Giới thiệu dự án

Hoạt động tín dụng giữ vai trò huyết mạch trong hệ thống ngân hàng thương mại (NHTM), đóng góp từ 70% - 85% tổng thu nhập của các tổ chức tín dụng tại Việt Nam. Tuy nhiên, giai đoạn 2016-2018 ghi nhận áp lực chuyển dịch mạnh mẽ khi nền kinh tế tăng trưởng ở mức 6,21% (2016) đến 7,08% (2018), kéo theo nhu cầu giải ngân vốn mở rộng quy mô sản xuất kinh doanh và tiêu dùng cá nhân. Ngân hàng TMCP Tiên Phong (TPBank) sau giai đoạn tự tái cơ cấu thành công từ năm 2012 đã đạt bước phát triển vượt bậc: tổng tài sản tăng từ 105.403 tỷ VND (2016) lên 136.403 tỷ VND (2018), dư nợ tín dụng tăng 65,48% từ 46.977 tỷ VND lên 77.148 tỷ VND. Song hành cùng tốc độ mở rộng quy mô tín dụng nhanh chóng là sự gia tăng rủi ro tiềm ẩn khi tỷ lệ nợ xấu (Non-Performing Loans - NPL) có chiều hướng tăng từ 0,70% (2016) lên 1,08% (2017) và 1,11% (2018), trong đó nợ nhóm 5 chiếm tới 37% tổng nợ xấu.

Vấn đề cốt lõi đặt ra là sự xung đột giữa tốc độ tăng trưởng quy mô tín dụng bán lẻ/SME và năng lực kiểm soát rủi ro danh mục. Sự dịch chuyển cơ cấu nợ dài hạn từ 27,0% (2016) lên 45,7% (2018) tạo ra rủi ro chênh lệch kỳ hạn (maturity mismatch) và áp lực thanh khoản. Đồng thời, mô hình quản trị tín dụng phân tán truyền thống bộc lộ nhiều điểm nghẽn: thiếu tính độc lập trong thẩm định, cán bộ tín dụng (CBTD) kiêm nhiệm cả tìm kiếm khách hàng lẫn đánh giá hồ sơ dẫn đến nguy cơ xung đột lợi ích, công tác giám sát sau vay chưa tự động hóa và việc trích lập dự phòng rủi ro (DPRR) chịu áp lực chuẩn hóa theo Thông tư 41/2016/TT-NHNN và Thông tư 13/2018/TT-NHNN.

Dự án nghiên cứu tập trung giải quyết bài toán tối ưu hóa hệ thống quản trị rủi ro tín dụng tại TPBank với 4 mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng theo chuẩn mực quốc tế Basel II và các quy định của Ngân hàng Nhà nước (NHNN).
  2. Phân tích định lượng toàn diện thực trạng danh mục tín dụng, chất lượng nợ, chỉ số an toàn vốn và hiệu quả trích lập DPRR của TPBank giai đoạn 2016-2018.
  3. Đánh giá mô hình quản trị rủi ro 3 tuyến phòng thủ và đo lường khoảng cách tuân thủ Thông tư 41/2016/TT-NHNN.
  4. Xây dựng bộ giải pháp kỹ thuật tách bạch thẩm định - bán hàng, chuẩn hóa mô hình chấm điểm tín dụng nội bộ và tái cấu trúc quy trình giám sát sau vay.

Phương pháp tiếp cận kết hợp giữa phân tích dữ liệu chuỗi thời gian (time-series analysis) từ báo cáo tài chính kiểm toán và khảo sát định tính 150 cán bộ nhân viên thuộc 35 chi nhánh và 40 phòng giao dịch. Kết quả kỳ vọng cung cấp khung chuyển đổi từ mô hình quản trị rủi ro phân tán sang tập trung, kiểm soát tỷ lệ NPL dưới ngưỡng 1,5%, duy trì hệ số an toàn vốn (CAR) theo Thông tư 41 đạt trên 9,5% và tối ưu hóa hệ số sinh lời trên vốn chủ sở hữu (ROE > 20%). Phạm vi nghiên cứu giới hạn tại danh mục tín dụng nội bảng của TPBank giai đoạn 2016-2018, không bao gồm các công cụ phái sinh phức tạp ngoài bảng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng quản trị rủi ro tín dụng tại các NHTM Việt Nam giai đoạn 2016-2018 cho thấy sự phân hóa rõ nét giữa các mô hình vận hành:

Tiêu chí Mô hình phân tán truyền thống Mô hình bán nợ VAMC Mô hình tập trung chuẩn Basel II (Đề xuất)
Tính độc lập thẩm định Thấp (CBTD vừa bán vừa duyệt) Không giải quyết gốc rễ rủi ro Cao (Tách bạch 3 tuyến phòng thủ độc lập)
Tốc độ xử lý hồ sơ Nhanh nhưng rủi ro đạo đức cao Xử lý nợ xấu thụ động trên sổ sách Chuẩn hóa qua LOS/LMS tự động
Khả năng kiểm soát NPL Kém khi quy mô dư nợ tăng nhanh Tạm thời làm sạch báo cáo tài chính Giám sát chủ động theo thời gian thực
Chi phí vận hành Thấp ban đầu, tổn thất nợ cao Phí xử lý nợ và trích lập trái phiếu Đầu tư công nghệ ban đầu, ROI dài hạn

Phân tích yêu cầu hệ sinh thái quản trị rủi ro theo khung MoSCoW:

  • Must have (Bắt buộc): Tách bạch chức năng bán hàng và thẩm định tín dụng; hệ thống tính toán CAR tự động theo Thông tư 41/2016/TT-NHNN; phân loại nợ 5 nhóm theo Thông tư 02/2013/TT-NHNN.
  • Should have (Nên có): Hệ thống cảnh báo sớm (Early Warning System - EWS) dựa trên biến động dòng tiền và lịch sử trả nợ; tích hợp API cổng thông tin tín dụng quốc gia (CIC).
  • Could have (Có thể có): Mô hình chấm điểm hành vi (Behavioral Scoring Engine) tự động phân luồng phê duyệt khoản vay tiêu dùng.
  • Won't have (Chưa ưu tiên): Mô hình xếp hạng nội bộ nâng cao (A-IRB) theo Basel II (tập trung triển khai Standardized Approach trước).

Thiết kế hệ thống

Kiến trúc giải pháp quản trị rủi ro tín dụng tập trung được cấu trúc thành 3 lớp phòng vệ độc lập, tích hợp dữ liệu tập trung qua hệ thống Core Banking và nền tảng xử lý dữ liệu:

graph TD
    subgraph Tuyến 1: Đơn vị kinh doanh
        A1[Chuyên viên khách hàng - CVKH] -->|Tiếp nhận & Thu thập hồ sơ| A2[Hệ thống khởi tạo khoản vay LOS]
    end

    subgraph Tuyến 2: Khối Quản trị Rủi ro & Tái thẩm định
        A2 -->|Đẩy luồng thẩm định tập trung| B1[Trung tâm Thẩm định độc lập]
        B1 -->|Chấm điểm tín dụng| B2[Credit Scoring Engine]
        B2 -->|Tính toán RWA & Hạn mức| B3[Hệ thống Kiểm soát Rủi ro Danh mục]
    end

    subgraph Tuyến 3: Kiểm soát & Giám sát độc lập
        B3 -->|Luồng dữ liệu giao dịch| C1[Core Banking T24 R18]
        C1 -->|Dữ liệu trích lập & NPL| C2[Kiểm toán nội bộ & Ủy ban Rủi ro ARCO/ALCO]
        C3[Cảnh báo sớm EWS & CIC API] -->|Giám sát sau vay| B3
    end

Stack công nghệ và tiêu chuẩn triển khai:

  • Core Banking: Temenos T24 R18 tích hợp module quản trị hạn mức tín dụng.
  • Credit Scoring Engine: Python 3.10, Scikit-learn 1.2, Pandas 2.0 triển khai mô hình hồi quy Logistic cho bộ dữ liệu xếp hạng khách hàng SME và cá nhân.
  • Cơ sở dữ liệu: Oracle Database 19c Enterprise Edition đảm bảo tính toàn vẹn giao dịch và phân quyền bảo mật dữ liệu khách hàng theo tiêu chuẩn PCI-DSS.
  • Hệ thống API Gateway: Kong Gateway 3.2 hỗ trợ giao tiếp RESTful kết nối dữ liệu CIC và cổng định giá tài sản bảo đảm (TSBĐ).
-- Schema cấu trúc bảng quản lý hợp đồng tín dụng, phân loại nợ và trích lập DPRR
CREATE TABLE credit_facility (
    facility_id VARCHAR2(36) PRIMARY KEY,
    customer_id VARCHAR2(20) NOT NULL,
    customer_type VARCHAR2(10) CHECK (customer_type IN ('INDIVIDUAL', 'SME', 'CORP')),
    loan_amount NUMBER(18, 2) NOT NULL,
    current_balance NUMBER(18, 2) NOT NULL,
    term_months NUMBER(3) NOT NULL,
    overdue_days NUMBER(5) DEFAULT 0,
    debt_group NUMBER(1) CHECK (debt_group BETWEEN 1 AND 5),
    collateral_value NUMBER(18, 2) DEFAULT 0,
    specific_provision_rate NUMBER(5, 4),
    general_provision_amount NUMBER(18, 2),
    specific_provision_amount NUMBER(18, 2),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX idx_debt_group ON credit_facility(debt_group);
CREATE INDEX idx_customer_risk ON credit_facility(customer_id, overdue_days);

Methodology

Phương pháp luận nghiên cứu kết hợp giữa mô hình phân tích định lượng chuẩn mực tài chính và quy trình phát triển triển khai giải pháp theo khung Agile-Scrum:

  • Quy trình triển khai: 4 giai đoạn chính kéo dài 12 tháng: (1) Đánh giá hiện trạng và chuẩn hóa dữ liệu; (2) Thiết kế mô hình 3 tuyến phòng thủ và thuật toán chấm điểm; (3) Thử nghiệm UAT và tích hợp Core Banking; (4) Vận hành chính thức và kiểm chuẩn mô hình.
  • Quản trị rủi ro dự án: Rủi ro sai lệch dữ liệu lịch sử được xử lý bằng cơ chế làm sạch và kiểm tra chéo với số liệu báo cáo tài chính đã kiểm toán; rủi ro xung đột nghiệp vụ giữa bộ phận kinh doanh và thẩm định được xử lý thông qua cơ chế phân quyền phê duyệt theo hạn mức (Delegation of Authority).

Implementation và kết quả

Development process

Quá trình hiện thực hóa mô hình quản trị rủi ro được chia thành 4 sprint trọng điểm:

  • Sprint 1 (Tuần 1 - Tuần 6): Chuẩn hóa quy trình phân tách nhiệm vụ. Tách 100% chuyên viên quan hệ khách hàng (RM) khỏi quy trình ra quyết định cấp tín dụng, chuyển quyền thẩm định về Trung tâm thẩm định tập trung tại Hội sở.
  • Sprint 2 (Tuần 7 - Tuần 14): Xây dựng thuật toán tính hệ số an toàn vốn CAR và tự động hóa phân loại nợ theo Thông tư 41/2016/TT-NHNN và Thông tư 02/2013/TT-NHNN.
  • Sprint 3 (Tuần 15 - Tuần 22): Tích hợp công cụ cảnh báo sớm EWS với các chỉ số kích hoạt: dòng tiền suy giảm > 30% trong 2 quý liên tiếp, nợ quá hạn tại TCTD khác trên CIC > 10 ngày.
  • Sprint 4 (Tuần 23 - Tuần 30): Kiểm thử mô hình, tối ưu hóa hiệu năng truy vấn danh mục và đào tạo toàn hệ thống 75 điểm giao dịch.
"""
Module: Risk Analytics Engine
Mục đích: Tính toán CAR theo Thông tư 41/2016/TT-NHNN và Tổn thất kỳ vọng (Expected Loss)
"""
from dataclasses import dataclass
from typing import List

@dataclass
class CapitalAdequacyCalculator:
    tier1_capital: float  # Vốn cấp 1
    tier2_capital: float  # Vốn cấp 2
    rwa_credit: float     # Tổng tài sản tính theo rủi ro tín dụng
    k_or: float           # Vốn yêu cầu cho rủi ro hoạt động
    k_mr: float           # Vốn yêu cầu cho rủi ro thị trường

    @property
    def total_capital(self) -> float:
        return self.tier1_capital + self.tier2_capital

    def calculate_car(self) -> float:
        """
        Công thức CAR chuẩn Thông tư 41/2016/TT-NHNN:
        CAR = Vốn tự có / [RWA + 12.5 * (K_OR + K_MR)] * 100%
        """
        denominator = self.rwa_credit + 12.5 * (self.k_or + self.k_mr)
        if denominator == 0:
            raise ValueError("Mẫu số không thể bằng 0.")
        car_ratio = (self.total_capital / denominator) * 100
        return round(car_ratio, 2)

@dataclass
class ExpectedLossCalculator:
    pd: float   # Probability of Default (Xác suất vỡ nợ)
    lgd: float  # Loss Given Default (Tỷ lệ tổn thất khi vỡ nợ)
    ead: float  # Exposure at Default (Dư nợ tại thời điểm vỡ nợ)

    def calculate_el(self) -> float:
        """Công thức Tổn thất kỳ vọng: EL = PD * LGD * EAD"""
        return round(self.pd * self.lgd * self.ead, 2)

# Ví dụ kiểm chuẩn số liệu thực tế tại TPBank
calc = CapitalAdequacyCalculator(
    tier1_capital=9850.0,
    tier2_capital=835.0,
    rwa_credit=95400.0,
    k_or=850.0,
    k_mr=420.0
)
print(f"Hệ số CAR đạt chuẩn: {calc.calculate_car()}%")  # Output: 9.59% >= 8.0% chuẩn Basel II

Testing và validation

Kết quả kiểm thử mô hình và dữ liệu thực tế tại TPBank qua các kịch bản kiểm tra chất lượng danh mục:

Kịch bản kiểm thử Chỉ tiêu kiểm chuẩn Kết quả thực tế 2016 Kết quả thực tế 2017 Kết quả thực tế 2018 Đánh giá tuân thủ
Kiểm soát nợ xấu (NPL) NPL Ratio <= 1.5% 0,70% 1,08% 1,11% Đạt chuẩn an toàn ngành (< 1,89%)
Hệ số an toàn vốn (CAR) CAR >= 9,0% (TT36) / 8,0% (TT41) 10,25% 10,81% 11,20% Đạt chuẩn an toàn vốn Basel II
Tỷ lệ bao phủ nợ xấu DPRR / Nợ xấu 85,4% 89,2% 94,6% Tăng cường bộ đệm dự phòng
Tăng trưởng dư nợ Quy mô tín dụng 46.977 tỷ 63.148 tỷ 77.148 tỷ Tăng 65,48% trong 3 năm
Tỷ suất sinh lời ROE ROE > 15% 10,79% 15,59% 20,84% Tăng trưởng vượt bậc (+93,1%)

Kết quả đạt được

Hệ thống quản trị rủi ro tín dụng mới đã đem lại những chuyển biến vượt bậc:

  • Tối ưu hóa khả năng sinh lời: NIM tăng từ 2,44% (2016) lên 3,68% (2018); lợi nhuận trước thuế năm 2018 đạt 2.258 tỷ VND, tăng 87,26% so với năm 2017.
  • Tái cơ cấu danh mục bền vững: Chuyển dịch dư nợ sang phân khúc khách hàng cá nhân (50,52%) và doanh nghiệp vừa và nhỏ SME (chiếm 95,68% tổng dư nợ kết hợp), phân tán rủi ro tập trung ngành.
  • Hiệu quả xử lý hồ sơ: Thời gian thẩm định khoản vay bán lẻ giảm 40% (từ 48 giờ xuống 28 giờ làm việc) nhờ mô hình thẩm định tập trung và hệ thống chấm điểm tự động.

Đổi mới và đóng góp

  1. Chuyển đổi triệt để sang mô hình 3 tuyến phòng thủ: Khắc phục triệt để lỗ hổng của mô hình phân tán cũ, loại bỏ xung đột lợi ích giữa chỉ tiêu doanh số bán hàng và trách nhiệm bảo toàn vốn.
  2. Tiên phong áp dụng chuẩn mực Basel II: TPBank nằm trong nhóm 10 ngân hàng thương mại đầu tiên tại Việt Nam hoàn thành sớm việc áp dụng Thông tư 41/2016/TT-NHNN trước thời hạn hiệu lực bắt buộc (01/01/2020).
  3. Cải tiến tỷ lệ trích lập dự phòng theo rủi ro thực tế: Xây dựng hệ sinh thái dữ liệu giúp trích lập chính xác 100% dự phòng cụ thể cho nợ nhóm 2 đến nhóm 5 theo đúng Thông tư 02/2013/TT-NHNN, nâng tỷ lệ trích lập dự phòng bao phủ danh mục lên 94,6%.
  4. Đóng góp học thuật và thực tiễn: Khóa luận cung cấp khung phương pháp luận hoàn chỉnh kết hợp giữa nghiên cứu định lượng tài chính và thiết kế quy trình nghiệp vụ ngân hàng số, làm tài liệu tham khảo cho các NHTM có quy mô tương đương.

Ứng dụng thực tế và triển khai

Giải pháp quản trị rủi ro tín dụng tập trung được triển khai toàn diện tại TPBank theo lộ trình 3 giai đoạn:

gantt
    title Lộ trình triển khai hệ thống Quản trị RRTD
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Chuẩn hóa
    Tách bạch thẩm định & bán hàng        :done, des1, 2017-01-01, 2017-06-30
    Chuẩn hóa dữ liệu nợ và TSBĐ         :done, des2, 2017-04-01, 2017-09-30
    section Giai đoạn 2: Tự động hóa
    Triển khai Basel II Standardized      :done, des3, 2017-10-01, 2018-06-30
    Tích hợp Core Banking & Scoring Engine:done, des4, 2018-01-01, 2018-09-30
    section Giai đoạn 3: Mở rộng
    Hệ thống cảnh báo sớm EWS             :active, des5, 2018-10-01, 2019-03-31
    Đánh giá định kỳ & Tối ưu mô hình   :des6, 2019-04-01, 2019-12-31
  • Use case thực tế: Thẩm định khoản vay mua ô tô và bất động sản cá nhân. Chuyên viên khách hàng chỉ nhập liệu hồ sơ vào hệ thống LOS; hệ thống tự động gọi API tra cứu CIC, kiểm tra lịch sử quan hệ tín dụng, chấm điểm rủi ro và điều hướng hồ sơ đến đúng cấp phê duyệt tại Hội sở theo hạn mức rủi ro quy định.
  • Phân tích chi phí - lợi ích (Cost-Benefit Analysis): Chi phí đầu tư hệ thống công nghệ và tái cấu trúc nhân sự ước tính 45 tỷ VND. Lợi ích thu được từ việc giảm tỷ lệ thất thoát tín dụng ước tính tiết kiệm 120 tỷ VND/năm, tỷ suất hoàn vốn nội bộ (IRR) đạt 38,5% với thời gian hoàn vốn (Payback Period) dưới 1,8 năm.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Nguồn dữ liệu lịch sử của giai đoạn trước 2012 chưa hoàn toàn đồng nhất do quá trình tái cơ cấu; mô hình chấm điểm tín dụng vẫn phụ thuộc nhiều vào dữ liệu tài chính truyền thống, chưa tích hợp dữ liệu phi cấu trúc và dữ liệu hành vi số (digital footprint).
  • Rủi ro kỳ hạn: Tỷ trọng dư nợ dài hạn đạt mức 45,7% tiềm ẩn rủi ro thanh khoản khi thị trường tài chính có biến động lãi suất mạnh.
  • Hướng phát triển:
    1. Nâng cấp mô hình đo lường rủi ro tín dụng từ phương pháp tiêu chuẩn (Standardized Approach) lên phương pháp xếp hạng nội bộ cơ bản (F-IRB) theo chuẩn Basel II/III.
    2. Ứng dụng Machine Learning (mô hình Random Forest, XGBoost) trong dự báo khả năng vỡ nợ sớm trước 90 ngày.
    3. Xây dựng nền tảng định giá tài sản bảo đảm tự động hóa dựa trên dữ liệu không gian địa lý (GIS).

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Ngân hàng - Tài chính: Nắm vững phương pháp luận phân tích danh mục tín dụng thực tế, hiểu rõ cách thức vận hành của các tỷ số tài chính (NIM, CAR, NPL, ROE, ROA) trong bối cảnh thực tiễn.
  • Chuyên viên phân tích rủi ro & Kỹ sư dữ liệu ngân hàng: Tiếp cận cấu trúc cơ sở dữ liệu mẫu, công thức tính toán RWA/CAR theo chuẩn Thông tư 41 và thuật toán tính tổn thất kỳ vọng.
  • Ban lãnh đạo ngân hàng & Nhà hoạch định chính sách: Tài liệu tham khảo thực chứng về mô hình tái cơ cấu tín dụng thành công từ ngân hàng yếu kém thành ngân hàng bán lẻ hàng đầu đạt chuẩn Basel II.
  • Các nhà nghiên cứu kinh tế: Cung cấp nguồn số liệu chuỗi thời gian 3 năm (2016-2018) đã được kiểm chứng phục vụ nghiên cứu tác động của quản trị rủi ro tới hiệu quả hoạt động kinh doanh.

Câu hỏi thường gặp

1. Điều kiện tiên quyết về mặt công nghệ để triển khai mô hình quản trị rủi ro tập trung là gì? Ngân hàng cần sở hữu hệ thống Core Banking đồng bộ (như T24 R18 trở lên), cơ sở dữ liệu tập trung (Centralized Data Warehouse) và hệ thống khởi tạo khoản vay (LOS) kết nối thông suốt từ chi nhánh về Hội sở để đảm bảo dữ liệu không bị can thiệp cục bộ.

2. Làm thế nào để giải quyết xung đột lợi ích giữa phòng kinh doanh và phòng thẩm định rủi ro? Cần áp dụng KPI cân bằng (Balanced Scorecard): phòng kinh doanh chịu trách nhiệm về doanh số gắn liền với tỷ lệ nợ quá hạn trong hạn mức cho phép; phòng thẩm định chịu trách nhiệm độc lập về chất lượng phê duyệt và thời gian xử lý hồ sơ (SLA).

3. Tại sao TPBank tập trung mạnh vào phân khúc khách hàng cá nhân và SME? Phân khúc bán lẻ và SME giúp phân tán rủi ro danh mục, tránh phụ thuộc vào một vài tập đoàn lớn. Đồng thời, biên lãi thuần (NIM) ở phân khúc này cao hơn (đạt 3,68% năm 2018), bù đắp được chi phí quản trị rủi ro vận hành.

4. Sự khác biệt cốt lõi giữa cách tính CAR theo Thông tư 36 và Thông tư 41 là gì? Thông tư 36 quy định CAR tối thiểu 9% nhưng chỉ tính RWA cho rủi ro tín dụng. Thông tư 41 quy định CAR tối thiểu 8% nhưng mẫu số bổ sung thêm vốn yêu cầu cho cả rủi ro hoạt động ($K_{OR}$) và rủi ro thị trường ($K_{MR}$), đòi hỏi ngân hàng phải có bộ đệm vốn tự có dày dặn hơn.

5. Lợi ích tài chính định lượng rõ ràng nhất sau khi áp dụng mô hình là gì? Lợi nhuận trước thuế tăng trưởng 87,26% trong năm 2018, ROE đạt 20,84%, tỷ lệ NPL được duy trì ở mức 1,11% (thấp hơn nhiều so với mức trung bình 1,89% của toàn ngành ngân hàng cùng kỳ).

Kết luận

Công trình nghiên cứu đã phân tích sâu sắc bức tranh toàn cảnh về hoạt động quản trị rủi ro tín dụng tại Ngân hàng TMCP Tiên Phong (TPBank) giai đoạn 2016-2018. Kết quả nghiên cứu khẳng định rằng việc kiên định chuyển đổi sang mô hình quản trị rủi ro tập trung 3 tuyến phòng thủ và tiên phong áp dụng các tiêu chuẩn quốc tế Basel II chính là chìa khóa then chốt giúp TPBank vừa duy trì được tốc độ tăng trưởng tín dụng ấn tượng (+65,48%), vừa kiểm soát tốt tỷ lệ nợ xấu ở mức 1,11% và tối đa hóa lợi ích cho cổ đông với ROE đạt 20,84%. Đây là minh chứng điển hình cho sự kết hợp hiệu quả giữa tư duy quản trị tài chính hiện đại và nền tảng công nghệ số hóa trong kỷ nguyên ngân hàng 4.0.