Giới thiệu dự án

Thị trường giao đồ ăn trực tuyến (Online Food Delivery - OFD) tại Việt Nam chứng kiến tốc độ tăng trưởng nhảy vọt với tỷ lệ tăng trưởng kép hàng năm (CAGR) đạt 16,5% trong giai đoạn 2020 - 2024, dự kiến chạm mốc quy mô 505 triệu USD vào năm 2024 (theo báo cáo của Statista). Đặc biệt, phân khúc giao hàng từ nền tảng đến khách hàng (Platform-to-Customer Delivery) ghi nhận mức tăng trưởng vượt bậc lên tới 21,5%, phản ánh sự dịch chuyển sâu sắc trong hành vi tiêu dùng sau đại dịch COVID-19. Trong bối cảnh các ứng dụng kỳ cựu như GrabFood và ShopeeFood chiếm lĩnh thị phần lớn, BAEMIN (thuộc tập đoàn Woowa Brothers Corp, Hàn Quốc) gia nhập thị trường Việt Nam từ năm 2019 và vươn lên vị trí thứ 3 về mức độ nhận diện thương hiệu. Tuy nhiên, việc duy trì lòng trung thành và tối ưu hóa tỷ lệ chuyển đổi ở nhóm khách hàng thế hệ trẻ đặt ra bài toán cạnh tranh gay gắt.

                  CƠ CẤU MÔ HÌNH NGHIÊN CỨU THỰC NGHIỆM
                  
  +-------------------------------------------------------------+
  |                   MÔ HÌNH ĐỀ XUẤT (EXTENDED TAM-TPB)        |
  |                                                             |
  |  [DSD] Nhận thức tính dễ sử dụng --(H1: +)---+              |
  |  [HI]  Nhận thức sự hữu ích     --(H2: +)---+              |
  |  [TT]  Sự tin tưởng             --(H3: +)---+--> [YĐ] Ý định|
  |  [GC]  Giá cả                   --(H4: +)---+    sử dụng    |
  |  [AH]  Ảnh hưởng xã hội (Chuẩn) --(H5: +)---+    BAEMIN     |
  |  [TĐ]  Thái độ đối với dịch vụ  --(H6: +)---+               |
  +-------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Sinh viên tại các đô thị vệ tinh – điển hình là Thành phố Thủ Đức, nơi tập trung mật độ cao các làng đại học – là phân khúc khách hàng kỹ thuật số (digital natives) có tần suất sử dụng điện thoại thông minh cao nhưng độ nhạy cảm về giá (price sensitivity) và tỷ lệ chuyển đổi dịch vụ (churn rate) cực kỳ lớn. Doanh nghiệp đối mặt với bài toán: Làm thế nào để xác định chính xác các nhân tố quyết định thúc đẩy ý định sử dụng của sinh viên nhằm tối ưu hóa chi phí thu hút khách hàng (CAC) và gia tăng giá trị vòng đời khách hàng (LTV)?

Mục tiêu của đề tài

  1. Xác định các yếu tố cốt lõi tác động đến ý định sử dụng dịch vụ đặt đồ ăn trực tuyến BAEMIN của sinh viên trên địa bàn TP. Thủ Đức.
  2. Đo lường mức độ tác động định lượng (Beta weights) của từng yếu tố thông qua các mô hình kiểm định thống kê chuyên sâu.
  3. Đề xuất hệ thống hàm ý quản trị ứng dụng cho ban điều hành BAEMIN nhằm tối ưu hóa trải nghiệm người dùng, củng cố chiến lược truyền thông xã hội và gia tăng thị phần.

Phương pháp tiếp cận giải pháp

Nghiên cứu kết hợp cơ sở lý thuyết từ Mô hình Chấp nhận Công nghệ (TAM - Davis, 1989), Thuyết Hành vi Dự định (TPB - Ajzen, 1991) và Thuyết Hành động Hợp lý (TRA - Fishbein & Ajzen, 1975). Mô hình tích hợp 6 biến độc lập: Nhận thức tính dễ sử dụng (DSD), Nhận thức sự hữu ích (HI), Sự tin tưởng (TT), Giá cả (GC), Ảnh hưởng xã hội (AH) và Thái độ (TĐ), tác động trực tiếp đến biến phụ thuộc là Ý định sử dụng (YĐ).

Kết quả kỳ vọng và chỉ số đo lường

  • Xây dựng bộ thang đo chuẩn hóa gồm 25 biến quan sát phù hợp với văn hóa tiêu dùng F&B của sinh viên Việt Nam.
  • Đạt độ tin cậy thang đo thông qua hệ số Cronbach's Alpha $\ge 0.70$ và tương quan biến - tổng $\ge 0.30$.
  • Mô hình hồi quy OLS đạt độ thích hợp $R^2 > 0.50$, kiểm soát tốt hiện tượng đa cộng tuyến với hệ số phóng đại phương sai $\text{VIF} < 2.0$.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Các trường đại học trên địa bàn Thành phố Thủ Đức, TP. Hồ Chí Minh.
  • Thời gian: Dữ liệu khảo sát thực nghiệm thu thập từ tháng 04/2022 đến tháng 06/2022.
  • Đối tượng khảo sát: 250 sinh viên đại học chính quy có hành vi tiêu dùng dịch vụ đặt thức ăn qua ứng dụng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường giao nhận thức ăn trực tuyến tại Việt Nam hiện nay có sự phân hóa rõ rệt giữa các nền tảng công nghệ:

Tiêu chí phân tích BAEMIN GrabFood ShopeeFood (Now)
Thị phần & Độ phủ Top 3 thị phần, tăng trưởng 46% (12/2020), phủ sóng mạnh tại các quận trung tâm và TP. Thủ Đức Top 1 thị phần, hệ sinh thái siêu ứng dụng tích hợp ride-hailing và ví Moca Top 2 thị phần, tích hợp sâu vào sàn TMĐT Shopee và ví ShopeePay
Giao diện & Trải nghiệm (UI/UX) Phong cách tối giản, tone màu Mint pastel, font chữ nhận diện riêng (BM Daniel), hướng tới Gen Z Giao diện đa dịch vụ, mật độ thông tin dày đặc Giao diện khuyến mãi trực quan, tối ưu cho săn sale voucher
Ưu điểm cốt lõi Chiến dịch Marketing bản địa hóa xuất sắc, hình ảnh thương hiệu trẻ trung, nội dung viral Đội ngũ tài xế đông đảo, thời gian giao hàng cực nhanh, thuật toán định tuyến tốt Mạng lưới quán ăn đối tác phong phú nhất, khuyến mãi giảm giá trực tiếp rất mạnh
Hạn chế kỹ thuật Chưa tối ưu hệ thống lọc trạng thái quán đóng/mở, thiếu chatbot tức thì, chưa có tính năng tự hủy đơn linh hoạt Phí dịch vụ và phí vận chuyển cao trong giờ cao điểm Tốc độ tải ứng dụng đôi khi chậm khi có chiến dịch khuyến mãi lớn

Đánh giá yêu cầu người dùng theo khung MoSCoW

  • Must-have (Bắt buộc phải có): Độ chính xác của đơn hàng, bảo mật dữ liệu thanh toán, tính năng theo dõi vị trí tài xế theo thời gian thực.
  • Should-have (Nên có): Thuật toán gợi ý món ăn theo ngân sách sinh viên, bộ lọc tách biệt rõ ràng giữa quán đang mở và quán đóng cửa.
  • Could-have (Có thể có): Tính năng tự hủy đơn hàng trong vòng 60 giây đầu tiên, tích hợp chatbot AI hỗ trợ xử lý khiếu nại voucher.
  • Won't-have (Chưa cần thiết): Các tính năng phức tạp ngoài ngành F&B làm giảm tốc độ phản hồi của ứng dụng.

Thiết kế hệ thống và mô hình dữ liệu

Công nghệ và công cụ xử lý dữ liệu

  • Phần mềm xử lý thống kê: IBM SPSS Statistics phiên bản 22.0 (sử dụng các thuật toán OLS Regression, EFA Extraction, Cronbach's Alpha Internal Consistency).
  • Ngôn ngữ bổ trợ phân tích dữ liệu: Python 3.9 (thư viện pandas, statsmodels, scipy, seaborn phục vụ trực quan hóa dữ liệu).
  • Cơ chế thu thập dữ liệu: Google Forms API kết hợp phân phối qua các cộng đồng sinh viên trực tuyến.
  • Thang đo: Thang đo khoảng cách Likert 5 mức độ ($1 = \text{Hoàn toàn không đồng ý}$ đến $5 = \text{Hoàn toàn đồng ý}$).

Quy trình phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình kết hợp hai giai đoạn (Mixed-methods Research Design):

+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 1: NGHIÊN CỨU ĐỊNH TÍNH (QUALITATIVE RESEARCH)                           |
| - Phỏng vấn chuyên sâu (In-depth interview) 02 chuyên gia (Giảng viên & Chuyên gia) |
| - Hiệu chỉnh 25 biến quan sát từ thang đo gốc cho phù hợp với ngữ cảnh BAEMIN      |
+-----------------------------------------------------------------------------------+
                                         |
                                         v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 2: NGHIÊN CỨU ĐỊNH LƯỢNG (QUANTITATIVE RESEARCH)                         |
| - Thu thập mẫu khảo sát: N = 270 phát ra -> Thu về N = 250 mẫu hợp lệ             |
| - Kiểm định Cronbach's Alpha -> Phân tích EFA -> Kiểm định Hồi quy OLS đa biến    |
| - Phân tích phương sai ANOVA & Independent Samples T-test theo nhân khẩu học     |
+-----------------------------------------------------------------------------------+

Triển khai thực nghiệm và kết quả phân tích

Quy trình xử lý và thuật toán phân tích dữ liệu

Toàn bộ quy trình xử lý dữ liệu được chuẩn hóa thông qua mã nguồn phân tích toán học - thống kê:

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

# 1. Đọc và chuẩn hóa dữ liệu khảo sát (N = 250)
df = pd.read_csv("baemin_survey_thu_duc_250.csv")

# 2. Định nghĩa danh sách các biến độc lập và biến phụ thuộc
independent_vars = ['DSD_Mean', 'HI_Mean', 'TT_Mean', 'GC_Mean', 'AH_Mean', 'TD_Mean']
dependent_var = 'YD_Mean'

# 3. Ước lượng mô hình hồi quy OLS Đa biến
X = df[independent_vars]
X = sm.add_constant(X)
y = df[dependent_var]

model = sm.OLS(y, X).fit()

# 4. Kiểm tra đa cộng tuyến qua chỉ số VIF (Variance Inflation Factor)
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])]

print(model.summary())
print("\n--- Chỉ số kiểm định Đa cộng tuyến (VIF) ---")
print(vif_data)

Kiểm định chất lượng thang đo (Testing & Validation)

1. Đánh giá độ tin cậy thang đo (Cronbach's Alpha)

Tiêu chuẩn chấp nhận: Hệ số $\alpha \ge 0.60$ và hệ số tương quan biến - tổng hiệu chỉnh (Corrected Item - Total Correlation) $\ge 0.30$.

$$ \alpha = \frac{K}{K - 1} \left( 1 - \frac{\sum_{i=1}^{K} \sigma_{Y_i}^2}{\sigma_X^2} \right) $$

  • Nhận thức tính dễ sử dụng (DSD): 4 biến quan sát (DSD1 - DSD4), $\alpha = 0.841$, tương quan biến - tổng nhỏ nhất là $0.612$.
  • Nhận thức sự hữu ích (HI): 4 biến quan sát (HI1 - HI4), $\alpha = 0.865$, tương quan biến - tổng nhỏ nhất là $0.648$.
  • Sự tin tưởng (TT): 3 biến quan sát (TT1 - TT3), $\alpha = 0.812$, tương quan biến - tổng nhỏ nhất là $0.590$.
  • Giá cả (GC): 3 biến quan sát (GC1 - GC3), $\alpha = 0.835$, tương quan biến - tổng nhỏ nhất là $0.621$.
  • Ảnh hưởng xã hội (AH): 4 biến quan sát (AH1 - AH4), $\alpha = 0.887$, tương quan biến - tổng nhỏ nhất là $0.695$.
  • Thái độ (TĐ): 4 biến quan sát (TĐ1 - TĐ4), $\alpha = 0.854$, tương quan biến - tổng nhỏ nhất là $0.634$.
  • Ý định sử dụng (YĐ): 3 biến quan sát (YĐ1 - YĐ3), $\alpha = 0.872$, tương quan biến - tổng nhỏ nhất là $0.710$.

2. Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA)

Phân tích EFA được thực hiện bằng phương pháp trích Principal Axis Factoring với phép quay Varimax cho 22 biến quan sát độc lập và 3 biến quan sát phụ thuộc:

  • Hệ số KMO (Kaiser-Meyer-Olkin): $\text{KMO} = 0.868 > 0.50$, chứng minh quy mô mẫu hoàn toàn thích hợp.
  • Kiểm định Bartlett: Thống kê Chi-square đạt giá trị cao với mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$, các biến quan sát có tương quan tuyến tính chặt chẽ.
  • Tổng phương sai trích (Total Variance Explained): Đạt $64.32% > 50%$, 6 nhân tố trích xuất giải thích được $64.32%$ sự biến thiên của dữ liệu.
  • Chỉ số Eigenvalue: Nhân tố thứ 6 có Eigenvalue đạt $1.218 > 1.0$, xác nhận cấu trúc 6 nhóm nhân tố độc lập rõ ràng.
  • Hệ số tải nhân tố (Factor Loading): Tất cả các biến đều có hệ số tải $> 0.55$, không có biến nào bị loại do tải chéo.

Kết quả hồi quy và kiểm định giả thuyết

Phương trình hồi quy tuyến tính bội chuẩn hóa:

$$ YĐ = \beta_0 + \beta_1 AH + \beta_2 TĐ + \beta_3 HI + \beta_4 TT + \beta_5 GC + \beta_6 DSD + \epsilon $$

Biến độc lập Mã hóa Hệ số hồi quy chưa chuẩn hóa (B) Sai số chuẩn (Std. Error) Hệ số hồi quy chuẩn hóa ($\beta$) Giá trị kiểm định $t$ Mức ý nghĩa (Sig.) Hệ số phóng đại phương sai (VIF) Kết luận giả thuyết
(Hằng số) Constant $0.185$ $0.142$ - $1.303$ $0.194$ - -
Ảnh hưởng xã hội AH $0.298$ $0.045$ $0.312$ $6.622$ $0.000$ $1.342$ Chấp nhận H5 (+)
Thái độ TĐ $0.231$ $0.042$ $0.245$ $5.500$ $0.000$ $1.285$ Chấp nhận H6 (+)
Sự hữu ích HI $0.184$ $0.039$ $0.198$ $4.718$ $0.000$ $1.310$ Chấp nhận H2 (+)
Sự tin tưởng TT $0.142$ $0.038$ $0.155$ $3.737$ $0.000$ $1.221$ Chấp nhận H3 (+)
Giá cả GC $0.128$ $0.036$ $0.139$ $3.555$ $0.000$ $1.198$ Chấp nhận H4 (+)
Tính dễ sử dụng DSD $0.095$ $0.035$ $0.104$ $2.714$ $0.007$ $1.205$ Chấp nhận H1 (+)

Các chỉ số kiểm định mô hình tổng thể:

  • Hệ số xác định $R^2 = 0.628$, $R^2$ hiệu chỉnh $= 0.619$. Mô hình giải thích được $61.9%$ sự thay đổi của Ý định sử dụng.
  • Giá trị kiểm định $F = 68.421$ ($\text{Sig.} = 0.000 < 0.001$), khẳng định mô hình hồi quy hoàn toàn có ý nghĩa thống kê.
  • Hệ số $\text{VIF} < 1.40$, loại bỏ hoàn toàn rủi ro đa cộng tuyến giữa các biến độc lập.
  • Kiểm định Durbin-Watson đạt $1.892$ (nằm trong khoảng $1.50 - 2.50$), chứng minh không có hiện tượng tự tương quan chuỗi bậc nhất.

Đổi mới và đóng góp của đề tài

+-------------------------------------------------------------------------------+
|                      MA TRẬN ĐÓNG GÓP HÀM Ý QUẢN TRỊ                          |
|                                                                               |
|  YẾU TỐ TÁC ĐỘNG MẠNH NHẤT: Ảnh hưởng xã hội (Beta = 0.312)                   |
|  --> Đột phá: Chuyển dịch ngân sách từ trợ giá đơn lẻ sang Marketing Lan truyền|
|                                                                               |
|  YẾU TỐ THỨ HAI: Thái độ đối với dịch vụ (Beta = 0.245)                       |
|  --> Đột phá: Chuẩn hóa dịch vụ giao hàng, tối ưu thông báo đẩy (Push Notif)  |
|                                                                               |
|  YẾU TỐ THỨ BA: Nhận thức sự hữu ích (Beta = 0.198)                           |
|  --> Đột phá: Đa dạng hóa danh mục ăn uống sinh viên (Combo tiết kiệm)        |
+-------------------------------------------------------------------------------+

Điểm mới về mặt học thuật và lý thuyết

  • Tích hợp liên mô hình thích ứng cao: Khắc phục hạn chế của các mô hình TAM đơn lẻ bằng cách tích hợp Thuyết Hành vi Dự định (TPB) và bổ sung 2 yếu tố đặc thù của thị trường dịch vụ số là Sự tin tưởng (Trust) và Giá cả (Price).
  • Bản địa hóa dữ liệu vi mô (Micro-demographic contextualization): Cung cấp bằng chứng thực nghiệm đầu tiên về hành vi tiêu dùng ứng dụng giao đồ ăn tại phân vùng hành chính đặc thù – Thành phố Thủ Đức, nơi có cấu trúc dân số sinh viên chiếm tỷ trọng cao hàng đầu cả nước.

Đóng góp cho thực tiễn quản trị doanh nghiệp

  • Chỉ ra đòn bẩy tăng trưởng then chốt: Phát hiện thực nghiệm chỉ ra rằng Ảnh hưởng xã hội ($\beta = 0.312$) là nhân tố có tác động mạnh nhất, vượt qua cả yếu tố Giá cả ($\beta = 0.139$). Điều này bác bỏ giả định truyền thuyết cho rằng sinh viên chỉ quan tâm tới mã giảm giá, khẳng định sức mạnh của hiệu ứng lan truyền mạng lưới (Word-of-Mouth - WOM) và đánh giá cộng đồng (Social Proof).

Ứng dụng thực tế và lộ trình triển khai

Kịch bản ứng dụng thực tế (Managerial Use Cases)

  1. Chiến lược tối ưu hóa mạng lưới tiếp thị xã hội (Social Referral Loop):

    • Triển khai tính năng "Đặt nhóm - Chia tiền tự động" (Group Order & Bill Splitting) nhắm trực tiếp vào thói quen ăn uống tập thể tại ký túc xế và phòng trọ.
    • Thưởng điểm tín dụng (Reward Credits) cho sinh viên khi chia sẻ đánh giá món ăn kèm hình ảnh/video thực tế lên mạng xã hội.

  2. Cải tiến giao diện và hệ thống phân loại danh mục (UI/UX Refactoring):

    • Bổ sung bộ lọc tự động "Quán đang mở gần bạn nhất" để giải quyết dứt điểm điểm nghẽn trải nghiệm người dùng.
    • Tối ưu hóa thuật toán đề xuất (Recommender System) hiển thị danh mục "Cơm trưa sinh viên dưới 35k" dựa trên dữ liệu định vị địa lý quanh các trường đại học tại TP. Thủ Đức.

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Tối ưu chi phí: Giảm $25%$ ngân sách khuyến mãi "đốt tiền" trực tiếp cho voucher 1 lần; tái phân bổ $15%$ ngân sách vào các chiến dịch tiếp thị liên kết sinh viên (Affiliate Campus Ambassadors).
  • Gia tăng hiệu quả: Tăng tỷ lệ giữ chân khách hàng (Retention Rate) dự kiến thêm $18 - 22%$ trong 6 tháng, rút ngắn thời gian hoàn vốn đầu tư Marketing (ROI) từ 14 tháng xuống còn 9 tháng.

Hạn chế và hướng phát triển

  • Phương pháp lấy mẫu: Nghiên cứu sử dụng phương pháp lấy mẫu phi xác suất (thuận tiện) với quy mô $N = 250$, dù thỏa mãn tiêu chuẩn kiểm định nhưng khả năng đại diện tổng thể cho toàn bộ sinh viên tại TP. Hồ Chí Minh còn giới hạn.
  • Phương pháp phân tích: Mô hình OLS hồi quy tuyến tính chỉ đo lường mối quan hệ trực tiếp một chiều. Hướng nghiên cứu tiếp theo nên ứng dụng mô hình Cấu trúc Tuyến tính (PLS-SEM / CB-SEM) để phân tích các biến trung gian (Mediating variables) như Thái độ và biến điều tiết (Moderating variables) như Giới tính, Mức thu nhập.
  • Thời gian cắt ngang: Dữ liệu mang tính thời điểm (Cross-sectional data). Cần có các nghiên cứu theo chuỗi thời gian (Longitudinal study) để đánh giá biến thiên hành vi khi người dùng bước vào giai đoạn tốt nghiệp đi làm.

Đối tượng hưởng lợi từ công trình

  • Sinh viên & Người học ngành Quản trị Kinh doanh / Marketing / Hệ thống thông tin: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, thiết kế bảng hỏi Likert, kỹ thuật kiểm định mô hình hồi quy đa biến và xử lý số liệu trên SPSS.
  • Kỹ sư phát triển sản phẩm (Product Managers / UI-UX Designers): Nắm bắt các điểm nghẽn kỹ thuật trong ứng dụng giao đồ ăn để tối ưu hóa luồng tương tác (User Flows), giảm thao tác thừa và cải thiện tỷ lệ kích hoạt đơn hàng.
  • Doanh nghiệp F&B & Quản trị nền tảng Delivery: Định hình lại chiến lược định vị thương hiệu, dịch chuyển trọng tâm cạnh tranh từ "cuộc chiến đốt tiền khuyến mãi" sang "nâng cao trải nghiệm xã hội và uy tín dịch vụ".
  • Nhà nghiên cứu học thuật: Cung cấp bộ chỉ số đo lường thực nghiệm đáng tin cậy phục vụ so sánh liên ngành và mở rộng mô hình hành vi người tiêu dùng số trong nền kinh tế nền tảng (Platform Economy).

Câu hỏi thường gặp (FAQ)

1. Yêu cầu kỹ thuật tối thiểu để triển khai bộ công cụ phân tích này là gì?

Hệ thống yêu cầu máy tính cá nhân cấu hình tối thiểu 4GB RAM, cài đặt IBM SPSS Statistics v20 trở lên hoặc môi trường Python 3.8+ với các gói thư viện khoa học dữ liệu: statsmodels >= 0.13.0, scipy >= 1.7.0, pandas >= 1.3.0.

2. Tại sao nghiên cứu lại chọn cỡ mẫu N = 250?

Theo tiêu chuẩn của Hair et al. (1998), kích thước mẫu tối thiểu cho phân tích nhân tố EFA phải gấp 5 lần số biến quan sát ($N \ge 5 \times 25 = 125$). Nghiên cứu thu thập 250 mẫu hợp lệ (gấp 10 lần số biến quan sát), đảm bảo độ vững của ước lượng và triệt tiêu sai số chọn mẫu.

3. Làm thế nào để kiểm soát hiện tượng sai lệch câu trả lời (Common Method Bias) trong khảo sát?

Nghiên cứu đã thực hiện: (1) Đảo vị trí ngẫu nhiên các câu hỏi trong bảng khảo sát, (2) Đảm bảo tính ẩn danh tuyệt đối cho người tham gia, (3) Kiểm định phương sai một nhân tố của Harman (Harman's Single Factor Test) với kết quả nhân tố đầu tiên giải thích $< 50%$ phương sai.

4. Kết quả nghiên cứu có thể áp dụng cho các nền tảng khác như ShopeeFood hay GrabFood không?

Hoàn toàn có thể. Mô hình nghiên cứu được xây dựng trên nền tảng lý thuyết chấp nhận công nghệ chuẩn hóa. Các doanh nghiệp đối thủ có thể sử dụng nguyên vẹn khung đo lường này và chỉ cần thay đổi định danh thương hiệu trong bảng câu hỏi để thu thập dữ liệu benchmark so sánh.

5. Yếu tố "Ảnh hưởng xã hội" tác động mạnh nhất thể hiện điều gì trong tâm lý tiêu dùng của Gen Z?

Gen Z có tính kết nối cao qua các nền tảng số (TikTok, Facebook, Instagram) và phụ thuộc lớn vào đánh giá của cộng đồng mạng xã hội (Social Proof, User Generated Content - UGC). Quyết định đặt thức ăn không còn là hành vi mua sắm đơn độc mà mang tính chất trải nghiệm xã hội kết nối với bạn bè cùng phòng, đồng nghiệp và người có tầm ảnh hưởng (KOLs/KOCs).

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra: hệ thống hóa toàn diện cơ sở lý luận về hành vi tiêu dùng số; kiểm định thành công mô hình thực nghiệm với 6 yếu tố tác động tích cực đến ý định sử dụng BAEMIN của sinh viên tại TP. Thủ Đức ($R^2 = 61.9%$). Đề tài chứng minh tầm quan trọng vượt trội của yếu tố Ảnh hưởng xã hội ($\beta = 0.312$) và Thái độ ($\beta = 0.245$), mang lại góc nhìn chiến lược mới cho các nhà quản trị F&B Delivery trong việc dịch chuyển từ cạnh tranh giảm giá ngắn hạn sang xây dựng hệ sinh thái giá trị gắn kết cộng đồng bền vững.