Data-driven financial analysis processes – effective financial management solutions for businesses in the digital economy
TS. Phạm Thị Thanh Phương – TS. Nguyễn Thị Thu Huyền
Trường Đại học Công nghệ thông tin và Truyền thông,
Đại học Thái Nguyên
(Quanlynhanuoc.vn) – Trong bối cảnh nền kinh tế số, dữ liệu đang trở thành nguồn lực chiến lược trong quản trị doanh nghiệp, đặc biệt là quản trị tài chính. Tuy nhiên, phần lớn doanh nghiệp vẫn chủ yếu dựa vào các phương pháp phân tích tài chính truyền thống, chưa khai thác hiệu quả tiềm năng của dữ liệu lớn và trí tuệ nhân tạo. Dựa trên tổng hợp cơ sở lý thuyết và các nghiên cứu trước, bài viết đề xuất một quy trình phân tích tài chính dựa trên dữ liệu mang tính hệ thống, tích hợp các cấp độ phân tích từ mô tả, dự báo đến ra quyết định, phù hợp với bối cảnh doanh nghiệp Việt Nam. Kết quả nghiên cứu1 cung cấp khung phương pháp có giá trị tham khảo cho doanh nghiệp trong quá trình chuyển đổi số, đồng thời mở ra hướng nghiên cứu tiếp theo về việc ứng dụng AI trong phân tích tài chính.
Từ khóa: Phân tích tài chính dựa trên dữ liệu, quản trị tài chính, nền kinh tế số, trí tuệ nhân tạo, học máy, dự báo tài chính.
Abstract: In the context of the digital economy, data has become a strategic resource in business management, particularly in financial management. However, most businesses still primarily rely on traditional financial analysis methods and have not effectively leveraged the potential of big data and artificial intelligence. Based on a synthesis of theoretical foundations and prior research, this paper proposes a systematic data-driven financial analysis process that integrates analytical levels ranging from descriptive analysis to forecasting and decision-making, tailored to the context of Vietnamese businesses. The research findings provide a valuable methodological framework for businesses undergoing digital transformation, while also opening up avenues for further research on the application of AI in financial analysis.
Keywords: Data-driven financial analysis; financial management; digital economy; artificial intelligence; machine learning; financial forecasting.
1. Đặt vấn đề
Trong nền kinh tế số, dữ liệu ngày càng đóng vai trò trung tâm trong việc nâng cao năng lực cạnh tranh của doanh nghiệp. Sự phát triển của công nghệ như dữ liệu lớn (Big Data), trí tuệ nhân tạo (AI) và điện toán đám mây đã làm thay đổi cách thức doanh nghiệp thu thập, xử lý và khai thác thông tin, đặc biệt trong lĩnh vực quản trị tài chính. Theo đó, các quyết định tài chính không chỉ dựa trên kinh nghiệm hay các báo cáo tài chính lịch sử mà còn dần chuyển sang dựa trên phân tích dữ liệu theo thời gian thực và các mô hình dự báo hiện đại. Tuy nhiên, thực tiễn cho thấy phần lớn doanh nghiệp, đặc biệt tại các nền kinh tế đang phát triển như Việt Nam, vẫn chủ yếu áp dụng các phương pháp phân tích tài chính truyền thống. Các phương pháp này tập trung vào việc phân tích chỉ số tài chính, so sánh theo thời gian hoặc theo ngành, nhưng vẫn còn hạn chế trong việc khai thác dữ liệu đa nguồn, dữ liệu phi cấu trúc và dữ liệu theo thời gian thực. Điều này dẫn đến việc ra quyết định tài chính còn mang tính phản ứng, thiếu khả năng dự báo và tối ưu hóa trong môi trường kinh doanh biến động.
Trong khi đó, các nghiên cứu gần đây cho thấy việc ứng dụng phân tích dữ liệu và trí tuệ nhân tạo có thể nâng cao đáng kể hiệu quả tài chính, cải thiện khả năng dự báo, quản trị rủi ro và tối ưu hóa nguồn lực. Tuy vậy, khoảng trống nghiên cứu vẫn tồn tại do thiếu một khung quy trình toàn diện, có tính hệ thống và phù hợp với điều kiện của doanh nghiệp Việt Nam. Xuất phát từ những vấn đề trên, nghiên cứu này tập trung xây dựng một quy trình phân tích tài chính dựa trên dữ liệu tích hợp, bao gồm các cấp độ phân tích hiện đại, từ đó góp phần hoàn thiện cơ sở lý luận và cung cấp giải pháp thực tiễn cho doanh nghiệp trong bối cảnh nền kinh tế số.
2. Cơ sở lý thuyết về phân tích tài chính dựa trên dữ liệu
Trong nền kinh tế số, phân tích dữ liệu là nền tảng cốt lõi để các tổ chức khai thác giá trị từ lượng dữ liệu khổng lồ, hỗ trợ ra quyết định dựa trên bằng chứng thay vì kinh nghiệm hoặc trực giác. Theo Davenport (2006)2, trong quá trình nâng cao năng lực cạnh tranh, các doanh nghiệp không chỉ thu thập dữ liệu mà còn phân tích và hành động dựa trên dữ liệu một cách có hệ thống, giúp tối ưu hóa mọi quy trình kinh doanh, từ việc hiểu nhu cầu khách hàng, định giá, dự báo nhu cầu tồn kho đến đánh giá đóng góp của nhân sự vào lợi nhuận. Trong lĩnh vực quản lý tài chính, phân tích tài chính truyền thống thường dựa trên các báo cáo tài chính, phân tích các chỉ số tài chính cơ bản, so sánh theo thời gian và theo ngành… Các phương pháp này mang tính truyền thống và chưa khai thác dữ liệu theo thời gian thực. Khảo sát của Nguyễn Khắc Hiếu (2024)3 đối với 314 doanh nghiệp Việt Nam cho thấy các doanh nghiệp có ứng dụng Big Data Analytics, AI, Cloud Computing đạt hiệu quả tài chính cao hơn.
Các nghiên cứu liên quan đến phân tích tài chính và phân tích kinh doanh dựa trên dữ liệu đều nhấn mạnh rằng quá trình phân tích cần tích hợp dữ liệu lớn và công nghệ số để nâng cao khả năng dự báo và ra quyết định.
Nghiên cứu của Mortaji & Shateri (2023)4 và Davenport & Harris (2007)5 về phân tích dữ liệu kinh doanh được chia thành 3 cấp độ chính, tạo thành một chuỗi giá trị liên tục. Cụ thể:
Cấp độ một là, “Phân tích mô tả”, trả lời câu hỏi “Điều gì đã xảy ra?” và “Tình hình hiện tại là gì?”. Cấp độ này sử dụng tổng hợp dữ liệu, thống kê mô tả, biểu đồ… để tóm tắt dữ liệu lịch sử, nhận diện xu hướng và các bất thường trong hoạt động kinh doanh. Trong tài chính, mức này giúp tính toán các chỉ số truyền thống như ROE, ROA, các tỷ số thanh khoản và phân tích xu hướng…
Cấp độ hai là, “Phân tích dự báo”, trả lời câu hỏi: “Điều gì có thể xảy ra?”, áp dụng học máy, mô hình thống kê và khai phá dữ liệu để dự đoán tương lai dựa trên dữ liệu quá khứ, ví dụ như: dự báo doanh số, tỷ lệ khách hàng ngừng sử dụng sản phẩm, rủi ro tín dụng… Các kỹ thuật phổ biến được sử dụng bao gồm: cây quyết định, các mô hình tuyến tính hiện đại… giúp nâng cao độ chính xác dự báo tài chính so với phân tích truyền thống.
Cấp độ ba là, “Phân tích quyết định”, trả lời các câu hỏi: “Nên làm gì?” và “Hành động tối ưu là gì?”. Cấp độ này, kết hợp với việc sử dụng trí tuệ nhân tạo, giúp nâng cao hiệu suất làm việc, tự động hóa và tạo ra sức mạnh vượt trội.
Trong quản trị tài chính, phân tích dữ liệu tạo ra giá trị bền vững trong nền kinh tế số (Bharathi & Javi Prabha, 2026)6. Các mô hình dự báo và đề xuất ra quyết định hỗ trợ dự báo dòng tiền và đánh giá rủi ro tài chính (Olagoke, 2025)7; tối ưu cấu trúc vốn và quyết định đầu tư; giám sát hiệu suất tài chính theo thời gian thực qua dashboard và hệ thống cảnh báo. Bên cạnh đó, sự kết hợp giữa phân tích dữ liệu và trí tuệ nhân tạo (AI) không chỉ nâng cao độ chính xác mà còn chuyển đổi quy trình từ phản ứng sang dự phòng và tối ưu hóa (Mortaji & Shateri, 2023)8. Trong bối cảnh nền kinh tế số, việc áp dụng các mô hình này giúp doanh nghiệp Việt Nam vượt qua hạn chế của phân tích tài chính truyền thống vốn chỉ dựa trên báo cáo tài chính, qua đó đạt được giám sát theo thời gian thực và ra quyết định dựa trên bằng chứng.
Như vậy, những cơ sở lý thuyết về phân tích tài chính dựa trên dữ liệu cung cấp nền tảng vững chắc cho quy trình phân tích tài chính thông minh, từ phân tích mô tả để hiểu điều gì đã xảy ra và dự báo những điều có thể xảy ra trong tương lai, đồng thời hỗ trợ việc ra quyết định dựa trên dữ liệu từ nhiều nguồn khác nhau. Các khung lý thuyết của Davenport (2006)9, Chen et al. (2012)10, Mortaji & Shateri (2023)11, Olagoke (2025)12, Judijanto et al. (2023)13 sẽ được sử dụng làm nền tảng để xây dựng và đề xuất quy trình phân tích tài chính dựa trên dữ liệu toàn diện, phù hợp với doanh nghiệp Việt Nam trong bối cảnh nền kinh tế số.
3. Quy trình phân tích tài chính dựa trên dữ liệu
Dựa trên nền tảng lý thuyết về phân tích dữ liệu, nghiên cứu đề xuất một quy trình phân tích tài chính dựa trên dữ liệu toàn diện, có tính hệ thống và khả thi cao trong bối cảnh doanh nghiệp Việt Nam. Quy trình gồm bảy bước theo chu kỳ lặp lại, bảo đảm tính liên tục từ việc xác định vấn đề đến triển khai, giám sát và cải tiến. Mỗi bước tích hợp chặt chẽ 3 cấp độ phân tích: từ mô tả, dự báo đến ra quyết định, cùng vai trò của AI trong tự động hóa, nâng cao độ chính xác và tăng tốc độ xử lý. Quy trình không chỉ chuyển đổi phân tích tài chính truyền thống, vốn dựa chủ yếu vào báo cáo lịch sử và các chỉ số tài chính cơ bản, sang phân tích tài chính dựa trên dữ liệu để đưa ra những đánh giá khách quan, tổng thể và dài hạn.
Bước thứ nhất, xác định mục tiêu chiến lược và vấn đề tài chính.
Bước đầu tiên đòi hỏi sự cam kết mạnh mẽ từ lãnh đạo cấp cao và sự gắn kết chặt chẽ giữa mục tiêu tài chính và chiến lược kinh doanh tổng thể. Các vấn đề tài chính điển hình cần giải quyết bao gồm: tối ưu hóa cấu trúc vốn, dự báo dòng tiền, đánh giá và quản lý rủi ro tài chính, tối đa hóa giá trị cho cổ đông hoặc hỗ trợ quyết định đầu tư trong nền kinh tế số.
Bước thứ hai: thu thập và tích hợp dữ liệu.
Dữ liệu tài chính được thu thập từ nhiều nguồn: dữ liệu nội bộ có cấu trúc được trích xuất từ các hệ thống quản trị nguồn lực trong doanh nghiệp, hệ thống kế toán, báo cáo tài chính; dữ liệu không cấu trúc từ email, báo cáo trên mạng xã hội và dữ liệu thời gian thực từ IoT, thiết bị di động… Bước này đòi hỏi phải xây dựng kho dữ liệu trung tâm, đảm bảo tính toàn vẹn, bảo mật và tuân thủ các quy định pháp luật hiện hành.
Bước thứ ba, làm sạch dữ liệu.
Bước này thường chiếm tương đối nhiều thời gian trong dự án phân tích tài chính dựa trên dữ liệu và thường áp dụng phân tích mô tả để khám phá dữ liệu, làm sạch dữ liệu và chuẩn hóa định dạng. Bước này sử dụng các công cụ như Python/R, Power BI, Tableau kết hợp với AI nhằm tạo ra bộ dữ liệu sạch, sẵn sàng cho mô hình hóa với chất lượng cao, giảm nguy cơ sai lệch kết quả.
Bước thứ tư, phân tích mô tả và khám phá.
Bước này trả lời câu hỏi cốt lõi “Điều gì đã xảy ra?” và “Tình hình hiện tại là gì?”. Nội dung của bước này là tính toán các chỉ số tài chính cơ bản để cung cấp cái nhìn tổng quan nhanh chóng cho lãnh đạo. Các công cụ hỗ trợ trong bước này thường được sử dụng là Tableau, Power BI và Python.
Bước thứ năm, phân tích dự báo bằng AI và học máy nhằmtrả lời câu hỏi “Điều gì có thể xảy ra?”.
Lúc này cần xây dựng mô hình dự báo dòng tiền, rủi ro tín dụng, biến động tỷ giá và tỷ lệ khách hàng ảnh hưởng đến doanh thu. Các kỹ thuật phổ biến như sử dụng mô hình chuỗi thời gian ARIMA, các phương pháp hồi quy, các mô hình học máy… nhằm tăng tính minh bạch và hiệu quả của phân tích.
Bước thứ sáu, phân tích quyết định và tối ưu hóa nhằm trả lời câu hỏi của doanh nghiệp: “Nên làm gì?” và “Hành động tối ưu là gì?”
Hoạt động phân tích chủ yếu dựa trên việc áp dụng các phương pháp tối ưu hóa và mô hình định lượng, bao gồm: Linear Programming, Integer Programming, Monte Carlo Simulation, Reinforcement Learning và các thuật toán tối ưu hóa nhằm thực hiện phân tích kịch bản trong các bối cảnh khác nhau. Chẳng hạn, mô hình có thể được sử dụng để xác định tỷ lệ nợ trên vốn chủ sở hữu tối ưu nhằm tối đa hóa giá trị doanh nghiệp trong điều kiện lãi suất gia tăng, hoặc đề xuất danh mục đầu tư hiệu quả dựa trên các tiêu chí về rủi ro và lợi nhuận. Kết quả đầu ra của quá trình phân tích là tập hợp các khuyến nghị cụ thể, có cơ sở định lượng, qua đó hỗ trợ quá trình ra quyết định theo hướng tự động hoặc bán tự động, góp phần nâng cao hiệu quả và tính nhất quán trong quản trị tài chính của doanh nghiệp.
Bước thứ bảy: triển khai, giám sát và cải tiến liên tục.
Quy trình không dừng ở mô hình mà phải chuyển thành giá trị thực tế. Hoạt động triển khai tập trung vào việc đưa mô hình vào môi trường vận hành thực tế, đồng thời xây dựng hệ thống bảng điều khiển (dashboard) theo thời gian thực tích hợp cơ chế cảnh báo. Quá trình này bao gồm: giám sát hiện tượng, thu thập phản hồi từ người dùng cuối cùng và tái huấn luyện mô hình theo chu kỳ nhằm duy trì độ chính xác và ổn định.
4. Kết luận
Nghiên cứu đã đề xuất một quy trình phân tích tài chính dựa trên dữ liệu gồm 7 bước, tích hợp các cấp độ phân tích từ mô tả, dự báo đến ra quyết định. Kết quả cho thấy, việc ứng dụng dữ liệu lớn, trí tuệ nhân tạo và học máy giúp nâng cao độ chính xác dự báo, hỗ trợ ra quyết định dựa trên bằng chứng và chuyển đổi quản trị tài chính từ bị động sang chủ động. Quy trình này có ý nghĩa thực tiễn đối với doanh nghiệp Việt Nam trong bối cảnh chuyển đổi số; tuy nhiên, hiệu quả triển khai còn phụ thuộc vào năng lực công nghệ, chất lượng dữ liệu và mức độ cam kết của tổ chức.
Chú thích:
1. Bài báo là kết quả của đề tài nghiên cứu khoa học cấp cơ sở có tên: “Phân tích insight tài chính dựa trên dữ liệu: Khung phương pháp và ứng dụng tại công ty TNG Thái Nguyên” tại Khoa Kinh tế và Quản trị – Trường Đại học Công nghệ thông tin & Truyền thông”(Mã số: T2026-07-29), được tài trợ bởi Trường Đại học Công nghệ thông tin & Truyền thông.
2, 9. Davenport, T. H. (2006). Competing on analytics. Harvard Business Review, 84 (1), pp. 98 – 107.
3. Nguyễn Khắc Hiếu (2024). Ứng dụng Big Data, AI và Cloud Computing trong doanh nghiệp Việt Nam: Tác động đến hiệu quả tài chính. Tạp chí Kinh tế và Phát triển, số 321, tr. 42 – 51.
4, 8, 11. Mortaji, S. T. H., & Shateri, S. (2023). Harnessing the power of business analytics and artificial intelligence. International Journal of Innovation in Engineering.
5. Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard Business School Press.
6. Bharathi, S. (Ed.). (2026). Advanced business analytics: Models, methods, and applications; Strategic financial management: Value creation in a dynamic business environment. Bhumi Publishing.
7, 12. Olagoke, M. F. (2025). The role of predictive analytics in enhancing financial decision-making and risk management. Global Journal of Finance and Management, 17(1), pp. 12-25.
10. Chen, H., Chiang, R. H. L., & Story, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36 (4), 1165 – 1188. https://doi.org/10.2307/41703503.
13. Judijanto, L., Devi, E. K., & Yusuf, S. (2023). Trends and evolution of data-driven financial management. Journal of Finance and Data Science.
Tài liệu tham khảo:
1. Predictive analytics techniques for forecasting financial performance. (2024). International Journal of Research and Innovation in Social Science, 8(11).
2. Phát triển thương hiệu của doanh nghiệp trong nền kinh tế số ở Việt Nam hiện nay.https://www.quanlynhanuoc.vn/2024/07/30/phat-trien-thuong-hieu-cua-doanh-nghiep-trong-nen-kinh-te-so-o-viet-nam-hien-nay.
