Giới thiệu dự án

Thị trường vật liệu xây dựng (VLXD) và xây lắp kỹ thuật tại Việt Nam duy trì đà tăng trưởng trên 25%/năm nhờ dòng vốn đầu tư trực tiếp nước ngoài (FDI) giải ngân đạt 11,96 tỷ USD và chính sách đẩy mạnh đầu tư công cơ sở hạ tầng. Tại tỉnh Thừa Thiên Huế, đề án quy hoạch mở rộng địa giới hành chính thành phố Huế từ $70{,}67\text{ km}^2$ lên $348{,}54\text{ km}^2$ (gấp gần 5 lần diện tích hiện hữu) mở ra không gian phát triển đô thị quy mô lớn tại các trục Hương Thủy, Hương Trà và Phú Vang. Sự mở rộng này tạo ra áp lực cạnh tranh gay gắt giữa các doanh nghiệp thương mại VLXD trên địa bàn.

Công ty TNHH Loan Thắng (hoạt động từ năm 2009 tại 554A Nguyễn Tất Thành, thị xã Hương Thủy, Thừa Thiên Huế) chuyên cung cấp sơn, kính, đồ ngũ kim, thiết bị lắp đặt và thi công dân dụng. Sau hơn 11 năm vận hành, công ty đứng trước những rào cản lớn trong công tác bán hàng:

  • Quy trình phân phối phụ thuộc vào phương thức truyền thống, thiếu hệ thống đo lường hiệu suất định lượng.
  • Công tác dự báo nhu cầu và quản trị quan hệ khách hàng (CRM) chưa được chuẩn hóa, dẫn đến tốc độ quay vòng vốn lưu động chưa tối ưu.
  • Hoạt động xúc tiến thương mại, truyền thông và tiếp thị số chưa đồng bộ trước sự thâm nhập của các chuỗi phân phối hiện đại.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về quản trị bán hàng, hành vi người tiêu dùng và hiệu quả kinh doanh thương mại.
  2. Phân tích thực trạng tài chính giai đoạn 2017–2019 (doanh thu, lợi nhuận, chi phí, hệ số sinh lời ROS, ROE) và đánh giá các yếu tố tác động đến hiệu quả bán hàng bằng mô hình kinh tế lượng.
  3. Đo lường mức độ ảnh hưởng của các thành phần Marketing-Mix đến mức độ hài lòng và quyết định tái mua của khách hàng thông qua khảo sát thực nghiệm.
  4. Xây dựng gói giải pháp chiến lược 5P/5 thành phần (Sản phẩm, Giá cả, Phân phối, Nhân sự, Xúc tiến) nhằm nâng cao doanh số và mở rộng thị phần.

Giải pháp nghiên cứu kết hợp giữa phân tích dữ liệu tài chính nội bộ và mô hình hóa cấu trúc khảo sát thực nghiệm ($n=125$ khách hàng hợp lệ) xử lý qua IBM SPSS Statistics, giúp loại bỏ các phán đoán định tính cảm tính, cung cấp bằng chứng thực nghiệm rõ ràng cho ban lãnh đạo doanh nghiệp.

Phạm vi nghiên cứu giới hạn tại thị trường Thừa Thiên Huế; dữ liệu tài chính thứ cấp thu thập trong 3 năm tài khóa 2017–2019; dữ liệu sơ cấp điều tra từ ngày 10/11/2020 đến 10/12/2020 đối với các đại lý bán buôn, nhà thầu xây dựng và khách hàng cá nhân.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quá trình đánh giá thực trạng hoạt động bán hàng của Công ty TNHH Loan Thắng kết hợp đối chiếu mô hình quản trị truyền thống với phương pháp tiếp cận định lượng hiện đại:

Tiêu chí phân tích Phương thức quản trị cũ tại Loan Thắng Mô hình định lượng đề xuất
Căn cứ lập kế hoạch Dựa trên kinh nghiệm chủ quan của quản lý Dựa trên hồi quy dự báo và hệ số đánh giá khách hàng
Đo lường năng lực bán hàng Tổng doanh số gộp đơn thuần Đánh giá đa chiều: ROS, ROE, Chi phí/Doanh thu, Độ trung thành
Phân tích hành vi mua Ghi nhận phản hồi phân tán, không hệ thống Khảo sát thang đo Likert 5 điểm, phân tích nhân tố EFA
Kiểm soát đa cộng tuyến Không kiểm soát Kiểm định hệ số VIF (Variance Inflation Factor) $< 2.0$

So sánh năng lực cạnh tranh trong phân khúc VLXD tại khu vực Hương Thủy – Huế:

[Công ty TNHH Loan Thắng]

[Đại lý vật liệu tư nhân nhỏ lẻ]

[Chi nhánh chuỗi phân phối/Tập đoàn lớn]

Ưu tiên hóa yêu cầu cải tiến hệ thống bán hàng theo phương pháp MoSCoW:

  • Must have (Bắt buộc): Chuẩn hóa bảng giá và chính sách chiết khấu minh bạch; nâng cao chất lượng tư vấn của nhân viên kinh doanh ($NVBH$); tối ưu hóa vị trí trưng bày tại showroom.
  • Should have (Nên có): Xây dựng các chương trình khuyến mãi theo mùa xây dựng ($XT$); thiết lập cơ chế giải quyết khiếu nại khách hàng trong vòng 24 giờ.
  • Could have (Có thể): Triển khai kênh bán hàng trực tuyến và cổng tiếp nhận báo giá tự động; ứng dụng phần mềm quản lý kho hàng mã vạch.
  • Won't have (Chưa thực hiện kỳ này): Mở rộng mạng lưới chi nhánh vượt ngoài phạm vi miền Trung.

Thiết kế hệ thống

Mô hình nghiên cứu thực nghiệm được kế thừa và phát triển từ mô hình hành vi người tiêu dùng của Philip Kotler (2002) và mô hình 5 áp lực cạnh tranh của Michael Porter:

Công nghệ và công cụ thống kê sử dụng:

  • Nền tảng phân tích thống kê: IBM SPSS Statistics v22.0 / v20.0 Core System.
  • Công cụ lập trình bổ trợ & Pipeline dữ liệu: Python v3.10.12 với các thư viện pandas v2.1.4, numpy v1.26.2, statsmodels v0.14.0, scikit-learn v1.3.2.
  • Công cụ tính toán tài chính: Microsoft Excel 365 (Data Analysis Toolpak).
  • Hệ cơ sở dữ liệu lưu trữ khảo sát: MySQL v8.0.35 Enterprise Server.

Cấu trúc từ điển dữ liệu (Data Schema) cho mô hình đo lường:

Trường dữ liệu Kiểu dữ liệu Thang đo Ràng buộc kiểm chuẩn Diễn giải
respondent_id INT (PK) Định danh AUTO_INCREMENT, $1 \dots 130$ Mã định danh khách hàng khảo sát
gender TINYINT Định danh $1$: Nam, $2$: Nữ Cơ cấu giới tính khách hàng
income_level TINYINT Thứ bậc $1: <5\text{M}, 2: 5\text{-}10\text{M}, 3: >10\text{M}$ Thu nhập hàng tháng (VNĐ)
SP1 to SP5 TINYINT Likert 5 Giá trị nguyên $\in [1, 5]$ Thang đo thành phần Sản phẩm
GC1 to GC4 TINYINT Likert 5 Giá trị nguyên $\in [1, 5]$ Thang đo thành phần Giá cả
KPP1 to KPP4 TINYINT Likert 5 Giá trị nguyên $\in [1, 5]$ Thang đo thành phần Phân phối
NVBH1 to NVBH4 TINYINT Likert 5 Giá trị nguyên $\in [1, 5]$ Thang đo thành phần Nhân viên
XT1 to XT5 TINYINT Likert 5 Giá trị nguyên $\in [1, 5]$ Thang đo thành phần Xúc tiến
KQ1 to KQ3 TINYINT Likert 5 Giá trị nguyên $\in [1, 5]$ Thang đo Hiệu quả bán hàng

Mô hình hồi quy tổng quát: $$Y_{HQBH} = \beta_0 + \beta_1 X_{SP} + \beta_2 X_{GC} + \beta_3 X_{KPP} + \beta_4 X_{NVBH} + \beta_5 X_{XT} + \epsilon$$

Các công thức tài chính kiểm định hiệu quả kinh doanh: $$\text{Doanh thu thuần } (TR) = \sum_{i=1}^{n} (Q_i \times P_i) - \text{Các khoản giảm trừ}$$ $$\text{Lợi nhuận ròng } (\Pi) = TR - TC = TR - (FC + VC)$$ $$ROS = \frac{\text{Lợi nhuận sau thuế}}{\text{Doanh thu thuần}}, \quad ROE = \frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}}$$

Methodology

Phương pháp nghiên cứu kết hợp 2 giai đoạn:

  1. Nghiên cứu sơ bộ (Định tính): Phỏng vấn sâu chuyên gia gồm Quản lý kinh doanh (ông Trần Hải Hà, $>3$ năm kinh nghiệm) và nhân viên bán hàng; thử nghiệm bảng hỏi sơ bộ trên cỡ mẫu $n_0 = 30$ để hiệu chỉnh câu chữ và độ hiểu.
  2. Nghiên cứu chính thức (Định lượng): Khảo sát $N=130$ khách hàng (thu về $125$ phiếu hợp lệ, đạt tỷ lệ $96{,}15%$). Cỡ mẫu tuân thủ quy tắc Hair et al. (1998): $n \ge 5 \times m = 5 \times 25 = 125$ quan sát.

Tiến độ triển khai (Milestones):

  • Tuần 1–3: Thu thập số liệu thứ cấp tài chính và nhân sự 2017–2019.
  • Tuần 4–6: Thiết kế công cụ, phỏng vấn chuyên gia, khảo sát thử nghiệm $n=30$.
  • Tuần 7–10: Phát phiếu điều tra chính thức $N=130$, làm sạch và mã hóa dữ liệu.
  • Tuần 11–12: Chạy kiểm định Cronbach's Alpha, EFA, Hồi quy OLS, ANOVA trên SPSS 22.0.
  • Tuần 13–14: Tổng hợp báo cáo và xây dựng danh mục giải pháp ứng dụng.

Implementation và kết quả

Development process

Quy trình xử lý dữ liệu và ước lượng mô hình được chuẩn hóa qua 4 pha liên tiếp: Kiểm định độ tin cậy thang đo (Cronbach's Alpha) $\to$ Phân tích nhân tố khám phá (EFA) $\to$ Phân tích tương quan Pearson & Hồi quy tuyến tính bội (Enter method) $\to$ Kiểm định sai biệt định tính (Independent-Samples T-Test & One-Way ANOVA).

Đoạn mã phân tích dữ liệu tương đương trên nền tảng Python / SPSS Syntax:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_kmo, calculate_bartlett_sphericity

# 1. Tải và tiền xử lý dữ liệu khảo sát
df = pd.read_csv("loan_thang_survey_data.csv")
items = [f"SP{i}" for i in range(1, 6)] + [f"GC{i}" for i in range(1, 5)] + \
        [f"KPP{i}" for i in range(1, 5)] + [f"NVBH{i}" for i in range(1, 5)] + \
        [f"XT{i}" for i in range(1, 6)]
y_items = ["KQ1", "KQ2", "KQ3"]

# 2. Kiểm định Bartlett và KMO cho 22 biến độc lập
chi_square_value, p_value = calculate_bartlett_sphericity(df[items])
kmo_all, kmo_model = calculate_kmo(df[items])
print(f"KMO Measure: {kmo_model:.3f}, Bartlett p-value: {p_value:.5e}")

# 3. Phân tích nhân tố khám phá (EFA) với phép xoay Varimax
fa = FactorAnalyzer(n_factors=5, rotation="varimax", method="principal")
fa.fit(df[items])
loadings = pd.DataFrame(fa.loadings_, index=items)

# 4. Ước lượng mô hình hồi quy tuyến tính bội OLS
df['SP_mean'] = df[[f"SP{i}" for i in range(1, 6)]].mean(axis=1)
df['GC_mean'] = df[[f"GC{i}" for i in range(1, 5)]].mean(axis=1)
df['KPP_mean'] = df[[f"KPP{i}" for i in range(1, 5)]].mean(axis=1)
df['NVBH_mean'] = df[[f"NVBH{i}" for i in range(1, 5)]].mean(axis=1)
df['XT_mean'] = df[[f"XT{i}" for i in range(1, 6)]].mean(axis=1)
df['Y_HQBH'] = df[y_items].mean(axis=1)

X = df[['SP_mean', 'GC_mean', 'KPP_mean', 'NVBH_mean', 'XT_mean']]
X = sm.add_constant(X)
model = sm.OLS(df['Y_HQBH'], X).fit()
print(model.summary())

Testing và validation

Tiêu chuẩn kiểm chuẩn thống kê áp dụng:

  1. Độ tin cậy thang đo: Hệ số Cronbach's Alpha $\ge 0{,}6$ (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008), hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0{,}30$.
  2. Giá trị hội tụ & phân biệt EFA: Hệ số $0{,}5 \le \text{KMO} \le 1{,}0$; Kiểm định Bartlett có $\text{Sig.} \le 0{,}05$; Trọng số nhân tố (Factor Loading) $\ge 0{,}50$; Tổng phương sai trích (Total Variance Explained) $> 50%$; Giá trị Eigenvalue $> 1{,}0$.
  3. Độ phù hợp hồi quy: Kiểm định ANOVA có trị số $F$ đạt mức ý nghĩa $p < 0{,}05$; Hệ số phóng đại phương sai $\text{VIF} < 2{,}0$ (khẳng định không tồn tại hiện tượng đa cộng tuyến nghiêm trọng).

Kết quả kiểm định độ tin cậy thang đo:

Nhóm nhân tố Số biến quan sát ban đầu Cronbach's Alpha Biến quan sát đạt chuẩn Đánh giá chất lượng thang đo
Sản phẩm ($SP$) 5 (SP1–SP5) $0{,}814$ 5 biến Rất tốt ($\alpha > 0{,}8$)
Giá cả ($GC$) 4 (GC1–GC4) $0{,}782$ 4 biến Tốt ($\alpha > 0{,}7$)
Kênh phân phối ($KPP$) 4 (KPP1–KPP4) $0{,}765$ 4 biến Tốt ($\alpha > 0{,}7$)
Nhân viên bán hàng ($NVBH$) 4 (NVBH1–NVBH4) $0{,}846$ 4 biến Rất tốt ($\alpha > 0{,}8$)
Hoạt động xúc tiến ($XT$) 5 (XT1–XT5) $0{,}798$ 5 biến Tốt ($\alpha > 0{,}7$)
Hiệu quả bán hàng ($KQ$) 3 (KQ1–KQ3) $0{,}829$ 3 biến Rất tốt ($\alpha > 0{,}8$)

Kết quả đạt được

Phân tích nhân tố khám phá EFA cho 22 biến độc lập đạt chỉ số $\text{KMO} = 0{,}802$ ($> 0{,}5$), kiểm định Bartlett đạt $\text{Sig.} = 0{,}000 < 0{,}05$. Tổng phương sai trích đạt $62{,}45% (> 50%)$ tại điểm dừng Eigenvalue $= 1{,}214 (> 1{,}0)$, trích thành công 5 nhóm nhân tố nguyên bản không có biến bị loại.

Kết quả hồi quy bội bằng phương pháp Enter:

  • Hệ số xác định $R^2 = 0{,}584$, $R^2 \text{ điều chỉnh} = 0{,}566$. Mô hình giải thích được $56{,}6%$ sự biến thiên của hiệu quả hoạt động bán hàng.
  • Kiểm định ANOVA: Trị số $F = 33{,}387$ với $\text{Sig.} = 0{,}000 < 0{,}001$, khẳng định mô hình hoàn toàn phù hợp với dữ liệu tổng thể.
  • Tất cả hệ số $\text{VIF} \in [1{,}12; 1{,}45] < 2{,}0$, bác bỏ giả thuyết có đa cộng tuyến.

Phương trình hồi quy chuẩn hóa rút ra từ thực nghiệm: $$Y_{HQBH} = 0{,}318 \cdot X_{NVBH} + 0{,}284 \cdot X_{SP} + 0{,}215 \cdot X_{GC} + 0{,}162 \cdot X_{KPP} + 0{,}124 \cdot X_{XT}$$

Thứ tự mức độ tác động: Đội ngũ nhân viên bán hàng ($\beta = 0{,}318$) có ảnh hưởng mạnh nhất, tiếp theo là Chất lượng sản phẩm ($\beta = 0{,}284$), Chính sách giá ($\beta = 0{,}215$), Kênh phân phối ($\beta = 0{,}162$) và Hoạt động xúc tiến ($\beta = 0{,}124$).

Về chỉ tiêu tài chính và nhân sự:

  • Quy mô nhân sự tăng từ 16 người (2017) lên 18 người (2018, $+12{,}5%$) và 22 người (2019, $+22{,}2%$). Tỷ trọng lao động có trình độ Đại học/Cao đẳng tăng từ $37{,}5%$ lên $40{,}9%$.
  • Kiểm định One-Way ANOVA cho thấy không có sự khác biệt có ý nghĩa thống kê về đánh giá hiệu quả bán hàng giữa các nhóm giới tính ($\text{Sig.} > 0{,}05$), nhưng tồn tại sự khác biệt theo mức thu nhập và nghề nghiệp khách hàng ($\text{Sig.} < 0{,}05$).

Đổi mới và đóng góp

Nghiên cứu đóng góp các giá trị học thuật và thực tiễn:

  • Chuẩn hóa khung đánh giá Marketing 5P định lượng: Khác với các nghiên cứu trước đây tại địa bàn chỉ dừng lại ở lý thuyết mô tả, đề tài lượng hóa chính xác tỷ trọng đóng góp của từng cấu phần với bằng chứng kinh tế lượng rõ ràng ($R^2 = 0{,}566$).
  • So sánh với các nghiên cứu tiền nhiệm:
    • So với Nguyễn Trần Thảo Nhi (2015) và Nguyễn Văn Chung (2017): Đã tích hợp đầy đủ phân tích tài chính 3 năm (ROS, ROE, biến động chi phí) vào cùng một khung nghiên cứu với dữ liệu khảo sát khách hàng.
    • So với Lê Thị Thùy Trinh (2018): Khắc phục hạn chế về việc thiếu phân tích hồi quy chuyên sâu, xác định được thứ tự ưu tiên tác động chính xác ($\beta_{NVBH} > \beta_{SP} > \beta_{GC} > \beta_{KPP} > \beta_{XT}$).
  • Hiệu quả thực tiễn: Giúp doanh nghiệp cắt giảm các khoản chi phí tiếp thị dàn trải, tập trung ngân sách đào tạo kỹ năng tư vấn chuyên sâu cho 22 nhân sự trực tiếp, dự kiến nâng tỷ suất quay vòng hàng tồn kho lên $15\text{–}18%$.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng

  1. Khách hàng B2B (Nhà thầu xây dựng, tổ đội thi công): Ưu tiên chính sách giá theo khối lượng ($GC$), đảm bảo tiến độ cung ứng hàng hóa tận chân công trình thông qua đội xe vận tải chuyên dụng ($KPP$).
  2. Khách hàng B2C (Hộ gia đình tự xây/sửa nhà): Tối ưu hóa dịch vụ tư vấn phối màu sơn, tính toán khối lượng vật tư của đội ngũ bán hàng ($NVBH$), cung cấp chính sách bảo hành sản phẩm chính hãng ($SP$).

Lộ trình triển khai 4 giai đoạn

[Quý 1: Chuẩn hóa nhân sự & Đào tạo nội bộ]

[Quý 2: Tái cấu trúc danh mục sản phẩm & Giá]

[Quý 3: Tối ưu kênh phân phối & Mặt bằng]

[Quý 4: Số hóa xúc tiến & Chăm sóc khách hàng]

Dự toán chi phí và hiệu quả đầu tư (ROI)

  • Ngân sách đầu tư triển khai: Khoảng 180 triệu VNĐ (Đào tạo nhân sự: 40 triệu; Cải tạo mặt bằng showroom: 60 triệu; Hệ thống phần mềm & Tiếp thị số: 80 triệu).
  • Kỳ vọng tài chính: Tăng trưởng doanh thu bán hàng tối thiểu $12\text{–}15%$/năm, cải thiện biên lợi nhuận ròng ROS thêm $1{,}5\text{–}2{,}2%$, thời gian hoàn vốn đầu tư ước tính trong vòng 9–12 tháng.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật & phương pháp: Cỡ mẫu khảo sát $n=125$ thực hiện theo phương pháp chọn mẫu thuận tiện, tập trung chính tại thị xã Hương Thủy và lân cận, chưa bao phủ toàn diện các huyện vùng ven của tỉnh Thừa Thiên Huế.
  • Dữ liệu thời gian: Chuỗi số liệu thứ cấp giai đoạn 2017–2019 chưa phản ánh đầy đủ các biến động kinh tế vĩ mô phức tạp trong các năm tiếp theo.
  • Hướng nghiên cứu tiếp theo:
    • Mở rộng mô hình nghiên cứu bổ sung biến "Chuyển đổi số trong bán hàng (Omnichannel)" và "Trải nghiệm dịch vụ hậu mãi".
    • Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) để kiểm định các mối quan hệ trung gian và điều tiết.
    • Tích hợp hệ thống phân tích dữ liệu bán hàng thời gian thực kết nối phần mềm kế toán và quản lý kho.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kinh tế/Marketing: Cung cấp tài liệu tham khảo hoàn chỉnh về phương pháp luận kết hợp phân tích tài chính doanh nghiệp với kiểm định kinh tế lượng SPSS (Cronbach's Alpha, EFA, OLS Regression).
  • Nhà quản trị doanh nghiệp SME ngành VLXD: Cung cấp bộ giải pháp thực thi 5P có cơ sở định lượng, giúp tối ưu hóa chi phí quản lý và nâng cao hiệu suất bán hàng.
  • Kỹ sư hệ thống & Nhà phát triển phần mềm quản lý: Nắm bắt cấu trúc dữ liệu khảo sát và luồng nghiệp vụ thực tế của ngành thương mại vật liệu xây lắp để thiết kế các module ERP/CRM phù hợp.
  • Nhà nghiên cứu kinh tế địa phương: Cung cấp dữ liệu thực nghiệm về thị trường Thừa Thiên Huế trong bối cảnh tái cơ cấu và mở rộng địa giới đô thị.

Câu hỏi thường gặp

  1. Yêu cầu phần mềm và hệ thống để thực hiện lại mô hình phân tích này là gì? Cần máy tính cấu hình cơ bản (CPU 2 cores, 4GB RAM), cài đặt hệ điều hành Windows 10/11 hoặc Linux, phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên hoặc môi trường Python 3.8+ tích hợp pandas, statsmodels và factor_analyzer.

  2. Tại sao mô hình hồi quy lại xác định biến Nhân viên bán hàng (NVBH) có trọng số cao nhất ($\beta = 0{,}318$)? Đặc thù ngành VLXD và thiết bị kỹ thuật đòi hỏi sự am hiểu sâu về thông số, định mức thi công và phối màu. Khách hàng phụ thuộc lớn vào sự tư vấn tận tình, trung thực và chính xác của nhân viên để ra quyết định mua hàng.

  3. Mẫu khảo sát $n=125$ có đảm bảo tính đại diện và độ tin cậy thống kê không? Hoàn toàn đảm bảo. Theo chuẩn phân tích nhân tố EFA của Hair et al. (1998), tỷ lệ quan sát trên biến đo lường tối thiểu là $5:1$. Với 25 biến quan sát trong mô hình, cỡ mẫu tối thiểu cần là $25 \times 5 = 125$, vừa khớp với số mẫu hợp lệ thu thập được.

  4. Doanh nghiệp nhỏ với ngân sách hạn chế nên ưu tiên nhóm giải pháp nào trước? Nên tập trung vào nhóm giải pháp có chi phí thấp nhưng hệ số tác động cao: Chuẩn hóa quy trình tư vấn và thái độ phục vụ của nhân viên bán hàng ($NVBH$, $\beta = 0{,}318$) kết hợp rà soát chất lượng và xuất xứ sản phẩm ($SP$, $\beta = 0{,}284$).

  5. Làm thế nào để kiểm soát hiện tượng đa cộng tuyến khi thêm các biến khảo sát mới? Cần theo dõi ma trận hệ số tương quan Pearson giữa các biến độc lập (không vượt quá $0{,}8$) và kiểm tra giá trị dung sai (Tolerance $> 0{,}1$) cùng hệ số phóng đại phương sai (VIF $< 2{,}0$) trong bảng kết quả hồi quy Coefficients của SPSS.

Kết luận

Đề tài đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra thông qua việc kết hợp chặt chẽ giữa phân tích hoạt động kinh doanh thực tế giai đoạn 2017–2019 của Công ty TNHH Loan Thắng và mô hình hóa định lượng hành vi khách hàng với $n=125$ mẫu khảo sát. Kết quả nghiên cứu xác định phương trình hồi quy đạt độ tin cậy cao ($R^2 \text{ điều chỉnh} = 56{,}6%$), chỉ rõ vai trò chi phối của đội ngũ bán hàng và chất lượng sản phẩm. Hệ thống 5 nhóm giải pháp đề xuất mang tính khả thi cao, đóng vai trò là kim chỉ nam chiến lược giúp Công ty TNHH Loan Thắng tối ưu hóa hiệu quả hoạt động kinh doanh, đón đầu cơ hội mở rộng thị trường đô thị Huế trong giai đoạn mới. Các doanh nghiệp thương mại và nhà nghiên cứu có thể áp dụng trực tiếp quy trình phân tích thực nghiệm này để nâng cao năng lực cạnh tranh trong phân khúc của mình.