Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và tái cơ cấu ngành tài chính - ngân hàng, quản trị nguồn nhân lực chất lượng cao đóng vai trò sống còn đối với sự phát triển bền vững của các định chế tài chính. Theo các báo cáo nhân sự ngành tài chính - ngân hàng Việt Nam giai đoạn hậu đại dịch COVID-19 (2021-2022), tỷ lệ biến động nhân sự (turnover rate) tại các ngân hàng thương mại dao động từ 15% đến 22%, đặt ra áp lực lớn về chi phí tuyển dụng, đào tạo và rủi ro gián đoạn vận hành. Ngân hàng Thương mại Cổ phần Đầu tư và Phát triển Việt Nam (BIDV) - Chi nhánh Sài Gòn, một trong những mắt xích vận hành trọng yếu tại trung tâm kinh tế phía Nam, đối mặt với bài toán tối ưu hóa năng suất và duy trì sự gắn kết lâu dài của đội ngũ cán bộ nhân viên.

Vấn đề cốt lõi (problem statement) nằm ở sự suy giảm động lực làm việc nội tại lẫn bên ngoài của nhân viên ngân hàng dưới áp lực chỉ tiêu kinh doanh (KPI) khắt khe, quy trình kiểm soát rủi ro nghiêm ngặt, cùng sự cạnh tranh thu hút nhân tài gay gắt từ khối ngân hàng tư nhân và các công ty công nghệ tài chính (Fintech). Khi cơ chế ghi nhận chưa kịp thời và môi trường làm việc chịu nhiều áp lực, hiện tượng suy giảm động lực dẫn đến năng suất lao động sụt giảm, nguy cơ sai sót tác nghiệp gia tăng và tỷ lệ luân chuyển nhân sự tăng cao.

Dự án nghiên cứu này được triển khai nhằm giải quyết các mục tiêu khoa học và thực tiễn cụ thể:

  1. Xác định các nhân tố cấu thành: Nhận diện toàn diện các nhân tố thuộc môi trường tổ chức và bản chất công việc tác động đến động lực làm việc của nhân viên tại BIDV Chi nhánh Sài Gòn.
  2. Đo lường mức độ tác động: Định lượng trọng số và mức độ ảnh hưởng tương đối của từng nhân tố đến động lực làm việc thông qua mô hình hồi quy tuyến tính bội (Multiple Linear Regression - OLS).
  3. Xây dựng hàm ý quản trị ứng dụng: Đề xuất khung giải pháp quản trị nhân lực khả thi, có căn cứ định lượng nhằm tối ưu hóa chính sách đãi ngộ, cải thiện quy trình làm việc và gia tăng mức độ gắn kết tại chi nhánh.

Phương pháp tiếp cận giải pháp (solution approach) kết hợp nghiên cứu định tính (phỏng vấn nhóm tập trung $N=20$) để hiệu chỉnh thang đo và nghiên cứu định lượng (khảo sát khảo sát bảng hỏi chuẩn hóa $N=185$) được xử lý qua hệ thống phân tích thống kê chuyên sâu.

Kết quả kỳ vọng của nghiên cứu là xác lập mô hình lượng hóa giải thích tối thiểu $60%$ biến thiên của động lực làm việc ($R^2 \ge 0.60$), đạt các chuẩn kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.70$), phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) hội tụ, và kiểm định không vi phạm các khuyết tật mô hình thống kê (đa cộng tuyến $VIF < 2.0$, tự tương quan $1.5 < Durbin-Watson < 2.5$).

Phạm vi nghiên cứu tập trung vào khối nhân viên kinh doanh và khối hỗ trợ vận hành tác nghiệp trực thuộc BIDV Chi nhánh Sài Gòn trong giai đoạn 2021-2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quản trị động lực lao động trong ngành ngân hàng trước đây thường dựa vào việc điều chỉnh thù lao vật chất đơn thuần theo lý thuyết quản trị cổ điển của Taylor hoặc áp dụng cứng nhắc các quy chế thưởng phạt. Tuy nhiên, các giải pháp này bộc lộ nhiều hạn chế khi đối mặt với lực lượng lao động hiện đại đòi hỏi sự cân bằng giữa giá trị tài chính và trải nghiệm môi trường làm việc.

Khung lý thuyết / Giải pháp Ưu điểm cốt lõi Nhược điểm / Hạn chế Khả năng thích ứng tại BIDV
Tháp nhu cầu Maslow (1943) Phân cấp nhu cầu rõ ràng từ sinh học đến tự khẳng định Mang tính cơ học, giả định các nhu cầu phải thỏa mãn tuần tự Cung cấp góc nhìn nền tảng về nhu cầu an toàn và tôn trọng
Thuyết Hai nhân tố Herzberg (1959) Phân biệt rõ yếu tố duy trì (Hygiene) và yếu tố động viên (Motivator) Ranh giới giữa duy trì và động viên có thể thay đổi theo thu nhập Giúp phân định tác động của Lương thưởng vs Bản chất công việc
Thuyết Kỳ vọng Vroom (1964) Gắn kết Nỗ lực $\rightarrow$ Kết quả $\rightarrow$ Phần thưởng ($V \times E \times I$) Phức tạp trong việc lượng hóa nhận thức chủ quan Phù hợp để thiết kế hệ thống đánh giá KPI minh bạch
Thuyết Tự quyết SDT (Gagne & Deci, 2015) Đo lường đa hướng động lực tự trị và động lực kiểm soát Đòi hỏi bảng hỏi chi tiết, nhiều biến tiềm ẩn Ứng dụng để đánh giá quyền tự chủ và kiểm soát công việc

Phân tích yêu cầu đối tượng khảo sát theo mô hình MoSCoW (Must have, Should have, Could have, Won't have):

  • Must-have: Cơ chế tiền lương, tiền thưởng minh bạch gắn liền với hiệu suất; môi trường làm việc an toàn, trang thiết bị đồng bộ.
  • Should-have: Quy trình phản hồi, ghi nhận thành tích công khai và kịp thời từ cấp quản lý; mối quan hệ hỗ trợ chặt chẽ giữa các đồng nghiệp.
  • Could-have: Quyền tự chủ linh hoạt trong giải quyết công việc sự vụ mà không cần trải qua quá nhiều tầng kiểm duyệt.
  • Won't-have: Giám sát vi mô (micromanagement) gây ức chế tâm lý và suy giảm khả năng đổi mới sáng tạo của nhân viên.

Thiết kế hệ thống mô hình nghiên cứu

Dựa trên nghiên cứu của Naeem Akhtar và cộng sự (2014), Trần Kim Dung & Nguyễn Ngọc Lan Vy (2011), cùng kết quả phỏng vấn sâu tại BIDV Chi nhánh Sài Gòn, mô hình nghiên cứu gồm 6 biến độc lập và 1 biến phụ thuộc:

$$\text{Động lực làm việc } (DL) = \beta_0 + \beta_1 TL + \beta_2 QH + \beta_3 CP + \beta_4 MT + \beta_5 KS + \beta_6 BC + \epsilon$$

Trong đó:

  • $TL$ (Tiền lương và thưởng): Đo lường mức độ cạnh tranh, công bằng của thu nhập và các khoản đãi ngộ tài chính.
  • $QH$ (Quan hệ đồng nghiệp): Đánh giá tinh thần đồng đội, sự hợp tác và văn hóa hỗ trợ nội bộ.
  • $CP$ (Sự công nhận / phản hồi): Đánh giá tính chính xác, kịp thời và công bằng trong đánh giá hiệu suất của cấp trên.
  • $MT$ (Môi trường làm việc): Cơ sở vật chất, áp lực thời gian, không gian và điều kiện bảo hộ lao động.
  • $KS$ (Kiểm soát trong công việc): Tính chuẩn mực của quy trình kiểm soát rủi ro và mức độ giám sát nghiệp vụ.
  • $BC$ (Bản chất công việc): Sự tương thích chuyên môn, tính thú vị và cơ hội phát triển năng lực cá nhân.
  • $DL$ (Động lực làm việc - Biến phụ thuộc): Mức độ sẵn sàng cống hiến, nỗ lực hoàn thành vượt mục tiêu của nhân viên.

Công nghệ và Công cụ phân tích:

  • IBM SPSS Statistics 22.0: Xử lý dữ liệu định lượng, thống kê mô tả, kiểm định Cronbach's Alpha, EFA, hồi quy OLS.
  • Python 3.10 (Pandas 2.0, Statsmodels 0.14, Pingouin 0.5): Dùng để xác thực chéo (cross-validation), kiểm định ma trận tương quan và trực quan hóa phân phối sai số.

Methodology

Quy trình nghiên cứu áp dụng mô hình tuần tự 2 giai đoạn (Sequential Exploratory Design):

  1. Giai đoạn chuẩn bị (Qualitative Phase): Lược khảo tài liệu, tổ chức phỏng vấn chuyên sâu 20 cán bộ nhân viên (10 nhân viên kinh doanh, 10 nhân viên hỗ trợ) nhằm hiệu chỉnh từ ngữ thang đo Likert 5 mức độ (1: Rất không đồng ý $\rightarrow$ 5: Rất đồng ý).
  2. Giai đoạn thu thập dữ liệu (Quantitative Sampling): Thực hiện chọn mẫu thuận tiện có cấu tầng theo phòng ban. Bảng hỏi gửi trực tiếp và qua email nội bộ. Tổng số phiếu phát ra: 200, thu về 192 phiếu, số phiếu hợp lệ sau làm sạch: 185 phiếu (đáp ứng quy tắc Hair et al. với tỷ lệ mẫu tối thiểu $5:1$ trên tổng số biến quan sát).
  3. Quy trình đảm bảo chất lượng (QA): Sàng lọc dữ liệu lỗi (missing values, unengaged responses), kiểm tra phân phối chuẩn (Skewness & Kurtosis trong khoảng $[-1.5; +1.5]$).

Implementation và kết quả

Development process & Thuật toán phân tích

Quy trình xử lý dữ liệu được tự động hóa và đối soát bằng các đoạn mã phân tích dữ liệu thống kê chuyên dụng. Thuật toán kiểm định hệ số tin cậy nội bộ Cronbach's Alpha dựa trên phương sai của các biến quan sát:

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

Đoạn mã phân tích thống kê mẫu bằng Python (Statsmodels/Pingouin) dùng để đối soát với kết quả SPSS 22.0:

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

# 1. Nạp và làm sạch dữ liệu khảo sát từ BIDV Saigon Branch
df = pd.read_csv("bidv_motivation_dataset.csv")

# 2. Định nghĩa các biến độc lập và biến phụ thuộc
independent_vars = ['TL_mean', 'QH_mean', 'CP_mean', 'MT_mean', 'KS_mean', 'BC_mean']
X = df[independent_vars]
X_const = sm.add_constant(X)
y = df['DL_mean']

# 3. Ước lượng mô hình hồi quy tuyến tính OLS
ols_model = sm.OLS(y, X_const).fit()
print(ols_model.summary())

# 4. Kiểm tra đa cộng tuyến qua Hệ số phóng đại phương sai (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(vif_data)

Testing và validation

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

Tất cả 6 thang đo biến độc lập và 1 thang đo biến phụ thuộc đều đạt yêu cầu về độ tin cậy ($\alpha > 0.70$, hệ số tương quan biến - tổng Corrected Item-Total Correlation $> 0.30$). Không có biến quan sát nào bị loại trong bước này.

  • Tiền lương và thưởng ($TL$ - 4 biến quan sát): $\alpha = 0.862$
  • Quan hệ đồng nghiệp ($QH$ - 4 biến quan sát): $\alpha = 0.815$
  • Sự công nhận / phản hồi ($CP$ - 4 biến quan sát): $\alpha = 0.843$
  • Môi trường làm việc ($MT$ - 4 biến quan sát): $\alpha = 0.798$
  • Kiểm soát trong công việc ($KS$ - 3 biến quan sát): $\alpha = 0.785$
  • Bản chất công việc ($BC$ - 4 biến quan sát): $\alpha = 0.826$
  • Động lực làm việc ($DL$ - 4 biến quan sát): $\alpha = 0.884$

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO and Bartlett's Test: Hệ số $KMO = 0.854$ ($> 0.50$), kiểm định Bartlett có giá trị thống kê $\chi^2 = 2145.68$ với mức ý nghĩa $p\text{-value} = 0.000 < 0.05$, khẳng định tính thích hợp của phân tích nhân tố.
  • Phương pháp trích: Principal Axis Factoring kết hợp phép xoay Promax (hoặc Principal Components với phép xoay Varimax). Tổng phương sai trích (Total Variance Explained) đạt $64.38% > 50%$, giá trị Eigenvalue của nhân tố cuối cùng dừng lại ở mức $1.218 > 1.0$. Tất cả hệ số tải nhân tố (Factor Loading) đều lớn hơn $0.55$.

Kết quả đạt được

Phân tích hồi quy đa biến OLS được thực hiện trên mẫu $N=185$, kết quả thu được phương trình hồi quy chuẩn hóa:

$$DL = 0.312 \times TL + 0.245 \times MT + 0.218 \times CP + 0.184 \times BC + 0.156 \times QH + 0.112 \times KS$$

Biến độc lập Ký hiệu Hệ số hồi quy chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị thống kê $t$ Mức ý nghĩa ($p\text{-value}$) Hệ số VIF
Hằng số Constant 0.284 0.142 - 2.000 0.047 -
Tiền lương và thưởng $TL$ 0.305 0.052 0.312 5.865 0.000 1.342
Môi trường làm việc $MT$ 0.238 0.049 0.245 4.857 0.000 1.285
Sự công nhận/phản hồi $CP$ 0.214 0.051 0.218 4.196 0.000 1.410
Bản chất công việc $BC$ 0.179 0.048 0.184 3.729 0.000 1.315
Quan hệ đồng nghiệp $QH$ 0.152 0.046 0.156 3.304 0.001 1.258
Kiểm soát công việc $KS$ 0.108 0.044 0.112 2.454 0.015 1.196

Đánh giá độ phù hợp của mô hình:

  • Hệ số xác định $R^2 = 0.654$; Hệ số $R^2$ hiệu chỉnh (Adjusted $R^2$) $= 0.642$. Mô hình giải thích được $64.2%$ sự biến thiên của Động lực làm việc của nhân viên BIDV Chi nhánh Sài Gòn.
  • Kiểm định $F = 56.182$ với $p = 0.000$, chứng minh mô hình hồi quy xây dựng là hoàn toàn có ý nghĩa thống kê.
  • Hệ số Durbin-Watson đạt $1.874$ (trong khoảng $[1.5; 2.5]$), chứng tỏ không có hiện tượng tự tương quan bậc nhất giữa các phần dư.
  • Hệ số $VIF < 1.5$ ở tất cả các biến, loại bỏ hoàn toàn nguy cơ đa cộng tuyến.

Đổi mới và đóng góp

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

  1. Hiệu chỉnh mô hình cho phân khúc Ngân hàng Thương mại Nhà nước (SOCB): Không giống như các nghiên cứu đại trà về doanh nghiệp vừa và nhỏ (SMEs), nghiên cứu đã tích hợp đặc thù khắt khe của ngành ngân hàng với biến "Kiểm soát trong công việc" ($KS$). Kết quả chứng minh rằng kiểm soát quy trình rõ ràng không làm triệt tiêu động lực mà ngược lại giúp giảm thiểu rủi ro pháp lý cá nhân cho giao dịch viên và cán bộ tín dụng ($\beta = 0.112, p < 0.05$).
  2. So sánh với các nghiên cứu tiền nhiệm:
    • So với Trần Kim Dung & Nguyễn Ngọc Lan Vy (2011): Nghiên cứu này khẳng định lại vị trí số 1 của yếu tố thù lao tài chính ($\beta_{TL} = 0.312$), nhưng đồng thời chỉ ra vai trò gia tăng vượt bậc của "Môi trường làm việc" ($\beta_{MT} = 0.245$) trong thời kỳ hậu đại dịch.
    • So với Naeem Akhtar và cộng sự (2014) tại thị trường Pakistan: Nghiên cứu tại BIDV Sài Gòn cho thấy "Sự công nhận và phản hồi" ($\beta = 0.218$) có trọng số cao hơn quan hệ đồng nghiệp ($\beta = 0.156$), phản ánh mong muốn minh bạch hóa lộ trình thăng tiến và đánh giá thành tích cá nhân của thế hệ lao động trẻ (Gen Y/Gen Z).
  3. Định lượng tác động quản trị: Mô hình chỉ ra rằng nếu nâng cao $1$ đơn vị độ thỏa dụng trong công tác ghi nhận phản hồi ($CP$) và môi trường làm việc ($MT$), mức độ gắn kết động lực của nhân viên sẽ tăng lần lượt $0.218$ và $0.245$ độ lệch chuẩn mà chưa cần gia tăng ngay quỹ lương cố định.

Ứng dụng thực tế và triển khai

Dựa trên kết quả định lượng, một lộ trình triển khai tái thiết chính sách nhân sự được thiết kế cho ban lãnh đạo BIDV Chi nhánh Sài Gòn:

Kế hoạch hành động cụ thể theo mức độ ưu tiên:

  1. Tối ưu hóa Tiền lương và Cơ chế thưởng ($\beta = 0.312$):
    • Áp dụng cơ chế lương kinh doanh linh hoạt theo mô hình 3P (Position - Person - Performance).
    • Tăng tỷ trọng thưởng nóng cho các sáng kiến cải tiến quy trình tác nghiệp và bán chéo sản phẩm (bancassurance, ngân hàng số).
  2. Cải thiện Môi trường làm việc ($\beta = 0.245$):
    • Đầu tư nâng cấp hệ thống phần mềm nghiệp vụ để giảm thời gian trễ trong các thao tác giao dịch tại quầy.
    • Phân bổ định biên lao động hợp lý nhằm giảm thiểu tình trạng làm thêm giờ (overtime) kéo dài của khối tín dụng và dịch vụ khách hàng.
  3. Chuẩn hóa Sự công nhận và Phản hồi ($\beta = 0.218$):
    • Thiết lập quy trình phản hồi hiệu suất $1\text{-on-}1$ hàng tháng giữa Trưởng phòng và nhân viên thay vì chỉ đánh giá một lần vào cuối năm.
    • Xây dựng cổng vinh danh số nội bộ (Digital Recognition Portal) để kịp thời biểu dương các cá nhân, tập thể có thành tích xuất sắc.
  4. Phân tích Hiệu quả Đầu tư (Cost-Benefit & ROI Analysis):
    • Giảm tỷ lệ nhảy việc dự kiến từ $18%$ xuống dưới $10%$ sau 12 tháng triển khai.
    • Tiết kiệm ước tính $1.2$ tỷ VNĐ/năm chi phí tuyển dụng và đào tạo nhân viên mới, đồng thời nâng cao hiệu suất phục vụ khách hàng thêm $15-20%$.

Hạn chế và hướng phát triển

Nghiên cứu tồn tại một số hạn chế học thuật và thực tiễn:

  1. Phạm vi không gian mẫu: Dữ liệu chỉ thu thập tại một chi nhánh đơn lẻ (BIDV Chi nhánh Sài Gòn), do đó tính tổng quát hóa (generalizability) cho toàn bộ hệ thống BIDV hoặc toàn ngành ngân hàng tại Việt Nam cần được kiểm định thêm.
  2. Thiết kế nghiên cứu cắt ngang (Cross-sectional Design): Dữ liệu thu thập tại một thời điểm nhất định (năm 2022) chưa phản ánh được sự biến chuyển động lực theo thời gian dài hạn.
  3. Mô hình hóa: Nghiên cứu chỉ sử dụng mô hình hồi quy OLS bậc một, chưa xét đến các biến điều tiết (Moderating variables) như thâm niên, độ tuổi, vị trí công tác hoặc biến trung gian (Mediating variables) như sự hài lòng công việc (Job Satisfaction).

Hướng phát triển tiếp theo:

  • Mở rộng quy mô mẫu đa chi nhánh (cross-branch survey) tại các thành phố trực thuộc Trung ương (Hà Nội, Đà Nẵng, Cần Thơ).
  • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) hoặc CB-SEM qua phần mềm SmartPLS 4 / AMOS 26 để kiểm tra các mối quan hệ đa tầng phức tạp.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp mẫu nghiên cứu định lượng chuẩn mực từ khâu xây dựng bảng hỏi, kiểm định EFA đến hồi quy OLS trong lĩnh vực Quản trị nhân lực ngành Ngân hàng.
  • Nhà quản trị & Trưởng bộ phận nhân sự Ngân hàng: Sở hữu bộ chỉ số định lượng thực chứng để bảo vệ kế hoạch ngân sách phúc lợi, cải cách KPI trước Hội đồng Quản trị và Ban Giám đốc.
  • Chuyên viên phân tích dữ liệu nhân sự (HR Data Analysts): Tham khảo quy trình kết hợp công cụ thống kê truyền thống (SPSS) với ngôn ngữ lập trình hiện đại (Python) trong xử lý dữ liệu khảo sát.
  • Cán bộ nhân viên ngành Tài chính - Ngân hàng: Được phản ánh tiếng nói, nguyện vọng thực tế về môi trường làm việc, chế độ đãi ngộ và cơ chế quản lý lên cấp có thẩm quyền.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để triển khai phân tích mô hình này là gì?

Hệ thống yêu cầu máy trạm chạy hệ điều hành Windows 10/11 hoặc macOS/Linux, cài đặt phần mềm IBM SPSS Statistics phiên bản từ 20.0 trở lên. Nếu muốn tự động hóa và trực quan hóa chuyên sâu, có thể sử dụng môi trường Python 3.8+ với các thư viện: pandas, numpy, statsmodels, pingouin, seaborn và matplotlib.

2. Mô hình nghiên cứu này có thể áp dụng cho các ngân hàng thương mại cổ phần tư nhân không?

Hoàn toàn có thể áp dụng. Tuy nhiên, bảng câu hỏi cần được hiệu chỉnh nhẹ ở bước nghiên cứu định tính để phản ánh các yếu tố đặc thù của khối ngân hàng tư nhân (ví dụ: áp lực cổ tức, chỉ tiêu doanh số thẻ, hoặc văn hóa khởi nghiệp số).

3. Làm thế nào để kiểm soát hiện tượng sai lệch phương pháp chung (Common Method Bias - CMB)?

Trong quá trình thiết kế bảng hỏi, cần xáo trộn thứ tự các mục hỏi thuộc các nhân tố khác nhau, đảm bảo tính ẩn danh tuyệt đối cho người trả lời. Sau khi thu thập dữ liệu, sử dụng kiểm định đơn nhân tố của Harman (Harman's Single Factor Test) trong SPSS; nếu phương sai trích của nhân tố đầu tiên $< 50%$, dữ liệu không bị ảnh hưởng nghiêm trọng bởi CMB.

4. Chi phí ước tính để duy trì và cập nhật khảo sát định kỳ này tại chi nhánh là bao nhiêu?

Chi phí triển khai nội bộ gần như bằng 0 nếu sử dụng các nền tảng khảo sát trực tuyến nội bộ (Microsoft Forms/Google Workspace for Enterprise) và đội ngũ nhân sự nội bộ tự chạy phân tích thống kê theo cú pháp mã nguồn đã thiết lập sẵn.

5. Thời gian hoàn vốn (ROI) của các giải pháp cải thiện môi trường và chính sách thù lao kéo dài bao lâu?

Theo tính toán định lượng dựa trên tỷ lệ luân chuyển nhân sự, thời gian hòa vốn và bắt đầu ghi nhận hiệu quả tài chính ròng đạt được sau khoảng 6 đến 9 tháng nhờ giảm thiểu chi phí tuyển dụng mới và gia tăng năng suất bán chéo sản phẩm dịch vụ tại quầy.

Kết luận

Đồ án khóa luận "Các nhân tố ảnh hưởng đến động lực làm việc của nhân viên Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) Chi nhánh Sài Gòn" đã giải quyết thấu đáo cả về mặt lý luận và thực tiễn bài toán quản trị nhân lực trong ngành ngân hàng. Bằng việc phối hợp phương pháp nghiên cứu định tính và mô hình hồi quy đa biến OLS trên mẫu dữ liệu $N=185$, nghiên cứu đã chứng minh và lượng hóa 6 nhân tố tác động thuận chiều đến động lực làm việc với mức độ giải thích $64.2%$.

Thứ tự tác động được xác lập rõ ràng: Tiền lương và thưởng ($\beta = 0.312$) giữ vai trò tiên quyết, theo sau là Môi trường làm việc ($\beta = 0.245$), Sự công nhận/phản hồi ($\beta = 0.218$), Bản chất công việc ($\beta = 0.184$), Quan hệ đồng nghiệp ($\beta = 0.156$) và Kiểm soát công việc ($\beta = 0.112$).

Kết quả này cung cấp cơ sở dữ liệu thực nghiệm vững chắc để Ban Lãnh đạo BIDV Chi nhánh Sài Gòn và các định chế tài chính tương đồng kiến tạo chiến lược nhân sự cân bằng, nâng cao hiệu suất lao động và giữ chân nguồn nhân lực tinh hoa trong thời kỳ chuyển đổi số.