Giới thiệu dự án

Hoạt động cấp tín dụng bán lẻ đóng vai trò huyết mạch trong cơ cấu tài sản sinh lời của hệ thống Ngân hàng Thương mại Cổ phần (NHTM) tại Việt Nam. Báo cáo tài chính ngành ngân hàng giai đoạn 2021–2023 ghi nhận sự chuyển dịch mạnh mẽ sang phân khúc khách hàng cá nhân (KHCN) nhằm phân tán rủi ro tập trung và tối ưu hóa biên lãi thuần (NIM). Tuy nhiên, sau các biến động kinh tế vĩ mô và giai đoạn hậu COVID-19, tâm lý người tiêu dùng có sự thận trọng rõ rệt, đặt ra bài toán cấp bách về việc thấu hiểu các động lực thúc đẩy hành vi vay vốn.

Đề tài "Phân tích các yếu tố ảnh hưởng đến ý định vay vốn của khách hàng cá nhân tại Ngân hàng TMCP Sài Gòn Thương Tín - Chi nhánh Tân Bình" (SVTH: Lê Thị Phương Trâm, GVHD: TS. Vũ Đức Bình, Khoa Tài chính - Kế toán, Đại học Nguyễn Tất Thành) tập trung giải quyết điểm nghẽn trong việc nhận diện và lượng hóa các tiêu chí tác động trực tiếp đến quyết định tín dụng của khách hàng cá nhân.

+-----------------------------------------------------------------------------------+
|                            BỐI CẢNH & VẤN ĐỀ CẦN GIẢI QUYẾT                       |
+-----------------------------------------------------------------------------------+
|  [Thách thức thị trường]  -->  [Điểm nghẽn tại Sacombank CN Tân Bình]              |
|  - Cạnh tranh lãi suất gay gắt   - Tỷ trọng cho vay KHCN tăng (65% -> 75%)        |
|  - Rào cản thủ tục thẩm định    - Cần tối ưu chuyển đổi từ nhu cầu sang ý định vay|
|  - Chuyển đổi số ngân hàng lõi   - Giảm thiểu rủi ro nợ xấu qua sàng lọc chuẩn xác |
+-----------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Xác định hệ thống nhân tố cốt lõi: Định danh các biến quan sát thuộc về chất lượng dịch vụ, chính sách tín dụng, sự thuận tiện, ảnh hưởng xã hội, lãi suất và hình ảnh thương hiệu chi phối hành vi vay vốn.
  2. Lượng hóa mức độ tác động: Ứng dụng mô hình kinh tế lượng để đo lường trọng số hồi quy của từng nhân tố tác động đến biến phụ thuộc ý định vay vốn ($YD$).
  3. Đề xuất khung giải pháp quản trị: Xây dựng khuyến nghị chiến lược giúp Sacombank Chi nhánh Tân Bình nâng cao năng lực cạnh tranh, tăng trưởng dư nợ an toàn và mở rộng tệp khách hàng cá nhân bền vững.

Phương pháp tiếp cận và kết quả kỳ vọng

Dự án tích hợp lý thuyết hành vi người tiêu dùng (Consumer Behavior Theory) và Thuyết hành động hợp lý (Theory of Reasoned Action - TRA) để xây dựng khung mô hình định lượng. Thông qua khảo sát cỡ mẫu $N = 135$ kết hợp phân tích số liệu thứ cấp giai đoạn 2021–2023, nghiên cứu kỳ vọng thiết lập phương trình hồi quy tuyến tính chuẩn hóa, giải thích tối thiểu $50%$ phương sai biến thiên của ý định vay vốn và đề xuất giải pháp giảm thời gian xét duyệt tín dụng tại chi nhánh.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Sacombank - Chi nhánh Tân Bình (224 Lê Văn Sỹ, Phường 1, Quận Tân Bình, TP.HCM) cùng 12 Phòng giao dịch trực thuộc.
  • Thời gian: Dữ liệu thứ cấp thu thập giai đoạn 2021–2023; dữ liệu sơ cấp khảo sát trong năm 2024.
  • Giới hạn đối tượng: Tập trung vào nhóm khách hàng cá nhân vay tiêu dùng, sản xuất kinh doanh có tài sản bảo đảm (thế chấp bất động sản, phương tiện vận tải, giấy tờ có giá) và vay tín chấp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại địa bàn Quận Tân Bình - khu vực có mật độ thương mại và hộ kinh doanh cá thể cao, các tổ chức tín dụng cạnh tranh trực diện về tốc độ giải ngân và điều kiện cấp tín dụng.

Tiêu chí so sánh Mô hình Ngân hàng Truyền thống Mô hình Fintech / App vay tiêu dùng Mô hình Tín dụng Bán lẻ Sacombank Tân Bình
Quy trình thẩm định Thủ công, hồ sơ giấy tờ phức tạp, 3–7 ngày làm việc Tự động hóa qua eKYC & Big Data, 15–30 phút Bán tự động qua LOS & Core Banking T24, 24–48 giờ
Hạn mức & Kỳ hạn Linh hoạt, hạn mức cao theo tài sản thế chấp Hạn mức thấp (<50 triệu VNĐ), ngắn hạn (<12 tháng) Hạn mức lớn theo giá trị TSBĐ (Thông tư 39/2016/TT-NHNN)
Lãi suất & Chi phí Cạnh tranh, biên độ cố định hoặc thả nổi Rất cao (lãi suất thực tế và phí ẩn lớn) Ưu đãi theo từng gói kỳ hạn, minh bạch biểu phí
Bảo mật & Pháp lý Tuân thủ nghiêm ngặt chuẩn mực NHNN Rủi ro phát sinh tranh chấp dữ liệu cá nhân Tuân thủ chuẩn ISO/IEC 27001 và quy định NHNN

Ma trận yêu cầu hệ thống quản lý tín dụng (Khung MoSCoW)

  • Must-have (Bắt buộc): Hệ thống phân loại nợ tự động theo Thông tư NHNN; công cụ tính toán hạn mức vay trên giá trị định giá tài sản bảo đảm (BĐS, ô tô, GTCG); quy trình thẩm định đa tầng (Tiếp thị $\rightarrow$ Thẩm định $\rightarrow$ Phê duyệt $\rightarrow$ Kiểm soát rủi ro).
  • Should-have (Cần có): Tích hợp phân hệ tiếp nhận hồ sơ trực tuyến qua Sacombank eBanking/Mobile App; thông báo tự động tiến độ xử lý hồ sơ qua SMS/Email.
  • Could-have (Có thể có): Hệ thống chấm điểm tín dụng nội bộ tích hợp AI nhằm rút ngắn thời gian phân tích phương án trả nợ.
  • Won't-have (Không triển khai): Cấp tín dụng tự động không thẩm định thực địa đối với các khoản vay thế chấp hạn mức lớn.

Thiết kế hệ thống mô hình định lượng

Mô hình nghiên cứu được xây dựng dựa trên 6 nhóm nhân tố độc lập với 23 biến quan sát kế thừa từ Parasuraman et al. (1992), Hafeez Ur Rehman & Ahmed (2008), Christos C. Frangos et al. (2012):

+-------------------------------------------------------------------+
|                   KHUNG MÔ HÌNH HỒI QUY NGHIÊN CỨU                |
+-------------------------------------------------------------------+
|  [CL]   Chất lượng dịch vụ (4 biến: CL1 - CL4)       ---\         |
|  [CS]   Chính sách tín dụng (4 biến: CS1 - CS4)      ----\        |
|  [TT]   Sự thuận tiện giao dịch (4 biến: TT1 - TT4)  -----\       |
|  [AHXH] Ảnh hưởng xã hội (4 biến: AHXH1 - AHXH4)     -----> [YD] Ý định vay vốn
|  [LS]   Lãi suất cho vay (3 biến: LS1 - LS3)         -----/ (3 biến: YD1 - YD3)
|  [HANH] Hình ảnh ngân hàng (4 biến: HANH1 - HANH4)   ----/        |
+-------------------------------------------------------------------+

Ngăn xếp công nghệ và công cụ xử lý dữ liệu (Tech Stack)

  • Phân tích dữ liệu thống kê: IBM SPSS Statistics v26.0 (thực thi Cronbach's Alpha, EFA, OLS Regression).
  • Ngôn ngữ bổ trợ mô phỏng: Python v3.11 với các thư viện chuyên dụng pandas, statsmodels, factor_analyzer.
  • Hệ thống ngân hàng lõi & tác nghiệp: Temenos T24 (Release R17), Hệ thống quản lý cấp tín dụng tập trung (Loan Origination System - LOS).
  • Bảo mật và an toàn dữ liệu: Chuẩn mã hóa giao dịch AES-256 trên nền tảng Sacombank eBanking, tích hợp tiêu chuẩn thẻ chip EMV và công nghệ xác thực không tiếp xúc (NFC, Tap-to-phone).

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình hỗn hợp định tính và định lượng tuần tự:

[Thiết kế thang đo & Bảng hỏi sơ bộ] 
[Khảo sát thử nghiệm & Hiệu chỉnh thuật ngữ] 
[Thu thập dữ liệu sơ cấp n=135 qua Google Forms] 
[Làm sạch & Mã hóa dữ liệu thang đo Likert 5 điểm] 
[Kiểm định độ tin cậy Cronbach's Alpha (Ngưỡng >= 0.6)] 
[Phân tích nhân tố khám phá EFA (KMO >= 0.5, Factor loading >= 0.55)] 
[Hồi quy tuyến tính bội OLS & Kiểm định vi phạm giả định]

+-------------------+---------------------------------------------------------+
| Rủi ro tiềm ẩn    | Chiến lược kiểm soát & Giảm thiểu                       |
+-------------------+---------------------------------------------------------+
| Sai lệch chọn mẫu | Phân tầng mẫu khảo sát theo độ tuổi, ngành nghề, thu nhập|
| Dữ liệu rác/thiếu | Thiết lập trường bắt buộc (Required Fields) trên e-form |
| Đa cộng tuyến     | Kiểm soát chỉ số VIF < 10 và ma trận tương quan Pearson |
+-------------------+---------------------------------------------------------+

Implementation và kết quả

Quy trình triển khai xử lý dữ liệu

Thuật toán tính toán hệ số tin cậy nội tại Cronbach's Alpha ($\alpha$) và phương trình hồi quy tuyến tính bội được biểu diễn theo chuẩn mực kinh tế lượng:

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

Trong đó: $K$ là số biến quan sát trong thang đo; $\sigma_{Y_i}^2$ là phương sai của biến quan sát thứ $i$; $\sigma_X^2$ là phương sai tổng của các biến quan sát.

Phương trình hồi quy tổng quát dự báo ý định vay vốn ($YD$):

$$YD = \beta_0 + \beta_1 CL + \beta_2 CS + \beta_3 TT + \beta_4 AHXH + \beta_5 LS + \beta_6 HANH + \epsilon$$

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

# Khởi tạo mô hình phân tích dữ liệu tín dụng thực nghiệm
def evaluate_credit_intention(df_survey):
    """
    df_survey: DataFrame chứa dữ liệu 135 mẫu khảo sát (thang đo Likert 1-5)
    """
    independent_vars = ['CL', 'CS', 'TT', 'AHXH', 'LS', 'HANH']
    X = df_survey[independent_vars]
    y = df_survey['YD']
    
    # Bổ sung hằng số (intercept)
    X_const = sm.add_constant(X)
    
    # Ước lượng mô hình bình phương bé nhất (OLS)
    model = sm.OLS(y, X_const).fit()
    
    # Tính toán hệ số phóng đại phương sai (VIF) kiểm tra đa cộng tuyến
    vif_data = pd.DataFrame()
    vif_data["Variable"] = independent_vars
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return model.summary(), vif_data

print("Quy trình hồi quy OLS chuẩn hóa kiểm định giả định kinh tế lượng.")

Kiểm định và đánh giá thống kê

Mẫu khảo sát $N = 135$ khách hàng tại Sacombank Chi nhánh Tân Bình đạt các chỉ số đặc tính nhân khẩu học cân bằng:

  • Giới tính: Nam đạt $51.85%$ ($70$ người), Nữ đạt $48.15%$ ($65$ người).
  • Độ tuổi: $18 - 25$ tuổi chiếm $44.44%$ ($60$ người); $26 - 35$ tuổi chiếm $35.56%$ ($48$ người); Trên $36$ tuổi chiếm $20.00%$ ($27$ người).
  • Thu nhập hàng tháng: Dưới 5 triệu ($13.89%$), 5–10 triệu ($31.25%$), 10–20 triệu ($32.64%$), Trên 20 triệu ($15.97%$).
  • Nghề nghiệp: Nhân viên văn phòng chiếm tỷ trọng lớn nhất ($27.78%$), Kinh doanh tự do ($22.22%$), Sinh viên ($21.53%$).
+-----------------------------------------------------------------------------+
|               KẾT QUẢ KIỂM ĐỊNH THANG ĐO & NHÂN TỐ EFA                      |
+-----------------------------------------------------------------------------+
|  Thang đo               Số biến  Cronbach's Alpha  KMO / Phương sai trích   |
|  - Chất lượng dịch vụ (CL)     4         >= 0.785    KMO: 0.700 - 0.850     |
|  - Chính sách tín dụng (CS)    4         >= 0.812    Eigenvalue > 1.0       |
|  - Sự thuận tiện (TT)          4         >= 0.764    Factor loading > 0.55  |
|  - Ảnh hưởng xã hội (AHXH)     4         >= 0.790    Tổng phương sai trích  |
|  - Lãi suất cho vay (LS)       3         >= 0.831    > 50.0%                |
|  - Hình ảnh ngân hàng (HANH)   4         >= 0.820    Tương quan có ý nghĩa  |
|  - Ý định vay vốn (YD)         3         >= 0.845    (p-value < 0.05)       |
+-----------------------------------------------------------------------------+

Kết quả hoạt động tín dụng thực tế (2021–2023)

Dữ liệu kế toán - tài chính tại Sacombank Chi nhánh Tân Bình minh chứng cho kết quả mở rộng hoạt động cho vay khách hàng cá nhân:

TỔNG DƯ NỢ VÀ TĂNG TRƯỞNG DƯ NỢ KHÁCH HÀNG CÁ NHÂN (2021 - 2023)
(Đơn vị: Tỷ đồng)

Dư nợ KHCN    : [2021: 486.75] ========> [2022: 593.92] ========> [2023: 676.91]
Tổng dư nợ    : [2021: 545.00] ============> [2022: 762.19] ========> [2023: 848.26]
Tỷ trọng KHCN : 65.0% -------------------> 73.0% -------------> 75.0%
Nợ xấu KHCN   : [2021: 9.061]  ========> [2022: 7.566]  ========> [2023: 6.859]

+-----------------------------------+----------+----------+----------+--------------------+
| Chỉ tiêu tín dụng & Tài chính     | Năm 2021 | Năm 2022 | Năm 2023 | Tăng trưởng 22/23  |
+-----------------------------------+----------+----------+----------+--------------------+
| Tổng thu nhập hoạt động (tỷ VNĐ)  | 167.393  | 320.328  | 279.543  | -12.73%            |
| Lợi nhuận trước thuế (tỷ VNĐ)     | 92.599   | 133.405  | 201.928  | +51.36%            |
| Tổng nguồn vốn huy động (tỷ VNĐ)  | 960.583  | 1,022.513| 1,123.919| +9.92%             |
| Doanh số cho vay ngắn hạn (tỷ)    | 396.885  | 463.749  | 523.475  | +12.88%            |
| Cho vay thế chấp BĐS (tỷ VNĐ)     | 120.494  | 158.633  | 189.994  | +19.77%            |
| Nợ quá hạn KHCN                   | 0 VNĐ     | 0 VNĐ     | 0 VNĐ    | Kiểm soát tuyệt đối|
+-----------------------------------+----------+----------+----------+--------------------+

Đổi mới và đóng góp

  1. Khung phân tích đa biến đặc thù cho chi nhánh đô thị: Nghiên cứu không chỉ dừng lại ở các yếu tố kinh tế (lãi suất, hạn mức) mà lượng hóa đồng thời các yếu tố tâm lý xã hội (chuẩn chủ quan, hình ảnh định vị ngân hàng) trong bối cảnh địa bàn có tính cạnh tranh cao.
  2. So sánh tương quan với các mô hình tiền nhiệm:
    • So với mô hình Hồ Ngọc Khoa (2018) (8 biến độc lập, phân tán trọng số), mô hình này cô đọng về 6 nhân tố trọng yếu, loại trừ biến dư thừa giúp tăng độ hội tụ EFA ($>50%$).
    • So với nghiên cứu Hoàng Hải Yến (2018), mô hình bổ sung biến "Ảnh hưởng xã hội" ($AHXH$), chứng minh tác động truyền miệng của người thân/bạn bè đối với quyết định vay thế chấp tài sản lớn.
  3. Hiệu quả thực chứng về kiểm soát rủi ro: Dư nợ KHCN tại chi nhánh tăng trưởng $39.07%$ từ 2021 đến 2023 trong khi tỷ lệ nợ xấu KHCN giảm liên tục từ $9.061$ tỷ VNĐ xuống còn $6.859$ tỷ VNĐ (giảm $24.3%$), phản ánh chất lượng thẩm định và lựa chọn tệp khách hàng tối ưu.

Ứng dụng thực tế và triển khai

Chiến lược vận hành tại chi nhánh

+-------------------------------------------------------------------------------+
|                       LỘ TRÌNH 4 TRỤ CỘT NÂNG CAO Ý ĐỊNH VAY                  |
+-------------------------------------------------------------------------------+
|  1. Tối ưu chính sách định giá: Tăng tỷ lệ cấp tín dụng trên giá trị TSBĐ BĐS |
|  2. Đơn giản hóa thủ tục (LOS): Rút ngắn thời gian thẩm định hồ sơ dưới 24h   |
|  3. Minh bạch biểu phí & lãi suất: Công khai biên độ và phương án trả nợ linh |
|     hoạt trên ứng dụng số (Sacombank eBanking)                                |
|  4. Tăng cường uy tín thương hiệu: Đẩy mạnh các gói vay tiêu dùng xanh và hỗ  |
|     trợ kinh doanh sau giải ngân                                              |
+-------------------------------------------------------------------------------+

+-----------------------+-------------------------------------------------------------+
| Yếu tố triển khai     | Yêu cầu kỹ thuật & Vận hành                                 |
+-----------------------+-------------------------------------------------------------+
| Cơ sở hạ tầng số      | Nâng cấp Core Banking Temenos T24 R17, liên kết LOS nội bộ  |
| Đào tạo nhân sự       | Chuẩn hóa kỹ năng tư vấn tín dụng cá nhân, đạo đức nghề nghiệp|
| Chỉ số ROI dự kiến    | Chi phí chuyển đổi số thu hồi trong 18 tháng qua tăng dư nợ|
| Dự báo tăng trưởng    | Tăng trưởng dư nợ KHCN đạt 15–18%/năm giai đoạn 2024–2026   |
+-----------------------+-------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Cỡ mẫu khảo sát: Quy mô $N = 135$ đáp ứng tiêu chuẩn tối thiểu cho phân tích EFA và hồi quy ($N \ge 5 \times 23 = 115$), nhưng chưa đại diện tuyệt đối cho toàn bộ phân khúc khách hàng đa dạng tại TP.HCM.
  • Phạm vi địa bàn: Dữ liệu khảo sát giới hạn tại Sacombank Chi nhánh Tân Bình, chưa đối chiếu chéo với các chi nhánh ngoại thành hoặc ngân hàng đối thủ cùng phân khúc.

Hướng phát triển đề xuất

  • Mở rộng mẫu khảo sát lên $N \ge 500$, phân bổ ngẫu nhiên trên toàn hệ thống mạng lưới chi nhánh Sacombank khu vực phía Nam.
  • Ứng dụng các thuật toán Machine Learning (Random Forest, XGBoost) trên tập dữ liệu lớn của hệ thống Core Banking nhằm xây dựng mô hình dự báo hành vi tất toán trước hạn và xác suất mặc định nợ (Probability of Default - PD).

Đối tượng hưởng lợi

+---------------------+---------------------------------------------------------+
| Nhóm đối tượng      | Giá trị thực tiễn mang lại                              |
+---------------------+---------------------------------------------------------+
| Sinh viên & Học viên| Tài liệu thực nghiệm chuẩn mực về quy trình phân tích   |
| nghiên cứu          | kinh tế lượng SPSS trong đề tài Tài chính - Ngân hàng.   |
|                     |                                                         |
| Chuyên viên tín dụng| Khung tham chiếu tâm lý khách hàng giúp cá nhân hóa     |
| (QHKH)              | gói vay và tăng tỷ lệ chốt hợp đồng giải ngân.         |
|                     |                                                         |
| Ban Lãnh đạo NHTM   | Cơ sở dữ liệu khoa học để điều chỉnh chính sách lãi     |
|                     | suất, tối ưu quy trình LOS và giảm thiểu chi phí vốn.   |
|                     |                                                         |
| Khách hàng cá nhân  | Tiếp cận các sản phẩm vay minh bạch, quy trình tinh gọn |
|                     | và phù hợp với năng lực tài chính thực tế.              |
+---------------------+---------------------------------------------------------+

Câu hỏi thường gặp

1. Dữ liệu khảo sát N = 135 có đáp ứng độ tin cậy khoa học trong phân tích hồi quy không?

Theo quy tắc của Hair et al. (2010) và Bollen (1989), kích thước mẫu tối thiểu cho phân tích nhân tố khám phá EFA phải thỏa mãn tỷ lệ $5:1$ so với số biến quan sát ($23 \text{ biến} \times 5 = 115$). Cỡ mẫu $N = 135$ hoàn toàn hợp lệ, đồng thời các kiểm định Cronbach's Alpha ($>0.7$) và KMO ($>0.7$) đã xác thực tính tin cậy của tập dữ liệu.

2. Yếu tố nào có tác động mạnh nhất đến ý định vay vốn của khách hàng cá nhân?

Trong các nghiên cứu kinh tế lượng về tín dụng bán lẻ, nhóm biến Lãi suất cho vay (LS)Chính sách tín dụng (CS) thường giữ trọng số hồi quy chuẩn hóa cao nhất, tiếp theo là Chất lượng dịch vụ (CL)Sự thuận tiện (TT).

3. Làm thế nào để giải quyết rủi ro tài sản bảo đảm là bất động sản trong giai đoạn thị trường biến động?

Sacombank Chi nhánh Tân Bình áp dụng tỷ lệ chiết khấu định giá thận trọng ($70–80%$ giá thị trường), thẩm định quy hoạch pháp lý nghiêm ngặt và tái thẩm định định kỳ 12 tháng/lần nhằm đảm bảo giá trị bồi hoàn nợ vay.

4. Hệ thống Core Banking T24 đóng vai trò gì trong việc nâng cao ý định vay vốn?

Hệ thống Temenos T24 R17 cho phép xử lý giao dịch thời gian thực, tự động tính toán hạn mức thấu chi và tích hợp hồ sơ tín dụng với nền tảng eBanking, giúp khách hàng tra cứu lịch trả nợ tức thì và giảm thiểu thời gian chờ đợi.

5. Chi phí triển khai các giải pháp nâng cao ý định vay vốn được phân bổ như thế nào?

Ngân hàng tập trung chi phí vào hai hạng mục chính: hiện đại hóa công nghệ phân tích hồ sơ tín dụng ($60%$) và các chương trình ưu đãi lãi suất, truyền thông định vị thương hiệu ($40%$). Lợi nhuận trước thuế tăng trưởng $51.36%$ trong năm 2023 chứng minh tính hiệu quả của nguồn vốn đầu tư này.


Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Lê Thị Phương Trâm đã phân tích toàn diện thực trạng hoạt động tín dụng bán lẻ tại Ngân hàng TMCP Sài Gòn Thương Tín - Chi nhánh Tân Bình giai đoạn 2021–2023, đồng thời xây dựng thành công mô hình định lượng 6 nhân tố chi phối ý định vay vốn của khách hàng cá nhân. Kết quả nghiên cứu là minh chứng khoa học vững chắc giúp các nhà quản trị ngân hàng cân bằng giữa mục tiêu tăng trưởng tín dụng và kiểm soát an toàn nợ xấu.

Để tối ưu hóa hiệu quả kinh doanh, các ngân hàng thương mại cần liên tục cải tiến hệ sinh thái sản phẩm, ứng dụng công nghệ ngân hàng lõi hiện đại và lấy trải nghiệm khách hàng làm trọng tâm phát triển bền vững.