📊

Analytics Use Case Explorer

Khám phá 50 bài toán phân tích kinh doanh thực tiễn trong ngành Tài chính Ngân hàng. Được cấu trúc theo khung tư duy SCQR của McKinsey và phân loại qua 4 cấp độ trưởng thành của dữ liệu: Mô tả (Descriptive), Chẩn đoán (Diagnostic), Dự đoán (Predictive), và Tối ưu (Prescriptive).

Tổng Quan Hệ Thống Phân Tích

Phần này cung cấp cái nhìn toàn cảnh về 50 bài toán. Biểu đồ thể hiện sự phân bổ chiến lược qua 3 lĩnh vực trọng yếu (FP&A, BI, SPM) và 4 cấp độ phân tích. Bạn có thể sử dụng thông tin này để đánh giá mức độ bao phủ dữ liệu của tổ chức.

Phân bổ theo Lĩnh vực (Domain)

Phân bổ theo Cấp độ (Analytics Level)

Trình Duyệt SCQR

Sử dụng các bộ lọc dưới đây để tìm kiếm kịch bản phù hợp với nghiệp vụ của bạn. Bấm vào từng thẻ để khám phá chi tiết cách giải quyết vấn đề theo tư duy SCQR (Situation – Complication – Question – Resolution).

Lĩnh vực: Tất cả 📈 FP&A 💡 BI 🎯 SPM

Cấp độ: Tất cả Lvl 1: Mô tả Lvl 2: Chẩn đoán Lvl 3: Dự đoán Lvl 4: Tối ưu

🔍

Không tìm thấy bài toán

Vui lòng điều chỉnh lại bộ lọc Lĩnh vực hoặc Cấp độ.

50 BÀI TOÁN PHÂN TÍCH KINH DOANH TRONG TÀI CHÍNH NGÂN HÀNG (FP&A, BI, SPM)

Áp dụng khung SCQR (McKinsey) theo 4 cấp độ phân tích dữ liệu

Bài viết chuyên sâu này tổng hợp 50 kịch bản thực tiễn dành cho các chuyên gia Phân tích Kế hoạch Tài chính (FP&A), Trí tuệ Doanh nghiệp (BI), và Quản trị Hiệu suất Bán hàng (SPM) trong lĩnh vực Ngân hàng.

Mọi bài toán được cấu trúc theo tiêu chuẩn SCQR của McKinsey:

• S – Situation (Bối cảnh): Tình trạng ổn định hiện tại.
• C – Complication (Trở ngại): Vấn đề, cơ hội hoặc sự thay đổi phá vỡ sự ổn định.
• Q – Question (Câu hỏi): Câu hỏi cốt lõi cần giải quyết.
• R – Resolution (Giải pháp): Phương pháp phân tích dữ liệu để trả lời câu hỏi.

Hệ thống được chia thành 4 cấp độ trưởng thành của dữ liệu:

1. Phân tích Mô tả (Descriptive): Chuyện gì đang xảy ra?
2. Phân tích Chẩn đoán (Diagnostic): Tại sao nó lại xảy ra?
3. Phân tích Dự đoán (Predictive): Điều gì sẽ xảy ra tiếp theo?
4. Phân tích Đề xuất/Tối ưu (Prescriptive): Chúng ta nên làm gì để tối ưu hóa?

CẤP ĐỘ 1: PHÂN TÍCH MÔ TẢ (DESCRIPTIVE ANALYTICS) – “Chuyện gì đang xảy ra?”

Lĩnh vực: FP&A (Tài chính & Kế hoạch)

1. Theo dõi thực hiện Ngân sách Chi phí (OPEX Tracking)

• S: Ngân hàng cấp ngân sách OPEX 500 tỷ VNĐ cho các khối Hội sở trong Q1.
• C: Ban Giám đốc không nắm rõ tốc độ “đốt tiền” hàng ngày của các khối, dẫn đến rủi ro lạm chi vào cuối quý.
• Q: Tình hình sử dụng ngân sách hiện tại của từng khối đang ở mức nào so với kế hoạch (Budget vs. Actual)?
• R: Xây dựng Dashboard báo cáo Variance Analysis hàng ngày, trực quan hóa tỷ lệ tiêu hao ngân sách theo từng Cost Center.

2. Báo cáo Bức tranh Dòng tiền (Cash Flow Position)

• S: Khối Nguồn vốn cần duy trì tỷ lệ dự trữ thanh khoản theo quy định của NHNN.
• C: Dòng tiền vào (tiền gửi) và dòng tiền ra (giải ngân, đáo hạn) biến động liên tục hàng ngày.
• Q: Số dư thanh khoản ròng của ngân hàng tại thời điểm T+0 là bao nhiêu?
• R: Tổng hợp dữ liệu từ Core Banking để tạo báo cáo Daily Cash Position, mô tả dòng tiền Inflow/Outflow theo từng kỳ hạn.

3. Báo cáo NIM (Net Interest Margin) cấp Chi nhánh

• S: NIM là chỉ tiêu sống còn đo lường lợi nhuận cốt lõi của ngân hàng.
• C: Các chi nhánh đang huy động vốn lãi suất cao nhưng giải ngân lãi suất thấp để chạy số.
• Q: Chỉ số NIM thực tế của từng chi nhánh trong tháng qua là bao nhiêu?
• R: Trích xuất chi phí vốn (FTP) và lợi suất đầu ra để tính toán NIM Report theo từng chi nhánh.

4. Báo cáo Tỷ lệ Chi phí trên Thu nhập (CIR – Cost to Income Ratio)

• S: Ngân hàng đặt mục tiêu giảm CIR xuống dưới 35% trong năm nay.
• C: Chi phí marketing và công nghệ đang tăng mạnh nhưng doanh thu chưa ghi nhận tương xứng.
• Q: CIR hiện tại của toàn hàng và từng mảng kinh doanh (Retail, Corporate) đang là bao nhiêu?
• R: Phân tách cấu trúc chi phí và doanh thu hoạt động (TOI) để vẽ biểu đồ theo dõi CIR hàng tháng.

Lĩnh vực: BI (Business Intelligence)

5. Tổng quan Danh mục Nợ Xấu (NPL Portfolio Overview)

• S: Ngân hàng đang đẩy mạnh cho vay bán lẻ.
• C: Tình hình kinh tế vĩ mô khó khăn khiến nợ xấu có dấu hiệu tăng.
• Q: Tỷ lệ nợ xấu (NPL) hiện tại phân bổ như thế nào theo sản phẩm và vùng địa lý?
• R: Xây dựng bản đồ nhiệt (Heatmap) thể hiện tỷ lệ nợ Nhóm 3-5 theo từng tỉnh thành và loại thẻ tín dụng/khoản vay.

6. Cấu trúc Tiền gửi Không kỳ hạn (CASA Mix)

• S: CASA giúp ngân hàng giảm chi phí vốn (Cost of Funds).
• C: Sự xuất hiện của các ví điện tử làm dòng tiền CASA chảy ra khỏi tài khoản thanh toán.
• Q: Tỷ trọng CASA hiện tại trên tổng huy động là bao nhiêu, và phân bổ theo độ tuổi như thế nào?
• R: Phân tích dữ liệu số dư bình quân tháng của tập khách hàng cá nhân, chia theo các dải tuổi.

7. Tần suất Sử dụng Digital Banking

• S: Ngân hàng vừa ra mắt App Mobile Banking phiên bản mới.
• C: Đội ngũ phát triển cần biết mức độ đón nhận của người dùng.
• Q: Có bao nhiêu khách hàng đăng nhập (DAU/MAU) và thực hiện giao dịch tài chính mỗi ngày?
• R: Trích xuất App Analytics để báo cáo số lượng Active Users và khối lượng giao dịch (Transaction Volume) trên kênh số.

8. Hồ sơ Nhân khẩu học Khách hàng (Customer Demographics)

• S: Ngân hàng có 5 triệu khách hàng hiện hữu trên hệ thống.
• C: Khối Marketing cần chạy chiến dịch mới nhưng chưa rõ tệp khách hàng chủ đạo là ai.
• Q: Chân dung khách hàng hiện tại của chúng ta trông như thế nào?
• R: Report mô tả phân bổ khách hàng theo Độ tuổi, Giới tính, Thu nhập khai báo, và Khu vực sinh sống.

Lĩnh vực: SPM (Sales Performance Management)

9. Bảng xếp hạng KPI Vùng (Regional Leaderboard)

• S: Khối Bán lẻ có 5 Vùng kinh doanh toàn quốc.
• C: Giám đốc Khối cần một công cụ để vinh danh Vùng dẫn đầu và tạo áp lực cho Vùng chót bảng.
• Q: Thứ hạng của 5 Vùng kinh doanh tính đến hôm nay dựa trên % hoàn thành Target là gì?
• R: Cập nhật bảng xếp hạng Real-time (Leaderboard Dashboard) thể hiện doanh số giải ngân và huy động theo Vùng.

10. Tỷ lệ RM Hoạt động (Active RM Ratio)

• S: Ngân hàng có 2,000 Relationship Managers (RM) trên toàn quốc.
• C: Số lượng RM đông nhưng doanh số chủ yếu đến từ 20% RM xuất sắc.
• Q: Có bao nhiêu phần trăm RM thực sự có giao dịch sinh số (Active) trong tháng này?
• R: Thống kê số lượng RM có ít nhất 1 hợp đồng giải ngân hoặc 1 thẻ tín dụng kích hoạt để tính tỷ lệ Active Ratio.

11. Báo cáo Danh mục Sản phẩm Bán ra (Product Mix)

• S: Chiến lược năm nay là bán chéo (Cross-sell) Bancassurance và Thẻ.
• C: RM dường như chỉ tập trung bán các khoản vay vì dễ chốt số.
• Q: Cơ cấu sản phẩm được bán ra bởi lực lượng sales trong quý vừa qua là gì?
• R: Vẽ biểu đồ Donut mô tả tỷ trọng giữa Vay, Huy động, Thẻ, và Bảo hiểm trên tổng sản phẩm bán ra.

12. Theo dõi Tiền thưởng Hoa hồng (Commission Tracking)

• S: RM được nhận hoa hồng dựa trên giải ngân.
• C: RM thường xuyên phàn nàn vì không biết tháng này mình được nhận bao nhiêu tiền cho đến ngày nhận lương.
• Q: Số tiền hoa hồng tạm tính của mỗi RM tính đến thời điểm hiện tại là bao nhiêu?
• R: Xây dựng hệ thống Commission Dashboard cá nhân hóa để RM tự xem thu nhập tạm tính của mình mỗi ngày.

CẤP ĐỘ 2: PHÂN TÍCH CHẨN ĐOÁN (DIAGNOSTIC ANALYTICS) – “Tại sao nó lại xảy ra?”

Lĩnh vực: FP&A

13. Truy tìm nguyên nhân Lạm chi IT (IT Cost Overrun)

• S: Ngân sách IT hàng năm luôn được kiểm soát chặt chẽ.
• C: Báo cáo Q2 cho thấy chi phí IT vượt ngân sách 25%.
• Q: Tại sao chi phí IT lại tăng đột biến trong Q2?
• R: Drill-down vào các Cost Center: Phát hiện chi phí tăng do chi phí lưu trữ Cloud tăng vọt vì lượng truy cập App Mobile tăng 300% (Volume variance).

14. Chẩn đoán nguyên nhân sụt giảm TOI (Total Operating Income)

• S: Ngân hàng đặt mục tiêu tăng trưởng doanh thu 15%.
• C: Doanh thu mảng khách hàng doanh nghiệp (SME) giảm 10% so với cùng kỳ năm ngoái (YoY).
• Q: Yếu tố nào (Lãi suất, Khối lượng vay, hay Thu phí dịch vụ) kéo doanh thu SME đi xuống?
• R: Sử dụng phương pháp Phân tích nhân tố (Factor Analysis) để bóc tách: Lượng vay vẫn tăng nhưng NIM bị thu hẹp do phải giảm lãi suất cạnh tranh.

15. Phân tích nguyên nhân chênh lệch Lợi nhuận Chi nhánh

• S: Chi nhánh A và Chi nhánh B có cùng quy mô nhân sự và thị trường.
• C: Lợi nhuận của Chi nhánh A cao gấp đôi Chi nhánh B.
• Q: Động lực cốt lõi nào tạo ra sự chênh lệch lợi nhuận này?
• R: Phân tích P&L chi nhánh: Phát hiện Chi nhánh A có tỷ trọng nguồn vốn CASA cao (chi phí vốn rẻ), trong khi Chi nhánh B phụ thuộc vào tiền gửi có kỳ hạn.

16. Chẩn đoán hiệu quả chiến dịch Marketing (Marketing ROI Analysis)

• S: Khối thẻ tung chiến dịch hoàn tiền (Cashback) 10 tỷ đồng.
• C: Số lượng phát hành thẻ tăng nhưng lợi nhuận ròng của chiến dịch dường như bằng 0.
• Q: Tại sao ROI của chiến dịch lại thấp như vậy?
• R: Phân tích hành vi sau phát hành: 80% khách hàng mở thẻ chỉ để nhận hoàn tiền ban đầu và khóa thẻ ngay tháng thứ 2 (Hit and Run behavior).

Lĩnh vực: BI

17. Phân tích rớt phễu eKYC (eKYC Drop-off Analysis)

• S: Ngân hàng triển khai mở tài khoản trực tuyến qua eKYC.
• C: 60% khách hàng tải App nhưng không hoàn tất mở tài khoản.
• Q: Khách hàng từ bỏ (drop-off) nhiều nhất ở bước nào và vì sao?
• R: Phân tích Funnel: Phát hiện 45% rớt ở bước quét khuôn mặt (Liveness check) do lỗi nhận diện camera trên một số dòng máy Android cụ thể.

18. Chẩn đoán nguyên nhân rớt nợ Nhóm 2 (Watch-list Migration)

• S: Nợ nhóm 2 (nợ chú ý) là tiền đề của nợ xấu.
• C: Danh mục vay tiêu dùng đang có tỷ lệ chuyển nhóm nợ tăng bất thường.
• Q: Đặc điểm chung của các khách hàng vừa rơi vào Nợ nhóm 2 trong tháng qua là gì?
• R: Chạy thuật toán cây quyết định (Decision Tree) để tìm ra rule: Khách hàng làm việc trong ngành xây dựng/bất động sản có tỷ lệ rớt nhóm cao gấp 3 lần.

19. Phân tích giao dịch giả mạo (Fraud Diagnostic)

• S: Ngân hàng phát hành thẻ tín dụng vật lý và ảo.
• C: Số lượng giao dịch Chargeback (hoàn tiền do gian lận) tăng 40% vào ban đêm.
• Q: Lỗ hổng bảo mật hoặc phương thức gian lận nào đang được sử dụng?
• R: Phân tích cụm (Cluster Analysis) các giao dịch lỗi: 90% gian lận xuất phát từ các cổng thanh toán quảng cáo Facebook tại khu vực Đông Nam Á.

20. Phân tích phàn nàn của Khách hàng (Complaint Root Cause)

• S: Tổng đài Call Center nhận 5,000 cuộc gọi mỗi ngày.
• C: Thời lượng gọi trung bình (AHT) tăng vọt, khách hàng phàn nàn gay gắt.
• Q: Chủ đề (Topic) cốt lõi nào khiến khách hàng tức giận trong tuần này?
• R: Sử dụng NLP (Phân tích cảm xúc & Topic Modeling) trên file ghi âm: Xác định lỗi SMS OTP không trả về mạng Viettel là nguyên nhân gốc rễ.

Lĩnh vực: SPM

21. Chẩn đoán lý do Chi nhánh không đạt số lượng Thẻ

• S: Chiến dịch phát hành 100,000 thẻ tín dụng mới toàn quốc.
• C: Vùng miền Nam chỉ đạt 40% KPI trong khi miền Bắc đạt 90%.
• Q: Tại sao lực lượng Sales miền Nam lại bán thẻ kém trong chiến dịch này?
• R: Phân tích hành vi Sale: RM miền Nam đang dồn lực chốt các hợp đồng vay mua nhà (do hoa hồng cao hơn) thay vì bán thẻ (hoa hồng thấp).

22. Phân tích Khoảng trống Năng suất (Productivity Gap Analysis)

• S: Trung bình một RM cần mang về 2 tỷ VNĐ giải ngân/tháng.
• C: Top 10% RM mang về 10 tỷ/tháng, trong khi Bottom 50% chỉ mang về 500 triệu.
• Q: Sự khác biệt trong hành vi bán hàng giữa Top và Bottom RM là gì?
• R: So sánh Activity Log (CRM): Top RM gọi điện ít hơn nhưng thời lượng cuộc gọi dài hơn (chất lượng tư vấn) và tỷ lệ đặt lịch hẹn gặp mặt trực tiếp cao gấp 4 lần.

23. Tại sao tỷ lệ Bán chéo (Cross-sell Ratio) giảm?

• S: Chỉ tiêu mỗi khách hàng vay vốn phải mua kèm 1 hợp đồng bảo hiểm (Banca).
• C: Tỷ lệ Cross-sell giảm mạnh sau khi NHNN ra công điện chấn chỉnh ép mua bảo hiểm.
• Q: Việc sụt giảm này là do RM sợ không dám chào bán, hay do khách hàng từ chối gắt gao hơn?
• R: Phân tích ghi chú CRM: Số lượng “Offer Made” (Đã chào bán) vẫn cao, nhưng tỷ lệ “Customer Rejected” tăng vọt do tâm lý đề phòng từ truyền thông.

24. Chẩn đoán rớt nhân sự Sales (Sales Turnover Root Cause)

• S: Khối Direct Sales (Bán hàng trực tiếp) cần duy trì lực lượng ổn định.
• C: Tỷ lệ nghỉ việc (Turnover rate) của RM dưới 6 tháng thâm niên lên tới 40%.
• Q: Tại sao RM mới lại bỏ việc nhanh như vậy?
• R: Phân tích tương quan giữa thu nhập và thời gian làm việc: 80% RM nghỉ việc không đạt đủ số để nhận lương kinh doanh trong 3 tháng đầu, không đủ sống.

25. Chẩn đoán Tỷ lệ duyệt hồ sơ thấp (Approval Rate Gap)

• S: Marketing mang về 10,000 lead vay vốn mỗi tuần.
• C: Tỷ lệ hồ sơ được Khối Phê duyệt (Risk) chấp thuận chỉ đạt 15%, Sales phàn nàn Risk quá khắt khe.
• Q: Hồ sơ bị từ chối chủ yếu do chất lượng Lead kém hay do quy trình Risk chặt chẽ quá mức?
• R: Phân tích lý do từ chối (Reject Reason Code): 60% từ chối do Sales thu thập thiếu chứng từ gốc, chỉ 20% do nợ xấu lịch sử (lỗi do Sales execution, không phải lỗi hệ thống Risk).

CẤP ĐỘ 3: PHÂN TÍCH DỰ ĐOÁN (PREDICTIVE ANALYTICS) – “Điều gì sẽ xảy ra?”

Lĩnh vực: FP&A

26. Dự báo Dòng tiền 90 ngày (90-Day Rolling Cash Flow Forecast)

• S: Kho bạc (Treasury) cần tối ưu hóa dòng tiền nhàn rỗi để gửi liên ngân hàng sinh lời.
• C: Không dự báo chính xác sẽ dẫn đến thiếu hụt thanh khoản cục bộ phải vay nóng lãi suất cao.
• Q: Trạng thái dòng tiền ròng của ngân hàng trong 90 ngày tới sẽ như thế nào?
• R: Xây dựng mô hình ARIMA/Prophet dựa trên dữ liệu chuỗi thời gian (time-series) lịch sử rút tiền/gửi tiền kết hợp với yếu tố mùa vụ (Lễ Tết).

27. Dự báo Thu nhập Lãi Thuần (NII Forecast)

• S: Lãi suất điều hành của NHNN dự kiến giảm 0.5% trong quý tới.
• C: Lãi suất đầu vào và đầu ra của ngân hàng có độ trễ điều chỉnh khác nhau (Repricing gap).
• Q: Thu nhập lãi thuần (NII) của ngân hàng sẽ thay đổi ra sao trong 12 tháng tới dưới kịch bản lãi suất này?
• R: Chạy mô phỏng ALM (Asset Liability Management) để dự báo NII dựa trên cấu trúc kỳ hạn của tài sản và nợ phải trả hiện hành.

28. Dự báo tỷ lệ Nợ Xấu (NPL Forecasting / Roll-rate Model)

• S: Ngân hàng cần trích lập dự phòng rủi ro tín dụng (Provisioning) hàng tháng.
• C: Số tiền trích lập ảnh hưởng trực tiếp đến lợi nhuận P&L báo cáo cổ đông.
• Q: Tỷ lệ nợ nhóm 2 sẽ nhảy sang nhóm 3 (nợ xấu) trong tháng sau là bao nhiêu?
• R: Xây dựng mô hình Roll-rate Matrix (Ma trận chuyển nhóm nợ) kết hợp mô hình Markov Chain để dự báo dòng chảy nợ xấu và ước tính chi phí dự phòng.

29. Dự báo Tốc độ tiêu hao Ngân sách Marketing (Burn-rate Prediction)

• S: Chiến dịch cuối năm có ngân sách 50 tỷ, chạy trên nhiều nền tảng số.
• C: Cost per Click (CPC) biến động không ngừng, rủi ro hết tiền trước khi chiến dịch kết thúc.
• Q: Với đà chạy hiện tại, khi nào ngân sách chiến dịch sẽ cạn kiệt?
• R: Dùng Machine Learning hồi quy tuyến tính trên dữ liệu spend hàng ngày để dự báo chính xác ngày “Zero Budget”.

Lĩnh vực: BI

30. Chấm điểm Tín dụng Hành vi (Behavioral Credit Scoring)

• S: Thẻ tín dụng cấp cho khách hàng thường có hạn mức cố định.
• C: Cần tăng hạn mức cho khách hàng tốt để tăng doanh thu phí, nhưng sợ rủi ro vỡ nợ.
• Q: Khách hàng hiện hữu nào có xác suất bùng nợ cao nhất trong 6 tháng tới nếu được tăng hạn mức?
• R: Xây dựng mô hình Logistic Regression/XGBoost đánh giá hành vi thanh toán (chỉ trả số tối thiểu, rút tiền mặt ban đêm) để xuất ra điểm Probability of Default (PD).

31. Dự đoán Khách hàng Rời bỏ (Customer Churn Prediction)

• S: Chi phí tìm kiếm khách hàng mới (CAC) đắt gấp 5 lần giữ chân khách hàng cũ.
• C: Hàng ngàn khách hàng âm thầm rút hết tiền sang ngân hàng khác nhưng không thông báo.
• Q: Khách hàng nào có nguy cơ đóng tài khoản hoặc rút hết tiền mặt trong 30 ngày tới?
• R: Huấn luyện mô hình Random Forest phát hiện tín hiệu: Khách hàng ngừng thanh toán hóa đơn điện nước qua App, số dư giảm liên tục 3 tuần → Flag “High Risk Churn”.

32. Dự đoán Nhu cầu Tiền mặt tại ATM (ATM Cash Demand Forecasting)

• S: Ngân hàng có 1,000 máy ATM.
• C: Tiếp quỹ quá nhiều gây đọng vốn, tiếp quỹ quá ít gây lỗi hết tiền mặt làm KH bức xúc.
• Q: Mỗi máy ATM cần nạp chính xác bao nhiêu tiền vào sáng thứ Sáu tuần này?
• R: Mô hình Time-series kết hợp dữ liệu vị trí (gần KCN ngày phát lương, gần siêu thị dịp lễ) để dự báo nhu cầu tiền mặt cho từng máy.

33. Dự báo Sức mua Sản phẩm Đầu tư (Propensity to Buy Wealth Products)

• S: Khối Wealth Management muốn bán Trái phiếu doanh nghiệp cho tệp KH Ưu tiên.
• C: Telesale gọi ngẫu nhiên gây phiền hà KH và tỷ lệ chốt rất thấp.
• Q: Ai là người có xác suất mua Trái phiếu cao nhất trong tệp 50,000 khách hàng VIP?
• R: Xây dựng mô hình Propensity Model: Những KH vừa đáo hạn sổ tiết kiệm kỳ hạn ngắn, thường đọc bản tin tài chính trên App sẽ có xác suất mua cao (Score > 80%).

Lĩnh vực: SPM

34. Dự đoán Xác suất Chốt Deal của Sales (Deal Win-Rate Prediction)

• S: Pipeline của các trung tâm Khách hàng Doanh nghiệp chứa hàng ngàn Deal đang đàm phán.
• C: Báo cáo Forecast cuối tháng của Giám đốc Chi nhánh thường mang tính cảm tính, hay bị “miss số”.
• Q: Deal nào trong Pipeline thực sự sẽ được giải ngân trong tháng này với xác suất > 90%?
• R: Mô hình AI phân tích Pipeline: Deal nào đã kẹt ở bước “Chờ duyệt giá” quá 14 ngày có xác suất chốt < 10%. Hệ thống tự động điều chỉnh con số Forecast loại trừ các deal này.

35. Dự đoán Khả năng Hoàn thành KPI của Nhân viên (KPI Attainment Prediction)

• S: Ngày 15 hàng tháng, Giám đốc Vùng cần biết ai sẽ trượt KPI.
• C: Đợi đến ngày 30 mới biết thì đã quá muộn để can thiệp hỗ trợ.
• Q: RM nào có nguy cơ không đạt 80% KPI vào cuối tháng?
• R: Dùng thuật toán dự báo (Pacing model) kết hợp tiến độ hiện tại (Run-rate) và dữ liệu chốt số cuối tháng lịch sử của từng RM để cảnh báo sớm (Early Warning).

36. Dự đoán RM Nghỉ việc (Sales Churn Prediction)

• S: RM nghỉ việc mang theo lượng lớn dữ liệu khách hàng sang ngân hàng đối thủ.
• C: Khối Nhân sự thường bị bị động khi nhận đơn xin nghỉ.
• Q: RM xuất sắc nào đang có ý định nghỉ việc trong 2 tháng tới?
• R: Phân tích dữ liệu hành vi: RM giảm đột ngột số lượng đăng nhập CRM, không dùng hết phép năm, tỷ lệ rớt deal tăng → Flag cảnh báo để Giám đốc Vùng gọi điện giữ người.

37. Dự báo Nhu cầu Nguồn lực Bán hàng (Sales Capacity Forecasting)

• S: Khối Bán lẻ nhận target tăng trưởng doanh thu 40% cho năm sau.
• C: Không biết cần tuyển thêm bao nhiêu người là đủ, tuyển dư thì lãng phí OPEX.
• Q: Cần bao nhiêu Headcount RM mới để đạt được target doanh thu năm sau?
• R: Chạy mô hình Capacity Model: Dựa trên năng suất bình quân (Average Productivity) + Tốc độ trưởng thành của RM mới (Ramp-up time) + Tỷ lệ nghỉ việc dự kiến để tính ra số lượng cần tuyển từng tháng.

38. Dự đoán Gian lận Hồ sơ của Sales (Sales Application Fraud Prediction)

• S: Để chạy KPI, một số RM bắt tay với bên ngoài làm giả hồ sơ thu nhập của khách hàng vay tín chấp.
• C: Kiểm tra thủ công 10,000 hồ sơ/tháng là bất khả thi.
• Q: Hồ sơ giải ngân nào có khả năng cao là do RM làm giả hoặc “xào nấu”?
• R: Machine Learning phát hiện bất thường (Anomaly Detection): RM nào có 10 hồ sơ vay liên tiếp đến từ cùng 1 công ty không tên tuổi, nộp cùng 1 khung giờ đêm → Chặn tự động để Audit.

CẤP ĐỘ 4: PHÂN TÍCH ĐỀ XUẤT/TỐI ƯU (PRESCRIPTIVE ANALYTICS) – “Chúng ta nên làm gì?”

Lĩnh vực: FP&A

39. Tối ưu hóa Cấu trúc Vốn (Capital Structure Optimization)

• S: Ngân hàng huy động vốn từ nhiều kênh (Tiền gửi dân cư, Tổ chức, Vay OMO, Phát hành giấy tờ có giá).
• C: Mỗi kênh có lãi suất, kỳ hạn và yêu cầu dự trữ bắt buộc khác nhau.
• Q: Tỷ lệ huy động lý tưởng giữa các kênh là bao nhiêu để chi phí vốn (COF) là thấp nhất mà vẫn đảm bảo rủi ro thanh khoản?
• R: Sử dụng mô hình Tối ưu hóa tuyến tính (Linear Programming) với các điều kiện ràng buộc của Basel III để đưa ra kịch bản huy động vốn mục tiêu cho Khối Nguồn vốn.

40. Tối ưu hóa Phân bổ Ngân sách Chi nhánh (Branch Budget Allocation)

• S: FP&A có ngân sách OPEX 1,000 tỷ để phân bổ cho 100 chi nhánh năm tới.
• C: Chia đều thì cào bằng, chia theo quy mô thì không khuyến khích chi nhánh nhỏ tăng trưởng.
• Q: Nên phân bổ ngân sách cho từng chi nhánh như thế nào để mang lại ROA cao nhất?
• R: Chạy mô hình tối ưu (Prescriptive Model) kết hợp tiềm năng thị trường (Market potential) và hiệu quả chi phí lịch sử (Cost-efficiency score) để đề xuất con số Budget chính xác cho từng đơn vị.

41. Đề xuất Chiến lược Giá linh hoạt (Dynamic Pricing Strategy)

• S: Các ngân hàng đối thủ liên tục hạ lãi suất cho vay để giành thị phần khách hàng tốt.
• C: Dùng một mức lãi suất cố định cho mọi khách hàng làm mất lợi thế cạnh tranh.
• Q: Mức lãi suất tối ưu nào nên chào cho Khách hàng A để họ đồng ý vay mà ngân hàng vẫn có lãi cao nhất?
• R: Xây dựng mô hình Risk-based Pricing: Lãi suất = Chi phí vốn + Tỷ lệ rủi ro dự kiến (EL) + Chi phí hoạt động + Biên lợi nhuận mục tiêu. Hệ thống tự động gợi ý mức giá trần/sàn cho Sales đàm phán.

42. Đề xuất Kịch bản Hồi phục Lợi nhuận (Profitability Scenario Planning)

• S: Lợi nhuận Q1 hụt 20% so với kế hoạch do tỷ giá USD biến động mạnh.
• C: Ban Giám đốc yêu cầu phương án bù đắp trong phần còn lại của năm.
• Q: Cần cắt giảm bao nhiêu chi phí và tăng bao nhiêu phí dịch vụ để đạt lại target lợi nhuận năm?
• R: Xây dựng mô hình Goal-Seek & Monte Carlo Simulation. Hệ thống đề xuất 3 options: Option 1 (Đóng băng tuyển dụng 100%), Option 2 (Tăng phí SMS banking 5%), Option 3 (Kết hợp cả hai).

Lĩnh vực: BI

43. Hành động Tốt nhất Tiếp theo (Next Best Action – NBA / Next Best Offer – NBO)

• S: Khách hàng A vừa chuyển 500 triệu vào tài khoản thanh toán và nhận lương hàng tháng 50 triệu.
• C: Không biết nên mời KH mua Bảo hiểm, gửi Tiết kiệm hay mở Thẻ tín dụng. Mời sai sẽ bị coi là spam.
• Q: Sản phẩm nào nên hiển thị trên App Mobile cho khách hàng A vào lúc này để tỷ lệ click cao nhất?
• R: Thuật toán Recommendation Engine (Hệ thống gợi ý AI) kết hợp Collaborative Filtering phân tích khách hàng tương tự, tự động bắn push notification: “Mở sổ tiết kiệm Online +0.2% lãi suất”.

44. Tối ưu hóa Hạn mức Thẻ Tín dụng (Credit Limit Optimization)

• S: Hạn mức cấp quá cao dễ dẫn đến nợ xấu, cấp quá thấp khách hàng sẽ không chi tiêu nhiều (mất phí quẹt thẻ).
• C: Cần một chiến lược cấp và tăng hạn mức tự động.
• Q: Nên tăng hạn mức của Khách hàng B lên bao nhiêu để tối đa hóa doanh thu thẻ (Interchange fee) trừ đi rủi ro rớt nợ?
• R: Mô hình Prescriptive đánh giá điểm cân bằng (Trade-off) giữa Lợi nhuận biên và Rủi ro vỡ nợ biên, đề xuất con số tăng hạn mức chính xác: 45,000,000 VNĐ.

45. Tối ưu hóa Chiến lược Thu hồi nợ (Collection Strategy Optimization)

• S: Khối Thu hồi nợ có 500 nhân sự xử lý 100,000 hồ sơ nợ quá hạn mỗi tháng.
• C: Nhân sự gọi ngẫu nhiên lãng phí sức lực cho những khách hàng kiểu gì cũng không trả.
• Q: Hồ sơ nợ nào nên cho Voicebot gọi, hồ sơ nào nhân viên gọi, hồ sơ nào đẩy đi thu hồi hiện trường?
• R: Thuật toán phân luồng (Treatment Optimization): KH trễ hạn 5 ngày có lịch sử tốt -> Voicebot nhắc nhẹ. KH trễ 30 ngày có dấu hiệu trốn tránh -> Giao nhân sự Senior trực tiếp dọa kiện.

46. Đề xuất Vị trí Đặt máy ATM/Chi nhánh (Location Intelligence)

• S: Ngân hàng muốn mở thêm 10 PGD mới tại miền Nam năm 2027.
• C: Mở sai vị trí sẽ tốn kém OPEX khổng lồ (tiền thuê, nhân sự) mà không có khách.
• Q: Tọa độ chính xác nào trên bản đồ mang lại lợi nhuận cao nhất cho một PGD mới?
• R: Dùng GIS (Geographic Information System) Data, phân tích mật độ dân số, điểm giao cắt giao thông, thu nhập bình quân khu vực và vị trí đối thủ để recommend 10 tọa độ cụ thể.

Lĩnh vực: SPM

47. Thiết kế Mô hình Hoa hồng Tối ưu (Incentive Compensation Optimization)

• S: CEO muốn đẩy mạnh thu phí dịch vụ (Fee Income) thay vì chỉ chạy doanh số cho vay.
• C: Nếu thay đổi chính sách đột ngột, lực lượng Sales có thể phẫn nộ và nghỉ việc hàng loạt.
• Q: Cơ cấu % hoa hồng mới nên thiết kế như thế nào để đạt mục tiêu công ty mà thu nhập của RM xuất sắc không giảm?
• R: Chạy mô phỏng Prescriptive Simulation (What-if Analysis) trên data lịch sử: Đề xuất giảm 10% hoa hồng giải ngân vay, tăng 30% hoa hồng bán bảo hiểm. Hệ thống tính toán sẽ có 85% RM duy trì được thu nhập cũ.

48. Phân bổ Chỉ tiêu Thông minh (Smart Target Allocation)

• S: Đầu năm, Khối Bán lẻ nhận chỉ tiêu 100 ngàn tỷ huy động.
• C: Áp chỉ tiêu cào bằng cho các chi nhánh (vd tăng đều 20%) sẽ khiến chi nhánh vùng ven chết ngộp, chi nhánh trung tâm làm nhàn hạ.
• Q: Nên giao target cụ thể cho từng Chi nhánh và từng RM như thế nào là công bằng và khả thi nhất?
• R: Thuật toán Machine Learning tối ưu hóa: Phân bổ target dựa trên Thị phần hiện tại (Market Share), GDP địa phương, và Quy mô phễu khách hàng (Pipeline size) hiện hữu của từng RM.

49. Tối ưu hóa Lộ trình Đi tuyến của Sales (Sales Route Optimization)

• S: Lực lượng Direct Sales làm thẻ tín dụng cần đi đến các tòa nhà văn phòng, khu công nghiệp mỗi ngày.
• C: Sales tốn quá nhiều thời gian di chuyển vật lý giữa các điểm, giảm thời gian tư vấn (Face-time).
• Q: Lộ trình di chuyển nào trong ngày giúp Sales gặp được nhiều công ty có tiềm năng cao nhất với quãng đường ngắn nhất?
• R: Tích hợp dữ liệu doanh nghiệp và Google Maps API để giải bài toán Người giao hàng (Traveling Salesperson Problem), vẽ ra lộ trình tối ưu hàng ngày trên App của RM.

50. Gợi ý Đội hình Bán hàng Chéo (Cross-functional Teaming Recommendation)

• S: Bán khách hàng doanh nghiệp lớn (Corporate) cần bán trọn gói: Cho vay, Trả lương, Bảo lãnh, L/C.
• C: Các RM đi bán lẻ loi thường thất bại vì thiếu chuyên môn sâu về từng mảng.
• Q: RM Tín dụng A nên kết hợp ghép cặp với Chuyên gia Tài trợ thương mại (Trade Finance) nào để khả năng chốt Mega-deal là cao nhất?
• R: Phân tích mạng lưới (Network Analytics) và lịch sử hợp tác thành công trong quá khứ để hệ thống tự động “Match-making” tạo thành một Squad Team hoàn hảo trước khi đi gặp khách.