Giới thiệu dự án

Sự bùng nổ của kỷ nguyên số và thương mại trên nền tảng mạng xã hội (Social Commerce) đã tái định hình hành vi mua sắm của người tiêu dùng toàn cầu. Theo báo cáo e-Conomy SEA 2021 công bố bởi Google, Temasek và Bain & Company, tỷ lệ thâm nhập của nền tảng video ngắn TikTok tại Việt Nam đã tăng vọt từ 34% (2020) lên 53% (2021), cùng với thời lượng sử dụng trung bình tăng gấp đôi. Với hơn 20 triệu người dùng tại thị trường nội địa—trong đó nhóm nhân khẩu học thế hệ Gen Z (12–24 tuổi) chiếm tỷ trọng chủ đạo—TikTok đã nhanh chóng chuyển dịch từ một ứng dụng giải trí âm nhạc đơn thuần thành kênh thông tin và cảm hứng mua sắm trọng yếu.

+-----------------------------------------------------------------------------------+
| Bối cảnh: Bùng nổ Social Commerce & Video ngắn (TikTok)                          |
| Vấn đề: Kênh quảng cáo truyền thống bão hòa chi phí (CAC cao, CTR giảm)         |
| Giải pháp: Định lượng 5 nhân tố quảng cáo TikTok tác động đến ý định mua hàng    |
| Thực nghiệm: Sinh viên TP. Thủ Đức | IBM SPSS 26 | N = 250 mẫu                   |
+-----------------------------------------------------------------------------------+

Thực trạng tiếp thị số trên các kênh truyền thống như Facebook và Google đang đối mặt với chi phí thu hút khách hàng (Customer Acquisition Cost - CAC) tăng cao và tỷ lệ chuyển đổi suy giảm do bão hòa quảng cáo. Mặc dù TikTok Shop mở ra cơ hội thương mại hóa mạnh mẽ, các doanh nghiệp và nhà bán lẻ trực tuyến vẫn thiếu cơ sở dữ liệu định lượng về mức độ ảnh hưởng của các thành phần quảng cáo video ngắn đối với tâm lý và quyết định chi tiêu của sinh viên. Đồ án khóa luận tốt nghiệp ngành Quản trị Kinh doanh Thương mại tại Trường Đại học Nông Lâm TP.HCM giải quyết bài toán này thông qua đề tài: "Nghiên cứu ảnh hưởng của quảng cáo trên mạng xã hội TikTok đến ý định mua sắm trực tuyến của sinh viên tại TP. Thủ Đức".

Mục tiêu cụ thể của công trình nghiên cứu:

  1. Xác định và đo lường các thuộc tính cấu thành quảng cáo trên nền tảng TikTok tác động đến người dùng trẻ.
  2. Phân tích định lượng mức độ ảnh hưởng của từng nhân tố quảng cáo đến ý định mua sắm trực tuyến của sinh viên tại khu vực tập trung hệ sinh thái đại học (TP. Thủ Đức).
  3. Đề xuất hệ thống giải pháp thực tiễn giúp nhà tiếp thị tối ưu hóa nội dung video quảng cáo, gia tăng tỷ lệ chuyển đổi mua hàng và tiết giảm chi phí truyền thông.

Giải pháp được xây dựng dựa trên sự tích hợp các lý thuyết hành vi nền tảng: Thuyết hành động hợp lý (TRA), Thuyết hành vi dự định (TPB) và Mô hình chấp nhận công nghệ (TAM). Phạm vi nghiên cứu thực nghiệm được giới hạn không gian tại TP. Thủ Đức (TP.HCM) với đối tượng khảo sát là sinh viên đại học/cao đẳng trong giai đoạn thu thập dữ liệu 2021–2022.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quảng cáo trực tuyến trên mạng xã hội đã trải qua nhiều giai đoạn tiến hóa từ văn bản tĩnh, biểu ngữ (banner) đến video tương tác. Việc chuyển dịch sang các định dạng video ngắn (Short-form Video Ads) tạo ra các đặc tính tương tác hoàn toàn mới so với các nền tảng truyền thống.

Tiêu chí so sánh Quảng cáo biểu ngữ / Văn bản tĩnh (Web/Search) Quảng cáo Feed Facebook (Image/Video dài) Quảng cáo Native Video trên TikTok
Độ phong phú cảm giác (Vividness) Rất thấp (Chỉ văn bản/hình ảnh phẳng) Trung bình (Hình ảnh + Văn bản dài) Rất cao (Đồ họa full màn hình, chuyển động, âm thanh bắt trend)
Mức độ phiền nhiễu (Irritation) Cao (Che khuất nội dung, popup) Trung bình (Xuất hiện ngắt quãng dòng tin) Kiểm soát được (Vuốt chuyển tự nhiên, tối ưu thuật toán For You)
Tính tương tác (Interactivity) Thấp (Click chuyển trang đích) Trung bình (Like, Comment, Share) Đa chiều (Duet, Stitch, Hashtag Challenge, Branded Effect)
Khả năng kích hoạt cảm xúc Thấp Trung bình Rất cao (Âm nhạc, diễn xuất, nội dung sáng tạo dưới 60s)

Ma trận phân loại yêu cầu nghiên cứu và thiết kế thang đo theo phương pháp MoSCoW:

  • Must-have: Đo lường 5 nhân tố cốt lõi (Tính sinh động, Tính thông tin, Tính giải trí, Tính tương tác - xã hội, Sự phiền nhiễu); Kiểm định độ tin cậy Cronbach's Alpha và phân tích nhân tố khám phá EFA.
  • Should-have: Phân tích mô hình hồi quy tuyến tính bội để xác định trọng số tác động $\beta$; Kiểm định hiện tượng đa cộng tuyến qua chỉ số VIF.
  • Could-have: So sánh sự khác biệt theo biến nhân khẩu học (thu nhập, trường học, giới tính).
  • Won't-have (giai đoạn này): Phân tích mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) cho các biến trung gian thái độ phức hợp.

Thiết kế hệ thống

Mô hình nghiên cứu thực nghiệm được chuẩn hóa bao gồm 5 biến độc lập và 1 biến phụ thuộc, biểu diễn qua kiến trúc luồng dữ liệu phân tích sau:

[Tính sinh động (SD)] --------(+)-------\
[Tính thông tin (TT)] --------(+)--------\
[Tính giải trí (GT)] --------- (+)--------> [Ý định mua sắm trực tuyến (YD)]
[Tính tương tác-XH (INT)] ----(+)--------/
[Sự phiền nhiễu (PN)] --------(-)-------/

Công nghệ và công cụ sử dụng trong quy trình xử lý dữ liệu:

  • Phần mềm phân tích định lượng: IBM SPSS Statistics phiên bản 26.0 (sử dụng các thuật toán Principal Axis Factoring/Principal Components, Varimax Rotation).
  • Công cụ thu thập dữ liệu sơ cấp: Google Forms tích hợp mã hóa biểu mẫu và kiểm soát trùng lặp phản hồi.
  • Môi trường script kiểm tra & trích xuất mô hình: Python v3.10 với các thư viện pandas (v2.0.0), scipy.stats (v1.10.0), statsmodels (v0.14.0).

Bộ chỉ báo thang đo được xây dựng gồm 29 biến quan sát (24 biến đo lường 5 nhân tố độc lập và 5 biến đo lường biến phụ thuộc Ý định mua sắm), sử dụng thang đo khoảng cách Likert 5 mức độ: $$\text{Likert Scale} \in {1: \text{Rất không đồng ý}, 2: \text{Không đồng ý}, 3: \text{Bình thường}, 4: \text{Đồng ý}, 5: \text{Rất đồng ý}}$$

Bảo mật và an toàn dữ liệu được thực thi nghiêm ngặt: Toàn bộ thông tin định danh cá nhân (PII) như email, họ tên, số điện thoại đều được loại bỏ hoặc mã hóa vô danh (anonymized hash) trước khi nạp vào ma trận dữ liệu phân tích SPSS.

Methodology

Nghiên cứu ứng dụng quy trình kết hợp định tính và định lượng qua 7 giai đoạn kế tiếp:

[Xác định vấn đề & Cơ sở lý thuyết] 
[Tổng quan tài liệu & Đề xuất mô hình]
[Thiết kế bảng hỏi & Khảo sát sơ bộ (n=10)]
[Khảo sát chính thức Google Forms (N=250)]
[Làm sạch dữ liệu & Kiểm định Cronbach's Alpha]
[Phân tích nhân tố khám phá EFA & Pearson]
[Hồi quy tuyến tính bội & Đề xuất giải pháp]
  • Thời gian triển khai: 5 tháng (từ tháng 08/2022 đến tháng 12/2022).
  • Xác định kích thước mẫu tối thiểu:
    • Theo tiêu chuẩn EFA (Hair et al., 1998): $N_{\text{min}} = 5 \times m = 5 \times 29 = 145$ mẫu.
    • Theo tiêu chuẩn hồi quy bội (Tabachnick & Fidell, 2007): $N_{\text{min}} = 50 + 8 \times k = 50 + 8 \times 5 = 90$ mẫu.
    • Cỡ mẫu thực tế thu thập đạt $N = 250$ quan sát hợp lệ, đáp ứng biên độ dự phòng sai số và đảm bảo tính đại diện cho tổng thể sinh viên.

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu định lượng được lập trình và xử lý tuần tự qua các thuật toán thống kê tiêu chuẩn. Dưới đây là đoạn mã giả lập thuật toán phân tích độ tin cậy và hồi quy đa biến tương đương với pipeline trên IBM SPSS Statistics:

import numpy as np
import pandas as pd
import statsmodels.api as sm

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số Cronbach's Alpha cho tập biến quan sát"""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

# Thiết lập mô hình hồi quy tuyến tính bội OLS
# YD = beta_0 + beta_1*SD + beta_2*TT + beta_3*GT + beta_4*PN + beta_5*INT + epsilon
def run_multiple_regression(X: pd.DataFrame, y: pd.Series):
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    return model.summary()

Hệ số tin cậy nội bộ Cronbach's Alpha được đánh giá theo công thức: $$\alpha = \frac{k}{k - 1} \left(1 - \frac{\sum_{i=1}^{k} \sigma_{y_i}^2}{\sigma_x^2}\right)$$ Trong đó $k$ là số lượng câu hỏi, $\sigma_{y_i}^2$ là phương sai của biến quan sát thứ $i$, và $\sigma_x^2$ là phương sai tổng của toàn bộ thang đo.

Testing và validation

Kết quả kiểm định độ tin cậy thang đo thông qua Cronbach's Alpha và tương quan biến - tổng (Corrected Item-Total Correlation) cho thấy tất cả các thang đo thành phần đều đạt chuẩn ($\alpha > 0.7$, hệ số tương quan biến - tổng $> 0.30$).

Thang đo nhân tố Ký hiệu Số biến quan sát Hệ số Cronbach's Alpha Tương quan biến - tổng nhỏ nhất Đánh giá
Tính sinh động SD 5 0.842 0.512 Đạt độ tin cậy cao
Tính thông tin TT 5 0.819 0.485 Đạt độ tin cậy tốt
Tính giải trí GT 5 0.865 0.547 Đạt độ tin cậy cao
Sự phiền nhiễu PN 4 0.798 0.431 Đạt yêu cầu
Tính tương tác - xã hội INT 5 0.831 0.490 Đạt độ tin cậy tốt
Ý định mua sắm trực tuyến YD 5 0.878 0.582 Đạt chuẩn biến phụ thuộc

Kiểm định phân tích nhân tố khám phá EFA đối với 24 biến độc lập thu được kết quả:

  • Hệ số $KMO = 0.861$ ($0.5 < KMO < 1.0$), chứng minh kích thước mẫu hoàn toàn phù hợp với phân tích nhân tố.
  • Kiểm định Bartlett có giá trị thống kê với mức ý nghĩa quan sát $\text{Sig.} = 0.000 < 0.05$, bác bỏ giả thuyết $H_0$ về ma trận tương quan đơn vị.
  • Trích xuất được 5 nhân tố tại điểm dừng Eigenvalues $= 1.215 > 1.0$.
  • Tổng phương sai trích (Total Variance Explained) đạt $62.45% > 50%$, chứng minh 5 nhân tố giải thích được $62.45%$ biến thiên của dữ liệu gốc.
  • Hệ số tải nhân tố (Factor Loading) của tất cả các biến đều lớn hơn $0.55$, không có hiện tượng tải chéo vi phạm tính phân biệt.

Kết quả đạt được

Mô hình hồi quy tuyến tính bội được ước lượng bằng phương pháp Enter. Kết quả thống kê tổng thể:

  • Hệ số xác định $R^2 = 0.584$; Hệ số $R^2$ hiệu chỉnh (Adjusted $R^2$) $= 0.575$, cho thấy 5 yếu tố của quảng cáo TikTok giải thích được $57.5%$ sự biến thiên trong ý định mua sắm trực tuyến của sinh viên.
  • Kiểm định $F$-ANOVA đạt giá trị $F = 68.52$ với $\text{Sig.} = 0.000 < 0.001$, khẳng định mô hình hồi quy tuyến tính xây dựng là hoàn toàn phù hợp với tập dữ liệu.
  • Hệ số Durbin-Watson $= 1.892$ ($1.5 < d < 2.5$), xác nhận không có hiện tượng tự tương quan chuỗi bậc nhất giữa các phần dư.
  • Hệ số phóng đại phương sai $VIF < 1.62$ trên toàn bộ các biến, chứng minh mô hình không vi phạm giả định đa cộng tuyến.
Biến độc lập Hệ số $\beta$ chuẩn hóa Giá trị thống kê $t$ Mức ý nghĩa (Sig.) Hệ số VIF Kết luận giả thuyết
Tính giải trí (GT) $+0.342$ $5.812$ $0.000$ $1.412$ $H_3$: Chấp nhận ($\text{Tác động mạnh nhất}$)
Tính sinh động (SD) $+0.268$ $4.495$ $0.000$ $1.385$ $H_1$: Chấp nhận
Tính tương tác - XH (INT) $+0.215$ $3.670$ $0.001$ $1.521$ $H_5$: Chấp nhận
Tính thông tin (TT) $+0.174$ $3.018$ $0.003$ $1.310$ $H_2$: Chấp nhận
Sự phiền nhiễu (PN) $-0.138$ $-2.542$ $0.012$ $1.154$ $H_4$: Chấp nhận ($\text{Tác động ngược chiều}$)

Phương trình hồi quy tuyến tính chuẩn hóa có dạng: $$YD = 0.342 \times GT + 0.268 \times SD + 0.215 \times INT + 0.174 \times TT - 0.138 \times PN$$


Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng, khắc phục khoảng trống nghiên cứu của các công trình đi trước tại thị trường Việt Nam:

Nghiên cứu Nền tảng phân tích Các biến nghiên cứu chính Hạn chế giải quyết trong đề tài hiện tại
Ngô Mỹ Trân & Mai Võ Ngọc Thanh (2017) Mạng xã hội chung (Facebook) Thông tin, Giải trí, Tin cậy, Phiền nhiễu, Tương tác Chưa phản ánh được tính năng định dạng video ngắn toàn màn hình; đối tượng người dùng phân tán.
Hoàng Cửu Long et al. (2021) TikTok (Giai đoạn dịch Covid-19) Thông tin, Giải trí, Tin cậy, Tương tác kích ứng, Thời lượng Sử dụng biến trung gian Thái độ; bỏ sót thuộc tính kích thích đa giác quan "Tính sinh động" và tác động ức chế từ "Sự phiền nhiễu".
Đồ án Thảo Như (Nghiên cứu này) TikTok Ads chuyên sâu (TP. Thủ Đức) Sinh động (SD), Thông tin (TT), Giải trí (GT), Phiền nhiễu (PN), Tương tác-XH (INT) Đo lường tác động trực tiếp; tích hợp Tính sinh động & Sự phiền nhiễu; kiểm định chuẩn hóa trên mẫu sinh viên đô thị.

Những điểm cải tiến định lượng nổi bật:

  • Xác lập bằng chứng thực nghiệm cho thấy Tính giải trí ($\beta = 0.342$) và Tính sinh động ($\beta = 0.268$) là hai động lực lớn nhất chi phối hành vi mua hàng của Gen Z trên TikTok, vượt trội so với thuộc tính cung cấp thông tin thuần túy.
  • Lượng hóa chính xác tác động tiêu cực của Sự phiền nhiễu ($\beta = -0.138$), cung cấp cơ sở để các nhà phát triển nội dung giới hạn tần suất quảng cáo lặp lại quá mức gây phản cảm.

Ứng dụng thực tế và triển khai

Kết quả hồi quy từ đồ án là cơ sở xây dựng khung chiến lược triển khai tiếp thị số trên TikTok Shop và TikTok Ads:

Kế hoạch phân bổ ngân sách và dự phóng hiệu quả kinh doanh (ROI/ROAS):

  • Chiến lược tối ưu hóa định dạng: Tận dụng 100% video dạng dọc ($9:16$) độ phân giải cao kết hợp âm nhạc thịnh hành (Trending Sound) trong 3 giây đầu tiên để giữ chân người xem.
  • Kiểm soát tần suất xuất hiện: Thiết lập giới hạn tần suất phân phối quảng cáo (Frequency Cap $\le 3$ lượt/người/tuần) nhằm giảm thiểu chỉ số phiền nhiễu (PN), ngăn chặn hiện tượng mệt mỏi vì quảng cáo (Ad Fatigue).
  • Hiệu quả tài chính ước tính: Ứng dụng tối ưu hóa đồng thời 5 yếu tố theo mô hình giúp doanh nghiệp tăng tỷ lệ nhấp chuột (CTR) ước tính từ $1.2%$ lên $3.5%$, nâng cao tỷ lệ hoàn vốn trên chi phí quảng cáo (ROAS) từ $2.1\times$ lên $3.8\times$ đối với tệp khách hàng sinh viên.

Hạn chế và hướng phát triển

Mặc dù đạt được những kết quả có ý nghĩa thống kê cao, nghiên cứu vẫn tồn tại một số giới hạn kỹ thuật:

  1. Phương pháp chọn mẫu: Nghiên cứu áp dụng kỹ thuật chọn mẫu thuận tiện phi xác suất ($N=250$), tập trung chủ yếu vào sinh viên tại TP. Thủ Đức, do đó khả năng suy rộng cho toàn bộ người tiêu dùng ở các lứa tuổi khác còn hạn chế.
  2. Phương pháp phân tích: Mô hình hồi quy tuyến tính OLS chỉ đánh giá các quan hệ trực tiếp một chiều, chưa xem xét các mối quan hệ đa tầng hoặc biến điều tiết (Moderating variables) như giới tính hay thu nhập khả dụng.

Hướng nghiên cứu mở rộng trong tương lai:

  • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) để phân tích cấu trúc phức hợp bao gồm biến trung gian (Sự tin tưởng, Giá trị cảm nhận) và biến điều tiết.
  • Mở rộng quy mô khảo sát liên tỉnh/thành phố và tích hợp phân tích dữ liệu lớn (Big Data Tracking) thông qua TikTok Pixel và dữ liệu chuyển đổi thực tế từ TikTok Shop Seller Center.

Đối tượng hưởng lợi

+-------------------+-------------------------------------------------------------------------------+
| Nhóm đối tượng    | Giá trị và lợi ích định lượng mang lại                                        |
+-------------------+-------------------------------------------------------------------------------+
| Sinh viên         | Hiểu rõ các yếu tố kích thích hành vi mua sắm, nâng cao nhận thức chi tiêu.   |
| Doanh nghiệp/SMEs | Nắm vững công thức nội dung (GT + SD + INT), tối ưu chi phí quảng cáo và ROAS. |
| Nhà sáng tạo (KOC)| Nâng cao kỹ thuật sản xuất video ngắn kết hợp thương mại hóa hiệu quả.        |
| Nhà nghiên cứu    | Sở hữu bộ thang đo chuẩn hóa 29 biến quan sát làm tài liệu tham khảo giá trị. |
+-------------------+-------------------------------------------------------------------------------+

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật tối thiểu để doanh nghiệp triển khai quảng cáo Native Ads trên TikTok là gì? Doanh nghiệp cần tài khoản TikTok Ads Manager, tích hợp mã theo dõi TikTok Pixel trên website hoặc liên kết tài khoản TikTok Shop Seller Center; định dạng video chuẩn tỷ lệ $9:16$, độ phân giải tối thiểu 720p/1080p, thời lượng tối ưu từ 9–15 giây.

  2. Tại sao Tính giải trí lại có hệ số tác động $\beta$ cao nhất đến ý định mua sắm? Người dùng truy cập TikTok với động cơ cốt lõi là tìm kiếm sự thư giãn và giải tỏa căng thẳng. Nội dung quảng cáo được lồng ghép hài hước, sáng tạo và theo xu hướng (trend) giúp xóa bỏ rào cản phòng vệ tâm lý của người tiêu dùng, từ đó thúc đẩy ý định mua hàng tự nhiên.

  3. Làm thế nào để tích hợp đo lường chuyển đổi giữa TikTok Ads và hệ thống CRM/ERP sẵn có? Sử dụng TikTok Events API (Server-side API) kết hợp với các cổng Webhook để đồng bộ dữ liệu đơn hàng theo thời gian thực về hệ thống quản lý bán hàng mà không bị ảnh hưởng bởi các trình chặn cookie trên trình duyệt.

  4. Quảng cáo có gây ra phản ứng tiêu cực nếu phân phối liên tục không? Có. Kết quả nghiên cứu chỉ ra rằng Sự phiền nhiễu tác động tiêu cực đáng kể ($\beta = -0.138$, $p = 0.012$). Việc lặp lại nội dung quá nhiều lần hoặc chèn quảng cáo gây gián đoạn trải nghiệm sẽ làm suy giảm nghiêm trọng ý định mua sắm.

  5. Chi phí và thời gian hòa vốn (ROI) khi đầu tư vào kênh TikTok Shop Ads trung bình là bao lâu? Với mức ngân sách khởi điểm linh hoạt (tối thiểu 200.000 VNĐ/nhóm quảng cáo/ngày), các chiến dịch tối ưu hóa theo mô hình nội dung sinh động có thể đạt điểm hòa vốn sau 2–4 tuần thử nghiệm A/B Testing và mở rộng quy mô.


Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Nguyễn Thị Thảo Như đã hoàn thành xuất sắc việc lượng hóa mối quan hệ giữa các thành phần quảng cáo TikTok và ý định mua sắm trực tuyến của sinh viên tại TP. Thủ Đức. Mô hình hồi quy tuyến tính 5 nhân tố ($R^2_{\text{adj}} = 57.5%$) chứng minh rõ ràng vai trò quyết định của Tính giải trí ($\beta = 0.342$), Tính sinh động ($\beta = 0.268$), Tính tương tác - xã hội ($\beta = 0.215$), Tính thông tin ($\beta = 0.174$) và kiểm soát Sự phiền nhiễu ($\beta = -0.138$). Đây là cơ sở khoa học và cẩm nang thực thi vững chắc giúp các nhà quản trị tiếp thị, doanh nghiệp thương mại điện tử định hình chiến lược truyền thông tối ưu trên nền tảng TikTok.