Lã Thị Thu Trang
Mai Ánh Vân
Vũ Khánh Linh
Tạ Phương Anh
Trương Thị Thuỳ Dương
Học viện Ngân hàng
Email: f16119@hvnh.edu.vn
Tóm tắt
Sự phát triển nhanh chóng của các nền tảng thanh toán ngang hàng (P2P) trên thiết bị di động đặt ra yêu cầu cấp thiết trong việc hiểu rõ hành vi người tiêu dùng nhằm thúc đẩy mức độ chấp nhận, đặc biệt tại các thị trường mới nổi như Việt Nam. Nghiên cứu này tập trung vào việc khám phá các yếu tố ảnh hưởng đến hành vi chấp nhận thanh toán ngang hàng của người trưởng thành trẻ tại Việt Nam, thông qua khảo sát thực tế và ứng dụng các mô hình học máy như: Random Forest, XGBoost, Decision Tree, Logistic Regression và KNN để phân tích và dự đoán hành vi. Kết quả cho thấy, lòng trung thành thương hiệu, cảm nhận về tính hữu ích và trải nghiệm người dùng cùng với chất lượng hỗ trợ khách hàng là những yếu tố tác động mạnh nhất đến quyết định sử dụng. Ngoài ra, mô hình K-Means được áp dụng để phân nhóm người dùng theo hành vi, từ đó đưa ra các chiến lược tiếp cận phù hợp.
Từ khóa: Học máy, thanh toán ngang hàng, hành vi người dùng.
Summary: The rapid development of mobile peer-to-peer (P2P) payment platforms highlights the urgent need to understand consumer behavior to enhance adoption, especially in emerging markets like Vietnam. This study focuses on identifying key factors influencing the adoption of P2P payments among young adults in Vietnam through survey data and the application of various machine learning models, including Random Forest, XGBoost, Decision Tree, Logistic Regression, and K-Nearest Neighbors (KNN). The findings reveal that brand loyalty, perceived usefulness and user experience, along with the quality of customer support, are the most significant drivers of adoption. In addition, the K-Means clustering algorithm is employed to segment users based on behavioral patterns, providing insights for targeted strategy development.
Keywords: Machine learning, P2P payments, user behavior.
GIỚI THIỆU
Trong thời đại công nghệ số hiện nay, thanh toán không dùng tiền mặt đã trở thành một xu hướng tất yếu, đóng vai trò then chốt trong việc định hình lại hệ thống tài chính và thương mại hiện đại trên toàn cầu. Trong đó, thanh toán ngang hàng (P2P) trên thiết bị di động đang nổi lên nhanh chóng với sự tiện lợi, hữu ích, góp phần thúc đẩy chuyển đổi số trong lĩnh vực thanh toán. Tuy nhiên, mặc dù có nhiều lợi ích rõ ràng, mức độ chấp nhận thanh toán P2P trên thiết bị di động tại nhiều quốc gia, đặc biệt là các nền kinh tế đang phát triển như Việt Nam vẫn chưa đạt đến kỳ vọng. Các nghiên cứu chỉ ra rằng, nhiều rào cản tâm lý và kỹ thuật đang cản trở quá trình chuyển đổi này, bao gồm lo ngại về bảo mật thông tin, nguy cơ gian lận tài chính, thiếu niềm tin vào các hệ thống thanh toán số, cũng như thói quen sử dụng tiền mặt lâu đời (Oliveira và cộng sự, 2016).
Nghiên cứu này tập trung làm rõ các nhân tố ảnh hưởng đến niềm tin của người dùng đối với dịch vụ thanh toán P2P. Điểm nhấn của nghiên cứu nằm ở việc áp dụng các mô hình học máy tiên tiến để khai thác và phân tích sâu sắc dữ liệu hành vi người tiêu dùng, từ đó, mang đến cái nhìn định lượng và toàn diện về động lực cũng như trở ngại trong việc chấp nhận thanh toán số. Kết quả thu được kỳ vọng không chỉ làm phong phú thêm cơ sở lý luận mà còn có tính ứng dụng thực tiễn cao, hỗ trợ doanh nghiệp và cơ quan quản lý trong việc xây dựng chiến lược phát triển hệ sinh thái thanh toán không dùng tiền mặt một cách hiệu quả và bền vững.
CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Cơ sở lý thuyết về học máy và hành vi người tiêu dùng trong thanh toán P2P
Học máy
Học máy đã trở thành một phần quan trọng trong công nghệ hiện đại. Kaplan và Haenlein (2019) cho rằng, học máy là "huyết mạch" của internet vạn vật (IoT), cho phép các thiết bị tự động thu thập và phân tích dữ liệu. Bishop (2006) nhấn mạnh, khả năng của ML trong việc phát hiện các mối quan hệ ẩn trong dữ liệu mà không cần lập trình cứng. Davenport và cộng sự (2020) định nghĩa, ML là một nhánh của trí tuệ nhân tạo, sử dụng thuật toán thống kê để đưa ra quyết định dựa trên dữ liệu.
Khái niệm học máy (machine learning) được hình thành vào đầu những năm 1980 với mạng nơ-ron nhân tạo của McCulloch và Pitts (1943). Các kỹ thuật ensemble như Random Forest (Breiman, 2001) và boosting (Friedman, 2001) đã mở rộng khả năng dự đoán của học máy.
Học máy được chia thành 4 loại chính: học có giám sát, học không giám sát, học bán giám sát và học tăng cường. Học có giám sát sử dụng dữ liệu có nhãn để dự đoán kết quả, trong khi học không giám sát tự khám phá cấu trúc dữ liệu. Học bán giám sát kết hợp cả 2 loại dữ liệu, còn học tăng cường cho phép mô hình học thông qua thử và sai.
Hành vi người tiêu dùng trong thanh toán P2P
Công nghệ thông tin đã thay đổi cách thức tiêu dùng, khiến doanh nghiệp phải điều chỉnh chiến lược kinh doanh. Hành vi tiêu dùng trong môi trường số bị ảnh hưởng mạnh mẽ bởi truyền miệng điện tử (eWOM), nơi người tiêu dùng chia sẻ trải nghiệm mua sắm qua các nền tảng trực tuyến. Theo Ebrahimi và cộng sự (2023), người tiêu dùng sử dụng internet để thu thập thông tin sản phẩm, trong đó, các đánh giá và bình luận trên mạng xã hội đóng vai trò then chốt định hình quyết định mua hàng.
Dịch vụ thanh toán P2P cho phép người dùng đăng ký bằng email hoặc số điện thoại, liên kết với tài khoản ngân hàng và thực hiện giao dịch dễ dàng. Venmo, Zelle (Mỹ), Swish (Thụy Điển), và Bizum (Tây Ban Nha) là những nền tảng P2P phổ biến đã thúc đẩy sự phát triển mạnh mẽ trên toàn cầu (Kalinic và cộng sự, 2019). P2P đặc trưng bởi sự kết hợp hài hòa giữa chuyển tiền và trải nghiệm mạng xã hội, hỗ trợ tương tác và kết nối người dùng qua các giao dịch tài chính với tính năng như chia sẻ, bình luận và thích (Acker và Murthy, 2020).
Ngoài ra, các nghiên cứu mới hơn đã ứng dụng khai thác dữ liệu hành vi người dùng bằng các thuật toán học máy như hồi quy logistic, cây quyết định và mạng nơ-ron sâu nhằm dự đoán xu hướng và phân khúc khách hàng (Zhou và cộng sự, 2020; Sun và cộng sự, 2019). Các kỹ thuật này giúp tối ưu hóa trải nghiệm, phát hiện gian lận và cá nhân hóa đề xuất dịch vụ.
Phương pháp nghiên cứu
Nghiên cứu áp dụng phương pháp thu thập dữ liệu từ 575 người dùng tại Việt Nam trong khoảng thời gian từ tháng 9/2024 đến 3/2025 để khám phá hành vi chấp nhận thanh toán P2P trên thiết bị di động. Dữ liệu sơ cấp được thu thập qua bảng hỏi trực tuyến trên Google Forms, phân phối qua các nền tảng mạng xã hội. Phương pháp chọn mẫu ngẫu nhiên được sử dụng để đảm bảo tính đại diện, trong khi thang đo Likert 5 mức giúp người tham gia dễ dàng hiểu và phản hồi. Phân tích mô tả được thực hiện để tóm tắt hành vi người dùng và các mô hình học máy như: K-means, Decision Tree, Random Forest và Logistic Regression được áp dụng để dự đoán hành vi người dùng. Dữ liệu được chia thành tập huấn luyện và kiểm tra theo tỷ lệ 80/20, với các chỉ số đánh giá như độ chính xác và F1-score. Kết quả nghiên cứu sẽ cung cấp cái nhìn sâu sắc cho doanh nghiệp và nhà phát triển AI trong việc tối ưu hóa chiến lược thanh toán P2P.
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Kết quả nghiên cứu
Kết quả khảo sát cho thấy, mức độ đồng thuận cao (giá trị trung bình từ 3,94 – 4,18) với các yếu tố liên quan đến tiện ích, bảo mật, hỗ trợ khách hàng và lòng trung thành trong thanh toán P2P. Biến phụ thuộc EF_mean đạt 4,12, phản ánh xu hướng chấp nhận dịch vụ tương đối tích cực. Phân tích VIF và tương quan khẳng định, không có hiện tượng đa cộng tuyến hay trùng lặp dữ liệu nghiêm trọng, đảm bảo điều kiện cho các phân tích mô hình.
Trong mô hình hồi quy, Random Forest Regressor thể hiện hiệu quả dự đoán tốt nhất với MSE = 0,427 và R² = 0,36, vượt trội so với các mô hình khác như Linear Regression hay XGBoost. Ba nhóm yếu tố có ảnh hưởng lớn nhất đến hành vi chấp nhận thanh toán P2P gồm: (i) Lòng trung thành với thương hiệu; (ii) Nhận thức tiện ích và trải nghiệm người dùng; (iii) Hệ thống hỗ trợ khách hàng. Các yếu tố như rủi ro bảo mật và trải nghiệm kỹ thuật có vai trò hạn chế hơn.
Phân tích phân cụm bằng thuật toán KMeans xác định được 3 nhóm người dùng P2P: Nhóm thận trọng (chấp nhận thấp); Nhóm trung lập (chấp nhận trung bình); và Nhóm ưu tiên (chấp nhận cao). Phân cụm nhất quán giữa 2 phương pháp EF_mean và EF_pca cho thấy, sự ổn định của kết quả. Kết quả này khẳng định khả năng ứng dụng học máy không giám sát trong phân nhóm hành vi người tiêu dùng.
Thảo luận
Kết quả nghiên cứu khẳng định, hiệu quả của học máy trong phân tích hành vi chấp nhận thanh toán P2P, đồng thời, mở rộng ứng dụng lý thuyết hành vi tiêu dùng trong môi trường số. Các mô hình học máy đã làm rõ vai trò của các yếu tố phi tuyến như lòng trung thành thương hiệu, nhận thức tiện ích và hỗ trợ khách hàng vượt lên trên các yếu tố kỹ thuật thường thấy trong mô hình chấp nhận công nghệ (TAM) hoặc mô hình chấp nhận và sử dụng công nghệ (UTAUT). Phát hiện này phù hợp với xu hướng người dùng ưu tiên niềm tin và trải nghiệm hơn là tốc độ hay rủi ro, tương đồng với nghiên cứu của Kim và cộng sự (2020) và Lin và cộng sự (2021). Điều này cũng phù hợp với bối cảnh tại Việt Nam, nơi niềm tin và trải nghiệm thương hiệu đóng vai trò trung tâm trong hành vi tài chính của người trẻ (Nguyễn và Huỳnh, 2018).
Phân loại người dùng theo mức độ chấp nhận (y_class) với độ chính xác 78% và phân cụm 3 nhóm hành vi (thận trọng, trung tính, ưu tiên) cho thấy, khả năng ứng dụng học máy vào phân khúc thị trường là hoàn toàn khả thi. Các nhóm phản ánh rõ sự đa dạng trong thái độ tiếp nhận P2P tại Việt Nam, đồng thời cung cấp cơ sở cho việc cá nhân hóa dịch vụ.
Tổng thể, nghiên cứu không chỉ xác thực các giả thuyết lý thuyết ban đầu mà còn đóng góp mới khi tích hợp các yếu tố tâm lý thương hiệu và trải nghiệm người dùng vào mô hình dự báo hành vi tài chính số, đặc biệt trong bối cảnh các thị trường mới nổi còn thiếu nghiên cứu chuyên sâu kết hợp học máy và hành vi người dùng.
KẾT LUẬN VÀ MỘT SỐ KHUYẾN NGHỊ
Kết quả nghiên cứu cho thấy, lòng trung thành thương hiệu, cảm nhận về tính hữu ích và trải nghiệm người dùng, cùng với chất lượng hỗ trợ khách hàng là những yếu tố ảnh hưởng mạnh nhất đến hành vi chấp nhận thanh toán P2P trên thiết bị di động của người tiêu dùng trẻ tại Việt Nam. Dựa trên các phân tích học máy và phân nhóm hành vi, nghiên cứu đề xuất một số giải pháp gồm: cải thiện trải nghiệm người dùng thông qua giao diện thân thiện và thao tác đơn giản; xây dựng các chương trình khách hàng thân thiết để tăng mức độ gắn bó; nâng cao chất lượng dịch vụ hỗ trợ khách hàng và khuyến khích chính sách hỗ trợ khởi nghiệp FinTech, đặc biệt là về tài chính và khung pháp lý thử nghiệm. Các giải pháp này góp phần thúc đẩy mức độ chấp nhận thanh toán P2P, đồng thời, phù hợp với định hướng phát triển tài chính số tại các thị trường mới nổi như Việt Nam.
TÀI LIỆU THAM KHẢO
1. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.
2. Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738)
3. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.
4. Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319-340.
5. Davenport, T. H., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24-42.
6. Ebrahimi, P., Chamanzamin, M. R., & Jalilian, N. (2023). E-WOM and Online Purchase Intentions: The Mediating Role of Trust. Journal of Internet Commerce, 22(1), 1-20.
7. Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232.
8. Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business horizons, 62(1), 15-25.
9. McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5, 115-133.
10. Nguyễn, T. D., & Huynh, P. A. (2018). The roles of perceived risk and trust on e-payment adoption. In N. T. Nguyen, B. Trawiński, & T.-P. Hong (Eds.), Studies in Computational Intelligence (Vol. 761, pp. 926–940). Springer. https://doi.org/10.1007/978-3-319-73150-6_68
11. Oliveira, T., Thomas, M., Baptista, G., & Campos, F. (2016). Mobile payment: Understanding the determinants of customer adoption and intention to recommend the technology. Computers in human behavior, 61, 404-414.
12. Sun, X., Zhou, P., & Wang, L. (2019). Unsupervised learning for user behavior clustering in digital payments. IEEE Transactions on FinTech, 6(2), 203-215.
13. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
14. Zhou, T. (2014). Understanding mobile payment acceptance: A unified theory of acceptance and use of technology perspective. Journal of Business Research, 67(5), 1003-1009.
15. Zhou, Y., Zhang, Y., & Wang, X. (2020). Data mining techniques for user behavior analysis in P2P payment systems. Journal of Financial Technology, 5(2), 45-60.
16. Irimia-Diéguez, A., Liébana-Cabanillas, F., Blanco-Oliver, A., & Lara-Rubio, J. (2023). What drives consumers to use P2P payment systems? An analytical approach based on the stimulus–organism–response (S-O-R) model. European Journal of Management and Business Economics. Advance online publication. https://doi.org/10.1108/EJMBE-03-2023-0080
17. Kalinić, Z., Marinković, V., Molinillo, S., & Liébana-Cabanillas, F. (2019). A multi-analytical approach to peer-to-peer mobile payment acceptance prediction. Journal of Retailing and Consumer Services, 49, 143–153. https://doi.org/10.1016/j.jretconser.2019.03.016
18. Acker, A., & Murthy, D. (2020). What is Venmo? A descriptive analysis of social features in the mobile payment platform. Telematics and Informatics, 52, Article 101429. https://doi.org/10.1016/j.tele.2020.101429.
|
Ngày nhận bài: 20/5/2025; Ngày hoàn thiện biên tập: 26/5/2025; Ngày duyệt đăng: 28/5/2025 |
