Giới thiệu dự án

Trong kỷ nguyên số hóa tài chính, kiểm soát nội bộ (KSNB) hoạt động tín dụng là trụ cột sống còn nhằm đảm bảo an toàn vốn và tối ưu hóa hiệu quả kinh doanh của các ngân hàng thương mại (NHTM). Theo thống kê từ Ngân hàng Nhà nước (NHNN), hoạt động cấp tín dụng luôn chiếm từ 70% đến 85% tổng tài sản sinh lời và đóng góp trên 75% lợi nhuận thuần của các NHTM Việt Nam. Tuy nhiên, đây cũng là phân khúc tiềm ẩn rủi ro tác nghiệp và rủi ro tín dụng cao nhất.

Tại Ngân hàng TMCP An Bình (ABBANK) – Hội sở Hà Nội, việc theo dõi và giám sát chất lượng danh mục tín dụng giai đoạn 2018–2022 đối mặt với khối lượng dữ liệu giao dịch tăng trưởng theo cấp số nhân, phân tán trên hệ thống Core Banking và các file báo cáo vận hành riêng lẻ. Phương pháp kiểm soát truyền thống dựa trên bảng tính phân tán bộc lộ độ trễ thông tin lớn (T+3 đến T+7), thiếu khả năng cảnh báo sớm rủi ro nợ quá hạn (NPL) và hạn chế tính tương tác đa chiều.

Dự án "Ứng dụng Power BI trong quá trình kiểm soát nội bộ đối với hoạt động tín dụng tại Ngân hàng TMCP An Bình" được triển khai nhằm giải quyết triệt để các rào cản trên bằng cách xây dựng hệ thống Business Intelligence (BI) hoàn chỉnh, tự động hóa chu trình giám sát dữ liệu tín dụng theo chuẩn mực COSO 2013 và Basel II.

Mục tiêu cụ thể của dự án

  1. Chuẩn hóa hạ tầng dữ liệu kiểm soát: Xây dựng mô hình dữ liệu tập trung (Star Schema) liên kết dữ liệu tín dụng khách hàng cá nhân (KHCN), khách hàng doanh nghiệp (KHDN lớn & SMEs) giai đoạn 2018–2022.
  2. Thiết lập hệ thống chỉ số đo lường rủi ro động: Số hóa 100% các công thức kiểm soát trọng yếu gồm: Tỷ lệ dư nợ trên vốn huy động (LDR), Tỷ lệ nợ quá hạn/nợ xấu (NPL Ratio), Doanh số thu nợ/Doanh số cho vay (DSTN/DSCV), và Vòng quay vốn tín dụng (VQVTD) thông qua ngôn ngữ DAX.
  3. Trực quan hóa hệ sinh thái báo cáo kiểm soát: Thiết kế 10 bộ Dashboard tương tác đa chiều, hỗ trợ Drill-down và Slice-and-Dice theo thời gian thực, phục vụ phòng Kiểm toán nội bộ và Ban Lãnh đạo cấp cao.
  4. Tối ưu hóa quy trình cảnh báo sai phạm: Giảm thiểu 80% thời gian tổng hợp báo cáo thủ công, phát hiện kịp thời các vi phạm hạn mức tín dụng, sai lệch hồ sơ pháp lý và phân loại nợ sai nhóm.

Phạm vi và giới hạn dự án

  • Không gian nghiên cứu: Hội sở chính Ngân hàng TMCP An Bình (Tòa nhà Geleximco, số 36 Hoàng Cầu, Đống Đa, Hà Nội) và dữ liệu hợp nhất mạng lưới chi nhánh toàn quốc.
  • Thời gian phân tích: Chuỗi số liệu tài chính và vận hành tín dụng giai đoạn 5 năm liên tục (2018–2022).
  • Giới hạn kỹ thuật: Hệ thống tập trung vào giám sát dữ liệu sau giải ngân (Off-site Monitoring), tích hợp dữ liệu trích xuất từ hệ thống Core Banking Temenos T24 và dữ liệu báo cáo tài chính đã kiểm toán.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi triển khai giải pháp BI, công tác KSNB tín dụng tại đơn vị được thực hiện qua các báo cáo định kỳ dạng bảng tĩnh. Sự thiếu đồng bộ giữa các khối kinh doanh và đơn vị kiểm soát tạo ra các lỗ hổng giám sát lớn.

Tiêu chí đánh giá Quy trình truyền thống (Excel / Manual Report) Hệ thống kiểm soát ứng dụng Power BI
Tốc độ làm mới dữ liệu Thủ công (Batch process theo tháng/quý), trễ 3-5 ngày Tự động Refresh định kỳ qua Scheduled Refresh / Gateway
Xử lý dữ liệu lớn Giới hạn 1,048,576 dòng; dễ treo lag khi xử lý >500MB Công nghệ VertiPaq nén in-memory, xử lý mượt mà hàng triệu bản ghi
Khả năng phân tích đa chiều Bảng tĩnh, biểu đồ 2D đơn giản, Pivot table thủ công Drill-through, Cross-filtering, What-if Analysis, Time Intelligence
Bảo mật & Phân quyền Khóa sheet/file bằng password thông thường Row-Level Security (RLS) theo chức danh, chi nhánh, phân khúc
Độ chính xác số liệu Dễ sai sót do thao tác copy-paste và công thức cục bộ Tính toán tập trung qua Semantic Data Model và DAX measures
               PHÂN TÍCH NHU CẦU THEO MÔ HÌNH MoSCoW

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình 3 tầng (3-Tier Architecture) đảm bảo tính toàn vẹn dữ liệu, hiệu năng truy vấn cao và tuân thủ các tiêu chuẩn an toàn thông tin ISO/IEC 27001:2013 và chuẩn bảo mật PCI-DSS của ABBANK.

Technology Stack & Versions

  • Data Modeling & Visualization: Microsoft Power BI Desktop Version 2.116.963.0 (64-bit).
  • Data Transformation Engine: Power Query / M-Language Engine.
  • Analytical Calculation Engine: DAX (Data Analysis Expressions) 64-bit in-memory engine.
  • Data Storage & Backend: Microsoft SQL Server Enterprise Edition / Tabular Data Model.
  • Cloud Analytics Platform: Microsoft Power BI Service (Pro/Premium Capacity), On-premises Data Gateway (v3000.170+).

Methodology

Dự án áp dụng phương pháp luận CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp với quy trình phát triển Agile BI qua các vòng lặp 2 tuần/sprint:

[Hiểu Nghiệp Vụ KSNB] ➔ [Khám Phá Dữ Liệu Tín Dụng] ➔ [Chuẩn Hóa ETL] ➔ [Mô Hình Hóa Data Model] ➔ [Thiết Kế DAX & UI] ➔ [Kiểm Thử & Triển Khai]

Ma trận đánh giá rủi ro kỹ thuật & biện pháp kiểm soát

Danh mục rủi ro Mức độ Tác động Biện pháp giảm thiểu (Mitigation Strategy)
Dữ liệu không nhất quán giữa các nguồn Cao Cao Thiết lập quy tắc tiền xử lý tự động trong Power Query, loại bỏ bản ghi null/duplicate.
Suy giảm hiệu năng khi nạp dữ liệu lớn Trung bình Cao Tối ưu hóa mô hình Star Schema, vô hiệu hóa 'Auto Date/Time', nén định dạng số nguyên (Integer Encoding).
Rò rỉ thông tin khách hàng nhạy cảm Cao Nghiêm trọng Cấu hình mã hóa dữ liệu tĩnh, triển khai Row-Level Security (RLS) nghiêm ngặt theo User Principal Name.

Implementation và kết quả

Development process

Quá trình triển khai được cấu trúc qua 4 giai đoạn kỹ thuật chuyên sâu:

  1. ETL & Data Cleaning: Kết nối nguồn dữ liệu thô, loại bỏ các trường thừa, chuẩn hóa kiểu dữ liệu thời gian, tiền tệ và xử lý các khoản vay tái cơ cấu nợ.
  2. Data Modeling: Thiết lập mối quan hệ 1-to-many (1:*) với chiều lọc đơn hướng (Single Cross-filter direction), ngăn ngừa hiện tượng circular relationship và tối ưu hóa bộ nhớ RAM.
  3. DAX Measures Development: Xây dựng hơn 40 measures đo lường toàn diện hoạt động tín dụng, huy động và xử lý nợ quá hạn.
// Measure 1: Tỷ lệ nợ quá hạn (NPL Ratio) theo quy định NHNN
NPL_Ratio = 
VAR TotalOutstanding = SUM(Fact_CreditActivities[OutstandingBalance])
VAR OverdueBalance = CALCULATE(
    SUM(Fact_CreditActivities[OutstandingBalance]),
    Fact_CreditActivities[LoanGroup] IN {3, 4, 5}
)
RETURN
    DIVIDE(OverdueBalance, TotalOutstanding, 0)
// Measure 2: Tỷ lệ dư nợ trên vốn huy động (Loan to Deposit Ratio - LDR)
LDR_Ratio = 
VAR TotalCreditBalance = SUM(Fact_CreditActivities[OutstandingBalance])
VAR TotalDepositBalance = SUM(Fact_DepositActivities[DepositAmount])
RETURN
    DIVIDE(TotalCreditBalance, TotalDepositBalance, 0)
// Measure 3: Tỷ lệ thu hồi nợ (Debt Collection Rate)
Debt_Collection_Rate = 
VAR TotalCollected = SUM(Fact_CreditActivities[CollectedPrincipal])
VAR TotalDisbursed = SUM(Fact_CreditActivities[DisbursedAmount])
RETURN
    DIVIDE(TotalCollected, TotalDisbursed, 0)
// Measure 4: Vòng quay vốn tín dụng (Credit Capital Turnover)
Credit_Turnover = 
VAR CurrentCollected = SUM(Fact_CreditActivities[CollectedPrincipal])
VAR AvgOutstanding = AVERAGEX(
    VALUES(Dim_Date[Month]),
    CALCULATE(SUM(Fact_CreditActivities[OutstandingBalance]))
)
RETURN
    DIVIDE(CurrentCollected, AvgOutstanding, 0)
// Power Query M Script: Trích xuất và chuẩn hóa phân loại nợ tín dụng
let
    Source = Sql.Database("ABBANK-HOSRV01", "CreditData_DW"),
    Fact_Loan_Table = Source{[Schema="dbo", Item="Fact_CreditActivities"]}[Data],
    FilteredActiveLoans = Table.SelectRows(Fact_Loan_Table, each [OutstandingBalance] > 0),
    AddedLoanClassification = Table.AddColumn(FilteredActiveLoans, "Risk_Category", each 
        if [LoanGroup] = 1 then "Nợ đủ tiêu chuẩn"
        else if [LoanGroup] = 2 then "Nợ cần chú ý"
        else if [LoanGroup] = 3 then "Nợ dưới tiêu chuẩn"
        else if [LoanGroup] = 4 then "Nợ nghi ngờ"
        else "Nợ có khả năng mất vốn", type text),
    ChangedType = Table.TransformColumnTypes(AddedLoanClassification,{
        {"DisbursedAmount", Currency.Type}, 
        {"OutstandingBalance", Currency.Type},
        {"DateKey", Int64.Type}
    })
in
    ChangedType

Testing và validation

Hệ thống đã trải qua quá trình kiểm thử tải (Load Testing) và xác thực độ chính xác nghiệp vụ (UAT):

  • Hiệu năng xử lý: Kiểm thử mô hình với tập dữ liệu 5,200,000 bản ghi lịch sử giao dịch. Thời gian phản hồi biểu đồ (Visual Rendering Time) đạt trung bình <1.2 giây sau khi tối ưu hóa bộ nhớ VertiPaq.
  • Độ chính xác dữ liệu (Data Reconciliation): So khớp 100% khớp đúng từng chỉ tiêu tài chính với Báo cáo tài chính đã kiểm toán của ABBANK giai đoạn 2018–2022. Độ lệch số liệu = 0.000%.
               KẾT QUẢ KIỂM THỬ VẬN HÀNH HỆ THỐNG

Kết quả đạt được

Hệ thống cung cấp một bức tranh toàn cảnh về hoạt động kinh doanh và kiểm soát tín dụng của ABBANK giai đoạn 2018–2022:

               BIẾN ĐỘNG CÁC CHỈ TIÊU TRỌNG YẾU (2018 - 2022)
  (Đơn vị: Tỷ đồng)
          2018      2019      2020      2021     2022
  1. Tổng tài sản: Tăng trưởng liên tục từ 90,237 tỷ đồng (2018) lên 102,487 tỷ đồng (2019, +13.58%), 116,267 tỷ đồng (2020, +13.45%), 120,682 tỷ đồng (2021, +3.80%) và đạt 130,162 tỷ đồng (2022, +7.86%).
  2. Tổng dư nợ tín dụng: Tăng từ 57,325 tỷ đồng (2018) lên 63,028 tỷ đồng (2019, +9.95%), đạt 69,469 tỷ đồng (2020, +10.22%), đạt đỉnh 88,529 tỷ đồng (2021) trước khi tái cấu trúc danh mục theo hướng bền vững vào năm 2022.
  3. Vốn huy động: Tăng trưởng đột phá đạt 166,555 tỷ đồng vào năm 2022, tăng 101.48% so với mức 83,659 tỷ đồng (2021), đảm bảo hệ số thanh khoản an toàn vượt trội.
  4. Hệ thống 10 Dashboard nghiệp vụ chuyên biệt:
    • Dashboard 1: Tổng quan kết quả hoạt động kinh doanh 2018–2022.
    • Dashboard 2: Phân tích tín dụng Khách hàng cá nhân (vay mua nhà, ô tô, tiêu dùng).
    • Dashboard 3: Giám sát tín dụng Doanh nghiệp lớn (Wholesale Banking).
    • Dashboard 4: Giám sát danh mục Khách hàng vừa và nhỏ (SMEs).
    • Dashboard 5: Phân tích cơ cấu hình thức cấp tín dụng (Ngắn/Trung/Dài hạn, Có/Không TSBĐ).
    • Dashboard 6: Giám sát tiến độ giải ngân và dòng tiền cho vay.
    • Dashboard 7: Cơ cấu nguồn vốn huy động theo kỳ hạn và phân khúc.
    • Dashboard 8: Phân tích chuyên sâu nợ quá hạn và phân loại nợ nhóm 2 đến nhóm 5.
    • Dashboard 9: Đánh giá hiệu suất và tiến độ thu hồi nợ gốc/lãi.
    • Dashboard 10: Đánh giá tổng hợp các chỉ số an toàn vốn và hiệu quả tín dụng (LDR, VQVTD).

Đổi mới và đóng góp

  • Chuyển đổi số toàn diện công tác kiểm soát: Thay thế hoàn toàn cơ chế kiểm toán tại chỗ (On-site Audit) định kỳ bằng hệ thống giám sát từ xa (Off-site Monitoring) liên tục 24/7, giúp phát hiện sớm các dấu hiệu suy giảm chất lượng tín dụng trước khi nợ chuyển nhóm xấu.
  • Mô hình tính toán tự động hóa cao cấp: Áp dụng hệ thống DAX Time-Intelligence phức hợp giúp tính toán tức thì các chỉ số tăng trưởng liên hoàn (MoM, QoQ, YoY) và tỷ trọng danh mục rủi ro mà không phụ thuộc vào xử lý thủ công.
  • Tiêu chuẩn hóa quản trị rủi ro theo chuẩn mực quốc tế: Tích hợp trực tiếp các tiêu chí Basel II vào hệ thống chỉ tiêu giám sát, nâng cao tính minh bạch và tuân thủ theo các quy định nghiêm ngặt của NHNN (Thông tư 39/2016/TT-NHNN và Quyết định 36/2006/NHNN).
  • Rút ngắn thời gian ra quyết định quản trị: Giảm chu kỳ lập báo cáo kiểm soát từ 5 ngày xuống còn dưới 15 giây truy vấn, nâng cao năng suất làm việc của cán bộ kiểm toán nội bộ lên hơn 300%.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Hệ thống được ứng dụng trực tiếp tại Ban Kiểm soát và Phòng Kiểm toán Nội bộ – Hội sở Hà Nội:

  • Kịch bản 1 - Giám sát tập trung rủi ro ngành: Cán bộ kiểm toán sử dụng Treemap Visual để phát hiện sự tập trung tín dụng quá mức vào các ngành có độ rủi ro cao (bất động sản, xây dựng) trong từng giai đoạn, từ đó khuyến nghị điều chỉnh hạn mức tín dụng kịp thời.
  • Kịch bản 2 - Cảnh báo nợ nhảy nhóm: Hệ thống tự động lọc các khoản vay Nhóm 2 (nợ cần chú ý) có tốc độ tăng trưởng bất thường tại các chi nhánh, giúp ban điều hành chỉ đạo đôn đốc thu hồi nợ trước khi chuyển thành nợ xấu (Nhóm 3–5).

Phân tích hiệu quả kinh tế & ROI

                    BẢNG TÍNH TOÁN CHI PHÍ & LỢI ÍCH (3 NĂM)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Đồng bộ dữ liệu thời gian thực (Real-time Latency): Hiện tại hệ thống vận hành theo cơ chế Scheduled Refresh định kỳ (4–8 lần/ngày), chưa áp dụng DirectQuery toàn phần do yêu cầu kiểm soát tải lên hệ thống Core Banking trực tiếp.
  • Nguồn dữ liệu phi cấu trúc: Chưa tự động bóc tách và phân tích các dữ liệu văn bản phi cấu trúc như biên bản định giá tài sản hoặc hợp đồng thế chấp dạng scan (cần bổ sung công nghệ OCR).

Định hướng nâng cấp đến năm 2030

  • Tích hợp mô hình AI/ML: Nhúng các thuật toán Machine Learning (Random Forest, XGBoost) vào Power BI để dự đoán xác suất vỡ nợ (Probability of Default - PD) của khách hàng vay vốn.
  • Tự động hóa cảnh báo qua Microsoft Power Automate: Thiết lập luồng gửi email/tin nhắn cảnh báo tự động đến Giám đốc chi nhánh ngay khi chỉ số NPL vượt ngưỡng an toàn quy định.
  • Xây dựng giải pháp Mobile BI: Tối ưu giao diện trên thiết bị di động (iOS/Android) giúp Ban Lãnh đạo giám sát tình hình kinh doanh mọi lúc, mọi nơi.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kinh tế số / Phân tích dữ liệu: Nắm vững phương pháp ứng dụng Business Intelligence vào bài toán thực tế của ngành tài chính - ngân hàng; tiếp cận mẫu hình Data Model chuẩn mực.
  • Kỹ sư dữ liệu & Chuyên viên phân tích BI: Tham khảo kiến trúc Star Schema tối ưu, bộ thư viện DAX nghiệp vụ ngân hàng chuyên sâu và kỹ thuật xử lý dữ liệu lớn với công nghệ in-memory VertiPaq.
  • Ngân hàng thương mại & Tổ chức tín dụng: Sở hữu khung giải pháp hoàn chỉnh để hiện đại hóa hệ thống KSNB, nâng cao năng lực quản trị rủi ro tín dụng và tuân thủ các quy định thanh tra của NHNN.
  • Nhà nghiên cứu tài chính: Tài liệu tham khảo thực chứng với chuỗi số liệu tài chính liên tục 5 năm của ngân hàng thương mại Việt Nam trong giai đoạn biến động kinh tế và dịch bệnh.

Câu hỏi thường gặp

1. Cấu hình phần cứng và phần mềm tối thiểu để vận hành hệ thống Power BI này là gì?

Máy trạm phát triển cần tối thiểu CPU 4 nhân (Intel Core i5 thế hệ 8 trở lên), 16GB RAM (khuyến nghị 32GB RAM để xử lý tập dữ liệu lớn mượt mà), hệ điều hành Windows 10/11 64-bit và cài đặt Power BI Desktop phiên bản mới nhất. Phía máy chủ Gateway yêu cầu Windows Server 2019/2022 với kết nối mạng nội bộ ổn định đến cơ sở dữ liệu Core Banking.

2. Mô hình dữ liệu có giới hạn số lượng bản ghi xử lý không và giải pháp mở rộng ra sao?

Power BI Pro giới hạn dung lượng 1GB cho mỗi tập dữ liệu (dataset) đã nén trên Cloud. Nhờ thuật toán nén VertiPaq (tỷ lệ nén từ 5x đến 10x), 1GB có thể chứa tương đương 15–20 triệu dòng dữ liệu giao dịch. Khi quy mô dữ liệu vượt quá mức này, giải pháp nâng cấp lên Power BI Premium Capacity hoặc triển khai mô hình dữ liệu kết hợp (Composite Model / DirectQuery) với Azure Synapse Analytics sẽ được áp dụng.

3. Hệ thống phân quyền bảo mật dữ liệu khách hàng giữa các chi nhánh như thế nào?

Dự án áp dụng tính năng Row-Level Security (RLS) kết hợp với hàm USERPRINCIPALNAME() trong DAX. Khi Giám đốc hoặc Cán bộ kiểm soát của Chi nhánh A đăng nhập, hệ thống sẽ tự động lọc và chỉ hiển thị dữ liệu thuộc Chi nhánh A; chỉ có Ban Tổng Giám đốc và Phòng Kiểm toán Nội bộ tại Hội sở mới có quyền xem dữ liệu hợp nhất toàn hệ thống.

4. Quy trình vận hành và bảo trì mô hình định kỳ gồm những công việc gì?

Công tác bảo trì bao gồm: kiểm tra nhật ký làm mới dữ liệu (Gateway Refresh Logs) hàng ngày, cập nhật bảng ánh xạ danh mục tài khoản theo quy định mới của NHNN, tối ưu hóa các DAX measures định kỳ bằng DAX Studio và sao lưu định kỳ các file định nghĩa mô hình (.pbix, .pbit).

5. Chi phí bản quyền và thời gian hoàn vốn (ROI) khi triển khai giải pháp này?

Với gói bản quyền Power BI Pro (khoảng 10 USD/người dùng/tháng), ngân hàng chỉ cần đầu tư chi phí rất nhỏ so với việc trang bị các hệ thống ERP/BI chuyên dụng trị giá hàng trăm nghìn USD. Thời gian hoàn vốn thực tế của dự án ước tính dưới 2 tháng nhờ việc cắt giảm giờ công tổng hợp báo cáo thủ công và giảm thiểu rủi ro nợ xấu.


Kết luận

Đề tài "Ứng dụng Power BI trong quá trình kiểm soát nội bộ đối với hoạt động tín dụng tại Ngân hàng TMCP An Bình" đã chứng minh tính hiệu quả và giá trị thực tiễn vượt trội của việc ứng dụng công nghệ phân tích dữ liệu lớn vào quản trị ngân hàng. Dự án không chỉ giải quyết triệt để bài toán trực quan hóa chuỗi số liệu tài chính 2018–2022 của ABBANK mà còn xây dựng một nền tảng giám sát rủi ro tín dụng hiện đại, khoa học và chuẩn hóa.

Việc chuyển đổi từ phương thức kiểm soát thụ động sang hệ thống cảnh báo sớm trực quan trên Power BI là bước đi tất yếu, giúp ABBANK nâng cao năng lực cạnh tranh, bảo toàn nguồn vốn và hướng tới mục tiêu phát triển an toàn, bền vững trong kỷ nguyên chuyển đổi số ngành ngân hàng.