Giới thiệu dự án

Hoạt động huy động vốn, đặc biệt là tiền gửi tiết kiệm (TGTK) từ phân khúc khách hàng cá nhân (KHCN), đóng vai trò sống còn đối với thanh khoản và biên lãi thuần (NIM - Net Interest Margin) của các ngân hàng thương mại (NHTM). Theo thống kê ngành ngân hàng Việt Nam giai đoạn 2013–2015, nguồn vốn tiền gửi dân cư chiếm từ 55% đến 65% tổng nguồn vốn huy động của toàn hệ thống, tạo nền tảng vững chắc cho hoạt động cấp tín dụng. Tuy nhiên, các chi nhánh/phòng giao dịch quy mô vừa và nhỏ như Ngân hàng TMCP An Bình (ABBank) – Phòng giao dịch (PGD) Cái Răng (Cần Thơ) chịu sức ép cạnh tranh gay gắt từ các NHTM Nhà nước (Big 4) và các NHTM cổ phần lớn trên cùng địa bàn.

Vấn đề cốt lõi (Problem Statement) tại ABBank Cái Răng giai đoạn 2013–2015 là tình trạng mất cân đối cơ cấu nguồn vốn: tỷ trọng vốn điều chuyển từ chi nhánh cấp 1 luôn ở mức cao (chiếm 65%–67,4% tổng nguồn vốn), trong khi vốn huy động tại chỗ chỉ chiếm 32,6%–35%. Lãi suất vốn điều chuyển nội bộ cao đã đẩy chi phí trả lãi tăng mạnh (chiếm hơn 70% tổng chi phí lãi), làm xói mòn biên lợi nhuận ròng. Ngân hàng gặp khó khăn trong việc xác định chính xác các trọng số hành vi và nhân khẩu học thúc đẩy quy mô tiền gửi của khách hàng cá nhân để tối ưu hóa chiến dịch huy động.

Mục tiêu của dự án nghiên cứu:

  1. Đánh giá thực trạng hoạt động kinh doanh và biến động cơ cấu huy động TGTK tại ABBank PGD Cái Răng giai đoạn 2013–2015.
  2. Thiết lập mô hình kinh tế lượng định lượng hóa các nhân tố ảnh hưởng đến lượng TGTK của khách hàng cá nhân thông qua khảo sát thực nghiệm ($n = 80$).
  3. Kiểm định độ tin cậy mô hình hồi quy đa biến OLS (Ordinary Least Squares) để đo lường mức độ tác động của từng biến số.
  4. Đề xuất hệ thống giải pháp định hướng dữ liệu (Data-driven Banking Solutions) nhằm gia tăng quy mô TGTK, giảm áp lực vốn điều chuyển và tối ưu hóa chi phí hoạt động.

Phạm vi nghiên cứu tập trung vào khách hàng cá nhân giao dịch trực tiếp tại ABBank PGD Cái Răng (Quận Cái Răng, TP. Cần Thơ) từ 15/02/2016 đến 15/03/2016, kết hợp dữ liệu tài chính thứ cấp giai đoạn 2013–2015.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại địa bàn Quận Cái Răng, các NHTM áp dụng nhiều chiến lược huy động vốn khác nhau. Việc phân tích ưu - nhược điểm của các phương pháp tiếp cận giúp định hình mô hình giải pháp:

Phương thức huy động Ưu điểm Nhược điểm Chi phí vốn tương đối
Cạnh tranh trần lãi suất Thu hút thanh khoản tức thì Biên lợi nhuận suy giảm, vi phạm quy định NHNN nếu vượt trần Rất cao
Khuyến mãi/Quà tặng hiện vật Tạo hiệu ứng lan tỏa ngắn hạn Chi phí phi lãi cao, khách hàng rút vốn khi hết chiến dịch Trung bình - Cao
Cá nhân hóa theo quan hệ (Relationship Banking) Khách hàng trung thành, số dư ổn định Đòi hỏi thời gian xây dựng quy trình và đào tạo GDV Thấp - Ổn định

Mô hình yêu cầu hệ thống theo khung MoSCoW:

  • Must-have: Xác định hệ số định lượng của các biến Thu nhập ($X_1$), Chi tiêu ($X_2$), Tuổi tác ($X_3$), Tình trạng hôn nhân ($X_4$), Thời gian giao dịch ($X_5$), Mối quan hệ cá nhân ($X_6$).
  • Should-have: Kiểm định đa cộng tuyến (VIF), tự tương quan (Durbin-Watson) và phân phối phần dư chuẩn.
  • Could-have: Đánh giá tác động của biến nhị phân Khuyến mãi ($X_7$).
  • Won't-have: Dự báo chuỗi thời gian vĩ mô ngoài phạm vi dữ liệu vi mô của chi nhánh.

Thiết kế hệ thống mô hình kinh tế lượng

Khung phân tích dữ liệu ứng dụng phần mềm thống kê chuyên dụng IBM SPSS Statistics v20.0 và Microsoft Excel 2016 với quy trình thiết kế như sau:

Quy định cấu trúc bảng dữ liệu (Data Dictionary Schema):

Tên biến Ký hiệu Loại dữ liệu Thang đo / Đơn vị Dấu kỳ vọng
Lượng tiền gửi tiết kiệm $Y$ Biến phụ thuộc (Continuous) Triệu VNĐ N/A
Thu nhập TB hàng tháng $X_1$ Biến độc lập (Continuous) Triệu VNĐ / tháng $+$
Chi tiêu TB hàng tháng $X_2$ Biến độc lập (Continuous) Triệu VNĐ / tháng $-$
Tuổi khách hàng $X_3$ Biến độc lập (Continuous) Năm (Năm tuổi) $+$
Tình trạng hôn nhân $X_4$ Biến giả (Dummy) 1: Đã kết hôn; 0: Độc thân $+$
Thời gian giao dịch $X_5$ Biến độc lập (Continuous) Phút / lần giao dịch $-$
Người quen tại ngân hàng $X_6$ Biến giả (Dummy) 1: Có người quen; 0: Không $+$
Nhận được khuyến mãi $X_7$ Biến giả (Dummy) 1: Nhận KM; 0: Không $+$

Methodology (Phương pháp luận)

Công thức xác định kích thước mẫu tối thiểu dựa trên phân phối chuẩn của Cochran:

$$n = p(1 - p) \cdot \left(\frac{Z_{\alpha/2}}{\varepsilon}\right)^2$$

Với các thông số:

  • $p = 0.5$ (Độ biến động tối đa của tổng thể: $V = p(1-p) = 0.25$)
  • Độ tin cậy $1 - \alpha = 90% \Rightarrow Z_{\alpha/2} = 1.65$
  • Sai số cho phép $\varepsilon = 10% = 0.10$
  • Kích thước mẫu tính toán lý thuyết: $n = 0.5 \cdot (1 - 0.5) \cdot \left(\frac{1.65}{0.10}\right)^2 = 68.06 \approx 68$ quan sát.
  • Mẫu khảo sát thực tế thu thập: $n = 80$ quan sát hợp lệ (đáp ứng vượt mức cỡ mẫu tối thiểu +17.6%, đảm bảo hiệu lực thống kê).

Implementation và kết quả

Quá trình phân tích và thực thi mô hình

Dữ liệu khảo sát được thu thập trực tiếp tại quầy giao dịch PGD Cái Răng, mã hóa và phân tích thông qua tập lệnh SPSS Syntax và mô phỏng trên Python Statsmodels v0.14.0:

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

# Load and prepare survey dataset (n=80)
# Variables: Y (Deposit Amount), X1 (Income), X2 (Expense), X3 (Age), 
#            X4 (Marital Status), X5 (Service Time), X6 (Acquaintance), X7 (Promotion)

def run_ols_econometric_pipeline(df: pd.DataFrame):
    X = df[['Income_X1', 'Expense_X2', 'Age_X3', 'Marital_X4', 'ServiceTime_X5', 'Acquaintance_X6', 'Promo_X7']]
    X = sm.add_constant(X)
    y = df['Deposit_Y']
    
    # Fit OLS Model
    model = sm.OLS(y, X).fit()
    
    # Calculate Variance Inflation Factor (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))]
    
    return model.summary(), vif_data

Kịch bản phân tích SPSS Syntax chuẩn hóa:

* Descriptive Statistics.
DESCRIPTIVES VARIABLES=Y X1 X2 X3 X4 X5 X6 X7
  /STATISTICS=MEAN STDDEV MIN MAX.

* Multiple Linear Regression Analysis OLS.
REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT Y
  /METHOD=ENTER X1 X2 X3 X4 X5 X6 X7
  /RESIDUALS DURBIN.

Testing và validation

Kết quả thống kê mô tả từ 80 mẫu khảo sát thực nghiệm:

  • Cơ cấu nhân khẩu: Nữ giới chiếm 60% (48 người), Nam giới chiếm 40% (32 người). Độ tuổi trung bình là 44 tuổi (Min = 21, Max = 62, Độ lệch chuẩn $\sigma = 9.31$).
  • Học vấn & Nghề nghiệp: 43.7% trên THPT (35 người), 35% THPT (28 người). Nhóm Công chức/Viên chức chiếm 30%, Công nhân viên 27.5%, Kinh doanh thương mại 25%.
  • Tình trạng hôn nhân: 56.2% đã kết hôn (45 người), 43.8% độc thân (35 người). 47.5% không có người phụ thuộc.
  • Tài chính cá nhân: Thu nhập trung bình $\bar{X}_1 = 6.33$ triệu VNĐ/tháng (Min = 2.0, Max = 30.0, $\sigma = 2.72$ triệu VNĐ). Chi tiêu trung bình $\bar{X}_2 = 4.12$ triệu VNĐ/tháng (Min = 2.0, Max = 20.0, $\sigma = 2.77$ triệu VNĐ).

Kết quả đạt được

Phương trình hồi quy tổng quát thu được từ ước lượng OLS:

$$\hat{Y} = \hat{\beta}_0 + 0.542 X_1 - 0.381 X_2 + 0.215 X_3 + 0.187 X_4 - 0.164 X_5 + 0.298 X_6 + \hat{\varepsilon}$$

Đánh giá mức độ phù hợp và ý nghĩa thống kê của 6 nhân tố tác động then chốt:

  1. Thu nhập hàng tháng ($X_1$, $\beta_1 > 0$, $p < 0.01$): Tác động cùng chiều mạnh nhất. Khi thu nhập khả dụng tăng, dung lượng dòng tiền nhàn rỗi tích lũy tăng tương ứng.
  2. Chi tiêu hàng tháng ($X_2$, $\beta_2 < 0$, $p < 0.01$): Tác động ngược chiều đáng kể. Chi phí sinh hoạt hộ gia đình tăng trực tiếp làm giảm lượng tiền gửi vào thẻ tiết kiệm.
  3. Độ tuổi ($X_3$, $\beta_3 > 0$, $p < 0.05$): Độ tuổi tỷ lệ thuận với số dư tiết kiệm. Khách hàng trung niên và cao tuổi (trung bình 44 tuổi) có xu hướng tích lũy an toàn và dự phòng hưu trí cao hơn nhóm trẻ tuổi.
  4. Tình trạng hôn nhân ($X_4$, $\beta_4 > 0$, $p < 0.05$): Khách hàng đã lập gia đình có mức tiền gửi cao hơn rõ rệt nhóm độc thân do trách nhiệm tài chính gia đình và mục tiêu dự phòng.
  5. Người quen tại ngân hàng ($X_6$, $\beta_6 > 0$, $p < 0.01$): Mối quan hệ cá nhân tạo lập niềm tin ban đầu, giúp gia tăng đáng kể quy mô gửi tiền.
  6. Thời gian giao dịch ($X_5$, $\beta_5 < 0$, $p < 0.05$): Thời gian chờ đợi và xử lý thủ tục kéo dài làm giảm mức độ hài lòng, tác động tiêu cực đến quyết định duy trì số dư lớn.
  7. Khuyến mãi ($X_7$): Không đạt mức ý nghĩa thống kê ($p > 0.10$), chứng minh rằng quà tặng khuyến mãi chỉ tạo tâm lý tức thời, không phải nhân tố quyết định lượng tiền gửi dài hạn.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn rõ nét khi so sánh với các công trình nghiên cứu trước đây tại khu vực Đồng bằng Sông Cửu Long:

Tiêu chí so sánh Khóa luận (Võ Thị Trúc Phương, 2016) Nguyễn Thị Lẹ (2009) Dương Văn Giúp (2013)
Đối tượng nghiên cứu ABBank PGD Cái Răng SCB Cần Thơ BIDV Vĩnh Long
Phương pháp mô hình Hồi quy tuyến tính đa biến OLS Probit kết hợp OLS Mô hình Probit
Mục tiêu phân tích Lượng tiền gửi ($Y$ định lượng) Quyết định gửi & Lượng gửi Quyết định gửi (Biến nhị phân)
Biến số then chốt Thu nhập, Chi tiêu, Tuổi, Hôn nhân, Người quen, Thời gian GD Thu nhập, Chi tiêu, Nhân khẩu, Người quen Tuổi, Giới tính, Nghề nghiệp, Thu nhập
Độ mới về thực tiễn Bóc tách chi phí vốn điều chuyển nội bộ và mối liên hệ với TGTK Chưa gắn với chi phí vốn nội bộ Chưa định lượng giá trị tiền gửi ($Y$)

Điểm cải tiến nổi bật:

  • Làm rõ nghịch lý tăng trưởng chi phí vốn: Xác thực nguyên nhân chi phí trả lãi vốn điều chuyển từ chi nhánh chiếm trên 70% tổng chi phí lãi là do tỷ lệ vốn huy động tại chỗ thấp (chỉ đạt 35% năm 2015).
  • Định lượng hóa trực tiếp mối quan hệ giữa biến định lượng tài chính hộ gia đình (Thu nhập - Chi tiêu) và số dư TGTK thay vì chỉ dừng lại ở quyết định nhị phân (Có/Không gửi tiền).

Ứng dụng thực tế và triển khai

Dựa trên kết quả mô hình hồi quy, ABBank Cái Răng có thể triển khai khung giải pháp gồm 3 trụ cột chiến lược:

1. Rút ngắn thời gian giao dịch tại quầy (Tối ưu biến $X_5$)

  • Tối ưu hóa quy trình luân chuyển chứng từ giữa Giao dịch viên và Kiểm soát viên, rút ngắn thời gian phát hành sổ tiết kiệm từ trung bình 15 phút xuống dưới 7 phút/giao dịch.
  • Ứng dụng hệ thống xếp hàng tự động và đăng ký thông tin khách hàng trực tuyến qua mã CIF định danh trước.

2. Phát triển quan hệ khách hàng cá nhân hóa (Tối ưu biến $X_6$)

  • Phát huy ảnh hưởng của nhân tố "người quen": Xây dựng chính sách tiếp thị thông qua mạng lưới người thân của cán bộ nhân viên nội bộ (Employee Brand Ambassadors).
  • Phân loại danh mục khách hàng theo độ tuổi (tập trung nhóm 35–55 tuổi, chiếm hơn 50% số dư) để cử chuyên viên chăm sóc riêng biệt.

3. Đa dạng hóa gói sản phẩm theo vòng đời khách hàng (Tối ưu biến $X_1, X_2, X_4$)

  • Thiết kế sản phẩm "Tiết kiệm Tích lũy Gia đình" dành riêng cho nhóm khách hàng đã kết hôn, cho phép tự động trích nợ định kỳ từ tài khoản lương theo mức thặng dư $(X_1 - X_2)$.
  • Đẩy mạnh các kỳ hạn 12–24 tháng (tăng trưởng 10.6% năm 2015) nhằm ổn định thanh khoản trung dài hạn, giảm phụ thuộc vào vốn điều chuyển chi nhánh.

Hạn chế và hướng phát triển

Dự án thừa nhận các giới hạn kỹ thuật và phương pháp luận:

  1. Dung lượng mẫu: Kích thước mẫu khảo sát $n = 80$ dù đáp ứng yêu cầu tối thiểu ($n \ge 68$), nhưng vẫn ở mức vừa phải. Cần mở rộng quy mô $n \ge 300$ khi triển khai trên toàn địa bàn TP. Cần Thơ.
  2. Khu vực địa lý: Dữ liệu chỉ thu thập tại PGD Cái Răng, chưa đại diện đầy đủ cho các địa bàn nội thành như Ninh Kiều hoặc ngoại thành như Ô Môn, Thốt Nốt.
  3. Mô hình định lượng: Chưa kết hợp các biến kinh tế vĩ mô động (Lạm phát CPI kỳ vọng, Tỷ giá USD/VND, Biến động thị trường bất động sản).
  4. Hướng phát triển: Mở rộng ứng dụng mô hình học máy (Machine Learning: Random Forest, XGBoost) trên cơ sở dữ liệu CoreBanking lớn để phân khúc khách hàng tự động theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung nghiên cứu thực nghiệm chuẩn tắc, kết hợp phân tích báo cáo tài chính thứ cấp với mô hình hồi quy kinh tế lượng vi mô.
  • Chuyên viên phân tích dữ liệu & Cán bộ Ngân hàng: Nắm bắt các trọng số định lượng ảnh hưởng đến quy mô dòng tiền gửi để xây dựng phễu chăm sóc khách hàng mục tiêu.
  • Nhà quản trị NHTM (Chi nhánh & PGD): Có căn cứ thực nghiệm để tái cấu trúc nguồn vốn, chuyển dịch từ phụ thuộc vốn vay điều chuyển sang tự chủ nguồn tiền gửi dân cư giá rẻ.

Câu hỏi thường gặp

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

Cần cài đặt phần mềm IBM SPSS Statistics v20.0 trở lên hoặc môi trường Python 3.9+ (với các thư viện pandas, numpy, statsmodels, scikit-learn). Dữ liệu đầu vào yêu cầu bảng mã hóa khảo sát sạch và báo cáo kế toán chi tiết giai đoạn tối thiểu 3 năm.

2. Kích thước mẫu n=80 có đảm bảo tính tin cậy thống kê cho mô hình hồi quy OLS không?

Có. Theo công thức tính mẫu Cochran với độ biến động tối đa ($p=0.5$), độ tin cậy 90% ($Z = 1.65$) và sai số $\varepsilon = 10%$, cỡ mẫu tối thiểu là 68. Mẫu thực tế $n = 80$ thỏa mãn điều kiện kiểm định và đảm bảo số quan sát trên mỗi biến độc lập ($80/7 \approx 11.4 > 10$), đáp ứng tiêu chuẩn Green (1991).

3. Làm thế nào để tích hợp mô hình này vào hệ thống CoreBanking hiện hữu?

Dữ liệu nhân khẩu học (Tuổi, Nghề nghiệp, Hôn nhân) và lịch sử giao dịch (Thu nhập qua tài khoản, Số lần giao dịch) từ hệ thống CoreBanking và CRM có thể được trích xuất tự động qua API để tính toán điểm dự báo xu hướng tích lũy (Propensity to Save Score) cho từng khách hàng.

4. Chi phí vốn điều chuyển ảnh hưởng thế nào đến lợi nhuận của phòng giao dịch?

Tại ABBank Cái Răng, chi phí lãi điều chuyển từ chi nhánh chiếm trên 70% tổng chi phí lãi. Do lãi suất điều chuyển nội bộ thường cao hơn lãi suất huy động dân cư, việc tăng tỷ trọng vốn huy động tại chỗ từ 35% lên 50% sẽ giúp giảm ngay 15%–20% chi phí trả lãi, cải thiện trực tiếp lợi nhuận trước thuế.

5. Lộ trình triển khai các giải pháp đề xuất mất bao lâu để thấy hiệu quả ROI?

Lộ trình chuẩn hóa quy trình và rút ngắn thời gian giao dịch mang lại hiệu quả ngay trong 2–3 tháng đầu tiên. Việc triển khai các gói sản phẩm tích lũy theo vòng đời hôn nhân và nâng cao năng lực nhân sự sẽ phản ánh rõ nét vào số dư huy động sau 6–12 tháng triển khai.

Kết luận

Khóa luận tốt nghiệp của tác giả Võ Thị Trúc Phương đã giải quyết thành công bài toán thực tiễn tại Ngân hàng TMCP An Bình – PGD Cái Răng thông qua phương pháp tiếp cận định lượng chặt chẽ. Bằng việc kết hợp phân tích thực trạng tài chính giai đoạn 2013–2015 và xây dựng mô hình hồi quy tuyến tính đa biến OLS trên 80 mẫu khảo sát, nghiên cứu đã chứng minh rõ vai trò quyết định của 6 nhân tố: Thu nhập, Chi tiêu, Tuổi tác, Tình trạng hôn nhân, Người quen tại ngân hàng và Thời gian giao dịch.

Kết quả nghiên cứu cung cấp cơ sở khoa học vững chắc giúp Ban lãnh đạo ABBank Cái Răng chủ động tái cơ cấu nguồn vốn, hạ tỷ trọng vốn điều chuyển nội bộ và nâng cao năng lực cạnh tranh bền vững trên thị trường tài chính Cần Thơ.