Giới thiệu dự án

Bối cảnh thương mại điện tử (E-commerce) tại Việt Nam chứng kiến sự tăng trưởng vượt bậc với hơn 75% người dùng Internet tham gia mua sắm trực tuyến (theo báo cáo WeAreSocial, 2020). Đặc biệt, khu vực châu Á - Thái Bình Dương duy trì tỷ lệ thâm nhập mua sắm trực tuyến hàng đầu thế giới (Nielsen, 2020). Dưới tác động của các làn sóng dịch bệnh và chính sách giãn cách xã hội (Chỉ thị 16 của Thủ tướng Chính phủ), hành vi tiêu dùng chuyển dịch mạnh mẽ từ kênh phân phối truyền thống (Brick-and-Mortar) sang các nền tảng kỹ thuật số (Digital Channels). Đối với phân khúc thời trang và phụ kiện giày dép trung - cao cấp, việc thấu hiểu các động lực tâm lý học hành vi là điều kiện sống còn để tối ưu hóa tỷ lệ chuyển đổi (Conversion Rate) và giá trị vòng đời khách hàng (Customer Lifetime Value - CLV).

Vấn đề nghiên cứu thực tiễn (Problem Statement)

Thương hiệu ALDO (thành lập từ năm 1972 tại Canada, hiện diện tại hơn 100 quốc gia với hơn 1.800 cửa hàng) thâm nhập thị trường Việt Nam từ năm 2009. Mặc dù sở hữu hệ thống nhận diện thương hiệu mạnh mẽ, ALDO Shoes đối mặt với các điểm nghẽn (pain points) lớn khi triển khai kênh trực tuyến:

  • Khách hàng gặp trở ngại về cảm nhận sản phẩm trực tiếp (chất liệu da, độ vừa vặn của phom giày dép).
  • Mức độ nhạy cảm về giá trong môi trường trực tuyến cạnh tranh gay gắt từ các thương hiệu thời trang nhanh (Fast-fashion).
  • Thiếu các mô hình định lượng chuẩn xác nhằm đo lường mức độ tác động của các yếu tố trải nghiệm (sự thích thú, tiện lợi, niềm tin) đến quyết định mua hàng thực tế.

Mục tiêu nghiên cứu (Project Objectives)

  1. Xác định các yếu tố cốt lõi cấu thành mô hình hành vi tác động đến quyết định mua sắm trực tuyến sản phẩm ALDO Shoes tại thị trường Việt Nam.
  2. Đo lường và định lượng mức độ ảnh hưởng của từng biến độc lập thông qua hệ số hồi quy chuẩn hóa ($\beta$).
  3. Đề xuất hệ thống hàm ý quản trị (Managerial Implications) và kiến trúc giải pháp công nghệ tiếp thị (MarTech) nhằm tối ưu hóa tỷ lệ giữ chân và doanh thu trực tuyến cho ALDO.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Tích hợp Mô hình Chấp nhận Công nghệ (Technology Acceptance Model - TAM, Davis, 1989), Thuyết Hành vi Dự định (Theory of Planned Behavior - TPB, Ajzen, 1991) và Thuyết Hợp nhất về Chấp nhận và Sử dụng Công nghệ (UTAUT/UTAUT2, Venkatesh et al., 2003).
  • Chỉ số kỳ vọng: Xây dựng mô hình hồi quy OLS đạt độ tương thích thống kê cao ($R^2 > 0.50$), độ tin cậy thang đo Cronbach's Alpha $\ge 0.70$, chỉ số trích xuất phương sai EFA $\ge 50%$, giá trị Eigenvalue $> 1.0$.
  • Phạm vi và giới hạn: Khảo sát tập trung vào người tiêu dùng Việt Nam từng tiếp cận hoặc mua sắm trực tuyến sản phẩm ALDO Shoes trong giai đoạn từ tháng 12/2020 đến tháng 03/2021 với quy mô mẫu kiểm định $n = 200$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình tiếp thị trực tuyến hiện tại của các thương hiệu bán lẻ thời trang thường chỉ tập trung vào tối ưu hóa hiển thị sản phẩm hoặc chạy quảng cáo chuyển đổi đơn thuần mà thiếu sự liên kết giữa các nhân tố tâm lý hành vi.

Tiêu chí Mô hình Truyền thống (Catalog/Fanpage) Mô hình E-Commerce Đơn lẻ Mô hình Nghiên cứu Tích hợp (Đề xuất)
Trải nghiệm khách hàng Phản hồi thủ công, độ trễ cao Tự động hóa giỏ hàng cơ bản Cá nhân hóa trải nghiệm giải trí (Hedonic Motivation)
Cơ chế đo lường Lượt tương tác thô (Like/Share) Tỷ lệ nhấp (CTR), Tỷ lệ thoát (Bounce Rate) Đo lường đa biến (Multi-variable Linear Regression)
Quản trị niềm tin Đánh giá chủ quan qua bình luận Đánh giá sao (Rating) Hệ thống bảo chứng hoàn tiền, cam kết bảo mật (STT)
Khả năng mở rộng Rất thấp, phụ thuộc nhân sự trực Trung bình Rất cao, định hướng dữ liệu thực nghiệm (Data-driven)

Phân tích yêu cầu hệ thống quản trị hành vi (MoSCoW Prioritization)

  • Must-have (Bắt buộc): Hệ thống thang đo Likert 5 mức độ chuẩn hóa; thuật toán kiểm định Cronbach’s Alpha và phân tích nhân tố khám phá EFA; kiểm soát hiện tượng đa cộng tuyến (VIF $< 2.0$).
  • Should-have (Cần có): Phân tích phương sai một yếu tố (One-Way ANOVA) để phân khúc nhóm khách hàng theo nhân khẩu học (độ tuổi, giới tính, thu nhập).
  • Could-have (Có thể có): Pipeline xử lý tự động dữ liệu khảo sát từ Google Forms API sang SPSS/Python dataframe.
  • Won't-have (Chưa thực hiện): Phân tích mô hình phương trình cấu trúc tuyến tính (SEM - Structural Equation Modeling) trong phạm vi giai đoạn này.

Thiết kế hệ thống nghiên cứu

Mô hình nghiên cứu lý thuyết bao gồm 6 biến độc lập và 1 biến phụ thuộc với 36 biến quan sát:

$$\text{QDMS} = \beta_0 + \beta_1 \cdot \text{NTTT} + \beta_2 \cdot \text{STL} + \beta_3 \cdot \text{STT} + \beta_4 \cdot \text{GTGC} + \beta_5 \cdot \text{AHXH} + \beta_6 \cdot \text{THI} + \epsilon$$

Technology Stack & Công cụ xử lý

  • Statistical Analytics Engine: IBM SPSS Statistics v20.0 (Core Engine), Microsoft Excel 2019 (Data Sanitization).
  • Validation Pipeline (Replication Script): Python v3.9 với các thư viện chuyên dụng: pandas v1.3.3, statsmodels v0.12.2, factor_analyzer v0.4.0, scikit-learn v0.24.2.
  • Survey Platform: Google Forms Enterprise tích hợp Google Sheets Webhook.

Cấu trúc Schema thang đo dữ liệu (Data Schema Definition)

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "title": "AldoSurveyResponse",
  "type": "object",
  "properties": {
    "respondent_id": { "type": "integer" },
    "demographics": {
      "type": "object",
      "properties": {
        "gender": { "type": "string", "enum": ["Male", "Female"] },
        "age_group": { "type": "string", "enum": ["<18", "18-25", "26-35", ">35"] },
        "monthly_income": { "type": "string", "enum": ["<5M", "5M-10M", "10M-20M", ">20M"] }
      },
      "required": ["gender", "age_group", "monthly_income"]
    },
    "constructs": {
      "type": "object",
      "properties": {
        "STL": { "type": "array", "items": { "type": "integer", "minimum": 1, "maximum": 5 }, "minItems": 6, "maxItems": 6 },
        "NTTT": { "type": "array", "items": { "type": "integer", "minimum": 1, "maximum": 5 }, "minItems": 6, "maxItems": 6 },
        "THI": { "type": "array", "items": { "type": "integer", "minimum": 1, "maximum": 5 }, "minItems": 6, "maxItems": 6 },
        "AHXH": { "type": "array", "items": { "type": "integer", "minimum": 1, "maximum": 5 }, "minItems": 5, "maxItems": 5 },
        "GTGC": { "type": "array", "items": { "type": "integer", "minimum": 1, "maximum": 5 }, "minItems": 5, "maxItems": 5 },
        "STT": { "type": "array", "items": { "type": "integer", "minimum": 1, "maximum": 5 }, "minItems": 5, "maxItems": 5 },
        "QDMS": { "type": "array", "items": { "type": "integer", "minimum": 1, "maximum": 5 }, "minItems": 3, "maxItems": 3 }
      }
    }
  }
}

Phương pháp nghiên cứu (Methodology)

Nghiên cứu ứng dụng quy trình kết hợp tuần tự:

  1. Nghiên cứu định tính: Tổng quan lý thuyết, thảo luận chuyên gia để hiệu chỉnh bảng câu hỏi nháp phù hợp với đặc thù thương mại điện tử ngành giày dép tại Việt Nam.
  2. Nghiên cứu định lượng: Khảo sát phi xác suất thuận tiện (Convenience Sampling) trên tệp khách hàng mua sắm trực tuyến. Cỡ mẫu tối thiểu được xác định theo công thức của Hair et al. (1998):

$$N \ge 5 \times k = 5 \times 36 = 180 \quad (\text{Thực tế thu thập: } n = 200)$$

Implementation và kết quả

Quy trình triển khai xử lý dữ liệu (Statistical Implementation)

Toàn bộ dữ liệu 200 mẫu khảo sát hợp lệ được đưa vào pipeline phân tích theo các thuật toán tiêu chuẩn:

  • Thuật toán tính hệ số Cronbach's Alpha: Đánh giá tính nhất quán nội tại của thang đo:

$$\alpha = \frac{k}{k - 1} \left( 1 - \frac{\sum_{i=1}^{k} \sigma_{y_i}^2}{\sigma_x^2} \right)$$

  • Thuật toán phân tích nhân tố khám phá EFA: Trích xuất nhân tố bằng phương pháp Principal Components Analysis với phép xoay vuông góc Varimax.
# Pipeline phân tích độ tin cậy và hồi quy đa biến (Python Statsmodels Implementation)
import pandas as pd
import numpy as np
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 Cronbach's Alpha cho tập biến quan sát."""
    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))

def run_ols_regression(X: pd.DataFrame, y: pd.Series):
    """Thực thi hồi quy OLS và kiểm tra đa cộng tuyến (VIF)."""
    X_const = sm.add_constant(X)
    model = sm.OLS(y, X_const).fit()
    
    # Tính toán VIF cho từng biến độc lập
    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

Kết quả kiểm định thang đo và độ phù hợp mô hình

1. Kiểm định độ tin cậy Cronbach's Alpha

Tất cả các thang đo đều thỏa mãn điều kiện kiểm định: $\alpha \ge 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$. Các biến rác không đạt tiêu chuẩn đã được loại bỏ qua 2 vòng tinh lọc.

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO and Bartlett's Test: Trị số KMO đạt $0.842 > 0.50$; Kiểm định Bartlett có ý nghĩa thống kê cao ($Sig. = 0.000 < 0.05$).
  • Tổng phương sai trích (Total Variance Explained): Đạt $63.85% > 50%$, chứng minh 6 nhân tố trích xuất giải thích được gần 64% sự biến thiên của tập dữ liệu gốc.
  • Giá trị dừng Eigenvalue: Tất cả 6 nhân tố đều có Eigenvalue $> 1.12 > 1.0$.
  • Hệ số tải nhân tố (Factor Loading): Toàn bộ các biến quan sát giữ lại đều có trọng số tải $> 0.55$.
==============================================================================
                            OLS Regression Results                            
==============================================================================
Dep. Variable:                   QDMS   R-squared:                       0.612
Model:                            OLS   Adj. R-squared:                  0.598
Method:                 Least Squares   F-statistic:                    45.281
No. Observations:                 200   Prob (F-statistic):          2.14e-33
Df Residuals:                     193   Durbin-Watson:                   1.892
==============================================================================
                 coef   std err          t      P>|t|      Beta      VIF
------------------------------------------------------------------------------
const          0.342     0.184      1.859      0.064        --       --
NTTT           0.258     0.052      4.961      0.000     0.266    1.421
STL            0.219     0.049      4.469      0.000     0.223    1.385
STT            0.198     0.048      4.125      0.000     0.203    1.294
GTGC           0.142     0.046      3.087      0.002     0.140    1.312
AHXH           0.131     0.045      2.911      0.004     0.135    1.250
THI            0.108     0.047      2.298      0.022     0.109    1.305
==============================================================================

Đánh giá mức độ tác động của các yếu tố

Kết quả phân tích hồi quy chuẩn hóa cho thấy phương trình hồi quy tuyến tính:

$$\text{QDMS} = 0.266 \cdot \text{NTTT} + 0.223 \cdot \text{STL} + 0.203 \cdot \text{STT} + 0.140 \cdot \text{GTGC} + 0.135 \cdot \text{AHXH} + 0.109 \cdot \text{THI}$$

  1. Nhận thức về sự thích thú (NTTT - $\beta = 0.266$, $p < 0.001$): Đóng vai trò quan trọng nhất. Trải nghiệm giải trí, khám phá mẫu mã mới và cảm giác săn ưu đãi hoàn tiền là động lực lớn nhất thúc đẩy mua hàng.
  2. Sự tiện lợi (STL - $\beta = 0.223$, $p < 0.001$): Đứng thứ hai. Việc đặt hàng mọi lúc mọi nơi, giao tận nơi không lo thời tiết/khói bụi tác động trực tiếp đến quyết định.
  3. Sự tin tưởng (STT - $\beta = 0.203$, $p < 0.001$): Giữ vị trí thứ ba. Uy tín thương hiệu toàn cầu và tính minh bạch trong giao dịch trực tuyến giúp triệt tiêu rủi ro nhận thức.
  4. Giá trị giá cả (GTGC - $\beta = 0.140$, $p = 0.002$): Mức độ tiết kiệm chi phí đi lại và chiết khấu so với giá niêm yết tại cửa hàng offline.
  5. Ảnh hưởng xã hội (AHXH - $\beta = 0.135$, $p = 0.004$): Tác động từ ý kiến người thân, review trên mạng xã hội và KOLs/KOCs.
  6. Tính hữu ích (THI - $\beta = 0.109$, $p = 0.022$): Giao diện website rõ ràng, phân loại sản phẩm logic, hỗ trợ tìm kiếm kích cỡ chuẩn xác.

Đổi mới và đóng góp

Đổi mới về mặt học thuật và mô hình phân tích

  • Tích hợp yếu tố Khoái lạc (Hedonic Shopping Value) vào ngành hàng Giày dép cao cấp: Khác với các nghiên cứu thương mại điện tử đại trà vốn xem Tính hữu ích (Perceived Usefulness) là biến chi phối tuyệt đối (như Davis 1989), nghiên cứu này chứng minh đối với sản phẩm thời trang cao cấp ALDO Shoes, Sự thích thú ($\beta = 0.266$) và Sự tiện lợi ($\beta = 0.223$) có tác động vượt trội so với Tính hữu ích thuần túy ($\beta = 0.109$).
  • Kiểm chứng thực nghiệm trong bối cảnh đặc biệt: Cung cấp dữ liệu định lượng giá trị về hành vi tiêu dùng thời trang trực tuyến tại Việt Nam trong giai đoạn chuyển giao dịch bệnh toàn cầu.

So sánh đối sánh với các công trình nghiên cứu trước

Công trình nghiên cứu Khung lý thuyết gốc Cỡ mẫu ($n$) Nhân tố tác động mạnh nhất So sánh với mô hình ALDO Shoes
Morteza A. Safavi (2006) TPB mở rộng (Iran) $n = 61$ Kiểm soát hành vi & Thái độ Chưa đo lường sâu yếu tố hoàn tiền và trải nghiệm giải trí số.
Hossein Rezaee et al. (2011) Extended TAM $n = 217$ Lòng tin / Sự tin cậy Tương đồng về biến Tin tưởng ($\beta = 0.203$), nhưng ALDO ghi nhận Sự thích thú có trọng số cao hơn.
Grace et al. (2018) UTAUT2 (Malaysia) $n = 180$ Động lực khoái lạc & Thói quen Kết quả tương đồng về vị trí số 1 của động lực khoái lạc/sự thích thú trên ứng dụng di động.
Hà Ngọc Thắng (2016) TPB & Cảm nhận rủi ro $n = 423$ Thái độ & Rủi ro cảm nhận Mô hình ALDO chi tiết hóa rủi ro thành biến "Sự tin tưởng nền tảng" và chính sách bồi hoàn minh bạch.

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy chuẩn hóa, hệ thống giải pháp công nghệ và quản trị bán lẻ đa kênh (Omnichannel) được thiết kế theo lộ trình cụ thể:

Chiến lược triển khai giải pháp quản trị (Actionable Strategies)

Kiến trúc giải pháp MarTech & E-commerce tối ưu hóa

+-----------------------------------------------------------------------------------+
|                           LỚP TRẢI NGHIỆM NGƯỜI DÙNG (UX/UI LAYER)                 |
|  - Web/App Responsive (Nuxt.js / React Native)                                    |
|  - Tính năng 3D/AR View & Size Recommendation Engine (Khắc phục hạn chế thử đồ)  |
|  - Module Gamification: Tích điểm, Săn Voucher Flash-Sale (Tối ưu biến NTTT)     |
+-----------------------------------------------------------------------------------+
+-----------------------------------------------------------------------------------+
|                        LỚP TÍCH HỢP HỆ THỐNG & API (GATEWAY LAYER)                |
|  - Payment Gateways: VNPay, Momo, ShopeePay (Bảo mật SSL 256-bit - Tăng STT)      |
|  - Logistics API: GHTK, GHN, Ahamove (Giao hàng hỏa tốc - Tối ưu STL)             |
|  - Omnichannel CRM & Loyalty: Tích hợp dữ liệu Showroom Offline & Website          |
+-----------------------------------------------------------------------------------+
+-----------------------------------------------------------------------------------+
|                      LỚP QUẢN TRỊ DỮ LIỆU & ĐIỀU HÀNH (CORE DATABASE)             |
|  - ERP/WMS: Đồng bộ tồn kho thời gian thực (Real-time Inventory Sync)             |
|  - Customer Data Platform (CDP): Phân khúc khách hàng theo kết quả ANOVA          |
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (ROI Projection)

  • Chi phí đầu tư công nghệ: Nâng cấp hạ tầng Web/App, tích hợp module Gamification và đồng bộ ERP ước tính khoảng $15.000 - $25.000 USD.
  • Dự báo tăng trưởng:
    • Tăng tỷ lệ chuyển đổi trực tuyến (E-commerce Conversion Rate) từ $1.2%$ lên $2.4%$ (tăng $100%$).
    • Giảm tỷ lệ hoàn hàng do sai kích cỡ xuống dưới $4.5%$ nhờ bộ công cụ hướng dẫn chọn size chuẩn xác.
    • Thời gian hoàn vốn đầu tư (Payback Period): Dự kiến từ $6 - 9$ tháng sau khi triển khai toàn diện.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  1. Phương pháp chọn mẫu: Thu thập theo phương pháp chọn mẫu thuận tiện phi xác suất ($n = 200$) nên tính đại diện cho toàn bộ tệp khách hàng cả nước chưa đạt mức tuyệt đối.
  2. Thiết kế nghiên cứu cắt ngang (Cross-sectional study): Dữ liệu thu thập tại một thời điểm (tháng 12/2020 - 03/2021) chịu tác động nhất định từ các biến động dịch bệnh, chưa phản ánh tính biến thiên dọc (Longitudinal data).
  3. Phạm vi thương hiệu đơn lẻ: Nghiên cứu chỉ tập trung vào thương hiệu ALDO Shoes, chưa mở rộng so sánh chéo đa thương hiệu (như Pedro, Charles & Keith, Vascara).

Hướng phát triển cho các nghiên cứu tiếp theo

  • Ứng dụng mô hình SEM/PLS-SEM: Nâng cấp phân tích cấu trúc tuyến tính để kiểm tra các biến trung gian (Mediating variables) như Sự hài lòng (Customer Satisfaction) và biến điều tiết (Moderating variables) như Giới tính/Thu nhập.
  • Mở rộng cỡ mẫu đa tầng: Mở rộng quy mô khảo sát lên $n \ge 500$ mẫu phân bổ đều theo tỷ lệ dân số tại các đô thị loại 1 (TP.HCM, Hà Nội, Đà Nẵng, Cần Thơ).
  • Ứng dụng AI/Machine Learning: Tích hợp mô hình Random Forest hoặc XGBoost để dự đoán chính xác xác suất rời bỏ (Churn Prediction) của khách hàng trực tuyến.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên Marketing / Hệ thống thông tin: Tiếp cận bộ khung phương pháp luận nghiên cứu định lượng chuẩn mực, từ thiết kế bảng hỏi, mã hóa dữ liệu đến quy trình chạy mô hình OLS trong SPSS.
  • Doanh nghiệp & Giám đốc E-commerce (Aldo Vietnam & các thương hiệu tương đương): Sở hữu bảng trọng số thực nghiệm ($\beta$) để phân bổ ngân sách tiếp thị chính xác: Đầu tư $40%$ ngân sách cho các hoạt động kích hoạt trải nghiệm thích thú (Gamification/Event), $30%$ cho tối ưu tiện ích logistics, $20%$ cho củng cố bảo mật niềm tin, và $10%$ cho truyền thông xã hội.
  • Chuyên viên Dữ liệu & Kỹ sư Phần mềm: Ứng dụng cấu trúc dữ liệu khảo sát và các đoạn mã tự động hóa kiểm định mô hình thống kê vào việc xây dựng Dashboard đo lường sức khỏe thương hiệu thời gian thực.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn kích thước mẫu n = 200?

Theo nguyên tắc kinh nghiệm của Hair et al. (1998) và Bollen (1989), kích thước mẫu tối thiểu cho phân tích nhân tố khám phá (EFA) là gấp 5 lần tổng số biến quan sát ($5 \times k$). Mô hình có 36 biến quan sát, yêu cầu tối thiểu $36 \times 5 = 180$ quan sát. Mẫu $n = 200$ vừa đáp ứng vượt mức chuẩn thống kê, vừa đảm bảo tính khả thi trong thời gian giãn cách xã hội.

2. Sự thích thú (NTTT) tác động mạnh nhất nghĩa là doanh nghiệp nên làm gì cụ thể?

Doanh nghiệp cần biến trang thương mại điện tử từ một "catalog sản phẩm tĩnh" thành một "không gian trải nghiệm số". Cụ thể: triển khai chương trình khách hàng thân thiết đa tầng (Tiered VIP Program), tặng mã hoàn tiền trực tiếp vào ví điện tử khi mở ứng dụng, tổ chức các minigame săn quà tặng độc quyền và ứng dụng hình ảnh 360 độ tương tác cao.

3. Làm thế nào để giải quyết vấn đề khách hàng e ngại mua giày dép online do không vừa size?

Dựa trên hàm ý về Tính hữu ích (THI) và Sự tiện lợi (STL), doanh nghiệp cần tích hợp: (1) Bảng quy đổi kích thước chân chuẩn 3D theo milimet, (2) Chính sách "Đổi size miễn phí tận nhà trong 7 ngày" hoặc hỗ trợ đổi trực tiếp tại mọi showroom ALDO trên toàn quốc.

4. Mô hình có bị ảnh hưởng bởi hiện tượng đa cộng tuyến (Multicollinearity) không?

Không. Kiểm định đa cộng tuyến cho thấy tất cả các biến độc lập đều có hệ số phóng đại phương sai $\text{VIF} < 1.50$ (thấp hơn nhiều so với ngưỡng cảnh báo $\text{VIF} \ge 2.0$ hoặc $10.0$), đồng thời hệ số chấp nhận (Tolerance) đều $> 0.65$, chứng minh các biến độc lập hoàn toàn phân biệt và có giá trị giải thích độc lập.

5. Chi phí triển khai hệ thống quản trị dữ liệu khảo sát này là bao nhiêu?

Nếu sử dụng công cụ mã nguồn mở (Python, Google Forms, Google Looker Studio), chi phí bản quyền là 0 VNĐ. Chi phí phân tích chuyên sâu bằng SPSS Statistics dao động khoảng $1.000 - $2.000 USD/năm hoặc triển khai trọn gói qua các dịch vụ tư vấn nghiên cứu thị trường chuyên nghiệp.

Kết luận

Đồ án tốt nghiệp "Các yếu tố ảnh hưởng đến quyết định mua hàng trực tuyến đối với thương hiệu Aldo Shoes" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra thông qua việc kết hợp chặt chẽ giữa cơ sở lý thuyết hàn lâm và phân tích định lượng thực nghiệm. Nghiên cứu xác định và lượng hóa chính xác 6 nhóm nhân tố tác động đến quyết định mua sắm trực tuyến, trong đó Nhận thức về sự thích thú ($\beta = 0.266$) và Sự tiện lợi ($\beta = 0.223$) giữ vai trò chủ chốt, tiếp sau là Sự tin tưởng ($\beta = 0.203$), Giá trị giá cả ($\beta = 0.140$), Ảnh hưởng xã hội ($\beta = 0.135$) và Tính hữu ích ($\beta = 0.109$).

Các phát hiện này mang lại giá trị thực tiễn cao cho ALDO Shoes Việt Nam nói riêng và các doanh nghiệp bán lẻ thời trang nói chung trong việc tái cấu trúc kênh phân phối số, tối ưu hóa ngân sách tiếp thị và nâng cao năng lực cạnh tranh trong kỷ nguyên số. Các nhà nghiên cứu và doanh nghiệp quan tâm có thể kế thừa mô hình này để mở rộng quy mô phân tích sang các phương pháp thống kê nâng cao như PLS-SEM nhằm tiếp tục khám phá sâu hơn các khía cạnh hành vi tiêu dùng đa kênh.