[Podcast] Ứng dụng học máy trong phân tích dữ liệu quản trị nguồn nhân lực
11 Tháng Mười Một, 2024
Từ khóa: Quản lý nguồn nhân lực; Ứng dụng mô hình học máy; Dự báo nhân viên nghỉ việc
Quản lý nguồn nhân lực là yếu tố quan trọng giúp doanh nghiệp phát triển bền vững. Tuy nhiên, một số doanh nghiệp gặp vấn đề với tỷ lệ nhân viên nghỉ việc cao, ảnh hưởng đến hiệu quả công việc và kinh doanh. Để giải quyết vấn đề này, nghiên cứu của tác giả Đại học Kinh tế Thành phố Hồ Chí Minh (UEH) đã phân tích dữ liệu nhân sự của IBM và áp dụng các mô hình máy học như Logistics Regression, K-Nearest Neighbors, Decision Tree, Support Vector Machine, Neural Network và Random Forest nhằm dự đoán nhân viên nghỉ việc. Kết quả từ nghiên cứu có thể giúp các tổ chức xây dựng chiến lược HRM hiệu quả hơn.

Bối cảnh nghiên cứu
Nguồn nhân lực có vai trò quyết định tới năng lực cạnh tranh, kết quả kinh doanh của doanh nghiệp và là tài sản quan trọng nhất, là cơ sở nền tảng phát triển và tồn tại của mỗi doanh nghiệp. Mỗi nhân viên dù đảm việc chức vụ lớn hay nhỏ nhưng vẫn đóng góp vào sự thành công chung của doanh nghiệp. Quản lý nguồn nhân lực (HRM) đóng vai trò quan trọng trong tổ chức vì chịu trách nhiệm giám sát tài nguyên quý giá nhất của doanh nghiệp – đó là lực lượng lao động. HRM có mối quan hệ mật thiết, ảnh hưởng to lớn đến sự thành công của một tổ chức hay doanh nghiệp. Bất kỳ tổ chức hoặc công ty nào cũng nhận thức rõ tầm quan trọng của nhân viên trong việc đạt được và duy trì năng lực lợi thế cạnh tranh.
Trong môi trường kinh doanh hiện đại nhanh chóng và nhiều biến động, quản lý nhân sự hiệu quả ngày càng trở nên quan trọng hơn bao giờ hết. Sự thành công của một tổ chức phụ thuộc rất nhiều vào khả năng thu hút, giữ chân và phát triển một lực lượng lao động tài năng và cam kết làm việc lâu dài. Thế nên, nếu nhân viên rời bỏ hay nghỉ việc không chỉ làm công ty mất đi một nhân viên mà còn dẫn đến mất đi khách hàng của doanh nghiệp, điều này gây ảnh hưởng đến hoạt động kinh doanh sản xuất cũng như sự phát triển của các doanh nghiệp. Phần lớn các doanh nghiệp đều không muốn một nhân viên làm việc nhiều năm hoặc một nhân viên mới gia nhập vào công ty nộp đơn thôi việc, bởi sẽ tốn nhiều chi phí để tuyển dụng thay thế hoặc tốn nhiều chi phí và thời gian để đào tạo một nhân viên mới.
Sự nghỉ việc của nhân viên là một quá trình bình thường bởi mỗi người nhân viên nghỉ việc điều có những lý do riêng của họ, có thể kể đến như: thu nhập, môi trường, thăng tiến, gia đình. Vì vậy, việc dự báo liệu rằng nhân viên có khả năng nghỉ việc hay không có vai trò quan trọng trong việc quản lý nhân sự ở bất kỳ doanh nghiệp nào, nó không chỉ ảnh hưởng tới việc quản trị và phát triển con người mà còn ảnh hưởng trực tiếp đến hoạt động kinh doanh của công ty nếu như nhiều nhân viên nghỉ việc trong một khoảng thời gian. Nếu có một mô hình dự báo tốt sẽ giúp doanh nghiệp hạn chế được việc này; bên cạnh đó, còn giúp bộ phận quản lý nhân sự, các nhà quản lý nắm được đặc điểm chung của nhân sự nghỉ việc để từ đó cải thiện các phúc lợi, môi trường làm việc, nâng cao sự trung thành, gắn đó của nhân viên tại công ty.
Nghiên cứu của tác giả UEH đề xuất mô hình dự đoán thông qua việc xử lý mất cân bằng dữ liệu và chọn lựa đặc trưng cùng với các thuật toán học máy để dự đoán khả năng nghỉ việc của nhân viên. Bằng cách tận dụng kết quả phân tích dự đoán, tổ chức có thể phát triển các chiến lược nhân sự chủ động dự đoán nhu cầu lực lượng lao động trong tương lai và giảm thiểu nguy cơ tiềm tàng. Mô hình đề xuất nhằm cung cấp thông tin một cách bao quát và toàn diện từ dữ liệu nhân sự, tổ chức có thể sử dụng để phát triển các chiến lược nhân sự hiệu quả và nâng cao hiệu suất tổ chức tổng thể. Mô hình có thể được tùy chỉnh để đáp ứng nhu cầu cụ thể của mỗi tổ chức và có thể được áp dụng để giải quyết một loạt các thách thức nhân sự, chẳng hạn như tuyển dụng, giữ chân, cam kết của nhân viên và quản lý hiệu suất.
Mẫu nghiên cứu và phương pháp
Nghiên cứu này tập trung vào việc dự đoán khả năng nghỉ việc của nhân viên trong các tổ chức. Đối tượng chính của nghiên cứu là lực lượng lao động của công ty IBM, dựa trên bộ dữ liệu được chia sẻ trên trang web Kaggle. Bộ dữ liệu này bao gồm các thông tin về nhân viên như tuổi, giới tính, trình độ học vấn, lĩnh vực làm việc, thâm niên, số lần thăng chức, mức lương, đánh giá hiệu suất và thông tin về việc nghỉ việc của nhân viên.
Nghiên cứu này được thực hiện dựa trên phương pháp nghiên cứu định tính và thực nghiệm. Phương pháp định tính được sử dụng để khảo sát và tìm hiểu các nghiên cứu thứ cấp, các công trình đã được công bố về việc ứng dụng máy học và phân tích dữ liệu trong lĩnh vực quản lý nguồn nhân lực, nhằm tìm ra các khoảng trống nghiên cứu để nâng cao hiệu suất và xây dựng mô hình thực nghiệm phù hợp. Phương pháp thực nghiệm tiến hành thu thập, phân tích mô tả dữ liệu và xây dựng mô hình bằng các phương pháp máy học. Sau đó, các kết quả thực nghiệm được đánh giá để tìm ra mô hình dự báo phù hợp.
Sau quá trình thực nghiệm, kết quả từ mô hình dự báo nhân viên rời bỏ đã cung cấp những thông tin quan trọng về khả năng nghỉ việc của nhân viên trong doanh nghiệp. Bằng việc sử dụng nhiều mô hình học máy như Logistic Regression, K-Nearest Neighbors, Decision Tree, Support Vector Machine, Neural Network và Random Forest, nghiên cứu đã xây dựng một mô hình dự báo chính xác. Bảng 1, Bảng 2 và Bảng 3 lần lượt trình bày kết quả thực nghiệm từ dữ liệu gốc, sau khi chọn lựa đặc trưng bằng phương pháp RFE, và sau khi áp dụng kết hợp RFE và SMOTE.
Dữ liệu gốc được sử dụng mà không qua bất kỳ bước tiền xử lý nào nhằm đánh giá hiệu suất ban đầu của các mô hình. Bảng dưới đây trình bày các chỉ số quan trọng của từng mô hình trên tập dữ liệu gốc.
Bảng 1. Kết quả thực nghiệm từ dữ liệu gốc
(Nguồn: Nhóm tác giả)
Số thứ tự |
Model |
Kết quả model từ dữ liệu gốc | |||
Accuracy | Precision | Recall | F1-Score | ||
1 | Logistic Regression | 0.897 | 0.833 | 0.431 | 0.568 |
2 | K-Nearest Neighbors | 0.848 | 0.55 | 0.19 | 0.282 |
3 | Decision Tree | 0.802 | 0.358 | 0.328 | 0.342 |
4 | SVM (Linear Kernel) | 0.883 | 0.759 | 0.379 | 0.506 |
5 | Neural Network | 0.856 | 0.571 | 0.345 | 0.43 |
6 | Random Forest | 0.872 | 0.867 | 0.224 | 0.356 |
Trong kết quả này, mô hình Logistic Regression và SVM (Linear Kernel) cho thấy độ chính xác cao nhất, với các giá trị lần lượt là 0.897 và 0.883. Tuy nhiên, các chỉ số Precision, Recall, và F1-Score lại thấp, đặc biệt là chỉ số Recall, cho thấy rằng các mô hình này chưa thực sự hiệu quả trong việc nhận diện các trường hợp dương tính.
Phương pháp Recursive Feature Elimination (RFE) được áp dụng nhằm chọn lọc ra các đặc trưng quan trọng nhất, với hy vọng cải thiện hiệu suất mô hình. Kết quả thu được từ dữ liệu sau khi áp dụng RFE như sau:
Bảng 2. Kết quả thực nghiệm sau khi áp dụng REF
(Nguồn: Nhóm tác giả)
Số thứ tự | Model | Kết quả model sau khi sử dụng REF | |||
Accuracy | Precision | Recall | F1-Score | ||
1 | Logistic Regression | 0.889 | 0.815 | 0.379 | 0.518 |
2 | K-Nearest Neighbors | 0.859 | 0.65 | 0.224 | 0.333 |
3 | Decision Tree | 0.777 | 0.3 | 0.31 | 0.305 |
4 | SVM (Linear Kernel) | 0.886 | 0.833 | 0.345 | 0.488 |
5 | Neural Network | 0.872 | 0.657 | 0.397 | 0.495 |
6 | Random Forest | 0.872 | 0.762 | 0.276 | 0.405 |
Qua bảng kết quả này, ta thấy rằng việc áp dụng RFE chỉ cải thiện nhẹ một số chỉ số, nhưng không đáng kể. Các mô hình Logistic Regression và SVM (Linear Kernel) vẫn cho kết quả tốt hơn các mô hình khác, nhưng chỉ số Recall vẫn còn thấp, nghĩa là nhiều điểm dữ liệu thực sự dương tính vẫn chưa được nhận diện đúng.
Để xử lý vấn đề mất cân bằng dữ liệu, phương pháp Synthetic Minority Over-sampling Technique (SMOTE) được áp dụng sau khi thực hiện RFE. Kết quả thu được như sau:
Bảng 3. Kết quả thực nghiệm sau khi áp dụng REF + SMOTE
(Nguồn: Nhóm tác giả)
Số thứ tự | Model | Kết quả model sau khi sử dụng REF + SMOTE | |||
Accuracy | Precision | Recall | F1-Score | ||
1 | Logistic Regression | 0.912 | 0.934 | 0.893 | 0.913 |
2 | K-Nearest Neighbors | 0.896 | 0.902 | 0.896 | 0.899 |
3 | Decision Tree | 0.838 | 0.852 | 0.83 | 0.841 |
4 | SVM (Linear Kernel) | 0.917 | 0.953 | 0.884 | 0.917 |
5 | Neural Network | 0.911 | 0.931 | 0.893 | 0.912 |
6 | Random Forest | 0.922 | 0.969 | 0.877 | 0.921 |
Kết quả này cho thấy một sự cải thiện đáng kể so với hai trường hợp trước. Độ chính xác (Accuracy) của các mô hình đều vượt mức 0.83, với nhiều mô hình đạt trên 0.90. Chỉ số F1-Score cũng tăng lên rõ rệt, đặc biệt là ở mô hình Logistic Regression, SVM (Linear Kernel), Neural Network và Random Forest, với các giá trị F1-Score lần lượt là 0.913, 0.917, 0.912 và 0.921. Điều này cho thấy các mô hình này không chỉ nhận diện tốt các trường hợp dương tính mà còn có sự cân bằng tốt giữa Precision và Recall.
Hàm ý chính sách cho các doanh nghiệp
Sự nghỉ việc của nhân viên là vấn đề nhức nhối của hầu hết các doanh nghiệp, bởi nó gây nhiều ảnh hưởng đến phát triển nguồn nhân lực và sự phát triển của doanh nghiệp nói chung. Do đó, việc có thể dự đoán nhân viên nào có khả năng nghỉ việc sẽ mang lại nhiều lợi ích cho các doanh nghiệp. Bên cạnh đó, nghiên cứu này đã thực nghiệm nhiều mô hình máy học để dự báo nhân viên có khả năng nghỉ việc tại công ty công nghệ IBM, dựa trên 06 thuật toán máy học bao gồm: LG, KNN, DT, SVM, NN, RF. Từ kết quả dự báo này, ban lãnh đạo sẽ có những đánh giá, phân tích để tìm ra đặc điểm của nhân sự nghỉ việc hoặc nhân sự trung thành; đối với đặc điểm chung của nhân sự nghỉ việc như thông tin cá nhân và kinh nghiệm làm việc, ban lãnh đạo có thể tham khảo để nhận định khả năng làm việc lâu dài với doanh nghiệp hay không. Đối với những đặc điểm chung của nhân sự trung thành, ban lãnh đạo có thể tiếp tục duy trì chính sách tốt hoặc cải thiện hơn nữa để nhân viên có điều kiện, môi trường làm việc và phúc lợi tốt nhất phù hợp với chiến lược phát triển và điều kiện ngân sách của doanh nghiệp.
Trước khi quyết định sử dụng bất kỳ mô hình phân tích dự đoán nào, việc phân tích và mô tả tình trạng của bộ dữ liệu là vô cùng quan trọng. Hiểu rõ các đặc điểm thống kê, phân phối và sự mất cân bằng giữa các nhóm dữ liệu giúp lựa chọn phương pháp tiếp cận và xử lý phù hợp, điều chỉnh và tối ưu hóa các tham số trong mô hình để nâng cao hiệu quả dự báo. Điều này hỗ trợ việc đưa ra các quyết định quản lý nhân sự và phát triển các chiến lược nhân sự chủ động.
Mô hình dự báo nên được tùy chỉnh để đáp ứng các nhu cầu cụ thể của từng tổ chức. Mô hình có thể được áp dụng để giải quyết một loạt các thách thức nhân sự, chẳng hạn như tuyển dụng, giữ chân nhân viên, cam kết của nhân viên và quản lý hiệu suất. Bằng cách này, tổ chức có thể phát triển các chiến lược nhân sự hiệu quả và nâng cao hiệu suất tổ chức tổng thể.
Cuối cùng, tận dụng kết quả phân tích dự báo để phát triển các chiến lược nhân sự chủ động, dự đoán nhu cầu lực lượng lao động trong tương lai và giảm thiểu các nguy cơ tiềm tàng. Bằng cách cung cấp những thông tin có giá trị về xu hướng lực lượng lao động, hành vi của nhân viên và các yếu tố ảnh hưởng đến cam kết, sự hài lòng và năng suất của nhân viên, phân tích dữ liệu nhân sự giúp tổ chức đưa ra quyết định thông minh, phù hợp và nâng cao hiệu suất tổ chức tổng thể.
Xem toàn bộ bài nghiên cứu Ứng dụng học máy trong phân tích dữ liệu quản trị nguồn nhân lực TẠI ĐÂY.
Tác giả: TS. Thái Kim Phụng – Đại học Kinh tế Thành phố Hồ Chí Minh; ThS. Nguyễn Phát Đạt – Ngân hàng Quốc tế VIB; ThS. Nguyễn Văn Hồ – Trường Đại học Kinh tế – Luật, ĐHQG TPHCM.
Đây là bài viết nằm trong Chuỗi bài lan tỏa nghiên cứu và kiến thức ứng dụng từ UEH với thông điệp “Research Contribution For All – Nghiên Cứu Vì Cộng Đồng”, UEH trân trọng kính mời Quý độc giả cùng đón xem bản tin UEH Research Insights tiếp theo.
Tin, ảnh: Tác giả, Ban Truyền thông và Phát triển đối tác UEH
Giọng đọc: Thanh Kiều

[Podcast] Góp ý giải pháp phát triển giáo dục Đại học
5 Tháng Hai, 2025
[Podcast] Các yếu tố ảnh hưởng đến động lực học tập của sinh viên
22 Tháng Một, 2025
[Podcast] “Mô hình Campus thích ứng – Giải pháp dành cho Mekong bền vững”
13 Tháng Một, 2025
[Podcast] Đào tạo nhân lực Mekong tương lai: Trao quyền hành động bền vững
30 Tháng Mười Hai, 2024
[Podcast] Dự án Phát triển khung công bằng giao thoa nhằm khuyến khích khả năng đi bộ
30 Tháng Mười Hai, 2024
[Podcast] Chiến lược thiết kế hậu kỹ thuật số trong nghệ thuật truyền thông
27 Tháng Mười Một, 2024
[Podcast] Đồng sáng tạo và xây dựng cộng đồng ArtTech hướng tới tương lai bền vững
26 Tháng Mười Một, 2024
[Podcast] Quản trị công nghệ trong kỷ nguyên 4.0: Tổng quan và nhu cầu thị trường
21 Tháng Mười Một, 2024
[Podcast] Công nghệ thông tin – truyền thông và sự ổn định của hệ thống ngân hàng
21 Tháng Mười Một, 2024
[Podcast] Vai trò của chính sách vĩ mô thận trọng đối với tăng trưởng tín dụng tại Việt Nam
21 Tháng Mười Một, 2024
[Podcast] Đề xuất hoàn thiện pháp luật về hoạt động môi giới chứng khoán tại Việt Nam
21 Tháng Mười Một, 2024
[Podcast] NFTs – Cuộc cách mạng nghệ thuật hay cơn sốt nhất thời?
18 Tháng Mười Một, 2024
[Podcast] CareFeeder – Giải pháp công nghệ hỗ trợ người già và bệnh nhân Parkinson tự ăn uống
11 Tháng Mười Một, 2024
[Podcast] Nghệ thuật dân gian thời 4.0: Múa rối nước tự động dựa trên nền tảng robot
7 Tháng Mười Một, 2024
[Podcast] Bứt phá hiệu suất sáng tạo nhân viên nhờ phản hồi mang tính phát triển
7 Tháng Mười Một, 2024
[Podcast] Giải pháp MPIA: Lối thoát tạm thời cho cuộc khủng hoảng thương mại quốc tế?
7 Tháng Mười Một, 2024
[Podcast] “Căn bệnh Hà Lan” trong việc nhận kiều hối và trường hợp Việt Nam
31 Tháng Mười, 2024
[Podcast] UEH hướng đến trung hòa carbon: Bước đi đầu tiên
22 Tháng Tám, 2024
[Podcast] Giải pháp nâng cao hoạt động vận động cho sinh viên
9 Tháng Tám, 2024
[Podcast] Phong Cách Lãnh Đạo Đạo Đức Và Hành Vi Ngoài Vai Trò Của Công Chức
29 Tháng Bảy, 2024
[Podcast] Định Hình Chiến Lược Phát Triển Toàn Diện, Bền Vững Cho Đất Nước
25 Tháng Bảy, 2024
[Podcast] Mô Hình Đại Học Bền Vững Dành Cho Các Thị Trường Mới Nổi
19 Tháng Bảy, 2024
[Podcast] Những Tiếp Cận Mới Nhất Dành Cho Các Đại Học Bền Vững
11 Tháng Bảy, 2024
[Podcast] Tác Động Của Nguồn Nhân Lực Xanh Đến Các Mục Tiêu Về Môi Trường
24 Tháng Năm, 2024
Kinh Tế Xã Hội Và Sự Phát Thải CO2 Ở Việt Nam Giai Đoạn 1990 – 2018
23 Tháng Năm, 2024
Pháp Luật Dữ Liệu – Kỳ 1: Cần Một Cách Tiếp Cận Mới
15 Tháng Năm, 2024
[Podcast] Pháp Luật Dữ Liệu – Kỳ 1: Cần Một Cách Tiếp Cận Mới
14 Tháng Năm, 2024
Đánh Giá Quảng Cáo Trên Nền Tảng Tiktok
8 Tháng Năm, 2024
[Podcast] Đánh Giá Quảng Cáo Trên Nền Tảng Tiktok
7 Tháng Năm, 2024
[podcast] Phản Ứng Của Chính Sách Xã Hội Đối Với Đại Dịch Covid-19 Ở Một Số Quốc Gia (Kỳ 1)
8 Tháng Mười Hai, 2023
Promoting Learner Autonomy in English Language Learning (Part 2)
28 Tháng Mười Một, 2023
[Podcast] Ngoại giao kinh tế Việt Nam trong thời kỳ đổi mới và hội nhập quốc tế
10 Tháng Mười Một, 2023
ArtTech and sustainable development
27 Tháng Mười, 2023
Cộng đồng ArtTech đầu tiên tại Việt Nam – Một năm nhìn lại
9 Tháng Mười, 2023
ArtTech – Một xu hướng tương lai
5 Tháng Mười, 2023
ArtTech và phát triển bền vững
3 Tháng Mười, 2023
[Podcast] Máy Tính Và Công Nghệ “Không Đi Một Mình” – Phần 4
24 Tháng Bảy, 2023
[Podcast] Tác Động Của Đồng Tiền Kỹ Thuật Số Đến Tỷ Giá Hối Đoái
14 Tháng Mười Một, 2022
[Podcast] Chuyển Đổi Số Trong Ngành Du Lịch Việt Nam
5 Tháng Năm, 2022
[Podcast] Chuyển Đổi Số Trong Lĩnh Vực Y Tế Ở Việt Nam
25 Tháng Ba, 2022
[Podcast] Phân Tích Dữ Liệu Con Người Tại Việt Nam
18 Tháng Ba, 2022
[Podcast] Chuyển Đổi Số Trong Nông Nghiệp Ở Việt Nam
11 Tháng Ba, 2022
[Podcast] Mô Hình Kinh Tế Chia sẻ: Các Vấn Đề Quản Lý Ở Việt Nam
21 Tháng Một, 2022
[Podcast] Nâng Cao Trải Nghiệm Khách Hàng Trực Tuyến Trong Ngành Du Lịch
15 Tháng Một, 2022
[Podcast] Chính Sách Lao Động Việc Làm Cho TP. HCM Trong Giai Đoạn Sau Giãn Cách
28 Tháng Mười Hai, 2021
[Podcast] Xây Dựng Thị Trường Chứng Khoán Phi Tập Trung Dựa Trên Công Nghệ Blockchain
24 Tháng Mười Hai, 2021
[Podcast] Học Tập Suốt Đời Trong Thế Giới Số: Góc Nhìn Từ Nghề Nghiệp Kế Toán, Kiểm toán
21 Tháng Mười Hai, 2021
[Podcast] Học Tập Suốt Đời Tại UEH: Hướng Đến Đại Học Bền Vững
14 Tháng Mười Hai, 2021
[Podcast] Xu Hướng Kinh Doanh Bán Lẻ Trực Tuyến Thời Kỳ Covid
10 Tháng Mười Hai, 2021
[Podcast] Big Data Cho Mục Tiêu Phát Triển Bền Vững: Kinh Nghiệm Quốc Tế
7 Tháng Mười Hai, 2021
[Podcast] Cải Cách Luật Đất Đai Để Thúc Đẩy Phát Triển Kinh Tế
2 Tháng Mười Hai, 2021
[Podcast] Cuộc Cách Mạng Trong Kinh Tế Học Thực Nghiệm
30 Tháng Mười Một, 2021
[Podcast] Chỉ Số Giá Tiêu Dùng Từ Góc Nhìn Khai Thác Dữ Liệu Lớn (Big Data)
17 Tháng Mười Một, 2021
[Podcast] Toàn Cảnh Tiền Tệ Kỹ Thuật Số – Phần 5 : Tiền Ổn Định Tư Nhân Diem
5 Tháng Mười Một, 2021
Đứt gãy chuỗi cung ứng vùng trọng điểm phía Nam: 8 giải pháp
20 Tháng Mười, 2021
[Podcast]Toàn Cảnh Tiền Tệ Kỹ Thuật Số – Phần 2: Những Cột Mốc Phát Triển
19 Tháng Mười, 2021
[Podcast] Toàn cảnh tiền tệ kỹ thuật số – Phần 1: Xu thế của thời đại
15 Tháng Mười, 2021
NGÂN HÀNG BẮT TAY FINTECH (Phần 3): Các Giải Pháp Hỗ Trợ
8 Tháng Mười, 2021
UEH chủ trì thành công Hội thảo ICBF 2021
7 Tháng Mười, 2021
GRSD 2021- Hội thảo khoa học “Tăng trưởng xanh và phát triển bền vững”
6 Tháng Mười, 2021
NGÂN HÀNG BẮT TAY FINTECH (phần 2): Chọn đối tác theo tiêu chí nào?
4 Tháng Mười, 2021
‘Đổi mới giáo dục nghề nghiệp là động cơ tăng trưởng kinh tế’
30 Tháng Chín, 2021
Giải pháp “mở cửa” an toàn với các khu công nghiệp tại TP Hồ Chí Minh
27 Tháng Chín, 2021
Khi cuộc sống “bình thường mới”, nơi ở cho người lao động cần được quan tâm
9 Tháng Chín, 2021
Hướng phát triển mô hình đào tạo luân phiên (Dual Education) tại Việt Nam
6 Tháng Chín, 2021
Webinar: Tương lai ngành Thẩm định giá trong thập niên mới
17 Tháng Tám, 2021
Hãy là người dùng thông minh khi đón nhận và chia sẻ thông tin
9 Tháng Tám, 2021
Webinar: An toàn thông tin kế toán trong kỷ nguyên số
3 Tháng Tám, 2021
Có nên đưa lãi suất tiền gửi VND về 0 phần trăm?
20 Tháng Bảy, 2021
Chu kỳ giảm giá của đồng USD?
TS. Đinh Thị Thu Hồng và nhóm nghiên cứu
26 Tháng Sáu, 2021
Việt Nam cần kịch bản cho thương mại tương lai
ThS. Tô Công Nguyên Bảo
26 Tháng Sáu, 2021
Hệ thống tiền tệ tiếp theo như thế nào?
TS. Lê Đạt Chí và nhóm nghiên cứu
26 Tháng Sáu, 2021
Chuyển đổi số trong trường đại học: Dạy học trực tuyến sẽ trở thành xu hướng tất yếu
GS.TS. Nguyễn Trọng Hoài
26 Tháng Sáu, 2021
Tiền số ngân hàng Trung ương – Vận hành và thử nghiệm
Châu Văn Thành
26 Tháng Sáu, 2021
Chuyển đổi số trong khu vực công tại Việt Nam
Khoa Quản lý nhà nước
26 Tháng Sáu, 2021
“Cấp cứu” doanh nghiệp trước làn sóng COVID-19 thứ 4
23 Tháng Sáu, 2021
Chuyên gia UEH: Việt Nam nên kết hợp tiêm vaccine miễn phí và dịch vụ
23 Tháng Sáu, 2021
Hội thảo khoa học về Thị trường bảo hiểm Việt Nam (Conference on Vietnam’s Insurance Industry – CVII)
Khoa Toán – Thống Kê
7 Tháng Sáu, 2021
Muốn có trung tâm tài chính phải có chiến lược thích ứng
Khoa Tài chính
5 Tháng Sáu, 2021
Cần đưa giao dịch công nghệ lên sàn chứng khoán
Bộ Khoa học và Công nghệ
5 Tháng Sáu, 2021
Sự hữu ích của Lý thuyết trò chơi: Thảo luận về giải Nobel Kinh tế năm 2020
JABES
5 Tháng Sáu, 2021
Đoán định tư pháp: Xu thế mới trong hành nghề Luật
Khoa Luật
5 Tháng Sáu, 2021
Thiết kế đô thị: tầm nhìn vững chắc cho đô thị bền vững
Viện Đô thị thông minh và Quản lý
5 Tháng Sáu, 2021
Phục hồi du lịch và nỗ lực thoát khỏi vòng xoáy ảnh hưởng bởi Covid-19
Viện Đô thị thông minh và Quản lý
5 Tháng Sáu, 2021
Nghiên cứu Kinh tế học lao động trong sự biến động của thế giới
JABES
5 Tháng Sáu, 2021
Kết hợp Nghệ thuật và Công nghệ hướng đến Thành phố thông minh đáng sống
Viện Đô thị thông minh và Quản lý
5 Tháng Sáu, 2021
Chuỗi bài “The Basics of B2B”: Thị trường việc làm rộng mở nhiều sinh viên chuyên ngành Marketing đang bỏ quên
TS. Đinh Tiên Minh
5 Tháng Sáu, 2021
Môi trường không phải để nhà đầu tư xài miễn phí!
TS. Phạm Khánh Nam
5 Tháng Sáu, 2021
2021 sẽ là năm khởi đầu của chu kỳ tăng trưởng mới
PGS.TS Nguyễn Khắc Quốc Bảo
5 Tháng Sáu, 2021
Quỹ vaccine sẽ khả thi khi có người dân đóng góp
Phạm Khánh Nam, Việt Dũng
5 Tháng Sáu, 2021
Kích thích kinh tế, gia tăng vận tốc dòng tiền
Quách Doanh Nghiệp
5 Tháng Sáu, 2021
Đi tìm chiến lược hậu Covid-19 cho doanh nghiệp bảo hiểm Việt Nam
PGS TS Nguyễn Khắc Quốc Bảo, ThS Lê Văn
5 Tháng Sáu, 2021
Insurtech – Cơ hội và thách thức cho Startup Việt
Ths. Lê Thị Hồng Hoa
5 Tháng Sáu, 2021