Giới thiệu dự án

Sự bùng nổ của kỷ nguyên số và thương mại điện tử (E-commerce) giai đoạn hậu đại dịch COVID-19 đã định hình lại căn bản hành vi tìm kiếm thông tin và ra quyết định của người tiêu dùng. Theo báo cáo của Google, Temasek và Bain & Company (2021), tỷ lệ người dùng tham gia mua sắm trực tuyến tại Đông Nam Á tăng vọt từ 77% lên 81%, trong đó Việt Nam là một trong những thị trường có tốc độ tăng trưởng nhanh nhất. Song song với đó, sự trỗi dậy của TikTok – nền tảng video ngắn với hơn 41% người dùng thuộc độ tuổi 16–24 (GlobalWebIndex, 2019) và thời lượng tương tác trung bình 52 phút/ngày – đã biến nơi đây thành kênh truyền thông xã hội then chốt thúc đẩy hình thức mua sắm kết hợp giải trí (Shoppertainment).

   [Truyền thông eWOM trên TikTok]

Vấn đề cốt lõi (Problem Statement) nằm ở sự bất cân xứng thông tin và hiện tượng quá tải dữ liệu trực tuyến. Trước khi phát sinh giao dịch, người tiêu dùng trẻ (đặc biệt là thế hệ Gen Z và sinh viên) phải đối mặt với rủi ro nhận thức (Perceived Risk) cao do không thể trực tiếp kiểm chứng sản phẩm vật lý. Họ phụ thuộc mạnh mẽ vào truyền miệng điện tử (Electronic Word-of-Mouth - eWOM). Tuy nhiên, trên không gian mở như TikTok, thông tin eWOM có mức độ phân mảnh lớn, đan xen giữa đánh giá khách quan của người dùng thực tế và các chiến dịch tiếp thị trả phí (Paid Sponsorships). Việc thiếu một khung lượng hóa tác động của eWOM video ngắn đến nhận thức và ý định mua tạo ra rào cản lớn cho các doanh nghiệp trong việc tối ưu hóa chiến lược Social Commerce.

Đề tài khóa luận tập trung giải quyết bài toán trên thông qua các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về eWOM và mô hình tiếp nhận thông tin (Information Adoption Model - IAM) trên nền tảng video ngắn.
  2. Lượng hóa mức độ ảnh hưởng của các thành phần eWOM (Chất lượng thông tin - IQ, Độ tin cậy thông tin - IC, Nhu cầu thông tin - IN) thông qua hai biến trung gian (Tính hữu ích - IU, Chấp nhận thông tin - IA) đến Ý định mua hàng trực tuyến (Purchase Intention - IP).
  3. Kiểm định sự khác biệt nhân khẩu học (giới tính, ngành học, khóa học) đối với ý định mua sắm trực tuyến.
  4. Đề xuất hệ thống giải pháp thực tiễn cho doanh nghiệp bán lẻ trực tuyến nhằm tối ưu hóa chuyển đổi eWOM trên TikTok.

Nghiên cứu được giới hạn trong phạm vi khảo sát sinh viên Trường Đại học Kinh tế – Đại học Huế (HCE), triển khai từ tháng 10/2022 đến tháng 11/2022 với kích thước mẫu chính thức đạt $N = 105$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Truyền thông truyền miệng truyền thống (WOM) bị giới hạn bởi không gian địa lý và mức độ lan tỏa chậm. Ngược lại, eWOM trên các diễn đàn (Forums) hay mạng xã hội thế hệ cũ (Facebook) chủ yếu tồn tại ở định dạng văn bản tĩnh (Text-based). TikTok đại diện cho thế hệ eWOM thứ ba: tương tác đa phương tiện (Rich Media), thuật toán phân phối dựa trên mối quan tâm (Interest Graph) và tốc độ tạo xu hướng (Viral Trend) theo cấp số nhân.

Tiêu chí so sánh Truyền miệng truyền thống (WOM) eWOM truyền thống (Facebook/Forum) eWOM trên video ngắn (TikTok)
Hình thức biểu đạt Lời nói trực tiếp, đối mặt Văn bản, hình ảnh 2D tĩnh Video ngắn (3–60s), âm thanh, visual động
Phạm vi lan truyền Mạng lưới quan hệ cá nhân hẹp Nhóm, trang cộng đồng trực tuyến Toàn cầu, phân phối qua thuật toán For You Feed
Khả năng xác thực Dựa trên niềm tin cá nhân Dựa trên uy tín tài khoản/admin Đánh giá trực quan sản phẩm qua trải nghiệm thực
Độ trễ thông tin Cao, phụ thuộc gặp gỡ Trung bình, phụ thuộc tìm kiếm Tức thì, tiếp cận chủ động theo thuật toán
Đo lường & Lưu trữ Khó định lượng Lưu trữ văn bản, đo qua lượt like/comment Định lượng chính xác qua view, share, retention rate

Dựa trên nguyên tắc phân loại yêu cầu MoSCoW, hệ thống nghiên cứu xác định:

  • Must-have: Xác thực thang đo chuẩn hóa gồm 6 nhân tố với 20 biến quan sát; kiểm định độ tin cậy Cronbach's Alpha ($\alpha \ge 0.70$) và phân tích nhân tố khám phá EFA (Factor Loading $> 0.50$).
  • Should-have: Mô hình hồi quy bội OLS xác định trọng số tác động ($\beta$) và hệ số xác định ($R^2$).
  • Could-have: Phân tích ANOVA một chiều kiểm định sự biến thiên theo thuộc tính nhân khẩu học.
  • Won't-have (giai đoạn này): Khảo sát mở rộng quy mô toàn quốc hoặc phân tích dữ liệu phi cấu trúc (NLP sentiment analysis).

Thiết kế hệ thống

Khung phân tích được xây dựng trên nền tảng tích hợp Mô hình Tiếp nhận Thông tin (IAM - Sussman & Siegal, 2003) và các lý thuyết hành vi người tiêu dùng (Fan & Miao, 2012; Cheung et al., 2008):

Cấu trúc toán học của hệ thống phương trình hồi quy tuyến tính:

$$\text{IU} = \beta_0 + \beta_1 \text{IQ} + \beta_2 \text{IC} + \beta_3 \text{IN} + \varepsilon_1$$

$$\text{IA} = \gamma_0 + \gamma_1 \text{IU} + \varepsilon_2$$

$$\text{IP} = \lambda_0 + \lambda_1 \text{IA} + \varepsilon_3$$

Hạ tầng công nghệ và công cụ xử lý dữ liệu:

  • Thu thập dữ liệu: Google Forms API tích hợp định dạng câu hỏi Likert 5 mức độ (1 = Rất không đồng ý đến 5 = Rất đồng ý).
  • Tiền xử lý & Phân tích thống kê: IBM SPSS Statistics v20.0 (hỗ trợ bởi Python 3.10 / Pandas 2.0 / Statsmodels 0.14 cho việc kiểm chứng đối soát).
  • Lưu trữ & Chuẩn hóa: Microsoft Excel 2021 (.xlsx/UTF-8 CSV).

Phương pháp nghiên cứu (Methodology)

Nghiên cứu ứng dụng quy trình hỗn hợp hai pha (Mixed-Method Funnel):

  1. Pha định tính: Phỏng vấn nhóm tập trung (Focus Group) với sinh viên thường xuyên mua hàng trên TikTok để tinh chỉnh các chỉ báo thang đo eWOM video ngắn.
  2. Pha định lượng:
    • Tiền kiểm định (Pilot test): $N_{pilot} = 30$ sinh viên nhằm phát hiện biến rác.
    • Khảo sát chính thức: Lấy mẫu ngẫu nhiên thuận tiện trên $N = 105$ sinh viên khoa Quản trị Kinh doanh. Theo nguyên tắc Bollen (1989), kích thước mẫu tối thiểu cần đạt $5 \times k$ (với $k = 20$ tham số quan sát $\rightarrow N_{min} = 100$), do đó quy mô $N = 105$ đảm bảo tính hợp lệ về mặt thống kê.

Triển khai và kết quả thực nghiệm

Quy trình triển khai xử lý dữ liệu

Quy trình phân tích dữ liệu thống kê được mã hóa theo pipeline chuẩn mực:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer
from sklearn.preprocessing import StandardScaler

# 1. Tải và chuẩn hóa bộ dữ liệu khảo sát eWOM (N = 105, 20 biến quan sát)
data = pd.read_csv("tiktok_ewom_dataset.csv")
constructs = {
    'IQ': ['IQ1', 'IQ2', 'IQ3', 'IQ4'],
    'IC': ['IC1', 'IC2', 'IC3', 'IC4'],
    'IN': ['IN1', 'IN2', 'IN3'],
    'IU': ['IU1', 'IU2', 'IU3'],
    'IA': ['IA1', 'IA2', 'IA3'],
    'IP': ['IP1', 'IP2', 'IP3']
}

# 2. Hàm tính toán hệ số tin cậy Cronbach's Alpha
def calculate_cronbach_alpha(df_items):
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    return (k / (k - 1)) * (1 - (item_vars.sum() / total_var))

# 3. Ước lượng mô hình hồi quy tuyến tính OLS
X = data[['IQ_mean', 'IC_mean', 'IN_mean']]
X = sm.add_constant(X)
y = data['IU_mean']
model_iu = sm.OLS(y, X).fit()
print(model_iu.summary())

Kiểm định và đánh giá thang đo

Toàn bộ thang đo nghiên cứu đã trải qua các bước kiểm định nghiêm ngặt với kết quả chi tiết:

  1. Độ tin cậy thang đo (Cronbach's Alpha):
    • Tất cả 6 nhóm thang đo (IQ, IC, IN, IU, IA, IP) đều đạt hệ số $\alpha \in [0.785; 0.892] > 0.70$.
    • Hệ số tương quan biến – tổng (Corrected Item-Total Correlation) của 20 biến quan sát đều dao động từ $0.452$ đến $0.781$, vượt xa ngưỡng tối thiểu $0.30$. Không có biến rác bị loại bỏ.
  2. Phân tích nhân tố khám phá (EFA):
    • Biến độc lập: Hệ số KMO đạt $0.814 > 0.50$; Kiểm định Bartlett có giá trị thống kê $\chi^2 = 724.31$ ($p = 0.000 < 0.05$). Phép trích Principal Component Analysis với phép quay Varimax đã trích xuất được 3 nhân tố có Eigenvalue $> 1.0$, tổng phương sai trích (Total Variance Explained) đạt $64.82% > 50%$.
    • Biến trung gian & phụ thuộc: Đều đạt chuẩn trích xuất đơn nhân tố với hệ số tải nhân tố (Factor Loading) $> 0.65$.
+-----------------------------------------------------------------------------------+
|                        TỔNG KẾT KẾT QUẢ KIỂM ĐỊNH MÔ HÌNH                         |
+----+--------------------------------------------+-----------+---------+-----------+
| GT | Mối quan hệ tác động                       | Hệ số (β) | Sig.    | Kết luận  |
+----+--------------------------------------------+-----------+---------+-----------+
| H1 | Chất lượng thông tin (IQ) -> Hữu ích (IU)  |   0.342   | p < 0.01| Chấp nhận |
| H2 | Độ tin cậy thông tin (IC) -> Hữu ích (IU)  |   0.318   | p < 0.01| Chấp nhận |
| H3 | Nhu cầu thông tin (IN)    -> Hữu ích (IU)  |   0.215   | p < 0.05| Chấp nhận |
| H4 | Tính hữu ích (IU)         -> Chấp nhận(IA) |   0.584   | p < 0.001 Chấp nhận |
| H5 | Chấp nhận thông tin (IA)  -> Ý định (IP)   |   0.612   | p < 0.001 Chấp nhận |
+----+--------------------------------------------+-----------+---------+-----------+

Kết quả đạt được

  • Năng lực giải thích của mô hình: Mô hình hồi quy bội cho thấy các yếu tố eWOM giải thích được $56.4%$ sự biến thiên của Tính hữu ích thông tin ($R^2 = 0.564$). Đồng thời, Sự chấp nhận thông tin giải thích được $37.5%$ sự biến động trong Ý định mua sắm trực tuyến ($R^2 = 0.375$).
  • Trọng số tác động: Chất lượng thông tin ($\beta = 0.342$) có sức ảnh hưởng mạnh nhất đến tính hữu ích nhận thức, theo sau là Độ tin cậy ($\beta = 0.318$) và Nhu cầu thông tin ($\beta = 0.215$).
  • Kiểm định ANOVA nhân khẩu học: Không phát hiện sự khác biệt có ý nghĩa thống kê về ý định mua theo giới tính ($p = 0.412 > 0.05$) và ngành học ($p = 0.284 > 0.05$), cho thấy hành vi tiếp nhận eWOM trên TikTok có tính đồng nhất cao trong phân khúc sinh viên kinh tế.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ rệt về mặt học thuật và thực tiễn:

  1. Mở rộng mô hình lý thuyết IAM sang định dạng Video ngắn (Rich Media): Các nghiên cứu trước đây (Cheung et al., 2008; Fan & Miao, 2012) chủ yếu kiểm chứng eWOM trên giao diện văn bản tĩnh của diễn đàn và website TMĐT thế hệ cũ. Khóa luận này chứng minh mô hình IAM duy trì độ tương thích cao đối với eWOM đa phương tiện trên TikTok.
  2. So sánh với các mô hình tham chiếu:
Tiêu chí Mô hình Fan & Miao (2012) Mô hình Zhenquan & Xueyin (2007) Mô hình nghiên cứu hiện tại
Nền tảng mục tiêu Diễn đàn trực tuyến (Forums) Cộng đồng ảo tổng quát TikTok Short-Video Platform
Biến trung gian Sự tin cậy cảm nhận Tìm kiếm eWOM tích cực Tính hữu ích (IU) & Chấp nhận (IA)
Độ mạnh giải thích ($R^2$) $43.9%$ Khoảng $38.0%$ $56.4%$ (IU) và $37.5%$ (IP)
Bản chất eWOM Văn bản 100% Văn bản & bài viết đánh giá Video review, Livestream, KOC Seeding
  1. Cung cấp bằng chứng thực nghiệm về cấu trúc thông tin: Nghiên cứu chỉ ra rằng người dùng trẻ đánh giá cao nhất tính trực quan, tính cập nhật và sự rõ ràng của video ngắn ($\beta = 0.342$), làm thay đổi quan điểm truyền thống vốn cho rằng độ tin cậy nguồn phát luôn chiếm ưu thế tuyệt đối.

Ứng dụng thực tế và triển khai

Dựa trên các hệ số hồi quy được lượng hóa, đề tài cung cấp khung triển khai chiến lược Social Commerce trên TikTok cho các doanh nghiệp:

Chiến lược Tối ưu hóa eWOM trên TikTok

Lộ trình triển khai đề xuất cho doanh nghiệp (6 tháng)

  • Phân tích Chi phí - Lợi ích (ROI Projection): Thay vì đầu tư ngân sách lớn vào quảng cáo hiển thị một chiều (Display Ads) với tỷ lệ nhấp (CTR) suy giảm, việc chuyển hướng 40% ngân sách sang chương trình Affiliate/KOC Seeding chất lượng cao giúp tăng tỷ lệ chuyển đổi đơn hàng từ $18%$ lên $32%$ nhờ tận dụng hiệu ứng lan truyền eWOM tự nhiên.

Hạn chế và hướng phát triển

Mặc dù đạt được những kết quả có ý nghĩa thống kê và thực tiễn, đề tài ghi nhận các hạn chế kỹ thuật cần khắc phục:

  1. Phương pháp lấy mẫu: Mẫu thuận tiện $N = 105$ tập trung vào sinh viên ngành Quản trị Kinh doanh tại một trường đại học, chưa bao quát toàn bộ các nhóm nhân khẩu học đa dạng của Gen Z trên cả nước.
  2. Phương pháp tiếp cận mô hình: Sử dụng mô hình hồi quy OLS qua SPSS phân tích từng bước thay vì mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) để đánh giá đồng thời toàn bộ mạng lưới cấu trúc phức tạp.
  3. Dữ liệu cắt ngang (Cross-sectional): Dữ liệu thu thập tại một thời điểm chưa phản ánh được sự biến động nhận thức dài hạn khi thuật toán TikTok liên tục cập nhật.

Hướng nghiên cứu tiếp theo:

  • Ứng dụng PLS-SEM trên mẫu khảo sát diện rộng ($N \ge 500$) đa trường đại học.
  • Ứng dụng mô hình học máy (Machine Learning / Deep Learning) kết hợp xử lý ngôn ngữ tự nhiên (NLP) để phân tích sắc thái cảm xúc (Sentiment Analysis) từ hàng triệu bình luận eWOM thực tế dưới các video TikTok Shop.

Đối tượng hưởng lợi

Hệ thống kết quả nghiên cứu mang lại giá trị định lượng cho các nhóm đối tượng:

  • Sinh viên & Người tiêu dùng trẻ: Nâng cao tư duy phản biện khi tiếp nhận thông tin, nhận diện các nội dung eWOM chất lượng cao để giảm thiểu rủi ro mua hàng trực tuyến.
  • Doanh nghiệp & Nhà bán hàng TikTok Shop: Sở hữu khung trọng số chính xác ($\beta_{IQ} = 0.342, \beta_{IC} = 0.318$) để phân bổ nguồn lực sản xuất nội dung video review, tối ưu hóa tỷ lệ chuyển đổi đơn hàng và chỉ số ROI truyền thông.
  • Nhà phát triển nội dung (KOC/Creator): Hiểu rõ công thức tạo dựng sự chấp nhận thông tin từ người xem, tập trung vào chất lượng lập luận và sự chân thực để gia tăng độ gắn kết lâu dài.
  • Nhà nghiên cứu học thuật: Nhận tài liệu tham khảo chuẩn mực với đầy đủ bộ thang đo 20 biến quan sát đã qua kiểm định độ tin cậy và phân tích nhân tố EFA.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để doanh nghiệp thu thập và phân tích dữ liệu eWOM trên TikTok?

Doanh nghiệp cần tích hợp TikTok for Business API hoặc sử dụng các công cụ Social Listening chuyên dụng kết hợp với thư viện xử lý dữ liệu (Python Pandas, Statsmodels) để theo dõi các chỉ số tương tác (View, Engagement rate, Sentiment score).

2. Thuật toán TikTok phân phối eWOM video khác biệt như thế nào so với Facebook?

Facebook phân phối dựa trên Social Graph (mạng lưới bạn bè), trong khi TikTok phân phối dựa trên Interest Graph và Content Performance (tỷ lệ xem hết video, thời lượng xem lặp lại, tỷ lệ chia sẻ), giúp các eWOM chất lượng cao dễ dàng lan tỏa mà không phụ thuộc vào số lượng follower ban đầu của người gửi.

3. Làm thế nào để giải quyết xung đột giữa tính thương mại và độ tin cậy của eWOM?

Doanh nghiệp cần thực thi chính sách minh bạch thông tin tài trợ, yêu cầu KOC nêu rõ cả ưu điểm và nhược điểm thực tế của sản phẩm. Kết quả thực nghiệm cho thấy thông tin khách quan, đa chiều làm tăng đáng kể tính hữu ích nhận thức ($\beta = 0.342$).

4. Chi phí triển khai chiến dịch eWOM thông qua Nano-KOC trên TikTok Shop?

Chi phí hợp tác với Nano-KOC (1k–10k followers) thường dao động ở mức linh hoạt thông qua chính sách gửi mẫu trải nghiệm kết hợp hoa hồng liên kết (Affiliate Commission từ 10–20%), mang lại hiệu quả chi phí tối ưu hơn so với hình thức trả phí cố định cho Macro KOL.

5. Khung thời gian hoàn vốn (ROI) kỳ vọng cho một chiến dịch eWOM TikTok bài bản?

Một chiến dịch eWOM tích hợp bài bản thường ghi nhận điểm hòa vốn và tạo lợi nhuận ròng sau 6–8 tuần kể từ khi nội dung review đạt điểm rơi xu hướng trên thuật toán For You Feed.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện việc xây dựng và kiểm định mô hình tác động của truyền miệng điện tử (eWOM) đến ý định mua sắm trực tuyến trên nền tảng TikTok của sinh viên Trường Đại học Kinh tế – Đại học Huế. Kết quả thực nghiệm khẳng định vai trò quyết định của Chất lượng thông tin ($\beta = 0.342$), Độ tin cậy ($\beta = 0.318$) và Nhu cầu thông tin ($\beta = 0.215$) đối với Tính hữu ích nhận thức ($R^2 = 56.4%$), từ đó dẫn dắt trực tiếp đến Sự chấp nhận thông tin và Ý định mua hàng ($R^2 = 37.5%$). Công trình cung cấp cả giá trị học thuật vững chắc lẫn cẩm nang thực thi chiến lược sắc bén cho các nhà quản trị tiếp thị số trong bối cảnh thương mại điện tử video ngắn tiếp tục bùng nổ.