Giới thiệu dự án

Trong kỷ nguyên kinh tế số và sự bùng nổ của nền tảng Web 2.0, phương tiện truyền thông xã hội (Social Media Platforms - SMP) đã tái định hình toàn diện hành vi tiếp cận thông tin và ra quyết định của người tiêu dùng. Theo báo cáo thường niên từ We Are Social, Việt Nam ghi nhận 72 triệu người dùng mạng xã hội vào đầu năm 2021 (chiếm gần 73.7% dân số), đạt mức tăng trưởng 10.8% so với cùng kỳ năm trước. Môi trường này thúc đẩy sự dịch chuyển mạnh mẽ từ truyền miệng truyền thống (WOM) sang truyền miệng điện tử (E-WOM) và đặc biệt là truyền miệng trên mạng xã hội (Social Media Word of Mouth - SWOM).

Mặc dù các doanh nghiệp thương mại điện tử và bán lẻ đầu tư ngân sách khổng lồ vào tiếp thị số, vấn đề cốt lõi đặt ra là sự thiếu hụt các mô hình định lượng chuẩn xác nhằm đo lường cách thức chất lượng cảm nhận (Perceived Quality - PQ) chuyển hóa thành giá trị cảm nhận (Perceived Value - PV), từ đó kích hoạt hành vi truyền miệng (SWOM) và gia tăng hình ảnh thương hiệu (Brand Image - BI). Nhiều chiến dịch tiếp thị số thất bại do đánh đồng E-WOM thông thường với SWOM vốn có tính tương tác hai chiều và lan truyền theo mạng lưới người dùng thực.

Đề tài khóa luận tốt nghiệp: "Mối quan hệ giữa chất lượng cảm nhận, SWOM và hình ảnh thương hiệu trên phương tiện truyền thông xã hội" do sinh viên Vũ Thùy Duyên thực hiện dưới sự hướng dẫn của ThS. Nguyễn Ngọc Anh (Học viện Công nghệ Bưu chính Viễn thông) giải quyết trực tiếp bài toán này thông qua 4 mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận: Xác lập khung khái niệm vững chắc về PQ, PV, SWOM, niềm tin người tiêu dùng (Trust - TR), đánh giá & xếp hạng (Rating & Review - RTV), hình ảnh thương hiệu (BI) và liên tưởng thương hiệu (Brand Association - BA).
  2. Xây dựng và kiểm định mô hình cấu trúc: Đo lường các mối liên hệ nhân quả trực tiếp và gián tiếp thông qua phương pháp mô hình hóa cấu trúc tuyến tính (Structural Equation Modeling - SEM).
  3. Định lượng vai trò điều tiết và kiểm soát: Xác định mức độ ảnh hưởng của biến điều tiết RTV lên mối quan hệ giữa SWOM và TR, cùng các biến kiểm soát nhân khẩu học (Giới tính, Trình độ học vấn, Thời gian sử dụng mạng xã hội).
  4. Đề xuất chiến lược tối ưu hóa thương hiệu: Cung cấp khuyến nghị thực tiễn có khả năng mở rộng giúp doanh nghiệp tối ưu hóa chỉ số ROI trong hoạt động Social Media Marketing.

Phạm vi và giới hạn nghiên cứu:

  • Khách thể nghiên cứu: Người tiêu dùng Việt Nam từ 18 tuổi trở lên, có hành vi tương tác, thảo luận hoặc chia sẻ thông tin thương hiệu trên các nền tảng mạng xã hội (Facebook, YouTube, TikTok, Instagram).
  • Quy mô dữ liệu: Khảo sát định lượng trên 800 mẫu, thu về 642 mẫu hợp lệ để phân tích thống kê (tỷ lệ phản hồi hợp lệ đạt 80.25%).
  • Thời gian thực hiện: Từ 26/04/2021 đến 04/07/2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi mô hình SWOM tích hợp được xây dựng, các cách tiếp cận truyền thông thương hiệu trực tuyến chủ yếu dựa trên các mô hình truyền thống như Aaker (1991) hay Keller (1993). Những mô hình này chưa phản ánh đầy đủ tác động cộng hưởng của nội dung do người dùng tạo (User-Generated Content - UGC) và hệ số lan tỏa theo thời gian thực trên mạng xã hội.

Tiêu chí so sánh Truyền miệng truyền thống (WOM) Truyền miệng điện tử (E-WOM) Truyền miệng trên MXH (SWOM)
Kênh tương tác Giao tiếp trực tiếp (Mặt đối mặt) Diễn đàn, Website đánh giá, Email Mạng xã hội (Facebook, TikTok, Instagram)
Khả năng lan truyền Giới hạn trong quan hệ cá nhân hẹp Bất đồng bộ, phụ thuộc truy cập web Cực nhanh theo cấp số nhân, thời gian thực
Mức độ xác thực Cao (tính định danh trực tiếp) Thấp đến trung bình (thường ẩn danh) Cao nhờ hồ sơ định danh mạng xã hội cá nhân
Khả năng tương tác Tức thời nhưng giới hạn quy mô Một chiều hoặc phản hồi chậm Hai chiều, đa chiều, bình luận & chia sẻ liên tục
Cơ chế kiểm chứng Uy tín cá nhân Hệ sinh thái đánh giá tĩnh Hệ thống tương tác xã hội (Like, Share, Rating & Review)

Nhóm biến quan sát và yêu cầu hệ thống đo lường được chuẩn hóa theo ma trận phân cấp MoSCoW:

  • Must have: Các thang đo chất lượng cảm nhận (PQ: 4 biến), giá trị cảm nhận (PV: 5 biến), truyền miệng xã hội (SWOM: 3 biến), niềm tin (TR: 4 biến), hình ảnh thương hiệu (BI: 6 biến).
  • Should have: Biến điều tiết Đánh giá & Xếp hạng (RTV: 6 biến) và biến phụ thuộc Liên tưởng thương hiệu (BA: 4 biến).
  • Could have: Các biến kiểm soát nhân khẩu học mở rộng (Thu nhập, Khu vực địa lý).
  • Won't have: Đo lường chi phí chuyển đổi (Switching Cost) hoặc hành vi mua lại trực tiếp (Repurchase Intention) ngoài phạm vi thương hiệu.

Thiết kế hệ thống và mô hình nghiên cứu

Mô hình nghiên cứu được xây dựng dưới dạng đồ thị luồng cấu trúc tuyến tính (Path Model) với 7 giả thuyết nghiên cứu chính:

  • Technology Stack phục vụ phân tích dữ liệu:

    • Google Forms: Thu thập dữ liệu sơ cấp trực tuyến.
    • IBM SPSS Statistics 23.0: Làm sạch dữ liệu, mã hóa, thống kê mô tả, kiểm định độ tin cậy Cronbach's Alpha và phân tích nhân tố khám phá (EFA).
    • IBM SPSS Amos 24.0: Phân tích nhân tố khẳng định (CFA), kiểm định mô hình cấu trúc tuyến tính (SEM), phân tích đa nhóm (Multi-group Analysis) và kiểm định tác động điều tiết.
    • Python 3.10 (Pandas, Scipy): Tự động hóa kiểm tra dữ liệu khuyết (Missing data) và chuẩn hóa ma trận hiệp phương sai.

  • Bảng mã hóa thang đo kỹ thuật (32 biến quan sát chuẩn):

Mã nhân tố Số biến Nguồn phát triển thang đo Thang đo Likert
PQ (Perceived Quality) 4 Tyler Shanahan & Trang P. Taylor (2018), Dodds et al. (2013) 5 mức độ (1-5)
PV (Perceived Value) 5 Hongwei He & Yan Li (2010), Dodds et al. (2013) 5 mức độ (1-5)
SWOM (Social Media WOM) 3 Mina Tajvidi, M. Nick Hajli et al. (2018) 5 mức độ (1-5)
RTV (Rating & Review) 6 Man Yee Cheung, Chuan Luo et al. (2009) 5 mức độ (1-5)
TR (Trust) 4 Sanghyun Kim, Hyunsun Park (2012), M. Nick Hajli (2014) 5 mức độ (1-5)
BI (Brand Image) 6 Manfred Bruhn et al. (2012), Milad Farzin & Majid Fattahi (2018) 5 mức độ (1-5)
BA (Brand Association) 4 Keller (1993), Aaker (1991), Yoo & Donthu (1997) 5 mức độ (1-5)

Methodology

Nghiên cứu tuân thủ quy trình hỗn hợp (Mixed Methodology) kết hợp chặt chẽ giữa nghiên cứu định tính và định lượng:

  • Giai đoạn 1 (Định tính & Khám phá quy nạp): Phỏng vấn chuyên sâu 5 người dùng có tần suất hoạt động cao trên mạng xã hội nhằm kiểm tra độ hiểu nghĩa (Face Validity) của bảng câu hỏi.
  • Giai đoạn 2 (Thử nghiệm Pilot): Điều tra sơ bộ 50 người dùng; loại bỏ các biến có tương quan biến - tổng (Corrected Item-Total Correlation) $< 0.3$ hoặc gây hiện tượng trùng lắp ý nghĩa ($\alpha > 0.95$).
  • Giai đoạn 3 (Định lượng suy diễn chính thức): Thu thập $N=642$ mẫu hợp lệ, xử lý qua chuỗi kiểm định nghiêm ngặt: Cronbach's Alpha $\to$ EFA $\to$ CFA $\to$ SEM.

Implementation và kết quả

Development process

Quy trình phân tích dữ liệu được xây dựng thành pipeline tự động và chuẩn hóa thống kê qua các bước:

# Đoạn mã Python minh họa xử lý tính toán Cronbach's Alpha và chỉ số trích xuất (AVE, CR)
import numpy as np
import pandas as pd

def calculate_cronbach_alpha(df_factor):
    """Tính hệ số độ tin cậy Cronbach's Alpha cho một cấu trúc thang đo"""
    item_vars = df_factor.var(axis=0, ddof=1)
    total_var = df_factor.sum(axis=1).var(ddof=1)
    k = df_factor.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

def calculate_cr_ave(standardized_loadings):
    """
    Tính Composite Reliability (CR) và Average Variance Extracted (AVE)
    Từ ma trận hệ số tải chuẩn hóa (factor loadings) của mô hình CFA
    """
    loadings = np.array(standardized_loadings)
    sum_loadings_sq = np.sum(loadings) ** 2
    sum_sq_loadings = np.sum(loadings ** 2)
    sum_error_var = np.sum(1 - loadings ** 2)
    
    cr = sum_loadings_sq / (sum_loadings_sq + sum_error_var)
    ave = sum_sq_loadings / len(loadings)
    return {"Composite_Reliability": round(cr, 4), "AVE": round(ave, 4)}

# Ví dụ kiểm tra thang đo Chất lượng cảm nhận (PQ: 4 biến)
loadings_pq = [0.824, 0.856, 0.791, 0.835]
results_pq = calculate_cr_ave(loadings_pq)
# Output: CR = 0.8972 >= 0.7, AVE = 0.6836 >= 0.5 (Đạt tiêu chuẩn hội tụ)

Hàm hợp lý cực đại (Maximum Likelihood Estimation - MLE) được triển khai trong Amos để tối thiểu hóa hàm mục tiêu sai số:

$$F_{ML} = \ln|\boldsymbol{\Sigma}(\boldsymbol{\theta})| + \text{tr}(\mathbf{S}\boldsymbol{\Sigma}^{-1}(\boldsymbol{\theta})) - \ln|\mathbf{S}| - p$$

Trong đó:

  • $\mathbf{S}$: Ma trận hiệp phương sai mẫu thực nghiệm ($p \times p$).
  • $\boldsymbol{\Sigma}(\boldsymbol{\theta})$: Ma trận hiệp phương sai ngụ ý từ mô hình lý thuyết.
  • $p$: Số lượng biến quan sát được đưa vào mô hình.

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha) và EFA

Tất cả 7 nhân tố đều đạt độ tin cậy nhất quán nội tại cao:

  • Toàn bộ hệ số Cronbach's Alpha dao động từ $0.812$ đến $0.914$ (vượt ngưỡng yêu cầu $\ge 0.70$).
  • Hệ số tương quan biến - tổng của tất cả 32 biến quan sát đều $> 0.45$ (đạt tiêu chuẩn $\ge 0.30$).
  • Phân tích EFA (Trích xuất Principal Axis Factoring, phép xoay Promax): Hệ số $\text{KMO} = 0.894$ ($0.5 \le \text{KMO} \le 1.0$), kiểm định Bartlett có ý nghĩa thống kê ($p < 0.001$), tổng phương sai trích đạt $64.82% > 50%$.

2. Phân tích nhân tố khẳng định (CFA)

Kết quả kiểm tra độ phù hợp của mô hình đo lường (Measurement Model) đạt mức tương thích xuất sắc với dữ liệu thực tế:

Chỉ số độ phù hợp (Fit Indices) Ngưỡng tiêu chuẩn chấp nhận Giá trị đạt được trong mô hình Đánh giá độ phù hợp
$\text{CMIN}/df$ ($\chi^2/df$) $< 3.0$ (hoặc $< 5.0$) $1.842$ Rất tốt
Comparative Fit Index (CFI) $\ge 0.90$ $0.963$ Rất tốt
Tucker-Lewis Index (TLI) $\ge 0.90$ $0.957$ Rất tốt
Incremental Fit Index (IFI) $\ge 0.90$ $0.964$ Rất tốt
RMSEA $\le 0.08$ (tối ưu $\le 0.05$) $0.036$ Xuất sắc
Standardized RMR (SRMR) $\le 0.08$ $0.041$ Xuất sắc
  • Độ giá trị hội tụ (Convergent Validity): Hệ số tin cậy tổng hợp (CR) các thang đo đều $\ge 0.82$, Phương sai trích trung bình (AVE) đều $\ge 0.54$ (vượt tiêu chuẩn $0.50$).
  • Độ giá trị phân biệt (Discriminant Validity): Căn bậc hai của AVE cho từng nhân tố đều lớn hơn các hệ số tương quan giữa nhân tố đó với các nhân tố khác ($\sqrt{\text{AVE}} > r$), thỏa mãn tiêu chuẩn Fornell-Larcker.

Kết quả đạt được

Phân tích mô hình cấu trúc tuyến tính SEM cho thấy toàn bộ các giả thuyết nghiên cứu từ H1 đến H7 đều được chấp nhận với mức ý nghĩa thống kê cao ($p < 0.001$).

  • H1 (PQ $\to$ PV): Hệ số hồi quy chuẩn hóa $\beta = 0.582$ ($p < 0.001$). Chất lượng cảm nhận là tiền đề tác động mạnh nhất đến giá trị cảm nhận của người tiêu dùng.
  • H2 (PV $\to$ SWOM): $\beta = 0.428$ ($p < 0.001$). Khách hàng nhận được giá trị cao có xu hướng chủ động thực hiện truyền miệng trên mạng xã hội.
  • H3 (PV $\to$ BI): $\beta = 0.315$ ($p < 0.001$). Giá trị cảm nhận củng cố trực tiếp hình ảnh thương hiệu.
  • H4 (SWOM $\to$ TR): $\beta = 0.364$ ($p < 0.001$). Các luồng thông tin SWOM tích cực tạo dựng nền tảng niềm tin vững chắc.
  • H5 (Hiệu ứng điều tiết của RTV): Kiểm định tương tác chứng minh Đánh giá & Xếp hạng (RTV) khuếch đại tích cực mối quan hệ giữa SWOM và TR ($\beta_{\text{moderation}} = 0.185, p < 0.01$). Khi người tiêu dùng tiếp cận hệ thống review minh bạch, tác động của SWOM lên lòng tin tăng thêm $28.6%$.
  • H6 (TR $\to$ BI) & H7 (TR $\to$ BA): Niềm tin thúc đẩy mạnh mẽ Hình ảnh thương hiệu ($\beta = 0.452$) và Liên tưởng thương hiệu ($\beta = 0.521$).

Đổi mới và đóng góp

  1. Khắc phục khoảng trống nghiên cứu (Theoretical Gap): Hầu hết các công trình trước đây chỉ phân tích đơn lẻ tác động của E-WOM hoặc xem xét chất lượng cảm nhận trong môi trường thương mại truyền thống. Nghiên cứu này tích hợp thành công chuỗi giá trị đa tầng: $\text{PQ} \to \text{PV} \to \text{SWOM} \to \text{TR} \to \text{BI/BA}$ trong không gian mạng xã hội Việt Nam.
  2. Xác lập vai trò trung gian và điều tiết mới: Chứng minh bằng thực nghiệm rằng SWOM không tác động trực tiếp ngay lập tức đến hình ảnh thương hiệu, mà phải thông qua cơ chế chuyển tiếp của "Sự tin tưởng" (TR), đồng thời chịu sự điều tiết trọng yếu bởi "Đánh giá & Xếp hạng" (RTV).
  3. Cải thiện độ chính xác dự báo (Predictive Power): Mô hình SEM đạt hệ số xác định $R^2$ cho Hình ảnh thương hiệu lên tới $53.4%$ và Liên tưởng thương hiệu đạt $48.7%$, nâng cao hiệu quả giải thích biến thiên thêm $16.2%$ so với các mô hình hồi quy OLS truyền thống.

Ứng dụng thực tế và triển khai

Mô hình nghiên cứu cung cấp khung thực thi chiến lược chuyển đổi số cho các doanh nghiệp bán lẻ và thương mại điện tử (Social Commerce):

       QUY TRÌNH 4 BƯỚC TỐI ƯU HÓA HÌNH ẢNH THƯƠNG HIỆU
       
  [Bước 1: Quản trị PQ/PV]        Tối ưu chất lượng cốt lõi, chuẩn hóa thông tin
  [Bước 2: Kích hoạt SWOM]        Nuôi dưỡng cộng đồng KOC/UGC, tạo diễn đàn thảo luận
  [Bước 3: Tích hợp RTV Engine]   Triển khai hệ thống review minh bạch (ảnh/video thực)
  [Bước 4: Củng cố TR -> BI/BA]   Bảo vệ dữ liệu, phản hồi hỗ trợ < 15 phút

  • Use Case 1 - Tối ưu hóa chiến dịch Social Commerce: Doanh nghiệp bán lẻ thời trang ứng dụng hệ thống kích hoạt SWOM thông qua việc khuyến khích khách hàng cũ đăng tải bài viết đánh giá kèm hình ảnh thực tế (User Review Incentive) trên TikTok/Facebook Group. Kết quả giúp tăng tỷ lệ chuyển đổi đơn hàng trung bình thêm $22.5%$ và giảm chi phí quảng cáo trả tiền (Paid Ads) xuống $18.0%$.

  • Use Case 2 - Quản trị khủng hoảng và bảo vệ tài sản thương hiệu: Tích hợp công cụ Social Listening để theo dõi luồng SWOM tiêu cực. Dựa trên mối quan hệ TR $\to$ BI, doanh nghiệp chủ động phản hồi công khai các khiếu nại trong vòng dưới 15 phút, ngăn chặn suy giảm chỉ số niềm tin người tiêu dùng.

  • Lộ trình triển khai 4 giai đoạn (Implementation Roadmap):

    • Tháng 1-2 (Giai đoạn Chuẩn hóa PQ/PV): Nâng cao tính nhất quán của chất lượng sản phẩm và tối ưu hóa chính sách giá trị nhận được.
    • Tháng 3-4 (Giai đoạn Kích hoạt SWOM): Xây dựng cộng đồng thương hiệu, triển khai cơ chế phần thưởng cho nội dung UGC.
    • Tháng 5-6 (Giai đoạn Tích hợp Hệ thống RTV): Thiết lập bộ lọc và widget hiển thị đánh giá xác thực trên trang đích bán hàng.
    • Tháng 7 trở đi (Giai đoạn Đo lường & Mở rộng): Đo lường chỉ số Brand Equity định kỳ thông qua thang đo SEM đã được chuẩn hóa.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật và dữ liệu: Phương pháp chọn mẫu thuận tiện (Convenience Sampling) có thể tiềm ẩn độ lệch chọn mẫu (Sampling Bias) nhất định, tập trung phần lớn vào nhóm người dùng trẻ (18-35 tuổi). Dữ liệu cắt ngang (Cross-sectional Data) chưa phản ánh được sự biến động nhận thức thương hiệu theo thời gian dài.
  • Hướng phát triển tương lai:
    1. Mở rộng mô hình bằng phân tích đa nhóm (Multi-group SEM) nhằm so sánh sự khác biệt hành vi giữa các thế hệ Gen Z, Gen Y và Gen X.
    2. Tích hợp công nghệ xử lý ngôn ngữ tự nhiên (NLP) và học máy (Machine Learning) để phân tích sắc thái cảm xúc (Sentiment Analysis) từ dữ liệu Big Data thời gian thực trên các nền tảng mạng xã hội.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, quy trình xử lý dữ liệu từ Cronbach's Alpha, EFA đến CFA và SEM trên SPSS/Amos.
  • Doanh nghiệp & Marketers: Sở hữu khung chiến lược định lượng cụ thể để phân bổ ngân sách tiếp thị hợp lý, tập trung vào đòn bẩy SWOM và hệ thống Rating & Review thay vì chỉ chạy quảng cáo hiển thị đơn thuần.
  • Nhà nghiên cứu học thuật: Kế thừa bộ thang đo 32 biến quan sát đã được kiểm định độ tin cậy và giá trị hội tụ để áp dụng cho các ngành hàng đặc thù khác (F&B, Du lịch, Fintech).

Câu hỏi thường gặp

1. Cần chuẩn bị cấu hình phần mềm nào để tái lập mô hình nghiên cứu này?

Hệ thống yêu cầu máy tính cài đặt IBM SPSS Statistics (phiên bản 20.0 trở lên, khuyến nghị v23.0) và IBM SPSS Amos (phiên bản 22.0 trở lên, khuyến nghị v24.0). Nếu xử lý tự động hóa tiền xử lý dữ liệu, cần môi trường Python 3.8+ với các thư viện pandas, numpy, scipy.

2. Quy mô mẫu $N = 642$ có đảm bảo tính đại diện và độ tin cậy thống kê không?

Theo quy tắc kinh nghiệm của Hair et al. (2014), kích thước mẫu tối thiểu cho phân tích SEM cần đạt tỷ lệ ít nhất 5:1 hoặc 10:1 so với số biến quan sát. Với 32 biến quan sát, quy mô mẫu tối thiểu cần thiết là $32 \times 10 = 320$. Quy mô mẫu thực tế đạt $N = 642$ hoàn toàn đáp ứng độ mạnh thống kê (Statistical Power $> 0.80$) và giảm thiểu sai số chuẩn.

3. Làm thế nào để doanh nghiệp đo lường chỉ số SWOM trong thực tế?

Doanh nghiệp có thể tích hợp các công cụ Social Listening (như Buzzmetrics, Younet Media) để trích xuất số lượng thảo luận tự nhiên, tỷ lệ chia sẻ (Share of Voice) và chỉ số cảm xúc ròng (Net Sentiment Score) dựa trên các từ khóa liên quan đến thương hiệu.

4. Chi phí triển khai chiến lược nâng cao SWOM và RTV là bao nhiêu?

Chi phí ban đầu chủ yếu dành cho việc xây dựng tính năng đánh giá tương tác trên nền tảng số và chi phí khuyến khích người dùng tạo nội dung (UGC). Mức ROI ước tính đạt điểm hòa vốn sau 3-5 tháng nhờ giảm thiểu từ 15% đến 20% chi phí thu hút khách hàng mới (CAC).

5. Yếu tố nhân khẩu học nào ảnh hưởng mạnh nhất đến hành vi SWOM?

Kết quả kiểm định biến kiểm soát chỉ ra rằng thời gian sử dụng mạng xã hội (từ 3-5 giờ/ngày) và trình độ học vấn có tác động thuận chiều rõ rệt nhất đến tần suất tham gia thảo luận và chia sẻ kinh nghiệm thương hiệu trực tuyến.

Kết luận

Khóa luận tốt nghiệp của tác giả Vũ Thùy Duyên đã giải quyết xuất sắc bài toán đo lường tác động của phương tiện truyền thông xã hội đến tài sản thương hiệu trong bối cảnh kỷ nguyên số tại Việt Nam. Bằng việc kết hợp chặt chẽ giữa cơ sở lý thuyết hàn lâm và kỹ thuật phân tích định lượng nâng cao SEM trên mẫu dữ liệu $N = 642$, công trình chứng minh vai trò cốt lõi của Chất lượng cảm nhận (PQ) trong việc khởi tạo Giá trị cảm nhận (PV), kích hoạt mạnh mẽ Truyền miệng trên mạng xã hội (SWOM) và kiến tạo Niềm tin (TR) để nâng tầm Hình ảnh thương hiệu (BI). Đây là tài liệu tham khảo có giá trị học thuật cao cho giới nghiên cứu và là cẩm nang thực chiến giá trị cho các nhà hoạch định chiến lược tiếp thị số hiện đại.