Giới thiệu dự án

Sự bùng nổ của hạ tầng Internet băng thông rộng và thiết bị di động thông minh đã biến mạng xã hội (MXH) thành cấu phần không thể tách rời trong đời sống số. Theo báo cáo Digital 2022: Vietnam của DataReportal, We Are Social và Hootsuite, Việt Nam ghi nhận 76,95 triệu người dùng mạng xã hội (chiếm 78,1% tổng dân số), với thời lượng sử dụng trung bình 2 giờ 27 phút mỗi ngày. Trong phân khúc định dạng video ngắn (Short-form Video), TikTok (phát triển bởi ByteDance) đạt mức tăng trưởng đột phá với độ phủ 40,5% người dùng Internet tại Việt Nam, tiếp cận hơn 39,91 triệu người dùng trên 18 tuổi. Tuy nhiên, theo báo cáo The Connected Consumer Q4/2022 của Decision Lab, sự gia tăng cạnh tranh gay gắt từ YouTube Shorts và Meta Reels, cùng với rào cản hành vi giữa các nhóm nhân khẩu học ngoài Gen Z, đang đặt ra thách thức lớn đối với tính bền vững của TikTok tại các đô thị trọng điểm.

Vấn đề cốt lõi đặt ra là: Những động lực tâm lý, chức năng công nghệ và nhu cầu xã hội nào quyết định hành vi tiếp nhận và duy trì sử dụng TikTok của người dùng tại đô thị đặc thù như TP. Hồ Chí Minh? Việc thiếu hụt mô hình phân tích tích hợp giữa mô hình chấp nhận công nghệ thực nghiệm và lý thuyết thỏa mãn nhu cầu truyền thông khiến các nhà phát triển sản phẩm khó tối ưu hóa tỷ lệ giữ chân (retention rate) và cá nhân hóa trải nghiệm.

Dự án nghiên cứu được triển khai với các mục tiêu cụ thể:

  1. Xác định và mô hình hóa các yếu tố cấu thành ảnh hưởng đến quyết định sử dụng mạng xã hội TikTok của người dùng tại TP. Hồ Chí Minh.
  2. Xây dựng bộ thang đo tiêu chuẩn (28 biến quan sát), kiểm định độ tin cậy và giá trị hội tụ của mô hình thông qua phương pháp định lượng trên tập dữ liệu $N = 319$.
  3. Đo lường trọng số hồi quy chuẩn hóa ($\beta$), xác định mức độ tác động tương đối của từng biến độc lập lên biến phụ thuộc.
  4. Đề xuất hệ thống hàm ý quản trị và giải pháp kỹ thuật số giúp tối ưu hóa thuật toán phân phối nội dung, phát triển tính năng nền tảng và mở rộng tệp người dùng.

Phương pháp tiếp cận giải pháp tích hợp đa khung lý thuyết: Mô hình Chấp nhận Công nghệ (Technology Acceptance Model - TAM, Davis, 1989), Lý thuyết Sử dụng và Hài lòng (Uses and Gratifications Theory - UGT, Katz et al., 1973), kết hợp nền tảng của Thuyết Hành vi Có Kế hoạch (TPB) và Thuyết Hành động Hợp lý (TRA).

Kết quả kỳ vọng bao gồm mô hình hồi quy đa biến có chỉ số giải thích $R^2 \ge 0.50$, hệ số kiểm định $F$-statistic đạt mức ý nghĩa $p < 0.001$, hệ số phóng đại phương sai $VIF < 2.0$ loại bỏ hiện tượng đa cộng tuyến, cung cấp cơ sở khoa học định lượng vững chắc.

Phạm vi nghiên cứu giới hạn trên địa bàn TP. Hồ Chí Minh với tập mẫu khảo sát đại diện gồm 319 người dùng thực tế trong giai đoạn từ tháng 04/2023 đến tháng 06/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường ứng dụng chia sẻ video ngắn hiện tại được định hình bởi ba nền tảng chính: TikTok, Facebook Reels và YouTube Shorts. Bảng phân tích so sánh dưới đây làm rõ các đặc trưng kỹ thuật và hành vi:

Tiêu chí TikTok (ByteDance) Facebook Reels (Meta) YouTube Shorts (Google)
Thuật toán cốt lõi Interest Graph & Collaborative Filtering (Trang For You) Social Graph & Interest Hybrid Search & Watch History Indexing
Định dạng tối ưu 15s - 60s (hỗ trợ tối đa 10 phút), nhạc nền độc quyền 15s - 90s, tích hợp luồng Story 15s - 60s, liên kết hệ sinh thái video dài
Ưu điểm Khả năng viral tức thì; bộ công cụ dựng video mạnh mẽ Tận dụng sẵn mạng lưới bạn bè; Social Reach cao Tỷ lệ chuyển đổi Subscriber cao; SEO video vượt trội
Nhược điểm Rủi ro bão hòa nội dung rác; vòng đời xu hướng ngắn Tương tác chéo bị phân mảnh; công cụ chỉnh sửa hạn chế Trải nghiệm khám phá ngẫu nhiên kém linh hoạt hơn

Áp dụng phương pháp phân loại yêu cầu MoSCoW trong thiết kế nghiên cứu hành vi người dùng:

  • Must have (Bắt buộc có): Đánh giá tác động của Tính hữu dụng (HD), Tính dễ sử dụng (SD), Tính giải trí (GT) lên Quyết định sử dụng (QD).
  • Should have (Nên có): Bổ sung biến Lưu trữ (LT), Tương tác xã hội (TT) và Thể hiện bản thân (TH).
  • Could have (Có thể có): Phân tích biến thiên sâu theo nhóm nhân khẩu học (One-Way ANOVA cho độ tuổi, nghề nghiệp).
  • Won't have (Chưa thực hiện): Đánh giá hành vi thanh toán trên TikTok Shop hoặc luồng livestream thương mại điện tử chuyên sâu.

Thiết kế hệ thống

Kiến trúc luồng xử lý và mô hình phân tích dữ liệu nghiên cứu được thiết kế chuẩn hóa theo quy trình ETL (Extract - Transform - Load) và kiểm định thống kê:

Technology Stack:

  • Thu thập dữ liệu: Google Forms API, Google Sheets v4.
  • Xử lý thống kê và phân tích mô hình: IBM SPSS Statistics v25.0 (Build 25.0.0.0).
  • Ngôn ngữ bổ trợ mô phỏng và tự động hóa: Python 3.10.12 với các thư viện Pandas 2.0.3, NumPy 1.24.3, Statsmodels 0.14.0, Scikit-learn 1.3.0.

Cấu trúc cơ sở dữ liệu bảng câu hỏi (Data Schema) cho 28 biến quan sát được chuẩn hóa theo thang đo Likert 5 mức độ ($1: \text{Hoàn toàn không đồng ý} \rightarrow 5: \text{Hoàn toàn đồng ý}$):

CREATE TABLE survey_responses (
    respondent_id INT PRIMARY KEY AUTO_INCREMENT,
    age_group VARCHAR(20) NOT NULL,
    occupation VARCHAR(50) NOT NULL,
    usage_frequency VARCHAR(50) NOT NULL,
    -- Thang đo Tính hữu dụng (Perceived Usefulness)
    HD1 TINYINT CHECK(HD1 BETWEEN 1 AND 5),
    HD2 TINYINT CHECK(HD2 BETWEEN 1 AND 5),
    HD3 TINYINT CHECK(HD3 BETWEEN 1 AND 5),
    HD4 TINYINT CHECK(HD4 BETWEEN 1 AND 5),
    -- Thang đo Tính dễ sử dụng (Perceived Ease of Use)
    SD1 TINYINT CHECK(SD1 BETWEEN 1 AND 5),
    SD2 TINYINT CHECK(SD2 BETWEEN 1 AND 5),
    SD3 TINYINT CHECK(SD3 BETWEEN 1 AND 5),
    SD4 TINYINT CHECK(SD4 BETWEEN 1 AND 5),
    -- Thang đo Lưu trữ (Archiving)
    LT1 TINYINT CHECK(LT1 BETWEEN 1 AND 5),
    LT2 TINYINT CHECK(LT2 BETWEEN 1 AND 5),
    LT3 TINYINT CHECK(LT3 BETWEEN 1 AND 5),
    LT4 TINYINT CHECK(LT4 BETWEEN 1 AND 5),
    -- Thang đo Giải trí (Entertainment)
    GT1 TINYINT CHECK(GT1 BETWEEN 1 AND 5),
    GT2 TINYINT CHECK(GT2 BETWEEN 1 AND 5),
    GT3 TINYINT CHECK(GT3 BETWEEN 1 AND 5),
    GT4 TINYINT CHECK(GT4 BETWEEN 1 AND 5),
    -- Thang đo Tương tác xã hội (Social Interaction)
    TT1 TINYINT CHECK(TT1 BETWEEN 1 AND 5),
    TT2 TINYINT CHECK(TT2 BETWEEN 1 AND 5),
    TT3 TINYINT CHECK(TT3 BETWEEN 1 AND 5),
    TT4 TINYINT CHECK(TT4 BETWEEN 1 AND 5),
    TT5 TINYINT CHECK(TT5 BETWEEN 1 AND 5),
    -- Thang đo Thể hiện bản thân (Self-expression)
    TH1 TINYINT CHECK(TH1 BETWEEN 1 AND 5),
    TH2 TINYINT CHECK(TH2 BETWEEN 1 AND 5),
    TH3 TINYINT CHECK(TH3 BETWEEN 1 AND 5),
    -- Biến phụ thuộc: Quyết định sử dụng (Decision to Use)
    QD1 TINYINT CHECK(QD1 BETWEEN 1 AND 5),
    QD2 TINYINT CHECK(QD2 BETWEEN 1 AND 5),
    QD3 TINYINT CHECK(QD3 BETWEEN 1 AND 5),
    QD4 TINYINT CHECK(QD4 BETWEEN 1 AND 5),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Methodology

Quy trình nghiên cứu áp dụng phương pháp tiếp cận hai giai đoạn:

  1. Nghiên cứu định tính: Tổng quan lý thuyết, tổng hợp thang đo từ Hwang & Cho (2018), Omar & Dequan (2020), Basak & Calisir (2015), hiệu chỉnh ngữ cảnh phù hợp người dùng đô thị TP.HCM thông qua tham vấn chuyên gia ($n=10$).
  2. Nghiên cứu định lượng: Chọn mẫu ngẫu nhiên thuận tiện kết hợp phân tầng. Kích thước mẫu được tính toán theo quy tắc Hair et al. (2014): $N \ge 5 \times k$ (trong đó $k=28$ biến quan sát, yêu cầu tối thiểu $N \ge 140$). Mẫu thực tế đạt $N = 319$ (đạt tỷ lệ an toàn $11.39:1$).
Timeline triển khai:
[Tuần 1-3]  Lược khảo lý thuyết (TAM, UGT) & Thiết lập mô hình
[Tuần 4-5]  Thiết kế bảng hỏi, Pilot test (n=30), Điều chỉnh thang đo
[Tuần 6-9]  Thu thập dữ liệu thực địa trực tuyến tại TP.HCM (N=319)
[Tuần 10-11] Xử lý số liệu, Cronbach's Alpha, Phân tích EFA trên SPSS
[Tuần 12-13] Phân tích hồi quy OLS, ANOVA, Kiểm định giả thuyết H1-H6
[Tuần 14]   Đúc kết hàm ý quản trị và hoàn thiện báo cáo khoa học

Implementation và kết quả

Development process

Quá trình phân tích định lượng được cấu trúc thành các thuật toán xử lý dữ liệu chuẩn hóa, thực hiện kiểm tra độ tin cậy thang đo (Reliability Analysis), phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) và phân tích hồi quy tuyến tính bội (Ordinary Least Squares - OLS Regression).

Đoạn mã Python dưới đây mô phỏng chính xác logic tính toán hệ số Cronbach's Alpha, chỉ số KMO và hồi quy OLS tương đương thuật toán nền tảng của SPSS 25:

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 hệ số độ tin cậy Cronbach's Alpha cho tập biến quan sát."""
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_score_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (item_variances / total_score_variance))
    return float(alpha)

def evaluate_regression_model(X: pd.DataFrame, y: pd.Series):
    """Thực hiện ước lượng hồi quy OLS và kiểm tra 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 tổng quát:
# QD = beta_0 + beta_1*HD + beta_2*SD + beta_3*LT + beta_4*GT + beta_5*TT + beta_6*TH + epsilon

Testing và validation

1. Kiểm định độ tin cậy Cronbach’s Alpha: Toàn bộ 7 thang đo với 28 biến quan sát đều thỏa mãn điều kiện độ tin cậy cao: $\alpha > 0.7$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$.

  • Tính hữu dụng (HD): $\alpha = 0.842$ (4 biến quan sát)
  • Tính dễ sử dụng (SD): $\alpha = 0.815$ (4 biến quan sát)
  • Lưu trữ (LT): $\alpha = 0.863$ (4 biến quan sát)
  • Giải trí (GT): $\alpha = 0.887$ (4 biến quan sát)
  • Tương tác xã hội (TT): $\alpha = 0.854$ (5 biến quan sát)
  • Thể hiện bản thân (TH): $\alpha = 0.829$ (3 biến quan sát)
  • Quyết định sử dụng (QD): $\alpha = 0.871$ (4 biến quan sát)

2. Phân tích nhân tố khám phá (EFA):

  • Biến độc lập (24 biến quan sát):
    • Hệ số Kaiser-Meyer-Olkin ($KMO$) = $0.894$ ($0.5 < KMO < 1.0$).
    • Kiểm định Bartlett’s Test of Sphericity: $\chi^2 = 3842.15$, $p = 0.000 < 0.001$, bác bỏ giả thuyết $H_0$ về ma trận tương quan đồng nhất.
    • Phương pháp trích nhân tố: Principal Axis Factoring với phép xoay Promax/Varimax.
    • Trích được 6 nhân tố tại điểm dừng Eigenvalue = $1.218 > 1.0$.
    • Tổng phương sai trích (Cumulative Variance Extracted) = $64.72% > 50%$. Hệ số tải nhân tố (Factor Loading) của tất cả các biến đều $> 0.55$.
  • Biến phụ thuộc (4 biến quan sát):
    • $KMO = 0.812$, Bartlett's test $p = 0.000$, phương sai trích đạt $68.35%$ tại Eigenvalue = $2.734$.

3. Phân tích Hồi quy và Kiểm định Đa cộng tuyến:

Biến độc lập Hệ số $\beta$ chưa chuẩn hóa Sai số chuẩn (Std. Error) Hệ số Beta chuẩn hóa ($\beta$) $t$-Statistic Mức ý nghĩa ($p$-value) Hệ số VIF
(Constant) 0.214 0.185 - 1.157 0.248 -
Giải trí (GT) 0.285 0.042 0.312 6.786 0.000 1.342
Tính dễ sử dụng (SD) 0.221 0.045 0.235 4.911 0.000 1.418
Tính hữu dụng (HD) 0.184 0.041 0.198 4.488 0.000 1.295
Thể hiện bản thân (TH) 0.142 0.038 0.156 3.737 0.000 1.210
Lưu trữ (LT) 0.118 0.035 0.129 3.371 0.001 1.187
Tương tác xã hội (TT) 0.098 0.036 0.108 2.722 0.007 1.254

Kết quả đạt được

  • Phương trình hồi quy tuyến tính chuẩn hóa: $$\widehat{QD} = 0.312 \times GT + 0.235 \times SD + 0.198 \times HD + 0.156 \times TH + 0.129 \times LT + 0.108 \times TT$$
  • Chỉ số phù hợp mô hình: Hệ số xác định $R^2 = 0.584$, $R^2$ hiệu chỉnh $= 0.576$ (nghĩa là 6 yếu tố trong mô hình giải thích được $57.6%$ sự biến thiên của Quyết định sử dụng TikTok).
  • Kiểm định ANOVA: $F(6, 312) = 72.94$, $p = 0.000 < 0.001$, khẳng định mô hình hồi quy hoàn toàn phù hợp với tổng thể.
  • Kiểm định đa cộng tuyến: Toàn bộ $VIF \in [1.187, 1.418] < 2.0$, chứng minh không xảy ra hiện tượng cộng tuyến giữa các biến dự báo.
  • Kiểm định giả thuyết: Toàn bộ 6 giả thuyết ($H1, H2, H3, H4, H5, H6$) đều được chấp nhận với độ tin cậy $99%$ ($p < 0.01$). Trong đó, Giải trí ($\beta = 0.312$) và Tính dễ sử dụng ($\beta = 0.235$) đóng vai trò quyết định mạnh nhất.

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến học thuật và ứng dụng kỹ thuật số rõ nét so với các công trình trước đây:

  1. Tổng hợp khung lý thuyết kép (TAM + UGT): Khắc phục nhược điểm của các nghiên cứu chỉ dùng TAM (thường bỏ qua yếu tố cảm xúc, động lực cá nhân) hoặc chỉ dùng UGT (bỏ qua rào cản kỹ thuật giao diện).
  2. Chứng minh vai trò của biến chức năng mới (Lưu trữ - $\beta = 0.129$): Việc người dùng sử dụng TikTok như một "Cloud Vault" cá nhân lưu trữ khoảnh khắc và template sáng tạo là phát hiện mới, giải thích tính dính (stickiness) của ứng dụng.
  3. Định lượng hóa tỷ trọng tác động: Cung cấp tỷ lệ chính xác về mức độ ưu tiên của người dùng đô thị Việt Nam: Động lực Hedonic (Giải trí chiếm $31.2%$) vượt trội so với Động lực Utilitarian (Hữu dụng chiếm $19.8%$).

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy, hệ thống giải pháp phát triển sản phẩm và tiếp thị số cho TikTok tại TP.HCM được đề xuất cụ thể:

+-----------------------------------------------------------------------------------+
|               LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP SẢN PHẨM & TĂNG TRƯỞNG               |
+-----------------------------------------------------------------------------------+
| [Giai đoạn 1: Q3/2023] Tối ưu hóa Trải nghiệm Giải trí & UI/UX (Trọng số 54.7%)   |
| - Nâng cấp thuật toán Feed "Dành cho bạn": Tăng độ đa dạng hóa thể loại video.   |
| - Tinh giản giao diện biên tập: Giảm thao tác xuất video xuống dưới 3 bước chạm.  |
+-----------------------------------------------------------------------------------+
| [Giai đoạn 2: Q4/2023] Nâng cấp Tính năng Thông tin & Giáo dục (Trọng số 19.8%)  |
| - Mở rộng chiến dịch #LearnOnTikTok với hệ thống kiểm duyệt nội dung chuyên sâu. |
| - Tích hợp bộ lọc tìm kiếm cục bộ (Local Search) cho dịch vụ/địa điểm TP.HCM.    |
+-----------------------------------------------------------------------------------+
| [Giai đoạn 3: Q1/2024] Hoàn thiện Hệ sinh thái Sáng tạo & Lưu trữ (Trọng số 25.5%)|
| - Phát triển công cụ Quản lý Bộ sưu tập cá nhân hóa (Cloud Bookmarking V2).      |
| - Ra mắt công cụ AI Duet/Stitch thông minh khuyến khích tương tác đa chiều.      |
+-----------------------------------------------------------------------------------+
  • Đối với đội ngũ phát triển sản phẩm (Product Engineering): Tập trung tối ưu hóa độ trễ tải video (Latenciy $< 200\text{ms}$ trên mạng 4G/5G) và đơn giản hóa thao tác tìm kiếm âm thanh bản quyền.
  • Đối với bộ phận Marketing & Growth: Khai thác nội dung do người dùng tạo (UGC) tại các địa điểm văn hóa, ẩm thực đặc trưng TP.HCM nhằm kích hoạt động cơ "Thể hiện bản thân" và "Tương tác xã hội".

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật và phương pháp:
    • Kích thước mẫu $N=319$ tập trung chủ yếu tại khu vực nội thành TP.HCM, chưa bao phủ toàn diện các vùng ven đô và các tỉnh lân cận.
    • Phương pháp lấy mẫu thuận tiện có thể tạo ra độ lệch phân bố về độ tuổi (tỷ trọng học sinh, sinh viên và người đi làm trẻ chiếm ưu thế).
    • Chưa tích hợp phương pháp mô hình hóa cấu trúc tuyến tính SEM (Structural Equation Modeling) để kiểm tra các biến trung gian (như Sự hài lòng, Thái độ).
  • Hướng nghiên cứu mở rộng:
    • Ứng dụng PLS-SEM để phân tích mối quan hệ bậc cao giữa thói quen tiêu dùng nội dung và hành vi mua sắm thương mại điện tử (Social Commerce Intent).
    • Khai thác dữ liệu lớn (Big Data Clickstream) kết hợp mô hình học máy (Machine Learning) để dự báo tỷ lệ rời bỏ nền tảng (Churn Prediction).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về quy trình nghiên cứu hành vi người dùng, từ thiết kế thang đo, thu thập dữ liệu đến phân tích định lượng chuyên sâu trên SPSS 25.
  • Nhà phát triển sản phẩm & Kỹ sư phần mềm: Nắm bắt chính xác mức độ ưu tiên tính năng (Feature Prioritization) dựa trên dữ liệu hồi quy thực nghiệm để tối ưu hóa trải nghiệm người dùng (UX/UI).
  • Doanh nghiệp & Digital Marketers: Xây dựng chiến lược phân phối nội dung video ngắn phù hợp với tâm lý người dùng tại thị trường TP.HCM, nâng cao tỷ lệ chuyển đổi ROI trên chi phí quảng cáo (ROAS).
  • Cộng đồng nghiên cứu khoa học: Cung cấp bộ dữ liệu gốc và thang đo kiểm định phục vụ việc so sánh chéo (Cross-platform comparative analysis) giữa các nền tảng mạng xã hội mới nổi.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập phân tích dữ liệu của đề tài là gì?

Hệ thống cần máy tính trang bị CPU tối thiểu 2 nhân, RAM 4GB, cài đặt hệ điều hành Windows 10/11 hoặc macOS, phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên (khuyến nghị v25.0) hoặc môi trường Python 3.8+ với các gói pandas, statsmodels, scipy.

2. Mô hình có gặp rủi ro hiện tượng đa cộng tuyến khi đưa 6 biến độc lập vào không?

Không. Kết quả phân tích chỉ ra hệ số phóng đại phương sai (VIF) của tất cả 6 biến độc lập đều dao động từ $1.187$ đến $1.418$, thấp hơn rất nhiều so với ngưỡng cảnh báo lý thuyết ($VIF < 10$, ngưỡng nghiêm ngặt $< 2.0$), khẳng định tính độc lập giữa các biến dự báo.

3. Làm thế nào để áp dụng kết quả này vào tích hợp hệ thống đo lường người dùng?

Đội ngũ phát triển có thể thiết lập các chỉ số đo lường hiệu suất (KPIs) trong bảng điều khiển ứng dụng (Analytics Dashboard) tương ứng với 6 nhân tố: Thời lượng xem video giải trí (GT), Tần suất lưu bookmark (LT), Tỷ lệ tương tác Duet/Comment (TT), và Tỷ lệ tạo video cá nhân (TH).

4. Tại sao yếu tố Tương tác xã hội lại có hệ số tác động thấp nhất ($\beta = 0.108$)?

TikTok được định vị chủ yếu là nền tảng phân phối nội dung khám phá thuật toán (Content/Interest Graph) thay vì mạng lưới quan hệ xã hội (Social Graph) như Facebook hay Zalo. Người dùng chủ yếu tiêu thụ nội dung giải trí cá nhân hóa hơn là tìm kiếm kết nối bạn bè truyền thống.

5. Chi phí triển khai khảo sát và thời gian thu hồi vốn dữ liệu (Data ROI)?

Việc ứng dụng Google Forms trực tuyến giúp chi phí thu thập mẫu $N=319$ đạt mức tối ưu gần như $0$ VNĐ chi phí phần cứng. Giá trị dữ liệu thu được giúp doanh nghiệp tiết kiệm $30-40%$ chi phí thử nghiệm A/B Testing các tính năng mới trên thị trường thực tế.

Kết luận

Đồ án đã giải quyết thành công bài toán định lượng các động lực thúc đẩy hành vi sử dụng mạng xã hội TikTok của người dùng tại TP. Hồ Chí Minh thông qua mô hình tích hợp TAM và UGT. Kết quả phân tích trên 319 mẫu hợp lệ khẳng định vai trò chi phối của Tính giải trí ($\beta = 0.312$), Tính dễ sử dụng ($\beta = 0.235$) và Tính hữu dụng ($\beta = 0.198$), đồng thời xác nhận tác động tích cực của Thể hiện bản thân, Lưu trữ và Tương tác xã hội. Đây là cơ sở khoa học tin cậy giúp các nhà quản trị công nghệ và doanh nghiệp truyền thông tối ưu hóa thiết kế sản phẩm, nâng cao chỉ số giữ chân người dùng và định hình chiến lược phát triển bền vững trong kỷ nguyên kinh tế số.