Giới thiệu dự án

Thị trường bảo hiểm phi nhân thọ Việt Nam duy trì tốc độ tăng trưởng bình quân 10-12%/năm, trong đó nghiệp vụ bảo hiểm vật chất xe cơ giới (BHVC) chiếm tỷ trọng doanh thu hàng đầu (dao động từ 28% đến 35% tổng doanh thu thị trường). Tuy nhiên, đặc thù tỷ lệ bồi thường cao (loss ratio thường vượt ngưỡng 55-65%) kết hợp với mật độ giao thông phức tạp tại các đô thị loại I và II đã tạo ra áp lực vận hành nghiêm trọng lên quy trình giám định, bồi thường và giữ chân khách hàng.

Đề tài khóa luận "Các nhân tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ bảo hiểm vật chất xe cơ giới tại Công ty Bảo hiểm PJICO Huế" (Ngành Thống kê kinh doanh, Khoa Hệ thống Thông tin Kinh tế – Trường Đại học Kinh tế, Đại học Huế) giải quyết trực diện bài toán định lượng mức độ thỏa mãn của khách hàng bằng mô hình kinh tế lượng thực nghiệm.

1. Vấn đề thực tiễn và điểm nghẽn vận hành (Problem Statement)

Khách hàng tham gia BHVC xe cơ giới thường gặp phải các rào cản lớn trong hành trình trải nghiệm dịch vụ:

  • Độ trễ trong công tác giám định hiện trường: Thời gian tiếp cận và xác minh hiện trường tai nạn/va chạm còn chậm, kéo dài thời gian hoàn thiện biên bản tổn thất.
  • Bất cân xứng thông tin về quy tắc và điều khoản loại trừ: Khách hàng gặp khó khăn trong việc nắm bắt bản chất các quy định về mức khấu trừ (tối thiểu 500.000 VNĐ/vụ đối với xe không kinh doanh và 1.000.000 VNĐ/vụ đối với xe kinh doanh), tỷ lệ khấu hao phụ tùng thay mới và phạm vi bảo hiểm thủy kích.
  • Quy trình thanh toán bồi thường phức tạp: Thiếu tính minh bạch và liên thông giữa công ty bảo hiểm, giám định viên độc lập và hệ thống gara sửa chữa ủy quyền.

2. Mục tiêu nghiên cứu (Project Objectives)

  1. Hệ thống hóa cơ sở lý luận: Xác lập khung phân tích đánh giá chất lượng dịch vụ bảo hiểm phi nhân thọ dựa trên các mô hình kinh điển (SERVQUAL, SERVPERF, CSI).
  2. Định lượng tác động của các nhân tố: Xây dựng thang đo, khảo sát thực nghiệm và xác định mức độ tác động của từng chiều đo chất lượng dịch vụ đến sự hài lòng chung của khách hàng tại PJICO Huế.
  3. Đề xuất hệ thống giải pháp: Cung cấp khung hành động có căn cứ thống kê giúp ban lãnh đạo PJICO Huế tối ưu hóa quy trình bồi thường, quản trị quan hệ khách hàng (CRM) và gia tăng tỷ lệ tái tục hợp đồng (retention rate).

3. Phương pháp tiếp cận và giải pháp (Solution Approach)

Đề tài áp dụng mô hình biến thể từ SERVPERF (Cronin & Taylor, 1992) kết hợp đặc thù kỹ thuật nghiệp vụ bảo hiểm xe cơ giới:

  • Loại bỏ việc đo lường kỳ vọng kỳ trước (vốn gây nhầm lẫn tâm lý cho đối tượng khảo sát), tập trung hoàn toàn vào chất lượng cảm nhận thực tế ($Service,Quality = Perception$).
  • Mở rộng thêm biến quan sát mang tính quyết định: "Tiến độ và kết quả công tác giám định bồi thường" bên cạnh 5 thành phần truyền thống (Tin cậy, Đáp ứng, Đồng cảm, Năng lực phục vụ, Phương tiện hữu hình).

4. Kết quả kỳ vọng và chỉ số đo lường (Expected Outcomes & Metrics)

  • Xác lập mô hình hồi quy tuyến tính bội đạt hệ số xác định hiệu chỉnh $R^2_{adj} \ge 0.50$, giá trị $p < 0.05$.
  • Chỉ rõ thứ tự trọng số ($\beta$) của các nhân tố tác động để phân bổ nguồn lực tái cấu trúc quy trình giám định.
  • Tối ưu hóa thời gian giải quyết hồ sơ bồi thường chuẩn từ 15-30 ngày xuống dưới 7 ngày làm việc đối với các tổn thất vật chất thân vỏ thông thường.

5. Phạm vi và giới hạn nghiên cứu (Scope & Limitations)

  • Không gian: Địa bàn tỉnh Thừa Thiên Huế, tập trung vào khách hàng cá nhân và doanh nghiệp sở hữu xe cơ giới đang tham gia bảo hiểm tại Công ty Bảo hiểm PJICO Huế.
  • Thời gian: Dữ liệu thứ cấp giai đoạn 2019–2021; dữ liệu sơ cấp điều tra từ 20/01/2023 đến 29/03/2023.
  • Quy mô mẫu: $N = 175$ mẫu khảo sát hợp lệ (đáp ứng tiêu chuẩn tối thiểu $5 \times k$ với $k = 35$ biến quan sát).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát các mô hình đo lường sự hài lòng kinh điển trong ngành dịch vụ tài chính cho thấy các ưu và nhược điểm rõ rệt:

Tiêu chí phân tích Mô hình SERVQUAL (Parasuraman, 1988) Mô hình Chỉ số CSI (Fornell, 1992) Mô hình SERVPERF điều chỉnh (Nghiên cứu này)
Bản chất đo lường Đánh giá khoảng cách: $P - E$ (Cảm nhận trừ Kỳ vọng) Cấu trúc nhân quả đa biến: Kỳ vọng $\to$ Chất lượng $\to$ Giá trị $\to$ Hài lòng Đo lường trực tiếp cảm nhận thực tế: $P$ kết hợp biến nghiệp vụ bảo hiểm chuyên sâu
Số lượng biến quan sát 44 câu hỏi (22 kỳ vọng + 22 cảm nhận) 15–20 câu hỏi phức tạp (cần mô hình SEM) 35 biến quan sát (Likert 5 mức độ tối ưu hóa cho ngành xe cơ giới)
Ưu điểm Toàn diện về mặt lý thuyết quản trị chất lượng Đo lường được cả hình ảnh thương hiệu và lòng trung thành Rút ngắn thời gian trả lời, loại bỏ thiên lệch đo lường kỳ vọng, phản ánh chính xác nghiệp vụ bồi thường
Hạn chế Trùng lặp câu hỏi, gây mệt mỏi cho người trả lời Yêu cầu cỡ mẫu cực lớn và kỹ thuật xử lý SEM/PLS phức tạp Cần tùy biến lại bảng câu hỏi khi áp dụng cho các nghiệp vụ phi nhân thọ khác

Phân tích yêu cầu khách hàng theo mô hình MoSCoW

  • Must have (Bắt buộc phải có): Bồi thường minh bạch, đúng cam kết hợp đồng; hỗ trợ khẩn cấp 24/7 khi xảy ra tai nạn; gara liên kết đạt chuẩn kỹ thuật.
  • Should have (Nên có): Nhân viên giám định có mặt tại hiện trường dưới 30 phút trong khu vực nội thành; giải thích cặn kẽ biểu phí và mức khấu trừ.
  • Could have (Có thể có): Ứng dụng di động khai báo tổn thất trực tuyến (e-Claim); hỗ trợ xe cứu hộ miễn phí trong bán kính 50km.
  • Won't have (Chưa ưu tiên): Dịch vụ phòng chờ VIP chuyên biệt tại các chi nhánh; các gói quà tặng phi tài chính không liên quan đến phương tiện.

Thiết kế hệ thống và mô hình nghiên cứu

Mô hình nghiên cứu lý thuyết được thiết lập gồm 6 biến độc lập và 1 biến phụ thuộc:

graph TD
    TC[Sự tin cậy - TC<br/>Reliability] -->|H1: +| SAT[Sự hài lòng của khách hàng - SAT<br/>Customer Satisfaction]
    DU[Mức độ đáp ứng - DU<br/>Responsiveness] -->|H2: +| SAT
    DC[Mức độ đồng cảm - DC<br/>Empathy] -->|H3: +| SAT
    NL[Năng lực phục vụ - NL<br/>Assurance] -->|H4: +| SAT
    HH[Phương tiện hữu hình - HH<br/>Tangibles] -->|H5: +| SAT
    GD[Tiến độ & Giám định bồi thường - GD<br/>Claims Assessment & Settlement] -->|H6: +| SAT

Ngăn xếp công nghệ và công cụ thống kê (Technology Stack)

  • Phần mềm phân tích chính: IBM SPSS Statistics v20.0 (phân tích thống kê mô tả, kiểm định độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá EFA, tương quan Pearson, hồi quy tuyến tính OLS, One-way ANOVA).
  • Công cụ hỗ trợ thu thập và tiền xử lý dữ liệu: Google Workspace Forms API, Microsoft Excel 2019 / Office 365 Data Analysis Toolpak.
  • Ngôn ngữ kịch bản kiểm chứng mô hình (Cross-validation): Python 3.10 (thư viện pandas, statsmodels, pingouin, scikit-learn).

Thiết kế cấu trúc thang đo (Scale Operationalization)

  • Tổng số biến quan sát ($k$): 35 biến, chia thành 7 nhóm thang đo Likert 5 điểm (1: Hoàn toàn không đồng ý $\to$ 5: Hoàn toàn đồng ý).
  • Biến phụ thuộc: Sự hài lòng chung (SAT: 3 biến quan sát).
  • Biến độc lập:
    • Sự tin cậy (TC: 5 biến)
    • Mức độ đáp ứng (DU: 5 biến)
    • Năng lực phục vụ (NL: 5 biến)
    • Mức độ đồng cảm (DC: 5 biến)
    • Phương tiện hữu hình (HH: 5 biến)
    • Tiến độ, công tác giám định bồi thường (GD: 7 biến).

Phương pháp nghiên cứu (Methodology)

Quy trình nghiên cứu định lượng tuân thủ nghiêm ngặt chuẩn mực thống kê ứng dụng:

$$\text{Quy mô mẫu tối thiểu: } N_{min} = 5 \times k = 5 \times 35 = 175 \text{ quan sát}$$

$$\text{Hàm hồi quy tổng thể: } \text{SAT} = \beta_0 + \beta_1 \text{TC} + \beta_2 \text{DU} + \beta_3 \text{DC} + \beta_4 \text{NL} + \beta_5 \text{HH} + \beta_6 \text{GD} + e$$

Ma trận đánh giá rủi ro nghiên cứu và biện pháp giảm thiểu

Rủi ro phương pháp luận Mức độ Biện pháp xử lý / Giảm thiểu
Sai lệch mẫu do người trả lời không am hiểu kỹ thuật xe Trung bình Sàng lọc đối tượng: Chỉ khảo sát chủ xe hoặc lái xe trực tiếp quản lý/mua bảo hiểm và đã từng phát sinh giao dịch/bồi thường tại PJICO Huế.
Hiện tượng đa cộng tuyến giữa các nhân tố CLDV Cao Kiểm soát giá trị Variance Inflation Factor ($\text{VIF} < 2.0$), sử dụng phép xoay Varimax trong EFA để đảm bảo tính trực giao của các nhân tố.
Biến rác làm suy giảm độ tin cậy thang đo Trung bình Thiết lập ngưỡng loại biến chặt chẽ: Loại các biến có hệ số tương quan biến - tổng ($Corrected,Item\text{-}Total,Correlation < 0.3$).

Implementation và kết quả

Quy trình phân tích dữ liệu (Analytical Pipeline)

Quy trình phân tích dữ liệu thống kê từ bước làm sạch dữ liệu thô đến mô hình hồi quy tuyến tính được tự động hóa thông qua pipeline xử lý chuẩn:

# Kịch bản mã nguồn tham chiếu kiểm định thống kê EFA & OLS Regression (Python statsmodels)
import pandas as pd
import numpy as np
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Đọc dữ liệu khảo sát khách hàng PJICO Huế
df = pd.read_csv("pjico_hue_survey_data.csv")

# 2. Định nghĩa các nhóm biến thành phần
independent_vars = ['TC_mean', 'DU_mean', 'DC_mean', 'NL_mean', 'HH_mean', 'GD_mean']
X = df[independent_vars]
y = df['SAT_mean']

# Thêm hệ số chặn (Constant)
X_const = sm.add_constant(X)

# 3. Ước lượng mô hình Hồi quy Tuyến tính Bội (OLS)
ols_model = sm.OLS(y, X_const).fit()

# 4. Kiểm tra Đa cộng tuyến (VIF Calculation)
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(ols_model.summary())
print(vif_data)

==============================================================================
                            OLS Regression Results                            
==============================================================================
Dep. Variable:               SAT_mean   R-squared:                       0.641
Model:                            OLS   Adj. R-squared:                  0.628
Method:                 Least Squares   F-statistic:                     50.04
No. Observations:                 175   Prob (F-statistic):           1.84e-34
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const          0.1852      0.142      1.304      0.194      -0.095       0.466
TC_mean        0.1981      0.048      4.127      0.000       0.103       0.293
DU_mean        0.1624      0.045      3.608      0.000       0.073       0.251
DC_mean        0.1413      0.042      3.364      0.001       0.058       0.224
NL_mean        0.2450      0.051      4.803      0.000       0.144       0.346
HH_mean        0.1152      0.039      2.953      0.004       0.038       0.192
GD_mean        0.3125      0.053      5.896      0.000       0.208       0.417
==============================================================================

Kiểm định và thẩm định mô hình (Testing & Validation)

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Tất cả 7 thang đo đều thỏa mãn điều kiện độ tin cậy cao ($\alpha \ge 0.70$), không có biến quan sát nào có hệ số tương quan biến - tổng nhỏ hơn 0.3.

Ký hiệu Thang đo thành phần Số biến quan sát ban đầu Số biến quan sát đạt chuẩn Hệ số Cronbach's Alpha ($\alpha$) Tương quan biến - tổng nhỏ nhất
TC Sự tin cậy (Reliability) 5 5 0.842 0.584
DU Mức độ đáp ứng (Responsiveness) 5 5 0.819 0.532
DC Mức độ đồng cảm (Empathy) 5 5 0.806 0.511
NL Năng lực phục vụ (Assurance) 5 5 0.855 0.612
HH Phương tiện hữu hình (Tangibles) 5 5 0.824 0.547
GD Giám định bồi thường (Claims) 7 7 0.891 0.628
SAT Sự hài lòng chung (Satisfaction) 3 3 0.876 0.714

2. Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA)

  • Kiểm định KMO & Bartlett:
    • Hệ số $\text{KMO} = 0.864$ ($0.5 < \text{KMO} < 1.0$), khẳng định quy mô mẫu hoàn toàn thích hợp cho EFA.
    • Kiểm định Bartlett’s Test of Sphericity đạt mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$, bác bỏ giả thuyết $H_0$ (các biến quan sát có tương quan tuyến tính chặt chẽ với nhau trong tổng thể).
  • Kết quả trích nhân tố (Principal Axis Factoring với phép xoay Varimax):
    • Rút trích được đúng 6 nhóm nhân tố với giá trị $\text{Eigenvalue} = 1.342 > 1.0$.
    • Tổng phương sai trích (Cumulative Variance Explained) đạt 63.48% ($> 50%$), chứng minh 6 nhân tố này giải thích được 63.48% sự biến thiên của tập dữ liệu khảo sát gốc.
    • Toàn bộ hệ số tải nhân tố (Factor Loading) đều thỏa mãn $> 0.55$, độ chênh lệch hệ số tải giữa các nhân tố đều $> 0.30$, khẳng định giá trị hội tụ và giá trị phân biệt tuyệt đối.

Kết quả đạt được và phương trình hồi quy

Phương trình hồi quy tuyến tính bội chuẩn hóa phản ánh mức độ tác động của các nhân tố đến sự hài lòng của khách hàng:

$$\text{SAT}^* = 0.312 \times \text{GD} + 0.245 \times \text{NL} + 0.198 \times \text{TC} + 0.162 \times \text{DU} + 0.141 \times \text{DC} + 0.115 \times \text{HH}$$

                TRỌNG SỐ TÁC ĐỘNG CỦA CÁC NHÂN TỐ ĐẾN SỰ HÀI LÒNG
                
Giám định & bồi thường (GD)  ███████████████████████████████ 0.312
Năng lực phục vụ (NL)        ████████████████████████ 0.245
Sự tin cậy (TC)              ███████████████████ 0.198
Mức độ đáp ứng (DU)          ████████████████ 0.162
Mức độ đồng cảm (DC)         ██████████████ 0.141
Phương tiện hữu hình (HH)    ███████████ 0.115
  • Độ phù hợp của mô hình: Hệ số $R^2_{adj} = 0.628$, chứng minh 62.8% sự thay đổi trong mức độ hài lòng của khách hàng được giải thích bởi 6 nhân tố trong mô hình; 37.2% còn lại do các biến ngoài mô hình và sai số ngẫu nhiên.
  • Kiểm định ANOVA: Giá trị $F = 50.04$ với $\text{Sig.} = 0.000 < 0.05$, khẳng định mô hình hồi quy xây dựng được là hoàn toàn phù hợp với tập dữ liệu tổng thể.
  • Kiểm định hiện tượng đa cộng tuyến: Toàn bộ hệ số phóng đại phương sai $\text{VIF} \in [1.21, 1.48]$ (nhỏ hơn nhiều so với ngưỡng 2.0), khẳng định không tồn tại hiện tượng đa cộng tuyến.

Đổi mới và đóng góp

  1. Bổ sung chiều đo nghiệp vụ thực chứng vào thang đo chất lượng: Đề tài đã giải quyết khoảng trống lý thuyết của các nghiên cứu trước (như Affiaine Ahmad 2007, Trương Quang Tuấn Vũ 2022) vốn chỉ rập khuôn 5 thành phần SERVQUAL/SERVPERF mà bỏ qua nhân tố cốt lõi của ngành bảo hiểm là "Tiến độ và kết quả giám định bồi thường". Kết quả chứng minh đây là nhân tố có tác động mạnh nhất ($\beta = 0.312$).
  2. Định lượng hóa mối quan hệ nghiệp vụ - kỹ thuật: Nghiên cứu đã chuyển hóa các khái niệm trừu tượng (sự hài lòng, niềm tin thương hiệu) thành các chỉ số toán học có thể đo lường và lập trình kiểm soát tự động trên hệ thống phần mềm quản trị doanh nghiệp bảo hiểm.
  3. Cải tiến độ chính xác dự báo (Predictive Accuracy): So với mô hình gốc của Parasuraman chỉ giải thích được khoảng 45-52% phương sai biến phụ thuộc trong ngành tài chính, mô hình mở rộng này nâng hệ số $R^2_{adj}$ lên 62.8% (tăng cải tiến hiệu quả dự báo thêm $+10.8%$).

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế (Real-world Use Cases)

  • Kịch bản giám định hiện trường thông minh (Smart Assessment): Áp dụng kết quả nghiên cứu vào việc tái thiết lập SLA (Service Level Agreement) cho giám định viên: Có mặt tại hiện trường trong vòng 15-30 phút kể từ khi nhận cuộc gọi tổng đài, chụp ảnh hiện trường và lập biên bản điện tử gửi trực tiếp về trung tâm bồi thường qua máy tính bảng/smartphone.
  • Quy trình bồi thường nhanh (Fast-track Claim): Đối với các vụ va chạm thân vỏ có tổn thất ước tính dưới 5.000.000 VNĐ, cho phép gara chỉ định duyệt phương án sửa chữa tự động trong vòng 2 giờ làm việc, loại bỏ thời gian chờ duyệt văn bản giấy.
                      LỘ TRÌNH TRIỂN KHAI 3 GIAI ĐOẠN
                      
   Giai đoạn 1: Chuẩn hóa & Đào tạo         Giai đoạn 2: Tích hợp Hệ thống
                                            
                                  Giai đoạn 3: Giám sát NPS/CSAT

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI Analysis)

  • Chi phí đầu tư dự kiến: 180.000.000 VNĐ (trang bị thiết bị chụp ảnh/đo lường hiện trường, nâng cấp module giám định trên hệ thống thông tin nội bộ, đào tạo kỹ năng mềm và quy chuẩn đạo đức cho 100% giám định viên và đại lý).
  • Hiệu quả kinh tế dự phóng:
    • Tăng tỷ lệ khách hàng tái tục hợp đồng từ 68% lên 82% sau 12 tháng.
    • Giảm chi phí quản lý hồ sơ giấy và thời gian giải quyết khiếu nại trung bình 35%.
    • Thời gian hoàn vốn đầu tư (ROI Payback Period) ước tính: 4.5 tháng dựa trên mức tăng trưởng doanh thu khai thác phí BHVC mới.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Phương pháp lấy mẫu thuận tiện phi xác suất ($N=175$) tại địa bàn tỉnh Thừa Thiên Huế có thể làm hạn chế tính tổng quát hóa trên toàn quốc; kỹ thuật phân tích dừng lại ở hồi quy OLS trên SPSS, chưa áp dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) để phân tích các biến trung gian (như Giá trị cảm nhận, Hình ảnh thương hiệu).
  • Hướng phát triển: Mở rộng nghiên cứu áp dụng mô hình cấu trúc tuyến tính SEM trên mẫu $N \ge 500$; tích hợp thuật toán phân loại Machine Learning (Random Forest, XGBoost) vào hệ thống CRM của PJICO nhằm dự báo sớm xác suất rời bỏ dịch vụ của khách hàng dựa trên lịch sử bồi thường.

Đối tượng hưởng lợi

                           HỆ SINH THÁI HƯỞNG LỢI
                           
     Sinh viên / Học thuật                  Chuyên viên Dữ liệu
     • Mẫu khung nghiên cứu định lượng      • Pipeline phân tích SPSS/Python
     • Quy trình kiểm định EFA chuẩn       • Xử lý dữ liệu định lượng thực tế
     Doanh nghiệp Bảo hiểm                  Khách hàng Tham gia BH
     • Khung tối ưu quy trình bồi thường    • Thời gian duyệt gara nhanh hơn
     • Cắt giảm chi phí vận hành            • Minh bạch mức khấu trừ và phí
  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng trong khối ngành Kinh tế, Hệ thống Thông tin Kinh tế và Thống kê kinh doanh.
  • Chuyên viên phân tích dữ liệu (Data Analysts): Tham khảo pipeline xử lý khảo sát thực tế, kỹ thuật kiểm định thang đo và cách thức viết báo cáo kinh tế lượng ứng dụng.
  • Doanh nghiệp bảo hiểm phi nhân thọ: Khung tham chiếu thực nghiệm có sẵn để đo lường định kỳ chỉ số CSAT/NPS, giúp nâng cao năng lực cạnh tranh và kiểm soát tỷ lệ bồi thường.
  • Khách hàng sử dụng phương tiện: Được thụ hưởng dịch vụ bồi thường nhanh chóng, minh bạch hóa quyền lợi và giảm thiểu tối đa thủ tục hành chính khi gặp rủi ro giao thông.

Câu hỏi thường gặp

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

Cần cài đặt phần mềm IBM SPSS Statistics (phiên bản từ 20.0 trở lên) hoặc môi trường Python 3.8+ với các thư viện pandas, statsmodels, pingouin. Bộ dữ liệu khảo sát cần được mã hóa theo thang đo Likert 5 điểm, làm sạch các giá trị khuyết (missing values) và kiểm tra phân phối chuẩn trước khi chạy hồi quy.

2. Mô hình có thể mở rộng cho quy mô mẫu lớn hơn hoặc địa bàn khác không?

Hoàn toàn khả thi. Khi mở rộng quy mô mẫu sang các thành phố lớn (như Hà Nội, TP.HCM, Đà Nẵng), chỉ cần bổ sung thêm các biến kiểm soát (control variables) như: Mật độ giao thông, Loại hình gara (Chính hãng vs. Gara ngoài), Phân khúc giá trị xe và có thể chuyển sang phương pháp phân tích nhân tố khẳng định (CFA) và mô hình cấu trúc tuyến tính (SEM).

3. Tích hợp mô hình đo lường này vào hệ thống Core Insurance hiện có như thế nào?

Mô hình có thể được đóng gói thành module khảo sát CSAT tự động. Ngay sau khi trạng thái hồ sơ bồi thường chuyển sang "Hoàn tất chi trả/Sửa chữa" trên hệ thống Core, một tin nhắn SMS/Zalo Brandname kèm liên kết đánh giá 6 tiêu chí sẽ tự động gửi tới khách hàng. Điểm đánh giá sẽ cập nhật trực tiếp vào cơ sở dữ liệu để tính toán chỉ số KPI của từng giám định viên theo thời gian thực.

4. Chi phí duy trì và đo lường định kỳ hệ thống này là bao nhiêu?

Chi phí vận hành định kỳ rất thấp (chủ yếu là chi phí cổng gửi tin nhắn khảo sát và bản quyền phần mềm phân tích dữ liệu, ước tính dưới 2.000.000 VNĐ/tháng). Báo cáo phân tích có thể thiết lập tự động hóa bằng bảng điều khiển (Dashboard) trên Power BI hoặc Tableau.

5. Thời gian thu hồi vốn (ROI) và tác động kinh doanh cụ thể ra sao?

Doanh nghiệp bảo hiểm có thể hoàn vốn đầu tư trong vòng 3-6 tháng. Việc nâng cao sự hài lòng giúp giảm tỷ lệ khách hàng chuyển sang đối thủ cạnh tranh (churn rate) từ 5-10%, tương đương với việc bảo vệ hàng tỷ đồng doanh thu phí tái tục hàng năm mà không tốn thêm chi phí marketing chuyển đổi mới.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện mục tiêu lượng hóa các yếu tố tác động đến sự hài lòng của khách hàng đối với dịch vụ bảo hiểm vật chất xe cơ giới tại Công ty Bảo hiểm PJICO Huế. Bằng việc áp dụng phương pháp nghiên cứu định lượng chặt chẽ với cỡ mẫu $N=175$, nghiên cứu đã chứng minh thực nghiệm rằng Tiến độ, công tác giám định bồi thường ($\beta = 0.312$) và Năng lực phục vụ của đội ngũ nhân viên ($\beta = 0.245$) là hai trụ cột có sức ảnh hưởng chi phối lớn nhất đến quyết định gắn kết của khách hàng.

Kết quả này cung cấp cơ sở khoa học vững chắc để PJICO Huế chuyển đổi mô hình vận hành từ "tiếp cận theo sản phẩm" sang "lấy khách hàng làm trung tâm", tập trung nguồn lực vào số hóa quy trình giám định hiện trường, rút ngắn chu kỳ bồi thường và nâng cao năng lực chuyên môn của đội ngũ nhân sự. Đây chính là chìa khóa then chốt giúp doanh nghiệp củng cố thị phần, gia tăng tỷ lệ tái tục và tối ưu hóa hiệu quả kinh doanh bảo hiểm phi nhân thọ trong kỷ nguyên số.