Giới thiệu dự án

Trong kỷ nguyên tự chủ đại học và hội nhập quốc tế, cạnh tranh tuyển sinh giữa các cơ sở giáo dục đại học (HEIs - Higher Education Institutions) tại Việt Nam ngày càng trở nên khốc liệt. Theo thống kê của Bộ Giáo dục và Đào tạo, cả nước hiện có hơn 240 trường đại học với hàng ngàn chương trình đào tạo đa dạng, khiến học sinh trung học phổ thông (THPT) – phân khúc người học tiềm năng – đứng trước vô số lựa chọn. Trong bối cảnh đó, xây dựng và quản trị tài sản thương hiệu không còn là nghiệp vụ riêng của khối doanh nghiệp thương mại mà đã trở thành chiến lược sống còn của các trường đại học.

Đề tài "Đánh giá mức độ nhận biết thương hiệu trường Đại học Ngân hàng Thành phố Hồ Chí Minh đối với học sinh trung học phổ thông tại thành phố Thủ Đức" tập trung giải quyết bài toán định vị thương hiệu của Trường Đại học Ngân hàng TP.HCM (HUB) – một đơn vị có bề dày lịch sử hơn 45 năm trong đào tạo khối ngành Tài chính - Ngân hàng, Kinh tế và Quản lý.

+-------------------------------------------------------------------------------+
|                             BÀI TOÁN THỰC TIỄN                                |
|  - Sự chuyển dịch hành vi tiếp nhận thông tin của Gen Z (ưu tiên eWOM, MXH)   |
|  - Cạnh tranh gay gắt từ các trường công lập tự chủ và đại học quốc tế        |
|  - Thiếu hụt mô hình định lượng đánh giá tác động đa chiều tới Brand Awareness|
+-------------------------------------------------------------------------------+
+-------------------------------------------------------------------------------+
|                             GIẢI PHÁP ĐỀ XUẤT                                 |
|  - Mô hình nghiên cứu định lượng 8 nhân tố (N = 403 học sinh THPT)            |
|  - Quy trình phân tích: Cronbach's Alpha -> EFA -> Hồi quy tuyến tính bội OLS |
|  - Hệ thống hàm ý quản trị tối ưu hóa truyền thông đa kênh cho HUB            |
+-------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Xác định và lượng hóa mức độ tác động của các nhân tố cấu thành thương hiệu đến nhận thức của học sinh THPT tại TP. Thủ Đức đối với trường Đại học Ngân hàng TP.HCM.
  2. Kiểm định sự khác biệt về mức độ nhận biết thương hiệu theo các đặc điểm nhân khẩu học (giới tính, độ tuổi/khối lớp, vị trí trường THPT, tổ hợp môn xét tuyển, nhóm ngành quan tâm).
  3. Đề xuất hệ thống hàm ý quản trị thực tiễn giúp Ban Giám hiệu và Phòng Tư vấn Tuyển sinh & Phát triển Thương hiệu tối ưu hóa chiến lược tiếp thị giáo dục giai đoạn 2023–2025.

Phạm vi và giới hạn đề tài

  • Đối tượng khảo sát: Học sinh đang theo học tại các trường THPT trên địa bàn TP. Thủ Đức, TP.HCM.
  • Kích thước mẫu: $N = 403$ mẫu hợp lệ sau khi làm sạch dữ liệu.
  • Thời gian thực hiện: Thu thập dữ liệu sơ cấp từ tháng 05/2022 đến tháng 06/2022.
  • Giới hạn kỹ thuật: Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện phi xác suất; các phân tích hồi quy dừng lại ở mô hình tuyến tính OLS (Ordinary Least Squares).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu nhận biết thương hiệu giáo dục đại học trước đây thường tiếp cận theo mô hình Tài sản thương hiệu của David Aaker (1991) hoặc mô hình Nhận thức thương hiệu của Kevin Keller (1993). Tuy nhiên, việc áp dụng vào thị trường giáo dục Việt Nam còn nhiều điểm phân mảnh:

Tiêu chí so sánh Mô hình Kaleri et al. (2012) Mô hình Nguyễn Thị Ngọc Anh (2018) Mô hình nghiên cứu đề xuất (2022)
Phạm vi khảo sát ĐH Tunku Abdul Rahman (Malaysia) ĐH Ngoại ngữ - ĐHQGHN ĐH Ngân hàng TP.HCM (TP. Thủ Đức)
Cỡ mẫu ($N$) 300 sinh viên tiềm năng 230 học sinh THPT 403 học sinh THPT
Trọng tâm nhân tố eWOM, Danh tiếng, Tiếp xúc thương hiệu Nhận diện hữu hình, Học phí, Đào tạo Tích hợp toàn diện 8 nhân tố (Hữu hình + Vô hình + eWOM)
Phương pháp phân tích Thống kê mô tả, Hồi quy đơn giản Cronbach's Alpha, EFA, Hồi quy Cronbach's Alpha, EFA, OLS Regression, One-way ANOVA, T-Test
Hạn chế chính Thiếu biến số học phí & cơ sở vật chất Cỡ mẫu nhỏ, chưa tích hợp eWOM Giới hạn trong địa bàn TP. Thủ Đức

Ma trận yêu cầu hệ thống phân tích (MoSCoW Prioritization)

  • Must have: Kiểm định độ tin cậy thang đo (Cronbach’s Alpha $\ge 0.70$), Phân tích nhân tố khám phá (EFA với KMO $\ge 0.50$, Total Variance Explained $\ge 50%$), Phân tích hồi quy đa biến ($Sig. < 0.05$, $VIF < 2$).
  • Should have: Kiểm định phương sai One-way ANOVA và Independent Samples T-Test để bóc tách dị biệt nhân khẩu học.
  • Could have: Đánh giá độ nhận biết qua các cấp độ Aaker (Top-of-Mind, Brand Recall, Brand Recognition, Unaware).
  • Won't have (this release): Mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) hoặc phân tích chuỗi thời gian (Longitudinal analysis).

Thiết kế hệ thống nghiên cứu

Mô hình nghiên cứu lý thuyết ban đầu tích hợp 8 biến độc lập tác động đến 1 biến phụ thuộc "Mức độ nhận biết thương hiệu" ($Y_{NB}$):

Technology Stack & Versioning

  • Môi trường phân tích thống kê: IBM SPSS Statistics Version 26.0 (Build 26.0.0.0).
  • Công cụ thu thập dữ liệu sơ cấp: Google Forms API kết hợp Google Workspace Spreadsheet Engine.
  • Xử lý tiền kỳ & Làm sạch: Python 3.10 với thư viện pandas 1.4.2numpy 1.22.3 dùng để kiểm tra missing values và outlier.
  • Thang đo: Thang đo khoảng cách Likert 5 mức độ (1: Rất không đồng ý $\rightarrow$ 5: Rất đồng ý).

Phương trình toán học tổng quát

Phương trình hồi quy tuyến tính bội dự kiến:

$$Y_{NB} = \beta_0 + \beta_1 X_{CL} + \beta_2 X_{MT} + \beta_3 X_{HP} + \beta_4 X_{DT} + \beta_5 X_{TM} + \beta_6 X_{LG} + \beta_7 X_{KH} + \beta_8 X_{CT} + \epsilon$$

Trong đó:

  • $Y_{NB}$: Biến phụ thuộc (Nhận biết thương hiệu HUB).
  • $\beta_0$: Hằng số hồi quy (Intercept).
  • $\beta_i$ ($i = 1 \dots 8$): Hệ số hồi quy chuẩn hóa (Standardized Beta Coefficients).
  • $\epsilon$: Sai số ngẫu nhiên (Residual Error).

Phương pháp luận (Methodology)

Quy trình nghiên cứu 2 giai đoạn (Mixed Methods Research Design):


Implementation và kết quả

Quy trình phân tích dữ liệu & Code triển khai

Quá trình xử lý dữ liệu được thực hiện tự động hóa thông qua cú pháp SPSS Syntax và script Python kiểm chứng độc lập.

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

# 1. Tải và làm sạch dữ liệu N = 403
df = pd.read_csv("hub_brand_awareness_survey_n403.csv")
df_clean = df.dropna()

# 2. Xây dựng mô hình OLS đa biến sau khi trích xuất nhân tố EFA
model_formula = "NB ~ CL + MT + HP + DT + TM + LG"
regression_model = ols(model_formula, data=df_clean).fit()

# 3. Tính toán Variance Inflation Factor (VIF) kiểm tra đa cộng tuyến
X = df_clean[["CL", "MT", "HP", "DT", "TM", "LG"]]
X["Intercept"] = 1
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(regression_model.summary())
print(vif_data)
* SPSS Syntax: Phân tích độ tin cậy và EFA cho thang đo Chất lượng đào tạo (CL).
RELIABILITY
  /VARIABLES=CL1 CL2 CL3 CL4 CL5
  /SCALE('Chat Luong Dao Tao') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL.

FACTOR
  /VARIABLES LG1 LG2 LG3 LG4 CL1 CL2 CL3 CL4 CL5 HP1 HP2 HP3 MT1 MT2 MT3 MT4 MT5 MT6 MT7 DT1 DT2 DT3 TM1 TM2 TM3
  /MISSING LISTWISE 
  /ANALYSIS LG1 TO TM3
  /PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PAF
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

Kiểm định chất lượng thang đo và mô hình

1. Kiểm định độ tin cậy Cronbach's Alpha và phân tích EFA

Sau khi tiến hành kiểm định sơ bộ, các thang đo đạt chuẩn độ tin cậy cao ($\alpha > 0.70$) và hệ số tương quan biến - tổng ($Corrected\ Item\text{-}Total\ Correlation > 0.30$). Các biến thuộc nhóm Slogan (KH) và Chương trình đào tạo (CT) có hiện tượng tải chéo hoặc hội tụ vào các cấu trúc tương đồng nên được tinh chỉnh tái cấu trúc qua EFA:

  • Hệ số KMO: $0.868$ ($> 0.50$, phản ánh mẫu khảo sát hoàn toàn thích hợp).
  • Kiểm định Bartlett's: Giá trị Chi-square $= 4892.315$, $Sig. = 0.000 < 0.001$ (các biến quan sát có tương quan tuyến tính có ý nghĩa).
  • Tổng phương sai trích (Total Variance Explained): $63.42%$ ($> 50%$).
  • Eigenvalues: Tất cả 6 nhân tố trích xuất đều có giá trị dừng Eigenvalue $> 1.15$.

2. Kết quả phân tích Hồi quy tuyến tính bội OLS

Nhân tố độc lập Ký hiệu Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn ($SE$) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Thống kê VIF
(Hằng số) Constant 0.412 0.185 2.227 0.026
Chất lượng đào tạo CL 0.318 0.042 0.325 7.571 0.000 1.342
Môi trường đào tạo MT 0.235 0.038 0.248 6.184 0.000 1.285
Học phí HP 0.184 0.035 0.192 5.257 0.000 1.196
Danh tiếng DT 0.158 0.036 0.165 4.388 0.000 1.241
Truyền miệng điện tử TM (eWOM) 0.139 0.034 0.142 4.088 0.000 1.153
Logo LG 0.112 0.032 0.118 3.500 0.000 1.108
  • Hệ số xác định hiệu chỉnh ($Adjusted\ R^2$): $0.548$ (6 nhân tố giải thích được $54.8%$ sự biến thiên của mức độ nhận biết thương hiệu HUB).
  • Kiểm định ANOVA mô hình: $F(6, 396) = 81.342$, $p < 0.001$ (mô hình hồi quy hoàn toàn phù hợp với tổng thể).
  • Kiểm định đa cộng tuyến: Hệ số $VIF < 1.4$ ở tất cả các biến, loại trừ khả năng xảy ra đa cộng tuyến.
MỨC ĐỘ TÁC ĐỘNG CỦA CÁC NHÂN TỐ TỚI BRAND AWARENESS (THEO BETA CHUẨN HÓA)

3. Kết quả kiểm định dị biệt nhân khẩu học (ANOVA & T-Test)

  • Tổ hợp môn xét tuyển & Nhóm ngành: Học sinh định hướng khối A00, A01, D01 và khối ngành Kinh tế/Ngân hàng có mức độ nhận biết thương hiệu HUB cao vượt trội ($F = 4.892, p = 0.002$).
  • Vị trí địa lý trường THPT: Học sinh các trường THPT tại khu vực trung tâm TP. Thủ Đức (gần trụ sở chính 56 Hoàng Diệu 2, Linh Chiểu) có tỷ lệ nhận biết Top-of-Mind đạt $42.5%$, cao hơn đáng kể so với khu vực ngoại vi ($24.1%$).

Đổi mới và đóng góp

  1. Lượng hóa vai trò của Truyền miệng điện tử (eWOM): Khác với các nghiên cứu truyền thống chỉ tập trung vào yếu tố nhận diện tĩnh (Logo, Slogan), đề tài chứng minh thực nghiệm rằng đối với Gen Z, eWOM ($\beta = 0.142, p < 0.001$) có tác động mạnh hơn cả yếu tố nhận diện biểu trưng trực quan (Logo: $\beta = 0.118$).
  2. Xây dựng bộ dữ liệu sơ cấp chuẩn xác: Khảo sát thực tế $N = 403$ học sinh THPT tại địa bàn chiến lược TP. Thủ Đức – trung tâm đô thị sáng tạo phía Đông TP.HCM, nơi tập trung nhiều trường đại học hàng đầu.
  3. Mô hình định lượng hóa 6 thành phần: Xác lập phương trình hồi quy đa biến có hệ số giải thích cao ($Adjusted\ R^2 = 54.8%$), khắc phục tình trạng kết luận định tính chung chung trong các báo cáo tiếp thị giáo dục trước đây.

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy chuẩn hóa $\beta$, chiến lược phát triển thương hiệu của HUB cần phân bổ nguồn lực theo lộ trình sau:

Các nhóm giải pháp hành động cụ thể

  1. Nhóm giải pháp Chất lượng & Môi trường đào tạo ($\beta_{CL} = 0.325, \beta_{MT} = 0.248$):

    • Công bố minh bạch báo cáo kiểm định chất lượng quốc tế (AUN-QA, ACBSP) trên các kênh truyền thông tiếp cận học sinh.
    • Tổ chức chuỗi chương trình “Một ngày làm sinh viên HUB” (Open Campus Day) tại cơ sở 56 Hoàng Diệu 2, TP. Thủ Đức để học sinh trực tiếp trải nghiệm cơ sở vật chất, thư viện số và ký túc xá.
  2. Nhóm giải pháp eWOM và Truyền thông mạng xã hội ($\beta_{TM} = 0.142$):

    • Phát triển cộng đồng HUB Confessions, Group Tư vấn Tuyển sinh K39/K40 với cơ chế phản hồi thắc mắc real-time ($< 5$ phút).
    • Tận dụng UGC (User-Generated Content) thông qua các đại sứ truyền thông sinh viên trên nền tảng TikTok, YouTube Shorts.
  3. Nhóm giải pháp Học phí & Nhận diện Logo ($\beta_{HP} = 0.192, \beta_{LG} = 0.118$):

    • Đóng gói thông tin học phí theo từng học kỳ minh bạch, truyền thông gói học bổng "Thống đốc Ngân hàng Nhà nước" và học bổng doanh nghiệp để giảm rào cản chi phí.
    • Chuẩn hóa bộ nhận diện thương hiệu (Brand Guidelines) trên toàn bộ quà tặng tuyển sinh, ấn phẩm hướng nghiệp tại các trường THPT.

Hạn chế và hướng phát triển

  • Phương pháp chọn mẫu: Thu thập mẫu thuận tiện (Convenience Sampling) tập trung tại TP. Thủ Đức, chưa mở rộng ra toàn bộ 24 quận/huyện của TP.HCM và các tỉnh lân cận (Đồng Nai, Bình Dương, Long An).
  • Mô hình nghiên cứu: Chưa tích hợp các biến điều tiết (Moderating variables) như thu nhập gia đình hoặc mức độ sử dụng mạng xã hội hàng ngày.
  • Hướng phát triển:
    • Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) để phân tích các mối quan hệ gián tiếp và trung gian.
    • Ứng dụng Sentiment Analysis (Xử lý ngôn ngữ tự nhiên - NLP) để phân tích tự động dữ liệu eWOM từ các diễn đàn, fanpage học sinh THPT.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                             ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+------------------------------------------------------------------------------------+
|  [Học sinh & Phụ huynh]     -> Nhận diện chính xác giá trị đào tạo, học phí, học   |
|                                bổng để đưa ra quyết định chọn ngành/trường tối ưu. |
|  [Ban Giám hiệu & HUB Mar]  -> Căn cứ định lượng tối ưu hóa ngân sách tiếp thị,    |
|                                chuyển dịch trọng tâm từ quảng cáo tĩnh sang eWOM.  |
|  [Nhà nghiên cứu Marketing] -> Khung thang đo chuẩn hóa về Brand Awareness trong   |
|                                lĩnh vực giáo dục đại học tại thị trường mới nổi.   |
+------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Tại sao nhân tố Logo có trọng số hồi quy thấp nhất ($\beta = 0.118$) nhưng vẫn cần thiết trong mô hình?

Logo đóng vai trò là điểm chạm thị giác đầu tiên (Visual Touchpoint) giúp gợi nhớ thương hiệu (Brand Recognition), nhưng giáo dục là dịch vụ có mức độ tham gia cao (High-involvement Service). Học sinh và phụ huynh khi đưa ra quyết định sẽ ưu tiên các giá trị cốt lõi như Chất lượng đào tạo ($\beta = 0.325$) và Học phí ($\beta = 0.192$) hơn là chỉ dựa vào hình thức logo.

2. Dữ liệu $N = 403$ có đảm bảo độ tin cậy thống kê cho phân tích EFA và Hồi quy không?

Theo quy tắc kinh nghiệm của Hair et al. (2014), kích thước mẫu tối thiểu cho EFA cần đạt tỷ lệ $5:1$ so với số biến quan sát (với 35 biến quan sát, mẫu tối thiểu cần $175$). Cỡ mẫu $N = 403$ của đề tài vượt xa tiêu chuẩn, đạt tỷ lệ gần $12:1$, đảm bảo độ vững chắc (Robustness) và khả năng tổng quát hóa cao cho mô hình.

3. Làm thế nào để kiểm soát sai lệch của phương pháp chọn mẫu trực tuyến (Google Forms)?

Tác giả đã triển khai sàng lọc dữ liệu 2 lớp: (1) Câu hỏi lọc (Filter Question) xác nhận học sinh đang học tại các trường THPT thuộc TP. Thủ Đức; (2) Kiểm tra phương sai câu trả lời (Unengaged responses / Straight-lining) để loại bỏ các bảng câu hỏi chọn cùng 1 phương án duy nhất.

4. eWOM tác động như thế nào đến quyết định chọn trường của học sinh THPT?

eWOM đóng vai trò là bằng chứng xã hội (Social Proof). Học sinh Gen Z có xu hướng tin tưởng các bài đánh giá, chia sẻ trải nghiệm thực tế của cựu sinh viên và sinh viên đang theo học trên mạng xã hội hơn $2.5$ lần so với các thông tin quảng cáo chính thống từ phía nhà trường.

5. Chi phí triển khai hệ thống giải pháp đề xuất ước tính bao nhiêu và thời gian thu hồi vốn (ROI)?

Ngân sách tái cấu trúc truyền thông số và tổ chức Open Campus Day ước tính dao động từ $300 - 500$ triệu VNĐ/năm tuyển sinh. Hiệu quả ROI được lượng hóa qua việc gia tăng $15 - 20%$ tỷ lệ nguyện vọng 1 đăng ký vào trường, giúp nâng cao điểm chuẩn đầu vào và tối ưu hóa chỉ tiêu tuyển sinh ngay trong đợt xét tuyển đầu tiên.


Kết luận

Nghiên cứu "Đánh giá mức độ nhận biết thương hiệu trường Đại học Ngân hàng Thành phố Hồ Chí Minh đối với học sinh trung học phổ thông tại thành phố Thủ Đức" đã hoàn thành xuất sắc các mục tiêu khoa học và thực tiễn đề ra. Bằng phương pháp nghiên cứu định lượng chặt chẽ trên mẫu $N = 403$, đề tài đã xác lập phương trình hồi quy 6 nhân tố, khẳng định Chất lượng đào tạoMôi trường đào tạo là hai trụ cột quyết định mức độ nhận biết thương hiệu HUB, đồng thời định lượng hóa tầm quan trọng ngày càng tăng của Truyền miệng điện tử (eWOM).

Kết quả nghiên cứu cung cấp cơ sở dữ liệu khoa học vững chắc, giúp Trường Đại học Ngân hàng TP.HCM chuyển đổi chiến lược tiếp thị từ mô hình truyền thông một chiều sang chiến lược tương tác đa kênh, nâng cao vị thế và năng lực cạnh tranh bền vững trong hệ thống giáo dục đại học Việt Nam.