Nghiên cứu bắt đầu bằng việc thu thập thơng tin thơng qua điều tra các khách hàng cá nhân của Vietcombank chi nhánh TP. HCM. Tác giảđã thiết kế bảng khảo sát và gởi đi điều tra bằng cách gởi qua mail, gởi cho nhân viên đưa đến khách hàng và gởi trực tiếp cho khách hàng tại quầy giao dịch.
Mẫu dùng trong nghiên cứu được chọn theo phương pháp thuận tiện ngẫu nhiên. Phương pháp phân tích dữ liệu được sử dụng trong nghiên cứu này là phương pháp phân tích nhân tố khám phá EFA và hồi quy tuyến tính bội. Thơng thường, số quan sát (cỡ mẫu) ít nhất phải bằng 4 hoặc 5 lần số biến trong phân tích nhân tố. Theo Hair và cộng sự (1998), để cĩ thể phân tích nhân tố khám phá cần thu thập dữ liệu với kích thước mẫu là ít nhất 5 mẫu trên một biến quan sát. Mơ hình nghiên cứu cĩ tổng số biến là 29 biến (26 biến dùng để đánh giá chất lượng dịch vụ, 3 biến dùng để đánh giá sự hài lịng chung). Nếu như theo tiêu chuẩn tối thiểu 5 mẫu cho một biến quan sát thì kích thước mẫu tối thiểu là 145 quan sát (n = 29 x 5 = 145). Tuy nhiên, số lượng mẫu cụ thể là bao nhiêu được gọi là lớn cần thiết cho nghiên cứu thì chưa được xác định rõ ràng. Vì vậy, tác giả chọn mẫu là 200 quan sát. Tuy nhiên, khi bước vào thu thập thơng tin chính thức từ khách hàng bằng cách phỏng vấn trực tiếp, gửi email hay gửi thư cho các khách hàng của Vietcombank chi nhánh TP. HCM thì chỉ lấy mẫu chính thức được 190 quan sát vì cĩ 10 quan sát khách hàng bỏ trống quá nhiều câu hỏi.
Sau khi thu thập dữ liệu xong, quá trình nghiên cứu định lượng khởi đầu từ việc mã hĩa các biến quan sát, cụ thể như sau:
Bảng 2.1: Mã hĩa các biến quan sát
STT BIẾN QUAN SÁT
Thành phần tính hữu hình
1 Trang thiết bị và cơng nghệ của ngân hàng là hiện đại HH1 2 Cơ sở vật chất của ngân hàng khang trang và tiện nghi HH2 3 Nhân viên ngân hàng với trang phục gọn gàng và lịch sự HH3 4 Tài liệu, hình ảnh giới thiệu về dịch vụ ngân hàng đẹp mắt và đầy đủ HH4
Thành phần độ tin cậy
5 Ngân hàng thực hiện dịch vụđúng như cam kết với khách hàng TIN1 6 Khi khách hàng gặp trở ngại, ngân hàng luơn lắng nghe và tìm cách giải quyết vấn đề TIN2 7 Ngân hàng khơng mắc sai sĩt khi cung ứng dịch vụ lần đầu TIN3 8 Ngân hàng cung ứng dịch vụđúng thời gian nhưđã hứa TIN4 9 Hệ thống báo cáo lưu trữ ghi nhận thơng tin của ngân hàng phản ánh chính xác và rõ ràng TIN5
Thành phần sựđáp ứng
10 Ngân hàng nĩi cho khách hàng biết chính xác khi nào dịch vụ sẽđược thực hiện DU1 11 Nhân viên ngân hàng cư xử lịch thiệp, chân thành và gần gũi với khách hàng DU2 12 Nhân viên xử lý giao dịch nhanh, thành thạo và chuyên nghiệp DU3 13 Ngân hàng cĩ bố trí nhân viên tư vấn các sản phẩm đặc thù cho khách hàng DU4
Thành phần sự bảo đảm
14 Anh/ chị cảm thấy tin tưởng vào uy tín của ngân hàng BD1 15 Anh/ chị cảm thấy tin tưởng vào nhân viên ngân hàng BD2 16 Nhân viên cĩ kiến thức chuyên mơn để trả lời các câu hỏi của khách hàng BD3 17 Anh/ chị cảm thấy an tồn khi sử dụng dịch vụ của ngân hàng BD4
Thành phần sự thấu cảm
18 Ngân hàng quan tâm đến từng cá nhân khách hàng TC1 19 Nhân viên giao dịch với khách hàng chu đáo, quan tâm đến khách hàng TC2 20 Nhân viên hiểu rõ nhu cầu của khách hàng TC3
Tính tiếp cận
21 Các điểm giao dịch ATM thuận tiện và an tồn cho khách hàng TIEP1 22 Mạng lưới phịng giao dịch của ngân hàng rộng rãi TIEP2 23 Khách hàng dễ dàng tiếp cận được các thơng tin của ngân hàng TIEP3 24 Giờ giao dịch thuận tiện cho khách hàng TIEP4 25 Hoạt động của máy ATM, máy cà thẻ tín dụng quốc tế,…hoạt động ổn định TIEP5 26 Các dịch vụ ngân hàng trực tuyến cĩ thể sử dụng dễ dàng, nhanh chĩng và an tồn TIEP6
Sự hài lịng
27 Anh/ chị hồn tồn hài lịng với chất lượng dịch vụ của ngân hàng HL1 28 Anh/ chị cĩ sẵn lịng giới thiệu dịch vụ của ngân hàng cho những người khác HL2 29 Trong thời gian tới, anh/ chị vẫn tiếp tục sử dụng dịch vụ của ngân hàng HL3
Các dữ liệu sau khi nhập sẽ được làm sạch mới cĩ thể đưa vào phân tích để tránh những sai sĩt trong quá trình nhập dữ liệu.
Tiếp đĩ, tác giả sẽ bước vào phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA). Phân tích nhân tố khám phá là kỹ thuật được sử dụng nhằm thu nhỏ, tĩm tắt các dữ liệu, rút gọn một tập hợp gồm nhiều biến quan sát phụ thuộc lẫn nhau thành số nhân tố ít hơn để chúng cĩ ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thơng tin của tập biến ban đầu (Hair và cộng sự, 1998). Phương pháp này rất cĩ ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau.
Trong phân tích nhân tố khám phá (EFA) cĩ một số tham số cần phải lưu ý: Thứ nhất, Kaiser-Meyer-Olkin (KMO) là một chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số của KMO lớn (giữa 0,5 và 1) cĩ ý nghĩa là phân tích nhân tố là thích hợp, cịn nếu như trị số này nhỏ hơn 0,5 thì phân tích nhân tố cĩ khả năng khơng thích hợp với các dữ liệu.
Thứ hai, Eigenvalue là chỉ sốđại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Theo quy ước, nhân tố được trích phải cĩ hệ số eigenvalue lớn hơn 1 thì nhân tố đĩ mới bảo đảm ý nghĩa về mặt thống kê.
Thứ ba, Percentage of variance là phần trăm phương sai tồn bộ được giải thích bởi từng nhân tố. Nghĩa là coi biến thiên là 100% thì giá trị này cho biết phân tích nhân tố cơ đọng được bao nhiêu % và bị thất thốt bao nhiêu %. Chỉ số này lớn hơn 50% thì đạt yêu cầu của phân tích EFA.
Thứ tư, Factor loadings (hệ số tải nhân tố) là những hệ số tương quan đơn giữa các biến và các nhân tố. Tác giả sẽ xem xét các Factor loading trong bảng ma trận các nhân tố sau khi xoay (Rotated Component Matrix). Trên mỗi dịng nhất định, chỉ cĩ một con số, con số này chính là factor loading lớn nhất của biến quan sát nằm ở dịng đĩ. Biến quan sát cĩ factor loading lớn nhất nằm tại cột nào thì biến quan sát đĩ thuộc về nhân tốđĩ. Như vậy, biến quan sát bất kỳ sẽ nằm ở nhân tố thứ mấy sẽ được thể hiện rõ ràng trên bảng Rotated Component Matrix. Đối với những Factor Loading mang dấu âm thì lấy giá trị tuyệt đối của nĩ. Theo Hair và cộng sự, factor
loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của phân tích nhân tố khám phá Exploratory Factor Analysis. Hair và cộng sự (1998) cũng khuyên bạn đọc như sau: nếu chọn tiêu chuẩn factor loading lớn hơn 0,3 thì cỡ mẫu ít nhất phải là 350, nếu cỡ mẫu khoảng 100 thì nên chọn tiêu chuẩn factor loading lớn hơn 0,55, nếu cỡ mẫu khoảng 50 thì factor loading phải lớn hơn 0,75. Trong nghiên cứu này, cỡ mẫu là 190 tiêu chuẩn của factor loading là phải lớn hơn hoặc bằng 0,45 (Tabachnick & Fidell, 1989).
Sau khi phân tích nhân tố khám phá xong và rút trích được một số nhân tố, các biến và các nhân tố cần phải được kiểm tra độ tin cậy. Vì vậy, tác giả tiếp tục thực hiện đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha. Theo quy ước thì một tập hợp các mục hỏi dùng để đo lường được đánh giá là tốt phải cĩ hệ số này lớn hơn hoặc bằng 0,8. Tuy nhiên nhiều nhà nghiên cứu đồng ý rằng khi Cronbach’s Alpha từ 0,8 trở lên đến gần 1 thì thang đo lường là tốt, từ 0,7 đến gần 0,8 là sử dụng được. Cũng cĩ nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0,6 trở lên là cĩ thể sử dụng được trong trường hợp khái niệm đang nghiên cứu là mới hoặc mới đối với người trả lời trong bối cảnh nghiên cứu (Nunnally, 1978; Peterson, 1994; Slater, 1995). Trong nghiên cứu này, tác giả sẽ loại bỏ những thành phần cĩ hệ số tin cậy Cronbach’s Alpha nhỏ hơn 0,6 và những biến cĩ hệ số tương quan biến tổng nhỏ hơn 0,4.
Sau khi rút trích được các biến mới, tác giả sẽ đưa các biến này vào mơ hình hồi quy phù hợp để xem xét tác động của các biến này đối với sự hài lịng của khách hàng như thế nào. Muốn vậy, bước đầu tiên khi tiến hành phân tích hồi quy tuyến tính bội là xem xét các mối tương quan tuyến tính giữa tất cả các biến bằng cách xây dựng ma trận tương quan giữa tất cả các biến. Ma trận này cho biết tương quan giữa biến phụ thuộc với từng biến độc lập, cũng như tương quan giữa các biến độc lập với nhau. Khi kết quả phân tích tương quan cho thấy sự tương quan chặt chẽ giữa các biến độc lập thì nghiên cứu cần phải kiểm tra hiện tượng đa cộng tuyến cĩ ảnh hưởng đến phân tích hồi quy bội hay khơng. Phần mềm SPSS sẽđược sử dụng để xây dựng mơ hình của nghiên cứu. Hệ số R2 điều chỉnh (Adjusted R square) sẽ
được sử dụng để đánh giá mức độ phù hợp của mơ hình vì nĩ loại bỏđộ lệch phĩng đại của R2, nghĩa là càng đưa thêm biến độc lập vào thì R2 càng tăng khi mà khơng phải mơ hình nào càng cĩ nhiều biến thì sẽ càng phù hợp.