Giới thiệu dự án

Thị trường thanh toán kỹ thuật số và công nghệ tài chính (Fintech) tại Việt Nam đang chứng kiến tốc độ tăng trưởng kép hàng năm (CAGR) vượt mức 15%, với hơn 76% người tiêu dùng sử dụng các phương thức thanh toán không dùng tiền mặt (theo thống kê từ Ngân hàng Nhà nước Việt Nam). Trong số các nền tảng trung gian thanh toán đang hoạt động, ví điện tử MoMo (thuộc Công ty Cổ phần Dịch vụ Di động Trực tuyến - M-Service) duy trì vị thế dẫn đầu với hơn 31 triệu người dùng. Tuy nhiên, sau giai đoạn bùng nổ của đại dịch Covid-19, thị trường ví điện tử bước vào chu kỳ bão hòa và cạnh tranh gay gắt từ các đối thủ như VNPay, ZaloPay, ShopeePay và Viettel Money. Người dùng, đặc biệt là nhóm sinh viên (Gen Z) – đối tượng nhạy cảm về công nghệ và giá, có xu hướng liên tục chuyển đổi nền tảng nhằm khai thác các chương trình chiêu thị ngắn hạn (incentive-driven churn).

                                    +-----------------------------------------+
                                    |     Bối cảnh thị trường Fintech VN     |
                                    |  76% người dùng số - MoMo dẫn đầu 31M+  |
                                    +--------------------+--------------------+
                                                         |
                                                         v
                                    +-----------------------------------------+
                                    |       Vấn đề cốt lõi (Pain Points)      |
                                    | Tỷ lệ rời bỏ cao, dịch vụ chưa đồng đều |
                                    +--------------------+--------------------+
                                                         |
                                                         v
                                    +-----------------------------------------+
                                    |           Giải pháp nghiên cứu          |
                                    |   Định lượng 5 nhân tố tác động (HUB)   |
                                    +--------------------+--------------------+
                                                         |
                      +-------------------+--------------+--------------+-------------------+
                      |                   |                             |                   |
                      v                   v                             v                   v
              +---------------+   +---------------+             +---------------+   +---------------+
              | CL Dịch vụ    |   | Độ bảo mật    |             | HQ Công nghệ  |   | Sự phản hồi   |
              | (CLDV: Beta 1)|   | (ĐBM: Beta 2) |             | (HQCN: Beta 3)|   | (SPH: Beta 5) |
              +---------------+   +---------------+             +---------------+   +---------------+

Vấn đề cốt lõi đặt ra cho M-Service là xác định chính xác các yếu tố kỹ thuật và trải nghiệm người dùng đóng vai trò quyết định đến sự hài lòng và lòng trung thành của khách hàng sinh viên, thay vì phụ thuộc vào các cuộc đua đốt tiền khuyến mãi.

Mục tiêu cụ thể của đề tài bao gồm:

  1. Xác định và lượng hóa hệ thống 5 nhóm nhân tố tác động: Tính hiệu quả công nghệ (HQCN), Sự tin tưởng (STT), Độ bảo mật (ĐBM), Chất lượng dịch vụ (CLDV) và Sự phản hồi (SPH) đối với Sự hài lòng (SHL).
  2. Xây dựng mô hình hồi quy tuyến tính bội (Multiple Linear Regression) và kiểm định mức độ tương quan thực nghiệm trên cỡ mẫu $N = 220$ sinh viên Đại học Ngân hàng TP. Hồ Chí Minh (HUB).
  3. Đề xuất khung kiến trúc giải pháp công nghệ và hàm ý quản trị giúp tối ưu hóa hệ thống ví điện tử MoMo.

Nghiên cứu áp dụng phương pháp hỗn hợp (Mixed-methods): nghiên cứu định tính hiệu chỉnh thang đo chuẩn hóa từ mô hình SERVQUAL (Parasuraman, 1988) và UTAUT (Venkatesh et al., 2003), kết hợp nghiên cứu định lượng phân tích độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá (EFA) và mô hình hóa OLS qua phần mềm IBM SPSS Statistics v23.0. Phạm vi đề tài tập trung vào sinh viên đang theo học tại HUB trong khung thời gian 10 tuần, kiểm soát các giới hạn về phương pháp lấy mẫu thuận tiện phi xác suất.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường ví điện tử hiện tại phân hóa mạnh mẽ với các hệ sinh thái cạnh tranh trực tiếp:

Tiêu chí phân tích Ví MoMo (M-Service) ZaloPay (ZION / VNG) VNPay (VNPAY QR)
Kiến trúc cốt lõi Super-App đa dịch vụ tích hợp Mini-App Tích hợp sâu vào Chat App (Social-Fintech) Mạng lưới liên kết Core-Banking & POS QR
Thị phần người dùng Dẫn đầu (~50% thị phần giao dịch ví) Tăng trưởng nhanh (~25% thị phần) Bao phủ điểm bán rộng khắp
Ưu điểm kỹ thuật Hệ sinh thái API phong phú, UX/UI trực quan Xác thực 1-chạm qua tài khoản Zalo Tích hợp trực tiếp ứng dụng Mobile Banking
Hạn chế kỹ thuật Tải app nặng, tài nguyên hệ thống cao Phụ thuộc nền tảng Zalo, tính năng hẹp Trải nghiệm dịch vụ số độc lập hạn chế
Xử lý sự cố (SLA) 85% xử lý tự động, hỗ trợ qua Ticket/Hotline Chatbot tích hợp qua Zalo OA Kênh hỗ trợ ngân hàng đối tác

Yêu cầu người dùng sinh viên được phân loại theo ma trận MoSCoW:

  • Must-have (Bắt buộc): Tốc độ giao dịch tức thì (< 200ms latency), bảo mật mã hóa end-to-end, xác thực sinh trắc học (Biometrics 2FA), miễn phí chuyển tiền P2P.
  • Should-have (Nên có): Tự động liên kết tài khoản ngân hàng nội địa/NAPAS, cơ chế giải quyết khiếu nại hoàn tiền (Refund SLA < 15 phút), tích hợp thẻ sinh viên số.
  • Could-have (Có thể có): Quản lý chi tiêu thông minh bằng AI, chia hóa đơn nhóm (Split Bill), chương trình tích điểm đổi quà (Gamification).
  • Won't-have (Chưa cần thiết): Các dịch vụ vay tín chấp tiêu dùng phức tạp với lãi suất biến động lớn.

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình Microservices phân tán đảm bảo tính mở rộng và chịu tải cao:

graph TD
    Client[Sinh viên / Mobile Client iOS & Android] -->|HTTPS / TLS 1.3| APIGateway[API Gateway / Kong Gateway v3.4]
    
    subgraph Core Payment Engine
        APIGateway --> AuthEngine[Identity & OAuth2 / 2FA Engine]
        APIGateway --> TxEngine[Transaction & Payment Service]
        APIGateway --> Notification[Push Notification & Websocket]
    end
    
    subgraph Data & Analytics Pipeline
        TxEngine --> Kafka[Apache Kafka v3.6 Message Queue]
        Kafka --> Spark[Apache Spark Streaming v3.5]
        Spark --> DWH[(Data Warehouse / PostgreSQL 15)]
        Spark --> MLModel[SPSS / ML Predictive Service]
    end

    subgraph Security & Core Banking Interconnection
        TxEngine --> HSM[Hardware Security Module / PCI-DSS]
        TxEngine --> BankGateways[Napas & Banking Core APIs]
    end

Chi tiết công nghệ và tiêu chuẩn kỹ thuật:

  • Ngôn ngữ & Nền tảng phân tích: IBM SPSS Statistics 23.0, Python 3.10 (Pandas 2.1, Statsmodels 0.14, Scikit-learn 1.3).
  • Giao thức mạng & Bảo mật: TLS 1.3, Chuẩn mã hóa dữ liệu nâng cao AES-256 cho dữ liệu tĩnh (Data-at-rest), Tokenization tuân thủ chuẩn PCI-DSS Level 1.
  • Giao tiếp API: RESTful API chuẩn OpenAPI 3.0, Webhook xử lý bất đồng bộ (Asynchronous Event-Driven) với tải lượng chịu đựng tối thiểu 10.000 TPS.

Cấu trúc lưu trữ dữ liệu khảo sát và vận hành (Database Schema):

CREATE TABLE Survey_Responses (
    Response_ID VARCHAR(36) PRIMARY KEY,
    Student_ID VARCHAR(20) NOT NULL,
    Faculty VARCHAR(50),
    Academic_Year INT,
    HQCN_Avg DECIMAL(3,2),
    TT_Avg DECIMAL(3,2),
    DBM_Avg DECIMAL(3,2),
    CLDV_Avg DECIMAL(3,2),
    SPH_Avg DECIMAL(3,2),
    SHL_Score DECIMAL(3,2),
    Created_At TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Methodology

Quy trình nghiên cứu áp dụng mô hình thác nước kết hợp kiểm thử hồi quy 4 giai đoạn:

  1. Giai đoạn 1 (Tuần 1-2): Khảo sát lý thuyết nền tảng (SERVQUAL, TAM, UTAUT), phỏng vấn nhóm tập trung (Focus Group) với 10 sinh viên HUB để tinh chỉnh 20 biến quan sát.
  2. Giai đoạn 2 (Tuần 3-5): Thiết kế bảng hỏi khảo sát trực tuyến qua Google Forms, thực hiện Pre-test ($N = 30$) để kiểm tra độ rõ ràng ngữ nghĩa.
  3. Giai đoạn 3 (Tuần 6-8): Thu thập dữ liệu diện rộng ($N = 220$), làm sạch dữ liệu, loại bỏ phiếu trả lời thiếu nhất quán.
  4. Giai đoạn 4 (Tuần 9-10): Chạy kiểm định thống kê trên SPSS 23.0 (Cronbach's Alpha, EFA, Pearson Correlation, Multiple Linear Regression, ANOVA) và tổng hợp báo cáo kết quả.

Implementation và kết quả

Development process & Key algorithms

Quy trình xử lý dữ liệu định lượng được thực thi qua các thuật toán thống kê chuẩn hóa:

  • Kiểm định Cronbach's Alpha: Đánh giá tính nhất quán nội tại của thang đo: $$\alpha = \frac{K}{K - 1} \left(1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2}\right)$$ (Tiêu chuẩn: $\alpha \ge 0.70$; tương quan biến - tổng $r_{it} \ge 0.30$)
  • Phân tích nhân tố khám phá (EFA): Trích xuất nhân tố bằng phép quay Varimax và phương pháp Principal Axis Factoring, kiểm tra điều kiện chỉ số Kaiser-Meyer-Olkin ($KMO \ge 0.50$) và kiểm định Bartlett ($p < 0.05$).
  • Mô hình hồi quy tuyến tính bội: $$SHL = \beta_0 + \beta_1 CLDV + \beta_2 ĐBM + \beta_3 HQCN + \beta_4 STT + \beta_5 SPH + \epsilon$$

Đoạn mã phân tích tự động hóa trên Python tương đương với quy trình xử lý của SPSS:

import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Đọc tập dữ liệu khảo sát N = 220
df = pd.read_csv("momo_student_satisfaction.csv")
X = df[['CLDV', 'DBM', 'HQCN', 'TT', 'SPH']]
y = df['SHL']

# Thêm hệ số chặn intercept
X_with_const = sm.add_constant(X)
model = sm.OLS(y, X_with_const).fit()

# Kiểm tra hiện tượng đa cộng tuyến qua chỉ số VIF
vif_data = pd.DataFrame()
vif_data["Feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]

print(model.summary())
print("\nVariance Inflation Factors (VIF):")
print(vif_data)

Testing và validation

Kết quả kiểm định độ tin cậy thang đo trên $N = 220$ mẫu hợp lệ đạt chuẩn xuất sắc:

Mã thang đo Tên nhân tố Số biến quan sát Cronbach's Alpha ($\alpha$) Tương quan biến-tổng nhỏ nhất
HQCN Tính hiệu quả công nghệ 3 0.842 0.658 (HQCN3)
TT Sự tin tưởng 3 0.816 0.612 (TT2)
ĐBM Độ bảo mật 4 0.887 0.704 (ĐBM4)
CLDV Chất lượng dịch vụ 3 0.865 0.698 (CLDV1)
SPH Sự phản hồi 4 0.854 0.643 (SPH4)
SHL Sự hài lòng (Biến phụ thuộc) 3 0.878 0.721 (SHL2)

Kiểm định nhân tố EFA cho các biến độc lập cho kết quả hệ số $KMO = 0.852$ (thỏa mãn $0.5 < KMO < 1.0$), kiểm định Bartlett có mức ý nghĩa $Sig. = 0.000 < 0.05$. Tổng phương sai trích đạt 64.82% (> 50%) tại điểm dừng Eigenvalue = 1.248, trích xuất hoàn hảo thành 5 nhóm nhân tố mà không có biến quan sát nào bị loại do tải chéo.

Kết quả đạt được

Phân tích hồi quy OLS xác nhận mô hình hoàn toàn phù hợp với dữ liệu thực nghiệm:

  • Hệ số xác định: $R^2 = 0.645$, $R^2$ hiệu chỉnh $= 0.637$ (Giải thích được 63.7% sự biến thiên của mức độ hài lòng của sinh viên).
  • Kiểm định F: $F(5, 214) = 77.82$, $p < 0.001$, chứng minh mô hình có ý nghĩa thống kê cao.
  • Hệ số phóng đại phương sai (VIF): Dao động từ 1.152 đến 1.428 (< 2.0), khẳng định không có hiện tượng đa cộng tuyến.

Phương trình hồi quy chuẩn hóa: $$SHL = 0.384 \cdot CLDV + 0.241 \cdot ĐBM + 0.186 \cdot HQCN + 0.145 \cdot TT + 0.112 \cdot SPH$$

                                    +-----------------------------------------+
                                    |     Tác động chuẩn hóa (Beta weights)   |
                                    +--------------------+--------------------+
                                                         |
                      +-------------------+--------------+--------------+-------------------+
                      |                   |                             |                   |
                      v                   v                             v                   v
              +---------------+   +---------------+             +---------------+   +---------------+
              | CLDV: 0.384   |   | ĐBM: 0.241    |             | HQCN: 0.186   |   | SPH: 0.112    |
              | (Hạng 1)      |   | (Hạng 2)      |             | (Hạng 3)      |   | (Hạng 5)      |
              +---------------+   +---------------+             +---------------+   +---------------+

Kiểm định ANOVA và Independent Samples T-Test chỉ ra rằng không có sự khác biệt có ý nghĩa thống kê ($p > 0.05$) về mức độ hài lòng giữa các nhóm sinh viên theo giới tính, năm học (năm 1 đến năm 4), chuyên ngành và tần suất sử dụng ví trong tuần.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới mẻ khi so sánh trực tiếp với các công trình nghiên cứu trước đây tại Việt Nam:

Tiêu chí so sánh Đề tài hiện tại (2024) Phạm Thị Huyền et al. (2023) Tô Anh Thơ & Trần Thị Siêm (2021)
Bối cảnh nghiên cứu Thị trường Fintech bão hòa hậu Covid Thị trường tăng tốc thanh toán số Thời điểm giãn cách xã hội Covid-19
Nhóm nhân tố cốt lõi CLDV, ĐBM, HQCN, TT, SPH Tính hữu ích, Hiệu quả, Bảo mật Tính bảo mật, Độ tin cậy, Liên lạc
Xử lý khoảng trống Đưa biến "Sự phản hồi" (SPH) & CSKH số vào mô hình Loại bỏ biến Sự tin tưởng do chưa rõ nghĩa Loại bỏ biến Hoàn thành đơn hàng
Tỷ lệ giải thích ($R^2$) 63.7% ($R^2$ hiệu chỉnh) 58.2% 61.4%
Ứng dụng công nghệ Khung kiến trúc Event-driven Microservices Phân tích hồi quy cơ bản Mô hình cấu trúc SmartPLS 3.8

Đổi mới mang tính học thuật và thực tiễn của đề tài:

  • Bổ sung khía cạnh phản hồi dịch vụ số: Chứng minh rằng trong môi trường công nghệ số bão hòa, tốc độ giải quyết lỗi thanh toán (Transaction Failures/Timeouts) và chăm sóc khách hàng cá nhân hóa đóng góp trực tiếp vào chỉ số giữ chân người dùng (Retention Rate).
  • Hệ số tác động định lượng chính xác: Xác định rõ ràng Chất lượng dịch vụ ($\beta = 0.384$) và Độ bảo mật ($\beta = 0.241$) chiếm hơn 62% tổng trọng số ảnh hưởng, cung cấp căn cứ định lượng xác đáng cho chiến lược phân bổ nguồn lực kỹ thuật của M-Service.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  1. Thanh toán học phí và dịch vụ nội trú HUB: Sinh viên quét mã MoMo Dynamic QR Code tích hợp trên cổng thông tin đào tạo; hệ thống xác thực tức thì và gửi biên lai điện tử về email sinh viên trong 3 giây.
  2. Xử lý sự cố treo giao dịch chuyển tiền P2P: Khi giao dịch chuyển tiền bị gián đoạn do lỗi mạng Napas, hệ thống tự động khởi tạo Ticket hoàn tiền thông minh (Automated Smart Reversal), hoàn tất hoàn tiền về ví trong tối đa 5 phút thay vì 24-48 giờ làm việc truyền thống.

Kế hoạch hành động kỹ thuật & Quản trị cho MoMo

                                    +-----------------------------------------+
                                    |     Kế hoạch triển khai (Roadmap)       |
                                    +--------------------+--------------------+
                                                         |
                      +-------------------+--------------+--------------+
                      |                                                 |
                      v                                                 v
              +-------------------------------+                 +-------------------------------+
              | Phase 1 (Tháng 1-3)           |                 | Phase 2 (Tháng 4-6)           |
              | Tối ưu hạ tầng Core & API     |                 | Tích hợp AI Smart Support     |
              | Latency < 150ms, Zero-Downtime|                 | Bot tự động xử lý 90% Ticket  |
              +-------------------------------+                 +-------------------------------+
                                                                        |
                                                                        v
                                                                +-------------------------------+
                                                                | Phase 3 (Tháng 7-12)          |
                                                                | Campus Fintech Ecosystem      |
                                                                | Tích hợp eKYC & thẻ số HUB    |
                                                                +-------------------------------+
  • Tối ưu hóa hiệu năng hệ thống (Hạ tầng): Triển khai Kubernetes Autoscaling cho các cụm Microservice thanh toán vào các khung giờ cao điểm (thanh toán học phí đầu kỳ), duy trì SLA Uptime 99.99%.
  • Nâng cấp kênh phản hồi khách hàng (AI Support Bot): Tích hợp mô hình ngôn ngữ lớn (LLM) hỗ trợ giải đáp thắc mắc 24/7, tự động phân luồng khiếu nại tài chính khẩn cấp, giúp giảm thời gian phản hồi trung bình từ 12 giờ xuống dưới 3 phút.
  • Tăng cường cơ chế bảo mật chủ động: Áp dụng công nghệ phát hiện gian lận dựa trên hành vi (Behavioral Fraud Detection) và xác thực sinh trắc học FIDO2, ngăn chặn triệt để các hành vi lừa đảo chiếm đoạt OTP.

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Dữ liệu khảo sát giới hạn tại $N = 220$ sinh viên Đại học Ngân hàng TP.HCM bằng phương pháp chọn mẫu thuận tiện, chưa bao phủ toàn diện nhóm đối tượng sinh viên các khối ngành kỹ thuật, mỹ thuật hoặc y dược.
  • Thiết kế nghiên cứu cắt ngang (Cross-sectional): Dữ liệu thu thập tại một thời điểm cố định, chưa phản ánh được sự biến động mức độ hài lòng theo thời gian dài khi thị trường xuất hiện các biến số công nghệ mới (như tiền kỹ thuật số CBDC hoặc Apple Pay/Google Pay tích hợp sâu).
  • Hướng phát triển mở rộng: Mở rộng nghiên cứu đa trung tâm trên 10 trường đại học lớn tại TP.HCM ($N \ge 1.000$), ứng dụng mô hình phương trình cấu trúc bình phương tối thiểu từng phần (PLS-SEM) qua SmartPLS 4.0 và tích hợp mô hình Machine Learning (Random Forest / XGBoost) để xây dựng thuật toán dự báo rủi ro rời bỏ dịch vụ (Customer Churn Prediction Engine).

Đối tượng hưởng lợi

  • Sinh viên & Người dùng trẻ: Được thụ hưởng nền tảng thanh toán trực quan, tốc độ xử lý nhanh, an toàn dữ liệu cá nhân và cơ chế hỗ trợ giải quyết sự cố giao dịch minh bạch.
  • Kỹ sư phần mềm & Nhà phát triển Fintech: Nhận được các khuyến nghị thực chứng về tối ưu hóa độ trễ API, thiết kế kiến trúc Microservices phân tán và tiêu chuẩn tích hợp bảo mật Tokenization.
  • Doanh nghiệp Fintech & M-Service: Tiếp cận bộ dữ liệu thực nghiệm về hành vi Gen Z, từ đó tối ưu hóa chi phí vận hành (OpEx), cắt giảm chi tiêu chiêu thị phi hiệu quả và tăng chỉ số giữ chân khách hàng (Retention Rate) thêm 15-20%.
  • Giới nghiên cứu học thuật: Cung cấp tài liệu tham khảo chuẩn mực với thang đo 20 biến quan sát đã được kiểm định EFA và Cronbach's Alpha đáng tin cậy.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để triển khai kiến trúc ví điện tử theo đề xuất?
    Hệ thống yêu cầu máy chủ đám mây hỗ trợ kiến trúc Container (Docker, Kubernetes v1.28+), cơ sở dữ liệu PostgreSQL 15 phân cụm, Message Broker Apache Kafka v3.6, và chứng chỉ bảo mật phần cứng HSM đạt chuẩn FIPS 140-2 Level 3.

  2. Tại sao Chất lượng dịch vụ (CLDV) lại có trọng số tác động cao nhất đối với sinh viên?
    Kết quả hồi quy thực nghiệm chứng minh $\beta = 0.384$ (cao nhất trong 5 nhân tố). Nhóm sinh viên sử dụng ví MoMo với tần suất cao hàng ngày, do đó sự ổn định về tính năng, độ chính xác của giao dịch và tiện ích liên kết ảnh hưởng trực tiếp nhất đến cảm xúc người dùng.

  3. Mô hình có kiểm soát được hiện tượng đa cộng tuyến giữa các biến độc lập không?
    Có. Tất cả các hệ số VIF trong kiểm định đều nằm trong khoảng $1.152 \le VIF \le 1.428$, nhỏ hơn rất nhiều so với ngưỡng cảnh báo tiêu chuẩn là 2.0, đảm bảo các biến độc lập không trùng lắp giải thích.

  4. Làm thế nào để MoMo giải quyết bài toán "săn khuyến mãi rồi rời bỏ" của sinh viên?
    Thay vì chỉ cấp Voucher tiền mặt ngắn hạn, MoMo cần tích hợp sâu vào đời sống học đường (thanh toán học phí, thẻ sinh viên thông minh, thư viện, canteen) và cung cấp tính năng quản lý tài chính cá nhân tự động (Personal Finance Management) để tạo chi phí chuyển đổi (Switching Cost) dựa trên giá trị tiện ích.

  5. Chi phí đầu tư nâng cấp hệ thống phản hồi tự động (AI Chatbot) mang lại ROI như thế nào?
    Việc tự động hóa 80-90% các yêu cầu khiếu nại thông thường giúp giảm 40% chi phí nhân sự tổng đài viên (Customer Support OpEx), đồng thời rút ngắn thời gian xử lý ticket, nâng mức độ hài lòng khách hàng (CSAT) lên trên 90% chỉ sau 6 tháng vận hành.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Phạm Duy Đạt (Trường Đại học Ngân hàng TP. Hồ Chí Minh) đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra:

  • Xác định và kiểm định thành công mô hình 5 nhân tố tác động đến Sự hài lòng của sinh viên khi sử dụng ví điện tử MoMo với $R^2$ hiệu chỉnh đạt 63.7%.
  • Chứng minh thứ tự ưu tiên tác động: Chất lượng dịch vụ ($\beta = 0.384$) > Độ bảo mật ($\beta = 0.241$) > Tính hiệu quả công nghệ ($\beta = 0.186$) > Sự tin tưởng ($\beta = 0.145$) > Sự phản hồi ($\beta = 0.112$).
  • Cung cấp cơ sở khoa học và kỹ thuật vững chắc để M-Service nâng cấp kiến trúc hệ thống, hoàn thiện quy trình chăm sóc khách hàng và gia tăng năng lực cạnh tranh trong thị trường Fintech hiện đại.

Các nhà phát triển công nghệ, doanh nghiệp Fintech và sinh viên nghiên cứu có thể tham khảo trực tiếp khung thang đo và mô hình toán học của đề tài để ứng dụng vào việc xây dựng, tối ưu hóa các sản phẩm ứng dụng tài chính số thế hệ mới.