Chất lượng dữ liệu tín dụng và IFRS 9

Với một ngân hàng, trích lập dự phòng không chỉ là bút toán kế toán — nó ăn thẳng vào vốn và lợi nhuận. Chuẩn mực IFRS 9 yêu cầu trích lập theo mô hình tổn thất tín dụng kỳ vọng (ECL): thay vì chờ khoản vay xấu đi mới ghi nhận, ngân hàng phải ước lượng tổn thất kỳ vọng dựa trên dữ liệu lịch sử và triển vọng. Mô hình ấy chỉ đáng tin khi đầu vào sạch — và đầu vào ở đây là dữ liệu lịch sử tín dụng, tài sản đảm bảo, và lịch sử trả nợ. Nếu dữ liệu thiếu, sai, hoặc mâu thuẫn giữa các hệ thống, mô hình sẽ cho con số sai, dẫn tới trích lập sai — hoặc thiếu (rủi ro vốn không đủ đệm) hoặc thừa (bào mòn lợi nhuận không cần thiết). Cùng một nền dữ liệu ấy còn nuôi các mô hình rủi ro tín dụng theo Basel và báo cáo cho CIC. Trang này phân tích vì sao chất lượng dữ liệu là gốc rễ của một mô hình ECL đáng tin, và cách Ataccama giải bài toán.

Bài toán: mô hình ECL chỉ tốt bằng dữ liệu nuôi nó

Mô hình ECL ước lượng tổn thất kỳ vọng dựa trên các thành phần như xác suất vỡ nợ, tổn thất khi vỡ nợ, và dư nợ tại thời điểm vỡ nợ. Mỗi thành phần đều ước lượng từ dữ liệu lịch sử của chính danh mục tín dụng của ngân hàng. Khi dữ liệu ấy có vấn đề, sai số lan ngược lên kết quả trích lập:

Dữ liệu lịch sử trả nợ không đầy đủ. Thiếu các kỳ quá hạn, thiếu mốc thời gian, hoặc lịch sử bị đứt đoạn khi khách hàng di chuyển giữa các hệ thống → ước lượng xác suất vỡ nợ lệch.
Dữ liệu tài sản đảm bảo sai hoặc cũ. Giá trị định giá lỗi thời, loại tài sản phân loại sai, thiếu liên kết giữa tài sản và khoản vay → ước lượng tổn thất khi vỡ nợ không phản ánh đúng mức thu hồi.
Dữ liệu khoản vay không nhất quán giữa các hệ thống. Cùng một khoản vay mang số dư hoặc trạng thái khác nhau ở core và ở kho dữ liệu rủi ro → mô hình nhận đầu vào mâu thuẫn.
Phân loại và mã hóa lệch chuẩn. Mã sản phẩm, nhóm nợ, ngành nghề khách hàng mỗi nơi ghi một kiểu → khó phân khúc danh mục để mô hình hóa đúng.

Hệ quả không dừng ở một con số: trích lập sai ảnh hưởng trực tiếp tới vốn và lợi nhuận công bố, và một mô hình không giải thích được nguồn dữ liệu sẽ không qua được kiểm toán.

Vì sao gốc rễ là dữ liệu, không phải mô hình

Khi kết quả ECL bị nghi ngờ, phản xạ thường thấy là xem lại mô hình — hiệu chỉnh tham số, đổi phương pháp. Nhưng phần lớn rủi ro nằm ở tầng dưới mô hình: chất lượng dữ liệu đầu vào. Một mô hình tinh vi chạy trên dữ liệu bẩn vẫn cho kết quả bẩn — nguyên tắc “rác vào, rác ra” đặc biệt nghiệt ngã trong mô hình tổn thất, nơi sai số nhỏ ở đầu vào lịch sử bị khuếch đại qua nhiều năm dữ liệu.

Quan trọng không kém: kiểm toán và cơ quan quản lý ngày càng đòi ngân hàng chứng minh được dữ liệu mô hình đến từ đâu và đáng tin tới mức nào. Câu hỏi “con số dự phòng này dựa trên dữ liệu nào, đo chất lượng ra sao, ai chịu trách nhiệm” là câu hỏi về governance và lineage, không phải về thuật toán. Vì vậy nền tảng cho một mô hình ECL đáng tin gồm ba lớp dữ liệu:

Chất lượng dữ liệu — đo và cải thiện độ đầy đủ, chính xác, nhất quán của dữ liệu khoản vay, tài sản đảm bảo, lịch sử trả nợ.
Governance — chủ sở hữu dữ liệu rõ ràng, định nghĩa thống nhất cho các khái niệm tín dụng then chốt.
Lineage — truy được đường đi của dữ liệu từ hệ thống gốc tới đầu vào mô hình.

Ataccama giải bài toán thế nào

Chất lượng dữ liệu — đo và cải thiện theo các chiều

Nền tảng cho phép đo lường chất lượng dữ liệu theo các chiều cụ thể và áp dụng đúng vào dữ liệu tín dụng:

Đầy đủ (completeness). Phát hiện hồ sơ khoản vay thiếu trường bắt buộc, lịch sử trả nợ bị khuyết kỳ, tài sản đảm bảo thiếu giá trị định giá.
Chính xác (accuracy). Soi các giá trị bất thường — số dư âm vô lý, ngày tháng phi logic, giá trị tài sản lệch xa khung hợp lý.
Nhất quán (consistency). Đối chiếu cùng một khoản vay giữa các hệ thống để phát hiện số dư, trạng thái, hoặc phân loại mâu thuẫn.

Quan trọng là việc đo này không phải một lần mà được giám sát liên tục: chất lượng dữ liệu mô hình được theo dõi qua thời gian, bất thường được cảnh báo sớm thay vì lộ ra lúc lập báo cáo cuối kỳ.

Governance — chủ sở hữu và định nghĩa thống nhất

Một mô hình ECL đáng tin cần các định nghĩa nghiệp vụ thống nhất: thế nào là một khoản quá hạn, nhóm nợ được xác định ra sao, tài sản đảm bảo phân loại thế nào. Lớp data governance gắn mỗi khái niệm với chủ sở hữu dữ liệu chịu trách nhiệm và một định nghĩa chung toàn ngân hàng, để các đội rủi ro, tín dụng và tài chính cùng nói một ngôn ngữ dữ liệu thay vì mỗi nơi diễn giải một kiểu.

Lineage — truy nguồn dữ liệu mô hình

Lineage vẽ đường đi của dữ liệu từ hệ thống nguồn, qua các bước biến đổi, tới bộ dữ liệu nuôi mô hình ECL. Khi kiểm toán hỏi “con số dự phòng dựa trên dữ liệu nào”, ngân hàng có thể truy ngược tới gốc thay vì giải thích bằng tài liệu rời rạc — đồng thời, khi phát hiện một trường dữ liệu có vấn đề, lineage cho biết mô hình nào bị ảnh hưởng để đánh giá tác động.

Một vòng đời điển hình: chuẩn bị dữ liệu cho kỳ trích lập

Hãy hình dung một ngân hàng thương mại tại Việt Nam chuẩn bị dữ liệu cho kỳ tính ECL. Thay vì tổng hợp vội vàng vào phút chót rồi phát hiện lỗi khi đã quá muộn, quy trình có kiểm soát diễn ra như sau:

Tập hợp & đối chiếu. Gom dữ liệu khoản vay, tài sản đảm bảo, lịch sử trả nợ từ các nguồn; đối chiếu nhất quán giữa core và kho dữ liệu rủi ro.
Đo chất lượng. Chạy các luật chất lượng theo chiều đầy đủ – chính xác – nhất quán; lập danh sách bản ghi cần xử lý.
Xử lý vấn đề tại nguồn. Bổ khuyết, sửa lỗi, chuẩn hóa phân loại — ưu tiên sửa ở hệ thống gốc thay vì vá tạm trong báo cáo.
Nuôi mô hình với dữ liệu đã được chứng thực. Đưa bộ dữ liệu đạt ngưỡng chất lượng vào mô hình ECL, kèm lineage truy được nguồn.
Lưu vết phục vụ kiểm toán. Ghi nhận kết quả đo chất lượng và đường đi dữ liệu để sẵn sàng giải trình.

Khác biệt nằm ở chỗ chất lượng dữ liệu được đo và kiểm soát trước khi mô hình chạy, chứ không phải phát hiện lỗi sau khi con số đã công bố.

Giá trị mang lại

Mô hình đáng tin hơn. Đầu vào sạch và đầy đủ làm giảm sai số ước lượng ECL, để con số dự phòng phản ánh đúng rủi ro danh mục.
Trích lập đúng — bảo vệ vốn và lợi nhuận. Tránh cả thiếu dự phòng (rủi ro đệm vốn) lẫn thừa dự phòng (bào mòn lợi nhuận) do dữ liệu lệch.
Sẵn sàng kiểm toán. Governance và lineage cung cấp bằng chứng về nguồn và chất lượng dữ liệu mô hình — trả lời được câu hỏi của kiểm toán và cơ quan quản lý.
Dùng chung cho nhiều mục đích. Cùng nền dữ liệu tín dụng sạch phục vụ ECL, mô hình rủi ro theo Basel, và báo cáo cho CIC — một lần đầu tư, nhiều bài toán.
Phát hiện sớm thay vì xử lý muộn. Giám sát chất lượng liên tục giúp bắt vấn đề trước kỳ báo cáo thay vì chữa cháy vào phút chót.

Lưu ý khi triển khai

Chất lượng dữ liệu là điều kiện cần, không phải toàn bộ. Nó làm sạch đầu vào; phương pháp luận mô hình ECL và việc hiệu chỉnh vẫn thuộc về đội định lượng và kiểm toán.
Sửa tại nguồn, đừng vá ở báo cáo. Giá trị bền vững đến khi lỗi được khắc phục ở hệ thống gốc; vá tạm trong tầng báo cáo chỉ giấu vấn đề.
Định nghĩa nghiệp vụ phải thống nhất trước. Đo chất lượng chỉ có nghĩa khi các khái niệm tín dụng (nhóm nợ, quá hạn, loại tài sản) đã được định nghĩa chung — đây là việc của governance, làm trước khi đặt luật.
Độ phủ phụ thuộc nguồn được kết nối. Bức tranh chất lượng chỉ đầy đủ khi các hệ thống tín dụng trọng yếu được đưa vào phạm vi; cần lộ trình mở rộng.
Diễn giải chuẩn mực thuộc về chuyên gia. Tài liệu này mô tả năng lực dữ liệu; cách áp dụng IFRS 9 cụ thể cần phối hợp với bộ phận tài chính, rủi ro và kiểm toán.

Các chiều chất lượng dữ liệu — đầy đủ, chính xác, nhất quán và cách đo.
Giám sát chất lượng dữ liệu — theo dõi liên tục và cảnh báo bất thường.
BCBS 239 & tổng hợp dữ liệu rủi ro — nền dữ liệu rủi ro cho báo cáo và mô hình.