Bối cảnh và vấn đề nghiên cứu

Hoạt động cho vay là mảng nghiệp vụ cốt lõi, mang lại nguồn thu nhập lãi chủ yếu cho các ngân hàng thương mại. Trong danh mục tín dụng bán lẻ, các khoản vay mua nhà thế chấp bằng bất động sản thường có quy mô giải ngân lớn và thời hạn kéo dài từ 10 đến 35 năm. Tuy nhiên, khi khách hàng thực hiện trả nợ trước thời hạn đã thỏa thuận, ngân hàng sẽ mất đi dòng thu nhập lãi dự kiến trong tương lai, làm giảm hiệu quả sinh lời của hợp đồng tín dụng, đặc biệt trong bối cảnh lãi suất thị trường có xu hướng giảm thấp hơn lãi suất thỏa thuận ban đầu.

Bên cạnh tổn thất về lợi nhuận, hành vi trả trước hạn còn làm phát sinh rủi ro thanh khoản và rủi ro lãi suất. Các danh mục cho vay thế chấp dài hạn đòi hỏi ngân hàng phải hoạch định chiến lược cân đối kỳ hạn nguồn vốn huy động và tái cấp vốn. Việc ước tính không chính xác dòng tiền tất toán sớm dẫn đến tình trạng thừa hoặc thiếu hụt thanh khoản, gây xáo trộn kế hoạch giải ngân và gia tăng chi phí bù đắp vốn.

Tại Ngân hàng Thương mại Cổ phần Kỹ Thương Việt Nam (Techcombank), để kích cầu tiêu dùng bất động sản và hỗ trợ đối tác chủ đầu tư, ngân hàng áp dụng chính sách ân hạn nợ gốc và lãi trong thời gian từ 6 đến 24 tháng đầu tiên. Sau khi kết thúc giai đoạn ân hạn và nhận bàn giao nhà, áp lực trả nợ lãi định kỳ xuất hiện khiến tỷ lệ khách hàng tất toán khoản vay trước hạn gia tăng đột biến. Mặc dù ngân hàng áp dụng biểu phí phạt trả nợ trước hạn (dao động từ 1% đến 3% giá trị trả trước), việc chủ động nhận diện và định lượng xác suất trả trước hạn vẫn là yêu cầu cấp thiết để tối ưu hóa quản trị rủi ro danh mục.

Đề tài đặt ra mục tiêu tổng quát là ứng dụng mô hình hồi quy Logistic nhằm đánh giá khả năng khách hàng trả trước hạn khoản vay mua nhà tại Techcombank, từ đó thiết kế thẻ điểm phân loại khách hàng và đề xuất các giải pháp quản trị rủi ro.

Nhiệm vụ nghiên cứu cụ thể bao gồm:

  1. Đánh giá mức độ phù hợp của mô hình hồi quy Logistic trong việc dự báo hành vi trả trước hạn đối với khoản vay mua nhà tại Techcombank.
  2. Xây dựng thẻ điểm (Scorecard) phân loại khách hàng dựa trên xác suất dự báo nhằm hỗ trợ ban hành chính sách khách hàng mục tiêu và kiểm soát dòng tiền.
  • Đối tượng nghiên cứu: Mô hình hồi quy Logistic dự đoán hành vi trả trước hạn khoản vay mua nhà thế chấp.
  • Phạm vi nghiên cứu: Khách hàng cá nhân có khoản vay mua nhà thế chấp bằng bất động sản tại Techcombank trong giai đoạn từ tháng 6/2020 đến tháng 9/2021.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết về hành vi trả trước hạn

Tổng quan tài liệu học thuật phân chia các mô hình dự báo trả trước hạn thành hai trường phái chính:

Trường phái mô hình Bản chất lý thuyết Hạn chế
Mô hình theo lý thuyết tùy chọn (Option-theoretic models) Coi việc trả trước là hành vi kinh tế tối ưu hoàn toàn; người vay thực hiện quyền chọn khi giá trị nợ hiện tại cao hơn giá trị tái tài trợ trên thị trường (Gerardi et al., 2013; Chamboko & Bravo, 2020). Bỏ qua các động cơ phi tài chính; ước tính lệch khi hành vi của người vay có tính ngẫu nhiên hoặc chịu tác động từ hoàn cảnh cá nhân.
Mô hình trả trước ngoại sinh (Exogenous prepayment models) Tích hợp đồng thời các biến số tài chính, nhân khẩu học, lịch sử tín dụng và kinh tế vĩ mô thông qua khai phá dữ liệu và thống kê (Charlier & van Bussel, 2003; Jacobs et al., 2005; Saito, 2018). Yêu cầu bộ dữ liệu lớn, chi tiết và quy trình tiền xử lý biến chặt chẽ.

Nghiên cứu lựa chọn tiếp cận theo mô hình ngoại sinh kết hợp thuật toán hồi quy Logistic do ưu thế về khả năng giải thích mối quan hệ kinh tế và tính ứng dụng trực tiếp trong xây dựng thẻ điểm rủi ro.

Phương pháp nghiên cứu định lượng

Nghiên cứu sử dụng ngôn ngữ lập trình Python và bộ công cụ phân tích rủi ro tín dụng chuyên sâu:

  1. Xử lý biến bằng Trọng số dấu hiệu (Weight of Evidence - WOE): Biến đổi các biến liên tục và rời rạc thành các khoảng giá trị đơn điệu, hỗ trợ loại trừ ngoại lai và chuẩn hóa đơn vị: $$\text{WOE}_i = \ln \left( \frac{\text{Dist_Good}_i}{\text{Dist_Bad}_i} \right)$$ Trong đó, $\text{Dist_Good}_i$ và $\text{Dist_Bad}_i$ lần lượt là tỷ lệ quan sát tốt ($Y=0$) và xấu ($Y=1$) trong nhóm thứ $i$. Mỗi nhóm phân chia phải đảm bảo chiếm tối thiểu 5% tổng số quan sát và thể hiện xu thế logic (Logical Trend) phù hợp với lý thuyết kinh tế.

  2. Tiêu chí sàng lọc biến:

    • Giá trị thông tin (Information Value - IV): Đo lường sức mạnh phân loại của từng biến độc lập: $$\text{IV} = \sum (\text{Dist_Good}_i - \text{Dist_Bad}_i) \times \text{WOE}_i$$ Quy tắc chọn: $\text{IV} < 0.02$ (không có khả năng phân loại), $0.02 - 0.1$ (yếu), $0.1 - 0.3$ (trung bình), $0.3 - 0.5$ (mạnh), $> 0.5$ (rất mạnh).
    • Ma trận tương quan: Loại bỏ các cặp biến có hệ số tương quan Pearson vượt quá 0.8 để tránh hiện tượng đa cộng tuyến.
    • Hồi quy từng bước (Stepwise Selection): Kết hợp hồi quy tiến (Forward) và hồi quy lùi (Backward) dựa trên mức ý nghĩa thống kê $p\text{-value} < 0.05$.
    • Dấu hệ số hồi quy: Do WOE nghịch biến với xác suất xuất hiện sự kiện xấu, tất cả các hệ số hồi quy ước lượng của biến WOE trong mô hình Logistic bắt buộc phải mang dấu âm.

  3. Mô hình hồi quy Logistic và Ước lượng hợp lý tối đa (MLE): Xác suất khách hàng trả trước hạn ($Y=1$) được xác định qua hàm logit tuyến tính: $$\ln \left( \frac{P(Y=1)}{1 - P(Y=1)} \right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_p X_p$$ Các tham số $\beta$ được ước lượng bằng phương pháp MLE.

  4. Hệ thống tiêu chí đánh giá mô hình:

    • Ma trận nhầm lẫn (Confusion Matrix) và Độ chính xác (Accuracy).
    • Đường cong ROC và Diện tích dưới đường cong ROC (AUC).
    • Hệ số Gini ($Gini = 2 \times \text{AUC} - 1$), đo lường khả năng phân tách rủi ro.
    • Chỉ số ổn định tổng thể (Population Stability Index - PSI) và Chỉ số ổn định của biến (Characteristic Stability Index - CSI) để kiểm định tính vững của mô hình trên các tập dữ liệu.

Nội dung chính theo từng chương

Chương 1: Cơ sở lý luận và tổng quan nghiên cứu

Chương 1 hệ thống hóa cơ sở pháp lý về nghiệp vụ cho vay theo Thông tư 39/2016/TT-NHNN và làm rõ vai trò trung gian tài chính của ngân hàng thương mại. Tác giả phân tích cơ chế hình thành các khoản vay mua nhà thế chấp, đặc trưng của phương thức trả nợ theo niên kim và trả theo dư nợ giảm dần.

Trọng tâm của chương là phân tích bản chất kinh tế của hành vi trả trước hạn, chỉ ra các tổn thất mà ngân hàng phải gánh chịu gồm: thất thu lợi nhuận biên lãi ròng (NIM), rủi ro mất cân đối kỳ hạn tái cấp vốn và rủi ro lãi suất phái sinh.

Chương 1 cũng tổng thuật các công trình nghiên cứu của Sara Zahi & BouJemâa Achcab (2020), Chong Guo et al. (2018), Amar (2020), Joana Lopes (2022), Lee Nai & Ong Seow (2003)... từ đó xác lập 5 nhóm biến tiềm năng tác động đến quyết định trả nợ trước hạn: đặc điểm khoản vay, nhân khẩu học, lịch sử tín dụng, năng lực tài chính và yếu tố kinh tế vĩ mô/tính thời vụ.

Chương 2: Phương pháp nghiên cứu

Chương 2 thiết lập quy trình xử lý dữ liệu và kiểm định mô hình theo chuẩn mực thẻ điểm tín dụng. Tác giả làm rõ cơ sở toán học của kỹ thuật WOE trong việc chuyển hóa biến số liên tục thành dạng đơn điệu và triệt tiêu ảnh hưởng của giá trị ngoại lai mà không làm mất thông tin mẫu.

Chương này trình bày chi tiết các ngưỡng quyết định đối với chỉ số IV, ma trận tương quan, thuật toán hồi quy Stepwise, điều kiện dấu âm của hệ số góc và phương pháp ước lượng MLE. Đồng thời, cấu trúc các chỉ tiêu đo lường hiệu năng như Accuracy, AUC, Gini, PSI và CSI được chuẩn hóa kèm theo thang đo định lượng cụ thể.

Cuối chương, vai trò và cơ chế chuyển đổi từ xác suất dự báo sang điểm số thẻ điểm (Scorecard) được phân tích như một công cụ hỗ trợ phân tầng rủi ro và tự động hóa quy trình phê duyệt tín dụng.

Chương 3: Sử dụng mô hình hồi quy Logistic để đánh giá khả năng khách hàng trả trước hạn khoản vay mua nhà tại ngân hàng Techcombank

Chương 3 trình bày toàn bộ quá trình thực nghiệm trên dữ liệu thực tế của Techcombank. Tác giả giới thiệu tổng quan về danh mục cho vay mua nhà của ngân hàng, bao gồm các sản phẩm chuyên biệt như Nhà đổi Nhà (Home for Home), gói Gia đình trẻ, cùng hệ thống phê duyệt tự động IDC và Smart Credit.

Bộ dữ liệu nghiên cứu gồm 54.492 quan sát khách hàng vay mua nhà thế chấp bằng bất động sản từ tháng 6/2020 đến tháng 9/2021. Biến phụ thuộc Is_churn nhận giá trị 1 nếu khách hàng trả trước trong vòng 1 năm kể từ thời điểm chốt dữ liệu (hồ sơ xấu) và 0 nếu không trả trước (hồ sơ tốt). Tập 78 biến độc lập ban đầu (10 biến rời rạc, 68 biến liên tục) cùng 1 biến tạo mới BAL_CA_9 (BAL_CA_1 chia cho BAL_CA_2) được phân loại thành 5 nhóm lớn:

Nhóm biến lớn Nhóm biến thành phần Số lượng biến
Nhân khẩu học Nhân khẩu học (DEMO_1 đến DEMO_5) 5 biến
Đặc điểm khoản vay Đặc điểm khoản vay (LOAN_1 đến LOAN_3) 3 biến
Điều kiện tài chính Số dư tài khoản thanh toán (BAL_CA_1 đến BAL_CA_8, BAL_CA_9)
Tiền mặt (CASH_1 đến CASH_6)
Thanh toán thẻ tín dụng (CC_PMT_1 đến CC_PMT_6)		 21 biến
Lịch sử tín dụng Dư nợ tại ngân hàng (OS_1 đến OS_7)
Dư nợ có tài sản đảm bảo (SEC_OS_1 đến SEC_OS_6)
Dư nợ tín dụng quay vòng (REV_OS_1 đến REV_OS_6)
Hạn mức tín dụng (REV_LIMIT_1 đến REV_LIMIT_10)
Nợ quá hạn (DELI_1, DELI_2)		 31 biến
Hành vi & Sản phẩm Nhóm Sản phẩm (PRODUCT_1 đến PRODUCT_10)
Hành vi giao dịch (TRANS_1 đến TRANS_9)		 19 biến

Tác giả thực hiện tiền xử lý dữ liệu: kiểm tra phân phối bằng biểu đồ Box-plot đối với biến tuổi DEMO_1 (phát hiện giá trị bất thường lên tới 223 và tiến hành lọc bỏ các quan sát DEMO_1 > 80); phân tích tỷ lệ khuyết thiếu (như biến TRANS_7 có tỷ lệ missing lên tới 96%).

Dữ liệu được phân chia thành:

  • Tập Out-of-time (Test set): Dữ liệu tháng 9/2021 gồm 15.204 quan sát (12.587 tốt, 2.617 xấu).
  • Tập In-time: Phân chia ngẫu nhiên theo tỷ lệ 80:20 thành tập Train (31.412 quan sát: 25.676 tốt, 5.736 xấu) và tập Validation (7.853 quan sát: 6.419 tốt, 1.434 xấu).

Quy trình rút gọn biến được thực hiện qua 3 giai đoạn:

  1. Phân tích đơn biến: Tính toán WOE và IV, loại bỏ 16 biến có $\text{IV} < 0.02$ (DEMO_1, LOAN_1, PRODUCT_1, PRODUCT_2, PRODUCT_3, PRODUCT_6, PRODUCT_7, PRODUCT_8, PRODUCT_10, DELI_1, DELI_2, TRANS_4, TRANS_5, TRANS_6, TRANS_7, TRANS_8). Biến PRODUCT_5 ($\text{IV} = 0.008$) được giữ lại do ý nghĩa kinh tế quan trọng. Giữ lại 63 biến.
  2. Phân tích đa biến: Ma trận tương quan loại bỏ 28 biến có tương quan $> 0.8$, còn 35 biến. Chạy hồi quy Stepwise giữ lại 22 biến. Tiếp tục loại các biến dư thừa thông tin (OS_4, OS_6, REV_LIMIT_6, REV_OS_1, BAL_CA...) và các biến dòng tiền không rõ chiều hướng tác động (CASH_2, CASH_5), còn 15 biến.
  3. Hiệu chỉnh nhóm và xu thế logic (Logical Trend): Tác giả tinh chỉnh khoảng phân nhóm WOE cho 15 biến, đảm bảo đường xu thế phù hợp với thực tế kinh doanh:
    • Các biến hành vi giao dịch (TRANS_1, TRANS_9): Giao dịch càng nhiều thể hiện mức độ gắn kết cao, tỷ lệ trả trước giảm $\rightarrow$ WOE tăng dần; nhóm Missing có tỷ lệ trả trước cao $\rightarrow$ WOE giảm sâu.
    • Biến sản phẩm (PRODUCT_5): Sử dụng càng nhiều sản phẩm liên kết thì khả năng trả trước càng thấp $\rightarrow$ WOE có xu thế đi lên.
    • Biến dư nợ (OS_7, SEC_OS_2): Dư nợ tại ngân hàng và dư nợ có bảo đảm càng cao thể hiện nhu cầu duy trì đòn bẩy tài chính, xác suất tất toán sớm giảm $\rightarrow$ WOE có xu thế tăng.
    • Biến nhân khẩu học (DEMO_3 - kinh nghiệm): Khách hàng không kê khai hoặc có số năm kinh nghiệm thấp có tỷ lệ trả trước cao $\rightarrow$ WOE tăng theo mức độ kinh nghiệm.

Mô hình cuối cùng được tinh gọn về 8 biến độc lập tối ưu, đáp ứng đầy đủ ý nghĩa thống kê ($p\text{-value} < 0.05$), dấu hệ số hồi quy âm và tính ổn định qua kiểm định CSI.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  1. Xây dựng thành công mô hình hồi quy Logistic tối ưu: Từ 78 biến độc lập ban đầu, qua quy trình sàng lọc chặt chẽ kết hợp giữa phân tích dữ liệu và chuyên môn ngân hàng, nghiên cứu đã xác lập mô hình gồm 8 biến đại diện tiêu biểu thuộc các nhóm hành vi giao dịch, sản phẩm, dư nợ và nhân khẩu học.
  2. Kiểm định tính vững của mô hình: Các chỉ số đánh giá trên cả 3 tập dữ liệu (Train, Validation, Test) đều phản ánh khả năng phân loại tốt và tính ổn định cao:
    • Hệ số Gini và chỉ số AUC đạt mức tiêu chuẩn cho mô hình phân loại hành vi rủi ro tín dụng bán lẻ.
    • Chỉ số PSI giữa tập Train - Validation và Train - Test đều nằm trong ngưỡng an toàn ($\text{PSI} < 0.1$), khẳng định mô hình không bị quá khớp (overfitting) và có khả năng áp dụng dự báo trong tương lai.
    • Chỉ số CSI của 8 biến thành phần duy trì sự ổn định phân phối qua các giai đoạn.
  3. Thiết kế Thẻ điểm phân loại rủi ro trả trước: Xây dựng thang điểm chuyển đổi từ xác suất dự báo sang điểm số định lượng, cho phép ngân hàng xếp hạng khách hàng theo từng dải rủi ro tất toán sớm.

Khuyến nghị quản trị cho Techcombank

  • Cá nhân hóa chính sách sản phẩm và lãi suất sau ân hạn: Đối với nhóm khách hàng được thẻ điểm nhận diện có xác suất trả trước hạn cao sau khi hết thời gian ân hạn, ngân hàng cần chủ động tiếp cận trước thời điểm kết thúc gói ưu đãi để tư vấn tái cơ cấu khoản vay, áp dụng mức lãi suất thả nổi cạnh tranh hoặc cung cấp các gói tín dụng quay vòng phù hợp.
  • Tối ưu hóa chiến lược bán chéo (Cross-selling): Khai thác kết quả nghiên cứu về vai trò của biến sản phẩm và giao dịch (TRANS_1, TRANS_9, PRODUCT_5), đẩy mạnh việc khuyến khích khách hàng vay mua nhà mở thẻ tín dụng, duy trì số dư tài khoản thanh toán và sử dụng dịch vụ ngân hàng số nhằm gia tăng chi phí chuyển đổi (switching cost) và mức độ gắn kết.
  • Hoạch định dòng tiền tái cấp vốn: Ứng dụng dự báo của thẻ điểm vào công tác cân đối kỳ hạn vốn, giúp bộ phận Quản lý nguồn vốn và ALM (Asset-Liability Management) chủ động nguồn thanh khoản, hạn chế rủi ro thiếu hụt hoặc ứ đọng vốn giải ngân.

Hạn chế và hướng nghiên cứu tiếp

  • Giới hạn về thời gian dữ liệu: Bộ dữ liệu thu thập trong giai đoạn từ tháng 6/2020 đến tháng 9/2021, trùng với thời kỳ nền kinh tế chịu tác động từ đại dịch Covid-19 và các đợt giãn cách xã hội, có thể làm phát sinh một số đặc điểm hành vi mang tính cục bộ.
  • Tỷ lệ khuyết thiếu dữ liệu: Một số trường dữ liệu ghi nhận tỷ lệ Missing cao (tiêu biểu như nhóm biến giao dịch TRANS_7 lên đến 96%), đòi hỏi phải xử lý gộp nhóm Missing thay vì khai thác được giá trị định lượng chi tiết.
  • Phạm vi mô hình hóa: Đề tài tập trung phân tích hành vi tất toán toàn bộ khoản vay trước hạn (Is_churn), chưa tách biệt và mô hình hóa sâu hành vi trả nợ trước hạn từng phần (partial prepayment).
  • Hướng mở rộng: Bổ sung các biến số vĩ mô theo chuỗi thời gian dài hơn (tốc độ tăng trưởng GDP, chỉ số giá bất động sản từng khu vực, biến động lãi suất điều hành) và thử nghiệm kết hợp các mô hình học máy phức hợp (Random Forest, Gradient Boosting) để đối chuẩn hiệu năng.

Giá trị tham khảo

  • Đối với sinh viên và học viên ngành Toán kinh tế, Toán tài chính, Phân tích dữ liệu: Khóa luận là tài liệu tham khảo hoàn chỉnh về phương pháp luận ứng dụng kỹ thuật WOE, tính toán IV, xử lý biến đa cộng tuyến và xây dựng thẻ điểm rủi ro bằng Python theo chuẩn nghiệp vụ ngân hàng thương mại.
  • Đối với chuyên viên phân tích rủi ro và mô hình tại các tổ chức tín dụng: Đề tài cung cấp khung phân tích thực tế về hành vi trả nợ trước hạn của danh mục vay thế chấp bất động sản, đặc biệt là cách xử lý bài toán dữ liệu sau thời gian ân hạn lãi suất.

Câu hỏi thường gặp

1. Tại sao khách hàng trả trước hạn lại bị ngân hàng coi là một dạng rủi ro tài chính?

Khi khách hàng trả trước hạn, ngân hàng mất đi nguồn thu từ lãi suất theo hợp đồng dài hạn, làm giảm lợi nhuận dự kiến. Đồng thời, sự kiện này gây ra rủi ro thanh khoản (mất cân đối giữa kỳ hạn nguồn vốn huy động và kỳ hạn tài trợ) và rủi ro lãi suất (ngân hàng gặp khó khăn khi tái đầu tư dòng tiền thu hồi vào các tài sản mới nếu lãi suất thị trường đang giảm).

2. Biến phụ thuộc Is_churn trong mô hình được xác định như thế nào?

Biến phụ thuộc Is_churn là biến nhị phân nhận hai giá trị:

  • Is_churn = 1 (Hồ sơ xấu): Khách hàng thực hiện tất toán toàn bộ khoản vay mua nhà trước hạn trong vòng 1 năm tính từ thời điểm chốt dữ liệu.
  • Is_churn = 0 (Hồ sơ tốt): Khách hàng không tất toán toàn bộ khoản vay trước hạn trong khoảng thời gian 1 năm nêu trên.

3. Quy mô bộ dữ liệu thực nghiệm và tỷ lệ phân chia các tập mẫu là bao nhiêu?

Tổng quy mô mẫu gồm 54.492 quan sát. Dữ liệu được chia thành:

  • Tập Test (Out-of-time, tháng 9/2021): 15.204 quan sát (12.587 tốt, 2.617 xấu).
  • Tập In-time (tháng 6/2020 - tháng 8/2021): Chia theo tỷ lệ 80:20 thành tập Train (31.412 quan sát: 25.676 tốt, 5.736 xấu) và tập Validation (7.853 quan sát: 6.419 tốt, 1.434 xấu).

4. Tại sao biến PRODUCT_5 có chỉ số IV rất thấp (0.008) nhưng vẫn được tác giả giữ lại trong mô hình?

Mặc dù chỉ số IV của PRODUCT_5 nhỏ hơn ngưỡng lọc thông thường ($0.02$), biến này phản ánh số lượng sản phẩm liên kết mà khách hàng đang sử dụng tại Techcombank. Về mặt bản chất kinh doanh (Business sense), khách hàng sử dụng càng nhiều sản phẩm thì mức độ trung thành và gắn kết càng cao, làm giảm xác suất rời bỏ/trả trước hạn, do đó biến có ý nghĩa lý thuyết kinh tế quan trọng.

5. Tại sao tất cả các hệ số hồi quy trong mô hình Logistic cuối cùng đều phải mang dấu âm?

Theo định nghĩa toán học, giá trị WOE tỷ lệ nghịch với tỷ lệ quan sát xấu trong từng nhóm (tỷ lệ xấu tăng thì WOE giảm). Khi mô hình Logistic dự báo xác suất sự kiện xấu ($P(Y=1)$), biến đầu vào là giá trị WOE bắt buộc phải có hệ số ước lượng mang dấu âm để phản ánh đúng quy luật: WOE càng cao thì xác suất trả trước hạn càng thấp.

Kết luận

Chuyên đề tốt nghiệp đã giải quyết trọn vẹn bài toán định lượng hành vi trả trước hạn khoản vay mua nhà thế chấp tại Ngân hàng TMCP Kỹ Thương Việt Nam bằng mô hình hồi quy Logistic kết hợp kỹ thuật biến đổi WOE. Quy trình nghiên cứu được thực hiện bài bản từ khâu xử lý dữ liệu thực tế 54.492 quan sát, sàng lọc đa tầng qua các chỉ số IV, ma trận tương quan, hồi quy Stepwise đến kiểm định tính vững bằng Gini, AUC, PSI và CSI. Kết quả 8 biến độc lập tối ưu và cấu trúc thẻ điểm được xây dựng là căn cứ khoa học trực tiếp giúp ngân hàng chủ động quản trị thanh khoản, tối ưu hóa chính sách phí và nâng cao hiệu quả giữ chân khách hàng mục tiêu.