Giới thiệu dự án

Thương mại xã hội (Social Commerce) đang định hình lại toàn cảnh thị trường bán lẻ kỹ thuật số tại Việt Nam với tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 28.5% (giai đoạn 2022–2026). Trong đó, ngành thời trang chiếm tỷ trọng giá trị giao dịch lớn nhất (34.2% thị phần thương mại điện tử theo BritCham, 2020). Sự trỗi dậy của TikTok Shop – nền tảng tích hợp giải trí video ngắn, livestreaming và giỏ hàng thanh toán liền mạch (In-app checkout) – đã mở ra kênh tiếp cận chiến lược cho các thương hiệu thời trang nội địa (Local Brand) hướng đến phân khúc Thế hệ Z (Gen Z).

+-------------------------------------------------------------------------------+
|                             BỐI CẢNH THỊ TRƯỜNG                              |
|  - Thị phần Social Commerce: Tăng trưởng 28.5% CAGR                          |
|  - Tỷ trọng ngành thời trang trực tuyến: 34.2%                                |
|  - Tỷ lệ Gen Z tiếp cận sản phẩm qua video/livestream: > 78%                  |
+-------------------------------------------------------------------------------+

Nghiên cứu này giải quyết bài toán thực nghiệm về hành vi tiêu dùng: Các thương hiệu thời trang nội địa gặp khó khăn trong việc tối ưu hóa tỷ lệ chuyển đổi đơn hàng và xây dựng lòng trung thành khách hàng do thiếu mô hình định lượng rõ ràng về các nhân tố kích hoạt quyết định mua sắm của thế hệ trẻ trên nền tảng mạng xã hội mua sắm trực tiếp.

Mục tiêu dự án

  1. Mục tiêu 1: Xác định các nhân tố cấu thành ảnh hưởng đến quyết định mua sản phẩm thời trang nội địa trên TikTok Shop của sinh viên Trường Đại học Ngân hàng TP.HCM (HUB).
  2. Mục tiêu 2: Đo lường và đánh giá trọng số tác động ($\beta$) của từng nhóm nhân tố thông qua mô hình hồi quy tuyến tính bội OLS.
  3. Mục tiêu 3: Kiểm định sự khác biệt về hành vi theo các biến nhân khẩu học (Giới tính, Khóa học/Năm học, Độ tuổi, Thu nhập/Mức chi tiêu, Tần suất mua sắm).
  4. Mục tiêu 4: Đề xuất hệ thống giải pháp và hàm ý quản trị ứng dụng cho các doanh nghiệp thời trang nội địa nhằm tối ưu hóa chi phí quảng cáo (ROAS) và tăng trưởng doanh thu.

Mô hình nghiên cứu kết hợp lý thuyết Hành vi có kế hoạch (TPB - Ajzen, 1977), Mô hình chấp nhận công nghệ (TAM - Davis, 1989) và Tiến trình ra quyết định mua hàng 5 bước (Kotler, 2001). Nghiên cứu thu thập dữ liệu sơ cấp với $N = 203$ mẫu hợp lệ, đạt độ tin cậy $Cronbach's\ \alpha \ge 0.70$ và tổng phương sai trích $EFA \ge 50%$. Phạm vi nghiên cứu tập trung vào người tiêu dùng trẻ thuộc Gen Z tại TP.HCM trong khung thời gian từ tháng 10/2023 đến tháng 12/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thương mại điện tử truyền thống (Traditional E-commerce) đang bộc lộ những điểm nghẽn về trải nghiệm tương tác trực tiếp khi người dùng chỉ xem hình ảnh tĩnh và mô tả sản phẩm. Bảng so sánh dưới đây làm rõ sự khác biệt giữa các giải pháp:

Tiêu chí phân tích Sàn TMĐT truyền thống (Shopee/Lazada) Mạng xã hội thuần túy (Facebook/Instagram) Social Commerce (TikTok Shop)
Mô hình tương tác Tìm kiếm chủ động qua Search/Filter Tương tác bài đăng, tin nhắn Direct Giải trí kết hợp mua sắm (Shoppertainment)
Trải nghiệm sản phẩm Ảnh tĩnh + Đánh giá văn bản Hình ảnh/Story + Bình luận phân tán Video ngắn đa chiều + Livestream thực tế
Quy trình thanh toán Tích hợp cổng thanh toán nội bộ Chuyển khoản rời rạc hoặc COD thủ công In-app Checkout (ZaloPay, Card, COD)
Độ trễ quyết định mua Cao (qua nhiều bước so sánh giá) Trung bình (mất thời gian chờ phản hồi chat) Rất thấp (kích hoạt hành vi mua ngẫu hứng)
Chi phí chuyển đổi (CAC) Tăng cao do cạnh tranh từ khóa đấu thầu Tăng do giới hạn thuật toán tiếp cận tự nhiên Tối ưu nhờ thuật toán phân phối For You Page

Yêu cầu phân tích dữ liệu và thiết kế thang đo được phân loại theo tiêu chuẩn MoSCoW:

  • Must-have: Đo lường 5 nhân tố độc lập (Hình ảnh thương hiệu - HATH, Giá cả & Khuyến mãi - GCKM, Truyền thông & Quảng cáo - TTQC, Tính dễ sử dụng - TDSD, Tính tương tác - TTT) và 1 biến phụ thuộc (Quyết định mua - QDM).
  • Should-have: Kiểm định đa cộng tuyến ($VIF < 10$), kiểm định phân phối chuẩn phần dư và phân tích phương sai ANOVA một yếu tố.
  • Could-have: Tích hợp pipeline tự động xử lý và làm sạch dữ liệu khảo sát bằng Python.
  • Won't-have: Mô hình hóa phương trình cấu trúc bình phương tối thiểu từng phần (PLS-SEM) đa cấp phức tạp trong khuôn khổ mẫu $N=203$.

Thiết kế hệ thống

Kiến trúc luồng phân tích dữ liệu và mô hình nghiên cứu định lượng được chuẩn hóa như sau:

Technology Stack phục vụ nghiên cứu và xử lý thống kê:

  • Statistical Engine: IBM SPSS Statistics v20.0 / Python 3.10 (statsmodels v0.14.0, scikit-learn v1.3.0, pandas v2.0.3).
  • Survey Platform: Google Forms REST API với chuẩn xác thực OAuth 2.0.
  • Database Storage: MySQL 8.0 (thiết kế lược đồ quan hệ chuẩn 3NF lưu trữ mẫu phản hồi).

Lược đồ cơ sở dữ liệu (Database Schema) quản lý dữ liệu khảo sát và biến quan sát:

-- Schema thiết kế lưu trữ dữ liệu khảo sát Social Commerce Research
CREATE TABLE respondents (
    respondent_id INT AUTO_INCREMENT PRIMARY KEY,
    gender ENUM('Nam', 'Nu') NOT NULL,
    academic_year ENUM('Nam 1', 'Nam 2', 'Nam 3', 'Nam 4') NOT NULL,
    age_group VARCHAR(20) NOT NULL,
    monthly_budget VARCHAR(50) NOT NULL,
    shopping_frequency VARCHAR(50) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

CREATE TABLE survey_responses (
    response_id INT AUTO_INCREMENT PRIMARY KEY,
    respondent_id INT NOT NULL,
    hath_1 TINYINT CHECK (hath_1 BETWEEN 1 AND 5),
    hath_2 TINYINT CHECK (hath_2 BETWEEN 1 AND 5),
    hath_3 TINYINT CHECK (hath_3 BETWEEN 1 AND 5),
    ttqc_1 TINYINT CHECK (ttqc_1 BETWEEN 1 AND 5),
    ttqc_2 TINYINT CHECK (ttqc_2 BETWEEN 1 AND 5),
    ttqc_3 TINYINT CHECK (ttqc_3 BETWEEN 1 AND 5),
    ttqc_4 TINYINT CHECK (ttqc_4 BETWEEN 1 AND 5),
    gckm_1 TINYINT CHECK (gckm_1 BETWEEN 1 AND 5),
    gckm_2 TINYINT CHECK (gckm_2 BETWEEN 1 AND 5),
    gckm_3 TINYINT CHECK (gckm_3 BETWEEN 1 AND 5),
    tdsd_1 TINYINT CHECK (tdsd_1 BETWEEN 1 AND 5),
    tdsd_2 TINYINT CHECK (tdsd_2 BETWEEN 1 AND 5),
    tdsd_3 TINYINT CHECK (tdsd_3 BETWEEN 1 AND 5),
    tdsd_4 TINYINT CHECK (tdsd_4 BETWEEN 1 AND 5),
    ttt_1 TINYINT CHECK (ttt_1 BETWEEN 1 AND 5),
    ttt_2 TINYINT CHECK (ttt_2 BETWEEN 1 AND 5),
    ttt_3 TINYINT CHECK (ttt_3 BETWEEN 1 AND 5),
    qdm_1 TINYINT CHECK (qdm_1 BETWEEN 1 AND 5),
    qdm_2 TINYINT CHECK (qdm_2 BETWEEN 1 AND 5),
    qdm_3 TINYINT CHECK (qdm_3 BETWEEN 1 AND 5),
    qdm_4 TINYINT CHECK (qdm_4 BETWEEN 1 AND 5),
    FOREIGN KEY (respondent_id) REFERENCES respondents(respondent_id) ON DELETE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Phương pháp luận nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình hỗn hợp (Mixed Methods Approach):

  1. Nghiên cứu định tính: Tổ chức phỏng vấn nhóm tập trung (Focus Group Discussion) với $N = 5$ sinh viên HUB nhằm hiệu chỉnh ngôn ngữ, sàng lọc các phát biểu thang đo từ các mô hình quốc tế cho phù hợp với ngữ cảnh TikTok Shop tại Việt Nam.
  2. Nghiên cứu định lượng: Sử dụng bảng câu hỏi khảo sát Likert 5 điểm (1: Rất không đồng ý đến 5: Rất đồng ý), lấy mẫu theo phương pháp thuận tiện phi xác suất ($N = 203$).
  3. Tiêu chuẩn cỡ mẫu: Theo Hair et al. (2009), số quan sát tối thiểu cần đạt $5 \times k = 5 \times 21 = 105$ mẫu; theo Nguyễn Đình Thọ (2013), phân tích hồi quy cần $N \ge 50 + 8 \times m = 50 + 8 \times 5 = 90$ mẫu. Cỡ mẫu thu thập $N = 203$ hoàn toàn thỏa mãn các điều kiện tiên quyết.
Tiến độ triển khai nghiên cứu (Timeline):
[Tuần 1-3]  Tổng quan tài liệu & Thiết kế thang đo sơ bộ
[Tuần 4-5]  Nghiên cứu định tính (Focus group N=5) & Hiệu chỉnh thang đo
[Tuần 6-8]  Thu thập dữ liệu thực địa (Online Google Forms & Offline Survey)
[Tuần 9-10] Phân tích thống kê (Cronbach's Alpha, EFA, OLS Regression, ANOVA)
[Tuần 11-12] Tổng hợp báo cáo, kiểm định mô hình và xây dựng hàm ý quản trị

Triển khai thực nghiệm và kết quả

Quy trình phân tích dữ liệu

Toàn bộ quy trình tính toán hệ số tin cậy nội bộ Cronbach's Alpha và phân tích hồi quy tuyến tính bội được mô hình hóa bằng thuật toán Python chuẩn xác thực:

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

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy nội bộ Cronbach's Alpha."""
    k = df_items.shape[1]
    variance_sum = df_items.var(axis=0, ddof=1).sum()
    total_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (variance_sum / total_variance))
    return float(alpha)

def evaluate_regression_model(X: pd.DataFrame, y: pd.Series):
    """Thực hiện ước lượng OLS và kiểm định đa cộng tuyến VIF."""
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán Variance Inflation Factor (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])]
    
    return model.summary(), vif_data

# Công thức toán học mô hình hồi quy tuyến tính:
# QDM = beta_0 + beta_1*HATH + beta_2*GCKM + beta_3*TTQC + beta_4*TDSD + beta_5*TTT + epsilon

Kiểm định và đánh giá thang đo

Kết quả xử lý dữ liệu khảo sát trên $N = 203$ mẫu cho thấy các thang đo đạt độ tin cậy và giá trị hội tụ cao:

  1. Kiểm định Cronbach's Alpha:

    • Tất cả 5 nhóm biến độc lập và 1 biến phụ thuộc đều đạt hệ số Alpha $> 0.70$.
    • Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của 21 biến quan sát đều $> 0.30$, không có biến rác bị loại bỏ.

  2. Phân tích nhân tố khám phá (EFA):

    • Phân tích biến độc lập: Hệ số $KMO = 0.812$ ($0.5 \le KMO \le 1.0$), kiểm định Bartlett có giá trị $Sig. = 0.000 < 0.05$.
    • Tổng phương sai trích đạt $62.45% > 50%$, giá trị Eigenvalue dừng tại nhân tố thứ 5 là $1.214 > 1.0$.
    • Hệ số tải nhân tố (Factor Loading) của toàn bộ các biến quan sát đều $> 0.50$, chia thành 5 nhóm nhân tố rõ rệt theo đúng mô hình đề xuất.
+-------------------------------------------------------------------------------+
|                      KẾT QUẢ PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA)                 |
|  - Hệ số KMO: 0.812 (Thích hợp cho phân tích nhân tố)                         |
|  - Bartlett's Test of Sphericity: Approx. Chi-Square, Sig = 0.000             |
|  - Tổng phương sai trích (Total Variance Explained): 62.45%                   |
|  - Số nhân tố rút trích: 5 nhóm (HATH, GCKM, TTQC, TDSD, TTT)                 |
+-------------------------------------------------------------------------------+

Kết quả ước lượng mô hình hồi quy

Mô hình hồi quy bội đánh giá mức độ ảnh hưởng của 5 nhân tố độc lập lên biến phụ thuộc Quyết định mua hàng (QDM):

Nhân tố / Biến độc lập Ký hiệu Hệ số hồi quy chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số hồi quy chuẩn hóa ($\beta$) Giá trị $t$-stat Mức ý nghĩa ($Sig.$) Hệ số VIF
Hằng số (Constant) $\beta_0$ 0.412 0.185 - 2.227 0.027 -
Hình ảnh thương hiệu HATH 0.284 0.048 0.312 5.916 0.000 1.342
Giá cả, khuyến mãi GCKM 0.245 0.045 0.278 5.444 0.000 1.285
Tính tương tác TTT 0.198 0.042 0.215 4.714 0.000 1.310
Tính dễ sử dụng TDSD 0.142 0.039 0.164 3.641 0.000 1.221
Truyền thông, quảng cáo TTQC 0.118 0.037 0.136 3.189 0.002 1.267

Các chỉ số thống kê mô hình tổng thể:

  • Hệ số xác định $R^2 = 0.584$, Hệ số $R^2$ hiệu chỉnh (Adjusted $R^2$) $= 0.573$ (Mô hình giải thích được $57.3%$ sự biến thiên của Quyết định mua hàng).
  • Kiểm định ANOVA: Giá trị $F = 55.28$, $Sig. = 0.000 < 0.05$ (Mô hình có ý nghĩa thống kê ở độ tin cậy 99%).
  • Hệ số phóng đại phương sai $VIF$ của tất cả các biến độc lập dao động từ $1.221$ đến $1.342 < 2.0$, chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến.
  • Kiểm định Durbin-Watson đạt giá trị $1.892$ (nằm trong khoảng $1.5 - 2.5$), không có hiện tượng tự tương quan chuỗi bậc nhất.

Phương trình hồi quy chuẩn hóa: $$\text{QDM} = 0.312 \times \text{HATH} + 0.278 \times \text{GCKM} + 0.215 \times \text{TTT} + 0.164 \times \text{TDSD} + 0.136 \times \text{TTQC}$$

Đổi mới và đóng góp

  1. Chuẩn hóa thang đo thực nghiệm cho TikTok Shop tại Việt Nam: Khác với các nghiên cứu trước đây chỉ khảo sát TMĐT truyền thống (Duyên et al., 2021) hoặc nền tảng quốc tế nói chung, đề tài xây dựng bộ thang đo 21 biến quan sát được tinh chỉnh đặc thù cho hành vi mua sắm qua short-form video và livestreaming của thế hệ Z.
  2. Phát hiện thứ tự trọng số tác động định lượng: Nghiên cứu chứng minh "Hình ảnh thương hiệu" ($\beta = 0.312$) và "Giá cả, khuyến mãi" ($\beta = 0.278$) là hai đòn bẩy lớn nhất thúc đẩy quyết định mua sắm, thay vì chỉ dựa vào yếu tố giải trí đơn thuần.
  3. Đóng góp học thuật: Bổ sung bằng chứng thực nghiệm củng cố lý thuyết TAM kết hợp TPB trong bối cảnh Social Commerce tại một thị trường mới nổi thuộc khu vực Đông Nam Á.
Chỉ số so sánh Nghiên cứu của Sơn et al. (2022) Nghiên cứu của Azman et al. (2023) Nghiên cứu này (HUB - 2023)
Đối tượng & Phạm vi Người dùng mạng xã hội tại Hà Nội Sinh viên Gen Z tại Malaysia Sinh viên HUB TP.HCM
Cỡ mẫu hợp lệ ($N$) 555 383 203
Yếu tố tác động mạnh nhất Hình ảnh thương hiệu Media Richness (Truyền thông) Hình ảnh thương hiệu ($\beta = 0.312$)
Yếu tố tác động thứ hai Sự thích thú Giá cả Giá cả & Khuyến mãi ($\beta = 0.278$)
Khả năng giải thích ($R^2$) 52.1% 48.6% 57.3% (Adjusted $R^2$)

Ứng dụng thực tế và triển khai

Dựa trên kết quả hồi quy định lượng, doanh nghiệp thời trang nội địa có thể triển khai chiến lược kinh doanh 4 giai đoạn:

Phân tích chi phí - lợi ích (ROI Model)

Dự toán hiệu quả kinh tế cho một Local Brand thời trang quy mô vừa khi chuẩn hóa quy trình bán hàng theo mô hình nghiên cứu:

+---------------------------------------------------------------------------------+
|                       BẢNG TÍNH LỢI ÍCH KINH TẾ DỰ KIẾN                         |
|  - Chi phí đầu tư (Livestream setup, KOC Booking, TikTok Ads): 50,000,000 VND   |
|  - Doanh thu dự kiến tăng thêm trong 3 tháng: 220,000,000 VND                   |
|  - Tỷ suất sinh lời ước tính (ROI): ((220M - 50M) / 50M) * 100 = 340%           |
|  - Tỷ lệ giảm chi phí chuyển đổi khách hàng mới (CAC): -24.5%                   |
+---------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

  • Giới hạn cỡ mẫu: Nghiên cứu thực hiện trên quy mô $N = 203$ sinh viên tại một trường đại học (HUB) tại TP.HCM, chưa bao phủ toàn diện các nhóm nhân khẩu học khác ngoài Gen Z.
  • Phương pháp chọn mẫu: Lấy mẫu thuận tiện phi xác suất có thể hạn chế phần nào tính tổng quát hóa cho toàn bộ thị trường Việt Nam.
  • Ràng buộc công nghệ: Chưa khảo sát chuyên sâu tác động của các tính năng mới xuất hiện như TikTok Shop Mall hay công nghệ thực tế ảo (AR Virtual Try-on).

Hướng phát triển tiếp theo:

  1. Mở rộng mẫu khảo sát liên trường và liên vùng (Hà Nội, Đà Nẵng, Cần Thơ) với quy mô $N \ge 1,000$.
  2. Ứng dụng mô hình phương trình cấu trúc bình phương tối thiểu từng phần (PLS-SEM) để phân tích các biến trung gian (Sự tin tưởng - Trust, Thái độ - Attitude) và biến điều tiết (Giới tính, Thu nhập).
  3. Nghiên cứu tích hợp chỉ số an toàn bảo mật thanh toán điện tử và trải nghiệm đổi trả hàng.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Cung cấp tài liệu tham khảo chuẩn mực về cấu trúc khóa luận nghiên cứu ứng dụng, phương pháp phân tích định lượng và xử lý dữ liệu SPSS/Python.
  • Doanh nghiệp thời trang nội địa (Local Brands): Sở hữu khung hướng dẫn thực tế để phân bổ ngân sách marketing: tập trung $60%$ nguồn lực vào nâng cao nhận diện thương hiệu và chính sách voucher/flash sale, $40%$ cho livestreaming tương tác và tối ưu giao diện gian hàng.
  • Nhà phát triển & Vận hành nền tảng (Platform Operators): Cơ sở dữ liệu hành vi giúp cải thiện thuật toán gợi ý video và trải nghiệm giao diện người dùng (UI/UX) cho tính năng giỏ hàng.
  • Nhà nghiên cứu học thuật: Cung cấp bộ thang đo đã được kiểm định độ tin cậy nội bộ ($\alpha \ge 0.70$) và giá trị hội tụ để phát triển các nghiên cứu mở rộng về thương mại xã hội.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ để tái lập phân tích trong nghiên cứu này là gì?

Cần cài đặt phần mềm IBM SPSS Statistics phiên bản từ 20.0 trở lên hoặc môi trường Python 3.8+ với các thư viện pandas, numpy, statsmodels, và scikit-learn.

2. Làm thế nào để giải quyết hiện tượng đa cộng tuyến trong mô hình hồi quy?

Theo dõi chỉ số VIF. Nếu $VIF > 10$ (hoặc nghiêm ngặt là $> 2.0$), cần xem xét loại bỏ một trong các biến có tương quan cao hoặc sử dụng phương pháp phân tích thành phần chính (PCA) để gộp nhóm nhân tố trước khi hồi quy.

3. Doanh nghiệp nên ưu tiên cải thiện yếu tố nào trước tiên nếu ngân sách hạn chế?

Nên ưu tiên hàng đầu vào Hình ảnh thương hiệu ($\beta = 0.312$) và Giá cả, khuyến mãi ($\beta = 0.278$) vì đây là hai nhân tố tạo ra hơn $50%$ tác động tổng hợp thúc đẩy sinh viên đưa ra quyết định mua hàng.

4. TikTok Shop tích hợp các phương thức thanh toán nào để đảm bảo tính dễ sử dụng?

Hỗ trợ thanh toán khi nhận hàng (COD), ví điện tử liên kết (ZaloPay), thẻ ghi nợ/tín dụng quốc tế (Visa/Mastercard) và cổng Internet Banking trực tiếp.

5. Kết quả phân tích ANOVA cho thấy những biến nhân khẩu học nào tạo ra sự khác biệt?

Nghiên cứu chỉ ra sự khác biệt có ý nghĩa thống kê ($Sig. < 0.05$) đối với nhóm sinh viên theo Tần suất mua sắm hàng tháng và Mức chi tiêu trung bình, trong khi sự khác biệt giữa các nhóm giới tính là không đáng kể.

Kết luận

Nghiên cứu đã hoàn thành toàn diện việc xây dựng và kiểm định mô hình định lượng các yếu tố ảnh hưởng đến quyết định mua hàng thời trang nội địa trên TikTok Shop của sinh viên HUB với mẫu khảo sát $N=203$. Kết quả khẳng định 5 nhóm nhân tố có ý nghĩa thống kê gồm: Hình ảnh thương hiệu ($\beta = 0.312$), Giá cả & Khuyến mãi ($\beta = 0.278$), Tính tương tác ($\beta = 0.215$), Tính dễ sử dụng ($\beta = 0.164$) và Truyền thông & Quảng cáo ($\beta = 0.136$), giải thích $57.3%$ sự biến thiên của hành vi mua. Đề tài mở ra định hướng thực thi rõ ràng giúp các thương hiệu thời trang Việt Nam tận dụng tối đa tiềm năng của nền tảng thương mại xã hội trong kỷ nguyên số hóa.