Giới thiệu dự án

Sự phát triển mạnh mẽ của hạ tầng số và sự phổ biến của thiết bị di động đã thúc đẩy thị trường Thương mại Điện tử (TMĐT) Việt Nam tăng trưởng vượt bậc với hơn 68 triệu người dùng Internet trên tổng số 97 triệu dân, trong đó tỷ lệ người dùng Internet tham gia mua sắm trực tuyến đạt 88% (theo thống kê từ Sách trắng Thương mại điện tử). Nhằm định hướng phát triển hạ tầng chuỗi cung ứng số, Thủ tướng Chính phủ đã phê duyệt Kế hoạch tổng thể phát triển TMĐT quốc gia giai đoạn 2021–2025 theo Quyết định số 645/QĐ-TTg. Trong hệ sinh thái này, ngành hàng thời trang trực tuyến chiếm hơn 52% thị phần tiêu dùng nhưng đang phải đối mặt với "nút thắt cổ chai" lớn nhất: Logistics giao hàng chặng cuối (Last-Mile Delivery).

Vấn đề cốt lõi (Problem Statement) nằm ở sự bất đối xứng giữa chi phí logistics và kỳ vọng dịch vụ của nhóm khách hàng tiêu dùng trọng điểm – Thế hệ Gen Z (sinh từ 1995 đến 2010, chiếm 35% cơ cấu dân số tiêu dùng). Khách hàng thường xuyên gặp phải tình trạng phí vận chuyển quá cao so với giá trị món hàng, thời gian giao hàng kéo dài (trung bình 5–7 ngày tại các thị trường cấp tỉnh), khung giờ giao hàng không linh hoạt dẫn đến tỷ lệ giao hàng không thành công tăng cao, làm phát sinh chi phí giao hàng ngược (Reverse Logistics) cho doanh nghiệp.

Đề tài khóa luận tốt nghiệp "Sở thích của khách hàng đối với các thuộc tính của dịch vụ giao hàng tại nhà" do sinh viên Trần Thị Ngọc Ánh thực hiện tại Khoa Kinh tế – Quản trị Kinh doanh, Trường Đại học An Giang, dưới sự hướng dẫn của ThS. Đoàn Vinh Thăng, tập trung giải quyết bài toán tối ưu hóa cấu hình dịch vụ giao hàng chặng cuối cho ngành thời trang online.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định và đo lường mức độ quan trọng tương đối (Relative Importance) của các thuộc tính cốt lõi cấu thành dịch vụ giao hàng tại nhà (Home Delivery Service).
  2. Lượng hóa giá trị hữu dụng biên (Part-worth Utility) của từng cấp độ thuộc tính và ước lượng mức sẵn lòng chi trả biên (Marginal Willingness to Pay - MWTP).
  3. Mô phỏng thị phần (Market Share Simulation) dựa trên các kịch bản cạnh tranh thực tế giữa các nhà cung cấp dịch vụ logistics (3PL).
  4. Đề xuất khung chiến lược định giá, thiết kế dịch vụ và lộ trình triển khai công nghệ cho các nhà bán lẻ đa kênh (Omni-channel Retailers) và các doanh nghiệp vận chuyển.

Phương pháp tiếp cận giải pháp được xây dựng trên nền tảng Lý thuyết Độ thỏa dụng Đa đặc tính của Lancaster (1966) kết hợp kỹ thuật Phân tích kết hợp (Conjoint Analysis - CA), cho phép bóc tách quá trình ra quyết định đa tiêu chí của người tiêu dùng khi đánh đổi giữa chi phí, thời gian, đơn vị vận chuyển và khung giờ nhận hàng.

Phạm vi nghiên cứu được xác lập tại thị trường tỉnh An Giang (tập trung tại TP. Long Xuyên) với tập mẫu $n = 150$ đáp viên thuộc thế hệ Gen Z đã có kinh nghiệm mua sắm thời trang trực tuyến, cung cấp bộ dữ liệu thực nghiệm chuẩn xác cho việc phân tích định lượng.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường bán lẻ trực tuyến khu vực Tây Nam Bộ, đặc biệt là tỉnh An Giang, các doanh nghiệp logistics chặng cuối đang áp dụng các chính sách vận hành với sự phân hóa rõ rệt về chi phí và thời gian giao nhận.

Đơn vị vận chuyển (3PL) Thời gian giao hàng cam kết Biểu phí giao hàng cơ sở Ưu điểm vận hành Nhược điểm / Rủi ro
Giao Hàng Tiết Kiệm (GHTK) 5 – 7 ngày 22.000 VNĐ Mạng lưới bưu cục dày đặc, tỷ lệ tương tác app cao Thời gian giao liên tỉnh còn chậm
Giao Hàng Nhanh (GHN) 1 – 2 ngày 22.000 VNĐ Tốc độ xử lý đơn hỏa tốc, tối ưu tuyến đường Chi phí phụ phí cao ở tuyến huyện/xã
Viettel Post 2 – 6 ngày 16.500 VNĐ Độ phủ sóng sâu rộng vùng nông thôn, giá rẻ Hệ thống tracking cập nhật chậm hơn
Vietnam Post 1 – 3 ngày 17.000 VNĐ Mạng lưới bưu chính quốc gia vững chắc Thủ tục đối soát COD còn phức tạp
Best Express 1 – 3 ngày 25.000 VNĐ Công nghệ phân loại tự động hiện đại Mức độ nhận diện thương hiệu thấp

Phân tích ma trận ưu tiên yêu cầu dịch vụ theo khung MoSCoW:

  • Must have (Bắt buộc phải có): Chính sách miễn phí giao hàng (Free-shipping threshold) hoặc phí vận chuyển cố định $\le 15.000$ VNĐ; thời gian giao hàng toàn trình $\le 5$ ngày; tích hợp đơn vị vận chuyển uy tín (GHTK, GHN).
  • Should have (Nên có): Tùy chọn giao hàng hỏa tốc trong vòng 24 giờ; lựa chọn khung thời gian giao nhận (Ban ngày: 7h–17h / Buổi tối: 17h–22h).
  • Could have (Có thể có): Cho phép người mua chỉ định đơn vị vận chuyển theo từng đơn hàng cụ thể tại bước thanh toán (Checkout Page).
  • Won't have (Chưa ưu tiên): Giao hàng cố định theo giờ hẹn chính xác từng khung 30 phút (do hạn chế về hạ tầng điều phối giao thông và chi phí vận hành chặng cuối).

Thiết kế hệ thống

Mô hình nghiên cứu và giải pháp phân tích được thiết kế theo cấu trúc hệ thống gồm 3 tầng chính:

graph TD
    A[Thu thập dữ liệu khảo sát Google Form API] --> B[Tiền xử lý & Làm sạch dữ liệu SPSS v20.0]
    B --> C[Phân tích Kết hợp - Conjoint Analysis Engine]
    C --> D1[Ước lượng Part-worth Utility]
    C --> D2[Tính toán Tầm quan trọng tương đối]
    C --> D3[Ước lượng Mức sẵn lòng chi trả MWTP]
    D1 --> E[Mô phỏng Thị phần Maximum Utility Choice Model]
    E --> F[Khung chiến lược Dynamic Shipping Policy]

Technology Stack và công cụ phân tích:

  • Engine tính toán: IBM SPSS Statistics Version 20.0 (Module Conjoint & Orthogonal Design).
  • Xử lý dữ liệu & trực quan hóa: Python 3.10+ (pandas, scipy, statsmodels, seaborn) và Microsoft Excel 365.
  • Thu thập dữ liệu: Google Forms API kết hợp khảo sát trực tiếp bảng hỏi cấu trúc.
  • Cơ chế toán học: Mô hình độ thỏa dụng phụ gia tuyến tính (Additive Conjoint Model):

$$U = \alpha + \sum_{i=1}^{m} \sum_{j=1}^{n} \beta_{ij} X_{ij}$$

Trong đó:

  • $U$: Tổng độ thỏa dụng (Total Utility) mà khách hàng nhận được từ một phương án dịch vụ giao hàng.
  • $\alpha$: Hằng số thỏa dụng nền tảng (Constant Utility).
  • $\beta_{ij}$: Hệ số độ thỏa dụng từng phần (Part-worth Utility) của mức độ $j$ thuộc thuộc tính $i$.
  • $X_{ij}$: Biến giả nhị phân (Dummy variable), nhận giá trị $1$ nếu mức độ $j$ của thuộc tính $i$ xuất hiện, ngược lại nhận giá trị $0$.
  • $m = 4$ (Số thuộc tính quan sát); $n$ là số cấp độ của từng thuộc tính.

Methodology

Quy trình nghiên cứu kết hợp phương pháp hỗn hợp 2 giai đoạn (Mixed-methods):

gantt
    title Tiến trình thực hiện nghiên cứu (01/2022 - 04/2022)
    dateFormat  YYYY-MM-DD
    section Giai đoạn 1: Định tính
    Lược khảo tài liệu & Xây dựng thang đo       :done, 2022-01-05, 2022-01-20
    Thảo luận nhóm tập trung (n=12)             :done, 2022-01-21, 2022-02-10
    Thiết kế ma trận trực giao (SPSS Orthogonal):done, 2022-02-11, 2022-02-20
    section Giai đoạn 2: Định lượng
    Khảo sát thử nghiệm logic (Pilot test n=10) :done, 2022-02-21, 2022-02-28
    Thu thập dữ liệu chính thức (n=150)         :done, 2022-03-01, 2022-03-25
    Mã hóa, làm sạch & Chạy Conjoint Analysis   :done, 2022-03-26, 2022-04-10
    Mô phỏng thị phần & Viết báo cáo            :done, 2022-04-11, 2022-04-30

Đánh giá rủi ro và kiểm soát chất lượng dữ liệu:

  • Rủi ro quá tải nhận thức: Không gian thực nghiệm ban đầu gồm $4 \times 3 \times 3 \times 2 = 72$ cấu hình hồ sơ lựa chọn (Full Factorial Design). Giải pháp: Sử dụng thiết kế nhân tố một phần trực giao (Fractional Factorial Orthogonal Design) trên SPSS để tối ưu hóa còn 16 hồ sơ lựa chọn độc lập, đảm bảo không có hiện tượng đa cộng tuyến.
  • Kiểm soát sai số mẫu: Loại bỏ 5 mẫu điền thiếu thông tin trong tổng số 155 phiếu thu về, giữ lại 150 mẫu hợp lệ ($100%$ hoàn chỉnh).

Implementation và kết quả

Development process

Quá trình triển khai kỹ thuật được thực hiện thông qua việc lập trình cú pháp phân tích kết hợp trên tập dữ liệu khảo sát 150 đáp viên.

Dưới đây là đoạn mã Python chuẩn hóa giải thuật phân tích Part-worth Utility và mô phỏng thị phần theo quy tắc Maximum Utility Choice:

import numpy as np
import pandas as pd
import statsmodels.api as sm

def calculate_conjoint_part_worths(data_df, profile_dummy_matrix):
    """
    Ước lượng Part-worth utility bằng mô hình hồi quy tuyến tính OLS
    data_df: Bảng điểm đánh giá (1-5) của 150 đáp viên cho 16 profiles
    profile_dummy_matrix: Ma trận biến giả mã hóa 16 cấu hình thuộc tính
    """
    X = sm.add_constant(profile_dummy_matrix)
    y = data_df.mean(axis=0).values # Điểm thỏa dụng trung bình quan sát
    
    model = sm.OLS(y, X).fit()
    part_worths = model.params
    r_squared = model.rsquared
    return part_worths, r_squared, model

def simulate_market_share(profiles_utilities):
    """
    Mô phỏng thị phần dựa trên quy tắc Lựa chọn thỏa dụng tối đa (Maximum Utility Model)
    """
    # profiles_utilities: numpy array shape (n_respondents, n_scenarios)
    choices = np.argmax(profiles_utilities, axis=1)
    unique, counts = np.unique(choices, return_counts=True)
    market_shares = (counts / len(profiles_utilities)) * 100
    return dict(zip(unique, market_shares))

Testing và validation

Độ tin cậy và mức độ phù hợp của mô hình ước lượng được kiểm định nghiêm ngặt thông qua hai chỉ số thống kê tương quan phi tham số:

  • Hệ số tương quan Pearson’s $R$: Đạt $0.993$ với giá trị $p\text{-value} = 0.000$ ($p < 0.001$).
  • Hệ số tương quan thứ bậc Kendall’s Tau ($\tau$): Đạt $0.950$ với giá trị $p\text{-value} = 0.001$.

Hai chỉ số tiệm cận tuyệt đối mức $1.000$ xác nhận mô hình phân tích kết hợp có độ chính xác dự báo hoàn hảo, thể hiện sự trùng khớp gần như tuyệt đối giữa thứ tự sở thích thực tế của người tiêu dùng và các giá trị thỏa dụng được mô hình hóa.

Cơ cấu mẫu khảo sát thực nghiệm ($n = 150$):

  • Giới tính: Nữ giới chiếm $73.3%$ ($110$ quan sát), Nam giới chiếm $26.7%$ ($40$ quan sát).
  • Nghề nghiệp: Sinh viên chiếm $89.3%$, Nhân viên văn phòng $8.0%$, Kinh doanh và nội trợ $2.7%$.
  • Độ tuổi: Nhỏ nhất 16 tuổi, Lớn nhất 27 tuổi, Độ tuổi trung bình là 22 tuổi.
  • Thu nhập bình quân: Dưới 2 triệu VNĐ ($60.7%$), 2–5 triệu VNĐ ($28.0%$), 5–10 triệu VNĐ ($6.7%$), trên 10 triệu VNĐ ($4.7%$).
  • Hành vi tiêu dùng: Mức chi tiêu trung bình cho một lần mua sắm quần áo online là $298.500$ VNĐ; kênh mua sắm chính qua sàn TMĐT (Shopee, Lazada, Tiki) chiếm $58.67%$, Facebook chiếm $31.33%$.

Kết quả đạt được

Kết quả phân tích chi tiết độ thỏa dụng từng phần (Part-worth Utility) và tỷ trọng tầm quan trọng tương đối của từng thuộc tính:

Thuộc tính quan sát Mức độ thuộc tính (Levels) Part-worth Utility ($\beta_{ij}$) Sai số chuẩn (Std. Error) Tầm quan trọng tương đối (%)
Phí giao hàng Miễn phí ($0$ VNĐ)
$15.000$ VNĐ
$30.000$ VNĐ
$45.000$ VNĐ
$-0.637$
$-1.274$
$-2.548$
$-3.822$
$0.026$
$0.051$
$0.103$
$0.154$
53.686%
Tốc độ giao hàng Trong vòng 24h
Từ 3 – 5 ngày
Trên 5 ngày
$-0.261$
$-0.522$
$-0.784$
$0.035$
$0.069$
$0.104$
19.182%
Đơn vị vận chuyển Giao Hàng Tiết Kiệm
Giao Hàng Nhanh
Viettel Post
$+0.100$
$+0.031$
$-0.132$
$0.038$
$0.045$
$0.045$
16.970%
Khung giờ giao hàng Ban ngày (7h – 17h)
Buổi tối (17h – 22h)
$+0.095$
$-0.095$
$0.029$
$0.029$
10.162%
Hằng số ($\alpha$) Baseline Constant 5.509 $0.093$

Cấu hình dịch vụ đạt mức thỏa dụng cao nhất (Optimal Service Profile): Giao Hàng Tiết Kiệm + Miễn phí vận chuyển + Giao ban ngày + Tốc độ trong vòng 24h, đạt tổng thỏa dụng:

$$U_{max} = 5.509 + 0.100 - 0.637 + 0.095 - 0.261 = 4.806$$

Lượng hóa mức sẵn lòng chi trả biên (Marginal Willingness to Pay - MWTP) khi người tiêu dùng thực hiện đánh đổi thuộc tính:

  • Khách hàng sẵn lòng trả thêm 5.463 VNĐ để được vận chuyển bởi GHTK thay vì Viettel Post, và trả thêm 1.625 VNĐ so với GHN.
  • Khách hàng sẵn sàng trả thêm 4.474 VNĐ để nhận hàng vào ban ngày thay vì buổi tối.
  • Khách hàng sẵn sàng trả thêm 12.316 VNĐ để rút ngắn thời gian giao hàng từ mức "Trên 5 ngày" xuống "Trong vòng 24 giờ".

Kết quả mô phỏng kịch bản cạnh tranh thị phần (Market Share Simulation):

  • Kịch bản tham chiếu gốc:
    • Lựa chọn A (GHTK, Miễn phí, Buổi tối, >5 ngày): Chiếm 65.9% thị phần.
    • Lựa chọn B (GHN, Phí 15.000 VNĐ, Ban ngày, 2–5 ngày): Chiếm 34.1% thị phần.
  • Kịch bản nâng cấp tốc độ (B thành B'):
    • Khi nhà bán lẻ nâng cấp Lựa chọn B thành B' (GHN, Phí 15.000 VNĐ, Ban ngày, Trong vòng 24h), thị phần của Lựa chọn B' tăng mạnh từ $34.1%$ lên 47.7% (tăng trưởng $+13.6%$), trong khi Lựa chọn A giảm từ $65.9%$ xuống còn 52.3%.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và cải tiến thực tiễn rõ rệt:

graph LR
    A[Phương pháp Khảo sát Truyền thống] -->|Chuyển đổi| B[Conjoint Analysis Thực nghiệm]
    B --> C[Lượng hóa Part-worth Utility]
    B --> D[Xác định Giá trị WTP chính xác]
    B --> E[Mô phỏng Động học Thị phần]
  1. Chuyển đổi phương pháp luận từ xếp hạng trực tiếp sang đo lường đánh đổi (Trade-off Measurement): Khác biệt hoàn toàn với các nghiên cứu khảo sát Likert đơn thuần dễ tạo thiên lệch "thích mọi thứ", phương pháp Conjoint Analysis lượng hóa chính xác sự hy sinh về chi phí để đổi lấy tiện ích tốc độ và thương hiệu bưu chính.
  2. Đóng góp dữ liệu kinh tế học hành vi tại thị trường tỉnh lẻ: Công trình là một trong những nghiên cứu định lượng tiên phong tại khu vực Đồng bằng Sông Cửu Long (địa bàn An Giang) chỉ ra rằng Gen Z nông thôn và đô thị loại 2 có độ nhạy cảm về phí vận chuyển chiếm tới 53.686% trọng số quyết định mua sắm thời trang.
  3. Lượng hóa giá trị kinh tế của thời gian giao hàng: Việc chứng minh người tiêu dùng sẵn lòng trả thêm 12.316 VNĐ để nhận hàng hỏa tốc trong 24h cung cấp cơ sở dữ liệu thực nghiệm chuẩn xác cho các nền tảng logistics định giá dịch vụ giao hàng nhanh.

Ứng dụng thực tế và triển khai

Chiến lược vận hành cho nhà bán lẻ thời trang

Dựa trên cấu trúc thỏa dụng của Gen Z, các doanh nghiệp thời trang trực tuyến nên triển khai chính sách đóng gói dịch vụ (Service Bundling):

  • Chiến lược miễn phí vận chuyển có điều kiện (Free-shipping Threshold): Áp dụng miễn phí vận chuyển cho các đơn hàng có giá trị từ $250.000$ VNĐ trở lên (tận dụng mức chi tiêu trung bình $298.500$ VNĐ/đơn để kích thích gia tăng quy mô giỏ hàng).
  • Cơ chế chia sẻ chi phí giao hàng hỏa tốc: Với đơn hàng cần giao trong 24h, nhà bán lẻ chỉ cần phụ thu thêm từ $10.000 – 12.000$ VNĐ/đơn (dưới ngưỡng MWTP $12.316$ VNĐ) để gia tăng tỷ lệ chuyển đổi đơn hàng thêm $13.6%$.

Tích hợp hệ thống quản lý logistics (3PL API Integration)

Quy trình tích hợp API phân luồng đơn hàng thông minh:

sequenceDiagram
    autonumber
    actor User as Khách hàng (Gen Z)
    participant Web as E-commerce Checkout
    participant Engine as Dynamic Shipping Engine
    participant 3PL as Hệ thống 3PL (GHTK/GHN)

    User->>Web: Chọn sản phẩm & Điền địa chỉ nhận hàng
    Web->>Engine: Gửi giỏ hàng & Tọa độ giao nhận
    Engine->>3PL: Kiểm tra biểu phí & Khung thời gian khả dụng
    3PL-->>Engine: Trả về bảng cước & Thời gian ETA
    Engine->>Engine: Áp dụng quy tắc tối ưu thỏa dụng (Max Utility)
    Engine-->>Web: Hiển thị 2 gói: Chuẩn (0đ, 3-5 ngày) & Hỏa tốc (15k, 24h)
    User->>Web: Xác nhận chọn phương án giao hàng
    Web->>3PL: Tạo vận đơn tự động qua Webhook API

Hạn chế và hướng phát triển

  • Giới hạn địa bàn và mẫu khảo sát: Nghiên cứu tập trung tại tỉnh An Giang với cỡ mẫu $n = 150$, chưa bao phủ toàn bộ các tỉnh thành Tây Nam Bộ và khu vực đô thị đặc biệt (TP.HCM, Hà Nội).
  • Thuộc tính chưa khảo sát: Chưa đưa vào các biến số mới như tính năng theo dõi lộ trình GPS thời gian thực trên ứng dụng di động, chính sách đổi trả hàng tận nơi (Reverse Logistics) và hình thức nhận hàng qua tủ khóa thông minh (Smart Lockers).
  • Hướng phát triển: Mở rộng nghiên cứu áp dụng mô hình Phân tích lựa chọn rời rạc nâng cao (Choice-Based Conjoint - CBC) kết hợp mô hình phân tích Bayes phân tầng (Hierarchical Bayes - HB) để phân đoạn khách hàng theo từng mức thu nhập cụ thể.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Logistics/Kinh doanh: Cung cấp tài liệu tham khảo chuẩn mực về quy trình thiết kế ma trận trực giao (Orthogonal Design) và giải thuật phân tích Conjoint Analysis trên SPSS.
  • Lập trình viên & Kỹ sư hệ thống TMĐT: Nắm bắt thuật toán mô phỏng thị phần để tích hợp công cụ đề xuất phương thức giao hàng tối ưu (Dynamic Shipping Selector) vào trang thanh toán.
  • Doanh nghiệp bán lẻ trực tuyến: Tối ưu hóa chính sách định giá vận chuyển, gia tăng doanh số trung bình trên mỗi đơn hàng từ $15 – 25%$.
  • Nhà cung cấp dịch vụ Logistics (3PLs): Tái cấu trúc khung giờ giao nhận (ưu tiên ca ban ngày) và tối ưu hóa tuyến đường vận chuyển để rút ngắn thời gian giao hàng dưới 24h.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn Conjoint Analysis thay vì mô hình hồi quy OLS hay SEM?

Conjoint Analysis cho phép mô phỏng tình huống thực tế khi người tiêu dùng buộc phải đánh đổi (trade-off) giữa các thuộc tính mâu thuẫn nhau (như giá rẻ nhưng giao chậm vs giá cao nhưng giao nhanh), từ đó tính toán được Part-worth Utility và mức sẵn lòng chi trả MWTP chính xác mà SEM hay OLS truyền thống không đo lường được.

2. Thuộc tính nào chi phối mạnh nhất đến quyết định chọn dịch vụ giao hàng của Gen Z?

Phí giao hàng là yếu tố quan trọng nhất, chiếm 53.686% tổng mức độ thỏa dụng, kế đến là Tốc độ giao hàng (19.182%), Đơn vị vận chuyển (16.970%) và Khung giờ giao hàng (10.162%).

3. Người tiêu dùng sẵn sàng trả bao nhiêu để nhận hàng trong vòng 24 giờ?

Mức sẵn lòng chi trả biên (MWTP) để rút ngắn thời gian giao hàng từ "Trên 5 ngày" xuống "Trong vòng 24 giờ" là 12.316 VNĐ/đơn hàng.

4. Đơn vị giao hàng nào được ưa chuộng nhất tại thị trường khảo sát?

Giao Hàng Tiết Kiệm (GHTK) đạt độ thỏa dụng cao nhất ($\beta = +0.100$), xếp trên Giao Hàng Nhanh ($\beta = +0.031$) và Viettel Post ($\beta = -0.132$).

5. Việc rút ngắn thời gian giao hàng tác động như thế nào đến thị phần của dịch vụ có thu phí?

Khi nâng cấp tốc độ giao hàng từ 2–5 ngày lên 24 giờ, thị phần của phương án giao hàng có thu phí ($15.000$ VNĐ) tăng vọt từ 34.1% lên 47.7%, bất chấp đối thủ cạnh tranh áp dụng chính sách miễn phí giao hàng ($0$ VNĐ) nhưng giao chậm trên 5 ngày.


Kết luận

Khóa luận tốt nghiệp của tác giả Trần Thị Ngọc Ánh đã giải quyết thành công bài toán lượng hóa sở thích của người tiêu dùng đối với dịch vụ giao hàng chặng cuối trong ngành thời trang trực tuyến. Bằng việc ứng dụng phương pháp Phân tích kết hợp (Conjoint Analysis) với các chỉ số kiểm định hoàn hảo (Pearson’s $R = 0.993$), nghiên cứu đã chỉ rõ vai trò áp đảo của phí vận chuyển ($53.686%$) và tốc độ giao hàng ($19.182%$). Những phát hiện thực nghiệm và các kịch bản mô phỏng thị phần không chỉ mang lại giá trị học thuật sâu sắc mà còn là kim chỉ nam chiến lược cho các doanh nghiệp TMĐT và đơn vị logistics trong việc định giá, thiết kế dịch vụ và tối ưu hóa trải nghiệm khách hàng thời đại số.