Giới thiệu dự án
Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 và Quyết định số 810/QĐ-NHNN của Ngân hàng Nhà nước Việt Nam về kế hoạch chuyển đổi số ngành ngân hàng đến năm 2025, định hướng đến năm 2030, hoạt động thanh toán không dùng tiền mặt tại Việt Nam đã ghi nhận tốc độ tăng trưởng trên 50% mỗi năm về cả số lượng và giá trị giao dịch. Tuy nhiên, thị trường dịch vụ tài chính số đang chứng kiến sự cạnh tranh gay gắt giữa các tổ chức tài chính truyền thống, trung gian thanh toán và các công ty Fintech.
Vietcombank (Ngân hàng TMCP Ngoại Thương Việt Nam) đã phát triển ứng dụng ngân hàng số VCB Digibank như một hệ sinh thái hợp nhất giữa Internet Banking và Mobile Banking. Mặc dù số lượng đăng ký kích hoạt dịch vụ đạt quy mô hàng triệu người dùng, ngân hàng vẫn đối mặt với tỷ lệ tài khoản không hoạt động (inactive users), hành vi rời bỏ dịch vụ (churn rate) và tâm lý e ngại về an toàn thông tin của các nhóm khách hàng khác nhau.
+-----------------------------------------------------------------------------------+
| MÔ HÌNH HỆ SINH THÁI VCB DIGIBANK |
| |
| [Khách hàng cá nhân] ---> [Omnichannel UI/UX: Web / iOS / Android App] |
| | |
| v |
| [Security Layer] -------> [eKYC / PKI / FIDO2 Biometrics / 3D-Secure / OTP] |
| | |
| v |
| [Core Banking Engine] --> [Microservices API Gateway / Enterprise Service Bus] |
| | |
| v |
| [Dịch vụ Số Tích hợp] --> [Thanh toán 24/7 | Tiết kiệm Online | Đầu tư Fintech] |
+-----------------------------------------------------------------------------------+
Nghiên cứu "Các yếu tố tác động đến quyết định sử dụng dịch vụ ngân hàng số tại Ngân hàng TMCP Ngoại Thương Việt Nam" của tác giả Huỳnh Tuyết Nhi (Trường Đại học Ngân hàng TP. Hồ Chí Minh) giải quyết bài toán cốt lõi: Xác định và định lượng mức độ chi phối của các nhân tố nhận thức, trải nghiệm và kỹ thuật đến hành vi chấp nhận dịch vụ số của khách hàng cá nhân (KHCN).
Mục tiêu cụ thể của dự án nghiên cứu:
- Xác định khung 7 yếu tố chi phối hành vi sử dụng VCB Digibank dựa trên tích hợp mô hình TAM và TPB.
- Kiểm định độ tin cậy thang đo qua hệ số Cronbach's Alpha và phân tích nhân tố khám phá EFA trên tập dữ liệu $N = 312$ mẫu hợp lệ.
- Ước lượng mô hình hồi quy tuyến tính bội để xác định hệ số tác động chuẩn hóa ($\beta$) của từng nhân tố.
- Đề xuất hệ thống giải pháp công nghệ và chính sách phát triển dịch vụ tối ưu hóa tỷ lệ chuyển đổi cho ban lãnh đạo ngân hàng.
Phạm vi nghiên cứu tập trung vào tập khách hàng cá nhân đang sinh sống, học tập và làm việc tại khu vực đô thị TP. Hồ Chí Minh trong giai đoạn thu thập dữ liệu quý 2/2024.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Ngân hàng số (Digital Banking) đại diện cho bước tiến hóa toàn diện so với ngân hàng điện tử (E-banking) truyền thống. Khác với E-banking vốn chỉ là các kênh bổ trợ bán phần trên nền tảng Core Banking đóng kín, Digital Banking số hóa toàn bộ quy trình từ khâu định danh điện tử (eKYC), xử lý dữ liệu giao dịch thời gian thực (real-time processing) đến tự động hóa dịch vụ thông qua Open API.
| Tiêu chí so sánh |
Ngân hàng điện tử (E-banking) |
Ngân hàng số (VCB Digibank) |
| Kiến trúc vận hành |
Đơn khối (Monolithic), phụ thuộc quầy vật lý |
Vi dịch vụ (Microservices), phân tán trên Cloud |
| Mô hình phục vụ |
Đa kênh rời rạc (Multi-channel) |
Hợp nhất đa kênh thông suốt (Omnichannel) |
| Xác thực định danh |
Giao dịch quầy + SMS OTP |
eKYC AI, Sinh trắc học FIDO2, Smart OTP |
| Phạm vi tính năng |
Truy vấn, chuyển khoản cơ bản |
Đầu tư, bảo hiểm, thanh toán hóa đơn, ví điện tử |
| Thời gian xử lý |
Theo phiên làm việc (Batch processing) |
Thời gian thực (Real-time Event-driven) |
Áp dụng phương pháp phân loại yêu cầu MoSCoW đối với việc cải tiến giải pháp dịch vụ ngân hàng số:
- Must-have (Bắt buộc): Bảo mật đa lớp (MFA), tính sẵn sàng của hệ thống đạt tiêu chuẩn Uptime 99.99%, thời gian xử lý giao dịch chuyển tiền liên ngân hàng $< 2$ giây.
- Should-have (Cần có): Giao diện cá nhân hóa theo luồng người dùng (User Flow), tự động phân tích chi tiêu tài chính cá nhân bằng AI.
- Could-have (Có thể có): Trợ lý ảo AI Chatbot hỗ trợ tác vụ bằng giọng nói (Voice Banking), tích hợp thanh toán xuyên biên giới qua mã QR.
- Won't-have (Chưa ưu tiên): Xử lý các nghiệp vụ tín dụng phức tạp cho doanh nghiệp quy mô lớn trên giao diện ứng dụng cá nhân.
+-----------------------------------------------------------------------------------+
| MA TRẬN PHÂN LOẠI YÊU CẦU (MoSCoW) |
| |
| [MUST HAVE] [SHOULD HAVE] |
| - Uptime 99.99% Core API Engine - Dashboard tài chính thông minh |
| - eKYC Sinh trắc học & Smart OTP - Tối ưu hóa UI/UX 1 chạm |
| |
| [COULD HAVE] [WON'T HAVE (Giai đoạn này)] |
| - Trợ lý ảo AI Voice Banking - Nghiệp vụ bảo lãnh DN phức tạp |
| - Chuyển tiền QR đa quốc gia - Quản lý danh mục phái sinh quốc tế|
+-----------------------------------------------------------------------------------+
Thiết kế hệ thống
Mô hình nghiên cứu thực nghiệm được thiết kế dựa trên sự kế thừa lý thuyết Hành vi dự định (TPB - Theory of Planned Behavior) của Ajzen (1991) và mô hình Chấp nhận công nghệ mở rộng (Extended TAM) của Davis (1989), Venkatesh & Davis (2000).
Mô hình phương trình hồi quy tuyến tính xác định:
$$QD = \beta_0 + \beta_1 HI + \beta_2 DSD + \beta_3 RR + \beta_4 CP + \beta_5 HA + \beta_6 LH + \beta_7 STT + \varepsilon$$
Trong đó:
- $QD$: Quyết định sử dụng dịch vụ VCB Digibank (Biến phụ thuộc).
- $HI$: Nhận thức tính hữu ích (Perceived Usefulness - 4 biến quan sát).
- $DSD$: Nhận thức dễ sử dụng (Perceived Ease of Use - 4 biến quan sát).
- $RR$: Nhận thức rủi ro (Perceived Risk - 4 biến quan sát).
- $CP$: Nhận thức chi phí (Perceived Cost - 4 biến quan sát).
- $HA$: Hình ảnh ngân hàng (Bank Image - 5 biến quan sát).
- $LH$: Sự linh hoạt (Flexibility - 5 biến quan sát).
- $STT$: Sự tin tưởng (Trust - 5 biến quan sát).
- $\beta_0$: Hệ số chặn (Constant); $\beta_1 \dots \beta_7$: Hệ số hồi quy; $\varepsilon$: Sai số ngẫu nhiên.
graph LR
HI[Nhận thức hữu ích - HI] -->|H1 (+)| QD[Quyết định sử dụng - QD]
DSD[Nhận thức dễ sử dụng - DSD] -->|H2 (+)| QD
RR[Nhận thức rủi ro - RR] -->|H3 (-)| QD
CP[Nhận thức chi phí - CP] -->|H4 (-)| QD
HA[Hình ảnh ngân hàng - HA] -->|H5 (+)| QD
LH[Sự linh hoạt - LH] -->|H6 (+)| QD
STT[Sự tin tưởng - STT] -->|H7 (+)| QD
Hạ tầng xử lý phân tích dữ liệu nghiên cứu:
- Nền tảng thống kê: IBM SPSS Statistics phiên bản 20.0 và thư viện Python
statsmodels v0.14.0, pandas v2.1.0.
- Chuẩn an toàn mã hóa: Thang đo Likert 5 mức độ được số hóa và chuẩn hóa vector hóa dữ liệu trước khi kiểm định.
- Tiêu chuẩn kiểm soát phương sai: Kiểm soát đa cộng tuyến qua hệ số phóng đại phương sai (VIF < 2.0) và phân bố phần dư chuẩn hóa Durbin-Watson.
Methodology
Quy trình nghiên cứu được triển khai nghiêm ngặt qua 5 giai đoạn liên hoàn:
[Giai đoạn 1: Tổng quan lý thuyết] ---> [Giai đoạn 2: Thiết kế thang đo 34 biến]
|
v
[Giai đoạn 3: Khảo sát mẫu N=347] ----> [Giai đoạn 4: Lọc sạch dữ liệu N=312]
|
v
[Giai đoạn 5: Cronbach's Alpha -> EFA -> Hồi quy tuyến tính bội -> ANOVA]
- Nghiên cứu sơ bộ định tính: Tổng hợp hệ thống 12 bài báo quốc tế (Alkhowaiter, 2020; Tiong, 2020; Kiliari, 2019) và 6 công trình trong nước để hiệu chỉnh bảng hỏi gồm 34 biến quan sát.
- Khảo sát thí điểm (Pilot test): Thử nghiệm trên 30 mẫu để loại bỏ các câu hỏi gây hiểu nhầm về mặt thuật ngữ.
- Thu thập dữ liệu chính thức: Phân phối biểu mẫu Google Forms trực tuyến tới đối tượng khách hàng cá nhân tại TP.HCM.
- Lọc dữ liệu: Thu về 347 phiếu, loại bỏ 35 phiếu không đạt chuẩn (người chưa từng sử dụng VCB Digibank hoặc trả lời thiếu nhất quán), giữ lại 312 mẫu hợp lệ ($N = 312$).
- Phân tích định lượng: Kiểm định độ tin cậy thang đo (Cronbach’s Alpha), Phân tích nhân tố khám phá (EFA), Phân tích tương quan Pearson, Hồi quy tuyến tính đa biến (OLS Regression) và Phân tích phương sai một yếu tố (One-Way ANOVA).
Implementation và kết quả
Development process
Quá trình làm sạch dữ liệu và xử lý các chỉ số thống kê được tự động hóa qua script phân tích dữ liệu thực nghiệm sau:
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
# Load tập dữ liệu khảo sát 312 mẫu khách hàng VCB Digibank
df = pd.read_csv("vcb_digibank_survey_312.csv")
# Danh sách biến độc lập và phụ thuộc
independent_vars = ['HI', 'DSD', 'RR', 'CP', 'HA', 'LH', 'STT']
X = df[independent_vars]
y = df['QD']
# Thêm hệ số chặn (Intercept)
X_with_const = sm.add_constant(X)
# Huấn luyện mô hình hồi quy tuyến tính bội OLS
ols_model = sm.OLS(y, X_with_const).fit()
# Đánh giá kiểm định 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(ols_model.summary())
print("\nKiểm định đa cộng tuyến (VIF):")
print(vif_data)
Testing và validation
1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)
Tất cả các thang đo thành phần đều vượt qua ngưỡng kiểm định khắt khe ($\alpha > 0.6$ và tương quan biến - tổng $r > 0.3$):
- Nhận thức hữu ích ($HI$): Cronbach’s Alpha = $0.797$ (4 biến quan sát).
- Nhận thức dễ sử dụng ($DSD$): Cronbach’s Alpha = $0.776$ (4 biến quan sát).
- Nhận thức rủi ro ($RR$): Cronbach’s Alpha = $0.782$ (4 biến quan sát).
- Nhận thức chi phí ($CP$): Cronbach’s Alpha = $0.785$ (4 biến quan sát).
- Hình ảnh ngân hàng ($HA$): Cronbach’s Alpha = $0.812$ (5 biến quan sát).
- Sự linh hoạt ($LH$): Cronbach’s Alpha = $0.804$ (5 biến quan sát).
- Sự tin tưởng ($STT$): Cronbach’s Alpha = $0.826$ (5 biến quan sát).
- Quyết định sử dụng ($QD$): Cronbach’s Alpha = $0.835$ (3 biến quan sát).
2. Phân tích nhân tố khám phá (EFA)
- Biến độc lập: Hệ số $KMO = 0.842$ ($0.5 < KMO < 1.0$), kiểm định Bartlett’s đạt mức ý nghĩa Sig. $= 0.000 < 0.05$. Tổng phương sai trích (Total Variance Explained) đạt $62.48% > 50%$, toàn bộ 31 biến độc lập trích xuất thành công thành 7 nhóm nhân tố với hệ số tải nhân tố (Factor loading) đều lớn hơn $0.55$.
- Biến phụ thuộc: Hệ số $KMO = 0.718$, Sig. $= 0.000$, phương sai trích đạt $68.15%$ tại giá trị Eigenvalue $= 2.045$.
+-----------------------------------------------------------------------------------+
| KẾT QUẢ PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA) |
| |
| [KMO Measure of Sampling Adequacy] : 0.842 (Rất tốt, > 0.5) |
| [Bartlett's Test of Sphericity (Sig.)] : 0.000 (Có ý nghĩa thống kê, p < 0.05) |
| [Cumulative Variance Explained] : 62.48% (> 50%, đạt yêu cầu) |
| [Số lượng nhân tố trích xuất] : 7 nhân tố độc lập (Eigenvalue > 1.0) |
| [Factor Loading tối thiểu] : > 0.550 (Hợp lệ) |
+-----------------------------------------------------------------------------------+
Kết quả đạt được
Kết quả ước lượng mô hình hồi quy tuyến tính đa biến cho thấy hệ số xác định hiệu chỉnh $R^2 \text{ Adjusted} = 0.564$, chứng minh 7 nhân tố trong mô hình giải thích được $56.4%$ sự biến thiên của Quyết định sử dụng dịch vụ VCB Digibank. Giá trị thống kê $F = 58.420$ với mức ý nghĩa $p < 0.001$ khẳng định mô hình hoàn toàn phù hợp với dữ liệu thực tế.
| Biến độc lập |
Ký hiệu |
Hệ số hồi quy chưa chuẩn hóa (B) |
Sai số chuẩn (Std. Error) |
Hệ số hồi quy chuẩn hóa ($\beta$) |
Giá trị t-stat |
Mức ý nghĩa (Sig.) |
Hệ số VIF |
| (Hằng số) |
Constant |
0.428 |
0.215 |
- |
1.991 |
0.047 |
- |
| Nhận thức hữu ích |
$HI$ |
0.325 |
0.042 |
0.342 |
7.738 |
0.000 |
1.342 |
| Nhận thức dễ sử dụng |
$DSD$ |
0.201 |
0.039 |
0.218 |
5.154 |
0.000 |
1.285 |
| Hình ảnh ngân hàng |
$HA$ |
0.176 |
0.038 |
0.185 |
4.631 |
0.000 |
1.310 |
| Sự linh hoạt |
$LH$ |
0.154 |
0.036 |
0.162 |
4.278 |
0.000 |
1.248 |
| Sự tin tưởng |
$STT$ |
0.138 |
0.035 |
0.146 |
3.943 |
0.000 |
1.265 |
| Nhận thức chi phí |
$CP$ |
-0.108 |
0.031 |
-0.114 |
-3.484 |
0.001 |
1.152 |
| Nhận thức rủi ro |
$RR$ |
-0.089 |
0.030 |
-0.095 |
-2.967 |
0.003 |
1.120 |
Phương trình hồi quy chuẩn hóa thực nghiệm:
$$QD = 0.342 \cdot HI + 0.218 \cdot DSD + 0.185 \cdot HA + 0.162 \cdot LH + 0.146 \cdot STT - 0.114 \cdot CP - 0.095 \cdot RR$$
Hệ số VIF của toàn bộ các biến đều nằm trong khoảng $1.120 \le VIF \le 1.342$ (nhỏ hơn 2.0), chứng minh mô hình không vi phạm hiện tượng đa cộng tuyến. Kiểm định ANOVA nhân khẩu học cho thấy nhóm tuổi trẻ (20-30 tuổi, chiếm 46.5%) và trình độ đại học (chiếm 43.6%) có mức độ sẵn sàng chấp nhận dịch vụ cao vượt trội ($p < 0.05$).
Mức độ tác động chuẩn hóa (Beta Weights):
+--------------------------------------------------------------------+
| Nhận thức hữu ích (HI) [+0.342] =========================> |
| Nhận thức dễ sử dụng (DSD) [+0.218] ===============> |
| Hình ảnh ngân hàng (HA) [+0.185] ============> |
| Sự linh hoạt (LH) [+0.162] ==========> |
| Sự tin tưởng (STT) [+0.146] ========> |
| Nhận thức chi phí (CP) [-0.114] <======= |
| Nhận thức rủi ro (RR) [-0.095] <==== |
+--------------------------------------------------------------------+
Đổi mới và đóng góp
- Tích hợp liên mô hình nâng cao (TAM + TPB): Đồ án kết hợp toàn diện giữa nhận thức cá nhân về tính năng công nghệ (Hữu ích, Dễ sử dụng) và các biến số tâm lý học hành vi (Sự tin tưởng, Sự linh hoạt, Uy tín thương hiệu). So sánh với mô hình đơn lẻ của Geraldo Kiliari (2019) và Wen Ni Tiong (2020), khung nghiên cứu này giải thích phương sai cao hơn 12.8%.
- Định lượng tác động rào cản chi phí và rủi ro: Nghiên cứu phân tách rõ nét giữa "Nhận thức chi phí" ($\beta = -0.114$) và "Nhận thức rủi ro" ($\beta = -0.095$), chứng minh rằng trong giai đoạn hiện nay, rào cản về phí dịch vụ (phí duy trì, phí biến động số dư qua tin nhắn) tạo ra tâm lý ức chế chuyển đổi mạnh hơn cả nỗi sợ rủi ro công nghệ.
- Bộ bằng chứng thực nghiệm địa phương hóa: Cung cấp bộ dữ liệu $N = 312$ đặc trưng cho thị trường tiêu dùng số tại đô thị lớn (TP.HCM), làm tài liệu tham khảo chuẩn mực cho các nghiên cứu ứng dụng ngân hàng bán lẻ tại Việt Nam.
Ứng dụng thực tế và triển khai
Dựa trên trọng số tác động của mô hình hồi quy, ngân hàng cần triển khai các nhóm giải pháp kỹ thuật và vận hành theo lộ trình cụ thể:
+------------------------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI VCB DIGIBANK (12 THÁNG) |
| |
| [Tháng 1 - Tháng 3] : Tối ưu hóa UI/UX 1 chạm & Nâng cấp Microservices |
| [Tháng 4 - Tháng 6] : Miễn phí dịch vụ số & Ra mắt gói OTT Alert không giới hạn |
| [Tháng 7 - Tháng 9] : Tích hợp Xác thực FIDO2 Passwordless & Module Tài chính AI |
| [Tháng 10 - Tháng 12]: Chiến dịch Brand Loyalty & Mở rộng liên kết Open Banking |
+------------------------------------------------------------------------------------+
- Nâng cao tính hữu ích ($HI$ - Trọng số cao nhất 0.342):
- Tích hợp tính năng quản lý tài chính cá nhân tự động (Personal Finance Management - PFM) phân loại dòng tiền thu/chi bằng Machine Learning.
- Phát triển hệ sinh thái đa dịch vụ thanh toán viện phí, học phí, hóa đơn công ích và vé máy bay trực tiếp trong ứng dụng.
- Tối ưu hóa tính dễ sử dụng ($DSD$ - Trọng số 0.218):
- Tinh gọn giao diện (UI) theo phong cách tối giản (Neomorphism / Flat Design), rút ngắn luồng chuyển tiền nhanh xuống tối đa 2 thao tác chạm.
- Hỗ trợ chế độ giao diện tương phản cao và font chữ lớn dành riêng cho nhóm khách hàng trung niên và cao tuổi.
- Chính sách minh bạch và giảm trừ chi phí ($CP$ - Trọng số -0.114):
- Đẩy mạnh thông báo biến động số dư miễn phí qua App Notification (OTT Alert) thay thế tin nhắn SMS trả phí, giúp giảm thiểu nỗi lo chi phí phát sinh hàng tháng.
- Bảo mật và củng cố sự tin tưởng ($STT$ & $RR$):
- Nâng cấp xác thực sinh trắc học chuẩn FIDO2 chống giả mạo khuôn mặt (Deepfake detection) trong quá trình giao dịch vượt hạn mức.
Hạn chế và hướng phát triển
- Hạn chế mẫu nghiên cứu: Dữ liệu nghiên cứu tập trung tại TP. Hồ Chí Minh với tỷ lệ người trẻ (20-30 tuổi) chiếm 46.5%, chưa bao quát được nhóm khách hàng ở khu vực nông thôn hoặc các tỉnh thành có hạ tầng số hạn chế.
- Hạn chế phương pháp cắt ngang: Nghiên cứu sử dụng dữ liệu cắt ngang (cross-sectional data) tại một thời điểm, chưa theo dõi sự thay đổi hành vi dài hạn (longitudinal study) của khách hàng sau các đợt cập nhật phiên bản ứng dụng lớn.
- Hướng phát triển: Các nghiên cứu tiếp theo có thể mở rộng mô hình UTAUT2 (Lý thuyết thống nhất về chấp nhận và sử dụng công nghệ mở rộng), bổ sung các biến điều tiết như Thói quen (Habit), Điều kiện thuận lợi (Facilitating Conditions) và tích hợp các thuật toán học máy phân loại khách hàng tiềm năng.
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Nắm vững cấu trúc hoàn chỉnh của một nghiên cứu định lượng ứng dụng trong ngành Tài chính - Ngân hàng, cách xây dựng thang đo, xử lý SPSS, EFA và hồi quy OLS.
- Kỹ sư phần mềm & Product Manager (Fintech): Hiểu rõ trọng số hành vi của người dùng để ưu tiên phát triển các tính năng có tác động mạnh nhất đến tỷ lệ tương tác (Usefulness & Ease of Use).
- Ban điều hành Ngân hàng thương mại: Có căn cứ khoa học chuẩn xác để phân bổ ngân sách marketing và nguồn lực kỹ thuật, tối ưu hóa chi phí thu hút khách hàng (CAC) và giá trị vòng đời khách hàng (LTV).
Câu hỏi thường gặp
-
Tại sao Nhận thức hữu ích ($HI$) lại có tác động mạnh nhất đến quyết định sử dụng?
Khách hàng sử dụng ngân hàng số trước hết để giải quyết nhu cầu tiết kiệm thời gian và hoàn thành giao dịch tài chính nhanh chóng. Nếu ứng dụng không mang lại giá trị gia tăng rõ rệt so với giao dịch quầy, khách hàng sẽ không có động lực chuyển dịch.
-
Hệ số Cronbach's Alpha trong nghiên cứu này có đạt chuẩn không?
Toàn bộ thang đo đều có hệ số Cronbach's Alpha từ $0.776$ đến $0.835$, vượt xa ngưỡng tiêu chuẩn tối thiểu là $0.60$, đồng thời các hệ số tương quan biến - tổng đều lớn hơn $0.30$, khẳng định độ tin cậy tuyệt đối của thang đo.
-
Mô hình nghiên cứu có gặp hiện tượng đa cộng tuyến không?
Không. Hệ số phóng đại phương sai (VIF) của tất cả 7 biến độc lập đều nằm trong khoảng từ $1.120$ đến $1.342$, thấp hơn rất nhiều so với ngưỡng cảnh báo $2.0$ (hoặc $10.0$), chứng minh các biến độc lập không có sự phụ thuộc tuyến tính lẫn nhau.
-
Tại sao Nhận thức chi phí lại có tác động tiêu cực đến quyết định sử dụng?
Các khoản phí phát sinh định kỳ như phí duy trì dịch vụ, phí SMS biến động số dư tạo ra rào cản tâm lý khiến người dùng e ngại, dẫn đến việc họ hạn chế hoặc ngưng sử dụng VCB Digibank.
-
Giải pháp nào giúp ngân hàng giảm thiểu lo ngại về rủi ro cho người dùng?
Triển khai xác thực sinh trắc học tích hợp AI eKYC, mã hóa đầu cuối đường truyền theo chuẩn TLS 1.3 và thực hiện chiến dịch truyền thông hướng dẫn khách hàng nhận diện các thủ đoạn lừa đảo trực tuyến.
Kết luận
Đồ án tốt nghiệp của tác giả Huỳnh Tuyết Nhi đã thành công trong việc xây dựng và kiểm định mô hình định lượng các yếu tố tác động đến quyết định sử dụng dịch vụ VCB Digibank của Vietcombank. Bằng việc kết hợp mô hình TAM và TPB trên tập mẫu $N = 312$, nghiên cứu đã chứng minh rằng Nhận thức hữu ích ($\beta = 0.342$) và Nhận thức dễ sử dụng ($\beta = 0.218$) là hai động lực tích cực lớn nhất, trong khi Nhận thức chi phí ($\beta = -0.114$) và Nhận thức rủi ro ($\beta = -0.095$) là các rào cản cần được triệt tiêu. Kết quả này mang lại cơ sở dữ liệu thực nghiệm giá trị, giúp các ngân hàng thương mại Việt Nam xây dựng lộ trình chuyển đổi số hiệu quả, lấy trải nghiệm và niềm tin của khách hàng làm trọng tâm phát triển bền vững.
