Giới thiệu dự án

Thị trường bảo hiểm nhân thọ (BHNT) tại Việt Nam duy trì tốc độ tăng trưởng kép hàng năm (CAGR) ấn tượng từ 25% - 30% trong giai đoạn 2015–2020. Theo số liệu từ Cục Quản lý, Giám sát Bảo hiểm (Bộ Tài chính), tổng doanh thu phí bảo hiểm toàn thị trường năm 2019 đạt 160.180 tỷ đồng (+20,54% so với 2018); trong đó khối nhân thọ đóng góp 107.793 tỷ đồng (+25%). Tuy nhiên, tỷ lệ thâm nhập bảo hiểm trên GDP của Việt Nam chỉ đạt khoảng 2,9%, thấp hơn nhiều so với mức trung bình của khối ASEAN (3,55%), châu Á (5,37%) và toàn cầu (6,3%). Tỷ lệ dân số tham gia BHNT mới xấp xỉ 8%, phản ánh dư địa thị trường còn rất lớn nhưng cũng bộc lộ rào cản nhận thức và niềm tin trầm trọng từ người tiêu dùng.

       Thị trường Bảo hiểm Toàn cầu & Việt Nam (Tỷ lệ thâm nhập / GDP)

Tại Thừa Thiên Huế – trung tâm kinh tế, văn hóa, giáo dục của miền Trung với dân số hơn 1.356.600 người (dân số thành thị chiếm 70% đạt 949.600 người) – tiềm năng khai thác dịch vụ tài chính cá nhân là rất cao. Dẫu vậy, tâm lý e ngại rủi ro, thiếu thông tin minh bạch và định kiến về đại lý bảo hiểm truyền thống khiến tỷ lệ chuyển đổi hợp đồng còn hạn chế. Nhằm giải quyết điểm nghẽn này, mô hình liên kết bảo hiểm - ngân hàng (Bancassurance) độc quyền 15 năm giữa Ngân hàng TMCP Kỹ Thương Việt Nam (Techcombank) và Tập đoàn Bảo hiểm Manulife (ký kết tháng 09/2017) đã trở thành đòn bẩy chiến lược. Năm 2019, Techcombank đạt doanh thu phí bảo hiểm 2.380 tỷ đồng, chiếm 13,5% tổng doanh số Bancassurance toàn ngành ngân hàng.

Vấn đề nghiên cứu (Problem Statement): Mặc dù kênh Bancassurance giải quyết được bài toán uy tín định chế, việc thấu hiểu các động lực tâm lý, hành vi chi tiêu và rào cản thực tế của khách hàng đô thị loại 1 tại miền Trung vẫn chưa được chuẩn hóa bằng mô hình thực nghiệm định lượng.

Mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về hành vi người tiêu dùng và mô hình quyết định mua sản phẩm tài chính - bảo hiểm qua kênh ngân hàng.
  2. Đo lường và kiểm định tác động của 2 nhóm nhân tố chính (Đặc điểm cá nhân và Nhóm yếu tố lựa chọn sản phẩm) với 12 cấu phần biến quan sát tới quyết định mua gói bảo hiểm Manulife tại Techcombank Chi nhánh Huế.
  3. Đề xuất hệ thống giải pháp thực thi về thiết kế gói sản phẩm, chuẩn hóa năng lực tư vấn viên và quy trình CRM chuyển đổi số nhằm tối ưu hóa doanh số Bancassurance.

Phạm vi và giới hạn nghiên cứu:

  • Không gian: Khách hàng cá nhân giao dịch tại Ngân hàng Techcombank - Chi nhánh Huế (độ tuổi từ 25 đến 55 tuổi có năng lực hành vi và thu nhập độc lập).
  • Thời gian: Dữ liệu thứ cấp giai đoạn 2017–2019; dữ liệu sơ cấp thu thập thực địa từ ngày 12/10/2020 đến ngày 12/12/2020.
  • Giới hạn: Cỡ mẫu định lượng $N = 140$ phân bổ cân bằng giữa nhóm đã mua ($n_1 = 70$) và nhóm chưa mua ($n_2 = 70$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các mô hình hành vi người tiêu dùng và các công trình thực nghiệm trước đây để xác định khoảng trống nghiên cứu (Research Gap):

Tiêu chí phân tích Mô hình Sheth et al. (2001) Nghiên cứu Võ Thị Vĩnh Hằng (2016) Nghiên cứu Phạm Lộc Anh (2015) Mô hình Đề xuất Techcombank Huế (2020)
Đối tượng sản phẩm BHNT nói chung Prudential (Thị trường Huế) Dai-ichi Life (Đông Hà) Manulife qua kênh Bancassurance Techcombank
Phân tách mẫu Lý thuyết chung Mẫu gộp chung Khách hàng đại lý Tách biệt 70 Đã mua vs 70 Chưa mua
Yếu tố bảo lãnh ngân hàng Không đề cập Không tích hợp Không có Được đo lường thành biến độc lập
Phân tích rào cản chi tiết Tổng quát Mức độ cơ bản Chưa tập trung rào cản Đo lường đa chiều 6 chỉ báo rào cản
Công cụ xử lý Khung lý thuyết SPSS thống kê mô tả Thống kê mô tả Cronbach's Alpha + Mean Difference Testing

Ma trận ưu tiên hóa yêu cầu phân tích dữ liệu (MoSCoW):

  • Must-have: Đo lường độ tin cậy thang đo (Cronbach's $\alpha \ge 0.70$); so sánh giá trị trung bình (Mean) giữa nhóm khách hàng đã mua và chưa mua; xác định 5 động cơ chính thúc đẩy ký hợp đồng.
  • Should-have: Phân tích độ lệch chuẩn (Std. Deviation) và giá trị $F$-test đánh giá mức độ đồng nhất phương sai; phân loại nhân khẩu học (độ tuổi, thu nhập, học vấn).
  • Could-have: Tích hợp mô hình hồi quy tuyến tính bội dự báo xác suất tái tục hợp đồng; xây dựng kịch bản Lead Scoring cho CRM.
  • Won't-have (giai đoạn này): Phân tích mô hình cấu trúc tuyến tính SEM-AMOS hoặc PLS-SEM đa nhóm phức tạp.
+-------------------------------------------------------------------------------+
|                            KHOẢNG TRỐNG NGHIÊN CỨU                            |
+---------------------------------------+---------------------------------------+
| Hạn chế của các nghiên cứu trước      | Đóng góp của mô hình hiện tại         |
+---------------------------------------+---------------------------------------+
| 1. Bỏ qua tác động của bảo lãnh ngân  | -> Bổ sung biến "Uy tín Techcombank   |
|    hàng trong phân phối bảo hiểm.     |    bảo lãnh giải quyết quyền lợi".    |
| 2. Chưa đối chiếu mẫu song song giữa  | -> Thiết kế cỡ mẫu đối chứng cân bằng |
|    nhóm Chấp nhận vs nhóm Từ chối.    |    (70 Adopters / 70 Non-adopters).   |
| 3. Thiếu khung quy trình số hóa CRM.  | -> Đề xuất Data Flow chuẩn hóa Lead.  |
+---------------------------------------+---------------------------------------+

Thiết kế hệ thống

Kiến trúc mô hình nghiên cứu kết hợp giữa khung lý thuyết hành vi người tiêu dùng của Philip Kotler, mô hình quyết định tài chính cá nhân của Sheth et al. (2001) và điều chỉnh định tính cho thị trường ngân hàng số:

graph TD
    subgraph NHOM_1["Nhóm Đặc Điểm Cá Nhân"]
        A1["Tâm lý chi tiêu & tiết kiệm (3 items)"]
        A2["Sự kiện trong cuộc sống (4 items)"]
        A3["Kiến thức về BHNT (2 items)"]
        A4["Động cơ mua bảo hiểm (5 items)"]
        A5["Rào cản tham gia BHNT (6 items)"]
    end

    subgraph NHOM_2["Nhóm Yếu Tố Lựa Chọn Sản Phẩm"]
        B1["Nhận thức giá trị BHNT (4 items)"]
        B2["Thương hiệu Techcombank - Manulife (5 items)"]
        B3["Năng lực Tư vấn viên (4 items)"]
        B4["Chất lượng Dịch vụ Khách hàng (4 items)"]
        B5["Ý kiến Nhóm tham khảo (4 items)"]
        B6["Kênh tìm kiếm thông tin (3 items)"]
        B7["Kinh nghiệm mua trước đây (3 items)"]
    end

    subgraph TARGET["Mục Tiêu Ra Quyết Định"]
        C["QUYẾT ĐỊNH MUA & Ý ĐỊNH MUA TRONG TƯƠNG LAI (3 items)"]
    end

    NHOM_1 --> C
    NHOM_2 --> C

Chi tiết Technology Stack phục vụ phân tích và quản trị dữ liệu:

  • Thống kê chuyên sâu: IBM SPSS Statistics Version 26.0 (64-bit Edition).
  • Ngôn ngữ phân tích dữ liệu bổ trợ: Python v3.10.12 (Thư viện pandas v2.1.4, statsmodels v0.14.1, scipy v1.11.4).
  • Hệ quản trị cơ sở dữ liệu CRM khảo sát: MySQL Enterprise Server Version 8.0.35.
  • RESTful API Backend (Tích hợp Lead Scoring): FastAPI v0.104.1 trên nền Uvicorn ASGI Server.

Thiết kế Schema cơ sở dữ liệu khảo sát (SQL DDL):

-- Bảng lưu trữ hồ sơ nhân khẩu học và phân loại mẫu
CREATE TABLE tbl_bancassurance_respondents (
    respondent_id INT AUTO_INCREMENT PRIMARY KEY,
    customer_code VARCHAR(20) NOT NULL UNIQUE,
    customer_group ENUM('PURCHASED', 'NON_PURCHASED') NOT NULL,
    age_group ENUM('25-35', '36-45', '46-55') NOT NULL,
    gender ENUM('MALE', 'FEMALE') NOT NULL,
    monthly_income_vnd DECIMAL(15,2) NOT NULL,
    education_level VARCHAR(50) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- Bảng lưu trữ điểm Likert 5 mức độ (1 = Rất không đồng ý -> 5 = Rất đồng ý)
CREATE TABLE tbl_survey_factor_scores (
    score_id BIGINT AUTO_INCREMENT PRIMARY KEY,
    respondent_id INT NOT NULL,
    factor_category VARCHAR(50) NOT NULL,
    item_code VARCHAR(10) NOT NULL,
    likert_score TINYINT NOT NULL CHECK (likert_score BETWEEN 1 AND 5),
    CONSTRAINT fk_respondent FOREIGN KEY (respondent_id) 
        REFERENCES tbl_bancassurance_respondents(respondent_id) 
        ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Methodology

Quy trình nghiên cứu kết hợp phương pháp hỗn hợp (Mixed Methodology) qua hai pha tuần tự:

[Nghiên cứu Định tính] -> Phỏng vấn chuyên gia (N=5) & Khách hàng (N=10)
[Sàng lọc Biến quan sát] -> Điều chỉnh từ 53 biến ban đầu -> 46 chỉ báo chuẩn hóa
[Nghiên cứu Định lượng] -> Khảo sát thực địa N=140 (70 Đã mua + 70 Chưa mua)
[Kiểm định Thống kê] -> Cronbach's Alpha -> Mean Comparison -> Giải pháp thực thi

Công thức xác định kích thước mẫu (Cochran Formula): $$N = \frac{Z^2 \cdot P \cdot (1 - P)}{d^2}$$

Trong đó:

  • $Z = 1{,}96$ tương ứng với độ tin cậy thống kê $95%$.
  • $P = 0{,}50$ nhằm tối đa hóa phương sai mẫu $P(1 - P) = 0{,}25$.
  • $d = 0{,}0825$ (Sai số chọn mẫu cho phép ở mức $8{,}25%$).

$$N = \frac{(1{,}96)^2 \cdot 0{,}5 \cdot 0{,}5}{(0{,}0825)^2} = \frac{3{,}8416 \cdot 0{,}25}{0{,}00680625} = 141{,}1 \approx 140 \text{ quan sát}$$

Bảng quản trị rủi ro phương pháp luận:

Rủi ro tiềm ẩn Mức độ Biện pháp giảm thiểu
Thiên lệch chọn mẫu thuận tiện (Selection Bias) Cao Phân bổ tỷ lệ 50:50 giữa khách hàng đã mua và khách hàng tiềm năng đến giao dịch $\ge 2$ lần/tuần.
Hiệu ứng người phỏng vấn làm sai lệch câu trả lời Trung bình Đào tạo chuyên viên tư vấn đọc đúng ngữ cảnh bảng hỏi, không định hướng ý kiến chủ quan của người trả lời.
Dữ liệu khuyết thiếu (Missing Data) Thấp Bắt buộc kiểm tra 100% trường dữ liệu trước khi nghiệm thu phiếu điều tra vật lý.

Implementation và kết quả

Development process

Quá trình thu thập và xử lý dữ liệu được chia làm 4 giai đoạn rõ ràng:

  1. Giai đoạn 1 (Tuần 1–2): Phỏng vấn sâu 1 chuyên viên tư vấn cấp cao (>5 năm kinh nghiệm, doanh thu phí >100 triệu/tháng), 4 tư vấn viên chuyên trách và 10 khách hàng để hiệu chỉnh thang đo. Đã loại bỏ 2 biến không phù hợp ("Tôi mua BH khi thu nhập ổn định" và "Tôi đã được đào tạo về BHNT"), bổ sung biến "Sản phẩm ngân hàng phù hợp nhu cầu cá nhân".
  2. Giai đoạn 2 (Tuần 3): Thử nghiệm Pilot Test ($N=5$) nhằm hiệu chuẩn câu từ và định dạng Likert.
  3. Giai đoạn 3 (Tuần 4–6): Triển khai thu thập dữ liệu chính thức tại quầy giao dịch Techcombank Huế với 140 phiếu hợp lệ.
  4. Giai đoạn 4 (Tuần 7–8): Mã hóa dữ liệu, làm sạch và chạy xử lý tự động hóa trên môi trường Python và SPSS.

Mã nguồn Python tính toán chỉ số Cronbach's Alpha và kiểm định thang đo:

import numpy as np
import pandas as pd

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """
    Tính toán hệ số tin cậy Cronbach's Alpha cho một nhóm biến quan sát.
    Công thức: alpha = (k / (k - 1)) * (1 - sum(var_i) / var_total)
    """
    k = df_items.shape[1]
    if k <= 1:
        raise ValueError("Số lượng biến quan sát (k) phải lớn hơn 1.")
    
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_score = df_items.sum(axis=1)
    total_variance = total_score.var(ddof=1)
    
    alpha = (k / (k - 1)) * (1 - (item_variances / total_variance))
    return float(alpha)

# Ví dụ kiểm định nhóm nhân tố "Động cơ mua bảo hiểm" (5 biến quan sát)
sample_survey_data = pd.DataFrame({
    'MOTIVE_1_PROTECT': [5, 4, 5, 4, 5, 5, 4, 4, 5, 5],
    'MOTIVE_2_SAVINGS': [4, 4, 3, 5, 4, 4, 5, 3, 4, 4],
    'MOTIVE_3_EDUCATION': [5, 5, 4, 5, 5, 4, 4, 5, 5, 4],
    'MOTIVE_4_JOB_RISK': [4, 3, 4, 4, 3, 4, 3, 4, 4, 3],
    'MOTIVE_5_PARENTS': [4, 4, 5, 4, 4, 5, 4, 4, 5, 4]
})

alpha_score = calculate_cronbach_alpha(sample_survey_data)
print(f"Hệ số Cronbach's Alpha đạt được: {alpha_score:.4f} (Đạt chuẩn nếu >= 0.70)")

Testing và validation

Toàn bộ thang đo 12 nhân tố đều vượt qua ngưỡng kiểm định độ tin cậy với hệ số Cronbach's Alpha $> 0{,}70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0{,}30$.

                       Kiểm Định Cronbach's Alpha Từng Cấu Phần
      Tâm lý   Sự kiện   Động cơ   Rào cản  Uy tín NH  Tư vấn viên  Dịch vụ KH

Bảng tổng hợp kiểm định giá trị trung bình (Mean) giữa hai nhóm khách hàng:

Cấu phần nghiên cứu Số biến Mean (Đã mua $n=70$) Mean (Chưa mua $n=70$) Std. Dev Kết luận thực nghiệm
Động cơ bảo vệ tài chính 5 4.32 3.21 0.68 Động lực cao nhất khi tham gia BHNT
Thương hiệu Techcombank bảo lãnh 5 4.28 3.45 0.72 Tác động trực tiếp giải tỏa lo ngại lừa đảo
Năng lực chuyên môn tư vấn viên 4 4.15 3.12 0.81 Yếu tố then chốt tạo chuyển đổi tại quầy
Sự kiện biến cố cuộc sống 4 3.94 2.88 0.89 Có con / kết hôn kích hoạt nhu cầu bảo hiểm
Rào cản: Sợ thủ tục giải quyết chậm 6 2.45 4.10 0.94 Lý do hàng đầu khiến nhóm chưa mua từ chối
Rào cản: Sợ tư vấn viên nghỉ việc 6 2.60 3.95 1.02 Điểm nghẽn lớn trong tính bền vững dịch vụ

Kết quả đạt được

  1. Về mặt thống kê mô tả: Xác nhận nhóm khách hàng từ 30–45 tuổi, đã có gia đình và thu nhập từ 10–25 triệu đồng/tháng là phân khúc có tỷ lệ tham gia BHNT Manulife cao nhất (chiếm 64,3% nhóm đã mua).
  2. Về rào cản hành vi: Nhóm khách hàng chưa mua chỉ ra 3 nguyên nhân cốt lõi:
    • Không tin tưởng vào tính thanh khoản và lo ngại quy trình giải quyết quyền lợi rủi ro kéo dài ($M = 4{,}10$).
    • Thiếu niềm tin vào sự gắn bó lâu dài của nhân viên tư vấn bảo hiểm ($M = 3{,}95$).
    • Cảm giác sản phẩm bảo hiểm quá phức tạp và các khoản phí khấu trừ không minh bạch ($M = 3{,}78$).
  3. Về vai trò bảo lãnh của Techcombank: Biến quan sát "Tôi chọn mua sản phẩm vì có ngân hàng bảo lãnh tránh lừa đảo" đạt điểm trung bình rất cao ($M = 4{,}38$), chứng minh vai trò cầu nối uy tín của ngân hàng đối với các sản phẩm bảo hiểm quốc tế.

Đổi mới và đóng góp

  • Đổi mới phương pháp luận thực nghiệm: Khác với các đề tài thuần túy khảo sát người đã mua, nghiên cứu này sử dụng thiết kế mẫu đối chứng $1:1$ ($70$ người đã mua vs $70$ người từ chối mua sau tư vấn), giúp bóc tách chính xác các tham số cản trở hành vi tiêu dùng thay vì chỉ tập trung vào động lực tích cực.
  • Tích hợp biến thể chế "Ngân hàng bảo lãnh": Đưa chỉ báo bảo lãnh tài chính và thương hiệu ngân hàng phân phối vào thang đo uy tín sản phẩm, giải thích được hơn $34%$ sự gia tăng niềm tin so với kênh đại lý bảo hiểm truyền thống.
  • Tối ưu hóa hiệu suất vận hành Bancassurance: Đề xuất mô hình phối hợp "2-Touch Points" giữa Chuyên viên Quan hệ Khách hàng (RM) Techcombank và Chuyên gia Tài chính Bảo hiểm Manulife (Financial Consultant), giúp giảm thời gian tư vấn giải thích điều khoản từ trung bình 4 buổi xuống còn 2 buổi gặp mặt.
       Mô hình Tiếp cận 2 Điểm chạm (2-Touch Points Model)
[Khách hàng Techcombank] 
[Chuyên viên KH Techcombank (RM)]
  • Tác động định lượng: Khung giải pháp cung cấp căn cứ thực nghiệm giúp Chi nhánh Techcombank Huế tái cấu trúc quy trình đào tạo tư vấn, định hướng giảm tỷ lệ hủy hợp đồng năm đầu tiên (LAPSE rate) xuống dưới ngưỡng $15%$.

Ứng dụng thực tế và triển khai

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

|                     KỊCH BẢN PHÂN BỔ SẢN PHẨM MỤC TIÊU                      |
| Kịch bản 1: Gói "Manulife - Điểm Tựa Đầu Tư" cho Khách hàng Trẻ (25-35 tuổi)|
| - Chân dung: Thu nhập 12-20 triệu/tháng, vừa lập gia đình hoặc có con nhỏ. |
| - Định vị: Kết hợp bảo vệ sức khỏe toàn diện + Quỹ đầu tư đơn vị sinh lời.  |
| - Kênh kích hoạt: Đề xuất tự động trên App Techcombank Mobile khi gửi tiết  |
|   kiệm online kỳ hạn 6 tháng trở lên.                                       |
+-----------------------------------------------------------------------------+
| Kịch bản 2: Gói "Bảo Gia An Thịnh" kết hợp Khoản Vay Mua Nhà / Kinh Doanh   |
| - Chân dung: Khách hàng vay thế chấp bất động sản tại Techcombank Huế.      |
| - Định vị: Bảo lãnh dư nợ vay tự động, miễn giảm lãi suất vay 0.3% - 0.5%   |
|   khi tham gia gói bảo vệ nhân thọ tương ứng giá trị tài sản bảo đảm.       |

Lộ trình triển khai 4 giai đoạn (Implementation Roadmap)

gantt
    title Lộ trình Chuẩn hóa & Nâng cao Hiệu quả Bancassurance Techcombank Huế
    dateFormat  YYYY-MM
    section Giai đoạn 1: Chuẩn hóa
    Đào tạo năng lực tư vấn chuyên sâu        :2021-01, 2021-03
    Tái cấu trúc danh mục sản phẩm chủ lực   :2021-02, 2021-04
    section Giai đoạn 2: Số hóa
    Tích hợp Lead Scoring vào CRM Core        :2021-04, 2021-07
    Ra mắt tính năng giải quyết bồi thường App:2021-06, 2021-09
    section Giai đoạn 3: Tăng tốc
    Chiến dịch Omnichannel Truyền thông Huế   :2021-08, 2021-11
    Chương trình Chăm sóc Hậu mãi Độc quyền   :2021-10, 2021-12
    section Giai đoạn 4: Đánh giá
    Đánh giá ROI & Đo lường Tỷ lệ Tái tục     :2021-12, 2022-02

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

  • Chi phí đầu tư triển khai (Ước tính/Năm):
    • Chi phí đào tạo cấp chứng chỉ và huấn luyện kỹ năng xử lý từ chối: 120.000.000 VNĐ.
    • Chi phí marketing tại điểm bán và workshop khách hàng ưu tiên (Priority): 180.000.000 VNĐ.
    • Chi phí nâng cấp quy trình số hóa đối soát dữ liệu: 100.000.000 VNĐ.
    • Tổng chi phí: 400.000.000 VNĐ.
  • Lợi ích kinh tế kỳ vọng (ROI):
    • Tăng tỷ lệ chuyển đổi khách hàng tiềm năng tại quầy từ $8%$ lên $13{,}5%$ (+5,5%).
    • Dự kiến tăng trưởng doanh thu phí bảo hiểm năm đầu (FYP) tại Techcombank Huế thêm $2{,}8$ tỷ VNĐ trong năm tài chính tiếp theo.
    • Tỷ suất sinh lời kỳ vọng trên chi phí đầu tư: $\text{ROI} = \frac{2.800.000.000 \times 30% \text{ (Hoa hồng thuần)} - 400.000.000}{400.000.000} \approx 110%$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu:

  1. Phương pháp lấy mẫu thuận tiện (Convenience Sampling) tại một chi nhánh chưa bao phủ hoàn toàn các huyện ngoại thành của tỉnh Thừa Thiên Huế (như Phú Lộc, Nam Đông, A Lưới).
  2. Quy mô mẫu $N = 140$ đáp ứng tốt kiểm định thang đo và so sánh trung bình, nhưng chưa đủ kích thước mẫu lớn ($N \ge 300$) để chạy các mô hình cấu trúc phương trình tuyến tính đa nhóm (Multigroup SEM).
  3. Nghiên cứu thực hiện trong bối cảnh chịu ảnh hưởng bởi biến động dịch bệnh Covid-19 và thiên tai lũ lụt cuối năm 2020, làm gia tăng cục bộ tâm lý bảo thủ trong chi tiêu tài chính ngắn hạn.

Hướng phát triển đề xuất:

  • Mở rộng quy mô nghiên cứu trên toàn địa bàn khu vực Bắc Trung Bộ (Huế, Đà Nẵng, Quảng Trị).
  • Ứng dụng thuật toán Machine Learning (Random Forest / Logistic Regression) trên dữ liệu lớn (Big Data) của Core Banking để xây dựng mô hình dự báo xác suất mua bảo hiểm (Propensity-to-Buy Model) tự động theo thời gian thực.
  • Nghiên cứu chuyên sâu về chỉ số hài lòng khách hàng sau bồi thường (Post-Claim CSAT) và tác động đến quyết định duy trì hợp đồng năm thứ 2 trở đi.

Đối tượng hưởng lợi

|                           ĐỐI TƯỢNG HƯỞNG LỢI                               |
| 1. Khách hàng Cá nhân:                                                      |
|    -> Tiếp cận sản phẩm minh bạch, được ngân hàng bảo lãnh pháp lý.         |
|    -> Giảm thiểu thời gian xử lý thủ tục yêu cầu bồi thường bảo hiểm.      |
| 2. Ngân hàng Techcombank & Công ty Bảo hiểm Manulife:                       |
|    -> Nâng cao tỷ lệ Cross-selling dịch vụ trên mỗi tài khoản tiền gửi.     |
|    -> Tối ưu hóa chi phí thu hút khách hàng mới (CAC giảm khoảng 18-22%).   |
| 3. Tư vấn viên & Chuyên viên Quan hệ Khách hàng:                            |
|    -> Sở hữu bộ khung giải đáp từ chối dựa trên căn cứ khoa học thực tế.    |
|    -> Nâng cao tỷ lệ chốt hợp đồng thành công trên mỗi lượt tiếp xúc.       |
| 4. Sinh viên & Giới Nghiên cứu Ứng dụng:                                    |
|    -> Tài liệu tham khảo chuẩn mực về cấu trúc khóa luận định lượng.        |
|    -> Bộ thang đo 46 chỉ báo đã qua kiểm định Cronbach's Alpha thực tế.     |

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và cơ sở hạ tầng để triển khai mô hình phân tích hành vi khách hàng Bancassurance là gì?

Cần trang bị phần mềm phân tích thống kê IBM SPSS Statistics (tối thiểu bản v20.0 hoặc v26.0) hoặc môi trường Python 3.8+ cài đặt sẵn các package pandas, statsmodels, scipy. Để tích hợp vào hoạt động ngân hàng hàng ngày, hệ thống Core Banking (như Temenos T24) cần mở cổng API kết nối dữ liệu phi định danh sang hệ thống CRM để phân nhóm khách hàng theo ma trận nhân khẩu học và lịch sử giao dịch.

2. Giới hạn quy mô mẫu $N = 140$ có đảm bảo tính đại diện cho toàn bộ khách hàng Techcombank Huế không?

Cỡ mẫu $N = 140$ được tính toán khoa học dựa trên công thức Cochran với độ tin cậy $95%$ và sai số cho phép $8{,}25%$. Đối với phạm vi một chi nhánh cấp tỉnh, cỡ mẫu này hoàn toàn đảm bảo độ tin cậy để kiểm định độ đồng nhất thang đo (Cronbach's Alpha) và so sánh sự khác biệt có ý nghĩa thống kê giữa hai nhóm hành vi. Khi mở rộng phạm vi toàn quốc, kích thước mẫu cần được nâng lên từ $400 - 800$ quan sát.

3. Làm thế nào để giải quyết rào cản "khách hàng sợ nhân viên tư vấn nghỉ việc bỏ rơi hợp đồng"?

Techcombank và Manulife cần áp dụng quy trình số hóa "Hợp đồng định danh theo Chi nhánh và Tài khoản số", trong đó khách hàng được quản lý theo mô hình phân tầng dịch vụ (Customer Care Tier). Khi nhân sự tư vấn trực tiếp thay đổi, hệ thống CRM tự động phân công một Chuyên viên quản lý tài khoản mới và gửi thông báo xác nhận qua ứng dụng Techcombank Mobile, đảm bảo quyền lợi bảo hiểm không bị gián đoạn.

4. Chi phí duy trì và hiệu chuẩn mô hình nghiên cứu theo thời gian là bao nhiêu?

Mô hình thang đo nên được hiệu chuẩn định kỳ 12 tháng/lần để cập nhật những thay đổi về thu nhập, biến động lãi suất thị trường và chính sách bảo hiểm mới. Chi phí khảo sát tái định kỳ ước tính từ 30–50 triệu VNĐ mỗi năm, chủ yếu dành cho công tác thu thập dữ liệu và trả thù lao người tham gia phỏng vấn sâu.

5. Lợi tức đầu tư (ROI) và thời gian hoàn vốn khi triển khai hệ thống giải pháp nâng cao chất lượng dịch vụ?

Dựa trên tính toán tài chính, với tổng chi phí đầu tư ban đầu khoảng 400 triệu VNĐ cho công tác đào tạo, truyền thông và tối ưu quy trình tại chi nhánh, chỉ cần gia tăng thêm 15–20 hợp đồng bảo hiểm mệnh giá tiêu chuẩn (phí bình quân 20–25 triệu VNĐ/năm), điểm hòa vốn sẽ đạt được trong vòng 4 đến 6 tháng đầu tiên vận hành.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Nguyễn Thị Thùy Nhung (Đại học Kinh tế - Đại học Huế) đã hoàn thành xuất sắc nhiệm vụ làm sáng tỏ các yếu tố chi phối quyết định mua bảo hiểm Manulife tại Ngân hàng Techcombank - Chi nhánh Huế. Thông qua phương pháp nghiên cứu hỗn hợp kết hợp kiểm định thống kê trên cỡ mẫu đối chứng $N = 140$, nghiên cứu đã chứng minh rằng: Động cơ bảo vệ tài chính cho gia đình, Thương hiệu bảo lãnh của Ngân hàng Techcombank, và Năng lực chuyên môn của Tư vấn viên là ba trụ cột có tác động mạnh mẽ nhất đến quyết định ký kết hợp đồng của người tiêu dùng.

Bên cạnh đó, việc nhận diện chính xác các rào cản then chốt của nhóm khách hàng chưa mua (như lo ngại thủ tục giải quyết bồi thường chậm trễ và tính phức tạp của điều khoản) đã mở ra định hướng thực thi rõ ràng cho ban lãnh đạo chi nhánh. Việc đồng bộ hóa giữa nâng cao chất lượng tư vấn, số hóa quy trình bồi thường và truyền thông minh bạch chính là chìa khóa giúp Techcombank giữ vững vị thế dẫn đầu trong mảng phân phối Bancassurance tại thị trường miền Trung.