Giới thiệu dự án

Thị trường Công nghệ Tài chính (Fintech - Financial Technology) tại Việt Nam đang chứng kiến tốc độ tăng trưởng vượt bậc, mở rộng từ 48 doanh nghiệp vào năm 2017 lên hơn 176 doanh nghiệp vào năm 2022 (Phạm Thị Linh, 2023). Báo cáo Global Fintech Report xếp hạng hệ sinh thái Fintech Việt Nam đứng thứ 70/100 toàn cầu (Goyal et al., 2023). Trong cơ cấu ngành, mảng thanh toán điện tử (Digital Payment) chiếm tỷ trọng chi phối lớn nhất, được thúc đẩy mạnh mẽ bởi tỷ lệ thâm nhập Internet đạt 78,59% và người dùng smartphone đạt 84% trên toàn quốc (Bộ Thông tin và Truyền thông, 2024). Tại Thành phố Hồ Chí Minh – trung tâm kinh tế đầu tàu, tỷ lệ người dân sở hữu điện thoại thông minh đạt 95,1% và hơn 70% thực hiện giao dịch thanh toán trực tuyến thường nhật (Decision Lab, 2023; Kim Ngân, 2024).

                  CƠ CẤU THỊ TRƯỜNG FINTECH VIỆT NAM (2022 - 2024)

Dù tiềm năng thị trường rất lớn, các tổ chức tài chính và trung gian thanh toán đang đối mặt với bài toán tối ưu hóa tỷ lệ chuyển đổi và giữ chân người dùng trẻ. Thế hệ Z (sinh từ năm 1997 đến 2012) – nhóm "bản địa kỹ thuật số" (Digital Natives) chiếm khoảng 25% lực lượng lao động quốc gia tương đương 15 triệu người (Nielsen, 2018) – sở hữu hành vi tiêu dùng và tiêu chuẩn trải nghiệm hoàn toàn khác biệt. Tuy nhiên, phần lớn các nghiên cứu hiện hành chỉ tập trung vào nhóm khách hàng đại chúng hoặc thiếu sự phân tích định lượng chuyên biệt cho phân khúc Gen Z tại khu vực đô thị đặc thù như TP.HCM.

Đề tài khóa luận "Nhân tố tác động đến quyết định sử dụng dịch vụ Fintech trong thanh toán của thế hệ Z tại Thành phố Hồ Chí Minh" do tác giả Nguyễn Phan Bảo Ngân thực hiện dưới sự hướng dẫn khoa học của PGS.TS Lê Phan Thị Diệu Thảo (Trường Đại học Ngân hàng TP.HCM, Mã ngành: 7340201) giải quyết trực tiếp khoảng trống nghiên cứu này.

Mục tiêu nghiên cứu

  1. Xác định hệ thống nhân tố cốt lõi chi phối quyết định sử dụng dịch vụ thanh toán Fintech của Gen Z tại TP.HCM dựa trên khung lý thuyết hành vi và chấp nhận công nghệ.
  2. Đo lường và lượng hóa mức độ tác động (trọng số hồi quy chuẩn hóa $\beta$) của từng nhân tố đến quyết định thanh toán Fintech thông qua kiểm định thực nghiệm với mẫu đại diện $N = 356$.
  3. Đề xuất hệ thống giải pháp công nghệ và chiến lược kinh doanh khả thi cho các ngân hàng thương mại, cổng thanh toán và tổ chức trung gian tài chính nhằm gia tăng tỷ lệ kích hoạt, gắn kết người dùng Gen Z.

Phạm vi và Giới hạn

  • Đối tượng nghiên cứu: Các nhân tố thuộc mô hình chấp nhận công nghệ tích hợp tác động đến hành vi sử dụng dịch vụ thanh toán Fintech.
  • Đối tượng khảo sát: Người dùng Gen Z (độ tuổi 20–25, đang học tập hoặc làm việc) tại khu vực TP.HCM.
  • Thời gian thực hiện: Thu thập dữ liệu và xử lý định lượng từ tháng 01/2024 đến tháng 03/2024.
  • Giới hạn: Nghiên cứu áp dụng phương pháp lấy mẫu thuận tiện phi xác suất trên địa bàn đô thị loại đặc biệt, cần điều chỉnh tham số khi suy rộng cho các vùng nông thôn hoặc thế hệ tiêu dùng khác.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường giải pháp thanh toán điện tử tại TP.HCM hiện phân hóa thành ba nhóm giải pháp chính:

Giải pháp công nghệ Ưu điểm kỹ thuật Nhược điểm & Rào cản Mức độ phù hợp Gen Z
Ngân hàng số & Mobile Banking (Vietcombank Digibank, MB Bank, TPBank) Hạn mức giao dịch lớn, bảo chứng an toàn từ Ngân hàng Nhà nước (NHNN), tích hợp sâu dịch vụ core-banking. Quy trình eKYC đôi khi phức tạp, giao diện nhiều lớp tính năng truyền thống, tốc độ cập nhật UX chậm hơn Fintech thuần túy. Trung bình - Cao
Ví điện tử độc lập (MoMo, ZaloPay, ShopeePay, VNPay) Trải nghiệm người dùng (UX) tối ưu, tích hợp thanh toán mã QR (VietQR), hệ sinh thái voucher, mini-apps đa dạng. Phụ thuộc liên kết thẻ ngân hàng nguồn, chi phí duy trì khuyến mãi cao, phân mảnh giữa các đơn vị chấp nhận thanh toán. Rất cao
Cổng thanh toán & Thẻ phi vật lý (Apple Pay, Google Wallet, Garmin Pay) Giao dịch không tiếp xúc (NFC) bảo mật sinh trắc học tức thì qua Tokenization, không để lộ số thẻ thực tế. Yêu cầu thiết bị phần cứng hỗ trợ NFC, danh mục ngân hàng đối tác liên kết còn hạn chế. Cao (tăng trưởng nhanh)

Đối chiếu với các công trình nghiên cứu tiền nhiệm

Tác giả & Năm Mô hình lý thuyết áp dụng Cỡ mẫu & Địa bàn Nhân tố có tác động mạnh nhất
Đào Mỹ Hằng et al. (2018) TAM mở rộng $N = 264$ (Hà Nội) Mức độ an toàn và bảo mật ($\beta = 0.312$), Sự hữu ích
Trần Thảo An & Trần Thị Yến Vinh (2020) TAM tích hợp TPE $N = 303$ (Việt Nam) Kiến thức thanh toán di động, Tính sáng tạo cá nhân
Nguyễn Thị Hoài Phương et al. (2022) UTAUT mở rộng $N = 568$ (Toàn quốc) Hiệu suất kỳ vọng, Rủi ro COVID-19, An ninh
Khóa luận này (2024) UTAUT + TAM + TPB $N = 356$ (TP.HCM, Gen Z) Nhận thức hữu ích ($\beta = 0.285$), Nhận thức uy tín ($\beta = 0.231$)

Ma trận ưu tiên yêu cầu chức năng (MoSCoW) cho nền tảng Fintech Gen Z

  • Must have (Bắt buộc): Tốc độ xử lý giao dịch thời gian thực (< 1.5s), xác thực sinh trắc học kép (Biometric Authentication - FaceID/Fingerprint), quét mã Dynamic QR chuẩn EMVCo/VietQR, cơ chế mã hóa đầu cuối (End-to-End Encryption - E2EE).
  • Should have (Nên có): Báo cáo tài chính cá nhân tự động (Personal Financial Management - PFM), quản lý chi tiêu trực quan, phân tách hóa đơn nhóm (Split Bill).
  • Could have (Có thể có): Gamification tích điểm đổi quà, widget tùy biến trên màn hình khóa, tích hợp trợ lý ảo AI hỗ trợ giao dịch qua giọng nói.
  • Won't have (Chưa ưu tiên): Giao dịch ký quỹ phái sinh phức tạp, nghiệp vụ quản lý tài sản truyền thống nhiều thủ tục giấy tờ.

Thiết kế hệ thống và Khung lý thuyết

Mô hình nghiên cứu được xây dựng trên cơ sở kế thừa và tổng hợp từ Thuyết hành động hợp lý (TRA - Fishbein & Ajzen, 1975), Thuyết hành vi kế hoạch (TPB - Ajzen, 1991), Mô hình chấp nhận công nghệ (TAM - Davis, 1989) và Thuyết hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT - Venkatesh et al., 2003).

graph LR
    subgraph Bien_Doc_Lap [Nhân Tố Độc Lập]
        HI[Nhận thức hữu ích - HI]
        DSD[Nhận thức dễ sử dụng - DSD]
        UT[Nhận thức uy tín - UT]
        AH[Ảnh hưởng xã hội - AH]
        TT[Sự thuận tiện - TT]
        TD[Thái độ sử dụng - TD]
    end

    subgraph Bien_Phu_Thuoc [Biến Phụ Thuộc]
        QD[Quyết định sử dụng dịch vụ Fintech - QD]
    end

    HI -->|H1: + | QD
    DSD -->|H2: + | QD
    UT -->|H3: + | QD
    AH -->|H4: + | QD
    TT -->|H5: + | QD
    TD -->|H6: + | QD

    classDef default fill:#f9f9f9,stroke:#333,stroke-width:1px;
    classDef nodeClass fill:#e1f5fe,stroke:#0288d1,stroke-width:2px;
    classDef targetClass fill:#e8f5e9,stroke:#388e3c,stroke-width:2px;
    class HI,DSD,UT,AH,TT,TD nodeClass;
    class QD targetClass;

Technology Stack & Chuẩn phân tích dữ liệu

  • Phần mềm xử lý thống kê định lượng: IBM SPSS Statistics Version 20.0 (hỗ trợ kiểm định Cronbach’s Alpha, EFA Principal Axis Factoring / Varimax, OLS Regression, One-Way ANOVA).
  • Môi trường tiền xử lý và trích xuất dữ liệu: Python v3.10.x với các thư viện pandas (v2.0.3), numpy (v1.24.3), statsmodels (v0.14.0).
  • Tiêu chuẩn kỹ thuật tích hợp Fintech tham chiếu: RESTful API kiến trúc Microservices, giao thức xác thực OAuth 2.0, chuẩn an toàn thông tin thanh toán PCI-DSS v4.0 Level 1, chuẩn dữ liệu thông điệp tài chính ISO 20022.

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình kết hợp tuần tự hai giai đoạn (Mixed-Method Approach):

  1. Giai đoạn định tính: Rà soát hệ thống tài liệu học thuật quốc tế và trong nước; xây dựng bảng hỏi sơ bộ gồm 24 biến quan sát; tiến hành phỏng vấn thử nghiệm nhóm tập trung ($N = 30$ người dùng Gen Z tại TP.HCM từ ngày 13/02/2024 đến 17/02/2024); hiệu chỉnh thang đo chính thức lên 26 biến quan sát (bổ sung biến AH3, TD3).
  2. Giai đoạn định lượng: Xác định cỡ mẫu tối thiểu theo tiêu chuẩn Hair et al. (2014) với tỷ lệ 5 mẫu/1 biến quan sát ($N_{min} = 5 \times 26 = 130$) và công thức Sadiq (2018) $N = 6 \times 26 = 156$. Tác giả triển khai khảo sát ngẫu nhiên thuận tiện quy mô 400 phiếu qua Google Forms, thu về 356 phiếu hợp lệ (tỷ lệ hiệu dụng 89%).

Implementation và kết quả

Quy trình phân tích dữ liệu và thuật toán thống kê

Mô hình hồi quy tuyến tính bội được biểu diễn dưới dạng phương trình toán học:

$$QD = \beta_0 + \beta_1 \cdot HI + \beta_2 \cdot DSD + \beta_3 \cdot UT + \beta_4 \cdot AH + \beta_5 \cdot TT + \beta_6 \cdot TD + \varepsilon$$

Trong đó:

  • $QD$: Quyết định sử dụng dịch vụ thanh toán Fintech của Gen Z (Biến phụ thuộc).
  • $HI, DSD, UT, AH, TT, TD$: Các biến độc lập đại diện cho 6 nhân tố trong mô hình.
  • $\beta_0$: Hằng số hồi quy (Intercept); $\beta_1 \dots \beta_6$: Hệ số hồi quy riêng phần (Regression Weights); $\varepsilon$: Sai số ngẫu nhiên (Residual Error).

Đo lường độ nhất quán nội tại của thang đo bằng chỉ số Cronbach's Alpha ($\alpha$):

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

Điều kiện chấp nhận: $\alpha \ge 0.70$ và Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $r_{it} \ge 0.30$.

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

# Tải tập dữ liệu khảo sát N = 356 đã làm sạch
df = pd.read_csv("fintech_genz_hcmc_survey.csv")

# Danh sách biến độc lập và biến phụ thuộc
independent_vars = ['HI', 'DSD', 'UT', 'AH', 'TT', 'TD']
X = df[independent_vars]
X = sm.add_constant(X)
y = df['QD']

# Ước lượng mô hình Hồi quy Tuyến tính Bội (OLS)
model = sm.OLS(y, X).fit()

# Kiểm tra hiện tượng Đa cộng tuyến qua hệ số 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))]

print(model.summary())
print("\nKiểm định Đa cộng tuyến (VIF):\n", vif_data)

Kiểm định chất lượng thang đo và Kiểm định EFA

  1. Kết quả phân tích độ tin cậy Cronbach’s Alpha:

    • Thang đo Nhận thức hữu ích (HI - 4 biến): $\alpha = 0.757$
    • Thang đo Nhận thức dễ sử dụng (DSD - 4 biến): $\alpha = 0.814$
    • Thang đo Nhận thức uy tín (UT - 4 biến): $\alpha = 0.778$
    • Thang đo Ảnh hưởng xã hội (AH - 4 biến): $\alpha = 0.762$
    • Thang đo Sự thuận tiện (TT - 4 biến): $\alpha = 0.795$
    • Thang đo Thái độ (TD - 3 biến): $\alpha = 0.781$
    • Thang đo Quyết định sử dụng (QD - 3 biến): $\alpha = 0.780$
    • Đánh giá: 100% biến quan sát đạt tương quan biến - tổng $> 0.30$, không có biến nào bị loại ở pha kiểm định độ tin cậy.

  2. Phân tích Nhân tố Khám phá (EFA):

    • Biến độc lập (23 biến quan sát): Hệ số $KMO = 0.842$ ($0.5 \le KMO \le 1.0$), kiểm định Bartlett có giá trị thống kê $\chi^2 = 3128.45$ với mức ý nghĩa $p\text{-value} = 0.000 < 0.001$, chứng minh các biến có tương quan chặt chẽ.
    • Rút trích được 6 nhân tố tại điểm dừng Eigenvalue $= 1.218 > 1.0$, tổng phương sai trích (Total Variance Explained) đạt $62.45% > 50%$. Ma trận xoay Varimax thể hiện hệ số tải nhân tố (Factor Loading) của tất cả các biến đều lớn hơn $0.55$.
    • Biến phụ thuộc (3 biến quan sát QD1, QD2, QD3): $KMO = 0.712$, Bartlett’s Test $Sig. = 0.000$, phương sai trích đạt $68.91%$.

Kết quả Hồi quy tuyến tính và Kiểm định giả thuyết

Kết quả phân tích hồi quy đa biến OLS trên mẫu $N = 356$ được tổng hợp chi tiết:

Biến độc lập Ký hiệu Hệ số hồi quy chưa chuẩn hóa (B) Hệ số chuẩn hóa ($\beta$) Giá trị t-stat Mức ý nghĩa (Sig.) Hệ số VIF Kết luận giả thuyết
(Hằng số) Constant 0.214 - 1.842 0.066 - -
Nhận thức hữu ích $HI$ 0.291 0.285 6.142 0.000 1.341 H1: Chấp nhận
Nhận thức uy tín $UT$ 0.245 0.231 4.987 0.000 1.412 H3: Chấp nhận
Thái độ $TD$ 0.208 0.198 4.312 0.000 1.385 H6: Chấp nhận
Sự thuận tiện $TT$ 0.179 0.172 3.754 0.000 1.298 H5: Chấp nhận
Nhận thức dễ sử dụng $DSD$ 0.154 0.146 3.190 0.002 1.367 H2: Chấp nhận
Ảnh hưởng xã hội $AH$ 0.112 0.108 2.451 0.015 1.215 H4: Chấp nhận 
                TRỌNG SỐ TÁC ĐỘNG ĐẾN QUYẾT ĐỊNH DÙNG FINTECH (BETA)

Chỉ số kiểm định mô hình hồi quy

  • Hệ số xác định mô hình: $R^2 = 0.584$; Hệ số $R^2$ hiệu chỉnh (Adjusted $R^2$): $0.577$ (Mô hình giải thích được $57.7%$ sự biến thiên của Quyết định sử dụng Fintech trong thanh toán của Gen Z).
  • Kiểm định ANOVA: $F\text{-statistic} = 81.65$ với $Sig. = 0.000 < 0.001$, khẳng định mô hình hồi quy xây dựng là hoàn toàn phù hợp với tổng thể dữ liệu.
  • Kiểm định Đa cộng tuyến: Hệ số phóng đại phương sai $VIF$ dao động từ $1.215$ đến $1.412$ (đều $< 2.0$), không xuất hiện hiện tượng đa cộng tuyến.
  • Kiểm định One-way ANOVA & Post-Hoc: Không có sự khác biệt có ý nghĩa thống kê về quyết định sử dụng giữa các nhóm giới tính ($Sig. > 0.05$). Tuy nhiên, tồn tại sự khác biệt có ý nghĩa theo Kinh nghiệm sử dụng thanh toán online ($Sig. = 0.012 < 0.05$) – nhóm có kinh nghiệm từ 2-5 năm có xu hướng quyết định gắn kết cao hơn rõ rệt so với nhóm dưới 2 năm.

Đổi mới và đóng góp

  1. Hiệu chỉnh khung lý thuyết tiếp cận theo đặc tính thế hệ: Thay vì chỉ áp dụng đơn lẻ mô hình TAM hoặc UTAUT truyền thống, nghiên cứu đã tích hợp đa chiều các cấu phần về niềm tin an ninh số (Nhận thức uy tín - UT) và tính sẵn sàng hạ tầng (Sự thuận tiện - TT) để mô hình hóa chính xác tâm lý hành vi của Gen Z – nhóm khách hàng không gặp rào cản về kỹ năng công nghệ nhưng đòi hỏi khắt khe về tốc độ và bảo mật.
  2. Khám phá trật tự ưu tiên quyết định định lượng: Chứng minh bằng thực nghiệm rằng Nhận thức hữu ích ($\beta = 0.285$) và Nhận thức uy tín ($\beta = 0.231$) đóng vai trò quyết định, trong khi Ảnh hưởng xã hội ($\beta = 0.108$) có trọng số thấp nhất. Điều này phản ánh tính độc lập cao của Gen Z trong việc lựa chọn công cụ tài chính cá nhân; họ bị thuyết phục bởi giá trị thực dụng và độ bảo mật hơn là phong trào đám đông.
  3. Cung cấp bộ dữ liệu thực chứng cho thị trường TP.HCM: Cung cấp cơ sở dữ liệu phân tích chi tiết gồm 356 mẫu khảo sát thực địa tại trung tâm kinh tế năng động nhất cả nước, hỗ trợ các tổ chức Fintech loại bỏ phỏng đoán định tính khi hoạch định chiến lược sản phẩm.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng nghiệp vụ (Business Use Cases)

  • Use Case 1: Tối ưu hóa tính Hữu ích & Tiết kiệm chi phí (Target: $\beta = 0.285$): Tích hợp tính năng hoàn tiền thông minh liên kết danh mục chi tiêu học tập, giải trí; tự động gợi ý mã giảm giá tối ưu tại bước thanh toán QR; tích hợp công cụ lập ngân sách vi mô (Micro-budgeting) cảnh báo khi vượt định mức tháng.
  • Use Case 2: Củng cố Nhận thức Uy tín & An ninh số (Target: $\beta = 0.231$): Triển khai hệ thống phát hiện gian lận dựa trên Học máy (Machine Learning Fraud Detection) gửi cảnh báo Push Notification tức thì khi phát hiện định vị IP bất thường; công khai chứng chỉ bảo mật quốc tế (ISO/IEC 27001, PCI-DSS Level 1) trực quan trên giao diện ứng dụng.
  • Use Case 3: Nâng cao Sự thuận tiện & Giao diện tối giản (Target: $\beta = 0.172$ & $\beta = 0.146$): Áp dụng kiến trúc thanh toán 1-chạm (One-click Payment), tích hợp sâu Widget thanh toán nhanh không cần mở app, hỗ trợ thanh toán ngoại tuyến (Offline QR Code) qua liên kết an toàn.

Lộ trình triển khai khuyến nghị cho tổ chức Fintech

Giai đoạn Thời gian Mục tiêu trọng tâm Chỉ số đo lường (KPI)
Giai đoạn 1: UX/UI & Tiện ích Quý 1 - Quý 2 Tái cấu trúc luồng thanh toán, giảm số bước giao dịch từ 4 bước xuống 2 bước, chuẩn hóa VietQR. Thời gian hoàn tất giao dịch $< 1.2\text{s}$; Tỷ lệ Drop-off giảm $30%$.
Giai đoạn 2: Nâng cấp Bảo mật Quý 3 Triển khai FIDO2 Biometric Login, mã hóa dữ liệu Tokenization, tuân thủ Thông tư 50/2024/TT-NHNN. Tỷ lệ giao dịch lỗi/nghi vấn $< 0.01%$; Điểm Trust Score tăng $25%$.
Giai đoạn 3: Cá nhân hóa AI Quý 4 Tích hợp AI Engine phân tích hành vi chi tiêu, đề xuất gói tài chính mini, liên kết hệ sinh thái đại học/văn phòng. Tỷ lệ người dùng hoạt động hàng tháng (MAU) tăng $40%$.

Hạn chế và hướng phát triển

Hạn chế nghiên cứu

  • Phương pháp chọn mẫu: Lấy mẫu thuận tiện phi xác suất qua mạng xã hội có thể tạo ra độ lệch nhất định đối với nhóm Gen Z không sử dụng mạng xã hội thường xuyên.
  • Phạm vi không gian: Dữ liệu tập trung hoàn toàn tại TP.HCM – nơi có hạ tầng công nghệ và tỷ lệ chấp nhận thanh toán số vượt trội, chưa phản ánh đầy đủ đặc điểm hành vi của Gen Z tại các đô thị loại 2 hoặc khu vực nông thôn.
  • Phương pháp phân tích: Mô hình hồi quy OLS chỉ đo lường tác động trực tiếp, chưa phân tích các biến trung gian (Mediating Variables) và biến điều tiết phức tạp (Moderating Effects).

Hướng phát triển tiếp theo

  • Mở rộng nghiên cứu so sánh liên vùng (Hà Nội, Đà Nẵng, TP.HCM, Cần Thơ) để nhận diện sự khác biệt vùng miền.
  • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) trên SmartPLS 4 nhằm phân tích sâu vai trò trung gian của Thái độ và Độ tin cậy cảm nhận.
  • Khảo sát nhóm công nghệ mới nổi: Tác động của Trí tuệ nhân tạo tạo sinh (GenAI in FinTech) và Tiền kỹ thuật số của Ngân hàng Trung ương (CBDC) đến hành vi thanh toán trong tương lai.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng kết hợp (SPSS 20.0, Cronbach’s Alpha, EFA, Regression, ANOVA) trong lĩnh vực Tài chính - Ngân hàng và Hệ thống thông tin quản lý.
  • Kỹ sư phần mềm & Fintech Developers: Cung cấp định hướng thiết kế tính năng hệ thống, kiến trúc bảo mật và luồng trải nghiệm người dùng (UX flow) tối ưu cho nhóm người dùng trẻ tuổi.
  • Doanh nghiệp Fintech & Ngân hàng thương mại: Cung cấp cơ sở khoa học để phân bổ ngân sách marketing, chuyển dịch trọng tâm từ khuyến mại giảm giá thuần túy sang nâng cấp tính hữu ích của tính năng và củng cố niềm tin thương hiệu.
  • Cơ quan quản lý nhà nước (NHNN): Bổ sung dữ liệu thực tiễn phục vụ công tác hoàn thiện hành lang pháp lý, thúc đẩy Đề án Phát triển thanh toán không dùng tiền mặt tại Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật cốt lõi để một ứng dụng Fintech thanh toán đáp ứng tiêu chuẩn của Gen Z là gì?

Hệ thống cần đạt kiến trúc Microservices với khả năng chịu tải cao, tích hợp chuẩn xác thực sinh trắc học FIDO2, cổng thanh toán đạt chứng chỉ PCI-DSS Level 1, thời gian phản hồi API dưới $200\text{ms}$ và quy trình thanh toán không quá 2 thao tác chạm.

2. Tại sao "Ảnh hưởng xã hội" lại có mức độ tác động thấp nhất trong mô hình ($\beta = 0.108$)?

Gen Z là thế hệ độc lập về thông tin, có khả năng tự trải nghiệm, so sánh và đánh giá ứng dụng thông qua trải nghiệm thực tế và đánh giá trực tuyến minh bạch, thay vì bị chi phối hoàn toàn bởi lời khuyên từ người thân hay trào lưu xung quanh.

3. Làm thế nào để giải quyết rào cản về "Nhận thức uy tín" đối với các startup Fintech mới gia nhập thị trường?

Cần liên kết trực tiếp với các ngân hàng thương mại uy tín để bảo chứng nguồn tiền, công khai minh bạch chính sách bảo vệ người dùng, đạt các chứng nhận an ninh thông tin quốc tế và thiết lập kênh hỗ trợ kỹ thuật đa kênh 24/7 tức thì.

4. Kết quả nghiên cứu có áp dụng được cho thế hệ Millennials (Gen Y) hay Gen X không?

Mô hình có thể tái sử dụng về mặt cấu trúc lý thuyết, tuy nhiên trọng số $\beta$ sẽ thay đổi. Gen X và Gen Y thường có trọng số Nhận thức dễ sử dụng và Nhận thức rủi ro/uy tín cao hơn đáng kể so với Gen Z.

5. Chi phí triển khai hệ thống quản lý chi tiêu cá nhân (PFM) nhằm tăng "Nhận thức hữu ích" có cao không?

Việc tích hợp module PFM có thể tối ưu hóa chi phí bằng cách tận dụng các mô hình học máy phân loại giao dịch mã nguồn mở (Open-source ML Categorization Models) kết hợp bộ quy tắc phân loại tự động qua API ISO 20022 sẵn có của ngân hàng lõi.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Phan Bảo Ngân đã lượng hóa thành công các nhân tố quyết định hành vi sử dụng dịch vụ thanh toán Fintech của thế hệ Z tại TP.HCM. Bằng việc kết hợp chặt chẽ giữa cơ sở lý thuyết hiện đại (UTAUT, TAM, TPB) và phương pháp xử lý dữ liệu thực nghiệm chuẩn xác ($N = 356$), công trình đã xác lập vị thế áp đảo của Nhận thức hữu ích ($\beta = 0.285$) và Nhận thức uy tín ($\beta = 0.231$) trong việc thúc đẩy quyết định người dùng. Kết quả này là kim chỉ nam quan trọng giúp các doanh nghiệp Fintech và Ngân hàng thương mại chuyển dịch chiến lược: tập trung kiến tạo giá trị thực tế, tối ưu hóa an ninh dữ liệu và thiết kế trải nghiệm người dùng tinh gọn, từ đó gia tăng vị thế cạnh tranh trong kỷ nguyên kinh tế số.