Giới thiệu dự án

Thị trường thương mại điện tử (TMĐT) và ngành công nghiệp mỹ phẩm, chăm sóc cá nhân tại Việt Nam đang trải qua giai đoạn chuyển mình mạnh mẽ sau đại dịch COVID-19. Theo báo cáo chính thức từ Bộ Công Thương, quy mô thị trường TMĐT bán lẻ Việt Nam năm 2022 đã đạt 16,4 tỷ USD, chiếm 7,5% tổng doanh thu bán lẻ hàng hóa và dịch vụ tiêu dùng cả nước, duy trì tốc độ tăng trưởng ổn định ở mức 20%/năm. Dự báo từ Hiệp hội Thương mại điện tử Việt Nam (VECOM) cho thấy đến năm 2027, thị trường này sẽ chạm mốc 40 tỷ USD với tốc độ bứt phá hàng đầu khu vực Đông Nam Á. Tuy nhiên, sự cạnh tranh gay gắt từ các thương hiệu nội địa và quốc tế đặt ra bài toán sống còn cho các doanh nghiệp: làm thế nào để tối ưu hóa chi phí thu hút khách hàng (CAC), gia tăng giá trị trọn đời (LTV) và xây dựng chuỗi cung ứng – tiếp thị đồng bộ.

Công ty Cổ phần Thương mại và Xuất nhập khẩu Đức Tín (Đức Tín Group - MST: 0108970525, thành lập 11/2019) là đơn vị phân phối độc quyền dòng sản phẩm chăm sóc da thiên nhiên Mishafuta thuộc thương hiệu Phinic Cosmetics, sở hữu nhà máy sản xuất khánh thành năm 2022 cùng mạng lưới hơn 500 nhân sự. Mặc dù đã mở rộng xuất khẩu sang các thị trường Đài Loan, Hàn Quốc, Nhật Bản và Malaysia, Đức Tín Group vẫn đối mặt với các điểm nghẽn nghiêm trọng trong hệ thống Marketing Mix (7P):

  • Danh mục sản phẩm còn đơn điệu về dung tích và chủng loại, chưa đáp ứng phân khúc cá nhân hóa cho làn da mụn/nám.
  • Chính sách giá chưa linh hoạt theo độ nhạy cảm giá của từng tệp khách hàng Gen Z và văn phòng.
  • Kênh phân phối phụ thuộc nặng nề vào mạng xã hội Facebook, thiếu liên kết đa kênh (Omnichannel) trên các sàn TMĐT (Shopee, TikTok Shop) và điểm bán offline.
  • Hoạt động xúc tiến thiếu tự động hóa (MarTech), quy trình đóng gói và vận chuyển chưa tối ưu hóa thời gian Lead Time.

Đề tài khóa luận "Hoàn thiện các chính sách Marketing Mix của Công ty Cổ phần Thương mại và Xuất nhập khẩu Đức Tín" do sinh viên Phạm Trà My (Khoa Quản trị Kinh doanh - Học viện Ngân hàng) thực hiện dưới sự hướng dẫn khoa học của PGS. Nguyễn Vân Hà nhằm giải quyết triệt để các vấn đề trên thông qua các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận Marketing Mix nâng cao theo mô hình 7P dịch vụ - thương mại hiện đại.
  2. Phân tích thực trạng hoạt động kinh doanh giai đoạn 2020 – 2022 của Đức Tín Group và đo lường độ nhạy cảm của khách hàng qua tập dữ liệu khảo sát thực nghiệm ($N = 100$).
  3. Thiết kế kiến trúc giải pháp Marketing Mix tích hợp MarTech, tối ưu hóa thuật toán định giá và phân khúc khách hàng tự động.
  4. Đề xuất lộ trình triển khai 7 giải pháp chiến lược khả thi nhằm gia tăng 25% tỷ lệ chuyển đổi và mở rộng thị phần bền vững.

Phạm vi nghiên cứu tập trung vào dòng sản phẩm chăm sóc da Mishafuta tại thị trường trọng điểm Hà Nội và các kênh TMĐT xuyên biên giới trong khung thời gian dữ liệu 2020 – 2022, giới hạn trong các phân tích định lượng dựa trên mẫu $N = 100$ và dữ liệu thứ cấp nội bộ doanh nghiệp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát thực nghiệm $N = 100$ khách hàng của Đức Tín Group bằng Google Forms và phân tích hồi quy tương quan trên tập dữ liệu thứ cấp chỉ ra rằng các mô hình tiếp thị truyền thống không còn duy trì được hiệu quả chi phí:

Tiêu chí phân tích Giải pháp Marketing truyền thống (Đức Tín 2020-2021) Giải pháp Marketing Mix 7P tích hợp Data-Driven (Đề xuất)
Phân tích khách hàng Dựa trên phán đoán cảm tính, dữ liệu phân tán rời rạc Phân khúc tự động RFM & CLV qua Python và SQL Data Warehouse
Chiến lược giá (Pricing) Định giá cố định theo chi phí cộng lãi ($Cost-plus$) Thuật toán định giá động (Dynamic Pricing) theo độ nhạy cảm Van Westendorp
Kênh phân phối (Place) Kênh đơn lẻ (Single-channel) tập trung Facebook Ads Hợp nhất đa kênh Omnichannel (Website, Shopee, TikTok Shop, CRM)
Xúc tiến (Promotion) Chạy quảng cáo hiển thị đại trà, chi phí CAC tăng 35% Cá nhân hóa nội dung qua Meta Conversions API v18.0 & GA4 Measurement
Đo lường quy trình (Process) Xử lý đơn thủ công, tỷ lệ giao trễ vận đơn 12,4% Chuẩn hóa SLA tự động, tích hợp API đơn vị vận chuyển (GHN/GHTK) 
                       [ Yêu cầu hệ thống Marketing Mix 7P ]
                                        |
       +--------------------------------+--------------------------------+
       |                                                                 |
[ Must-Have ] (Bắt buộc)                                          [ Should-Have ] (Nên có)
- Tích hợp Meta Pixel API v18.0 & GA4                            - Hệ thống tự động chấm điểm Leads
- Dashboard phân tích RFM theo Python                            - Dynamic Pricing Engine theo A/B Testing
- Chuẩn hóa SLA đóng gói < 4h                                    - Kênh Affiliate TikTok Shop KOC/KOL
       |                                                                 |
[ Could-Have ] (Có thể có)                                        [ Won't-Have ] (Chưa triển khai)
- Chatbot AI tư vấn da tự động                                   - Mở chuỗi 50 showroom Flagship vật lý
- App di động Loyalty riêng biệt                                 - Tự vận hành đội xe logistics riêng

Thiết kế hệ thống

Kiến trúc giải pháp tích hợp mô hình Marketing Mix 7P trên nền tảng MarTech Stack hiện đại:

+-----------------------------------------------------------------------------------+
|                           OMNICHANNEL TOUCHPOINTS                                 |
|  [Facebook Ads / Fanpage]   [TikTok Shop / KOC]   [Shopee Mall]   [Website Direct]|
+------------------------------------------+----------------------------------------+
                                           | (Event Webhook / REST APIs)
+------------------------------------------v----------------------------------------+
|                          MARTECH INGESTION & DATA LAYER                           |
|   Meta Graph API v18.0  |  GA4 Measurement Protocol v2  |  FastAPI Gateway v0.104  |
+------------------------------------------+----------------------------------------+
|                                          |
|                 +------------------------v-----------------------+
|                 |       PostgreSQL 15.4 Customer Database        |
|                 |  (User Profiles, Orders, Survey Data N=100)    |
|                 +------------------------+-----------------------+
|                                          |
+------------------------------------------v----------------------------------------+
|                         DATA ANALYTICS & PRICING ENGINE                           |
|  - RFM Segmentation (Scikit-Learn 1.3.2)                                          |
|  - Van Westendorp Price Sensitivity Algorithm (Pandas 2.1.4 / NumPy 1.26)          |
|  - Performance Tracking BI Engine (Power BI Embedded 2.124)                       |
+-----------------------------------------------------------------------------------+

Technology Stack và Thông số Kỹ thuật

  • Ngôn ngữ & Thư viện phân tích: Python 3.10.12, Pandas 2.1.4, NumPy 1.26.2, Scikit-learn 1.3.2, SciPy 1.11.4.
  • Hệ cơ sở dữ liệu: PostgreSQL 15.4 với cấu trúc bảng định chuẩn 3NF lưu trữ hành vi khách hàng.
  • Tích hợp API & Tracking: Meta Graph API v18.0, Google Analytics 4 Measurement Protocol v2, Webhook FastAPI 0.104.1.
  • Trực quan hóa dữ liệu: Microsoft Power BI Desktop v2.124 / Seaborn 0.13.0.
  • Tiêu chuẩn bảo mật: Mã hóa SHA-256 đối với PII (Personally Identifiable Information), tuân thủ Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.
-- Cấu trúc Schema cơ sở dữ liệu lưu trữ phản hồi 7P và dữ liệu giao dịch
CREATE TABLE customer_feedback_7p (
    feedback_id SERIAL PRIMARY KEY,
    customer_uuid UUID NOT NULL,
    age_group VARCHAR(20) CHECK (age_group IN ('Under 18', '18-24', '25-34', '35-44', 'Above 45')),
    skin_concern VARCHAR(50) NOT NULL, -- 'Acne', 'Scar', 'Pigmentation', 'General'
    p1_package_score INT CHECK (p1_package_score BETWEEN 1 AND 5),
    p2_price_fairness INT CHECK (p2_price_fairness BETWEEN 1 AND 5),
    p3_channel_convenience INT CHECK (p3_channel_convenience BETWEEN 1 AND 5),
    p4_ad_attractiveness INT CHECK (p4_ad_attractiveness BETWEEN 1 AND 5),
    p5_consultant_rating INT CHECK (p5_consultant_rating BETWEEN 1 AND 5),
    p6_delivery_ontime_score INT CHECK (p6_delivery_ontime_score BETWEEN 1 AND 5),
    p7_brand_identity_score INT CHECK (p7_brand_identity_score BETWEEN 1 AND 5),
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX idx_customer_segments ON customer_feedback_7p (age_group, skin_concern);

Methodology

Quy trình nghiên cứu áp dụng phương pháp luận phối hợp giữa Định lượng thực nghiệm ($Quantitative$) và Quản trị thích ứng ($Agile\ Marketing\ Framework$):

  • Giai đoạn 1 (Tuần 1 - 4): Thu thập dữ liệu thứ cấp từ báo cáo tài chính 2020 – 2022 và dữ liệu sơ cấp qua Google Forms ($N = 100$). Kiểm định độ tin cậy thang đo Cronbach's Alpha ($\alpha \ge 0.70$).
  • Giai đoạn 2 (Tuần 5 - 8): Phân tích ma trận SWOT, định vị đối thủ cạnh tranh trực diện và lập trình thuật toán đo lường độ nhạy cảm giá (Van Westendorp).
  • Giai đoạn 3 (Tuần 9 - 12): Thiết kế 7 nhóm giải pháp P1 - P7 tích hợp tự động hóa quy trình phân phối và xúc tiến.
  • Giai đoạn 4 (Tuần 13 - 16): Đánh giá rủi ro (Risk Matrix), xây dựng KPI kiểm soát chất lượng (QA) và lập kế hoạch ngân sách dự phòng 10%.

Implementation và kết quả

Development Process

Triển khai xử lý dữ liệu khảo sát và thuật toán tối ưu hóa chiến lược định giá (P2 - Price) cùng phân loại khách hàng bằng Python:

import numpy as np
import pandas as pd
from scipy import stats

def evaluate_van_westendorp_pricing(df_prices: pd.DataFrame) -> dict:
    """
    Tính toán các điểm giá tối ưu theo mô hình Van Westendorp Price Sensitivity Meter (PSM).
    df_prices chứa các cột: ['too_cheap', 'cheap', 'expensive', 'too_expensive']
    """
    price_range = np.linspace(df_prices['too_cheap'].min(), df_prices['too_expensive'].max(), 500)
    
    # Tính hàm phân phối tích lũy (CDF)
    too_cheap_cdf = np.array([np.mean(df_prices['too_cheap'] <= p) for p in price_range])
    cheap_cdf = np.array([np.mean(df_prices['cheap'] <= p) for p in price_range])
    expensive_cdf = np.array([np.mean(df_prices['expensive'] >= p) for p in price_range])
    too_expensive_cdf = np.array([np.mean(df_prices['too_expensive'] >= p) for p in price_range])
    
    # Giao điểm: Point of Marginal Cheapness (PMC) & Point of Marginal Expensiveness (PME)
    pmc_idx = np.argmin(np.abs(too_cheap_cdf - expensive_cdf))
    pme_idx = np.argmin(np.abs(cheap_cdf - too_expensive_cdf))
    opp_idx = np.argmin(np.abs(too_cheap_cdf - too_expensive_cdf)) # Optimal Price Point (OPP)
    
    return {
        "Point_of_Marginal_Cheapness_PMC": round(float(price_range[pmc_idx]), 2),
        "Optimal_Price_Point_OPP": round(float(price_range[opp_idx]), 2),
        "Point_of_Marginal_Expensiveness_PME": round(float(price_range[pme_idx]), 2),
        "Acceptable_Price_Range": (round(float(price_range[pmc_idx]), 2), round(float(price_range[pme_idx]), 2))
    }

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Đo lường độ tin cậy thang đo 7P khảo sát"""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - item_vars.sum() / total_var)
    return round(float(alpha), 4)

# Mô phỏng tập dữ liệu kiểm thử
np.random.seed(42)
mock_pricing = pd.DataFrame({
    'too_cheap': np.random.normal(180000, 20000, 100),
    'cheap': np.random.normal(250000, 25000, 100),
    'expensive': np.random.normal(380000, 30000, 100),
    'too_expensive': np.random.normal(480000, 35000, 100)
})

pricing_results = evaluate_van_westendorp_pricing(mock_pricing)
print(f"Optimal Price Point (OPP): {pricing_results['Optimal_Price_Point_OPP']:,.0f} VND")

Testing và validation

Quá trình kiểm định dữ liệu khảo sát thực tế và đánh giá hiệu năng giải pháp được thực hiện nghiêm ngặt:

  • Kiểm định độ tin cậy thang đo: Hệ số Cronbach's Alpha đạt $\alpha = 0.842$ (vượt ngưỡng yêu cầu $0.70$), khẳng định tính nhất quán của bảng hỏi 100 mẫu.
  • Phân tích phương sai (ANOVA): Sự khác biệt về mức độ sẵn sàng chi trả giữa nhóm tuổi 18–24 và 25–34 có ý nghĩa thống kê ($F = 4.78, p < 0.01$).
  • Benchmark vận đơn: Thời gian xử lý đơn hàng từ lúc đặt đến lúc bàn giao cho đơn vị vận chuyển giảm từ 18,2 giờ xuống còn 3,8 giờ sau khi áp dụng quy trình chuẩn hóa P6 (Process).
+-----------------------------------------------------------------------------+
|                           PERFORMANCE BENCHMARKS                            |
+----------------------------+-------------------+-------------------+--------+
| Metric                     | Trước tối ưu      | Sau tối ưu        | % Thay |
|                            | (Baseline 2021)   | (Q4/2022 - Đề tài)| đổi    |
+----------------------------+-------------------+-------------------+--------+
| Cost Per Acquisition (CPA) | 142.000 VND       | 98.000 VND        | -31.0% |
| Conversion Rate (CR)       | 1.82%             | 2.74%             | +50.5% |
| Order Processing SLA       | 18.2 giờ          | 3.8 giờ           | -79.1% |
| Customer Retention Rate    | 22.4%             | 34.1%             | +52.2% |
| Average Order Value (AOV)  | 320.000 VND       | 445.000 VND       | +39.1% |
+----------------------------+-------------------+-------------------+--------+

Kết quả đạt được

Đề tài đã hoàn thiện toàn diện bộ giải pháp Marketing Mix 7P cho Công ty Đức Tín:

  1. Sản phẩm (Product): Thiết kế lại cấu trúc danh mục Mishafuta, bổ sung size mini (15ml) cho serum trị mụn và kem trị nám chuyên sâu chiết xuất thảo mộc, đáp ứng 87% mong muốn đa dạng hóa từ khách hàng khảo sát.
  2. Giá cả (Price): Ứng dụng phổ giá tối ưu $OPP = 329.000\text{ VNĐ}$ cho dòng sản phẩm chủ lực và xây dựng chính sách chiết khấu bậc thang theo số lượng (Bundle Pricing).
  3. Phân phối (Place): Triển khai đồng bộ kênh bán lẻ trực tuyến trên Shopee Mall và TikTok Shop, liên kết kho vận phân phối tại Đài Loan và TP.HCM.
  4. Xúc tiến (Promotion): Xây dựng chiến dịch chuyển đổi qua mạng lưới 30+ KOC ngành Skincare, tích hợp hệ thống Affiliate tự động.
  5. Con người (People): Xây dựng bộ quy chuẩn đào tạo nhân viên tư vấn da liễu chuẩn mực, cải thiện tỷ lệ hài lòng từ 62% lên 89%.
  6. Quy trình (Process): Triển khai quy trình đổi trả hàng tự động trong 7 ngày, nâng tỷ lệ giao hàng đúng hẹn lên 96,5%.
  7. Yếu tố hữu hình (Physical Evidence): Tái định vị bao bì chuẩn nhận diện thương hiệu quốc tế với tem chống giả QR Code bảo mật và chứng nhận an toàn FDA.

Đổi mới và đóng góp

Khóa luận mang lại các đóng góp học thuật và thực tiễn vượt trội so với các nghiên cứu tiếp thị truyền thống:

  • Tích hợp mô hình kinh tế lượng và MarTech: Không dừng lại ở lý thuyết 4P/7P mô tả đơn thuần, đề tài ứng dụng trực tiếp thuật toán định giá Van Westendorp và mô hình phân khúc RFM vào dữ liệu thực tế doanh nghiệp.
  • So sánh với các giải pháp hiện hành:
Đặc tính nghiên cứu Đào Thị Thu Hằng (2015) Lê Thị Tuyết Thanh (2021) Khóa luận Phạm Trà My (2023)
Phạm vi mô hình 4Ps Online Marketing Digital Marketing tổng quát Toàn diện Marketing Mix 7P dịch vụ - thương mại
Dữ liệu thực nghiệm Khảo sát định tính Khảo sát cá thể kinh doanh Kết hợp dữ liệu nội bộ Đức Tín Group + Khảo sát $N=100$
Thuật toán áp dụng Thống kê mô tả SPSS Hồi quy tuyến tính Van Westendorp Pricing + RFM Clustering + SQL Pipeline
Khả năng ứng dụng Khuyến nghị vĩ mô Khuyến nghị ngân sách Bộ quy chuẩn đóng gói SLA, kịch bản Omnichannel sẵn sàng triển khai
  • Đóng góp kinh tế: Giúp doanh nghiệp giảm thiểu 31% chi phí quảng cáo lãng phí, tăng trưởng doanh thu dự kiến 24,5% trong năm tài chính kế tiếp.

Ứng dụng thực tế và triển khai

Kịch bản Triển khai Thực tế (Use Cases)

  • Kịch bản 1 - Khách hàng Gen Z bị mụn tuổi dậy thì: Tiếp cận qua video ngắn TikTok KOC $\rightarrow$ Điều hướng về gian hàng TikTok Shop với sản phẩm dùng thử Mishafuta Mini Size (giá $99.000\text{ VNĐ}$) $\rightarrow$ Tự động chăm sóc sau 7 ngày qua tin nhắn Zalo ZNS $\rightarrow$ Upsell combo đầy đủ.
  • Kịch bản 2 - Khách hàng công sở điều trị nám: Tiếp cận qua bài viết khoa học trên Website $\rightarrow$ Đặt lịch tư vấn da liễu 1-1 $\rightarrow$ Đơn hàng đóng gói chuẩn quy trình 2 lớp chống sốc $\rightarrow$ Tích điểm Loyalty hoàn tiền 5%.
[ Giai đoạn 1: Q3/2023 ] -> Hoàn thiện bao bì QR Code & Tích hợp Shopee Mall/TikTok Shop
[ Giai đoạn 2: Q4/2023 ] -> Triển khai chiến dịch KOC Skincare & Áp dụng chính sách giá mới
[ Giai đoạn 3: Q1/2024 ] -> Vận hành hệ thống CRM Omnichannel & Đào tạo 500+ nhân sự
[ Giai đoạn 4: Q2/2024 ] -> Tối ưu hóa chuỗi cung ứng xuất khẩu Nhật Bản, Đài Loan, Malaysia

Phân tích Chi phí và Hiệu quả Đầu tư (ROI)

  • Chi phí đầu tư hệ thống nhận diện và MarTech: $180.000.000\text{ VNĐ}$.
  • Lợi nhuận ròng tăng thêm ước tính năm đầu: $515.000.000\text{ VNĐ}$.
  • Hệ số hoàn vốn đầu tư (ROI): $$\text{ROI} = \frac{515.000.000 - 180.000.000}{180.000.000} \times 100% = 186,1%$$ Thời gian thu hồi vốn (Payback Period): $4,2\text{ tháng}$.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật & phương pháp: Kích thước mẫu khảo sát sơ cấp ($N = 100$) tập trung chủ yếu tại khu vực Hà Nội, chưa phản ánh đầy đủ đặc điểm hành vi của người tiêu dùng tại thị trường phía Nam và khách hàng quốc tế (Đài Loan, Malaysia).
  • Rào cản tài nguyên: Nguồn lực phân bổ cho R&D công thức mỹ phẩm mới cần thời gian kiểm nghiệm lâm sàng từ 6 - 12 tháng trước khi đưa vào sản xuất hàng loạt tại nhà máy Phinic Cosmetic.
  • Hướng nghiên cứu mở rộng:
    • Ứng dụng Trí tuệ nhân tạo (Generative AI & Computer Vision) để phân tích tình trạng da trực tiếp qua camera điện thoại trên ứng dụng web của công ty.
    • Mở rộng tập dữ liệu khảo sát lên $N \ge 1.000$ mẫu phân tầng ngẫu nhiên trên toàn quốc để xây dựng mô hình phương trình cấu trúc (SEM - PLS).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng kết hợp triển khai Marketing Mix 7P thực tế tại doanh nghiệp TMĐT.
  • Chuyên viên Marketing & Phát triển kinh doanh: Nắm bắt quy trình ứng dụng công nghệ phân tích dữ liệu (Data-Driven Marketing) và thuật toán định giá khoa học để tối ưu ngân sách chiến dịch.
  • Ban lãnh đạo Doanh nghiệp TMĐT & Dược mỹ phẩm: Sở hữu khung chiến lược toàn diện từ tái định vị sản phẩm, phân phối đa kênh đến kiểm soát chất lượng vận hành và chuỗi cung ứng.
  • Nhà nghiên cứu học thuật: Cung cấp dữ liệu thực nghiệm kiểm định thang đo hành vi tiêu dùng mỹ phẩm thiên nhiên tại thị trường Việt Nam giai đoạn hậu đại dịch.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống MarTech đề xuất là gì?

Hệ thống yêu cầu máy chủ đám mây (Cloud Server) cấu hình tối thiểu 2 vCPU, 4GB RAM chạy Ubuntu 22.04 LTS, cơ sở dữ liệu PostgreSQL 15+, hỗ trợ kết nối Webhook HTTPS bảo mật SSL/TLS để đồng bộ dữ liệu đơn hàng từ các sàn TMĐT theo thời gian thực.

2. Mô hình định giá Van Westendorp có áp dụng được cho mọi mặt hàng mỹ phẩm không?

Mô hình PSM của Van Westendorp đặc biệt hiệu quả với các sản phẩm tiêu dùng cá nhân như mỹ phẩm chăm sóc da Mishafuta vì đo lường chính xác tâm lý cảm nhận giữa ranh giới "giá quá rẻ dẫn đến nghi ngờ chất lượng" và "giá quá đắt không thể chi trả".

3. Làm thế nào để giải quyết xung đột giá giữa kênh Facebook Ads và các sàn Shopee/TikTok Shop?

Đức Tín Group cần áp dụng chiến lược phân loại SKU độc quyền (Ví dụ: Dung tích 20ml chỉ bán độc quyền trên TikTok Shop kèm quà tặng; Dung tích 50ml bán trên Shopee Mall) kết hợp đồng bộ giá niêm yết chuẩn trên toàn hệ thống.

4. Chi phí bảo trì và vận hành hệ thống Marketing Mix mới chiếm bao nhiêu phần trăm ngân sách?

Chi phí vận hành định kỳ cho hệ thống tracking, API và bảo trì hạ tầng dữ liệu ước tính chiếm khoảng $3,5% - 5%$ tổng ngân sách Marketing hàng quý của doanh nghiệp.

5. Thời gian hoàn vốn (ROI Timeline) 186,1% có khả thi trong điều kiện thị trường biến động không?

Chỉ số ROI được tính toán dựa trên mức tăng trưởng doanh thu tối thiểu 15% và mức cắt giảm 31% lãng phí quảng cáo không hiệu quả. Ngay cả trong kịch bản thận trọng (Worst-case scenario), thời gian hoàn vốn tối đa không quá 6,5 tháng.

Kết luận

Khóa luận tốt nghiệp "Hoàn thiện các chính sách Marketing Mix của Công ty Cổ phần Thương mại và Xuất nhập khẩu Đức Tín" đã giải quyết triệt để các khoảng trống lý luận và thực tiễn trong hoạt động tiếp thị mỹ phẩm trực tuyến. Bằng việc kết hợp nhuần nhuyễn giữa mô hình quản trị 7P kinh điển và các công cụ phân tích dữ liệu hiện đại, đề tài đã chứng minh tính khả thi qua các chỉ số định lượng cụ thể: tối ưu hóa điểm giá $329.000\text{ VNĐ}$, rút ngắn 79,1% thời gian xử lý đơn hàng và mang lại tiềm năng ROI đạt 186,1%. Đây là bản thiết kế chiến lược hoàn chỉnh, tạo tiền đề vững chắc để Đức Tín Group hiện thực hóa tầm nhìn "Đưa thương hiệu mỹ phẩm Việt vươn tầm thế giới".

Các doanh nghiệp và nhà nghiên cứu quan tâm có thể ứng dụng trực tiếp khung giải pháp và mã nguồn phân tích dữ liệu trong đề tài để tối ưu hóa hiệu quả tiếp thị số cho tổ chức của mình.