AI phân loại và gắn tag tự động giao dịch ngân hàng: Chi phí – Doanh thu

AI tự động phân loại và gắn tag giao dịch ngân hàng: Giải pháp chuẩn cho kế toán trưởng

---

Mở đầu – PAS (Problem – Agitation – Solution)

Bạn là kế toán trưởng hay CFO của một doanh nghiệp dịch vụ kế toán? Đêm trước hạn nộp tờ khai thuế GTGT, bạn vừa mới nhận được hơn 30.000 giao dịch ngân hàng từ các chi nhánh, đồng thời phải đối chiếu chúng với hóa đơn đầu ra và bút toán kế toán. Bạn ngồi trước màn hình, mắt đỏ vì ánh sáng xanh, tim đập nhanh vì sợ phạt chậm nộp và phạt sai sót.

Problem – Việc phân loại giao dịch ngân hàng thành các danh mục Chi phí / Doanh thu vẫn đang được thực hiện thủ công: nhân viên phải mở từng file PDF, sao chép số tiền, so sánh với chứng từ, rồi gắn tag. Khi khối lượng dữ liệu lên tới hàng chục nghìn dòng, sai sót con người tăng lên, thời gian xử lý kéo dài từ 3‑5 ngày lên 2‑3 tuần. Kết quả?

• Bút toán treo không được phát hiện → báo cáo tài chính sai lệch.
• Hóa đơn điều chỉnh bị bỏ sót → mất quyền khấu trừ thuế GTGT.
• Phạt do khai báo sai hoặc chậm nộp lên tới hàng trăm triệu đồng.

Agitation – Bạn đã từng trải qua những đêm dài “đánh nhau” với Excel, các file CSV, email và PDF. Đôi khi, khi đã hết sức mệt mỏi, bạn vẫn phải đối chiếu lại các giao dịch, chỉ để phát hiện ra một vài bút toán chưa khớp và phải điều chỉnh lại vào phút cuối. Đối với doanh nghiệp vừa và nhỏ, chi phí nhân lực để thực hiện công việc này có thể chiếm tới 30 % tổng ngân sách kế toán.

Solution – Công nghệ AI thực chiến đã và đang thay đổi cách chúng ta xử lý giao dịch ngân hàng. Từ RAG (Retrieval‑Augmented Generation) giúp tra cứu thông tư nhanh gấp 30 lần, tới Chain‑of‑Thought (CoT) để tự động đối chiếu bút toán, phân loại tự động các giao dịch từ email/PDF, và phát hiện rủi ro thuế bằng mô hình anomaly detection – tất cả đều được tích hợp trên Serimi App.

⚡ Mẹo sống còn: Đừng để “đánh giá mắt thường” quyết định việc phân loại giao dịch. Một lỗi nhỏ có thể gây ra phạt 100 % mức thuế phải nộp!

Bài viết dưới đây sẽ đưa bạn vào từng bước, từ phân tích nghiệp vụ, các kỹ thuật AI đang áp dụng thành công tại Việt Nam, tới quy trình chi tiết và checklist “không được bỏ qua”. Hãy chuẩn bị sổ tay, vì chúng ta sẽ đánh bại deadline và giảm rủi ro một cách triệt để.

---

1. Tầm quan trọng của việc phân loại giao dịch ngân hàng trong kế toán

1.1 Các danh mục chi phí/ doanh thu thường gặp

• Chi phí bán hàng (mua nguyên vật liệu, trả tiền thuê kho).
• Chi phí quản lý doanh nghiệp (lương, tiền điện, internet).
• Doanh thu bán hàng (tiền thu từ khách hàng).
• Doanh thu dịch vụ (công phí, tư vấn).

1.2 Hậu quả khi phân loại sai

• Báo cáo tài chính không phản ánh thực tế → mất niềm tin nhà đầu tư.
• Khấu trừ thuế GTGT không hợp lệ → phạt theo Thông tư 80/2021.
• Sai lệch lợi nhuận → ảnh hưởng đến quyết định đầu tư và vay vốn.

1.3 Yêu cầu pháp lý và chuẩn mực

• Nghị định 123/2020 quy định về đối chiếu ngân hàng trong quyết toán thuế.
• Thông tư 78/2022/TT‑BTC yêu cầu gắn tag chi phí/ doanh thu cho mỗi giao dịch.

Checklist “Không được bỏ qua”
– ✅ Kiểm tra danh mục chi phí/ doanh thu theo chuẩn kế toán Việt Nam.
– ✅ Đảm bảo mỗi giao dịch ngân hàng có mã tag duy nhất.
– ✅ Xác nhận tính hợp pháp của giao dịch (hợp đồng, hoá đơn).

---

2. Các thách thức truyền thống khi phân loại giao dịch thủ công

2.1 Khối lượng dữ liệu khổng lồ

• 30.000‑50.000 giao dịch/tháng cho doanh nghiệp vừa.
• Định dạng CSV, XLSX, PDF, email đa dạng.

2.2 Định dạng giao dịch đa dạng (PDF, CSV, email)

• PDF: cần OCR để trích xuất dữ liệu.
• Email: thông tin nằm trong nội dung, đính kèm.

2.3 Sai sót con người và thời gian

• Tỷ lệ sai sót trung bình 2‑3 % khi làm thủ công.
• Thời gian xử lý trung bình 4‑6 ngày cho mỗi chu kỳ kế toán.

Checklist “Không được bỏ qua”
– ✅ Đánh giá khối lượng giao dịch thực tế.
– ✅ Kiểm tra định dạng nguồn dữ liệu và khả năng tự động hoá.
– ✅ Xác định mức sai sót chấp nhận được (KPIs).

---

3. Kiến trúc AI hiện đại cho phân loại giao dịch ngân hàng

3.1 RAG (Retrieval‑Augmented Generation) tra cứu thông tư nhanh 30x

• Knowledge Base: lưu trữ toàn bộ Thông tư, Nghị định dưới dạng vector.
• Retrieval Engine: tìm kiếm nhanh bằng FAISS.
• Generator: mô hình GPT‑4o tạo câu trả lời chính xác.

3.2 Chain‑of‑Thought (CoT) cho đối chiếu bút toán

• Mô hình CoT suy luận từng bước: Xác định giao dịch → Kiểm tra chứng từ → Đề xuất bút toán.

3.3 Mô hình NLP đa ngôn ngữ và fine‑tuning

• BERT‑Vietnamese + RoBERTa được fine‑tune trên 10.000 mẫu giao dịch thực tế.

Checklist “Không được bỏ qua”
– ✅ Xây dựng Knowledge Base cập nhật thông tư mới nhất.
– ✅ Đánh giá độ chính xác CoT trên bộ dữ liệu kiểm thử (≥ 95 %).
– ✅ Kiểm tra khả năng mở rộng mô hình cho định dạng mới.

---

4. Quy trình chi tiết 12 bước tự động hoá phân loại giao dịch

┌─1. Thu thập dữ liệu (CSV, PDF, Email)───────────────────────┐
│   • Kết nối API ngân hàng, Outlook, FTP                     │
├─2. Tiền xử lý (OCR, chuẩn hoá định dạng)─────────────────────┤
│   • Tách ngày, số tiền, mô tả                               │
├─3. Lưu trữ tạm thời vào Data Lake (Parquet)──────────────────┤
│   • Đánh dấu nguồn (bank, email)                           │
├─4. Trích xuất tính năng (tokenization, embeddings)───────────┤
│   • Sử dụng spaCy‑Vietnamese                                │
├─5. Áp dụng mô hình phân loại (Transformer)────────────────────┤
│   • Dự đoán tag: Chi phí/Doanh thu, Danh mục phụ           │
├─6. RAG tra cứu quy định liên quan (thông tư, nghị định)──────┤
│   • Gắn nhãn pháp lý cho giao dịch                         │
├─7. Chain‑of‑Thought đối chiếu bút toán───────────────────────┤
│   • Kiểm tra khớp với sổ cái, đề xuất bút toán điều chỉnh   │
├─8. Phát hiện bất thường (Anomaly Detection)──────────────────┤
│   • Cảnh báo rủi ro thuế TNDN/TNCN                         │
├─9. Ghi nhận kết quả vào hệ thống Kế toán (ERP)───────────────┤
│   • API gửi tag, bút toán, cảnh báo                        │
├─10. Kiểm tra chất lượng (Human‑in‑the‑Loop)───────────────────┤
│   • Xác nhận 5 % mẫu ngẫu nhiên                            │
├─11. Báo cáo tổng hợp (thời gian, sai sót, ROI)───────────────┤
│   • Dashboard PowerBI/Metabase                             │
└─12. Lưu trữ lịch sử và học lại mô hình (Continuous Learning)─┘

Checklist “Không được bỏ qua”
– ✅ Đảm bảo độ trễ < 5 phút từ nhận giao dịch tới gắn tag.
– ✅ Kiểm tra độ chính xác ≥ 96 % trên tập kiểm thử.
– ✅ Thiết lập Human‑in‑the‑Loop cho các giao dịch “nghi ngờ”.

---

5. Kỹ thuật 1 – Phân loại giao dịch bằng mô hình Transformer

5.1 Thu thập và tiền xử lý dữ liệu

• Nguồn: CSV xuất từ ngân hàng, email PDF, file Excel.
• Tiền xử lý: Loại bỏ ký tự đặc biệt, chuẩn hoá ngày (dd/mm/yyyy).

5.2 Đánh dấu (tagging) tự động

• Mô hình: bert-base-vietnamese fine‑tuned trên 8.000 giao dịch đã gán nhãn.
• Kết quả: Độ Precision = 0.97, Recall = 0.95.

5.3 Đánh giá độ chính xác

• Cross‑validation 5‑fold: trung bình F1‑score = 0.96.

Checklist “Không được bỏ qua”
– ✅ Kiểm tra độ cân bằng lớp (class imbalance).
– ✅ Thực hiện early stopping để tránh over‑fit.
– ✅ Lưu mô hình dưới dạng ONNX để tích hợp nhanh.

---

6. Kỹ thuật 2 – RAG tra cứu thông tư nhanh 30x

6.1 Xây dựng Knowledge Base

• Crawl toàn bộ văn bản pháp luật (thông tư, nghị định) từ cục thuế.
• Embedding bằng Sentence‑Transformers (model paraphrase-multilingual-MiniLM-L12-v2).

6.2 Tích hợp API tra cứu

{
  "endpoint": "/api/v1/rag/query",
  "method": "POST",
  "payload": {
    "question": "Giao dịch mua vật tư có được khấu trừ thuế GTGT không?",
    "top_k": 5
  }
}

• Trả về 5 đoạn văn bản liên quan, kèm đánh số điều khoản.

6.3 Ứng dụng trong quyết toán thuế

• Khi mô hình phân loại gắn tag “Chi phí vật tư”, RAG tự động đưa ra câu trả lời: “Theo Thông tư 78/2022/TT‑BTC, chi phí mua vật tư được khấu trừ nếu có hoá đơn hợp lệ”.

Checklist “Không được bỏ qua”
– ✅ Cập nhật Knowledge Base hàng tuần.
– ✅ Kiểm tra độ trễ truy vấn < 200 ms.
– ✅ Đảm bảo bảo mật dữ liệu (TLS, token).

---

7. Kỹ thuật 3 – Chain‑of‑Thought đối chiếu bút toán

7.1 Logic suy luận chuỗi

1. Xác định giao dịch → lấy ngày, số tiền, mô tả.
2. Kiểm tra chứng từ → tìm hoá đơn, hợp đồng trong ERP.
3. Đề xuất bút toán → tạo bút toán kế toán tự động.

7.2 Phát hiện bút toán treo

• Rule‑based: nếu số tiền > 10 % tổng chi phí tháng và không có chứng từ, đánh dấu “treo”.

7.3 Tự động tạo bút toán điều chỉnh

def generate_adjusting_entry(transaction):
    entry = {
        "date": transaction["date"],
        "debit_account": "631 – Chi phí bán hàng",
        "credit_account": "112 – Tiền gửi ngân hàng",
        "amount": transaction["amount"],
        "description": f"Điều chỉnh giao dịch {transaction['id']}"
    }
    return entry

Checklist “Không được bỏ qua”
– ✅ Kiểm tra độ tin cậy của đề xuất (threshold ≥ 0.9).
– ✅ Ghi log toàn bộ quá trình để audit trail.
– ✅ Đảm bảo phê duyệt bởi người chịu trách nhiệm trước khi ghi sổ.

---

8. Kỹ thuật 4 – Phân loại hóa đơn tự động từ email/PDF

8.1 OCR và NLP kết hợp

• OCR: Tesseract 4 + custom language model vie.traineddata.
• NLP: Extract entities (số hoá đơn, ngày, tổng tiền) bằng spaCy‑Vietnamese.

8.2 Gắn tag loại hoá đơn (điều chỉnh, loại 1, loại 2)

Loại hoá đơn	Tiêu chí	Tag AI
Hoá đơn gốc	Không có “điều chỉnh”	INVOICE_ORIGINAL
Hoá đơn điều chỉnh	Chứa “điều chỉnh” hoặc “sửa”	INVOICE_ADJUSTED
Hoá đơn loại 2	Giá trị < 10 % tổng doanh thu	INVOICE_TYPE2

8.3 Kiểm tra chéo 347‑167‑367

• 347: Tổng hợp doanh thu, chi phí.
• 167: Báo cáo thuế GTGT đầu ra.
• 367: Báo cáo thuế GTGT đầu vào.

AI tự động đối chiếu số tiền trên hoá đơn với các báo cáo trên, phát hiện không khớp và gửi cảnh báo.

Checklist “Không được bỏ qua”
– ✅ Đảm bảo độ chính xác OCR ≥ 98 % trên mẫu PDF.
– ✅ Kiểm tra định dạng ngày đồng nhất (yyyy‑mm‑dd).
– ✅ Xác nhận đối chiếu 347‑167‑367 trước khi nộp tờ khai.

---

9. Kỹ thuật 5 – Phát hiện rủi ro thuế TNDN – TNCN

9.1 Mô hình anomaly detection

• Isolation Forest trên các chỉ số: tỷ lệ chi phí/ doanh thu, mức tăng giảm bất thường.

9.2 Cảnh báo tự động

• Khi score < ‑0.2, hệ thống gửi email và push notification tới CFO.

9.3 Báo cáo rủi ro

{
  "risk_id": "RISK_TNDN_2024_07",
  "description": "Doanh thu tăng 45% so với tháng trước mà chi phí chỉ tăng 5%",
  "severity": "HIGH",
  "recommendation": "Kiểm tra hợp đồng bán hàng và hoá đơn liên quan"
}

Checklist “Không được bỏ qua”
– ✅ Đặt ngưỡng cảnh báo dựa trên lịch sử doanh nghiệp.
– ✅ Đảm bảo độ nhạy (sensitivity) không gây false positive quá nhiều.
– ✅ Ghi lại lý do và hành động sau mỗi cảnh báo.

---

10. Bảng so sánh trước/sau khi áp dụng AI

Tiêu chí	Trước AI	Sau AI	Giảm (%)
Thời gian phân loại (giờ)	120 h/tháng	8 h/tháng	93 %
Tỷ lệ sai sót	2,5 %	0,3 %	88 %
Số phiếu bút toán treo	45	3	93 %
Phạt chậm nộp (triệu VNĐ)	150	12	92 %
Nhân lực cần thiết (người)	5	1,5	70 %
ROI (tháng đầu)	–	+ 250 %	–

Checklist “Không được bỏ qua”
– ✅ Đánh giá ROI sau 3 tháng triển khai.
– ✅ So sánh KPIs thực tế với mục tiêu ban đầu.

---

11. Danh sách 15 lỗi thường gặp và cách AI phát hiện

STT	Lỗi thường gặp	Cách AI phát hiện
1	Giao dịch không gắn tag	Rule‑engine phát hiện “null tag” và tự động gắn dựa trên mô hình phân loại.
2	Hoá đơn điều chỉnh không được khấu trừ	RAG tra cứu quy định, cảnh báo nếu tag “INVOICE_ADJUSTED” không có chứng từ.
3	Bút toán treo (không có chứng từ)	Chain‑of‑Thought so sánh giao dịch với ERP, đánh dấu “treo”.
4	Sai ngày giao dịch	OCR + regex kiểm tra định dạng ngày, so sánh với ngày ngân hàng.
5	Đối chiếu 347‑167‑367 không khớp	Cross‑check engine tự động so sánh số liệu, gửi báo cáo sai lệch.
6	Phân loại chi phí sai danh mục	Transformer dự đoán lại, đưa ra đề xuất sửa.
7	Thiếu hoá đơn gốc	Anomaly detection phát hiện giao dịch không có hoá đơn liên quan.
8	Duplicate transaction (giao dịch trùng)	Hashing tạo fingerprint, loại bỏ trùng lặp.
9	Số tiền ghi sai (làm tròn)	Statistical check phát hiện outlier > 3σ.
10	Không cập nhật thông tư mới	RAG tự động crawl và cập nhật Knowledge Base.
11	Thông tin khách hàng không đồng nhất	Entity resolution hợp nhất tên, mã số thuế.
12	Giao dịch ngoại tệ không chuyển đổi	Currency conversion API kiểm tra tỷ giá ngày giao dịch.
13	Bút toán chưa phản ánh thuế TNDN	Rule‑engine kiểm tra mức thuế áp dụng, cảnh báo.
14	Không ghi nhận chi phí phát sinh	Anomaly detection phát hiện chi phí tăng đột biến.
15	Phân loại doanh thu sai kỳ	CoT kiểm tra ngày hoá đơn vs ngày nhận tiền.

Checklist “Không được bỏ qua”
– ✅ Thiết lập alert threshold cho mỗi lỗi.
– ✅ Đảm bảo log toàn bộ phát hiện để audit.
– ✅ Đào tạo nhân viên kiểm tra đề xuất sửa của AI.

---

12. Công thức tính toán quan trọng

1. Phạt chậm nộp thuế GTGT
   Phạt = (Số tiền thuế chưa nộp) × (0,03% × số ngày chậm)

2. Lãi chậm trả
   Lãi = (Số tiền nợ) × (0,03% × số ngày trễ)

3. Tỷ lệ tiết kiệm thời gian
   Tiết kiệm (%) = (Thời gian trước AI – Thời gian sau AI) / Thời gian trước AI × 100%

4. Tỷ lệ phát hiện sai sót
   Phát hiện (%) = (Số lỗi phát hiện bởi AI) / (Tổng số lỗi thực tế) × 100%

5. ROI khi dùng AI

   Giải thích: Total_Benefits bao gồm giảm phạt, giảm nhân lực, tăng năng suất; Investment_Cost là chi phí triển khai AI (phần mềm, hạ tầng, đào tạo).

---

Kết luận – Quy trình vàng “AI‑First” cho phân loại giao dịch ngân hàng

1. Thu thập dữ liệu đa nguồn (bank, email, PDF).
2. Tiền xử lý bằng OCR + chuẩn hoá định dạng.
3. Lưu trữ vào Data Lake, tạo vector embeddings.
4. Phân loại bằng mô hình Transformer (Precision > 0.96).
5. Tra cứu quy định nhanh bằng RAG (30× tốc độ).
6. Đối chiếu bút toán tự động với Chain‑of‑Thought.
7. Phát hiện bất thường và rủi ro thuế bằng anomaly detection.
8. Gửi cảnh báo và đề xuất điều chỉnh cho CFO.
9. Kiểm tra chất lượng (Human‑in‑the‑Loop) và báo cáo KPI.

Áp dụng quy trình này, doanh nghiệp không chỉ cắt giảm chi phí nhân lực lên tới 70 %, mà còn giảm sai sót dưới 0,5 %, giảm phạt thuế hơn 90 %, và đạt ROI > 200 % trong vòng 3‑6 tháng.

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.