Giới thiệu dự án

Thị trường tài chính – ngân hàng bán lẻ tại Việt Nam đang chứng kiến sự cạnh tranh quyết liệt giữa các ngân hàng thương mại cổ phần. Theo thống kê từ Ngân hàng Nhà nước Việt Nam chi nhánh TP. Hồ Chí Minh, tính đến cuối năm 2022, số lượng tài khoản thanh toán cá nhân trên địa bàn thành phố đã vượt mốc 5 triệu tài khoản, ghi nhận mức tăng trưởng 10% so với năm 2021. Trong bối cảnh nguồn vốn huy động từ dân cư đóng vai trò là "mạch máu" bảo đảm thanh khoản và mở rộng tín dụng, việc nâng cao năng lực cạnh tranh trong phân khúc tiền gửi tiết kiệm cá nhân trở thành ưu tiên hàng đầu của các ngân hàng thương mại.

Tuy nhiên, các tổ chức tín dụng đang đối mặt với bài toán nan giải: khoảng cách lớn giữa kỳ vọng của khách hàng và chất lượng dịch vụ thực tế. Sự bão hòa về mặt bằng lãi suất huy động theo trần quy định buộc các ngân hàng phải chuyển dịch trọng tâm sang trải nghiệm khách hàng. Tại Ngân hàng TMCP Sài Gòn Thương Tín (Sacombank) trên địa bàn TP. Hồ Chí Minh, việc giữ chân người gửi tiền và gia tăng giá trị trọn đời (Customer Lifetime Value) đòi hỏi phải có cơ sở dữ liệu định lượng chuẩn xác nhằm xác định chính xác các yếu tố chi phối cảm nhận của người dùng.

Dự án nghiên cứu được triển khai với 3 mục tiêu cụ thể:

  1. Xác định các nhân tố cấu thành: Định danh tập hợp các yếu tố tác động đến sự hài lòng của khách hàng cá nhân (KHCN) khi gửi tiết kiệm tại Sacombank TP. Hồ Chí Minh.
  2. Lượng hóa mức độ tác động: Đánh giá và đo lường trọng số ảnh hưởng của từng nhân tố thông qua các kỹ thuật phân tích thống kê đa biến.
  3. Đề xuất hàm ý quản trị ứng dụng: Xây dựng hệ thống giải pháp nâng cao chất lượng dịch vụ ngân hàng bán lẻ dựa trên bằng chứng dữ liệu thực nghiệm.

Phương pháp tiếp cận giải pháp kết hợp nghiên cứu định tính (hiệu chỉnh thang đo) và nghiên cứu định lượng thực nghiệm (khảo sát mẫu $N=262$), dựa trên nền tảng khung lý thuyết hiệu suất dịch vụ SERVPERF cải tiến. Kết quả kỳ vọng cung cấp phương trình hồi quy tuyến tính chuẩn hóa với độ tin cậy $95%$, làm cơ sở cho chiến lược tối ưu hóa nguồn lực tại hệ thống phòng giao dịch.

Phạm vi và giới hạn: Nghiên cứu tập trung vào khách hàng cá nhân đã và đang thực hiện giao dịch gửi tiết kiệm tại các chi nhánh/phòng giao dịch Sacombank thuộc khu vực TP. Hồ Chí Minh trong giai đoạn khảo sát từ tháng 06/2023 đến tháng 09/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành so sánh các mô hình đo lường chất lượng dịch vụ phổ biến trong kinh tế lượng ứng dụng nhằm lựa chọn công cụ tối ưu cho ngành ngân hàng bán lẻ:

Tiêu chí Mô hình SERVQUAL (Parasuraman et al., 1988) Mô hình SERVPERF (Cronin & Taylor, 1994) Mô hình BANKQUAL
Cơ chế đo lường Đánh giá khoảng cách giữa kỳ vọng ($E$) và cảm nhận thực tế ($P$): $Q = P - E$ Đo lường trực tiếp dựa trên cảm nhận thực tế về chất lượng thực thi: $Q = P$ Đo lường chuyên biệt cho ngân hàng tích hợp kênh số hóa
Ưu điểm Toàn diện, phân tích sâu các khoảng cách dịch vụ (Gaps Model) Giảm 50% số lượng câu hỏi, tránh mệt mỏi cho người khảo sát, hệ số $R^2$ cao Phù hợp với ngân hàng số đa kênh (Omnichannel)
Nhược điểm Dài dòng, người trả lời dễ nhầm lẫn giữa kỳ vọng và cảm nhận Ít phân tích sâu kỳ vọng tiềm ẩn của khách hàng Khó chuẩn hóa giữa các mô hình ngân hàng truyền thống
Khả năng ứng dụng Trung bình trong khảo sát thực tế tại quầy Rất cao đối với nghiên cứu hành vi KHCN Thích hợp cho sản phẩm e-Banking

Dựa trên phân tích yêu cầu khách hàng theo mô hình MoSCoW:

  • Must have: Cam kết an toàn bảo mật thông tin, giao dịch đúng hạn và chính xác, thủ tục tất toán/mở sổ minh bạch.
  • Should have: Không gian giao dịch tiện nghi, bảng biểu rõ ràng, nhân viên am hiểu nghiệp vụ và tư vấn tận tình.
  • Could have: Các tiện ích gia tăng tại quầy (nước uống, khu vực chờ VIP), quà tặng tri ân trong các dịp lễ.
  • Won't have (lúc này): Tự động hóa 100% không cần giao dịch viên tại các giao dịch tiết kiệm giá trị cao.

Thiết kế hệ thống mô hình nghiên cứu

Mô hình nghiên cứu kế thừa và điều chỉnh từ mô hình SERVPERF và các công trình thực nghiệm của Levesque & McDougall (1996), Jamal & Naser (2003), Supriyanto et al. (2021), bao gồm 6 biến độc lập và 1 biến phụ thuộc:

+-------------------------------------------------------------+
|                     MÔ HÌNH NGHIÊN CỨU                      |
+-------------------------------------------------------------+
|  [SDU]  Sự đáp ứng của ngân hàng (4 biến quan sát)          |--+
|  [PTHH] Phương tiện hữu hình (4 biến quan sát)              |--|
|  [DTC]  Độ tin cậy của ngân hàng (4 biến quan sát)          |--|
|  [KNDB] Khả năng đảm bảo của dịch vụ (4 biến quan sát)      |--+--> [SHL] Sự hài lòng KHCN
|  [KNNV] Kỹ năng của nhân viên (5 biến quan sát)             |--|     (4 biến quan sát)
|  [LSUD] Lãi suất và chương trình ưu đãi (4 biến quan sát)   |--|
+-------------------------------------------------------------+--+

Mô hình kinh tế lượng hồi quy bội có dạng: $$\text{SHL} = \beta_0 + \beta_1 \text{SDU} + \beta_2 \text{PTHH} + \beta_3 \text{DTC} + \beta_4 \text{KNDB} + \beta_5 \text{KNNV} + \beta_6 \text{LSUD} + \varepsilon$$

Stack công nghệ và công cụ phân tích dữ liệu:

  • SPSS Statistics v26.0: Sử dụng để chạy thống kê mô tả, Cronbach’s Alpha, EFA, ma trận tương quan Pearson, hồi quy OLS và kiểm định ANOVA.
  • Python 3.10.12 (Pandas 2.1, Statsmodels 0.14, Scipy 1.11): Sử dụng để xử lý dữ liệu sạch và tái thẩm định các chỉ số thống kê.
  • Thang đo: Thang đo Likert 5 mức độ ($1$: Hoàn toàn không đồng ý $\rightarrow 5$: Hoàn toàn đồng ý).
BẢNG MÃ HÓA BIẾN QUAN SÁT (CODEBOOK SCHEMA):

Methodology

Phương pháp luận nghiên cứu kết hợp hai giai đoạn (Mixed-Method Approach):

  1. Nghiên cứu định tính: Phỏng vấn sâu chuyên gia tài chính và thảo luận nhóm tập trung ($N=10$) nhằm điều chỉnh nội dung 29 biến quan sát phù hợp với bối cảnh giao dịch thực tế tại Sacombank TP.HCM.
  2. Nghiên cứu định lượng: Khảo sát diện rộng thông qua phương pháp lấy mẫu thuận tiện phi xác suất. Kích thước mẫu tối thiểu theo Hair et al. (2006) là $N \ge 5 \times 29 = 145$ quan sát. Tổng số phiếu phát ra là 300, thu về 262 mẫu hợp lệ sau bước lọc dữ liệu ngoại lai ($N=262$, vượt $80.6%$ ngưỡng tối thiểu).

Implementation và kết quả

Development process

Quy trình xử lý dữ liệu được thiết kế theo đường ống tuần tự (Pipeline) từ khâu chuẩn hóa, kiểm định độ tin cậy thang đo, phân tích nhân tố khám phá đến phân tích hồi quy đa biến:

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

def clean_and_validate_survey_data(df: pd.DataFrame) -> pd.DataFrame:
    """Làm sạch dữ liệu khảo sát và loại bỏ các bản ghi không hợp lệ."""
    # Kiểm tra giá trị khuyết thiếu và miền giá trị Likert [1, 5]
    likert_cols = [c for c in df.columns if c.startswith(('SDU', 'PTHH', 'DTC', 'KNDB', 'KNNV', 'LSUD', 'SHL'))]
    df_clean = df.dropna(subset=likert_cols)
    for col in likert_cols:
        df_clean = df_clean[(df_clean[col] >= 1) & (df_clean[col] <= 5)]
    return df_clean

def compute_regression_metrics(df: pd.DataFrame, indep_vars: list, dep_var: str):
    """Thực thi hồi quy OLS và tính toán hệ số VIF."""
    X = df[indep_vars]
    X_with_const = sm.add_constant(X)
    y = df[dep_var]
    
    model = sm.OLS(y, X_with_const).fit()
    vif_data = pd.DataFrame({
        "Variable": X.columns,
        "VIF": [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    })
    return model.summary(), vif_data

Testing và validation

1. Thống kê mô tả mẫu ($N = 262$)

  • Giới tính: Nữ chiếm $63.4%$ (166 mẫu), Nam chiếm $36.6%$ (96 mẫu).
  • Độ tuổi: Nhóm 22–45 tuổi chiếm ưu thế với $47.3%$ (124 người); 18–22 tuổi chiếm $29.4%$ (77 người); 45–54 tuổi chiếm $17.6%$ (46 người); trên 54 tuổi chiếm $5.7%$ (15 người).
  • Thu nhập: Phân khúc 20–30 triệu đồng/tháng chiếm cao nhất với $37.0%$ (97 người); 10–20 triệu đồng chiếm $26.3%$ (69 người); trên 30 triệu đồng chiếm $21.0%$ (55 người); dưới 10 triệu đồng chiếm $15.6%$ (41 người).
  • Nghề nghiệp: Nhân viên văn phòng chiếm $38.2%$ (100 người); Lao động tự do chiếm $24.0%$ (63 người); Sinh viên và Nội trợ mỗi nhóm chiếm $13.7%$ (36 người); Doanh nhân chiếm $10.3%$ (27 người).

2. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Tất cả 7 thang đo đều đạt chuẩn về tính nhất quán nội tại (Cronbach's Alpha $\ge 0.60$ và hệ số tương quan biến – tổng Corrected Item-Total Correlation $\ge 0.30$):

Thang đo Số biến quan sát Hệ số Cronbach's Alpha Tương quan biến - tổng nhỏ nhất Kết luận
Sự đáp ứng (SDU) 4 0.742 > 0.30 Đạt yêu cầu
Phương tiện hữu hình (PTHH) 4 0.608 > 0.30 Đạt yêu cầu
Độ tin cậy (DTC) 4 0.608 > 0.30 Đạt yêu cầu
Khả năng đảm bảo (KNDB) 4 0.664 > 0.30 Đạt yêu cầu
Kỹ năng nhân viên (KNNV) 5 0.767 > 0.30 Đạt yêu cầu
Lãi suất và ưu đãi (LSUD) 4 0.863 > 0.30 Đạt yêu cầu
Sự hài lòng (SHL) 4 0.823 > 0.30 Đạt yêu cầu

3. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Hệ số $\text{KMO} = 0.851$ (thỏa mãn $0.5 < \text{KMO} < 1.0$), kiểm định Bartlett có giá trị thống kê $\chi^2 = 2507.607$ với mức ý nghĩa $p = 0.000 < 0.05$. Tất cả hệ số tải nhân tố (Factor Loading) đều đạt $> 0.50$, không có hiện tượng biến tải chéo.
  • Biến phụ thuộc: Hệ số $\text{KMO} = 0.814$, kiểm định Bartlett có $\chi^2 = 501.832$ với $p = 0.000 < 0.05$. Tất cả các biến quan sát gom thành 1 nhân tố duy nhất với Factor Loading $> 0.50$.

Kết quả đạt được

Phân tích ma trận tương quan Pearson khẳng định tất cả các biến độc lập đều có tương quan tuyến tính có ý nghĩa thống kê ($p < 0.01$) với biến phụ thuộc SHL, trong đó PTHH ghi nhận mức độ tương quan cao nhất ($r > 0.60$).

Kết quả ước lượng mô hình hồi quy tuyến tính bội:

Biến độc lập Hệ số $\beta$ chưa chuẩn hóa Mức ý nghĩa ($p$-value) Đánh giá giả thuyết Hệ số phóng đại phương sai (VIF)
(Constant) $\beta_0 > 0$ $p < 0.05$ Có ý nghĩa -
SDU $\beta_1 > 0$ $p < 0.05$ Chấp nhận $H_1$ $1.24 < 2.0$
PTHH $\beta_2 \text{ (lớn nhất)}$ $p < 0.05$ Chấp nhận $H_2$ $1.41 < 2.0$
DTC $\beta_3 > 0$ $p > 0.05$ Bác bỏ $H_3$ Không vi phạm
KNDB $\beta_4 > 0$ $p < 0.05$ Chấp nhận $H_4$ $1.35 < 2.0$
KNNV $\beta_5 \text{ (nhỏ nhất)}$ $p < 0.05$ Chấp nhận $H_5$ $1.52 < 2.0$
LSUD $\beta_6 > 0$ $p < 0.05$ Chấp nhận $H_6$ $1.18 < 2.0$

Kiểm định hiện tượng đa cộng tuyến: Tất cả các hệ số VIF của các biến có ý nghĩa thống kê đều $< 2.0$, chứng minh không tồn tại hiện tượng đa cộng tuyến gây sai lệch mô hình.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng:

  • Khám phá thực nghiệm mới: Khác với quan niệm truyền thống cho rằng "Lãi suất" hoặc "Độ tin cậy" là nhân tố quyết định số một, kết quả thực nghiệm tại Sacombank TP.HCM chứng minh Phương tiện hữu hình (PTHH) mới là biến số có tác động mạnh nhất đến sự hài lòng của khách hàng gửi tiết kiệm. Điều này phản ánh xu hướng người gửi tiền tại các đô thị lớn đặc biệt coi trọng không gian giao dịch, sự hiện đại của hệ thống Core Banking và sự chuyên nghiệp trực quan.
  • Phát hiện về biến Độ tin cậy (DTC): Biến DTC không đạt ý nghĩa thống kê ở mức $5%$ ($p > 0.05$). Đây là bằng chứng cho thấy trong tâm lý khách hàng đô thị, độ tin cậy của một ngân hàng thương mại quy mô lớn như Sacombank được xem là "điều kiện mặc định" (Hygiene Factor) chứ không còn là yếu tố tạo ra sự vượt trội về mức độ hài lòng.
  • So sánh với các nghiên cứu tiền nhiệm:
Công trình nghiên cứu Bối cảnh & Mẫu Nhân tố tác động mạnh nhất Khác biệt cốt lõi so với đề tài hiện tại
Levesque & McDougall (1996) Bán lẻ tại Canada ($N=420$) Chất lượng dịch vụ lõi & Giá trị cảm nhận Chưa tách biệt không gian vật lý và hệ thống số hóa tại quầy
Phan Đình Khôi et al. (2015) Agribank Bình Minh ($N=130$) Sự đáp ứng & Sự an tâm Mẫu nông thôn chú trọng tính an tâm; đề tài hiện tại tập trung đô thị chú trọng cơ sở vật chất
Supriyanto et al. (2021) Ngân hàng Indonesia ($N=347$) Kỹ năng nhân viên & Sự đảm bảo Đề tài hiện tại chỉ ra Kỹ năng nhân viên có trọng số dương nhưng nhỏ nhất

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

Kết quả nghiên cứu cung cấp cơ sở để Ban điều hành Sacombank tối ưu hóa chi phí đầu tư và nâng cao tỷ lệ duy trì khách hàng:

  1. Nâng cấp không gian vật lý theo tiêu chuẩn Smart Branch: Hiện đại hóa các điểm giao dịch tại TP.HCM theo concept mở, tích hợp kiosk tự phục vụ, màn hình tra cứu lãi suất tự động và phân luồng khách hàng thông minh.
  2. Chuẩn hóa quy trình giao dịch nhanh (Fast-track Processing): Cải tiến thủ tục mở và tất toán sổ tiết kiệm dưới 5 phút, hỗ trợ tất toán linh hoạt giữa kênh quầy và ứng dụng Sacombank Pay.
  3. Chính sách lãi suất linh hoạt: Thiết kế các gói tiết kiệm tích lũy đa dạng, cho phép rút gốc linh hoạt từng phần nhằm bảo toàn lãi suất cho phần tiền gửi còn lại.
LỘ TRÌNH TRIỂN KHAI 4 GIAI ĐOẠN (IMPLEMENTATION ROADMAP):
[Quý 1: Chuẩn hóa CSVC]      --> Tái thiết kế 100% quầy giao dịch trọng điểm tại TP.HCM
[Quý 2: Tối ưu quy trình]     --> Triển khai hệ thống phân luồng tự động, rút ngắn thời gian chờ < 7 phút
[Quý 3: Đào tạo & Khuyến mãi]--> Huấn luyện kỹ năng xử lý tình huống cho GDV; tung gói ưu đãi lãi suất số
[Quý 4: Đánh giá & Mở rộng]  --> Đo lường lại chỉ số CSAT/NPS định kỳ, nhân rộng ra toàn hệ thống

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí ước tính: Đầu tư 150–200 triệu VNĐ/phòng giao dịch cho hạng mục nâng cấp nhận diện, trang thiết bị số hóa và tiện nghi chờ.
  • Lợi ích định lượng:
    • Tăng tỷ lệ tái tục tiền gửi tiết kiệm khi đáo hạn thêm $15% - 20%$.
    • Tăng tỷ lệ giới thiệu khách hàng mới thông qua truyền miệng tích cực thêm $12%$.
    • Thời gian hoàn vốn dự kiến: 8–12 tháng dựa trên quy mô huy động vốn tăng thêm.

Hạn chế và hướng phát triển

Dự án thừa nhận các giới hạn kỹ thuật cần được khắc phục trong các nghiên cứu tiếp theo:

  • Phương pháp lấy mẫu: Sử dụng phương pháp chọn mẫu thuận tiện phi xác suất ($N=262$), do đó tính đại diện tổng thể cho toàn bộ khách hàng trên cả nước còn hạn chế.
  • Thời gian cắt ngang (Cross-sectional): Dữ liệu thu thập trong giai đoạn từ tháng 06/2023 đến tháng 09/2023, chưa phản ánh được sự biến động hành vi trong các chu kỳ kinh tế khác nhau.
  • Hướng mở rộng:
    1. Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) hoặc PLS-SEM để đánh giá biến trung gian (như Niềm tin, Giá trị cảm nhận) và biến điều tiết (Độ tuổi, Thu nhập).
    2. Mở rộng tập dữ liệu so sánh đa ngân hàng (Big4 vs TMCP) trên quy mô toàn quốc ($N \ge 1000$).
    3. Tích hợp phân tích dữ liệu lớn (Big Data) và thuật toán phân loại Machine Learning (Random Forest, XGBoost) để dự đoán nguy cơ rời bỏ dịch vụ (Churn Prediction) của người gửi tiền.

Đối tượng hưởng lợi

Hệ thống kết quả nghiên cứu mang lại giá trị định lượng cho 4 nhóm đối tượng:

  • Sinh viên & Học viên cao học: Tiếp cận trọn vẹn quy trình nghiên cứu khoa học chuẩn mực từ thiết kế bảng hỏi, kiểm định thang đo Cronbach's Alpha, phân tích EFA đến hồi quy OLS trên phần mềm SPSS.
  • Lập trình viên & Kỹ sư dữ liệu FinTech: Nắm bắt các biến số then chốt về trải nghiệm khách hàng để tối ưu hóa UI/UX cho các ứng dụng ngân hàng số và cổng giao dịch điện tử.
  • Ban quản trị & Lãnh đạo ngân hàng: Sở hữu cơ sở dữ liệu định lượng chính xác để phân bổ ngân sách đầu tư vào cơ sở vật chất (PTHH) và tối ưu hóa chính sách chăm sóc khách hàng nhằm nâng cao tỷ lệ huy động vốn.
  • Nhà nghiên cứu kinh tế lượng ứng dụng: Bổ sung bộ tài liệu tham khảo thực nghiệm về hành vi gửi tiết kiệm cá nhân tại thị trường đô thị đang phát triển ở Đông Nam Á.

Câu hỏi thường gặp

1. Cần điều kiện kỹ thuật gì để triển khai quy trình phân tích dữ liệu này?

Hệ thống yêu cầu máy tính cấu hình cơ bản (CPU Core i3/RAM 4GB trở lên) cài đặt phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên hoặc môi trường Python 3.8+ với các thư viện pandas, numpy, statsmodels, scipy và seaborn.

2. Vì sao biến Độ tin cậy (DTC) lại không có ý nghĩa thống kê trong mô hình hồi quy?

Trong phân tích hồi quy đa biến, mức ý nghĩa của biến DTC có giá trị $p > 0.05$. Điều này cho thấy tại thị trường TP.HCM, thương hiệu Sacombank đã đạt được mức độ uy tín nền tảng vững chắc, khiến khách hàng xem độ tin cậy là điều kiện đương nhiên, không còn tạo ra sự phân hóa trực tiếp về mức độ hài lòng so với các yếu tố trực quan và tiện ích.

3. Phương tiện hữu hình (PTHH) bao gồm những tiêu chí cụ thể nào?

Biến PTHH đo lường 4 tiêu chí cốt lõi:

  1. Cơ sở vật chất, tiện nghi phục vụ tại sảnh chờ (nước uống, ghế ngồi, vệ sinh, bãi đỗ xe).
  2. Vị trí quầy giao dịch thuận tiện, phân định chức năng rõ ràng.
  3. Bảng biểu, mẫu chứng từ thiết kế trực quan, dễ hiểu.
  4. Mức độ hiện đại của máy móc, thiết bị vi tính phục vụ giao dịch.

4. Chi phí để duy trì và nâng cao các yếu tố ảnh hưởng này tại chi nhánh là bao nhiêu?

Chi phí phân bổ chủ yếu vào 2 hạng mục: bảo trì/nâng cấp không gian hữu hình (khoảng $60%$ ngân sách) và chi phí đào tạo nâng cao kỹ năng mềm, quy trình giao dịch nhanh cho nhân viên (khoảng $40%$ ngân sách).

5. Kết quả nghiên cứu có thể áp dụng cho các ngân hàng khác không?

Mô hình nghiên cứu và bảng câu hỏi chuẩn hóa có thể chuyển giao và áp dụng cho các ngân hàng thương mại cổ phần khác trong cùng phân khúc đô thị; tuy nhiên cần hiệu chỉnh lại trọng số thông qua khảo sát mẫu tại địa bàn tương ứng.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Nguyễn Anh Thư (2023) đã giải quyết trọn vẹn bài toán xác định và lượng hóa các yếu tố tác động đến sự hài lòng của khách hàng cá nhân khi gửi tiết kiệm tại Sacombank TP. Hồ Chí Minh. Dựa trên mẫu khảo sát thực nghiệm $N = 262$ và quy trình kinh tế lượng đa biến chuẩn mực, nghiên cứu chứng minh rằng Phương tiện hữu hình là nhân tố có ảnh hưởng mạnh nhất, tiếp sau đó là Sự đáp ứng, Khả năng đảm bảo, Lãi suất - ưu đãi và Kỹ năng nhân viên.

Kết quả này là kim chỉ nam khoa học cho các nhà quản trị Sacombank trong việc tái phân bổ nguồn vốn đầu tư: ưu tiên hiện đại hóa mạng lưới chi nhánh vật lý kết hợp tinh gọn quy trình giao dịch, thay vì chỉ tập trung vào cuộc đua lãi suất. Quý độc giả, sinh viên và các nhà nghiên cứu quan tâm có thể ứng dụng khung thang đo và phương pháp luận của đề tài để triển khai các mô hình phân tích hành vi khách hàng chuyên sâu trong lĩnh vực tài chính – ngân hàng.