Giới thiệu dự án
Trong bối cảnh thị trường tài chính – ngân hàng Việt Nam bước vào giai đoạn chuyển đổi số toàn diện và cạnh tranh gay gắt, hoạt động bán lẻ, đặc biệt là mảng tín dụng cá nhân, đóng vai trò hạt nhân trong việc tạo lập biên lợi nhuận ròng (Net Interest Margin - NIM) bền vững. Theo số liệu từ Ngân hàng Nhà nước Việt Nam, tín dụng bán lẻ duy trì mức tăng trưởng bình quân 14–18%/năm trong giai đoạn 2020–2023. Tuy nhiên, thị phần này chứng kiến áp lực cạnh tranh quyết liệt giữa khối Ngân hàng Thương mại Cổ phần (NHTM) Nhà nước nắm giữ tỷ trọng lớn (Big 4) và các NHTM cổ phần tư nhân năng động, linh hoạt cùng sự thâm nhập của các công ty công nghệ tài chính (Fintech).
Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) là định chế tài chính có quy mô tổng tài sản lớn nhất hệ thống ngân hàng thương mại Việt Nam. Mặc dù sở hữu lợi thế vượt trội về nền tảng vốn và mạng lưới, hoạt động quảng bá sản phẩm tín dụng của BIDV vẫn đối mặt với nhiều rào cản:
- Các chiến dịch truyền thông quảng bá chưa tối ưu hóa theo phân khúc khách hàng mục tiêu, dẫn đến chi phí thu hút khách hàng (Customer Acquisition Cost - CAC) còn cao.
- Sự chuyển dịch hành vi người dùng sang kênh số đòi hỏi thông điệp truyền thông về sản phẩm tín dụng (cho vay mua nhà, vay tiêu dùng, thẻ tín dụng) phải vừa minh bạch về lãi suất, vừa cá nhân hóa trải nghiệm.
- Thiếu hụt mô hình lượng hóa chuẩn xác mức độ tác động của từng thành tố năng lực nội tại đến hiệu quả cạnh tranh trong hoạt động quảng bá tín dụng.
Dự án nghiên cứu này được triển khai nhằm giải quyết trực tiếp các bài toán trên thông qua các mục tiêu cụ thể:
- Hệ thống hóa cơ sở lý luận về năng lực cạnh tranh và hoạt động quảng bá sản phẩm tín dụng trong lĩnh vực ngân hàng bán lẻ.
- Xây dựng và kiểm định mô hình kinh tế lượng đo lường mức độ tác động của 7 nhân tố then chốt (Thương hiệu, Sản phẩm, Năng lực tài chính, Mạng lưới, Dịch vụ, Năng lực quản trị, Công nghệ) đến năng lực cạnh tranh quảng bá tín dụng tại BIDV.
- Đề xuất hệ thống giải pháp định lượng có thứ tự ưu tiên rõ ràng giúp Ban điều hành BIDV phân bổ ngân sách tiếp thị và tái cơ cấu chiến lược tín dụng tối ưu.
Nghiên cứu sử dụng phương pháp định lượng thực nghiệm thông qua khảo sát mẫu diện rộng ($N=330$), phân tích độ tin cậy Cronbach’s Alpha, phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) và hồi quy đa biến (Ordinary Least Squares - OLS) trên nền tảng IBM SPSS Statistics 22. Kết quả kỳ vọng giải thích tối thiểu 60% sự biến thiên của năng lực cạnh tranh với độ tin cậy thống kê $p < 0.05$.
Phạm vi nghiên cứu tập trung vào khách hàng cá nhân đã và đang tiếp cận các gói sản phẩm tín dụng của BIDV trên địa bàn các đô thị trọng điểm trong quý II/2024. Giới hạn nghiên cứu không bao gồm mảng tín dụng doanh nghiệp quy mô lớn (Wholesale Banking).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Để định vị năng lực quảng bá tín dụng của BIDV, nghiên cứu tổng hợp và so sánh các phương pháp tiếp cận đánh giá năng lực cạnh tranh trong ngành ngân hàng hiện nay:
| Tiêu chí so sánh |
Mô hình 5 áp lực (Michael Porter) |
Hệ thống CAMELS / G-CAMELS |
Mô hình Thực nghiệm Khảo sát EFA - OLS (Đề tài ứng dụng) |
| Bản chất dữ liệu |
Định tính, phân tích cấu trúc ngành |
Dữ liệu thứ cấp báo cáo tài chính định lượng |
Dữ liệu sơ cấp thực nghiệm hành vi và cảm nhận khách hàng |
| Phạm vi áp dụng |
Chiến lược vĩ mô ngân hàng |
Đánh giá an toàn vốn, rủi ro thanh khoản |
Đánh giá trực tiếp hiệu quả quảng bá và năng lực sản phẩm |
| Độ nhạy thị trường |
Thấp, chu kỳ đánh giá dài |
Trung bình, phụ thuộc kỳ báo cáo quý/năm |
Cao, phản ánh ngay lập tức phản hồi của khách hàng |
| Khả năng lượng hóa |
Không lượng hóa chi tiết mức độ tác động |
Lượng hóa chỉ số tài chính, thiếu biến vô hình |
Đo lường chính xác hệ số hồi quy chuẩn hóa $\beta$ từng yếu tố |
So sánh năng lực cạnh tranh quảng bá tín dụng giữa BIDV và các đối thủ trực tiếp:
- Vietcombank: Thế mạnh thương hiệu vượt trội, chi phí vốn thấp, tập trung quảng bá khách hàng thu nhập cao.
- VietinBank: Mạng lưới sâu rộng, thế mạnh tín dụng sản xuất kinh doanh, truyền thông tập trung phân khúc truyền thống.
- Techcombank / VPBank: Dẫn đầu về công nghệ số hóa quy trình vay (Digital Lending), quảng bá đa kênh tự động hóa (MarTech).
- BIDV: Năng lực tài chính hàng đầu, danh mục sản phẩm phong phú, uy tín thương hiệu lâu đời, nhưng kênh truyền thông số còn dư địa phát triển lớn.
Yêu cầu nghiên cứu được phân loại theo ma trận MoSCoW:
- Must have: Đo lường chính xác độ tin cậy thang đo ($\alpha \ge 0.70$), phân tích nhân tố EFA trích xuất phương sai $> 50%$, kiểm định hiện tượng đa cộng tuyến ($VIF < 10$).
- Should have: Xác lập ma trận trọng số hồi quy $\beta$ phân tầng thứ bậc ảnh hưởng của 7 biến độc lập.
- Could have: Xây dựng đoạn mã tự động hóa quy trình tiền xử lý và ước lượng mô hình bằng Python/R.
- Won't have: Mô hình hóa chuỗi thời gian vĩ mô tác động đến lãi suất liên ngân hàng.
Thiết kế hệ thống
Hệ thống xử lý và phân tích dữ liệu nghiên cứu được thiết kế theo luồng xử lý chặt chẽ 5 tầng (Data Pipeline Architecture):
flowchart TD
A["Thu thập dữ liệu sơ cấp (Google Forms / Phiếu khảo sát N=380)"] --> B["Làm sạch dữ liệu & Mã hóa Likert 5 điểm (N=330 hợp lệ)"]
B --> C["Kiểm định độ tin cậy thang đo (Cronbach's Alpha >= 0.70)"]
C --> D["Phân tích nhân tố khám phá EFA (KMO, Bartlett's Test, Varimax Rotation)"]
D --> E["Phân tích tương quan Pearson (r) & Kiểm định giả thuyết OLS"]
E --> F["Hồi quy tuyến tính đa biến (R-squared, ANOVA F-test, VIF, Normal P-P Plot)"]
F --> G["Trích xuất hệ số Beta & Hoạch định ma trận giải pháp quản trị"]
Cấu hình ngăn xếp công nghệ phân tích:
- SPSS Core Engine: IBM SPSS Statistics version 22.0.
- Python Data Stack (Validation): Python 3.10, Pandas 2.1.0, Statsmodels 0.14.0, Scikit-learn 1.3.0.
- Thang đo: Thang đo khoảng cách Likert 5 mức độ (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý) gồm 28 biến quan sát.
Bảo mật và toàn vẹn dữ liệu: 100% dữ liệu định danh cá nhân (PII) được mã hóa một chiều (anonymized) theo tiêu chuẩn bảo mật dữ liệu tài chính trước khi đưa vào mô hình xử lý.
Methodology
Quy trình nghiên cứu kết hợp giữa nghiên cứu định tính (tham vấn chuyên gia, giảng viên hướng dẫn để hiệu chỉnh bảng câu hỏi) và nghiên cứu định lượng chính thức qua 6 bước:
- Khởi tạo & Lược khảo: Tổng quan cơ sở lý thuyết cạnh tranh (Porter, 1985; Victor Smith, 2002; Nguyễn Xuân Bá, 2018).
- Thiết kế công cụ đo lường: Xây dựng bảng hỏi 28 items thuộc 9 nhóm biến.
- Thu thập mẫu thực địa: Phát 380 phiếu, thu về 330 mẫu hợp lệ đạt tỷ lệ phản hồi 86.8%.
- Phân tích định lượng: Làm sạch, phân tích Cronbach’s Alpha, EFA và OLS.
- Kiểm định giả định mô hình: Kiểm tra hiện tượng đa cộng tuyến, phương sai sai số thay đổi, phân phối chuẩn phần dư.
- Tổng hợp & Đề xuất: Chuyển hóa hệ số Beta thành khuyến nghị thực tiễn.
Quản trị rủi ro phương pháp luận:
- Rủi ro sai lệch chọn mẫu (Sampling Bias): Phân tầng ngẫu nhiên khách hàng theo cơ cấu độ tuổi, nghề nghiệp và thu nhập.
- Rủi ro đa cộng tuyến (Multicollinearity): Theo dõi sát chỉ số VIF và ma trận tương quan Pearson.
Implementation và kết quả
Development process
Quá trình xử lý và ước lượng mô hình được chuẩn hóa thông qua hệ thống công thức và quy trình thuật toán. Phương trình hồi quy đa biến tổng quát:
$$NLCT = \gamma + \beta_1 TH + \beta_2 SP + \beta_3 NLTC + \beta_4 ML + \beta_5 DV + \beta_6 NLQT + \beta_7 CN + \epsilon$$
Trong đó:
- $NLCT$: Năng lực cạnh tranh trong hoạt động quảng bá sản phẩm tín dụng (Biến phụ thuộc).
- $TH$: Thương hiệu; $SP$: Sản phẩm; $NLTC$: Năng lực tài chính; $ML$: Mạng lưới; $DV$: Dịch vụ; $NLQT$: Năng lực quản trị; $CN$: Công nghệ.
- $\beta_i$: Hệ số hồi quy chuẩn hóa (Standardized Beta Coefficients).
- $\epsilon$: Sai số ngẫu nhiên của mô hình (Random Error).
Mã nguồn Python thực thi quá trình hồi quy và kiểm định chất lượng mô hình tương đương trên nền tảng SPSS 22:
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
df = pd.read_csv("bidv_credit_survey_data.csv")
features = ['TH', 'SP', 'NLTC', 'ML', 'DV', 'NLQT', 'CN']
target = 'NLCT'
X = df[features]
y = df[target]
# Add intercept
X_with_const = sm.add_constant(X)
# Fit Ordinary Least Squares (OLS) model
ols_model = sm.OLS(y, X_with_const).fit()
# Calculate Variance Inflation Factor (VIF)
vif_data = pd.DataFrame()
vif_data["Feature"] = features
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(features))]
print(ols_model.summary())
print("\n--- Multicollinearity Diagnostic (VIF) ---")
print(vif_data)
Testing và validation
Kết quả kiểm định chất lượng kỹ thuật của dữ liệu qua các bài kiểm tra nghiêm ngặt:
-
Độ tin cậy thang đo (Cronbach's Alpha):
- Tất cả 8 nhóm thang đo đều đạt hệ số $\alpha \ge 0.785$, không có biến quan sát nào có hệ số tương quan biến - tổng (Corrected Item - Total Correlation) $< 0.30$.
-
Phân tích nhân tố khám phá (EFA):
- Hệ số $KMO = 0.842$ ($0.5 < KMO < 1.0$), kiểm định Bartlett có giá trị thống kê $\chi^2$ với mức ý nghĩa $Sig. = 0.000 < 0.05$, chứng minh các biến có tương quan chặt chẽ.
- Tổng phương sai trích (Total Variance Explained) đạt $64.38% > 50%$, giá trị Eigenvalues đều lớn hơn 1.0.
- Ma trận xoay nhân tố (Rotated Component Matrix) cho thấy toàn bộ hệ số tải nhân tố (Factor Loading) đều đạt chuẩn $> 0.50$.
-
Kiểm định tính phù hợp và các giả định hồi quy:
- Hệ số $R^2$ hiệu chỉnh đạt $0.668$ (66.8%), chứng minh mô hình giải thích được 66.8% sự biến thiên của năng lực cạnh tranh quảng bá tín dụng tại BIDV.
- Kiểm định ANOVA có $F = 95.42$ với $Sig. = 0.000 < 0.001$, khẳng định mô hình hồi quy tuyến tính xây dựng là hoàn toàn phù hợp với tập dữ liệu tổng thể.
- Toàn bộ chỉ số $VIF < 1.85$ (thấp hơn nhiều so với ngưỡng 10), loại trừ hoàn toàn rủi ro đa cộng tuyến.
- Biểu đồ phân phối chuẩn phần dư (Normal P-P Plot) cho thấy các điểm quan sát bám sát đường chéo $45^\circ$, khẳng định sai số tuân theo phân phối chuẩn.
Kết quả đạt được
Bảng tổng hợp tham số hồi quy đa biến chính thức:
| Thứ hạng |
Nhân tố độc lập |
Ký hiệu |
Hệ số Beta chuẩn hóa ($\beta$) |
Mức ý nghĩa ($Sig.$) |
Hệ số phóng đại phương sai ($VIF$) |
Đánh giá mức độ tác động |
| 1 |
Thương hiệu |
TH |
0.270 |
$0.000$ |
$1.412$ |
Tác động mạnh nhất |
| 2 |
Sản phẩm |
SP |
0.218 |
$0.000$ |
$1.385$ |
Tác động mạnh thứ hai |
| 3 |
Năng lực tài chính |
NLTC |
0.190 |
$0.001$ |
$1.294$ |
Tác động mạnh thứ ba |
| 4 |
Mạng lưới |
ML |
0.178 |
$0.001$ |
$1.356$ |
Tác động mạnh thứ tư |
| 5 |
Dịch vụ |
DV |
0.173 |
$0.002$ |
$1.401$ |
Tác động mạnh thứ năm |
| 6 |
Năng lực quản trị |
NLQT |
0.147 |
$0.004$ |
$1.280$ |
Tác động mạnh thứ sáu |
| 7 |
Công nghệ |
CN |
0.138 |
$0.008$ |
$1.315$ |
Tác động mức độ thấp nhất |
Toàn bộ 7 giả thuyết nghiên cứu ($H_1, H_2, H_4, H_5, H_6, H_7, H_8$) đều được chấp nhận ở mức ý nghĩa thống kê $p < 0.01$.
Đổi mới và đóng góp
Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng:
- Mô hình hóa chuyên biệt: Khác với các nghiên cứu chung chung về năng lực cạnh tranh toàn diện (như Biện Thị Tuyết Như, 2023; Võ Hải Đăng, 2021), công trình này tập trung đi sâu vào hoạt động quảng bá sản phẩm tín dụng, tích hợp lý thuyết marketing định chế tài chính với mô hình kinh tế lượng thực nghiệm.
- Phát hiện thực nghiệm về vai trò của Thương hiệu: Chứng minh thực nghiệm rằng đối với sản phẩm tín dụng ngân hàng,
Thương hiệu ($\beta = 0.270$) là động lực dẫn dắt hàng đầu quyết định sự tin tưởng của người vay, vượt trên cả yếu tố cạnh tranh về lãi suất thuần túy.
- Lượng hóa mức độ giải thích: Đạt độ thích hợp mô hình $R^2 = 66.8%$, vượt trội so với các nghiên cứu trước đây trong cùng nhóm ngành (thường dao động từ 45% đến 58%).
- Xác định nghịch lý công nghệ: Chỉ ra biến
Công nghệ có hệ số Beta thấp nhất ($\beta = 0.138$), phản ánh thực trạng các nền tảng quảng bá số của ngân hàng hiện nay mới dừng ở mức cung cấp thông tin giao dịch cơ bản, chưa tạo được sự khác biệt hóa mạnh mẽ trong nhận thức của khách hàng vay cá nhân.
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế (Real-World Use Cases)
- Chiến dịch tái định vị gói tín dụng nhà ở "BIDV Home":
- Sử dụng kết quả $\beta_{TH} = 0.270$ để chuyển đổi thông điệp truyền thông từ "Cạnh tranh lãi suất thả nổi" sang "Cam kết an tâm pháp lý cùng thương hiệu ngân hàng hàng đầu quốc gia".
- Tối ưu hóa danh mục sản phẩm thẻ tín dụng & thấu chi cá nhân:
- Dựa trên $\beta_{SP} = 0.218$, thiết kế các gói sản phẩm vay tín chấp linh hoạt theo chu kỳ dòng tiền của khách hàng bán lẻ, đi kèm chính sách minh bạch biểu phí.
- Chiến lược tiếp thị đa kênh O2O (Online-to-Offline):
- Kết hợp giữa mạng lưới phòng giao dịch phủ rộng ($\beta_{ML} = 0.178$) với tính năng mở hồ sơ vay trực tuyến qua ứng dụng BIDV SmartBanking ($\beta_{CN} = 0.138$), rút ngắn thời gian phê duyệt giải ngân xuống dưới 4 giờ.
Lộ trình triển khai khuyến nghị
gantt
title Lộ trình 4 giai đoạn triển khai nâng cao năng lực quảng bá tín dụng BIDV
dateFormat YYYY-MM
section Giai đoạn 1: Chuẩn hóa
Tái định vị thương hiệu & Gói sản phẩm vay :2024-07, 3M
section Giai đoạn 2: Tối ưu mạng lưới
Tái cấu trúc POS/Chi nhánh & Chuẩn hóa dịch vụ :2024-09, 4M
section Giai đoạn 3: Số hóa quy trình
Nâng cấp MarTech trên BIDV SmartBanking :2024-11, 5M
section Giai đoạn 4: Đánh giá
Đo lường ROI & Tối ưu chi phí CAC :2025-03, 3M
- Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis):
- Dự kiến giảm 15% chi phí thu hút khách hàng vay mới ($CAC$).
- Tăng tỷ lệ chuyển đổi từ tiếp cận quảng cáo sang giải ngân thực tế thêm 22%.
- Thời gian hoàn vốn đầu tư chiến dịch (Payback Period): 6–8 tháng.
Hạn chế và hướng phát triển
Dù đạt được các kết quả thực nghiệm có độ tin cậy cao, nghiên cứu vẫn ghi nhận một số hạn chế:
- Ràng buộc cỡ mẫu và không gian: Mẫu khảo sát $N=330$ tập trung chủ yếu tại khu vực TP. Hồ Chí Minh và một số đô thị vệ tinh, chưa bao phủ toàn diện thị trường nông thôn và miền núi.
- Phương sai chưa giải thích: Khoảng 33.2% sự biến thiên của năng lực cạnh tranh phụ thuộc vào các nhân tố khác chưa được đưa vào mô hình (như biến động lãi suất điều hành vĩ mô, chu kỳ kinh tế, chính sách thuế, chiến dịch cạnh tranh trực tiếp từ các đối thủ).
- Phương pháp lấy mẫu: Sử dụng phương pháp chọn mẫu thuận tiện qua internet có thể làm giảm tính đại diện tuyệt đối của tổng thể khách hàng cao tuổi.
Hướng phát triển tiếp theo:
- Mở rộng mô hình bằng phương pháp mô hình hóa cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) để phân tích các tác động gián tiếp (Mediating Effects) và biến điều tiết (Moderating Effects) như nhóm nhân khẩu học Gen Z hay mức độ am hiểu tài chính (Financial Literacy).
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Tiếp cận khung nghiên cứu định lượng chuẩn mực, phương pháp xây dựng thang đo Likert và quy trình chạy mô hình OLS/EFA hoàn chỉnh trong ngành Tài chính - Ngân hàng.
- Chuyên viên Marketing & Quản trị sản phẩm ngân hàng: Nắm vững hệ số trọng số thực nghiệm để phân bổ ngân sách tiếp thị tối ưu theo thứ tự: Thương hiệu $\rightarrow$ Sản phẩm $\rightarrow$ Năng lực tài chính $\rightarrow$ Mạng lưới.
- Ban điều hành BIDV & Các NHTM: Cơ sở khoa học và bằng chứng định lượng để hoạch định chiến lược kinh doanh tín dụng bán lẻ giai đoạn 2024–2030.
- Nhà nghiên cứu học thuật: Bộ dữ liệu và thang đo 28 biến đã được kiểm định độ tin cậy, làm tiền đề cho các công trình nghiên cứu mở rộng trong tương lai.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật để áp dụng mô hình nghiên cứu này vào thực tế ngân hàng là gì?
Ngân hàng cần tích hợp hệ thống dữ liệu khách hàng (CRM/CDP) với các công cụ phân tích thống kê (SPSS, SAS hoặc Python/R). Dữ liệu phản hồi của khách hàng cần được thu thập định kỳ tối thiểu 6 tháng/lần với kích thước mẫu $N \ge 300$ để cập nhật các hệ số $\beta$ theo thời gian thực.
2. Tại sao nhân tố "Công nghệ" lại có hệ số tác động thấp nhất ($\beta = 0.138$)?
Trong hoạt động cấp tín dụng cá nhân, khách hàng vẫn xem công nghệ là "điều kiện cần" để giao dịch thuận tiện chứ chưa phải "yếu tố quyết định" niềm tin. Quyết định vay vốn chịu ảnh hưởng chi phối bởi uy tín thương hiệu ngân hàng ($\beta = 0.270$) và các điều khoản hợp đồng/lãi suất của sản phẩm ($\beta = 0.218$).
3. Mô hình có tích hợp được vào hệ sinh thái ngân hàng số hiện có của BIDV không?
Có. Các trọng số hồi quy có thể được sử dụng làm tham số đầu vào cho hệ thống chấm điểm đề xuất nội dung thông minh (Recommendation Engine) trên ứng dụng BIDV SmartBanking, giúp tự động cá nhân hóa banner quảng cáo và gói vay phù hợp với từng hồ sơ rủi ro của người dùng.
4. Chi phí triển khai hệ thống giải pháp đề xuất ước tính là bao nhiêu?
Chi phí phân bổ chủ yếu vào việc tái cấu trúc thông điệp truyền thông thương hiệu và đào tạo chuẩn hóa dịch vụ tại các điểm giao dịch, ước tính chiếm khoảng 3–5% tổng ngân sách marketing hàng năm của khối bán lẻ, mang lại hiệu quả gia tăng trưởng dư nợ tín dụng từ 8–12%.
5. Làm thế nào để kiểm soát sai số và rủi ro đa cộng tuyến khi mở rộng nghiên cứu?
Cần duy trì việc kiểm tra hệ số phóng đại phương sai $VIF$ định kỳ (đảm bảo $VIF < 2.0$), đồng thời áp dụng phương pháp trích nhân tố Principal Components với phép xoay Varimax để đảm bảo tính trực giao giữa các nhân tố độc lập.
Kết luận
Công trình nghiên cứu đã hoàn thành xuất sắc các mục tiêu đề ra khi lượng hóa thành công các yếu tố cấu thành năng lực cạnh tranh trong hoạt động quảng bá sản phẩm tín dụng tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV). Với độ giải thích mô hình đạt 66.8%, kết quả thực nghiệm chỉ ra rõ ràng rằng Thương hiệu ($\beta = 0.270$) và Sản phẩm ($\beta = 0.218$) là hai trụ cột có sức ảnh hưởng lớn nhất, tiếp theo là Năng lực tài chính, Mạng lưới, Dịch vụ, Năng lực quản trị và Công nghệ.
Đây là luận cứ khoa học thực tiễn vững chắc giúp ban lãnh đạo ngân hàng chuyển dịch từ phương thức quảng bá dàn trải sang chiến lược tập trung nguồn lực vào các điểm chạm tạo giá trị cao nhất. Các ngân hàng thương mại và tổ chức tín dụng quan tâm có thể ứng dụng trực tiếp framework định lượng này để nâng cao vị thế cạnh tranh trên thị trường tín dụng bán lẻ hiện đại.
