AI dự báo mức độ rủi ro nợ xấu theo từng phân khúc khách hàng - Kế Toán Tiết Kiệm

AI dự báo mức độ rủi ro nợ xấu theo từng phân khúc khách hàng – Clustering lịch sử thanh toán để giảm nợ xấu cho doanh nghiệp

Mở đầu – Khi “deadline” tờ khai và nợ xấu đồng thời đè bẹp

Bạn là kế toán trưởng hay CFO của một công ty dịch vụ kế toán? Bạn đã từng trải qua những đêm dài tới 3‑4 am khi phải đối chiếu công nợ không khớp, chuẩn bị tờ khai thuế GTGT gấp gáp và lo sợ phạt oan vì một khoản nợ xấu bất ngờ xuất hiện?

“Tôi đã mất hơn 200 triệu đồng do công nợ không được phân loại đúng – ngân hàng từ chối cấp tín dụng và chúng tôi phải trả lãi phạt chậm nộp.”

Đây là câu chuyện quen thuộc của rất nhiều doanh nghiệp Việt Nam. Nguyên nhân thường là phân tích khách hàng chưa sâu, dữ liệu thanh toán lẫn lộn và công cụ dự báo rủi ro còn dựa vào quy tắc tĩnh. Khi một khách hàng chuyển sang “đánh dấu đen” chỉ sau vài tháng trễ hạn, bộ phận tài chính không kịp phản ứng kịp thời → nợ xấu tăng vọt, ảnh hưởng tới dòng tiền và uy tín tín dụng.

Problem – Bạn đang chịu áp lực giảm nợ xấu nhưng lại thiếu công cụ định lượng rủi ro từng nhóm khách hàng.
Agitation – Mỗi lần trễ hạn kéo dài 30 ngày, lãi chậm trả tăng lên 2 %/tháng, cộng thêm phạt chậm nộp theo công thức quy định; nếu không phát hiện sớm, số tiền mất mát có thể lên tới hàng trăm triệu đồng trong một năm.
Solution – Áp dụng AI clustering khách hàng theo lịch sử thanh toán, sau đó gắn mô hình dự báo rủi ro riêng cho từng cụm để đánh giá mức độ rủi ro nợ xấu một cách chính xác, tự động cảnh báo và đề xuất hành động phòng ngừa.

Trong bài viết này chúng ta sẽ đi sâu vào phân tích nghiệp vụ, công nghệ AI thực chiến, và cung cấp quy trình chi tiết giúp bạn triển khai ngay trong môi trường kế toán‑thuế của mình.

1️⃣ Tổng quan về rủi ro nợ xấu và nhu cầu dự báo

1.1 Định nghĩa nợ xấu trong môi trường Việt Nam

Nợ xấu (Non‑Performing Loan – NPL) là khoản vay hoặc công nợ mà người vay không thực hiện thanh toán đầy đủ số tiền gốc hoặc lãi trong thời hạn quy định (thường >90 ngày). Đối với doanh nghiệp dịch vụ kế toán, nợ xấu còn bao gồm công nợ bán hàng chưa thu hồi sau thời gian đáo hạn hợp đồng dịch vụ.

1.2 Tác động tài chính và pháp lý

Tác động	Mô tả
Giảm dòng tiền	Lưu chuyển tiền mặt âm → khó trả lương, chi phí hoạt động
Phạt chậm trả	Theo Thông tư 80/2021 – Phạt = lãi chậm trả + phạt trễ hạn
Rủi ro tín dụng	Ngân hàng giảm hạn mức tín dụng hoặc yêu cầu bảo lãnh
Uy tín thương hiệu	Khách hàng mới ngần ngại ký hợp đồng

1.3 Giới hạn của phương pháp truyền thống

Dựa vào ngưỡng cố định (ví dụ: “công nợ > 30 triệu → rủi ro cao”) → không phản ánh tính đa chiều của khách hàng.
Thiếu khả năng phát hiện sớm các xu hướng trễ hạn dần dần trong cùng một nhóm khách hàng.
Không tích hợp dữ liệu phi cấu trúc (email nhắc nhở, hợp đồng PDF).

Mẹo sống còn: Trước khi áp dụng bất kỳ mô hình AI nào, hãy chắc chắn rằng dữ liệu lịch sử thanh toán đã được làm sạch ít nhất 95 % để tránh “nhiễu” trong quá trình clustering.

2️⃣ Dữ liệu cần thiết cho mô hình AI

2.1 Lịch sử thanh toán (phiếu thu/chi)

Ngày giao dịch, số tiền, mã KH, mã HD, trạng thái (đã thanh toán / chưa).
Định dạng CSV/Excel hoặc kết nối trực tiếp tới ERP (SAP Business One, Odoo).

2.2 Thông tin khách hàng

Trường	Mô tả
Mã KH	Khóa chính duy nhất
Ngành nghề	Dịch vụ tài chính, bán lẻ…
Địa chỉ	Thành phố / tỉnh
Thời gian hợp tác	Số tháng kể từ ngày ký

2‑3 Các chỉ số tài chính phụ trợ

DSO (Days Sales Outstanding) = Tổng công nợ / Doanh thu trung bình ngày × 100%
Aging buckets – Phân chia công nợ thành các khoảng thời gian: 0‑30 ngày, 31‑60 ngày…

2‑4 Dữ liệu phi cấu trúc

Email nhắc nhở thanh toán → NLP trích xuất ngày hẹn trả tiền.
Hợp đồng PDF → OCR + Entity Extraction lấy điều khoản trả góp.

3️⃣ Kỹ thuật Clustering khách hàng – Cách thực hiện

3️⃣1 Tiền xử lý dữ liệu (chuẩn hoá & mã hoá)

import pandas as pd
from sklearn.preprocessing import StandardScaler, OneHotEncoder

# Đọc file lịch sử thanh toán
df = pd.read_excel('payment_history.xlsx')

# Chuẩn hoá các biến số lượng (số tiền)
scaler = StandardScaler()
df[['amount']] = scaler.fit_transform(df[['amount']])

# Mã hoá biến danh mục (ngành nghề)
enc = OneHotEncoder(sparse=False)
industry_onehot = enc.fit_transform(df[['industry']])

3️⃣2 Thuật toán Clustering phổ biến

Thuật toán	Ưu điểm	Nhược điểm
K‑Means	Nhanh, dễ hiểu	Cần xác định số cụm trước
DBSCAN	Phát hiện cụm dạng bất kỳ & nhiễu	Đòi hỏi tham số eps/chỉ số minPts
Hierarchical	Cây dendrogram giúp quyết định số cụm	Tốn bộ nhớ với dữ liệu lớn

3️⃣3 Đánh giá chất lượng cụm

Silhouette Score – đo độ tương đồng nội bộ vs ngoại vi; giá trị > 0.5 là tốt.
Davies‑Bouldin Index – giá trị thấp hơn nghĩa là các cụm tách biệt hơn.

from sklearn.metrics import silhouette_score, davies_bouldin_score

sil_score = silhouette_score(X_scaled, labels_kmeans)
db_score = davies_bouldin_score(X_scaled, labels_kmeans)

3️⃣4 Ví dụ thực tế bằng Python (K‑Means)

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=5, random_state=42)
labels = kmeans.fit_predict(X_scaled)

df['cluster_id'] = labels
print(df.groupby('cluster_id')['amount'].describe())

Checklist “Không được bỏ qua” khi clustering:
– ✅ Kiểm tra missing value & outlier trước khi chuẩn hoá
– ✅ Thử ít nhất 2 thuật toán khác nhau để so sánh Silhouette
– ✅ Ghi lại seed ngẫu nhiên để tái tạo kết quả

4️⃣ Xây dựng mô hình dự báo rủi ro nợ xấu cho từng cụm

4️⃣1 Chọn mô hình dự báo

Mô hình	Đặc điểm	Khi dùng
XGBoost	Gradient boosting mạnh mẽ; xử lý dữ liệu thiếu tốt	Dữ liệu có nhiều biến categorical & numeric
LightGBM	Tốc độ nhanh hơn XGBoost; hỗ trợ large‑scale data	Khi dataset > 1 triệu bản ghi
Neural Network (MLP)	Khả năng học phi tuyến cao	Khi có đủ GPU & dữ liệu phong phú

4️⃣2 Đánh giá mô hình

AUC‑ROC – đo khả năng phân biệt giữa “rủi ro cao” và “rủi ro thấp”.
Recall@K – tỷ lệ phát hiện đúng các khách hàng có nguy cơ nộp chậm trong top K dự đoán.

from sklearn.metrics import roc_auc_score, recall_score

auc = roc_auc_score(y_true, y_pred_proba)
recall_k = recall_score(y_true[y_pred_proba.rank(method='first') <= K], y_pred_proba[y_pred_proba.rank(method='first') <= K])

4️⃣3 Tích hợp với hệ thống ERP

1️⃣ Export model dưới dạng pickle hoặc ONNX.
2️⃣ Deploy trên server nội bộ hoặc cloud Azure/AWS Lambda.
3️⃣ API endpoint /predict-risk nhận JSON chứa thông tin KH & lịch sử thanh toán → trả về risk_score từ 0‑100%.

Mẹo: Sử dụng FastAPI để tạo API nhanh chóng; kết hợp với uvicorn chạy dưới Docker để dễ dàng mở rộng.

5️⃣ Các kỹ thuật AI thực chiến đang áp dụng thành công tại Việt Nam

5️⃣1 RAG (Retrieval‑Augmented Generation) tra cứu thông tư nhanh hơn 30 lần

RAG kết hợp tìm kiếm tài liệu nội bộ + mô hình ngôn ngữ GPT để trả lời câu hỏi “Theo Thông tư nào …?”. Thời gian truy xuất giảm từ ~90 giây xuống còn < 3 giây → giúp kế toán nhanh chóng kiểm tra quy định liên quan đến nợ xấu.

5️⃣2 Chain‑of‑Thought đối chiếu bút toán tự động

Mô hình LLM được huấn luyện “chain‑of‑thought” để giải thích từng bước so sánh bút toán ngân sách vs thực tế; giảm lỗi đối chiếu xuống < 0.5 %.

5️⃣3 Phân loại hóa đơn tự động từ email/PDF

Sử dụng OCR kết hợp CNN để nhận dạng loại hóa đơn (đầu vào/đầu ra), tự động gắn tag vào hệ thống ERP → giảm thời gian nhập thủ công từ 12 giờ xuống còn < 30 phút.

5️⃣4 Phát hiện hóa đơn điều chỉnh bị bỏ sót

Mô hình anomaly detection dựa trên Isolation Forest phát hiện các PDF không có mã số điều chỉnh nhưng chứa từ “điều chỉnh”, cảnh báo ngay lập tức.

5️⃣5 Kiểm tra chéo 347‑167‑367 bằng AI

Bot RPA + NLP tự động tải dữ liệu từ các tờ khai thuế điện tử và so sánh với sổ sách kế toán; tỷ lệ sai lệch giảm từ 15 % → < 1 %.

5️⃣6 Phát hiện rủi ro thuế TNDN – TNCN qua phân tích dòng tiền

Sử dụng Time‑Series forecasting (Prophet) để dự đoán dòng tiền tháng tới; nếu xu hướng giảm mạnh đồng thời có mức phí thuế cao → hệ thống cảnh báo khả năng vi phạm quy định thuế thu nhập doanh nghiệp.

6️⃣ Bảng so sánh trước/sau khi áp dụng AI

KPI	Trước AI	Sau AI (6 tháng)	Tiết kiệm (%)
Thời gian xử lý clustering & dự báo	~8 giờ/ngày	~45 phút/ngày	> 90%
Tỷ lệ sai sót phân loại khách hàng	12 %	1.8 %	> 85%
Số khoản nợ xấu mới phát sinh	45 khoản/tháng	12 khoản/tháng	> 70%
Phạt chậm trả trung bình / tháng	~150 triệu VNĐ	~35 triệu VNĐ	> 75%
Nhân sự cần thiết cho công tác kiểm soát	4 người fulltime	1 người part‑time + AI bot	> 70%

7️⃣ Quy trình chi tiết triển khai AI dự báo rủi ro nợ xấu (10 bước)

+-------------------+      +--------------------+      +-------------------+
|   Bước 1: Thu thập    │──►│ Bước 2: Làm sạch dữ liệu │──►│ Bước 3: Tiền xử lý │
+-------------------+      +--------------------+      +-------------------+
        │                         │                         │
        ▼                         ▼                         ▼
+-------------------+      +--------------------+      +-------------------+
│ Bước 4: Feature    │──►│ Bước 5: Clustering    │──►│ Bước 6: Gán nhãn │
│ engineering       │      │ khách hàng          │      │ cụm            │
+-------------------+      +--------------------+      +-------------------+
        │                         │                         │
        ▼                         ▼                         ▼
+-------------------+      +--------------------+      +-------------------+
│ Bước 7: Xây dựng    │──►│ Bước 8: Đánh giá mô hình│──►│ Bước 9: Triển khai│
│ mô hình dự báo    │      │               │      │ API & Dashboard│
+-------------------+      +--------------------+      +-------------------+
        │                         │                         │
        ▼                         ▼                         ▼
                     +---------------------------------------+
                     │ Bước 10: Giám sát & Cải tiến liên tục│
                     +---------------------------------------+

Mô tả nhanh các bước:

1️⃣ Thu thập toàn bộ dữ liệu thanh toán từ ERP & email.
2️⃣ Loại bỏ bản ghi trùng lặp & điền missing value.
3️⃣ Chuẩn hoá số tiền, mã hoá ngành nghề.
4️⃣ Tạo các feature như DSO, aging bucket.
5️⃣ Áp dụng K‑Means/DBSCAN để chia nhóm.
6️⃣ Gán ID cụm cho mỗi KH.
7️⃣ Huấn luyện mô hình XGBoost trên từng cụm.
8️⃣ Kiểm tra AUC ≥ 0.85 và Recall@50 ≥ 0.90.
9️⃣ Deploy API trên server nội bộ.
🔟 Thiết lập dashboard PowerBI/Metabase để giám sát risk score hằng ngày.

Checklist “Không được bỏ qua” cuối quy trình:
– ✅ Kiểm tra tính ổn định của seed trong clustering
– ✅ Lưu lại version model & dataset dùng MLflow
– ✅ Thiết lập alert email khi risk_score > 80%

8️⃣ Danh sách lỗi quan trọng thường gặp & cách AI phát hiện tự động

Mẹo sống còn: Khi phát hiện lỗi #4 “trùng lặp phiếu thu”, hãy bật chế độ “auto‑merge” sau khi xác nhận bởi người dùng để tránh double counting.

## 9️⃣ Công thức tính toán quan trọng

1️⃣ Phạt chậm nộp theo Thông tư 80/2021

Phạt = Số tiền chịu phạt × % mức phạt × số ngày trễ /30

2️⃣ Lãi chậm trả

Lãi = Số tiền gốc × lãi suất % × số ngày trễ /365

3️⃣ Tỷ lệ tiết kiệm thời gian nhờ AI

Tiết kiệm (%) = ((Thời gian truyền thống – Thời gian AI) ÷ Thời gian truyền thống) × 100%

4️⃣ Tỷ lệ phát hiện sai sót

Phát hiện (%) = (Số lỗi được AI phát hiện ÷ Tổng số lỗi thực tế) × 100%

5️⃣ ROI khi dùng AI (LaTeX)

Giải thích: Total_Benefits bao gồm tiết kiệm nhân sự (+phí nhân viên), giảm phạt (+tiền phạt tránh được), tăng doanh thu nhờ cải thiện uy tín; Investment_Cost là chi phí triển khai hạ tầng AI và licencing phần mềm.

🔟 Kết luận – Quy trình vàng giảm nợ xấu bằng AI

1️⃣ Thu thập & làm sạch dữ liệu thanh toán toàn diện.
2️⃣ Tiền xử lý chuẩn hoá & mã hoá các biến danh mục.
3️⃣ Áp dụng clustering đa thuật toán → xác định cụm khách hàng tiềm năng rủi ro.
4️⃣ Huấn luyện mô hình dự báo riêng cho mỗi cụm bằng XGBoost/LightGBM.
5️⃣ Triển khai API tự động cảnh báo risk_score > 80% qua email/SMS.
6️⃣ Theo dõi KPI qua dashboard real‑time; cải tiến model mỗi quý.

Áp dụng quy trình này sẽ giúp bạn:
* Giảm thời gian phân tích từ ngày sang giờ.
* Giảm tỷ lệ sai sót lên tới < 2%.
* Tiết kiệm chi phí phạt thuế và lãi chậm trả lên đến > 70%.

Serimi App đã tích hợp sẵn toàn bộ chuỗi giải pháp trên — từ RAG tra cứu thông tư tới clustering tự động và dashboard risk score—cho phép doanh nghiệp Việt Nam triển khai chỉ trong vài tuần mà không cần đội ngũ data scientist chuyên sâu.

Tất cả các giải pháp AI thực chiến trên đã được tích hợp sẵn và tối ưu cho doanh nghiệp Việt Nam trên nền tảng Serimi App. Đăng ký dùng thử miễn phí ngay hôm nay để trải nghiệm quy trình tự động hoàn toàn cho riêng nghiệp vụ của bạn.

Trợ lý AI của KTTK
Bài viết được hướng dẫn chi tiết bởi chuyên gia, nội dung do AI hỗ trợ tạo tự động.