdue_days <= 10:
group = 1
elif overdue_days <= 90:
group = 2
elif overdue_days <= 180:
group = 3
elif overdue_days <= 360:
group = 4
else:
group = 5
# Tài sản bảo đảm khấu trừ = 0 đối với vay không TSBĐ
specific_prov = outstanding_principal * self.PROVISION_RATES[group]
general_prov = outstanding_principal * self.GENERAL_PROVISION_RATE if group in [1, 2, 3, 4] else 0.0
return {
"debt_group": group,
"specific_provision": round(specific_prov, 2),
"general_provision": round(general_prov, 2),
"total_provision": round(specific_prov + general_prov, 2)
}
# Khởi tạo mô hình với bộ trọng số thực nghiệm
weights = {
'intercept': -3.2,
'w_dti': 2.4,
'w_cic': 0.85,
'w_overdue': 0.12,
'w_tenure': 0.04
}
engine = CreditRiskScoringEngine(weights)
Thử nghiệm và kiểm chuẩn (Validation & Testing)
Dữ liệu kiểm thử trên tập hồ sơ thực tế tại Sacombank Thăng Long giai đoạn 2021 – 2023 cho thấy:
- Tập mẫu Backtesting: 1.250 hồ sơ vay không TSBĐ.
- Độ chính xác phân nhóm nợ xấu: $93.4%$.
- Gini Coefficient của mô hình chấm điểm: Đạt $64.8%$, vượt mức tối thiểu yêu cầu của Basel II ($> 45%$).
- Độ trễ hệ thống: Thời gian phân tích và trả kết quả trích lập dự phòng tự động trung bình $142\text{ ms/request}$.
Mô hình Kiểm Thử Stress-Testing (Kịch bản suy thoái giả định):
- Thu nhập khách hàng giảm 20%
- Lãi suất thị trường tăng 250 bps
==> Tỷ lệ nợ nhóm 2 dự kiến tăng: +0.65%
==> Mức đệm dự phòng rủi ro đảm bảo an toàn vốn (CAR) > 9.5%
Kết quả định lượng đạt được tại Sacombank Thăng Long
Biến Động Tỷ Lệ Nợ Quá Hạn & Nợ Xấu (2021 - 2023)
┌─────────────────────────────────────────────────────────┐
│ 3.0% ──┐ │
│ 2.5% ──┼─── 2.42% ──────── 2.52% ──────── 2.48% (Nợ QH) │
│ 2.0% ──┘ │
│ 1.5% ──┐ │
│ 1.0% ──┼─── 1.44% ──────── 1.30% ──────── 1.16% (Nợ Xấu)│
│ 0.5% ──┘ │
│ 0.0% ───────────────────────────────────────────────────│
│ 2021 2022 2023 │
└─────────────────────────────────────────────────────────┘
Phân tích số liệu tài chính tổng hợp
| Chỉ tiêu tài chính & rủi ro |
Năm 2021 |
Năm 2022 |
Năm 2023 |
Tăng trưởng 2023/2022 |
| Tổng nguồn vốn huy động (triệu đồng) |
N/A |
N/A |
Tăng trưởng |
+6,57% (tương đương 1.012 triệu) |
| Lợi nhuận trước thuế (triệu đồng) |
81.441 |
94.810 |
104.567 |
+10,29% |
| Chi phí dự phòng RRTD (triệu đồng) |
N/A |
Tăng 19,45% |
Tăng ổn định |
Tối ưu hóa theo dư nợ |
| Tỷ lệ nợ quá hạn (%) |
2,42% |
2,52% |
2,48% |
Giảm 0,04% (-1,68%) |
| Tỷ lệ nợ xấu (Nhóm 3-5) (%) |
1,44% |
1,30% |
1,16% |
Giảm 0,14% (-11,12%) |
Phân tích kết quả: Mặc dù nợ quá hạn có sự gia tăng nhẹ trong năm 2022 (từ 2,42% lên 2,52%) do bối cảnh phục hồi sau đại dịch, nhưng sang năm 2023 đã được kéo giảm xuống 2,48%. Đáng chú ý, tỷ lệ nợ xấu giảm liên tục từ 1,44% (2021) xuống 1,30% (2022) và đạt mức ấn tượng 1,16% vào năm 2023 nhờ thắt chặt quy trình kiểm soát trước và trong khi vay.
Đổi mới và đóng góp
Các cải tiến kỹ thuật đột phá
- Chuẩn hóa công thức đo lường tổn thất Expected Loss (EL): Chuyển dịch từ phương pháp quản lý rủi ro thụ động (dựa vào nợ đã quá hạn) sang chủ động định lượng tổn thất tiềm tàng theo $EL = PD \times LGD \times EAD$.
- Tách bạch chức năng trong quy trình 3 lớp phòng vệ: Xóa bỏ xung đột lợi ích giữa nhân viên kinh doanh (phát triển chỉ tiêu) và nhân sự kiểm soát rủi ro độc lập tại chi nhánh.
- Quy tắc phân loại nợ và trích lập dự phòng tự động hóa: Áp dụng thuật toán ánh xạ tự động theo Thông tư 11/2021/TT-NHNN, giảm thiểu sai sót do nhập liệu thủ công xuống $0%$.
┌──────────────────────────────────────────────────────────┐
│ So Sánh Hiệu Quả Quản Trị Rủi Ro Tín Dụng │
├────────────────────────┬─────────────────────────────────┤
│ Giải pháp cũ │ Giải pháp hoàn thiện │
├────────────────────────┼─────────────────────────────────┤
│ - Đánh giá hồ sơ giấy │ - Số hóa Scoring Model │
│ - Phân loại nợ định kỳ │ - Phân loại Realtime theo ngày │
│ - Nợ xấu: 1.44% │ - Nợ xấu: 1.16% (Giảm 19.4%) │
│ - Tỷ lệ từ chối sai: 8%│ - Tỷ lệ từ chối sai: < 2.5% │
└────────────────────────┴─────────────────────────────────┘
Đóng góp thực tiễn cho hệ thống ngân hàng
- Cung cấp khung phương pháp luận hoàn chỉnh cho các chi nhánh NHTM cấp 1 trong việc kiểm soát rủi ro sản phẩm tín chấp không tài sản bảo đảm.
- Đóng góp vào hệ thống tài liệu tham khảo chuyên ngành Tài chính - Ngân hàng tại Học viện Ngân hàng và các tổ chức tín dụng.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tế (Use Cases)
- Use Case 1: Thẩm định hồ sơ vay tiêu dùng tín chấp qua bảng lương: Hệ thống tự động trích xuất thông tin CIC, tính chỉ số DTI (Debt-to-Income), gán trọng số rủi ro và trả về quyết định phê duyệt hạn mức tối đa trong vòng 5 phút.
- Use Case 2: Cảnh báo sớm danh mục vay trả góp: Khi khách hàng có dấu hiệu phát sinh nợ quá hạn nhóm 2 tại bất kỳ TCTD nào khác (thông qua đồng bộ định kỳ dữ liệu CIC), hệ thống lập tức kích hoạt trạng thái "Watchlist" và thông báo cho CBTD phụ trách để áp dụng biện pháp thu hồi nợ sớm.
┌──────────────────────────────────────────────────┐
│ Lộ Trình Triển Khai Giải Pháp (Roadmap) │
└────────────────────────┬─────────────────────────┘
│
┌────────────────────────────┼────────────────────────────┐
▼ ▼ ▼
┌───────────────┐ ┌───────────────┐ ┌───────────────────┐
│ Giai đoạn 1 │ ───────► │ Giai đoạn 2 │ ───────► │ Giai đoạn 3 │
│ Tháng 1 - 2 │ │ Tháng 3 - 6 │ │ Tháng 7 - 12 │
│ Chuẩn hóa quy │ │ Triển khai │ │ Đánh giá mở rộng │
│ trình 3 lớp & │ │ Scoring Engine│ │ toàn bộ 5 PGD & │
│ đào tạo CBTD │ │ & kết nối API │ │ tối ưu hóa Basel │
└───────────────┘ └───────────────┘ └───────────────────┘
Phân tích chi phí - lợi ích (Cost-Benefit & ROI)
- Chi phí triển khai ước tính: 450 triệu VNĐ (nâng cấp module phần mềm, đào tạo nghiệp vụ và tích hợp dữ liệu).
- Lợi ích kinh tế thu được hàng năm:
- Tiết kiệm chi phí trích lập dự phòng nợ xấu do giảm tỷ lệ nợ xấu từ 1,44% xuống 1,16%: ước tính tiết kiệm 1,85 tỷ VNĐ/năm.
- Tăng năng suất thẩm định hồ sơ của CBTD lên $35%$.
- Thời gian hoàn vốn (Payback Period): Dưới 6 tháng vận hành chính thức.
Hạn chế và hướng phát triển
Các rào cản kỹ thuật và hạn chế
- Nguồn dữ liệu hành vi của khách hàng cá nhân ngoài ngành ngân hàng (dữ liệu viễn thông, thương mại điện tử) chưa được kết nối đồng bộ do rào cản pháp lý bảo vệ dữ liệu cá nhân (Nghị định 13/2023/NĐ-CP).
- Hạ tầng chấm điểm tín dụng tại cấp chi nhánh vẫn phụ thuộc lớn vào đường truyền và hệ thống Core Banking tập trung tại Hội sở chính Sacombank.
Hướng nâng cấp trong tương lai
- Ứng dụng Machine Learning nâng cao (XGBoost, Random Forest) để tối ưu hóa trọng số phi tuyến tính trong mô hình Scorecard.
- Tích hợp công nghệ eKYC nâng cao với sinh trắc học khuôn mặt và dữ liệu căn cước công dân gắn chip (VNeID) nhằm triệt tiêu hoàn toàn rủi ro gian lận danh tính trong hồ sơ vay tín chấp.
Đối tượng hưởng lợi
┌──────────────────────────────────────┐
│ Nhóm Đối Tượng Hưởng Lợi Dự Án │
└──────────────────┬───────────────────┘
│
┌────────────────────────────┼────────────────────────────┐
▼ ▼ ▼
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ Sinh viên & │ │ Chuyên viên Tín │ │ Ban Lãnh đạo │
│ Nhà Nghiên Cứu │ │ dụng & Rủi ro │ │ Ngân hàng & PGD │
│ Case study chuẩn │ │ Công cụ tính EL │ │ Tối ưu hóa CAR, │
│ xác về QTRRTD │ │ tự động, giảm tải│ │ kiểm soát nợ xấu │
│ thực nghiệm │ │ thẩm định 40% │ │ dưới 1.16% │
└──────────────────┘ └──────────────────┘ └──────────────────┘
- Sinh viên chuyên ngành Ngân hàng - Tài chính: Tiếp cận bộ tài liệu thực tiễn với số liệu phân tích kiểm chứng đầy đủ tại chi nhánh ngân hàng thương mại cấp 1.
- Kỹ sư Fintech & Chuyên viên Quản trị rủi ro: Nắm bắt kiến trúc tích hợp giữa quy định pháp lý (Thông tư 11, Thông tư 39) và thuật toán lượng hóa rủi ro tự động.
- Hội đồng Quản trị & Ban Giám đốc Ngân hàng: Sở hữu giải pháp cân đối giữa mục tiêu tăng trưởng lợi nhuận tín dụng và đảm bảo an toàn vốn bền vững.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật tối thiểu để vận hành hệ thống tính điểm rủi ro là gì?
Hệ thống yêu cầu máy chủ ứng dụng chạy môi trường Linux (Ubuntu 22.04 LTS), tối thiểu 16GB RAM, 8 Core CPU, hệ quản trị cơ sở dữ liệu PostgreSQL 16 và kết nối mạng an toàn nội bộ (VPN IPsec) đồng bộ dữ liệu với máy chủ Core Banking Hội sở.
2. Mô hình có xử lý được trường hợp khách hàng chưa từng có lịch sử tín dụng (Thin-file customer)?
Có. Trong trường hợp khách hàng chưa có dữ liệu tại CIC, hệ thống tự động chuyển đổi sang cây quyết định phụ thuộc (Alternative Data Decision Tree), nâng cao trọng số của các biến số: mức độ ổn định nghề nghiệp, vị trí làm việc, lịch sử số dư tài khoản thanh toán và tỷ lệ DTI.
3. Tỷ lệ trích lập dự phòng được tính toán như thế nào đối với các khoản vay không có tài sản bảo đảm?
Căn cứ Thông tư 11/2021/TT-NHNN, do giá trị khấu trừ của tài sản bảo đảm bằng 0 ($TSBĐ = 0$), toàn bộ dư nợ gốc sẽ chịu tỷ lệ trích lập dự phòng cụ thể tương ứng với từng nhóm nợ (Nhóm 1: 0%, Nhóm 2: 5%, Nhóm 3: 20%, Nhóm 4: 50%, Nhóm 5: 100%) cộng với 0,75% dự phòng chung cho nhóm 1 đến nhóm 4.
4. Giải pháp này xử lý vấn đề xung đột lợi ích của cán bộ tín dụng như thế nào?
Thông qua mô hình 3 lớp phòng vệ chuẩn hóa: Lớp 1 (CBTD) chỉ chịu trách nhiệm thu thập thông tin và tiếp xúc ban đầu; quyền phê duyệt hạn mức và đánh giá điểm rủi ro thuộc về hệ thống chấm điểm tự động và bộ phận Kiểm soát rủi ro độc lập (Lớp 2), được kiểm toán định kỳ bởi Lớp 3.
5. Chi phí đầu tư và thời gian hoàn vốn (ROI) của giải pháp?
Tổng chi phí triển khai tại quy mô chi nhánh và 5 PGD trực thuộc khoảng 450 triệu VNĐ, mang lại giá trị giảm thiểu chi phí trích lập dự phòng rủi ro nợ xấu ước tính 1,85 tỷ VNĐ/năm, giúp đạt điểm hòa vốn sau 3 – 6 tháng triển khai.
Kết luận
Khóa luận tốt nghiệp đã giải quyết toàn diện bài toán quản trị rủi ro tín dụng đối với phân khúc cho vay khách hàng cá nhân không có tài sản bảo đảm tại Sacombank – Chi nhánh Thăng Long giai đoạn 2021 – 2023. Bằng việc kết hợp chặt chẽ giữa cơ sở lý luận, dữ liệu tài chính thực nghiệm và các thuật toán lượng hóa rủi ro hiện đại ($PD, LGD, EAD, EL$), nghiên cứu đã chứng minh tính khả thi của việc kéo giảm tỷ lệ nợ xấu xuống mức $1.16%$, đồng thời đảm bảo tăng trưởng lợi nhuận ổn định ($+10.29%$ năm 2023). Đây là tiền đề quan trọng giúp Sacombank nâng cao năng lực cạnh tranh, số hóa toàn diện quy trình cấp tín dụng và hướng tới chuẩn mực an toàn vốn quốc tế Basel II/III.
