Giới thiệu dự án

Thương mại điện tử (TMĐT) Việt Nam đang trải qua giai đoạn bùng nổ mạnh mẽ, trở thành một trong những thị trường kỹ thuật số tiềm năng nhất khu vực ASEAN. Theo Báo cáo thị trường TMĐT Quý III/2023, tổng doanh thu của 5 sàn bán lẻ trực tuyến lớn nhất Việt Nam (Shopee, Lazada, Tiki, Sendo, TikTok Shop) đạt 63.000 tỷ đồng (tăng trưởng 54,42% so với cùng kỳ năm 2022), trong đó Shopee dẫn đầu với 43.700 tỷ đồng và TikTok Shop bám đuổi quyết liệt với hơn 10.000 tỷ đồng.

Giữa bối cảnh cạnh tranh khốc liệt, Shein – kỳ lân thời trang nhanh (Fast Fashion) thành lập bởi Chris Xu từ năm 2008 – đã gia nhập thị trường Việt Nam vào năm 2020. Nhờ lợi thế thuật toán trí tuệ nhân tạo (AI) nhận diện xu hướng và chuỗi cung ứng linh hoạt (On-demand supply chain) cho phép bổ sung trung bình 2.000 sản phẩm mới mỗi ngày, Shein nhanh chóng đạt hơn 10 triệu lượt tải xuống tại Việt Nam và trở thành ứng dụng mua sắm được tải nhiều thứ 2 trên App Store trong hai năm liên tiếp (2022–2023).

   Thị trường TMĐT VN (Q3/2023: 63.000 tỷ VND)

Tuy nhiên, đến cuối năm 2023, mức độ tương tác trực tuyến của Shein tại Việt Nam có dấu hiệu chững lại rõ rệt. Đối với phân khúc khách hàng sinh viên tại TP. Thủ Đức – khu vực tập trung hơn 600.000 sinh viên từ các trường đại học, cao đẳng với đặc tính nhạy cảm về giá, chuộng xu hướng nhưng có độ trung thành thấp – việc xác định các rào cản tâm lý và động lực mua sắm là bài toán sống còn. Đề tài "Các yếu tố ảnh hưởng đến quyết định mua sắm trực tuyến trên ứng dụng Shein của sinh viên tại khu vực Thành phố Thủ Đức" được thực hiện nhằm giải quyết khoảng trống nghiên cứu thực nghiệm này.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định các yếu tố cốt lõi chi phối quyết định mua sắm trực tuyến (MSTT) của sinh viên trên nền tảng Shein thông qua mô hình tích hợp UTAUT, TPR và TAM.
  2. Đo lường mức độ tác động định lượng của từng nhân tố đến quyết định tiêu dùng bằng các chỉ số thống kê toán học cụ thể ($R^2$, hệ số hồi quy chuẩn hóa $\beta$, giá trị kiểm định $t$, mức ý nghĩa $p$-value).
  3. Đề xuất hệ thống giải pháp quản trị và công nghệ giúp tối ưu hóa ứng dụng, nâng cao tỷ lệ chuyển đổi (Conversion Rate) và tỷ lệ giữ chân khách hàng (Retention Rate) cho Shein tại thị trường Việt Nam.

Phạm vi nghiên cứu tập trung vào sinh viên các trường đại học, cao đẳng trên địa bàn TP. Thủ Đức đã từng thực hiện giao dịch trên ứng dụng Shein, với dữ liệu sơ cấp được thu thập trong giai đoạn từ tháng 03/2024 đến tháng 04/2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường Việt Nam, sinh viên có nhiều sự lựa chọn khi mua sắm thời trang trực tuyến. Việc so sánh giữa Shein và các nền tảng TMĐT đối thủ giúp xác định rõ ranh giới năng lực cạnh tranh và khoảng trống trải nghiệm người dùng.

Tiêu chí so sánh Shein (Mô hình D2C Cross-border) Shopee (Sàn TMĐT Marketplace) TikTok Shop (Social Commerce / Video)
Tốc độ cập nhật mẫu Cực nhanh (~2.000 mẫu/ngày, chu kỳ 7-10 ngày) Trung bình (phụ thuộc hàng nghìn nhà bán lẻ) Nhanh (phụ thuộc vào xu hướng Creator)
Giá cả & Khuyến mãi Cực rẻ, mã giảm giá sâu theo gói đơn lớn Rẻ, cạnh tranh gay gắt, mã trợ giá ship Rẻ, voucher trực tiếp trên Livestream
Thời gian vận chuyển 7 - 12 ngày (Giao hàng xuyên biên giới từ TQ) 1 - 3 ngày (Kho nội địa phủ rộng) 2 - 4 ngày (Vận chuyển nội địa)
Trải nghiệm tìm kiếm Thuật toán gợi ý hình ảnh, Search Engine tối ưu Phân loại danh mục, tìm kiếm theo từ khóa Thuật toán phân phối video giải trí tích hợp giỏ hàng
Bảo mật & Rủi ro Thanh toán quốc tế, rủi ro sai lệch kích cỡ Đa dạng ví nội địa (ShopeePay, COD), dễ khiếu nại Thanh toán nội địa, rủi ro chốt đơn ảo

Ma trận phân loại yêu cầu người dùng (MoSCoW Framework) đối với ứng dụng mua sắm thời trang sinh viên:

  • Must have (Bắt buộc phải có): Giao diện tiếng Việt chuẩn xác; Hệ thống thanh toán bảo mật chuẩn PCI-DSS/COD; Bảng quy đổi kích cỡ chi tiết theo thể trạng người Việt; Chính sách đổi trả minh bạch.
  • Should have (Nên có): Bộ lọc đa chiều theo mức giá, phong cách, chất liệu; Tính năng theo dõi đơn hàng thời gian thực (Real-time tracking); Đánh giá kèm hình ảnh/video thực tế từ người mua trước.
  • Could have (Có thể có): Công nghệ thử đồ ảo thực tế tăng cường (AR Virtual Fitting Room); Gợi ý phối đồ tự động bằng Generative AI dựa trên lịch sử mua sắm.
  • Won't have this time (Chưa ưu tiên): Tích hợp mạng xã hội nội bộ phức tạp; Dịch vụ giao hàng hỏa tốc trong 2 giờ đối với hàng xuyên biên giới.

Thiết kế hệ thống và mô hình nghiên cứu

Hệ thống nghiên cứu được thiết kế theo cấu trúc phân tầng kết hợp giữa khung lý thuyết kinh tế lượng và hệ sinh thái xử lý dữ liệu định lượng.

Mô hình nghiên cứu đề xuất bao gồm 6 biến độc lập và 1 biến phụ thuộc với tổng cộng 26 biến quan sát: $$\text{QĐ} = \beta_0 + \beta_1 \cdot \text{KV} + \beta_2 \cdot \text{AH} + \beta_3 \cdot \text{TL} + \beta_4 \cdot \text{DD} + \beta_5 \cdot \text{RR} + \beta_6 \cdot \text{NT} + \epsilon$$

Trong đó:

  • $\text{KV}$ (Performance Expectancy - Kỳ vọng về hiệu năng): 4 biến quan sát (KV1 - KV4).
  • $\text{AH}$ (Social Influence - Ảnh hưởng xã hội): 4 biến quan sát (AH1 - AH4).
  • $\text{TL}$ (Convenience - Sự tiện lợi): 4 biến quan sát (TL1 - TL4).
  • $\text{DD}$ (Product Variety - Đa dạng sản phẩm): 3 biến quan sát (DD1 - DD3).
  • $\text{RR}$ (Perceived Risk - Nhận thức rủi ro): 4 biến quan sát (RR1 - RR4).
  • $\text{NT}$ (Trust - Niềm tin): 4 biến quan sát (NT1 - NT4).
  • $\text{QĐ}$ (Purchase Decision - Quyết định mua sắm): 3 biến quan sát (QĐ1 - QĐ3).

Technology Stack phục vụ nghiên cứu và phân tích dữ liệu:

  • Thu thập dữ liệu: Google Forms API kết hợp bảng câu hỏi điện tử định dạng Likert 5 điểm.
  • Xử lý & Làm sạch dữ liệu: Python v3.10 (thư viện pandas, numpy) phục vụ kiểm tra lỗi khuyết thiếu dữ liệu (Missing Values) và giá trị ngoại lai (Outliers).
  • Phân tích kinh tế lượng: IBM SPSS Statistics v26.0 (Cronbach's Alpha, EFA, Multiple Linear Regression, ANOVA, T-Test).

Phương pháp luận (Methodology)

Nghiên cứu áp dụng phương pháp hỗn hợp (Mixed Methodology) qua 2 giai đoạn:

  1. Nghiên cứu định tính: Tổng hợp 9 công trình khoa học trong và ngoài nước (UTAUT của Venkatesh et al., 2003; TPR của Bauer, 1960; nghiên cứu của Clemes et al., 2014; Soni et al., 2019; Hiệp & Đạt, 2020), kết hợp tham vấn chuyên gia để điều chỉnh thang đo phù hợp với văn hóa mua sắm của sinh viên TP. Thủ Đức.
  2. Nghiên cứu định lượng: Sử dụng công thức tính cỡ mẫu đại diện:
    • Theo tiêu chuẩn phân tích EFA của Hair et al. (2014): $N \ge 5 \times m = 5 \times 26 = 130$ quan sát.
    • Theo tiêu chuẩn phân tích hồi quy của Green (1991): $N \ge 50 + 8 \times m = 50 + 8 \times 6 = 98$ quan sát.
    • Mẫu thực tế thu thập: 251 phản hồi; sau sàng lọc dữ liệu hợp lệ đạt $N = 247$ quan sát (đáp ứng tỷ lệ tối ưu ~9,5 quan sát/biến).
   Timeline triển khai dự án (10 tuần):
   [Tuần 1-2] Tổng quan tài liệu & Thiết kế khung lý thuyết
   [Tuần 3-4] Thử nghiệm thang đo định tính & Thiết kế Google Forms
   [Tuần 5-6] Thu thập dữ liệu diện rộng tại TP. Thủ Đức (N=251)
   [Tuần 7-8] Làm sạch dữ liệu, phân tích SPSS (Alpha, EFA, Hồi quy)
   [Tuần 9-10] Kiểm định tham số ANOVA/T-Test & Đề xuất Hàm ý Quản trị

Implementation và kết quả

Quy trình phân tích thực nghiệm

Toàn bộ 247 mẫu khảo sát hợp lệ được mã hóa và đưa vào đường ống phân tích thống kê tự động thông qua cú pháp SPSS Syntax và Python Script.

import numpy as np
import pandas as pd

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy 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]
    if total_var == 0 or k <= 1:
        return 0.0
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

# Ví dụ kiểm tra độ tin cậy nội tại cho thang đo Nhận thức rủi ro (RR1 - RR4)
# Dữ liệu khảo sát N=247 được tải từ file CSV đã làm sạch
df = pd.read_csv("shein_survey_processed.csv")
rr_items = df[["RR1", "RR2", "RR3", "RR4"]]
alpha_rr = calculate_cronbach_alpha(rr_items)
print(f"Hệ số Cronbach's Alpha thang đo RR: {alpha_rr:.3f}")

* SPSS Syntax: Phan tich Do tin cay Cronbach Alpha va EFA.
RELIABILITY
  /VARIABLES=KV1 KV2 KV3 KV4
  /SCALE('Ky vong ve Hieu nang') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE
  /SUMMARY=TOTAL.

FACTOR
  /VARIABLES KV1 KV2 KV3 KV4 AH1 AH2 AH3 AH4 TL1 TL2 TL3 TL4 DD1 DD2 DD3 RR1 RR2 RR3 RR4 NT1 NT2 NT3 NT4
  /MISSING LISTWISE 
  /ANALYSIS KV1 KV2 KV3 KV4 AH1 AH2 AH3 AH4 TL1 TL2 TL3 TL4 DD1 DD2 DD3 RR1 RR2 RR3 RR4 NT1 NT2 NT3 NT4
  /PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PC
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

Kiểm định và đánh giá mô hình

Quy trình kiểm định thực nghiệm trải qua 4 bước kiểm tra nghiêm ngặt với các tiêu chuẩn kinh tế lượng:

   1. Cronbach's Alpha (α >= 0.6; Corrected Item-Total Correlation >= 0.3)
  1. Độ tin cậy thang đo (Cronbach's Alpha): Tất cả các thang đo đều có hệ số $\alpha > 0.70$ và không có biến quan sát nào có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) nhỏ hơn 0.30. Thang đo đạt độ tin cậy cao để tiến hành phân tích tiếp theo.
  2. Phân tích nhân tố khám phá (EFA):
    • Biến độc lập: Chỉ số $KMO = 0.842$ ($0.5 \le KMO \le 1.0$), kiểm định Bartlett có giá trị thống kê $Sig. = 0.000 < 0.05$, chứng minh các biến quan sát có tương quan chặt chẽ. Phép trích Principal Components với phép xoay Varimax đã trích xuất 6 nhân tố với giá trị $Eigenvalue > 1$, tổng phương sai trích đạt $63.85% > 50%$. Toàn bộ hệ số tải nhân tố (Factor Loading) đều đạt chuẩn $> 0.50$.
    • Biến phụ thuộc: Thang đo Quyết định mua sắm ($\text{QĐ}$) trích xuất 1 nhân tố duy nhất với tổng phương sai trích $> 60%$, $KMO > 0.60$.
  3. Phân tích tương quan Pearson: Tất cả các biến độc lập đều có tương quan tuyến tính có ý nghĩa thống kê với biến phụ thuộc ($p < 0.05$). Hệ số tương quan giữa các biến độc lập không vượt quá 0.70, loại trừ khả năng đa cộng tuyến nghiêm trọng.
Biến nghiên cứu Ký hiệu Số biến quan sát Cronbach's Alpha KMO / Factor Loading Tác động giả thuyết Kết luận kiểm định
Kỳ vọng hiệu năng $\text{KV}$ 4 0.832 0.621 - 0.784 $(+) \rightarrow \text{QĐ}$ Chấp nhận $H_1$ ($p < 0.01$)
Ảnh hưởng xã hội $\text{AH}$ 4 0.789 0.598 - 0.742 $(+) \rightarrow \text{QĐ}$ Chấp nhận $H_2$ ($p < 0.05$)
Sự tiện lợi $\text{TL}$ 4 0.815 0.645 - 0.791 $(+) \rightarrow \text{QĐ}$ Chấp nhận $H_3$ ($p < 0.01$)
Đa dạng sản phẩm $\text{DD}$ 3 0.764 0.612 - 0.755 $(+) \rightarrow \text{QĐ}$ Chấp nhận $H_4$ ($p < 0.05$)
Nhận thức rủi ro $\text{RR}$ 4 0.847 0.680 - 0.812 $(-) \rightarrow \text{QĐ}$ Chấp nhận $H_5$ ($p < 0.01$)
Niềm tin $\text{NT}$ 4 0.826 0.634 - 0.776 $(+) \rightarrow \text{QĐ}$ Chấp nhận $H_6$ ($p < 0.01$)

Kết quả phân tích hồi quy tuyến tính

Kết quả hồi quy đa biến cho thấy mô hình có hệ số $R^2 = 0.568$ và $R^2 \text{ hiệu chỉnh} = 0.554$, nghĩa là $55.4%$ sự biến thiên trong quyết định mua sắm trên ứng dụng Shein của sinh viên tại TP. Thủ Đức được giải thích bởi 6 nhân tố trong mô hình. Kiểm định $F$ trong bảng ANOVA đạt giá trị $F = 41.28$ ($Sig. = 0.000 < 0.001$), khẳng định mô hình hồi quy hoàn toàn phù hợp với tập dữ liệu thực tế.

Hệ số phóng đại phương sai $VIF$ của tất cả các biến độc lập đều nằm trong khoảng $1.15 - 1.62 < 2.0$, xác nhận không xảy ra hiện tượng đa cộng tuyến. Hệ số Durbin-Watson đạt $1.892$ (nằm trong ngưỡng $1.5 \le d \le 2.5$), chứng minh phần dư không vi phạm giả định tự tương quan bậc nhất.

Phương trình hồi quy chuẩn hóa: $$\text{QĐ} = 0.285 \cdot \text{KV} + 0.241 \cdot \text{TL} + 0.218 \cdot \text{NT} + 0.176 \cdot \text{AH} + 0.142 \cdot \text{DD} - 0.123 \cdot \text{RR}$$

   Trọng số tác động chuẩn hóa (Beta):
   [+] Kỳ vọng hiệu năng (KV):  ████████████████████ 0.285 (Tác động mạnh nhất)
   [+] Sự tiện lợi (TL):         █████████████████ 0.241
   [+] Niềm tin (NT):            ███████████████ 0.218
   [+] Ảnh hưởng xã hội (AH):   ████████████ 0.176
   [+] Đa dạng sản phẩm (DD):    ██████████ 0.142
   [-] Nhận thức rủi ro (RR):   -████████ -0.123 (Rào cản cản trở)

Kết quả phân tích phương sai sâu (Post-Hoc Tests):

  • Kiểm định giới tính (Independent Samples T-Test): Tỷ lệ mẫu gồm $78.9%$ nữ ($n=195$) và $21.4%$ nam ($n=52$). Kiểm định Levene có $Sig. > 0.05$ và $t$-test có $Sig. = 0.024 < 0.05$, cho thấy sinh viên nữ có xu hướng ra quyết định mua hàng trên Shein cao hơn sinh viên nam một cách có ý nghĩa thống kê.
  • Kiểm định mức chi tiêu và tần suất (One-Way ANOVA): Nhóm sinh viên có mức chi tiêu từ 1 - 3 triệu VND/tháng ($42.1%$) và tần suất mua sắm từ 3 - 10 đơn/tháng ($47.0%$) có điểm đánh giá quyết định mua sắm trung bình cao nhất ($Mean = 3.92/5.00$).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng:

  1. Tích hợp khung lý thuyết liên ngành: Đề tài đã mở rộng thành công mô hình UTAUT của Venkatesh et al. (2003) bằng cách kết hợp với Thuyết nhận thức rủi ro (TPR - Bauer, 1960) và Thuyết chấp nhận công nghệ (TAM - Davis, 1989), tạo nên bộ thang đo chuẩn hóa 26 biến quan sát đặc thù cho mảng TMĐT thời trang di động xuyên biên giới.
  2. Bổ sung bằng chứng thực nghiệm tại thị trường ngách: Cung cấp bộ dữ liệu vi mô định lượng gồm 247 mẫu sinh viên tại đô thị tri thức trẻ (TP. Thủ Đức), nơi có hành vi số hóa cực cao nhưng lại chịu ràng buộc tài chính nghiêm ngặt.
  3. So sánh với các nghiên cứu tiền nhiệm:
Nghiên cứu Bối cảnh & Phương pháp Nhân tố tác động mạnh nhất Khác biệt so với nghiên cứu này
Clemes et al. (2014) Người tiêu dùng Bắc Kinh, Trung Quốc (Hồi quy Binary Logistic) Sự tiện lợi & Ảnh hưởng xã hội Đề tài Shein Thủ Đức chỉ ra Kỳ vọng hiệu năng ($\beta=0.285$) vượt trội hơn Sự tiện lợi.
Hiệp & Đạt (2020) Mua sắm trực tuyến TP.HCM (Mô hình TPR, Hồi quy bội) Rủi ro sản phẩm & Gian lận người bán Nghiên cứu Shein phân rã thêm rủi ro vận chuyển quốc tế và bảo mật thanh toán xuyên biên giới.
Huyền et al. (2023) Mua hàng qua TikTok Live tại TP.HCM (Hồi quy đa biến) Khuyến mãi & Sự tin cậy Nghiên cứu Shein bổ sung nhân tố Đa dạng sản phẩm ($\beta=0.142$) từ kho hàng 2.000 SKU/ngày.

Ứng dụng thực tế và triển khai

Dựa trên trọng số tác động chuẩn hóa của các biến trong phương trình hồi quy, hệ thống giải pháp vận hành và công nghệ được thiết lập theo lộ trình triển khai chi tiết:

Các kịch bản triển khai trọng điểm

  1. Tối ưu Kỳ vọng hiệu năng ($\beta = 0.285$) & Sự tiện lợi ($\beta = 0.241$):
    • Nâng cấp công cụ tìm kiếm hình ảnh (AI Visual Search) trên ứng dụng, cho phép sinh viên chụp ảnh trang phục ngoài đời thực và tìm thấy sản phẩm tương đương trên Shein trong vòng 1,2 giây.
    • Ứng dụng công nghệ đề xuất kích cỡ thông minh (Size Recommendation Engine) dựa trên dữ liệu chiều cao, cân nặng và lịch sử mua sắm, giảm tỷ lệ đổi trả hàng do sai kích cỡ xuống dưới $5%$.
  2. Xây dựng Niềm tin ($\beta = 0.218$) & Triệt tiêu Nhận thức rủi ro ($\beta = -0.123$):
    • Thiết lập trung tâm hoàn hàng nội địa (Local Return Hub) tại khu vực TP.HCM / TP. Thủ Đức để rút ngắn thời gian xử lý khiếu nại, hoàn tiền từ 14 ngày xuống còn 48 giờ.
    • Bổ sung tùy chọn thanh toán khi nhận hàng (COD) linh hoạt và liên kết trực tiếp với các ví điện tử phổ biến của sinh viên Việt Nam (MoMo, ZaloPay, ShopeePay), đạt chuẩn bảo mật 3D-Secure.
  3. Khai thác Ảnh hưởng xã hội ($\beta = 0.176$) & Đa dạng sản phẩm ($\beta = 0.142$):
    • Đẩy mạnh chương trình "Shein Campus Ambassador" tại các trường đại học thuộc ĐHQG TP.HCM, kết hợp phân phối mã giảm giá độc quyền cho sinh viên qua thẻ sinh viên số.
    • Tối ưu hóa phân loại danh mục theo các phong cách thời trang thịnh hành (Y2K, Minimalist, Streetwear) với mức giá phân tầng từ dưới 100.000 VND đến 300.000 VND.

Hạn chế và hướng phát triển

Dù đạt được kết quả nghiên cứu có ý nghĩa thống kê cao, đề tài vẫn tồn tại một số hạn chế học thuật:

  • Giới hạn không gian mẫu: Kích thước mẫu $N = 247$ tập trung tại TP. Thủ Đức theo phương pháp chọn mẫu thuận tiện phi xác suất (Convenience Sampling), chưa bao quát toàn diện sinh viên tại các đô thị khác như Hà Nội, Đà Nẵng, Cần Thơ.
  • Giới hạn mô hình tuyến tính: Nghiên cứu sử dụng hồi quy tuyến tính OLS thông qua SPSS, chưa kiểm tra được các mối quan hệ cấu trúc phi tuyến tính phức tạp hoặc vai trò trung gian (Mediating Role) của biến Niềm tin và Thái độ.
  • Biến động ngoại cảnh: Chưa đo lường tác động của các chính sách thuế quan TMĐT xuyên biên giới mới và các biến số kinh tế vĩ mô (lạm phát, biến động chi tiêu).

Hướng nghiên cứu tiếp theo:

  1. Mở rộng cỡ mẫu lên $N \ge 1.000$ áp dụng phương pháp chọn mẫu phân tầng (Stratified Sampling) trên phạm vi toàn quốc.
  2. Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) thông qua SmartPLS 4.0 để phân tích sâu hơn các biến trung gian và biến điều tiết (Moderator).

Đối tượng hưởng lợi

  • Sinh viên và Người tiêu dùng trẻ: Nắm bắt được các tiêu chí đánh giá an toàn khi giao dịch trực tuyến xuyên biên giới; biết cách tận dụng các chính sách bảo vệ người mua và công cụ đo lường kích cỡ để tối ưu chi phí.
  • Doanh nghiệp bán lẻ và Sàn TMĐT (Shein, Shopee, TikTok Shop): Nhận được bức tranh dữ liệu thực nghiệm về độ nhạy cảm của khách hàng trẻ; từ đó điều chỉnh chính sách giá, chuỗi cung ứng logistics nội địa hóa và chiến lược Influencer Marketing.
  • Kỹ sư phần mềm & Quản lý sản phẩm (Product Managers): Có cơ sở định lượng để ưu tiên các tính năng kỹ thuật cốt lõi (tối ưu hóa độ trễ ứng dụng, tích hợp thanh toán nội địa, AI Visual Search) trong backlog phát triển.
  • Giảng viên và Sinh viên nghiên cứu khoa học: Sở hữu tài liệu tham khảo hoàn chỉnh về quy trình nghiên cứu ứng dụng kết hợp lý thuyết UTAUT/TPR với các bước xử lý SPSS chuẩn mực.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công nghệ để triển khai hệ sinh thái ứng dụng mua sắm như Shein là gì?

Hệ thống đòi hỏi kiến trúc Microservices chịu tải cao (High Concurrency), cơ sở dữ liệu phân tán (Distributed DB), hệ thống gợi ý sản phẩm thời gian thực (Real-time Recommendation Engine) dựa trên Machine Learning, và cổng thanh toán quốc tế tuân thủ tiêu chuẩn bảo mật dữ liệu thẻ thanh toán PCI-DSS Level 1.

2. Giới hạn mở rộng (Scalability) của mô hình logistics xuyên biên giới và giải pháp khắc phục?

Rào cản lớn nhất là thời gian thông quan và chi phí chặng cuối (Last-mile delivery). Giải pháp tối ưu là thiết lập mô hình kho ngoại quan (Bonded Warehouse) tại các vùng kinh tế trọng điểm kết hợp ký kết thỏa thuận dịch vụ (SLA) cam kết thời gian giao hàng dưới 5 ngày với các đơn vị vận chuyển nội địa.

3. Làm thế nào để giải quyết mâu thuẫn giữa tính năng đa dạng sản phẩm và trải nghiệm tìm kiếm của người dùng?

Khi số lượng SKU vượt quá hàng triệu sản phẩm, ứng dụng phải tối ưu hóa công cụ tìm kiếm ElasticSearch, xây dựng bộ lọc đa tầng thông minh (Faceted Search) và thuật toán cá nhân hóa giao diện trang chủ theo sở thích từng cá nhân nhằm tránh tình trạng quá tải thông tin (Information Overload).

4. Tại sao Kỳ vọng hiệu năng lại có trọng số tác động cao hơn Đa dạng sản phẩm trong nghiên cứu này?

Đối với sinh viên, dù mẫu mã phong phú nhưng nếu ứng dụng chạy chậm, không hiển thị đúng thông tin giá ưu đãi hoặc không giúp họ tiết kiệm thời gian tìm kiếm món đồ phù hợp, họ sẽ nhanh chóng rời bỏ nền tảng để chuyển sang các đối thủ cạnh tranh có trải nghiệm mượt mà hơn.

5. Chi phí đầu tư cải thiện trải nghiệm người dùng và thời gian hoàn vốn (ROI) dự kiến?

Việc tích hợp cổng thanh toán nội địa và trung tâm hoàn hàng cục bộ ước tính cần ngân sách ban đầu khoảng 50.000 - 100.000 USD. Với mức tăng trưởng chuyển đổi kỳ vọng $15 - 20%$ trên phân khúc khách hàng Gen Z, thời gian hoàn vốn đầu tư dự kiến đạt từ 6 đến 9 tháng.

Kết luận

Nghiên cứu "Các yếu tố ảnh hưởng đến quyết định mua sắm trực tuyến trên ứng dụng Shein của sinh viên tại khu vực Thành phố Thủ Đức" đã hoàn thành toàn diện các mục tiêu học thuật và thực tiễn đề ra. Bằng phương pháp kinh tế lượng chặt chẽ trên mẫu $N = 247$, đề tài đã chứng minh rằng quyết định tiêu dùng thời trang của giới trẻ chịu sự chi phối mạnh mẽ nhất bởi Kỳ vọng hiệu năng ($\beta = 0.285$), Sự tiện lợi ($\beta = 0.241$), và Niềm tin ($\beta = 0.218$), trong khi Nhận thức rủi ro ($\beta = -0.123$) là rào cản tiêu cực cần triệt tiêu.

Mô hình nghiên cứu giải thích được $55.4%$ phương sai quyết định mua sắm, cung cấp nền tảng khoa học vững chắc cho Shein và các nền tảng thương mại điện tử trong việc hoạch định chiến lược công nghệ, hoàn thiện chuỗi cung ứng và định vị thương hiệu bền vững tại thị trường Việt Nam.