Giới thiệu dự án

Ngành dịch vụ ẩm thực và đồ uống (F&B - Food and Beverage) tại Việt Nam đang trải qua giai đoạn chuyển mình mạnh mẽ với sự cạnh tranh khốc liệt giữa các mô hình kinh doanh truyền thống và chuỗi thương hiệu hiện đại. Theo báo cáo thường niên của iPOS.vn (2022), sau giai đoạn biến động do dịch bệnh, thị trường F&B Việt Nam năm 2022 đã ghi nhận khoảng 338.600 nhà hàng, đạt mức tăng trưởng doanh thu ấn tượng 39% so với năm 2021, chạm mốc gần 610 nghìn tỷ đồng. Mặc dù quy mô thị trường mở rộng nhanh chóng, cơ cấu doanh thu lại bộc lộ sự phân hóa sâu sắc: 95% thị phần thuộc về các quán ăn, nhà hàng đơn lẻ, trong khi các chuỗi có từ 10 điểm bán trở lên chỉ chiếm khoảng 5% thị phần. Điều này phản ánh rào cản lớn về chi phí, khả năng tiếp cận và năng lực duy trì trải nghiệm khách hàng đồng bộ của các chuỗi đồ uống lớn tại các đô thị loại 1.

Theo các nghiên cứu quản trị kinh doanh kinh điển (Ehrenberg & Goodhardt, 2000), chi phí giữ chân một khách hàng hiện tại (Customer Retention Cost) thấp hơn từ 5 đến 7 lần so với chi phí thu hút một khách hàng mới (Customer Acquisition Cost). Tuy nhiên, nhiều thương hiệu chuỗi tại Việt Nam – tiêu biểu là The Coffee House – đang đối mặt với bài toán tối ưu hóa mô hình tiếp thị hỗn hợp trong bối cảnh hành vi người tiêu dùng thay đổi nhanh chóng và kỳ vọng về chất lượng dịch vụ ngày càng khắt khe. Việc áp dụng mô hình 4Ps truyền thống (Product, Price, Place, Promotion) không còn đủ khả năng bao quát các đặc tính vô hình, không thể tách rời và không đồng nhất của ngành dịch vụ hiện đại.

Đề tài khóa luận tốt nghiệp: "Ảnh hưởng của Marketing hỗn hợp đến sự hài lòng của khách hàng trong dịch vụ ăn uống: Nghiên cứu trường hợp điển hình của The Coffee House" được thực hiện nhằm giải quyết trực tiếp khoảng trống nghiên cứu và bài toán thực tiễn nêu trên.

Mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về mô hình Marketing hỗn hợp dịch vụ 7Ps (Product, Price, Place, Promotion, People, Physical Evidence, Process) và lý thuyết sự hài lòng của khách hàng (Customer Satisfaction - CSAT).
  2. Xây dựng và kiểm định thang đo định lượng gồm 28 biến quan sát đo lường 7 thành tố Marketing Mix tác động tới sự hài lòng của khách hàng tại The Coffee House.
  3. Ứng dụng kỹ thuật phân tích độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) và phân tích hồi quy tuyến tính bội (Multiple Linear Regression - MLR) trên phần mềm IBM SPSS Statistics v22.0 để xác định mức độ tác động và ý nghĩa thống kê của từng nhân tố.
  4. Đề xuất hệ thống giải pháp và kiến nghị có tính định lượng, khả thi nhằm giúp The Coffee House và các doanh nghiệp F&B tối ưu hóa nguồn lực tiếp thị, nâng cao chỉ số hài lòng của khách hàng.

Phương pháp tiếp cận giải pháp:

Đề tài tích hợp mô hình Marketing dịch vụ mở rộng 7Ps của Booms & Bitner (1981) và khung phân tích hành vi dịch vụ của Lovelock & Wirtz (2016). Nghiên cứu triển khai phương pháp hỗn hợp (Mixed-methods):

  • Nghiên cứu định tính: Thực hiện phỏng vấn sâu nhóm tập trung ($n=8$) để hiệu chỉnh thang đo cho phù hợp với ngữ cảnh chuỗi cà phê Việt Nam.
  • Nghiên cứu định lượng: Khảo sát diện rộng thông qua bảng hỏi chuẩn hóa Likert 5 điểm, phân tích dữ liệu đa biến nhằm lượng hóa chính xác các mối quan hệ nguyên nhân - kết quả.

Kết quả kỳ vọng và chỉ số đo lường:

  • Kiểm định thang đo đạt chuẩn phương sai trích ($TVE > 50%$), hệ số tin cậy $\alpha \ge 0.70$, hệ số KMO $\ge 0.50$ với mức ý nghĩa $p < 0.05$.
  • Mô hình hồi quy đạt hệ số xác định hiệu chỉnh ($Adjusted\ R^2 \ge 0.50$), chứng minh khả năng giải thích trên 50% sự biến thiên của mức độ hài lòng khách hàng.
  • Định lượng chính xác thứ tự ưu tiên của các thành tố marketing tác động mạnh nhất để tối ưu hóa ngân sách vận hành.

Phạm vi và giới hạn nghiên cứu:

  • Phạm vi không gian: Khảo sát khách hàng đã và đang trực tiếp trải nghiệm dịch vụ tại các cửa hàng The Coffee House trên địa bàn Việt Nam (tập trung chủ yếu tại Hà Nội và TP. Hồ Chí Minh).
  • Phạm vi thời gian: Thu thập và phân tích dữ liệu từ tháng 03/2023 đến tháng 05/2023.
  • Phạm vi nội dung: Tập trung vào 7 thành tố của Marketing dịch vụ tác động đến sự hài lòng tổng thể, không phân tích sâu khía cạnh tài chính nội bộ hoặc chi phí vận hành chuỗi cung ứng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong các công trình nghiên cứu trước đây về tiếp thị dịch vụ ăn uống, việc áp dụng mô hình phân tích còn nhiều điểm phân tán. Dưới đây là bảng tổng hợp so sánh các nghiên cứu tiêu biểu trong và ngoài nước:

Công trình nghiên cứu Mô hình / Phương pháp Cỡ mẫu ($N$) Ưu điểm Hạn chế / Khoảng trống
Sudari và cộng sự (2019) (Malaysia) Mô hình 4Ps truyền thống, Phân tích đường dẫn & Kiểm định Sobel 300 khách hàng F&B SME Xác định 4Ps đóng góp 68.9% vào sự hài lòng; chỉ ra vai trò trung gian của CSAT tới lòng trung thành Bỏ qua 3 yếu tố dịch vụ cốt lõi: Con người (People), Quy trình (Process), Cơ sở vật chất (Physical Evidence)
Alipour và cộng sự (2018) (Tehran) Mô hình 7Ps, Phương trình cấu trúc PLS-SEM 380 người tiêu dùng Đánh giá toàn diện 7 thành phần tiếp thị dịch vụ thể thao hiện đại Đối tượng nghiên cứu là ngành bán lẻ dụng cụ thể thao, tính chất tương tác dịch vụ khác biệt hoàn toàn với F&B
Nguyễn Hải Quang (2022) (TP. HCM) Mô hình SEM, Cronbach's Alpha, EFA, CFA 316 thực khách nhà hàng Chứng minh vai trò trung gian mạnh mẽ của sự hài lòng tới lòng trung thành Khảo sát chung cho nhà hàng tổng hợp, chưa đi sâu vào phân khúc chuỗi cà phê chuyên biệt
Khóa luận hiện tại (Cao Khánh Linh, 2023) Mô hình 7Ps mở rộng, EFA & Hồi quy OLS đa biến trên SPSS $N \ge 140$ (Tỷ lệ 5:1 theo Bollen) Chuyên biệt hóa cho chuỗi The Coffee House; phân tích sâu tác động thực tế của 7Ps trong bối cảnh hậu Covid-19 Cần mở rộng quy mô mẫu đa kênh (Offline vs App/Delivery)

Phân tích yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must have (Bắt buộc có): Đo lường chính xác tác động của 5 nhóm yếu tố then chốt: Chất lượng sản phẩm (SP), Giá cả cảm nhận (GC), Nhân sự phục vụ (CN), Không gian & Phương tiện hữu hình (PTHH), Quy trình vận hành (QT).
  • Should have (Nên có): Phân tích kiểm định yếu tố Địa điểm (DD) và Hoạt động xúc tiến/khuyến mãi (XT) để làm rõ vì sao có sự phân hóa trong ngành F&B.
  • Could have (Có thể có): Khảo sát bổ sung mối quan hệ chuyển tiếp giữa Sự hài lòng (SHL) và Ý định quay lại / Lòng trung thành thương hiệu.
  • Won't have (Không bao gồm): Phân tích dữ liệu P&L (Lỗ/Lãi) hoặc kiến trúc phần mềm nội bộ của hệ thống POS/ERP thuộc doanh nghiệp The Coffee House.

Thiết kế hệ thống nghiên cứu

Khung khái niệm của nghiên cứu được mô hình hóa theo cấu trúc đa biến biểu diễn mối quan hệ nhân quả:

Technology Stack và Công cụ phân tích:

  • Công cụ thu thập dữ liệu: Google Forms Engine, Google Sheets Data Connector.
  • Môi trường xử lý thống kê chuyên sâu: IBM SPSS Statistics v22.0, IBM SPSS AMOS v24.0.
  • Ngôn ngữ kịch bản xử lý dữ liệu tự động: Python v3.10 (thư viện pandas v1.5.3, numpy v1.23.5, statsmodels v0.14.0, factor_analyzer v0.4.1, pingouin v0.5.3).
  • Tiêu chuẩn mã hóa thang đo: Thang đo Likert 5 điểm: (1) Hoàn toàn không đồng ý $\rightarrow$ (5) Hoàn toàn đồng ý.
  • Bảo mật và chuẩn đạo đức nghiên cứu: Mã hóa danh tính phản hồi (Anonymization), tuân thủ cam kết bảo mật thông tin cá nhân của người tham gia khảo sát.

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ quy trình khoa học 6 bước nghiêm ngặt:

  1. Bước 1: Xác định bài toán nghiên cứu, mục tiêu và câu hỏi nghiên cứu về Marketing hỗn hợp tại The Coffee House.
  2. Bước 2: Tổng quan tài liệu học thuật trong và ngoài nước, xây dựng mô hình nghiên cứu gồm 7 giả thuyết ($H_1$ đến $H_7$).
  3. Bước 3: Thiết kế bảng hỏi sơ bộ (28 biến quan sát), tiến hành phỏng vấn sâu ($n=8$) để hiệu chỉnh câu từ, kiểm tra tính rõ ràng.
  4. Bước 4: Triển khai khảo sát định lượng trực tuyến theo phương pháp lấy mẫu thuận tiện. Xác định cỡ mẫu tối thiểu theo nguyên tắc Bollen (1989) với tỷ lệ 5 quan sát trên 1 biến: $N_{min} = 28 \times 5 = 140$ mẫu hợp lệ.
  5. Bước 5: Làm sạch dữ liệu (Data Cleaning), lọc bỏ mẫu rác/mẫu không hợp lệ, mã hóa dữ liệu trên SPSS/Python.
  6. Bước 6: Thực hiện phân tích dữ liệu đa bước: Thống kê mô tả $\rightarrow$ Kiểm định Cronbach's Alpha $\rightarrow$ Phân tích nhân tố khám phá EFA $\rightarrow$ Phân tích tương quan Pearson $\rightarrow$ Phân tích hồi quy tuyến tính OLS $\rightarrow$ Kiểm định giả thuyết và thảo luận hàm ý.

Implementation và kết quả

Quy trình phân tích dữ liệu và thuật toán xử lý

Quy trình tính toán các chỉ số thống kê tuân thủ nghiêm ngặt các công thức toán học và tiêu chuẩn kinh tế lượng:

  1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha): $$\alpha = \frac{K}{K-1} \left( 1 - \frac{\sum_{i=1}^{K} \sigma_{Y_i}^2}{\sigma_X^2} \right)$$ Điều kiện: $\alpha \ge 0.70$; Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.

  2. Kiểm định mức độ thích hợp mẫu (Kaiser-Meyer-Olkin - KMO) và Kiểm định Bartlett: $$KMO = \frac{\sum \sum_{j \ne k} r_{jk}^2}{\sum \sum_{j \ne k} r_{jk}^2 + \sum \sum_{j \ne k} q_{jk}^2}$$ Điều kiện: $0.5 \le KMO \le 1.0$; Kiểm định Bartlett có ý nghĩa thống kê ($p < 0.05$). Tiêu chuẩn trích nhân tố EFA: Eigenvalue $\ge 1.0$; Tổng phương sai trích ($TVE$) $\ge 50%$; Hệ số tải nhân tố (Factor Loading) $\ge 0.50$ (sau khi xoay Varimax).

  3. Mô hình hồi quy tuyến tính bội (Ordinary Least Squares - OLS): $$SHL = \beta_0 + \beta_1 SP + \beta_2 GC + \beta_3 DD + \beta_4 XT + \beta_5 CN + \beta_6 PTHH + \beta_7 QT + \varepsilon$$

Dưới đây là đoạn mã Python chuẩn hóa quy trình phân tích tự động dữ liệu khảo sát từ bước kiểm định độ tin cậy đến hồi quy OLS:

import pandas as pd
import numpy as np
import pingouin as pg
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("the_coffee_house_survey_data.csv")

# Nhóm các biến quan sát theo thang đo 7Ps
scale_dict = {
    'SP': ['SP1', 'SP2', 'SP3', 'SP4'],
    'GC': ['GC1', 'GC2', 'GC3', 'GC4'],
    'DD': ['DD1', 'DD2', 'DD3', 'DD4'],
    'XT': ['XT1', 'XT2', 'XT3', 'XT4'],
    'CN': ['CN1', 'CN2', 'CN3', 'CN4'],
    'PTHH': ['PTHH1', 'PTHH2', 'PTHH3', 'PTHH4'],
    'QT': ['QT1', 'QT2', 'QT3', 'QT4'],
    'SHL': ['SHL1', 'SHL2', 'SHL3', 'SHL4']
}

# 2. Kiểm định Cronbach's Alpha cho từng thang đo
print("=== KẾT QUẢ KIỂM ĐỊNH ĐỘ TIN CẬY CRONBACH'S ALPHA ===")
reliable_factors = {}
for factor, items in scale_dict.items():
    alpha_res = pg.cronbach_alpha(data=df[items])
    alpha_val = alpha_res[0]
    print(f"Nhân tố {factor:5s} | Số biến: {len(items)} | Cronbach's Alpha: {alpha_val:.4f}")
    if alpha_val >= 0.70:
        reliable_factors[factor] = df[items].mean(axis=1)

df_composite = pd.DataFrame(reliable_factors)

# 3. Kiểm định KMO và Bartlett's Sphericity cho các biến độc lập
independent_items = [item for f in ['SP', 'GC', 'DD', 'XT', 'CN', 'PTHH', 'QT'] for item in scale_dict[f]]
chi2, p_bartlett = calculate_bartlett_sphericity(df[independent_items])
kmo_all, kmo_model = calculate_kmo(df[independent_items])
print(f"\nKMO Measure: {kmo_model:.4f} | Bartlett's Test Chi2: {chi2:.2f}, p-value: {p_bartlett:.4e}")

# 4. Phân tích hồi quy tuyến tính đa biến (OLS Regression)
X = df_composite[['SP', 'GC', 'DD', 'XT', 'CN', 'PTHH', 'QT']]
y = df_composite['SHL']
X_const = sm.add_constant(X)

ols_model = sm.OLS(y, X_const).fit()
print("\n=== KẾT QUẢ HỒI QUY TUYẾN TÍNH BỘI ===")
print(ols_model.summary())

Kết quả kiểm định thống kê và mô hình hồi quy

Dữ liệu sau khi thu thập đạt $N = 215$ mẫu hợp lệ (vượt ngưỡng yêu cầu $N_{min} = 140$). Quy trình kiểm định thu được các kết quả chi tiết như sau:

1. Đánh giá độ tin cậy thang đo (Cronbach's Alpha)

Toàn bộ 8 thang đo đều đạt hệ số Cronbach's Alpha cao ($> 0.80$), không có biến quan sát nào có tương quan biến - tổng nhỏ hơn 0.30:

  • Sản phẩm (SP): $\alpha = 0.868$ (4 biến quan sát)
  • Giá cả (GC): $\alpha = 0.842$ (4 biến quan sát)
  • Địa điểm (DD): $\alpha = 0.825$ (4 biến quan sát)
  • Xúc tiến (XT): $\alpha = 0.819$ (4 biến quan sát)
  • Con người (CN): $\alpha = 0.891$ (4 biến quan sát)
  • Phương tiện hữu hình (PTHH): $\alpha = 0.876$ (4 biến quan sát)
  • Quy trình (QT): $\alpha = 0.854$ (4 biến quan sát)
  • Sự hài lòng (SHL): $\alpha = 0.883$ (4 biến quan sát)

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Hệ số $KMO = 0.884$ (thỏa mãn $0.5 < KMO < 1.0$), kiểm định Bartlett có giá trị $\text{Sig.} = 0.000 < 0.05$. Trích được 7 nhân tố tại Eigenvalue $= 1.218 > 1$, tổng phương sai trích tích lũy đạt $67.42% > 50%$. Toàn bộ hệ số tải nhân tố (Factor Loading) sau phép xoay Varimax đều $> 0.55$.
  • Biến phụ thuộc (SHL): $KMO = 0.812$, $\text{Sig.} = 0.000$, tổng phương sai trích đạt $71.85%$, trích được 1 nhân tố duy nhất.

3. Kết quả phân tích hồi quy tuyến tính bội và kiểm định giả thuyết

Bảng tổng hợp trọng số hồi quy và kết luận giả thuyết nghiên cứu:

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị kiểm định ($t$) Mức ý nghĩa ($p$-value) Hệ số phóng đại phương sai ($VIF$) Kết luận giả thuyết
Hằng số ($\beta_0$) 0.214 0.185 - 1.157 0.249 - -
Sản phẩm (SP) 0.281 0.052 0.284 5.404 0.000 1.412 Chấp nhận $H_1$
Giá cả (GC) 0.189 0.048 0.195 3.938 0.000 1.350 Chấp nhận $H_2$
Địa điểm (DD) 0.038 0.045 0.041 0.844 0.399 1.285 Bác bỏ $H_3$
Xúc tiến (XT) 0.042 0.047 0.045 0.894 0.372 1.310 Bác bỏ $H_4$
Con người (CN) 0.235 0.050 0.241 4.700 0.000 1.482 Chấp nhận $H_5$
Phương tiện hữu hình (PTHH) 0.212 0.049 0.218 4.327 0.000 1.431 Chấp nhận $H_6$
Quy trình (QT) 0.158 0.046 0.162 3.435 0.001 1.305 Chấp nhận $H_7$

Các chỉ số kiểm định toàn diện của mô hình hồi quy:

  • Hệ số xác định $R^2 = 0.648$; Hệ số xác định hiệu chỉnh $Adjusted\ R^2 = 0.638$. Điều này chứng minh $63.8%$ sự thay đổi của mức độ hài lòng khách hàng tại The Coffee House được giải thích bởi 5 yếu tố có ý nghĩa thống kê trong mô hình.
  • Kiểm định độ phù hợp ANOVA: $F(7, 207) = 54.425$ với $\text{Sig.} = 0.000$, khẳng định mô hình hồi quy tuyến tính xây dựng được là hoàn toàn phù hợp với tập dữ liệu thực tế.
  • Kiểm định hiện tượng đa cộng tuyến: Tất cả các hệ số $VIF$ dao động từ $1.285$ đến $1.482$ (đều $< 2.0$), chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến.
  • Hệ số Durbin-Watson $= 1.912$ (nằm trong khoảng $1.5 - 2.5$), xác nhận không có hiện tượng tự tương quan bậc một giữa các phần dư.

Phương trình hồi quy chuẩn hóa:

$$SHL = 0.284 \times SP + 0.241 \times CN + 0.218 \times PTHH + 0.195 \times GC + 0.162 \times QT$$

Thứ tự mức độ tác động giảm dần tới sự hài lòng của khách hàng: $$\text{Sản phẩm } (\beta = 0.284) > \text{Con người } (\beta = 0.241) > \text{Phương tiện hữu hình } (\beta = 0.218) > \text{Giá cả } (\beta = 0.195) > \text{Quy trình } (\beta = 0.162)$$

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ rệt về cả phương diện học thuật và thực tiễn quản trị dịch vụ F&B:

1. Đổi mới về phương pháp luận và mô hình đánh giá

  • Vượt qua giới hạn của mô hình 4Ps cổ điển: Thay vì chỉ dừng lại ở các yếu tố vật lý hữu hình, nghiên cứu đã chứng minh bằng thực nghiệm rằng 3 thành tố dịch vụ đặc thù (Con người, Phương tiện hữu hình, Quy trình) chiếm tới $62.1%$ tổng tỷ trọng tác động trong phương trình hồi quy chuẩn hóa ($\sum \beta = 0.621 / 1.100$).
  • Giải mã hiện tượng "Nghịch lý Xúc tiến và Địa điểm": Kết quả chỉ ra 2 nhân tố Địa điểm ($p = 0.399$) và Xúc tiến ($p = 0.372$) không đạt mức ý nghĩa thống kê trong việc tạo ra sự hài lòng cốt lõi. Trong kỷ nguyên số và giao hàng tận nơi (Food Delivery Apps), vị trí mặt bằng vật lý không còn là yếu tố tiên quyết nếu chất lượng sản phẩm và trải nghiệm phục vụ không đạt kỳ vọng.

2. So sánh hiệu quả với các giải pháp hiện hành

Tiêu chí phân tích Mô hình 4Ps truyền thống Mô hình nghiên cứu 7Ps của đề tài Mức độ cải thiện / Đóng góp
Độ phủ chiều không gian dịch vụ Chỉ đo lường sản phẩm, giá, kênh phân phối, quảng cáo Bao quát toàn diện tương tác nhân viên, không gian quán, quy trình order/giao đồ Tăng 75% phạm vi đo lường trải nghiệm thực tế
Độ chính xác dự báo ($Adjusted\ R^2$) Thường dao động từ $0.40 - 0.48$ Đạt $0.638$ (63.8%) Tăng ~32.9% khả năng giải thích biến thiên hài lòng
Tính ứng dụng trong tối ưu chi phí Thường đề xuất tăng ngân sách quảng cáo/khuyến mãi Định hướng cắt giảm chi phí khuyến mãi đại trà, dồn ngân sách vào đào tạo nhân viên và R&D menu Tối ưu hóa chỉ số ROI tiếp thị, giảm lãng phí ngân sách

Ứng dụng thực tế và triển khai

Dựa trên kết quả hồi quy định lượng, đề tài xây dựng lộ trình triển khai 4 giai đoạn dành riêng cho ban điều hành thương hiệu The Coffee House và các chuỗi F&B tương đương:

Chiến lược hành động chi tiết theo thứ tự ưu tiên:

  1. Ưu tiên 1 - Nâng tầm Sản phẩm (SP - $\beta = 0.284$):

    • Chuẩn hóa nguồn nguyên liệu đầu vào: Duy trì kiểm soát chất lượng hạt cà phê Arabica Cầu Đất và Robusta Đắk Lắk.
    • Tăng cường R&D định kỳ: Đưa ra menu đồ uống theo mùa (Seasonal drinks) 2 tháng/lần, cải tiến độ thẩm mỹ trong trang trí ly tách.

  2. Ưu tiên 2 - Chuẩn hóa Nhân sự phục vụ (CN - $\beta = 0.241$):

    • Xây dựng chương trình đào tạo "Nhà cà phê thân thiện": Đào tạo kỹ năng giao tiếp mắt (Eye contact), nụ cười đón tiếp và kỹ năng xử lý khiếu nại tại bàn trong vòng 120 giây.
    • Thiết lập cơ chế đánh giá KPI gắn liền với điểm đánh giá CSAT thực tế tại từng ca trực của nhân viên.

  3. Ưu tiên 3 - Tối ưu Không gian & Cơ sở vật chất (PTHH - $\beta = 0.218$):

    • Thiết kế phân vùng không gian thông minh: Tách biệt khu vực làm việc yên tĩnh (có bàn lớn, đủ ổ cắm điện tiêu chuẩn) và khu vực trò chuyện nhóm.
    • Kiểm soát các yếu tố giác quan (Sensory Branding): Duy trì cường độ ánh sáng ấm (2700K - 3000K), âm nhạc Acoustic âm lượng dưới 65 dB, đảm bảo tiêu chuẩn vệ sinh khu vực pha chế mở.

  4. Ưu tiên 4 - Tối ưu Hóa Giá trị Cảm nhận (GC - $\beta = 0.195$):

    • Chuyển đổi từ chiến lược giảm giá trực tiếp sang chiến lược "Tặng kèm giá trị" (Value-add Bundling): Kết hợp combo Bánh + Đồ uống với mức giá ưu đãi hơn 15% so với mua lẻ.
    • Minh bạch hóa phân khúc giá: Cung cấp đầy đủ các size đồ uống (S, M, L) với khoảng cách giá hợp lý (5.000 - 8.000 VNĐ/size).

  5. Ưu tiên 5 - Tinh gọn Quy trình phục vụ (QT - $\beta = 0.162$):

    • Tối ưu quy trình Order-to-Serve: Rút ngắn thời gian phục vụ tại quầy xuống dưới 3 phút vào giờ cao điểm bằng cách số hóa hệ thống hiển thị bếp KDS (Kitchen Display System).
    • Thúc đẩy luồng nhận đồ thông minh: Tích hợp định vị đơn hàng trên App The Coffee House để khách có thể đặt trước và lấy ngay không cần xếp hàng.

Hạn chế và hướng phát triển

1. Những hạn chế kỹ thuật và phạm vi

  • Phương pháp chọn mẫu: Việc áp dụng phương pháp lấy mẫu thuận tiện phi xác suất qua Google Forms có thể dẫn đến hiện tượng thiên lệch chọn mẫu (Selection bias), tập trung chủ yếu vào nhóm khách hàng trẻ (Gen Z và Millennials).
  • Phạm vi địa lý: Mặc dù khảo sát trên quy mô toàn quốc, tỷ trọng đáp viên tại Hà Nội và TP. Hồ Chí Minh chiếm đa số, chưa phản ánh đầy đủ đặc điểm tiêu dùng tại các đô thị loại 2 và loại 3.
  • Mô hình tĩnh: Nghiên cứu sử dụng phân tích cắt ngang (Cross-sectional study), chưa theo dõi sự thay đổi trong mức độ hài lòng của khách hàng theo thời gian dài (Longitudinal study).

2. Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình cấu trúc tuyến tính SEM/PLS-SEM: Bổ sung các biến trung gian như Giá trị cảm nhận (Perceived Value), Uy tín thương hiệu (Brand Equity) và biến phụ thuộc đầu ra Lòng trung thành khách hàng (Customer Loyalty).
  • Phân tích đa nhóm (Multi-group Analysis): So sánh sự khác biệt trong trọng số tác động của mô hình 7Ps giữa hai nhóm khách hàng: Trải nghiệm tại cửa hàng (Dine-in) vs. Đặt hàng qua ứng dụng giao đồ ăn (Delivery Apps).
  • Ứng dụng Machine Learning: Xây dựng mô hình phân loại Sentiment Analysis dựa trên phản hồi tự nhiên của khách hàng trên Google Maps Reviews và mạng xã hội để đối chiếu với kết quả khảo sát qua bảng hỏi.

Đối tượng hưởng lợi

  • Sinh viên, Học viên ngành Quản trị Kinh doanh / Marketing: Tiếp cận một đồ án mẫu mực về phương pháp nghiên cứu định lượng ứng dụng, có sẵn bộ thang đo chuẩn hóa để kế thừa cho các đề tài dịch vụ.
  • Chủ doanh nghiệp & Giám đốc Tiếp thị F&B: Sở hữu bằng chứng thực nghiệm rõ ràng để ra quyết định kinh doanh; cắt giảm ngân sách xúc tiến kém hiệu quả để tập trung vào 3 trụ cột: Chất lượng sản phẩm, Kỹ năng nhân viên và Thiết kế trải nghiệm không gian.
  • Chuyên viên Phân tích Dữ liệu (Data Analysts): Kế thừa kịch bản phân tích thống kê tự động hóa, quy chuẩn hóa việc tính toán các chỉ số kinh tế lượng trong phân tích trải nghiệm người dùng.
  • Cộng đồng Nghiên cứu Khoa học: Đóng góp thêm nguồn dữ liệu thực nghiệm tin cậy về thị trường F&B Việt Nam vào kho tàng tài liệu tham khảo học thuật.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ tối thiểu để tái lập nghiên cứu này là gì?

Để tái lập toàn bộ quy trình phân tích định lượng, nhà nghiên cứu cần môi trường máy tính cài đặt IBM SPSS Statistics (phiên bản từ v20.0 trở lên) hoặc môi trường Python 3.8+ tích hợp các thư viện phân tích dữ liệu chuyên dụng (pandas, statsmodels, factor_analyzer, pingouin). File dữ liệu đầu vào cần được làm sạch các giá trị khuyết thiếu (Missing values) và mã hóa định dạng số nguyên tương ứng thang đo Likert từ 1 đến 5.

2. Vì sao hai nhân tố Địa điểm (DD) và Xúc tiến (XT) lại không có ý nghĩa thống kê trong mô hình hồi quy?

Trong mô hình hồi quy OLS, hệ số $p$-value của Địa điểm ($p = 0.399$) và Xúc tiến ($p = 0.372$) đều $> 0.05$. Điều này phản ánh thực tế đối với chuỗi cà phê lớn như The Coffee House: thương hiệu đã sở hữu độ nhận diện thương hiệu cao và hệ thống cửa hàng phủ rộng tại các vị trí đắc địa, đồng thời hành vi đặt hàng qua ứng dụng phát triển mạnh khiến yếu tố địa lý không còn tạo ra sự khác biệt lớn về sự hài lòng. Tương tự, các chương trình khuyến mại mang tính ngắn hạn và bão hòa, khách hàng quan tâm nhiều hơn đến trải nghiệm sản phẩm và sự phục vụ tận tâm của nhân viên.

3. Làm thế nào để tích hợp quy trình khảo sát này vào hệ thống CRM/BI của doanh nghiệp F&B?

Doanh nghiệp có thể nhúng bộ câu hỏi rút gọn (chọn các biến có trọng số Factor Loading cao nhất) vào hóa đơn điện tử hoặc ứng dụng di động (sau khi hoàn thành đơn hàng) qua cổng Webhook API. Dữ liệu CSAT sau đó được tự động đẩy về hệ thống Data Warehouse và xử lý qua script Python để liên tục cập nhật biểu đồ phân tích hồi quy theo thời gian thực trên dashboard Power BI hoặc Tableau.

4. Chi phí triển khai hệ thống khảo sát và phân tích định kỳ là bao nhiêu?

Chi phí triển khai mô hình đo lường này gần như bằng 0 về mặt bản quyền phần mềm nếu sử dụng hệ sinh thái mã nguồn mở (Python, Google Forms, PostgreSQL). Ngân sách chủ yếu tập trung vào chi phí khuyến khích khách hàng tham gia khảo sát (Voucher giảm giá 10-15% cho lần mua tiếp theo, ước tính chiếm khoảng $0.5 - 1%$ doanh thu/tháng) và nhân sự phân tích dữ liệu.

5. Kết quả nghiên cứu của The Coffee House có thể áp dụng cho các chuỗi F&B khác như Phúc Long hay Highlands Coffee không?

Hoàn toàn có thể áp dụng. Khung thang đo 7Ps và quy trình phân tích được thiết kế theo tiêu chuẩn quốc tế, có tính tổng quát cao cho ngành F&B chuỗi. Tuy nhiên, do định vị thương hiệu và phân khúc khách hàng của từng chuỗi có sự khác biệt (ví dụ: Highlands tập trung vào tính tiện lợi và tốc độ, Phúc Long tập trung vào vị trà đậm đà), trọng số $\beta$ của từng nhân tố có thể biến thiên, đòi hỏi doanh nghiệp phải chạy lại mô hình hồi quy trên tệp dữ liệu khách hàng mục tiêu của riêng mình.

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Cao Khánh Linh đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, mang lại giá trị to lớn cả về mặt học thuật lẫn thực tiễn quản trị dịch vụ. Nghiên cứu đã chứng minh bằng số liệu kinh tế lượng chuẩn xác rằng: trong ngành F&B chuỗi hiện đại, sự hài lòng của khách hàng được quyết định bởi 5 nhân tố cốt lõi, trong đó Sản phẩm ($\beta = 0.284$), Con người ($\beta = 0.241$) và Phương tiện hữu hình ($\beta = 0.218$) là ba trụ cột mang tính quyết định nhất.

Mô hình hồi quy đạt độ tin cậy vượt trội ($Adjusted\ R^2 = 0.638$) không chỉ giải mã sâu sắc hành vi thực khách tại The Coffee House mà còn cung cấp một bản cẩm nang hành động thực tế cho toàn bộ các doanh nghiệp F&B tại Việt Nam trên con đường xây dựng lợi thế cạnh tranh bền vững thông qua trải nghiệm khách hàng xuất sắc.