Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và cuộc cách mạng công nghiệp 4.0, ngành tài chính – ngân hàng tại Việt Nam chứng kiến sự bùng nổ mạnh mẽ về khối lượng dữ liệu giao dịch với tốc độ tăng trưởng dữ liệu tài chính vượt mức 30%/năm. Tuy nhiên, việc khai thác và chuyển hóa nguồn dữ liệu khổng lồ này thành tri thức phục vụ quản trị điều hành vẫn đối mặt với nhiều rào cản. Đồ án "Ứng dụng Power BI trong phân tích hoạt động kinh doanh của Ngân hàng Thương mại Cổ phần An Bình" do sinh viên Phùng Hương Giang (Lớp KTDL10, Khoa Kinh tế số, Học viện Chính sách và Phát triển) thực hiện dưới sự hướng dẫn của TS. Đàm Thanh Tú, tập trung giải quyết bài toán hiện đại hóa công tác báo cáo quản trị và nâng cao hiệu năng phân tích kinh doanh giai đoạn 2018–2022 tại Ngân hàng Thương mại Cổ phần (TMCP) An Bình (ABBANK).

Vấn đề nghiên cứu và thực trạng

Tại nhiều tổ chức tín dụng nói chung và ABBANK nói riêng, công tác phân tích tài chính trước đây phụ thuộc nặng nề vào các báo cáo tĩnh kết xuất từ hệ thống ngân hàng lõi (Core Banking) và bảng tính Microsoft Excel truyền thống. Phương thức này bộc lộ các điểm nghẽn nghiêm trọng:

  • Hiện tượng phân mảnh dữ liệu (Data Silos): Dữ liệu tài chính, khách hàng, tín dụng và nguồn vốn lưu trữ rời rạc, thiếu tính liên kết đa chiều.
  • Độ trễ thông tin cao: Quy trình tổng hợp, đối soát thủ công tiêu tốn từ 3 đến 5 ngày làm việc sau khi chốt kỳ kế toán, làm suy giảm tính kịp thời trong việc ra quyết định kinh doanh.
  • Giới hạn năng lực xử lý: Khi tập dữ liệu vượt ngưỡng 1 triệu dòng, Excel thường xuyên gặp lỗi quá tải bộ nhớ (Not Responding), hạn chế khả năng phân tích chuỗi thời gian dài hạn.
  • Thiếu hụt các chỉ số chuyên sâu theo thời gian thực: Khó khăn trong việc theo dõi liên tục các chỉ số tài chính trọng yếu như Biên lãi ròng (NIM - Net Interest Margin), Chi phí huy động vốn (COF - Cost of Funds), Tỷ suất sinh lời của tài sản có sinh lãi (YOEA - Yield on Earning Assets), Tỷ lệ an toàn vốn (CAR - Capital Adequacy Ratio) và Tỷ lệ cấp tín dụng so với nguồn vốn huy động (LDR - Loan to Deposit Ratio).

Mục tiêu của dự án

  1. Hệ thống hóa cơ sở lý luận về phân tích hoạt động kinh doanh của Ngân hàng Thương mại (NHTM) trong môi trường kinh tế số.
  2. Xây dựng quy trình trích xuất, chuyển đổi và làm sạch dữ liệu (ETL) hoạt động kinh doanh ABBANK từ các nguồn báo cáo tài chính, báo cáo quản trị giai đoạn 2018–2022.
  3. Thiết kế mô hình dữ liệu đa chiều (Data Model) chuẩn hóa theo mô hình Star Schema trên Microsoft Power BI Desktop.
  4. Phát triển bộ công thức DAX (Data Analysis Expressions) chuyên sâu để đo lường tự động các chỉ tiêu tài chính cốt lõi: ROA, ROE, NIM, CAR, COF, YOEA, LDR, CASA.
  5. Xây dựng hệ thống 7 Dashboard tương tác trực quan, hỗ trợ phân tích toàn diện: Tổng quan kinh doanh, Tài sản & Nguồn vốn, Thu nhập & Lợi nhuận, Chi phí, Tiền gửi & Cho vay, Huy động vốn, và Phân khúc Khách hàng.
  6. Đề xuất hệ thống giải pháp chiến lược giai đoạn 2023–2033 nhằm nâng cao năng lực huy động vốn, tối ưu hiệu suất sử dụng tài sản và kiểm soát rủi ro tín dụng.

Phạm vi và kết quả kỳ vọng

  • Không gian: Toàn bộ hoạt động kinh doanh trên toàn hệ thống ABBANK (Hội sở chính và 146 điểm giao dịch tại 29 tỉnh thành).
  • Thời gian nghiên cứu: Chuỗi dữ liệu lịch sử 5 năm (2018–2022) và định hướng chiến lược đến năm 2033.
  • Kết quả đo lường được: Giảm thời gian tổng hợp báo cáo từ 72 giờ xuống dưới 5 giây; hỗ trợ phân tích trực quan toàn bộ quy mô tài sản 130.161 tỷ đồng và danh mục huy động 91.837 tỷ đồng năm 2022 với độ chính xác số liệu đối soát đạt 100%.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và so sánh giải pháp

Tiêu chí đánh giá Microsoft Excel truyền thống Báo cáo tĩnh Core Banking (SSRS/SQL Dump) Giải pháp Microsoft Power BI (Đề xuất)
Năng lực xử lý dữ liệu Giới hạn < 1.048.576 dòng; dễ treo máy khi xử lý dữ liệu lớn. Tốt trên cơ sở dữ liệu SQL, nhưng kết xuất dạng bảng phẳng tĩnh. Tối ưu hóa bộ nhớ VertiPaq, nén dữ liệu từ 8–10 triệu dòng dễ dàng.
Tự động hóa luồng ETL Thủ công (VLOOKUP, INDEX/MATCH, VBA dễ lỗi khi đổi cấu trúc). Cố định qua các câu truy vấn Stored Procedures, khó tùy biến nhanh. Quy trình Power Query tự động hóa 100%, ghi nhớ các bước biến đổi dữ liệu.
Khả năng trực quan hóa Biểu đồ cơ bản, tương tác tĩnh, không hỗ trợ Drill-through đa tầng. Rất hạn chế, chủ yếu là bảng số liệu chi tiết dạng text/grid. Dashboard tương tác động (Cross-filtering, Drill-down, Dynamic Slicers).
Tính toán tài chính phức tạp Hàm tính phân tán trên từng ô, dễ sai lệch logic khi mở rộng dữ liệu. Tính toán tại tầng Database, đòi hỏi kỹ năng lập trình SQL phức tạp. Ngôn ngữ DAX chuyên dụng, tính toán theo ngữ cảnh lọc (Filter Context).
Phân quyền và bảo mật Khóa sheet/password file cơ bản, dễ bị lộ thông tin nhạy cảm. Phân quyền theo user ứng dụng ngân hàng, khó chia sẻ phân tích động. Phân quyền mức dòng dữ liệu (Row-Level Security - RLS) theo từng chi nhánh.

Thiết kế hệ thống và mô hình dữ liệu

Kiến trúc hệ thống Business Intelligence (BI) cho ABBANK được xây dựng theo mô hình 4 tầng tiêu chuẩn:

  • Công nghệ áp dụng:
    • Power BI Desktop (Version 2.112.x trở lên, 64-bit Edition).
    • M Formula Language: Phục vụ chuyển đổi dữ liệu và pipeline ETL tự động.
    • DAX Engine (SSAS Tabular v15.0+): Xây dựng các đại lượng đo lường phân tích nâng cao.
    • VertiPaq In-Memory Engine: Nén dữ liệu theo cột, tối ưu hóa tốc độ tính toán.
  • Yêu cầu an toàn và hiệu năng: Đảm bảo thời gian phản hồi của visual < 2 giây khi chuyển đổi bộ lọc; mô hình dữ liệu tuân thủ chuẩn quan hệ 1-Nhiều (1:*) với chiều lọc đơn hướng (Single Direction Filter) nhằm loại bỏ quan hệ vòng lặp (Ambiguity).

Phương pháp nghiên cứu và triển khai (Methodology)

Dự án được thực hiện theo quy trình CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp mô hình phân tích định lượng tài chính ngân hàng:

  • Giai đoạn 1 (Business Understanding): Xác định các KPI mục tiêu theo chuẩn Ngân hàng Nhà nước (NHNN) và chuẩn mực quốc tế Basel III (CAR, LDR, NIM, nợ xấu < 3%).
  • Giai đoạn 2 (Data Understanding & Preparation): Thu thập và làm sạch bộ dữ liệu thứ cấp được kiểm toán của ABBANK trong 5 năm (2018–2022).
  • Giai đoạn 3 (Data Modeling & Measure Engineering): Xây dựng mô hình quan hệ bảng và lập trình hệ thống chỉ tiêu DAX.
  • Giai đoạn 4 (Dashboard Deployment & Evaluation): Thiết kế giao diện báo cáo tương tác, thẩm định độ chính xác số liệu đối soát độc lập với Báo cáo Thường niên.

Implementation và kết quả

Quy trình triển khai và mã nguồn DAX cốt lõi

Quy trình xử lý dữ liệu được tự động hóa hoàn toàn từ tầng Power Query đến các biểu thức tính toán DAX chuyên sâu:

1. Đoạn mã ETL chuẩn hóa dữ liệu tài chính (Power Query M Code)

let
    Source = Excel.Workbook(File.Contents("C:\Data\ABBANK_Financial_Reports_2018_2022.xlsx"), null, true),
    Fact_Raw_Sheet = Source{[Item="Fact_Financials",Kind="Sheet"]}[Data],
    #"Promoted Headers" = Table.PromoteHeaders(Fact_Raw_Sheet, [PromoteAllScalars=true]),
    #"Changed Type" = Table.TransformColumnTypes(#"Promoted Headers",{
        {"Year", Int64.Type}, 
        {"Category", type text}, 
        {"Metric_Code", type text}, 
        {"Value_Billion_VND", type number}
    }),
    #"Replaced Missing Values" = Table.ReplaceErrorValues(#"Changed Type", {{"Value_Billion_VND", 0}}),
    #"Filtered Valid Records" = Table.SelectRows(#"Replaced Missing Values", each [Year] >= 2018 and [Year] <= 2022)
in
    #"Filtered Valid Records"

2. Các biểu thức DAX tính toán chỉ số tài chính chuyên sâu

  • Biên lãi ròng (Net Interest Margin - NIM):
NIM = 
DIVIDE(
    [Net_Interest_Income],
    [Average_Earning_Assets],
    0
)
  • Tỷ suất sinh lợi của tài sản có sinh lãi (YOEA) và Chi phí huy động vốn (COF):
YOEA = 
DIVIDE(
    SUM('Fact_Income'[Total_Interest_Income]),
    AVERAGE('Fact_BalanceSheet'[Earning_Assets]),
    0
)

COF = 
DIVIDE(
    SUM('Fact_Expenses'[Interest_Expenses]),
    AVERAGE('Fact_BalanceSheet'[Total_Mobilized_Funds]),
    0
)
  • Tốc độ tăng trưởng dư nợ cho vay qua các năm (YoY Loan Growth):
Loan_Growth_YoY = 
VAR CurrentYearLoan = [Total_Customer_Loans]
VAR PreviousYearLoan = 
    CALCULATE(
        [Total_Customer_Loans],
        SAMEPERIODLASTYEAR('Dim_Date'[Date])
    )
RETURN
    DIVIDE(
        CurrentYearLoan - PreviousYearLoan,
        PreviousYearLoan,
        0
    )

Kết quả phân tích hoạt động kinh doanh ABBANK (2018–2022)

Hệ thống 7 Dashboard Power BI đã kết xuất và trực quan hóa chi tiết toàn bộ bức tranh tài chính của ABBANK trong 5 năm:

+---------------------------------------------------------------------------------------------------+
| ABBANK - EXECUTIVE DASHBOARD (2018 - 2022)                                                        |
+-------------------+-------------------+-------------------+-------------------+-------------------+
| TỔNG TÀI SẢN 2022 | LNTT NĂM 2022     | HUY ĐỘNG KHÁCH HÀNG| DƯ NỢ TÍN DỤNG 2022| CHỈ SỐ CAR 2022   |
| 130.161 TỶ ĐỒNG   | 1.686 TỶ ĐỒNG     | 91.837 TỶ ĐỒNG    | 88.529 TỶ ĐỒNG    | 11,6% (Chuẩn >8%) |
+-------------------+-------------------+-------------------+-------------------+-------------------+
| [ Biểu đồ xu hướng tăng trưởng Tài sản & Huy động ]  | [ Cơ cấu Thu nhập: Lãi thuần vs Phí Dịch vụ ]|
|  2018:  89.997 tỷ -> Huy động: 67.972 tỷ             |  Thu lãi thuần 2022: 3.724 tỷ (Chiếm 71%)   |
|  2019: 102.556 tỷ -> Huy động: 78.262 tỷ             |  Thu thuần dịch vụ:   931 tỷ (Tăng vọt 2021) |
|  2020: 116.366 tỷ -> Huy động: 80.591 tỷ             |  Thu nhập khác:       582 tỷ                |
|  2021: 120.936 tỷ -> Huy động: 79.255 tỷ             +----------------------------------------------+
|  2022: 130.161 tỷ -> Huy động: 91.837 tỷ             | [ Chỉ số Hiệu quả & An toàn (2022) ]         |
+------------------------------------------------------+  ROA: 1,28% | ROE: 13,0% | NIM: 2,08%        |
| [ Cơ cấu Khách hàng: KHCN - SME - KHDN lớn ]         |  COF: 3,98% | YOEA: 7,06%| LDR: 88,0%        |
+------------------------------------------------------+----------------------------------------------+

Bảng tổng hợp các chỉ tiêu kinh doanh trọng yếu ABBANK (2018–2022)

Chỉ tiêu tài chính / Vận hành Đơn vị tính 2018 2019 2020 2021 2022 Tăng trưởng 2022/2018
Tổng tài sản Tỷ đồng 89.997 102.556 116.366 120.936 130.161 +44,63%
Huy động từ khách hàng Tỷ đồng 64.490 74.786 78.128 79.255 91.837 +42,41%
Cho vay khách hàng Tỷ đồng 52.465 56.956 63.446 69.137 80.984 +54,36%
Tổng dư nợ tín dụng Tỷ đồng 57.325 63.028 69.469 78.640 88.529 +54,43%
Lợi nhuận trước thuế (LNTT) Tỷ đồng 900,8 1.229,0 1.368,0 1.979,0 1.686,0 +87,17%
Thu nhập thuần từ lãi Tỷ đồng 1.995 2.437 2.344 3.038 3.724 +86,67%
Thu nhập thuần từ dịch vụ Tỷ đồng 337 198 208 922 931 +176,26%
Tỷ suất sinh lời trên tài sản (ROA) % 0,80% 1,00% 1,43% 1,67% 1,28% +48 bps
Tỷ suất sinh lời trên VCSH (ROE) % 11,00% 13,60% 16,50% 19,34% 13,00% +200 bps
Biên lãi thuần (NIM) % 1,65% 1,78% 1,50% 1,79% 2,08% +43 bps
Tỷ lệ an toàn vốn (CAR) % 12,80% 11,10% 9,10% 9,10% 11,60% Luôn đạt chuẩn
Tỷ lệ cấp tín dụng/Vốn huy động (LDR) % 81,00% 76,20% 81,20% 87,20% 88,00% Đạt trần NHNN
Chi phí huy động vốn (COF) % 4,58% 4,90% 4,39% 3,22% 3,98% Tối ưu hóa vốn rẻ
Tỷ suất sinh lợi tài sản có lãi (YOEA) % 7,05% 7,53% 6,81% 6,05% 7,06% Duy trì ổn định

Đánh giá chuyên sâu kết quả kinh doanh đạt được

  1. Quy mô tăng trưởng vượt bậc: Tổng tài sản tăng từ 89.997 tỷ đồng (2018) lên 130.161 tỷ đồng (2022), tăng trưởng 44,63%. Dư nợ cho vay khách hàng đạt 80.984 tỷ đồng năm 2022, khẳng định sự mở rộng vững chắc ở hai phân khúc chiến lược là Khách hàng cá nhân (KHCN) và Doanh nghiệp vừa và nhỏ (SME).
  2. Cơ cấu thu nhập chuyển dịch tích cực: Thu nhập thuần từ dịch vụ ghi nhận mức tăng trưởng đột phá từ 337 tỷ đồng (2018) lên 931 tỷ đồng (2022), tương đương mức tăng 176,26%, đóng góp lớn vào việc phân tán rủi ro và giảm phụ thuộc vào thu nhập lãi thuần.
  3. Quản trị chi phí và an toàn vốn: Năm 2022, ABBANK hoàn thành việc tất toán mua lại toàn bộ trái phiếu VAMC, nâng tỷ lệ an toàn vốn CAR lên 11,6% (vượt xa mức khuyến cáo 8% của NHNN), đồng thời áp dụng thành công chuẩn mực quản trị rủi ro Basel III và hệ thống cảnh báo sớm rủi ro tín dụng (Early Warning System - EWS).

Đổi mới và đóng góp

Các cải tiến kỹ thuật nổi bật

  • Mô hình hóa tài chính đa chiều động: Tích hợp thành công toàn bộ hệ thống báo cáo kế toán tài chính phức tạp thành một mô hình Star Schema tinh gọn, cho phép phân tích chéo giữa phân khúc khách hàng (Cá nhân, SME, Doanh nghiệp lớn), kênh phân phối (Chi nhánh, ATM, POS) và các dòng sản phẩm tiền gửi/tín dụng.
  • Tự động hóa chuỗi tính toán chỉ số phức tạp: Sử dụng các kỹ thuật DAX nâng cao (Time-Intelligence, Context Transition qua CALCULATE, Virtual Tables) để tự động hóa việc tính toán các chỉ số NIM, YOEA, COF mà trước đây phải xử lý thủ công qua nhiều sheet Excel trung gian.
  • Tối ưu hóa hiệu năng lưu trữ và tốc độ truy vấn: Khai thác công nghệ nén VertiPaq, giảm 85% dung lượng bộ nhớ so với tập tin dữ liệu thô, đạt tốc độ phản hồi truy vấn dưới 1,2 giây trên tập dữ liệu đa kỳ.

Đóng góp thực tiễn cho ngành và đơn vị nghiên cứu

  • Đối với ABBANK: Cung cấp bộ công cụ Dashboard quản trị trực quan, giúp Hội đồng Quản trị và Ban Điều hành nhận diện ngay lập tức các biến động chi phí huy động (COF tăng lên 3,98% năm 2022) và áp lực thanh khoản (LDR chạm ngưỡng 88%), từ đó kịp thời điều chỉnh chính sách lãi suất và tín dụng.
  • Đối với lĩnh vực đào tạo Kinh tế số: Đề tài là tài liệu thực chứng điển hình về việc ứng dụng phân tích dữ liệu kinh doanh (Business Analytics) vào quản trị ngân hàng thương mại, thu hẹp khoảng cách giữa lý thuyết tài chính và ứng dụng công nghệ thực tế.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tế quản trị ngân hàng

  1. Ban Giám đốc và C-Level: Sử dụng Dashboard Tổng quan kinh doanh để nắm bắt tức thời các chỉ số sinh lời (ROA 1,28%, ROE 13,0%), tiến độ hoàn thành kế hoạch lợi nhuận trước thuế và biến động tài sản ròng.
  2. Khối Quản lý Nguồn vốn & Khối Quản trị Rủi ro (ALM/ICAAP): Ứng dụng Dashboard Tài sản & Nguồn vốn cùng Dashboard Huy động vốn để giám sát tỷ lệ LDR (88%), theo dõi chênh lệch kỳ hạn, kiểm soát hệ số an toàn vốn CAR (11,6%) và tối ưu hóa chi phí vốn COF.
  3. Khối Khách hàng Doanh nghiệp (SME) và Khối Bán lẻ (Retail Banking): Khai thác Dashboard Phân khúc Khách hàng và Dashboard Tiền gửi & Cho vay để phân tích mức tăng trưởng của 48.106 tỷ đồng huy động từ doanh nghiệp lớn và 37.564 tỷ đồng từ KHCN, từ đó thiết kế các gói sản phẩm tiền gửi bậc thang và dịch vụ ngân hàng số chuyên biệt.

Phân tích hiệu quả kinh tế (ROI) và khả năng mở rộng

  • Chi phí đầu tư ban đầu: Tận dụng hạ tầng máy trạm hiện hữu, triển khai Power BI Pro với chi phí bản quyền tối ưu cho bộ phận phân tích dữ liệu.
  • Lợi ích định lượng: Tiết kiệm hơn 1.200 giờ làm việc thủ công mỗi năm cho đội ngũ chuyên viên kế toán quản trị; loại bỏ 100% lỗi sai sót công thức do can thiệp thủ công bằng tay; thời gian ra quyết định chiến lược lãi suất rút ngắn từ hàng tuần xuống trong ngày.
  • Tỷ suất hoàn vốn ước tính (ROI): Đạt trên 250% ngay trong năm đầu tiên vận hành chính thức nhờ tối ưu hóa chi phí hoạt động và phát hiện sớm rủi ro tài chính.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Nguồn dữ liệu thứ cấp: Dữ liệu nghiên cứu chủ yếu được tổng hợp từ Báo cáo tài chính kiểm toán và Báo cáo thường niên theo quý/năm, chưa kết nối thời gian thực (DirectQuery/Streaming API) trực tiếp vào cơ sở dữ liệu giao dịch trực tuyến của Core Banking do yêu cầu bảo mật thông tin nội bộ.
  • Chưa tích hợp mô hình phân tích dự báo nâng cao: Dashboard hiện tại tập trung chủ yếu vào phân tích mô tả (Descriptive Analytics) và phân tích chẩn đoán (Diagnostic Analytics), chưa triển khai sâu các thuật toán học máy phân tích dự báo (Predictive Analytics).

Hướng nâng cấp và phát triển trong tương lai

  • Kết nối tự động hóa Data Warehouse: Triển khai luồng DirectQuery hoặc kết nối qua Azure Synapse / Microsoft Fabric để tự động cập nhật dữ liệu hàng ngày (Daily Scheduled Refresh).
  • Tích hợp Machine Learning: Xây dựng mô hình chấm điểm tín dụng tự động và dự báo xác suất vỡ nợ (Probability of Default - PD) bằng Python/R tích hợp trực tiếp trong môi trường Power BI.
  • Mở rộng tính năng phân tích hành vi khách hàng số: Theo dõi chỉ số giao dịch qua kênh Open API Banking, Mobile Banking và tỷ lệ duy trì số dư tiền gửi không kỳ hạn (CASA).

Đối tượng hưởng lợi

  • Sinh viên chuyên ngành Kinh tế số, Phân tích dữ liệu & Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo thực tế về cấu trúc một dự án BI hoàn chỉnh từ khâu chuẩn hóa dữ liệu tài chính đến xây dựng hệ thống công thức DAX tiêu chuẩn.
  • Chuyên viên phân tích dữ liệu (Data Analysts) & BI Developers: Tham khảo kiến trúc mô hình Star Schema chuyên dụng cho dữ liệu kế toán ngân hàng, tối ưu hóa các hàm DAX đo lường lợi nhuận và chi phí vốn.
  • Lãnh đạo và Quản trị viên Ngân hàng: Nhận được mô hình mẫu để chuẩn hóa hệ thống báo cáo số liệu quản trị nội bộ, hỗ trợ giám sát sức khỏe tài chính toàn diện.
  • Các nhà nghiên cứu kinh tế: Sở hữu chuỗi dữ liệu thực chứng 5 năm (2018–2022) phản ánh rõ nét tác động của biến động kinh tế vĩ mô, đại dịch Covid-19 và tiến trình tái cơ cấu hệ thống tổ chức tín dụng tại Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và phần mềm để vận hành hệ thống Dashboard Power BI này là gì?

Hệ thống yêu cầu máy trạm tối thiểu: Hệ điều hành Windows 10/11 64-bit hoặc Windows Server 2019+, CPU 4 nhân (x64), RAM tối thiểu 8GB (khuyến nghị 16GB để xử lý mượt mà mô hình nén dữ liệu lớn), cài đặt sẵn Microsoft Power BI Desktop phiên bản từ 2.112.x trở lên. Đối với việc chia sẻ báo cáo qua web, cần tài khoản Power BI Pro hoặc phân quyền trên hệ thống Power BI Report Server nội bộ của ngân hàng.

2. Mô hình Power BI xử lý khối lượng lớn dữ liệu ngân hàng mà không bị chậm như thế nào?

Nhờ công nghệ VertiPaq In-Memory Engine, dữ liệu được chuyển đổi sang dạng cột (Columnar Storage) và mã hóa nén (Dictionary Encoding, Run Length Encoding). Điều này giúp giảm kích thước tệp dữ liệu từ 70% đến 85% so với tệp thô, cho phép nạp hàng triệu bản ghi giao dịch trực tiếp vào bộ nhớ RAM và thực thi các phép toán tính toán DAX theo thời gian thực với độ trễ dưới 2 giây.

3. Hệ thống có thể tích hợp với các giải pháp Core Banking hiện đại (T24, Flexcube) như thế nào?

Power BI hỗ trợ hơn 200 cổng kết nối dữ liệu tiêu chuẩn. Trong môi trường ngân hàng, Power BI kết nối an toàn với tầng dữ liệu Data Warehouse (Oracle DB, Microsoft SQL Server, PostgreSQL) thông qua On-premises Data Gateway. Quá trình ETL sẽ trích xuất dữ liệu trung gian vào ban đêm, đảm bảo không gây ảnh hưởng đến hiệu năng xử lý giao dịch trực tuyến của hệ thống Core Banking.

4. Chi phí bản quyền và quy trình bảo trì hệ thống định kỳ gồm những gì?

Chi phí triển khai rất linh hoạt: phiên bản thiết kế Power BI Desktop hoàn toàn miễn phí; chi phí chia sẻ báo cáo quản trị bảo mật qua Power BI Pro khoảng $10/người dùng/tháng. Quy trình bảo trì bao gồm việc định kỳ cập nhật bảng danh mục tài khoản kế toán (Chart of Accounts), kiểm tra tính tương thích của công thức DAX khi có thay đổi trong quy định phân loại nợ của Ngân hàng Nhà nước và tối ưu hóa mô hình dữ liệu định kỳ mỗi quý.

5. Làm thế nào để đảm bảo tính bảo mật của dữ liệu tài chính ngân hàng nhạy cảm trên Dashboard?

Hệ thống áp dụng tính năng Bảo mật cấp dòng (Row-Level Security - RLS). Dựa trên chức vụ và đơn vị công tác của người dùng, hệ thống sẽ tự động lọc dữ liệu tương ứng (ví dụ: Giám đốc Chi nhánh chỉ xem được số liệu tiền gửi, cho vay của chi nhánh mình, trong khi Ban Điều hành Hội sở có quyền truy cập toàn bộ dữ liệu hợp nhất). Toàn bộ dữ liệu truyền tải đều được mã hóa bằng giao thức SSL/TLS chuẩn ngân hàng.

Kết luận

Khóa luận tốt nghiệp "Ứng dụng Power BI trong phân tích hoạt động kinh doanh của Ngân hàng TMCP An Bình" của tác giả Phùng Hương Giang đã giải quyết xuất sắc bài toán số hóa công tác báo cáo và phân tích kinh doanh tại một ngân hàng thương mại cổ phần quy mô lớn. Dự án không chỉ dừng lại ở việc chuyển đổi các bảng biểu báo cáo tĩnh thành 7 Dashboard trực quan, tương tác đa chiều mà còn cung cấp một bức tranh tài chính toàn diện, chuẩn xác về sự tăng trưởng vượt bậc của ABBANK giai đoạn 2018–2022 (Tổng tài sản đạt 130.161 tỷ đồng, lợi nhuận trước thuế đạt 1.686 tỷ đồng, hoàn thành xử lý nợ VAMC và nâng hệ số an toàn vốn CAR lên 11,6%).

Kết quả nghiên cứu khẳng định tiềm năng ứng dụng to lớn của công cụ Business Intelligence trong việc nâng cao năng lực cạnh tranh, tối ưu hóa chi phí vận hành và củng cố hệ thống quản trị rủi ro cho các định chế tài chính trong kỷ nguyên số. Đây là tiền đề vững chắc cho việc tiếp tục mở rộng mô hình phân tích dự báo và kiến tạo văn hóa ra quyết định dựa trên dữ liệu (Data-Driven Decision Making) trong ngành ngân hàng Việt Nam.