1. Đặt vấn đề
Trí tuệ nhân tạo và học máy đã trở thành một xu hướng phổ biến trong việc thay đổi cách doanh nghiệp hoạt động ở nhiều ngành và lĩnh vực khác nhau. Cả ngân hàng và các công ty dịch vụ tài chính đang quan tâm đến việc áp dụng các kĩ thuật học máy để nâng cao hiệu suất, tăng doanh thu và giảm chi phí hoạt động. Trong môi trường cạnh tranh khốc liệt, các công ty phải cạnh tranh để giữ được lòng trung thành của khách hàng, vì vậy, vai trò của trung tâm dịch vụ khách hàng trở nên ngày càng quan trọng. Các giải pháp dành cho dịch vụ khách hàng thông minh và hiệu quả đang được tập trung phát triển.
Trong ngành Ngân hàng, các trung tâm cuộc gọi dịch vụ thường được sử dụng để đáp ứng nhu cầu đa dạng của khách hàng như việc hỏi về thẻ tín dụng miễn phí và thông tin giao dịch. Tuy nhiên, các yêu cầu và dịch vụ như vậy có thể lặp đi, lặp lại và trở nên không quan trọng. Khi có sự gia tăng đột ngột về số lượng cuộc gọi, khách hàng có thể phải chờ đợi lâu trước khi nhận được câu trả lời cho một yêu cầu không quá quan trọng, dẫn đến giảm hiệu suất và tăng chi phí hoạt động. Vì vậy, các ngân hàng và công ty thương mại điện tử đang áp dụng Chatbot để giảm thiểu các vấn đề này. Nhiều nghiên cứu đã giới thiệu Chatbot phục vụ chăm sóc khách hàng giúp cải thiện trải nghiệm mua sắm trực tuyến của người dùng và tiết kiệm chi phí bằng cách trả lời các câu hỏi lặp lại, giải phóng nhân viên để tập trung vào các câu hỏi có giá trị cao hơn. Ngoài ra, cũng có đề xuất một hệ thống Chatbot để ngân hàng ứng dụng xử lí ngôn ngữ tự nhiên và học máy để giải quyết các vấn đề truyền thống trong dịch vụ khách hàng.
.jpg)
Nói chung, việc thu hút khách hàng mới thường tốn kém hơn việc duy trì khách hàng hiện tại. Để duy trì khách hàng, ngân hàng cần cung cấp dịch vụ nhanh chóng, hiệu quả và tiện lợi. Ngày nay, nhiều công ty đã bắt đầu sử dụng các giải pháp trí tuệ nhân tạo để cải thiện trải nghiệm của khách hàng. Một trong những phương pháp phổ biến được sử dụng là xử lí ngôn ngữ tự nhiên để phân tích tâm trạng và khai thác ý kiến. Ngoài ra, trong những năm gần đây, việc áp dụng mạng nơ-ron nhân tạo trong lĩnh vực tài chính - ngân hàng đã thu hút sự quan tâm nhằm dự đoán giá cổ phiếu và đánh giá rủi ro tín dụng.
Khi dịch vụ khách hàng thông minh và hiệu quả trở thành một yêu cầu cơ bản từ phía khách hàng, các nghiên cứu liên quan có thể chia thành hai hướng chính: Dịch vụ khách hàng thông minh trong trung tâm dịch vụ khách hàng và dự đoán hành vi của khách hàng.
Kết hợp thông tin từ cuộc gọi của khách hàng với mã nhân viên dịch vụ khách hàng đặt ra vấn đề về cân đối nguồn lực và sự hài lòng của người dùng. Thay vì chỉ xem xét việc phân phối tài nguyên, tốt hơn là tiếp cận dự đoán nhu cầu của khách hàng và can thiệp sớm. Tuy nhiên, ngay cả khi dự đoán chính xác, việc thực hiện cần phải được ttriển khai một cách hiệu quả để khách hàng chấp nhận giải pháp. Sử dụng mạng nơ-ron nhân tạo để xác định và dự đoán hành vi của khách hàng thường mang lại kết quả tốt hơn so với phân tích phân loại truyền thống.
Bài viết giới thiệu một trường hợp sử dụng dịch vụ khách hàng số để cung cấp các dịch vụ cá nhân hóa thông qua việc tích hợp hệ thống IVR, phản hồi tương tác bằng giọng nói, sử dụng máy chủ học máy, nền tảng ngân hàng trực tuyến và Chatbot để phục vụ người dùng. Mục tiêu là chuyển đổi khách hàng từ cuộc gọi thoại trong trung tâm dịch vụ khách hàng sang các kênh dịch vụ số. Để đạt được mục tiêu này có ba bước quan trọng:
Một là, phát hiện nhu cầu của người dùng và quảng cáo giải pháp trước khi khách hàng gọi đến ngân hàng.
Hai là, quảng cáo giải pháp trong IVR, hệ thống dịch vụ nhắn tin ngắn (SMS), nền tảng ngân hàng trực tuyến và Chatbot.
Ba là, cung cấp các giải pháp số có nhu cầu cao và hấp dẫn, tập trung vào các chủ đề quan trọng.
2. Phương pháp tích hợp hệ thống và kiến trúc
Trước hết, cần xây dựng một mô hình chủ đề bằng cách sử dụng dữ liệu lịch sử giao dịch và tương tác với khách hàng để hiểu ý định của họ khi gọi điện thoại. Các chủ đề này sau đó được sử dụng làm nhãn trong một mô hình mạng nơ-ron để dự đoán ba ý định ưu tiên của khách hàng cho cuộc gọi tiếp theo của họ. Khi khách hàng gọi đến, kết quả sẽ được phát ra dưới dạng lời nhắc, hỏi xem họ có quan tâm đến việc thử các dịch vụ số được đề xuất không. Từ đó, sẽ gửi một SMS chứa đường dẫn liên kết để kích hoạt ứng dụng Chatbot trên trang web trực tuyến của ngân hàng đến số điện thoại di động mà khách hàng đã đăng kí. Khách hàng có thể nhấp vào bất kì trong ba hoặc nhiều hơn dự đoán đầu được hiển thị trong ứng dụng Chatbot để bắt đầu sử dụng dịch vụ kĩ thuật số dưới dạng trò chuyện, hướng dẫn, biến đổi các dịch vụ ngân hàng truyền thống mà thông thường yêu cầu điền biểu mẫu để hoàn thành, bằng cách cho phép khách hàng hoàn thành hầu hết mọi thứ chỉ bằng một vài cú nhấp chuột.
Trong trường hợp này, cần thực hiện tích hợp nhiều hệ thống trong ngân hàng để hỗ trợ quá trình cá nhân hóa của khách hàng. Cụ thể, các can thiệp dịch vụ số chủ yếu được thực hiện thông qua SMS, dịch vụ cho các khách hàng được khuyến nghị trong IVR cũng như qua cửa sổ Chatbot trên trang web của ngân hàng và ứng dụng di động trên các thiết bị cá nhân. Trong Chatbot, các dịch vụ số được nhúng, cá nhân hóa cho từng khách hàng dựa trên kết quả dự đoán từ mô hình và hoạt động trực tuyến gần đây của họ.
3. Mô hình chủ đề trong xử lí cuộc gọi
Nhiệm vụ phân loại tài liệu thường được thực hiện bằng ba phương pháp chính: Giám sát, không giám sát và bán giám sát. Bài viết sử dụng mô hình chủ đề, một hình thức học không giám sát để phân tích mục đích cuộc gọi của khách hàng. Cuộc trò chuyện bằng giọng nói đã được ghi âm, sau đó được chuyển thành văn bản thông qua dịch vụ của nhà cung cấp. Trong việc sử dụng dữ liệu đã được chuyển đổi này, mô hình chủ đề đã được áp dụng để xác định các danh mục khác nhau của cuộc gọi. Các danh mục này sau đó được sử dụng làm nhãn trong mô hình dự đoán nhu cầu dịch vụ số của người dùng.
Trung tâm dịch vụ khách hàng sở hữu một hệ thống nhãn riêng biệt để phân loại cuộc gọi, do nhân viên chăm sóc khách hàng thực hiện khi xử lí cuộc gọi từ người dùng. Mặc dù hầu hết các nhãn này khá chính xác, nhưng cũng có một số trùng lặp và số lượng lớn các danh mục này không thể hiện đúng yêu cầu cụ thể của khách hàng hoặc cách nhân viên giải quyết chưa tối ưu, điều này có thể khiến việc phản xạ cuộc gọi tới các dịch vụ số trở nên khó khăn. Vì vậy, một hệ thống nhãn mới cho việc phân loại cuộc gọi dựa trên mô hình chủ đề đã được tạo ra để phản ánh chính xác các yêu cầu dịch vụ số được đưa ra bởi người dùng. Phân loại mới này cũng mang lại thông tin để cải thiện thiết kế dịch vụ hiện tại và mới. Phương pháp học không giám sát được sử dụng vì không thể thực hiện hiệu quả việc phân tích thủ công định kì trên hàng triệu cuộc gọi được chuyển đổi hằng năm, đồng thời với nhu cầu dịch vụ khách hàng thay đổi liên tục.
Dựa trên tính chất của các cuộc trò chuyện giữa nhân viên chăm sóc và khách hàng, cần tạo ra một danh sách từ và cụm từ tùy chỉnh để loại bỏ, cùng với việc áp dụng các biểu thức tùy chỉnh để ẩn hoặc loại bỏ thông tin nhạy cảm như số tài khoản, số điện thoại, số hộ chiếu... Tiếp theo, cần xác định và sửa chữa các thuật ngữ thông tin thường bị trích dẫn sai để nâng cao tính nhất quán. Cuối cùng, thực hiện từ ngữ hóa là bước tiền xử lí cuối cùng.
Sau bước tiền xử lí, các biên dịch được chuyển thành các vector tần số thuật ngữ. Do nhiều thuật ngữ có tần suất xuất hiện cao, đặc biệt là đối với các câu hỏi thường gặp cơ bản, tạo thành các danh mục khác nhau cho mô hình chủ đề.
Hệ thống mô hình chủ đề ánh xạ các biên dịch giọng nói của khách hàng thành các danh mục mục đích khác nhau, từ đó hệ thống có thể dự đoán liệu khách hàng có gọi đến ngân hàng để yêu cầu dịch vụ khách hàng trong các ngày tới hay không.
Khi khách hàng thực hiện cuộc gọi đến IVR và chọn lựa yêu cầu, IVR tự động xác định danh tính và mục tiêu cuộc gọi. Sau đó, dựa trên thông tin này, IVR tự động phát ra thông báo, giới thiệu và quảng cáo các dịch vụ kĩ thuật số có sẵn cho khách hàng.
SMS sẽ giới thiệu các dịch vụ kĩ thuật số có sẵn cho khách hàng và cung cấp các tùy chọn để họ có thể thử nghiệm dịch vụ này thông qua Chatbot.
Chatbot của ngân hàng là một ứng dụng web cung cấp các dịch vụ số cá nhân hóa cho khách hàng. Khi khách hàng nhấp vào đường dẫn liên kết trong SMS sẽ được chuyển đến trang web, bắt đầu tham gia Chatbot.
Chatbot được thiết kế để cung cấp các dịch vụ kĩ thuật số dựa trên dự đoán từ mô hình chủ đề và mục tiêu cuộc gọi của khách hàng. Cụ thể, Chatbot sẽ hiển thị một số dự đoán hàng đầu về mục tiêu cuộc gọi tiếp theo của khách hàng và có thể chọn một trong số chúng để bắt đầu cuộc trò chuyện. Mỗi dự đoán được liên kết với một danh mục ý định từ mô hình chủ đề và cung cấp thông tin về các dịch vụ số cụ thể được cung cấp bởi ngân hàng.
4. Kĩ thuật tạo đặc trưng và mô hình dự đoán mục đích cuộc gọi
4.1. Kĩ thuật tạo đặc trưng
Trong thời đại số hóa mạnh mẽ, việc tạo ra các đặc trưng thông tin đầy đủ và sáng tạo là một phần quan trọng của quá trình phân tích dữ liệu và xây dựng mô hình dự đoán. Một trong những phương pháp đáng chú ý và đặc sắc được sử dụng trong ngành công nghiệp ngày nay là phương pháp tạo đặc trưng. Phương pháp này kết hợp và tận dụng dữ liệu từ nhiều nguồn khác nhau để tạo ra bộ đặc trưng dày đặc cho khách hàng một cách sáng tạo và hiệu quả. Bài viết tìm hiểu phương pháp được triển khai và áp dụng trong việc tạo ra các đặc trưng độc đáo.
Một trong những bước quan trọng nhất trong quá trình tạo đặc trưng là kết hợp dữ liệu từ nhiều nguồn khác nhau. Điều này đòi hỏi một hệ thống xử lí dữ liệu mạnh mẽ để đảm bảo tính toàn vẹn và độ chính xác của thông tin. Mục tiêu là tạo ra bộ đặc trưng phong phú để mô hình có thể sử dụng để dự đoán ý định hoặc hành vi của khách hàng. Một phần quan trọng của phương pháp này là việc sử dụng cửa sổ thời gian. Cửa sổ đầu ra của việc dự đoán ý định khách hàng đã được cố định với một khoảng thời gian cụ thể, ví dụ 03 ngày. Điều này cho phép xác định thời điểm tương lai mà chúng ta quan tâm đến. Một khoảng thời gian trống cũng được xem xét để tính đến thời gian trễ trong việc cấp dữ liệu và thời gian chạy mô hình trong quá trình sản xuất. Điều này đảm bảo rằng mô hình sẽ hoạt động một cách hiệu quả trong thực tế.
Một trong những điểm mạnh của phương pháp tạo đặc trưng là khả năng đa dạng hóa đặc trưng. Các đặc trưng được tạo ra từ dữ liệu đã được xử lí với nhiều kích thước cửa sổ khác nhau, chẳng hạn như 10, 20, 30 ngày, điều này giúp nắm bắt các đặc trưng ngắn hạn, trung hạn và dài hạn của dữ liệu. Chẳng hạn, nếu ta sử dụng cửa sổ đầu ra là 10 ngày và khoảng thời gian trống là 03 ngày, các đặc trưng đầu vào sẽ được tạo ra và đảm bảo mô hình có cái nhìn toàn diện về hành vi của khách hàng.
Các đặc trưng được tạo ra thường thuộc ba danh mục chính:
Thứ nhất, đặc trưng giao dịch: Đây là tổng hợp đơn giản của dữ liệu đã được xử lí tại các cấp độ cửa sổ đầu vào khác nhau. Các đặc trưng này có thể mô tả các khía cạnh quan trọng của giao dịch và hành vi của khách hàng.
Thứ hai, đặc trưng gần đây: Như số ngày kể từ lần giao dịch thẻ tín dụng cuối cùng của khách hàng, đặc trưng này thể hiện hành vi và tương tác gần đây của khách hàng. Điều này có thể giúp dự đoán hành vi tương lai của khách hàng.
Thứ ba, đặc trưng hồ sơ: Đây là dữ liệu không liên quan đến giao dịch, thường được lấy từ ảnh chụp cuối tháng mới nhất. Điều này có thể cung cấp thông tin về tình trạng tài chính hoặc các yếu tố khác không liên quan trực tiếp đến giao dịch.
Trong quá trình xử lí dữ liệu, cần áp dụng các phương pháp tổng hợp cho từng đặc trưng dựa trên loại dữ liệu và mục tiêu mong muốn. Một điểm cần lưu ý là, một số lượng lớn đặc trưng có thể không mang giá trị hoặc thay đổi rất ít cho hơn 99,5% số lượng mẫu đã được loại bỏ để ngăn mô hình bị treo.
Phương pháp tạo đặc trưng theo thời gian giúp mô hình học được từ các mẫu đa dạng. Đây là một công cụ mạnh mẽ và sáng tạo trong việc xử lí, phân tích dữ liệu cho phép tận dụng dữ liệu từ nhiều nguồn và xây dựng các đặc trưng độc đáo để dự đoán hành vi hoặc ý định của khách hàng.
4.2. Mô hình dự đoán mục đích cuộc gọi
Việc dự đoán ý định cuộc gọi của khách hàng là một phần quan trọng của nhiều ngành, đặc biệt là trong ngành dịch vụ. Để giải quyết vấn đề này, một mô hình dự đoán được xây dựng, cách thức hoạt động của mô hình này như sau:
Phân loại đa nhãn: Một khách hàng không chỉ hỏi về một vấn đề trong một cuộc gọi. Thậm chí, khách hàng có thể có nhiều cuộc gọi trong khoảng thời gian đầu ra. Điều này đặt ra một thách thức lớn trong việc dự đoán các dịch vụ mà khách hàng có thể yêu cầu khi gọi. Vấn đề này được giải quyết bằng cách sử dụng một mô hình phân loại đa nhãn, cho phép dự đoán nhiều ý định/cuộc gọi cho mỗi khách hàng.
Đặc trưng đa dạng: Với số lượng đặc trưng lớn, mỗi mô hình mới được huấn luyện đòi hỏi một tập dữ liệu đặc trưng riêng biệt. Điều này dẫn đến việc lưu trữ các đặc trưng trong một tệp siêu dữ liệu, sau đó, sử dụng chúng trong quá trình tính điểm. Các đặc trưng này chứa thông tin cần thiết để mô hình phân loại có cái nhìn toàn diện về hành vi của khách hàng.
Tinh chỉnh siêu tham số và kiến trúc mạng: Mô hình nơ-ron đa nhiệm là công cụ mạnh mẽ được sử dụng để thực hiện phân loại đa nhãn. Tuy nhiên, để đạt được hiệu suất tốt nhất, cần phải tinh chỉnh siêu tham số và tìm kiếm kiến trúc mạng phù hợp. Quá trình này bao gồm các thông số quan trọng như số lớp ẩn sau lớp đầu vào, số lớp trong các thành phần đa nhiệm, có hoặc không có thành phần kết nối dư, kích thước thành phần dư. Tất cả những quyết định này đóng vai trò quan trọng trong việc xây dựng một kiến trúc mạng nơ-ron cuối cùng.
Xếp hạng: Ưu tiên cho khách hàng: Sau khi mô hình phân loại đa nhãn đã được huấn luyện, đầu ra từ mô hình này được sử dụng để xếp hạng và chọn ra ba (hoặc nhiều hơn) dịch vụ ưu tiên cho mỗi khách hàng. Quá trình xếp hạng này được đánh giá qua nhiều tiêu chí và phương pháp xếp hạng tốt nhất đã được chọn dựa trên dữ liệu ngoài thời gian trong quá trình huấn luyện. Một trong những phương pháp hiệu quả nhất là sử dụng điểm tự tin gốc từ mạng nơ-ron để đánh giá và ưu tiên dịch vụ cho khách hàng.
Dừng sớm và thước đo đánh giá: Mô hình được xây dựng với tính năng dừng sớm, tức là việc huấn luyện sẽ kết thúc nếu hiệu suất không tăng trong một số lần liên tiếp. Điều này giúp tiết kiệm thời gian và tài nguyên trong quá trình xây dựng mô hình.
Một thước đo đánh giá tùy chỉnh, được sử dụng để đo hiệu suất của mô hình. Thước đo này được thực hiện sau cuộc thảo luận với nhóm kinh doanh để đảm bảo rằng nó phản ánh tốt nhất tác động của mô hình trong các trường hợp sử dụng thực tế.
Trong tổng hợp, mô hình dự đoán ý định cuộc gọi là một sự kết hợp tinh tế giữa phân loại đa nhãn, mạng nơ-ron đa nhiệm và việc tinh chỉnh siêu tham số để đảm bảo hiệu suất tối ưu. Với khả năng xếp hạng dịch vụ và đánh giá hiệu suất, mô hình này có thể giúp các doanh nghiệp phục vụ khách hàng một cách hiệu quả và đáp ứng ý định của họ trong tương lai.
4.3. Đánh giá vai trò của kĩ thuật tạo đặc trưng và mô hình dự đoán mục đích cuộc gọi
Kĩ thuật tạo đặc trưng giúp ngân hàng xây dựng mô hình dự đoán hành vi tài chính của khách hàng, xác định rủi ro tín dụng, cung cấp dịch vụ tùy chỉnh dựa trên thông tin từ các đặc trưng đã tạo. Ví dụ, mô hình có thể được sử dụng để dự đoán khả năng thanh toán nợ của khách hàng hoặc để cung cấp sản phẩm và dịch vụ tài chính phù hợp với tình trạng tài chính của họ.
Mô hình dự đoán mục đích cuộc gọi giúp ngân hàng tự động xác định mục đích cuộc gọi của khách hàng và ưu tiên các dịch vụ hoặc hỗ trợ dựa trên dự đoán. Ví dụ, mô hình có thể được sử dụng để xác định liệu khách hàng gọi để thực hiện giao dịch, hỏi về sản phẩm mới hoặc cần giúp đỡ về tài chính cá nhân. Điều này giúp tăng cường trải nghiệm của khách hàng và tối ưu hóa tài nguyên của ngân hàng.
Tóm lại, kĩ thuật tạo đặc trưng và mô hình dự đoán mục đích cuộc gọi đóng vai trò quan trọng trong việc cải thiện quản lí dữ liệu và dịch vụ trong lĩnh vực ngân hàng, giúp ngân hàng hiểu rõ hơn về khách hàng, dự đoán hành vi của họ và cung cấp dịch vụ cá nhân hóa dựa trên thông tin từ dữ liệu, cuộc gọi của khách hàng.
5. Kết luận
Trong bối cảnh phát triển không ngừng của trí tuệ nhân tạo và học máy, việc áp dụng các kĩ thuật này trong ngành tài chính - ngân hàng đã mang đến nhiều lợi ích quan trọng. Bài viết đã đặt ra vấn đề về việc cải thiện dịch vụ khách hàng thông qua sự tích hợp của các hệ thống trí tuệ nhân tạo và học máy.
Trung tâm dịch vụ khách hàng đã thấy được sự thay đổi lớn với sự xuất hiện của Chatbot và các giải pháp dịch vụ số. Các ngân hàng đã thể hiện sự cam kết trong việc cung cấp trải nghiệm nhanh chóng, hiệu quả và tiện lợi cho khách hàng. Việc sử dụng xử lí ngôn ngữ tự nhiên và học máy đã giúp cải thiện trải nghiệm của khách hàng và tối ưu hóa tài nguyên của ngân hàng.
Mô hình chủ đề đã chứng tỏ khả năng phân tích mục đích cuộc gọi của khách hàng và dự đoán hành vi tương lai của họ, giúp tạo ra các dịch vụ cá nhân hóa và cung cấp hỗ trợ đúng đắn. Sự kết hợp giữa các hệ thống như IVR, máy chủ học máy, Chatbot và nền tảng trực tuyến đã tạo nên một hệ thống hoàn chỉnh để phục vụ khách hàng.
Kĩ thuật tạo đặc trưng và mô hình dự đoán mục đích cuộc gọi đóng vai trò quan trọng trong việc hiểu rõ khách hàng hơn, dự đoán nhu cầu của họ và cung cấp dịch vụ tùy chỉnh. Điều này giúp ngân hàng tối ưu hóa quản lí dữ liệu và tài nguyên, tạo nên một mô hình dịch vụ khách hàng thông minh, hiệu quả.
Trong tương lai, sự phát triển của trí tuệ nhân tạo và học máy sẽ tiếp tục thúc đẩy sự cải tiến trong ngành tài chính - ngân hàng. Việc nắm bắt và áp dụng các công nghệ này sẽ giúp ngân hàng duy trì và thu hút khách hàng, cung cấp dịch vụ tốt hơn và thúc đẩy sự phát triển bền vững.
Tài liệu tham khảo:
1. M. M. Y. G. Somda, S. Ouya and G. Mendy, “Implementation of Robotic Process Automation To Decrease the Time Requires For KYC Onboarding Process”, 2023 6th International Conference on Artificial Intelligence and Big Data (ICAIBD), Chengdu, China, 2023, pages 345 - 350.
2. E. N. Louis et al., “Factors Influencing Customers Intention to Use Digital Banking Services”, 2023 IEEE Symposium on Industrial Electronics & Applications (ISIEA), Kuala Lumpur, Malaysia, 2023, pages 1 - 6.
3. M. A. B. Anuar, A. M. Zeki and A. Abubakar, “Exploring Blockchain for KYC: Deepening Client Understanding”, 2023 IEEE 13th International Conference on Control System, Computing and Engineering (ICCSCE), Penang, Malaysia, 2023, pages 27 - 32.
4. V. McTaggart and J. Loonam, “Exploring Top Management Support for Digital Transformation: A Case Study of a European Financial Services Organization”, in IEEE Transactions on Engineering Management.
5. S. Nirvan, S. Verma, S. Kathuria, R. Singh and S. V. Akram, “Enhanced Banking Services using Blockchain and Artificial Intelligence”, 2023 Second International Conference on Augmented Intelligence and Sustainable Systems (ICAISS), Trichy, India, 2023, pages 57 - 62.
ThS. Nguyễn Thị Kim Tuyến