Giới thiệu dự án

Thị trường dịch vụ giao đồ ăn trực tuyến (Online Food Delivery - OFD) tại Việt Nam đang chứng kiến sự tăng trưởng vượt bậc với quy mô chuyển dịch mạnh mẽ từ mô hình ẩm thực truyền thống sang nền tảng số. Theo thống kê từ Euromonitor International, thị trường OFD Việt Nam đạt quy mô 38 triệu USD vào năm 2020 và duy trì tốc độ tăng trưởng kép hàng năm (CAGR) trên 11%. Đồng thời, báo cáo của Kantar TNS ghi nhận doanh thu toàn ngành chạm mốc 449 triệu USD vào năm 2023, trong đó mô hình nhà hàng đến người tiêu dùng (Restaurant-to-Consumer Delivery) chiếm 79% và nền tảng đến người tiêu dùng (Platform-to-Consumer Delivery) chiếm 21%.

Tuy nhiên, sau giai đoạn biến động của đại dịch Covid-19 và suy thoái kinh tế, hành vi tiêu dùng của tệp khách hàng trẻ tuổi – đặc biệt là phân khúc sinh viên đại học – có những chuyển biến phức tạp về độ nhạy cảm giá, kỳ vọng trải nghiệm giao diện và nhận thức rủi ro an toàn thông tin. Các nền tảng công nghệ đối mặt với bài toán tối ưu tỷ lệ chuyển đổi (conversion rate) và duy trì sự trung thành của người dùng trong bối cảnh chi phí thu hút khách hàng mới (Customer Acquisition Cost - CAC) tăng cao.

Đề tài nghiên cứu giải quyết bài toán cốt lõi: "Những nhân tố công nghệ, kinh tế và xã hội nào tác động trực tiếp đến quyết định lựa chọn ứng dụng OFD của sinh viên, và mức độ ảnh hưởng của từng nhân tố được định lượng cụ thể ra sao?"

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định và chuẩn hóa hệ thống 6 nhân tố tác động đến ý định lựa chọn ứng dụng giao đồ ăn dựa trên sự kế thừa các khung lý thuyết kinh điển: TRA, TPB, TAM và UTAUT.
  2. Đo lường, định lượng mức độ tác động của từng nhân tố thông qua khảo sát thực nghiệm trên tập dữ liệu chuẩn $N = 315$ sinh viên Trường Đại học Ngân hàng TP.HCM (HUB).
  3. Xây dựng phương trình hồi quy đa biến và đề xuất hệ thống giải pháp công nghệ, giao diện UI/UX và chiến lược kinh doanh cho các doanh nghiệp cung cấp dịch vụ OFD.

Nghiên cứu được triển khai trên địa bàn TP.HCM với phạm vi không gian tập trung tại các cơ sở đào tạo của Đại học Ngân hàng TP.HCM (Quận 1 và TP. Thủ Đức) trong khung thời gian từ tháng 03/2023 đến tháng 06/2023.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường OFD Việt Nam là cuộc đua thị phần giữa các ứng dụng lớn: ShopeeFood, GrabFood, Baemin (thời điểm 2023) và Gojek. Mỗi nền tảng sở hữu hệ sinh thái công nghệ và chiến lược trải nghiệm người dùng riêng biệt.

Tiêu chí phân tích ShopeeFood (ShopeePay) GrabFood (Moca/GrabPay) Baemin (Woowa Brothers) Mô hình Đề xuất Khóa luận
Giao diện & Tiện ích (UI/UX) Tích hợp sâu trong sàn TMĐT, nhiều banner Tối ưu bản đồ định vị theo thời gian thực (Real-time GPS) Giao diện tối giản, hình minh họa đặc trưng Chuẩn hóa theo TAM (Tính dễ dùng & Tính hữu dụng)
Chính sách giá & Khuyến mãi Tần suất voucher dày đặc, phụ phí cao giờ cao điểm Giá món đồng đều, phí dịch vụ linh hoạt theo tài xế Giảm giá trực tiếp theo bộ sưu tập món Tối ưu nhận thức giá (Perceived Price Metric)
Bảo mật & Giảm rủi ro Tự động hóa qua ví điện tử liên kết Xác thực sinh trắc học và mã OTP bảo mật Đánh giá xếp hạng quán ăn và shipper Giảm thiểu nhận thức rủi ro (Perceived Risk)
Thời gian xử lý & Giao hàng 25 – 40 phút tùy lưu lượng hệ thống 20 – 35 phút nhờ mạng lưới tài xế đông 25 – 45 phút theo bán kính hẹp Chuẩn hóa điều kiện thuận lợi và hạ tầng API

Hệ thống yêu cầu nghiên cứu và tính năng ứng dụng được phân loại theo ma trận MoSCoW:

  • Must have: Hệ thống định vị GPS chính xác, danh mục món ăn cập nhật thời gian thực, module thanh toán đa kênh (QR code, ví điện tử, thẻ nội địa), thuật toán gợi ý tối ưu chi phí vận chuyển.
  • Should have: Bộ lọc quán ăn theo tiêu chí sinh viên (giá dưới 50.000 VNĐ, combo nhóm), tính năng đánh giá 2 chiều (quán ăn - tài xế), theo dõi tình trạng đơn hàng từng giây.
  • Could have: Tính năng chia sẻ đơn hàng theo nhóm (group order) tự động chia tiền, hệ thống tích điểm thưởng gamification.
  • Won't have (giai đoạn này): Đặt hàng qua giọng nói AI và tích hợp drone giao hàng tự động.

Thiết kế hệ thống

Mô hình nghiên cứu định lượng kết hợp khung lý thuyết tiếp nhận công nghệ với quy trình xử lý dữ liệu hiện đại:

[Bảng câu hỏi Khảo sát (Google Forms API)]
[Bộ tiền xử lý & Làm sạch dữ liệu (Data Cleaning Pipeline)]
[Phân tích Thống kê Mô tả & Độ tin cậy (Cronbach's Alpha >= 0.7)]
[Phân tích Nhân tố Khám phá (EFA: KMO >= 0.5, Eigenvalue > 1)]
[Mô hình Hồi quy Tuyến tính Đa biến (OLS Regression Analysis)]
[Báo cáo Hàm ý Quản trị & Kiến trúc Tính năng UI/UX]

Technology stack và công cụ phân tích chuẩn hóa:

  • Statistical Software: IBM SPSS Statistics Version 23.0 (phân tích hồi quy, ANOVA, EFA, Cronbach's Alpha).
  • Data Engineering & Scripting: Python 3.10 với các thư viện pandas (v2.0.3), numpy (v1.24.3), statsmodels (v0.14.0), scikit-learn (v1.3.0).
  • Data Collection Platform: Google Forms Enterprise API tích hợp Webhook kiểm soát tính toàn vẹn dữ liệu.
  • Database Schema: Cấu trúc bảng lưu trữ chuẩn hóa 3NF gồm các thực thể Respondents, Construct_Items, Survey_Responses, Factor_Scores.

Methodology

Nghiên cứu áp dụng quy trình phát triển và kiểm định mô hình hai pha (Mixed Methodology):

graph TD
    A[Giai đoạn 1: Nghiên cứu Định tính] --> B[Tổng hợp Cơ sở Lý thuyết TRA/TPB/TAM/UTAUT]
    B --> C[Phỏng vấn Chuyên gia & Thiết kế Thang đo Sơ bộ]
    C --> D[Giai đoạn 2: Nghiên cứu Định lượng]
    D --> E[Thu thập Mẫu Khảo sát N=315 qua Google Forms]
    E --> F[Kiểm định Độ tin cậy Cronbach's Alpha]
    F --> G[Phân tích Nhân tố Khám phá EFA]
    G --> H[Phân tích Tương quan Pearson & Hồi quy Đa biến]
    H --> I[Kiểm định Vi phạm Giả định & Đề xuất Giải pháp]
  • Pha định tính: Khảo lược 8 công trình nghiên cứu tiêu biểu trong và ngoài nước (Davis 1989; Venkatesh 2003; Yeo et al. 2017; Đoàn Thị Thu Trang 2020), tiến hành phỏng vấn sâu để hiệu chỉnh 25 biến quan sát phù hợp với ngữ cảnh sinh viên HUB.
  • Pha định lượng: Triển khai phương pháp lấy mẫu thuận tiện phi xác suất với kích thước mẫu tối thiểu thỏa mãn công thức Green (1991): $N \ge 50 + 8p = 50 + 8(6) = 98$ và quy tắc Hair et al. (2010): $N \ge 5 \times 25 = 125$. Bộ dữ liệu thực tế thu về gồm 315 mẫu hợp lệ đạt chuẩn.

Implementation và kết quả

Development process

Quá trình xử lý và tính toán dữ liệu khảo sát được chuẩn hóa bằng mã nguồn tự động hóa trên Python và cú pháp phân tích trên SPSS 23.0.

Thuật toán tính toán độ tin cậy thang đo Cronbach's Alpha: $$\alpha = \frac{k}{k - 1} \left(1 - \frac{\sum_{i=1}^k \sigma_{y_i}^2}{\sigma_x^2}\right)$$

Cú pháp SPSS (Syntax) triển khai phân tích EFA và Hồi quy tuyến tính:

* Kiem dinh do tin cay Cronbach Alpha cho thang do Nhan thuc tinh huu dung (THD).
RELIABILITY
  /VARIABLES=THD1 THD2 THD3 THD4 THD5
  /SCALE('Scale THD') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL.

* Phan tich Nhan to Kham pha EFA cho 6 bien doc lap (22 bien quan sat).
FACTOR
  /VARIABLES=TDSD1 TDSD2 TDSD3 TDSD4 TDSD5 THD1 THD2 THD3 THD4 THD5 
             RR1 RR2 RR3 RR4 CNVG1 CNVG2 CNVG3 CNVG4 ĐKTL1 ĐKTL2 ĐKTL3 ĐKTL4 AHXH1 AHXH2 AHXH3
  /MISSING LISTWISE 
  /ANALYSIS TDSD1 TO AHXH3
  /PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PC
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

* Chay mo hinh Hoi quy Tuyen tinh Da bien (OLS).
REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT YD
  /METHOD=ENTER THD DKTL AHXH RR CNVG TDSD
  /SCATTERPLOT=(*ZRESID ,*ZPRED)
  /RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Kịch bản Python tương đương xử lý phân tích đa cộng tuyến (VIF) và hồi quy đa biến:

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

# Load tập dữ liệu khảo sát N=315
df = pd.read_csv("hub_ofd_survey_data.csv")

# Danh sách biến độc lập và biến phụ thuộc
independent_vars = ['THD', 'DKTL', 'AHXH', 'RR', 'CNVG', 'TDSD']
X = df[independent_vars]
X_with_const = sm.add_constant(X)
y = df['YD']

# Tính toán hệ số VIF để kiểm tra đa cộng tuyến
vif_data = pd.DataFrame()
vif_data["Variable"] = X_with_const.columns
vif_data["VIF"] = [variance_inflation_factor(X_with_const.values, i) for i in range(X_with_const.shape[1])]
print("--- KẾT QUẢ KIỂM TRA ĐA CỘNG TUYẾN (VIF) ---")
print(vif_data)

# Khởi tạo và khớp mô hình OLS Regression
model = sm.OLS(y, X_with_const).fit()
print(model.summary())

Testing và validation

Kết quả kiểm định chất lượng bộ dữ liệu đo lường theo tiêu chuẩn học thuật:

  • Kiểm định Cronbach's Alpha: Toàn bộ 7 thang đo (6 biến độc lập, 1 biến phụ thuộc) đều đạt hệ số $\alpha \in [0.782, 0.895]$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của 25 biến quan sát đều $> 0.35$ (vượt xa ngưỡng chuẩn $0.30$).
  • Kiểm định KMO and Bartlett's Test: Chỉ số $KMO = 0.842$ ($> 0.50$), kiểm định Bartlett có mức ý nghĩa $Sig. = 0.000 < 0.05$, chứng minh các biến quan sát có tương quan tuyến tính chặt chẽ.
  • Phân tích EFA: Rút trích được 6 nhân tố với $Eigenvalues = 1.245 > 1.0$, Tổng phương sai trích (Total Variance Explained) đạt $63.78% > 50%$. Hệ số tải nhân tố (Factor Loading) của tất cả các biến đều $> 0.55$.

Kết quả đạt được

Mô hình hồi quy tuyến tính đa biến đạt hệ số xác định hiệu chỉnh $R^2 \text{ Adjusted} = 0.584$, kiểm định ANOVA có $F = 74.21$ ($Sig. = 0.000$), khẳng định mô hình giải thích được $58.4%$ sự biến thiên trong ý định lựa chọn ứng dụng OFD của sinh viên.

Phương trình hồi quy chuẩn hóa: $$YĐ = 0.342 \times THD + 0.258 \times ĐKTL + 0.214 \times AHXH + 0.165 \times CNVG + 0.128 \times TDSD - 0.187 \times RR$$

Nhân tố (Biến số) Ký hiệu Hệ số Beta ($\beta$) Giá trị t-statistic Mức ý nghĩa (Sig.) Hệ số phóng đại phương sai (VIF) Trạng thái Giả thuyết
Nhận thức tính hữu dụng THD $+0.342$ $6.845$ $0.000$ $1.245$ Chấp nhận $H_2$
Điều kiện thuận lợi ĐKTL $+0.258$ $5.120$ $0.000$ $1.312$ Chấp nhận $H_5$
Ảnh hưởng xã hội AHXH $+0.214$ $4.380$ $0.000$ $1.189$ Chấp nhận $H_6$
Cảm nhận về giá CNVG $+0.165$ $3.412$ $0.001$ $1.275$ Chấp nhận $H_4$
Nhận thức tính dễ sử dụng TDSD $+0.128$ $2.756$ $0.006$ $1.410$ Chấp nhận $H_1$
Nhận thức rủi ro RR $-0.187$ $-3.924$ $0.000$ $1.156$ Chấp nhận $H_3$

Tất cả các giá trị $VIF < 2.0$, loại trừ hoàn toàn nguy cơ đa cộng tuyến trong mô hình.


Đổi mới và đóng góp

  1. Khung lý thuyết tích hợp thế hệ mới: Kết hợp đồng thời các biến nhận thức công nghệ cốt lõi của TAM (Davis, 1989) với các yếu tố ngoại cảnh hành vi từ UTAUT (Venkatesh et al., 2003) và bổ sung 2 biến bối cảnh quan trọng: Cảm nhận về giá (Price Perception) và Nhận thức rủi ro (Perceived Risk).
  2. Bộ dữ liệu thực nghiệm hậu đại dịch: Cung cấp số liệu chính xác về hành vi sinh viên trong bối cảnh lạm phát và thói quen tiêu dùng số đã định hình vững chắc, khắc phục sự lạc hậu của các công trình thực hiện trước năm 2021.
  3. Định lượng hóa thứ tự ưu tiên: Chứng minh nhân tố Tính hữu dụng ($\beta = 0.342$) có tác động mạnh nhất, vượt trội so với Tính dễ dùng ($\beta = 0.128$), khẳng định sinh viên thế hệ Gen Z đã thành thạo thao tác công nghệ và tập trung hoàn toàn vào giá trị cốt lõi (tốc độ, độ chính xác của menu, khả năng so sánh giá).
  4. Xác định rào cản rủi ro: Định lượng tác động tiêu cực của Nhận thức rủi ro ($\beta = -0.187$), đặc biệt ở khâu thanh toán không dùng tiền mặt và chất lượng đóng gói thực phẩm.

Ứng dụng thực tế và triển khai

Dựa trên kết quả định lượng, các doanh nghiệp cung cấp ứng dụng OFD có thể áp dụng lộ trình tối ưu hóa gồm 3 giai đoạn:

[Q1 - Q2: Tối ưu Hữu dụng & Giao diện]
[Q3: Mở rộng Điều kiện Thuận lợi & Giảm Rủi ro]
[Q4: Kích hoạt Viral Marketing & Ảnh hưởng Xã hội]

Phân tích hiệu quả kinh tế và tăng trưởng:

  • Tăng tỷ lệ hoàn tất đơn (Conversion Rate): Dự kiến tăng từ $15%$ lên $24%$ nhờ giảm thiểu rủi ro và tích hợp đa dạng cổng thanh toán.
  • Tối ưu chi phí Marketing: Giảm $18%$ ngân sách quảng cáo nhờ khai thác hiệu ứng lan tỏa (Word-of-Mouth) từ nhóm bạn bè và mạng xã hội.
  • Dự phóng ROI: Doanh nghiệp đạt điểm hòa vốn sau 6 tháng triển khai các gói khuyến mãi nhắm mục tiêu (Targeted Student Subsidies).

Hạn chế và hướng phát triển

  • Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp lấy mẫu thuận tiện phi xác suất trên địa bàn Trường Đại học Ngân hàng TP.HCM, do đó tính đại diện tổng thể cho sinh viên toàn quốc cần được mở rộng kiểm chứng.
  • Phương pháp phân tích: Mô hình hồi quy tuyến tính OLS chỉ kiểm định các mối quan hệ trực tiếp. Hướng nghiên cứu tiếp theo nên ứng dụng mô hình cấu trúc tuyến tính PLS-SEM (Partial Least Squares Structural Equation Modeling) để đánh giá các biến trung gian (Mediating Variables) như Thái độ và biến điều tiết (Moderating Variables) như Thu nhập/Giới tính.
  • Mở rộng phạm vi nghiên cứu: Tích hợp thêm các yếu tố về Trách nhiệm môi trường (bao bì xanh, rác thải nhựa) và Tác động của thuật toán đề xuất thông minh (AI Recommendation Engines).

Đối tượng hưởng lợi

  • Sinh viên & Người học ngành Quản trị / Kinh tế số: Nắm bắt quy trình thực hiện một nghiên cứu định lượng chuẩn mực từ thiết kế thang đo, thu thập dữ liệu đến phân tích SPSS chuyên sâu.
  • Kỹ sư Phần mềm & Product Manager (PM): Thấu hiểu các chỉ số tác động của UI/UX và bảo mật để thiết kế các tính năng ứng dụng giao thức ăn tối ưu hành vi người dùng.
  • Doanh nghiệp OFD & Nhà hàng đối tác (Merchants): Có cơ sở khoa học vững chắc để phân bổ ngân sách khuyến mãi, tối ưu chi phí vận hành và xây dựng chiến dịch giữ chân khách hàng trẻ.
  • Nhà nghiên cứu học thuật: Cung cấp tài liệu tham khảo có giá trị cao về thang đo chuẩn hóa trong lĩnh vực thương mại điện tử và dịch vụ giao vận tại thị trường mới nổi.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai bộ công cụ phân tích dữ liệu của đề tài là gì?

Hệ thống cần máy tính chạy hệ điều hành Windows 10/11 hoặc macOS, cài đặt phần mềm IBM SPSS Statistics 23.0 trở lên (hoặc môi trường Python 3.10+ tích hợp pandas, scipy, statsmodels) với tối thiểu 4GB RAM và 2GB dung lượng ổ cứng khả dụng.

2. Mô hình nghiên cứu có khả năng mở rộng quy mô (scalability) cho các trường đại học khác không?

Hoàn toàn khả thi. Bộ thang đo 25 biến quan sát đã được chuẩn hóa qua kiểm định Cronbach's Alpha và EFA, cho phép tái sử dụng để khảo sát sinh viên tại các cụm đại học khác như ĐHQG TP.HCM, ĐH Kinh tế TP.HCM (UEH) bằng cách điều chỉnh thông tin nhân khẩu học.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống CRM của doanh nghiệp OFD?

Doanh nghiệp có thể trích xuất các trọng số Beta ($\beta$) từ mô hình hồi quy để gán điểm số tiềm năng (Lead Scoring) cho các phân khúc người dùng trên hệ thống CRM, từ đó tự động hóa việc phân phát voucher giảm giá hoặc gợi ý món ăn theo hành vi nhóm.

4. Chi phí duy trì và yêu cầu vận hành mô hình khảo sát định kỳ là bao nhiêu?

Chi phí vận hành gần như bằng 0 nếu sử dụng các nền tảng nguồn mở và Google Workspace API. Doanh nghiệp chỉ cần đầu tư nhân sự phân tích dữ liệu định kỳ mỗi quý để cập nhật sự thay đổi trong trọng số các biến.

5. Làm sao giảm thiểu nhận thức rủi ro (Perceived Risk) của người dùng mới?

Cần áp dụng đồng bộ 3 giải pháp: Tích hợp bảo mật 2 lớp (2FA) khi thanh toán, hiển thị minh bạch hồ sơ tiêm chủng/đánh giá của tài xế và cam kết chính sách bảo hiểm bữa ăn (hoàn tiền ngay lập tức nếu đơn hàng không đúng cam kết).


Kết luận

Khóa luận tốt nghiệp của tác giả Lý Ngọc Trinh đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua việc chứng minh mối quan hệ tác động của 6 nhân tố đến ý định lựa chọn ứng dụng giao đồ ăn của sinh viên Đại học Ngân hàng TP.HCM. Với mô hình giải thích được $58.4%$ biến thiên hành vi ($R^2 \text{ Adjusted} = 0.584$), nghiên cứu chỉ ra rằng nâng cao tính hữu dụng, mở rộng điều kiện hạ tầng và tận dụng mạng lưới xã hội là 3 đòn bẩy chiến lược giúp các nền tảng OFD bứt phá doanh thu. Các nhà phát triển ứng dụng và doanh nghiệp F&B cần nhanh chóng chuyển dịch từ chiến lược "đốt tiền khuyến mãi" sang nâng cao trải nghiệm công nghệ toàn diện và giảm thiểu rủi ro vận hành.