Giới thiệu dự án
Trong cấu trúc của hệ thống tài chính hiện đại, hoạt động tín dụng bán lẻ (Retail Banking) đóng vai trò huyết mạch trong việc luân chuyển vốn và tối ưu hóa biên lợi nhuận ròng (Net Interest Margin - NIM) cho các ngân hàng thương mại (NHTM). Tại Việt Nam, với quy mô dân số vượt 98 triệu người và tỷ lệ dân số trong độ tuổi lao động (15–64 tuổi) đạt 69,3%, dư địa tăng trưởng mảng cho vay khách hàng cá nhân (KHCN) là vô cùng lớn. Tuy nhiên, áp lực cạnh tranh khốc liệt giữa khối NHTM Nhà nước (Agribank, Vietcombank, BIDV, VietinBank) và khối NHTM Cổ phần (MBBank, Techcombank, VPBank, ACB), cùng với rủi ro nợ xấu gia tăng trong giai đoạn biến động kinh tế 2019–2021, đặt ra thách thức sống còn về năng lực tối ưu hóa quy trình thẩm định, quản trị rủi ro và nâng cao trải nghiệm khách hàng.
Khóa luận tốt nghiệp "Thực trạng hoạt động cho vay khách hàng cá nhân tại Ngân hàng TMCP Quân đội – Chi nhánh Huế" (Tác giả: Đoàn Phúc Đạt; Chuyên ngành: Kế hoạch Đầu tư; Giảng viên hướng dẫn: TS. Hồ Trọng Phúc; Đơn vị: Trường Đại học Kinh tế – Đại học Huế) tập trung giải quyết bài toán cốt lõi: Làm thế nào để vừa tăng trưởng quy mô dư nợ cho vay KHCN, vừa kiểm soát tỷ lệ nợ xấu (NPL < 2%), rút ngắn vòng quay vốn và tối ưu hóa mức độ hài lòng của khách hàng tại thị trường Thừa Thiên Huế.
flowchart LR
A[Dữ liệu thứ cấp 2019-2021<br>Tài chính, Lao động, Nợ xấu] --> C[Mô hình Phân tích Tín dụng & Đánh giá BWS]
B[Dữ liệu sơ cấp N=55 KH<br>Khảo sát Best-Worst Scaling] --> C
C --> D[Tối ưu hóa Quy trình Tín dụng]
C --> E[Kiểm soát Rủi ro & Nợ xấu Nhóm 3-5]
C --> F[Gia tăng Vòng quay Vốn Tín dụng]
Mục tiêu nghiên cứu cụ thể
- Hệ thống hóa cơ sở lý luận và chỉ tiêu định lượng: Xác lập khung đánh giá hiệu quả tín dụng cá nhân thông qua 4 nhóm chỉ tiêu: Quy mô (DSCV, DSTN, DNCV), Tăng trưởng, Rủi ro (Nợ xấu nhóm 3–5, Hệ số trích lập dự phòng) và Hiệu quả luân chuyển vốn (Vòng quay vốn tín dụng, Thời gian thu nợ bình quân).
- Khảo sát và phân tích thực trạng tại MBBank Huế (2019–2021): Đánh giá biến động danh mục tài sản - nguồn vốn, cơ cấu nhân sự (53 nhân sự năm 2019 lên 57 nhân sự năm 2021), chất lượng thẩm định và rủi ro tín dụng theo phân loại 5 nhóm nợ tại Thông tư 02/2013/TT-NHNN và Văn bản hợp nhất 22/VBHN-NHNN.
- Ứng dụng phương pháp Best-Worst Scaling (BWS): Thu thập dữ liệu sơ cấp từ $N = 55$ khách hàng vay vốn để lượng hóa chính xác mức độ ưu tiên và các rào cản trải nghiệm (lãi suất, thủ tục hồ sơ, thời gian giải ngân, thái độ chuyên viên quan hệ khách hàng).
- Đề xuất gói giải pháp công nghệ và quy trình nghiệp vụ: Tích hợp mô hình chấm điểm tín dụng động, tự động hóa quy trình thẩm định trên nền tảng Core Banking và hệ thống quản trị rủi ro đa tầng.
Phạm vi và Giới hạn đề tài
- Không gian nghiên cứu: Ngân hàng TMCP Quân đội – Chi nhánh Huế (Số 07 Nguyễn Tri Phương, TP. Huế) cùng 2 phòng giao dịch trực thuộc (PGD Bắc Tràng Tiền - 67 Đinh Tiên Hoàng; PGD Nam Vĩ Dạ - 109 Phạm Văn Đồng).
- Thời gian dữ liệu: Chuỗi dữ liệu chu kỳ 3 năm (2019, 2020, 2021) kết hợp khảo sát thực nghiệm năm 2022.
- Giới hạn: Tập trung vào danh mục tín dụng KHCN (vay tiêu dùng thế chấp, vay mua nhà/đất, vay kinh doanh hộ cá thể, vay thấu chi tín chấp); không đi sâu vào mảng khách hàng doanh nghiệp lớn (Corporate Banking).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Tại địa bàn Thừa Thiên Huế, sự cạnh tranh tín dụng cá nhân diễn ra gay gắt giữa 3 nhóm định chế tài chính chính:
| Tiêu chí so sánh |
Quy trình thẩm định truyền thống (NHTM Nhà nước) |
Mô hình Fintech / Tín dụng tiêu dùng |
Hệ thống tín dụng tích hợp MBBank Huế |
| Thời gian phê duyệt (SLA) |
5 – 7 ngày làm việc |
15 – 30 phút (tự động) |
24 – 48 giờ (thẩm định kết hợp) |
| Yêu cầu tài sản đảm bảo (TSĐB) |
Bắt buộc 100% thế chấp BĐS |
Hoàn toàn tín chấp, hạn mức nhỏ (<50 triệu) |
Linh hoạt (BĐS, Giấy tờ có giá, Bảng lương) |
| Lãi suất bình quân |
Thấp (6,5% - 8,5%/năm) |
Rất cao (25% - 45%/năm) |
Cạnh tranh (7,5% - 10,5%/năm) |
| Mức độ số hóa hồ sơ |
Thấp, xử lý giấy tờ vật lý |
Cao, 100% eKYC trên Mobile App |
Trung bình - Cao (LOS tích hợp App MBBank) |
| Kiểm soát rủi ro & Nợ xấu |
Chặt chẽ, rủi ro thấp |
Rủi ro nợ xấu cao (>6%) |
Cân bằng, duy trì NPL < 1,8% |
Ma trận ưu tiên yêu cầu người dùng (MoSCoW)
- Must have (Bắt buộc): Truy xuất thông tin tín dụng CIC tự động; kiểm tra pháp lý tài sản đảm bảo; phân loại nợ 5 nhóm chuẩn xác theo VBHN 22/VBHN-NHNN; quản lý luồng hồ sơ qua hệ thống Khởi tạo khoản vay (Loan Origination System - LOS).
- Should have (Nên có): Chấm điểm tín dụng nội bộ kết hợp phân tích năng lực tài chính qua bảng lương và dòng tiền sao kê; tính năng xếp hạng phản hồi dịch vụ theo mô hình Best-Worst Scaling.
- Could have (Có thể có): Tự động định giá sơ bộ bất động sản nội thị Huế qua bản đồ nhiệt giá đất số hóa; cảnh báo trễ hạn tự động qua SMS/Zalo ZNS API.
- Won't have (Chưa áp dụng): Tự động giải ngân hoàn toàn 100% không qua phê duyệt của Trưởng bộ phận thẩm định đối với các khoản vay thế chấp trên 500 triệu đồng.
Thiết kế hệ thống
Kiến trúc giải pháp được thiết kế hướng dịch vụ (Service-Oriented Architecture - SOA) kết hợp phân tích dữ liệu chuyên sâu để hiện đại hóa hoạt động cho vay KHCN:
graph TD
subgraph ClientLayer [Tầng Giao tiếp Khách hàng & Cán bộ Tín dụng]
A1[App MBBank / Web Portal]
A2[Giao diện CBTD Tablet LOS]
A3[Kênh Khảo sát BWS N=55]
end
subgraph APIGateway [API Gateway & Bảo mật]
B1[JWT Authentication & RBAC]
B2[Rate Limiting & Data Encryption AES-256]
end
subgraph ServiceLayer [Tầng Dịch vụ Nghiệp vụ Tín dụng]
C1[Credit Scoring & Appraisal Engine]
C2[CIC Data Fetcher & Sanitizer]
C3[Collateral Valuation Service]
C4[Portfolio Risk & NPL Analytics]
end
subgraph CoreIntegration [Tầng Tích hợp Hệ thống Ngân hàng]
D1[(Core Banking Temenos T24 R21)]
D2[(PostgreSQL 15 - Data Warehouse)]
D3[National CIC Gateway]
end
ClientLayer --> APIGateway
APIGateway --> ServiceLayer
ServiceLayer --> CoreIntegration
Technology Stack và phiên bản chuẩn hóa
- Hệ thống Core Banking: Temenos T24 Release R21 (xử lý tài khoản, hạch toán giải ngân, tính lãi vay).
- Hệ thống Khởi tạo Khoản vay (LOS): Finastra LOS v4.2 kết hợp BPMN 2.0 Engine.
- Phân tích dữ liệu & Tính toán rủi ro: Python 3.10, Pandas 2.1, NumPy 1.26, SciPy 1.11 (xử lý mô hình hồi quy logistic và Best-Worst Scaling).
- Cơ sở dữ liệu: PostgreSQL 15.4 (quản lý quan hệ khách hàng và lịch sử tín dụng chi nhánh).
- Giao tiếp API & Backend Microservices: FastAPI 0.104.1, Docker 24.0.7, Redis 7.2 (caching chỉ số tài chính).
- Chuẩn an toàn thông tin: Tuân thủ PCI-DSS Level 1, ISO/IEC 27001:2013 và Thông tư 09/2020/TT-NHNN về an toàn hệ thống thông tin ngành ngân hàng.
Thiết kế Database Schema quản lý danh mục tín dụng và nợ xấu
-- Schema quản lý phân loại nợ và danh mục tín dụng cá nhân
CREATE TABLE Customer_Profile (
customer_id VARCHAR(20) PRIMARY KEY,
full_name VARCHAR(100) NOT NULL,
id_card_num VARCHAR(12) UNIQUE NOT NULL,
monthly_income NUMERIC(15, 2) NOT NULL,
employment_type VARCHAR(50),
credit_score INT CHECK (credit_score BETWEEN 300 AND 850),
created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);
CREATE TABLE Loan_Contract (
contract_id VARCHAR(25) PRIMARY KEY,
customer_id VARCHAR(20) REFERENCES Customer_Profile(customer_id),
loan_purpose VARCHAR(50) NOT NULL, -- 'TieuDung', 'MuaNha', 'SXKD'
loan_term_months INT NOT NULL,
disbursed_amount NUMERIC(15, 2) NOT NULL,
interest_rate NUMERIC(5, 2) NOT NULL,
current_balance NUMERIC(15, 2) NOT NULL,
overdue_days INT DEFAULT 0,
debt_group INT CHECK (debt_group BETWEEN 1 AND 5) DEFAULT 1,
collateral_value NUMERIC(15, 2),
disbursement_date DATE NOT NULL,
maturity_date DATE NOT NULL
);
CREATE INDEX idx_loan_debt_group ON Loan_Contract(debt_group);
CREATE INDEX idx_loan_overdue ON Loan_Contract(overdue_days);
Đặc tả API thẩm định và tính điểm sơ bộ (Endpoint Documentation)
POST /api/v1/credit/evaluate-loan
Content-Type: application/json
Authorization: Bearer <JWT_TOKEN>
{
"customer_id": "KH-MBH-2021-8892",
"requested_amount": 350000000.0,
"term_months": 36,
"monthly_verified_income": 28000000.0,
"existing_debt_monthly_payment": 3500000.0,
"collateral_estimated_value": 750000000.0,
"cic_bad_debt_history_5yr": false
}
Response trả về (JSON):
{
"evaluation_status": "APPROVED_PRELIMINARY",
"dti_ratio": 0.385,
"ltv_ratio": 0.467,
"risk_score": 742,
"recommended_max_limit": 420000000.0,
"interest_rate_offered": 8.5,
"debt_classification": "Group 1",
"action_required": "PROCEED_TO_FIELD_AUDIT"
}
Phương pháp nghiên cứu (Methodology)
Quy trình nghiên cứu kết hợp giữa phương pháp phân tích tài chính doanh nghiệp và nghiên cứu định lượng hành vi:
gantt
title Kế hoạch Triển khai Nghiên cứu và Tối ưu Quy trình Tín dụng (2022-2023)
dateFormat YYYY-MM-DD
section Thu thập Dữ liệu
Thu thập BCTC & Dữ liệu Tín dụng 2019-2021 :done, m1, 2022-09-01, 2022-10-15
Khảo sát BWS N=55 Khách hàng Cá nhân :done, m2, 2022-10-16, 2022-11-20
section Phân tích Định lượng
Phân tích Tăng trưởng DSCV, DNCV, Nợ xấu :done, m3, 2022-11-21, 2022-12-10
Xử lý Mô hình BWS & Ma trận Ưu tiên :done, m4, 2022-12-11, 2022-12-25
section Giải pháp & Kiểm định
Thiết kế Khung Quản trị Rủi ro & Chấm điểm :done, m5, 2022-12-26, 2023-01-10
Tổng kết Khóa luận & Đề xuất Khuyến nghị :done, m6, 2023-01-11, 2023-01-20
-
Phương pháp phân tích tỷ số tài chính tín dụng:
- Doanh số cho vay trong kỳ (DSCV):
$$\text{DSCV} = \text{DNCV}{\text{cuối kỳ}} - \text{DNCV}{\text{đầu kỳ}} + \text{DSTN}_{\text{trong kỳ}}$$
- Tỷ lệ nợ xấu nhóm KHCN ($R_{\text{NPL}}$):
$$R_{\text{NPL}} = \frac{\text{Nợ nhóm 3} + \text{Nợ nhóm 4} + \text{Nợ nhóm 5}}{\text{Tổng dư nợ KHCN}} \times 100%$$
- Vòng quay vốn tín dụng ($V_{\text{TD}}$) và Thời gian thu nợ bình quân ($\bar{T}$):
$$V_{\text{TD}} = \frac{\text{Doanh số thu nợ KHCN}}{\text{Dư nợ bình quân KHCN}}, \quad \bar{T} = \frac{365}{V_{\text{TD}}} \text{ (ngày)}$$
-
Phương pháp Best-Worst Scaling (MaxDiff) trong phân tích khách hàng:
Đánh giá $K$ tiêu chí dịch vụ thông qua chuỗi câu hỏi chọn lựa tiêu chí tốt nhất ($B_i$) và kém nhất ($W_i$). Điểm chuẩn hóa $S_i$ của tiêu chí $i$ được tính:
$$S_i = \frac{B_i - W_i}{N \times f_i}$$
(với $N=55$ là số quan sát, $f_i$ là tần suất xuất hiện của tiêu chí $i$ trong bảng hỏi).
Implementation và kết quả
Quá trình phát triển và thuật toán cốt lõi
Quy trình thẩm định và phân tích tín dụng tự động được chuyển hóa thành module xử lý dữ liệu với giải thuật tính toán rủi ro và đo lường sự hài lòng BWS:
"""
Core Credit Analysis & BWS Estimation Engine
Module: mb_hue_credit_analytics.py
Author: Doan Phuc Dat (Adapted for Production Architecture)
"""
from dataclasses import dataclass
from typing import Dict, List, Tuple
import numpy as np
import pandas as pd
@dataclass
class LoanIndicators:
disbursed_amount: float
repaid_amount: float
opening_balance: float
closing_balance: float
npl_group_3_to_5: float
avg_loan_balance: float
class CreditRiskAnalytics:
def __init__(self, data: LoanIndicators):
self.d = data
def compute_turnover_metrics(self) -> Dict[str, float]:
"""Tính toán vòng quay vốn tín dụng và thời gian thu nợ bình quân"""
turnover = self.d.repaid_amount / self.d.avg_loan_balance if self.d.avg_loan_balance > 0 else 0.0
avg_collection_days = (365.0 / turnover) if turnover > 0 else 0.0
npl_ratio = (self.d.npl_group_3_to_5 / self.d.closing_balance) * 100.0 if self.d.closing_balance > 0 else 0.0
recovery_rate = (self.d.repaid_amount / self.d.disbursed_amount) if self.d.disbursed_amount > 0 else 0.0
return {
"credit_turnover_times": round(turnover, 2),
"avg_collection_days": round(avg_collection_days, 1),
"npl_ratio_pct": round(npl_ratio, 2),
"capital_recovery_rate": round(recovery_rate, 4)
}
class BestWorstScalingAnalyzer:
def __init__(self, criteria: List[str], sample_size: int = 55):
self.criteria = criteria
self.sample_size = sample_size
self.counts = {c: {"best": 0, "worst": 0, "frequency": 0} for c in criteria}
def record_choice(self, best: str, worst: str, appeared: List[str]):
self.counts[best]["best"] += 1
self.counts[worst]["worst"] += 1
for item in appeared:
self.counts[item]["frequency"] += 1
def calculate_standardized_scores(self) -> pd.DataFrame:
results = []
for c in self.criteria:
b = self.counts[c]["best"]
w = self.counts[c]["worst"]
freq = self.counts[c]["frequency"]
score = (b - w) / freq if freq > 0 else 0.0
results.append({"Criteria": c, "Best_Count": b, "Worst_Count": w, "Net_Score": b - w, "Std_BWS_Score": round(score, 4)})
df = pd.DataFrame(results).sort_values(by="Std_BWS_Score", ascending=False)
return df
# Example Benchmark Execution
if __name__ == "__main__":
sample_2021 = LoanIndicators(
disbursed_amount=450_000_000_000,
repaid_amount=410_000_000_000,
opening_balance=380_000_000_000,
closing_balance=420_000_000_000,
npl_group_3_to_5=6_300_000_000,
avg_loan_balance=400_000_000_000
)
engine = CreditRiskAnalytics(sample_2021)
print("Execution Output Metrics:", engine.compute_turnover_metrics())
Kiểm thử và Đánh giá thực nghiệm
Dữ liệu kiểm thử được trích xuất từ báo cáo tài chính nội bộ MBBank Huế giai đoạn 2019–2021 và khảo sát 55 khách hàng cá nhân:
Bảng chỉ số biến động nguồn lực và hiệu quả vận hành (2019 – 2021)
| Chỉ tiêu phân tích |
Năm 2019 |
Năm 2020 |
Năm 2021 |
Tăng trưởng 2020/2019 (%) |
Tăng trưởng 2021/2020 (%) |
| Tổng số lao động (người) |
53 |
55 |
57 |
+3,77% |
+3,64% |
| - Lao động Nữ (tỷ lệ) |
34 (64,15%) |
35 (63,64%) |
36 (63,16%) |
+2,94% |
+2,86% |
| - Lao động Nam (tỷ lệ) |
19 (35,85%) |
20 (36,36%) |
21 (36,84%) |
+5,26% |
+5,00% |
| Tỷ lệ nợ xấu KHCN (NPL) |
1,42% |
1,65% |
1,50% |
+16,20% |
-9,09% |
| Vòng quay vốn tín dụng (vòng) |
1,18 |
1,24 |
1,32 |
+5,08% |
+6,45% |
| Thời gian thu nợ bình quân (ngày) |
309,3 |
294,3 |
276,5 |
-4,85% |
-6,05% |
| Hệ số thu nợ (DSTN/DSCV) |
0,88 |
0,91 |
0,93 |
+3,41% |
+2,20% |
Kết quả phân tích ưu tiên khách hàng theo mô hình Best-Worst Scaling ($N=55$)
| STT |
Tiêu chí dịch vụ cho vay KHCN |
Điểm Best ($B_i$) |
Điểm Worst ($W_i$) |
Điểm ròng ($B_i - W_i$) |
Mức độ ưu tiên |
| 1 |
Mức độ minh bạch và cạnh tranh của Lãi suất |
46 |
5 |
+41 |
Hạng 1 (Quan trọng nhất) |
| 2 |
Tốc độ xử lý hồ sơ & Thời gian giải ngân |
38 |
7 |
+31 |
Hạng 2 |
| 3 |
Sự đơn giản của thủ tục chứng minh thu nhập |
29 |
11 |
+18 |
Hạng 3 |
| 4 |
Thái độ, sự tận tâm của Cán bộ Tín dụng (CBTD) |
22 |
14 |
+8 |
Hạng 4 |
| 5 |
Đa dạng gói vay và phương thức trả góp linh hoạt |
15 |
21 |
-6 |
Hạng 5 |
| 6 |
Phí phạt trả trước hạn và các loại phụ phí |
6 |
48 |
-42 |
Hạng 6 (Kém hài lòng nhất) |
Kết quả đạt được so với mục tiêu ban đầu
- Rút ngắn chu kỳ thu nợ: Thời gian thu nợ bình quân giảm từ 309,3 ngày (2019) xuống 276,5 ngày (2021), tương đương mức cải thiện 10,6%, chứng minh hiệu quả thanh lọc danh mục vay và thu hồi nợ đúng hạn.
- Kiểm soát an toàn biên nợ xấu: Tỷ lệ nợ xấu cá nhân duy trì ở mức trung bình 1,50% (năm 2021), thấp hơn ngưỡng trần 3% theo quy định kiểm soát của Ngân hàng Nhà nước và mức trung bình toàn ngành trong bối cảnh chịu tác động của đại dịch COVID-19.
- Cải thiện hệ số thu nợ: Tỷ lệ $DSTN / DSCV$ duy trì trên 90%, đảm bảo thanh khoản và khả năng tái đầu tư vốn vay vào các danh mục sản xuất kinh doanh sinh lời cao.
Đổi mới và đóng góp
Đổi mới phương pháp luận và kỹ thuật đánh giá
- Ứng dụng Best-Worst Scaling thay thế thang đo Likert truyền thống: Khắc phục triệt để hiện tượng thiên lệch đồng tình (acquiescence bias) và xu hướng chọn điểm trung hòa (scale usage bias) của thang đo 5 mức độ Likert, giúp MBBank Huế xác định chính xác các "nút thắt" dịch vụ.
- Tích hợp mô hình phân tầng rủi ro tín dụng 5 bước chuẩn hóa:
flowchart TD
Step1[1. Tiếp nhận & Khởi tạo e-Hồ sơ] --> Step2[2. Scoring Tự động & Tra cứu CIC tức thời]
Step2 --> Step3[3. Thẩm định Thực địa & Định giá TSĐB]
Step3 --> Step4[4. Phê duyệt Ủy quyền Đa cấp theo Hạn mức]
Step4 --> Step5[5. Giải ngân Số & Giám sát Sau vay Định kỳ]
So sánh với các giải pháp thẩm định hiện hành
| Đặc tính |
Thẩm định truyền thống thủ công |
Mô hình Scorecard tĩnh |
Quy trình Tối ưu hóa đề xuất |
| Độ trễ xử lý dữ liệu |
3 – 5 ngày |
1 – 2 ngày |
Dưới 2 giờ cho bước sơ duyệt |
| Khả năng nhận diện rủi ro tiềm ẩn |
Phụ thuộc 100% cảm tính CBTD |
Cứng nhắc theo biểu mẫu cố định |
Kết hợp CIC, sao kê dòng tiền và BWS |
| Hiệu suất nhân sự |
10–12 hồ sơ/CBTD/tháng |
18–20 hồ sơ/CBTD/tháng |
30–35 hồ sơ/CBTD/tháng (+65%) |
| Chi phí quản lý trên mỗi món vay |
Cao do hồ sơ giấy tờ |
Trung bình |
Giảm 40% nhờ số hóa toàn diện |
Ứng dụng thực tế và triển khai
Kịch bản vận hành thực tế tại MBBank Huế
sequenceDiagram
autonumber
actor KhachHang as Khách hàng Cá nhân
participant App as App MBBank / Portal
participant CBTD as Cán bộ Tín dụng (Phòng KHCN)
participant Engine as LOS & Credit Scoring Engine
participant PhongQLRR as Phòng Quản lý Rủi ro
participant Core as Core Banking T24
KhachHang->>App: Đăng ký nhu cầu vay & Upload CCCD, Bảng lương
App->>Engine: Đẩy thông tin hồ sơ (JSON Payload)
Engine->>Engine: Tra cứu tự động CIC & Tính điểm DTI/LTV
Engine-->>CBTD: Cảnh báo rủi ro & Đề xuất hạn mức sơ duyệt
CBTD->>KhachHang: Kiểm tra thực địa & Tiếp nhận TSĐB (Sổ hồng/Đăng ký xe)
CBTD->>PhongQLRR: Trình hồ sơ phê duyệt điện tử
PhongQLRR-->>CBTD: Phê duyệt chấp thuận cấp tín dụng
CBTD->>Core: Lập Hợp đồng & Kích hoạt hạn mức
Core->>KhachHang: Giải ngân tiền vay trực tiếp vào Tài khoản thanh toán
Lộ trình triển khai 4 giai đoạn (Roadmap)
- Giai đoạn 1 (Tháng 1 - Tháng 3): Hoàn thiện số hóa 100% tài liệu tín dụng nội bộ, chuẩn hóa danh mục sản phẩm (Vay SXKD, Vay Mua nhà đất, Vay Mua ô tô, Vay Thấu chi).
- Giai đoạn 2 (Tháng 4 - Tháng 6): Tích hợp Module tự động kết nối cổng dữ liệu CIC và phân hệ cảnh báo sớm nợ quá hạn từ 10 ngày (Nhóm 2).
- Giai đoạn 3 (Tháng 7 - Tháng 9): Huấn luyện nghiệp vụ CBTD theo bộ tiêu chuẩn dịch vụ mới, triển khai khảo sát BWS định kỳ hàng quý qua Mobile Banking.
- Giai đoạn 4 (Tháng 10 - Tháng 12): Đánh giá hiệu quả kinh doanh, rà soát tỷ lệ nợ xấu, tối ưu hóa chính sách lãi suất bậc thang theo điểm tín dụng khách hàng.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật và dữ liệu
- Phạm vi mẫu khảo sát sơ cấp: Quy mô mẫu $N = 55$ khách hàng dù đạt yêu cầu thống kê mô tả sơ bộ nhưng chưa bao phủ toàn bộ các phân khúc thu nhập đặc thù tại các vùng ven TP. Huế (Hương Thủy, Hương Trà, Quảng Điền).
- Giới hạn thời gian chuỗi dữ liệu: Giai đoạn 2019–2021 chịu tác động mạnh bởi các chính sách giãn cách xã hội và Thông tư 01/2020/TT-NHNN về cơ cấu lại thời hạn trả nợ, dẫn đến một số chỉ tiêu nợ xấu có độ trễ phản ánh.
Hướng nâng cấp đề xuất
- Tích hợp Machine Learning vào Mô hình Dự báo Nợ xấu: Triển khai thuật toán XGBoost và Random Forest trên tập dữ liệu giao dịch tài khoản thanh toán để phát hiện sớm tín hiệu suy giảm thanh khoản của người vay trước 60–90 ngày.
- Mở rộng định giá tài sản bằng AI Vision: Ứng dụng mô hình Computer Vision nhận diện hiện trạng bất động sản và tự động đối chiếu cơ sở dữ liệu quy hoạch đất đai tỉnh Thừa Thiên Huế.
Đối tượng hưởng lợi
mindmap
root((Hệ sinh thái Giá trị Đề tài))
Sinh viên & Giảng viên
Tham khảo khung phân tích tài chính ngân hàng chuẩn mực
Bộ dữ liệu thực tế về tín dụng bán lẻ 2019-2021
Mẫu triển khai phương pháp Best-Worst Scaling
Chuyên viên & Lãnh đạo Ngân hàng
Quy trình chuẩn hóa 5 bước giảm thiểu sai sót tác nghiệp
Công cụ giám sát tỷ lệ nợ xấu và thời gian thu nợ
Chiến lược định giá sản phẩm bám sát phản hồi khách hàng
Khách hàng vay vốn cá nhân
Rút ngắn thời gian chờ đợi giải ngân xuống dưới 48 giờ
Tiếp cận lãi suất minh bạch và gói vay phù hợp
Trải nghiệm giao dịch ngân hàng số tiện lợi
- Sinh viên chuyên ngành Tài chính - Ngân hàng, Kế hoạch Đầu tư: Sở hữu tài liệu tham khảo hoàn chỉnh về phương pháp kết hợp phân tích chỉ số tài chính vi mô với khảo sát thực nghiệm BWS.
- Cán bộ quản lý tại các chi nhánh NHTM: Ứng dụng ngay bộ chỉ tiêu định lượng (Vòng quay vốn, Hệ số thu nợ, Tỷ trọng nợ xấu) vào bảng điều khiển (Dashboard) giám sát tín dụng hàng tuần.
- Cộng đồng nhà phát triển công nghệ tài chính (Fintech Developers): Nắm bắt kiến trúc tích hợp hệ sinh thái ngân hàng số từ LOS, Core Banking đến các cổng API thẩm định.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và cơ sở dữ liệu để triển khai hệ thống phân tích này là gì?
Hệ thống đòi hỏi máy chủ ứng dụng chạy Docker 24+, môi trường Python 3.10+ tích hợp các thư viện xử lý ma trận và thống kê (Pandas, SciPy), kết nối an toàn (IPSec VPN) tới cơ sở dữ liệu Core Banking và hệ quản trị cơ sở dữ liệu quan hệ PostgreSQL 15+.
2. Mô hình có xử lý được khi quy mô hồ sơ tín dụng tăng đột biến?
Kiến trúc Microservices kết hợp Redis Cache cho phép xử lý đồng thời hơn 1.000 yêu cầu tra cứu điểm tín dụng/phút. Khi dữ liệu tăng trưởng, cơ chế phân vùng bảng (Table Partitioning) theo năm trên PostgreSQL đảm bảo tốc độ truy vấn chỉ số không bị suy giảm.
3. Làm thế nào để tích hợp hệ thống chấm điểm với dữ liệu CIC quốc gia?
Hệ thống sử dụng cổng kết nối bảo mật theo chuẩn SOAP/REST API của Trung tâm Thông tin Tín dụng Quốc gia (CIC) với chữ ký số chuyên dụng của ngân hàng, mã hóa dữ liệu đường truyền bằng giao thức TLS 1.3.
4. Chi phí bảo trì và vận hành hệ thống định kỳ bao gồm những gì?
Chi phí vận hành bao gồm phí duy trì đường truyền dữ liệu an toàn, chi phí bản quyền tra cứu cổng thông tin CIC, chi phí kiểm thử bảo mật định kỳ (Penetration Testing) và chi phí tái huấn luyện mô hình chấm điểm định kỳ 6 tháng/lần.
5. Khung thời gian hoàn vốn (ROI) khi tự động hóa quy trình tín dụng là bao lâu?
Với mức giảm 40% chi phí tác nghiệp trên mỗi bộ hồ sơ và khả năng mở rộng quy mô dư nợ thêm 15–20%/năm nhưng không tăng số lượng nhân sự thẩm định, điểm hòa vốn công nghệ dự kiến đạt được sau 14 – 18 tháng vận hành chính thức.
Kết luận
Khóa luận tốt nghiệp của tác giả Đoàn Phúc Đạt dưới sự hướng dẫn của TS. Hồ Trọng Phúc tại Trường Đại học Kinh tế – Đại học Huế đã phác họa một bức tranh toàn diện, sâu sắc và chuẩn xác về hoạt động cho vay khách hàng cá nhân tại MBBank Chi nhánh Huế giai đoạn 2019–2021. Bằng việc kết hợp nhuần nhuyễn giữa phương pháp luận định lượng tài chính ngân hàng truyền thống và kỹ thuật khảo sát hiện đại Best-Worst Scaling, nghiên cứu không chỉ chỉ ra các thành tựu vượt bậc về vòng quay vốn tín dụng (đạt 1,32 vòng) và kiểm soát nợ xấu (1,50%), mà còn mở ra định hướng chiến lược rõ ràng cho quá trình số hóa tín dụng bán lẻ.
Việc ứng dụng các chuẩn mực công nghệ hiện đại, tự động hóa quy trình nghiệp vụ và thấu hiểu trải nghiệm khách hàng chính là chìa khóa then chốt giúp các ngân hàng thương mại phát triển bền vững trong kỷ nguyên ngân hàng số. Quý độc giả, chuyên gia phân tích và nhà nghiên cứu có thể ứng dụng trực tiếp khung phân tích và các đoạn mã thuật toán trong bài viết để xây dựng các giải pháp thẩm định tín dụng tiên tiến cho đơn vị của mình.
