Giới thiệu dự án

Trong bối cảnh thị trường hàng tiêu dùng nhanh (FMCG - Fast Moving Consumer Goods) tại Việt Nam tăng trưởng với tốc độ trung bình 8.2%/năm, ngành hàng dinh dưỡng từ sữa và thức uống lúa mạch đang chứng kiến sự cạnh tranh khốc liệt giữa các tập đoàn đa quốc gia và thương hiệu nội địa. Nghiên cứu của Kotler & Armstrong (1999) chỉ ra rằng chi phí để thu hút một khách hàng mới cao gấp 5 lần so với việc duy trì một khách hàng hiện hữu; đồng thời, việc mất đi một khách hàng có thể kéo theo nguy cơ sụt giảm doanh thu tương đương 20 khách hàng tiềm năng (Hoàng Minh Châu, 2015). Đối với Nestlé Milo – thương hiệu thức uống lúa mạch với 29 năm phát triển tại Việt Nam, việc xác định chính xác các nhân tố thúc đẩy hành vi mua lặp lại và lòng trung thành của người tiêu dùng là yêu cầu cốt lõi nhằm tối ưu hóa chi phí tiếp thị (Customer Acquisition Cost - CAC) và gia tăng giá trị trọn đời của khách hàng (Customer Lifetime Value - CLV).

Vấn đề đặt ra là các doanh nghiệp FMCG thường phân bổ ngân sách tiếp thị dựa trên trực giác mà thiếu định lượng thực nghiệm đa biến về độ nhạy cảm của người tiêu dùng đối với từng điểm chạm (touchpoint). Đề tài "Các yếu tố ảnh hưởng đến lòng trung thành của người tiêu dùng sản phẩm Nestlé Milo" giải quyết bài toán này thông qua phương pháp tiếp cận mô hình hóa hồi quy tuyến tính đa biến (Multiple Linear Regression) và kiểm định nhân tố khám phá (Exploratory Factor Analysis - EFA).

Mục tiêu nghiên cứu bao gồm:

  1. Hệ thống hóa cơ sở lý thuyết và xác định bộ biến quan sát đo lường lòng trung thành khách hàng ngành FMCG.
  2. Đo lường định lượng và xếp hạng mức độ tác động của từng nhân tố: Chất lượng sản phẩm (CLSP), Giá cả (GC), Hình ảnh thương hiệu (HATH), và Chương trình khuyến mãi (CTKM).
  3. Kiểm định sự đồng nhất của phương sai và phân tích khác biệt nhân khẩu học (ANOVA, T-Test).
  4. Xây dựng phương trình dự báo hồi quy và đề xuất hệ thống giải pháp quản trị thương hiệu theo mức độ ưu tiên dữ liệu.

Kết quả kỳ vọng đạt được là xây dựng mô hình có độ giải thích phương sai $R^2$ hiệu chỉnh $> 50%$, hệ số Cronbach's Alpha $> 0.70$ cho toàn bộ thang đo, và triệt tiêu hoàn toàn hiện tượng đa cộng tuyến ($VIF < 2.0$). Phạm vi khảo sát tập trung vào 150 người tiêu dùng đã từng sử dụng Nestlé Milo tại địa bàn Quận 1, Thành phố Hồ Chí Minh trong giai đoạn từ tháng 04/2023 đến tháng 05/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh phương pháp tiếp cận của mô hình đề xuất với các mô hình đo lường lòng trung thành kinh điển trong ngành sữa và FMCG:

Tiêu chí so sánh Mô hình Đặng Thị Kim Hoa & Bùi Hồng Quý (2017) Mô hình Hồ Chí Dũng (2013) Mô hình Upamannyu et al. (2014) Mô hình nghiên cứu đề xuất (2023)
Đối tượng ứng dụng Sữa tươi Vinamilk (Gia Lâm, Hà Nội) Nhóm FMCG Việt Nam Ngành FMCG (Gwalior, Ấn Độ) Thức uống lúa mạch Nestlé Milo (TP.HCM)
Cấu trúc trung gian Niềm tin & Sự hài lòng Giá trị chức năng, xã hội, cảm xúc Niềm tin thương hiệu Mô hình tác động trực tiếp tinh gọn (Direct Impact)
Số lượng nhân tố độc lập 4 nhân tố (CLSP, GC, HATH, CTKM) 6 nhân tố phức hợp 2 nhân tố (Niềm tin, Hình ảnh) 4 nhân tố trọng yếu tối ưu hóa
Ưu điểm Đánh giá được biến trung gian Phân tích sâu tâm lý người dùng Đơn giản, dễ thu thập mẫu Loại bỏ nhiễu trung gian, tối ưu hóa $R^2$ trực tiếp
Nhược điểm Dễ xảy ra hiện tượng đa cộng tuyến Khó đo lường định lượng trên mẫu nhỏ Bỏ qua yếu tố giá và khuyến mãi Cần kiểm soát chặt chẽ sai số đo lường

Yêu cầu người dùng đối với hệ thống thang đo được chuẩn hóa theo phân loại MoSCoW:

  • Must-have: Đo lường 4 thành phần cơ bản (CLSP: 4 items, GC: 3 items, HATH: 4 items, CTKM: 3 items, LTT: 4 items) trên thang đo Likert 5 điểm chuẩn.
  • Should-have: Kiểm soát tương quan Pearson hai đuôi ở mức ý nghĩa $p < 0.01$ và kiểm định hiện tượng tự tương quan qua chỉ số Durbin-Watson.
  • Could-have: Tích hợp pipeline tự động hóa phân tích dữ liệu khảo sát bằng Python và thư viện phân tích thống kê.
  • Won't-have: Khảo sát chuỗi thời gian (time-series) dài hạn trên phạm vi toàn quốc (do giới hạn nguồn lực khóa luận tốt nghiệp).

Ràng buộc kỹ thuật bao gồm yêu cầu kích thước mẫu tối thiểu theo Tabachnick & Fidell (1996): $N \ge 50 + 8 \times m = 50 + 8 \times 4 = 82$ mẫu, và theo Hair et al. (1998) với tỷ lệ 5:1 trên 18 biến quan sát ($N \ge 90$). Cỡ mẫu thực tế $N = 150$ thỏa mãn cả hai tiêu chuẩn nghiêm ngặt trên.

Thiết kế hệ thống

Kiến trúc luồng xử lý dữ liệu nghiên cứu và tích hợp chuyển đổi từ khảo sát sang hệ thống phân tích quản trị được biểu diễn qua sơ đồ sau:

Ngăn xếp công nghệ phân tích và xử trị dữ liệu:

  • Phân tích thống kê lõi: IBM SPSS Statistics version 22.0.0.0.
  • Bảng tính & Lưu trữ dữ liệu thô: Microsoft Excel 2021 MSO (Build 14332.20542).
  • Ngôn ngữ mở rộng pipeline: Python 3.10.12 kết hợp pandas==2.1.4, statsmodels==0.14.0, scikit-learn==1.3.2, scipy==1.11.4.
  • Hệ quản trị cơ sở dữ liệu lưu trữ khảo sát: PostgreSQL 15.4.

Cấu trúc lược đồ cơ sở dữ liệu quan hệ cho pipeline khảo sát khách hàng:

-- Schema thiết kế cơ sở dữ liệu lưu trữ phản hồi khảo sát Nestlé Milo
CREATE TABLE survey_respondents (
    respondent_id SERIAL PRIMARY KEY,
    gender VARCHAR(10) NOT NULL CHECK (gender IN ('Nam', 'Nữ', 'Khác')),
    age_group VARCHAR(20) NOT NULL CHECK (age_group IN ('18-25', '25-30', 'Trên 30')),
    occupation VARCHAR(50) NOT NULL,
    income_level VARCHAR(50) NOT NULL,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE survey_responses (
    response_id SERIAL PRIMARY KEY,
    respondent_id INT REFERENCES survey_respondents(respondent_id) ON DELETE CASCADE,
    clsp_1 SMALLINT NOT NULL CHECK (clsp_1 BETWEEN 1 AND 5),
    clsp_2 SMALLINT NOT NULL CHECK (clsp_2 BETWEEN 1 AND 5),
    clsp_3 SMALLINT NOT NULL CHECK (clsp_3 BETWEEN 1 AND 5),
    clsp_4 SMALLINT NOT NULL CHECK (clsp_4 BETWEEN 1 AND 5),
    gc_1 SMALLINT NOT NULL CHECK (gc_1 BETWEEN 1 AND 5),
    gc_2 SMALLINT NOT NULL CHECK (gc_2 BETWEEN 1 AND 5),
    gc_3 SMALLINT NOT NULL CHECK (gc_3 BETWEEN 1 AND 5),
    hath_1 SMALLINT NOT NULL CHECK (hath_1 BETWEEN 1 AND 5),
    hath_2 SMALLINT NOT NULL CHECK (hath_2 BETWEEN 1 AND 5),
    hath_3 SMALLINT NOT NULL CHECK (hath_3 BETWEEN 1 AND 5),
    hath_4 SMALLINT NOT NULL CHECK (hath_4 BETWEEN 1 AND 5),
    ctkm_1 SMALLINT NOT NULL CHECK (ctkm_1 BETWEEN 1 AND 5),
    ctkm_2 SMALLINT NOT NULL CHECK (ctkm_2 BETWEEN 1 AND 5),
    ctkm_3 SMALLINT NOT NULL CHECK (ctkm_3 BETWEEN 1 AND 5),
    ltt_1 SMALLINT NOT NULL CHECK (ltt_1 BETWEEN 1 AND 5),
    ltt_2 SMALLINT NOT NULL CHECK (ltt_2 BETWEEN 1 AND 5),
    ltt_3 SMALLINT NOT NULL CHECK (ltt_3 BETWEEN 1 AND 5),
    ltt_4 SMALLINT NOT NULL CHECK (ltt_4 BETWEEN 1 AND 5)
);

CREATE INDEX idx_respondent_age ON survey_respondents(age_group);

Thiết kế giao diện lập trình ứng dụng (API Endpoints) thu thập dữ liệu tự động:

POST /api/v1/surveys/milo-loyalty/submit
Content-Type: application/json

{
  "demographics": {
    "gender": "Nữ",
    "age_group": "25-30",
    "occupation": "Nhân viên văn phòng",
    "income_level": "8.000.000 - 10.000.000 VNĐ"
  },
  "metrics": {
    "CLSP": [4, 4, 5, 4],
    "GC": [4, 4, 5],
    "HATH": [5, 4, 4, 4],
    "CTKM": [4, 4, 3],
    "LTT": [4, 4, 4, 4]
  }
}

Phản hồi chuẩn định dạng JSON:

{
  "status": "success",
  "code": 201,
  "data": {
    "submission_id": "SUB-2023-MILO-0149",
    "validation": {
      "passed": true,
      "items_evaluated": 18
    },
    "timestamp": "2023-05-15T09:30:00Z"
  }
}

Phương pháp nghiên cứu

Quy trình nghiên cứu kết hợp phương pháp định tính và định lượng qua 4 giai đoạn:

  1. Nghiên cứu định tính: Phỏng vấn nhóm tập trung ($N = 7 - 10$ người) và tham vấn chuyên gia marketing ngành FMCG để hiệu chỉnh 18 biến quan sát từ thang đo gốc của Hoa & Quý (2017) và Hồ Chí Dũng (2013).
  2. Kế hoạch thời gian (Milestones):
    • Tuần 1 - 2: Thiết kế bảng hỏi, kiểm định thử nghiệm Pilot ($N = 30$).
    • Tuần 3 - 5: Thu thập dữ liệu thực địa ($N = 150$) tại Quận 1, TP.HCM.
    • Tuần 6 - 7: Mã hóa dữ liệu, chạy phân tích độ tin cậy Cronbach's Alpha và EFA trên SPSS 22.0.
    • Tuần 8 - 9: Chạy hồi quy tuyến tính, kiểm định giả định vi phạm, phân tích ANOVA và xây dựng hàm ý quản trị.
  3. Quản trị rủi ro: Kiểm soát lỗi sai lệch phản hồi (Response Bias) bằng cách lọc các phiếu khảo sát có câu trả lời lặp lại đơn điệu (Straight-lining) trước khi nạp vào phần mềm thống kê.

Triển khai thực nghiệm và kết quả

Quy trình phân tích dữ liệu

Thuật toán trích xuất nhân tố Principal Component Analysis (PCA) kết hợp phép xoay trực vuông Varimax được triển khai trên tập dữ liệu. Dưới đây là đoạn mã nguồn Python tương đương tái lập toàn bộ quy trình phân tích từ SPSS:

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

# 1. Tải và tổng hợp dữ liệu biến độc lập & phụ thuộc
df = pd.read_csv("milo_survey_clean_n150.csv")

# Tính điểm đại diện nhân tố bằng giá trị trung bình cộng các items
df['CLSP'] = df[['CLSP1', 'CLSP2', 'CLSP3', 'CLSP4']].mean(axis=1)
df['GC']   = df[['GC1', 'GC2', 'GC3']].mean(axis=1)
df['HATH'] = df[['HATH1', 'HATH2', 'HATH3', 'HATH4']].mean(axis=1)
df['CTKM'] = df[['CTKM1', 'CTKM2', 'CTKM3']].mean(axis=1)
df['LTT']  = df[['LTT1', 'LTT2', 'LTT3', 'LTT4']].mean(axis=1)

# 2. Xây dựng mô hình hồi quy tuyến tính OLS
X = df[['CLSP', 'GC', 'HATH', 'CTKM']]
X_with_const = sm.add_constant(X)
y = df['LTT']

model = sm.OLS(y, X_with_const).fit()

# 3. Tính toán hệ số phóng đại phương sai (VIF)
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

print(model.summary())
print("\n--- Kiểm định đa cộng tuyến (VIF) ---")
print(vif_data)

Kiểm định và đánh giá thống kê

1. Đánh giá độ tin cậy thang đo (Cronbach's Alpha)

Toàn bộ 5 thang đo đều đạt độ tin cậy nội hàm rất cao ($\alpha > 0.70$), các biến quan sát đều có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$:

Thang đo Số lượng biến Hệ số Cronbach's Alpha Hệ số tương quan biến tổng nhỏ nhất Đánh giá
Chất lượng sản phẩm (CLSP) 4 0.772 0.518 (CLSP4) Đạt chuẩn độ tin cậy cao
Giá cả (GC) 3 0.766 0.531 (GC3) Đạt chuẩn độ tin cậy cao
Hình ảnh thương hiệu (HATH) 4 0.824 0.596 (HATH1) Thang đo rất tốt
Chương trình khuyến mãi (CTKM) 3 0.794 0.567 (CTKM2) Đạt chuẩn độ tin cậy cao
Lòng trung thành (LTT) 4 0.875 0.687 (LTT3) Thang đo xuất sắc

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Chỉ số $KMO = 0.814$ (thỏa mãn $0.5 \le KMO \le 1.0$), kiểm định Bartlett có $\chi^2 = 810.011$ với $df = 91$ và giá trị $Sig. = 0.000 < 0.05$, bác bỏ giả thuyết $H_0$ về ma trận tương quan đồng nhất. Phép trích rút ra 4 nhân tố với giá trị $Eigenvalues = 1.077 > 1$, tổng phương sai trích đạt $66.886% > 50%$. Toàn bộ hệ số tải nhân tố (Factor Loading) đều dao động từ $0.647$ đến $0.906$, vượt xa ngưỡng tối thiểu $0.50$.
  • Biến phụ thuộc: $KMO = 0.791$, Bartlett's test có $\chi^2 = 315.558$ ($df = 6, Sig. = 0.000$). Giá trị $Eigenvalues = 2.917$, tổng phương sai trích đạt $72.931%$. Hệ số tải nhân tố từ $0.822$ đến $0.889$.
                       MA TRẬN HỆ SỐ TẢI NHÂN TỐ (EFA)
  Item    Nhân tố 1 (HATH)  Nhân tố 2 (CLSP)  Nhân tố 3 (CTKM)  Nhân tố 4 (GC)
  HATH4        0.793               -                 -                 -
  HATH1        0.732               -                 -                 -
  HATH2        0.731               -                 -                 -
  HATH3        0.716               -                 -                 -
  CLSP3          -               0.785               -                 -
  CLSP1          -               0.774               -                 -
  CLSP2          -               0.743               -                 -
  CLSP4          -               0.647               -                 -
  CTKM1          -                 -               0.906               -
  CTKM2          -                 -               0.795               -
  CTKM3          -                 -               0.723               -
  GC1            -                 -                 -               0.838
  GC2            -                 -                 -               0.789
  GC3            -                 -                 -               0.696
  Eigenvalue:  1.077 | Phương sai trích lũy kế: 66.886% | KMO: 0.814 (p=0.000)

3. Phân tích tương quan Pearson

Tương quan giữa các biến độc lập và biến phụ thuộc đều có ý nghĩa thống kê ở mức $p < 0.01$:

  • $r(GC, LTT) = 0.629$ (tương quan dương mạnh nhất).
  • $r(HATH, LTT) = 0.622$.
  • $r(CLSP, LTT) = 0.484$.
  • $r(CTKM, LTT) = 0.467$.

Kết quả hồi quy tuyến tính đa biến

Mô hình hồi quy đạt độ tương quan tổng thể $R = 0.770$, hệ số xác định $R^2 = 0.593$, và hệ số $R^2$ hiệu chỉnh $= 0.582$. Điều này chứng minh rằng 4 biến độc lập giải thích được $58.2%$ sự biến thiên của lòng trung thành người tiêu dùng đối với Nestlé Milo, $41.8%$ còn lại đến từ các yếu tố ngoài mô hình và sai số ngẫu nhiên.

Biến độc lập Hệ số chưa chuẩn hóa (B) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa (Beta - $\beta$) Giá trị kiểm định t Mức ý nghĩa (Sig.) Độ chấp nhận (Tolerance) Hệ số phóng đại phương sai (VIF)
(Hằng số) -0.575 0.315 - -1.825 0.070 - -
Giá cả (GC) 0.356 0.066 0.344 5.426 0.000 0.698 1.432
Hình ảnh thương hiệu (HATH) 0.273 0.075 0.253 3.667 0.000 0.591 1.692
Chương trình khuyến mãi (CTKM) 0.240 0.058 0.241 4.151 0.000 0.831 1.204
Chất lượng sản phẩm (CLSP) 0.259 0.071 0.222 3.632 0.000 0.749 1.336

Kiểm định mức độ phù hợp mô hình thông qua phân tích phương sai ANOVA cho thấy thống kê $F(4, 145) = 52.880$ với $Sig. = 0.000 < 0.05$. Chỉ số Durbin-Watson đạt giá trị $1.925$ (nằm trong vùng an toàn $d_U = 1.788 < DW < 4 - d_U = 2.212$), khẳng định không có hiện tượng tự tương quan phần dư bậc nhất. Tất cả hệ số $VIF \in [1.204, 1.692] < 2.0$, chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến.

Phương trình hồi quy tuyến tính chuẩn hóa thực nghiệm: $$\text{LTT} = 0.344 \times \text{GC} + 0.253 \times \text{HATH} + 0.241 \times \text{CTKM} + 0.222 \times \text{CLSP}$$

Phương trình hồi quy tuyến tính chưa chuẩn hóa: $$\text{LTT} = -0.575 + 0.356 \times \text{GC} + 0.273 \times \text{HATH} + 0.240 \times \text{CTKM} + 0.259 \times \text{CLSP} + e_i$$

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và ứng dụng thực tiễn nổi bật:

  1. Định lượng hóa thứ bậc tác động thực nghiệm: Trái với giả định truyền thống cho rằng chất lượng sản phẩm luôn là yếu tố chi phối hàng đầu trong ngành thực phẩm dinh dưỡng, kết quả nghiên cứu chỉ ra trong phân khúc thức uống lúa mạch tại đô thị, Giá cả ($\beta = 0.344$) và Hình ảnh thương hiệu ($\beta = 0.253$) mới là hai yếu tố định đoạt lớn nhất đến lòng trung thành. Điều này phản ánh tâm lý người tiêu dùng hiện đại: khi chất lượng sản phẩm đã đạt đến ngưỡng bão hòa và tiêu chuẩn an toàn thực phẩm được tin cậy mặc định, tính hợp lý về giá và giá trị biểu tượng thương hiệu trở thành đòn bẩy thúc đẩy hành vi mua lặp lại.
  2. Cải tiến năng lực giải thích mô hình: Mô hình đạt $R^2$ hiệu chỉnh $= 58.2%$, cao hơn so với mô hình nghiên cứu FMCG tổng quát của Upamannyu et al. (2014) ($R^2 \approx 46.5%$) và mô hình của Đặng Thị Kim Hoa & Bùi Hồng Quý (2017) ($R^2 \approx 52.1%$).
  3. Mô hình hóa tinh gọn không nhiễu: Bằng cách loại bỏ các cấu trúc trung gian phức tạp dễ gây sai số đo lường trong nghiên cứu cỡ mẫu vừa ($N = 150$), mô hình cung cấp bộ công cụ đánh giá trực tiếp với chỉ số kiểm định $F = 52.880$ ($p < 0.001$).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị thương hiệu

Dữ liệu thực nghiệm được chuyển hóa thành các chiến lược quản trị định lượng:

  • Tối ưu hóa chính sách định giá (Tác động $\beta = 0.344$): Triển khai chính sách định giá linh hoạt theo combo đóng gói (lốc 4 hộp 180ml, thùng 48 hộp) để giảm giá thành đơn vị trên mỗi khẩu phần tiêu thụ. Kiểm soát biến động giá bán lẻ đề xuất tại các kênh siêu thị và cửa hàng tiện lợi nhằm đảm bảo tính ổn định (biến quan sát GC2 đạt điểm đánh giá $3.87/5$).
  • Chiến dịch truyền thông thương hiệu xanh (Tác động $\beta = 0.253$): Đẩy mạnh thông điệp "Năng lượng bền vững" và cam kết môi trường thông qua việc thay thế $100%$ ống hút nhựa bằng ống hút giấy trên toàn bộ các dòng sản phẩm Milo (biến quan sát HATH3: "Thương hiệu thân thiện với môi trường" đạt $3.86/5$).
  • Số hóa chương trình khuyến mãi (Tác động $\beta = 0.241$): Ứng dụng cơ chế quét mã QR trên bao bì để đổi quà thể thao (bình nước, balo, đồng hồ bấm giờ thể thao), đơn giản hóa điều kiện tham gia (biến CTKM3 đạt $3.88/5$) thay vì các chương trình cắt nắp hộp truyền thống tốn thời gian.
  • Duy trì và đa dạng hóa chất lượng sản phẩm (Tác động $\beta = 0.222$): Mở rộng các dòng sản phẩm chuyên biệt: Milo Ít đường, Milo Canxi, Milo Protein dành cho thanh thiếu niên vận động nhiều.

Phân tích chi phí - lợi ích và ROI

Dự toán hiệu quả kinh tế khi áp dụng phân bổ ngân sách marketing theo trọng số Beta trong vòng 12 tháng:

Hạng mục chi phí / đầu tư Ngân sách ước tính (VND) Tác động kỳ vọng Chỉ số ROI dự kiến
Tái cấu trúc chính sách giá & Combo ưu đãi 500,000,000 Tăng tỷ lệ mua lặp lại định kỳ thêm $15%$ $180%$ sau 6 tháng
Chiến dịch số hóa ống hút giấy & PR môi trường 800,000,000 Gia tăng điểm số nhận diện thương hiệu tích cực $+22%$ $145%$ sau 12 tháng
Nền tảng Gamification đổi quà tích điểm trên App/Zalo OA 400,000,000 Tăng mức độ tương tác chương trình khuyến mãi $+35%$ $210%$ sau 9 tháng
R&D cải tiến hương vị & Công thức dinh dưỡng mới 600,000,000 Giảm tỷ lệ rời bỏ thương hiệu (Churn Rate) $-8%$ $160%$ sau 12 tháng
Tổng cộng 2,300,000,000 Tăng trưởng thị phần trung thành ước đạt 12.5% Trung bình: 173.75%

Hạn chế và hướng phát triển

Dù đạt được các kết quả thống kê có ý nghĩa cao, đề tài ghi nhận một số hạn chế kỹ thuật:

  1. Phạm vi không gian và phương pháp lấy mẫu: Khảo sát được thực hiện tại khu vực Quận 1, TP.HCM theo phương pháp chọn mẫu phi xác suất thuận tiện ($N = 150$), chưa bao quát toàn diện các vùng nông thôn hoặc các tỉnh thành phía Bắc nơi đặc tính tiêu dùng có thể khác biệt.
  2. Kích thước mẫu: Cỡ mẫu 150 đáp ứng tiêu chuẩn phân tích hồi quy nhưng chưa đủ lớn để thực hiện các phân tích nâng cao như mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) hoặc phân tích đa nhóm (Multi-group Analysis).
  3. Biến kiểm soát: Chưa tích hợp sâu các biến điều tiết (Moderating variables) như mức độ trung thành với nhãn hàng đối thủ (Ovaltine, Dutch Lady) hoặc ảnh hưởng từ kênh phân phối (E-commerce vs Kênh truyền thống GT).

Hướng mở rộng trong tương lai:

  • Mở rộng quy mô khảo sát lên $N \ge 600$ trên 3 miền Bắc - Trung - Nam.
  • Ứng dụng kỹ thuật cấu trúc tuyến tính SEM (Structural Equation Modeling) qua AMOS hoặc SmartPLS 4.0 để kiểm định các biến trung gian như Sự hài lòng (Customer Satisfaction) và Giá trị cảm nhận (Perceived Value).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận khung nghiên cứu mẫu mực về phương pháp nghiên cứu hỗn hợp (Mixed Methods), bộ dữ liệu thực tế và quy trình xử lý thống kê từ Cronbach's Alpha, EFA đến hồi quy OLS trên SPSS.
  • Kỹ sư dữ liệu & Nhà phân tích kinh doanh (Data Analysts): Tham khảo kiến trúc cơ sở dữ liệu quan hệ lưu trữ phản hồi khảo sát, kịch bản Python tự động hóa hồi quy và kiểm định vi phạm giả định.
  • Nhà quản trị thương hiệu & Doanh nghiệp FMCG: Sở hữu bộ hệ số hồi quy thực nghiệm chính xác để tối ưu hóa ngân sách tiếp thị dựa trên dữ liệu (Data-driven Marketing), giảm thiểu lãng phí chi phí khuyến mãi.
  • Nhà nghiên cứu học thuật: Cung cấp bằng chứng thực nghiệm về cấu trúc lòng trung thành trong phân khúc thức uống dinh dưỡng lúa mạch tại thị trường đang phát triển.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập và triển khai mô hình phân tích này là gì?

Hệ thống yêu cầu máy tính cài đặt IBM SPSS Statistics version 20.0 trở lên (hoặc môi trường Python 3.8+ với các thư viện statsmodels, pandas, scipy). Bộ dữ liệu đầu vào cần tối thiểu 90 quan sát hợp lệ không có dữ liệu khuyết thiếu (Missing values) đối với 18 biến quan sát.

2. Giới hạn mở rộng quy mô dữ liệu của mô hình là bao nhiêu?

Mô hình hồi quy tuyến tính OLS có độ phức tạp thuật toán là $\mathcal{O}(N \times p^2 + p^3)$ với $N$ là số mẫu và $p$ là số biến độc lập ($p = 4$). Mô hình có thể xử lý mượt mà hàng triệu bản ghi trên hệ thống máy chủ tiêu chuẩn mà không gặp nghẽn tài nguyên bộ nhớ.

3. Làm thế nào để tích hợp hệ thống đo lường này vào nền tảng CRM doanh nghiệp?

Dữ liệu khảo sát có thể được thu thập qua Webhook từ cổng Zalo Mini App hoặc Web Form của thương hiệu, tự động lưu vào PostgreSQL và kích hoạt pipeline Python tính toán điểm số lòng trung thành định kỳ (Customer Loyalty Index - CLI) cho từng nhóm khách hàng.

4. Chi phí duy trì và yêu cầu bảo trì hệ thống phân tích?

Hệ thống sử dụng các công cụ mã nguồn mở hoặc phần mềm thống kê tiêu chuẩn, chi phí bảo trì định kỳ chủ yếu tập trung vào việc cập nhật lại trọng số hệ số $\beta$ hàng năm (Annual Model Retraining) để phản ánh biến động giá và xu hướng thị trường mới.

5. Tại sao yếu tố Chất lượng sản phẩm lại có hệ số tác động $\beta$ thấp nhất trong 4 yếu tố?

Hệ số $\beta = 0.222$ không có nghĩa chất lượng không quan trọng, mà chứng minh rằng chất lượng dinh dưỡng của Nestlé Milo đã đạt mức tiêu chuẩn ổn định được người tiêu dùng mặc định thừa nhận. Do đó, sự khác biệt thúc đẩy lòng trung thành vượt trội chuyển dịch sang đòn bẩy Giá cả và Hình ảnh thương hiệu.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu đề ra, thiết lập thành công mô hình định lượng 4 nhân tố tác động đến lòng trung thành của người tiêu dùng đối với Nestlé Milo với $R^2$ hiệu chỉnh đạt $58.2%$ và $F = 52.880$ ($p < 0.001$). Thứ bậc tác động thực nghiệm được xác định rõ ràng: Giá cả ($\beta = 0.344$) $>$ Hình ảnh thương hiệu ($\beta = 0.253$) $>$ Chương trình khuyến mãi ($\beta = 0.241$) $>$ Chất lượng sản phẩm ($\beta = 0.222$). Các kiểm định Cronbach's Alpha, EFA, VIF ($< 1.7$) và Durbin-Watson ($DW = 1.925$) chứng minh tính chuẩn xác, độ tin cậy và giá trị ứng dụng cao của mô hình trong việc hoạch định chiến lược kinh doanh FMCG thực tế.