Chương 1: TỔNG QUAN NGHIÊN CỨU Chương này trình bày tổng quan các nghiên cứu liên quan, chỉ ra những khoảng trống trong tri thức hiện tại và đề xuất hướng giải quyết từ đó làm rõ nghiên cứu này không chỉ đóng góp vào lý thuyết mạng xã hội và tối ưu hóa, mà còn mang lại giá trị thực tiễn cho doanh nghiệp, giúp tối ưu hóa việc lựa chọn KOLs trong các chiến dịch quảng cáo. Các nghiên cứu liên quan 1. Các nghiên cứu quốc tế: 1. Mô hình lan truyền ảnh hưởng trong mạng xã hội: Nghiên cứu của Domingos và Richardson (2001) trong bài báo "Mining the Network Value of Customers" là một trong những công trình đầu tiên đề xuất ứng dụng marketing lan truyền trên mạng xã hội.
Các tác giả giới thiệu khái niệm "Value Propagation" để xác định những cá nhân có khả năng lan truyền giá trị cao nhất trong mạng lưới. Tuy nhiên, nghiên cứu này tập trung chủ yếu vào khai thác giá trị khách hàng và chưa đề xuất một thuật toán tối ưu hóa cụ thể [7]. Nghiên cứu của Kempe et al. (2003) với bài báo "Maximizing the Spread of Influence through a Social Network" đã xây dựng một mô hình lan truyền ảnh hưởng trong mạng xã hội dự trên lý thuyết đồ thị.
Công trình này đề xuất thuật toán Greedy để tối đa hóa phạm vi lan tỏa thông qua các nút chủ chốt trên đồ thị mạng xã hội. Tuy nhiên, nghiên cứu chỉ tập trung vào tối đa hóa phạm vi tiếp cận mà chưa tích hợp yếu tố chi phí, thời gian, và mức độ tương tác của các nút (Engagement Rate), dẫn đến hạn chế khi áp dụng vào thực tiễn [8]. Các nghiên cứu sau đó, như của Chen et al. Tối ưu hóa chi phí và lợi ích: Leskovec et al.
Nghiên cứu này phù hợp với các bài toán cần giảm thiểu chi phí để đạt được lợi ích cao nhất, nhưng chưa giải quyết được vấn đề cân đối giữa phạm vi tiếp cận, thời gian chiến dịch, và mức độ trùng lặp trong các nút mạng xã hội [10]. 12 Tang et al. (2014) trong bài "Cost-aware Influence Maximization in Social Networks" đã tích hợp yếu tố chi phí vào bài toán tối đa hóa lan tỏa. Nghiên cứu này đề xuất mô hình "Cost-Aware Greedy" để tìm ra tập người dùng vừa tối ưu về chi phí, vừa có ảnh hưởng lớn nhất.
Tuy nhiên, bài toán vẫn chưa giải quyết được các ràng buộc về thời gian và mức độ trùng lặp đối tượng tiếp cận giữa các cá nhân [11]. Ứng dụng Big Data trong phân tích KOLs: Liu et al. (2019) đã áp dụng dữ liệu lớn (Big Data) để phân tích các tệp người theo dõi và mức độ tương tác của các KOLs, giúp chia KOLs thành các nhóm đặc thù theo ngành hàng và phạm vi ảnh hưởng. Tuy nhiên, nghiên cứu chỉ dừng lại ở việc phân nhóm.
Dù nghiên cứu có bước tiến đáng kể trong việc khai thác dữ liệu lớn, nhưng không đề xuất thuật toán cụ thể để tối ưu hóa lựa chọn tập KOLs cho các chiến dịch quảng cáo [12]. Các nghiên cứu trong nước: 1. Ứng dụng KOLs trong marketing tại Việt Nam: Nguyễn Văn Hùng (2022) trong luận văn thạc sĩ của mình đã chỉ ra rằng doanh nghiệp tại Việt Nam thường lựa chọn KOLs dựa trên cảm tính hoặc số lượng người theo dõi (followers). Cách tiếp cận này dẫn đến chi phí cao nhưng hiệu quả không đạt kỳ vọng.
Nghiên cứu chưa tích hợp các công cụ tự động hóa và phân tích dữ liệu để hỗ trợ doanh nghiệp tối ưu hóa chiến dịch [13]. Hiệu quả sử dụng KOLs trong các chiến dịch quảng cáo: Theo báo cáo từ BrandsVietnam (2023), hơn 78% doanh nghiệp tại Việt Nam sử dụng KOLs trong chiến dịch marketing, nhưng chưa tận dụng tối đa ngân sách do tệp khách hàng trùng lặp. Điều này đặt ra yêu cầu cấp thiết về các công cụ tự động hóa và tối ưu hóa để hỗ trợ doanh nghiệp [14]. Các khoảng trống nghiên cứu ở hiện tại 1.
Thiếu tích hợp đa yếu tố trong mô hình lựa chọn KOLs: Các nghiên cứu hiện tại thường chỉ tập trung vào tối đa hóa phạm vi lan tỏa hoặc tối thiểu hóa chi phí mà không tích hợp đồng thời các yếu tố: ngân sách, phạm vi tiếp cận, mức độ trùng lặp, và thời gian chiến dịch. Chưa tập trung vào ràng buộc thời gian chiến dịch: 13 Rất ít nghiên cứu xem xét hiệu quả lan tỏa trong từng giai đoạn cụ thể của chiến dịch, điều này đặc biệt quan trọng đối với các chiến dịch ngắn hạn. Thiếu ứng dụng công nghệ và Big Data: Big Data mới chỉ được sử dụng để phân tích hành vi người dùng, chưa tích hợp trong thuật toán tối ưu hóa tập KOLs. Thiếu công cụ tự động hóa: Doanh nghiệp tại Việt Nam chưa có các công cụ hỗ trợ lựa chọn KOLs dựa trên dữ liệu, dẫn đến việc lựa chọn cảm tính, không tối ưu.
Tầm quan trọng và sự phù hợp của nghiên cứu 1. Tầm quan trọng của vấn đề: Với tổng chi tiêu quảng cáo trên mạng xã hội tại Việt Nam đạt 1,28 tỷ USD vào năm 2024 (We Are Social, 2024) [1], tối ưu hóa chi phí và hiệu quả quảng cáo là yêu cầu cấp thiết đối với doanh nghiệp. Sự phù hợp của nghiên cứu: Đề tài giải quyết trực tiếp các vấn đề mà doanh nghiệp đang đối mặt, như: ● Ngân sách hạn chế. ● Mức độ trùng lặp giữa các KOLs.
● Thiếu công cụ đo lường và lựa chọn tự động. Cách tiếp cận và giải quyết vấn đề trong nghiên cứu 1. Phương pháp tiếp cận: ○ Mô hình hóa bài toán tối ưu hóa lựa chọn KOLs thành bài toán rời rạc (Discrete Optimization Problem) với các yếu tố: ngân sách, thời gian, phạm vi tiếp cận, mức độ tương tác, và mức độ trùng lặp. ○ Áp dụng lý thuyết đồ thị để phân tích mối quan hệ giữa các KOLs.
Công cụ giải quyết: 14 ○ Thuật toán Greedy: Giải quyết bài toán theo từng bước với tỷ lệ lợi ích/chi phí cao nhất. ○ Thuật toán Set Cover: Giảm thiểu mức độ trùng lặp trong phạm vi tiếp cận. ○ Linear Programming: Đảm bảo tối ưu hóa toàn cục với ràng buộc phức tạp. Dữ liệu mô phỏng: ○ Sử dụng các bộ dữ liệu mô phỏng với cấu trúc đồ thị mạng xã hội, tích hợp thông số về chi phí, phạm vi tiếp cận, và mức độ tương tác để kiểm chứng hiệu quả thuật toán.
Tiểu kết Chương 1 Chương 1 đã tổng quan các nghiên cứu trong và ngoài nước liên quan đến tối ưu hóa chiến dịch quảng cáo trên mạng xã hội, đặc biệt tập trung vào lựa chọn KOL. Qua đó, luận văn đã xác định được những khoảng trống nghiên cứu, bao gồm việc thiếu tích hợp đồng thời các yếu tố chi phí, phạm vi tiếp cận, mức độ trùng lặp và thời gian chiến dịch vào mô hình tối ưu hóa. Các nghiên cứu hiện tại chưa giải quyết triệt để vấn đề trùng lặp khán giả, thiếu công cụ tự động hóa và ứng dụng Big Data trong tối ưu hóa lựa chọn KOL. Trên cơ sở đó, đề tài hướng đến phát triển một mô hình toán học và giải thuật hiệu quả, không chỉ góp phần bổ sung lý thuyết mà còn mang lại giá trị thực tiễn cao, hỗ trợ doanh nghiệp tối ưu hóa chiến dịch quảng cáo.
15 Chương 2: DỮ LIỆU MÔ PHỎNG Do giới hạn về thời gian và nguồn lực, nghiên cứu này sử dụng bộ dữ liệu mô phỏng được thiết kế dựa trên các giả định hợp lý và các tham số ước lượng từ thị trường Influencer Marketing tại Việt Nam. Chương này tập trung giới thiệu chi tiết về bộ dữ liệu mô phỏng, bao gồm cách thức xây dựng, các đặc tính nổi bật, và vai trò của dữ liệu trong việc kiểm chứng hiệu quả của thuật toán. Đồng thời, chương cũng thảo luận về tính đại diện, độ chính xác so với thực tế, và khả năng áp dụng của cấu trúc dữ liệu mô phỏng, nhằm làm rõ tính khả thi và giá trị học thuật của nghiên cứu. Các khái niệm cơ bản Trước khi đi vào chi tiết của bộ dữ liệu mô phỏng, cần làm rõ một số khái niệm cơ bản sau: 2.
Mạng xã hội và vai trò trong marketing: • Mạng xã hội: ○ Là nền tảng trực tuyến kết nối con người, nơi thông tin được chia sẻ và lan truyền nhanh chóng [15] [16]. ○ Các nền tảng phổ biến: Facebook, Instagram, TikTok, Twitter. • Marketing trên mạng xã hội: ○ Là việc sử dụng các nền tảng mạng xã hội để tiếp cận khách hàng, xây dựng thương hiệu, và tăng doanh số [16]. ○ Lợi ích: ▪ Phạm vi tiếp cận rộng: Các nền tảng mạng xã hội cho phép doanh nghiệp tiếp cận hàng triệu người dùng trong thời gian ngắn [17].
▪ Chi phí thấp hơn so với marketing truyền thống: Các chiến dịch quảng cáo trực tuyến thường tiết kiệm chi phí hơn đáng kể so với các phương thức truyền thống như TV hoặc báo in [17] [18]. 16 ▪ Dễ dàng đo lường hiệu quả: Các công cụ phân tích tích hợp giúp doanh nghiệp theo dõi và đánh giá hiệu quả chiến dịch theo thời gian thực [19]. Key Opinion Leaders (KOLs) KOLs là những người có sức ảnh hưởng lớn trên mạng xã hội, thường được doanh nghiệp thuê để truyền tải thông điệp đến khách hàng mục tiêu [3] [20]. Phân loại KOLs (Dựa theo báo cáo về Thị trường KOLs, Influencer Việt Nam 2020) [21]: • Mega-KOLs: Hơn 500.000 người theo dõi.000 người theo dõi.000 người theo dõi.000 người theo dõi.
Vai trò của KOLs trong chiến dịch quảng cáo: • Tăng độ tin cậy của thương hiệu: Mối quan hệ giữa KOL và người theo dõi giúp tăng sự tin tưởng vào thông điệp quảng cáo [3]. • Cải thiện mức độ tương tác (Engagement Rate): Các KOL thường có khả năng thúc đẩy tương tác tốt hơn nhờ sự gắn bó với cộng đồng của họ [22]. • Tăng phạm vi tiếp cận: Sự ảnh hưởng của KOLs giúp thương hiệu tiếp cận được nhóm khách hàng mục tiêu một cách hiệu quả hơn [20]. Các chỉ số quan trọng trong lựa chọn KOLs • Phạm vi tiếp cận (Reach): ○ Phạm vi tiếp cận là số lượng người dùng mà KOL có thể tiếp cận thông qua bài đăng hoặc nội dung quảng cáo.
Tuy nhiên, phạm vi tiếp cận cao không đồng nghĩa với mức độ ảnh hưởng lớn, bởi cần xem xét cả chất lượng và mức độ tương tác [2] [23]. • Tỉ lệ tương tác (Engagement Rate): 17 ○ Tỷ lệ tương tác đo lường mức độ phản hồi của người theo dõi đối với nội dung của KOL. Công thức tính như sau: 𝑇ổ𝑛𝑔 𝑙ượ𝑡 𝑡ươ𝑛𝑔 𝑡á𝑐 (𝑙𝑖𝑘𝑒, 𝑐𝑜𝑚𝑚𝑒𝑛𝑡, 𝑠ℎ𝑎𝑟𝑒) 𝐸𝑛𝑔𝑎𝑔𝑒𝑚𝑒𝑛𝑡 𝑅𝑎𝑡𝑒 = × 100 𝑇ổ𝑛𝑔 𝑠ố 𝑛𝑔ườ𝑖 𝑡ℎ𝑒𝑜 𝑑õ𝑖 ○ Tỷ lệ tương tác cao thường cho thấy KOL có ảnh hưởng mạnh mẽ đến cộng đồng người theo dõi [22] [23].
