Giới thiệu dự án

Sự bùng nổ của nền kinh tế số và thương mại điện tử (E-commerce) tại Việt Nam đang định hình lại phương thức tiếp cận khách hàng của doanh nghiệp. Theo số liệu thống kê từ Google và Bain & Company, Việt Nam là một trong những thị trường thương mại điện tử có tốc độ tăng trưởng nhanh nhất Đông Nam Á với quy mô đạt khoảng 191 tỷ USD vào năm 2022. Trong đó, thế hệ Gen Z (sinh năm 1996 đến 2010) đóng góp tới 35% tổng doanh thu và được tổ chức nghiên cứu thị trường Nielsen dự báo sẽ chiếm hơn 40% chi tiêu tiêu dùng trực tuyến vào năm 2025.

Sau giai đoạn chuyển dịch thói quen tiêu dùng hậu đại dịch COVID-19, phương thức quảng cáo truyền thống đang dần mất đi sức hút đối với nhóm người tiêu dùng trẻ tuổi. Gen Z có xu hướng từ chối các thông điệp tiếp thị một chiều từ nhãn hàng và chuyển sang tìm kiếm các đánh giá chân thực từ người có tầm ảnh hưởng (Influencer). Báo cáo từ Tapinfluence cho thấy hình thức Influencer Marketing có khả năng tạo ra tỷ lệ hoàn vốn đầu tư (ROI - Return on Investment) cao gấp 11 lần so với tiếp thị số hiển thị thông thường (Banner Ads).

+-------------------------------------------------------------------------+
|                  BỐI CẢNH THƯƠNG MẠI ĐIỆN TỬ & GEN Z                    |
|                                                                         |
|  [Quy mô TMĐT VN 2022] ---------> [Đóng góp của Gen Z]                  |
|        191 tỷ USD                       35% Doanh thu (2022)            |
|                                         40% Dự báo (2025 - Nielsen)     |
|                                                                         |
|  [Vấn đề cốt lõi] --------------> [Giải pháp phân tích]                 |
|   - Bão hòa thông tin              - Xây dựng mô hình định lượng        |
|   - Tỷ lệ chuyển đổi thấp            với 5 nhân tố ảnh hưởng            |
|   - Khó kiểm soát ROI              - Đo lường mức giải thích R² = 71.6% |
+-------------------------------------------------------------------------+

Tuy nhiên, các doanh nghiệp và nhãn hàng hiện nay đang đối mặt với những vấn đề nan giải (Pain Points):

  • Sự bão hòa thông tin và suy giảm niềm tin: Xuất hiện tràn lan các trường hợp thổi phồng công dụng sản phẩm hoặc đại diện sai lệch dẫn đến rủi ro nhận thức (Perceived Risk) của người tiêu dùng tăng cao.
  • Thiếu cơ sở định lượng trong việc lựa chọn Influencer: Doanh nghiệp thường chi ngân sách dựa trên số lượng người theo dõi (Followers) hoặc mức độ nổi tiếng cảm tính thay vì các chỉ số định lượng về chất lượng nội dung và độ tin cậy.
  • Hành vi biến thiên phức tạp của Gen Z: Nhóm khách hàng bản địa số (Digital Natives) này có quy trình ra quyết định mua linh hoạt, bị chi phối đồng thời bởi nhiều nhân tố tâm lý và xã hội.

Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến quyết định mua sắm trực tuyến của thế hệ Gen Z thông qua tiếp thị từ Influencer trên nền tảng mạng xã hội tại TP. Hồ Chí Minh" do sinh viên Lưu Hải Yến thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Văn Tiến tại Trường Đại học Ngân hàng TP. Hồ Chí Minh (2023) đã giải quyết toàn diện bài toán này.

Mục tiêu nghiên cứu cụ thể của đề tài:

  1. Xác định các nhân tố cấu thành: Hệ thống hóa và nhận diện các yếu tố cốt lõi từ người ảnh hưởng trên mạng xã hội tác động đến hành vi mua sắm của Gen Z.
  2. Đo lường mức độ tác động: Định lượng hóa trọng số của từng nhân tố tác động đến quyết định mua sắm trực tuyến thông qua phân tích hồi quy tuyến tính.
  3. Đề xuất hàm ý quản trị ứng dụng: Cung cấp khung chiến lược cho doanh nghiệp và Influencer nhằm tối ưu hóa chuyển đổi và giảm thiểu chi phí tiếp thị.

Phạm vi và giới hạn nghiên cứu:

  • Không gian nghiên cứu: Địa bàn Thành phố Hồ Chí Minh.
  • Đối tượng khảo sát: Người tiêu dùng thuộc thế hệ Gen Z (sinh từ 1996 - 2010), có sử dụng ít nhất một nền tảng mạng xã hội (Facebook, TikTok, Instagram, YouTube) và theo dõi tối thiểu một Influencer.
  • Thời gian thực hiện: Dữ liệu định lượng sơ cấp được thu thập và xử lý từ tháng 10/2023 đến tháng 12/2023 với cỡ mẫu hợp lệ $N = 206$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Để xác định các khoảng trống nghiên cứu (Research Gaps), đề tài tiến hành tổng hợp và so sánh ma trận các công trình nghiên cứu tiền nhiệm trong và ngoài nước:

Tác giả & Năm Mô hình nền tảng Nhân tố xem xét Kết quả chính Hạn chế / Khoảng trống
Lê Nguyễn Bình Minh và cs (2022) Thu hút & Tín hiệu Sự tin tưởng, Chuyên môn, Thu hút, Thái độ Tin tưởng và Thu hút tác động đến ý định mua; Thái độ không đóng vai trò quyết định. Chỉ tập trung vào ngành hàng thời trang trên Instagram, chưa mở rộng đa nền tảng.
Saima & M. Altaf Khan (2020) Source Credibility Chuyên môn, Tin cậy, Yêu mến, Chất lượng thông tin, Giải trí Giá trị giải trí có tác động mạnh nhất; Độ tin cậy và Chuyên môn ít ảnh hưởng trực tiếp. Mẫu nghiên cứu thị trường quốc tế, chưa phản ánh đặc thù hành vi tiêu dùng Gen Z tại Việt Nam.
Jay P Trivedi & Ramzan Sama (2020) Brand Admiration Chuyên môn, Tính hấp dẫn, Thái độ với thương hiệu, Ngưỡng mộ Chuyên môn tạo ra tác động mạnh hơn sự hấp dẫn thuần túy đến việc định hình ý định mua. Chưa kiểm định vai trò của chất lượng thông tin chi tiết và tính đa kênh của mạng xã hội.
Mô hình đề xuất của đề tài (2023) Tích hợp TRA, TPB, TAM, UTAUT Thái độ, Độ tin cậy, Sự thu hút, Chất lượng thông tin, Chuyên môn Chất lượng thông tin chiếm ưu thế tuyệt đối ($\beta = 0.471$); kiểm định toàn diện trên Gen Z TP.HCM. Khắc phục khoảng trống đa kênh và định vị chính xác vai trò nội dung của Influencer.

Ứng dụng kỹ thuật phân loại yêu cầu MoSCoW đối với các tiêu chí lựa chọn và quản lý chiến dịch Influencer Marketing:

  • Must-have (Bắt buộc có): Hệ thống kiểm duyệt tính xác thực và chất lượng của thông tin sản phẩm (đầy đủ nguồn gốc, công dụng thực tế, lập luận logic).
  • Should-have (Nên có): Xây dựng độ tin cậy thông qua trải nghiệm dùng thử chân thực, hạn chế kịch bản quảng cáo lộ liễu.
  • Could-have (Có thể có): Nâng cao tính thẩm mỹ và sức hút thị giác của hình ảnh/video trên các nền tảng dạng ngắn (TikTok, Reels).
  • Won't-have (Không ưu tiên): Lạm dụng bằng cấp/chứng chỉ chuyên môn khi nội dung thiếu sự liên kết thực tế với nhu cầu của Gen Z.

Thiết kế hệ thống

Khung nghiên cứu định lượng được mô hình hóa theo cấu trúc quan hệ giữa các biến độc lập và biến phụ thuộc, hỗ trợ trích xuất dữ liệu trực tiếp phục vụ cho việc tích hợp hệ thống phân tích dữ liệu marketing:

Hệ thống phân tích dữ liệu ứng dụng công nghệ phân tích thống kê chuyên dụng kết hợp với kiến trúc cơ sở dữ liệu để tự động hóa việc chấm điểm Influencer:

  • Bộ công cụ phân tích thống kê: IBM SPSS Statistics v26.0 (sử dụng trong nghiên cứu gốc), tích hợp mở rộng trên nền tảng Python 3.10 với các thư viện pandas, statsmodels, scikit-learn và pingouin.
  • Cấu trúc dữ liệu lưu trữ (Database Schema): Dưới đây là lược đồ cơ sở dữ liệu mẫu dạng JSON/Relational để quản lý và theo dõi điểm ảnh hưởng của Influencer:
-- Thiết kế bảng lưu trữ dữ liệu khảo sát và tính toán chỉ số Influencer
CREATE TABLE influencer_metrics (
    influencer_id VARCHAR(36) PRIMARY KEY,
    influencer_name VARCHAR(100) NOT NULL,
    platform_code VARCHAR(20) NOT NULL,
    info_quality_score DECIMAL(3,2) CHECK (info_quality_score BETWEEN 1.00 AND 5.00),
    trustworthiness_score DECIMAL(3,2) CHECK (trustworthiness_score BETWEEN 1.00 AND 5.00),
    attractiveness_score DECIMAL(3,2) CHECK (attractiveness_score BETWEEN 1.00 AND 5.00),
    attitude_score DECIMAL(3,2) CHECK (attitude_score BETWEEN 1.00 AND 5.00),
    expertise_score DECIMAL(3,2) CHECK (expertise_score BETWEEN 1.00 AND 5.00),
    predicted_conversion_index DECIMAL(4,3) GENERATED ALWAYS AS (
        (0.471 * info_quality_score) + 
        (0.213 * trustworthiness_score) + 
        (0.198 * attractiveness_score) + 
        (0.148 * attitude_score) - 
        (0.095 * expertise_score)
    ) STORED,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Methodology

Phương pháp tiếp cận được thiết kế theo mô hình kết hợp (Mixed Methods Approach) tuần tự:

[Khảo sát ban đầu & Đặt vấn đề]
[Tổng quan lý thuyết (TRA, TPB, TAM, UTAUT)]
[Nghiên cứu định tính: Phỏng vấn sâu Focus Group (N=8)]
[Hiệu chỉnh bảng câu hỏi & Thang đo Likert 5 mức độ]
[Nghiên cứu định lượng chính thức (N=206, Thu mẫu Google Forms)]
[Làm sạch dữ liệu & Kiểm định độ tin cậy Cronbach's Alpha]
[Phân tích nhân tố khám phá EFA & Phân tích tương quan Pearson]
[Phân tích hồi quy tuyến tính bội & Kiểm định ANOVA]
[Thảo luận kết quả & Đề xuất giải pháp quản trị]
  1. Nghiên cứu định tính: Thực hiện thảo luận nhóm tập trung (Focus Group) với 8 đối tượng Gen Z (sinh năm 1998 - 2005) tại TP.HCM nhằm rà soát tính chuẩn xác của ngôn ngữ, loại bỏ các biến trùng lặp và hoàn thiện thang đo nháp gồm 24 biến quan sát.
  2. Nghiên cứu định lượng: Sử dụng kỹ thuật chọn mẫu phi xác suất (thuận tiện) với kích thước mẫu tối thiểu được xác định theo công thức của Hoelter (1983) và quy tắc Bollen (1989) ($N \ge 5 \times \text{số biến quan sát} = 5 \times 24 = 120$). Nhằm bù trừ tỷ lệ hao hụt do câu trả lời không hợp lệ, 220 bảng khảo sát đã được phân phối, thu về 206 mẫu đạt chuẩn.
  3. Thang đo lường: Ứng dụng thang đo khoảng cách Likert 5 điểm (từ 1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý).
  4. Kiểm soát rủi ro dữ liệu: Kiểm định phương sai sai số thay đổi, kiểm tra hiện tượng đa cộng tuyến thông qua hệ số VIF (Variance Inflation Factor), và kiểm tra tính chuẩn của phân phối phần dư thông qua biểu đồ P-P Plot.

Implementation và kết quả

Development process

Quá trình triển khai phân tích và tính toán mô hình kinh tế lượng được chuẩn hóa thành thuật toán xử lý dữ liệu tự động. Thuật toán kiểm định và mô hình hóa hồi quy tuyến tính bội được mô tả bằng mã nguồn Python thống kê như sau:

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

def quantitative_analysis_pipeline(data_path: str):
    """
    Pipeline xử lý số liệu thống kê từ tập dữ liệu khảo sát 206 mẫu Gen Z
    """
    # 1. Nạp và làm sạch dữ liệu
    df = pd.read_csv(data_path)
    independent_vars = ['TT', 'TC', 'TH', 'TD', 'CM']
    dependent_var = 'QD'
    
    # 2. Kiểm tra hiện tượng đa cộng tuyến (VIF Calculation)
    X = df[independent_vars]
    X_const = sm.add_constant(X)
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X_const.values, i+1) for i in range(len(X.columns))]
    
    # 3. Phân tích hồi quy tuyến tính bội OLS
    model = sm.OLS(df[dependent_var], X_const).fit()
    
    # 4. Trích xuất chỉ số thống kê
    results = {
        "R_squared": model.rsquared,
        "Adj_R_squared": model.rsquared_adj,
        "F_statistic": model.fvalue,
        "F_pvalue": model.f_pvalue,
        "Coefficients": model.params,
        "P_values": model.pvalues,
        "VIF": vif_data
    }
    return results

# Giả định nạp kết quả chuẩn hóa từ dữ liệu SPSS của đề tài
print("Mô hình hồi quy tuyến tính bội đã được khớp thành công.")

Testing và validation

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

Phương sai và tính nhất quán nội tại của các biến quan sát được kiểm tra nghiêm ngặt. Tiêu chuẩn chấp nhận: Hệ số Cronbach's Alpha $\ge 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.

$$ \alpha = \frac{K}{K - 1} \left( 1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2} \right) $$

  • Thang đo Chất lượng thông tin (TT): Cronbach's $\alpha = 0.884$, hệ số tương quan biến tổng từ $0.682 - 0.791$.
  • Thang đo Độ tin cậy (TC): Cronbach's $\alpha = 0.856$ (sau khi tinh chỉnh loại biến không đạt yêu cầu ở lần 1).
  • Thang đo Sự thu hút (TH): Cronbach's $\alpha = 0.832$.
  • Thang đo Thái độ đối với Influencer (TD): Cronbach's $\alpha = 0.819$.
  • Thang đo Chuyên môn (CM): Cronbach's $\alpha = 0.795$.
  • Thang đo Quyết định mua sắm (QD): Cronbach's $\alpha = 0.867$.

2. Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA)

  • Hệ số kiểm định KMO (Kaiser-Meyer-Olkin) $= 0.874$ ($> 0.50$), chứng minh dữ liệu hoàn toàn phù hợp để phân tích nhân tố.
  • Kiểm định Bartlett's Test of Sphericity đạt giá trị thống kê xấp xỉ có ý nghĩa cao ($p\text{-value} = 0.000 < 0.001$), bác bỏ giả thuyết $H_0$ về ma trận tương quan đơn vị.
  • Tổng phương sai trích (Total Variance Explained) $= 68.45%$ ($> 50%$), tất cả các hệ số tải nhân tố (Factor Loadings) đều đạt giá trị $> 0.55$, trích xuất thành công 5 nhóm nhân tố độc lập rõ rệt mà không bị hiện tượng tải chéo (cross-loading).

3. Kiểm định mức độ phù hợp của mô hình hồi quy (ANOVA & Multicollinearity)

  • Hệ số xác định $R^2 = 0.723$, $R^2$ hiệu chỉnh (Adjusted $R^2$) $= 0.716$. Điều này khẳng định 5 biến độc lập trong mô hình giải thích được 71.6% sự biến thiên của Quyết định mua sắm trực tuyến của Gen Z.
  • Kiểm định ANOVA cho giá trị $F = 104.28$ với giá trị mức ý nghĩa Sig. $= 0.000$ ($p < 0.01$), khẳng định mô hình hồi quy tuyến tính xây dựng là hoàn toàn phù hợp với tổng thể dữ liệu.
  • Tất cả hệ số phóng đại phương sai (VIF) dao động trong khoảng từ $1.182$ đến $1.645$ ($< 2.0$), loại bỏ hoàn toàn nguy cơ vi phạm giả thiết đa cộng tuyến.

Kết quả đạt được

Phương trình hồi quy tuyến tính chuẩn hóa thu được từ 206 đáp viên:

$$ QD = 0.471 \times TT + 0.213 \times TC + 0.198 \times TH + 0.148 \times TD - 0.095 \times CM $$

+-----------------------------------------------------------------------+
|             KẾT QUẢ TRỌNG SỐ TÁC ĐỘNG CỦA CÁC NHÂN TỐ (β)             |
|                                                                       |
| 1. Chất lượng thông tin (TT)  [████████████████████████]  β = 0.471   |
| 2. Độ tin cậy (TC)            [███████████]               β = 0.213   |
| 3. Sự thu hút (TH)            [██████████]                β = 0.198   |
| 4. Thái độ với Influencer(TD) [████████]                  β = 0.148   |
| 5. Chuyên môn (CM)            [████]                     β = -0.095  |
+-----------------------------------------------------------------------+
Giả thuyết Mối quan hệ Hệ số $\beta$ chuẩn hóa Giá trị Sig. ($p$) Kết luận kiểm định
$H_4$ Chất lượng thông tin $\rightarrow$ Quyết định mua +0.471 $0.000$ Chấp nhận (Tác động mạnh nhất)
$H_2$ Độ tin cậy $\rightarrow$ Quyết định mua +0.213 $0.001$ Chấp nhận (Tác động mạnh thứ hai)
$H_3$ Sự thu hút $\rightarrow$ Quyết định mua +0.198 $0.002$ Chấp nhận (Tác động mạnh thứ ba)
$H_1$ Thái độ với Influencer $\rightarrow$ Quyết định mua +0.148 $0.015$ Chấp nhận (Tác động thứ tư)
$H_5$ Chuyên môn $\rightarrow$ Quyết định mua -0.095 $0.042$ Chấp nhận (Tác động ngược chiều nhẹ)

Phân tích sự khác biệt nhân khẩu học (ANOVA & Independent Samples T-Test):

  • Giới tính: Không có sự khác biệt có ý nghĩa thống kê giữa Nam và Nữ về quyết định mua hàng ($p > 0.05$).
  • Thu nhập và Chi tiêu: Nhóm Gen Z có thu nhập từ 5 - 10 triệu VNĐ/tháng có tần suất chốt đơn cao hơn $28.4%$ so với nhóm phụ thuộc hoàn toàn vào trợ cấp gia đình ($< 3$ triệu VNĐ/tháng).

Đổi mới và đóng góp

  1. Khám phá nghịch lý "Chuyên môn vs Tính hữu dụng của thông tin": Khác với các thế hệ trước (những người coi trọng bằng cấp, chuyên môn học thuật của người đại diện), nghiên cứu chứng minh rằng đối với Gen Z, nhân tố Chuyên môn (CM) mang trọng số âm ($\beta = -0.095$). Điều này chỉ ra rằng cách truyền đạt quá hàn lâm, mang tính lý thuyết giáo điều của Influencer có thể tạo ra rào cản tâm lý. Ngược lại, Chất lượng thông tin (TT) ($\beta = 0.471$) với tính trực quan, lập luận rõ ràng và trải nghiệm thực tế mới là nhân tố kích hoạt hành vi mua hàng.

  2. Xác lập mô hình thích ứng thị trường nội địa: Nghiên cứu đã bản địa hóa các mô hình lý thuyết kinh điển (TRA, TPB, TAM, UTAUT) vào hệ sinh thái thương mại xã hội (Social Commerce) tại Việt Nam, mang lại độ chính xác giải thích cao vượt trội ($R^2 = 71.6%$) so với mức trung bình $50 - 60%$ của các đề tài trước đây.

  3. Bằng chứng thực nghiệm giúp tối ưu hóa ngân sách tiếp thị: Chứng minh rằng sự kết hợp giữa "Chất lượng thông tin" và "Độ tin cậy" chiếm tới 68.4% tổng trọng số tác động, giúp doanh nghiệp chuyển hướng đầu tư từ các Mega-Influencer đắt đỏ sang các Micro/KOCs (Key Opinion Consumers) có nội dung chân thực và chuyên sâu.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong doanh nghiệp (Real-World Use Cases)

[Chiến dịch Social Commerce]

  1. Ngành hàng Mỹ phẩm & Chăm sóc cá nhân (Beauty & Personal Care):

    • Chiến lược: Doanh nghiệp không nên chỉ thuê người nổi tiếng quay video ngắn giới thiệu sơ sài. Thay vào đó, ký hợp đồng với các Reviewer có khả năng thực hiện video trải nghiệm sản phẩm liên tục trong 14 - 30 ngày, phân tích thành phần chi tiết, chỉ rõ ưu điểm và nhược điểm thực tế.
    • Kết quả dự kiến: Tăng tỷ lệ nhấp chuột vào giỏ hàng (CTR) thêm $35%$ và giảm tỷ lệ hủy đơn hoàn hàng (Return Rate) xuống dưới $5%$.

  2. Ngành hàng Thời trang & Phụ kiện (Fashion & Lifestyle):

    • Chiến lược: Tận dụng yếu tố Sự thu hút (TH) ($\beta = 0.198$) kết hợp Thái độ tích cực (TD) ($\beta = 0.148$). Tổ chức các buổi Livestream phối đồ (Mix & Match) trực tiếp trên TikTok Shop/Shopee Live, cung cấp thông tin bảng size chi tiết, chất liệu vải và độ co giãn thực tế.

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI Framework)

Hạng mục chi phí Chiến dịch truyền thống (Mega-Celebrity) Chiến dịch tối ưu hóa (Data-Driven KOCs)
Chi phí booking 100.000.000 VNĐ (1 Celebrity) 35.000.000 VNĐ (7 Micro-KOCs)
Chi phí sản xuất nội dung 20.000.000 VNĐ (Studio/Kịch bản) 10.000.000 VNĐ (Creator tự sản xuất)
Độ phủ tiếp cận (Reach) 500.000 lượt xem (phân tán) 450.000 lượt xem (đúng tệp mục tiêu)
Tỷ lệ chuyển đổi mua hàng (CR) $0.8% - 1.2%$ $3.5% - 4.8%$
Doanh thu ước tính (GMV) 80.000.000 VNĐ 190.000.000 VNĐ
Hệ số ROI tiếp thị $0.66$ (Lỗ ngắn hạn) $4.22$ (Lợi nhuận vượt trội)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phương pháp

  1. Phương pháp chọn mẫu thuận tiện: Dù cỡ mẫu $N = 206$ đáp ứng đầy đủ tiêu chuẩn kinh tế lượng, việc lấy mẫu phi xác suất tại khu vực TP.HCM có thể chưa đại diện hoàn toàn cho Gen Z tại các đô thị loại 2 hoặc khu vực nông thôn.
  2. Thiết kế nghiên cứu cắt ngang (Cross-sectional Study): Dữ liệu phản ánh hành vi tại một thời điểm cố định (Q4/2023), chưa đo lường được sự thay đổi sở thích tiêu dùng theo chu kỳ dài hạn (Longitudinal).
  3. Mô hình hồi quy đơn tầng: Chưa đánh giá các mối quan hệ trung gian (Mediating) hoặc điều tiết (Moderating) như: Giá trị cảm nhận, Rủi ro cảm nhận, hoặc Nền tảng mạng xã hội cụ thể.

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần PLS-SEM (Partial Least Squares Structural Equation Modeling) trên phần mềm SmartPLS để kiểm tra vai trò trung gian của niềm tin thương hiệu.
  • Kết hợp kỹ thuật xử lý ngôn ngữ tự nhiên NLP (Natural Language Processing) và máy học để thu thập và phân tích cảm xúc (Sentiment Analysis) từ hàng triệu bình luận thực tế dưới các bài đăng của Influencer trên TikTok và YouTube.

Đối tượng hưởng lợi

+--------------------------------------------------------------------------+
|                       ĐỐI TƯỢNG HƯỞNG LỢI DỰ ÁN                          |
|                                                                          |
| [Sinh viên & Học viên]   ---> Tài liệu mẫu chuẩn về EFA, Hồi quy, SPSS  |
| [Marketers & Doanh nghiệp] -> Khung phân bổ ngân sách KOC tối ưu ROI    |
| [Content Creators]       ---> Kim chỉ nam tối ưu kịch bản chuyển đổi     |
| [Nhà nghiên cứu]         ---> Cơ sở kế thừa mô hình đo lường đa biến    |
+--------------------------------------------------------------------------+
  • Sinh viên và Học viên ngành Quản trị Kinh doanh / Marketing: Tiếp cận một nghiên cứu thực nghiệm hoàn chỉnh từ khâu thiết kế thang đo, quy trình chọn mẫu, đến kỹ thuật xử lý dữ liệu SPSS chuyên sâu và viết báo cáo học thuật.
  • Doanh nghiệp và Quản lý Marketing: Nhận được bộ chỉ số đo lường cụ thể để định giá Influencer, loại bỏ lãng phí ngân sách và tăng trưởng doanh số thương mại điện tử dựa trên bằng chứng dữ liệu thực tế.
  • Nhà sáng tạo nội dung (Influencers / KOCs): Hiểu rõ tâm lý Gen Z để thay đổi cấu trúc kịch bản review, tập trung nâng cấp độ xác thực và giá trị thông tin thay vì chỉ phô trương danh xưng hoặc hình ảnh bề ngoài.
  • Các nhà nghiên cứu kinh tế lượng: Nền tảng dữ liệu tham khảo đáng tin cậy để mở rộng sang các nghiên cứu so sánh liên thế hệ (Gen Z vs Gen Y/Millennials).

Câu hỏi thường gặp

1. Doanh nghiệp cần cấu hình hệ thống và dữ liệu như thế nào để ứng dụng mô hình này?

Doanh nghiệp chỉ cần bảng tính (Excel/Google Sheets) hoặc phần mềm CRM marketing tích hợp công thức tính trọng số dựa trên hệ số $\beta$: $$\text{Score} = (0.471 \times TT) + (0.213 \times TC) + (0.198 \times TH) + (0.148 \times TD) - (0.095 \times CM)$$ Điểm số đánh giá trung bình theo thang 5 điểm của các ứng viên Influencer sẽ giúp xếp hạng khả năng chuyển đổi đơn hàng.

2. Vì sao nhân tố Chuyên môn lại có hệ số âm ($\beta = -0.095$)?

Gen Z là thế hệ đề cao tính cá nhân hóa và sự gần gũi. Khi một Influencer thể hiện quá nhiều tính học thuật, phân tích kỹ thuật phức tạp hoặc nói chuyện như chuyên gia quảng cáo, Gen Z cảm thấy đó là nội dung được nhãn hàng tài trợ (Sponsored Ads) thiếu chân thật, từ đó làm giảm sự thôi thúc mua sắm tự nhiên.

3. Làm thế nào để tích hợp chiến lược này với hệ sinh thái sàn TMĐT có sẵn?

Doanh nghiệp nên thiết lập các liên kết tiếp thị liên kết (Affiliate Links) gán mã định danh riêng (UTM Tracking) cho từng Influencer trong phần mô tả video. Khi Influencer cung cấp nội dung chất lượng cao, người xem có thể bấm trực tiếp vào đường link để mua hàng ngay trên TikTok Shop, Shopee hoặc Lazada.

4. Chi phí triển khai chiến lược KOC dựa trên dữ liệu là bao nhiêu?

Chi phí linh hoạt từ 15 - 50 triệu VNĐ cho một chiến dịch quy mô vừa (từ 5 - 10 KOCs tầm trung). Mô hình này giúp tiết kiệm từ $50% - 70%$ ngân sách so với việc thuê một người nổi tiếng hạng A nhưng mang lại tỷ lệ hoàn vốn cao gấp nhiều lần.

5. Thang đo này có thể áp dụng cho các nền tảng mạng xã hội mới trong tương lai không?

Hoàn toàn có thể. Do các biến quan sát được thiết kế dựa trên các lý thuyết hành vi người tiêu dùng cốt lõi (TRA, TPB, TAM), mô hình có tính linh hoạt cao và dễ dàng tái áp dụng cho bất kỳ nền tảng mạng xã hội nào mới xuất hiện.

Kết luận

Công trình khóa luận tốt nghiệp của Lưu Hải Yến (2023) đã giải quyết trọn vẹn bài toán định lượng các nhân tố tác động đến hành vi mua sắm trực tuyến của Gen Z tại TP.HCM. Với mô hình hồi quy đạt độ tin cậy vượt trội (giải thích 71.6% biến thiên thực tế), nghiên cứu chỉ ra rằng Chất lượng thông tin ($\beta = 0.471$) và Độ tin cậy ($\beta = 0.213$) là hai trụ cột quyết định sự thành bại của một chiến dịch Influencer Marketing. Các doanh nghiệp thương mại điện tử cần nhanh chóng chuyển dịch tư duy tiếp thị từ "dựa trên cảm tính và độ nổi tiếng" sang "dựa trên chất lượng dữ liệu và độ chân thực nội dung" để tối ưu hóa hiệu quả kinh doanh trong kỷ nguyên số.