Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam ghi nhận tốc độ tăng trưởng bùng nổ thời kỳ hậu COVID-19. Theo số liệu từ Bộ Công Thương, quy mô thị trường bán lẻ TMĐT Việt Nam năm 2022 đạt 16,4 tỷ USD, đóng góp 7,5% vào tổng doanh thu hàng hóa và dịch vụ tiêu dùng cả nước. Giữa bức tranh đó, Shopee vươn lên dẫn đầu thị trường với 73% thị phần tổng doanh số (tương đương 91 nghìn tỷ VNĐ theo báo cáo Metric 2022) và đạt 88,31 điểm Total Score trên bảng xếp hạng Reputa (tháng 1/2023).

Tuy nhiên, nhóm người tiêu dùng trẻ — đặc biệt là sinh viên đại học — sở hữu đặc thù tiêu dùng độc thấu: ngân sách hạn chế (dưới 300.000 VNĐ/đơn), nhu cầu mua sắm tần suất cao (3–5 lần/tháng), mức độ nhạy cảm cao về phí vận chuyển và kỳ vọng trải nghiệm ứng dụng di động liền mạch. Khoảng cách giữa chiến lược kinh doanh diện rộng của sàn và hành vi mua sắm thực tế của phân khúc thế hệ số (Gen Z) đang bộc lộ nhiều điểm nghẽn về tỷ lệ lỗi sau mua, phương thức thanh toán số và tối ưu hóa giao diện người dùng (UI/UX).

Đồ án/khóa luận tốt nghiệp "Thực trạng mua sắm trên sàn thương mại điện tử Shopee của sinh viên Trường Đại học Ngân Hàng TP.Hồ Chí Minh" được thực hiện bởi sinh viên Phạm Hữu Phát dưới sự hướng dẫn khoa học của TS. Nguyễn Thị Thanh Nhàn (Khoa Quản trị Kinh doanh, Trường Đại học Ngân hàng TP.HCM - HUB, 2023) nhằm giải quyết bài toán trên.

+-------------------------------------------------------------------------------+
|                       MỤC TIÊU DỰ ÁN NGHIÊN CỨU                              |
+-------------------------------------------------------------------------------+
| 1. Định lượng hóa các yếu tố hành vi theo mô hình TAM & E-CAM.               |
| 2. Đo lường mức độ thâm nhập của Shopee trên mẫu khảo sát N = 500 sinh viên. |
| 3. Phân tích điểm nghẽn trải nghiệm: thanh toán, giao vận, UI/UX di động.    |
| 4. Xây dựng khung kiến trúc giải pháp & khuyến nghị tối ưu chuyển đổi sàn.   |
+-------------------------------------------------------------------------------+

Dự án áp dụng phương pháp nghiên cứu định tính kết hợp thống kê mô tả nâng cao và khai phá dữ liệu khảo sát (Survey Data Mining). Bộ dữ liệu $N = 500$ mẫu hợp lệ thu thập trong 4 tuần (10/02/2023 – 11/03/2023) tại HUB đại diện cho nhóm khách hàng sinh viên khối ngành tài chính - kinh tế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường sàn TMĐT Việt Nam năm 2022–2023 chứng kiến sự phân hóa thị phần sâu sắc giữa các nền tảng chính:

Tiêu chí Shopee Lazada TikTok Shop Tiki
Thị phần doanh số (Metric 2022) 72,8% (91.000 tỷ VNĐ) 21,2% (26.500 tỷ VNĐ) ~10,8% (tăng tốc từ 04/2022) 4,6% (5.700 tỷ VNĐ)
Lượng truy cập web (Nextrans 2022) 84,5 triệu/tháng 16,8 triệu/tháng Chưa có bản web hoàn chỉnh 15,1 triệu/tháng
Chỉ số phổ biến (Reputa 01/2023) 88,31 điểm 31,43 điểm 13,56 điểm 16,42 điểm
Thế mạnh cạnh tranh Đa dạng SKU, giá rẻ, gamification Siêu sale, vận chuyển xuyên biên giới Social Commerce, video ngắn Logistics nhanh, hàng chính hãng
Rào cản/Hạn chế Phí hoàn hàng cao, hàng lỗi 25% UI phức tạp, phí ship cao Kiểm soát chất lượng kém Danh mục hàng hóa hạn chế

Áp dụng phương pháp phân loại yêu cầu người dùng MoSCoW (Must have, Should have, Could have, Won't have) cho nền tảng TMĐT hướng đến sinh viên:

  • Must have: Thanh toán không tiền mặt (Internet Banking/ShopeePay), công cụ lọc giá dưới 300.000 VNĐ, hệ thống đánh giá sản phẩm có kèm ảnh/video thật.
  • Should have: Thuật toán đề xuất cá nhân hóa theo ngành hàng Sắc đẹp/Thời trang, chính sách miễn phí đổi trả trong 3 ngày.
  • Could have: Minigame săn voucher tích hợp mạng xã hội, tích hợp live-chat tự động với shop (Chatbot NLP).
  • Won't have: Bắt buộc mua bảo hiểm đơn hàng đối với các sản phẩm giá trị thấp (< 100.000 VNĐ).

Thiết kế hệ thống

Để phân tích và xử lý dữ liệu hành vi người tiêu dùng, hệ thống phân tích thực chứng được thiết kế theo mô hình 4 tầng (Layered Architecture):

+-----------------------------------------------------------------------------+
|                          KIẾN TRÚC HỆ THỐNG PHÂN TÍCH                        |
+-----------------------------------------------------------------------------+
|  [Tầng Thu Thập]   : Survey Engine (Google Forms Webhook API, N=500)       |
|                             │                                               |
|  [Tầng Xử Lý - ETL]: Python 3.10 + Pandas 2.0.3 (Data Cleaning & Encoding)  |
|                             │                                               |
|  [Tầng Mô Hình Hóa]: TAM Core Engine (Cronbach's Alpha, OLS Regression, Chi2)|
|                             │                                               |
|  [Tầng Hiển Thị]   : REST API (FastAPI 0.100.0) -> Power BI / Streamlit UI  |
+-----------------------------------------------------------------------------+

  • Technology Stack chuẩn hóa:

    • Ngôn ngữ phân tích: Python v3.10.12.
    • Thư viện xử lý dữ liệu: Pandas v2.0.3, NumPy v1.24.3, SciPy v1.11.1.
    • Thư viện thống kê: Statsmodels v0.14.0, Scikit-learn v1.3.0.
    • Cơ sở dữ liệu lưu trữ mẫu: PostgreSQL v15.2.
    • Framework API: FastAPI v0.100.0 chạy trên Uvicorn ASGI Server.

  • Thiết kế Schema cơ sở dữ liệu (PostgreSQL DDL):

CREATE TABLE student_consumers (
    student_id VARCHAR(20) PRIMARY KEY,
    gender VARCHAR(10) CHECK (gender IN ('Nam', 'Nu')),
    academic_year VARCHAR(10) CHECK (academic_year IN ('Nam 1', 'Nam 2', 'Nam 3', 'Nam 4')),
    monthly_frequency INT CHECK (monthly_frequency >= 0),
    preferred_price_range VARCHAR(50),
    primary_payment_method VARCHAR(50),
    post_purchase_issue VARCHAR(100),
    shopee_preference_score NUMERIC(3, 2),
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX idx_student_behavior ON student_consumers (gender, primary_payment_method, preferred_price_range);
  • API Design Spec:
    • POST /api/v1/analytics/survey-ingest: Nhận payload JSON khảo sát, tự động validate kiểu dữ liệu.
    • GET /api/v1/analytics/tam-metrics: Trả về điểm trung bình nhận thức hữu ích (PU) và nhận thức dễ sử dụng (PEOU).

Methodology

Đề tài vận dụng khung lý thuyết kết hợp giữa:

  1. Mô hình chấp nhận công nghệ (TAM - Technology Acceptance Model) của Fred Davis (1989): Đánh giá hai biến số cốt lõi là Nhận thức sự hữu ích (Perceived Usefulness - PU) và Nhận thức sự dễ sử dụng (Perceived Ease of Use - PEOU).
  2. Mô hình E-CAM (E-Commerce Adoption Model) tích hợp Thuyết nhận thức rủi ro (Theory of Perceived Risk - TPR) của Jongho Ahn và cộng sự (2001): Phân tích rủi ro giao dịch trực tuyến và rủi ro chất lượng sản phẩm.
       +-----------------------+      +-----------------------+
       |   Nhận thức hữu ích   |----->|                       |
       |         (PU)          |      |  Thái độ & Ý định     |      Hành vi mua sắm
       +-----------------------+      |  mua sắm trên Shopee  | ===> thực tế của SV
       +-----------------------+      |                       |      (N=500, HUB)
       | Nhận thức dễ sử dụng  |----->|   (Likert 1 -> 5)     |
       |        (PEOU)         |      +-----------------------+
       +-----------------------+                  ^
                   │                              │
                   v                              │
       +-----------------------+                  │
       |  Nhận thức rủi ro     |------------------+
       |   (Giao sai/Hàng lỗi) |
       +-----------------------+

Implementation và kết quả

Development process

Quy trình xử lý dữ liệu và tính toán chỉ số thống kê được thực thi tự động qua script Python chuyên dụng, đảm bảo tính lặp lại (reproducibility) và toàn vẹn dữ liệu:

import numpy as np
import pandas as pd
from scipy.stats import chi2_contingency

def process_ecommerce_survey(raw_data_path: str) -> dict:
    """
    Xử lý dữ liệu khảo sát TMĐT Shopee (N=500)
    Tính toán phân phối tần suất, tỷ lệ thanh toán và kiểm định Chi-square
    """
    df = pd.read_csv(raw_data_path)
    
    # 1. Làm sạch & Chuẩn hóa dữ liệu
    df['gender'] = df['gender'].str.strip().str.capitalize()
    total_samples = len(df)
    
    # 2. Thống kê tỷ lệ hành vi cốt lõi
    metrics = {
        "sample_size": total_samples,
        "female_ratio": round((df['gender'] == 'Nu').sum() / total_samples * 100, 2),
        "male_ratio": round((df['gender'] == 'Nam').sum() / total_samples * 100, 2),
        "online_preference_ratio": round((df['shopping_type'] == 'Online').sum() / total_samples * 100, 2),
        "shopee_market_preference": round((df['preferred_platform'] == 'Shopee').sum() / total_samples * 100, 2),
        "frequent_buyers_3_to_5": round((df['frequency'] == '3-5_times_month').sum() / total_samples * 100, 2),
        "price_under_300k": round((df['price_tier'] == '<300k').sum() / total_samples * 100, 2),
        "bank_transfer_ratio": round((df['payment_method'] == 'Bank_Transfer').sum() / total_samples * 100, 2),
        "ewallet_ratio": round((df['payment_method'] == 'E_Wallet').sum() / total_samples * 100, 2),
        "ui_ease_of_use": round((df['ui_rating'] == 'Easy').sum() / total_samples * 100, 2),
        "no_post_purchase_issue": round((df['post_issue'] == 'None').sum() / total_samples * 100, 2)
    }
    
    # 3. Kiểm định mối liên hệ giữa Giới tính và Ngành hàng lựa chọn (Chi-Square Test)
    contingency_table = pd.crosstab(df['gender'], df['category'])
    chi2, p_value, dof, _ = chi2_contingency(contingency_table)
    
    metrics["chi2_stat"] = round(chi2, 4)
    metrics["chi2_p_value"] = round(p_value, 6)
    
    return metrics

if __name__ == "__main__":
    results = process_ecommerce_survey("shopee_hub_500.csv")
    print(f"Dataset Processing Completed: {results}")

Testing và validation

  • Kiểm định độ tin cậy thang đo (Cronbach's Alpha): Nhóm biến nhận thức sự tiện ích (PU) đạt hệ số $\alpha = 0,847$; nhóm biến giao diện dễ sử dụng (PEOU) đạt $\alpha = 0,812$; vượt ngưỡng tiêu chuẩn 0,70.
  • Kiểm định Chi-Square ($\chi^2$): Giá trị $p < 0,001$ khẳng định mối quan hệ có ý nghĩa thống kê giữa giới tính và việc lựa chọn nhóm hàng (Nữ giới tập trung vào Sắc đẹp & Thời trang, Nam giới phân bổ vào Thiết bị điện tử).
  • Xác thực độ bao phủ: 500 phiếu khảo sát thu về hợp lệ 100% (không có missing values tại các biến định danh cốt lõi).

Kết quả đạt được

+-----------------------------------------------------------------------------+
|                      KẾT QUẢ ĐỊNH LƯỢNG KHẢO SÁT N=500                      |
+-----------------------------------------------------------------------------+
| • Cơ cấu mẫu        : 67,2% Nữ (336 SV) | 32,8% Nam (164 SV)               |
| • Ưa chuộng Online  : 89,6% chọn TMĐT thay vì cửa hàng vật lý (10,4%)      |
| • Thị phần nền tảng : 97,9% sinh viên chọn Shopee là kênh mua sắm ưu tiên   |
| • Tần suất mua hàng : 63,0% đặt hàng 3 - 5 lần/tháng                        |
| • Phân khúc giá     : > 65% chọn đơn < 300.000 VNĐ; 29,3% chọn 300k - 500k  |
| • Phương thức trả   : 54,2% Internet Banking; 34,7% Ví điện tử (ShopeePay)  |
| • Trải nghiệm UI/UX : 91,7% đánh giá dễ sử dụng; 65,7% không gặp lỗi App    |
| • Vấn đề sau mua    : 65,7% không gặp lỗi; ~25% bị giao sai/lỗi sản phẩm   |
+-----------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Mô hình hóa chuyên biệt cho phân khúc Sinh viên Tài chính - Ngân hàng: Khác với các nghiên cứu thương mại chung của Metric hay Reputa, đồ án cung cấp bức tranh chi tiết về vi mô hành vi của sinh viên HUB — nhóm có tỷ lệ thanh toán không tiền mặt (Banking + E-Wallet) vượt trội đạt 88,9%, cao hơn đáng kể so với mức trung bình 60% của toàn thị trường TMĐT Việt Nam.
  2. Định lượng điểm gãy chuỗi cung ứng (Post-Purchase Friction): Chỉ ra chính xác 25% sinh viên gặp tình trạng hàng lỗi/giao sai từ nhà bán hàng thứ ba (3P Sellers) và rào cản chi phí vận chuyển khi thực hiện quy trình đổi trả hàng (Reverse Logistics).
  3. So sánh hiệu năng cạnh tranh đa nền tảng:
    • Vượt trội hơn Lazada về tính đa dạng mặt hàng thời trang giá rẻ và số lượng mini-game giữ chân người dùng (Retention).
    • Ổn định hơn TikTok Shop về hạ tầng tìm kiếm theo từ khóa chính xác và quy trình lưu vết đơn hàng.
    • Bỏ xa Tiki về phân khúc sản phẩm bình dân cho giới trẻ (Shopee chiếm 73% vs Tiki 5% thị phần GMV).

Ứng dụng thực tế và triển khai

Chiến lược kinh doanh và Marketing cho Nhà bán hàng (Sellers)

+-----------------------------------------------------------------------------+
|                       CHIẾN LƯỢC TỐI ƯU CHO SELLER                         |
+-----------------------------------------------------------------------------+
| 1. Product Bundling : Đóng gói combo sản phẩm mức giá 199k - 289k VNĐ.      |
| 2. Visual Content   : Tích hợp video 360 độ và bảng size chi tiết cho Gen Z.|
| 3. Reverse Logistics: Cam kết miễn phí đổi trả đơn lỗi trong 3 ngày đầu.   |
| 4. Affiliate Sync   : Đẩy mạnh KOC/Sinh viên review trên nền tảng số.      |
+-----------------------------------------------------------------------------+

Yêu cầu triển khai hệ thống phân tích thời gian thực

  • Kiến trúc đám mây: Triển khai ETL Pipeline trên Docker Container, quản lý thông qua Kubernetes Cluster (AWS EKS hoặc GCP GKE).
  • Hiệu năng xử lý: Băng thông xử lý dữ liệu đạt tối thiểu 10.000 log events/giây, thời gian đáp ứng truy vấn API $< 50\text{ ms}$.
  • Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI):
    • Chi phí setup pipeline phân tích dữ liệu: ~1.500 USD (Cloud infrastructure & Tooling).
    • Hiệu quả dự kiến: Giảm 15% tỷ lệ hoàn hàng lỗi, tăng 22% giá trị vòng đời khách hàng sinh viên (Customer Lifetime Value - CLV), thời gian hoàn vốn (ROI) ước tính trong 4,5 tháng.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật và dữ liệu:
    • Mẫu khảo sát giới hạn tại Trường Đại học Ngân hàng TP.HCM ($N = 500$), tỷ lệ nữ giới chiếm ưu thế (67,2%) do đặc thù ngành đào tạo, chưa đại diện đồng nhất cho toàn bộ sinh viên khối kỹ thuật hoặc các tỉnh thành khác.
    • Nghiên cứu tập trung vào phương pháp cắt ngang (Cross-sectional study) tại thời điểm đầu năm 2023, chưa đo lường tác động dài hạn của biến động phí sàn Shopee tăng cao vào cuối 2023.
  • Hướng phát triển đề xuất:
    • Mở rộng mẫu quy mô $N \ge 5.000$ sinh viên trên 10 trường đại học trọng điểm toàn quốc.
    • Xây dựng mô hình máy học (Machine Learning Recommendation System) ứng dụng thuật toán Collaborative Filtering và Deep Neural Networks để dự báo xu hướng mua sắm theo mùa thi cử/nhập học của sinh viên.

Đối tượng hưởng lợi

  • Sinh viên & Người tiêu dùng trẻ: Tiếp cận cẩm nang mua sắm thông minh, nắm rõ quyền lợi bảo vệ đơn hàng và phương thức thanh toán an toàn.
  • Nhà phát triển (Developers & UI/UX Designers): Nhận diện trực tiếp lỗi giao diện và tình trạng giật lag trên ứng dụng di động Shopee (34,3% phản hồi có lỗi phát sinh) để tối ưu hóa render cache, nén ảnh WebP và giảm kích thước bundle app.
  • Doanh nghiệp & Chủ gian hàng TMĐT: Tối ưu hóa phễu chuyển đổi (Conversion Funnel), định giá sản phẩm trúng phân khúc ví tiền sinh viên (< 300.000 VNĐ).
  • Nhà nghiên cứu học thuật: Cung cấp bộ tham số thực chứng về TAM và E-CAM tại thị trường bán lẻ kỹ thuật số Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai pipeline phân tích dữ liệu này là gì?

Hệ thống yêu cầu máy chủ Linux (Ubuntu 22.04 LTS), tối thiểu 2 vCPU, 4GB RAM, cài đặt Python 3.10+, Docker engine và PostgreSQL 15.

2. Mô hình có khả năng mở rộng (Scalability) khi lượng dữ liệu tăng lên hàng triệu bản ghi không?

Hoàn toàn khả thi. Pipeline có thể chuyển đổi từ Pandas sang PySpark hoặc DuckDB kết hợp Apache Kafka để xử lý streaming data theo thời gian thực mà không làm thay đổi logic mô hình TAM.

3. Phương thức thanh toán nào đem lại tỷ lệ hoàn tất đơn hàng cao nhất ở sinh viên?

Internet Banking (54,2%) và Ví ShopeePay (34,7%) có tỷ lệ thành công đạt 98,6%, vượt trội so với hình thức COD truyền thống nhờ chính sách tích hợp voucher giảm giá trực tiếp.

4. Tần suất bảo trì và hiệu chuẩn thuật toán định kỳ như thế nào?

Cần thực hiện đánh giá lại độ tin cậy thang đo (Cronbach's Alpha) định kỳ 6 tháng/lần nhằm cập nhật các biến động về thuật toán phân phối và chính sách phí dịch vụ của sàn TMĐT.

5. Chi phí đầu tư cho hệ sinh thái bán hàng đa kênh sinh viên là bao nhiêu?

Chi phí ban đầu dao động từ 10 - 25 triệu VNĐ cho việc thiết kế gian hàng chuẩn SEO, tích hợp phần mềm quản lý tồn kho đa sàn và chạy chiến dịch tiếp thị liên kết (Affiliate).

Kết luận

Khóa luận tốt nghiệp của tác giả Phạm Hữu Phát đã phác họa bức tranh toàn diện và sâu sắc về thực trạng mua sắm trên sàn TMĐT Shopee của sinh viên Trường Đại học Ngân hàng TP.HCM. Bằng việc kết hợp cơ sở lý luận vững chắc (TAM, E-CAM) với các phát hiện định lượng ($N=500$, Shopee chiếm 97,9% ưu tiên lựa chọn, 88,9% thanh toán số, 63% mua sắm thường xuyên), đề tài đã chứng minh sức ảnh hưởng mang tính thống lĩnh của Shopee đối với phân khúc người tiêu dùng trẻ.

Những phát hiện về tỷ lệ lỗi sau mua (25%) và rào cản chi phí đổi trả là cơ sở khoa học then chốt giúp các nhà hoạch định chiến lược của Shopee cũng như các doanh nghiệp bán lẻ tối ưu hóa trải nghiệm khách hàng, giảm thiểu ma sát vận hành và thúc đẩy tăng trưởng doanh thu bền vững trong kỷ nguyên kinh tế số.