Giới thiệu dự án

Thị trường thanh toán không dùng tiền mặt tại Việt Nam đang trải qua giai đoạn tăng trưởng bùng nổ theo định hướng của Ngân hàng Nhà nước và xu hướng chuyển đổi số toàn diện. Sau đại dịch Covid-19, hành vi tiêu dùng của khách hàng cá nhân chuyển dịch mạnh mẽ từ tiền mặt sang các công cụ thanh toán điện tử, trong đó thẻ tín dụng (Credit Card) trở thành sản phẩm tài chính bán lẻ mũi nhọn của các ngân hàng thương mại cổ phần (TMCP).

Tuy nhiên, áp lực cạnh tranh giữa các tổ chức tín dụng ngày càng khốc liệt. Các ngân hàng lớn liên tục tung ra các gói ưu đãi miễn phí thường niên, hoàn tiền (cashback) và tích hợp công nghệ phát hành thẻ ảo (Virtual Card) đa tiện ích. Tại Ngân hàng TMCP Phương Đông (OCB) - Chi nhánh TP. Hồ Chí Minh, việc thu hút khách hàng mở thẻ mới và duy trì tỷ lệ kích hoạt sử dụng thẻ thường xuyên đối mặt với nhiều thách thức: nhận diện thương hiệu trong mảng thẻ bán lẻ chưa tối ưu, rào cản tâm lý về chi phí/lãi suất, cũng như sự cạnh tranh trực tiếp từ các đối thủ lớn trên cùng địa bàn.

graph LR
    A[Khách hàng tiềm năng] --> B{Nhận thức & Đánh giá}
    B -->|Tiện lợi + Dịch vụ tốt| C[Quyết định mở thẻ OCB]
    B -->|Rủi ro cao + Chi phí ẩn| D[Từ chối / Hủy thẻ]
    C --> E[Kích hoạt & Chi tiêu thường xuyên]

Mục tiêu nghiên cứu

  1. Xác định các nhân tố cấu thành: Hệ thống hóa và nhận diện các yếu tố tác động đến quyết định sử dụng thẻ tín dụng của khách hàng cá nhân tại OCB Chi nhánh TP.HCM.
  2. Lượng hóa mức độ tác động: Đo lường chính xác trọng số và chiều hướng ảnh hưởng của từng biến độc lập thông qua mô hình hồi quy tuyến tính bội.
  3. Đề xuất hàm ý quản trị: Xây dựng khung giải pháp thực thi cho Ban Giám đốc OCB Chi nhánh TP.HCM nhằm nâng cao thị phần thẻ tín dụng giai đoạn 2024–2026.

Phương pháp tiếp cận và Phạm vi

  • Cách tiếp cận: Tích hợp các mô hình hành vi người tiêu dùng kinh điển gồm Lý thuyết Hành động Hợp lý (TRA - Fishbein & Ajzen, 1975), Lý thuyết Hành vi Dự định (TPB - Ajzen, 1991), Mô hình Chấp nhận Công nghệ (TAM - Davis, 1989) và Mô hình Hợp nhất Chấp nhận & Sử dụng Công nghệ (UTAUT - Venkatesh et al., 2003).
  • Phạm vi khảo sát: Khách hàng cá nhân đã và đang giao dịch tại OCB Chi nhánh TP.HCM trong khoảng thời gian từ tháng 06/2023 đến tháng 12/2023.
  • Kỳ vọng định lượng: Xác lập mô hình giải thích trên 65% sự biến thiên của quyết định sử dụng thẻ với cỡ mẫu $N=300$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các mô hình lý thuyết nền tảng để xác định khung phân tích tối ưu cho bối cảnh ngân hàng bán lẻ tại Việt Nam:

Mô hình Tác giả & Năm Ưu điểm cốt lõi Hạn chế khi áp dụng cho thẻ tín dụng
TRA Fishbein & Ajzen (1975) Đơn giản, làm rõ vai trò của Thái độ và Chuẩn chủ quan. Chưa phản ánh các rào cản khách quan về chi phí và kiểm soát tài chính.
TPB Ajzen (1991) Bổ sung Nhận thức kiểm soát hành vi, đo lường nguồn lực cá nhân. Chưa đi sâu vào các thuộc tính kỹ thuật số và chất lượng dịch vụ ngân hàng.
TAM Davis (1989) Chuyên biệt hóa cho công nghệ với Tính hữu ích & Tính dễ sử dụng. Bỏ qua yếu tố cảm nhận rủi ro bảo mật và chi phí tài chính.
UTAUT Venkatesh et al. (2003) Khả năng giải thích cao, bao quát điều kiện thuận lợi và ảnh hưởng xã hội. Mô hình phức tạp, cần hiệu chỉnh cho sản phẩm tài chính tín dụng.

Ma trận ưu tiên yêu cầu sản phẩm thẻ (MoSCoW Matrix)

  • Must have (Bắt buộc có): Hệ thống bảo mật 3D-Secure 2.0; Quản lý đóng/mở thẻ tức thì trên OCB OMNI; Biểu phí lãi suất và sao kê minh bạch.
  • Should have (Nên có): Liên kết ví điện tử (Apple Pay, Google Wallet, ShopeePay); Chương trình hoàn tiền theo danh mục tự chọn; Trả góp 0% lãi suất linh hoạt qua App.
  • Could have (Có thể có): Hạn mức thẻ phụ tự động điều chỉnh; Tích điểm đổi quà dặm bay quốc tế; Phát hành thẻ vật lý thiết kế cá nhân hóa.
  • Won't have (Chưa ưu tiên): Tích hợp thanh toán tiền mã hóa (crypto); Cấp thẻ tín dụng tín chấp không chứng minh thu nhập đối với phân khúc rủi ro cao.

Thiết kế hệ thống

Mô hình nghiên cứu đề xuất bao gồm 5 nhóm nhân tố độc lập tác động đến 1 biến phụ thuộc thông qua 24 biến quan sát chuẩn hóa theo thang đo Likert 5 mức độ:

graph TD
    subgraph Biến độc lập [5 Nhóm nhân tố tác động]
        C[Sự tiện lợi - Convenience: C1 - C5]
        SQ[Chất lượng dịch vụ - Service Quality: SQ1 - SQ4]
        CF[Yếu tố chi phí - Cost Factors: CF1 - CF4]
        BK[Yếu tố ngân hàng - Bank Reputation: BK1 - BK4]
        RS[Yếu tố rủi ro - Perceived Risk: RS1 - RS4]
    end
    
    subgraph Biến phụ thuộc
        DEC[Quyết định sử dụng thẻ tín dụng OCB: DEC1 - DEC3]
    end

    C -->|+ beta_1| DEC
    SQ -->|+ beta_2| DEC
    CF -->|+ beta_3| DEC
    BK -->|+ beta_4| DEC
    RS -->|- beta_5| DEC

Công cụ và Môi trường phân tích dữ liệu

  • IBM SPSS Statistics Version 26.0: Xử lý thống kê mô tả, kiểm định độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá (EFA), phân tích tương quan Pearson và hồi quy đa biến (OLS).
  • Python 3.10 (statsmodels v0.14.0, pandas v2.1.0): Tự động hóa pipeline kiểm tra các giả định hồi quy (VIF, Durbin-Watson, White test).
  • G*Power Version 3.1.9.7: Kiểm tra năng lực kiểm định mẫu ($Power = 0.95, \alpha = 0.05, f^2 = 0.15 \Rightarrow N_{min} = 138$).

Methodology

Quy trình nghiên cứu kết hợp phương pháp hỗn hợp (Mixed Methods) gồm 2 giai đoạn:

  1. Nghiên cứu sơ bộ (Định tính): Thảo luận nhóm tập trung ($n=10$) với chuyên gia Khối CIB, Chuyên viên Quản lý rủi ro và Giảng viên hướng dẫn để hiệu chỉnh bảng câu hỏi và thang đo.
  2. Nghiên cứu chính thức (Định lượng): Khảo sát ngẫu nhiên thuận tiện $N=300$ khách hàng cá nhân tại OCB Chi nhánh TP.HCM từ tháng 10/2023 đến tháng 12/2023.
gantt
    title Tiến độ triển khai nghiên cứu (06/2023 - 12/2023)
    dateFormat  YYYY-MM-DD
    section Giai đoạn chuẩn bị
    Tổng quan lý thuyết & Cơ sở mô hình :2023-06-01, 45d
    Thiết kế thang đo & Thảo luận chuyên gia :2023-07-15, 30d
    section Thu thập & Xử lý dữ liệu
    Khảo sát thử nghiệm pilot (n=50) :2023-08-15, 20d
    Khảo sát chính thức (N=300) :2023-09-05, 60d
    section Phân tích & Viết báo cáo
    Kiểm định Cronbach Alpha, EFA, Hồi quy :2023-11-05, 30d
    Xây dựng hàm ý quản trị & Nghiệm thu :2023-12-05, 20d

Implementation và kết quả

Development process

Phương trình hồi quy tuyến tính bội chuẩn tắc:

$$DEC = \beta_0 + \beta_1 \cdot C + \beta_2 \cdot SQ + \beta_3 \cdot CF + \beta_4 \cdot BK + \beta_5 \cdot RS + \varepsilon$$

Công thức tính hệ số tin cậy nội tại Cronbach's Alpha:

$$\alpha = \frac{K}{K-1} \left( 1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2} \right)$$

Đoạn mã Python triển khai kiểm định dữ liệu và hồi quy OLS tương đương mô hình SPSS:

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

# 1. Nạp tập dữ liệu khảo sát N=300
df = pd.read_csv("ocb_credit_card_survey_300.csv")

# 2. Định nghĩa các biến độc lập và biến phụ thuộc
independent_vars = ['Convenience', 'ServiceQuality', 'CostFactors', 'BankReputation', 'RiskFactors']
X = df[independent_vars]
y = df['DecisionToUse']

# 3. Thêm hằng số vào mô hình OLS
X_const = sm.add_constant(X)
model = sm.OLS(y, X_const).fit()

# 4. Xuất kết quả tóm tắt hồi quy
print(model.summary())

# 5. Kiểm tra hiện tượng đa cộng tuyến qua chỉ số VIF
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print("\n--- Variance Inflation Factor (VIF) ---")
print(vif_data)

Testing và validation

Kiểm định độ tin cậy thang đo Cronbach's Alpha

Tất cả 6 thang đo đều đạt chuẩn kiểm định ($\alpha \ge 0.70$, tương quan biến - tổng $\ge 0.30$):

Nhóm nhân tố Số biến quan sát Cronbach's Alpha ($\alpha$) Tương quan biến - tổng nhỏ nhất Đánh giá
Sự tiện lợi (C) 5 0.887 0.612 Thang đo rất tốt
Chất lượng dịch vụ (SQ) 4 0.862 0.589 Thang đo rất tốt
Yếu tố chi phí (CF) 4 0.841 0.547 Thang đo rất tốt
Yếu tố ngân hàng (BK) 4 0.855 0.573 Thang đo rất tốt
Yếu tố rủi ro (RS) 4 0.829 0.518 Thang đo tốt
Quyết định sử dụng (DEC) 3 0.893 0.701 Thang đo rất tốt

Kiểm định Phân tích nhân tố khám phá (EFA)

  • Hệ số KMO (Kaiser-Meyer-Olkin): $0.884 > 0.50$ (Dữ liệu hoàn toàn thích hợp cho EFA).
  • Kiểm định Bartlett: Giá trị thống kê $\chi^2 = 3842.15$ với $Sig. = 0.000 < 0.05$ (Các biến quan sát có tương quan với nhau).
  • Tổng phương sai trích (Total Variance Explained): $68.45% > 50%$ (5 nhân tố trích giải thích được 68.45% phương sai của 21 biến quan sát).
  • Eigenvalue: Nhân tố thứ 5 dừng lại ở mức $1.218 > 1.0$.

Kết quả đạt được

Mô hình hồi quy đạt mức độ tương thích cao với dữ liệu thực tế ($N=300$):

Chỉ số thống kê Giá trị đạt được Ngưỡng tiêu chuẩn Ý nghĩa thống kê
Hệ số R-Squared ($R^2$) 0.711 $> 0.50$ 5 nhân tố giải thích 71.1% biến thiên quyết định
Hệ số $R^2$ hiệu chỉnh 0.706 (70.6%) $> 0.50$ Độ chính xác cao, không bị thổi phồng bởi số biến
Giá trị thống kê F 144.32 (Sig. = 0.000) $p < 0.05$ Mô hình có ý nghĩa thống kê ở mức tin cậy 99%
Durbin-Watson (DW) 1.892 $1.50 \le DW \le 2.50$ Không có hiện tượng tự tương quan chuỗi bậc nhất
Chỉ số VIF lớn nhất 1.542 $< 2.00$ Hoàn toàn không xảy ra hiện tượng đa cộng tuyến

Bảng trọng số hồi quy (Regression Weights)

  • Sự tiện lợi ($\beta = 0.312, p = 0.000$): Tác động mạnh nhất, thúc đẩy quyết định sử dụng thẻ khi thanh toán không dùng tiền mặt và trả góp.
  • Chất lượng dịch vụ ($\beta = 0.264, p = 0.000$): Tác động mạnh thứ hai; năng lực tư vấn và hỗ trợ 24/7 của giao dịch viên OCB quyết định lòng tin khách hàng.
  • Yếu tố ngân hàng ($\beta = 0.215, p = 0.001$): Uy tín thương hiệu và mạng lưới chi nhánh OCB tạo điểm tựa an tâm.
  • Yếu tố chi phí ($\beta = 0.188, p = 0.003$): Phí thường niên, thời hạn miễn lãi 45 ngày ảnh hưởng tích cực đến quyết định mở thẻ.
  • Yếu tố rủi ro ($\beta = -0.142, p = 0.012$): Tác động nghịch chiều; e ngại lộ thông tin CVV/OTP làm giảm ý định mở thẻ.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ rệt so với các công trình trước đây tại thị trường tài chính Việt Nam:

Tiêu chí so sánh Nghiên cứu Võ Thị Thu Hiền (2020) Nghiên cứu Trần Thị Linh (2020) Đề tài nghiên cứu OCB TP.HCM (2023)
Đối tượng áp dụng Khách hàng VPBank TP.HCM Khách hàng Techcombank TP.HCM Khách hàng OCB Chi nhánh TP.HCM
Cỡ mẫu ($N$) $N = 250$ $N = 299$ $N = 300$ (Đạt chuẩn G*Power)
Hệ số giải thích ($R^2$) 62.4% 55.9% 70.6% (Tăng từ 8.2% đến 14.7%)
Nhân tố rủi ro Chưa lượng hóa độc lập Đo lường chung an toàn bảo mật Tách biệt rủi ro thanh toán & lộ thông tin số
Hàm ý thực thi Khái quát chung Khuyến nghị dịch vụ gia tăng Tích hợp giải pháp App OCB OMNI & CIB Bundle

Đóng góp thực tiễn cho OCB

  1. Lượng hóa chính xác $R^2 = 70.6%$: Chứng minh hành vi mở thẻ của khách hàng đô thị chịu chi phối mạnh nhất bởi tính tiện lợi công nghệ và năng lực chăm sóc khách hàng.
  2. Xác lập chuẩn đo lường rủi ro số: Cung cấp thang đo thực nghiệm về mức độ lo ngại rủi ro giao dịch trực tuyến hậu đại dịch.
  3. Cơ sở xây dựng sản phẩm thẻ cá nhân hóa: Giúp OCB TP.HCM định hình chính sách biểu phí và ưu đãi liên kết theo từng phân khúc.

Ứng dụng thực tế và triển khai

graph TD
    subgraph Chiến lược triển khai 4 trụ cột
        A[Nâng cấp OCB OMNI: Phát hành thẻ ảo trong 2 phút]
        B[Tối ưu biểu phí: Miễn phí thường niên trọn đời có điều kiện]
        C[Đào tạo tư vấn viên: Chuẩn hóa kỹ năng giải thích sao kê]
        D[Bảo mật đa lớp: Tích hợp AI phát hiện gian lận real-time]
    end

Kế hoạch hành động tại OCB Chi nhánh TP.HCM

gantt
    title Lộ trình triển khai giải pháp kinh doanh thẻ OCB (2024 - 2025)
    dateFormat  YYYY-MM-DD
    section Quý 1/2024
    Nâng cấp luồng mở thẻ số trên OCB OMNI :2024-01-01, 90d
    section Quý 2/2024
    Chuẩn hóa đào tạo nghiệp vụ Chuyên viên Khách hàng cá nhân :2024-04-01, 90d
    section Quý 3/2024
    Triển khai gói liên kết chi tiêu Doanh nghiệp - Cá nhân (CIB) :2024-07-01, 90d
    section Quý 4/2024 - 2025
    Tối ưu thuật toán AI định mức tín dụng & Chăm sóc tự động :2024-10-01, 180d

Phân tích Hiệu quả Đầu tư (ROI & Financial Metrics)

  • Chi phí triển khai ước tính: 1.200.000.000 VNĐ (Bao gồm chi phí nâng cấp luồng eKYC phát hành thẻ ảo trên OCB OMNI, ngân sách truyền thông điểm bán và đào tạo nhân sự chi nhánh).
  • Tăng trưởng thẻ phát hành mới: Dự kiến tăng 35% số lượng thẻ mở mới sau 12 tháng áp dụng (đạt mốc ~15.000 thẻ mới/năm tại khu vực TP.HCM).
  • Tỷ lệ thẻ hoạt động (Active Rate): Nâng từ 58% lên 76% nhờ chương trình nhắc lịch thanh toán tự động và kích hoạt ưu đãi cá nhân hóa.
  • Thời gian hoàn vốn (Payback Period): Ước tính 9.5 tháng từ nguồn thu phí giao dịch POS/E-commerce, phí chuyển đổi trả góp và thu nhập lãi ngoài lãi.

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Phương pháp lấy mẫu: Sử dụng kỹ thuật lấy mẫu thuận tiện phi xác suất ($N=300$), dữ liệu thu thập tập trung chủ yếu tại địa bàn đô thị TP.HCM, chưa bao quát các tỉnh lân cận.
  • Mô hình tĩnh: Phân tích hồi quy cắt ngang (Cross-sectional) chỉ đo lường nhận thức tại một thời điểm, chưa theo dõi được sự thay đổi lòng trung thành của chủ thẻ theo vòng đời dài hạn.

Hướng mở rộng nghiên cứu

  • Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling): Đánh giá các biến trung gian (Sự hài lòng, Niềm tin thương hiệu) tác động đến Quyết định duy trì thẻ.
  • Tích hợp Machine Learning: Xây dựng mô hình Random Forest / XGBoost dự báo xác suất rời bỏ (Churn Rate) hoặc nguy cơ nợ quá hạn (Default Risk) dựa trên dữ liệu giao dịch thẻ thực tế từ Core Banking OCB.

Đối tượng hưởng lợi

mindmap
  root((Đối tượng hưởng lợi))
    Sinh viên & Giảng viên
      Tham khảo khung phân tích định lượng chuẩn mực
      Tài liệu thực chứng về đề tài Quản trị Ngân hàng
    Nhà phát triển Fintech
      Hiểu rõ điểm nghẽn trải nghiệm người dùng trên App ngân hàng
      Thiết kế luồng thanh toán và xác thực OTP tối ưu
    Lãnh đạo Ngân hàng OCB
      Ra quyết định dựa trên dữ liệu định lượng thực chứng
      Phân bổ ngân sách Marketing đúng nhân tố trọng yếu
    Nhà nghiên cứu Kinh tế
      Mở rộng mô hình chấp nhận công nghệ tài chính tại thị trường mới nổi
Nhóm đối tượng Giá trị nhận được Lợi ích định lượng cụ thể
Sinh viên & Học viên cao học Bộ khung nghiên cứu định lượng hoàn chỉnh từ EFA đến OLS. Tiết kiệm 40% thời gian thiết kế bảng hỏi và thang đo.
Chuyên viên Phát triển Sản phẩm OCB Nhận diện chính xác 5 đòn bẩy hành vi của khách hàng. Tối ưu hóa tính năng thẻ, giảm tỷ lệ hủy thẻ 15%.
Chuyên viên Marketing Tài chính Dữ liệu thực nghiệm về mức độ nhạy cảm chi phí & rủi ro. Tăng 25% tỷ lệ chuyển đổi từ chiến dịch quảng cáo thẻ.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập mô hình nghiên cứu này là gì?

Hệ thống cần cài đặt phần mềm IBM SPSS Statistics (từ bản 20.0 trở lên) hoặc môi trường Python 3.8+ với các thư viện chuyên dụng: statsmodels, scikit-learn, pandas, scipy. Dữ liệu đầu vào yêu cầu tập tin định dạng .sav hoặc .csv mã hóa chuẩn Likert 1–5 đã làm sạch các quan sát khuyết thiếu (Missing data).

2. Mô hình có gặp hiện tượng quá khớp (Overfitting) hoặc đa cộng tuyến không?

Không. Kết quả kiểm định cho thấy hệ số phóng đại phương sai VIF cao nhất là 1.542 (thấp hơn nhiều so với ngưỡng cảnh báo 2.0), chỉ số Durbin-Watson đạt 1.892 (nằm hoàn hảo trong khoảng $1.5 - 2.5$), chứng minh các biến độc lập không có hiện tượng đa cộng tuyến và phần dư không bị tự tương quan.

3. Làm thế nào để OCB tích hợp các phát hiện này vào hệ thống Core Banking hiện hữu?

Ngân hàng có thể tận dụng API của nền tảng số OCB OMNI để kết nối trực tiếp dữ liệu thói quen chi tiêu của khách hàng. Từ đó, hệ thống tự động gợi ý hạn mức thẻ tín dụng và hiển thị thông báo chương trình khuyến mãi theo danh mục ưu tiên (Convenience & Cost factors) ngay trên giao diện ứng dụng di động.

4. Yếu tố Rủi ro ảnh hưởng như thế nào đến quyết định mở thẻ của khách hàng?

Kết quả hồi quy chỉ ra hệ số $\beta = -0.142$ ($p = 0.012 < 0.05$), cho thấy rủi ro tác động nghịch chiều có ý nghĩa thống kê. Khách hàng càng lo sợ lộ mã số CVV/CVC, rủi ro đánh cắp danh tính hoặc bị trừ phí không rõ nguyên nhân thì xác suất mở thẻ càng giảm. Do đó, OCB cần đẩy mạnh tính năng khóa thẻ tạm thời trên App và bảo hiểm giao dịch gian lận.

5. Khung thời gian thu hồi vốn (ROI) của các giải pháp đề xuất tại OCB Chi nhánh TP.HCM là bao lâu?

Dựa trên mô hình tài chính ước tính, với chi phí đầu tư ban đầu khoảng 1,2 tỷ VNĐ cho việc đào tạo nhân sự, nâng cấp tính năng số và khuyến mãi điểm bán, dự án sẽ đạt điểm hòa vốn sau 9.5 tháng nhờ sự gia tăng thu nhập thuần từ phí dịch vụ thẻ và biên lãi thuần (NIM) từ dư nợ trả góp.


Kết luận

Khoá luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, khẳng định vai trò then chốt của các yếu tố cấu thành quyết định sử dụng thẻ tín dụng tại Ngân hàng TMCP Phương Đông (OCB) - Chi nhánh TP.HCM. Với cỡ mẫu thực nghiệm chuẩn mực $N=300$, mô hình hồi quy đa biến đã chứng minh sức mạnh giải thích vượt trội ($R^2_{adj} = 70.6%$), trong đó Sự tiện lợi ($\beta = 0.312$) và Chất lượng dịch vụ ($\beta = 0.264$) là hai động lực thúc đẩy mạnh mẽ nhất, trong khi Cảm nhận rủi ro ($\beta = -0.142$) là rào cản chính cần triệt tiêu.

Những kết quả định lượng này cung cấp cơ sở khoa học và thực tiễn vững chắc cho Ban Giám đốc OCB Chi nhánh TP.HCM trong việc tái cấu trúc danh mục thẻ bán lẻ, nâng cấp trải nghiệm số hóa trên OCB OMNI và xây dựng chính sách chăm sóc khách hàng chuyên biệt, hướng tới mục tiêu dẫn đầu thị phần dịch vụ tài chính bán lẻ trong kỷ nguyên số.