Giới thiệu dự án

Trong kỷ nguyên ngân hàng số (Digital Banking 4.0), quản trị mối quan hệ khách hàng (Customer Relationship Management - CRM) là vũ khí chiến lược quyết định năng lực cạnh tranh và tỷ lệ giữ chân khách hàng (Customer Retention Rate) của các ngân hàng thương mại cổ phần (NHTM). Thị trường tài chính Việt Nam hiện ghi nhận hơn 31 NHTM cổ phần cùng hàng loạt ngân hàng số và ngân hàng liên doanh đang cạnh tranh gay gắt. Khách hàng đã chuyển dịch từ vị thế bị động sang chủ động lựa chọn đơn vị có trải nghiệm cá nhân hóa tối ưu.

Đồ án tốt nghiệp chuyên ngành Ngân hàng: "Quản trị mối quan hệ khách hàng tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Đông Đô" (Mã SV: 20A4010253, Khoa Ngân hàng, Học viện Ngân hàng) giải quyết bài toán tối ưu hóa hành trình khách hàng và gia tăng giá trị trọn đời (Customer Lifetime Value - CLV).

   ┌─────────────────────────────────────────────────────────────┐
   │                    HỆ THỐNG CRM NGÂN HÀNG                   │
   └──────────────────────────────┬──────────────────────────────┘
                                  │
         ┌────────────────────────┼────────────────────────┐
         ▼                        ▼                        ▼
┌──────────────────┐    ┌──────────────────┐    ┌──────────────────┐
│    Nhận diện     │    │    Phân loại     │    │   Tương tác &    │
│    (Identify)    │───►│  (Differentiate) │───►│   Cá biệt hóa    │
│CIF, Core Banking │    │ Điểm tín dụng    │    │ (Interact/Custom)│
│ Hành vi giao dịch│    │ AA, A+, BB, B+   │    │SmartBanking, PGD │
└──────────────────┘    └──────────────────┘    └──────────────────┘

1. Problem Statement

BIDV Chi nhánh Đông Đô (27 Trần Duy Hưng, Hà Nội) sở hữu quy mô tổng tài sản và cơ sở khách hàng lớn với 6 Phòng Giao dịch (PGD). Tuy nhiên, đơn vị đối mặt với các điểm nghẽn nghiêm trọng:

  • Quy trình dữ liệu phân mảnh: Tỷ lệ cán bộ thường xuyên cập nhật biến động thông tin khách hàng chỉ đạt 30% qua khảo sát thực tế.
  • Tỷ lệ nợ xấu (NPL) gia tăng: Đến 31/12/2020, tỷ lệ nợ xấu tăng lên 2,1%, nợ nhóm 2 chiếm 6,2% do tác động kép của đại dịch COVID-19 và thiếu hụt hệ thống cảnh báo sớm.
  • Cá biệt hóa thấp: Ứng dụng số chưa phân khúc chuyên sâu sản phẩm theo chân dung khách hàng; mức độ tương tác trực tiếp/gián tiếp qua tổng đài và SmartBanking còn phát sinh độ trễ.

2. Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận CRM trong lĩnh vực ngân hàng thương mại theo mô hình IDIC (Identify - Differentiate - Interact - Customize), QCI và Francis Buttle.
  2. Phân tích thực trạng hoạt động kinh doanh và hiệu quả hệ sinh thái CRM tại BIDV Đông Đô giai đoạn 2019 - 2020.
  3. Thực hiện mô hình định lượng đánh giá mức độ hài lòng của khách hàng sử dụng phần mềm SPSS 26.
  4. Đề xuất hệ thống giải pháp nâng cao hiệu quả quản trị quan hệ khách hàng và kiểm soát rủi ro tín dụng.

3. Phương pháp tiếp cận & Phạm vi

  • Phạm vi: Tập trung vào nhóm khách hàng cá nhân (KHCN) giao dịch trực tiếp và online tại 6 PGD (Đống Đa, Hoàn Kiếm, Hai Bà Trưng, Cầu Giấy, Ba Đình) và Trụ sở Chi nhánh trong giai đoạn 2019 - 2020.
  • Chỉ số kỳ vọng: Hoàn thiện 100% tỷ lệ chuẩn hóa hồ sơ định danh điện tử CIF, đưa mô hình hồi quy đạt độ tin cậy $R^2 > 0.6$, hệ số Cronbach's Alpha $> 0.7$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Mô hình CRM truyền thống tại BIDV Đông Đô Ngân hàng đối thủ (Techcombank, TPBank, VPBank) Giải pháp IDIC đề xuất
Cơ sở dữ liệu CIF Lưu trữ tham số phân tán, cập nhật bán thủ công qua PGD Tự động hóa CRM đám mây, tích hợp eKYC Real-time Đồng bộ dữ liệu tập trung đa kênh Omni-channel
Phân khúc khách hàng Dựa trên phân loại truyền thống (Cá nhân/DN) Phân tầng theo thuật toán AI/Machine Learning & CLV Phân hạng theo ma trận RFM & Thang điểm tín dụng (AA, A+, BB, B+)
Tương tác khách hàng Phụ thuộc 70% vào Giao dịch viên (GDV) tại quầy Đa kênh tự động hóa (Chatbot, SMS, In-App Notification) Tích hợp hệ thống SmartBanking v2.0 & Đa kênh 24/7
Cá biệt hóa Chỉ dừng ở dịch vụ cơ bản (Tài khoản số đẹp) Cá nhân hóa hạn mức, gói lãi suất động theo hành vi Gói combo tài chính may đo (Bancassurance Metlife, BIC, Tín dụng bán lẻ)

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must have (Bắt buộc): Quản lý tập trung Customer Information File (CIF); phân quyền truy cập an toàn theo chuẩn Core Banking; tích hợp mã định danh nhân viên quản lý giao dịch.
  • Should have (Nên có): Chấm điểm tín dụng tự động phê duyệt nhanh hạn mức $< 2$ tỷ VNĐ tại PGD; cảnh báo nợ quá hạn sớm.
  • Could have (Có thể có): Cá nhân hóa giao diện và thông báo theo sự kiện (sinh nhật, ngày kỷ niệm) trên BIDV SmartBanking.
  • Won't have (Chưa ưu tiên): Tích hợp phân tích dự báo bằng Deep Learning phức tạp trong giai đoạn 1.

Thiết kế hệ thống

Kiến trúc giải pháp quản trị quan hệ khách hàng toàn diện tại chi nhánh gồm các module liên kết chặt chẽ qua cơ chế định danh tham số Core Banking:

-- Schema cấu trúc bảng dữ liệu khách hàng (CIF) và chấm điểm rủi ro
CREATE TABLE Customer_Profile (
    cif_number VARCHAR(12) PRIMARY KEY,
    branch_code VARCHAR(4) DEFAULT '0121', -- Mã quản lý BIDV Đông Đô
    full_name VARCHAR(100) NOT NULL,
    identity_card VARCHAR(12) UNIQUE NOT NULL,
    customer_type ENUM('RETAIL', 'CORPORATE') NOT NULL,
    credit_tier ENUM('AAA', 'AA', 'A_PLUS', 'A', 'BB', 'B_PLUS', 'BZ') DEFAULT 'A',
    loyalty_level ENUM('STANDARD', 'AFFILIATED', 'LOYAL', 'VIP') DEFAULT 'STANDARD',
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE Customer_Interaction_Logs (
    interaction_id BIGINT AUTO_INCREMENT PRIMARY KEY,
    cif_number VARCHAR(12),
    channel ENUM('COUNTER', 'SMARTBANKING', 'CALL_CENTER', 'ATM_POS') NOT NULL,
    officer_id VARCHAR(10) NOT NULL,
    service_group ENUM('DEPOSIT', 'LOAN', 'TRANSFER', 'TREASURY', 'TRADE_FINANCE') NOT NULL,
    satisfaction_score TINYINT CHECK (satisfaction_score BETWEEN 1 AND 5),
    notes TEXT,
    timestamp TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    FOREIGN KEY (cif_number) REFERENCES Customer_Profile(cif_number)
);

Các Module chức năng chính trong CRM Core Banking

  1. Module CIF (Customer Information File): Quản lý hồ sơ định danh, lịch sử định giá và mối quan hệ người thân.
  2. Module Deposit & Transfer: Quản lý hành vi luân chuyển dòng tiền và số dư tiền gửi dân cư.
  3. Module Loan & Credit Risk: Thẩm định hồ sơ, quản lý dư nợ bán lẻ, trích lập dự phòng và kiểm soát hạn mức vay dưới 2 tỷ VNĐ tại PGD.
  4. Module Treasury & Trade Finance: Theo dõi phái sinh, mua bán ngoại tệ và bảo lãnh xây lắp.

Methodology

Nghiên cứu kết hợp phương pháp nghiên cứu định tính và định lượng:

  • Khung lý thuyết: Mô hình IDIC (Peppers & Rogers, 2004), Mô hình QCI (Hewson et al., 2002) và Chuỗi giá trị Francis Buttle (2004).
  • Phương pháp thu thập:
    • Dữ liệu thứ cấp: Báo cáo tài chính, dữ liệu kinh doanh 2019 - 2020 từ BIDV Đông Đô.
    • Dữ liệu sơ cấp: Khảo sát 160 khách hàng cá nhân và 25 cán bộ công nhân viên (CBCNV) qua bảng hỏi thang đo Likert 5 mức độ.
  • Kỹ thuật phân tích: Kiểm định độ tin cậy thang đo (Cronbach’s Alpha $\ge 0.7$), Phân tích nhân tố khám phá (EFA với hệ số KMO $\ge 0.5$, Eigenvalue $> 1$), Hồi quy tuyến tính đa biến (Multiple Linear Regression) trên phần mềm IBM SPSS Statistics 26.
    ┌─────────────────────────────────────────────────────────────┐
    │              PHƯƠNG TRÌNH HỒI QUY ĐA BIẾN                   │
    └──────────────────────────────┬──────────────────────────────┘
                                   │
      ┌────────────────────────────┴────────────────────────────┐
      ▼                                                         ▼
Y = β₀ + β₁·ID + β₂·DF + β₃·IN + β₄·CS + e              R² > 0.6; Sig < 0.05
(Hài lòng = Nhận diện + Phân biệt + Tương tác + Cá biệt hóa)  VIF < 2.0; DW ≈ 2.0

Implementation và kết quả

Development process

Quá trình chuẩn hóa và phân tầng dữ liệu CRM được thực hiện qua các giai đoạn:

  1. Giai đoạn ETL & Data Cleansing: Trích xuất và làm sạch dữ liệu từ hơn 4.130 hồ sơ tín dụng (4.038 KHCN và 92 KHDN), chuẩn hóa mã CIF theo chuẩn chi nhánh Đông Đô.
  2. Triển khai thuật toán phân loại và chấm điểm tín dụng: Áp dụng công thức tính điểm thích ứng cho sản phẩm thẻ và hạn mức thấu chi.
def evaluate_customer_credit_tier(cif_data: dict) -> str:
    """
    Thuật toán phân hạng khách hàng cấp tín dụng tại BIDV Đông Đô
    Dựa trên quy tắc thẩm định nội bộ chi nhánh
    """
    score = 0
    # Đánh giá dòng tiền tiền gửi bình quân (CASA)
    if cif_data['avg_deposit_balance'] > 500_000_000:
        score += 35
    elif cif_data['avg_deposit_balance'] > 100_000_000:
        score += 20
        
    # Lịch sử nợ quá hạn
    if cif_data['overdue_days_max'] == 0:
        score += 35
    elif cif_data['overdue_days_max'] <= 10:
        score += 15
        
    # Thời gian gắn bó với chi nhánh (Loyalty)
    if cif_data['relationship_years'] >= 5:
        score += 30
    elif cif_data['relationship_years'] >= 2:
        score += 15

    # Phân tầng xếp hạng
    if score >= 85:
        return 'AA'  # Đủ điều kiện cấp thẻ Platinum / Thấu chi cao cấp
    elif score >= 70:
        return 'A+'
    elif score >= 50:
        return 'BB'  # Hạn mức tiêu chuẩn
    else:
        return 'BZ'  # Nhóm cần kiểm soát đặc biệt (Below-Zeros)

Testing và validation

Kết quả xử lý dữ liệu khảo sát trên mẫu $N = 160$ khách hàng bằng phần mềm SPSS 26 đạt độ tin cậy thống kê cao:

  1. Độ tin cậy thang đo (Cronbach's Alpha):

    • Nhân tố Nhận diện khách hàng (Identify): $\alpha = 0.812$
    • Nhân tố Phân biệt khách hàng (Differentiate): $\alpha = 0.785$
    • Nhân tố Tương tác khách hàng (Interact): $\alpha = 0.843$
    • Nhân tố Cá biệt hóa (Customize): $\alpha = 0.764$
    • Thang đo Mức độ hài lòng chung: $\alpha = 0.829$ (Tất cả hệ số tương quan biến - tổng Corrected Item-Total Correlation $> 0.3$, Cronbach's Alpha $> 0.7$ đạt chuẩn).

  2. Phân tích nhân tố khám phá (EFA):

    • Hệ số $KMO = 0.815 > 0.5$, kiểm định Bartlett có ý nghĩa thống kê ($Sig. = 0.000 < 0.05$).
    • Tổng phương sai trích (Total Variance Explained) đạt $63.42% > 50%$.

  3. Phân tích hồi quy tuyến tính đa biến:

    • Hệ số xác định hiệu chỉnh $Adjusted\ R^2 = 0.584$, chứng minh các thành phần CRM giải thích $58.4%$ biến thiên mức độ hài lòng của khách hàng.
    • Hệ số phóng đại phương sai $VIF < 1.5$ (không xảy ra hiện tượng đa cộng tuyến).
    • Trị số Durbin-Watson $DW = 1.912$ (nằm trong khoảng $[1.5, 2.5]$, không có tự tương quan).

Kết quả đạt được

Hoạt động kinh doanh và chỉ số quản trị tại BIDV Đông Đô giai đoạn 2019 - 2020 ghi nhận sự tăng trưởng vượt bậc nhờ áp dụng quy trình giao dịch một cửa và quản trị quan hệ khách hàng:

Chỉ tiêu kinh doanh cốt lõi Năm 2019 (Thực hiện) Kế hoạch 2020 Năm 2020 (Thực hiện) % Tăng trưởng 2020/2019 % Hoàn thành Kế hoạch 2020
Lợi nhuận trước thuế (LNTT) 236,4 tỷ VNĐ - 252,4 tỷ VNĐ +6,8% 104,3%
Tổng quy mô huy động vốn (HĐV) 13.665 tỷ VNĐ 14.500 tỷ VNĐ 15.404 tỷ VNĐ +12,7% 106,2%
Huy động vốn bình quân 12.935 tỷ VNĐ 14.038 tỷ VNĐ 14.145 tỷ VNĐ +9,4% 101,0%
Tổng dư nợ tín dụng cuối kỳ 7.221 tỷ VNĐ 8.490 tỷ VNĐ 8.473 tỷ VNĐ +17,3% 99,8%
Dư nợ tín dụng bán lẻ (DNTD BL) 1.203 tỷ VNĐ 1.455 tỷ VNĐ 1.470 tỷ VNĐ +22,2% 101,0%
Thu dịch vụ ròng (DVR) 76,42 tỷ VNĐ - 75,42 tỷ VNĐ -1,3% 104,8%
Thu nhập ròng từ thẻ 14,49 tỷ VNĐ - 20,50 tỷ VNĐ +41,5% 102,6%

Đổi mới và đóng góp

  • Chuyển dịch mô hình IDIC thực chiến: Khóa luận đã chuyển hóa khung lý thuyết hàn lâm IDIC thành bộ quy tắc tác nghiệp thực tế tại 6 PGD chi nhánh Đông Đô, kết hợp ma trận phân loại giá trị MVCs (Most Valuable Customers), MGCs (Most Growable Customers) và BZs (Below-Zeros).
  • Tối ưu hóa mô hình "Giao dịch một cửa": Cắt giảm 35% thời gian xử lý thủ tục cấp tín dụng phân quyền dưới 2 tỷ VNĐ tại PGD, hồ sơ được quét chữ ký điện tử và lưu trữ tự động về Trụ sở 27 Trần Duy Hưng trong ngày.
  • Chứng minh định lượng bằng dữ liệu thực nghiệm: Khác biệt với các nghiên cứu lý thuyết chung chung, đề tài đã kết hợp định lượng mô hình hồi quy đa biến với dữ liệu tài chính thực tế, chỉ ra mối tương quan thuận giữa tương tác cá nhân hóa và tăng trưởng thu dịch vụ thẻ (+41,5%).
  • Đóng góp vào danh hiệu Ngân hàng Bán lẻ tốt nhất: Kết quả vận hành CRM bán lẻ xuất sắc tại chi nhánh đã góp phần giúp BIDV đạt giải thưởng "Ngân hàng Bán lẻ tốt nhất Việt Nam" lần thứ 6 liên tiếp do The Asian Banker bình chọn.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Real-World Use Cases)

  1. Tiếp nhận và giải ngân bán lẻ tại PGD Kim Liên: Khách hàng vay vốn mua nhà được định danh CIF tự động, GDV kiểm tra điểm xếp hạng tín dụng trên Core Banking. Giám đốc PGD duyệt trong hạn mức, chứng từ điện tử đẩy về kho dữ liệu chi nhánh chỉ trong 120 phút.
  2. Chiến dịch Cross-selling Bancassurance: Dựa trên số dư tài khoản tiền gửi không kỳ hạn (CASA), hệ thống gợi ý GDV tư vấn gói bảo hiểm nhân thọ BIDV MetLife hoặc bảo hiểm phi nhân thọ BIC, đóng góp 7,74 tỷ VNĐ doanh thu phí bảo hiểm toàn chi nhánh năm 2020.
   ┌─────────────────────────────────────────────────────────────┐
   │             LỘ TRÌNH TRIỂN KHAI CRM NÂNG CAO                │
   └──────────────────────────────┬──────────────────────────────┘
                                  │
     ┌────────────────────────────┼────────────────────────────┐
     ▼                            ▼                            ▼
  Quý 1-2                      Quý 3                        Quý 4
Chuẩn hóa CIF 100%       Tự động hóa Omni-channel     Machine Learning Scoring
Làm sạch dữ liệu cũ      Tích hợp SmartBanking 24/7    Dự báo rời bỏ (Churn Rate)

Phân tích chi phí - lợi ích (ROI & Cost-Benefit Analysis)

  • Chi phí triển khai: Đầu tư nâng cấp phần mềm phân loại dữ liệu và đào tạo lại 25+ CBCNV nghiệp vụ ước tính khoảng 450 triệu VNĐ.
  • Lợi ích kinh tế: Thu nhập ròng từ hoạt động bán lẻ đạt 130,4 tỷ VNĐ; thu dịch vụ ròng đạt 75,42 tỷ VNĐ. Tỷ suất hoàn vốn đầu tư (ROI) cho các module CRM số hóa ước tính mang lại giá trị gia tăng gấp 15 lần trong vòng 24 tháng nhờ giảm chi phí vận hành thủ công và kiểm soát rủi ro thu nợ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  • Tỷ lệ nợ xấu tăng trong khủng hoảng: Nợ xấu tăng lên 2,1% (nợ nhóm 2 chiếm 6,2%) do ảnh hưởng của đại dịch COVID-19, cho thấy hệ thống cảnh báo sớm (Early Warning System) chưa dự báo được các cú sốc kinh tế vĩ mô.
  • Cập nhật dữ liệu thụ động: Hoạt động thu thập dữ liệu còn phụ thuộc vào thời điểm khách hàng đến quầy giao dịch, thiếu cơ chế đồng bộ tự động từ Social Listening hay Big Data bên ngoài.
  • Cá biệt hóa sản phẩm: Chủ yếu mới dừng ở tài khoản số đẹp, chưa cá nhân hóa động theo biểu phí hoặc lãi suất thả nổi tức thời.

Hướng phát triển

  • Tích hợp Trí tuệ nhân tạo (AI/ML): Xây dựng mô hình Random Forest hoặc XGBoost dự đoán tỷ lệ khách hàng rời bỏ dịch vụ (Churn Prediction) và tự động tính toán Giá trị trọn đời (Customer Lifetime Value - CLV).
  • Nâng cấp nền tảng số SmartBanking: Ứng dụng Open Banking API kết nối trực tiếp với các nền tảng thương mại điện tử, dịch vụ công và Fintech.

Đối tượng hưởng lợi

                   ┌───────────────────────────────────┐
                   │        ĐỐI TƯỢNG HƯỞNG LỢI        │
                   └─────────────────┬─────────────────┘
                                     │
         ┌───────────────────┬───────┴───────────┬───────────────────┐
         ▼                   ▼                   ▼                   ▼
┌──────────────────┐┌──────────────────┐┌──────────────────┐┌──────────────────┐
│    Sinh viên     ││  Chuyên viên dữ  ││   Doanh nghiệp   ││   Nhà nghiên     │
│   Khoa Ngân hàng ││ liệu & Developer ││     & NHTM       ││      cứu         │
│Nắm vững IDIC &   ││Học hỏi kiến trúc ││Chiến lược tái cơ ││Khung tham chiếu  │
│thống kê SPSS 26  ││Core CIF & Scoring││cấu CRM & bán lẻ  ││định lượng CRM    │
└──────────────────┘└──────────────────┘└──────────────────┘└──────────────────┘
  • Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Nắm vững phương pháp kết hợp lý thuyết quản trị (IDIC, QCI) với công cụ phân tích thống kê định lượng thực tế (Cronbach's Alpha, EFA, Multiple Regression trên SPSS 26).
  • Kỹ sư hệ thống & Chuyên viên phân tích nghiệp vụ (BA): Tham khảo kiến trúc module Core Banking (CIF, Deposit, Loan, Treasury, Trade Finance) và cấu trúc phân quyền giao dịch một cửa tại ngân hàng lớn.
  • Ban lãnh đạo & Nhà quản trị ngân hàng thương mại: Bộ giải pháp thực tế để tối ưu hóa quy mô huy động vốn dân cư (+20%), gia tăng thu dịch vụ thẻ (+41,5%) và xử lý bài toán nợ xấu thời kỳ biến động.
  • Các nhà nghiên cứu kinh tế ứng dụng: Mô hình tham chiếu tin cậy với hệ số hồi quy được kiểm định nghiêm ngặt trên tập mẫu thực tế.

Câu hỏi thường gặp

1. Mô hình IDIC được cấu trúc cụ thể như thế nào trong quy trình tại BIDV Đông Đô?

Mô hình triển khai qua 4 bước khép kín: (1) Identify - Thu thập và chuẩn hóa dữ liệu cá nhân/doanh nghiệp qua mã định danh CIF; (2) Differentiate - Phân nhóm khách hàng theo giá trị (MVCs, MGCs, BZs) và chấm điểm tín dụng (AA, A+, BB, B+); (3) Interact - Tối ưu hóa điểm chạm trực tiếp tại quầy và gián tiếp qua SmartBanking; (4) Customize - Thiết kế combo sản phẩm may đo (tiền gửi, thẻ tín dụng, bảo hiểm liên kết BIC/MetLife).

2. Dữ liệu và cỡ mẫu sử dụng trong phân tích định lượng có đảm bảo tính đại diện?

Nghiên cứu sử dụng mẫu khảo sát gồm 160 khách hàng cá nhân đang sử dụng dịch vụ tại 6 PGD và Trụ sở chi nhánh, kết hợp phỏng vấn sâu 25 CBCNV ngân hàng. Kết quả phân tích đạt hệ số $KMO = 0.815$, tổng phương sai trích $63.42%$, Cronbach's Alpha các thang đo đều $> 0.76$, đảm bảo độ tin cậy và giá trị hội tụ theo tiêu chuẩn nghiên cứu khoa học ứng dụng.

3. Làm thế nào để giải quyết tình trạng nợ xấu tăng lên 2,1% qua hệ thống CRM?

Cần tích hợp module chấm điểm tín dụng hành vi (Behavioral Scoring) tự động cập nhật lịch sử dòng tiền CASA và cảnh báo sớm lịch trả nợ qua SMS/SmartBanking tự động trước 5 ngày, kết hợp phân nhóm nợ nhóm 2 (chiếm 6,2%) để tái cấu trúc thời hạn vay kịp thời.

4. Hệ thống phân quyền phê duyệt tín dụng tại các PGD hoạt động ra sao?

Các Giám đốc PGD trực thuộc được phân quyền phê duyệt hồ sơ vay vốn cá nhân/hộ kinh doanh trong hạn mức dưới 2 tỷ VNĐ. Toàn bộ hồ sơ thế chấp, hợp đồng tín dụng sau đó được số hóa, quét chữ ký và đồng bộ về kho dữ liệu Trụ sở 27 Trần Duy Hưng trong ngày để giải ngân tập trung và hậu kiểm.

5. Yếu tố nào trong CRM tác động mạnh nhất đến sự hài lòng của khách hàng tại chi nhánh?

Theo kết quả phân tích hồi quy đa biến trên SPSS 26, nhân tố Tương tác khách hàng (Interact) và Nhận diện khách hàng (Identify) có trọng số tác động cao nhất ($\beta > 0.35, p < 0.01$), khẳng định thái độ phục vụ của GDV và tốc độ truy xuất thông tin chính xác là chìa khóa giữ chân khách hàng.

Kết luận

Khóa luận tốt nghiệp của tác giả Ngô Thị Huế đã giải quyết thành công bài toán thực tiễn về hoàn thiện quản trị mối quan hệ khách hàng tại BIDV Chi nhánh Đông Đô. Thông qua việc kết hợp cơ sở lý thuyết IDIC với phân tích thống kê định lượng trên SPSS 26, công trình đã chứng minh vai trò then chốt của CRM trong việc nâng cao lợi nhuận trước thuế đạt 252,4 tỷ VNĐ (104,3% kế hoạch), huy động vốn đạt 15.404 tỷ VNĐ (+12,7%) và tăng trưởng thu phí thẻ bứt phá 41,5%.

Đề tài cung cấp hệ thống giải pháp toàn diện từ chuẩn hóa dữ liệu CIF, nâng cấp hạ tầng số hóa đến đào tạo nhân sự, là tài liệu tham khảo giá trị cho các nhà quản trị ngân hàng trong hành trình chuyển đổi số và phát triển bền vững.