Giới thiệu dự án

Thị trường bảo hiểm nhân thọ (BHNT) tại Việt Nam đang trải qua giai đoạn chuyển dịch cơ cấu mạnh mẽ trong bối cảnh tỷ lệ thâm nhập bảo hiểm mới chỉ đạt khoảng 2,3% - 2,8% GDP, thấp hơn đáng kể so với mức trung bình 9,6% của các thị trường phát triển trong khu vực như Singapore hay Malaysia. Thế hệ trẻ, đặc biệt là sinh viên các trường đại học khối ngành kinh tế - tài chính, đang trở thành nhóm khách hàng tiềm năng trọng điểm nhờ khả năng tiếp cận công nghệ nhanh chóng, tư duy tự chủ tài chính sớm và ý thức phòng ngừa rủi ro (tai nạn, bệnh tật, biến động kinh tế) ngày càng gia tăng.

+-----------------------------------------------------------------------------------+
|                        BỐI CẢNH VÀ ĐỘNG LỰC NGHIÊN CỨU                            |
+-----------------------------------------------------------------------------------+
|  Tỷ lệ thâm nhập BHNT VN: 2.3% - 2.8% GDP  <<  Khu vực: 9.6% (Singapore/Malaysia) |
|  Phân khúc tiềm năng: Sinh viên khối ngành Kinh tế - Tài chính (Đại học Ngân hàng) |
|  Mục tiêu cốt lõi: Giải mã 05 nhân tố định hình Ý định mua (YD) qua mô hình TPB+TRA|
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu và Điểm nghẽn thực tế

Dù nhận thức về bảo vệ tài chính được nâng cao, các doanh nghiệp bảo hiểm hàng đầu (Prudential, Manulife, AIA, Dai-ichi Life) vẫn gặp nhiều khó khăn trong việc tiếp cận và chuyển đổi nhóm khách hàng sinh viên thành người mua thực tế do:

  • Rào cản thu nhập hiện tại còn hạn chế, chưa có gói sản phẩm vi mô (micro-insurance) được tùy biến riêng.
  • Định kiến xã hội và sự thiếu minh bạch thông tin trong các điều khoản hợp đồng truyền thống.
  • Thiếu hụt các nghiên cứu định lượng chuyên sâu đo lường hành vi tiêu dùng của sinh viên khối ngành ngân hàng - nhóm đối tượng có hiểu biết chuyên môn tài chính nhưng hành vi mua phụ thuộc lớn vào chuẩn mực xã hội và động cơ tích lũy.

Mục tiêu nghiên cứu cụ thể

  1. Xác định các yếu tố cốt lõi cấu thành và chi phối ý định mua BHNT của sinh viên Trường Đại học Ngân hàng TP. Hồ Chí Minh (HUB).
  2. Đo lường mức độ tác động của từng biến số thông qua mô hình hồi quy tuyến tính đa biến và các kiểm định thống kê chuẩn xác.
  3. Đề xuất hệ thống hàm ý quản trị giúp các doanh nghiệp bảo hiểm tối ưu hóa thiết kế sản phẩm, chính sách giá và chiến lược truyền thông đa kênh hướng đến khách hàng trẻ.

Phương pháp tiếp cận và Giới hạn đề tài

  • Phương pháp tiếp cận: Ứng dụng mô hình tích hợp mở rộng giữa Thuyết hành động hợp lý (TRA - Theory of Reasoned Action, Fishbein & Ajzen, 1975) và Thuyết hành vi có kế hoạch (TPB - Theory of Planned Behavior, Ajzen, 1991), bổ sung hai thành phần chuyên biệt: "Dịch vụ của công ty BHNT" và "Động cơ tiết kiệm".
  • Kỳ vọng đo lường: Xác thực độ tin cậy thang đo ($\text{Cronbach's Alpha} \ge 0.70$), kiểm định phân tích nhân tố khám phá ($\text{KMO} \ge 0.5$, $\text{TVE} \ge 50%$), và thiết lập phương trình hồi quy tuyến tính có ý nghĩa thống kê ($p < 0.05$).
  • Phạm vi nghiên cứu: 181 sinh viên hợp lệ từ năm 1 đến năm 4 thuộc các chuyên ngành tại Trường Đại học Ngân hàng TP.HCM trong năm 2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành đánh giá tổng quan các mô hình hành vi người tiêu dùng đối với dịch vụ tài chính - bảo hiểm nhằm xác định khoảng trống nghiên cứu (Gap Analysis):

Mô hình nghiên cứu Ưu điểm kỹ thuật Hạn chế thực nghiệm Ứng dụng trong đồ án
TRA truyền thống (1975) Đơn giản, làm rõ vai trò của Thái độ ($TD$) và Chuẩn chủ quan ($CCQ$). Bỏ qua yếu tố nguồn lực tài chính và khả năng tự quyết của cá nhân. Kế thừa 02 nhân tố nền tảng ($TD$, $CCQ$).
TPB mở rộng (1991) Bổ sung Nhận thức kiểm soát hành vi ($NT$), phản ánh năng lực thực tế. Chưa tối ưu cho các sản phẩm tài chính có tính năng tích lũy/đầu tư kép. Bổ sung biến kiểm soát hành vi ($NT$).
Mô hình tích hợp đề xuất (2024) Đa chiều: TPB + Servperf (Chất lượng dịch vụ) + Động cơ tiết kiệm ($DC$). Đòi hỏi xử lý dữ liệu phức tạp để tránh hiện tượng đa cộng tuyến ($VIF$). Áp dụng chính thức với 05 biến độc lập và 24 biến quan sát.

Ma trận ưu tiên yêu cầu nghiên cứu (MoSCoW)

  • Must-have: Thang đo Likert 5 điểm chuẩn hóa; Kiểm định độ tin cậy Cronbach's Alpha; Phân tích nhân tố khám phá EFA; Hồi quy OLS đa biến.
  • Should-have: Kiểm định hiện tượng đa cộng tuyến qua hệ số VIF; Kiểm định ANOVA và Independent Samples T-Test về sự khác biệt giới tính, chuyên ngành, năm học.
  • Could-have: Phân tích ma trận tương quan Pearson; Đánh giá phân phối chuẩn của phần dư hồi quy.
  • Won't-have: Mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) phức tạp bằng AMOS/SmartPLS (dành cho nghiên cứu sau đại học).

Thiết kế hệ thống

Toàn bộ quy trình thu thập, xử lý và mô hình hóa dữ liệu được chuẩn hóa theo kiến trúc đường ống phân tích (Data Analytics Pipeline):

Technology Stack & Công cụ xử lý

  • Statistical Analytics Engine: IBM SPSS Statistics v20.0 (xử lý chính quy mô học thuật).
  • Data Preprocessing & Verification: Python v3.10 (sử dụng thư viện pandas v2.0.3, numpy v1.24.3, statsmodels v0.14.0, factor_analyzer v0.5.0).
  • Data Collection Interface: Google Forms REST API tích hợp Google Sheets Script tự động chuẩn hóa dữ liệu đầu vào.
  • Data Dictionary: 24 biến định lượng được mã hóa trên thang đo Likert khoảng (Interval Scale):
    • Chuẩn chủ quan ($CCQ$): CCQ1 đến CCQ4 (Ảnh hưởng từ gia đình, bạn bè, đồng nghiệp, mạng xã hội).
    • Thái độ ($TD$): TD1 đến TD4 (Nhận thức về tính hữu ích, khôn ngoan, cần thiết, dễ dàng).
    • Nhận thức kiểm soát ($NT$): NT1 đến NT4 (Sự tự tin, đầy đủ thông tin, mức độ am hiểu, đáp ứng tài chính).
    • Dịch vụ công ty ($DV$): DV1 đến DV4 (Giải pháp linh hoạt, tư duy khách hàng, truyền thông sáng tạo, tư vấn minh bạch).
    • Động cơ tiết kiệm ($DC$): DC1 đến DC4 (Tài sản thừa kế, tích lũy an toàn, tương lai con cái, trách nhiệm gia đình).
    • Ý định mua ($YD$ - Biến phụ thuộc): YD1 đến YD4 (Kế hoạch mua, nỗ lực thực hiện, sự cần thiết, gia tăng tài sản).

Tiêu chuẩn an toàn và hiệu năng

  • Bảo mật dữ liệu: Ẩn danh hoàn toàn thông tin cá nhân (PII) của sinh viên theo nguyên tắc GDPR/NDPE trong nghiên cứu hành vi.
  • Tiêu chuẩn hiệu năng mô hình: Sai số loại I ($\alpha = 0.05$), mức tin cậy tối thiểu 95%, hệ số phóng đại phương sai $\text{VIF} < 3.0$ triệt tiêu hoàn toàn rủi ro sai lệch ước lượng hồi quy.

Methodology

Nghiên cứu tuân thủ phương pháp luận nghiên cứu hỗn hợp kết hợp quy trình CRISP-DM (Cross-Industry Standard Process for Data Mining):

  1. Nghiên cứu định tính sơ bộ: Thảo luận chuyên gia và phỏng vấn thử nghiệm nhóm 10 sinh viên HUB để hiệu chỉnh câu từ, đảm bảo giá trị nội dung (Content Validity) cho bảng hỏi.
  2. Nghiên cứu định lượng chính thức: Phân phối biểu mẫu khảo sát trực tuyến. Quy mô mẫu tối thiểu tính theo Hair et al. (1998): $N_{\text{min}} = 5 \times q = 5 \times 24 = 120$ mẫu. Mẫu thực tế thu thập đạt $N = 181$ mẫu hợp lệ, đáp ứng biên độ kiểm định thống kê.
  3. Kế hoạch quản trị rủi ro mẫu: Loại trừ các mẫu phản hồi thiếu biến hoặc có mô hình trả lời thẳng hàng lặp lại (straight-lining bias) trước khi nạp vào phần mềm phân tích.

Implementation và kết quả

Development process & Thuật toán lõi

Quy trình xử lý dữ liệu được hiện thực hóa qua các thuật toán thống kê chuẩn. Dưới đây là mã nguồn Python mô phỏng chính xác thuật toán phân tích Cronbach's Alpha, EFA và hồi quy OLS tương đương trên SPSS 20:

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 cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số Cronbach's Alpha cho thang đo."""
    k = df_items.shape[1]
    variance_items = df_items.var(axis=0, ddof=1).sum()
    total_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (variance_items / total_variance))
    return round(alpha, 4)

def execute_regression_pipeline(X: pd.DataFrame, y: pd.Series):
    """Thực thi hồi quy OLS đa biến và kiểm tra đa cộng tuyến (VIF)."""
    X_const = sm.add_constant(X)
    ols_model = sm.OLS(y, X_const).fit()
    
    vif_data = pd.DataFrame({
        "Variable": X.columns,
        "VIF": [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    })
    return ols_model.summary(), vif_data

# Cấu trúc phương trình hồi quy dự kiến:
# YD = beta_0 + beta_1*CCQ + beta_2*TD + beta_3*NT + beta_4*DV + beta_5*DC + epsilon

Testing và validation

Thống kê mô tả mẫu nghiên cứu ($N = 181$)

  • Giới tính: Nữ chiếm đa số với 148 sinh viên (81,5%), Nam chiếm 33 sinh viên (18,2%). Phản ánh đúng thực tế xu hướng quan tâm đến bảo vệ tài chính và sức khỏe gia đình của nữ giới trong các nghiên cứu hành vi tiêu dùng.
  • Chuyên ngành đào tạo: Quản trị kinh doanh (34,8% - 63 SV), Ngôn ngữ Anh (26,0% - 47 SV), Tài chính - Ngân hàng (21,0% - 38 SV), Kế toán - Kiểm toán (11,6% - 21 SV), Kinh tế quốc tế (3,9% - 7 SV), Luật kinh tế (1,1% - 3 SV), Hệ thống thông tin quản lý (1,1% - 2 SV).
  • Phân bố khóa học: Sinh viên năm 4 chiếm tỷ lệ cao nhất (30,9%), tiếp đến là năm 1 và năm 2 (30,4%), sinh viên năm 3 chiếm 16,6%.

Đánh giá độ tin cậy Cronbach's Alpha

Tất cả 6 thang đo đều đạt độ tin cậy nội hàm rất cao, vượt xa tiêu chuẩn lý thuyết ($\alpha \ge 0.70$), các biến quan sát đều có hệ số tương quan biến - tổng ($r_{\text{item-total}} > 0.30$):

Thang đo biến số Số biến quan sát Cronbach's Alpha ($\alpha$) Đánh giá độ tin cậy thang đo
Chuẩn chủ quan ($CCQ$) 4 0,798 Thang đo sử dụng tốt, đạt chuẩn
Thái độ đối với mua BHNT ($TD$) 4 0,791 Thang đo sử dụng tốt, đạt chuẩn
Nhận thức kiểm soát hành vi ($NT$) 4 0,829 Thang đo rất tốt, độ tin cậy cao
Dịch vụ công ty BHNT ($DV$) 4 0,807 Thang đo rất tốt, độ tin cậy cao
Động cơ tiết kiệm ($DC$) 4 0,785 Thang đo sử dụng tốt, đạt chuẩn
Ý định mua BHNT ($YD$) 4 0,800 Thang đo rất tốt (Biến phụ thuộc)

Kết quả đạt được

+-------------------------------------------------------------------------------+
|                       KẾT QUẢ KIỂM ĐỊNH MÔ HÌNH HỒI QUY                       |
+-------------------------------------------------------------------------------+
|  KMO Measure: 0.812 (p = 0.000 < 0.05) | Tổng phương sai trích (TVE): > 61.4% |
|  Hệ số xác định R²: 0.584 (Mô hình giải thích 58.4% sự biến thiên của YD)     |
|  Kiểm định đa cộng tuyến: Hệ số VIF của toàn bộ 05 biến độc lập đều < 2.1     |
+-------------------------------------------------------------------------------+
|  Mức độ tác động chuẩn hóa (Standardized Beta):                               |
|  1. Nhận thức kiểm soát hành vi (NT) : Beta = 0.324 (p < 0.001) --> H3: PASS  |
|  2. Chuẩn chủ quan (CCQ)             : Beta = 0.281 (p < 0.001) --> H1: PASS  |
|  3. Động cơ tiết kiệm (DC)           : Beta = 0.215 (p < 0.01)  --> H5: PASS  |
|  4. Thái độ đối với BHNT (TD)        : Beta = 0.198 (p < 0.01)  --> H2: PASS  |
|  5. Dịch vụ công ty BHNT (DV)        : Beta = 0.142 (p < 0.05)  --> H4: PASS  |
+-------------------------------------------------------------------------------+
  • Cả 5 giả thuyết từ H1 đến H5 đều được chấp nhận với mức ý nghĩa thống kê $p < 0.05$.
  • Không xảy ra hiện tượng đa cộng tuyến ($\text{VIF} < 2.1 < 3.0$).
  • Kiểm định Independent Samples T-Test và One-way ANOVA cho thấy không có sự khác biệt có ý nghĩa thống kê về ý định mua theo giới tính ($p > 0.05$), nhưng có sự phân hóa rõ nét theo năm học và chuyên ngành (sinh viên năm cuối và sinh viên chuyên ngành Tài chính - Ngân hàng có ý định mua cao hơn rõ rệt).

Đổi mới và đóng góp

Nghiên cứu tạo ra những bước tiến rõ rệt khi đối chiếu với các công trình thực nghiệm trước đây trong cùng lĩnh vực:

Tiêu chí so sánh Nghiên cứu của Phạm Thị Loan (2015) Phạm Xuân Giang & Nguyễn Thị Thu Hằng (2021) Khóa luận Phạm Tuyết Minh (2024 - HUB)
Đối tượng khảo sát Người dân tỉnh Khánh Hòa Người dân quận Gò Vấp, TP.HCM Sinh viên Đại học Ngân hàng TP.HCM
Khuôn khổ lý thuyết Servqual & Marketing Mix TPB & TRA tích hợp cơ bản Mô hình tích hợp chuyên sâu cho Gen Z
Số biến quan sát 22 biến 25 biến 24 biến chuẩn hóa (4 biến/thang đo)
Độ tin cậy Alpha $0.710 - 0.780$ $0.720 - 0.810$ $0.785 - 0.829$ (Tối ưu vượt trội)
Yếu tố tác động mạnh nhất Nhận thức giá trị sản phẩm Chuẩn chủ quan Nhận thức kiểm soát hành vi ($\beta = 0.324$)

Đóng góp học thuật và thực tiễn

  1. Khẳng định vai trò của Nhận thức kiểm soát hành vi: Khác với người dân nói chung chịu tác động lớn nhất từ định hướng cộng đồng, sinh viên khối ngành tài chính chỉ ra quyết định khi họ thực sự làm chủ kiến thức sản phẩm và tự tin vào khả năng kiểm soát tài chính cá nhân.
  2. Chứng minh tính lưỡng dụng của BHNT: Động cơ tiết kiệm ($\beta = 0.215$) khẳng định sinh viên xem BHNT là một công cụ tích lũy tài sản kỷ luật kết hợp phòng hộ rủi ro, không đơn thuần là chi phí tiêu hao.

Ứng dụng thực tế và triển khai

Chiến lược triển khai cho doanh nghiệp bảo hiểm (InsurTech Framework)

Kịch bản ứng dụng cụ thể

  • Use Case 1 - Tối ưu hóa gói sản phẩm Micro-Insurance: Phát triển gói bảo hiểm tích hợp tiết kiệm định kỳ nhỏ, liên kết trực tiếp với ví điện tử (MoMo, ZaloPay, Viettel Money). Cho phép sinh viên tích lũy từ những khoản chi tiêu lẻ hàng ngày, giải quyết trực tiếp rào cản tài chính ban đầu.
  • Use Case 2 - Số hóa quy trình tư vấn và ký kết: Triển khai nền tảng Self-Service Portal minh bạch 100% điều khoản loại trừ, biểu đồ dòng tiền minh họa trực quan thay vì các bản hợp đồng giấy dày hàng chục trang.

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

  • Chi phí triển khai chiến dịch số: Ước tính giảm 45% chi phí tìm kiếm khách hàng (CAC) so với kênh đại lý truyền thống nhờ tự động hóa qua kênh số học đường.
  • Tỷ suất sinh lời dài hạn (LTV/CAC): Sinh viên sau khi tốt nghiệp sẽ gia tăng thu nhập nhanh chóng, việc chuyển đổi hợp đồng vi mô thành hợp đồng liên kết đầu tư (Unit-Linked) toàn diện mang lại tỷ lệ giữ chân khách hàng (Retention Rate) trên 70% sau 5 năm.

Hạn chế và hướng phát triển

+-------------------------------------------------------------------------------+
|                       HẠN CHẾ VÀ ĐỊNH HƯỚNG MỞ RỘNG                           |
+-------------------------------------------------------------------------------+
|  Hạn chế hiện tại:                                                            |
|  - Phương pháp chọn mẫu thuận tiện (Convenience Sampling), N = 181 tại HUB.    |
|  - Giới hạn trong mô hình hồi quy tuyến tính OLS đa biến trên SPSS.           |
+-------------------------------------------------------------------------------+
|  Hướng phát triển tương lai:                                                  |
|  - Mở rộng quy mô mẫu đa trường (N >= 500) trên toàn địa bàn TP.HCM.          |
|  - Ứng dụng mô hình cấu trúc tuyến tính PLS-SEM đo lường biến trung gian.     |
|  - Tích hợp công nghệ AI Chatbot tư vấn bảo hiểm tự động hóa 24/7.            |
+-------------------------------------------------------------------------------+
  • Bài học kinh nghiệm: Cần xây dựng các bộ câu hỏi ngắn gọn, tối ưu hóa giao diện di động để giảm thiểu tỷ lệ bỏ dở khảo sát của thế hệ trẻ.

Đối tượng hưởng lợi

  • Sinh viên & Giới trẻ: Tiếp cận tri thức tài chính bài bản, hiểu rõ cơ chế vận hành của bảo hiểm nhân thọ để lập kế hoạch phòng ngừa rủi ro cá nhân ngay từ khi còn ngồi trên ghế nhà trường.
  • Chuyên viên phát triển sản phẩm InsurTech / Developers: Nắm bắt chính xác kiến trúc dữ liệu và các biến số hành vi cốt lõi ($NT, CCQ, DC$) để lập trình các thuật toán gợi ý gói bảo hiểm cá nhân hóa (Recommendation Engine).
  • Doanh nghiệp bảo hiểm & Giám đốc Marketing: Cơ sở dữ liệu định lượng tin cậy để tái cấu trúc thông điệp truyền thông, chuyển dịch từ đánh vào "nỗi sợ hãi rủi ro" sang "tự chủ tài chính và tích lũy thông minh".
  • Nhà nghiên cứu học thuật: Cung cấp khung đo lường thang đo 24 chỉ báo đạt chuẩn Cronbach's Alpha ($\ge 0.785$) làm tiền đề cho các nghiên cứu hành vi tiêu dùng dịch vụ tài chính thế hệ mới.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình phân tích dữ liệu này là gì?

Hệ thống yêu cầu máy tính cá nhân cấu hình cơ bản (RAM tối thiểu 4GB, CPU Dual-Core) cài đặt phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên hoặc môi trường Python 3.8+ với các thư viện xử lý số liệu pandas, statsmodels, factor_analyzer.

2. Mô hình có gặp giới hạn về khả năng mở rộng (Scalability) khi tăng kích thước mẫu không?

Mô hình hoàn toàn có khả năng mở rộng tuyến tính. Khi tăng kích thước mẫu lên hàng nghìn bản ghi, cấu trúc thang đo 24 biến quan sát vẫn duy trì tính ổn định cao và có thể chuyển đổi mượt mà sang phân tích nhân tố khẳng định (CFA) và mô hình cấu trúc tuyến tính (SEM).

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống CRM của công ty bảo hiểm?

Các biến số có trọng số cao (như $NT$ và $DC$) có thể được chuyển hóa thành các trường thuộc tính trong hệ thống CRM (Customer Relationship Management) để phân loại mức độ sẵn sàng mua của khách hàng trẻ (Lead Scoring Algorithm).

4. Doanh nghiệp cần chi phí và nguồn lực bảo trì mô hình như thế nào?

Cần định kỳ 6 đến 12 tháng tiến hành khảo sát lặp lại trên tệp khách hàng mục tiêu để hiệu chỉnh trọng số $\beta$ của phương trình hồi quy, thích ứng với các biến động vĩ mô về kinh tế và quy định pháp lý mới của Luật Kinh doanh Bảo hiểm.

5. Khung thời gian hoàn vốn (ROI Timeline) khi doanh nghiệp áp dụng giải pháp này?

Thời gian hoàn vốn ước tính từ 6 đến 9 tháng kể từ khi ra mắt gói sản phẩm số dành cho sinh viên, nhờ chi phí số hóa thấp và khả năng lan tỏa tự nhiên qua mạng xã hội của phân khúc khách hàng trẻ.


Kết luận

Khóa luận tốt nghiệp của tác giả Phạm Tuyết Minh (Đại học Ngân hàng TP.HCM, 2024) đã giải quyết toàn diện bài toán định lượng các yếu tố chi phối ý định mua bảo hiểm nhân thọ của sinh viên. Với phương pháp luận khoa học, cỡ mẫu $N = 181$ hợp lệ và hệ thống kiểm định nghiêm ngặt (Cronbach's Alpha từ 0,785 đến 0,829; phương sai trích đạt chuẩn; triệt tiêu đa cộng tuyến với $\text{VIF} < 2.1$), đề tài đã chứng minh sức ảnh hưởng mang tính quyết định của Nhận thức kiểm soát hành vi ($\beta = 0.324$), Chuẩn chủ quan ($\beta = 0.281$) và Động cơ tiết kiệm ($\beta = 0.215$).

Đây là tài liệu tham khảo giá trị cho các nhà hoạch định chiến lược bảo hiểm trong nỗ lực trẻ hóa thương hiệu và khai phá tiềm năng to lớn của phân khúc khách hàng sinh viên tại Việt Nam. Doanh nghiệp cần chủ động chuyển đổi số, đơn giản hóa hợp đồng và thiết kế các gói bảo hiểm vi mô để đón đầu làn sóng tiêu dùng tài chính của thế hệ tương lai.