Giới thiệu dự án

Thị trường thanh toán không dùng tiền mặt tại Việt Nam đang chứng kiến sự tăng trưởng vượt bậc với tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 25% trong giai đoạn 2020–2025. Theo định hướng của Ngân hàng Nhà nước Việt Nam (NHNN) và xu hướng toàn cầu hóa tài chính, việc chuyển dịch từ tiền mặt sang các công cụ thanh toán điện tử đóng vai trò then chốt trong việc tối ưu hóa chi phí lưu thông tiền tệ, minh bạch hóa dòng vốn và giảm độ trễ truyền dẫn chính sách tiền tệ. Trong hệ sinh thái bán lẻ, thẻ tín dụng (Credit Card) giữ vị trí trung tâm nhờ mô hình "chi tiêu trước, trả tiền sau", hạn mức linh hoạt và biên lợi nhuận cao cho ngân hàng phát hành.

Tuy nhiên, Ngân hàng TMCP Quốc tế Việt Nam (VIB) – một trong những đơn vị dẫn đầu về thị phần thẻ tín dụng – đang đối mặt với sự cạnh tranh gay gắt từ các ngân hàng thương mại cổ phần (NHTM) trong nước, ngân hàng ngoại và các giải pháp mua trước trả sau (BNPL). Tỷ lệ kích hoạt và sử dụng thẻ thường xuyên chưa tương xứng với tiềm năng dân số trẻ tại các đô thị lớn như TP. Hồ Chí Minh. Do đó, việc nghiên cứu các rào cản tâm lý, nhận thức bảo mật và chi phí tác động trực tiếp đến quyết định hành vi của khách hàng cá nhân là yêu cầu cấp thiết.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định các yếu tố cốt lõi chi phối quyết định chấp nhận và sử dụng thẻ tín dụng của khách hàng cá nhân tại VIB Chi nhánh Huỳnh Thúc Kháng, TP. Hồ Chí Minh.
  2. Đo lường định lượng mức độ tác động của từng nhân tố thông qua mô hình hồi quy đa biến và kiểm định thang đo độ tin cậy.
  3. Đề xuất hệ thống giải pháp quản trị chiến lược, tối ưu hóa trải nghiệm người dùng số hóa và chính sách sản phẩm cho ban điều hành ngân hàng.

Phương pháp tiếp cận kết hợp khung lý thuyết hành vi đã được kiểm chứng: Thuyết hành động hợp lý (TRA), Thuyết hành vi dự định (TPB) và Mô hình chấp nhận công nghệ (TAM), bổ sung các biến đặc thù ngành ngân hàng thông qua phỏng vấn chuyên gia. Kết quả dự kiến cung cấp bộ tham số thực nghiệm tin cậy với hệ số xác định $R^2 \ge 0.50$, giá trị kiểm định $p < 0.05$ trên toàn bộ các giả thuyết đạt chuẩn. Phạm vi nghiên cứu tập trung vào 150 mẫu hợp lệ được thu thập từ nhóm khách hàng cá nhân giao dịch trực tiếp tại TP. Hồ Chí Minh trong quý IV/2022.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình nghiên cứu hành vi khách hàng trước đây thường tập trung vào phân khúc chung hoặc chỉ áp dụng khung TAM đơn thuần mà bỏ qua đặc thù rủi ro tài chính trực tuyến tại Việt Nam.

Tiêu chí phân tích Giải pháp truyền thống (TRA/TPB thuần) Mô hình TAM chuẩn (Davis, 1989) Mô hình nghiên cứu thực nghiệm VIB (Đề xuất)
Biến đo lường cốt lõi Thái độ, Chuẩn chủ quan, Kiểm soát hành vi Hữu ích nhận thức (PU), Dễ sử dụng (PEOU) Độ tin cậy (TC), Dễ sử dụng (SD), Bảo mật (BM), Hữu ích (HI), Chi phí (CP)
Độ nhạy rủi ro tài chính Thấp Trung bình Rất cao (bổ sung biến kiểm soát an ninh dữ liệu)
Tính tương thích số hóa Kém thích ứng ứng dụng FinTech Thích ứng hệ thống thông tin Thích ứng quy trình Onboarding & App Banking
Khả năng giải thích ($R^2$) 35% - 45% 40% - 52% Đạt > 55% trên mẫu thực nghiệm ngân hàng

Hệ thống yêu cầu nghiên cứu và thiết kế thang đo theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Đo lường tính chuẩn xác của cấu trúc 5 nhân tố độc lập (TC, HI, SD, BM, CP) và 1 nhân tố phụ thuộc (QD); kiểm định độ tin cậy Cronbach's Alpha $\ge 0.7$.
  • Should-have (Cần có): Phân tích nhân tố khám phá EFA với hệ số tải Factor Loading $> 0.5$, KMO nằm trong khoảng $0.5 \le \text{KMO} \le 1.0$.
  • Could-have (Có thể có): Kiểm định ANOVA và Independent Samples T-Test theo các nhóm nhân khẩu học (thu nhập, độ tuổi, học vấn).
  • Won't-have (Chưa thực hiện): Mô hình hóa phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) đa bậc.

Thiết kế hệ thống

Technology Stack và bộ công cụ xử lý dữ liệu định lượng:

  • Phần mềm xử lý thống kê chính: IBM SPSS Statistics Version 20.0 (Core Engine).
  • Môi trường đối soát mã nguồn: Python 3.10.x với các thư viện khoa học dữ liệu:
    • pandas == 2.0.3 (xử lý dataframe và làm sạch dữ liệu khảo sát).
    • numpy == 1.24.3 (tính toán đại số tuyến tính ma trận tương quan).
    • factor_analyzer == 0.5.0 (thực thi kiểm định EFA và trích xuất Factor Loading).
    • statsmodels == 0.14.0 (mô hình hóa OLS Regression và kiểm định đa cộng tuyến VIF).

Cấu trúc từ điển dữ liệu (Data Dictionary/Codebook) gồm 26 biến quan sát chuẩn hóa theo thang đo Likert 5 điểm:

  1. TC (Độ tin cậy): Gồm 5 biến quan sát (TC1 đến TC5).
  2. HI (Nhận thức hữu ích): Gồm 5 biến quan sát (HI1 đến HI5).
  3. SD (Nhận thức dễ sử dụng): Gồm 4 biến quan sát (SD1 đến SD4).
  4. BM (Nhận thức an toàn/bảo mật): Gồm 4 biến quan sát (BM1 đến BM4).
  5. CP (Chi phí sử dụng): Gồm 4 biến quan sát (CP1 đến CP4).
  6. QD (Quyết định sử dụng thẻ): Gồm 4 biến quan sát (QD1 đến QD4).

Methodology

Quy trình nghiên cứu áp dụng mô hình thác nước kết hợp kiểm thử lặp (Iterative Waterfall Research Lifecycle):

  1. Nghiên cứu định tính (Qualitative Phase): Tổng quan cơ sở lý thuyết, phỏng vấn sâu Giám đốc Khối Khách hàng cá nhân và Chuyên viên thẻ VIB để điều chỉnh bảng hỏi (bổ sung biến TC5HI5).
  2. Khảo sát sơ bộ (Pilot Survey): Thử nghiệm trên mẫu $N = 30$ để đánh giá độ rõ ràng của câu chữ và độ chuẩn xác của thang đo Likert.
  3. Thu thập dữ liệu chính thức (Fieldwork): Phát 180 phiếu khảo sát theo phương pháp thuận tiện; thu về 150 phiếu hợp lệ (tỷ lệ phản hồi đạt 83.33%).
  4. Phân tích dữ liệu định lượng (Data Analytics): Kiểm định hệ số tin cậy Cronbach's Alpha $\rightarrow$ Phân tích nhân tố khám phá EFA (Principal Axis Factoring với phép xoay Varimax) $\rightarrow$ Phân tích tương quan Pearson $\rightarrow$ Hồi quy tuyến tính bội OLS $\rightarrow$ Kiểm định sai số (Đa cộng tuyến, Tự tương quan Durbin-Watson, Phương sai phần dư thay đổi).

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu thực nghiệm được xây dựng và tự động hóa qua kịch bản kiểm định kinh tế lượng. Phương trình hồi quy đa biến tổng quát có dạng:

$$QD = \beta_0 + \beta_1 TC + \beta_2 HI + \beta_3 SD + \beta_4 BM + \beta_5 CP + \epsilon$$

Trong đó: $\beta_0$ là hằng số hồi quy; $\beta_1, \dots, \beta_5$ là hệ số hồi quy riêng phần chuẩn hóa; $\epsilon$ là sai số ngẫu nhiên.

Đoạn mã kịch bản Python/SPSS tự động hóa quy trình tính toán hệ số Cronbach's Alpha và kiểm định hồi quy OLS:

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

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha cho tập biến quan sát."""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

# Giả lập nạp dữ liệu khảo sát N=150
df = pd.read_csv("vib_credit_survey_clean.csv")

# 1. Kiểm định Cronbach's Alpha nhóm Độ Tin Cậy (TC)
tc_items = df[["TC1", "TC2", "TC3", "TC4", "TC5"]]
alpha_tc = calculate_cronbach_alpha(tc_items)
print(f"[Reliability] Cronbach's Alpha (TC): {alpha_tc:.4f}")

# 2. Xây dựng biến tổng hợp (Mean Composite Variables)
df["TC_MEAN"] = df[["TC1", "TC2", "TC3", "TC4", "TC5"]].mean(axis=1)
df["SD_MEAN"] = df[["SD1", "SD2", "SD3", "SD4"]].mean(axis=1)
df["BM_MEAN"] = df[["BM1", "BM2", "BM3", "BM4"]].mean(axis=1)
df["HI_MEAN"] = df[["HI1", "HI2", "HI3", "HI4", "HI5"]].mean(axis=1)
df["CP_MEAN"] = df[["CP1", "CP2", "CP3", "CP4"]].mean(axis=1)
df["QD_MEAN"] = df[["QD1", "QD2", "QD3", "QD4"]].mean(axis=1)

# 3. Chạy mô hình hồi quy tuyến tính OLS
X = df[["TC_MEAN", "SD_MEAN", "BM_MEAN", "HI_MEAN", "CP_MEAN"]]
X_const = sm.add_constant(X)
y = df["QD_MEAN"]

model = sm.OLS(y, X_const).fit()
print(model.summary())

# 4. Kiểm tra Đa cộng tuyến (VIF)
vif_data = pd.DataFrame()
vif_data["Feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print(vif_data)
* Kịch bản SPSS Syntax chạy kiểm định Cronbach's Alpha và Hồi quy OLS.
RELIABILITY
  /VARIABLES=TC1 TC2 TC3 TC4 TC5
  /SCALE('Scale TC') ALL
  /MODEL=ALPHA
  /SUMMARY=TOTAL.

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT QD_MEAN
  /METHOD=ENTER TC_MEAN SD_MEAN BM_MEAN HI_MEAN CP_MEAN
  /RESIDUALS DURBIN.

Testing và validation

Kết quả phân tích thống kê trên tập dữ liệu $N = 150$ tại VIB Chi nhánh TP. Hồ Chí Minh ghi nhận các chỉ số đo lường thực nghiệm:

Nhóm thang đo Số biến quan sát Cronbach's Alpha Tương quan biến - tổng nhỏ nhất (Item-Total) Kết luận độ tin cậy
Độ tin cậy (TC) 5 0.862 0.584 ($> 0.3$) Đạt chuẩn xuất sắc
Nhận thức dễ sử dụng (SD) 4 0.831 0.542 ($> 0.3$) Đạt chuẩn cao
Nhận thức an toàn/bảo mật (BM) 4 0.854 0.611 ($> 0.3$) Đạt chuẩn xuất sắc
Nhận thức hữu ích (HI) 5 0.789 0.491 ($> 0.3$) Đạt chuẩn
Chi phí sử dụng (CP) 4 0.758 0.425 ($> 0.3$) Đạt chuẩn
Quyết định sử dụng (QD) 4 0.844 0.579 ($> 0.3$) Đạt chuẩn xuất sắc

Kết quả phân tích nhân tố khám phá EFA (Sau khi xử lý loại biến không đạt tải trọng):

  • Hệ số Kaiser-Meyer-Olkin (KMO) đạt 0.824 ($0.5 < \text{KMO} < 1.0$), chứng minh dữ liệu hoàn toàn phù hợp để phân tích nhân tố.
  • Kiểm định Barlett's Test có giá trị Sig. = 0.000 ($p < 0.001$), các biến có tương quan tuyến tính chặt chẽ.
  • Tổng phương sai trích (Cumulative Variance Explained) đạt 62.85% ($> 50%$), với Eigenvalue của nhân tố cuối cùng $> 1.15$.

Kết quả đạt được

Kết quả ước lượng mô hình hồi quy OLS sau 3 lần chạy lọc biến:

Biến độc lập Hệ số hồi quy chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị kiểm định $t$ Mức ý nghĩa (Sig.) Hệ số phóng đại phương sai (VIF)
Hằng số (Constant) 0.412 0.215 1.916 0.057
Độ tin cậy (TC) 0.384 0.062 0.395 6.193 0.000 1.241
Nhận thức dễ sử dụng (SD) 0.276 0.058 0.288 4.758 0.000 1.312
Nhận thức bảo mật (BM) 0.219 0.054 0.224 4.055 0.000 1.189
Nhận thức hữu ích (HI) 0.048 0.051 0.052 0.941 0.348 ($> 0.05$) 1.405
Chi phí sử dụng (CP) -0.032 0.047 -0.035 -0.680 0.498 ($> 0.05$) 1.218
  • Hệ số xác định mô hình: $R^2 = 0.586$, $R^2 \text{ hiệu chỉnh} = 0.572$. Mô hình giải thích được 57.2% sự biến thiên của quyết định sử dụng thẻ tín dụng tại VIB TP.HCM.
  • Kiểm định ANOVA: Giá trị $F = 40.852$ với $\text{Sig.} = 0.000$, chứng minh phương trình hồi quy có ý nghĩa thống kê ở mức độ tin cậy 99%.
  • Hiện tượng đa cộng tuyến: Toàn bộ hệ số VIF đều $< 1.5$ (nhỏ hơn nhiều so với ngưỡng rủi ro 2.0), không xảy ra đa cộng tuyến.
  • Tự tương quan: Chỉ số Durbin-Watson đạt $d = 1.892$ (tiệm cận mức chuẩn 2.0), chuỗi phần dư độc lập.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn nổi bật khi đặt trong sự so sánh với các công trình nghiên cứu ngân hàng bán lẻ tiền nhiệm:

Tiêu chí so sánh Ngô Thị Tuyết Mai (2016) - Sacombank Nguyễn Thị Diệu Linh (2020) - MBBank Đề tài nghiên cứu VIB TP.HCM (2022)
Yếu tố tác động mạnh nhất Nhận thức hữu ích ($\beta = 0.342$) Độ tin cậy ($\beta = 0.381$) Độ tin cậy khách hàng ($\beta = 0.395$)
Vai trò biến Dễ sử dụng Tác động thứ yếu Tác động trung bình Tác động mạnh thứ nhì ($\beta = 0.288$)
Tác động của Chi phí (CP) Có ý nghĩa thống kê tích cực Có ý nghĩa thống kê nghịch biến Không có ý nghĩa thống kê ($p = 0.498$)
Tác động của Hữu ích (HI) Tác động mạnh nhất Tác động thứ 3 Không có ý nghĩa thống kê ($p = 0.348$)
Đổi mới quy trình thang đo Thang đo gốc TAM Thang đo mở rộng TPB Tích hợp phỏng vấn sâu lãnh đạo chi nhánh + hiệu chỉnh biến thực tế

Các phát hiện đổi mới có bằng chứng định lượng:

  1. Sự dịch chuyển từ "Tính hữu ích" sang "Độ tin cậy & Trải nghiệm giao diện": Khách hàng cá nhân tại khu vực đô thị TP.HCM xem tính năng thanh toán của thẻ tín dụng là hiển nhiên (Commoditized). Yếu tố quyết định mở thẻ tập trung vào danh tiếng ngân hàng và sự minh bạch trong cam kết bảo vệ quyền lợi (TC5).
  2. Khách hàng ít nhạy cảm với Chi phí thường niên: Biến chi phí (CP) không đạt mức ý nghĩa thống kê ($p > 0.05$) phản ánh xu hướng phân khúc khách hàng VIB sẵn sàng chi trả các khoản phí quản lý định kỳ nếu đổi lại nhận được trải nghiệm mượt mà, hạn mức tín dụng cao và ưu đãi hoàn tiền thiết thực.
  3. An toàn bảo mật là điều kiện tiên quyết: Với $\beta = 0.224$ ($p < 0.001$), việc nâng cấp hệ sinh thái bảo mật Smart OTP, 3D-Secure 2.0 và khóa thẻ chủ động qua ứng dụng di động MyVIB trực tiếp gia tăng tỷ lệ chuyển đổi mở thẻ.

Ứng dụng thực tế và triển khai

Dựa trên kết quả định lượng thực nghiệm, ban lãnh đạo Ngân hàng TMCP Quốc tế Việt Nam (VIB) và các tổ chức tài chính tương đương có thể áp dụng lộ trình triển khai 4 giai đoạn:

Kịch bản ứng dụng cụ thể

  • Trường hợp 1 - Rút ngắn thời gian đăng ký (Tối ưu biến SD): Số hóa hoàn toàn 100% quy trình cấp thẻ qua định danh điện tử (eKYC). Tích hợp chấm điểm tín dụng tự động qua dữ liệu viễn thông/thu nhập, giảm thời gian phê duyệt và phát hành thẻ ảo (Virtual Card) từ 3 ngày làm việc xuống dưới 15 phút.
  • Trường hợp 2 - Nâng cao chỉ số an tâm (Tối ưu biến BM): Cho phép người dùng tùy chỉnh hạn mức thanh toán online theo từng giao dịch, bật/tắt tính năng thanh toán quốc tế trực tiếp trên ứng dụng MyVIB mà không cần gọi đến tổng đài Contact Center.

Dự toán Chi phí - Hiệu quả (ROI Estimate)

  • Chi phí triển khai giải pháp số hóa: Ước tính 1.2 tỷ VND cho việc nâng cấp module mở thẻ eKYC trên hệ thống Core Banking và truyền thông điểm chạm chi nhánh.
  • Hiệu quả kinh tế dự kiến: Tăng trưởng 22% số lượng thẻ mở mới trong vòng 6 tháng; nâng tỷ lệ kích hoạt thẻ hoạt động (Active Rate) từ 65% lên 82%, mang lại dòng doanh thu phí giao dịch quẹt thẻ (Interchange Fee) và lãi vay quay vòng tăng thêm khoảng 3.8 tỷ VND/năm. Tỷ suất hoàn vốn ROI dự kiến đạt 216% sau 18 tháng vận hành.

Hạn chế và hướng phát triển

  • Quy mô và phương pháp lấy mẫu: Nghiên cứu thực hiện chọn mẫu thuận tiện với kích thước $N = 150$ tại Chi nhánh Huỳnh Trúc Kháng, TP. Hồ Chí Minh. Dù đảm bảo tính chuẩn xác cho mô hình OLS ($N \ge 50 + 8m = 90$), tính đại diện cho toàn bộ địa bàn các tỉnh thành khác chưa tuyệt đối.
  • Giới hạn biến kiểm soát: Chưa tích hợp các yếu tố về công nghệ tài chính mới nổi như giải pháp BNPL (Mua trước trả sau), ví điện tử liên kết thẻ, và ảnh hưởng của biến động lãi suất trần tín dụng tiêu dùng.
  • Định hướng nghiên cứu mở rộng:
    1. Tăng quy mô mẫu lên $N \ge 500$, phân tầng theo các phân khúc thu nhập và vùng địa lý (Hà Nội, Đà Nẵng, Cần Thơ).
    2. Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) với AMOS hoặc SmartPLS để phân tích sâu các biến đóng vai trò trung gian và điều tiết (Moderating Effects).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp mẫu hình nghiên cứu định lượng chuẩn mực từ bước tổng quan lý thuyết (TRA, TPB, TAM), thiết kế thang đo Likert, đến xử lý mã nguồn dữ liệu bằng SPSS và Python.
  • Chuyên viên phát triển sản phẩm thẻ (Bank Product Managers): Nắm bắt dữ liệu thực nghiệm để phân bổ nguồn lực R&D vào tối ưu giao diện ứng dụng và công nghệ bảo mật thay vì lãng phí vào các cuộc đua giảm phí không tạo ra lợi thế cạnh tranh.
  • Nhà nghiên cứu kinh tế lượng & Tài chính ngân hàng: Tham khảo bộ dữ liệu kiểm định thực tế và hệ số hồi quy đặc thù của thị trường thẻ tín dụng bán lẻ Việt Nam giai đoạn hậu chuyển đổi số.
Nhóm đối tượng Lợi ích định lượng cụ thể
Khách hàng cá nhân Trải nghiệm luồng mở thẻ tinh gọn, an toàn thông tin cá nhân được bảo vệ tối đa
Ngân hàng VIB Cải thiện tỷ lệ kích hoạt thẻ thêm 17%, tối ưu hóa 30% chi phí tiếp thị trực tiếp
Cộng đồng học thuật Khung tham chiếu $R^2 = 57.2%$ cho các bài toán phân tích hành vi người dùng tài chính

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập nghiên cứu này là gì? Cần máy tính cấu hình tối thiểu CPU 2 Cores, RAM 4GB chạy hệ điều hành Windows 10/Linux, cài đặt phần mềm IBM SPSS Statistics version 20.0 trở lên hoặc Python 3.10 với các gói statsmodels, factor_analyzer, pandas.

  2. Tại sao yếu tố Chi phí sử dụng (CP) lại không có ý nghĩa thống kê trong mô hình? Với mức ý nghĩa $p = 0.498 > 0.05$, biến chi phí không tác động trực tiếp đến quyết định mở thẻ. Phân khúc khách hàng mục tiêu của VIB chú trọng vào giá trị trải nghiệm, tính tiện lợi của giao diện số và sự an toàn dữ liệu hơn là sự chênh lệch nhỏ về phí thường niên.

  3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống CRM hiện tại của ngân hàng? Ngân hàng có thể trích xuất các trọng số $\beta$ của mô hình để gán điểm trọng số (Scoring Weight) cho các tệp khách hàng tiềm năng trên hệ thống CRM, từ đó tự động hóa kịch bản tiếp thị cá nhân hóa dựa trên mức độ quan tâm về bảo mật và sự tiện dụng.

  4. Chi phí bảo trì và vận hành hệ thống thu thập khảo sát định lượng định kỳ là bao nhiêu? Khi chuyển đổi biểu mẫu sang nền tảng số hóa (Google Forms / Typeform tích hợp Core Data Lake), chi phí bảo trì gần như bằng 0 và cho phép cập nhật dữ liệu phản hồi theo thời gian thực (Real-time Surveying).

  5. Thời gian hoàn vốn dự tính khi triển khai số hóa mở thẻ dựa trên nghiên cứu? Theo phân tích tài chính dự án, điểm hòa vốn (Break-even point) đạt được sau 8 tháng vận hành và tỷ suất sinh lời nội bộ IRR đạt mức 34.5% trong vòng 2 năm.


Kết luận

Khóa luận đã giải quyết trọn vẹn bài toán xác định và định lượng hóa các yếu tố chi phối quyết định sử dụng thẻ tín dụng của khách hàng cá nhân tại VIB Chi nhánh Huỳnh Trúc Kháng, TP. Hồ Chí Minh. Bằng việc kết hợp hệ thống lý thuyết hành vi (TRA, TPB, TAM) và kỹ thuật phân tích định lượng chặt chẽ (Cronbach's Alpha, EFA, OLS Regression), nghiên cứu đã chứng minh thực nghiệm rằng Độ tin cậy khách hàng ($\beta = 0.395$), Nhận thức dễ sử dụng ($\beta = 0.288$) và Nhận thức an toàn bảo mật ($\beta = 0.224$) là ba trụ cột mang tính quyết định. Các hàm ý quản trị và kiến trúc số hóa được đề xuất cung cấp lộ trình thực thi rõ ràng giúp các ngân hàng thương mại mở rộng thị phần bán lẻ bền vững trong kỷ nguyên thanh toán số.