Giới thiệu dự án

Thị trường hàng tiêu dùng nhanh (FMCG - Fast Moving Consumer Goods) tại Việt Nam năm 2019 ghi nhận sự tăng trưởng ổn định với mức tăng trưởng GDP đạt 6,71%, CPI được kiểm soát ở mức 2,57% và tổng mức bán lẻ hàng hóa tăng 11,5%. Trong phân khúc nước giải khát, Suntory PepsiCo Việt Nam khẳng định vị thế dẫn đầu với mức tăng trưởng doanh thu lên tới 40%. Tuy nhiên, cấu trúc thị trường chứng kiến sự phân hóa rõ rệt: tại khu vực thành thị, giá trị ngành hàng nước uống giảm 3,1% và sản lượng giảm 5,7%; ngược lại, khu vực nông thôn tăng trưởng vượt bậc với giá trị tăng 12,7% và sản lượng tăng 8,7%. Điều này đặt ra áp lực tối ưu hóa kênh phân phối truyền thống (General Trade - GT) tại các thị trường cấp tỉnh.

Nhà phân phối (NPP) Thúy Vân là đơn vị phân phối cấp 1 lớn thứ hai của Suntory PepsiCo tại Thừa Thiên Huế, quản lý mạng lưới 1.568 điểm bán lẻ (Retailers), 21 nhà bán buôn (Wholesalers) và 35 đại lý trực thuộc trên các địa bàn trọng điểm như Phú Lộc, Phú Vang, Nam Đông. Dù sở hữu mạng lưới bao phủ rộng, NPP Thúy Vân đối mặt với nhiều rào cản vận hành: xung đột lợi ích giữa các tầng kênh, tỷ lệ đổi trả và thu hồi vỏ chai thủy tinh (RGB - Returnable Glass Bottle) chậm, chính sách chiết khấu chưa tối ưu và năng lực thực thi của đội ngũ tiếp thị (Sales Representatives) chưa đồng đều.

Dự án nghiên cứu tập trung giải quyết các mục tiêu chiến lược sau:

  1. Hệ thống hóa cơ sở lý luận về cấu trúc kênh phân phối tích hợp dọc (VSM - Vertical Support Member) và chính sách quản trị trung gian thương mại ngành FMCG.
  2. Đánh giá thực nghiệm mức độ hài lòng của 150 nhà bán lẻ đối với 7 cấu phần thuộc chính sách phân phối của NPP Thúy Vân thông qua mô hình định lượng.
  3. Nhận diện các điểm nghẽn trong chuỗi cung ứng hạ nguồn và đề xuất hệ thống giải pháp nâng cao hiệu quả phân phối, gia tăng năng lực cạnh tranh trước đối thủ Coca-Cola và Tân Hiệp Phát.

Phạm vi nghiên cứu được xác định tại thị trường Thừa Thiên Huế với dữ liệu thứ cấp giai đoạn 2017–2019 và dữ liệu sơ cấp thu thập từ 150 điểm bán lẻ trong quý IV/2019. Giới hạn nghiên cứu tập trung vào kênh truyền thống (GT), không bao gồm kênh hiện đại (Modern Trade - MT).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại địa bàn Thừa Thiên Huế, dòng sản phẩm nước giải khát (Pepsi, 7Up, Mirinda, Revive, Aquafina, Sting, TEA+ Plus) được vận hành theo các mô hình kênh phân phối đa cấp.

Tiêu chí phân tích Kênh cấp 0 (P $\rightarrow$ C) Kênh cấp 1 (P $\rightarrow$ R $\rightarrow$ C) Kênh cấp 2 (P $\rightarrow$ W $\rightarrow$ R $\rightarrow$ C) Kênh cấp 3 (P $\rightarrow$ A&B $\rightarrow$ W $\rightarrow$ R $\rightarrow$ C)
Cấu trúc thực thể SPVB $\rightarrow$ Người tiêu dùng SPVB $\rightarrow$ Siêu thị/MT $\rightarrow$ Người tiêu dùng SPVB $\rightarrow$ NPP Thúy Vân $\rightarrow$ Điểm bán lẻ $\rightarrow$ Người tiêu dùng SPVB $\rightarrow$ Đại lý tổng $\rightarrow$ Bán buôn $\rightarrow$ Bán lẻ $\rightarrow$ Người tiêu dùng
Ưu điểm Kiểm soát 100% giá và hình ảnh Tối ưu biên lợi nhuận, chuẩn hóa POSM Độ bao phủ thị trường sâu (thành thị & nông thôn) Thâm nhập nhanh vào các vùng sâu, vùng xa
Nhược điểm Chi phí logistic cực lớn, không khả thi FMCG Chiết khấu kênh MT cao, công nợ kéo dài (30-60 ngày) Xung đột giá bán lẻ giữa các khu vực Khó kiểm soát giá cuối cùng, thông tin biến dạng
Tỷ trọng doanh thu < 1% 14% 68% (Trọng tâm nghiên cứu) 17% 
                       MA TRẬN ƯU TIÊN YÊU CẦU NHÀ BÁN LẺ (MoSCoW MATRIX)

Thiết kế hệ thống mô hình kinh tế lượng

Khung phân tích được xây dựng trên sự mở rộng các mô hình lý thuyết của Bert Rosenbloom (1978), Schellhase et al. (2000) kết hợp bổ sung 2 biến đặc thù ngành nước giải khát: Chính sách thu hồi vỏ/hàng lỗi và Chính sách hỗ trợ thương mại.

  • Technology Stack phân tích:
    • IBM SPSS Statistics v20.0 (Core Engine phân tích EFA, Correlation, OLS Regression, ANOVA).
    • Data Pipeline: Excel 2019 $\rightarrow$ SPSS Dataset (.sav) $\rightarrow$ Python 3.9 Pandas/Statsmodels (xác thực đa cộng tuyến qua chỉ số VIF và kiểm định tự tương quan Durbin-Watson).

Methodology

Quy trình nghiên cứu kết hợp hai giai đoạn:

  1. Nghiên cứu định tính: Phỏng vấn sâu (In-depth interview) 01 Giám sát bán hàng (SS), 03 Nhân viên kinh doanh (Sales Reps) và 08 chủ tiệm tạp hóa lớn tại huyện Phú Vang để hiệu chỉnh thang đo Likert 5 mức độ (1: Rất không đồng ý $\rightarrow$ 5: Rất đồng ý).
  2. Nghiên cứu định lượng: Khảo sát thực địa trực tiếp với bảng hỏi cấu trúc.

Xác định kích thước mẫu theo công thức Cochran (1977) cho quần thể xác định ($N = 1.568$):

$$n = \frac{Z^2 \cdot p \cdot (1 - p)}{e^2} = \frac{(1,96)^2 \cdot 0,5 \cdot 0,5}{(0,08)^2} = \frac{3,8416 \cdot 0,25}{0,0064} \approx 150,06 \Rightarrow n = 150$$

Trong đó:

  • $Z = 1,96$ (Độ tin cậy 95%).
  • $p = 0,5$ (Tỷ lệ ước lượng phương sai tối đa $p \cdot q = 0,25$).
  • $e = 0,08$ (Sai số chọn mẫu cho phép 8%).

Implementation và kết quả

Development process & Pipeline phân tích

Pipeline dữ liệu được triển khai theo quy chuẩn kinh tế lượng:

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

def econometric_pipeline(dataset_path: str):
    # 1. Load data
    df = pd.read_csv(dataset_path)
    
    # 2. Extract independent factors (X) & dependent variable (Y)
    independent_cols = ['SUPPLY', 'SALES_SKILL', 'POSM_FACILITY', 
                        'TRADE_SUPPORT', 'RELATIONSHIP', 'PRICE_POLICY', 'RETURN_POLICY']
    X = df[independent_cols]
    Y = df['OVERALL_SATISFACTION']
    
    # 3. Add constant & Fit OLS Regression
    X_const = sm.add_constant(X)
    model = sm.OLS(Y, X_const).fit()
    
    # 4. Check Multicollinearity via VIF
    vif_data = pd.DataFrame()
    vif_data["feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]
    
    return model.summary(), vif_data

# Expected Output: R-squared, Adj. R-squared, F-test (ANOVA), Sig. values, VIF < 2.0

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Thang đo sơ bộ gồm 30 biến quan sát thuộc 7 nhóm nhân tố độc lập và 1 biến phụ thuộc. Tiêu chuẩn chấp nhận: $\alpha \ge 0,6$ và Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0,30$.

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

  • Kết quả: Tất cả các thang đo đều đạt độ tin cậy cao ($\alpha$ dao động từ $0,732$ đến $0,884$). Không có biến rác nào bị loại ở vòng kiểm định nhất quán nội tại.

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

Áp dụng phương pháp trích Principal Axis Factoring với phép xoay vuông góc Varimax:

  • Kiểm định KMO (Kaiser-Meyer-Olkin): $KMO = 0,717$ (Thỏa mãn $0,5 < KMO < 1,0$, dữ liệu hoàn toàn phù hợp để phân tích nhân tố).
  • Kiểm định Bartlett: Giá trị thống kê $\chi^2$ có mức ý nghĩa $Sig. = 0,001 < 0,05$ (Các biến quan sát có tương quan tuyến tính với nhau trong tổng thể).
  • Giá trị Eigenvalue: $1,491 > 1,0$ (Trích xuất các nhân tố giải thích tốt nhất).
  • Tổng phương sai trích (Total Variance Explained): Đạt $70,586% > 50%$ (Các nhân tố rút gọn giải thích được $70,59%$ sự biến thiên của dữ liệu gốc).
   EFA FACTOR EXTRACTION MATRIX (CÁC CHỈ SỐ CHÍNH)
   Hệ số KMO (Kaiser-Meyer-Olkin)          : 0.717
   Kiểm định Bartlett (Sig. value)         : 0.001 (p < 0.05)
   Điểm dừng Eigenvalue                    : 1.491 (> 1.0)
   Tổng phương sai trích (Variance)        : 70.586% (> 50.0%)
   Số biến quan sát đạt Factor Loading > 0.5: 30 / 30 items

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

Phương trình hồi quy chuẩn hóa OLS được ước lượng:

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_3 + \beta_4 X_4 + \beta_5 X_5 + \beta_6 X_6 + \beta_7 X_7 + \epsilon$$

Biến độc lập Ký hiệu Hệ số $\beta$ chuẩn hóa Giá trị $t$-stat Mức ý nghĩa ($Sig.$) Hệ số VIF Đánh giá tác động
Chính sách bán hàng $X_6$ 0,342 4,521 0,000 1,241 Tác động mạnh nhất (Giá & Chiết khấu)
Cung cấp hàng hóa $X_1$ 0,285 3,912 0,000 1,185 Đúng hẹn, đủ số lượng, chuẩn đơn
Nghiệp vụ bán hàng $X_2$ 0,214 2,874 0,004 1,310 Thái độ & kỹ năng trưng bày của Sales
Chính sách hỗ trợ $X_4$ 0,186 2,450 0,015 1,220 Chiết khấu sản lượng & xử lý tồn
Chính sách thu hồi $X_7$ 0,158 2,108 0,036 1,152 Tốc độ đổi trả vỏ chai & date cận
Cơ sở vật chất $X_3$ 0,121 1,985 0,049 1,294 Cung cấp tủ mát, giá kệ POSM
Quan hệ cá nhân $X_5$ 0,094 1,412 0,160 1,105 Không có ý nghĩa thống kê ($Sig. > 0,05$)
  • Độ phù hợp mô hình: $R^2 = 0,634$; $R^2 \text{ hiệu chỉnh} = 0,616$; Kiểm định $F = 35,124$ ($Sig. = 0,000$).
  • Kiểm định giả định vi phạm: Hệ số $Durbin-Watson = 1,892$ (Nằm trong khoảng 1,5 - 2,5; không có hiện tượng tự tương quan bậc nhất); Hệ số phóng đại phương sai $VIF < 2,0$ (Loại trừ hoàn toàn hiện tượng đa cộng tuyến).

4. Kiểm định ANOVA biến định danh (One-Way ANOVA)

Kiểm định sự khác biệt trong đánh giá chính sách phân phối theo Số năm hoạt động của cửa hiệu:

  • Kiểm định phương sai đồng nhất (Levene's Test): $Sig. = 0,214 > 0,05$ (Phương sai giữa các nhóm là đồng nhất).
  • Kết quả ANOVA: $Sig. = 0,028 < 0,05 \Rightarrow$ Có sự khác biệt có ý nghĩa thống kê giữa các nhóm thâm niên. Các cửa hiệu hoạt động trên 5 năm có kỳ vọng cao hơn đáng kể về tỷ lệ chiết khấu và chính sách bảo hộ khu vực so với các tiệm mới mở dưới 2 năm.

Đổi mới và đóng góp

  1. Bổ sung biến đặc thù Reverse Logistics vào mô hình kênh: Trong khi các nghiên cứu truyền thống (Rosenbloom, 1978; Stern & El-Ansary, 1996) chỉ tập trung vào dòng vận động thuận (Forward Logistics), nghiên cứu này lượng hóa thành công vai trò của Dòng thu hồi - Reverse Logistics ($X_7$, $\beta = 0,158, p = 0,036$). Đối với ngành nước giải khát có bao bì tái sử dụng (chai thủy tinh RGB), tốc độ thu hồi két rỗng và cơ chế cọc vỏ ảnh hưởng trực tiếp đến dòng vốn lưu động và diện tích mặt bằng của nhà bán lẻ.
  2. Xây dựng thang đo Trade Support chuyên sâu cho FMCG tỉnh lẻ: Tách bạch giữa Chính sách bán hàng cơ bản ($X_6$) và Chính sách hỗ trợ thương mại tích cực ($X_4$, $\beta = 0,186$), lượng hóa mức độ ảnh hưởng của các chương trình chiết khấu tích lũy quý, hỗ trợ giải phóng hàng tồn kho cận hạn.
  3. So sánh tương quan đa mô hình:
Chỉ số / Đặc tính Mô hình Rosenbloom (1978) Mô hình Schellhase et al. (2000) Mô hình đề tài (Trâm & Hòa, 2019)
Số chiều nhân tố 4 chiều tổng quát 10 chiều hệ thống 7 chiều tích hợp thực địa
Yếu tố Reverse Logistics Chưa đề cập Xem như dịch vụ phụ Định lượng độc lập ($\beta=0,158$)
Độ bao phủ thực nghiệm Thị trường phát triển Đại siêu thị Châu Âu Kênh GT truyền thống vùng nông thôn VN
Giá trị $R^2$ hiệu chỉnh Không xác định $0,512$ $0,616$ (Giải thích 61,6% biến thiên)

Ứng dụng thực tế và triển khai

Dựa trên kết quả định lượng, hệ thống giải pháp nâng cao hiệu quả phân phối cho NPP Thúy Vân được phân kỳ triển khai:

                          LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP VẬN HÀNH
  • Phân tích Hiệu quả Đầu tư (Cost-Benefit & ROI Analysis):
    • Chi phí đầu tư trang thiết bị tủ mát, POSM và đào tạo: 180.000.000 VNĐ.
    • Tăng trưởng doanh số bán lẻ dự kiến: $+15%$ trong năm đầu tiên.
    • Ước tính mức tăng biên lợi nhuận ròng của NPP: 320.000.000 VNĐ/năm.
    • $ROI = \frac{320.000.000 - 180.000.000}{180.000.000} \times 100% \approx 77,7%$ sau 12 tháng triển khai.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật & phương pháp:
    • Sai số chọn mẫu được thiết lập ở mức $e = 8%$ thay vì $5%$ do rào cản địa bàn phân tán rộng tại các huyện miền núi (Nam Đông, Phú Lộc).
    • Mới chỉ áp dụng phương pháp ước lượng bình phương bé nhất (OLS Multiple Regression); chưa triển khai mô hình phương trình cấu trúc tuyến tính (SEM - Structural Equation Modeling) để phân tích các biến trung gian (Mediating Variables) như Lòng trung thành kênh hay Niềm tin đối tác.
  • Hướng phát triển đề xuất:
    • Ứng dụng giải thuật tối ưu hóa định tuyến xe giao hàng (Vehicle Routing Problem - VRP) để giảm thiểu chi phí logistic chặng cuối (Last-mile delivery).
    • Xây dựng hệ thống dự báo nhu cầu đặt hàng tự động (Automated Demand Forecasting) tích hợp Machine Learning cho các nhà bán lẻ trọng điểm.

Đối tượng hưởng lợi

  • Nhà phân phối & Doanh nghiệp FMCG: Cung cấp bộ công cụ đo lường mức độ hài lòng của đại lý bán lẻ; chuẩn hóa khung chính sách chiết khấu, hạn mức công nợ và quy trình vận hành chuỗi cung ứng hạ nguồn.
  • Cửa hàng bán lẻ (Retailers): Được bảo đảm quyền lợi tài chính minh bạch, cải thiện dòng tiền lưu động nhờ quy trình đổi trả vỏ chai nhanh và tối ưu hóa diện tích trưng bày hàng hóa.
  • Sinh viên & Giảng viên khối ngành Kinh tế/Marketing: Bản mẫu hoàn chỉnh về quy trình nghiên cứu thị trường kết hợp định tính - định lượng, áp dụng đầy đủ các kỹ thuật kiểm định mô hình kinh tế lượng từ Cronbach's Alpha, EFA đến OLS Regression và One-Way ANOVA.
  • Nhà nghiên cứu Supply Chain: Cung cấp bằng chứng thực nghiệm về tác động của chuỗi logistic ngược (Reverse Logistics) trong cấu trúc kênh phân phối nước giải khát tại thị trường mới nổi.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn kích thước mẫu $n = 150$ với sai số $e = 8%$?

Theo công thức Cochran (1977), với tổng thể $N = 1.568$, mức tin cậy $95%$ ($Z = 1,96$), việc chọn $e = 8%$ đảm bảo quy mô mẫu $n = 150$ vừa đáp ứng tối thiểu yêu cầu của phân tích EFA (tỷ lệ quan sát/biến đo lường tối thiểu là $5:1$, ở đây $150/30 = 5:1$), vừa phù hợp với nguồn lực thời gian và ngân sách khảo sát thực địa trong 01 tuần tại 3 huyện rộng lớn.

2. Yếu tố nào ảnh hưởng mạnh nhất đến sự hài lòng của nhà bán lẻ?

Theo kết quả hồi quy chuẩn hóa, Chính sách bán hàng ($\beta = 0,342, p < 0,001$) và Cung cấp hàng hóa ($\beta = 0,285, p < 0,001$) là hai nhân tố chi phối lớn nhất. Nhà bán lẻ kênh truyền thống ưu tiên hàng đầu tính ổn định của giá nhập, biên lợi nhuận trực tiếp và độ chính xác của đơn hàng khi giao.

3. Tại sao biến "Quan hệ cá nhân" không có ý nghĩa thống kê trong mô hình hồi quy?

Biến Quan hệ cá nhân có hệ số $\beta = 0,094$ với $Sig. = 0,160 > 0,05$. Điều này phản ánh xu hướng chuyên nghiệp hóa của kênh bán lẻ: các chủ cửa hiệu đánh giá cao lợi ích kinh tế thực tế (chiết khấu, tốc độ giao hàng, hỗ trợ trưng bày) hơn là các mối quan hệ giao đãi cá nhân thuần túy của nhân viên bán hàng.

4. Giải pháp nào để xử lý triệt để vấn đề thu hồi vỏ chai thủy tinh (RGB)?

NPP Thúy Vân cần thiết lập quy chế thu đổi vỏ cố định 2 lần/tuần song song với lịch giao hàng mới; đồng thời áp dụng chính sách "gối đầu cọc vỏ linh hoạt" cho các đại lý thâm niên nhằm giải phóng vốn lưu động và diện tích kho của tiệm bán lẻ.

5. Mô hình này có thể áp dụng cho các thương hiệu FMCG khác không?

Khung mô hình 7 nhân tố hoàn toàn có thể nhân rộng để đánh giá hệ thống phân phối của Unilever, P&G, Masan hoặc Vinamilk tại các thị trường cấp tỉnh, chỉ cần điều chỉnh các biến quan sát thuộc Chính sách thu hồi và Cơ sở vật chất cho phù hợp với đặc thù sản phẩm.

Kết luận

Đề tài đã hoàn thành xuất sắc việc giải mã bức tranh vận hành kênh phân phối nước giải khát Suntory PepsiCo tại Thừa Thiên Huế thông qua hệ thống dữ liệu thực nghiệm chuẩn xác. Mô hình kinh tế lượng với $R^2 \text{ hiệu chỉnh} = 0,616$ chứng minh rằng sự kết hợp hài hòa giữa chính sách giá - chiết khấu, năng lực logistic giao hàng chuẩn xác và dịch vụ thu hồi vỏ chai hiệu quả là chìa khóa then chốt để NPP Thúy Vân gia tăng thị phần, củng cố lòng trung thành của mạng lưới 1.568 nhà bán lẻ trong bối cảnh cạnh tranh khốc liệt của ngành FMCG.