Mô hình Survival Analysis: Dự báo thời gian thu hồi công nợ và ước tính xác suất thanh toán theo mốc thời gian

Cách dùng AI dự báo thời gian thu hồi công nợ – Ước tính xác suất thanh toán từng mốc thời gian, giảm rủi ro nợ xấu tới 70%

---

Mở đầu (400‑600 từ)

Bạn là kế toán trưởng hay CFO, đã từng trải qua những đêm dài “đánh giá lại” danh sách công nợ, nhìn vào hàng chục, hàng trăm khách hàng chưa thanh toán và lo sợ ngày cuối kỳ sẽ bị “đánh bại” bởi các khoản nợ xấu?
Bạn đã từng phải:

• Đối chiếu công nợ tới 3h sáng mà vẫn còn “các bút toán treo” không khớp, khiến báo cáo tài chính bị trễ và phải giải trình trước Ban giám đốc.
• Nhận được thông báo phạt chậm nộp thuế vì doanh thu chưa được công nhận kịp thời do công nợ chưa thu hồi.
• Chi phí thu hồi công nợ lên tới 5‑10% doanh thu chỉ vì không biết khách hàng sẽ trả tiền khi nào, phải gọi điện, gửi email, thậm chí thuê công ty thu hồi nợ.

Bạn không muốn nữa phải “đánh cược” vào cảm tính, dựa vào kinh nghiệm cá nhân hay các quy tắc “cũ kỹ” như “khách hàng trả trong 30 ngày”. Thực tế, công nợ không phải một khối đồng nhất – mỗi khách hàng, mỗi hoá đơn, mỗi ngành nghề, mỗi thời kỳ kinh tế đều có “đường sống” riêng.

Survival Analysis – một kỹ thuật thống kê được dùng rộng rãi trong y học để dự đoán thời gian sống – giờ đã được “đánh bóng” bằng AI và áp dụng vào dự báo thời gian thu hồi công nợ. Thay vì chỉ biết “có trả hay không”, mô hình còn cho xác suất thanh toán ở mỗi mốc thời gian (7 ngày, 15 ngày, 30 ngày, …). Nhờ đó, bạn có thể:

• Ưu tiên thu hồi những khoản có xác suất trả thấp nhất trong thời gian ngắn.
• Tự động lên lịch nhắc nợ dựa trên xác suất, giảm tối đa chi phí nhân lực.
• Dự báo dòng tiền chính xác hơn, tránh tình trạng “đổ tiền vào tài khoản ngân hàng nhưng không có doanh thu thực tế”.

Bài viết dưới đây sẽ đưa bạn từ A‑Z cách thu thập dữ liệu, tiền xử lý, xây dựng mô hình Survival Analysis bằng AI, triển khai trong hệ thống kế toán, và cuối cùng là đánh giá ROI khi áp dụng. Tất cả đều dựa trên thực tiễn các doanh nghiệp dịch vụ kế toán tại Việt Nam, với các kỹ thuật AI hiện đại như RAG, Chain‑of‑Thought, và tự động phân loại hoá đơn từ email/PDF. Hãy chuẩn bị sẵn sàng, vì bước tiếp theo sẽ thay đổi cách bạn quản lý công nợ mãi mãi! ⚡

---

1. Tổng quan về Survival Analysis trong thu hồi công nợ

1.1 Survival Analysis là gì?

Survival Analysis (phân tích thời gian sống) là phương pháp thống kê mô hình hoá thời gian tới một sự kiện (ở đây là “thanh toán”) và tính xác suất sống (không thanh toán) tại mỗi thời điểm.

1.2 Vì sao phù hợp với nghiệp vụ công nợ?

• Công nợ là sự kiện “chưa xảy ra” cho tới khi khách hàng trả tiền.
• Có thể xử lý dữ liệu censored – những khoản chưa thanh toán tới thời điểm hiện tại (được xem là “censored”).
• Cung cấp hàm nguy cơ (hazard function) giúp xác định mức độ rủi ro trả chậm ở từng thời điểm.

1.3 Các mô hình Survival phổ biến trong AI

Mô hình	Đặc điểm	Ứng dụng thực tiễn tại VN
Cox Proportional Hazards	Giả định tỷ lệ nguy cơ tỉ lệ thuận với các biến độc lập	Dự báo thời gian thu hồi cho khách hàng B2B lớn
Random Survival Forest	Xây dựng cây quyết định cho dữ liệu không tuyến tính	Phân đoạn nhóm khách hàng dựa trên lịch sử thanh toán
DeepSurv (Mạng nơ-ron)	Học sâu, tự động trích xuất đặc trưng	Kết hợp với RAG để tra cứu thông tư nhanh hơn 30×

Mẹo sống còn: Khi dữ liệu có nhiều “censored” (công nợ chưa trả), Random Survival Forest thường ổn định hơn Cox, vì không yêu cầu giả định tỷ lệ nguy cơ cố định.

Checklist “Không được bỏ qua”

• ✅ Xác định rõ “sự kiện” (thanh toán) và “censored” (chưa thanh toán).
• ✅ Thu thập thời gian bắt đầu (ngày phát hành hoá đơn) và thời gian kết thúc (ngày thanh toán thực tế).
• ✅ Kiểm tra tỷ lệ censored > 30% để chọn mô hình phù hợp.

---

2. Dữ liệu cần thiết cho mô hình

2.1 Các nguồn dữ liệu nội bộ

Dữ liệu	Mô tả	Trường quan trọng
Hoá đơn điện tử (e‑invoice)	Thông tin hoá đơn, ngày phát hành, số tiền	invoice_id, issue_date, amount, tax_code
Bảng công nợ (AR)	Ngày đến hạn, ngày thanh toán, trạng thái	due_date, payment_date, status
Lịch sử giao dịch ngân hàng	Ngày ghi nhận thanh toán	bank_ref, transfer_date, amount
Thông tin khách hàng	Ngành, quy mô, thời gian hợp tác	customer_id, industry, tenure

2.2 Dữ liệu ngoại vi (để tăng độ chính xác)

• Chỉ số kinh tế vĩ mô: lãi suất, CPI, GDP growth.
• Thông tư, nghị định: thay đổi quy định thuế (RAG tra cứu nhanh).
• Dữ liệu thời tiết, lễ hội: ảnh hưởng đến ngành bán lẻ, du lịch.

2.3 Định dạng chuẩn cho AI

• CSV/Parquet cho batch training.
• JSON cho API realtime dự báo.
• Schema:

{
  "invoice_id": "string",
  "customer_id": "string",
  "issue_date": "date",
  "due_date": "date",
  "payment_date": "date|null",
  "amount": "float",
  "industry": "string",
  "tenure_months": "int",
  "censored": "bool"
}

Checklist “Không được bỏ qua”

• ✅ Đảm bảo định dạng ngày thống nhất (ISO 8601).
• ✅ Kiểm tra missing values trên payment_date → đánh dấu censored.
• ✅ Xác thực độ chính xác của số tiền (không có sai lệch > 0.5%).

---

3. Tiền xử lý dữ liệu (Data Pre‑processing)

3.1 Xử lý missing và outlier

• Missing payment_date → gán censored = true.
• Outlier amount > 3× IQR → kiểm tra lại hoá đơn điều chỉnh (loại 2).

3.2 Feature engineering

Feature	Công thức	Ý nghĩa
days_to_due	due_date - issue_date	Thời gian thanh toán tiêu chuẩn.
days_overdue	payment_date - due_date (nếu có)	Độ trễ thực tế.
customer_tenure	today - first_invoice_date	Độ tin cậy của khách hàng.
industry_risk_score	avg(days_overdue) per industry	Rủi ro ngành.
macro_econ_factor	CPI_change * GDP_growth	Ảnh hưởng kinh tế vĩ mô.

3.3 Mã hoá categorical

• One‑hot cho industry (có ≤ 15 ngành).
• Target encoding cho customer_id (độ tin cậy dựa trên lịch sử).

3.4 Chuẩn hoá (Scaling)

• StandardScaler cho amount, days_to_due, customer_tenure.

Checklist “Không được bỏ qua”

• ✅ Loại bỏ duplicate invoice_id.
• ✅ Kiểm tra độ đồng nhất giữa invoice và payment (số tiền khớp).
• ✅ Lưu pipeline (sklearn Pipeline) để tái sử dụng trong production.

---

4. Xây dựng mô hình Survival Analysis bằng AI

4.1 Lựa chọn mô hình

Mô hình	Khi nào dùng	Ưu điểm
Cox PH	Dữ liệu tuyến tính, ít biến	Giải thích dễ dàng (hazard ratios).
Random Survival Forest	Dữ liệu phi tuyến, nhiều biến	Xử lý tốt censored, không cần giả định.
DeepSurv (Neural Network)	Dữ liệu lớn, muốn tự động trích xuất feature	Hiệu suất cao, tích hợp RAG để tra cứu quy định.

4.2 Cài đặt Random Survival Forest (Python)

from sksurv.ensemble import RandomSurvivalForest
from sksurv.util import Surv

# Chuẩn bị dữ liệu
X = df.drop(columns=['payment_date','censored'])
y = Surv.from_arrays(event=~df['censored'], time=df['time_to_event'])

rsf = RandomSurvivalForest(n_estimators=200,
                           min_samples_split=10,
                           min_samples_leaf=5,
                           random_state=42)
rsf.fit(X, y)

4.3 Tích hợp RAG (Retrieval‑Augmented Generation) để tra cứu thông tư

1. Lưu trữ toàn bộ văn bản Thông tư 80/2021, Nghị định 123/2020 trong vector DB (FAISS).
2. Khi mô hình dự báo, prompt: “Theo quy định hiện hành, thời hạn nộp thuế GTGT là bao nhiêu?” → RAG trả lời nhanh hơn 30×.

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

Bước 1: Xác định hoá đơn cần đối chiếu → lấy invoice_id.  
Bước 2: Tìm bút toán tương ứng trong sổ kế toán → so sánh số tiền.  
Bước 3: Nếu chênh lệch > 0.5% → đánh dấu “bút toán treo”.  
Bước 4: Gửi cảnh báo tự động cho kế toán trưởng.

Checklist “Không được bỏ qua”

• ✅ Kiểm tra công suất GPU (DeepSurv cần ít nhất 8GB).
• ✅ Đánh giá c-index > 0.70 để mô hình đủ tin cậy.
• ✅ Lưu model artifact (pickle, ONNX) để triển khai.

---

5. Đánh giá mô hình và đo lường hiệu quả

5.1 Các chỉ số quan trọng

Chỉ số	Công thức (Tiếng Việt)	Giải thích
C‑index	C‑index = (Số cặp đúng thứ tự) / (Tổng số cặp có thể)	Đánh giá khả năng sắp xếp đúng thứ tự thời gian.
Brier Score	Brier = trung bình[(sự kiện thực – xác suất dự báo)²]	Đánh giá độ chính xác dự báo xác suất.
AUC‑time	AUC‑time = diện tích dưới đường ROC tại thời điểm t	Đánh giá khả năng phân biệt “trả” vs “không trả” tại mỗi mốc.

5.2 Kết quả thực tế (đối chiếu 3 tháng)

Thời gian	C‑index	Brier Score	AUC‑30 ngày
Trước AI	0.62	0.21	0.68
Sau AI (RSF)	0.78	0.12	0.85
Sau AI (DeepSurv)	0.81	0.10	0.88

Mẹo sống còn: Khi C‑index > 0.75, mô hình đủ mạnh để đưa ra quyết định thu hồi tự động.

Checklist “Không được bỏ qua”

• ✅ Kiểm tra over‑fitting bằng cross‑validation (k‑fold = 5).
• ✅ Đánh giá calibration plot để chắc chắn xác suất dự báo không lệch.
• ✅ Lưu log chi tiết để audit sau này.

---

6. Triển khai AI trong hệ thống kế toán (ERP)

6.1 Kiến trúc tổng quan

+-------------------+      +-------------------+      +-------------------+
|   Data Lake (S3)  | ---> |   Feature Store   | ---> |   Model Server    |
+-------------------+      +-------------------+      +-------------------+
        ^                         ^                         ^
        |                         |                         |
   ETL jobs                 Batch scoring            API realtime
        |                         |                         |
+-------------------+      +-------------------+      +-------------------+
|   ERP/Kế toán      | <--- |   Dashboard UI    | <--- |   Notification Bot |
+-------------------+      +-------------------+      +-------------------+

6.2 Batch scoring (đánh giá công nợ hàng ngày)

• Cron job chạy lúc 02:00 mỗi ngày, lấy dữ liệu công nợ mới, tính time_to_event, đưa vào model, lưu probability_7d, probability_30d vào bảng ar_forecast.

6.3 Realtime scoring (khi tạo hoá đơn mới)

• API endpoint /predict_survival nhận JSON hoá đơn, trả về xác suất thanh toán 7/15/30 ngày.
• Kết quả được gắn thẻ trong ERP, hiển thị màu:
  • Xanh: xác suất > 80% (an toàn).
  • Vàng: 50‑80% (cần nhắc nhở).
  • Đỏ: < 50% (đánh dấu rủi ro).

6.4 Tự động nhắc nợ thông minh

• Rule engine: nếu probability_7d < 40% → gửi email + SMS ngay.
• Machine‑learning scheduler: tối ưu thời gian gửi dựa trên lịch sử mở email.

Checklist “Không được bỏ qua”

• ✅ Đảm bảo độ trễ API < 200ms để không làm chậm quy trình tạo hoá đơn.
• ✅ Kiểm tra log audit cho mọi thay đổi dự báo.
• ✅ Đặt fallback: nếu model không trả về, dùng rule truyền thống.

---

7. Kỹ thuật AI thực chiến đang áp dụng thành công tại Việt Nam

Kỹ thuật	Ứng dụng	Lợi ích thực tế
RAG (Retrieval‑Augmented Generation)	Tra cứu nhanh Thông tư 80/2021, Nghị định 123/2020	Tìm kiếm thông tin nhanh hơn 30×, giảm thời gian giải đáp câu hỏi nội bộ.
Chain‑of‑Thought (CoT)	Đối chiếu bút toán tự động	Giảm lỗi “bút toán treo” tới 95%, giảm thời gian kiểm tra 4‑6 giờ → 30 phút.
Phân loại hoá đơn tự động từ email/PDF	OCR + NLP để trích xuất dữ liệu hoá đơn	Xử lý 10.000 hoá đơn/tháng, giảm công sức nhập liệu 80%.
Phát hiện hoá đơn điều chỉnh bị bỏ sót	Mô hình anomaly detection trên metadata	Phát hiện 98% hoá đơn điều chỉnh loại 2 bị bỏ qua, tránh phạt 15% thuế GTGT.
Kiểm tra chéo 347‑167‑367	So sánh dữ liệu thuế GTGT, TNDN, TNCN	Giảm sai lệch báo cáo thuế 70%, tránh phạt thêm.
Phát hiện rủi ro thuế TNDN – TNCN	Mô hình classification dựa trên hành vi khai báo	Dự báo rủi ro tăng 30% so với phương pháp truyền thống.
DeepSurv + RAG	Dự báo thời gian thu hồi + tra cứu quy định	Tăng độ chính xác dự báo 12%, giảm thời gian xử lý 40%.
AutoML cho Survival	Tự động chọn mô hình, siêu tham số	Đạt C‑index 0.82 chỉ trong 2 giờ training.
Explainable AI (SHAP) cho Survival	Giải thích yếu tố ảnh hưởng tới rủi ro	Giúp CFO hiểu “khách hàng X có xác suất trả thấp vì …”.

---

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

Tiêu chí	Trước AI	Sau AI (Survival + RAG)	Giảm (%)
Thời gian xử lý công nợ (trong 1 tháng)	180 giờ	45 giờ	75%
Tỷ lệ sai sót nhập liệu	4.2%	0.3%	93%
Số khoản nợ xấu (>90 ngày)	120	42	65%
Phạt thuế do chậm nộp	150 triệu VNĐ	45 triệu VNĐ	70%
Nhân sự cần cho công nợ	5 người	2 người	60%
ROI (6 tháng)	–	215%	–

Mẹo sống còn: Khi ROI > 150% trong 6 tháng, dự án AI thu hồi công nợ được coi là “đầu tư chiến lược”.

---

9. Quy trình chi tiết 12‑15 bước (text‑art)

+-------------------+   1. Thu thập dữ liệu hoá đơn (ERP)
|   ERP/Kế toán      |   2. Đồng bộ hoá đơn vào Data Lake
+-------------------+   3. Tiền xử lý: missing, outlier
        |               4. Feature engineering (days_to_due,…)
        v               5. Mã hoá categorical, scaling
+-------------------+   6. Chia dữ liệu train/validation
|   Feature Store   |   7. Huấn luyện mô hình Survival (RSF/DeepSurv)
+-------------------+   8. Đánh giá C‑index, Brier, Calibration
        |               9. Lưu model (pickle/ONNX)
        v              10. Deploy model server (REST API)
+-------------------+  11. Batch scoring mỗi ngày → ar_forecast
|   Model Server    |  12. Real‑time scoring khi tạo hoá đơn mới
+-------------------+  13. Rule engine: nhắc nợ tự động
        |               14. Dashboard hiển thị màu rủi ro
        v               15. Giám sát, retrain hàng tháng
+-------------------+
|   Notification Bot|
+-------------------+

---

10. Checklist “Không được bỏ qua” & 12‑20 lỗi thường gặp

10.1 Lỗi thường gặp trong nghiệp vụ công nợ

STT	Lỗi	Cách AI phát hiện & cảnh báo
1	Hoá đơn điều chỉnh loại 2 bị bỏ sót	Mô hình anomaly detection trên metadata hoá đơn.
2	Bút toán treo	Chain‑of‑Thought tự động so sánh invoice vs bút toán.
3	Số tiền hoá đơn không khớp với thanh toán	Kiểm tra tolerance 0.5% → cảnh báo.
4	Ngày đến hạn sai (do lỗi nhập ngày)	RAG tra cứu quy định, so sánh với due_date.
5	Duplicate invoice	Hash checksum trên nội dung PDF, phát hiện trùng.
6	Censored data không đánh dấu	Kiểm tra payment_date null → tự động gán censored.
7	Sai lệch tỷ lệ VAT	Kiểm tra công thức VAT = amount * 0.1.
8	Khách hàng chuyển khoản sai tài khoản	So sánh bank_ref với customer_id.
9	Thời gian thanh toán vượt quá 90 ngày	Survival model dự báo rủi ro, gửi cảnh báo.
10	Không cập nhật thông tư mới	RAG tự động cập nhật nội dung mới mỗi tuần.
11	Lỗi tính lãi chậm trả	Công thức tự động tính lãi dựa trên interest_rate.
12	Phân đoạn khách hàng không chính xác	Target encoding + SHAP giải thích.
13	Quá tải API khi tạo hoá đơn	Rate‑limit + fallback rule.
14	Mất dữ liệu khi backup	Kiểm tra checksum sau backup.
15	Không có audit log	Log mọi request/response model.
16	Model drift	Retrain mỗi 30 ngày, so sánh C‑index.
17	Không chuẩn hoá dữ liệu	Pipeline chuẩn hoá luôn chạy.
18	Thiếu tính năng đa ngôn ngữ	RAG hỗ trợ tiếng Anh & tiếng Việt.
19	Không hỗ trợ mobile	API chuẩn REST, tích hợp vào app.
20	Không có báo cáo KPI	Dashboard tự động cập nhật KPI.

10.2 Checklist cuối mỗi mục lớn

• ✅ Kiểm tra độ đầy đủ dữ liệu (không missing).
• ✅ Xác nhận định dạng ngày chuẩn ISO.
• ✅ Đánh giá c-index > 0.75 trước khi đưa vào production.
• ✅ Đảm bảo log audit đầy đủ.
• ✅ Thiết lập alert cho mọi lỗi phát hiện.

---

11. Công thức tính toán quan trọng

Công thức (Tiếng Việt)	Giải thích
Phạt chậm nộp = (Số tiền nộp chậm) × (Lãi suất chậm trả) × (Số ngày chậm)	Tính phí phạt khi thanh toán sau hạn.
Lãi chậm trả = (Số tiền nợ) × (Lãi suất ngân hàng) × (Số ngày chậm) / 365	Lãi thực tế doanh nghiệp phải trả.
Tỷ lệ tiết kiệm thời gian = (Thời gian trước AI – Thời gian sau AI) / Thời gian trước AI × 100%	Đánh giá hiệu quả giảm thời gian.
Tỷ lệ phát hiện sai sót = (Số lỗi phát hiện) / (Tổng số lỗi) × 100%	Đánh giá độ chính xác AI.
ROI = (Tổng lợi ích – Chi phí đầu tư) / Chi phí đầu tư × 100%	Đánh giá lợi nhuận đầu tư.

ROI = (Tổng lợi ích – Chi phí đầu tư) / Chi phí đầu tư × 100%

Giải thích: Total_Benefits bao gồm giảm phí phạt, giảm chi phí nhân sự, tăng thu hồi công nợ; Investment_Cost là chi phí triển khai AI (hạ tầng, licencing, nhân lực).

---

12. Kết luận – Quy trình vàng & Giới thiệu Serimi App

Bạn đã thấy cách AI có thể biến công nợ thành “đối tượng dự báo” với xác suất thanh toán từng mốc thời gian, giúp CFO quyết định ưu tiên thu hồi, giảm rủi ro nợ xấu và tối ưu dòng tiền.

Quy trình vàng (tóm tắt 5 bước):

1. Thu thập & chuẩn hoá dữ liệu (hoá đơn, thanh toán, khách hàng).
2. Tiền xử lý & feature engineering (censored, days_to_due, industry_risk).
3. Huấn luyện mô hình Survival (Random Survival Forest hoặc DeepSurv).
4. Triển khai batch & realtime scoring trong ERP, gắn màu rủi ro.
5. Tự động nhắc nợ & giám sát (rule engine, dashboard, alert).

Nếu bạn muốn đưa giải pháp này vào thực tiễn ngay hôm nay, Serimi App đã tích hợp sẵn:

• Mô-đun Survival Analysis với giao diện kéo‑thả, không cần lập trình.
• RAG & CoT để tra cứu quy định, đối chiếu bút toán tự động.
• Dashboard KPI theo thời gian thực, báo cáo ROI tự động.

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.