Data Engineering cho Phân tích Rủi ro 🏠
🏠 Trang chủ / Data Engineering cho Phân tích Rủi ro / Phần 3 · Phân tích rủi ro trên dữ liệu / Module 12
💧 Module 12 / 18 · 2 tuần Nâng cao

Rủi ro thanh khoản: dự báo dòng tiền 13 tuần và kiểm tra sức chịu đựng

Lãi mà vẫn có thể chết vì hết tiền. Dựng dự báo dòng tiền 13 tuần cho An Phát từ dữ liệu: thu công nợ dự kiến tính từ ngày đến hạn và hành vi trả của từng đại lý, chi nhà cung cấp, lương, thuế, trả nợ vay; chạy kịch bản căng thẳng và tìm tuần thủng ngưỡng tiền tối thiểu 20 tỷ.

Cash flow forecast13 tuầnStress testĐường băng
📌 Vì sao module này quan trọng

Doanh nghiệp phân phối có biên lợi nhuận mỏng và vốn lưu động lớn: chỉ cần khách trả chậm một chút trong mùa nhà cung cấp đòi tiền gấp là thiếu tiền mặt, dù báo cáo kết quả kinh doanh vẫn lãi. Dự báo dòng tiền 13 tuần là công cụ giám đốc tài chính dùng hằng tuần, và chất lượng của nó phụ thuộc gần như hoàn toàn vào dữ liệu công nợ mà bạn đã xây ở các module trước.

🎯 Mục tiêu học tập

  • Phân biệt lợi nhuận và dòng tiền
  • Liệt kê nguồn dữ liệu cho dự báo 13 tuần
  • Dự báo thu công nợ từ dữ liệu hoá đơn và hành vi trả
  • Dựng mô hình 13 tuần và kịch bản căng thẳng
  • Đo độ chính xác dự báo để cải thiện

🟢 Lãi trên sổ, thiếu tiền trong két

Bán chịu 60 ngày nghĩa là ghi nhận doanh thu hôm nay nhưng hai tháng sau mới có tiền, trong khi nhà cung cấp, lương, thuế, ngân hàng không chờ. Trước Tết, An Phát nhập hàng nhiều (trả nhà cung cấp nhiều), trả lương tháng 13, và trùng lịch trả gốc vay: đó là “mùa khô” của tiền mặt.

DòngDữ liệuĐộ chắc chắn
Thu công nợ cũHoá đơn còn nợ + ngày đến hạn + hành vi trả từng đại lýTrung bình: phụ thuộc khách
Thu từ doanh số mớiKế hoạch bán hàng × kỳ hạnThấp: là dự báo
Trả nhà cung cấpPhải trả + kế hoạch nhập hàngCao với khoản đã có hoá đơn
Lương, thưởngBảng lương, lịch chiRất cao
ThuếLịch nộp thuếRất cao
Gốc, lãi vayHợp đồng vayRất cao

🟡 Thu công nợ dự kiến: dùng hành vi thật của từng đại lý

Thay vì giả định “mọi người trả đúng hạn”, lấy ngày đến hạn cộng độ trễ trung bình năm 2025 của chính đại lý đó. Nợ quá hạn trên 90 ngày không đưa vào dự báo thu (thận trọng).

-- Dự báo thu công nợ theo tuần: ngày đến hạn + độ trễ trung bình năm 2025 của chính đại lý đó
WITH hist AS (
  SELECT dealer_id, AVG(GREATEST(paid_date - due_date, 0)) AS tre_tb
  FROM 'invoices.csv'
  WHERE paid_date BETWEEN DATE '2025-01-01' AND DATE '2025-12-31'
  GROUP BY 1
), open_ar AS (
  SELECT * FROM 'invoices.csv'
  WHERE invoice_date <= DATE '2025-12-31'
    AND (paid_date IS NULL OR paid_date > DATE '2025-12-31')
    AND DATE '2025-12-31' - due_date <= 90       -- nợ > 90 ngày: không đưa vào dự báo thu
), expected AS (
  SELECT o.amount_vnd,
         GREATEST(o.due_date + CAST(floor(COALESCE(h.tre_tb, 10) + 0.5) AS INTEGER),
                  DATE '2026-01-05')              AS ngay_thu_du_kien
  FROM open_ar o LEFT JOIN hist h USING (dealer_id)
)
SELECT 1 + (ngay_thu_du_kien - DATE '2026-01-05') // 7   AS tuan,
       ROUND(SUM(amount_vnd) / 1e9, 1)                    AS thu_du_kien_ty
FROM expected
GROUP BY 1
HAVING tuan <= 13
ORDER BY 1;
+------+----------------+
| tuan | thu_du_kien_ty |
+------+----------------+
|    1 |          122.1 |
|    2 |             70 |
|    3 |             74 |
|    4 |           68.7 |
|    5 |             74 |
|    6 |           55.1 |
|    7 |           47.2 |
|    8 |           42.6 |
|    9 |           18.6 |
|   10 |            3.1 |
+------+----------------+
(10 dòng)

Tuần 1 lớn vì gồm cả các hoá đơn đã quá hạn nhưng dự kiến vẫn thu (dồn về tuần đầu). Từ tuần 9, công nợ cũ gần hết và dòng thu chuyển sang doanh số mới (khoảng 51 tỷ/tuần theo kế hoạch). Đây là cầu nối trực tiếp giữa dữ liệu rủi ro tín dụng và rủi ro thanh khoản.

🟡 Mô hình 13 tuần

TuầnThu (tỷ)Chi (tỷ)Ròng (tỷ)Tiền cuối tuần (tỷ)
1124,666,857,8102,8
272,571,11,4104,3
376,671,94,7108,9
471,283,7-12,596,4
576,566,89,7106,2
657,6106,2-48,657,6
749,855,9-6,151,5
845,155,1-9,941,6
969,650,818,860,4
1054,155,1-0,959,5
1151,069,9-18,940,6
1251,055,1-4,136,5
1351,050,80,236,8
  • Tiền đầu kỳ 45 tỷ; tiền tối thiểu phải giữ 20 tỷ.
  • Tuần 6 (trước Tết): trả gốc vay 26 tỷ + lương tháng 13 9,1 tỷ + nhà cung cấp mùa cao điểm. Tuần 11: trả gốc 14 tỷ.
  • Kịch bản cơ sở: tiền thấp nhất 36,5 tỷ, không thủng ngưỡng.

🟡 Kiểm tra sức chịu đựng (stress test)

Giả định căng thẳngCơ sởCăng thẳng
Tỷ lệ thu được so với dự kiến100%97%
Doanh số mới100%95%
Nhà cung cấp rút ngắn kỳ hạn 4 tuần đầuKhôngTrả thêm 6%
Tiền cuối tuần dự báo 13 tuần (tỷ đồng)-27.41.9231.260.589.711912345678910111213TuầnTiền tối thiểu 20 tỷCơ sởCăng thẳng
Chỉ cần thu chậm 3% và nhà cung cấp đòi tiền nhanh hơn một chút, tiền mặt thủng ngưỡng tối thiểu ở các tuần 7, 8, 10, 11, 12, 13, và âm 17,3 tỷ vào tuần 13. Những cú sốc nhỏ cộng dồn mới là điều nguy hiểm.
Hành động khi kịch bản căng thẳng thủng ngưỡngAiKhi nào
Đàm phán hạn mức tín dụng ngắn hạn dự phòngGĐ Tài chínhTrước tuần 4
Đẩy thu nợ nhóm đại lý hạng D–E, chiết khấu thanh toán sớm cho hạng A–BKinh doanh + công nợTuần 1–5
Giãn lịch nhập hàng không thiết yếuMua hàngTuần 2–6
Xin giãn/ đảo nợ khoản gốc tuần 11GĐ Tài chínhTrước tuần 8

🔴 Đo độ chính xác dự báo để cải thiện

Dự báo không được đo sẽ không bao giờ tốt lên. Mỗi tuần, lưu bản dự báo (ảnh chụp) và so với thực tế khi tuần đó qua đi:

import pandas as pd

# forecasts: mỗi lần chạy lưu (forecast_date, week_start, line, amount); actuals: thực tế theo (week_start, line)
f = pd.read_parquet("gold/cash_forecast_history.parquet")
a = pd.read_parquet("gold/cash_actuals.parquet")

f["horizon_w"] = (f.week_start - f.forecast_date).dt.days // 7 + 1          # dự báo trước bao nhiêu tuần
m = f.merge(a, on=["week_start", "line"], suffixes=("_fc", "_act"))
m["err"] = m.amount_fc - m.amount_act

acc = (m.groupby(["line", "horizon_w"])
         .apply(lambda g: pd.Series({
             "bias_pct": g.err.sum() / g.amount_act.sum() * 100,             # dương = dự báo quá lạc quan
             "wape_pct": g.err.abs().sum() / g.amount_act.abs().sum() * 100,  # sai số tuyệt đối có trọng số
         }))
         .reset_index())
print(acc.query("line == 'thu_cong_no'"))
Đọc kết quả

Bias dương kéo dài ở dòng thu công nợ nghĩa là bạn đang lạc quan về khách: hãy dùng độ trễ theo hạng rủi ro thay vì trung bình. WAPE tăng theo tầm xa là bình thường; điều cần là nó giảm dần theo thời gian khi mô hình được cải thiện.

⚠️ Sai lầm thường mắc

❌ Giả định khách trả đúng hạn

Vì sao nguy hiểm: Dự báo thu quá lạc quan.

Cách làm đúng: Dùng hành vi trả thực tế từng đại lý/ hạng.

❌ Tính nợ xấu vào dòng thu

Vì sao nguy hiểm: Tiền ảo trên dự báo.

Cách làm đúng: Loại nợ > 90 ngày hoặc áp tỷ lệ thu hồi thận trọng.

❌ Chỉ có một kịch bản

Vì sao nguy hiểm: Không thấy điểm gãy.

Cách làm đúng: Luôn có kịch bản căng thẳng và ngưỡng hành động.

❌ Bỏ quên khoản lớn theo lịch

Vì sao nguy hiểm: Gốc vay, thuế, thưởng Tết làm hụt tiền bất ngờ.

Cách làm đúng: Lịch chi cố định nạp từ hợp đồng, lịch thuế.

❌ Không lưu bản dự báo cũ

Vì sao nguy hiểm: Không đo được độ chính xác.

Cách làm đúng: Ảnh chụp mỗi lần dự báo, so với thực tế.

❌ Dự báo theo tháng cho rủi ro thanh khoản

Vì sao nguy hiểm: Thiếu tiền giữa tháng vẫn xảy ra.

Cách làm đúng: Theo tuần (hoặc ngày cho 2–4 tuần đầu).

📌 Cần nhớ
  • Lợi nhuận ≠ dòng tiền; doanh nghiệp bán chịu dễ thiếu tiền mùa cao điểm.
  • Thu công nợ dự kiến = ngày đến hạn + độ trễ thực tế của từng khách; loại nợ xấu.
  • Mô hình 13 tuần: thu, chi, ròng, tiền cuối tuần so với ngưỡng tối thiểu.
  • Kịch bản căng thẳng nhẹ đã làm An Phát thủng ngưỡng ở 6 tuần.
  • Lưu và đo bias/ WAPE của dự báo để cải thiện.

🧩 Tự kiểm tra (bấm để xem đáp án)

1. Vì sao doanh nghiệp có lãi vẫn có thể mất khả năng thanh toán?
A. Lợi nhuận ghi nhận khi bán chịu, tiền về sau; chi phải trả trước
B. Vì thuế
C. Không thể xảy ra
Đáp án: A. Lệch thời điểm thu chi.
2. Hoá đơn đến hạn 10/01, đại lý thường trả trễ 12 ngày. Ngày thu dự kiến:
A. 10/01
B. 22/01
C. 29/12
Đáp án: B. Ngày đến hạn + độ trễ.
3. Nợ quá hạn 200 ngày nên xử lý thế nào trong dự báo thu 13 tuần?
A. Tính đủ
B. Loại hoặc áp tỷ lệ thu hồi rất thận trọng
C. Nhân đôi
Đáp án: B. Thận trọng với nợ xấu.
4. Bias dự báo thu = +15% kéo dài nghĩa là:
A. Dự báo quá bi quan
B. Dự báo quá lạc quan
C. Dự báo hoàn hảo
Đáp án: B. Dự báo lớn hơn thực tế.
5. Mục đích chính của stress test thanh khoản:
A. Chứng minh công ty an toàn
B. Tìm điểm gãy và chuẩn bị hành động trước
C. Thay dự báo cơ sở
Đáp án: B. Chuẩn bị trước khi xảy ra.

🏋️ Bài tập thực hành

Dự báo thu theo hạng rủi ro

Thay độ trễ trung bình của từng đại lý bằng phân phối độ trễ theo hạng rủi ro (module 11): với mỗi hạng, dùng phân vị 50% và 80% của độ trễ năm 2025. Dựng hai đường thu (P50, P80) và chạy lại mô hình 13 tuần. Tuần thấp nhất thay đổi thế nào?

💡 Gợi ý lời giải
Tính hạng cho đại lý đang hoạt động, rồi quantile_cont(tre, 0.8) theo hạng. Đại lý không có lịch sử: gán hạng C. Dùng truy vấn m12_collections, thay h.tre_tb bằng phân vị theo hạng.

📚 Tài nguyên học tập

✅ Tự đánh giá hoàn thành

  • Liệt kê 6 dòng thu/chi và nguồn dữ liệu
  • Chạy truy vấn thu công nợ dự kiến
  • Đọc bảng 13 tuần và tìm tuần thấp nhất
  • Chạy kịch bản căng thẳng bằng công cụ
  • Thiết kế bảng lưu lịch sử dự báo
Lưu ý: đây là tài liệu giáo dục. Công ty An Phát Distribution, đại lý, nhà cung cấp, nhân viên và mọi số liệu đều là giả định do code sinh ra, không đại diện cho doanh nghiệp thật. Phương pháp (scorecard, ECL, VaR, Benford...) được đơn giản hoá cho mục đích học; khi áp dụng thật, hãy đối chiếu chuẩn mực kế toán (VAS/ IFRS 9), quy định pháp luật hiện hành (ví dụ về bảo vệ dữ liệu cá nhân) và chính sách nội bộ của tổ chức bạn.