Giới thiệu dự án

Thị trường tài chính – ngân hàng Việt Nam giai đoạn 2016–2019 chứng kiến sự cạnh tranh khốc liệt giữa các định chế tài chính trong việc thu hút nguồn vốn nhàn rỗi từ dân cư. Đối với Ngân hàng TMCP Kỹ Thương Việt Nam (Techcombank) – Chi nhánh Huế, hoạt động huy động vốn đóng vai trò then chốt trong việc đảm bảo thanh khoản và tạo lập nguồn vốn phục vụ kinh doanh. Dữ liệu thực tế cho thấy quy mô nguồn vốn huy động tiền gửi tiết kiệm (TGTK) của Techcombank Huế tăng trưởng liên tục: từ 240.537 triệu VNĐ (năm 2016) lên 275.515 triệu VNĐ (năm 2017, tăng 14,54%) và đạt 310.980 triệu VNĐ (năm 2018, tăng 12,87%). Trong đó, tiền gửi VNĐ luôn chiếm trên 90% tổng nguồn vốn huy động.

                  CƠ CẤU VỐN HUY ĐỘNG TECHCOMBANK HUẾ (2016-2018)

Mặc dù tăng trưởng dương, ngân hàng phải đối mặt với nhiều thách thức về hành vi khách hàng:

  • Tâm lý phòng ngừa rủi ro và kỳ hạn ngắn: 44,3% khách hàng cá nhân chỉ gửi kỳ hạn từ 6 tháng đến 1 năm và 29,3% gửi dưới 6 tháng nhằm linh hoạt điều chỉnh theo biến động lãi suất thị trường.
  • Phụ thuộc vào mạng lưới xã hội: 47,1% khách hàng tiếp cận dịch vụ thông qua giới thiệu từ người thân, bạn bè, trong khi kênh tư vấn trực tiếp chỉ chiếm 18,6%.
  • Sự cạnh tranh từ hơn 20 NHTM trên địa bàn TP. Huế: Khách hàng có xu hướng dịch chuyển dòng tiền khi có sự chênh lệch lãi suất hoặc ưu đãi dịch vụ.

Mục tiêu nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về hành vi ra quyết định của khách hàng cá nhân dựa trên Thuyết Hành động Hợp lý (TRA) và Thuyết Hành vi Dự định (TPB).
  2. Nhận diện và đo lường mức độ tác động của các nhóm yếu tố: Uy tín thương hiệu, Lãi suất, Nhân viên phục vụ, Sự tiện lợi, Chương trình khuyến mãi và Cá nhân ảnh hưởng.
  3. Xây dựng và kiểm định mô hình hồi quy tuyến tính bội OLS (Ordinary Least Squares) bằng phần mềm SPSS 25.0.
  4. Đề xuất hệ thống giải pháp định lượng và khả thi cho ban điều hành Techcombank Huế giai đoạn 2020–2025.

Phạm vi và phương pháp: Nghiên cứu khảo sát trực tiếp $N = 140$ khách hàng cá nhân tại 2 điểm giao dịch: Chi nhánh Techcombank Huế (24 Lý Thường Kiệt) và PGD Đông Ba (91 Trần Hưng Đạo) trong thời gian từ tháng 10/2019 đến tháng 12/2019.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát hành vi của 140 khách hàng cá nhân tại Techcombank Huế ghi nhận mục đích gửi tiền đa dạng: 32,0% vì khả năng sinh lời, 30,4% tích lũy cho tương lai, 21,0% quản lý bảo mật và 16,6% an toàn tài sản. 100% khách hàng đã sử dụng ít nhất một dịch vụ đi kèm (38,1% chuyển tiền, 37,6% Mobile/Internet Banking, 16,0% thẻ thanh toán).

Kênh/Giải pháp Ưu điểm Nhược điểm Thị phần tại mẫu nghiên cứu ($N=140$)
Gửi tiết kiệm tại quầy Tính pháp lý cao qua sổ vật lý, nhân viên hỗ trợ trực tiếp Thủ tục thủ công, phụ thuộc giờ hành chính 100% (Khách hàng thực hiện khảo sát tại quầy)
Tiết kiệm điện tử (E-Banking) Thao tác 24/7, cộng thêm lãi suất khuyến khích 0,1-0,2% Rào cản công nghệ với nhóm khách hàng lớn tuổi 37,6% (Sử dụng đồng thời Mobile/Internet Banking)
NHTM Đối thủ (Vietcombank, BIDV) Mạng lưới PGD/ATM dày đặc, thương hiệu quốc doanh Thủ tục xét duyệt truyền thống, tốc độ chuyển đổi số chậm Cạnh tranh trực tiếp về thị phần huy động trên địa bàn Huế

Phân tích yêu cầu khách hàng theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Bảo mật tuyệt đối tài sản, tính toán lãi suất chính xác, thanh khoản đúng hạn tại quầy và online.
  • Should-have (Nên có): Giao diện Mobile Banking trực quan, thời gian xử lý giao dịch tại quầy dưới 5 phút, SMS/OTT thông báo biến động số dư tức thời.
  • Could-have (Có thể có): Gói tiết kiệm tích hợp bảo hiểm nhân thọ/chăm sóc sức khỏe, quà tặng tri ân định kỳ.
  • Won't-have (Chưa ưu tiên): Các sản phẩm phái sinh lãi suất phức tạp dành cho phân khúc khách hàng đại chúng.

Thiết kế hệ thống mô hình kinh tế lượng

Kiến trúc nghiên cứu được thiết kế dạng pipeline xử lý dữ liệu thống kê từ bảng hỏi sơ cấp đến mô hình hồi quy đa biến:

Technology Stack:

  • Công cụ phân tích thống kê: IBM SPSS Statistics Version 25.0.0.0 (Thuật toán: Reliability Analysis, Factor Analysis, Regression, Residuals Analysis).
  • Hệ thống quản lý dữ liệu: Microsoft Excel 2019 / Structured CSV Database Schema.
  • Bộ công cụ kiểm chứng bổ trợ: Python 3.9 (pandas 1.3.5, statsmodels 0.13.2, scipy 1.7.3).

Đặc tả thang đo dữ liệu (Data Schema):

Mã biến Tên biến / Khái niệm Số biến quan sát Tiêu chuẩn đánh giá
UTTH Uy tín thương hiệu Techcombank 3 (UTTH1 $\rightarrow$ UTTH3) $\alpha \ge 0.7$, Factor Loading $\ge 0.5$
LS Lãi suất tiền gửi và chính sách lãi 3 (LS1 $\rightarrow$ LS3) $\alpha \ge 0.7$, Factor Loading $\ge 0.5$
NVPV Kỹ năng, thái độ nhân viên phục vụ 4 (NVPV1 $\rightarrow$ NVPV4) $\alpha \ge 0.7$, Factor Loading $\ge 0.5$
TL Sự tiện lợi (vị trí, mạng lưới, thủ tục) 4 (TL1 $\rightarrow$ TL4) $\alpha \ge 0.7$, Factor Loading $\ge 0.5$
CTKM Chương trình khuyến mãi, ưu đãi 2 (CTKM1 $\rightarrow$ CTKM2) $\alpha \ge 0.6$, Factor Loading $\ge 0.5$
CNAH Chuẩn chủ quan / Cá nhân ảnh hưởng 2 (CNAH1 $\rightarrow$ CNAH2) $\alpha \ge 0.6$, Factor Loading $\ge 0.5$
QDSD Quyết định lựa chọn dịch vụ TGTK 2 (QDSD1 $\rightarrow$ QDSD2) Biến phụ thuộc ($Y$)

Methodology

Quy trình nghiên cứu áp dụng phương pháp định lượng kết hợp định tính theo tiến trình chuẩn:

  • Quy mô mẫu: Xác định theo công thức của Bollen (1989) và Hair et al. (1998): $n \ge 5 \times m = 5 \times 28 = 140$ quan sát. Khảo sát thực tế phát ra 150 phiếu, thu về 140 phiếu hợp lệ (tỷ lệ 93,3%).
  • Kiểm soát rủi ro: Khắc phục sai lệch lấy mẫu thuận tiện bằng cách phân bổ đều các khung giờ giao dịch trong ngày và cân đối tỷ lệ nhân khẩu học (30,7% Nam, 69,3% Nữ; 35,7% độ tuổi 30–40, 29,3% độ tuổi 40–50).

Implementation và kết quả

Development Process & Statistical Algorithms

Hệ số tin cậy nội tại Cronbach's Alpha ($\alpha$) được tính toán theo công thức:

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

Trong đó $k$ là số biến quan sát, $\sigma_{Y_i}^2$ là phương sai của biến thứ $i$, và $\sigma_X^2$ là phương sai của tổng điểm quan sát.

Mô hình hồi quy tuyến tính bội OLS xác định:

$$QDSD = \beta_0 + \beta_1 \cdot UTTH + \beta_2 \cdot LS + \beta_3 \cdot NVPV + \beta_4 \cdot TL + \beta_5 \cdot CTKM + \beta_6 \cdot CNAH + e_i$$

Đoạn mã cú pháp SPSS Syntax và kiểm thử tự động bằng Python:

* Step 1: Reliability Analysis for Independent Constructs.
RELIABILITY
  /VARIABLES=UTTH1 UTTH2 UTTH3
  /SCALE('Brand Reputation Scale') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL.

* Step 2: Exploratory Factor Analysis (EFA).
FACTOR
  /VARIABLES UTTH1 UTTH2 UTTH3 LS1 LS2 LS3 NVPV1 NVPV2 NVPV3 NVPV4 TL1 TL2 TL3 TL4 CTKM1 CTKM2 CNAH1 CNAH2
  /MISSING LISTWISE 
  /ANALYSIS UTTH1 UTTH2 UTTH3 LS1 LS2 LS3 NVPV1 NVPV2 NVPV3 NVPV4 TL1 TL2 TL3 TL4 CTKM1 CTKM2 CNAH1 CNAH2
  /PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PC
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

* Step 3: Multiple Linear Regression.
REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT QDSD
  /METHOD=ENTER UTTH LS NVPV TL CTKM CNAH
  /RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Kiểm tra đối chiếu thuật toán bằng Python:

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

# Load dataset & Define Model Variables
df = pd.read_csv("techcombank_hue_survey_data.csv")
X = df[["UTTH", "LS", "NVPV", "TL", "CTKM", "CNAH"]]
y = df["QDSD"]

# Add intercept and fit OLS Model
X_const = sm.add_constant(X)
model = sm.OLS(y, X_const).fit()

# Calculate Multicollinearity (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(model.summary())
print(vif_data)

Testing và Validation

Kết quả kiểm định trên tập mẫu $N = 140$ cho thấy tất cả các chỉ số thống kê đều đạt chuẩn phương pháp luận quốc tế:

  1. Độ tin cậy thang đo (Cronbach's Alpha):
    • Tất cả các thang đo đều có hệ số $\alpha > 0,70$. Hệ số tương quan biến tổng (Corrected Item-Total Correlation) của tất cả các biến quan sát đều $> 0,30$, không có biến rác bị loại.
  2. Kiểm định tính thích hợp EFA:
    • Hệ số KMO: đạt 0,767 (thỏa mãn $0,5 < KMO < 1,0$), khẳng định quy mô mẫu hoàn toàn thích hợp cho phân tích nhân tố.
    • Kiểm định Bartlett's Test of Sphericity: có giá trị thống kê với mức ý nghĩa $\text{Sig.} = 0,000 < 0,05$, chứng minh các biến quan sát có tương quan tuyến tính có ý nghĩa với nhau.
    • Tổng phương sai trích (Cumulative %): đạt 70,219% ($> 50%$), chứng minh 6 nhân tố trích xuất giải thích được 70,219% sự biến thiên của dữ liệu.
    • Điểm dừng Eigenvalue: đều $> 1,0$ tại điểm dừng trích xuất.
  3. Kiểm định hiện tượng đa cộng tuyến và tự tương quan:
    • Hệ số phóng đại phương sai $\text{VIF} < 2,0$ đối với toàn bộ các biến độc lập, khẳng định không xảy ra hiện tượng đa cộng tuyến.
    • Hệ số kiểm định Durbin-Watson nằm trong khoảng từ $1,5$ đến $2,5$, loại trừ hiện tượng tự tương quan chuỗi phần dư bậc 1.
Biến độc lập Hệ số $\beta$ chuẩn hóa Tỷ lệ đóng góp Mức ý nghĩa ($\text{Sig.}$) Kết luận giả thuyết
Uy tín thương hiệu (UTTH) $0,312$ 31,2% $p < 0,01$ Chấp nhận $H_1$ (Tác động mạnh nhất)
Lãi suất tiền gửi (LS) $0,268$ 26,8% $p < 0,01$ Chấp nhận $H_2$
Nhân viên phục vụ (NVPV) $0,195$ 19,5% $p < 0,05$ Chấp nhận $H_3$
Sự tiện lợi (TL) $0,154$ 15,4% $p < 0,05$ Chấp nhận $H_4$
Cá nhân ảnh hưởng (CNAH) $0,121$ 12,1% $p < 0,05$ Chấp nhận $H_6$
Khuyến mãi (CTKM) $0,089$ 8,9% $p < 0,05$ Chấp nhận $H_5$

Đổi mới và đóng góp

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

  1. Bản địa hóa mô hình hành vi người tiêu dùng tài chính: Tích hợp mô hình lý thuyết TRA/TPB vào đặc thù văn hóa tài chính đô thị miền Trung, lượng hóa được chuẩn chủ quan (CNAH chiếm 12,1% quyết định), phản ánh hành vi gửi tiền chịu ảnh hưởng lớn từ gia đình và mạng lưới quan hệ xã hội.
  2. So sánh với các nghiên cứu tiền nhiệm:
Tiêu chí Mô hình TRA (Fishbein & Ajzen, 1975) Mô hình Nghiên cứu Đà Lạt (2018) Mô hình Đề xuất Techcombank Huế (Thảo, 2019)
Biến giải thích Thái độ, Chuẩn chủ quan 6 nhóm (Thương hiệu, Vị trí, Sự cố, Người thân, Chiêu thị, Cơ sở vật chất) 6 nhóm chi tiết gắn với đặc thù sản phẩm tiết kiệm NHTM
Độ giải thích ($R^2 / \text{Variance}$) $\approx 40 - 50%$ $61,4%$ $70,219%$
Kỹ thuật kiểm định Phân tích hồi quy cơ bản EFA & Regression EFA (Varimax) + OLS đa biến + Chẩn đoán đa cộng tuyến VIF
Tính ứng dụng Lý thuyết chung Áp dụng trên địa bàn Tây Nguyên Ứng dụng thực tế cho mạng lưới chi nhánh Techcombank Bắc Trung Bộ

Ứng dụng thực tế và triển khai

Căn cứ vào trọng số tác động ($\beta$), Techcombank Chi nhánh Huế triển khai lộ trình giải pháp đồng bộ:

  1. Củng cố Uy tín thương hiệu ($\beta = 0,312$): Công khai minh bạch chỉ số an toàn vốn, bảo hiểm tiền gửi và chứng chỉ xếp hạng tín nhiệm quốc tế tại tất cả các điểm giao dịch.
  2. Tối ưu hóa chính sách lãi suất ($\beta = 0,268$): Thiết kế bậc thang lãi suất linh hoạt theo kỳ hạn (1–3–6–12 tháng), áp dụng chính sách cộng biên độ lãi suất từ $0,1% - 0,25%/\text{năm}$ khi khách hàng gửi tích lũy định kỳ hoặc gửi qua Techcombank Mobile Banking.
  3. Nâng cao chất lượng nhân viên phục vụ ($\beta = 0,195$): Đào tạo bộ kỹ năng tư vấn tài chính chuyên sâu, áp dụng SLA (Service Level Agreement) cam kết thời gian hoàn tất thủ tục mở sổ/rút gốc không quá 5 phút/giao dịch.
  4. Gia tăng sự tiện lợi và chuyển đổi số ($\beta = 0,154$): Nâng cấp hệ sinh thái ngân hàng số, cho phép khách hàng chủ động cầm cố sổ tiết kiệm online để vay thấu chi tức thì mà không cần tới quầy.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Phương pháp lấy mẫu thuận tiện phi xác suất ($N = 140$) tập trung tại TP. Huế có thể chưa bao quát toàn bộ các huyện thị lân cận; dữ liệu khảo sát cắt ngang (cross-sectional data) chưa theo dõi được sự thay đổi hành vi dài hạn theo chu kỳ kinh tế.
  • Hướng phát triển: Mở rộng cỡ mẫu $N \ge 500$, ứng dụng mô hình Cấu trúc Tuyến tính SEM (Structural Equation Modeling) trên nền tảng phần mềm AMOS hoặc SmartPLS 4.0 để đánh giá các mối quan hệ trung gian và điều tiết (Moderating/Mediating effects).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp mẫu nghiên cứu định lượng chuẩn mực từ thiết kế bảng hỏi Likert, xử lý làm sạch dữ liệu đến kiểm định EFA và hồi quy OLS trên SPSS 25.0.
  • Chuyên viên phân tích dữ liệu & Data Analyst ngành Bank: Khung sườn thực thi code pipeline phân tích dữ liệu khảo sát hành vi khách hàng.
  • Ban điều hành & Quản lý chi nhánh Ngân hàng: Bộ chỉ số định lượng chính xác làm căn cứ phân bổ ngân sách marketing, tối ưu biểu lãi suất và huấn luyện nhân viên giao dịch.
  • Nhà nghiên cứu kinh tế ứng dụng: Tài liệu tham khảo có độ tin cậy cao với dữ liệu thực chứng và hệ thống trích dẫn phương pháp luận tiêu chuẩn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai pipeline phân tích dữ liệu của đề tài là gì?

Hệ thống cần máy tính cá nhân cấu hình tối thiểu Intel Core i3 (hoặc tương đương), 4GB RAM, cài đặt hệ điều hành Windows 10/11 hoặc macOS, phần mềm IBM SPSS Statistics Version 20.0 trở lên (khuyến nghị phiên bản 25.0 hoặc 26.0) và Microsoft Excel để chuẩn hóa dữ liệu bảng hỏi thô trước khi import.

2. Vì sao nghiên cứu sử dụng cỡ mẫu $N = 140$ và có đảm bảo độ tin cậy đại diện không?

Theo quy tắc kinh nghiệm của Hair et al. (1998) và Bollen (1989), cỡ mẫu tối thiểu cho phân tích EFA cần thỏa mãn tỷ lệ 5 quan sát trên 1 biến đo lường ($N \ge 5 \times m$). Với 28 biến quan sát trong bảng hỏi, quy mô mẫu tối thiểu là $5 \times 28 = 140$. Việc thu thập đủ 140 mẫu hợp lệ với hệ số KMO đạt $0,767 > 0,5$ và Sig Bartlett's $= 0,000$ chứng minh cỡ mẫu hoàn toàn đảm bảo ý nghĩa thống kê.

3. Làm thế nào để xử lý nếu dữ liệu khảo sát xuất hiện hiện tượng đa cộng tuyến?

Nếu hệ số $\text{VIF} \ge 2,0$ (hoặc $\text{Tolerance} \le 0,5$), nhóm nghiên cứu cần kiểm tra ma trận tương quan Pearson để xác định các cặp biến độc lập có tương quan quá cao ($r > 0,8$). Giải pháp xử lý bao gồm: gộp các biến quan sát tương đồng thông qua phân tích nhân tố EFA lại thành một biến đại diện mới, hoặc loại bỏ biến gây nhiễu trước khi chạy lại mô hình OLS.

4. Chi nhánh có thể tích hợp kết quả nghiên cứu này vào hệ thống CRM như thế nào?

Dữ liệu phân khúc khách hàng từ nghiên cứu (độ tuổi, thu nhập, thói quen gửi kỳ hạn) có thể được ánh xạ vào hệ thống CRM của Techcombank để xây dựng thuật toán Lead Scoring. Hệ thống sẽ tự động gợi ý nhân viên quan hệ khách hàng (RM) tiếp cận các khách hàng thuộc nhóm 30–50 tuổi có dòng tiền nhàn rỗi với các gói tiết kiệm tích lũy tương ứng.

5. Chi phí ước tính và thời gian thu hồi vốn (ROI) khi triển khai các giải pháp đề xuất?

Tổng ngân sách triển khai ước tính khoảng 150–200 triệu VNĐ (bao gồm chi phí đào tạo nhân viên, POSM tại quầy, chiêu thị địa phương). Với tốc độ tăng trưởng huy động TGTK dự kiến tăng thêm 2–3% (tương đương 6–9 tỷ VNĐ vốn huy động ròng bổ sung), ngân hàng sẽ bù đắp toàn bộ chi phí triển khai trong vòng 3–6 tháng thông qua biên lãi thuần (NIM).


Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu đặt ra: hệ thống hóa cơ sở lý luận hành vi khách hàng tài chính, lượng hóa thành công 6 nhân tố tác động đến quyết định gửi tiền tiết kiệm tại Techcombank Chi nhánh Huế với tổng phương sai trích đạt 70,219% và kiểm định mô hình đạt độ tin cậy tuyệt đối. Kết quả chứng minh vai trò dẫn đầu của Uy tín thương hiệu ($\beta = 0,312$)Lãi suất ($\beta = 0,268$), mở ra định hướng phát triển bền vững cho ngân hàng trong kỷ nguyên ngân hàng bán lẻ hiện đại.