Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam đang trải qua giai đoạn tăng trưởng bứt phá với quy mô thị trường bán lẻ đạt xấp xỉ 16,4 tỷ USD vào năm 2022, chiếm 7,5% tổng doanh thu hàng hóa và dịch vụ tiêu dùng cả nước. Theo số liệu từ eMarketer, Việt Nam nằm trong nhóm 5 quốc gia có tốc độ tăng trưởng TMĐT hàng đầu thế giới với tốc độ 20%/năm, thu hút 57 đến 60 triệu người tiêu dùng tham gia mua sắm trực tuyến (giá trị chi tiêu bình quân 260–285 USD/người). Trong bức tranh đó, TP.HCM dẫn đầu cả nước về chỉ số TMĐT với 90,6 điểm (theo VECOM 2022). Nền tảng Shopee liên tục giữ vững thị phần chi phối với hơn 84 triệu lượt truy cập web/tháng (theo iPrice Q1/2022).

graph LR
    A[Bối cảnh thị trường TMĐT VN: 16.4B USD] --> B(Nhu cầu tối ưu tỷ lệ chuyển đổi trên Shopee)
    B --> C{Rào cản khách hàng}
    C -->|Bảo mật & Niềm tin| D[E-commerce Friction]
    C -->|Độ nhạy giá| D
    C -->|Giao diện & Tiện ích| D
    D --> E[Mô hình định lượng TPB + TAM + E-CAM]

Mặc dù lưu lượng truy cập cao, các doanh nghiệp và nhà bán hàng trên sàn TMĐT đối mặt với thách thức lớn về tỷ lệ chuyển đổi và lòng trung thành của khách hàng. Khách hàng trực tuyến không thể tiếp xúc vật lý với sản phẩm, làm gia tăng nhận thức rủi ro về chất lượng, an toàn thanh toán và rò rỉ dữ liệu cá nhân.

Mục tiêu nghiên cứu của dự án:

  1. Xác định các nhân tố cấu thành ảnh hưởng trực tiếp đến ý định mua sắm trực tuyến (MSTT) của người tiêu dùng tại TP.HCM trên nền tảng Shopee.
  2. Đo lường và lượng hóa mức độ tác động của từng nhân tố thông qua mô hình hồi quy tuyến tính bội với dữ liệu thực nghiệm ($N = 220$).
  3. Đề xuất hệ thống hàm ý quản trị giúp tối ưu hóa chiến lược kinh doanh, chính sách giá và trải nghiệm người dùng (UX/UI) trên sàn TMĐT.

Giải pháp tiếp cận: Đề tài tích hợp Thuyết hành vi có kế hoạch (TPB), Thuyết hành động hợp lý (TRA), Mô hình chấp nhận công nghệ (TAM) và Mô hình chấp nhận TMĐT (e-CAM) nhằm xây dựng khung phân tích thực nghiệm đa chiều. Dự án áp dụng phương pháp nghiên cứu kết hợp: định tính (phỏng vấn sâu $N=5$) để hiệu chỉnh thang đo và định lượng ($N=220$) xử lý qua SPSS 20.0.

Kết quả mong đợi: Xác lập mô hình toán học giải thích phương sai ý định mua sắm ($R^2 > 0.50$), kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.70$), phân tích nhân tố khám phá (EFA) đạt chuẩn hội tụ và phân biệt, cung cấp căn cứ số liệu chuẩn xác cho các quyết định marketing.

Phạm vi và giới hạn: Không gian nghiên cứu tập trung tại khu vực TP.HCM; đối tượng khảo sát là khách hàng cá nhân đã từng thực hiện giao dịch trên Shopee; thời gian thu thập dữ liệu từ tháng 06/2023 đến tháng 09/2023.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi người tiêu dùng kỹ thuật số đòi hỏi việc so sánh các mô hình lý thuyết nền tảng để lựa chọn khung tham chiếu tối ưu:

Mô hình lý thuyết Tác giả & Năm Ưu điểm Hạn chế Mức độ phù hợp với Shopee
TRA Fishbein & Ajzen (1975) Đơn giản, giải thích rõ vai trò của Thái độ và Chuẩn chủ quan Bỏ qua yếu tố kiểm soát hành vi và rào cản công nghệ Trung bình
TPB Ajzen (1991) Bổ sung Nhận thức kiểm soát hành vi, dự báo tốt ý định Chưa lượng hóa được đặc tính kỹ thuật số của sàn TMĐT Khá
TAM Fred Davis (1989) Đo lường chuẩn xác Tính hữu ích (PU) và Tính dễ sử dụng (PEOU) Bỏ qua yếu tố xã hội và độ nhạy cảm về giá Tốt (Cốt lõi)
e-CAM Lee et al. (2001) Tích hợp nhận thức rủi ro và niềm tin vào giao dịch điện tử Khá phức tạp, nhiều biến trung gian Cao

Ưu tiên hóa các yêu cầu nghiên cứu theo ma trận MoSCoW:

  • Must-have: Đo lường 5 nhân tố cốt lõi: Sự tin tưởng (STT), Chính sách giá (CSG), Chuẩn chủ quan (CCQ), Nhận thức sự hữu ích (SHI), Nhận thức tính dễ sử dụng (DSD).
  • Should-have: Kiểm định khác biệt nhân khẩu học (ANOVA/T-test) theo độ tuổi, giới tính, thu nhập, học vấn.
  • Could-have: So sánh hành vi người dùng Shopee với các đối thủ cạnh tranh (Lazada, Tiki).
  • Won't-have: Khảo sát hành vi sau mua (post-purchase dissonance) và tỷ lệ hoàn hàng.

Thiết kế hệ thống

Kiến trúc luồng xử lý và phân tích dữ liệu nghiên cứu được chuẩn hóa theo quy trình sau:

graph TD
    subgraph Data_Collection ["Thu thập dữ liệu"]
        A[Google Forms Instrument] --> B[(Raw Survey Data N=220)]
    end
    subgraph Preprocessing ["Tiền xử lý & Kiểm định thang đo"]
        B --> C[Data Cleaning & Coding Likert 1-5]
        C --> D[Cronbach's Alpha Reliability Test]
    end
    subgraph Factor_Analysis ["Phân tích cấu trúc EFA"]
        D --> E[KMO & Bartlett's Test]
        E --> F[Principal Axis Factoring / Varimax]
    end
    subgraph Econometric_Modeling ["Mô hình hóa kinh tế lượng"]
        F --> G[Pearson Correlation Matrix]
        G --> H[Multiple Linear Regression OLS]
        H --> I[Hypothesis Testing & ANOVA]
    end

Technology Stack & Thống số kỹ thuật:

  • Công cụ thống kê: IBM SPSS Statistics Version 20.0 / 22.0.
  • Nền tảng khảo sát: Google Forms API kết hợp mã hóa tự động sang định dạng .sav / .csv.
  • Cơ sở dữ liệu thang đo: 23 biến quan sát (20 biến độc lập thuộc 5 nhóm nhân tố, 3 biến phụ thuộc), thang đo khoảng cách Likert 5 mức độ ($1$: Hoàn toàn không đồng ý $\rightarrow 5$: Hoàn toàn đồng ý).
  • Tiêu chuẩn kiểm soát dữ liệu: Cỡ mẫu thiết kế $N = 220$ đáp ứng công thức Hair et al. ($N \ge 5k = 5 \times 20 = 100$) và Tabachnick & Fidell ($N \ge 8m + 50 = 8 \times 5 + 50 = 90$).

Methodology

Quy trình nghiên cứu áp dụng mô hình 2 giai đoạn (Mixed-Method Design):

sequenceDiagram
    participant LT as Cơ sở lý thuyết (TRA/TPB/TAM)
    participant DT as Nghiên cứu định tính (N=5)
    participant DL as Khảo sát định lượng (N=220)
    participant SPSS as Phân tích SPSS 20.0
    
    LT->>DT: Thiết lập thang đo sơ bộ (23 items)
    DT->>DT: Phỏng vấn sâu chuyên gia/người dùng
    DT->>DL: Hiệu chỉnh bảng hỏi chính thức
    DL->>SPSS: Thu thập dữ liệu làm sạch
    SPSS->>SPSS: Cronbach's Alpha -> EFA -> Regression
  1. Giai đoạn định tính: Phỏng vấn sâu nhóm 5 đối tượng có kinh nghiệm mua sắm trên Shopee tối thiểu 1 năm nhằm rà soát tính mạch lạc của biến quan sát (ví dụ: điều chỉnh biến "Tôi có thể săn sale" thành "Tôi nhận được nhiều ưu đãi khi mua hàng trên Shopee").
  2. Giai đoạn định lượng: Khảo sát diện rộng, làm sạch mẫu, kiểm tra phân phối chuẩn qua biểu đồ Histogram và Scatter Plot.
  3. Quản trị rủi ro mẫu: Loại bỏ các quan sát trùng lặp hoặc đơn điệu (straight-lining responses), kiểm soát phương sai chung bằng phương pháp ẩn danh nguồn phản hồi.

Implementation và kết quả

Development process

Phương trình hồi quy tuyến tính bội được thiết lập dưới dạng:

$$YD = \beta_0 + \beta_1 SHI + \beta_2 CSG + \beta_3 STT + \beta_4 CCQ + \beta_5 DSD + \epsilon$$

Trong đó:

  • $YD$: Ý định mua sắm trực tuyến (Biến phụ thuộc)
  • $SHI$: Nhận thức sự hữu ích
  • $CSG$: Chính sách giá
  • $STT$: Sự tin cậy
  • $CCQ$: Chuẩn chủ quan
  • $DSD$: Nhận thức tính dễ sử dụng
  • $\beta_i$: Các hệ số hồi quy chuẩn hóa
  • $\epsilon$: Sai số ngẫu nhiên

Đoạn mã tự động hóa quy trình phân tích và kiểm tra mô hình:

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

def evaluate_ecommerce_regression(data_path: str):
    # Nạp dữ liệu khảo sát Shopee N=220
    df = pd.read_csv(data_path)
    X = df[['SHI', 'CSG', 'STT', 'CCQ', 'DSD']]
    y = df['YD']
    
    # Kiểm tra hiện tượng đa cộng tuyến qua chỉ số VIF
    X_with_const = sm.add_constant(X)
    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])]
    
    # Ước lượng mô hình OLS
    model = sm.OLS(y, X_with_const).fit()
    
    print("=== KẾT QUẢ KIỂM ĐỊNH ĐA CỘNG TUYẾN (VIF) ===")
    print(vif_data[vif_data["Variable"] != 'const'])
    print("\n=== BẢNG TỔNG HỢP HỆ SỐ HỒI QUY ===")
    print(model.summary().tables[1])
    return model

# evaluate_ecommerce_regression('shopee_survey_data_220.csv')

Testing và validation

Quy chuẩn kiểm định thống kê được áp dụng nghiêm ngặt theo các tiêu chí:

  1. Độ tin cậy thang đo: Hệ số Cronbach's Alpha $\ge 0.70$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
  2. Phân tích EFA: Hệ số $KMO \ge 0.50$, kiểm định Bartlett có ý nghĩa thống kê ($p < 0.05$), tổng phương sai trích (Total Variance Explained) $> 50%$, hệ số tải nhân tố (Factor Loading) $\ge 0.50$.
  3. Hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $VIF < 2.0$, hệ số chấp nhận (Tolerance) $> 0.50$.
+-------------------------------------------------------------------------+
|                  KIỂM ĐỊNH MÔ HÌNH HỒI QUY TRÊN TỔNG THỂ                |
+-------------------+--------------------+-----------------+--------------+
| R: 0.742          | R Square: 0.551    | Adj R²: 0.540   | Durbin-W: ~2 |
| F-statistic: 52.4 | Sig. F: 0.000      | VIF max: < 1.62 | N: 220       |
+-------------------+--------------------+-----------------+--------------+

Kết quả đạt được

Phân tích dữ liệu thực nghiệm $N = 220$ cho thấy tất cả 5 giả thuyết từ $H_1$ đến $H_5$ đều được chấp nhận với mức ý nghĩa $p < 0.05$:

Nhân tố / Biến quan sát Số biến Cronbach's Alpha Hệ số hồi quy chuẩn hóa ($\beta$) Sig. ($p$-value) Mức độ tác động Kết luận giả thuyết
Nhận thức sự hữu ích (SHI) 4 0.842 0.345 0.000 Hạng 1 (Mạnh nhất) $H_4$: Chấp nhận
Chính sách giá (CSG) 4 0.815 0.268 0.000 Hạng 2 $H_2$: Chấp nhận
Sự tin tưởng (STT) 4 0.798 0.214 0.001 Hạng 3 $H_1$: Chấp nhận
Chuẩn chủ quan (CCQ) 4 0.783 0.165 0.004 Hạng 4 $H_3$: Chấp nhận
Nhận thức dễ sử dụng (DSD) 4 0.764 0.112 0.038 Hạng 5 (Thấp nhất) $H_5$: Chấp nhận
Ý định mua sắm (YD) 3 0.831 -- -- -- Biến phụ thuộc

Kiểm định ANOVA cho thấy không có sự khác biệt có ý nghĩa thống kê về ý định mua sắm giữa các nhóm giới tính ($p > 0.05$), tuy nhiên có sự phân hóa đáng kể theo độ tuổi và mức thu nhập ($p < 0.05$), trong đó nhóm tuổi 18–25 và phân khúc thu nhập 5–10 triệu VNĐ/tháng có tần suất và ý định mua hàng cao nhất.


Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến học thuật và thực tiễn rõ rệt so với các công trình trước đây:

graph TD
    subgraph Prior_Studies ["Các nghiên cứu trước"]
        P1[Trần Phi Hoàng 2019: Thiên về kỹ thuật web]
        P2[Nguyễn Thành Tiến 2022: Giới hạn Gen Z]
    end
    subgraph This_Project ["Đóng góp của đồ án"]
        TP1[Tích hợp đa chiều TAM + TPB + e-CAM]
        TP2[Mở rộng tập khách hàng đô thị TP.HCM]
        TP3[Lượng hóa tác động biên của CSG & SHI]
    end
    Prior_Studies -.->|Kế thừa & Nâng cấp| This_Project
Tiêu chí so sánh Trần Phi Hoàng & cs (2019) Nguyễn Thành Tiến & Trung (2022) Đồ án này (Đoàn Minh Thắng, 2023)
Khung lý thuyết TAM đơn lẻ + Rủi ro TPB mở rộng Phối hợp TAM, TPB, TRA & e-CAM
Đối tượng mẫu 219 mẫu tổng hợp 333 mẫu (chỉ Gen Z) 220 mẫu đa tầng độ tuổi tại TP.HCM
Nhân tố nổi bật Thiết kế web, Độ tin cậy Giới thiệu sản phẩm, Khuyến mãi Xác lập SHI ($\beta=0.345$) & CSG ($\beta=0.268$) chi phối
Độ bao phủ thực nghiệm Đo lường quyết định tức thời Hành vi mua ngẫu nhiên Chuẩn hóa thang đo ý định mua lặp lại

Các giá trị đóng góp chính:

  • Tính chuẩn hóa thực nghiệm: Xây dựng bộ thang đo 23 biến quan sát đã qua sàng lọc định tính và kiểm định định lượng, đạt độ tin cậy nội tại cao ($\alpha > 0.76$).
  • Phát hiện quan hệ trọng số: Chứng minh rằng đối với người dùng Shopee tại TP.HCM, "Sự hữu ích" (tiết kiệm thời gian, tiếp cận nguồn hàng đa dạng) và "Chính sách giá" đóng vai trò quyết định, trong khi "Tính dễ sử dụng" chỉ đóng vai trò điều kiện cần nhưng không phải động lực chính ($\beta = 0.112$).

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu để triển khai chiến lược kinh doanh trên nền tảng Shopee theo lộ trình 3 giai đoạn:

gantt
    title Lộ trình tối ưu hóa vận hành & chuyển đổi trên Shopee
    dateFormat  YYYY-MM
    section Giai đoạn 1: Tối ưu Hữu ích & Giá
    Tích hợp voucher động, so sánh giá realtime :2024-01, 2024-03
    Tối ưu thuật toán tìm kiếm & SKU đa dạng     :2024-02, 2024-04
    section Giai đoạn 2: Xây dựng Niềm tin
    Chuẩn hóa gian hàng Shopee Mall             :2024-04, 2024-07
    Nâng cấp chính sách bảo vệ người mua        :2024-05, 2024-08
    section Giai đoạn 3: Tác động Xã hội
    Khai thác mạng lưới KOL/KOC & Shopee Live   :2024-08, 2024-11
    Hệ thống gamification & referral program    :2024-09, 2024-12

Chiến lược quản trị chi tiết

  1. Tối ưu hóa nhận thức hữu ích (SHI - Trọng số 34.5%):

    • Nâng cao tính chính xác của công cụ tìm kiếm nội sàn thông qua ElasticSearch và AI gợi ý sản phẩm cá nhân hóa.
    • Rút ngắn thời gian xử lý đơn hàng và liên kết các đơn vị vận chuyển hỏa tốc (Shopee Express Instant) nhằm củng cố giá trị "tiết kiệm thời gian".
  2. Hoàn thiện chính sách giá và khuyến mãi (CSG - Trọng số 26.8%):

    • Thiết lập cơ chế Flash Sale minh bạch, hiển thị lịch sử biến động giá để tạo dựng niềm tin giá trị thật.
    • Thiết kế các gói voucher tích hợp (Freeship Xtra, Hoàn xu Xtra) theo bậc chi tiêu của người dùng.
  3. Củng cố niềm tin và bảo mật giao dịch (STT - Trọng số 21.4%):

    • Đẩy mạnh chính sách hoàn tiền 100% khi phát hiện hàng giả trên Shopee Mall.
    • Tăng cường bảo mật 2 lớp qua ShopeePay và mã hóa đầu cuối thông tin thanh toán.
  4. Khai thác chuẩn chủ quan (CCQ - Trọng số 16.5%):

    • Tối ưu hóa tính năng Shopee Feed, Shopee Live kết hợp Affiliate Marketing với mạng lưới KOC/KOL uy tín.
    • Khuyến khích người mua để lại đánh giá kèm hình ảnh/video bằng điểm Shopee Xu thưởng.

Hạn chế và hướng phát triển

  • Hạn chế về cỡ mẫu và không gian: Cỡ mẫu dừng lại ở $N = 220$ tại khu vực TP.HCM theo phương pháp chọn mẫu thuận tiện, chưa bao phủ toàn diện khu vực nông thôn hoặc các tỉnh thành có chỉ số TMĐT thấp hơn.
  • Hạn chế về mặt thời gian: Dữ liệu cắt ngang (cross-sectional) thu thập trong quý 3/2023, chưa phản ánh được sự biến động hành vi theo mùa mua sắm (dịp Tết hoặc các siêu sale cuối năm).
  • Hướng nghiên cứu tiếp theo:
    • Ứng dụng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) để phân tích các biến trung gian (Sự hài lòng, Thái độ) và biến điều tiết (Thu nhập, Giới tính).
    • Mở rộng khảo sát so sánh đa nền tảng (Shopee vs. TikTok Shop vs. Lazada) nhằm đánh giá tác động của xu hướng Thương mại giải trí (Shoppertainment).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu hành vi người tiêu dùng, quy trình kiểm định EFA và hồi quy OLS trên SPSS.
  • Data Analysts & Marketers: Bộ thang đo 23 biến quan sát chuẩn hóa có thể tái sử dụng ngay cho các khảo sát định kỳ về trải nghiệm khách hàng (Customer Experience Metrics).
  • Doanh nghiệp & Nhà bán hàng (Merchants): Xác định chính xác thứ tự ưu tiên phân bổ ngân sách marketing (tập trung 61.3% nguồn lực vào Tối ưu giá trị hữu ích và Chiến lược định giá).
  • Nhà nghiên cứu học thuật: Khung tích hợp TRA-TPB-TAM làm tiền đề cho các mô hình nghiên cứu mở rộng trong kỷ nguyên AI Commerce.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn cỡ mẫu $N = 220$ và con số này có đủ tin cậy về mặt thống kê?

Theo quy tắc kinh nghiệm của Hair et al. (2004) cho phân tích EFA, cỡ mẫu tối thiểu cần gấp 5 lần số biến quan sát ($n \ge 5k = 5 \times 20 = 100$). Theo Tabachnick & Fidell (1991) cho hồi quy tuyến tính, cỡ mẫu tối thiểu là $N \ge 8m + 50 = 8 \times 5 + 50 = 90$ ($m=5$ biến độc lập). Với $N = 220$, cỡ mẫu vượt hơn gấp đôi yêu cầu tối thiểu, đảm bảo độ mạnh thống kê (statistical power $> 0.8$) và giảm thiểu sai số chọn mẫu.

2. Vì sao "Nhận thức tính dễ sử dụng (DSD)" lại có hệ số tác động thấp nhất ($\beta = 0.112$)?

Người tiêu dùng tại TP.HCM hiện nay có mặt bằng dân trí kỹ thuật số cao, smartphone phổ cập rộng rãi và giao diện Shopee đã được chuẩn hóa thân thiện qua nhiều năm. Do đó, việc thao tác ứng dụng dễ dàng trở thành "yếu tố mặc định" (hygiene factor) chứ không còn là động lực phân biệt chính thúc đẩy ý định mua hàng.

3. Nghiên cứu kiểm soát hiện tượng đa cộng tuyến và tự tương quan như thế nào?

Hiện tượng đa cộng tuyến được kiểm soát thông qua hệ số VIF của tất cả các biến độc lập đều nhỏ hơn 2.0 (ngưỡng an toàn là $< 10$, khuyến nghị khắt khe là $< 2.0$) và hệ số Tolerance $> 0.5$. Tự tương quan phần dư được đánh giá qua đại lượng Durbin-Watson xấp xỉ mức lý tưởng (~2.0).

4. Kết quả này có thể áp dụng trực tiếp cho nền tảng TikTok Shop hay không?

Có thể tham khảo về mặt cấu trúc nhân tố (Giá, Niềm tin, Hữu ích), tuy nhiên TikTok Shop mang tính chất "Shoppertainment" mạnh hơn, trong đó nhân tố Cảm xúc (Hedonic Value) và Ảnh hưởng xã hội (CCQ/KOLs) có thể sẽ chiếm tỷ trọng $\beta$ cao hơn so với mô hình sàn TMĐT truyền thống như Shopee.

5. Doanh nghiệp vừa và nhỏ (SMEs) trên Shopee nên phân bổ chi phí marketing như thế nào dựa trên kết quả?

Doanh nghiệp nên ưu tiên phân bổ 40% ngân sách cho việc tối ưu thông tin sản phẩm, tốc độ giao hàng (SHI), 30% cho các chương trình khuyến mãi/combo trợ giá (CSG), 20% cho dịch vụ chăm sóc khách hàng và xây dựng đánh giá 5 sao (STT), và 10% còn lại cho hình ảnh/giao diện gian hàng (DSD).


Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Đoàn Minh Thắng đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua việc xác lập và kiểm định mô hình định lượng các yếu tố ảnh hưởng đến ý định mua sắm trực tuyến trên Shopee tại TP.HCM. Bằng việc kết hợp hài hòa giữa các lý thuyết kinh điển (TRA, TPB, TAM) và công cụ xử lý dữ liệu SPSS 20.0 trên mẫu thực tế $N = 220$, công trình đã lượng hóa rõ nét thứ tự tác động: Nhận thức sự hữu ích ($\beta = 0.345$) $>$ Chính sách giá ($\beta = 0.268$) $>$ Sự tin tưởng ($\beta = 0.214$) $>$ Chuẩn chủ quan ($\beta = 0.165$) $>$ Nhận thức tính dễ sử dụng ($\beta = 0.112$).

Các phát hiện thực nghiệm này không chỉ khẳng định giá trị học thuật của mô hình tiếp nhận công nghệ mở rộng mà còn mang lại bộ giải pháp quản trị thực tiễn, có tính ứng dụng cao giúp các doanh nghiệp TMĐT tối ưu hóa năng lực cạnh tranh và thúc đẩy doanh thu bền vững.