Giới thiệu dự án

Sự bùng nổ của hạ tầng Internet băng thông rộng và làn sóng chuyển đổi số toàn cầu đã tái định hình hành vi tiêu dùng, mở đường cho sự phát triển vượt bậc của thị trường sản phẩm số (digital products) — các mặt hàng vô hình được sản xuất, phân phối và tiêu thụ hoàn toàn trên môi trường mạng như phần mềm SaaS, ứng dụng AI, sách điện tử (E-book), tài nguyên đồ họa và khóa học trực tuyến. Theo báo cáo từ Precedence Research (2023), quy mô thị trường thương mại sản phẩm kỹ thuật số toàn cầu đạt mức định giá 19,43 nghìn tỷ USD vào năm 2032 với tỷ lệ tăng trưởng kép hàng năm (CAGR) là 15,8% giai đoạn 2023–2032. Tại Việt Nam, dữ liệu từ Simon Kemp (2024) chỉ ra có hơn 72,55 triệu người dùng Internet từ 18 tuổi trở lên (chiếm 99,2% dân số trưởng thành), với thời lượng trực tuyến trung bình của giới trẻ đạt 7 giờ/ngày (Bộ Thông tin và Truyền thông, 2019).

Tuy nhiên, các doanh nghiệp kinh doanh sản phẩm số đang đối mặt với bài toán nan giải: tỷ lệ chuyển đổi từ người dùng miễn phí sang khách hàng trả phí còn rất thấp, đặc biệt tại phân khúc sinh viên và người trẻ Gen Z – tệp khách hàng am hiểu công nghệ nhưng có rào cản tâm lý lớn về giá trị cảm nhận, tính vô hình của sản phẩm số và thói quen sử dụng tài nguyên miễn phí/bản quyền lậu.

Đề tài nghiên cứu ứng dụng: "Các nhân tố ảnh hưởng đến quyết định mua sản phẩm số của sinh viên Trường Đại học Ngân hàng TP. Hồ Chí Minh" (Mã ngành Quản trị Kinh doanh: 7 34 01 01) do sinh viên Tăng Kim Lợi thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Trọng Hưng được xây dựng nhằm giải quyết triệt để bài toán thực nghiệm này.

Mục tiêu nghiên cứu cụ thể

  1. Mục tiêu 1: Xác định và lượng hóa hệ thống các nhân tố cấu thành ảnh hưởng đến quyết định mua sản phẩm số của sinh viên Đại học Ngân hàng TP.HCM (HUB).
  2. Mục tiêu 2: Đo lường mức độ tác động tương đối của từng biến số thông qua kiểm định độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá (EFA) và mô hình hồi quy tuyến tính bội (Multiple OLS Regression).
  3. Mục tiêu 3: Xây dựng hệ thống hàm ý quản trị, tối ưu hóa chính sách định giá, kiểm soát chất lượng và trải nghiệm dùng thử cho các doanh nghiệp EdTech, phần mềm và nội dung số.

Phạm vi và giới hạn nghiên cứu

  • Khách thể nghiên cứu: Sinh viên đang theo học tại Trường Đại học Ngân hàng TP.HCM đã có hành vi/kinh nghiệm giao dịch sản phẩm số.
  • Không gian và thời gian: Khảo sát thực địa và trực tuyến thực hiện từ tháng 01/2024 đến tháng 03/2024.
  • Giới hạn kỹ thuật: Phương pháp chọn mẫu thuận tiện phi xác suất ($N = 188$ quan sát hợp lệ sau sàng lọc), tập trung vào các sản phẩm số phổ biến (AI Tools, E-books, templates đồ họa, SaaS học tập).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi tiêu dùng số truyền thống thường ứng dụng đơn lẻ Mô hình Chấp nhận Công nghệ (TAM) hoặc Thuyết Hành vi Kế hoạch (TPB). Tuy nhiên, các khung lý thuyết này bộc lộ nhiều điểm hạn chế khi phân tích các tài sản số vô hình có thuộc tính trải nghiệm và khoái lạc cao.

Tiêu chí so sánh Mô hình TAM / UTAUT2 Thuyết Giá trị Tiêu thụ (CVT) Mô hình đề xuất (IDT + CVT)
Góc độ tiếp cận Tính dễ sử dụng và hữu ích công nghệ Giá trị đa chiều (chức năng, cảm xúc, xã hội) Tích hợp giá trị nhận thức và thuộc tính đổi mới
Độ nhạy sản phẩm số Trung bình (thiên về chấp nhận hệ thống) Cao (nhấn mạnh động cơ hưởng thụ) Rất cao (đo lường trực tiếp tính dùng thử và chất lượng)
Khả năng giải thích $40% - 52%$ $48% - 58%$ $64,59%$ (Tổng phương sai trích EFA)
Tính ứng dụng kinh doanh Tập trung vào giao diện/tính năng Định vị thương hiệu cảm xúc Tối ưu phễu chuyển đổi: Trial $\rightarrow$ Quality $\rightarrow$ Purchase

Ma trận ưu tiên yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must-have: Kiểm định tính hội tụ và phân biệt của 4 thang đo độc lập: Cảm nhận về giá ($PU$), Chất lượng sản phẩm ($CL$), Giá trị cảm xúc ($CX$), Khả năng thử nghiệm ($TN$) tác động lên Quyết định mua ($QĐ$).
  • Should-have: Mô hình hóa phương trình hồi quy tuyến tính với kiểm định hiện tượng đa cộng tuyến (VIF), tự tương quan (Durbin-Watson) và phân phối chuẩn phần dư.
  • Could-have: Phân tích ANOVA so sánh sự khác biệt theo năm học, giới tính và chuyên ngành đào tạo.
  • Won't-have: Kiểm định cấu trúc đa cấp bậc SEM-PLS (dành cho giai đoạn nghiên cứu mở rộng tiếp theo).

Thiết kế hệ thống

Quy trình xử lý dữ liệu và cấu trúc giải pháp phân tích định lượng được thiết kế chuẩn hóa theo quy trình khoa học dữ liệu:

graph TD
    A["Thu thập dữ liệu thô (Google Forms API / N=205)"] --> B["Tiền xử lý & Sàng lọc (Loại 17 mẫu lỗi/không trung thực)"]
    B --> C["Tập dữ liệu sạch (N=188)"]
    C --> D["Kiểm định độ tin cậy thang đo (Cronbach's Alpha >= 0.6)"]
    D --> E["Phân tích nhân tố khám phá (EFA - Principal Axis Factoring & Varimax)"]
    E --> F["Phân tích tương quan Pearson (Đánh giá liên hệ tuyến tính)"]
    F --> G["Mô hình hồi quy đa biến OLS (Ước lượng tham số Beta)"]
    G --> H["Kiểm định giả định mô hình (VIF < 2, Durbin-Watson, Histogram)"]
    H --> I["Trích xuất hàm ý quản trị & Khuyến nghị kinh doanh"]

Ngăn xếp công nghệ và công cụ phân tích (Tech Stack)

  • Công cụ thống kê chính: IBM SPSS Statistics Version 27.0 (Core Engine cho phân tích EFA và hồi quy OLS).
  • Ngôn ngữ bổ trợ & Pipeline: Python v3.11 với các thư viện: pandas v2.1.0 (xử lý dữ liệu bảng), statsmodels v0.14.0 (mô hình hóa kinh tế lượng), factor_analyzer v0.5.0 (EFA matrix computation), matplotlib & seaborn (trực quan hóa phân phối phần dư).
  • Thu thập dữ liệu: Google Forms tích hợp Google Sheets API và các câu hỏi gạn lọc logic (Boolean Validation Gate).

Từ điển dữ liệu biến số (Data Schema)

Mô hình kế thừa và hiệu chỉnh từ các thang đo chuẩn quốc tế (Sweeney & Soutar, 2001; Kim et al., 2011; Rogers, 1995; Wang et al., 2013), mã hóa trên thang đo Likert 5 mức độ (1 = Hoàn toàn không đồng ý $\rightarrow$ 5 = Hoàn toàn đồng ý):

Schema: Quantitative Research Survey (N=188)

Phương pháp luận (Methodology)

Nghiên cứu kết hợp hai giai đoạn:

  1. Nghiên cứu định tính sơ bộ: Thảo luận nhóm tập trung ($N = 5$ sinh viên chuyên gia) kết hợp tham vấn chuyên gia ($1$ Tiến sĩ hướng dẫn) nhằm việt hóa, tinh chỉnh ngữ nghĩa 21 biến quan sát gốc từ các tài liệu tiếng Anh, bảo đảm tính giá trị nội dung (content validity).
  2. Nghiên cứu định lượng chính thức: Thu thập dữ liệu diện rộng qua khảo sát số, áp dụng công thức cỡ mẫu tối thiểu theo Tabachnick & Fidell (1996): $n \ge 50 + 8p = 50 + 8(4) = 82$ mẫu, và quy tắc Hair et al. (2006): $n \ge 5 \times 21 = 105$ mẫu. Mẫu thu thập thực tế $N = 188$ vượt xa ngưỡng chuẩn, đảm bảo năng lực kiểm định thống kê (Statistical Power $> 0.95$).

Triển khai thực nghiệm và Kết quả

Quy trình phát triển và Thuật toán phân tích

Hệ thống mã nguồn phân tích dữ liệu thực nghiệm được hiện thực hóa bằng kịch bản Python tương đương với lệnh cú pháp chuyên sâu trên SPSS:

import numpy as np
import pandas as pd
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_bartlett_sphericity, calculate_kmo
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# 1. Tính toán Cronbach's Alpha nội tại cho từng thang đo
def compute_cronbach_alpha(df_items: pd.DataFrame) -> float:
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (item_variances / total_variance))
    return float(alpha)

# 2. Pipeline kiểm tra tính phù hợp EFA (KMO & Bartlett)
def evaluate_efa_suitability(data: pd.DataFrame):
    chi_square_value, p_value = calculate_bartlett_sphericity(data)
    kmo_all, kmo_model = calculate_kmo(data)
    return {"KMO": kmo_model, "Bartlett_p": p_value}

# 3. Ước lượng mô hình hồi quy tuyến tính đa biến OLS
def fit_ols_regression(X: pd.DataFrame, y: pd.Series):
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính hệ số VIF phát hiện đa cộng tuyến
    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, vif_data

Kết quả kiểm định và Đo lường độ tin cậy

Quá trình làm sạch dữ liệu loại bỏ 17 phiếu không đạt (tỷ lệ hợp lệ $91,8%$). Cơ cấu nhân khẩu học: Nữ chiếm $68,6%$ ($129$ người), Nam chiếm $31,4%$ ($59$ người); Sinh viên năm 4 chiếm tỷ trọng cao nhất ($39,4%$), tiếp theo là năm 2 ($28,1%$), năm 1 ($18,6%$) và năm 3 ($13,8%$). Khoa Quản trị Kinh doanh chiếm $48,9%$, Tài chính – Ngân hàng $28,2%$.

1. Kiểm định độ tin cậy Cronbach's Alpha

Ký hiệu thang đo Tên thang đo nhân tố Số biến quan sát Hệ số Cronbach’s Alpha Tương quan biến - tổng nhỏ nhất Kết luận
PU Cảm nhận về giá 3 0.687 0.461 Đạt yêu cầu ($> 0.6$)
CL Chất lượng sản phẩm 4 0.863 0.658 Rất tốt ($> 0.8$)
CX Giá trị cảm xúc 5 0.667 0.362 Đạt yêu cầu ($> 0.6$)
TN Khả năng thử nghiệm 5 0.762 0.485 Tốt ($> 0.7$)
QĐ Quyết định mua hàng (Phụ thuộc) 4 0.815 0.582 Rất tốt ($> 0.8$)

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Chỉ số $KMO = 0.788$ ($0.5 \le KMO \le 1.0$), kiểm định Bartlett đạt $\chi^2$ với mức ý nghĩa $p = 0.000 < 0.05$. Trích xuất 4 nhân tố tại mức Eigenvalue $= 1.258 > 1.0$. Tổng phương sai trích (Total Variance Explained) đạt 64,594% ($> 50%$). Tất cả 17 biến quan sát độc lập đều có hệ số tải nhân tố (Factor Loading) $\ge 0.647$ (vượt ngưỡng 0.50), không xảy ra hiện tượng biến tải chéo phức tạp.
  • Biến phụ thuộc: $KMO = 0.788$, kiểm định Bartlett $p = 0.000$, trích 1 nhân tố duy nhất tại Eigenvalue $= 2.597$, giải thích 64,929% biến thiên dữ liệu với hệ số tải dao động từ $0.733$ đến $0.872$.
BẢNG MA TRẬN XOAY NHÂN TỐ (ROTATED COMPONENT MATRIX - VARIMAX)
----------------------------------------------------------------------
Biến quan sát        Nhân tố 1 (CL)   Nhân tố 2 (TN)   Nhân tố 3 (CX)   Nhân tố 4 (PU)
----------------------------------------------------------------------
CL1, CL2, CL3, CL4    0.725 - 0.841         -                -                -
TN1, TN2, TN3, TN4, TN5     -          0.652 - 0.789         -                -
CX1, CX2, CX3, CX4, CX5     -                -          0.647 - 0.763         -
PU1, PU2, PU3               -                -                -          0.702 - 0.811
----------------------------------------------------------------------
Eigenvalues               5.312            2.415            1.896            1.258
% Phương sai trích        31.24%           14.21%           11.15%            7.99%
% Tích lũy (Cumulative)   31.24%           45.45%           56.60%           64.59%
----------------------------------------------------------------------

3. Mô hình hồi quy tuyến tính đa biến (OLS Regression)

Phân tích tương quan Pearson xác nhận cả 4 biến độc lập đều có tương quan thuận chiều có ý nghĩa thống kê ($p < 0.01$) với biến Quyết định mua hàng ($QĐ$): Chất lượng sản phẩm ($r = 0.616$), Cảm nhận về giá ($r = 0.452$), Giá trị cảm xúc ($r = 0.438$), Khả năng thử nghiệm ($r = 0.412$).

Phương trình hồi quy chuẩn hóa được xác lập:

$$\text{QĐ} = \beta_1 \cdot \text{CL} + \beta_2 \cdot \text{PU} + \beta_3 \cdot \text{CX} + \beta_4 \cdot \text{TN}$$

  • Hệ số xác định $R^2 = 0.492$, $R^2$ hiệu chỉnh (Adjusted $R^2$) $= \mathbf{0.481}$, cho thấy $48,1%$ sự biến thiên của Quyết định mua sản phẩm số của sinh viên được giải thích đồng thời bởi 4 nhân tố trong mô hình.
  • Kiểm định $F = 44.326$ với giá trị $Sig. = 0.000 < 0.001$ chứng minh mô hình hoàn toàn phù hợp với tổng thể.
  • Tất cả các hệ số phóng đại phương sai $VIF \le 1.482 < 2.0$, loại trừ hoàn toàn nguy cơ đa cộng tuyến. Biểu đồ phân tán Scatterplot và Histogram kiểm định phần dư chuẩn hóa chứng minh giả định liên hệ tuyến tính và phân phối chuẩn không bị vi phạm.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp nổi bật về mặt học thuật và thực tiễn:

  1. Đổi mới mô hình lý thuyết: Khác với các công trình trước đây chỉ xem xét đơn lẻ ý định mua sắm trên mạng xã hội (Kim et al., 2011; Guo & Barnes, 2011), nghiên cứu này tích hợp thành công Thuyết Khuếch tán Đổi mới (IDT) của Rogers với Thuyết Giá trị Tiêu thụ (CVT) của Sheth et al. để phân tích trực tiếp hành vi mua thực tế đối với đa dạng sản phẩm số.
  2. Khám phá thực nghiệm có tính đột phá: Chứng minh rằng trong phân khúc sinh viên đại học ngành kinh tế, Chất lượng sản phẩm ($\text{CL}$) là nhân tố chi phối mạnh mẽ nhất ($r = 0.616$), vượt lên trên cả Cảm nhận về giá ($\text{PU}$). Sinh viên sẵn sàng chi trả chi phí bản quyền nếu sản phẩm số đem lại tính ổn định, tiết kiệm thời gian học tập và hiệu suất vượt trội.
  3. Lượng hóa vai trò của trải nghiệm dùng thử (Trialability): Thuyết minh bằng số liệu thực nghiệm rằng khả năng dùng thử ($\text{TN}$) đóng vai trò như một bộ lọc rủi ro trực tiếp, thúc đẩy ý định chuyển đổi mua hàng cao hơn $41,2%$.

Ứng dụng thực tế và triển khai

Dựa trên kết quả thực nghiệm, các doanh nghiệp cung cấp giải pháp số (EdTech, SaaS, AI Tools, Graphic Asset Platforms) có thể áp dụng lộ trình triển khai 4 giai đoạn nhằm tối ưu hóa doanh thu:

LỘ TRÌNH TRIỂN KHAI TỐI ƯU HÓA CHUYỂN ĐỔI SẢN PHẨM SỐ
=============================================================================
Giai đoạn 1 (Tháng 1-2): Tối ưu Chất lượng (CL) & SLA Hệ thống

Giai đoạn 2 (Tháng 3-4): Thiết kế Phễu dùng thử Product-Led Growth (TN)

Giai đoạn 3 (Tháng 5-6): Định vị Giá trị cảm xúc & UI/UX (CX)

Giai đoạn 4 (Tháng 7+): Chính sách định giá linh hoạt (PU)
=============================================================================

Đánh giá hiệu quả kinh tế (Cost-Benefit & ROI Analysis)

  • Chi phí triển khai cơ chế Dùng thử & Tối ưu UX: Ước tính chiếm khoảng $12% - 15%$ ngân sách phát triển sản phẩm ban đầu.
  • Lợi ích dự kiến: Tăng tỷ lệ chuyển đổi (Conversion Rate) từ Free User sang Paid User thêm $25% - 35%$, giảm tỷ lệ rời bỏ (Churn Rate) xuống dưới $5%$/tháng nhờ chất lượng ổn định, gia tăng giá trị trọn đời của khách hàng (CLV) lên $1,8$ lần trong vòng đời 4 năm đại học của sinh viên.

Hạn chế và hướng phát triển

Dù đạt được những kết quả có ý nghĩa thống kê và thực tiễn cao, đề tài vẫn tồn tại một số giới hạn kỹ thuật cần được khắc phục trong các công trình tiếp theo:

  1. Giới hạn phương pháp chọn mẫu: Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện phi xác suất tại một trường đại học đơn lẻ (HUB) với quy mô $N = 188$. Do đó, tính đại diện cho toàn bộ sinh viên tại Việt Nam còn hạn chế.
  2. Kỹ thuật phân tích dữ liệu: Sử dụng mô hình hồi quy OLS bậc một trên SPSS chưa cho phép kiểm tra đồng thời các biến trung gian (Mediating variables) hoặc biến điều tiết (Moderating variables) như thu nhập khả dụng hay trình độ kỹ năng số.
  3. Hướng phát triển khuyến nghị: Mở rộng khảo sát đa trung tâm ($N \ge 500$) tại các trường đại học khối kỹ thuật và kinh tế trên toàn quốc; ứng dụng kỹ thuật mô hình hóa phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) thông qua SmartPLS 4.0; tích hợp phân tích chuỗi thời gian (Longitudinal Study) để đánh giá hành vi duy trì gia hạn gói phần mềm định kỳ.

Đối tượng hưởng lợi

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập phân tích dữ liệu của đề tài là gì?

Hệ thống yêu cầu cài đặt phần mềm IBM SPSS Statistics phiên bản từ 20.0 trở lên (khuyến nghị v27.0) hoặc môi trường Python 3.9+ với các gói thư viện tiêu chuẩn: pandas, numpy, statsmodels, scipy, factor_analyzer. Dữ liệu đầu vào cần được mã hóa sạch dạng bảng .sav hoặc .csv với thang đo Likert chuẩn hóa 5 điểm.

2. Vì sao nghiên cứu lại kết luận Chất lượng sản phẩm quan trọng hơn Cảm nhận về giá đối với sinh viên?

Kết quả phân tích tương quan Pearson cho thấy Chất lượng sản phẩm ($CL$) đạt hệ số tương quan cao nhất ($r = 0.616$), trong khi Cảm nhận về giá ($PU$) đạt $r = 0.452$. Điều này phản ánh thực tế tâm lý sinh viên thế hệ mới: trong kỷ nguyên công nghệ, sản phẩm số phục vụ trực tiếp cho hiệu suất học tập và làm việc. Sinh viên sẵn sàng chi trả mức giá hợp lý để nhận lại công cụ có tính ổn định, dữ liệu chính xác và tiết kiệm tối đa thời gian.

3. Làm thế nào để doanh nghiệp số giải quyết xung đột giữa Khả năng dùng thử (Trialability) và Nguy cơ thất thoát doanh thu?

Doanh nghiệp nên áp dụng cơ chế Feature-limited Trial (dùng thử giới hạn tính năng cao cấp) hoặc Time-limited Sandbox (dùng thử đầy đủ tính năng trong 7–14 ngày) kết hợp gắn watermark/giới hạn xuất file. Cách làm này vừa thỏa mãn nhu cầu trải nghiệm không rủi ro của người dùng theo lý thuyết IDT, vừa kích thích mong muốn nâng cấp bản quyền khi phát sinh nhu cầu chuyên sâu.

4. Hệ số VIF trong nghiên cứu đạt bao nhiêu và có ý nghĩa gì trong kiểm định hồi quy?

Trong nghiên cứu, hệ số phóng đại phương sai của tất cả các biến độc lập đều đạt $VIF \le 1.482$, thấp hơn rất nhiều so với ngưỡng cảnh báo lý thuyết ($VIF < 2.0$ hoặc $VIF < 5.0$). Điều này chứng minh các biến độc lập trong mô hình không có hiện tượng đa cộng tuyến nghiêm trọng, bảo đảm tính độc lập và độ tin cậy của các hệ số hồi quy $\beta$.

5. Chi phí và thời gian triển khai ứng dụng các hàm ý nghiên cứu vào thực tế doanh nghiệp mất bao lâu?

Lộ trình ứng dụng tiêu chuẩn kéo dài từ 3 đến 6 tháng. Chi phí chủ yếu tập trung vào việc thiết lập hạ tầng Cloud ổn định (đảm bảo chất lượng sản phẩm), tích hợp cổng thanh toán vi mô (Micro-payment/MoMo/VNPay phù hợp sinh viên) và xây dựng giao diện onboarding dùng thử. Thời gian hoàn vốn (ROI) thường đạt được sau 6–9 tháng nhờ gia tăng $25% - 35%$ lượng thuê bao sinh viên đăng ký trả phí định kỳ.

Kết luận

Khóa luận tốt nghiệp của tác giả Tăng Kim Lợi đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, xây dựng thành công mô hình kinh tế lượng vững chắc giải thích $48,1%$ phương sai quyết định mua sản phẩm số của sinh viên Đại học Ngân hàng TP.HCM. Thông qua việc tích hợp sáng tạo giữa Thuyết Khuếch tán Đổi mới (IDT) và Thuyết Giá trị Tiêu thụ (CVT), đề tài không chỉ đóng góp một khung nghiên cứu học thuật chuẩn xác mà còn cung cấp hệ thống giải pháp thực thi giàu giá trị thực tiễn cho các doanh nghiệp công nghệ số trong việc chinh phục phân khúc người tiêu dùng trẻ đầy tiềm năng.

Các nhà phát triển phần mềm, nhà quản trị tiếp thị số và các nhóm nghiên cứu quan tâm có thể khai thác trực tiếp mô hình thang đo và quy trình phân tích thực nghiệm này để tiếp tục mở rộng, tối ưu hóa các chiến lược chuyển đổi số trong tương lai.