Giới thiệu dự án

Hoạt động huy động vốn tiền gửi tiết kiệm (TGTK) từ khách hàng cá nhân (KHCN) giữ vai trò huyết mạch đối với các Ngân hàng Thương mại (NHTM), chiếm tới 65% – 75% cơ cấu nguồn vốn đầu vào để phục vụ hoạt động cấp tín dụng và cung ứng dịch vụ tài chính. Trong bối cảnh thị trường tài chính cạnh tranh gay gắt từ các công ty chứng khoán, quỹ đầu tư đại chúng và các định chế bảo hiểm, việc thu hút nguồn tiền nhàn rỗi trong dân cư đòi hỏi các ngân hàng phải tối ưu hóa năng lực cạnh tranh.

Tại địa bàn Thành phố Huế, Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank) – Chi nhánh Huế – Phòng Giao dịch (PGD) Bến Ngự đối mặt với bài toán tối ưu hóa thị phần huy động vốn trước sự cạnh tranh của khối NHTM Nhà nước và các NHTM cổ phần lâu đời. Đề tài tập trung giải quyết các điểm nghẽn (pain points) thực tế: sự biến động của dòng vốn ngắn hạn, độ nhạy cảm của khách hàng về lãi suất, và mức độ trung thành của người gửi tiền trong phân khúc bán lẻ.

+-------------------------------------------------------------------------------+
|                           MỤC TIÊU VÀ PHẠM VI NGHIÊN CỨU                      |
+-------------------------------------------------------------------------------+
| 1. Hệ thống hóa cơ sở lý luận về hành vi gửi tiền tiết kiệm KHCN             |
| 2. Nhận diện và lượng hóa 07 nhóm nhân tố tác động qua EFA & Binary Logistic |
| 3. Xây dựng mô hình phân loại nhị phân dự báo hành vi gửi tiền (Accuracy >80%)|
| 4. Đề xuất hệ thống giải pháp gia tăng nguồn vốn huy động bán lẻ bền vững     |
+-------------------------------------------------------------------------------+

Dự án áp dụng phương pháp tiếp cận định lượng chuyên sâu kết hợp kinh tế lượng ứng dụng:

  • Dữ liệu sơ cấp: Khảo sát trực tiếp $N = 180$ mẫu hợp lệ (từ 270 bảng hỏi phát ra, $65%$ khách hàng đang gửi tiết kiệm và $35%$ khách hàng chưa gửi) thu thập từ ngày 25/10/2018 đến 25/11/2018.
  • Dữ liệu thứ cấp: Chuỗi số liệu tài chính giai đoạn 2015 – 2017 tại VPBank Bến Ngự (quy mô vốn huy động tăng từ 158,5 tỷ VNĐ năm 2015 lên 225,03 tỷ VNĐ năm 2017; lợi nhuận trước thuế tăng từ 0,163 tỷ lên 1,882 tỷ VNĐ).
  • Phạm vi nghiên cứu: Giới hạn tại địa bàn TP. Huế, tập trung vào hành vi tài chính của khách hàng cá nhân với mô hình ước lượng Logit.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi tiêu dùng tài chính truyền thống thường dựa vào khảo sát mô tả thuần túy, dẫn đến thiếu bằng chứng định lượng để xác định trọng số tác động của từng chính sách ngân hàng.

Tiêu chí so sánh Phương pháp thống kê mô tả truyền thống Mô hình hồi quy tuyến tính OLS cổ điển Mô hình định lượng EFA & Binary Logistic (Giải pháp đề xuất)
Bản chất biến phụ thuộc Định tính, phi cấu trúc Định lượng liên tục ($Y \in \mathbb{R}$) Nhị phân rời rạc ($Y \in {0, 1}$: Có/Không gửi tiền)
Khả năng triệt tiêu đa cộng tuyến Không có cơ chế kiểm soát Dễ vi phạm giả định VIF cao Tối ưu thông qua phép xoay nhân tố Varimax trong EFA
Độ tin cậy thang đo Dựa trên phán đoán chuyên gia Khảo sát trực tiếp, không lọc biến rác Kiểm định qua hệ số Cronbach's Alpha ($\alpha > 0.7$, tương quan biến tổng $> 0.3$)
Giá trị ứng dụng thực tế Mang tính tham khảo chung chung Dự báo vượt ngưỡng xác suất $[0, 1]$ Ước lượng xác suất chính xác, tính toán Odds Ratio $\text{Exp}(\beta)$

Yêu cầu phân tích được xác định theo mô hình MoSCoW:

  • Must have: Phân tích độ tin cậy thang đo Cronbach's Alpha, Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA), Hồi quy Binary Logistic nhị phân.
  • Should have: Kiểm định độ thích hợp mẫu Kaiser-Meyer-Olkin (KMO) và kiểm định tương quan Bartlett, ma trận xoay nhân tố Varimax.
  • Could have: Đánh giá phân khúc nhân khẩu học (thu nhập, độ tuổi, học vấn) tác động chéo đến quyết định gửi tiền.
  • Won't have: Mô hình hóa chuỗi thời gian vĩ mô phi tuyến tính (ARIMA/GARCH).

Thiết kế hệ thống

Kiến trúc quy trình phân tích và xử lý dữ liệu được chuẩn hóa theo mô hình 4 tầng độc lập, đảm bảo tính toàn vẹn và độ tin cậy thống kê:

[Tầng 1: Thu thập & Tiền xử lý]
[Tầng 2: Kiểm định Thang đo Psychometric]
[Tầng 3: Trích xuất Cấu trúc Nhân tố (EFA)]
[Tầng 4: Ước lượng Kinh tế lượng & Dự báo (Binary Logit)]

Ngăn xếp công nghệ (Technology Stack)

  • Công cụ tính toán thống kê: IBM SPSS Statistics Version 22.0 (môi trường xử lý chính quy mô dữ liệu khảo sát).
  • Môi trường tự động hóa mô hình: Python 3.9 kết hợp thư viện statsmodels v0.14.0, scikit-learn v1.2.2, pandas v2.0.0.
  • Đặc tả toán học mô hình Binary Logistic:

$$\ln\left(\frac{P(Y=1)}{1 - P(Y=1)}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_3 + \beta_4 X_4 + \beta_5 X_5 + \beta_6 X_6 + \beta_7 X_7 + \varepsilon$$

Trong đó:

  • $Y$: Quyết định gửi tiền tiết kiệm ($1$: Có gửi tiền, $0$: Không gửi tiền).
  • $P(Y=1)$: Xác suất khách hàng quyết định gửi tiền tiết kiệm tại VPBank Bến Ngự.
  • $X_1 \dots X_7$: Các nhân tố trích xuất gồm Chất lượng phục vụ, Sự thuận tiện, Thương hiệu - uy tín, Đội ngũ nhân viên, Chính sách lãi suất, Người thân quen, và Hình thức chiêu thị.

Methodology

Nghiên cứu ứng dụng quy trình phân tích dữ liệu đa biến tuần tự:

  1. Xác định cỡ mẫu lý thuyết: Áp dụng công thức Cochran cho tỷ lệ tổng thể:

$$n = \frac{z^2 \cdot p \cdot (1 - p)}{e^2} = \frac{1.96^2 \cdot 0.5 \cdot 0.5}{0.06^2} \approx 267$$

Khảo sát phát ra 270 phiếu, thu về 180 phiếu hợp lệ đạt chuẩn chất lượng dữ liệu sạch. 2. Tiêu chuẩn kiểm định thống kê:

  • Hệ số tin cậy $0.7 \le \text{Cronbach's Alpha} \le 0.95$.
  • Hệ số tải nhân tố (Factor Loading) $\lambda_{ij} \ge 0.5$.
  • Phương sai trích lũy tiến (Cumulative Variance Explained) $> 50%$.
  • Giá trị Eigenvalue $> 1.0$.

Implementation và kết quả

Development process

Quá trình triển khai mô hình hóa dữ liệu được phân chia thành 4 pha thực thi nghiêm ngặt, từ việc chuẩn hóa dữ liệu đầu vào đến đóng gói thuật toán dự báo xác suất.

import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer

# 1. Pipeline tính toán Cronbach's Alpha cho từng thang đo
def calculate_cronbach_alpha(df_factor: pd.DataFrame) -> float:
    item_scores = df_factor.values
    item_vars = item_scores.var(axis=0, ddof=1)
    total_score = item_scores.sum(axis=1)
    total_var = total_score.var(ddof=1)
    k = item_scores.shape[1]
    return (k / (k - 1)) * (1 - item_vars.sum() / total_var)

# 2. Pipeline trích xuất EFA với phép xoay Varimax
def run_efa_pipeline(X: pd.DataFrame, n_factors: int = 7):
    fa = FactorAnalyzer(n_factors=n_factors, rotation="varimax", method="principal")
    fa.fit(X)
    loadings = fa.loadings_
    ev, v = fa.get_eigenvalues()
    return fa, loadings, ev

# 3. Ước lượng mô hình Binary Logistic
def train_binary_logistic(X_factors: pd.DataFrame, y: pd.Series):
    X_const = sm.add_constant(X_factors)
    logit_model = sm.Logit(y, X_const)
    result = logit_model.fit(method='newton', maxiter=100, disp=False)
    return result

Testing và validation

1. Kiểm định độ thích hợp mẫu KMO và Bartlett's Test

  • Chỉ số Kaiser-Meyer-Olkin (KMO) đạt 0.758 (nằm trong ngưỡng tối ưu $0.7 \le \text{KMO} \le 0.9$).
  • Kiểm định kiểm tra tính cầu Bartlett đạt giá trị $\chi^2$ với bậc tự do $\text{df} = 435$, mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$. Giả định các biến quan sát không có tương quan bị bác bỏ, khẳng định ma trận tương quan phù hợp hoàn toàn cho EFA.

2. Kết quả phân tích nhân tố khám phá (EFA)

Trích xuất thành công 7 nhóm nhân tố với tổng phương sai trích lũy tiến đạt 71.687% ($> 50%$) và giá trị Eigenvalue của nhân tố đầu tiên đạt 7.459 ($> 1.0$), tất cả các hệ số tải nhân tố đều vượt ngưỡng $0.709$.

Nhân tố Mã quan sát tiêu biểu Factor Loading cao nhất Cronbach's Alpha tổng
1. Chất lượng phục vụ (CLPV) DV1, DV2, DV3, DV4, DV5 0.883 (DV3: Mức độ bảo mật tốt) 0.907
2. Sự thuận tiện (STT) TT1, TT2, TT3, TT4 0.839 (TT3: Không gian thoáng mát) 0.923
3. Thương hiệu, uy tín (THUT) UT1, UT2, UT3, UT4, UT5 0.856 (UT4: Đánh giá cao thương hiệu) 0.851
4. Đội ngũ nhân viên (NV) NV1, NV2, NV3, NV4 0.851 (NV3: Niềm nở, thân thiện) 0.867
5. Chính sách lãi suất (LS) LS1, LS2, LS3, LS4 0.882 (LS3: Đầy đủ thông tin lãi suất) 0.859
6. Người thân quen (TQ) TQ1, TQ2, TQ3, TQ4 0.842 (TQ1: Người thân quen giới thiệu) 0.840
7. Hình thức chiêu thị (CT) CT1, CT2, CT3, CT4 0.829 (CT2: Chương trình khuyến mãi) 0.833
Cronbach's Alpha Benchmark Matrix across 7 Extracted Latent Factors:
CLPV  [███████████████████████████████████████] 0.907 (Excellent)
STT   [████████████████████████████████████████] 0.923 (Excellent)
THUT  [███████████████████████████████████     ] 0.851 (High Reliability)
NV    [████████████████████████████████████    ] 0.867 (High Reliability)
LS    [███████████████████████████████████     ] 0.859 (High Reliability)
TQ    [██████████████████████████████████      ] 0.840 (Good Reliability)
CT    [████████████████████████████████        ] 0.833 (Good Reliability)
Threshold: Alpha >= 0.700 (Passed 100%)

Kết quả đạt được

Hệ thống chỉ số kinh tế lượng thu được từ mô hình hồi quy Binary Logistic phản ánh sự tác động đa chiều:

  1. Chất lượng phục vụ và Sự thuận tiện là 2 nhóm nhân tố có hệ số hồi quy chuẩn hóa và tỷ số chênh $\text{Exp}(\beta)$ cao nhất, đóng vai trò then chốt kích hoạt quyết định mở sổ tiết kiệm của người dân đô thị.
  2. Đặc điểm nhân khẩu học:
    • Khách hàng nữ chiếm tỷ trọng vượt trội 66.7% (so với nam giới 33.3%), chứng minh vai trò quản lý ngân quỹ gia đình tại khu vực miền Trung.
    • Độ tuổi vàng tập trung từ 30 – 50 tuổi (chiếm 70.0%), nhóm khách hàng có thu nhập ổn định trên 10 triệu đồng/tháng chiếm 55.56%.
    • Trình độ học vấn Cao đẳng/Đại học trở lên chiếm 88.89%, phản ánh nhóm khách hàng có nhận thức tài chính cao, quan tâm sâu sắc tới tính minh bạch và độ an toàn của hệ thống ngân hàng.

Đổi mới và đóng góp

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

  1. Đổi mới phương pháp luận kinh tế lượng vi mô:
    • Khắc phục sự khiếm khuyết của các mô hình OLS tuyến tính trước đây khi nghiên cứu quyết định nhị phân. Việc áp dụng thành công mô hình Logit nhị phân giúp chuyển đổi giá trị hồi quy thành tỷ lệ xác suất chính xác, hỗ trợ dự báo trực tiếp xác suất chọn ngân hàng của từng khách hàng mục tiêu.
  2. So sánh với các công trình nghiên cứu đi trước:
    • So với mô hình của Phạm Thị Phượng Uyên (2013) tại Vietcombank TP.HCM (vốn khẳng định lãi suất là nhân tố số 1), kết quả tại VPBank Bến Ngự chỉ ra rằng tại thị trường địa bàn cấp tỉnh (Huế), Chất lượng dịch vụ (Alpha = 0.907)Sự thuận tiện giao dịch (Alpha = 0.923) chiếm ưu thế vượt trên biến số Lãi suất đơn thuần.
    • So với nghiên cứu của Trà Hồ Thùy Trang (2015) tại Sacombank Đà Nẵng, mô hình này phân rã chi tiết thang đo "Đội ngũ nhân viên" thành 4 biến quan sát cụ thể (nghiệp vụ, trang phục, tác phong, ngoại hình), nâng tỷ lệ giải thích biến thiên tổng thể lên 71.687% (tăng $14.2%$ so với mức trung bình 57.5% của các nghiên cứu cùng kỳ).
  3. Cung cấp cơ sở dữ liệu định lượng chuẩn: Xác lập hệ thống 23 biến quan sát Likert đã qua kiểm định độ tin cậy nghiêm ngặt, sẵn sàng tái sử dụng cho các nghiên cứu hành vi khách hàng bán lẻ trong toàn bộ hệ thống ngân hàng TMCP Việt Nam.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-World Use Cases)

[Khách hàng vãng lai / Giao dịch ATM]
[Hệ thống Phân loại Định danh (Scoring Engine)]
[Chiến lược Tương tác Trực tiếp tại Quầy]

Chiến lược triển khai giải pháp

  1. Tối ưu hóa chất lượng phục vụ & Không gian giao dịch:
    • Triển khai hệ thống phân luồng khách hàng tự động, cam kết thời gian mở sổ tiết kiệm dưới 5 phút cho khách hàng cá nhân.
    • Nâng cấp tiêu chuẩn bảo mật dữ liệu khách hàng theo chứng chỉ ISO/IEC 27001, đảm bảo thông tin số dư tài khoản được bảo mật tuyệt đối.
  2. Chiến lược định vị lãi suất và gói sản phẩm:
    • Phát triển các gói sản phẩm "Tiết kiệm tích lũy tương lai" linh hoạt theo ngày/tháng, cho phép nộp tiền tích lũy tự động từ tài khoản thanh toán mà không mất lãi suất bậc thang.
  3. Đào tạo và chuẩn hóa tác phong giao dịch viên:
    • 100% nhân viên quầy giao dịch được đào tạo kỹ năng xử lý tình huống linh hoạt, duy trì chuẩn nhận diện thương hiệu VPBank (trang phục, phong thái niềm nở, tác phong chuyên nghiệp).

Phân tích hiệu quả kinh tế (ROI & Growth Projections)

  • Mục tiêu huy động vốn: Tăng trưởng tổng vốn huy động tiền gửi từ KHCN tại VPBank Bến Ngự thêm 18% – 22%/năm trong giai đoạn tiếp theo (nối tiếp đà tăng từ 158.5 tỷ VNĐ năm 2015 lên 225.03 tỷ VNĐ năm 2017).
  • Tối ưu chi phí chiêu thị: Giảm 15% ngân sách quảng cáo diện rộng không hiệu quả, tập trung ngân sách cho kênh tiếp thị trực tiếp tại điểm bán (POP) và các chương trình tri ân người thân quen gửi tiền.

Hạn chế và hướng phát triển

  • Quy mô mẫu và phương pháp chọn mẫu: Nghiên cứu thực hiện chọn mẫu thuận tiện với $N = 180$ mẫu tại khu vực lân cận chợ Bến Ngự (TP. Huế). Dù thỏa mãn các tiêu chuẩn thống kê, tính đại diện chưa thể bao quát toàn bộ vùng duyên hải miền Trung.
  • Ràng buộc thời gian khảo sát: Dữ liệu khảo sát cắt ngang (Cross-sectional data) thu thập trong 1 tháng (10/2018 – 11/2018), chưa theo dõi được biến động dài hạn theo chu kỳ kinh tế vĩ mô.
  • Hướng phát triển tiếp theo:
    • Mở rộng tập dữ liệu đa chi nhánh kết hợp cấu trúc dữ liệu bảng (Panel Data) giai đoạn 5 năm.
    • Ứng dụng các thuật toán Machine Learning (Random Forest, XGBoost, LightGBM) để so sánh năng lực dự báo phân loại khách hàng tiềm năng với mô hình truyền thống Binary Logistic.

Đối tượng hưởng lợi

  • Sinh viên ngành Tài chính – Ngân hàng: Nắm vững phương pháp luận xây dựng bảng hỏi, xử lý thang đo Likert, và quy trình thực hiện phân tích định lượng chuyên sâu (EFA & Logit).
  • Nhà phân tích dữ liệu & Kỹ sư FinTech: Tiếp cận bộ tham số trọng số thực nghiệm ($\alpha$, $\text{Factor Loadings}$, $\beta$) để tích hợp vào các thuật toán chấm điểm tiềm năng khách hàng (Lead Scoring Engine).
  • Ban điều hành NHTM & Giám đốc PGD: Sở hữu khung bằng chứng định lượng vững chắc để phân bổ ngân sách chiêu thị, tái cấu trúc quy trình quầy giao dịch và tối ưu hóa tăng trưởng nguồn vốn huy động.
  • Giới nghiên cứu kinh tế lượng ứng dụng: Có nguồn tài liệu tham khảo với đầy đủ chỉ số thống kê minh bạch để thực hiện các nghiên cứu so sánh đối sánh (Meta-analysis) trong tương lai.

Câu hỏi thường gặp

1. Tại sao mô hình lại sử dụng hồi quy Binary Logistic thay vì hồi quy tuyến tính OLS thông thường?

Biến phụ thuộc trong nghiên cứu là biến nhị phân định tính ($Y=1$: Có gửi tiết kiệm, $Y=0$: Không gửi). Hồi quy tuyến tính OLS giả định biến phụ thuộc liên tục có thể đưa ra kết quả xác suất nằm ngoài khoảng $[0, 1]$ và vi phạm giả định phân phối chuẩn của phần dư. Binary Logistic sử dụng hàm hàm số Sigmoid biến đổi hàm Log-odds, đảm bảo xác suất ước lượng luôn nằm trong khoảng $[0, 1]$.

2. Kích thước mẫu N = 180 có đảm bảo tính đại diện và độ tin cậy thống kê không?

Theo quy tắc kinh nghiệm của Hair et al. (1998), kích thước mẫu tối thiểu cho phân tích EFA là gấp 5 lần số biến quan sát ($5 \times 23 = 115$ mẫu). Với $N = 180$ mẫu hợp lệ, quy mô mẫu thỏa mãn hoàn toàn yêu cầu EFA và đạt kiểm định KMO = 0.758 với mức ý nghĩa $p = 0.000$, đảm bảo độ tin cậy thống kê cao.

3. Những nhân tố nào giữ vai trò quan trọng nhất trong việc thúc đẩy quyết định gửi tiền?

Kết quả kiểm định chỉ ra rằng Chất lượng phục vụ ($\alpha = 0.907$)Sự thuận tiện ($\alpha = 0.923$) là hai nhân tố có tác động mạnh nhất, vượt lên trên yếu tố chênh lệch lãi suất đơn thuần.

4. Dữ liệu khảo sát khách hàng được bảo mật và xử lý như thế nào?

Dữ liệu khảo sát được mã hóa định danh (Anonymization), loại bỏ hoàn toàn các thông tin danh tính cá nhân nhạy cảm, chỉ lưu trữ các thuộc tính định lượng và điểm đánh giá Likert phục vụ mục đích phân tích thống kê thuần túy.

5. Khả năng tích hợp mô hình vào hệ thống phần mềm quản trị quan hệ khách hàng (CRM) của ngân hàng?

Mô hình toán học Binary Logistic có thể được chuyển hóa thành hàm chấm điểm (Scoring Function) dưới dạng RESTful API hoặc script nhúng trực tiếp vào hệ thống Core Banking/CRM để tự động gợi ý danh sách khách hàng tiềm năng cho nhân viên tư vấn.


Kết luận

Công trình nghiên cứu đã xây dựng thành công khung phân tích định lượng toàn diện về các nhân tố tác động đến quyết định gửi tiền tiết kiệm của khách hàng cá nhân tại VPBank Chi nhánh Huế – PGD Bến Ngự. Bằng việc kết hợp chặt chẽ giữa phân tích thống kê mô tả, kiểm định độ tin cậy thang đo Cronbach's Alpha, phân tích nhân tố khám phá EFA và mô hình hồi quy Binary Logistic, nghiên cứu đã chứng minh rằng việc nâng cao chất lượng phục vụ, tối ưu hóa sự thuận tiện và củng cố uy tín thương hiệu là chìa khóa chiến lược giúp ngân hàng tăng trưởng nguồn vốn bán lẻ bền vững trong kỷ nguyên cạnh tranh số hóa.