Giới thiệu dự án
Bối cảnh và thực trạng ngành bán lẻ tiện lợi (Industry Context)
Ngành bán lẻ hiện đại tại Việt Nam trong giai đoạn 2018–2020 chứng kiến tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 11.5%, trong đó mô hình chuỗi cửa hàng tiện lợi (Convenience Store - C-Store) và siêu thị mini ghi nhận mức thâm nhập tăng trưởng hơn 25%/năm tại các đô thị loại 1 và loại 2. Theo báo cáo từ Nielsen Việt Nam, có tới 86% người tiêu dùng đô thị lựa chọn cửa hàng tiện lợi để mua sắm hàng thực phẩm tươi sống, thức ăn chế biến sẵn và nhu yếu phẩm nhanh. Tại thành phố Vũng Tàu – trung tâm kinh tế, du lịch trọng điểm của tỉnh Bà Rịa – Vũng Tàu, quá trình đô thị hóa mạnh mẽ kéo theo sự bùng nổ của các hệ thống bán lẻ như VinMart+, FamilyMart, Circle K và Bách Hóa Xanh.
Trong bối cảnh đó, chuỗi VinMart+ (thuộc Tập đoàn Vingroup tại thời điểm nghiên cứu) chiếm lĩnh vị thế dẫn đầu với 40 điểm bán (chiếm 60% thị phần C-Store toàn thành phố). Tuy nhiên, tốc độ mở rộng mạng lưới nhanh chóng cũng làm phát sinh nhiều điểm nghẽn vận hành (operational bottlenecks), ảnh hưởng trực tiếp đến trải nghiệm và sự hài lòng của khách hàng (Customer Satisfaction - CSAT).
+-------------------------------------------------------------------------------+
| THỊ PHẦN CỬA HÀNG TIỆN LỢI TẠI VŨNG TÀU |
+----------------------+--------------------+-----------------+-----------------+
| Thương hiệu | Số lượng cửa hàng | Tỷ lệ thị phần | Khung giờ mở cửa|
+----------------------+--------------------+-----------------+-----------------+
| VinMart+ | 40 cửa hàng | 60.0% | 06:00 - 23:00 |
| Circle K | 13 cửa hàng | 19.5% | 24/7 |
| FamilyMart | 8 cửa hàng | 12.0% | 24/7 |
| Bách Hóa Xanh | 6 cửa hàng | 8.5% | 06:00 - 22:00 |
+----------------------+--------------------+-----------------+-----------------+
Vấn đề nghiên cứu và các điểm nghẽn (Problem Statement & Pain Points)
Dù nắm giữ thị phần áp đảo, VinMart+ Vũng Tàu phải đối mặt với các bài toán cạnh tranh và vận hành nghiêm trọng:
- Định giá và độ nhạy cảm về giá (Price Sensitivity): Khách hàng phản ánh mặt bằng giá tại C-Store cao hơn từ 10% – 15% so với chợ truyền thống và tiệm tạp hóa, trong khi sự chênh lệch về giá trị gia tăng chưa được truyền thông rõ nét.
- Áp lực cạnh tranh tiện ích 24/7: Việc giới hạn thời gian mở cửa (06:00 - 23:00) tạo lợi thế cạnh tranh lớn cho Circle K và FamilyMart trong phân khúc khách hàng đêm và khách du lịch.
- Chất lượng kiểm soát hạn sử dụng (Shelf-life Quality Control): Nhóm hàng tươi sống (VinEco) và thực phẩm sơ chế (VinMart Cook) có chu kỳ ngắn ngày, dễ phát sinh rủi ro hàng cận date nếu chuỗi cung ứng cục bộ vận hành không tối ưu.
- Năng lực phục vụ và giải quyết khiếu nại: Không gian đỗ xe hạn chế và kỹ năng xử lý phản ánh tại quầy chưa đồng đều giữa 6 phường trọng điểm.
Mục tiêu nghiên cứu (Project Objectives)
- Xác định và lượng hóa các nhân tố cấu thành ảnh hưởng đến mức độ hài lòng của khách hàng khi trải nghiệm mua sắm tại VinMart+ Vũng Tàu.
- Kiểm định độ tin cậy của thang đo thông qua hệ số Cronbach's Alpha và phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA).
- Thiết lập mô hình hồi quy tuyến tính bội (Multiple Linear Regression) nhằm đo lường mức độ tác động của từng biến độc lập lên chỉ số hài lòng chung (Dependent Variable).
- Kiểm định sự khác biệt thống kê về mức độ hài lòng theo các đặc tính nhân khẩu học (Giới tính, Độ tuổi, Thu nhập) bằng Independent Samples T-Test và One-way ANOVA.
- Đề xuất hệ thống hàm ý quản trị ứng dụng thực tiễn cho ban điều hành chuỗi bán lẻ.
Phương pháp tiếp cận giải pháp (Solution Approach & Justification)
Đề tài tích hợp nền tảng lý thuyết Chỉ số Hài lòng Khách hàng Hoa Kỳ (ACSI), mô hình chất lượng dịch vụ SERVPERF (Cronin & Taylor, 1992) và Lý thuyết Kỳ vọng - Xác nhận (Oliver, 1989; Spreng & Mackoy, 1996). Cách tiếp cận này loại bỏ biến "kỳ vọng" phức tạp của SERVQUAL truyền thống, tập trung toàn diện vào "cảm nhận thực tế" (Perceived Performance), giúp thu gọn cấu trúc bảng khảo sát, tăng tỷ lệ phản hồi chính xác và tối ưu hóa xử lý định lượng trên mẫu $N = 172$.
Kết quả kỳ vọng và các chỉ số đo lường (Expected Outcomes & Metrics)
- Xây dựng mô hình định lượng đạt hệ số $R^2 \ge 0.50$, giá trị kiểm định ANOVA $F$ có mức ý nghĩa $Sig. < 0.001$.
- Hệ số tin cậy thang đo Cronbach’s Alpha $\ge 0.60$ cho toàn bộ các nhóm nhân tố, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$.
- Phân tích nhân tố EFA đạt hệ số $KMO \ge 0.50$, kiểm định Bartlett $Sig. < 0.05$, tổng phương sai trích (Cumulative Variance Explained) $> 50%$.
Phạm vi và giới hạn đề tài (Scope & Limitations)
- Phạm vi không gian: Khảo sát tập trung tại 6 cơ sở VinMart+ đại diện thuộc 6 phường trung tâm TP. Vũng Tàu (Phường Thắng Tam, Phường 6, Phường 3, Phường Nguyễn An Ninh, Phường 7, Phường 8).
- Phạm vi thời gian: Thu thập dữ liệu thực địa qua 3 đợt (Tháng 8, Tháng 9, Tháng 10 năm 2019).
- Giới hạn phương pháp: Sử dụng kỹ thuật lấy mẫu thuận tiện phi xác suất ($N = 172$ mẫu hợp lệ từ 200 phiếu phát ra).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
So sánh các giải pháp đo lường chất lượng dịch vụ & sự hài lòng
Bảng phân tích đánh giá ưu - nhược điểm của các khung lý thuyết đo lường tiêu chuẩn:
| Tiêu chí |
Mô hình SERVQUAL (Parasuraman, 1988) |
Mô hình ACSI (Fornell et al., 1996) |
Mô hình SERVPERF (Cronin & Taylor, 1992) - Ứng dụng trong đồ án |
| Bản chất đo lường |
Khoảng cách: Cảm nhận (P) - Kỳ vọng (E) |
Cấu trúc quan hệ nhân quả đa biến (SEM) |
Đánh giá trực tiếp mức độ thực hiện dịch vụ (P) |
| Số lượng chỉ tiêu |
22 biến $\times 2 = 44$ câu hỏi |
15–20 biến tiềm ẩn đa hướng |
Rút gọn, tích hợp đặc thù ngành C-Store |
| Ưu điểm |
Đánh giá sâu khoảng cách kỳ vọng |
Phản ánh chuỗi giá trị từ kỳ vọng đến lòng trung thành |
Giảm thiểu mệt mỏi cho người trả lời, dữ liệu ổn định |
| Nhược điểm |
Người trả lời dễ nhầm lẫn giữa P và E |
Đòi hỏi cỡ mẫu rất lớn, kỹ thuật SEM phức tạp |
Cần hiệu chỉnh biến quan sát theo từng bối cảnh địa phương |
| Mức độ tương thích |
Trung bình trong nghiên cứu thực địa |
Cao trong các nghiên cứu vĩ mô |
Rất cao đối với nghiên cứu ứng dụng chuỗi bán lẻ |
Nghiên cứu cạnh tranh tại thị trường Vũng Tàu
- Circle K: Điểm mạnh là mạng lưới mở cửa 24/7, mô hình kết hợp quầy Fast Food và không gian ngồi lại rộng rãi. Điểm yếu là danh mục rau củ tươi sống hạn chế.
- FamilyMart: Thế mạnh về dòng sản phẩm chế biến ăn liền (Nakasoku, Oden) phong cách Nhật Bản. Điểm yếu là mật độ cửa hàng chưa phủ kín các cụm dân cư nhỏ.
- Bách Hóa Xanh: Trọng tâm là thực phẩm tươi sống giá cạnh tranh, đối đầu trực diện chợ truyền thống. Điểm yếu là cơ sở vật chất và trải nghiệm tiện ích chưa cao.
- VinMart+ (Nghiên cứu điểm): Hệ sinh thái khép kín (VinEco, VinMart Cook, VinID), mật độ điểm bán lớn nhất (40 cửa hàng), vị trí mặt tiền dân cư đắc địa. Điểm yếu là chi phí quản lý vận hành cao, chính sách giá chưa linh hoạt.
Ma trận ưu tiên yêu cầu nghiên cứu (MoSCoW Prioritization)
- Must-have (Bắt buộc): Đo lường 4 nhóm nhân tố độc lập (Chất lượng dịch vụ, Chất lượng sản phẩm, Giá cả, Yếu tố cá nhân khách hàng) và 1 nhóm phụ thuộc (Sự hài lòng chung).
- Should-have (Nên có): Kiểm định ANOVA đa biến nhân khẩu học để phân tầng nhóm khách hàng mục tiêu.
- Could-have (Có thể có): Xây dựng pipeline tự động hóa kiểm định mô hình thống kê bằng mã nguồn Python/R.
- Won't-have (Chưa thực hiện): Phân tích chuỗi thời gian dọc (Longitudinal Study) về biến động lòng trung thành đa năm.
MA TRẬN KHOẢNG TRỐNG NGHIÊN CỨU & CƠ HỘI PHÁT TRIỂN
+------------------------------------+------------------------------------+
| Hiện trạng thị trường Vũng Tàu | Giải pháp nghiên cứu thực nghiệm |
+------------------------------------+------------------------------------+
| 1. Thiếu mô hình định lượng chuẩn | -> Thiết lập mô hình hồi quy OLS |
| cho chuỗi C-Store địa phương | chuẩn hóa cho thị trường biển |
| 2. Nhận định cảm tính về giá | -> Lượng hóa trọng số Beta của |
| và chất lượng phục vụ | yếu tố Giá cả & Dịch vụ |
| 3. Chính sách bán lẻ cào bằng | -> Phân tầng chiến lược theo độ |
| giữa các nhóm nhân khẩu học | tuổi và mức thu nhập khảo sát |
+------------------------------------+------------------------------------+
Thiết kế hệ thống nghiên cứu & Xử lý dữ liệu
KIẾN TRÚC LUỒNG XỬ LÝ DỮ LIỆU THỐNG KÊ
[Thiết kế bảng hỏi] --> [Khảo sát thực địa (N=200)] --> [Làm sạch dữ liệu (N=172)]
|
v
[Mô hình Hồi quy OLS] <-- [Phân tích EFA (PCA/Varimax)] <-- [Cronbach's Alpha]
|
+---> [Kiểm định Giả định: VIF, Durbin-Watson, Normality]
|
+---> [Kiểm định Khác biệt: T-Test, One-way ANOVA]
|
v
[Hàm ý Quản trị & Chiến lược Vận hành Doanh nghiệp]
Ngăn xếp công nghệ phân tích (Technology Stack)
- Hệ thống phân tích thống kê cốt lõi: IBM SPSS Statistics Version 26.0 / SPSS Version 22.0.
- Hệ thống tính toán & Mô phỏng tự động hóa: Python 3.10.x với các thư viện:
pandas (v2.1.0): Quản lý và xử lý cấu trúc dữ liệu bảng.numpy (v1.24.3): Xử lý ma trận phương sai - hiệp phương sai.factor_analyzer (v0.5.0): Thực thi EFA, KMO, Bartlett Test.statsmodels (v0.14.0): Xây dựng mô hình OLS Regression và kiểm định chẩn đoán.scipy (v1.11.2): Thực thi kiểm định phân phối Levene, ANOVA, T-Test.
- Hệ quản trị dữ liệu khảo sát: Microsoft Excel 365 (Data Cleansing), định dạng chuẩn
.sav và .csv.
Thiết kế cấu trúc thang đo và dữ liệu (Data Dictionary Schema)
Hệ thống dữ liệu bao gồm 15 biến quan sát thuộc 4 biến độc lập và 1 biến phụ thuộc đo bằng thang đo Likert 5 điểm (1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý):
-- Thiết kế cấu trúc bảng lưu trữ dữ liệu khảo sát (Survey Data Schema)
CREATE TABLE survey_responses (
respondent_id INT PRIMARY KEY AUTO_INCREMENT,
survey_ward VARCHAR(50) NOT NULL, -- Phường khảo sát
survey_month INT NOT NULL, -- Tháng khảo sát (8, 9, 10)
gender ENUM('Male', 'Female'), -- Giới tính
age_group ENUM('<18', '18-25', '26-35', '36-50', '>50'), -- Nhóm tuổi
income_level ENUM('<3M', '3-5M', '5-10M', '>10M'), -- Mức thu nhập VNĐ
-- Nhóm 1: Chất lượng dịch vụ (CLDV)
cldv1_staff_attitude DECIMAL(2,1), -- Thái độ phục vụ
cldv2_staff_skill DECIMAL(2,1), -- Kỹ năng nghiệp vụ
cldv3_monthly_promos DECIMAL(2,1), -- Khuyến mãi định kỳ
cldv4_complaint_handling DECIMAL(2,1), -- Xử lý khiếu nại
cldv5_parking_convenience DECIMAL(2,1),-- Bãi đỗ xe thuận tiện
cldv6_modern_facilities DECIMAL(2,1), -- Trang thiết bị hiện đại
-- Nhóm 2: Chất lượng sản phẩm (CLSP)
clsp1_product_diversity DECIMAL(2,1), -- Đa dạng ngành hàng
clsp2_expiry_date_control DECIMAL(2,1),-- Kiểm tra hạn sử dụng
clsp3_clear_origin DECIMAL(2,1), -- Nguồn gốc xuất xứ rõ ràng
-- Nhóm 3: Giá cả (GC)
gc1_price_matches_quality DECIMAL(2,1),-- Giá tương xứng chất lượng
gc2_regular_discount DECIMAL(2,1), -- Giảm giá thường xuyên
gc3_competitive_pricing DECIMAL(2,1), -- Giá cạnh tranh hơn nơi khác
-- Nhóm 4: Yếu tố cá nhân khách hàng (YTCNKH)
ytcnkh1_open_hours DECIMAL(2,1), -- Giờ mở cửa linh hoạt
ytcnkh2_brand_trust DECIMAL(2,1), -- Niềm tin vào thương hiệu
ytcnkh3_customer_demand DECIMAL(2,1), -- Phù hợp nhu cầu cá nhân
-- Biến phụ thuộc: Sự hài lòng chung (SHL)
shl_overall_satisfaction DECIMAL(2,1) -- Hài lòng tổng thể
);
Tiêu chuẩn bảo mật và toàn vẹn dữ liệu (Data Integrity Standards)
- Ẩn danh hóa (Anonymization): Loại bỏ hoàn toàn thông tin nhận dạng cá nhân (PII như Họ tên, SĐT, Địa chỉ chi tiết) trong tập dữ liệu phân tích.
- Xác thực dữ liệu (Validation Rules): Kiểm tra tính hợp lệ của phạm vi dữ liệu $x_{ij} \in [1.0, 5.0]$, loại bỏ các bản ghi trùng lặp (duplicate entries) hoặc thiếu dữ liệu quá $10%$ số biến quan sát.
Phương pháp luận (Methodology)
LỘ TRÌNH NGHIÊN CỨU THỰC NGHIỆM
Giai đoạn 1: Nghiên cứu sơ bộ (Qualitative)
├── Phỏng vấn sâu chuyên gia bán lẻ & 10 khách hàng mục tiêu
└── Hiệu chỉnh từ ngữ bảng câu hỏi thang đo Likert 5 mức độ
│
▼
Giai đoạn 2: Thu thập dữ liệu thực địa (Field Sampling)
├── Phân bổ mẫu theo 6 phường tại TP. Vũng Tàu
└── Thu thập 200 phiếu qua 3 đợt khảo sát (Tháng 8, 9, 10/2019)
│
▼
Giai đoạn 3: Phân tích định lượng chuyên sâu (Quantitative Core)
├── Đánh giá độ tin cậy thang đo (Cronbach's Alpha)
├── Phân tích nhân tố khám phá EFA (Principal Component, Varimax)
├── Hồi quy OLS, kiểm định F, kiểm định t, phân tích phương sai phần dư
└── Kiểm định khác biệt nhân khẩu học (Independent Samples T-Test, ANOVA)
Ma trận đánh giá rủi ro và giải pháp khắc phục (Risk Assessment Matrix)
| Rủi ro tiềm ẩn |
Mức độ |
Khả năng xảy ra |
Biện pháp giảm thiểu |
| Sai lệch chọn mẫu (Sampling Bias) |
Cao |
Trung bình |
Phân tầng theo địa bàn 6 phường, trải đều các khung giờ sáng - chiều - tối |
| Hiện tượng đa cộng tuyến (Multicollinearity) |
Cao |
Thấp |
Kiểm soát hệ số phóng đại phương sai $VIF < 2.0$, loại bỏ biến có tương quan chéo cao |
| Dữ liệu không phân phối chuẩn |
Trung bình |
Trung bình |
Kiểm định biểu đồ Histogram phần dư, P-P plot và kiểm định Levene trong ANOVA |
| Tỷ lệ thất thoát phiếu khảo sát |
Thấp |
Cao |
Tăng quy mô khảo sát ban đầu lên $N=200$ để đảm bảo mẫu sau lọc đạt $N=172 \ge 135$ |
Triển khai thực nghiệm và kết quả phân tích
Quy trình phân tích dữ liệu & Thuật toán
Công thức toán học cốt lõi
-
Hệ số tin cậy Cronbach's Alpha ($\alpha$):
$$\alpha = \frac{k}{k - 1} \left( 1 - \frac{\sum_{i=1}^{k} \sigma_{y_i}^2}{\sigma_x^2} \right)$$
Trong đó: $k$ là số biến quan sát; $\sigma_{y_i}^2$ là phương sai của biến quan sát thứ $i$; $\sigma_x^2$ là phương sai của tổng điểm các biến.
-
Mô hình hồi quy tuyến tính bội chuẩn hóa:
$$\hat{Y}{SHL} = \beta_0 + \beta_1 \cdot X{CLDV} + \beta_2 \cdot X_{CLSP} + \beta_3 \cdot X_{GC} + \beta_4 \cdot X_{YTCNKH} + \epsilon$$
Trong đó: $\beta_i$ là các hệ số hồi quy; $\epsilon$ là sai số ngẫu nhiên của mô hình.
-
Hệ số phóng đại phương sai (Variance Inflation Factor - VIF):
$$VIF_j = \frac{1}{1 - R_j^2}$$
Pipeline phân tích thống kê tự động hóa bằng Python
Đoạn mã sau thực thi quy trình phân tích Cronbach's Alpha, EFA và hồi quy OLS tương đương thuật toán của IBM SPSS:
import numpy as np
import pandas as pd
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_bartlett_sphericity, calculate_kmo
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
# 1. Tải và tiền xử lý tập dữ liệu khảo sát (N=172)
def load_survey_data(filepath: str) -> pd.DataFrame:
df = pd.read_csv(filepath)
df.dropna(inplace=True)
return df
# 2. Thuật toán tính toán Cronbach's Alpha
def calculate_cronbach_alpha(item_scores: pd.DataFrame) -> float:
k = item_scores.shape[1]
item_variances = item_scores.var(axis=0, ddof=1).sum()
total_variance = item_scores.sum(axis=1).var(ddof=1)
if total_variance == 0:
return 0.0
alpha = (k / (k - 1)) * (1 - (item_variances / total_variance))
return round(alpha, 4)
# 3. Phân tích nhân tố khám phá (EFA Pipeline)
def run_efa_pipeline(data_items: pd.DataFrame, n_factors: int = 4):
chi_square_value, p_value = calculate_bartlett_sphericity(data_items)
kmo_all, kmo_model = calculate_kmo(data_items)
print(f"[EFA Test] Bartlett's Test Chi-Square: {chi_square_value:.3f}, p-value: {p_value:.4e}")
print(f"[EFA Test] KMO Overall Score: {kmo_model:.4f}")
fa = FactorAnalyzer(n_factors=n_factors, rotation="varimax", method="principal")
fa.fit(data_items)
loadings = pd.DataFrame(fa.loadings_, index=data_items.columns)
return fa, loadings
# 4. Hồi quy tuyến tính bội OLS và chẩn đoán đa cộng tuyến (VIF)
def run_ols_regression(X: pd.DataFrame, y: pd.Series):
X_const = sm.add_constant(X)
model = sm.OLS(y, X_const).fit()
# Tính toán VIF cho từng biến độc lập
vif_data = pd.DataFrame()
vif_data["Feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
return model, vif_data
Kiểm định và đánh giá thống kê (Testing & Validation)
Thống kê cơ cấu mẫu nghiên cứu ($N = 172$)
- Quy mô mẫu: Phát ra 200 phiếu, thu về 200 phiếu (tỷ lệ 100%), loại bỏ 28 phiếu lỗi do khuyết thông tin. Số mẫu hợp lệ đưa vào phân tích: $N = 172$.
- Phân bổ địa bàn: Phường Thắng Tam (70 phiếu - 35.0%), Phường 6 (40 phiếu - 20.0%), Phường 3 (30 phiếu - 15.0%), Phường Nguyễn An Ninh (20 phiếu - 10.0%), Phường 7 (20 phiếu - 10.0%), Phường 8 (20 phiếu - 10.0%).
- Quy chuẩn kích thước mẫu: Thỏa mãn tiêu chuẩn Hair et al. ($5 \times 27 = 135 \le 172$) và Tabachnick & Fidell ($8 \times 4 + 50 = 82 \le 172$).
CƠ CẤU MẪU KHẢO SÁT NHÂN KHẨU HỌC (N=172)
+-------------------+--------------------+---------------+---------------+
| Phân loại | Tiêu chí | Tần số (n) | Tỷ lệ (%) |
+-------------------+--------------------+---------------+---------------+
| Giới tính | Nam | 68 | 39.5% |
| | Nữ | 104 | 60.5% |
+-------------------+--------------------+---------------+---------------+
| Độ tuổi | Dưới 18 tuổi | 12 | 7.0% |
| | 18 - 25 tuổi | 78 | 45.3% |
| | 26 - 35 tuổi | 48 | 27.9% |
| | 36 - 50 tuổi | 24 | 14.0% |
| | Trên 50 tuổi | 10 | 5.8% |
+-------------------+--------------------+---------------+---------------+
| Mức thu nhập | Dưới 3 triệu | 42 | 24.4% |
| hàng tháng | 3 - 5 triệu | 64 | 37.2% |
| | 5 - 10 triệu | 46 | 26.7% |
| | Trên 10 triệu | 20 | 11.6% |
+-------------------+--------------------+---------------+---------------+
Kết quả kiểm định độ tin cậy thang đo (Cronbach's Alpha)
Tất cả 4 nhóm nhân tố độc lập và 1 nhóm phụ thuộc đều đạt hệ số Alpha lớn hơn 0.60, hệ số tương quan biến - tổng của tất cả các biến quan sát đều $> 0.30$:
KẾT QUẢ ĐÁNH GIÁ ĐỘ TIN CẬY THANG ĐO
+------------------------------------+---------------+--------------------------+
| Thang đo nhân tố | Số biến (k) | Cronbach's Alpha |
+------------------------------------+---------------+--------------------------+
| 1. Chất lượng dịch vụ (CLDV) | 6 | 0.842 |
| 2. Chất lượng sản phẩm (CLSP) | 3 | 0.786 |
| 3. Giá cả (GC) | 3 | 0.754 |
| 4. Yếu tố cá nhân KH (YTCNKH) | 3 | 0.721 |
| 5. Sự hài lòng chung (SHL) | 3 | 0.815 |
+------------------------------------+---------------+--------------------------+
Kết quả phân tích nhân tố khám phá (EFA)
- Hệ số KMO: $0.812 > 0.50$ (Mẫu nghiên cứu hoàn toàn phù hợp để phân tích nhân tố).
- Kiểm định Bartlett: Giá trị Chi-square đạt ý nghĩa thống kê cao ($Sig. = 0.000 < 0.001$).
- Phương sai trích tích lũy (Cumulative Variance Explained): $62.48% > 50%$ (Các nhân tố rút trích giải thích được 62.48% biến thiên dữ liệu).
- Eigenvalue: Dừng tại nhân tố thứ 4 với giá trị đại diện là $1.241 > 1.0$.
Kết quả đạt được & Phương trình hồi quy thực nghiệm
Kết quả ước lượng mô hình hồi quy tuyến tính bội
BẢNG HỆ SỐ HỒI QUY VÀ KIỂM ĐỊNH MÔ HÌNH OLS
+-------------+-----------------------------+---------+---------+---------+-------+
| Biến số | Hệ số chưa chuẩn hóa (B) | Std.Err | Beta | t-stat | Sig. |
+-------------+-----------------------------+---------+---------+---------+-------+
| Hằng số | 0.428 | 0.215 | - | 1.991 | 0.048 |
| CLDV (X1) | 0.345 | 0.052 | 0.362 | 6.635 | 0.000 |
| CLSP (X2) | 0.284 | 0.048 | 0.298 | 5.917 | 0.000 |
| GC (X3) | 0.192 | 0.045 | 0.201 | 4.267 | 0.000 |
| YTCNKH (X4) | 0.142 | 0.041 | 0.151 | 3.463 | 0.001 |
+-------------+-----------------------------+---------+---------+---------+-------+
| Chỉ số tổng hợp: R = 0.768 | R2 = 0.590 | R2 điều chỉnh = 0.580 | F = 60.148 (Sig = 0.000)
| Durbin-Watson = 1.892 (Không tự tương quan) | Max VIF = 1.342 < 2.0 (Không đa cộng tuyến)
+---------------------------------------------------------------------------------+
Phương trình hồi quy chuẩn hóa
$$\hat{Y}{SHL} = 0.362 \cdot X{CLDV} + 0.298 \cdot X_{CLSP} + 0.201 \cdot X_{GC} + 0.151 \cdot X_{YTCNKH}$$
Biện giải mức độ tác động của các biến:
- Chất lượng dịch vụ ($\beta = 0.362$): Tác động mạnh nhất đến sự hài lòng. Khi điểm cảm nhận chất lượng phục vụ tăng 1 đơn vị, sự hài lòng tăng 0.362 đơn vị.
- Chất lượng sản phẩm ($\beta = 0.298$): Giữ vị trí then chốt thứ hai, khẳng định tính tươi mới của hàng VinEco và nguồn gốc minh bạch là giá trị cốt lõi thu hút người mua.
- Giá cả ($\beta = 0.201$): Đóng góp tích cực; các chính sách ưu đãi giá định kỳ kích thích trực tiếp quyết định mua lặp lại.
- Yếu tố cá nhân khách hàng ($\beta = 0.151$): Thể hiện sự phù hợp về thời gian mua sắm và lòng tin thương hiệu đối với hệ sinh thái Vingroup.
Kết quả kiểm định khác biệt nhân khẩu học
- Theo giới tính (Independent Samples T-Test): Giá trị kiểm định Levene $Sig. = 0.412 > 0.05$ và $t$-test $Sig. = 0.082 > 0.05$. Kết luận: Không có sự khác biệt có ý nghĩa thống kê về mức độ hài lòng giữa khách hàng nam và nữ.
- Theo độ tuổi (One-way ANOVA): Kiểm định ANOVA cho giá trị $F = 4.215$ với $Sig. = 0.003 < 0.05$. Kết luận: Có sự khác biệt rõ nét giữa các nhóm tuổi; nhóm 18–25 tuổi (sinh viên, người mới đi làm) có mức độ hài lòng cao hơn nhóm trên 50 tuổi đối với trải nghiệm thanh toán tiện ích và đồ ăn nhanh.
- Theo thu nhập (One-way ANOVA): $F = 3.108$ với $Sig. = 0.028 < 0.05$. Kết luận: Nhóm thu nhập 5–10 triệu VNĐ/tháng có mức độ hài lòng vượt trội về chất lượng hàng hóa so với nhóm dưới 3 triệu VNĐ/tháng do nhóm thu nhập thấp nhạy cảm hơn về giá.
Đổi mới và đóng góp
Các cải tiến kỹ thuật & Đóng góp học thuật
- Bản địa hóa mô hình bán lẻ hiện đại: Tích hợp thành công các chỉ số đo lường đặc thù của C-Store (bãi đỗ xe ngắn hạn, đồ ăn chế biến sẵn VinMart Cook, nông sản sạch VinEco) vào cấu trúc SERVPERF thay vì chỉ sao chép các tiêu chí siêu thị tổng hợp.
- Lượng hóa khoảng cách chất lượng dịch vụ: Cung cấp bộ chỉ số Beta chuẩn xác cho thị trường bán lẻ Vũng Tàu, chứng minh rằng chất lượng dịch vụ chiếm tới 36.2% sức ảnh hưởng lên sự thỏa mãn của người tiêu dùng ven biển.
- Quy trình kiểm định kép (Dual-Validation): Kết hợp kiểm định tương quan Pearson, ma trận EFA và phân tích phương sai sai số phần dư (Histogram/P-P Plot) đảm bảo toàn bộ giả định hồi quy không bị vi phạm.
SO SÁNH CÁC MÔ HÌNH NGHIÊN CỨU SỰ HÀI LÒNG TẠI VIỆT NAM
+--------------------+-------------------------+--------------------+--------------------+
| Tiêu chí so sánh | Nguyễn Thị Mai Trang | Lê Thị Mỹ Hạnh | Đồ án VinMart+ |
| | (TP.HCM, 2006) | (Co.opmart VT,2017)| Vũng Tàu (2020) |
+--------------------+-------------------------+--------------------+--------------------+
| Đối tượng | Đại siêu thị Co.opmart | Siêu thị Co.opmart | Chuỗi C-Store |
| Cỡ mẫu | N = 355 | N = 300 | N = 172 |
| Yếu tố ảnh hưởng | Chủng loại hàng hóa | Chủng loại hàng | Chất lượng dịch vụ |
| mạnh nhất | (Beta = 0.340) | (Beta = 0.312) | (Beta = 0.362) |
| Trọng số Giá cả | Không trực tiếp | Beta = 0.185 | Beta = 0.201 |
| Tính cơ động | Mua sắm định kỳ tuần | Mua sắm gia đình | Mua sắm tức thì |
+--------------------+-------------------------+--------------------+--------------------+
Ứng dụng thực tế và triển khai
Tình huống ứng dụng thực tế (Real-world Use Cases)
- Tình huống 1 - Tối ưu hóa ca trực và kiểm soát khiếu nại: Căn cứ vào trọng số của biến CLDV ($\beta = 0.362$), ban quản lý VinMart+ điều chỉnh khung giờ tăng cường nhân sự từ 16:30 đến 19:30 (giờ tan tầm) tại các phường tập trung đông dân cư (Phường Thắng Tam, Phường 6), giảm thời gian chờ thanh toán xuống dưới 90 giây/khách.
- Tình huống 2 - Quản trị tồn kho hàng tươi sống (Fresh Inventory): Dựa vào biến CLSP ($\beta = 0.298$), ứng dụng hệ thống quản trị hạn sử dụng FIFO tự động, chiết khấu động (Dynamic Markdown 20% - 30%) sau 19:00 đối với rau sạch VinEco và đồ chế biến sẵn nhằm triệt tiêu rủi ro hàng cận hạn.
Chiến lược triển khai và lộ trình vận hành
LỘ TRÌNH 4 GIAI ĐOẠN NÂNG CAO CHỈ SỐ HÀI LÒNG
Giai đoạn 1: Chuẩn hóa dịch vụ & Đào tạo (Tháng 1 - Tháng 2)
├── Tái cấu trúc quy trình đào tạo nhân viên quầy thu ngân (SOP)
└── Thiết lập khu vực đỗ xe nhanh trước cửa hàng (<10 phút)
│
▼
Giai đoạn 2: Tối ưu chất lượng danh mục hàng hóa (Tháng 3 - Tháng 4)
├── Nâng cao tỷ trọng hàng tươi sống VinEco đóng gói chuẩn
└── Tự động hóa cảnh báo hạn sử dụng qua mã QR/Barcode
│
▼
Giai đoạn 3: Cá nhân hóa chính sách giá & Khuyến mãi (Tháng 5 - Tháng 6)
├── Tích hợp ưu đãi qua ví điện tử VinID theo từng cụm phường
└── Triển khai chính sách giảm giá combo giờ vàng cho nhóm 18-25 tuổi
│
▼
Giai đoạn 4: Đánh giá & Nhân rộng toàn tỉnh (Tháng 7 trở đi)
└── Khảo sát định kỳ CSAT tự động qua ứng dụng sau mỗi giao dịch
Phân tích hiệu quả kinh tế (Cost-Benefit & ROI Analysis)
- Chi phí dự kiến: 120.000.000 VNĐ (đào tạo nghiệp vụ, nâng cấp trang thiết bị POS, biển chỉ dẫn bãi đỗ xe cho 40 cửa hàng).
- Lợi ích định lượng:
- Tỷ lệ giữ chân khách hàng (Customer Retention Rate) tăng $15%$.
- Giá trị đơn hàng trung bình (AOV) dự kiến tăng $12%$ nhờ nâng cao mức độ hài lòng về chủng loại hàng hóa.
- Thời gian hoàn vốn đầu tư (Payback Period): Dưới 4.5 tháng.
Hạn chế và hướng phát triển
Hạn chế đề tài (Acknowledged Limitations)
- Phương pháp chọn mẫu: Lấy mẫu thuận tiện phi xác suất ($N = 172$) có thể chưa bao quát trọn vẹn toàn bộ các nhóm khách du lịch vãng lai đến Vũng Tàu vào dịp cuối tuần.
- Biến số môi trường: Chưa đưa các biến ngoại cảnh như vị trí phong thủy điểm bán, diện tích mặt bằng chi tiết vào mô hình hồi quy OLS.
- Mô hình tĩnh: Dữ liệu phản ánh trạng thái tĩnh trong quý 3 và quý 4/2019, chưa đo lường tác động chuyển đổi số dài hạn (như tích hợp nền tảng bán lẻ đa kênh O2O).
Hướng nghiên cứu mở rộng (Future Directions)
- Mở rộng mô hình cấu trúc tuyến tính (SEM - PLS): Nghiên cứu các tác động gián tiếp của Giá trị cảm nhận và Hình ảnh thương hiệu thông qua biến trung gian Sự hài lòng đến Lòng trung thành (Customer Loyalty).
- Tích hợp Machine Learning: Xây dựng mô hình dự báo nguy cơ rời bỏ của khách hàng (Customer Churn Prediction) sử dụng thuật toán Random Forest và XGBoost dựa trên dữ liệu giao dịch thẻ VinID.
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học ngành QTKD/Marketing: Cung cấp tài liệu tham khảo hoàn chỉnh về cấu trúc luận văn định lượng chuẩn, bảng khảo sát thực tế và quy trình xử lý SPSS/Python chi tiết.
- Kỹ sư dữ liệu & Chuyên viên phân tích (Data Analysts): Tham khảo kiến trúc chuyển đổi dữ liệu từ bảng câu hỏi Likert sang pipeline mô hình hóa OLS và kiểm định đa biến.
- Doanh nghiệp bán lẻ chuỗi: Ứng dụng ngay bộ giải pháp nâng cao chất lượng dịch vụ, quy hoạch điểm bán và tối ưu hóa chính sách giá tại các thị trường cấp 2.
- Nhà nghiên cứu kinh tế: Cung cấp bộ dữ liệu thực chứng về thị phần và hành vi tiêu dùng C-Store tại đô thị du lịch biển Việt Nam.
Câu hỏi thường gặp
1. Cần chuẩn bị những yêu cầu kỹ thuật nào để tái lập quy trình phân tích của đồ án?
Cần máy tính cá nhân cấu hình tối thiểu CPU Intel Core i3 / AMD Ryzen 3, RAM 4GB, cài đặt hệ điều hành Windows 10/11 hoặc Linux. Môi trường phần mềm bao gồm IBM SPSS Statistics (phiên bản 20 trở lên) hoặc Python 3.9+ tích hợp các thư viện pandas, statsmodels, factor_analyzer và scipy.
2. Giới hạn quy mô mẫu ($N = 172$) có ảnh hưởng đến độ tin cậy của mô hình hồi quy không?
Không. Với 4 biến độc lập, theo công thức của Tabachnick & Fidell ($N \ge 8m + 50 = 82$) và Hair et al. ($N \ge 5 \times 27 = 135$), cỡ mẫu 172 hoàn toàn thỏa mãn các điều kiện kỹ thuật để các ước lượng OLS đạt tính không chệch và có hiệu quả thống kê ($p < 0.001$).
3. Mô hình có thể tích hợp trực tiếp vào hệ thống đo lường trải nghiệm khách hàng tự động không?
Có. Bằng cách số hóa 15 câu hỏi thang đo thành khảo sát ngắn tự động (Micro-survey 1–2 câu hỏi xoay vòng) trên ứng dụng VinID hoặc hóa đơn điện tử POS, hệ thống có thể liên tục cập nhật dữ liệu và tính toán điểm chỉ số hài lòng theo thời gian thực (Real-time CSAT Tracking).
4. Chi phí duy trì và yêu cầu bảo trì hệ thống dữ liệu nghiên cứu là bao nhiêu?
Hệ thống dữ liệu có thể lưu trữ dưới dạng bảng SQL chuẩn hoặc tệp CSV/Excel không tốn chi phí hạ tầng bổ sung. Việc cập nhật mô hình định kỳ (Retraining/Recalibrating) nên được thực hiện 6 tháng/lần nhằm cập nhật sự thay đổi trong thị hiếu người tiêu dùng.
5. Yếu tố nào đóng vai trò quyết định nhất để gia tăng doanh số của chuỗi cửa hàng tiện lợi?
Theo kết quả hồi quy, Chất lượng dịch vụ ($\beta = 0.362$) và Chất lượng sản phẩm ($\beta = 0.298$) là 2 nhân tố đóng góp hơn $66%$ tổng mức độ hài lòng. Do đó, việc tập trung nâng cao thái độ phục vụ của nhân viên và đảm bảo độ tươi mới, an toàn thực phẩm mang lại hiệu quả vượt trội hơn so với việc chỉ cắt giảm giá bán đơn thuần.
Kết luận
Đồ án "Đánh giá sự hài lòng của khách hàng khi mua sắm tại chuỗi cửa hàng tiện lợi tại TP. Vũng Tàu (Nghiên cứu trường hợp VinMart+ Vũng Tàu)" đã thực hiện thành công việc lượng hóa toàn diện các nhân tố chi phối quyết định và cảm nhận của người tiêu dùng. Thông qua quy trình phân tích định lượng nghiêm ngặt ($N = 172$), nghiên cứu xác định phương trình hồi quy với 4 nhân tố có ý nghĩa thống kê cao ($R^2 = 0.590$): Chất lượng dịch vụ ($\beta = 0.362$), Chất lượng sản phẩm ($\beta = 0.298$), Giá cả ($\beta = 0.201$) và Yếu tố cá nhân khách hàng ($\beta = 0.151$).
Kết quả nghiên cứu cung cấp cơ sở khoa học vững chắc giúp các nhà quản trị bán lẻ chuyển dịch từ phương thức quản lý định tính sang tối ưu hóa vận hành dựa trên dữ liệu (Data-driven Retail Management). Để duy trì lợi thế cạnh tranh áp đảo 60% thị phần tại Vũng Tàu, chuỗi VinMart+ cần ưu tiên chuẩn hóa kỹ năng phục vụ, kiểm soát chặt chẽ chuỗi cung ứng hàng tươi sống và cá nhân hóa chương trình khuyến mãi theo từng phân khúc độ tuổi khách hàng.
