<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

ĐAI HOC UEH

TRUƠNG CONG NGHẸ VA THIÊT KÊ KHOA CONG NGHẸ THONG TIN KINH DOANH

ĐỒ ÁN CUỐI KỲ MON KHOA HOC DỮ LIẸU

ĐỀ TAI: PHÂN TÍCH, DỰ ĐOÁN SỰ RỜI BỎ CỦA KHÁCH HÀNG NGÂN HÀNG ĐA QUỐC GIA ABC ĐỂ ĐƯA RA CÁC KIẾN NGHỊ TỐT NHẤT CHO

Nguyễn Lê Cát Tường 31221021513 Tô Phạm Quốc Toàn 31221021490 Nguyễn Trần Huỳnh Như 31221025590 Nguyễn Huỳnh Gia Huy 31211028285

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

LƠI CẢM ƠN

Nhóm 9 xin gửi lời cảm ơn sâu sắc đến thầy Nguyễn Mạnh Tuấn, giảng viên bộ môn Khoa học dữ liệu. Sau khoảng thời gian được học tập dưới sự chỉ dẫn của thầy, chúng em đã được cung cấp những kiến thức cơ bản về khoa học dữ liệu, học được cách ứng dụng khoa học dữ liệu trong nghiên cứu các mơn học cần phải phân tích dữ liệu. Nhờ sự giảng dạy tận tình của thầy, chúng em được trang bị những kiến thức bổ ích cho các mơn chuyên ngành cũng như công việc của chúng em sau này.

Riêng với bài báo cáo đồ án cuối kỳ này, do chưa có nhiều kinh nghiệm và kiến thức cịn hạn hẹp, chúng em khó có thể tránh khỏi những thiếu sót. Tuy vậy, chúng em đã cố gắng vận dụng những bài học của thầy để hoành thành đồ án một cách tốt nhất trong khả năng của mình. Thế nên, mọi lời nhận xét và góp ý của thầy sẽ là phương hướng giúp chúng em sửa đổi và hồn thiện bản thân hơn. Lời cuối, nhóm xin chúc thầy sẽ luôn khoẻ mạnh và gặt hái được nhiều thành cơng trong cơng việc của mình. Một lần nữa nhóm 9 chân thành cảm ơn thầy!

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

MỤC LỤC

CHUƠNG 1: TỔNG QUAN ... 6

1. Giới thiệu đề tài ... 6

2. Lý do chọn đề tài ... 6

3. Đối tượng nghiên cứu ...7

4. Mục tiêu nghiên cứu ...7

CHUƠNG 2: QUY TRÌNH THỰC HIẸN VA KÊT QUẢ ...8

1. Mô tả nguồn dữ liệu và cấu trúc dữ liệu ... 8

2. Tiền xử lý dữ liệu ... 8

3. BÀI TỐN 1: Bài tốn phát hiện các điểm đặc thù của dữ liệu dựa vào lược đồ hay các công cụ thống kê. ... 15

3.1. Mơ tả bài tốn: ... 15

3.2. Dữ liệu đã xử lý và kết quả phân tích: ...16

4. BÀI TỐN 2: Dự đốn khả năng khách hàng rời bỏ sử dụng dịch vụ ngân hàng ....24

4.1 Mơ tả bài tốn ... 24

4.2 Xây dựng mơ hình ...25

4.3 Kết quả và đánh giá ...28

5. BÀI TOÁN 3: Phân cụm khách hàng rời bỏ dịch vụ ngân hàng ...33

5.1. Mơ tả bài tốn ... 33

5.2. Chạy mơ hình và kết quả ... 34

5.2.1 Xây dựng mơ hình ... 34

5.2.2. Kết quả mơ hình ... 34

5.3. Đánh giá và kết luận bài toán ... 36

5.3.1. Phương pháp Distribution ... 36

5.3.2. Kết quả Feature Statistics ...44

5.3.3. Kết luận bài toán ...45

CHUƠNG 3: KÊT LUẬN ...47

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

DANH MỤC HÌNH ẢNH

Hình 1: Bộ dữ liệu chưa qua xử lý ... 8

Hình 2: Tiền xử lý dữ liệu ... 9

Hình 3: Tiền xử lý dữ liệu bằng Edit Domain ... 10

Hình 4: Tiền xử lý dữ liệu bằng Edit Domain ...11

Hình 5: Tiền xử lý dữ liệu bằng Edit Domain ... 12

Hình 6: Tiền xử lý dữ liệu bằng Edit Domain ... 13

Hình 7: Tiền xử lý dữ liệu bằng Edit Domain ... 14

Hình 8: Dữ liệu tiền xử lý ... 15

Hình 9. Lấy mẫu dữ liệu huấn luyện ...25

Hình 10. Mẫu dữ luyện huấn luyện ...26

Hình 11. Lấy mẫu dữ liệu mới ... 26

Hình 12. Mẫu dữ liệu mới ... 26

Hình 13. Tiền xử lý dữ liệu ... 26

Hình 14. Mơ hình phân lớp bộ dữ liệu trên Orange ... 28

Hình 15. Kết quả so sánh bằng Test and Score khi chia mẫu dữ liệu thành 5 phần ... 28

Hình 16. Kết quả đánh giá phương pháp Hồi quy Logistic bằng Ma trận nhầm lẫn ...29

Hình 17. Kết quả đánh giá phương pháp Cây quyết định bằng Ma trận nhầm lẫn ...30

Hình 18. Kết quả đánh giá phương pháp SVM được biểu diễn bằng Ma trận nhầm lẫn

Hình 21. Kết quả dữ báo của 100 mẫu dữ liệu. ... 33

Hình 22. Mơ hình phân cụm nhóm khách hàng rời bỏ dịch vụ ...34

ngân hàng đa quốc gia ABC. ...34

Hình 23. Kết quả phương pháp K-means ... 34

Hình 24. Kết quả phương pháp Silhouette Plot ... 36

Hình 25. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC theo ...36

Điểm tín dụng ... 36

Hình 26. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC ...37

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

theo Quốc gia ...37

Hình 27. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC ...38

theo Giới tính ...38

Hình 28. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC theo ...39

Tuổi khách hàng ... 39

Hình 29. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC theo ...39

Tuổi tài khoản ...39

Hình 30. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC theo ...40

Số dư tài khoản ...40

Hình 31. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC theo ...41

Hình 34. Phân bố nhóm khách hàng rời bỏ ngân hàng đa quốc gia ABC theo ...43

Tiền lương ước tính ... 43

Hình 35, 36. Kết quả của Feature Statistics ...45

Bảng 4: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố số lượng sản phẩm ngân hàng ...18

Bảng 5: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố sở hữu thẻ tín dụng ...19 Bảng 6: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

Bảng 7: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân

hàng ở yếu tố tuổi khách hàng ... 21

Bảng 8: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố lương ước tính ... 22

Bảng 9: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố số dư tài khoản ...23

Bảng 10: Kết quả của công cụ phân cụm K-means ...35

Biểu đồ 8: Lương ước tính ... 22

Biểu đồ 9: Số dư tài khoản ...23

Mức độ liên quan đến chuyên ngành: Không liên quan

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

CHUƠNG 1: TỔNG QUAN

1. Giới thiệu đề tài

“Customer churn” là cụm từ được dùng để ám chỉ việc khách hàng rời bỏ mua sản phẩm hay sử dụng dịch vụ của một doanh nghiệp. Khái niệm này tất nhiên khơng hề mới lạ, thậm chí nó cịn là hiện tượng đã quá đỗi quen thuộc với những người tham gia vào các hoạt động kinh doanh.

Tuy nhiên cụm từ này lại mang một sức nặng khác khi nói đến lĩnh vực tài chính, mà cụ thể ở đây là ngân hàng. Hãy xem qua ví dụ sau.

Ngân hàng Thung lũng Silicon hay Silicon Valley Bank (SVB), là một ngân hàng thương mại được thành lập vào năm 1983. Kể từ đó, ngân hàng này đã có một tốc độ phát triển rất nhanh khi vào tháng 12 năm 2022, tức chỉ 40 năm sau khi thành lập, Ngân hàng Thung lũng Silicon đã là ngân hàng lớn thứ 16 trên toàn nước Mỹ với tổng tài sản rơi vào khoảng 209 tỷ USD.

Tuy nhiên, vào ngày 10 tháng 3 năm 2023, tức chỉ vỏn vẹn ba tháng sau thời điểm những số liệu nêu trên được ghi nhận. Ngân hàng Thung lũng Silicon công bố phá sản.

Sự kiện đáng tiếc này xảy ra do SVB đã phải hứng chịu hiện tượng một lượng lớn khách hàng đồng loạt rút tiền khỏi ngân hàng và rời bỏ sử dụng dịch vụ của ngân hàng này sau khi SVB đưa ra thông báo cần huy động 2,5 tỷ USD để cân đối lại những thất thoát trong ngân sách. Dẫn đến vụ phá sản của ngân hàng lớn thứ ba trong lịch sử nước Mỹ.

Từ đó càng khẳng định rõ ràng hơn khả năng ảnh hưởng không hề nhỏ của việc dự đoán được khả năng từ bỏ của khách hàng. Đây cũng chính là mục tiêu nghiên cứu trong bài báo cáo này của nhóm 9. Dự báo hành vi rút lui của khách hàng trong sử dụng dịch vụ của Ngân hàng đa quốc gia ABC Bank.

2. Lý do chọn đề tài

Một nhân tố tất yếu để duy trì hoạt động của các ngân hàng chính là các khách hàng đang sử dụng dịch vụ của họ. Đối với các ngân hàng, việc giữ chân được khách hàng và lượng tiền gửi của họ sẽ như là một nguồn cung sức sống cho chính nó.

Cho dù có là ngân hàng lớn hay nhỏ, việc mất đi các khách hàng đang sử dụng dịch vụ ít nhiều cũng sẽ mang đến những tổn thất nhất định, thậm chí nếu con số này đột ngột tăng

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

dụng dữ liệu khách hàng từ một ngân hàng để thực hiện nghiên cứu với mong muốn là đưa ra một số những dự báo về việc một khách hàng liệu có rút lui khỏi sử dụng dịch vụ của ngân hàng hay không. Đây là điều mà các ngân hàng non trẻ hay lâu dài sẽ rất cần phải để tâm. Báo cáo của nhóm 9 sẽ đưa ra một cái nhìn tổng quan nhưng cũng khơng kém phần chi tiết về vấn đề này.

3. Đối tượng nghiên cứu

Trong dự án này, bằng dữ liệu có được từ ngân hàng ABC, chúng tơi sẽ phân tích về các đặc tính của đối tượng nghiên cứu, ở đây là những người sử dụng dịch vụ của ngân hàng ABC. Thông qua các đặc tính của khách hàng như: số dư trong tài khoản, độ tuổi, mức độ tín dụng, có sở hữu thẻ tín dụng, v.v. ta sẽ có được cái nhìn tách bạch hơn về câu hỏi khách hàng nào sẽ có khả năng sẽ rời bỏ sử dụng dịch vụ ngân hàng và khách hàng nào không.

4. Mục tiêu nghiên cứu

Từ những kết quả nghiên cứu, chúng tôi sẽ đưa ra một báo cáo về tỉ lệ các khách hàng rời bỏ dịch vụ ngân hàng. Báo cáo này có thể được sử dụng cho mục đích dự đoán hành vi của khách hàng trong tương lai khi có đủ dữ liệu về khách hàng đó, nhờ vậy mà nó sẽ giúp ngân hàng ABC dễ dàng hơn trong cơng cuộc kiểm sốt rủi ro, chăm sóc, tư vấn cũng như giữ chân khách hàng có nguy cơ rời bỏ và mang đến những ưu đãi cho những ai có tiềm năng trở thành khách hàng trung thành. Không những vậy, bằng phương

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

CHUƠNG 2: QUY TRÌNH THỰC HIẸN VA KÊT QUẢ

1. Mơ tả nguồn dữ liệu và cấu trúc dữ liệu

Dữ liệu được sử dụng trong bài được lấy từ trang web Kaggle, một trang web chuyên cung cấp các cơ sở dữ liệu phục vụ mục đích nghiên cứu. Dữ liệu mơ tả các đặc tính của 10,000 khách hàng sử dụng dịch vụ của ngân hàng đa quốc gia ABC.

Hình 1: Bộ dữ liệu chưa qua xử lý

2. Tiền xử lý dữ liệu

Do đây là một bộ dữ liệu khá hoàn chỉnh nên quy trình tiền xử lý cũng khơng hề phức tạp.

Đầu tiên là sử dụng chức năng “File” để nhập bộ dữ liệu và định dạng các biến, với mục tiêu của nghiên cứu là phân tích sự phụ thuộc của đặc tính “churn” (rời bỏ sử dụng dịch

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

Còn với biến “customer id” (mã khách hàng), đây là một đặc tính khơng đóng góp vào q trình phân tích nên sẽ bị bỏ qua (Skip).

Hình 2: Tiền xử lý dữ liệu

Tiếp theo sử dụng chức năng “Edit domain” để đặt lại tên cho các cột và định nghĩa lại một số giá trị( hình 2.1-2.5):

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

Hình 3: Tiền xử lý dữ liệu bằng Edit Domain

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

Hình 4: Tiền xử lý dữ liệu bằng Edit Domain

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

Hình 5: Tiền xử lý dữ liệu bằng Edit Domain

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

Hình 6: Tiền xử lý dữ liệu bằng Edit Domain

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

Hình 7: Tiền xử lý dữ liệu bằng Edit Domain Cuối cùng ta có được bộ dữ liệu đã qua xử lý như sau:

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

Hình 8: Dữ liệu tiền xử lý

3. BAI TỐN 1: Bài toán phát hiện các điểm đặc thù của dữ liệu dựa vào lược đồ hay các công cụ thống kê.

3.1.Mơtảbài tốn:

Bài tốn được thực hiện bằng cách: Đầu tiên tìm dữ liệu thơ trên trang web kaggle.com. Sau đó được xử lý dữ liệu thơ trên excel, bằng cách dùng texts to column để tách các dữ liệu đang được gộp trong 1 cột thành nhiều cột khác nhau. Rồi lại dùng Find and replace để thay thế tên của 1 vài dữ liệu như Male→Nam, Female→Nữ, France→Pháp, Spain→Tây Ban Nha, Germany→Đức,…

Mỗi một cột là một yếu tố liên quan đến việc rời bỏ hay không rời bỏ ngân hàng của người tiêu dùng.

Mỗi hàng dữ liệu của một khách hàng được xếp dựa theo các cột có yếu tố tương ứng. Trong đó, ta xác định yếu tố phụ thuộc là: Rời bỏ sử dụng dịch vụ.

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

Các công cụ được sử dụng bao gồm: các hàm thống kê, lược đồ và các công cụ khác trên

Từ bảng số liệu và biểu đồ trên ta có thể thấy được trong 10000 dữ liệu khách thu thập được thì dưới mức điểm tín dụng là 400 thì chỉ có 19 khách chiếm 1 tỉ lệ rất nhỏ 0.19% trong tổng số. Nhưng nó chiếm 100% khi xét mức điểm tín dụng dưới 400. Đồng thời, nếu xét mỗi định mức là 100% ở các mức cịn lại thì tỷ lệ rời bỏ sử dụng dịch vụ theo thứ tự định mức của bản số liệu trên lần lượt là: 21.26%, 19.79% và 19.54%. Từ đây ta có thể nhận định rằng, các khách hàng có điểm tiêu dùng càng cao thì khả năng rời bỏ ngân hàng của họ càng thấp và ngược lại, điểm tín dụng càng thấp thì khả năng rời bỏ ngân

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

Bảng 2: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ở yếu tố quốc gia

Biểu đồ 2: Quốc gia

Ở yếu tố quốc gia, đầu tiên ta có thể thấy đó là chiếm tỷ lệ nhiều khách hàng nhất là quốc gia Pháp chiếm 50.14% tổng số lượng khách hàng của ba quốc gia cùng với đó là tỷ lệ rời bỏ là 8.10% trên tổng số 10000 khách hàng của ba quốc gia và chiếm 16.15% trong số các khách hàng thuộc Pháp. Chiếm số lượng nhiều thứ 2 là Đức với 2509 khách hàng chiếm 25.09% trên tổng ba quốc gia, tỷ lệ rời bỏ ngân hàng là 8.14% trên tổng 3 quốc gia và 32.44% đối với tổng số khách hàng thuộc Đức. Và cuối cùng là Tây Ban Nha với 2477 khách hàng, chiếm 24.77% còn lại, tỷ lệ rời bỏ nếu xét tổng 3 quốc gia và khi xét riêng Tây Ban Nha lần lượt là 4.13% và 16.67%. Từ có thể thấy rằng Pháp là quốc gia có số lượng khách hàng sử dụng dịch vụ cao nhất, đồng thời cũng là quốc gia có số lượng khách hàng rời bỏ thấp nhất. Tiếp theo là Tây Ban Nha tuy có số lượng khách ít nhất, nhưng tỷ lệ rời bỏ ngân hàng thấp hơn quốc gia Đức. Cuối cùng là Đức, cần đặc biệt chú ý đối tượng khách hàng ở quốc gia này, bởi theo dữ liệu, cứ 100 người thì sẽ có khoảng gần 33 người rời bỏ ngân hàng.

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

Bảng biểu 3: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố giới tính

Biểu đồ 3: Giới tính

Đối với yếu tố giới tính, tỷ lệ khách hàng nam nhiều hơn khách hàng nữ (54.57% > 45.43%). Đồng thời, tỷ lệ rời bỏ của khách hàng nữ cũng cao hơn khách hàng nam: - Xét theo tổng cả nam nữ là 100% ( nam 8.98% < nữ 11.39%)

- Xét theo tỷ lệ nam nữ tính riêng khả năng rời bỏ ngân hàng của nam là 16.46% và của

Bảng 4: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố số lượng sản phẩm ngân hàng

</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

Biểu đồ 4: Số lượng sản phẩm ngân hàng

Đối với các khách hàng sử dụng từ 1-2 sản phẩm ngân hàng, khả năng khách hàng rời bỏ ngân hàng không quá cao. Đặc biệt là các đối tượng khách hàng có sử dụng 2 sản phẩm, họ là nhóm khách hàng ít có khả năng rời bỏ ngân hàng với tỷ lệ rời bỏ theo tỷ lệ 100% khi xét tổng 4 tài khoản là 3.48% và khi chỉ xét riêng là 7.58%, điều đó có nghĩa là trong 100 khách hàng sử dụng 2 sản phẩm thì chỉ có khoảng 7-8 khách hàng sẽ rời bỏ ngân hàng. Ngược lại, những đối tượng khách hàng có từ 3-4 sản phẩm lại rất khả năng rời bỏ ngân hàng. Điều này được thể hiện rõ qua số liệu khi nếu chỉ xét riêng lẻ từng mục đối tượng thì những tỷ lệ rời bỏ của khách hàng sử dụng 3 và 4 sản phẩm lần lượt là 82.71%

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

Biểu đồ 5: Sở hữu thẻ tín dụng

Dựa vào bảng dữ liệu trên, ta thấy số lượng khách hàng có thẻ cao hơn đối tượng khơng có thẻ.

- Xét theo 100% là tỷ lệ của tổng 10000 đối tượng thì tỷ lệ rời bỏ sử dụng dịch vụ của khơng có thẻ thấp hơn có thẻ (6.13% < 14.24%).

- Nếu xét riêng từng từng đối tượng thì tỷ lệ khách hàng khơng có thẻ lại cao hơn khách hàng có thẻ(20.81% < 20.18%). Tuy nhiên, tỷ lệ rời bỏ của cả 2 đều không chênh lệch q nhiều. Vì vậy, việc có sở hữu thẻ hay không, không quá ảnh hưởng đến việc rời đi hay ở lại của khách hàng. Đặc biệt là trong thời đại công nghệ phát triển như hiện tại, các app ngân hàng ngày càng thịnh hành, rất nhiều khách hàng khơng cần dung thẻ nhưng các tính năng trên app đã đủ để phục vụ nhu cầu của họ.

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

Bảng 6: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố thành viên tích cực

Biểu đồ 6: Thành viên tích cực

Việc đánh giá sự tích cực của khách hàng cũng là một yếu tố để có thể dự đốn khả năng rời bỏ sử dụng dịch vụ của khách hàng đó. Số liệu cho thấy số lượng đối tượng thành viên tích cực chiếm tỷ lệ cao hơn khơng tích cực ( 51.51% > 48.49%). Khi xét riêng lẻ từng yếu tố thì tỷ lệ rời bỏ của thành viên khơng tích cực cao hơn thành viên tích cực

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

Biểu đồ 7: Tuổi khách hàng

Đối tượng khách hàng dưới 20 tuổi chiếm tỷ trọng rất ít, nhưng lại có tỷ lệ rời bỏ rất cao. Tiếp đó ta thấy số lượng đối tượng khách hàng ở độ tuổi 20-39 là cao nhất, sau đó ở các độ tuổi sau, số lượng khách hàng ngày càng ít. Đồng thời, các đối tượng khách hàng trong độ tuổi từ 40-59 tuổi lại có tỷ lệ rời bỏ ngân hàng cao nhất.

Bảng 8: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố lương ước tính

Biểu đồ 8: Lương ước tính

Theo dữ liệu, khi xét tỷ lệ theo tổng 10000 khách hàng thì ta được các tỷ lệ tương ứng với các mức từ thấp lên cao lần lượt là 4.89%, 5.04%, 5.17%, 5.27%, có thể thấy được tỷ lệ rời bỏ sử dụng dịch vụ ngân hàng của các đối tượng khách hàng từ lương dưới 50000 đến dưới trên 150000 có xu hướng rời bỏ ngân hàng ngày càng cao. Các khách hàng lương ước tính cao có khả năng rời bỏ ngân hàng càng nhiều. Bởi khi các khách hàng có lương càng cao, thì họ có càng nhiều lựa chọn để sử dụng và tạo ra thêm tài sản từ những tài sản đang có. Có thể kể đến ví như các hoạt động đầu tư chứng khoán, mua vàng, đầu tư vào bất động sản,…

</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

● Số dư tài khoản

Bảng 9: Thống kê dữ liệu số khách hàng rời bỏ và không rời bỏ sử dụng dịch vụ ngân hàng ở yếu tố số dư tài khoản

Biểu đồ 9: Số dư tài khoản

Có thể thấy, các đối tượng khách hàng có số dư tài khoản dưới mức 50000 chiếm số lượng sử dụng dịch vụ nhiều nhất 36.92%. Đồng thời đây cũng là nhóm đối tượng rời có tỷ lệ rời bỏ sử dụng dịch vụ thấp nhất (xét theo tỷ lệ riêng của từng mức) khi tỷ lệ rời bỏ lần lượt là 14.25%, 19.88%, 25.27%, 21.93%, 54.55%. có thể thấy tỷ lệ rời bỏ ngân hàng có xu hướng tăng lên khi số dư tài khoản của các khách hàng càng cao. Đặc biệt, đối với lương từ mức 150000 trở lên, tỷ lệ rời bỏ của nhóm đối tượng này lên đến 54.55%, có nghĩa là cứ 100 khách hàng thì sẽ có khoản 54-55 khách hàng rời bỏ ngân hàng. Điều này nguyên nhân có thể liên quan đến vấn đề về lương đã nói ở trên. lương càng cao thì số dư tài khoản càng nhiều. Tuy nhiên, khi tài sản đã nhiều, thì họ có nhiều cách, nhiều cơ hội để tiền đẻ ra tiền hơn, từ đó dẫn đến việc rời bỏ sử dụng dịch vụ ngân hàng.

Số dư tài khoản Không rời bỏ Rời bỏ Tổng

</div>