Luận văn Thạc sĩ Kinh tế: Phân tích hành vi khách hàng hướng đến phân khúc thị trường từ dữ liệu big data

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

---------------

PHẠM VĂN HẬU

PHÂN TÍCH HÀNH VI KHÁCH HÀNG HƯỚNG ĐẾN PHÂN

KHÚC THỊ TRƯỜNG TỪ DỮ LIỆU BIGDATA

TRƯỜNG HỢP CỦA SACOMBANK

LUẬN VĂN THẠC SĨ KINH TẾ

Thành Phố Hồ Chí Minh – Năm 2019

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

---------------

PHẠM VĂN HẬU

PHÂN TÍCH HÀNH VI KHÁCH HÀNG HƯỚNG ĐẾN PHÂN

KHÚC THỊ TRƯỜNG TỪ DỮ LIỆU BIGDATA

TRƯỜNG HỢP CỦA SACOMBANK

Chuyên ngành: Quản trị kinh doanh

Hướng đào tạo: Hướng ứng dụng

Mã số: 8340101

LUẬN VĂN THẠC SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

PGS.TS. TỪ VĂN BÌNH

Thành Phố Hồ Chí Minh – Năm 2019

LỜI CAM ĐOAN

Tôi xin cam đoan rằng những nội dung tôi viết trong bài báo cáo này là do tôi thực

hiện trên cơ sở tham khảo các tài liệu liên quan đến đề tài và số liệu trong bài báo cáo

là hoàn toàn trung thực. Tôi xin chịu hoàn toàn trách nhiệm về lời cam đoan này.

Người thực hiện đề tài

MỤC LỤC

TRANG PHỤ BÌA

LỜI CAM ĐOAN

MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

DANH MỤC CÁC BẢNG BIỂU DANH MỤC CÁC BIỂU ĐỒ

TÓM TẮT

ABSTRACT

LỜI MỞ ĐẦU ........................................................................................................... 1

CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU ........... 4

1.1. Lý do chọn đề tài ............................................................................................... 4

1.2. Mục tiêu nghiên cứu .......................................................................................... 5

1.3. Phương pháp nghiên cứu ................................................................................. 6

1.3.1. Đối với số liệu phục vụ nghiên cứu ............................................................... 6

1.3.2. Các khái niệm tiếp cận trong nghiên cứu .................................................... 7

1.3.3. Phạm vi nghiên cứu của luận văn ................................................................. 8

1.3.4. Kết cấu của luận văn ...................................................................................... 9

CHƯƠNG 2: CƠ SỞ LÝ LUẬN ............................................................................ 10

2.1. Big Data ............................................................................................................ 10

2.2. Khai phá dữ liệu (Data Mining) ..................................................................... 10

2.3. Hành vi tiêu dùng ............................................................................................ 13

2.3.1. Định nghĩa ..................................................................................................... 13

2.3.2. Hành vi tiêu dùng đƣợc phân khúc theo RFM .......................................... 19

2.4. Phân khúc thị trường ...................................................................................... 20

2.4.1. Định nghĩa phân khúc thị trường ................................................................ 20

2.4.2. Lựa chọn thị trường mục tiêu……............................................................... 22

2.4.3. Định vị sản phẩm trên thị trường mục tiêu ................................................ 24

2.5. Một số khái niệm khác..................................................................................... 25

2.5.1. Mô hình ma trận giá trị khách hàng (Custumer Value Matrix Model…...25

2.5.2. Phương pháp RFM ....................................................................................... 26

2.5.3. Giá trị vòng đời khách hàng (Custumer Lifetime Value - CLV) ............. 27

2.5.4. Thuật toán phân cụm (Clustering) .............................................................. 27

2.5.5. Thuật toán K-means ..................................................................................... 30

2.6. Quy trình nghiên cứu ...................................................................................... 31

CHƯƠNG 3: BIG DATA VÀ ỨNG DỤNG BIG DATA TẠI SACOMBANK…33

3.1. Big Data và ứng dụng của Big data trong lĩnh vực ngân hàng .................... 33

3.1.1. Big data ......................................................................................................... 33

3.1.2. Ứng dụng của Big data trong lĩnh vực ngân hàng ..................................... 33

3.2. Ứng dụng big data tại Sacombank ................................................................. 40

3.2.1. Giới thiệu về Sacombank ............................................................................. 40

3.2.2. Ứng dụng big data tại Sacombank .............................................................. 43

CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU BIG DATA .............................................. 46

4.1. Số liệu phục vụ nghiên cứu ............................................................................. 46

4.2. Thông tin giao dịch khách hàng ..................................................................... 46

4.2.1. Đối với khách hàng tiền gửi ......................................................................... 46

4.2.2. Đối với khách hàng sử dụng thẻ tín dụng ................................................... 48

4.2.3. Đối với khách hàng tiền vay ......................................................................... 49

4.3. Phân tích hành vi và phân khúc khách hàng ................................................ 51

CHƯƠNG 5: KẾT LUẬN VÀ XÂY DỰNG CHIẾN LƯỢC .............................. 58

ĐỀ XUẤT CHIẾN LƯỢC KINH DOANH .......................................................... 58

5.1. Chiến lược kinh doanh đề xuất theo phân khúc khách hàng ...................... 60

5.1.1. Chiến lược cho nhóm khách hàng tốt nhất (Best) ...................................... 60

5.1.2. Chiến lược cho nhóm khách hàng mới (New) ............................................ 65

5.2. Chiến lược phản hồi của khách hàng (feelback) ........................................... 67

KẾT LUẬN ............................................................................................................. 70

TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

Từ viết tắt

Nguyên nghĩa

Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương

SACOMBANK

Tín

CLV

Customer Lifetime Value

(Giá trị đóng góp của khách hàng theo thời

gian)

RFM

Recency, Frequency, Monatery

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1 Thông tin khách hàng từ tháng 10/2018 đến tháng 10/2019

Bảng 2.1. Các bước trong quá trình khai thác dữ liệu

Bảng 2.2. Ứng dụng của khai thác dữ liệu

Bảng 2.3. Bảng mô tả điểm theo RFM

Bảng 2.4. Mô tả ma trận giá trị khách hàng

Bảng 2.5. Các tham số của ma trận quan hệ khách hàng

Bảng 2.6. Chuyển đổi dữ liệu

Bảng 2.7. Các phương pháp cơ bản của thuật toán phân cụm

Bảng 2.8. Các bước cơ bản của thuật toán K-means

Bảng 4.1. Thông tin loại thẻ tín dụng được sử dụng bởi khách hàng

Bảng 5.1. Khung điểm xếp hạng đề xuất

Bảng 5.2. Chính sách ưu đãi đề xuất cho khách hàng sapphire

Bảng 5.3. Kế hoạch phân bổ nguồn lực cho nhóm khách hàng tốt nhất

Bảng 5.4. Chiến lược đề xuất dành cho nhóm khách hàng mới

Bảng 5.5. Kế hoạch xây dựng chiến lược feelback

DANH MỤC CÁC BIỂU ĐỒ

Biểu đồ 2.1. Quy trình khai thác dữ liệu

Biểu đồ 2.2. Mô hình ma trận giá trị khách hàng

Biểu đồ 2.3. Ví dụ về các thuật toán phâm cụm cổ điển

Biểu đồ 2.4. Ví dụ về phân cụm bằng phương pháp K-means

Biểu đồ 2.5. Quy trình nghiên cứu

Biểu đồ 3.1. Tổng tài sản của Sacombank giao đoạn 2014-2018

Biểu đồ 3.2. Tổng nguồn vốn huy động của Sacombank giao đoạn 2014-2018

Biểu đồ 3.3. Tổng cho vay khách của Sacombank giao đoạn 2014-2018

Biểu đồ 3.4. Lợi nhuận trước thuế của Sacombank giao đoạn 2014-2018

Biểu đồ 4.1. Thông tin tiền gửi theo thời gian của khách hàng

Biểu đồ 4.2. Thông tin nhóm thẻ tín dụng khách hàng quan tâm

Biểu đồ 4.4. Thông tin vay của khách hàng

Biểu đồ 4.5. Thông tin vay theo giá trị và thời gian vay

Biểu đồ 4.6. Mô hình ma trận khách hàng

Biểu đồ 4.7. Phân khúc thị trường dựa vào mô hình RFM

Biểu đồ 4.8. Thông tin vay vốn theo nhóm phân khúc khách hàng

Biểu đồ 4.9. Phân khúc thị trường và mối quan hệ với khách hàng

Biểu đồ 4.10. Thông tin phân khúc thị trường theo dịch vụ tham gia và số dư nợ thẻ

TÓM TẮT

Đề tài “Phân tích hành vi khách hàng hướng đến phân khúc thị trường từ dữ

liệu bigdata: Trường hợp của Sacombank” với mục đích phân tích hành vi khách

hàng, đặc điểm lựa chọn dịch vụ của khách hàng, việc phân tích hành vi khách hàng

từ nguồn dữ liệu big data. Điều này không những góp phần vào việc xác định lại phân

khúc thị trường để ngân hàng có hướng tiếp cận phù hợp, trên cơ sở để phát triển

thêm vào các dịch vụ hướng đến phục vụ khách hàng một cách hiệu quả nhằm giữ

chân khách hàng cũ, hạn chế sự rời dịch vụ của khách hàng và tạo tiếng vang lôi kéo

khách hàng mới.

Đề tài áp dụng vào mô hình CLV (customer lifetime value) - giá trị đóng góp

của khách hàng theo thời gian để tính RFM (Recency, Frequency, Monetary) trước

khi hướng đến phân khúc thị trường. Việc phân khúc dựa trên hành vi tiêu dùng của

khách hàng cụ thể là các khách hàng sử dụng thẻ tín dụng, khách hàng tiền gửi và

lịch sử giao dịch tiền gửi, và khách hàng tiền vay một số phương pháp phân cụm

(cluster) và phân cụm theo RFM (thời gian mua hàng gần nhất, tần suất giao dịch của

khách hàng tổng giá trị giao dịch dựa trên nguồn dữ liệu big data của Sacombank).

Việc nghiên cứu này được ban lãnh đạo phía ngân hàng kỳ vọng rất lớn, vì kết

quả nghiên cứu từ tài nguyên dữ liệu là việc làm thực tế, giúp Sacombank phân khúc

hệ khách hàng của mình thành từng nhóm từ đó có các giải pháp chiến lược hướng

vào từng phân khúc khách hàng cụ thể và các chiến lược được đề xuất từ nghiên cứu

là một áp dụng chính thức cho năm 2020.

ABSTRACT

Topic "Analyzing customer behavior towards market segments from big data: The

case of Sacombank" with the purpose of analyzing customer behavior, characteristics

of customer service selection, and analyzing the behavior of customers. vi customers

from big data. This not only contributes to redefining the market segment so that the

bank can take an appropriate approach, on the basis of further development of

services aimed at customer service effectively to retain customers. old customers,

restricting customer service and creating a buzz to attract new customers. The project

applies to CLV model (customer lifetime value) - the value of customer contributions

over time to calculate RFM (Recency, Frequency, Monetary) before moving to the

market segment. Segmentation is based on specific consumer behavior of credit card

customers, deposit customers and deposit transaction history, and borrowers some

clustering methods. and clustered by RFM (latest purchase time, frequency of

customer transactions total transaction value based on big data data of Sacombank).

This research is highly expected by the bank's management, because the research

results from data resources are practical work, helping Sacombank to segment its

customer segment into groups from which there are awards. Strategies that target

specific customer segments and the strategies proposed by the study are an official

application for 2020.

LỜI MỞ ĐẦU

Nền kinh tế thế giới nói chung và thị trường kinh tế Việt Nam nói riêng trong

những năm vừa qua đều có sự chuyển dịch mạnh mẽ, ảnh hưởng không nhỏ đến các

đối tượng kinh tế và ngành Ngân hàng cũng không phải là trường hợp ngoại lệ mà

điển hình là hoạt động của các Ngân hàng thương mại. Nguồn thu lãi từ tín dụng được

biết đến như là kim chỉ nam hoạt động của Ngân hàng thương mại, tuy nhiên những

năm gần đây khi nhắc đến tổng lợi nhuận sau thuế của Ngân hàng thương mại thì

không thể không kể đến nguồn thu từ hoạt động dịch vụ, đặc biệt là sự tăng trưởng

vượt bậc của mảng bancassurance.

Theo nhận định của các chuyên gia kinh tế, nhờ tín dụng tăng trưởng mạnh

nên không chỉ thu nhập lãi thuần, mà nguồn thu từ các hoạt động dịch vụ của ngân

hàng cũng đã cải thiện rõ nét trong năm qua. Điều này minh chứng rằng, lợi nhuận

sau thuế của các ngân hàng thương mại đang giảm dần sự phụ thuộc vào hoạt động

tín dụng nhờ nỗ lực đẩy mạnh nguồn thu từ dịch vụ, tuy nguồn thu từ dịch vụ có

những bước chuyển mình rõ rệt, nhưng hoạt động chính của ngành ngân hàng nước

ta hiện nay vẫn phụ thuộc nhiều vào hoạt động tín dụng, nhất là đối với các ngân hàng

nhỏ. Chính vì lý do này, các ngân hàng cần chú trọng đẩy mạnh hơn nữa việc phát

triển dịch vụ trên nền tảng công nghệ số, công nghiệp 4.0...để phân tán rủi ro. Để giải

đáp bài toán về chuyển đổi cơ cấu nguồn thu, các ngân hàng cần quan tâm và chú

trọng hơn nữa trong việc đưa ra các giải pháp tài chính hiệu quả, đa dạng hóa sản

phẩm dịch vụ.

Dữ liệu khách hàng hay “customer data” được coi là tài sản, nguồn thông tin

vô giá đối với mọi công ty thuộc nhiều lĩnh vực kinh doanh khác nhau. Việc triển

khai các quy trình khai thác, dự án nghiên cứu phân tích dữ liệu khách hàng với mục

đích tìm hiểu, nắm bắt mong muốn, nhu cầu thầm kín của khách hàng và chuyển nó

thành những giá trị cụ thể thông qua từng chiến lược, kế hoạch hoạt động chính là

chìa khóa cạnh tranh của mỗi tổ chức ngày nay. Đặc biệt so với 10 năm trước đây, thì

hiện tại với sự phát triển của khoa học công nghệ, kỹ thuật qua đó nâng cao khả năng

của các công ty trong việc tiếp cận gần hơn với khách hàng, tiếp cận gần hơn với mỗi

dữ liệu chứa đựng thông tin về sở thích, hành vi của khách hàng.

Tuy nhiên để đạt được các mục tiêu đề ra khi sử dụng dữ liệu khách hàng, hỗ

trợ những chiến lược kinh doanh một cách hiệu quả thì không phải là điều đơn giãn

hay dễ dàng, mà nó chứa đựng muôn vàng thách thức, khó khăn khác nhau thậm chí

cả rủi ro, ví dụ trường hợp công ty bị tin tặc tấn công hệ thống mạng, hệ thống dữ

liệu, bị rò rỉ, đánh cắp dữ liệu là thông tin cá nhân của khách hàng. “Hãy tiến gần hơn

đến với các khách hàng của bạn, gần đến nổi bạn có thể nói cho họ biết họ cần gì

trước khi họ nhận ra.” – Steve Jobs. Câu nói của Steve Jobs càng thích hợp để nói về

khuynh hướng tiếp cận khách hàng ngày nay của đa số các công ty. Trong thị trường

cạnh tranh khóc liệt hiện tại, việc chủ động tìm kiếm và xác định, lôi kéo khách hàng

tiềm năng bằng những chiến lược marketing, chiến lược sản phẩm thích hợp sẽ giúp

một công ty có cơ hội vượt lên trên đối thủ của mình. Dĩ nhiên để thực hiện mục đích

trên, công ty phải biết được khách hàng mình cần thu hút là ai, khách hàng nào sẽ

đem lại giá trị lợi nhuận, khách hàng nào có thể mua sản phẩm dịch vụ, tất cả thông

tin có được phải dựa trên nguồn dữ liệu lớn (hay còn gọi là big data) mà công ty sẽ

được thu thập, quản lý và phân tích.

Đã có nhiều công trình nghiên cứu rất thành công trong việc sử dụng Big Data

để phân tích mức độ tiêu dùng của khách hàng. Tuy nhiên, điểm chung của các nghiên

cứu này đều chỉ ra rằng Big Data luôn cho phép tổ chức kinh doanh thao tác quản lý

các tập dữ liệu cực kỳ lớn và phức tạp mà không một ứng dụng xử lý dữ liệu truyền

thống nào có thể hỗ trợ.

Theo Forbes, 87% các công ty coi Big Data sẽ tạo ra những thay đổi lớn cho

ngành công nghiệp của chính mình cho đến cuối thập kỷ thứ 2 của thế kỷ 21. Ngay

cả bản thân các công ty cũng có chung một suy nghĩ rằng nếu không chú trọng trong

công tác phân tích dữ liệu lớn và đưa ra các chiến lược cụ thể dựa trên phân tích thực

nghiệm sẽ khiến công ty rơi vào tình trạng kinh doanh bất ổn định.

Ngày nay, hầu hết các tổ chức ngân hàng, dịch vụ tài chính và bảo hiểm đang

nỗ lực để áp dụng một cách tiếp cận mới theo hướng khai thác dữ liệu để phát triển

và đổi mới các dịch vụ mà họ cung cấp cho khách hàng. Giống như hầu hết các ngành

công nghiệp khác phân tích dữ liệu lớn (big data analytics) sẽ là một trong những

thay đổi lớn, quan trọng trong cuộc chiến giữa các tổ chức cùng ngành.

Mặc dù nhiều tổ chức ngân hàng, dịch vụ tài chính và bảo hiểm đang thay đổi

cách thức khai thác dữ liệu bằng cách thu thập một khối lượng dữ liệu khổng lồ và

tiến hành phân tích, nhưng đó chỉ là những bước tổng quát, những bước riêng lẻ ở

từng giai đoạn trong quy trình khai thác dữ liệu big data. Trong tất các trường hợp,

các dự án big data được hình thành đều hướng đến mục tiêu ban đầu là trả lời cho câu

hỏi: “những dữ liệu này có thể giúp chúng ta giải quyết các vấn đề kinh doanh như

thế nào?”

Khi khối lượng khách hàng tăng lên, nó ảnh hưởng đáng kể đến mức độ, khả

năng cung cấp dịch vụ của từng tổ chức. Thực tiễn cho thấy việc phân tích dữ liệu

hiện tại đã đơn giản hóa quá trình theo dõi và đánh giá khách hàng tín dụng của các

ngân hàng và các tổ chức tài chính, dựa trên khối lượng dữ liệu như thông tin, hồ sơ

cá nhân và các thông tin bảo mật khác. Nhưng với sự giúp đỡ của big data, các ngân

hàng có thể khai thác để liên tục theo dõi hành vi của khách hàng trong thời gian thực,

xác định các nguồn dữ liệu cần thiết để thu thập phục vụ cho việc đưa ra giải pháp.

CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN

CỨU

1.1. Lý do chọn đề tài

Nhu cầu ngày càng cao của khách hàng là bài toán thách thức cần lời giải đáp

của doanh nghiệp nói chung và ngành ngân hàng nói riêng. Điều này đòi hỏi ngân

hàng hay doanh nghiệp phải thay đổi chiến lược phát triển theo hướng đa dạng hóa

tiện ích của các dòng sản phẩm, dịch vụ và chú trọng công tác chăm sóc khách hàng.

Thực tiễn chỉ ra rằng nguồn dữ liệu hiện hữu của một tổ chức kinh doanh là một tài

nguyên quan trọng, việc phân tích nguồn tài nguyên này phần nào giúp việc đơn giản

hóa quá trình giám sát và tìm hiểu nhu cầu khách hàng một cách hiệu quả. Với nguồn

dữ liệu lớn sẵn có, cụ thể là nguồn số liệu từ big data (tạm dịch là dữ liệu lớn), các

ngân hàng có thể tự khai thác thông tin để tiếp tục theo dõi hành vi tiêu dùng của

khách hàng trong tương lai, từ đó đưa ra chiến lược, chính sách phù hợp. Quá trình

theo dõi đánh giá hồ sơ khách hàng dựa vào thông tin hiện có hoặc đặc điểm khách

hàng sẽ giúp ngân hàng giảm thiểu được rủi ro đến mức nhỏ nhất. Điều này góp phần

trong khai thác hiệu quả đối tượng khách hang, đảm bảo vị thế cạnh tranh trên thị

trường.

Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương Tín (Sacombank) được biết

đến là một trong những ngân hàng thương mại nằm trong top đầu của hệ thống Ngân

hàng Việt Nam. Với lịch sử 28 năm thành lập và phát triển, Sacombank tiếp tục giữ

vững chiến lược phát triển là ngân hàng bán lẻ với mục tiêu rõ ràng “kinh doanh hiệu

quả - hoạt động an toàn – tăng trưởng bền vững” phù hợp trong bối cảnh nền kinh tế

thị trường đầy khó khăn. Sacombank không ngừng nỗ lực trong việc đẩy mạnh phát

triển công nghệ số, nâng cao chất lượng dịch vụ, đa dạng hóa sản phẩm với tính bảo

mật cao, cung cấp các giải pháp tài chính hiệu quả, chuyên nghiệp hóa công tác chăm

sóc khách hàng. Bên cạnh những cơ hội phát triển, Sacombank cũng phải đối mặt với

nhiều bài toán thách thức của thị trường. Mức độ cạnh tranh ngày càng gay gắt giữa

các ngân hàng là một trong những thách thức đầu tiên và đầy khó khăn mà không chỉ

Sacombank phải tìm cách giải quyết. Đặc biệt, sự liên kết và sát nhập giữa Ngân hàng

ngoại với Ngân hàng nội sẽ gây thêm nhiều khó khăn hơn trong việc cạnh tranh, bởi

sự liên kết này sẽ chiếm ưu thế hơn với sản phẩm dịch vụ có chất lượng cao, kinh

nghiệm chuyên nghiệp, năng lực quản trị tốt và mạng lưới toàn cầu cùng sự am hiểu

đặc thù kinh tế tại địa phương. Hai là, nhu cầu của khách hàng ngày một tăng cao,

đòi hỏi Ngân hàng phải đáp ứng thường xuyên việc tối ưu hóa các sản phẩm dịch vụ,

nâng cao chất lượng dịch vụ, quy trình, thủ tục đơn giải, nhanh chóng và hướng về

mục tiêu chất lượng trong kinh doanh.

Trong những năm gần đây, Sacombank đã chi ra một khoảng không nhỏ đầu

tư hệ thống lưu trữ dữ liệu. Đến thời điểm hiện tại, nguồn dữ liệu lưu trữ trong các

data warehouse đã trở thành một nguồn big data. Tuy nhiên việc khai thác dữ liệu từ

nguồn big data đang là bài toán không dễ cho các bộ phận có liên quan. Để ngân hàng

hiểu hơn về hành vi khách hàng, đặc điểm lựa chọn dịch vụ của khách hàng, việc

phân tích hành vi khách hàng từ nguồn dữ liệu big data là cực kỳ quan trọng. Điều

này không những góp phần vào việc xác định lại phân khúc thị trường để ngân hàng

có hướng tiếp cận phù hợp, trên cơ sở để phát triển thêm vào các dịch vụ hướng đến

phục vụ khách hàng một cách hiệu quả nhằm giữ chân khách hàng cũ, hạn chế sự rời

dịch vụ của khách hàng và tạo tiếng vang lôi kéo khách hàng mới. Đây là lý do nghiên

cứu của đề tài sẽ hướng đến chủ đề “Phân tích hành vi khách hàng hướng đến phân

khúc thị trường từ dữ liệu big data: Trường hợp của Sacombank”. Đề tài này có thể

nói rằng, là việc làm mới trong lĩnh vực nghiên cứu tại ngân hàng. Việc nghiên cứu

này rất được ban lãnh đạo phía ngân hàng kỳ vọng, vì kết quả nghiên cứu từ tài nguyên

dữ liệu là việc làm thực tế. Các chiến lược được đề xuất từ nghiên cứu là một áp dụng

chính thức cho năm 2020.

1.2. Mục tiêu nghiên cứu

Phân tích hành vi tiêu dùng thông qua lịch sử giao dịch của khách hàng tham

tham gia dịch vụ tiền gửi, sử dụng thẻ và tiền vay từ đó hướng đến thực hiện phân

khúc thị trường theo các nhóm tiêu dùng.

Phát triển các giải pháp kinh doanh hạn chế rủi ro rời dịch vụ của khách hàng,

tăng cường các chiến lược kinh doanh giúp giữ chân khách hàng hiện tại, khai thác

khách hàng mới.

1.3. Phương pháp nghiên cứu

1.3.1. Đối với số liệu phục vụ nghiên cứu

Nguồn dữ liệu phục vụ nghiên cứu luận văn được chiết xuất từ nguồn dữ liệu Big

Data của ngân hàng. Nguồn này được chứa trong các hệ thống lưu trữ của Sacombank.

Việc xuất dữ liệu là dựa vào thống core T24 (hệ thống lõi của ngân hàng sacombank),

CRM (hệ thống thu thập và quản lý thông tin khách hàng), mis (data warehouse),

portal... Đây là những nguồn dữ liệu cực kỳ quan trọng bởi độ tin cậy lớn và ghi lại

chính xác hành vi tiêu dùng của khách hàng trong quá trình tham gia giao dịch cũng

như sử dụng sản phẩm dịch vụ của Sacombank. Mặc dù số liệu không thuộc dạng

khảo sát, tuy nhiên việc sử dụng nguồn dữ liệu Big Data này được xem như là một

xu hướng mới trong việc nghiên cứu các vấn đề kinh tế trong kỷ nguyên công nghệ

thông tin phát triển. Nguồn tài nguyên từ Big Data phản ánh một cách trung thực nhất

về hành vi và lịch sử tiêu dùng của khách hàng theo thời gian. Qua đó, kết quả của

quá trình nghiên cứu sẽ mang độ tin cậy cao hơn. Tuy nhiên, nguồn tài nguyên này

được cung cấp từ phía Ngân hàng nên cần có tính bảo mật cao, nên nghiên cứu này

tác giả đề xuất phần dữ liệu sẽ không được công bố rộng rãi.

Số liệu được tập hợp từ các nguồn khác nhau theo loại khách hàng, trong đó

có khách hàng sử dụng thẻ tín dụng, khách hàng tiền gửi và lịch sử giao dịch tiền gửi,

và khách hàng tiền vay. Để hạn chế những thông tin nhiễu, các khách hàng được chọn

đưa vào nghiên cứu có thời gian tham gia dịch vụ trên 12 tháng. Thời gian nghiên

cứu của số liệu đối với khách hàng là 12 tháng, tính từ ngày 01/10/2018 đến ngày

30/10/2019. Thời gian đưa vào nghiên cứu mỗi mã khách hàng có nhiều dòng thông

tin, nói cách khác mỗi một dòng là một giao dịch của khách hàng. Việc xác định số

lần giao dịch của mỗi khách hàng dựa vào mã khách hàng thống kê từ hệ thống báo

cáo. Các đối tượng khách hàng trong nghiên cứu là khách hàng có tham gia giao dịch

trong thời gian nghiên cứu trên, công cụ được sử dụng hỗ trợ phục vụ phân tích là

SPSS Modeler 18. Thông tin các nhóm khách hàng có thể thấy ở bảng 1.1.

Bảng 1.1. Thông tin khách hàng từ tháng 10/2018 đến tháng 10/2019

Thông tin khách hàng Số dòng Số khách hàng

Khách hàng sử dụng thẻ 4.642 dòng là số dòng giao dịch 4.642

tín dụng của khách hàng với ngân hàng

Khách hàng tiền vay 2.349 dòng là số dòng giao dịch 1.421

trực tiếp với ngân hàng của

khách hàng

Khách hàng tiền gửi và 130.150 dòng là số dòng giao 59.650

giao dịch tiền gửi dịch tiền gửi của khách hàng với

ngân hàng

Nguồn: Tổng hợp từ big data

Mặc dù theo bảng 1.1 số khách hàng tham gia các loại dịch vụ nêu trên có sự

khác biệt về số lượng khách hàng. Tuy nhiên một khi các nhóm khách hàng này được

hợp thành một phai (được merged) số khách hàng có tham gia sử dụng thẻ tín dụng,

tham gia dịch vụ tiền vay, tham gia dịch vụ tiền gửi trong thời gian nghiên cứu của

12 tháng là 1.421 khách hàng.

1.3.2. Các khái niệm tiếp cận trong nghiên cứu

Khái niệm được sử dụng trong nghiêu cứu là phân khúc thị trường và giá trị

đóng góp của khách hàng theo thời gian (customer lifetime value). Việc phân khúc

thị trường đã được nhiều nghiên cứu trước đây thực hiện trong lĩnh vực ngân hàng

(Doğan, Ayçin, & Bulut, 2018) đã thực hiện phân khúc thị trường dựa vào các khái

niệm của RFM dựa trên nguồn dữ liệu big data của một công ty, trong đó R là

Recency, tức là thời gian mua hàng gần nhất tính đến thời điểm nghiên cứu. F là

Frequency là tần suất giao dịch của khách hàng trong thời gian mà nghiên cứu đang

thực hiện, chẳng hạn thời gian nghiên cứu là 6 tháng hoặc 12 tháng, tần suất giao dịch

hoặc mua hàng sẽ được tính toán. M là Monetary tức đo lường tổng giá trị mà khách

hàng mua sắm trong khoảng thời gian nghiên cứu. Tượng tự, (Khajvand & Tarokh,

2011) đã sử dụng mô hình RFM như nêu trên để hướng đến phân phúc thị trường

trong lĩnh vực ngân hàng bán lẻ. Sau khi xác định được từng giá trị của R, F, M, tác

giả thực hiện phân thành bốn phân khúc thị trường. Dựa vào RFM, Khajvad & Tarokh

đã xác định CLV của từng khách hàng.

Một cách khác biệt, để đo lường giá trị đóng góp của khách hàng theo thời

gian (CLV) trong lĩnh vực ngân hàng, (Kahreh, Tive, Babania, & Hesan, 2014) đã sử

dụng các giá trị doanh thu và chi phí hoạt động để các định giá trị đóng của khách

theo thời gian tham gia dịch vụ của khách hàng tại một ngân hàng. Tuy nhiên loại số

liệu sử dụng trong trường hợp này dựa vào nguồn khảo sát trực tiếp của tác giả.

Ở một trường khác, (Kim, Jung, Suh, & Hwang, 2006) đã sử dụng nguồn số

liệu từ big data trong lĩnh vực viễn thông với 200 biến và 16.384 dòng ghi lại hành vi

giao dịch của khách hàng để xác định CLV. Bước tiếp theo của việc tính toán CLV,

tác giả đã hướng đến phân khúc thị trường, trong đó phương pháp phân tích cây quyết

định (decision tree) được sử dụng để hướng đến nhóm các hành vi tiêu dùng.

Xuất phát từ các nhận định trên, nghiên cứu của luận văn lần này sẽ áp dụng

vào mô hình của (Khajvand & Tarokh, 2011) để tính RFM trước khi hướng đến phân

khúc thị trường. Việc tính toán CLV cũng sẽ được luận văn đề cập trong phần tiếp

theo.

1.3.3. Phạm vi nghiên cứu của luận văn

Nguồn dữ liệu chính là từ big data để khai thác hành vi tiêu dùng của khách

hàng, thời gian nghiên cứu của số liệu đối với khách hàng là 12 tháng, tính từ ngày

01/10/2018 đến ngày 30/10/2019. Mặc dù hệ thống ngân hàng Sacombank có mặt tất

cả các vùng trong cả nước, nhưng trong nghiên cứu này, số khách hàng được nghiên

cứu chỉ tập trung và khách hàng cá nhân và tham gia giao dịch tại thành phố Hồ Chí

Minh.

Mô hình ứng dụng trong nghiên cứu dựa vào các thuật toán. Đề tài không vận

dụng phương pháp định tính. Việc nghiên cứu này được thực hiện dựa trên sự đề xuất

của ban lãnh đạo tại ngân hàng. Đây là một nghiên cứu thực tế, kết quả nghiên cứu

để cho ra các chiến lược sẽ được triển khai vào đầu năm 2020.

1.3.4. Kết cấu của luận văn

Luận văn được chia làm 5 chương, với các nội dung sau:

Chương 1: Giới thiệu tổng quan về đề tài nghiên cứu

Chương 2: Cơ sở lý luận

Chương 3: Big data và ứng dụng của Big data tại Sacombank

Chương 4: Phân tích dữ liệu big data

Chương 5: Kết luận và đề xuất chiến lược

CHƯƠNG 2: CƠ SỞ LÝ LUẬN

2.1. Big Data

Dữ liệu lớn có thể bao gồm cả dữ liệu cấu trúc và không cấu trúc hay bán cấu

trúc. Các hoạt động được tạo lập trong hệ thống đều được Big Data ghi lại. Đối với

hoạt động kinh doanh, dữ liệu này sẽ ghi lại tất cả lịch sử tiêu dùng của khách hàng

trong suốt thời gian giao dịch, dữ liệu này sẽ ngày càng phong phú, đa dạng hơn theo

thời gian. Đây là nguồn dữ liệu hữu ích mà các tổ chức có thể sử dụng trong việc truy

vấn thông tin để phát triển chiến lược kinh doanh, hay tạo lập môi trường quản lý

chuyên nghiệp.

Hiểu được tầm quan trọng và “cơ hội kinh doanh” từ Big Data, hiện nay các

ngân hàng nước ngoài đang khai thác nguồn dữ liệu để xây dựng chiến lược kinh

doanh trên nhiều lĩnh vực chuyên môn và ngoài chuyên môn, từ phân tích tâm lý

khách hàng đến phân tích cơ hội kinh doanh trong việc bán chéo sản phẩm hay quản

lý doanh nghiệp.

Big Data đóng vai trò quan trọng trong việc truy xuất dữ liệu và hỗ trợ con

người đưa ra quyết định tốt hơn với cơ hội thành công cao hơn nhiều.

2.2. Khai thác dữ liệu (Data Mining)

Theo báo cáo của Markets and Markets thị trường Data Mining dự báo sẽ tăng

từ 591,2 triệu USD năm 2018 lên 1.039 triệu USD trong năm 2023. Đây chính là

minh chứng cho thấy xu hướng tiếp cận Data mining phục vụ cho khai thác giá trị từ

dữ liệu ở các công ty trên toàn cầu ngày càng mạnh mẽ.

Khai thác dữ liệu là một tập hợp, một hệ thống các phương pháp tính toán,

thuật toán được áp dụng cho các cơ sở dữ liệu lớn và phức tạp, mục đích loại bỏ các

chi tiết ngẫu nhiên, chi tiết ngoại lệ, khám phá các mẫu, mô hình, quy luật tìm ẩn, các

thông tin có giá trị trong bộ dữ liệu. Khai thác dữ liệu là thành quả công nghệ tiên

tiến ngày ngay, là quá trình khám phá các kiến thức vô giá bằng cách phân tích khối

lượng lớn dữ liệu đồng thời lưu trữ chúng ở nhiều cơ sở dữ liệu khác nhau (Data-

Flair).

Nguồn: https://bigdatauni.com

Biểu đồ 2.1. Quy trình khai thác dữ liệu

Dựa trên mô hình được trình bày tại biểu đồ 2.1 có thể phân quy trình khai

thác dữ liệu thành 2 quá trình: chuẩn bị dữ liệu (data preparation) và khai thác dữ liệu

(data mining) và 7 bước được mô tả chi tiết trong bảng 2.1.

Bảng 2.1. Các bước trong quá trình khai thác dữ liệu

Bước Chức năng Diễn giải

1 Làm sạch dữ liệu Loại bỏ các dữ liệu nhiễu và dữ liệu không liên

(Cleaning) quan, không đầy đủ thông tin

2 Tích hợp dữ liệu Tổng hợp và lưu trữ dữ liệu từ nhiều nguồn khác

(Integration) nhau trong một hệ cơ sở dữ liệu

3 Lựa chọn dữ liệu Chọn ra những dữ liệu liên quan, có giá trị phân tích

(Selection)

4 Chuyển đổi dữ liệu Chuyển đổi và hợp nhất dữ liệu theo các loại biến,

(Transformation) định dạng khác nhau để phù hợp và dễ dàng cho việc

phân tích.

5 Khai thác dữ liệu Xây dựng các thuật toán, phương pháp, các model

(Data mining) phân tích khác nhau nhằm mục đích phát hiện, trích

xuất các thông tin hữu ích, giá trị tiềm năng từ

những mẫu dữ liệu.

6 Đánh giá mẫu dữ liệu Xác định mức độ chính xác, khả năng đem lại giá

(Evaluation) trị thực sự và triển khai thực tế không.

7 Trình bày kết quả thu Thể hiện kết quả bằng các công cụ trực quan hóa,

được sử dụng đồ thị, bảng, biểu đồ để diễn giải kết quả

(Knowledge) đến người xem

Mặt khác, dựa trên các tiêu chí đặc điểm của một tổ chức, Xin-an Lai (2009)

đưa ra mô hình về quy trình khai thác dữ liệu bằng cách sử dụng mô hình phân khúc

khách hàng được mô tả trong biểu đồ 2.1

Khai thác dữ liệu là một trong những lợi thế các công ty trong ngành sản xuất,

kinh doanh, marketing nếu họ biết cách ứng dụng hợp lý để tăng cường hiệu quả hoạt

động. Các lợi ích cơ bản của khai thác dữ liệu như sau: hỗ trợ ra quyết định tự động,

hỗ trợ đưa ra dự báo chính xác, hỗ trợ giảm thiểu chi phí và hỗ trợ khả năng thấu hiểu

khách hàng. Đồng thời việc khai thác dữ liệu cũng được ứng dụng rộng rãi trong

nhiều lĩnh vực kinh doanh và ngành nghề và được phân theo từng chức năng nhiệm

vụ.

Bảng 2.2. Ứng dụng của khai thác dữ liệu

Phân theo chức năng nhiệm vụ Phân theo ngành và lĩnh vực

- Phân tích và quản lý thị trường - Tài chính ngân hàng

- Phân tích bên trong công ty và quản lý - Y tế chăm sóc sức khỏe

rủi ro - Viễn thông

- Phát hiện và ngăn chặn hành vi phạm - Sales và Marketing

tội và lừa đảo - E-ecommerce

- Bán lẻ và một số ngành nghề khác

2.3. Hành vi tiêu dùng

2.3.1. Định nghĩa

Hành vi người tiêu dùng là loại hình nghiên cứu hướng đến các đối tượng là

cá nhân hoặc tổ chức và cách mà các đối tượng chủ thể trên quyết định lựa chọn và

sử dụng sản phẩm, dịch vụ để thỏa mãn nhu cầu của bản thân, cũng như sự tác động

của quá trình đưa ra quyết định đó tới tâm lý số đông người tiêu dùng và xã hội.

Những tác nhân gây ảnh hưởng tới hành vi tiêu dùng chủ yếu là các tác động nội tại

và ngoại vi (Solomon, 2004). Điều này có thể do con người muốn trốn thoát khỏi

guồng công việc thường nhật, cải thiện chất lượng sống, tự thưởng công sức

(Danziger, 2004a), đẩy mạnh niềm tin vào bản thân, tìm kiếm trải nghiệm đáng nhớ,

trở nên đặc biệt và độc nhất (Danziger, 2004b), thể hiện cá tính, thể hiện địa vị xã hội

hoặc đáp ứng các nhu cầu tâm lý (Nia và Judith, 2000).

Một số các giả thuyết đã được đề xuất nhằm giải thích tại sao và bằng cách

nào mà người tiêu dùng chọn một loại sản phẩm nhất định (Bettman, 1970; Fishben,

1963; Fishbein và Ajzen, 1975; Mitchel và Olson, 1981; Rosenberg, 1950). Trong số

những nỗ lực lập ra để tạo nên số giả thuyết đó, các nhà nghiên cứu đã tập trung mạnh

vào cách thức mà người tiêu dùng phát triển thái độ bản thân đối với 1 sản phẩm, vì

thái độ với sản phẩm được cho rằng là mối liên kết giữa hành vi và sự chi tiêu. Ví dụ

cụ thể: dựa theo nghiên cứu của Fishbein và Ajzen (1975), có hai cấu kiện quan trọng

gây ảnh hưởng tới thái độ hướng tới sản phẩm: cấu trúc niềm tin và tiêu chí đánh giá

(Lee và Um, 1992). Đầu tiên, một người tiêu dùng có thể sẽ tin rằng ở mỗi một sản

phẩm sở hữu một vài các tính chất nhất định biết được là do tác động trực tiếp từ kinh

nghiệm bản thân hoặc gián tiếp thông qua các nhân vật đại diện cho thương hiệu hoặc

nguồn truyền thông công chúng. Thứ hai, người tiêu dùng có thể đánh giá một sản

phẩm chỉ với một số tính chất sản phẩm nhất định mà họ cảm thấy là đủ để áp đặt cho

việc đưa ra quyết định mua sản phẩm. Điều này cấu thành nên tiêu chí đánh giá chủ

đạo cho thái độ người mua hướng tới sản phẩm. Trong trường hợp như vậy, chúng ta

thường hay tranh cãi rằng khách hàng đưa ra quyết định là dựa vào nền tảng nhận xét,

cũng như có kiến thức về, tính chất sản phẩm (Geistfeld, và một số khác, 1977; Peter

và Olson, 1996; Wahlers, 1982). Trong một số trường hợp, người tiêu dùng có thể so

sánh giữa những lựa chọn có thể thay thế nhau tùy theo những tính chất của chúng và

chọn ra thứ họ ưa thích nhất. Trong một số khác, người tiêu dùng lại có thể đánh giá

riêng từng lựa chọn có mặt và đi theo hướng phù hợp nhất (Stephen và Simonson,

1997).

Tiêu chí đánh giá chủ yếu có thể sẽ khách quan, như giá cả, hoặc chủ quan,

như lợi ích cảm tính có từ việc sử dụng sản phẩm (Lee và Um, 1992). Tuy vậy, tiêu

chí đánh giá chính lại thường chỉ được đưa ra dưới dạng ý tưởng bởi vì các xúc tác

thông tin lọt vào 2 phạm trù lớn: nội tại và tác động ngoại vi (Lee và Lou, 1996;

Monroe và Dodds, 1988; Peter và Olson, 1996; Rao và Monroe, 1989; Richardson và

một số khác, 1994; Schelinck, 1983). Xúc tác nội tại là những tính chất có liên quan

đặc thù tới một 1 sản phẩm nhất định, có thể bao gồm các tính vật lý như hình dạng,

thiết kế, phong cách và nguyên, vật liệu (Lee và Lou, 1996; Ulgado và Lee, 1993).

Mặt khác, xúc tác ngoại vi không được coi là một phần vật chất của sản phẩm (mặc

dù vẫn liên quan đến nó). Nghiên cứu trước đây cho thấy rằng người tiêu dùng vận

dụng cả xúc tác nội tại và ngoại vi trong quá trình đánh giá sản phẩm (Lee và Lou,

1996; Monroe và Dodds, 1988; Peter và Olson, 1996; Rao và Monroe, 1989;

Richardson và một số khác, 1994; Schellinck, 1983). Có một quan điểm hay được

bàn đến đó là các xúc tác ngoại vi phổ biến hơn trong thực tế và có thể bao gồm

thương hiệu, giá, bao bì và xuất xứ (xem vd. Lee và Lou, 1996; Richardson và một

số khác, 1994). Nghiên cứu trước cũng cho rằng người tiêu dùng dễ nhận biết sự có

mặt của xúc tác ngoại vi hơn nên vì thế dựa vào chúng hơn khi đánh giá sản phẩm

nếu như đem so với các xúc tác nội tại (xem vd. Bettman và Park, 1980; Dodds và

một số khác, 1991; Han và Terpstra, 1988; Lee và Lou, 1996). Trong nghiên cứu của

Richardson và một số khác năm 1994 chẳng hạn, có xem xét về sự tương quan trong

độ quan trọng giữa xúc tác nội tại và ngoại vi trong việc nhận biết về chất lượng

thương hiệu trong 5 sản phẩm ở Mỹ (khoai tây cắt lát ăn liền thông thường, khoai tây

cắt lát ăn chấm kem kiểu Pháp, bánh quy hạt choco, phô mai cắt lát và thạch nho).

Kết quả cho thấy rằng giới tiêu dùng ở Mỹ nhìn nhận thương hiệu chủ yếu qua xúc

tác ngoại vi gắn liền với sản phẩm thay vì do nội tại.

Phần nhiều các người tiêu dùng mua sắm phụ thuộc vào thu nhập bản thân.

Nguồn thu của họ có thể xem như một tác nhân phân cấp xã hội là một nhân tố nội

tại khác cần được cân nhắc đến bởi vì nó chỉ ra tài sản và địa vị xã hội của một con

người. Dubois và Duquesne vào năm 1993 đã nhận thấy rằng nguồn thu được coi là

một tác nhân kìm hãm con người thỏa mãn nhu cầu tiêu thụ của họ. Vai trò của giới

tính tới việc mua sắm các mặt hàng đắt tiền có thể được coi là quan trọng nếu ta xét

đến việc phụ nữ mua hàng xa xỉ thường xuyên hơn đàn ông, đơn giản là vì họ đi mua

sắm nhiều hơn. Thị trường hàng xa xỉ đang tăng trưởng một cách đáng kể, đi kèm với

nhiều thay đổi to lớn về mặt hành vi người tiêu dùng.

Bên cạnh đó, hành vi chi tiêu của người dùng biến đổi theo mức độ trân trọng

mà họ dành cho loại sản phẩm. Một cách để phân loại sản phẩm đó là sử dụng 3 tiêu

chí: Mặt hàng tìm kiếm, mặt hàng trải nghiệm và mặt hàng tín nhiệm. Một mặt hàng

tìm kiếm là loại hàng hóa cho phép khách hàng tìm hiểu hoặc xem xét đầy đủ các

thông tin về tính chất chủ đạo của nó – như chất lượng hay sự phù hợp, trước khi thực

sự mua hàng (Brucks và một số khác, 2000; Klein, 1998; Nelson, 1970). Hàng hóa

trải nghiệm không để cho khách hàng biết hoặc nhận xét đầy đủ về tính chất chủ đạo

của nó trước khi thực sự mua hàng (Klein, 1998; Nelson, 1970). Một mặt hàng tín

nhiệm là loại hàng mà chất lượng của nó hầu như không bao giờ có thể, hoặc rất khó

để kiểm chứng bởi người tiêu dùng thông thường: thế nên, hầu hết sản phẩm loại này

thường được mua dựa vào niềm tin (Asch, 2001; Darby và Karni, 1973). Đối với các

sản phẩm tín nhiệm có các tính chất sản phẩm khác với sản phẩm tìm kiếm và trải

nghiệm, chẳng hạn như trang sức hoặc các thứ xa xỉ khác như lọc nước, kem chống

lão hóa, người mua hàng thường không có đủ kiến thức để thẩm định chất lượng của

nó dù đã thực sự mua và dùng qua. Thế nên, khách hàng sẽ hạn chế việc mua các loại

mặt hàng này thông qua những mô hình bán lẻ phi cửa hàng như Internet.

Có nhiều công trình nghiên cứu của nhiều tác giả xoay quanh chủ đề hành vi

tiêu dùng, một cách tổng quát có thể phân tích hành vi người tiêu dùng theo hai trường

phái chính: một là trường phái kinh tế (economic man) hay được gọi là trường phái

dựa vào lí trí (rational school) và hai là trường phái dựa vào cảm xúc (emotional

school).

Trường phái kinh tế cho rằng việc người tiêu dùng đưa ra quyết định dựa vào

lí trí để đáp ứng nhu cầu tối đa hóa giá trị sử dụng đối với sản phẩm dịch vụ. Để làm

được điều này, người tiêu dùng phải trải qua một quá trình nhận thức bao gồm các

giai đoạn: xác định những thuộc tính ưu việt của sản phẩm, thu thập thông tin và thực

hiện đánh giá các thuộc tính của các thương hiệu cạnh tranh trên thị trường nhằm đưa

ra lựa chọn thương hiệu tốt nhất. Trường phái này chỉ phù hợp cho những sản phẩm

mà đối tượng người tiêu dùng tập trung duy nhất vào những lợi ích chức năng sản

phẩm. Quan điểm theo trường phái lí trí này bỏ qua lợi ích mang tính cảm xúc, thứ

đóng vai trò rất quan trọng trong việc tiêu dùng một số sản phẩm nhất định, mà điển

hình là các sản phẩm xa xỉ phẩm.

Khác với trường phái theo lí trí, trường phái cảm xúc lại nhận định rằng, yếu

tố tác động đến hành vi người tiêu dùng cơ bản đó chính là cảm xúc. Theo quan điểm

này, người tiêu dùng ra đưa quyết định hoàn toàn dựa trên các tiêu chuẩn mang tính

chất chủ quan của chủ thể như thị hiếu, niềm tin, ham muốn hay đơn giản chỉ là thích

thú thể hiện cá tính của mình.

Bên cạnh những lí thuyết cơ bản về hành vi tiêu dùng, chúng ta cũng cần phải

bàn thêm khái niệm phân khúc thị trường một khái niệm tuy không mới nhưng lại có

ý nghĩa quan trọng trong thực tiễn kinh doanh của các tổ chức tài chính. Phân khúc

thị trường được hiểu đơn giản là chia “chiếc bánh thị trường” của một sản phẩm hay

dịch vụ nào đó thành nhiều nhóm nhỏ, gọi tắt là các phân khúc, đảm bảo rằng trong

cùng một phân khúc thì có hành vi tiêu dùng của các khách hàng tương tự nhau và

mang tính khác biệt so với khách hàng của những phân khúc còn lại. Phân khúc thị

trường đóng vai trò hết sức rất quan trọng trong việc xây dựng chiến lược marketing

mục tiêu để tối đa hóa lợi nhuận. Đây là khâu đầu tiên phải thực hiện để xác định đâu

là thị trường mục tiêu cần tập trung nguồn lực để khai thác. Một điểm cần lưu ý,

người phân tích marketing chỉ đóng vai trò nhận dạng phân khúc và tiến hành phân

tích nguồn lực sẵn có của đơn vị chọn ra phân khúc phù hợp để thực hiện chiến lược

kinh doanh chứ không phải là người tạo ra bất kỳ phân khúc nào.

Ngoài ra, trong bài nghiên cứu còn sử dụng Dữ liệu lớn (Big data). Dữ liệu lớn

là tập hợp dữ liệu có dung lượng vượt mức đảm đương của những ứng dụng và công

cụ truyền thống. Big data thường đặc trưng và gia tăng với ba Vs:

❖ Tăng về lượng (volume)

❖ Tăng về vận tốc (velocity)

❖ Tăng về chủng loại (variety)

Giờ đây, nhiều công ty và tổ chức khác trong lĩnh vực công nghệ thông tin tiếp

tục sử dụng mô hình “3V” này để định nghĩa nên Big Data. Đến năm 2012, công ty

Gartner bổ sung thêm rằng dữ liệu lớn ngoài ba tính chất trên thì còn phải “cần đến

các dạng xử lí mới để giúp đỡ việc đưa ra quyết định, khám phá sâu vào sự vật/sự

việc và tối ưu hóa các quy trình làm việc”.

Dữ liệu tạo thành các kho dữ liệu lớn có thể đến từ các nguồn bao gồm các

trang web, phương tiện truyền thông xã hội, ứng dụng dành cho máy tính để bàn và

ứng dụng trên thiết bị di động, các thí nghiệm khoa học, và các thiết bị cảm biến ngày

càng tăng và các thiết bị khác trong internet (IoT).

Khái niệm big data đi kèm với các thành phần có liên quan cho phép các tổ

chức đưa dữ liệu vào sử dụng thực tế và giải quyết một số vấn đề kinh doanh, bao

gồm cơ sở hạ tầng IT cần thiết để hỗ trợ big data; các phân tích áp dụng với dữ liệu;

công nghệ cần thiết cho các dự án big data; các bộ kĩ năng liên quan; và các trường

hợp thực tế có ý nghĩa đối với big data.

Điều thực sự mang lại giá trị từ các tổ chức dữ liệu lớn là phân tích dữ liệu.

Nếu không có phân tích, nó chỉ là một tập dữ liệu với việc sử dụng hạn chế trong kinh

doanh.

Bằng cách phân tích dữ liệu lớn, các công ty có thể có những lợi ích như tăng

doanh thu, dịch vụ khách hàng được cải thiện, hiệu quả cao hơn và tăng khả năng

cạnh tranh.

Phân tích dữ liệu liên quan đến việc kiểm tra bộ dữ liệu để thu thập thông tin

chi tiết hoặc rút ra kết luận về những gì chúng chứa, chẳng hạn như các xu hướng và

dự đoán về hoạt động trong tương lai.

Bằng cách phân tích dữ liệu, các tổ chức có thể đưa ra các quyết định kinh

doanh tốt hơn như khi nào và ở đâu nên chạy chiến dịch tiếp thị hoặc giới thiệu một

sản phẩm hoặc dịch vụ mới.

Sự phân tích có thể tham khảo các ứng dụng kinh doanh thông minh hay tiên

tiến hơn, phép phân tích dự đoán như ứng dụng được các tổ chức khoa học sử dụng.

Loại phân tích dữ liệu cao cấp nhất là data mining, nơi các nhà phân tích đánh giá các

bộ dữ liệu lớn để xác định mối quan hệ, mô hình và xu hướng.

Phân tích dữ liệu có thể bao gồm cả phân tích dữ liệu thăm dò (dùng trong

trường hợp xác định các mẫu cần phân tích và mối quan hệ trong dữ liệu) và phân

tích dữ liệu xác nhận (thông qua việc áp dụng các kĩ thuật dùng trong thống kê để tìm

ra giả thiết về một bộ dữ liệu nào đó có đúng hay không).

Theo cách tiếp cận khác thì phân tích dữ liệu được chia thành 2 dạng: phân

tích dữ liệu định lượng (hay còn gọi là phân tích dữ liệu số, và các biến trong dữ liệu

có thể so sánh theo thống kê) so với phân tích dữ liệu định tính (chỉ tập trung vào các

dữ liệu không phải là dữ liệu số như video, hình ảnh và văn bản).

Trong thực tế, dữ liệu lớn và phân tích có thể được áp dụng trong nhiều lĩnh

vực khác nhau mà điển hình là lĩnh vực kinh doanh và với nhiều trường hợp sử dụng

cụ thể khác nhau. Sau đây là vài ví dụ:

Phân tích khách hàng: Các công ty có thể truy xuất thông tin dữ liệu giao

dịch của khách hàng để phân tích xu hướng nhu cầu của khách hàng thông qua đó

nâng cao tính năng sản phẩm dịch vụ, cải thiện tỉ lệ chuyển đổi và quan trọng là giữ

khách hàng tốt hơn.

Phân tích hoạt động: Nâng cao hiệu quả hoạt động sản xuất kinh doanh và

tối ưu hóa nguồn lực (tài sản) của công ty là mục tiêu của tất cả công ty. Phân tích

big data có thể giúp doanh nghiệp vận hành một cách hiệu quả hơn và cải thiện hiệu

suất lao dộng góp phần gia tăng lợi nhuận.

Phòng chống gian lận: Phân tích dữ liệu đóng góp một phần không nhỏ trong

việc giúp các tổ chức xác định các hoạt động mang tính chất khả nghi, và các mẫu

dùng trong phân tích có thể chỉ ra hành vi gian lận và giúp doanh nghiệp có thể giảm

thiểu rủi ro.

Tối ưu hóa giá cả: Các công ty có thể sử dụng phân tích big data để dựa trên

kết quả phân tích xây dựng chiến lược tạo mới những sản phẩm dịch vụ mới mang

nhiều tính năng từ đó tối ưu hóa giá sản phẩm và dịch vụ, góp phần làm tăng doanh

thu đơn vị.

2.3.2. Hành vi tiêu dùng được phân khúc theo RFM

RFM được viết tắt từ Recency, Frequency, Moneytary, ý nghĩa của từ yếu tố

như sau:

Recency: Thời gian giao dịch gần nhất của khách hàng. Đây là chỉ số quan

trọng để xác định thời gian tham gia giao dịch tại ngân hàng. Điều này sẽ giúp ngân

hàng xác định được đâu là khách hàng mới và đâu là khách hàng cũ.

Frequency: đây là chỉ số xác định số tần suất giao dịch trong lĩnh vực ngân

hàng của suốt thời gian nghiên cứu. Ví dụ trong nghiên cứu này, thời gian số liệu

nghiên cứu là 12 tháng, tổng số lần giao dịch của khách hàng đến ngân hàng sẽ được

xác định trong trường hợp này. Những đối tượng khách hàng thường xuyên đến giao

dịch sẽ là những đối tượng có khả năng nhiều nhất trở thành hệ khách hàng trung

thành ở mức cao trong tương lai. Thông tin này một phần nào đó cũng sẽ xác định

được sự hài lòng của khách hàng đối với dịch vụ của đơn vị kinh doanh.

Monetary: là tổng giá trị số dư của khách hàng tại ngân hàng trong thời gian

nghiên cứu. Qua đó, công ty sẽ có thông tin dữ liệu để phân loại mức dư nợ hoặc số

dư nợ của khách hàng. Điều này là cơ sở giúp ngân hàng xây dựng những chương

trình, giải pháp chiến lược sản phẩm hoặc dịch vụ phù hợp theo khả năng thanh toán

hoặc chi trả của khách hàng.

Theo (Wu & Lin, 2005) đã chứng minh rằng giá trị của R và F càng cao, khách

hàng càng có thể được đo lường về hành vi sử dụng dịch vụ tại ngân hàng. Ngoài ra,

giá trị M càng cao, khách hàng càng có thể được xem rằng, họ có thể có nhiều lần

trong giao dịch tiêu dùng.

Tất cả các khách hàng được phân tích dựa vào 3 tiêu chí: thời gian giao dịch

gần nhất (R), tần suất giao dịch (F) và giá trị giao dịch (M), các tiêu chí được đánh

giá theo thang điểm từ 1 năm đến 5. Chi tiết phân khúc khách hàng theo RFM được

mô tả chi tiết theo bảng 2.3.

Bảng 2.3. Bảng mô tả điểm theo RFM

Điểm Nhóm Recency (R) Frequency (F) Monetary (M)

1 Rời dịch vụ Rất thấp Rất thấp Rất thấp

(không chắc

chắn)

2 Nguy cơ Thấp Thấp Thấp

3 Thông thường Bình thường Bình thường Bình thường

4 Tiềm năng Cao Cao Cao

5 Tốt nhất Rất cao Rất cao Rất cao

Nguồn: Wu & Lin (2005)

2.4. Phân khúc thị trường

2.4.1. Định nghĩa phân khúc thị trường

Phân khúc thị trường trong kinh doanh ngân hàng được hiểu là chia thị trường

thành những đoạn khác nhau mà trong đó ứng với mỗi đoạn sẽ có một hoặc một tập

hợp các sản phẩm dịch vụ nhất định cho một nhóm người nhất định. Người ta gọi các

đoạn phân chia đó là phân khúc thị trường, túc là một nhóm người tiêu dùng có phản

ứng như nhau đối với cùng một tập hợp những kích thích của Marketing và phân khúc

thị trường chính là quá trình phân chia người tiêu dùng thành nhóm trên cơ sở những

điểm khác biệt như nhu cầu, về tính cách hay hành vi….

Bản chất của Phân khúc thị trường chính là dùng những tiêu thức nhất định để

phân chia thị trường tổng thể quy mô lớn, không đồng nhất, muôn hình muôn vẻ về

nhu cầu thành các nhóm (đoạn, khúc) nhỏ hơn đồng chất về nhu cầu.

Mục tiêu của việc phân khúc thị trường trong tiếp thị là chia thị trường thành

những thị trường nhỏ hơn với những khách hàng có nhu cầu giống nhau, dễ nhận biết,

nắm bắt và đáp ứng nhanh hiệu quả hơn. Việc ohân khúc thị trường giúp các ngân

hàng tạo ra sản phẩm dịch vụ đáp ứng nhu cầu các khách hàng cụ thể và tập trung các

nguồn lực Marketing một cáh hiệu quả hơn. Thông qua đó, các ngân hàng sẽ xác định

được đâu là thị trường mục tiêu của mình.

a. Các yêu cầu cần có để phân khúc thị trường thành công:

Tính đồng nhất: Các đối tượng khách hàng trong cùng một ohân đoạn thị

trường có sự đồng nhất về nhu cầu và nhận định.

Tính riêng biệt: Các phân đoạn thị trường khác nhau có những đặc điểm khác

nhau.

Có thể nhận biết được: Các phân đoạn thị trường phải đo lường được và nhận

biết được.

Có thể thâm nhập và hoạt động hiệu quả: Sau khi chọn được phân đoạn thị

trường thích hợp nhà kinh doanh áp dụng các biện pháp marketing và có thể thâm

nhập và kinh doanh hiệu quả trong đoạn thị trường đó

Phân đoạn thị trường phải đủ lớn để sinh lợi nhuận.

b. Các tiêu thức dùng để phân khúc thị trường:

Những người làm Marketing ngân hàng thường tiến hành phân khúc thị trường

theo các tiêu chí: Theo nhân khẩu học, nhóm nhu cầu, nhóm thu nhập, nhóm hành vi,

vị trí địa lý…

Phân khúc thị trường theo nhân khẩu học (tuổi, giới tính, thu nhập, nghề

nghiệp, học vấn…)

Phân khúc thị trường thành những nhóm nhu cầu: Nhấn mạnh phân đoạn thị

trường dựa trên tiêu thức nhu cầu của người tiêu dùng. Các nhà nghiên cứu marketing

còn kết hợp cả đặc điểm nhân khẩu và tâm lý học khi tiến hành phân khúc thị trường

theo nhóm nhu cầu bởi nhờ đó họ xác định chính xác hơn thị trường mục tiêu.

Phân khúc thị trường theo các nhóm hành vi: Tiến hành phân chia thị trường

người tiêu dùng theo các nhóm đồng nhất về các đặc tính như: Lý do mua sản phẩm

dịch vụ, lợi ích tìm kiếm, tính trung thành, số lương và tỷ lệ sử dụng, cường độ tiêu

thụ… Các nhà Marketing cho rằng nghiên cứu về các đặc tính của hành vi ứng xử

của người tiêu dùng là khởi điểm tốt nhất để hình thành các đoạn thị trường.

Phân đoạn theo địa lý (quốc tịch): Chia thị trường thành những nhóm khách

hàng có cùng vị trí địa lý. Cách phân khúc này được sử dụng rộng rãi vì dễ thực hiện,

dễ đánh giá nhu cầu của từng khúc và dễ sử dụng các phương tiên quảng cáo. Tuy

nhiên, nhược điểm của các phân đoạn này là những khách hàng tiềm năng cùng ở trên

một địa bàn, việc thu thập thông tin và nhu cầu của họ đôi khi cũng khác nhau đặc

biệt là ở những thành phố lớn.

2.4.2. Lựa chọn thị trường mục tiêu

Thị trường mục tiêu là một phân khúc thị trường chứa tập khách hàng có nhu

cầu hay mong muốn mà ngân hàng có khả năng đáp ứng hoặc có thể ưu thế hơn so

với đối thủ cạnh tranh. Đây chính là thị trường mà ngân hàng chọn để thực hiện chiến

lược Marketing của mình.

Để lựa chọn được thị trường mục tiêu, các ngân hàng cần đánh giá các khúc

thị trường khách nhau qua đó chọn một hay một số khúc thị trường mà ngân hàng

mình có lợi thế cạnh tranh làm thị trường mục tiêu để quyết định phân phối nguồn

lực Marketing tại những khúc thị trường mục tiêu này. Việc đánh giá dựa trên 3 yếu

tố:

Đánh giá quy mô và tăng trưởng của từng khúc thị trường, khúc thị trường

nào có qui mô và mức tăng trưởng ‘vừa sức’. Trên cơ sở đó, ngân hàng sẽ quyết định

có chọn đây là khúc thị trường mục tiêu của mình hay không?

Đánh giá mức độ hấp dẫn về cơ cấu của khúc thị trường. Một số khúc thị

trường có thể có quy mô và mức tăng trưởng mong muốn nhưng lại thiếu tiềm năng

sinh lời. Ngân hàng cần phải xem xét các yếu tố quyết định mức độ hấp dẫn về khả

năng sinh lời lâu dài của một khúc thị trường như: Các đối thủ cạnh tranh hiện tại,

những kẻ xâm nhập tiềm ẩn, những sản phẩm thay thể, quyền thương lượng của người

mua và cung ứng.

Đánh giá mục tiêu và nguồn lực của ngân hàng. Một số khúc thị trường hấp

dẫn có thể vẫn bị loại bỏ, nởi vì chúng không phù hợp với mục tiêu lâu dài của ngân

hàng. Thậm chí ngay cả khi khúc thị trường phù hợp để thành công trong khúc thị

trường đó không?

Sau khi đánh giá các khúc thị trường, ngân hàng tiến hành lựa chọn thị trường

mục tiêu là thị trường mà ngân hàng có lợi thế cạnh tranh. Có 5 phương án lựa chọn:

Một là: Tập trung vào một khúc thị trường. Thông qua Marketing tập trung,

ngân hàng sẽ dành được một vị trí vững chắc trong thị trường nhờ hiểu biết rỏ hơn

những nhu cầu của khúc thị trường đó. Khi tập trung mọi nguồn lực vào một khúc thị

trường thì khả năng giành được vị trí dẫn đầu trong phân khúc thị trường đó là rất

cao. Tuy nhiên phương án này có độ rủi ro khá cao vì đến lúc nào đó thị trường này

sẽ giảm đi

Hai là: Chuyên môn hóa có chọn lọc. Trong trường hợp này, ngân hàng lựa

chọn một số khúc thị trường, mỗi khúc thị trường đều có sức hấp dẫn khách quan và

phù hợp với những mục tiêu và nguồn tài nguyên của mình. Các thị trường đều hứa

hẹn là nguồn sinh lời cho các ngân hàng. Chiến lược phục vụ nhiều khúc thị trường

này có ưu điểm là hạn chế rủi ro cho ngân hàng, nếu một khúc thị trường nào đó trở

nên không hấp dẫn nữa thì ngân hàng vẫn có thể tiếp tục thu lợi nhuận từ những khúc

thị trường khác.

Ba là: Chuyên môn hóa sản phẩm ngân hàng chỉ cung cấp một số sản phẩm

dịch vụ chuyên biệt cho khúc thị trường nhất định. Ưu điểm của phương án là có thể

cung ứung được sản phẩm có chất lượng cao. Nhưng nếu xuất hiện sản phẩm thay thế

thì rủi ro sẽ cao.

Bốn là: Chuyên môn hóa thị trường. Các ngân hàng tập trung phục vụ nhiều

nhu cầu của một số nhóm khách hàng cụ thể, Ưu điểm là ngân hàng có thể tạo ra được

uy tín của mình trên khúc thị trường nhưng rủi ro sẽ cao khi nhu cầu của khúc thị

trường này giảm.

Năm là: Phục vụ toàn bộ thị trường. Có hai cách:

+ Làm marketing không phân biệt: Bỏ qua sự khác biệt về nhu cầu của các

đoạn thị trường và sử dụng cùng một chính sách Marketing. Sử dụng phương án này

sẽ tiết kiệm được chi phí nhờ đó ngân hàng có thể định giá thấp hơn để giành được

khúc thị trường nhạy cảm với giá.

+ Làm Marketing có phân biệt: Ngân hàng chọn các thị trường mục tiêu và

thực hiện chiến lược marketing riêng cho mỗi thị trường mục tiêu đó. Sử dụng phương

án này có khả năng tạo ra tổng mức tiêu thụ lớn nhưng chi phí kinh doanh sẽ rất cao.

2.4.3. Định vị sản phẩm trên thị trường mục tiêu

Việc xác định vị thế của một sản phẩm dịch vụ được tiến hành sau khi đã xác

định được phân khúc thị trường và chọn được thị trường mục tiêu. Xác định vị thế

được hiểu là một nổ lực để ngân hàng tạo ra và quản lý cách thức mà khách hàng

trong các thị trường mục tiêu nhận thức về một sản phẩm hay dịch vụ của mình.

Các bước của quá trình xác định vị thế bao gồm: Xác định các lợi thế cạnh

tranh có thể làm nền tảng cho việc định vị, lựa chọn lợi thế cạnh tranh phù hợp, lựa

chọn chiến lược định vị tổng thể.

Xác định lợi thế cạnh tranh là việc tìm kiếm các lợi thế cạnh tranh của sản

phẩm của ngân hàng so với đối thủ. Không thể định vị sản phẩm mà không dựa vào

một lợi thế cạnh tranh nào đó. Lợi thế đó là sự khác biệt và đem lại giá trị vượt trội

so với sản phẩm của đối thủ.

Lựa chọn lợi thế cạnh tranh phù hợp là phân tích để ‘lấy ra’ lợi thế cạnh tranh

tối ưu. Sự tối ưu không chỉ nằm ở lợi thế mạnh thực sự của yếu tố cạnh tranh, mà còn

ở sự dễ dàng nhận biết từ phía khách hàng và mức độ thuận lợi trong việc truyền

thông. Có những thế mạnh thức sự của sản phẩm, nhưng khách hàng rất khó cảm

nhận và ngân hàng cũng rất khó truyền tải được những thế mạnh của mình cho khách

hàng nhận biết.

Lựa chọn chiến lược định vị tổng thể. Định vị tổng thể cho sản phẩm dịch vụ

được thể hiện qua ‘tuyên ngôn giá trị’, bao gồm một ‘hỗn hợp’ lợi ích mà sản phẩm

dịch vụ của ngân hàng dựa vào đó để định vị.

Việc xác định và lựa chọn lợi thế cạnh tranh để định vị là vấn đề cực kỳ quan

trọng. Một chiến lược định vị được xem là thành công khi và chỉ khi một hoặc một

vài thuộc tính khác biệt, đem lại giá trị vượt trội nào đó của sản phẩm chiếm được

một vị trí rõ ràng, nhất quán và lâu bền trong tâm trí người tiêu dùng.

2.5. Một số khái niệm khác

2.5.1. Mô hình ma trận giá trị khách hàng (Custumer Value Matrix Model)

Mô hình Ma trận giá trị khách hàng được giới thiệu bởi Charles Edmundson

(Marcus, C, 1998) được phát triển từ phương pháp RFM cho các doanh nghiệp vừa

và nhỏ và các nhà bán lẻ, kết quả từ phương pháp RFM đưa ra một số phân khúc

khách hàng và ra hướng chiến lược vào mỗi nhóm.

Theo Marcu (1998) đã đề xuất tính doanh số mua trung bình cho mỗi khách

hàng thay vì tổng số tiền. Ma trận 2 × 2 sử dụng kết hợp giữa doanh số mua hàng

trung bình và tần suất mua cho một phân khúc khách hàng. Tùy thuộc vào hoạt động

kinh doanh của mỗi doanh nghiệp, nên xem xét bổ sung chiến lược nào mà doanh

nghiệp sẽ được áp dụng cho từng phân khúc khách hàng.

Khái niệm mô hình Ma trận giá trị khách hàng hoàn toàn phù hợp cho các công

ty bán lẻ, họ có thể dễ dàng phân tích giá trị khách hàng. Mỗi vị trí được kết hợp bởi

cả hai giá trị Tần số và doanh số mua trung bình và cả giá trị thời gian tham gia và

Độ dài cho các chi tiết như trong bảng 2.4.

Bảng 2.4. Mô tả ma trận giá trị khách hàng

Giá trị tham chiếu Diễn giải

L↑ R↓ L↑ R↑ Thời gian tham gia dịch vụ & (Quan hệ tiềm năng_ (Quan hệ gần_close Thời gian mua hàng gần nhất potential relationship) relationship) {Length (L) and Recency (R)} L↓ R↓ L↓ R↑

(Quan hệ mất dần_lost (Hình thành mối quan

relationship) hệ_establishing

relationship)

Nguồn: (Marcus, 1998)

2.5.2. Phương pháp RFM

Trong thị trường cạnh tranh hiện nay, khách hàng được xem là một trong

những ưu tiên lớn nhất của công ty. Để tạo ra sự trung thành và giữ chân khách hàng,

các công ty cần xác định mối quan hệ khách hàng của họ dựa trên một số kỹ thuật.

Một trong số đó là ma trận quan hệ khách hàng cung cấp phân loại quản lý theo nhiều

đặc điểm của bốn nhóm khác nhau giữa các công ty và khách hàng của họ thông qua

hai yếu tố Độ dài và lần truy cập như được mô tả trong biểu đồ 2.2 và được giải thích

trong Bảng 2.5. Tóm lại, giá trị khách hàng được đánh giá bằng ma trận giá trị khách

hàng và/hoặc ma trận quan hệ khách hàng.

Bảng 2.5. Các tham số của ma trận quan hệ khách hàng

1 Length (L) = Số ngày từ ngày mở mã khách hàng đầu tiên đến giao dịch gần

nhất (số ngày tham gia dịch vụ tại ngân hàng)

2 Recency (R) = Số ngày giao dịch gần nhất so với thời gian hiện tại của nghiên

cứu

Biểu đồ 2.2. Mô hình ma trận giá trị khách hàng

Ghi chú: Close Relationship (CR) = Quan hệ gần; Establishing Relationship (ER) =

Hình thành mối quan hệ; Lost Relationship (LR) = Quan hệ lâu dài; Potential

Relationship (PR) = Quan hệ tiềm năng.

2.5.3. Giá trị vòng đời khách hàng (Custumer Lifetime Value - CLV)

Giá trị vòng đời khách hàng là giá trị của một khách hàng đóng góp cho công

ty bạn trong suốt cuộc đời họ. Khách hàng trung thành là người đem lại nguồn lợi

nhuận lâu dài và bền vững cho doanh nghiệp vì có giá trị vòng đời cao, nó được phát

hiện sớm bởi Kotler (1974) với định nghĩa Giá trị hiện tại của dòng lợi nhuận tương

lai dự kiến trong một thời gian nhất định chân trời giao dịch với khách hàng, và nhấn

mạnh vào những khách hàng có lợi nhuận.

Nói chung, có nhiều phương pháp khác nhau để tính toán CLV cho các tổ chức

khác nhau. Trong luận án này, do phân khúc dựa trên Giá trị và Thời gian truy cập

trọn đời của khách hàng, Tần suất và Tiền tệ (RFM), các đặc điểm được chọn theo

phương pháp này bao gồm ngày mua mới nhất, số lần mua là tần suất mua của khách

hàng, tổng số tiền chi tiêu bởi khách hàng trong một năm và đếm mặt hàng liên quan

đến một loạt các sản phẩm khách hàng đã mua. Các đặc điểm cuối cùng được chọn

dựa trên quan điểm chuyên gia. Dữ liệu được chuyển đổi được hiển thị trong bảng

2.6.

Bảng 2.6. chuyển đổi dữ liệu

Dữ liệu ban đầu Dữ liệu chuyển đổi

Ngày mua cuối cùng (type: date) Lần giao dịch cuối cùng (type: number)

Đếm số lượng mua Tần số/tần suất giao dịch

Tổg số tiền/tổng số dư giao dịch Tổng tiền/lần mua

2.5.4. Thuật toán phân cụm (Clustering)

Đây là một dạng thuật toán nhằm thực hiện mục tiêu đơn giản hóa dữ liệu,

được sử dụng phổ biến trong việc hướng đến nhân tố hành vi tiêu dùng, phục vụ chiến

lược nắm bắt nhanh phân khúc thị trường. Phân tích cụm (CLUSTER) hoặc phân cụm

(CLUSTERING) là việc phân nhóm các đối tượng có liên quan vào một nhóm đại

diện bởi một biến gọi là cluster (hay còn được gọi là cụm) tương tự nhau hơn so với

các nhóm (cụm) khác. Đây là một trong những công việc chính của khai thác dữ liệu

(data mining). Phương pháp này là một kỹ thuật phổ biến dùng trong phân tích thống

kê và được sử dụng trong nhiều lĩnh vực kinh tế-xã hội, địa lý, nghiên cứu hành vi xã

hội... Phân tích Cluster xuất phát điểm từ nhân khẩu học vào năm 1932 bởi Driver và

Kroeber và được Zubin; Robert Tryon giới thiệu vào lĩnh vực tâm lý học lần lượt

vào năm 1938 và năm 1939. Phương pháp phân tích này biết đến rộng rãi vào năm

1943 khi Cattell sử dụng vào việc phân loại lý thuyết tính cách trong tâm lý cá tính.

Phân tích cụm được nghiên cứu rộng rãi như một nhánh của thống kê, với

trọng tâm chính là phân tích cụm dựa trên khoảng cách. Trong một số hệ thống hoặc

gói phần mềm phân tích thống kê, ví dụ SPSS, S-Plus và SAS, các công cụ phân tích

cụm dựa trên k-medoid, k-mean và các phương pháp khác cũng được tích hợp.

Nói chung, có một số phương pháp phân cụm hiện có cũng như phát triển các

phương pháp mới. Dựa trên cả kiểu dữ liệu có sẵn và mục đích ứng dụng cụ thể, một

trong những phương pháp này được chọn để trình bày bức tranh tương đối có tổ chức.

Tuy nhiên, bốn phương pháp phân cụm cơ bản chính được tóm tắt ngắn gọn trong

Bảng 2.7

Bảng 2.7. Các phương pháp cơ bản của thuật toán phân cụm

STT Phương pháp Mô tả

• Thích ứng tách biệt cụm độc quyền: một tập hợp n đối

tượng được chia thành k phân vùng với k ≤ n.

• Dựa trên khoảng cách: k tạo phân vùng ban đầu và sau

đó sử dụng phương pháp di chuyển lặp để tăng cường

1 Phân vùng phân vùng bằng cách chuyển các đối tượng từ nhóm này

sang nhóm khác.

• Áp dụng một số phương pháp heuristic phổ biến như

K-medoid hoặc K-mean (v.v.) để thể hiện trung tâm của

cụm

• Tìm các cụm dữ liệu hình cầu nhỏ đến trung bình

• Tạo phân rã phân cấp (nghĩa là nhiều cấp độ)

• Tiến hành theo cách tích tụ lại (agglomerative) hay

phân chia ra (divisive) 2 Thứ bậc • Không bao giờ có thể sửa lỗi sáp nhập hoặc chia tách

• Có thể kết hợp các kỹ thuật khác như phân cụm vi mô

hoặc xem xét đối tượng liên kết trực tuyến

• Chỉ có thể tìm thấy các cụm hình cầu

• Các cụm là các vùng dày đặc của các đối tượng trong

không gian được phân tách bằng các vùng mật độ thấp 3 Mật độ • Mật độ cụm: Mỗi điểm phải có số điểm tối thiểu trong

vùng lân cận của nó

• Có thể lọc ra các ngoại lệ

• Sử dụng cấu trúc dữ liệu lưới đa biến

• Thời gian xử lý nhanh (thường không phụ thuộc vào 4 Lưới số lượng đối tượng dữ liệu, nhưng phụ thuộc vào kích

thước lưới)

Để minh họa phương pháp phân vùng và phân cấp, biểu đồ 2.3 trong đó k là

số cụm, cho một ví dụ bao gồm (a) với các tham số ban đầu khác nhau và dấu '' + '' là

giá trị trung bình của các giá trị của một cụm cụ thể và (b) với mô tả của dendrogram

được tạo ra bởi các đối tượng chia rẽ cùng với phương pháp phân cụm kết tụ.

Biểu đồ 2.3. Ví dụ về các thuật toán phâm cụm cổ điển

2.5.5. Thuật toán K-means

MacQueen giới thiệu thuật toán K-means vào năm 1967 trong tài liệu “J. Some

Methods for Classification and Analysis of Multivariate Observations”, đây là một

trong những thuật toán đơn giản và nổi tiếng nhất của thuật toán máy học. Nó là

phương pháp tuy đơn giản nhưng đặc biệt hiệu quả trong bài toán không cần định

hướng trước, khi mà dữ liệu của bạn chưa được phân loại. Mục tiêu của thuật toán

này là chia nhỏ dữ liệu của bạn thành k nhóm dựa trên đặc điểm được cung cấp. Các

điểm dữ liệu được xếp vào trong từng nhóm dựa trên sự giống nhau về đặc điểm nhận

dạng.

Thuật toán K-Means dùng trong các bài toán phân loại/nhóm n đối tượng thành

k nhóm dựa trên đặc tính/thuộc tính của đối tượng. Các bước cơ bản của thuật toán

K-means được mô tả chi tiết trong Bảng 2.8 và được tóm tắt trong biểu đồ 2.4.

Bảng 2.8. Các bước cơ bản của thuật toán K-means

Diễn giải STT

Khởi tạo:

Bước 1 - Chọn ngẫu nhiên k điểm bất kỳ làm điểm trung tâm

Nhóm dữ liệu:

- Nhóm mỗi điểm dữ liệu vào 1 cụm có điểm trung tâm gần nhất với nó.

Bước 2 - Nếu các cụm sau khi nhóm không thay đổi so với trước khi nhóm thì ta

dừng giải thuật.

Cập nhật trung tâm:

- Với mỗi cụm sau khi nhóm lại, ta cập nhập lại điểm trung tâm của chúng Bước 3 bằng cách lấy trung bình cộng.

Biểu đồ 2.4. Ví dụ về phân cụm bằng phương pháp K-means

Cụ thể, biểu đồ 2.4 mô tả ba bước về phân cụm bằng phương pháp K-means

như sau:

• Phần (a): Một bộ đối tượng ban đầu

• Phần (b): Cập nhật trung tâm cụm và theo đó gán lại các đối tượng được đánh dấu

bằng a + giá trị trung bình của mỗi cụm

• Phần (c): Phát hiện cụm tách biệt

2.6. Quy trình nghiên cứu

Dựa theo tham khảo các nghiên cứu trước đó của (Wu & Lin, 2005) và

(Khajvand, Zolfaghar, Ashoori, & Alizadeh, 2011) để xác định các ma trận. quy trình

nghiên cứu này giúp những người ra quyết định phát triển các chiến lược tiếp thị tốt

hơn, tận dụng tối đa kiến thức thu được từ khai thác dữ liệu và phân tích RFM. Theo

các biến của khách hàng, có vẻ hữu ích cho dự đoán hành vi của họ vì không phải tất

cả khách hàng đều mua cùng số lượng và một số được đặt hàng thường xuyên hơn

hoặc gần đây hơn. Nó cũng cung cấp các đề xuất sản phẩm hoặc dịch vụ tốt hơn so

với các đề xuất đơn giản, bằng cách tính đến các thông số khác nhau: phân khúc khách

hàng, giá trị RFM của khách hàng hiện tại và hành vi của khách hàng tiềm năng trong

tương lai.

Quy trình nghiên cứu bao gồm năm phần chính: xử lý dữ liệu, phân tích RFM,

phân khúc khách hàng, dự đoán và đề xuất như trong biểu đồ 2.5.

Quá trình

Đầu vào

Đầu ra

Nhập dữ liệu

Dữ liệu

Phân tích RFM

Đánh giá

Phân khúc Phân cụm + RFM

Đánh giá

Phân nhóm + RFM

Đánh giá

Phân tích kết hợp + RFM

Trình bày kết quả

Biểu đồ 2.5. Quy trình nghiên cứu

CHƯƠNG 3: BIG DATA VÀ ỨNG DỤNG BIG DATA TẠI

SACOMBANK

3.1. Big Data và ứng dụng của Big data trong lĩnh vực ngân hàng

3.1.1. Big data

Đã có nhiều công trình nghiên cứu rất thành công trong việc sử dụng Big Data

để phân tích mức độ tiêu dùng của khách hàng. Tuy nhiên, điểm chung của các nghiên

cứu này đều chỉ ra rằng Big Data luôn cho phép tổ chức kinh doanh thao tác quản lý

các tập dữ liệu cực kỳ lớn và phức tạp mà không một ứng dụng xử lý dữ liệu truyền

thống nào có thể hỗ trợ.

Dữ liệu lớn có thể bao gồm cả dữ liệu cấu trúc và không cấu trúc hay bán cấu

trúc. Các hoạt đọng được tạo lập trong hệ thống đều được Big Data ghi lại. Đối với

hoạt động kinh doanh, dữ liệu này sẽ ghi lại tất cả lịch sử tiêu dùng của khách hàng

trong suốt thời gian giao dịch, dữ liệu này sẽ ngày càng phong phú, đa dạng hơn theo

thời gian. Đây là nguồn dữ liệu hữu ích mà các tổ chức có thể sử dụng trong việc truy

vấn thông tin để phát triển chiến lược kinh doanh, hay tạo lập môi trường quản lý

chuyên nghiệp.

Hiểu được tầm quan trọng và “cơ hội kinh doanh” từ Big Data, hiện nay các

ngân hàng nước ngoài đang khai thác nguồn dữ liệu để xây dựng chiến lược kinh

doanh trên nhiều lĩnh vực chuyên môn và ngoài chuyên môn, từ phân tích tâm lý

khách hàng đến phân tích cơ hội kinh doanh trong việc bán chéo sản phẩm hay quản

lý doanh nghiệp.

Big Data đóng vai trò quan trọng trong việc truy xuất dữ liệu và hỗ trợ con

người đưa ra quyết định tốt hơn với cơ hội thành công cao hơn nhiều.

3.1.2. Ứng dụng của Big data trong lĩnh vực ngân hàng

Nguồn dữ liệu Big Data đều có hầu hết trong các lĩnh vực kinh tế xã hội, không

chỉ trong lĩnh vực ngân hàng và dịch vụ tài chính. Mọi giao dịch của khách hàng tại

ngân hàng đều tạo ra hồ sơ điện tử, các bản sao lưu được lưu theo quy định của pháp

luật. Nhờ phân tích ưu việt của Big Data, các dịch vụ tài chính của các công ty không

còn lưu trữ dữ liệu theo yêu cầu bắt buộc như trước đây mà giờ họ chủ động hơn

trong việc trích xuất dữ liệu để từ đó xây dựng giải pháp chiến lược cải thiện hoạt

động, tăng lợi nhuận cho tổ chức.

Nói tóm lại, Big Data là một nguồn tài nguyên quan trọng và cần thiết trong

giai đoạn hội nhập ngày nay, bởi cốt lõi của Big Data là nền tảng tạo ra lợi thế cạnh

tranh trong bất kỳ một tổ chức tài chính nào không chỉ riêng ngân hàng. Bằng việc

phân tích xử lý nguồn dữ liệu này giúp nhà lãnh đạo nắm bắt và dự đoán được nhu

cầu thay đổi tiêu dùng của khách hàng như thế nào để từ đó đưa ra những chiến lược

phù hợp. Dữ liệu lớn sẽ không chỉ mang lại diện mạo hoàn toàn mới cho doanh

nghiệp, mà hơn thế nữa nó còn tạo ra một quy trình đổi mới cho từng loại dịch vụ đáp

ứng nhu cầu ngày càng đa dạng của khách hàng góp phần thúc đẩy phát triển doanh

nghiệp, đảm bảo lợi nhuận ngày càng tăng đồng thời cũng tối thiểu hóa các rủi ro và

tiết kiệm chi phí.

Xét hệ quy chiếu gồm 3 yếu tố: sản phẩm dịch vụ, bộ phận chăm sóc khách

hàng, chức năng điều hành trong các tổ chức kinh doanh về mảng tài chínnh – dịch

vụ, thì Big Data có thể được xem như là một công cụ khai thác hiệu quả nhất trong

việc xây dựng chiến lược dựa trên sự tổ hợp các thành phần: kiến thức, mô hình kinh

doanh và khả năng áp dụng công nghệ để tạo ra cơ hội cạnh tranh cho tổ chức. Với

từng mục đích cụ thể cũng như việc xử lý nguồn tài nguyên Big Data khác nhau của

các tổ chức khác nhau, sẽ đem lại nhiều trường hợp ứng dụng dữ liệu lớn khác nhau,

đặc biệt và mang tính chất chuyên biệt. Dưới đây là những ví dụ minh họa các trường

hợp phổ biến và mảng dịch vụ tài chính ngân hàng được ra làm mẫu nghiên cứu để

tìm và phát triển các giá trị ẩn sâu bên trong ứng dựng phân tích Dữ liệu lớn.

Ngân hàng có khả năng truy cập trực tiếp và tiếp cận thông tin một cách dễ dàng, các

dữ liệu lịch sử liên quan đến thói quen và hành vi chi tiêu của khách hàng. Ngân hàng

cũng nắm giữ các thông tin tài chính của khách hàng: tiền lương chuyển khoản cụ thể

mỗi tháng, tiền gửi tiết kiệm tại các tổ chức tín dụng, hay các chi phí sinh hoạt liên

quan đến công ty cung ứng dịch vụ tiện ích (điện, nước, dịch vụ internet...) khi khách

hàng sử dụng các sản phẩm dịch vụ ngân hàng... Điều này cung cấp cơ sở và cơ hội

để các ngân hàng có thể truy cập và phân tích dữ liệu một cách chuyên sâu hơn phục

vụ từng mục đích nhu cầu cụ thể. Bằng cách áp dụng chức năng sàng lọc thông tin về

thời gian, điều kiện kinh tế vĩ mô (thất nghiệp, lạm phát, cung cầu thị trương…) thì

người phân tích sẽ càng hiểu rõ hơn nhu cầu chi tiêu tăng/giảm của khách hàng xuất

phát từ đâu. Đây là một trong bước đầu tiên cũng như là những yếu tố cơ bản cho

trong quá trình đánh giá rủi ro, sàng lọc tổng thể thông tin từ đó đánh giá khả năng

vay vốn (tài chính, tài sản) của khách hàng và hơn hết là xây dựng chiến lược bán

chéo sản phẩm, tối ưu hóa tiện ích cho khách hàng.

Việc tiếp cận thông tin ban đầu với khách hàng hết sức quan trọng trong việc

tìm hiểu nhu cầu, tạo lập thông tin để từ đó thiết lập sản phẩm dịch vụ phù hợp với

khách hàng dựa trên các thông tin và tài liệu được cung cấp trong quá trình trao đổi.

Big Data sẽ là kho dữ liệu cung cấp cho ngân hàng các thông tin cá nhân và lịch sử

giao dịch của khách hàng để từ đó có sơ sở trong việc phân loại khách hàng dựa trên

các thông số khác nhau, bao gồm các dịch vụ thường được khách hàng sử dụng, thời

gian sử dụng dịch vụ.

Lợi ích mang lại của việc xác định phân khúc khách hàng là cho phép các ngân

hàng xây dựng các chiến dịch tiếp thị phù hợp để đáp ứng nhu cầu chính xác của

khách hàng. Tuy nhiên, việc thu thập và đánh giá thông tin các yêu cầu cần có sự đầu

tư chỉnh chu vào cơ sở hạ tầng của doanh nghiệp cũng như đầu tư vào mạng lưới kết

nối giữa tất cả nhân viên của các bộ phận, phòng ban chức năng đồng thời chú trọng

tân tiến công nghệ, phần mềm kỹ thuật tốt để thuận lợi cho quá trình khai thác Dữ

liệu lớn.

Tùy vào mục đích, cơ cấu, nguồn lực, khả năng khác nhau ở mỗi tổ chức mà

sẽ có nhiều trường hợp ứng dụng big data khác nhau, mang tính chất đặc thù, riêng

biệt.

Phân tích các thói quen chi tiêu của khách hàng

Các ngân hàng có khả năng truy cập trực tiếp nguồn thông tin, dữ liệu lịch sử

dồi dào liên quan đến các thói quen, hành vi chi tiêu của khách hàng. Các ngân hàng

còn nắm thông tin về số tiền một khách hàng được trả bao nhiêu ví dụ như mức lương

cụ thể trong bất kỳ tháng nào, số tiền được chuyển vào tài khoản tiết kiệm, số tiền đã

được thanh toán đến các công ty thanh toán tiện ích (điện lực, nước, internet…) thời

gian sử dụng dịch vụ của ngân hàng…Điều này cung cấp cơ sở, cơ hội để các ngân

hàng tiếp cận và phân tích dữ liệu sâu hơn. Áp dụng các chức năng sàng lọc thông tin

(filter function) mà nhân viên ngân hàng có thể hiểu được nguyên nhân tác động làm

mức lương của khách hàng tăng hay giảm và khả năng chi tiêu của khách hàng thay

đổi như thế nào. Đây là một trong những yếu tố nền tảng cho quá trình đánh giá rủi

ro, sàng lọc, thẩm định hồ sơ cho vay, đánh giá khả năng thế chấp và cung cấp nhiều

sản phẩm tài chính khác (cross-selling) đến khách hàng như bảo hiểm.

Các ngân hàng được hưởng lợi rất nhiều nếu biết được thông tin khách hàng

rút tiền mặt – tất cả số tiền có được vào ngày trả lương hoặc nếu muốn giữ tiền lại

trên thẻ tín dụng/thẻ ghi nợ. Tận dụng điều đó, ngân hàng có thể tiếp cận khách hàng,

mở rộng dịch vụ, thu hút khách hàng đầu tư vào các khoản vay ngắn hạn với tỷ lệ

thanh toán cao và lãi suất thích hợp.

Phân khúc khách hàng và thẩm định hồ sơ

Một khi các phân tích ban đầu về các thói quen chi tiêu của khách hàng cùng

với xác định các loại hình dịch vụ, kênh giao dịch được khách hàng ưu tiên, ví dụ

khách hàng muốn gửi tiền tiết kiệm hay muốn đầu tư vào vào các khoản vay) được

hoàn tất thì các ngân hàng sẽ có được một cơ sở dữ liệu (database) phục vụ cho quá

trình phân khúc phân loại khách hàng một cách phù hợp dựa vào thông tin và hồ sơ

khách hàng cung cấp. Những khách hàng nào chi tiêu dễ dàng thoải mái, các nhà đầu

tư nào thận trọng kỹ lưỡng, khách hàng nào thanh toán các khoản nợ nhanh chóng,

khách hàng nào bắt đầu trả nợ khi sắp đáo hạn, thời gian khách hàng vào sử dụng

dịch vụ của ngân hàng để đo lường lòng trung thành…biết được hồ sơ cá nhân của

tất cả khách hàng giúp ngân hàng đánh giá chi tiêu và thu nhập dự kiến trong tháng

tới và lập kế hoạch chi tiết để đảm bảo lợi nhuận cho chính tổ chức là lợi nhuận cho

chính khách hàng.

Big data sẽ cung cấp cho các ngân hàng những hiểu biết kiến thức chuyên môn

sâu về thói quen và mô hình chi tiêu khách hàng, đơn giản hóa những nhiệm vụ xác

định nhu cầu và mong muốn của họ. Bằng cách có thể theo dõi từng giao dịch của

khách hàng, các ngân hàng sẽ có thể phân loại khách hàng dựa trên các thông số khác

nhau, bao gồm các dịch vụ thường được khách hàng sử dụng, thời gian sử dụng dịch

vụ, thói quen chi tiêu khi dùng thẻ tín dụng hoặc thậm chí là giá trị tài sản ròng.

Lợi ích mà phân khúc khách hàng mang lại là nó cho phép các ngân hàng nhắm

mục tiêu khách hàng tốt hơn với các chiến dịch tiếp thị có liên quan được thiết kế để

đáp ứng chính xác nhu cầu của khách hàng.

Việc phân tích dữ liệu big data tăng khả năng cho các công ty, nắm được nhu

cầu tiềm ẩn bên trong của từng khách hàng từ đó tạo được phân khúc thị trường. Tuy

nhiên việc thu thập và đánh giá thông tin khách hàng đòi hỏi sự đầu tư vào cơ sở hạ

tầng của tổ chức cũng như đầu tư vào mạng lưới liên kết giữa các nhân mọi phòng

ban, bộ phận chức năng của tổ chức với công nghệ, phần mềm kỹ thuật tiên tiến phục

vụ quá trình khai thác big data.

Bán kèm thêm các dịch khác (cross-selling)

Dựa trên cơ sở dữ liệu của Big Data mà các ngân hàng có thể thu hút hoặc giữ

chân khách hàng bằng cách phát triển các dòng sản phẩm mới đa tiện ích hoặc cải

thiện chính sách chăm sóc khách hàng. Ngân hàng có thể đưa ra nhiều sự lựa chọn

cho khách hàng chẳng hạn: giới thiệu các khoản đầu tư với lãi suất hấp dẫn cho phân

khúc khách hàng tiền gửi, đang nhàn rỗi vốn. Hoặc ngân hàng cũng có thể đưa ra các

gói tín dụng ngắn hạn cho phân khúc khách hàng có thói quen chi tiêu "thoải mái"

cho nhu cầu tiêu dùng phục vụ nhu cầu đời sống hàng ngày của họ hoặc phân khúc

khách hàng kẹt vốn trong việc thanh toán các khoản đầu tư nhà, xe khi dòng thu nhập

chưa về kịp. Việc phân tích chính xác thông tin dữ liệu hồ sơ của khách hàng sẽ giúp

ngân hàng có thể xây dựng chiến lược marketing bán chéo các sản phẩm dịch vụ khác

hiệu quả hơn và thu hút nhiều khách hàng hơn từ đó góp phần tăng doanh thu cho

doanh nghiệp.

Xây dựng hệ thống thu thập các phản hồi của khách hàng (feedback) và

phân tích chúng

Xây dựng hệ thống ghi nhận phản hồi từ khách hàng sau mỗi lần khác hàng sử

dụng sản phẩm dịch vu: phản hồi trực tiếp tại quầy hay đường dây nóng của Trung

tâm dịch vụ khách hàng, phản hồi qua thư điện tử, hòm thư góp ý hoặc qua fanpage

của ngân hàng thông qua uứng dụng mạng xã hội (facebook, zalo...). Các công cụ

phân tích của Big Data có thể tìm kiếm để sàng lọc thông và thu thập tất cả dữ liệu

được đề cập tới thương hiệu của ngân hàng để có thể phản hồi một cách nhanh chóng

và đầy đủ cho khách hàng. Đồng thời, công cụ này cũng hỗ trợ trong việc ngăn chặn

những tin đồn ảnh hưởng đến hoạt động kinh doanh và niềm tin của khách hàng vào

ngân hàng, thực trạng này cũng đã xảy ra tại một số ngân hàng Việt Nam hiện nay.

Với tâm lý của một khách hàng nghĩ rằng nếu ngân hàng sẵn sàng lắng nghe

khách hàng và đánh giá cao những ý tưởng đóng góp vào việc phát triển cải tiến sản

phẩm dịch vụ tốt hơn thì không lý do nào mà khách hàng có thể từ bỏ để đến một

điểm giao dịch khác. Muốn được như vậy, điều đầu tiên là phải thể hiện được tinh

thần “luôn luôn lắng nghe và luôn luôn thấu hiểu khách hàng” thông qua việc thiết

lập xây dựng một trung tâm dữ liệu - trung tâm này sẽ lưu trữ tất cả các tương tác của

khách hàng với các thương hiệu bao gồm cơ sở dữ liệu riêng tư, lịch sử giao dịch...

với mục đích là hỗ trợ phát triển chiến lược để đáp ứng những gì khách hàng đang

mong muốn để gia tăng lòng trung thành của khách hàng đối với doanh nghiệp.

Marketing theo hướng cá nhân hóa

Khi phân khúc khách hàng đã được xác định từ việc phân tích dữ liệu lớn, các

ngân hàng có thể xây dựng chính sách marketing theo hướng cá nhân hóa để nhắm

vào đúng nhu cầu và mục tiêu khách hàng cần dựa trên sự phân tích về thói quen chi

tiêu cá nhân của họ thông qua lịch sử giao dịch. Ngoài ra, để đảm bảo dữ liệu về lịch

sử giao dịch của khách hàng, ngân hàng cần kết hợp dữ liệu không có cấu trúc - một

dạng dữ liệu Big Data được thu thập từ các ứng dụng mạng xã hội như hồ sơ thông

tin khách hàng trên Facebook, Zalo .. để hoàn thiện hơn bức tranh toàn cảnh thể hiện

nhu cầu của khách hàng dựa trên phân tích tâm lý nhu cầu khác nhau của khách hàng

tại các thời điểm khác nhau. Mặt khác, dữ liệu của khách hàng trong các phương tiện

xã hội nền tảng hay thông qua các ứng dụng xã hội thông minh khác sẽ phần nào giúp

các ngân hàng phân tích được các rủi ro có thể xảy ra, từ đó có thể đưa ra quyết định

nên cho vay hay không ngoài việc nhìn nhận và đánh giá hồ sơ như cách truyền thống

bây giờ.

Sau khi phân tích và dự đoán được nhu cầu cụ thể của từng đối tượng khách

hàng, dựa trên cơ sở dữ liệu đó ngân hàng đưa ra các giải pháp, kế hoạch tiếp thị phù

hợp để từ đó tăng cơ hội đồng ý sử dụng dịch vụ ngân hàng từ khách hàng. Có nhiều

cách tiếp thị khác nhau, chẳng hạn các ngân hàng có thể tiếp thị qua e-mail để gửi

cho khách hàng những thông tin ưu đãi mới nhất về các dịch vụ cho vay ngắn hạn với

lãi suất cạnh tranh trên thị trường hoặc tiền gửi với lãi suất hấp dẫn hay các chương

trình dự thưởng đặc biệt...Việc tạo ra các sản phẩm và dịch vụ phù hợp cho từng phân

khúc khách hàng cụ thể sẽ giúp các ngân hàng nâng cao hình ảnh thương hiệu và tạo

dựng mối quan hệ tốt đối với khách hàng.

Thay đổi cách thức cung cấp dịch vụ đến khách hàng.

Hệ thống Dữ liệu lớn được xem là một hệ thống phức tạp liên kết với nhiều bộ

phận có các chức năng khác nhau, nhưng công việc chính của nó là giúp nhà điều

hành có thể đưa ra các quyết định dễ dàng hơn trên cơ sở phân tích các thông tin được

cập nhật từ hệ thống. Bất cứ khi nào thông tin giao dịch của khách hàng được nhập

vào hệ thống, hệ thống Dữ liệu lớn sẽ hỗ trợ sàng lọc tất cả dữ liệu và truyền tải hoặc

cung cấp dữ liệu cần thiết để phục vụ nhu cầu phân tích quy trình. Công cụ Big Data

cho phép các ngân hàng tối ưu hóa trong quy trình làm việc và tiết kiệm cả thời gian

lẫn các chi phí phát sinh. Đồng thời dữ liệu lớn cũng cho phép các tổ chức tài chính

xác định và khắc phục sự cố trước khi chúng ảnh hưởng đến khách hàng của họ.

Với thời đại công nghệ 4.0 hiện nay, các ngân hàng ngày nay có hàng nghìn

cách để tìm hiểu nhu cầu của khách hàng. Nhưng với công cụ phân tích của Big Data

cho phép người dùng khai thác tối ưu hơn nguồn tài nguyên thông tin sẵn có để phục

vụ nhu cầu phát triển kinh doanh doanh nghiệp. Muốn làm được điều này, đội ngũ

nhân viên ngân hàng cần được đào tạo kỹ năng phân tích và khai thác dữ liệu tốt.

Điều này sẽ tạo ra một giải pháp khả thi, ngay thời điểm hiện tại hoặc trong tương lai

gần. Hiện tại, các ngân hàng có nguồn vốn lớn đã có những kế hoạch rõ ràng để đầu

tư hệ thống dữ liệu lớn và nghiên cứu cách phân tích hiệu quả nguồn tài nguyên từ

hệ thống Dữ liệu lớn này. Từ việc hiểu được nhu cầu của khách hàng thông qua kết

quả phân tích hành vi người tiêu dùng, các ngân hàng cần phải tổ chức nhiều hơn các

hoạt động nội bộ, cải thiện dịch vụ kịp thời và kiểm soát chi phí hoạt động tốt nhất

hoặc đưa ra giải pháp tài chính đa tính năng cho khách hàng nhằm giữ chân khách

hàng và thu lợi nhuận cho doanh nghiệp.

Phát hiện và ngăn chặn hành vi lừa đảo, vi phạm pháp luật

Dựa vào dữ liệu về lịch sử giao dịch và hồ sơ tín dụng của khách hàng, ngân

hàng sẽ có thể xác định hay nhận định được cảnh báo những bất thường xảy ra trong

quá trình hoạt động, cung cấp dịch vụ cho khách hàng. Big data sẽ cho phép các ngân

hàng đảm bảo rằng không có giao dịch trái phép nào được thực hiện, cung cấp mức

độ an toàn, nâng cao tiêu chuẩn bảo mật của toàn bộ ngành.

Kiểm soát rủi ro, minh bạch báo cáo

Ngoài việc phát hiện và ngăn chặn hành vi lừa đảo, vi phạm để bảo vệ lợi ích

nguời tiêu dùng các ngân hàng có thể ứng dụng Big data để đo lường, kiểm soát rủi

ro khi thực hiện các giao dịch. Các thuật toán big data còn giúp giải quyết các vấn đề

về tuân thủ quy định pháp luật và kế toán, kiểm toán và báo cáo tài chính minh bạch

nhằm hợp lý hóa các hoạt động của tổ chức từ đó giảm được chi phí quản lý.

3.2. Ứng dụng big data tại Sacombank

3.2.1. Giới thiệu về Sacombank

Ngân hàng Thương mại Cổ phần Sài Gòn Thương Tín (Sacombank) được

thành lập vào ngày 21/12/1991 theo giấy phép thành lập và hoạt động số 006/NH-GP

do Thống đốc Ngân hàng Nhà nước Việt Nam cấp ngày 05/12/1991. Là một trong

những Ngân hàng thương mại cổ phần đầu tiên được thành lập tại thành phố Hồ Chí

Minh trên cơ sở hợp nhất từ Ngân hàng Phát triển kinh tế Gò Vấp cùng 3 hợp tác xã

tín dụng: Tân Bình, Lữ Gia, Thành Công với vốn điều lệ 3 tỷ đồng và 100 nhân sự.

Với lịch sử 28 năm hình thành và phát triển, tính đến ngày 31/12/2018, tổng

số điểm giao dịch trên toàn hệ thống đạt 566 điểm (trong đó tại Việt Nam: 552 điểm,

hiện diện tại 48/63 tỉnh/thành phố; Campuchia: 9 điểm và Lào: 5 điểm). Mạng lưới

hoạt động Sacombank không những phủ sóng dọc miền Tổ quốc từ Bắc chí Nam mà

còn hiện diện tại các nước bạn Lào và Campuchia.

Bên cạnh đó, Sacombank còn có 4 Công ty con hoạt động trong các lĩnh vực:

kiều hối, cho thuê tài chính, vàng bạc đá quý và khai thác tài sản góp phần đa dạng

hóa sản phẩm dịch vụ của Ngân hàng. Tổng nhân sự của Sacombank cùng với tất cả

2018

các Công ty con/Ngân hàng con đạt 18.818 người.

406,041

2017

368,469

2016

329,187

2015

290,364

2014

188,678

50,000

100,000

150,000

200,000

250,000

300,000

350,000

400,000

450,000

Nguồn: báo cáo thường niên Sacombank (đơn vị tính: tỷ đồng)

Biểu đồ 3.1. Tổng tài sản của Sacombank giai đoạn 2014-2018

Tính đến thời điểm 31/12/2018, tổng tài sản của Sacombank là 406.041 tỷ

đồng (đạt 94,2% so với kế hoạch), tăng 37.572 tỷ đồng tương ứng tăng 10,2% so với

năm 2017 đạt 368.469 tỷ đồng. Trong đó, tiền mặt và các khoản tương đương tiền đạt

20.814 tỷ chiếm 5% tổng tài sản. Cho vay khách hàng đạt 253.100 tỷ đồng chiếm

62% tổng tài sản, đây là chỉ tiêu đạt tỷ lệ cao nhất trong tổng tài sản và các chỉ tiêu

về tài sản cố định và khác chiếm 33% tổng tài sản, đạt 132.127 tỷ đồng.

2018

370,136

2017

325,461

2016

289,457

2015

259,428

2014

162,534

50,000

100,000

150,000

200,000

250,000

300,000

350,000

400,000

Nguồn: báo cáo thường niên Sacombank (đơn vị tính: tỷ đồng)

Biểu đồ 3.2. Tổng nguồn vốn huy động của Sacombank giao đoạn 2014-2018

Bên cạnh đó, tổng nguồn vốn huy động đạt 370.136 tỷ đồng (đạt 92,7% so với

kế hoạch), tổng dư nợ tín dụng đạt 257.172 tỷ đồng (đạt 100,8% so với kế hoạch),

lợi nhuận trước thuế đạt 2.247 tỷ đồng (đạt 122,3% so với kế hoạch). Các tỷ lệ an

toàn trong hoạt động ngân hàng đều được Sacombank tuân thủ nghiêm ngặt và đảm

2018

bảo theo qui định của Ngân hàng nhà nước.

257,172

2017

225,595

2016

193,098

2015

180,593

2014

124,576

50,000

100,000

150,000

200,000

250,000

300,000

Nguồn: báo cáo thường niên Sacombank (đơn vị tính: tỷ đồng)

Biểu đồ 3.3. Tổng cho vay khách của Sacombank giao đoạn 2014-2018

Đến ngày 31/12/2018, vốn chủ sở hữu của Sacombank là 24.632 tỷ đồng (đạt

102% so với kế hoạch), trong đó: vốn điều lệ là 18.852 tỷ đồng (không thay đổi so

với kế hoạch), thặng dư vốn điều lệ và cổ phiếu quỹ - 687 tỷ đồng (không thay đổi so

với kế hoạch), quỹ dự trữ bổ sung vốn điều lệ là 959 tỷ đồng (đạt 99,1% so với kế

hoạch), các quỹ khác là 1.764 tỷ đồng (đạt 99,6% so với kế hoạch) và lợi nhuận chưa

phân phối là 3.521 tỷ đồng (đạt 112,6% so với kế hoạch). Trong năm 2018, sử dụng

vốn chủ sở hữu đạt 15.352 tỷ đồng (đạt 103,3% so với kế hoạch), được sử dụng như

sau: (i) đầu tư tài sản cố định là 589 tỷ đồng (đạt 66,3% so với kế hoạch), (ii) vốn còn

3,000

2,826

2,500

2,247

2,000

1,500

1,492

1,000

878

500

155

2016

2014

2015

2017

2018

lại đưa vào kinh doanh sinh lời là 14.762 tỷ đồng (đạt 105,6% so với kế hoạch)

Nguồn: báo cáo thường niên Sacombank (đơn vị tính: tỷ đồng)

Biểu đồ 3.4. Lợi nhuận trước thuế của Sacombank giao đoạn 2014-2018

3.2.2. Ứng dụng big data tại Sacombank

Như chúng ta đã biết, đặc thù các hoạt động của ngân hàng tạo ra một lượng

dữ liệu khổng lồ từ dữ liệu khách hàng như lịch sử giao dịch, tần suất giao dịch hay

giá trị giao dịch của khách đến các hoạt động khác của khách hàng như tương tác với

ngân hàng trên các ứng dụng, website....Tuy nhiên, làm thế nào để khai thác nguồn

dữ liệu sẵn có này là hiện đang là vấn đề mà các ngân hàng đang khá quan tâm hiện

nay. Mặc dù không ít ngân hàng nhận ra điều đó và muốn biến nguồn dữ liệu lớn này

thành vũ khí hiệu quả nhất để tạo ra lợi thế cạnh tranh trên thị trường, tuy nhiên, họ

phải đối mặt với các vấn đề về hệ thống, công nghệ mới…

Hiện tại, Sacombank đã và đang trên đà phát triển và hội nhập với thị trường

quốc tế. Đặc biệt, trong giai đoạn 10 năm trở lại đây, Sacombank đã có một cú trở

mình mạnh mẽ, đây cũng là giai đoạn Sacombank bùng nổ phát triển về vốn và các

chi nhánh. Một trong những yếu tố góp phần thúc đẩy sự tăng trưởng mạnh mẽ của

Ngân hàng đó chính là việc áp dụng các phần mềm hệ thống trong việc kiểm soát dữ

liệu, quản trị mối quan hệ khách hàng.

Với những thay đổi trong chính sách hội nhập của Việt Nam, ngày càng có

nhiều nhà đầu tư hệ thống công nghệ thông tin để kích thích nhu cầu phát triển dữ

liệu lớn của hệ thống ngân hàng nhằm tối ưu hóa mối quan hệ bền vững với khách

hàng, hướng đến tổng doanh thu và giảm chi phí vận hành. Sacombank cũng không

phải là ngoại lệ.

Nắm bắt được tầm quan trọng đó, ngày 28/02/2018, Sacombank và SAP – một

trong những công ty hàng đầu thế giới trong lĩnh vực phát triển các giải pháp quản trị

doanh nghiệp – đã khởi động Dự án Quản lý quan hệ khách hàng (CRM) tại

Sacombank. Hệ thống CRM là trung tâm lưu trữ tập trung dữ liệu khách hàng hiện

hữu và khách hàng tiềm năng - từ thông tin liên lạc, lịch sử giao dịch đến các hoạt

động tương tác với đội ngũ chuyên viên tư vấn, chăm sóc khách hàng, các kênh kỹ

thuật số theo thời gian thực, mang đến cơ hội thuận lợi cho việc phân tích hành vi

khách hàng cũng như mở ra cơ hội: bán hàng, tiếp thị và dịch vụ khách hàng.

Ngày 06/03/2018, Sacombank chính thức triển khai toàn hệ thống dự án mới

CRM (Customer Relationship Managerment). Sau hơn 6 tháng nỗ lực và phấn đấu

không ngừng nghỉ của tất cả các thành viên trong Đội dự án, hệ thống Quản lý quan

hệ khách hàng đã chính thức triển khai thành công giai đoạn 1, giai đoạn 2 lần lượt

vào ngày 17/09/2018 và ngày 26/11/2018 (sớm hơn 3 tháng so với kế hoạch đề ra

ngày 06/03/2018).

Mặc dù Sacombank đã chi ra một khoảng không nhỏ đầu tư hệ thống lưu trữ

dữ liệu. Tuy nhiên việc khai thác dữ liệu từ nguồn big data đang là bài toán không dễ

cho các bộ phận có liên quan. Để ngân hàng hiểu hơn về hành vi khách hàng, đặc

điểm lựa chọn dịch vụ của khách hàng, việc phân tích hành vi khách hàng từ nguồn

dữ liệu big data là cực kỳ quan trọng. Điều này không những góp phần vào việc xác

định lại khúc thị trường để ngân hàng có hướng tiếp cận phù hợp, trên cơ sở để phát

triển thêm vào các dịch vụ hướng đến phục vụ khách hàng một cách hiệu quả nhằm

giữ chân khách hàng cũ, hạn chế sự rời dịch vụ của khách hàng và tạo tiếng vang lôi

kéo khách hàng mới.

CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU BIG DATA

4.1. Số liệu phục vụ nghiên cứu

Như đã trình bày trước đó ở chương 1, số liệu phục vụ nghiên cứu cho đề tài

được xuất từ nguồn kho dữ liệu data warehouse của ngân hàng. Thời gian nghiên cứu

của dữ liệu là 12 tháng tính từ ngày 01/10/2018 đến ngày 30/10/2019. Để hạn chế

thông tin không chính xác, những khách hàng được đưa vào nghiên cứu là những

khách hàng đang hiện hữu, tham gia dịch vụ và giao dịch tại ngân hàng, có thời gian

tham gia dịch vụ trên 12 tháng. Lý do những khách hàng có thời gian giao dịch, tham

gia dịch vụ dưới 12 tháng sẽ cho thông tin tiêu dùng hạn chế và thiếu chuẩn trong

phân tích hành vi. Như đã thông tin trước đó, số liệu khách hàng được tập trung từ

các nguồn khác nhau, trong đó có nguồn thông tin sử dụng thẻ tín dụng (4.642 dòng),

khách hàng tiền vay (2.349 dòng) và khách hàng tiền gửi với các giao dịch (130.150

dòng).

4.2. Thông tin giao dịch khách hàng

4.2.1. Đối với khách hàng tiền gửi

Thông tin tiền gửi được thống kê trong biểu đồ 4.1 cho thấy những khách hàng

có thời gian tham gia dịch vụ được chia thành 4 nhóm, nhóm LOSG1 (>12-36 tháng)

chiếm tỷ lệ 50,075%; LOS2 (>6-60 tháng) chiếm 23,3%; LOS3 (>60-90 tháng) chiếm

16,9% và LOS4(>90-185 tháng) chiếm 9,5%. Tiền gửi của khách hàng theo kỳ hạn

từ 4-6 tháng thường phần lớn là những khách hàng có thời gian tham gia dịch vụ

thuộc vào LOSG1 và LOSG4 số tiền gửi bình quân trong khoảng 100-700 triệu đồng.

Trong khi đó nhóm khách hàng gửi tiền thời hạn trên 24 tháng tập trung vào nhóm

LOSG1 với số tiền gửi trong khoảng từ 500 triệu-1,5 tỷ đồng. Riêng đối với những

nhóm khách hàng gửi tiền không kỳ hạn (non_term) thuộc vào nhóm có LOSG1 và

LOG2, số tiền gửi không lớn thường dưới 100 triệu (xem phụ lục 1).

Nguồn: Số liệu bigdata của ngân hàng

Biểu đồ 4.1. Thông tin tiền gửi theo thời gian của khách hàng

Ghi chú:

• PS TANG: Tiền gửi phát sinh tăng

• PS GIAM: Tiền gửi phát sinh giảm

• LOSTG_GR: Thời gian tham gia dịch vụ tiền gửi (LOSG1: >12 – 36 tháng;

LOSG2: >36 – 60 tháng; LOSG3: >60 – 90 tháng; LOSG4: >90 – 185 tháng)

• TINGUISD(MILLVND): Tiền gửi bình quân của một khách hàng trong thời

gian nghiên cứu (đơn vị triệu đồng)

4.2.2. Đối với khách hàng sử dụng thẻ tín dụng

Trong tổng số 4.642 khách hàng sử dụng thẻ tín dụng, hiện có 107 loại thẻ tín

dụng được khách hàng đang sử dụng tại ngân hàng (chi tiết ở phụ lục). Để tiện nghiên

cứu, các loại thẻ này được nhóm vào 4 nhóm: Classic, Gold, Ladies_PAY, Platinum

như ở biểu đồ 4.2. Trong đó,

• Classic: JCB Card Classic, JCB JSpeedy Credit Classic, JCB Motor Card

Classic, MC Contactless Cre Classic, MC Credit Classic, Visa Credit Classic,

VS payWave Cre Classic, nhóm này gồm 28 loại thẻ phụ thuộc.

• Gold: JCB Car Card Gold, JCB JSpeedy Credit Gold, MC Contactless Cre

Gold, MC Credit Gold, Visa Credit Gold, VS payWave Cre Gold. Nhóm này

gồm 27 loại thẻ phụ thuộc.

• Platinum: JCB Ultimate Credit, MC Credit World, Visa Credit Platinum, Visa

Credit Signature, VS payWave Cre Platinum, VS payWave Cre Signature, Visa

Credit Infinite. Nhóm này gồm 35 loại thẻ phụ thuộc.

• Ladies_PAY: Credit Business Gold, Credit Corporate Platinum, Family

Credit, Family Local Credit, UnionPay Credit, Visa Ladies First, VS payWave

Ladies. Nhóm này gồm 17 loại thẻ phụ thuộc.

Theo trên nhóm khách hàng thuộc nhóm Classic, là nhóm sử dụng thẻ phát hành

thông thường, mới giao dịch hoặc khách hàng có nguồn thu nhập trung bình. Đối với

nhóm Gold, nhóm này bao gồm các khách hàng sử dụng các dòng thẻ JCB card Gold,

Master Credit Gold, Visa Credit Gold…là loại thẻ phát hành cho nhóm khách hàng

thân thiết có nguồn thu nhập khá. Đối với nhóm Platinum, nhóm này bao gồm các

khách hàng VIP và VVIP của ngân hàng, sử dụng nhiều sản phẩm dịch vụ, hoặc các

khách hàng mới giao dịch nhưng có thu nhập cao, nhóm này bao gồm các khách hàng

sử dụng các dòng thẻ VS credit Platinum, VS Credit Signature, JCB Ultimate, MC

Credit World, VS Credit Platinum, VS Paywawe Cre Infinite, Visa Credit

Infinite…Còn lại là nhóm khách hàng Ladies_Pay.

Nguồn: Số liệu bigdata của ngân hàng

Biểu đồ 4.2. Thông tin nhóm thẻ tín dụng khách hàng quan tâm

Thời gian tham gia dịch vụ sử dụng thẻ của khách hàng đối với ngân hàng thấp

nhất là 13 tháng và cao nhất là 154 tháng, tương đương với 12 năm. Theo kết quả

thống kê ở bảng 4.1, thời gian của nhóm khách hàng sử dụng thẻ Classic có thời gian

tham gia dịch vụ bình quân 39 tháng với số dư nợ thẻ bình quân 7,8 triệu đồng. Trong

khi đó nhóm khách hàng sử dụng thẻ Platium có số dự nợ thẻ bình quân với giá trị

lớn nhất 26 triệu đồng, tuy nhiên nhóm này chỉ chiếm 6%. Trong khi đó nhóm có tỷ

lệ khách hàng cao nhất là nhóm Classic chiếm 47% với 1.511 khách hàng, thời gian

bình quân tham gia dịch vụ là 39 tháng, tuy nhiên dư nợ thẻ lại thấp bình quân 7,7

triệu đồng. Dựa vào kết quả thống kê ở bảng 4.1 ta thấy 2 phân khúc tiềm năng là

nhóm thẻ Classic và Platinum, đây là cơ sở để Sacombank có những chiến lược giữ

chân và khai thác.

Bảng 4.1. Thông tin loại thẻ tín dụng được sử dụng bởi khách hàng

Thông tin loại thẻ

Classic

Gold

Ladies_PAY Platinum

Thời gian bình quân tham

gia dịch vụ (LOS) (tháng)

Số dư nợ (đồng)

7,791,389

16,426,406

9,925,361

26,025,604

Tỷ lệ KH theo loại thẻ

47%

22%

24%

Nguồn: Số liệu bigdata của ngân hàng

4.2.3. Đối với khách hàng tiền vay

Tổng số lượng khách hàng nghiên cứu là 2.349 dòng với 1.421 khách hàng,

đây là các khách hàng cá nhân đang vốn tại các chi nhánh/Phòng giao dịch trên địa

bàn Thành Phố Hồ Chí Minh. Các khách hàng này tham gia vay với các mục đích

khác nhau và được đưa vào 11 nhóm, bao gồm: vay mua nhà đất (VTD mua nha dat)

chiếm tỷ lệ cao nhất 25,65% (biểu đồ 4.3), vay tiêu dùng bảo toàn (VTD Bao toan)

chiếm tỷ lệ đứng kế tiếp chiếm 18,05%, tiếp theo là vay cán bộ nhân viên Sacombank

(staff) chiếm 17,58%, và các nhóm còn lại với số lượng 163 khách hàng, chiếm tỷ lệ

38% gồm các mục đích vay như vay tiêu dùng cán bộ nhân viên, vay sản xuất kinh

doanh, vay cầm cố sổ tiết kiệm…

Nguồn: Số liệu big data của ngân hàng

Biểu đồ 4.3. Thông tin vay của khách hàng

Nếu xem về giá trị vay và thời gian vay của khách hàng, thì món vay phục vụ

mua nhà và đất có tập trung ở thời điểm vay trung hạn (mid term) với mức vay trong

khoảng từ 2-3 tỷ đồng (biểu đồ 4.4), trong khi đó mức vay của thời gian dài hạn cho

hình thức vay này có giá trị vay khoảng 1,5 tỷ đồng. Biểu đồ còn cho thông tin vay

của tiêu dùng nhân viên (VTD staff) chỉ tập trung vào vay dài hạn, món vay không

quá 1 tỷ đồng. Tương tự đối với vay tiêu dùng bảo toàn (VTD baotoan), nhóm khách

hàng này chỉ vay cho dài hạn và mức vay trong khoảng dưới 2 tỷ đồng. Có 3 nhóm

khách hàng vay cho ngắn hạn là nhóm vay tiêu dùng chuẩn (VTDchuan), vay kinh

doanh cơ chế phát triển kinh tế gia đình (VKDCochephattrienKte gia dinh) và vay

tiêu dùng (VTD STK STB). Món vay của 3 nhóm này gần giống nhau không quá 1

tỷ đồng.

Nguồn: Số liệu big data của ngân hàng

Biểu đồ 4.4. Thông tin vay theo giá trị và thời gian vay

4.3. Phân tích hành vi và phân khúc khách hàng

Như đã trình bày trước đó, việc áp dụng mô hình RFM để phân tích hành vi

tiêu dùng là dựa vào thuật toán của (Wu & Lin, 2005) và (Khajvand, Zolfaghar,

Ashoori, & Alizadeh, 2011) để xác định các ma trận. Mặc dù, số khách hàng tham

gia các loại dịch vụ nêu trên có sự khác biệt về số lượng khách hàng. Tuy nhiên một

khi các nhóm khách hàng này được hợp thành một phai (được merged) số khách hàng

có tham gia sử dụng thẻ tín dụng, tham gia dịch vụ tiền vay, tham gia dịch vụ tiền gửi

trong thời gian nghiên cứu của 12 tháng là 1.421 khách hàng.

Dựa vào ma trận khách hàng dựa vào sự kết hợp của hai thành phần, thời gian

tham gia dịch vụ của khách hàng (LOS) và thời gian giao dịch gần nhất của khách

hàng (Recency) của WU & Lin (2005), kết quả ma trận ở biểu đồ 4.5 cho ra 4 ô.

Trường hợp ô có LOS cao và Recency cao được xác định là ô có quan hệ gần với

khách hàng (CR),ô này có tỷ lệ số khách hàng chiếm 20,9%. Đối với nhóm này, khách

hàng sử dụng thẻ phổ biến classic chiếm 49% và thẻ Ladies_PAY chiếm 31%.

Đối với ô có LOS cao nhưng Recency thấp được xác định là ô có quan hệ tiềm

năng với khách hàng (PR), ô này có tỷ lệ số khách hàng chiếm 16,7%. Đối với nhóm

này, khách hàng sử dụng thẻ phổ biến classic chiếm 37% và thẻ Ladies_PAY chiếm

33%.

Đối với ô có LOS thấp nhưng Recency cao được xác định là ô đang hình thành

mối quan hệ với khách hàng (ER), ô này có tỷ lệ số khách hàng chiếm 20,6%. Đối

với nhóm này, khách hàng sử dụng thẻ phổ biến classic chiếm 33% và thẻ gold chiếm

33%, thẻ Ladies_PAY là 23% và thấp nhất là dòng thẻ VIP (Platinum) 12%.

Đối với ô có LOS thấp và cả Recency cũng thấp được xác định là ô có quan hệ mất

dần với khách hàng (LR), ô này có tỷ lệ số khách hàng chiếm đến 41,7%, cao nhất

trong 4 nhóm. Đối với nhóm này, khách hàng sử dụng thẻ phổ biến gold chiếm 41%

và thẻ lassic chiếm 30%.

QUAN HỆ GẦN (CR)

QUAN HỆ TIỀM NĂNG (PR)

o a C

I

) S O L (

Số khách hàng: 20,9% Sử dụng dịch vụ thẻ: -Classic: 49% -Gold: 10%% -Laddies_PAY:31% -Platinum: 10%

Số khách hàng: 16,7% Sử dụng dịch vụ thẻ: -Classic: 37% -Gold: 15% -Laddies_PAY:33% -Platinum: 15%

h n b g n u r T

HÌNH THÀNH QUAN HỆ (ER)

QUAN HỆ MẤT DẦN (LR)

I

Ụ V H C Ị D A G M A H T N A G

I

Ờ H T

p ấ h T

Số khách hàng: 41.7% Sử dụng dịch vụ thẻ: -Classic: 30% -Gold: 41%% -Laddies_PAY:16% -Platinum: 13%

Thấp

Số khách hàng: 20.6% Sử dụng dịch vụ thẻ: -Classic: 33% -Gold: 32%% -Laddies_PAY:23% -Platinum: 12% Trung bình

THỜI GIAN MUA HÀNG GẦN NHẤT (RECENCY)

Nguồn: Số liệu big data của ngân hàng

Biểu đồ 4.5. Mô hình ma trận khách hàng

Qua kết quả nêu trên cho thấy, số khách hàng có thể mất dần trong quan hệ

chiếm tỷ lệ cao nhất 41,7%. Dựa trên nhóm này, ngân hàng cần có những chính sách

riêng biệt, những chương trình marketing riêng biệt để tìm cách giữ chân khách hàng.

Muốn thế, ngân hàng cần đào sâu thêm vào nhóm quan hệ mất dần trong hành vi tiêu

dùng thẻ, khả năng dư nợ tiền gửi để có những chính sách kích thích tiêu dùng. Do

ma trận cho ra 4 ô riêng biệt, nên các chiến lược cũng cần có 4 chiến lược đặc thù để

khai thác tiêu dùng, giữ chân khách hàng, tăng cường các dịch vụ cho những khách

hàng thân thiết.

Biểu đồ 4.6. Phân khúc thị trường dựa vào mô hình RFM

Ghi chú:

Các chỉ số của R, F, M trước khi đưa vào sử dụng phân tích cụm (cluster), các giá

trị gốc được IBM Modeler định giá trị lại theo bậc thàng điểm tăng dần từ 1 đến 5.

Trong đó 1 là giá trị thấp nhất và 5 là giá trị cao nhất. Các giá trị trung bình của

Recency, Frequency và Monetary sẽ nằm trong giới hạn từ 1 đến 5.

Kết quả phân khúc thị trường như ở biểu đồ 4.6 cho thấy, dựa trên kết quả phân

tích hành vi được áp dụng từ mô hình RFM, nhóm khách hàng được phân chia làm 4

nhóm. Việc phân nhóm này là kết quả cho ra từ thuật toán Cluster (phân tích cụm).

Theo cột group tính từ trên xuống có nhóm không chắc chắn (Uncertain), nhóm tốt

nhất (Best), nhóm chi tiêu (Spender) và nhóm mới (New), kết quả được xuất ra từ

phần mềm IBM Modeler có thể được thấy ở phụ lục.

- Đối với nhóm khách hàng được cho là tốt nhất (Best): do các chỉ số thời gian mua

hàng gần đây (Recency) là gần nhất, tần suất giao dịch (Frequency) cao nhất và

giá trị giao dịch (Monetary) cao nhất. Nhóm khách hàng được xem tốt nhất có tỷ

lệ khách hàng trong tổng số khách hàng nghiên cứu chiếm 24,8%. Điều này sẽ là

một thông điệp tốt cho ngân hàng, vì tỷ lệ này được xem là không nhỏ.

- Đối với nhóm khách hàng được cho là nhóm chi tiêu (Spender): chỉ số R thấp, F

cao và M cao. Nhóm khách hàng được xem là khách hàng chi tiêu trong tổng số

khách hàng nghiên cứu chiếm 22%.

- Đối với nhóm khách hàng được xem là nhóm mới (New): chỉ số R là cao (4.35), F

thấp (1.57) M ở mức trung bình (2.29). Nhóm khách hàng được xem là nhóm

khách hàng tiềm năng trong tổng số khách hàng nghiên cứu nhóm này chiếm

24,9%.

- Đối với nhóm khách được xem là nhóm khách hàng không chắc chắn

(uncerntain): Nhóm này có ba chỉ số R, F và M đều thấp (dưới bậc thàng điểm 2).

Nhóm này có tỷ lệ không nhỏ chiếm 28,2%. Đây có thể nói, nhóm khách hàng có

nguy cơ rời dịch vụ trong thời gian tới, nếu ngân hàng không có những chính sách

giữ chân thông qua các dịch vụ chăm sóc, hoặc giới thiệu đến họ những gói, sản

phẩm hấp dẫn khác.

Nếu xét về món vay của từng phân khúc và mối quan hệ của khách hàng được xếp

loại với ngân hàng, kết quả ở biểu đồ 4.7 và biểu đồ 4.8 sẽ cho ta kết quả nhận định

như sau:

- Theo kết quả phân khúc thị trường của nhóm, nhóm khách hàng tốt nhất (Best)

phần lớn khách hàng tham gia dịch vụ vay tiêu dùng nhân viên (VTD) staff chiếm

tỷ lệ 50,3%, kế đến vay tiêu dùng mua nhà đất chiếm 17,2%. Như biểu đồ 4.8,

nhóm phân khúc Best, nhóm được xem là có mối quan hệ lâu dài với ngân hàng

(LR: Long Relationship) chiếm 51% và quan hệ tiềm năng (PR: Potential

Relationship) chiếm 48%.

- Trong khi đó nhóm phân khúc mới (New), nhóm này khách hàng quan tâm vay

tiêu dùng từ lương (VTD Tu Luong) chiếm 27,8%, kế đến là vay tiêu dùng mua

nhà đất chiếm 20,3%. Nếu xem biểu đồ 4.8, nhóm New có 25,5% được xem là

nhóm có quan hệ tiềm năng.

- Riêng đối với nhóm phân khúc khách hàng chi tiêu (Spender) nhóm khách hàng

quan tâm đến vay tiêu dùng nhân viên chiếm 23,2%, kế đến là vay tiêu dùng mua

nhà, đất chiếm 20,3% và vay tiêu dùng bảo toàn chiếm 16,6%. Nhóm Spender

được xếp hạng vào nhóm đang hình thành mối quan hệ với ngân hàng (ER:

Establishing Relationship) chiếm 55,3%

- Sau cùng đối với nhóm phân khúc không chắn chắn (Uncertain), nhóm này phổ

biến vay tiêu dùng mua nhà đất chiếm 33,2%, kế đến là vay tiêu dùng bảo toàn

chiếm 27% và vay tiêu dùng cán bộ nhân viên chiếm 12,4%. Theo biểu đồ 4.8,

nhóm Uncertain thuộc được xếp vào nhóm đang hình thành mối quan hệ hệ (ER:

Establishing Relationship) chiếm 42,9%, nhóm tiếp theo là nhóm có quan hệ gần

(CR: Close Relationship) chiếm 26,75%.

Nguồn: Kết quả từ big data

Biểu đồ 4.7. Thông tin vay vốn theo nhóm phân khúc khách hàng

Ghi chú:

CR = Quan hệ gần;

ER = Hình thành mối quan hệ;

LR = Quan hệ lâu dài;

PR = Quan hệ tiềm năm

Nguồn: Kết quả từ phân tích big data

Biểu đồ 4.8. Phân khúc thị trường và mối quan hệ với khách hàng

Kết quả biểu đồ 4.9 là sự kết hợp 3 thông tin, thông tin khúc thị trường, thông tin

số dư nợ thẻ (đồng) và loại sản phẩm/dịch vụ khách hàng đang tham gia sử dụng và

chi trả. Các sản phẩm/dịch vụ chính trong nghiên cứu là: tiền vay, tiền gửi, thẻ tín

dụng, thẻ thanh toán, thanh toán quốc tế, ngân hàng điện tử, phí dịch vụ, kinh doanh

ngoại hối. Chi tiết như sau:

- Đối với nhóm khách hàng tốt nhất (Best): ngoại trừ khách hàng thanh toán quốc

tế, các khách hàng sử dụng sản phẩm/dịch vụ khác đều có ở nhóm này, tuy nhiên

nhóm này lại có mức dư nợ thẻ tín dụng không cao giao động ở mức 10 triệu đồng.

Điều này cho thấy, mặc dù có nhóm này có thẻ tín dụng nhưng mức độ sử dụng

chưa cao, ngân hàng cần đưa ra các chính sách, chiến lược về giá, chiết khấu về

thẻ tín dụng để có thể kích thích khách hàng tiêu dùng từ đó nâng cao mức dư nợ

thẻ tín dụng, tăng giá trị đóng góp cho ngân hàng.

- Đối với nhóm phân khúc mới (New): tất cả các khách hàng sử dụng sản phẩm/dịch

vụ của ngân hàng đều có ở nhóm này. Tuy nhiên, các khách hàng sử dụng tiền

gửi, tiền vay, thẻ thanh toán, ngân hàng điện tử, kinh doanh ngoại hối, phí dịch vụ

ở nhóm này lại có mức dư nợ thẻ tín dụng cao nhất (40 triệu đồng). Điều này cho

thấy, các khách hàng ở nhóm này có mức chi tiêu thẻ tín dụng rất lớn, nếu có

chiến lược phù hợp sẽ giúp ngân hàng khai thác tối đa hệ khách hàng này từ đó

gia tăng lợi nhuận cho ngân hàng.

- Đối với nhóm phân khúc khách hàng chi tiêu (Spender): cũng giống như nhóm

best, ngoại trừ khách hàng thanh toán quốc tế, các khách hàng sử dụng sản

phẩm/dịch vụ khác đều có ỏ nhóm này. Tuy nhiên, ở nhóm này chỉ có các khách

hàng sử dụng tiền vay, tiền gửi và thẻ là có mức dư nợ tương đối tốt (20 triệu

đồng) còn lại nhóm kinh doanh ngoại hối hầu như ít phát sinh.

- Sau cùng đối với nhóm phân khúc không chắn chắn (Uncertain), ngoại trừ các

khách hàng sử dụng thẻ khác, các khách hàng sử dụng sản phẩm/dịch vụ khác của

ngân hàng đều có ở nhóm này. Tuy nhiên, số dư nợ thẻ của nhóm này không cao,

đặc biệt các khách hàng sử dụng thanh toán quốc tế và kinh doanh ngoại hối rất

thấp (mức dưới 10 triệu đồng), các khách hàng còn lại thì ở mức từ 10 đến 20 triệu

đồng.

Nguồn: Kết quả từ phân tích big data

Ghi chú: DNTHE_Mean: là số dư nợ thẻ (đơn vị đồng)

Biểu đồ 4.9. Thông tin phân khúc thị trường theo dịch vụ tham gia và số dư nợ

thẻ

CHƯƠNG 5: KẾT LUẬN VÀ XÂY DỰNG CHIẾN LƯỢC

A. ĐỀ XUẤT CHIẾN LƯỢC KINH DOANH

Với mục tiêu trở thành Ngân hàng bán lẻ hiện đại - đa năng hàng đầu Việt

Nam. Sacombank luôn chú trọng đẩy mạnh hoạt động kinh doanh trên nền tảng thế

mạnh sẵn có là mạng lưới rộng lớn, hệ khách hàng rộng khắp và sản phẩm dịch vụ đa

tiện ích trên nền tảng công nghệ hiện đại, song song đó chuẩn hóa nhận dạng thương

hiệu và nâng cao chất lượng sản phẩm dịch vụ theo xu hướng thị trường, đảm bảo gia

tăng sự hài lòng của khách hàng theo phương châm KHÁCH HÀNG LÀ TRỌNG

TÂM, kết hợp với định hướng quản trị điều hành chuyên nghiệp và hoạch định tiềm

lực tổ chức phù hợp.

Để lựa chọn được thị trường mục tiêu, Sacombank cần đánh giá các khúc thị

trường khách nhau qua đó chọn một hay một số khúc thị trường mà ngân hàng mình

có lợi thế cạnh tranh làm thị trường mục tiêu để quyết định phân phối nguồn lực

Marketing tại những khúc thị trường mục tiêu này. Việc đánh giá dựa trên 3 yếu tố:

Đánh giá quy mô và tăng trưởng của từng khúc thị trường, khúc thị trường

nào có qui mô và mức tăng trưởng ‘vừa sức’. Trên cơ sở đó, Sacombank sẽ quyết

định có chọn đây là khúc thị trường mục tiêu của mình hay không?

Đánh giá mức độ hấp dẫn về cơ cấu của khúc thị trường. Một số khúc thị

trường có thể có quy mô và mức tăng trưởng mong muốn nhưng lại thiếu tiềm năng

sinh lời. Sacombank cần phải xem xét các yếu tố quyết định mức độ hấp dẫn về khả

năng sinh lời lâu dài của một khúc thị trường như: Các đối thủ cạnh tranh hiện tại,

những kẻ xâm nhập tiềm ẩn, những sản phẩm thay thể, ...

Đánh giá mục tiêu và nguồn lực của ngân hàng. Một số khúc thị trường hấp

dẫn có thể vẫn bị loại bỏ, bởi vì chúng không phù hợp với mục tiêu lâu dài của ngân

hàng. Thậm chí ngay cả khi khúc thị trường phù hợp để thành công trong khúc thị

trường đó không?

Theo các chương trước, dựa trên việc phân tích dữ liệu big data và các phương

pháp phân khúc khách hàng theo kỹ thuật phân cụm (cluster), phân khúc khách hàng

theo RFM, mô hình ma trận khách hàng, việc phân khúc khách hàng được có thể cung

cấp cho Sacombank cái nhìn tổng quát về hệ khách hàng của mình từ đó xác định các

cơ hội cũng như các thách thức phải đối mặt. Sacombank phải chuẩn bị kỹ lưỡng và

phát triển các chiến lược riêng cho từng phân khúc khách hàng.

Sau khi đánh giá các khúc thị trường từ kết quả phân tích ở chương 4, hệ khách

hàng cá nhân của Sacombank được phân chia làm 4 nhóm chính: Best, New, Spender,

Uncertain, với mục tiêu là ngân hàng bán lẻ hiện đại – đa năng, Sacombank luôn tìm

kiếm các giải pháp kinh doanh phù hợp cho toàn bộ hệ khách hàng của mình. Dựa

trên cơ sở đó giải pháp cần đưa ra là định vị sản phẩm vào toàn bộ hệ khách hàng

thông qua phương pháp làm Marketing có phân biệt: Sacombank sẽ thực hiện chiến

lược marketing riêng cho mỗi nhóm khách hàng từ kết quả phân tích trước đó:

Nhóm khách hàng tốt nhất (Best): tỷ lệ khách hàng trong nhóm tốt nhất là

24,8% trong tổng số khách hàng nghiên cứu. Đây là các khách hàng có thời gian mua

hàng gần đây (Recency) là gần nhất, tần suất giao dịch (frequency) cao nhất và giá trị

giao dịch (monetary) cao nhất. Đây là nhóm khách hàng sử dụng nhiều sản phẩm dịch

vụ và mức đóng góp lợi nhuận cao cho ngân hàng, nên giải pháp đưa ra là ngân hàng

phải duy trì mối quan hệ tốt khách hàng nhằm đảm bảo mục tiêu lợi nhuận.

Nhóm khách hàng mới (New): tỷ lệ khách hàng trong nhóm này là 24,9%

trong tổng số khách hàng nghiên cứu. Đây là các khách hàng có thời gian mua hàng

gần đây (Recency) cao, tần suất giao dịch (frequency) thấp và giá trị giao dịch

(monetary) ở mức trung bình. Đây được xem là nhóm khách hàng tiềm năng mà tất

cả các ngân hàng hiện nay đều quan tâm và hướng chính sách của mình vào nhóm

khách hàng này. Mặc dù tần suất giao dịch chưa cao và giá trị chưa lớn nhưng họ đã

đến và giao dịch thường xuyên với ngân hàng, nên khả năng tiếp cận và khai thác hệ

khách hàng này đơn giản hơn rất nhiều so với các khách hàng chưa từng giao dịch

với ngân hàng. Do đó, các chiến lược hiệu quả nhất cho nhóm khách hàng này mà

Sacombank nên làm triển khai các chương trình khuyến mãi ngắn hạn, giảm phí khi

sử dụng thêm các sản phẩm/dịch vụ mới để gia tăng mức độ gắn kết của khách hàng

với ngân hàng.

Nhóm khách hàng chi tiêu (Spender): tỷ lệ khách hàng trong nhóm này là

22% trong tổng số khách hàng nghiên cứu. Đây là các khách hàng có thời gian mua

hàng gần đây (Recency) thấp, tần suất giao dịch (frequency) và giá trị giao dịch

(monetary) cao. Các khách hàng có thể không giao dịch gần đây nhưng họ chắc chắn

sẽ thường xuyên giao dịch với giá trị giao dịch cao. Đối với nhóm này Sacombank

cần có chiến lược “Chiết khấu theo doanh số” để gia tăng lợi nhuận đồng thời bán

chéo (upselling) các sản phẩm cao cấp của ngân hàng để gia tăng mức độ giao dịch

của khách hàng.

Nhóm khách hàng không chắc chắn (Uncertain): tỷ lệ khách hàng trong

nhóm này chiếm 28,2%. Nhóm khách hàng này có ba chỉ số R, F và M đều thấp (dưới

bậc thang điểm 2). Đây là nhóm khách hàng hiện hữu đã từng giao dịch với

Sacombank và họ có thể đã từng là thành viên của các nhóm Best, Spender tuy nhiên

vì một lí do nào đó họ đã ngưng sử dụng trong một khoảng thời gian dài và có nguy

cơ rời dịch vụ trong thời gian tới, ngân hàng cầ có những chính sách giữ chân thông

qua các dịch vụ chăm sóc, hoặc giới thiệu đến họ những gói, sản phẩm hấp dẫn khác.

Tuy nhiên, nếu Sacombank sử dụng giải pháp tập trung vào tất cả các phân

khúc khách hàng như trên, lợi ích mang lại có khả năng tạo ra giá trị lớn hơn cho

ngân hàng nhưng điểm yếu là chi phí sẽ rất cao và nguồn lực phân bổ lớn, chưa phù

hợp mục tiêu dài hạn của Sacombank. Do đó, để đạt được hiệu quả kinh doanh cao

phù hợp mục tiêu và nguồn lực sẵn có, Sacombank có thể chia chiến lược thành hai

loại chính: phân khúc riêng biệt và phân khúc chéo.

Cụ thể, Sacombank cần tập trung vào các phân khúc khách hàng chính và quan

trọng nhất của mình, các chiến lược phân khúc riêng biệt được xác định và tập trung

vào hai phân khúc chính là nhóm khách hàng tốt nhất (Best) và nhóm khách hàng

mới (New). Mặt khác, chiến lược phản hồi của khách hàng (feelback) có thể được áp

dụng cho tất cả khách hàng của Sacombank.

5.1. Chiến lược kinh doanh đề xuất theo phân khúc khách hàng

5.1.1. Chiến lược cho nhóm khách hàng tốt nhất (Best)

Đặc điểm nhóm: Đây là nhóm khách hàng cá nhân sử dụng nhiều sản phẩm

dịch vụ từ tiền gửi, tiền vay, thẻ tín dụng,… vì họ mức đóng góp lợi nhuận cao cho

ngân hàng do đó họ sẽ có những đòi hỏi những dịch vụ tốt nhất. Đồng thời, họ cũng

chính là đại sứ tiếp thị tốt nhất cho ngân hàng vì họ có địa vị xã hội nên sẽ dễ dàng

giới thiệu đến nhiều người khác. Điều này đồng nghĩa với việc yêu cầu của họ cũng

khắt khe hơn so với khách bình thường. Tỷ lệ khách hàng trong nhóm tốt nhất là

24,8% trong tổng số khách hàng nghiên cứu, là các khách hàng có thời gian mua hàng

gần đây (Recency) là gần nhất, tần suất giao dịch (frequency) cao nhất và giá trị giao

dịch (monetary) cao nhất.

Mục tiêu của chiến lược: Xây dựng các chính sách khách hàng tối ưu, với các

sản phẩm, dịch vụ cao cấp, hấp dẫn giúp ngân hàng duy trì mối quan hệ tốt với khách

hàng, gia tăng mức đóng góp lợi nhuận, từ đó giúp phát triển hệ khách hàng trung

thành cho ngân hàng.

Nội dung của chiến lược: dựa trên các đặc điểm nhóm và mục tiêu chiến lược

trên. Sacombank cần đưa ra chính sách hàng thân thiết theo đó các khách hàng được

đánh giá theo tổng thu nhập thuần đóng góp của khách hàng (TOI - Total Operating

Income) nhằm mục đích tăng cường sự gắn bó của khách hàng với Sacombank,

khuyến khích khách hàng giao dịch, sử dụng nhiều sản phẩm dịch vụ của Sacombank.

Cụ thể Sacombank sẽ có cơ chế ưu đãi về phí/giá, quà tặng cho khách hàng đạt mức

TOI.

TOI khách hàng được tính toán theo công thức sau:

TOI = NII cho vay + NII huy động + NI khác

Ghi chú:

NII (Net interest Income) cho vay: Thu nhập từ lãi cho vay

NII (Net interest Income) huy động: Thu nhập thuần từ lãi huy động

NI khác: Thu nhập thuần từ doanh số giao dịch thẻ (CCI – Credit Card Income), kinh

doanh ngoại hối (FXI – Foreign Exchange Income), thu phí dịch vụ (FI – Fee

Income).

Nguyên tắc xếp hạng: điểm xết hạng được quy đổi từ TOI của khách hàng lũy

kế 12 tháng liền kề trước đó. Hạng khách hàng được đề xuất được xếp thành 4 hạng

tương ứng với các chiến lược đề xuất chi tiết theo bảng 5.1.

Bảng 5.1. Khung điểm xếp hạng đề xuất

Hạng khách Điều kiện TOI Chiến lược đề xuất

hàng

Diamond >= 200 triệu đồng Chiến lược 1 (chính sách

khách hàng Saphie) hoặc Gold 100 triệu đồng <= TOI < 200

chiến lược 2 (chính sách triệu đồng

khách hàng wealth) Silver 50 triệu đồng <= TOI < 100

triệu đồng

Member < 50 triệu đồng Chiến lược 3 (chính sách

khách hàng tiềm năng)

Nguồn: đề xuất của tác giả

Chiến lược 1: “Chính sách khách hàng Sapphire”

Dựa trên các thông tin ở trên, tác giả đề xuất chính sách ưu đãi áp dụng đối

với khách hàng đạt hạng theo “chính sách khách hàng sapphire” chi tiết theo bảng

5.2.

Bảng 5.2. Chính sách ưu đãi đề xuất cho khách hàng sapphire

Hạng Tiền vay Tiền gửi Thẻ

Diamond - Giảm 10% lãi suất - Cộng lãi suất (**) - Miễn phí thường

tiền vay so với lãi suất 0,3% so với lãi suất huy niên 3 năm

bảng động thông thường. - Hoàn tiền

- Tăng tỷ lệ cho vay - Quà tặng sinh 10%/tổng số giao

(*)/tài sản đảm bảo lên nhật/lễ/tết dịch (***)

100%

Gold - Giảm 5% lãi suất tiền - Cộng lãi suất (**) - Miễn phí thường

vay so với lãi suất 0,2% so với lãi suất huy niên 2 năm.

bảng động thông thường. Hoàn tiền 5%/tổng

- Tăng tỷ lệ cho - Quà tặng sinh số giao dịch (***)

vay(*)/tài sản đảm bảo nhật/lễ/tết

90%

Silver - Giảm 3% lãi suất tiền - Cộng lãi suất (**) - Miễn phí thường

vay so với lãi suất 0,1% so với lãi suất huy niên 1 năm.

bảng động thông thường. Hoàn tiền 3%/tổng

- Tăng tỷ lên cho - Quà tặng sinh số giao dịch (***)

vay(*)/tài sản đảm bảo nhật/lễ/tết

80%

Ghi chú:

(*) Tỷ lệ cho vay/tài sản đảm bảo với bất động sản là 70%

(**) Cộng lãi suất: đảm bảo không vượt lãi suất trần quy định của Ngân hàng nhà

nước

(***) có mức giới hạn tối đa (ví dụ: 10 triệu/năm)

Chiến lược 2: “Chính sách khách hàng wealth”

Đối với các khách hàng đạt điều kiện chính sách khách hàng sapphire (đạt

hạng từ Silver trở lên), tác giả đề xuất thêm một chính sách ưu đãi đặc biệt gọi và

chính sách khách hàng wealth – Khách hàng thuộc phân khúc khách hàng cao cấp.

Điều kiện khách hàng đạt chính sách khách hàng Wealth ngoài việc đạt điều

kiện chính sách khách hàng Sapphire thì thỏa thêm điều kiện sau: Khách hàng có tổng

tài sản tại ngân hàng (tiền gửi) đạt mức >= 5.000 triệu đồng và đăng ký tham gia dịch

vụ ngân hàng cao cấp (khách hàng Wealth), ngoài việc được áp dụng chính sách ưu

đãi của khách sapphire thì tác giả đề xuất Sacombank có cơ chế dịch vụ đặc thù cho

nhóm khách hàng này, cụ thể là: phát hành thẻ nhận diện khách hàng (Priority Pass)

– các khách hàng có thẻ này sẽ được ưu tiên giao dịch tại quầy mà không cần lấy số

thứ tự, dịch vụ đưa đón sân bay tối đa 5 lần/năm, ưu tiên phòng chờ sân bay…

Chiến lược 3: “Chính sách khách hàng tiềm năng”

Đây là các khách hàng thuộc hạng “Member”, mặc dù không đạt nhưng nhóm

khách hàng này cũng có đóng góp lợi nhuận cao cho ngân hàng, nên Sacombank vẫn

phải quan tâm chăm sóc có các cơ chế ưu đãi dành do nhóm khách hàng này. Cụ thể

tác giả đề xuất chương trình quà tặng hàng năm cho khách hàng nhân ngày sinh

nhật/lễ/tết/ngày thành lập doanh nghiệp (nếu khách hàng là chủ doanh nghiệp).

Kế hoạch về nguồn lực: Để thực hiện chiến lược này đòi hỏi Sacombank phải

có kế hoạch xây dựng chương trình hành động cụ thể để giúp việc triển khai kế hoạch

được thuận lợi và phát huy hiệu quả. Chi tiết như bảng 5.3.

Bảng 5.3. Kế hoạch phân bổ nguồn lực cho nhóm khách hàng tốt nhất

Nhóm kế hoạch Diễn giải Chi phí Bộ phận thực hiện

Xây dựng chiến - Xây dựng và ban hành - Nguồn kinh phí - Khối cá nhân

lược chính sách khách hàng hoạt động kinh

doanh

Công nghệ - Thiết kế công cụ tính TOI - Nguồn kinh phí - Khối công nghệ

khách hàng. hoạt động kinh thông tin

doanh

Truyền thông - Thiết kế công cụ truyền - Nguồn kinh phí - Phòng truyền thông

thông marketing như tờ hoạt động kinh và marketing

rơi/quảng cáo/e-mail, tin doanh

nhắn,..

Triển khai thực - Triển khai các chính sách - Nguồn kinh phí - Bộ phận kinh doanh

hiện khách hàng để phục vụ chăm sóc khách của chi nhánh

khách hàng. hàng của chi nhánh

Đánh giá hiệu - Tổng hợp kết quả từ chi - Nguồn kinh phí - Ban năng suất chất

quả nhánh để đánh giá hiệu quả hoạt động kinh lượng

triển khai chính sách. doanh

Nguồn: Đề xuất của tác giả

Ưu điểm của chiến lược này là đơn giãn, dễ thực hiện, chi phí thấp, Sacombank

có thể thực hiện và triển khai ngay do hầu hết đều tận dụng được nguồn lực sẵn có.

Tóm lại, nhóm khách hàng tốt nhất thì cần phải có chiến lược tốt nhất, làm cho khách

hàng cảm thấy họ được trân trọng, đánh giá cao thông qua các ưu đãi đặc quyền, dịch

vụ độc đáo, chất lượng hoàn hảo, thông tin liên lạc thường xuyên để có thể chuyển

đổi từ quan niệm “khách hàng thân thiết” thành “khách hàng trung thành”.

5.1.2. Chiến lược cho nhóm khách hàng mới (New)

Đặc điểm nhóm: Đây là nhóm khách hàng cá nhân mới vừa tham gia giao dịch

với Sacombank, đây cũng là nhóm khách hàng sử dụng ba sản phẩm dịch vụ từ tiền

gửi, tiền vay, thẻ tín dụng. Do họ mới tham gia dịch vụ nên có thể họ cũng đang sử

dụng sản phẩm hoặc dịch vụ của các ngân hàng khác, có thể họ chưa biết nhiều về

sản phẩm dịch vụ của Sacombank, hoặc có thể sản phẩm, dịch vụ của Sacombank

chưa thực sự làm hài lòng họ... họ hoàn toàn có thể trở thành khách hàng thân thiết

hoặc sẽ rời đi nếu họ cảm nhận sản phẩm dịch vụ của Sacombank không tốt. Tỷ lệ

khách hàng trong nhóm này là 24,9% trong tổng số khách hàng nghiên cứu. Đây là

các khách hàng có thời gian mua hàng gần đây (Recency) cao, tần suất giao dịch

(frequency) thấp và giá trị giao dịch (monetary) ở mức trung bình.

Mục tiêu của chiến lược: Thu hút khách hàng, gia tăng mức độ giao dịch và

sử dụng sản phẩm dịch vụ, từ đó giúp phát triển hệ khách hàng tiềm năng, gia tăng

lợi nhuận cho ngân hàng.

Nội dung của chiến lược: Xây dựng chính sách khách hàng mới, với các sản

phẩm, dịch vụ đa dạng, hấp dẫn. Mặc dù tần suất giao dịch chưa cao và giá trị chưa

lớn nhưng họ đã đến và giao dịch với ngân hàng, nên khả năng tiếp cận và khai thác

hệ khách hàng này đơn giản hơn rất nhiều so với các khách hàng chưa từng giao dịch

với ngân hàng. Do đó, các chiến lược hiệu quả nhất cho nhóm khách hàng này mà

Sacombank nên làm là triển khai các chương trình chăm sóc khách hàng hiệu quả,

thiết thực kèm truyền thông liên tục cũng như có kế hoạch xây dựng các chương trình

ưu đãi dành cho khách hàng. Chiến lược “chính sách khách hàng mới” áp dụng cho

các khách hàng đã tham gia giao dịch gần đây, nội dung chi tiết của chiến lược được

minh họa theo bảng 5.4.

Bảng 5.4. Chiến lược đề xuất dành cho nhóm khách hàng mới

Nhóm chiến Diễn giải Chi phí Bộ phận thực hiện

lược

- Quà tặng - Quà welcome - 500.000 - Khối cá nhân

- Quà sinh nhật đồng/KH/năm chuyển quà về chi

nhánh và tặng trực

tiếp cho khách hàng

- Chăm sóc và - Trực tiếp: 1 lần/quý - Nguồn kinh phí - Bộ phận kinh doanh

thăm hỏi - Gọi điện: 1 lần/tháng chăm sóc khách hàng của chi nhánh

của chi nhánh

- Truyền thông - Gửi thông tin khuyến - Nguồn kinh phí hoạt - Phòng truyền thông

mãi/ưu đãi/sản phẩm động kinh doanh và marketing

dịch vụ mới khi có

chương trình qua tin

nhắn và e-mail

- Ưu đãi khác - Giảm phí lãi suất nếu - Nguồn kinh phí hoạt - Bộ phận kinh doanh

đạt hạng động kinh doanh chi nhánh

Đánh giá hiệu - Tổng hợp kết quả từ chi - Nguồn kinh phí hoạt - Ban năng suất chất

quả nhánh để đánh giá hiệu động kinh doanh lượng

quả triển khai chính sách.

Nguồn: Đề xuất của tác giả

Cũng giống như chiến lược dành cho nhóm khách hàng tốt nhất, ưu điểm của

chiến lược này là đơn giãn, dễ thực hiện, chi phí thấp, có thể áp dụng ngay. Tóm lại,

nhóm khách hàng mới cần phải có chiến lược chăm sóc, thăm hỏi thường xuyên và

liên tục làm cho khách hàng cảm thấy họ được quan tâm để có thể chuyển đổi từ quan

niệm khách hàng mới sang “khách hàng thân thiết” và “khách hàng trung thành”.

5.2. Chiến lược phản hồi của khách hàng (feelback)

Cơ sở đề xuất chiến lược: hiện nay, cùng với sự phát triển cuả khoa học công

nghệ, mạng xã hội đã trở nên phổ biến đặc biệt với người tiêu dùng Việt Nam. Do đó,

Sacombank nên tập trung vào các phương pháp số hóa để thu thập phản hồi của khách

hàng, cụ thể là phản hồi trên trang website của của ngân hàng và khảo sát trực tuyến

thông qua các công cụ email. Nói chung, Sacombank tạo các biểu mẫu phản hồi tùy

chỉnh dựa trên ngành nghề kinh doanh để khảo sát, thăm dò ý kiến, câu hỏi trắc

nghiệm, biểu mẫu ma trận và phản hồi văn bản tự do mở.

Ngoài ra, Sacombank nên có công cụ ghi nhận lại tất cả các vấn đề hoặc khiếu

nại của khách hàng trong quá trình giao dịch. Đây là nguồn thông tin có giá trị để

hiểu lý do tại sao khách hàng chuyển từ phân khúc tốt nhất sang phân khúc khác và

lôi kéo họ trở lại phân khúc tốt nhất càng sớm càng tốt.

Từ những thông tin trên, tác giả đề xuất Sacombank nên triển khai công cụ

tiếp nhận các vấn đề, khiếu nại, phàn nàn của tất cả các khách hàng… gọi tắt là “công

cụ tiếp nhận xử lý thông tin khách hàng”, công cụ này như một ứng dụng hoặc trang

liên kết được triển khai trực tiếp trên website, ứng dụng smartphone hoặc fanpage

của ngân hàng trên các trang mạng xã hội khác.

Mục tiêu của chiến lược: xây dựng công cụ thu thập thông tin khách hàng

nhằm hiểu cách khách hàng nhận xét về các sản phẩm và dịch vụ hiện tại và tạo ra

những sản phẩm dịch vụ mới để đáp ứng nhu cầu ngày một đa dạng của khách hàng,

công ty phải luôn lắng nghe các phản hồi của khách hàng. Bằng cách lắng nghe khách

hàng, thấu hiểu khách hàng và khiến họ hài lòng, Saconbank có thể tạo ra mối quan

hệ thân thiết và lâu dài với khách hàng.

Nội dung của chiến lược: Sacombank xây dựng hệ thống tiếp nhận và phản

hồi thông tin khách hàng, được tích hợp thông qua một ứng dụng (như ứng dụng trên

điện thoại thông minh) hoạt động theo cơ chế trung tâm dịch vụ khách hàng hiện tại,

mở rộng thêm các phương pháp số hóa, mạng xã hội, fanpage,… ứng dụng này cho

phép người dùng có thể truy cập thông qua số điện thoại, e-mail hoặc tên đăng nhập

từ mạng xã hội để phản ảnh thông tin trực tuyến đến ngân hàng. Chiến lược này giúp

cho Sacombank thu thập được nhiều thông tin phản hồi từ khách hàng hơn và hướng

đến mục tiêu phục vụ khách hàng tốt hơn thông qua sự thấu hiểu về khách hàng.

Khác biệt của công cụ này là việc ứng dụng công nghệ thông tin nên thời gian

xử lý nhanh chóng, phản hồi trực tiếp đến khách hàng bằng công nghệ trực tuyến, ưu

điểm là sử dụng đơn giản, tiện lợi, hiện đại và có thể thu thập được nhiều thông tin

từ khách hàng. Công cụ này có thể giúp Sacombank giải quyết vấn đề tổng đài chăm

sóc khách hàng bị nghẽn, hoặc quá tải… cải tiến dịch vụ khách hàng.

Chiến lược này sẽ được xây dựng như một quy trình tiếp nhận xử lý thông tin

khách hàng. Tác giả đề xuất quy trình được chia làm 3 bước như sau:

Bước 1: Tiếp nhận và tổng hợp thông tin

Trung tâm dịch vụ khách hàng sẽ thu thập tất cả các nhu cầu, phản ảnh, khiếu

nại, của khách hàng mới hoặc hiện hữu được tiếp nhận thông qua ứng dụng (nhận

diện ID khách hàng là số CMND/số điện thoại của khách hàng) liên kết đến trang thu

thập thông tin giải quyết khiếu nại của ngân hàng.

Bước 2: Phân loại và chuyển tiếp thông tin

Bộ phận tiếp nhận dựa trên các nhu cầu của khách hàng, ứng dụng sẽ phân loại

theo các tiêu chí được tích hợp sẵn: nhu cầu sản phẩm, phàn nàn dịch vụ, khiếu nại,…

Bước 3: Xử lý và phản hồi thông tin đến khách hàng

Sau khi phân loại các thông tin từ khách hàng, sẽ tự động chuyển đến các trung

tâm xử lý (chi nhánh nơi khách hàng tham gia giao dịch). Nhân sự chi nhánh sẽ tiếp

nhận và xử lý yêu cầu của khách hàng và phản hồi ngược lại khách hàng thông qua

ứng dụng hoặc điện thoại và phản hồi kết quả trên hệ thống, trung tâm dịch vụ khách

hàng có nhiệm vụ tổng hợp và đánh giá kết quả thông qua sự hài lòng của khách hàng.

Kế hoạch về nguồn lực: Để thực hiện chiến lược này đòi hỏi Sacombank phải

có kế hoạch xây dựng chương trình hành động cụ thể để giúp việc triển khai kế hoạch

được thuận lợi và phát huy hiệu quả. Kế hoạch xây dựng chiến lược cụ thể được tác

giả đề xuất theo như bảng 5.5.

Bảng 5.5. Kế hoạch xây dựng chiến lược feelback

Nhóm kế hoạch Diễn giải Chi phí Bộ phận thực hiện

Xây dựng chiến - Xây dựng quy trình thu - Nguồn kinh phí - Khối công nghệ

lược thập và phản hồi thông tin. hoạt động kinh thông tin

doanh

Truyền thông - Thiết kế công cụ truyền - Nguồn kinh phí - Phòng truyền thông

thông marketing như tờ hoạt động kinh và marketing

rơi/quảng cáo/e-mail, tin doanh

nhắn,..

Thu thập và xử - Thu thập thông tin, tổng - Nguồn kinh phí - Trung tâm dịch vụ

lý thông tin hợp và phân loại thông tin. hoạt động kinh khách hàng

Chuyển các đơn vị xử lý doanh

Triển khai thực - Xử lý thông tin tiếp nhận - Nguồn kinh phí - Trung tâm dịch vụ

hiện và phản hồi thông tin đến hoạt động kinh khách hàng.

khách hàng. doanh - Bộ phận kinh doanh

của chi nhánh

Đánh giá hiệu - Tổng hợp kết quả từ chi - Nguồn kinh phí - Ban năng suất chất

quả nhánh để đánh giá hiệu hoạt động kinh lượng

quả triển khai chính sách. doanh

Nguồn: Đề xuất của tác giả

Chiến lược trên mặc dù có ưu điểm là thu thập một lượng lớn thông tin từ

khách hàng từ đó giúp cho Sacombank có thể giải quyết nhanh chóng các khiếu nại

của khách hàng mang đến sự hài lòng của khách hàng, tuy nhiên nhược điểm của

chiến lược là chi phí cho việc thực hiện khá cao, đòi hỏi nhiều bộ phận tham gia, thời

gian triển khai tương đối dài và việc giám sát và đánh giá hiệu quả của chiến lược

cũng phức tạp. Để chiến lược trên thành công và phát huy hiệu quả ngoài nội dung

chiến lược tác giả đề xuất, Ban lãnh đạo Sacombank cần có một giải pháp cụ thể và

toàn diện hơn.

B. KẾT LUẬN

Các công ty thường nghiên cứu phân khúc khách hàng vì thực tế là mọi khách

hàng đều khác nhau và nỗ lực Marketing của họ sẽ được hiệu quả hơn nếu họ nhắm

tới các đối tượng cụ thể, nhóm khách hàng nhỏ hơn với thông điệp mà những người

tiêu dùng đó sẽ tìm thấy có liên quan và thúc đẩy họ mua dịch vụ hoặc sản phẩm. Các

công ty cũng hy vọng sẽ hiểu rõ hơn về sở thích và nhu cầu của khách hàng của họ

để tìm cách tối ưu hơn mỗi khi tiếp cận những phân khúc người dùng này.

Trong nhiều thập kỷ, các Marketer đã phân loại theo đặc điểm khách hàng mục

tiêu của họ để cố gắng đoán được tâm lý khách hàng, những người sẽ mua sản phẩm

hoặc dịch vụ của họ. Tuy nhiên nếu công ty vẫn đang phân khúc khách hàng bằng

cách sử dụng các chi tiết về nhân khẩu học hoặc tâm lý người tiêu dùng mà bỏ qua

sự thay đổi lớn trong hành vi của khách hàng, điều đó có thể lãng phí tiền và tài

nguyên của công ty dẫn tới sự sụt giảm trong doanh số.

Nội dung nghiên cứu của luận văn này cũng tập trung vào việc thực hiện phân

khúc khách hàng cụ thể trường hợp của Sacombank. Việc phân khúc dựa trên hành

vi tiêu dùng của khách hàng cụ thể là các khách hàng sử dụng thẻ tín dụng, khách

hàng tiền gửi và lịch sử giao dịch tiền gửi, và khách hàng tiền vay một số phương

pháp phân cụm (cluster) vào phân cụm theo RFM (thời gian mua hàng gần nhất, tần

suất giao dịch của khách hàng tổng giá trị giao dịch dựa trên nguồn dữ liệu big data

của Sacombank). Dựa trên các kết quả phân tích dữ liệu Sacombank có kế hoạch phát

triển các giải pháp kinh doanh hạn chế rủi ro rời dịch vụ của khách hàng, tăng cường

các chiến lược kinh doanh giúp giữ chân khách hàng hiện tại, khai thác khách hàng

mới.

Với cơ sở dữ liệu đưa vào nghiên cứu cùng với việc sử dụng các phương pháp

phân tích đã nêu trên, Sacombank có thể có kế hoạch phát triển hai chiến lược chính:

chiến lược theo phân khúc khách hàng và chiến lược phân khúc chéo.

Đối với các nhóm khách hàng sử dụng nhiều sản phẩm dịch vụ và mức đóng

góp lợi nhuận cao cho ngân hàng là nhóm tốt nhất (best) và nhóm chi tiêu (spender),

Sacombank phải duy trì mối quan hệ tốt khách hàng, cung cấp các sản phẩm dịch vụ

kèm và triển các chính sách khách hàng thân thiết (nhóm best) và chính sách chiết

khấu theo doanh số và bán chéo (upselling) các sản phẩm/dịch vụ cao cấp của ngân

hàng (nhóm spender) để gia tăng lợi nhuận.

Đối với các nhóm khách hàng ít sử dụng sản phẩm dịch vụ và mức đóng góp

lợi nhuận thấp là nhóm khách hàng mới (new) và nhóm không chắc chắn (uncertain).

Sacombank nên triển khai các chương trình khuyến mãi ngắn hạn, giảm phí khi sử

dụng thêm các sản phẩm/dịch vụ mới (nhóm new) và chính sách cơ chế ưu đãi phí và

quà tặng cho khách hàng quay lại giao dịch đồng thời tập trung vào công tác chăm

sóc, thăm hỏi khách hàng nhằm khơi gợi lại nhu cầu và tìm hiểu nguyên nhân để có

giải pháp cải tiến tiếp theo.

Mặt khác, Sacombank cũng cần có các chiến lược phân khúc chéo để tạo ra

một chiến lược định vị mới để điều chỉnh chiến lược kinh doanh nhầm tối đa hóa lợi

nhuận bằng các chiến lược marketing, chiến lược dịch vụ và chiến lược phản hồi của

khách hàng.

Hạn chế và kiến nghị

Kết quả nghiên cứu của luận văn có thể giúp ích cho Sacombank có thể hiểu

hơn về hành vi khách hàng, đặc điểm lựa chọn dịch vụ của khách hàng. Điều này

không những góp phần vào việc xác định lại khúc thị trường để ngân hàng có hướng

tiếp cận phù hợp, trên cơ sở để phát triển thêm vào các dịch vụ hướng đến phục vụ

khách hàng một cách hiệu quả nhằm giữ chân khách hàng cũ, hạn chế sự rời dịch vụ

của khách hàng và tạo tiếng vang lôi kéo khách hàng mới. Tuy nhiên, trong khả năng

có giới hạn của tác giả, luận văn cũng có những giới hạn nhất định.

Thứ nhất, phạm vi nghiên cứu của luận văn này chỉ ở hệ khách hàng tiền vay,

tiền gửi, thẻ tín dụng với không gian là tại TPHCM (phạm vi hẹp) nên kết quả có thể

không phản ánh hết bức tranh toàn hệ khách hàng của Sacombank với hệ khách hàng

đa dạng trải dài trên khắp đất nước và cả ở nước ngoài có các đặc điểm khác nhau về

nhân khẩu học và tâm lý học.

Thứ hai, thời gian nghiên cứu của số liệu đối với khách hàng trong luận văn là

12 tháng (từ tháng 10/2018 đến tháng 10/2019) không quá dài để có thể đánh giá

chính xác các hành vi của khách hàng, từ đó việc phân khúc và đưa giải pháp chỉ có

giá trị tốt nhất trong ngắn hạn (một vài năm tiếp theo).

Thứ ba, phương pháp này chỉ có thể áp dụng cho các công ty có hệ thống thu

thập thông tin dữ liệu khách hàng tốt (ngành tài chính ngân hàng), đối với các công

ty không có hệ thống dữ liệu khách hàng đầy đủ sẽ rất khó áp dụng vì không có nhiều

dữ liệu để cho phân tích và kết quả đưa ra có thể không đáng tin cậy.

Do đó, cần có các công trình nghiên cứu quy mô lớn hơn trong tương lai, để

có các kết quả đầy đủ hơn, từ đó Sacombank có các giải pháp kinh doanh hiệu quả và

các chiến lược kinh doanh dài hạn đóng góp tích cực vào hiệu quả hoạt động của

Sacombank.

Tuy nhiên, với kết quả nghiên cứu trong luận văn cũng có những giá trị tích

cực, Sacombank có thể dựa vào kết quả này cũng như tham khảo các chiến lược đề

xuất của tác giả để ứng dụng ngay vào chính sách và chiến lược kinh doanh của mình

trong năm 2020 tại địa bàn thành phố Hồ Chí Minh, và có thể phát triển trên toàn hệ

thống. Ngoài ra, hướng đi của đề tài cũng khá mới tại thị trường Việt Nam và đặc biệt

là lĩnh vực ngân hàng nên tác giả hi vọng hướng đi này sẽ là hướng đi tiên phong

trong lĩnh vực ngân hàng tại Việt Nam và trong tương lai gần sẽ được ứng dụng rộng

rãi trong các lĩnh vực khác ở Việt Nam.

TÀI LIỆU THAM KHẢO

Doğan, O., Ayçin, E., & Bulut, Z. A. (2018). Customer Segmentation by Using RFM

Model and Clustering Methods: A Case Study in Retail Industry. International

Journal of Contemporary Economics and Administrative Sciences, 8(1), 1–19.

Retrieved from www.ijceas.com

Kahreh, M. S., Tive, M., Babania, A., & Hesan, M. (2014). Analyzing the

Applications of Customer Lifetime Value (CLV) based on Benefit Segmentation for

the Banking Sector. Procedia - Social and Behavioral Sciences, 109(Clv), 590–594.

https://doi.org/10.1016/j.sbspro.2013.12.511

Khajvand, M., & Tarokh, M. J. (2011). Estimating customer future value of different

customer segments based on adapted RFM model in retail banking context. Procedia

Computer Science, 3, 1327–1332.

https://doi.org/10.1016/j.procs.2011.01.011

Khajvand, M., Zolfaghar, K., Ashoori, S., & Alizadeh, S. (2011). Estimating

customer lifetime value based on RFM analysis of customer purchase behavior: Case

study. Procedia Computer Science, 3, 57–63.

https://doi.org/10.1016/j.procs.2010.12.011

Kim, S. Y., Jung, T. S., Suh, E. H., & Hwang, H. S. (2006). Customer segmentation

and strategy development based on customer lifetime value: A case study. Expert

Systems with Applications, 31(1), 101–107.

https://doi.org/10.1016/j.eswa.2005.09.004

Marcus, C. (1998). A practical yet meaningful approach to customer segmentation.

Journal of Consumer Marketing, 15(5), 494–504.

https://doi.org/10.1108/07363769810235974

Wu, J., & Lin, Z. (2005). Research on customer segmentation model by clustering.

ACM International Conference Proceeding Series, 316–31

Wu, J., & Lin, Z. (2005). “Research on customer segmentation model by clustering.”,

ACM International Conference Proceeding Series, 113.

Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương Tín, 2014. Báo cáo thường niên

năm 2014.

Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương Tín, 2015. Báo cáo thường niên

năm 2015.

Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương Tín, 2016. Báo cáo thường niên

năm 2016.

Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương Tín, 2017. Báo cáo thường niên

năm 2017.

Ngân hàng Thương Mại Cổ Phần Sài Gòn Thương Tín, 2018. Báo cáo thường niên

năm 2018.

https:www.Sacombank.com.vn

https://bigdatauni.com

PHỤ LỤC

Phụ lục 1. 107 loại thẻ tín dụng được KH sử dụng tại Ngân hàng

THÔNG TIN CARD ĐƯỢC SỬ DỤNG CỦA KH

Value

Count %

VS payWave Ladies First

693 14.93

VS payWave Cre Gold

459

9.89

VS payWave Cre Classic

418

MC Credit Classic

268

5.77

MC Contactless Cre Classic

259

5.58

JCB Motor Card Classic-NOT ISSUE

245

5.28

Visa Credit Classic

162

3.49

MC Contactless Cre Gold

145

3.12

JCB JSpeedy Credit Classic

118

2.54

Visa Ladies First

108

2.33

JCB JSpeedy Credit Gold

101

2.18

VS payWave Ladies-An Toan

2.09

VS payWave Cre Platinum Cashback

1.92

VS payWave Ladies-KH Vay

1.49

JCB Car Card Gold-NOT ISSUE

1.44

VS payWave Cre Gold-KH Vay

1.27

Family Local Credit New

1.16

VS payWave Cre Platinum Cashback-An toan

1.1

VS payWave Cre Classic-KH Vay

0.99

VS payWave Cre Platinum

0.93

JCB JSpeedy Credit Gold - KH Vay

0.93

JCB JSpeedy Credit Gold - Staff

0.86

MC Credit Gold

0.82

VS payWave Cre Gold-An Toan

0.82

VS payWave Ladies-Staff

0.78

MC Contactless Cre Classic-An Toan

0.73

JCB Motor Card Classic -KH Vay-NOT ISSUE

0.71

VS payWave Cre Classic-An Toan

0.71

Visa Credit Gold

0.69

JCB Motor Card Classic - Staff-NOT ISSUE

0.6

JCB JSpeedy Credit Gold - An Toan

0.6

MC Contactless Cre Gold-An Toan

0.56

JCB JSpeedy Credit Classic - KH Vay

0.54

JCB Car Card Gold - Staff-NOT ISSUE

0.52

VS payWave Cre Platinum-An Toan

0.52

MC Contactless Cre Gold-Staff

0.47

MC Credit Classic - An Toan

0.47

MC Contactless Cre Gold-KH Vay

0.45

Visa Credit Classic - KH Vay

0.45

VS payWave Cre Gold-Staff

0.45

VS payWave Cre Platinum Imperial

0.43

Family Credit - Staff

0.43

MC Credit Classic - KH Vay

0.43

MC Contactless Cre Classic-KH Vay

0.41

VS payWave Cre Platinum Cashback-KH vay

0.41

JCB JSpeedy Credit Classic - An Toan

0.41

Visa Ladies First - An Toan

0.41

JCB Card Classic - An Toan-NOT ISSUE

0.41

JCB Credit - Vay tieu dung SacombankPay

0.39

JCB Car Card Gold - KH Vay-NOT ISSUE

0.39

JCB JSpeedy Credit Classic - Staff

0.34

VS payWave Cre Platinum Cashback-Staff

0.34

VS payWave Cre Platinum-Manager

0.34

JCB Car Card Gold - An Toan-NOT ISSUE

0.32

Visa Credit Classic - An Toan

0.3

Visa Credit Platinum Imperial

0.3

Visa Credit Platinum

0.28

VS payWave Cre Classic-Staff

0.28

Visa Ladies First - KH Vay

0.28

VS payWave Cre Platinum-KH Vay

0.26

Visa Ladies First-Staff

0.26

MC Contactless Cre Classic-Staff

0.24

VS payWave Cre Platinum Imperial-Staff

0.24

Visa Credit Gold - An Toan

0.24

MC Credit Gold - An Toan

0.19

Visa Credit Platinum - An Toan

0.15

Visa Credit Classic - Staff

0.15

MC Credit Classic - Staff

0.15

Credit Business Gold

0.15

Credit Corporate Platinum

0.13

VS payWave Ladies-Payroll

0.11

VS payWave Cre Signature-An Toan

0.11

Family Credit - An Toan

0.11

MC Credit Gold - Staff

0.09

Family Local Credit - KH Vay

0.09

Visa Credit Gold - Staff

0.09

VS payWave Cre Signature

0.09

VS PayWave Cre Signature Imperial

0.09

UnionPay Credit - An Toan

0.09

VS payWave Cre Platinum - Combo

0.09

Visa Credit Gold - CPA

0.06

JCB JSpeedy Credit Classic - Payroll

0.06

MC Credit World

0.04

JCB Card Classic - Payroll-NOT ISSUE

0.04

Visa Credit Gold - KH Vay

0.04

Visa Credit Platinum - KH Vay

0.04

VS payWave Cre Signature-KH Vay

0.04

VS payWave Cre Classic-Payroll

0.04

JCB Ultimate Credit - Staff

0.04

Visa Credit Signature

0.02

Visa Credit Platinum Imperial - Staff

0.02

Visa Credit Infinite - Customer

0.02

VS payWave Cre Platinum Cashback-Payroll

0.02

JCB Ultimate Credit

0.02

JCB Ultimate Credit - KH Vay

0.02

MC Contactless Cre World-An Toan

0.02

MC Contactless Cre Gold-Payroll

0.02

Visa Credit Infinite

0.02

Visa Credit Infinite - Customer - H.huu

0.02

VS payWave Cre Infinite-An toan - H.huu

0.02

MC Credit Gold - KH Vay

0.02

Visa Ladies First - Payroll

0.02

JCB Ultimate JSpeedy Credit - Staff

0.02

VS payWave Cre Infinite-Customer - H.huu

0.02

JCB JSpeedy Credit Gold - Payroll

0.02

VS payWave Cre Infinite - Combo - H.huu

0.02

Visa Credit Signature - An Toan

0.02

TỔNG CỘNG

4642

100

Phụ lục 2: Thông tin tiền gửi của khách hàng theo thời hạn và số tiền

Thời gian

tham gia

Kỳ hạn tiền gửi

Chi tiêu

Tiền gửi(Tr. Đồng)

dịch vụ

(LOS)

LOSG1

PS GIAM

1,539.66

>24M

LOSG1

PS TANG

1,447.21

>24M

LOSG2

PS GIAM

838.90

>24M

LOSG2

PS TANG

711.48

>24M

LOSG3

PS GIAM

247.83

>24M

LOSG3

PS TANG

235.72

>24M

LOSG4

PS GIAM

462.91

>24M

LOSG4

PS TANG

404.43

>24M

LOSG1

PS GIAM

1,297.02

13-24M

LOSG1

PS TANG

1,211.20

13-24M

LOSG2

PS GIAM

801.65

13-24M

LOSG2

PS TANG

673.66

13-24M

LOSG3

PS GIAM

231.37

13-24M

LOSG3

PS TANG

217.58

13-24M

LOSG4

PS GIAM

451.50

13-24M

LOSG4

PS TANG

385.52

13-24M

LOSG1

PS GIAM

876.91

1-3M

LOSG1

PS TANG

795.54

1-3M

LOSG2

PS GIAM

476.43

1-3M

LOSG2

PS TANG

409.42

1-3M

LOSG3

PS GIAM

153.89

1-3M

LOSG3

PS TANG

142.84

1-3M

LOSG4

PS GIAM

451.35

1-3M

LOSG4

PS TANG

375.78

1-3M

LOSG1

PS GIAM

686.78

4-6M

LOSG1

PS TANG

614.56

4-6M

LOSG2

PS GIAM

305.18

4-6M

LOSG2

PS TANG

270.67

4-6M

LOSG3

PS GIAM

84.82

4-6M

LOSG3

PS TANG

77.32

4-6M

LOSG4

PS GIAM

436.55

4-6M

LOSG4

PS TANG

356.70

4-6M

LOSG1

PS GIAM

346.15

7-12M

LOSG1

PS TANG

299.82

7-12M

LOSG2

PS GIAM

197.18

7-12M

LOSG2

PS TANG

137.24

7-12M

LOSG3

PS GIAM

48.16

7-12M

LOSG3

PS TANG

42.54

7-12M

LOSG4

PS GIAM

30.90

7-12M

LOSG4

PS TANG

30.84

7-12M

Non_term

LOSG1

PS GIAM

8.56

Non_term

LOSG1

PS TANG

9.05

Non_term

LOSG2

PS GIAM

9.20

Non_term

LOSG2

PS TANG

10.90

Non_term

LOSG3

PS GIAM

11.58

Non_term

LOSG3

PS TANG

12.67

Non_term

LOSG4

PS GIAM

24.82

Non_term

LOSG4

PS TANG

26.30

Phụ lục 3. Kết quả phân tích Cluster

Phụ lục 4. Thông tin vay vốn theo nhóm phân khúc khách hàng

Luận văn Thạc sĩ Kinh tế: Phân tích hành vi khách hàng hướng đến phân khúc thị trường từ dữ liệu big data - Trường hợp của Sacombank

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

---------------

PHẠM VĂN HẬU

PHÂN TÍCH HÀNH VI KHÁCH HÀNG HƯỚNG ĐẾN PHÂN

KHÚC THỊ TRƯỜNG TỪ DỮ LIỆU BIGDATA

TRƯỜNG HỢP CỦA SACOMBANK

LUẬN VĂN THẠC SĨ KINH TẾ

Thành Phố Hồ Chí Minh – Năm 2019

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ THÀNH PHỐ HỒ CHÍ MINH

---------------

PHẠM VĂN HẬU

PHÂN TÍCH HÀNH VI KHÁCH HÀNG HƯỚNG ĐẾN PHÂN

KHÚC THỊ TRƯỜNG TỪ DỮ LIỆU BIGDATA

TRƯỜNG HỢP CỦA SACOMBANK

Chuyên ngành: Quản trị kinh doanh

Hướng đào tạo: Hướng ứng dụng

Mã số: 8340101

LUẬN VĂN THẠC SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

PGS.TS. TỪ VĂN BÌNH

Thành Phố Hồ Chí Minh – Năm 2019

Từ viết tắt

Nguyên nghĩa

SACOMBANK

CLV

Customer Lifetime Value

(Giá trị đóng góp của khách hàng theo thời

gian)

RFM

Recency, Frequency, Monatery

CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN

CỨU

CHƯƠNG 2: CƠ SỞ LÝ LUẬN

Quá trình

Đầu vào

Đầu ra

Phân khúc Phân cụm + RFM

CHƯƠNG 3: BIG DATA VÀ ỨNG DỤNG BIG DATA TẠI

SACOMBANK

406,041

368,469

329,187

290,364

188,678

370,136

325,461

289,457

259,428

162,534

257,172

225,595

193,098

180,593

124,576

CHƯƠNG 4: PHÂN TÍCH DỮ LIỆU BIG DATA

Thông tin loại thẻ

Classic

Gold

Ladies_PAY Platinum

QUAN HỆ GẦN (CR)

QUAN HỆ TIỀM NĂNG (PR)

I

) S O L (

HÌNH THÀNH QUAN HỆ (ER)

QUAN HỆ MẤT DẦN (LR)

I

Ụ V H C Ị D A G M A H T N A G

I

Ờ H T

THỜI GIAN MUA HÀNG GẦN NHẤT (RECENCY)

CHƯƠNG 5: KẾT LUẬN VÀ XÂY DỰNG CHIẾN LƯỢC

B. KẾT LUẬN

THÔNG TIN CARD ĐƯỢC SỬ DỤNG CỦA KH

TỔNG CỘNG

4642

100

Thời gian