Nâng cao chất lượng Chatbot chăm sóc khách hàng tại các ngân hàng thương mại Việt Nam
25/03/2024 1.641 lượt xem
Tóm tắt: Trong kỉ nguyên số, Chatbot đóng vai trò vô cùng quan trọng và được ứng dụng trong nhiều lĩnh vực kinh tế, xã hội, trong đó có lĩnh vực ngân hàng. Mặc dù là công nghệ tiềm năng mang lại nhiều lợi ích nhưng Chatbot tại các ngân hàng ở Việt Nam vẫn còn khá nhiều hạn chế như khả năng hiểu chính xác câu hỏi của khách hàng hay mức độ tự nhiên khi đưa ra câu trả lời. Trong bài viết này, nhóm tác giả khảo sát thực tế Chatbot của một số ngân hàng thương mại (NHTM) để xác định các vấn đề tồn tại. Chúng tôi cũng đưa ra một số giải pháp khắc phục những tồn tại này dựa trên những công nghệ mới nhất của trí tuệ nhân tạo và xử lí ngôn ngữ tự nhiên.
 
Từ khóa: Chatbot ngân hàng, cơ sở tri thức, ChatGPT.
 
ENHANCING THE QUALITY OF CUSTOMER SERVICE CHATBOTS
IN VIETNAMESE COMMERCIAL BANKS

Abstract: In the digital era, Chatbots play an exceedingly important role and are utilized across numerous social and economic sectors, including banking. Despite being a promising technology that offers numerous benefits, Chatbots in Vietnamese banks still have considerable limitations such as the ability to accurately understand customer questions or the level of naturalness in responses. In this paper, our research team examines the practicality of representative Chatbots from several commercial banks to identify existing issues. We also propose some solutions to address these shortcomings based on the latest technologies in artificial intelligence, and to process the language naturally.
 
Keywords: Banking Chatbot, knowledge base, ChatGPT.
 
1. Đặt vấn đề
 
Trên thế giới, Chatbot đã và đang được ứng dụng rộng rãi trong rất nhiều lĩnh vực kinh doanh, xã hội. Theo Precedence Research, năm 2022, quy mô thị trường Chatbot toàn cầu đã đạt 0,84 tỉ USD và dự kiến ​​sẽ nắm giữ khoảng 4,9 tỉ USD vào năm 2032 với tỉ lệ tăng trưởng kép hằng năm (CAGR) là 19,29% từ năm 2023 đến năm 2032 (Precedence Research, 2023). (Hình 1)
 
Hình 1: Thị trường Chatbot toàn cầu
 
Nguồn: Precedence Research , 2023

Tuy nhiên, việc ứng dụng Chatbot vào các ngân hàng ở Việt Nam còn tồn tại nhiều thách thức. Với những câu hỏi đơn giản nằm trong bộ câu hỏi thường gặp thì câu trả lời của Chatbot sẽ khá trơn tru. Nhưng với những câu hỏi phức tạp thì Chatbot chưa đủ thông minh để xử lí bởi nó nằm ngoài cấu hình khi phát triển ứng dụng. Cách Chatbot đưa ra câu trả lời cũng còn cứng nhắc, thường rập khuôn theo những câu trả lời đã cài đặt. Ngoài ra, việc đầu tư xây dựng và duy trì Chatbot đòi hỏi nhiều nguồn lực, cũng như tiềm ẩn rủi ro về an toàn bảo mật thông tin. Trong bài viết này, nhóm tác giả tập trung cải thiện khía cạnh “thông minh, linh hoạt” của Chatbot, tức là nâng cao độ chính xác trong phân tích câu hỏi của khách hàng, cũng như tăng sự trôi chảy trong việc đưa ra câu trả lời.
 
Bài viết khảo sát tính khả dụng của Chatbot ở các NHTM tại Việt Nam tính đến thời điểm đầu năm 2024; thử nghiệm và đánh giá chất lượng phản hồi của một số Chatbot tiêu biểu dựa trên một bộ câu hỏi được nhóm biên soạn theo các cấp độ phức tạp khác nhau; từ đó, nhóm tác giả đề xuất các giải pháp nâng cao chất lượng Chatbot cho NHTM Việt Nam dựa trên các công nghệ tiên tiến của trí tuệ nhân tạo như mô hình ngôn ngữ lớn, cơ sở tri thức.
 
2. Thực trạng ứng dụng Chatbot trong các NHTM Việt Nam

Theo ghi nhận ở Việt Nam, một số NHTM đã áp dụng Chatbot từ rất sớm như NHTM cổ phần Việt Nam Thịnh Vượng (VPBank) (2015), NHTM cổ phần Tiên Phong (TPBank) (2017), NHTM cổ phần Đầu tư và Phát triển Việt Nam (BIDV) (2017) và thu được những kết quả nhất định. Tính đến thời điểm cuối năm 2021, đã có 14 NHTM tại Việt Nam triển khai Chatbot cho hoạt động kinh doanh của mình trên tổng số 43 NHTM (Lê Nguyễn Quỳnh Hương, 2022). Để xác thực thông tin này, nhóm tác giả đã tiến hành truy cập Chatbot qua các kênh chính thức như Fanpage Facebook, ứng dụng trên điện thoại thông minh và website chính thức của ngân hàng. Tính đến thời điểm tháng 01/2024, có 15 trong số 43 NHTM đã triển khai sử dụng Chatbot. Trong đó đa số các ngân hàng đã triển khai Chatbot trên nền tảng Facebook (14/17), một số ngân hàng có cả Chatbot trên website (5/17) và trên ứng dụng điện thoại (7/17). 
 
Trong hội thoại, với những câu hỏi mức cơ bản, hầu hết Chatbot của các ngân hàng đều đáp ứng tương đối tốt, nhanh chóng giải đáp các câu hỏi thường gặp của khách hàng. Nhưng nói về tính mềm dẻo, linh hoạt và khả năng tích hợp cơ sở dữ liệu của ngân hàng thì câu trả lời của Chatbot chưa đem lại cho khách hàng trải nghiệm hiệu quả. Hầu hết các Chatbot này có xu hướng sử dụng tin nhắn dạng nút bấm (button), hướng người dùng chọn theo các gợi ý của Chatbot. Điều này giúp tiết kiệm thời gian cho khách hàng nhưng lại hạn chế độ linh hoạt của Chatbot khi trả lời những câu nằm ngoài bộ câu hỏi được cài đặt sẵn (Hình 2).
 
Hình 2. Ví dụ hội thoại với Chatbot của một ngân hàng

Nguồn: Nhóm tác giả trích xuất từ ứng dụngtrên điện thoại thông minh

Bảng 1. Khảo sát tình hình triển khai Chatbot trên các nền tảng của 15 NHTM Việt Nam

Nguồn: Nhóm tác giả

Dựa vào Bảng 1, có thể thấy nổi bật trong số 15 Chatbot tại các NHTM là Chatbot của BIDV và NHTM cổ phần Nam Á (Nam A Bank). Các ngân hàng này đã triển khai Chatbot trên cả ba nền tảng là mạng xã hội Facebook, ứng dụng trên điện thoại thông minh và trên website chính thức. Hơn nữa, qua quá trình trải nghiệm nhóm tác giả nhận thấy độ tự nhiên, linh hoạt của hai Chatbot trên phù hợp với mục tiêu nghiên cứu của bài viết. Do đó, nhóm tác giả quyết định lựa chọn Chatbot của BIDV và Nam A Bank để tiến hành thực nghiệm đánh giá.
 
3. Thực nghiệm đánh giá và kết quả
 
3.1. Bộ câu hỏi thử nghiệm và tiêu chí đánh giá
 
Nhóm tác giả biên soạn một bộ 65 câu hỏi tổng hợp theo các chủ đề thường gặp tại các NHTM. Cụ thể, nhóm phân chia bộ câu hỏi thành bốn loại: 
 
- Câu hỏi loại 1 (20 câu): Là các câu hỏi thường gặp của khách hàng, nhóm tác giả thu thập chủ yếu trên website của các ngân hàng như BIDV, Nam A Bank, NHTM cổ phần Kỹ thương Việt Nam (Techcombank), TPBank và NHTM cổ phần Đại chúng (PVcombank). Ví dụ: “OTP là gì? Khi nào tôi phải sử dụng OTP?”
 
- Câu hỏi loại 2 (20 câu): Từ các câu hỏi thường gặp, nhóm tác giả chỉnh sửa thành các câu hỏi viết không dấu, viết tắt hay teencode.
 
Ví dụ: “OTP la j? Khi nao tui phai sd OTP?”
 
- Câu hỏi loại 3 (20 câu): Cũng từ các câu hỏi thường gặp, nhóm tác giả đã linh hoạt thay đổi cách xưng hô trong hội thoại với Chatbot.
 
Ví dụ: “Cháu ơi, cho cô hỏi OTP là gì? Khi nào cô phải sử dụng OTP nhỉ?” 
 
- Câu hỏi loại 4 (5 câu): Là các câu hỏi bao gồm nhiều mệnh đề, chứa nhiều thực thể có liên quan đến nhau. Đây là loại câu hỏi tương đối phức tạp, đòi hỏi Chatbot phải ghi nhớ và tổng hợp thông tin.
 
Ví dụ: “Hiện tại, tôi đang là sinh viên và đang gặp khó khăn về tài chính, không có đủ tiền đóng học phí và tiền phòng trọ. Vậy ngân hàng mình có gói vay nào phù hợp dành cho sinh viên như tôi không? Lãi suất, mức cho vay và thời hạn của gói vay này như thế nào nhỉ?”
 
Sau đó, nhóm tác giả sẽ thực hiện hỏi lần lượt từng câu để đánh giá câu trả lời của Chatbot theo các tiêu chí: 
 
(i) Hiểu đúng câu hỏi của khách hàng; (ii) Tính linh hoạt trong câu trả lời và (iii) Khả năng tổng hợp thông tin.
 
3.2. Kết quả thử nghiệm 
 
(i) Khả năng hiểu câu hỏi của khách hàng 
 
Để đánh giá khía cạnh này, nhóm tác giả dựa trên kết quả trả lời của Chatbot với 40 câu hỏi loại 1 và loại 2, xem Chatbot có thể bắt được từ khóa chính để đưa ra câu trả lời liên quan đến câu hỏi của khách hàng hay không. Số câu trả lời có liên quan trên tổng số câu trả lời được coi là độ chính xác ở khía cạnh hiểu câu hỏi của Chatbot. Với các câu hỏi loại 1, Chatbot của cả hai ngân hàng BIDV và Nam A bank hầu hết đều trả lời chính xác (Hình 3).

Hình 3. Chatbot hiểu đúng câu hỏi của khách hàng 
của hai ngân hàng BIDV và Nam A bank

Nguồn: Nhóm tác giả

Với các câu hỏi loại 2, nếu viết không dấu, viết tắt hay teencode thì hai Chatbot cũng có thể trả lời tương đối chính xác, tuy nhiên có sự sai số nhiều hơn. Điều này cũng là dễ hiểu bởi nếu là Chatbot được cấu hình dựa trên từ khóa thì mức độ “thông minh” của Chatbot phụ thuộc nhiều vào việc người quản trị có liệt kê đầy đủ các biến thể từ khóa khác nhau hay không. (Hình 4)
Hình 4. Chatbot hiểu đúng câu hỏi của khách hàng 
(Câu hỏi không dấu, viết tắt hay teencode)

Nguồn: Nhóm tác giả

(ii) Khả năng đưa ra câu trả lời linh hoạt.
 
Nhóm tác giả dựa trên kết quả câu trả lời của Chatbot với 20 câu hỏi loại 3 để đánh giá khả năng đưa ra câu trả lời linh hoạt. Khi thay đổi cách xưng hô bằng những đại từ nhân xưng khác nhau như “chú”, “bác”, “cô”... nếu Chatbot nhận biết được và thay đổi cách xưng hô theo thì nhóm tác giả ghi nhận sự linh hoạt. Kết quả cho thấy hai Chatbot được chọn để đánh giá đều chưa đáp ứng được tiêu chí này. (Hình 5)
 
Hình 5. Chatbot chưa thể linh hoạt trả lời khi thay đổi cách xưng hô

Nguồn: Nhóm tác giả

(iii) Khả năng tổng hợp thông tin 
 
Những câu hỏi loại 4 tương đối dài, chứa nhiều mệnh đề và nhiều mối quan hệ trong câu. Để trả lời được câu hỏi dạng này, ngoài nhận biết từ khóa, Chatbot còn cần phân biệt các thực thể, nhận biết mối quan hệ và thậm chí cần truy vấn dữ liệu nội bộ của ngân hàng. Dựa trên kết quả trả lời của Chatbot với năm câu hỏi loại 4 thì nhóm tác giả nhận thấy mức độ câu hỏi này còn phức tạp với Chatbot. Hầu hết câu trả lời chỉ có thể đưa ra gợi ý để người dùng tự tìm hiểu tiếp, chứ không đi vào chi tiết vấn đề (Hình 6).
 
Hình 6. Các câu hỏi tổng hợp thông tin còn phức tạp với Chatbot

Nguồn: Nhóm tác giả

Từ việc khảo sát Chatbot của BIDV và Nam A Bank với bộ câu hỏi trên, nhóm tác giả đã tổng hợp được bảng kết quả như Bảng 2. 
 
Bảng 2. Kết quả trả lời câu hỏi của Chatbot hai ngân hàng BIDV và Nam A Bank

Nguồn: Nhóm tác giả

4. Đề xuất hướng giải pháp khắc phục
 
Những hạn chế vừa đề cập trong phần trên đang gây ra không ít khó khăn với các ngân hàng triển khai dịch vụ Chatbot. Với sự khảo sát những công nghệ tiên tiến của trí tuệ nhân tạo thời gian gần đây, nhóm nghiên cứu đề xuất hai giải pháp để cải thiện khả năng hiểu ngôn ngữ và giao tiếp tự nhiên của Chatbot, đó là ứng dụng các mô hình ngôn ngữ lớn và cơ sở tri thức.
 
4.1. Ứng dụng các mô hình ngôn ngữ lớn
 
Các mô hình ngôn ngữ lớn là các mô hình học sâu, được đào tạo trước dựa trên một lượng dữ liệu khổng lồ. Bộ chuyển hóa cơ bản là tập hợp các mạng nơ-ron có một bộ mã hóa và một bộ giải mã với khả năng tự tập trung (Brown và cộng sự, 2020). Bộ mã hóa và bộ giải mã trích xuất ý nghĩa từ một chuỗi văn bản và hiểu mối quan hệ giữa các từ và cụm từ trong đó. Việc ứng dụng các mô hình ngôn ngữ lớn là một giải pháp mới trong thời gian gần đây, điển hình là ChatGPT do OpenAI phát triển (OpenAI, 2022). ChatGPT - cơn sốt cho hàng triệu người dùng khi chỉ mới được phát hành vào cuối tháng 11/2022 với khả năng hiểu ngữ cảnh một cách chính xác và cung cấp các câu trả lời nhanh, rõ ràng hay thậm chí cả những câu hỏi hết sức phức tạp, sáng tác thơ, viết bài phát biểu... (Hình 7)
 
Hình 7. Đoạn hội thoại thể hiện tính tự nhiên của ChatGPT

Nguồn: Nhóm tác giả

Cùng với một câu hỏi cơ bản như “Hiện tại, mình đang là sinh viên, mình muốn vay tiền ở ngân hàng X, liệu gói vay nào phù hợp với mình? Hạn mức của gói vay là bao nhiêu?”, nếu như Chatbot của các ngân hàng chỉ đưa ra câu trả lời “Bạn vui lòng xem thêm thông tin các loại khoản vay trong link dưới” thì ChatGPT có thể đưa ra câu trả lời trau chuốt, tự nhiên, thậm chí đưa ra lưu ý cho người hỏi trước khi quyết định vay tiền. 
 
Tuy nhiên, việc xây dựng một mô hình ngôn ngữ lớn từ đầu có khả năng hiểu ngôn ngữ tiếng Việt, lại có kiến thức về ngân hàng là không hề đơn giản. Các NHTM muốn đầu tư phát triển theo hướng này sẽ cần xây dựng một đội ngũ kĩ sư trí tuệ nhân tạo, kĩ sư xử lí ngôn ngữ tự nhiên, thu thập một lượng dữ liệu lớn lĩnh vực ngân hàng và một nền tảng tính toán khổng lồ. Còn nếu sử dụng dịch vụ có sẵn như ChatGPT của OpenAI cung cấp thì câu trả lời của Chatbot chưa có sự kiểm chứng về thông tin. Ngân hàng sẽ cần tùy biến và cấu hình cho Chatbot những thông tin nội bộ của mình.
 
4.2. Tích hợp hệ cơ sở tri thức trong mô hình Chatbot
 
Hệ cơ sở tri thức là chương trình máy tính được thiết kế để mô hình hóa khả năng giải quyết vấn đề của chuyên gia con người. Là hệ thống dựa trên tri thức, hệ cơ sở tri thức cho phép mô hình hóa các tri thức của chuyên gia, sử dụng tri thức này để giải quyết vấn đề phức tạp thuộc cùng lĩnh vực (Eric và cộng sự, 2021). 
 
Dữ liệu của cơ sở tri thức được ghi vào một đồ thị lưu trữ các tri thức của các chuyên gia là con người, hay còn gọi là đồ thị tri thức (Knowledge Graph). Điển hình là đồ thị tri thức được Google công bố năm 2012, nó được dùng để phân tích các dữ liệu thực thể được kết nối với nhau bằng các mối liên kết. Thay vì biểu diễn dữ liệu dưới dạng bảng thì đồ thị tri thức lại biểu diễn dưới dạng nút (node). Các nút trong đồ thị có thể có tên, các thuộc tính liên quan và các mối quan hệ với nhau (Hoàng Văn Hiếu, 2021).
 
Hình 8. Sơ đồ tri thức trong ngân hàng 

Nguồn: Nhóm tác giả

Tương tự như xây dựng Chabot trong lĩnh vực ngân hàng thì dữ liệu cũng được lưu trữ dưới dạng đồ thị tri thức. Hình 8 là đồ thị tri thức minh họa ví dụ về ứng dụng cơ sở tri thức trong ngân hàng. Khi nhận được câu hỏi của khách hàng liên quan đến thẻ ghi nợ như “Thẻ ghi nợ nội địa mức Premium có hạn mức chi tiêu là bao nhiêu?”, Chatbot có thể phát hiện được chính xác thực thể là Debit Card và Premium, truy vấn vào bộ cơ sở dữ liệu để nhận câu trả lời, sau đó sinh câu trả lời ngôn ngữ tự nhiên cho khách hàng là “Hạn mức chi tiêu là 50 triệu VND/tháng”.
 
Hai hướng giải pháp tích hợp mô hình ngôn ngữ lớn và cơ sở tri thức nêu trên, mỗi hướng đều có lợi thế và thách thức riêng. Đối với mô hình ngôn ngữ lớn, câu trả lời đưa ra rất tự nhiên và trôi chảy tương tự như con người. Tuy nhiên, các mô hình huấn luyện sẵn thường không có kiến thức chuyên môn sâu về lĩnh vực tài chính, ngân hàng và dữ liệu huấn luyện cũng không được cập nhật thời gian thực. Nếu tự huấn luyện từ đầu một mô hình ngôn ngữ lớn thì chi phí bỏ ra là rất lớn về cả dữ liệu, máy chủ hiệu năng cao và các mô hình học sâu phức tạp. Các ngân hàng có thể cân nhắc phương án sử dụng các mô hình ngôn ngữ lớn đã được huấn luyện trước như GPT4 của OpenAI, BARD của Google và tinh chỉnh lại các mô hình sẵn có với dữ liệu chuyên biệt của ngân hàng mình. Đối với cơ sở tri thức, việc phân tích các thực thể trong câu hỏi được thực hiện cặn kẽ hơn, giúp câu trả lời đưa ra chính xác những gì khách hàng cần. Mặc dù vậy, để xây dựng cơ sở tri thức đáp ứng nhu cầu của Chatbot cũng cần sự đầu tư của các chuyên gia lĩnh vực ngân hàng cũng như các chuyên gia về xử lí ngôn ngữ tự nhiên.
 
5. Kết luận 
 
Trong bài viết này, nhóm tác giả đã trình bày khái quát về tình hình ứng dụng của Chatbot ở các NHTM Việt Nam. Thông qua việc trải nghiệm thực tế một số Chatbot ngân hàng tiêu biểu và đánh giá chi tiết trên một bộ câu hỏi với mức độ phức tạp khác nhau, nhóm đã chỉ rõ một số hạn chế của Chatbot tại các NHTM trên các khía cạnh hiểu ngôn ngữ, linh hoạt trong trả lời và khả năng tổng hợp thông tin. Từ đó, nhóm đề xuất hai hướng giải pháp nhằm nâng cao chất lượng cho các Chatbot, đó là ứng dụng mô hình ngôn ngữ lớn và tích hợp hệ cơ sở tri thức. Đây cũng là những hướng phát triển tiếp theo của nhóm trong những nghiên cứu về sau.
 
Tài liệu tham khảo:
 
1. Brown, T., Mann, B., Ryder, N., & Subbiah, M. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems 33. 
2. Eric, W. N., Maggie, C. L., Mei, L., Patrick, S. C., & Tenglu, L. (2021). An intelligent knowledge-based Chatbot for customer service. Electronic Commerce Research and Applications.
3. Google. (2023). An important next step on our AI journey. https://blog.google/technology/ai/bard-google-ai-search-updates/
4. Hoàng Văn Hiếu, Đ. P. (2021). Xây dựng cơ sở tri thức cho nền tảng Chatbot. Hội nghị KHCN Quốc gia lần thứ XIV về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), trang 1.
5. Lê Nguyễn Quỳnh Hương, N. H. (2022). Chatbot trong lĩnh vực ngân hàng - Thực trạng và xu hướng ứng dụng tại Việt Nam. Tạp chí Khoa học & Đào tạo Ngân hàng, trang 71-72.
6. Techcombank (2024). Những câu hỏi thường gặp nhất. https://techcombank.com/ho-tro
7. TPBank (2024). Hỏi đáp, https://tpb.vn/ca-nhan
8. PVcomBank (2024). Câu hỏi thường gặp. https://www.pvcombank.com.vn/?reload=1705844141
9. BIDV (2024). Câu hỏi thường gặp . https://bidv.com.vn/vn/hoi-va-dap
10. Nam A Bank (2024). Ngân hàng Số . https://www.namabank.com.vn/ngan-hang-so
11. OpenAI. (2022). Introducing ChatGPT. https://openai.com/blog/chatgpt
12. OpenAI. (2023, March). GPT-4. https://openai.com/product/gpt-4
13. Precedence Research (2023). Chatbot Market. Được truy lục từ Precedence Research: https://www.precedenceresearch.com/Chatbot-market

TS. Vũ Trọng Sinh, Vũ Thị Hồng Ngọc, Nguyễn Ngọc Châm, 
Nguyễn Lan Hương, Trần Trà My, Trịnh Trung Nguyên
Học viện Ngân hàng
Bình luận Ý kiến của bạn sẽ được kiểm duyệt trước khi đăng. Vui lòng gõ tiếng Việt có dấu
Đóng lại ok
Bình luận của bạn chờ kiểm duyệt từ Ban biên tập
Nâng cao hiệu quả quản lý gian lận số tại các ngân hàng thương mại Việt Nam
Nâng cao hiệu quả quản lý gian lận số tại các ngân hàng thương mại Việt Nam
24/04/2024 280 lượt xem
Thời gian qua, quá trình số hóa diễn ra liên tục và mạnh mẽ trong lĩnh vực tài chính, ngân hàng và đã mang lại những lợi ích đáng kể cho sự ổn định của khu vực tài chính nói riêng, sự phát triển của nền kinh tế nói chung. Nhờ quá trình này mà các tổ chức tài chính có khả năng cung cấp đa dạng các dịch vụ tài chính, ngân hàng với chi phí thấp hơn, giúp nâng cao trải nghiệm và khả năng tiếp cận sản phẩm, dịch vụ của khách hàng, tăng cường minh bạch trong giao dịch tài chính và phản ứng nhanh chóng với các cuộc khủng hoảng.
Chia sẻ dữ liệu giữa các tổ chức, doanh nghiệp - định hướng  phát triển trong thời đại 4.0
Chia sẻ dữ liệu giữa các tổ chức, doanh nghiệp - định hướng phát triển trong thời đại 4.0
23/04/2024 285 lượt xem
Dữ liệu đóng vai trò thiết yếu trong hoạt động của hầu hết các doanh nghiệp. Việc chia sẻ dữ liệu mở ra những cơ hội mới, tạo thêm nhiều giá trị, đồng thời góp phần bồi đắp kho dữ liệu hiện có, khai phá tiềm năng tối ưu hóa và đổi mới mô hình kinh doanh.
Thúc đẩy tín dụng liên kết bền vững đám bảo tiến độ thực hiện cam kết Net-Zero Carbon và phát triển bền vững ở Việt Nam
Thúc đẩy tín dụng liên kết bền vững đám bảo tiến độ thực hiện cam kết Net-Zero Carbon và phát triển bền vững ở Việt Nam
19/04/2024 0 lượt xem
Do nhu cầu tài chính phục vụ cho quá trình chuyển đổi của các doanh nghiệp ngày càng cao nên thị trường tín dụng liên kết bền vững toàn cầu tiếp tục tăng trưởng mạnh mẽ. Việt Nam cần nhanh chóng thúc đẩy và mở rộng hoạt động cho vay nhằm hỗ trợ các doanh nghiệp ở đa dạng ngành, nghề thực hiện chiến lược phát triển bền vững.
Thực hiện tăng trưởng xanh - Tiền đề cho phát triển bền vững của Việt Nam
Thực hiện tăng trưởng xanh - Tiền đề cho phát triển bền vững của Việt Nam
12/04/2024 1.105 lượt xem
Phát triển bền vững đang là mục tiêu quan trọng của Việt Nam trong những năm qua và trong tương lai, theo đó tăng trưởng xanh với sự kết hợp chặt chẽ, hợp lí, hài hòa giữa phát triển kinh tế - xã hội và bảo vệ môi trường chính là tiền đề để thực hiện mục tiêu này.
Thúc đẩy tín dụng liên kết bền vững đảm bảo tiến độ thực hiện cam kết Net-Zero Carbon và phát triển bền vững ở Việt Nam
Thúc đẩy tín dụng liên kết bền vững đảm bảo tiến độ thực hiện cam kết Net-Zero Carbon và phát triển bền vững ở Việt Nam
10/04/2024 1.129 lượt xem
Bài viết đề xuất một số khuyến nghị về xây dựng, thực thi chính sách tín dụng liên kết bền vững để góp phần đảm bảo tiến độ thực hiện cam kết Net-Zero Carbon và chiến lược phát triển bền vững tại Việt Nam...
Thực tiễn triển khai ESG tại các ngân hàng thương mại Việt Nam
Thực tiễn triển khai ESG tại các ngân hàng thương mại Việt Nam
05/04/2024 1.389 lượt xem
Nghiên cứu trình bày về tầm quan trọng của ESG (Environmental - môi trường, Social - xã hội, Governance - quản trị) trong quá trình phát triển bền vững của ngân hàng, thực tiễn triển khai các hoạt động về ESG, các kết quả đạt được và thách thức, từ đó đề xuất giải pháp thúc đẩy triển khai ESG trong hệ thống ngân hàng tại Việt Nam.
Tác động của minh bạch và công bố thông tin trách nhiệm xã hội đến hiệu quả tài chính tại các ngân hàng thương mại cổ phần Việt Nam
Tác động của minh bạch và công bố thông tin trách nhiệm xã hội đến hiệu quả tài chính tại các ngân hàng thương mại cổ phần Việt Nam
03/04/2024 1.262 lượt xem
Nghiên cứu này tập trung tìm hiểu tác động của tính minh bạch và công bố thông tin trách nhiệm xã hội của doanh nghiệp (Corporate social responsibility - CSR) đến hiệu quả tài chính của các ngân hàng.
Hoàn thiện hệ thống chỉ tiêu giám sát, đánh giá hiệu quả đầu tư vốn nhà nước tại các ngân hàng thương mại Việt Nam
Hoàn thiện hệ thống chỉ tiêu giám sát, đánh giá hiệu quả đầu tư vốn nhà nước tại các ngân hàng thương mại Việt Nam
02/04/2024 1.164 lượt xem
Bài viết dựa trên cơ sở tổng quan về giám sát tài chính, tham khảo kinh nghiệm của một số nước trên thế giới để rút ra một số bài học và khuyến nghị đối với công tác giám sát tài chính, đánh giá hiệu quả hoạt động của các ngân hàng thương mại (NHTM) Nhà nước tại Việt Nam hiện nay.
Kinh nghiệm thực thi chính sách tài chính khí hậu trên thế giới và một số khuyến nghị cho Việt Nam
Kinh nghiệm thực thi chính sách tài chính khí hậu trên thế giới và một số khuyến nghị cho Việt Nam
01/04/2024 1.157 lượt xem
Một trong những vấn đề khó khăn nhất hiện nay đối với các quốc gia, đặc biệt là các quốc gia đang phát triển, đó là việc thiếu nguồn lực tài chính để ứng phó với biến đổi khí hậu, hay còn gọi là tài chính khí hậu...
Xây dựng Sổ tay kiểm toán nội bộ của Ngân hàng Nhà nước Việt Nam
Xây dựng Sổ tay kiểm toán nội bộ của Ngân hàng Nhà nước Việt Nam
28/03/2024 1.245 lượt xem
Để nâng cao tính chuyên nghiệp, chất lượng, hiệu quả công tác kiểm toán nội bộ NHNN phù hợp thông lệ quốc tế và các quy định về kiểm toán nội bộ của Việt Nam, một trong những yêu cầu hiện nay là nghiên cứu, rà soát, ban hành Sổ tay Kiểm toán nội bộ NHNN nhằm tập hợp, hệ thống hóa các quy định chung về kiểm toán nội bộ của NHNN.
Hạch toán phái sinh ngoại hối tại các tổ chức tín dụng và công tác quản lý ngoại hối của cơ quan nhà nước
Hạch toán phái sinh ngoại hối tại các tổ chức tín dụng và công tác quản lý ngoại hối của cơ quan nhà nước
22/03/2024 2.401 lượt xem
Trong thị trường kinh tế, giao dịch phái sinh là một dạng hợp đồng dựa trên giá trị các loại tài sản cơ sở khác nhau như hàng hóa, chỉ số, lãi suất hay cổ phiếu (giấy tờ có giá).
Văn hóa số và lộ trình xây dựng
Văn hóa số và lộ trình xây dựng
11/03/2024 2.624 lượt xem
Hiện nay, quyết liệt chuyển đổi số, tạo dựng hệ sinh thái ngân hàng mở, tạo ra nền tảng phát triển bán lẻ, tăng doanh thu dịch vụ, gia tăng trải nghiệm của khách hàng là xu hướng chủ đạo của hệ thống ngân hàng thương mại (NHTM) Việt Nam.
Vượt qua bẫy thu nhập trung bình: Nhìn từ bối cảnh nền kinh tế Việt Nam hiện nay
Vượt qua bẫy thu nhập trung bình: Nhìn từ bối cảnh nền kinh tế Việt Nam hiện nay
07/03/2024 3.727 lượt xem
Thời gian qua, Việt Nam đã đạt được những thành tựu quan trọng trong quá trình chuyển đổi từ quốc gia có thu nhập thấp sang quốc gia có thu nhập trung bình. Song, những khó khăn nội tại và thách thức bên ngoài của nền kinh tế làm cho nguy cơ Việt Nam rơi vào bẫy thu nhập trung bình là có thể.
Động lực và kì vọng mới cho tương lai
Động lực và kì vọng mới cho tương lai
07/03/2024 2.480 lượt xem
Thủ tướng Chính phủ Phạm Minh Chính và phu nhân Lê Thị Bích Trân cùng đoàn đại biểu cấp cao Việt Nam đã bắt đầu chuyến công tác tham dự Hội nghị cấp cao đặc biệt kỷ niệm 50 năm quan hệ ASEAN - Australia; thăm chính thức Australia và New Zealand từ ngày 05 - 11/3/2024 theo lời mời của Thủ tướng Australia Anthony Albanese và Thủ tướng New Zealand Christopher Luxon.
Vai trò, tầm quan trọng của ESG trong phát triển bền vững tại ngân hàng thương mại Việt Nam
Vai trò, tầm quan trọng của ESG trong phát triển bền vững tại ngân hàng thương mại Việt Nam
05/03/2024 4.676 lượt xem
Trong những năm gần đây, các doanh nghiệp đang dần chú trọng hơn đến sự phát triển bền vững như một hướng đi quan trọng trong hoạt động kinh doanh.
Giá vàngXem chi tiết

GIÁ VÀNG - XEM THEO NGÀY

Khu vực

Mua vào

Bán ra

HÀ NỘI

Vàng SJC 1L

81.000

83.500

TP.HỒ CHÍ MINH

Vàng SJC 1L

81.000

83.500

Vàng SJC 5c

81.000

83.520

Vàng nhẫn 9999

74.200

76.100

Vàng nữ trang 9999

74.000

75.300


Ngoại tệXem chi tiết
TỶ GIÁ - XEM THEO NGÀY 
Ngân Hàng USD EUR GBP JPY
Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra Mua vào Bán ra
Vietcombank 25,145 25,485 26,411 27,860 30,670 31,974 159.56 168.87
BIDV 25,185 25,485 26,528 27,748 30,697 31,977 159.6 168
VietinBank 25,160 25,485 26,651 27,946 31,096 32,106 161.07 169.02
Agribank 25,180 25,485 26,599 27,900 30,846 32,001 160.64 168.67
Eximbank 25,160 25,485 26,632 27,531 30,915 31,959 161.35 166.79
ACB 25,190 25,485 26,768 27,476 31,178 31,876 161.53 166.97
Sacombank 25,250 25,485 26,880 27,440 31,315 31,817 162.5 167.51
Techcombank 25,228 25,485 26,523 27,869 30,720 32,037 157.83 170.27
LPBank 24,943 25,485 26,344 27,844 31,044 31,948 159.37 170.59
DongA Bank 25,250 25,485 26,760 27,440 31,070 31,920 159.80 166.90
(Cập nhật trong ngày)
Lãi SuấtXem chi tiết
(Cập nhật trong ngày)
Ngân hàng
KKH
1 tuần
2 tuần
3 tuần
1 tháng
2 tháng
3 tháng
6 tháng
9 tháng
12 tháng
24 tháng
Vietcombank
0,10
0,20
0,20
-
1,60
1,60
1,90
2,90
2,90
4,60
4,70
BIDV
0,10
-
-
-
1,70
1,70
2,00
3,00
3,00
4,70
4,70
VietinBank
0,10
0,20
0,20
0,20
1,70
1,70
2,00
3,00
3,00
4,70
4,80
ACB
0,01
0,50
0,50
0,50
2,30
2,40
2,60
3,50
3,70
4,50
4,50
Sacombank
-
0,50
0,50
0,50
2,10
2,30
2,50
3,50
3,60
4,50
4,80
Techcombank
0,10
-
-
-
2,20
2,20
2,30
3,40
3,45
4,40
4,40
LPBank
0.20
0,20
0,20
0,20
1,80
1,80
2,10
3,20
3,20
5,00
5,30
DongA Bank
0,50
0,50
0,50
0,50
3,30
3,30
3,30
4,30
4,50
4,80
5,00
Agribank
0,20
-
-
-
1,60
1,60
1,90
3,00
3,00
4,70
4,70
Eximbank
0,50
0,50
0,50
0,50
3,00
3,20
3,30
3,80
3,80
4,80
5,10

Liên kết website
Bình chọn trực tuyến
Nội dung website có hữu ích với bạn không?