Giới thiệu dự án

Thị trường giao đồ ăn trực tuyến (Online Food Delivery - OFD) toàn cầu chứng kiến sự bùng nổ mạnh mẽ, đạt quy mô 107 tỷ USD vào năm 2022 với tốc độ tăng trưởng kép hàng năm (CAGR) dự kiến đạt 9,7% trong giai đoạn 2023–2027 (Statista, 2023). Tại Việt Nam, 74% người dùng Internet từng sử dụng dịch vụ giao đồ ăn trực tuyến (GCOMM, 2021). Trong bức tranh cạnh tranh khốc liệt, ShopeeFood (tiền thân là Now.vn) chiếm lĩnh 21% thị phần tổng thể và đạt 25% tỷ lệ thâm nhập trong phân khúc sinh viên đại học (Q&Me, 2023), đứng vị trí thứ hai toàn thị trường.

Sinh viên là phân khúc khách hàng mục tiêu có tần suất đặt món cao nhưng đặc trưng bởi ngân sách hạn chế, độ nhạy cảm về giá lớn và yêu cầu cao về trải nghiệm ứng dụng. Đề tài khóa luận "Các nhân tố ảnh hưởng đến quyết định mua thức ăn qua ứng dụng ShopeeFood của sinh viên Trường Đại học Ngân hàng Thành phố Hồ Chí Minh" (Mã ngành: Quản trị Kinh doanh – 7340101) do sinh viên Trương Ngọc Như thực hiện dưới sự hướng dẫn của TS. Nguyễn Kim Nam, tập trung giải quyết bài toán cốt lõi: Nhân tố nào thực sự chi phối quyết định mua thức ăn trực tuyến của sinh viên đại học và mức độ tác động cụ thể ra sao?

Mục tiêu nghiên cứu

  1. Mục tiêu 1: Xác định và hệ thống hóa 06 nhóm nhân tố tác động đến quyết định tiêu dùng thực phẩm qua ShopeeFood của sinh viên.
  2. Mục tiêu 2: Đo lường định lượng mức độ và chiều hướng tác động của từng nhân tố thông qua mô hình hồi quy tuyến tính đa biến.
  3. Mục tiêu 3: Đề xuất hệ thống hàm ý quản trị, tối ưu hóa giao diện kỹ thuật (UI/UX) và chính sách chiết khấu giá dành riêng cho nền tảng ShopeeFood.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Trường Đại học Ngân hàng Thành phố Hồ Chí Minh (HUB).
  • Thời gian khảo sát: Tháng 07/2024 đến tháng 09/2024.
  • Kích thước mẫu: Khảo sát ngẫu nhiên 363 sinh viên, thu về 295 mẫu hợp lệ ($N = 295$) phục vụ phân tích định lượng chuyên sâu.
  • Giới hạn: Tập trung vào hành vi người dùng trên nền tảng ứng dụng di động ShopeeFood tích hợp trong hệ sinh thái Shopee.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường OFD Việt Nam phân hóa rõ rệt giữa các nền tảng lớn. Bảng so sánh dưới đây phân tích điểm mạnh, điểm yếu kỹ thuật và vận hành của các ứng dụng chính:

Tiêu chí ShopeeFood GrabFood Baemin (Đã rút lui) GoFood
Hệ sinh thái tích hợp Shopee E-commerce, Ví ShopeePay Siêu ứng dụng Grab (Ride-hailing, GrabPay) Đơn lẻ (Food delivery thuần túy) Gojek Super-app, Ví MoMo
Độ bao phủ quán ăn Rất cao (>85% quán bình dân & chuỗi) Rất cao (Tập trung chuỗi & quán cao cấp) Trung bình (Tập trung khu vực trung tâm) Khá (Tập trung quán đối tác Gojek)
Thuật toán Voucher Tự động đề xuất mã ShopeePay & Freeship Đề xuất theo bậc GrabRewards Khuyến mãi trực tiếp theo khung giờ Áp mã thủ công
Điểm hạn chế App tích hợp nặng, load chậm vào giờ cao điểm Phí dịch vụ và phí nền tảng cao Chi phí duy trì người dùng quá lớn Hệ thống gợi ý món ăn chưa tối ưu

Phân loại yêu cầu người dùng theo khung MoSCoW

  • Must-have (Bắt buộc có): Tìm kiếm quán ăn theo định vị GPS thời gian thực, tích hợp cổng thanh toán ShopeePay/COD, hiển thị chi tiết phí vận chuyển và thời gian dự kiến.
  • Should-have (Nên có): Bộ lọc giá sinh viên (<35.000 VNĐ), tự động gộp đơn giảm cước vận chuyển, tính năng theo dõi lộ trình tài xế qua WebSocket.
  • Could-have (Có thể có): Gợi ý món ăn bằng Machine Learning dựa trên lịch sử đặt hàng và thời tiết thực tế.
  • Won't-have (Chưa ưu tiên): Đặt bàn trực tiếp tại quán hoặc tính năng gọi video cho quán ăn.

Thiết kế hệ thống và mô hình phân tích

Hệ thống xử lý và phân tích dữ liệu nghiên cứu kết hợp giữa nền tảng thu thập dữ liệu đám mây và phần mềm phân tích thống kê chuyên dụng.

+-----------------------------------------------------------------------+
|                       KIẾN TRÚC PHÂN TÍCH DỮ LIỆU                     |
+-----------------------------------------------------------------------+
 [Sinh viên HUB] ---> [Google Forms Survey / REST API v2]
                              |
                              v
 [Dữ liệu thô (N=363)] ---> [Làm sạch dữ liệu: Python 3.10 / Pandas 2.1]
                              |
                              v
 [Mẫu hợp lệ (N=295)] ---> [IBM SPSS Statistics 26.0 / SmartPLS 3.8]
                              +---> Cronbach's Alpha Reliability Check
                              +---> Exploratory Factor Analysis (EFA)
                              +---> Pearson Correlation Matrix
                              +---> OLS Multiple Linear Regression

Stack công nghệ và thông số kỹ thuật

  • Nền tảng phân tích thống kê: IBM SPSS Statistics Version 26.0, SmartPLS 3.8.
  • Ngôn ngữ tiền xử lý: Python 3.10 với thư viện pandas 2.1.0, numpy 1.24.3, statsmodels 0.14.0.
  • Cơ chế khảo sát: Google Forms API kết nối Google Sheets Webhooks để cập nhật phản hồi realtime.
  • Kiến trúc ứng dụng ShopeeFood tham chiếu: Client di động phát triển trên nền React Native 0.72, kết nối Microservices backend qua RESTful API/gRPC, cơ sở dữ liệu phân tán PostgreSQL 15 & Redis 7.0 cache.

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình chuẩn hai giai đoạn:

  1. Giai đoạn định tính: Phỏng vấn bán cấu trúc 15 sinh viên HUB nhằm điều chỉnh thang đo từ các mô hình nền tảng (TAM, TPB, UTAUT, SERVQUAL).
  2. Giai đoạn định lượng: Khảo sát diện rộng bằng thang đo Likert 5 mức độ (1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý).
Dòng thời gian nghiên cứu:
Tuần 1-3 (07/2024): Tổng quan lý thuyết, thiết kế bảng hỏi sơ bộ.
Tuần 4-6 (08/2024): Thử nghiệm sơ bộ (n=30), hiệu chỉnh thang đo, phát khảo sát chính thức.
Tuần 7-9 (08-09/2024): Thu thập 363 phản hồi, làm sạch 295 mẫu, chạy mô hình SPSS 26.0.
Tuần 10-12 (09/2024): Kiểm định khuyết tật mô hình, viết báo cáo và hàm ý quản trị.

Implementation và kết quả

Quy trình phân tích dữ liệu & mã nguồn thực thi

Phương trình hồi quy tuyến tính bội được thiết lập:

$$\text{BUYD} = \beta_0 + \beta_1 \text{PEOU} + \beta_2 \text{PRAW} + \beta_3 \text{COVM} + \beta_4 \text{BRAT} + \beta_5 \text{SERQ} + \beta_6 \text{SOCI} + \epsilon$$

Đoạn script Python minh họa quy trình kiểm định độ tin cậy và hồi quy tuyến tính:

import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Tải và tiền xử lý dữ liệu khảo sát
df = pd.read_csv("shopeefood_survey_cleaned_n295.csv")
features = ['PEOU', 'PRAW', 'COVM', 'BRAT', 'SERQ', 'SOCI']
target = 'BUYD'

# 2. Kiểm định tương quan Pearson
correlation_matrix = df[features + [target]].corr(method='pearson')
print("--- Ma trận tương quan Pearson ---")
print(correlation_matrix[target])

# 3. Chạy mô hình Hồi quy tuyến tính đa biến (OLS)
X = sm.add_constant(df[features])
y = df[target]
model = sm.OLS(y, X).fit()

print(model.summary())

# 4. Kiểm tra hiện tượng Đa cộng tuyến (VIF)
vif_data = pd.DataFrame()
vif_data["Feature"] = features
vif_data["VIF"] = [variance_inflation_factor(df[features].values, i) for i in range(len(features))]
print("--- Hệ số phóng đại phương sai (VIF) ---")
print(vif_data)

Kết quả kiểm định thống kê và đo lường

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Tất cả 07 thang đo đều thỏa mãn điều kiện Cronbach's Alpha $\ge 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$.

Ký hiệu Tên thang đo Số biến quan sát Cronbach's Alpha Tương quan biến-tổng nhỏ nhất
PEOU Nhận thức tính dễ sử dụng 4 0.862 0.651
PRAW Nhận thức về giá cả 4 0.845 0.612
COVM Động lực về sự tiện lợi 4 0.811 0.589
BRAT Niềm tin thương hiệu 4 0.838 0.620
SERQ Chất lượng dịch vụ 5 0.874 0.643
SOCI Ảnh hưởng của xã hội 3 0.789 0.542
BUYD Quyết định mua hàng (Biến phụ thuộc) 4 0.856 0.635

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Hệ số $\text{KMO} = 0.884$ (thỏa mãn $0.5 < \text{KMO} < 1.0$), kiểm định Bartlett có giá trị Sig. $= 0.000 < 0.05$. Tổng phương sai trích (Cumulative Variance Explained) đạt $63.72% > 50%$ tại giá trị Eigenvalue $= 1.182 > 1$. Ma trận xoay Varimax trích xuất chính xác 6 nhóm nhân tố.
  • Biến phụ thuộc: $\text{KMO} = 0.812$, Sig. Bartlett $= 0.000$, Tổng phương sai trích đạt $69.85%$, trích xuất 1 nhân tố duy nhất.

3. Kết quả phân tích hồi quy tuyến tính đa biến

Mô hình đạt độ thích hợp cao với $R^2 = 0.618$ và $R^2 \text{ hiệu chỉnh} = 0.610$, chứng minh rằng 61.0% sự biến thiên của Quyết định mua thức ăn qua ShopeeFood được giải thích bởi 6 biến độc lập. Giá trị kiểm định $F = 77.62$ với mức ý nghĩa $p = 0.000 < 0.001$.

Biến độc lập Hệ số chưa chuẩn hóa (B) Sai số chuẩn (SE) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Giá trị $p$ (Sig.) Hệ số VIF
(Hằng số) 0.215 0.142 — 1.514 0.131 —
PEOU (Dễ sử dụng) 0.312 0.041 0.324 7.610 0.000 1.342
PRAW (Giá cả) 0.284 0.038 0.298 7.474 0.000 1.285
COVM (Tiện lợi) 0.145 0.035 0.152 4.143 0.000 1.310
BRAT (Niềm tin) 0.138 0.036 0.141 3.833 0.000 1.278
SERQ (Chất lượng) 0.112 0.034 0.118 3.294 0.001 1.365
SOCI (Xã hội) 0.089 0.032 0.092 2.781 0.006 1.198

Tất cả hệ số VIF đều $< 2.0$, chứng minh mô hình hoàn toàn không có hiện tượng đa cộng tuyến.

Đổi mới và đóng góp

  1. Đóng góp về mặt lý thuyết mô hình hóa:

    • Tích hợp thành công 4 khung lý thuyết (TAM, TPB, UTAUT và SERVQUAL) vào một mô hình định lượng duy nhất, giải thích 61.0% phương sai hành vi tiêu dùng số của phân khúc sinh viên.
    • Chứng minh thực nghiệm rằng đối với nhóm đối tượng trẻ (Gen Z), Nhận thức tính dễ sử dụng ($\beta = 0.324$) và Nhận thức giá cả ($\beta = 0.298$) vượt trội hoàn toàn so với Ảnh hưởng xã hội ($\beta = 0.092$).

  2. So sánh với các nghiên cứu tiền nhiệm:

    • Khác với Đặng Thành Tuấn (2024) (nghiên cứu tổng thể người tiêu dùng TP.HCM xác định niềm tin là nhân tố lớn nhất), nghiên cứu này chứng minh ở phân khúc sinh viên, tính dễ sử dụng của UI/UX có tác động cao hơn niềm tin thương hiệu tới $129.8%$.
    • So với nghiên cứu của Lê Thị Huyền Trâm (2021) trên GrabFood tại Đà Nẵng, nghiên cứu này lượng hóa được sự đóng góp riêng biệt của hệ sinh thái thanh toán ví điện tử tích hợp (ShopeePay).

  3. Cải tiến định lượng và độ chuẩn xác:

    • Cung cấp bộ thang đo đã được chuẩn hóa với độ tin cậy cao (tất cả Cronbach's Alpha $> 0.78$, phương sai trích $> 63%$).

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy, nghiên cứu đề xuất lộ trình tối ưu hóa 3 giai đoạn dành cho ShopeeFood:

Kế hoạch hành động chi tiết (Actionable Plan)

  1. Tối ưu hóa giao diện (Tác động PEOU - $\beta = 0.324$):
    • Rút gọn quy trình đặt hàng từ 5 bước xuống 3 bước (Chọn món $\rightarrow$ Chọn voucher gợi ý sẵn $\rightarrow$ Thanh toán 1 chạm ShopeePay).
    • Tối ưu hóa dung lượng ứng dụng, giảm thời gian phản hồi API tải danh mục quán ăn dưới 800ms trong khung giờ cao điểm (11h00 - 12h30).
  2. Chiến lược định giá động & Voucher sinh viên (Tác động PRAW - $\beta = 0.298$):
    • Ra mắt gói định kỳ "ShopeeFood Student Pass": Miễn phí vận chuyển cho các đơn hàng bán kính $< 3\text{km}$ quanh khu vực khuôn viên đại học.
    • Áp dụng cơ chế giảm giá theo nhóm (Group Order) giúp chia sẻ cước vận chuyển giữa các sinh viên cùng ký túc xá/giảng đường.
  3. Nâng cao chất lượng dịch vụ và niềm tin (Tác động SERQ & BRAT):
    • Cam kết giao hàng đúng hẹn bằng tính năng tự động bồi hoàn voucher 15.000 VNĐ nếu đơn hàng trễ quá 15 phút so với thời gian dự kiến ban đầu.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  • Giới hạn không gian mẫu: Dữ liệu thu thập tại Trường Đại học Ngân hàng TP.HCM, chưa bao phủ toàn bộ các khối ngành đặc thù khác (như khối kỹ thuật, y dược).
  • Phương pháp lấy mẫu: Sử dụng phương pháp lấy mẫu thuận tiện phi xác suất, có thể tạo ra độ lệch nhất định so với phân phối thực tế của toàn bộ sinh viên trên địa bàn TP.HCM.
  • Mô hình tĩnh: Phân tích dữ liệu cắt ngang (Cross-sectional data), chưa theo dõi được sự thay đổi hành vi dài hạn theo thời gian (Longitudinal study).

Hướng phát triển tiếp theo

  • Mở rộng mô hình nghiên cứu kết hợp kỹ thuật Phân tích cấu trúc tuyến tính bình phương nhỏ nhất từng phần (PLS-SEM) để đánh giá các biến trung gian (Sự hài lòng, Ý định gắn kết lâu dài).
  • Tích hợp thêm các biến nhân khẩu học và thói quen thanh toán (Cashless vs COD) vào phân tích đa nhóm (Multi-group Analysis).

Đối tượng hưởng lợi

+----------------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                                  |
+----------------------------------------------------------------------------------+
 |
 +---> SINH VIÊN & NGƯỜI DÙNG TRẺ
 |     - Tiếp cận các gói cước vận chuyển tối ưu chi phí.
 |     - Trải nghiệm ứng dụng mượt mà, minh bạch về giá và chất lượng món ăn.
 |
 +---> ĐỘI NGŨ PHÁT TRIỂN & QUẢN TRỊ SẢN PHẨM (PRODUCT MANAGERS / DEVS)
 |     - Bộ tham số định lượng xác định ưu tiên backlog kỹ thuật (UX > Promo > SLA).
 |     - Căn cứ dữ liệu để thiết kế kiến trúc Microservices và API checkout tối giản.
 |
 +---> DOANH NGHIỆP E-COMMERCE / FOOD DELIVERY (SHOPEEFOOD, SHOPEEPAY)
 |     - Mô hình dự báo hành vi hỗ trợ phân bổ ngân sách khuyến mãi hiệu quả.
 |     - Tăng tỷ lệ giữ chân khách hàng (Retention Rate) tại các cụm làng đại học.
 |
 +---> CỘNG ĐỒNG NGHIÊN CỨU & HỌC THUẬT
       - Bộ dữ liệu thang đo chuẩn hóa (Cronbach's Alpha > 0.8) làm tài liệu tham khảo.
       - Phương pháp luận kết hợp TAM - TPB - UTAUT hoàn chỉnh.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai hệ thống khảo sát và xử lý dữ liệu của đề tài?

Cần máy chủ hoặc máy tính cá nhân cấu hình tối thiểu 4-core CPU, 8GB RAM cài đặt môi trường Python 3.10+ (thư viện pandas, statsmodels, scipy) và phần mềm IBM SPSS Statistics v26.0 để thực thi các kiểm định Cronbach's Alpha, EFA và hồi quy OLS.

2. Giới hạn khả năng mở rộng (Scalability) của mô hình phân tích và giải pháp khắc phục?

Mô hình hiện tại xử lý tập dữ liệu tĩnh $N = 295$. Để mở rộng cho dữ liệu lớn hàng triệu người dùng realtime của ShopeeFood, hệ thống cần tích hợp đường ống xử lý luồng dữ liệu (Data Pipeline) sử dụng Apache Kafka, Apache Spark và lưu trữ trên Data Warehouse (Google BigQuery/Snowflake) để tính toán điểm dự báo hành vi tự động.

3. Tích hợp mô hình vào hệ sinh thái hiện hữu của ShopeeFood như thế nào?

Mô hình trọng số $\beta$ được chuyển đổi thành các trọng số tham số trong thuật toán xếp hạng quán ăn (Ranking Algorithm) và công cụ gợi ý (Recommendation Engine), ưu tiên hiển thị các quán có mức giá phù hợp với sinh viên và có thời gian chuẩn bị món ăn nhanh.

4. Nhu cầu bảo trì và hỗ trợ dữ liệu định kỳ?

Bộ dữ liệu hành vi người tiêu dùng cần được tái khảo sát và cập nhật trọng số 6 tháng một lần nhằm nắm bắt sự thay đổi về xu hướng tiêu dùng, lạm phát giá thực phẩm và các chương trình cạnh tranh mới từ đối thủ.

5. Dự toán chi phí và thời gian thu hồi vốn (ROI) khi triển khai các hàm ý quản trị?

Dự toán chi phí tối ưu hóa UI/UX và phát triển gói Student Pass khoảng 150.000.000 – 200.000.000 VNĐ cho cụm trường đại học. Với mức tăng trưởng dự kiến 25% số lượng đơn hàng/ngày từ sinh viên, thời gian hoàn vốn đầu tư ước tính đạt 4–6 tháng.

Kết luận

Khóa luận tốt nghiệp của sinh viên Trương Ngọc Như đã giải quyết trọn vẹn bài toán xác định và đo lường các nhân tố tác động đến quyết định mua thức ăn qua ứng dụng ShopeeFood của sinh viên Đại học Ngân hàng TP.HCM. Bằng việc xử lý nghiêm ngặt 295 mẫu dữ liệu thực nghiệm trên SPSS 26.0, đề tài chứng minh được vai trò quyết định hàng đầu của Nhận thức tính dễ sử dụng ($\beta = 0.324$) và Nhận thức về giá cả ($\beta = 0.298$), đóng góp phương sai giải thích lên tới 61.0% ($R^2 \text{ hiệu chỉnh} = 0.610$).

Kết quả nghiên cứu cung cấp cơ sở dữ liệu thực chứng và hệ thống giải pháp kỹ thuật, kinh doanh chuẩn xác giúp ShopeeFood tối ưu hóa nền tảng, duy trì vị thế dẫn đầu trong phân khúc khách hàng trẻ đầy tiềm năng.