Giới thiệu dự án

Thị trường nội thất Việt Nam trong giai đoạn 2020–2025 ghi nhận tốc độ tăng trưởng kép hàng năm (CAGR) đạt xấp xỉ 9.5%, với sự chuyển dịch mạnh mẽ từ các sản phẩm đồ gỗ truyền thống sang các giải pháp nội thất hiện đại, tích hợp công năng thông minh. Tuy nhiên, tại các thị trường cấp 2 như Thành phố Huế, hơn 78% doanh nghiệp vừa và nhỏ (SMEs) ngành nội thất gặp khó khăn trong việc định vị và mở rộng độ phủ thương hiệu trước sự cạnh tranh từ các chuỗi bán lẻ lớn (như Hòa Phát, An Cường) và các xưởng mộc gia công truyền thống.

Công ty TNHH MTV Nội thất Woodpark là một doanh nghiệp nội thất đang trong giai đoạn chuyển đổi số và mở rộng thị phần tại Thành phố Huế. Mặc dù sở hữu năng lực sản xuất tốt và danh mục sản phẩm đa dạng, Woodpark đối mặt với điểm nghẽn nghiêm trọng: chỉ số nhận diện thương hiệu tổng thể (Brand Awareness Index) đạt dưới 25% trong tập khách hàng mục tiêu, chi phí thu hút khách hàng mới (Customer Acquisition Cost - CAC) cao hơn 40% so với mức trung bình ngành, và thiếu các công cụ định lượng để đo lường mức độ tác động của các kênh truyền thông đến quyết định nhận biết của người tiêu dùng.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể bao gồm:

  1. Hệ thống hóa cơ sở lý luận về tài sản thương hiệu và các yếu tố cấu thành mức độ nhận diện thương hiệu (Brand Awareness) theo mô hình của David Aaker (1991) và Kevin Lane Keller (1993).
  2. Xây dựng mô hình định lượng và thang đo chuẩn hóa nhằm đánh giá tác động của 5 nhóm yếu tố cốt lõi: Truyền thông tiếp thị (Marketing Communications), Trải nghiệm Showroom (Showroom Experience), Chất lượng & Thiết kế sản phẩm (Product Quality & Design), Giá trị cảm nhận (Perceived Value), và Truyền miệng (Word-of-Mouth - WOM) đến mức độ nhận diện thương hiệu Woodpark.
  3. Thu thập dữ liệu thực nghiệm ($N = 220$ mẫu khảo sát, $N_{\text{valid}} = 200$ mẫu hợp lệ) tại địa bàn TP. Huế; thực hiện kiểm định độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá (EFA) và hồi quy tuyến tính bội (Multiple Linear Regression).
  4. Lượng hóa trọng số tác động ($\beta$) của từng yếu tố, kiểm định các giả thuyết nghiên cứu với độ tin cậy $95%$ ($p < 0.05$).
  5. Đề xuất hệ thống giải pháp Marketing Mix (4P/7P) và lộ trình tối ưu hóa trải nghiệm khách hàng dựa trên dữ liệu thực nghiệm (Data-Driven Decision Making).

Phương pháp giải quyết tiếp cận theo quy trình nghiên cứu định lượng chuẩn mực kết hợp giải thuật xử lý dữ liệu tự động hóa qua pipeline phân tích thống kê (Python & SPSS), giúp loại bỏ thiên kiến chủ quan (subjective bias) của các phương pháp khảo sát truyền thống. Kết quả kỳ vọng đạt được là một mô hình dự báo hồi quy có hệ số xác định $R^2 \ge 0.60$, xác định chính xác nhân tố thúc đẩy nhận diện thương hiệu mạnh nhất và giúp doanh nghiệp cắt giảm ít nhất 30% chi phí truyền thông không hiệu quả.

Phạm vi nghiên cứu tập trung vào khách hàng cá nhân từ 22–55 tuổi đang sinh sống, làm việc và có nhu cầu mua sắm nội thất tại địa bàn Thành phố Huế trong giai đoạn 2020–2021. Giới hạn nghiên cứu không bao gồm phân khúc khách hàng dự án B2B quy mô lớn và các thị trường ngoài tỉnh Thừa Thiên Huế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi triển khai nghiên cứu định lượng, Woodpark áp dụng các phương pháp khảo sát ý kiến truyền thống mang tính định tính, dẫn đến sai lệch lớn trong việc phân bổ ngân sách tiếp thị. Bảng so sánh dưới đây phân tích các giải pháp hiện hành:

Tiêu chí so sánh Khảo sát định tính truyền thống (Focus Group) Thống kê mô tả đơn biến (Excel cơ bản) Giải pháp Đề xuất: Pipeline Phân tích Đa biến (EFA & Regression)
Phương pháp luận Phỏng vấn sâu 10–15 người Tính toán Mean, Percentage cơ bản Kiểm định mô hình cấu trúc, EFA, OLS Regression, ANOVA
Xử lý đa cộng tuyến Không hỗ trợ Không phát hiện được VIF, Tolerance Kiểm soát triệt để qua chỉ số VIF ($< 2.0$) và Tolerance ($> 0.1$)
Độ tin cậy thang đo Định tính, phụ thuộc chuyên gia Không kiểm định được độ tin cậy Cronbach's Alpha $> 0.7$, Item-Total Correlation $> 0.3$
Khả năng dự báo Kém ($< 20%$) Trung bình ($35% - 40%$) Rất cao ($R^2 = 0.628$, độ chính xác $95%$)
Mức độ tự động hóa Thủ công hoàn toàn Bán thủ công Pipeline tự động hóa qua Python script và SPSS Syntax

Nghiên cứu thị trường tại Thừa Thiên Huế cho thấy sự phân hóa rõ nét giữa 3 nhóm đối thủ:

  • Chuỗi nội thất quốc gia (An Cường, Hòa Phát): Ngân sách truyền thông lớn ($> 500$ triệu VNĐ/năm tại miền Trung), độ phủ Top-of-Mind đạt trên $65%$.
  • Xưởng mộc địa phương: Lợi thế giá rẻ và quan hệ quen biết, nhưng nhận diện thương hiệu bằng hình ảnh/logo gần như bằng 0.
  • Woodpark: Đứng ở phân khúc trung - cao cấp, thiết kế hiện đại nhưng độ nhận biết thương hiệu mới đạt $23.5%$.

Yêu cầu nghiên cứu và hệ thống phân tích được phân loại theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Thang đo Likert 5 điểm chuẩn hóa; quy trình làm sạch dữ liệu loại bỏ Outlier bằng Mahalanobis Distance; kiểm định Cronbach's Alpha; phân tích nhân tố EFA trích xuất phương sai $> 50%$; mô hình hồi quy tuyến tính không vi phạm giả định.
  • Should-have (Nên có): Phân tích tương quan Pearson; kiểm định sai khác ANOVA/T-test theo nhân khẩu học (thu nhập, độ tuổi, giới tính); pipeline trích xuất báo cáo tự động bằng Python.
  • Could-have (Có thể có): Biểu đồ hóa trực quan Dashboard trực quan hóa phân bố Beta weights và ma trận tương quan.
  • Won't-have (Chưa thực hiện): Mô hình phương trình cấu trúc tuyến tính SEM phức tạp với AMOS và thuật toán phân cụm Machine Learning K-Means (dành cho giai đoạn phát triển tiếp theo).

Rào cản kỹ thuật chính là hiện tượng dữ liệu nhiễu (survey noise), mất cân đối mẫu điều tra giữa các phường/xã, và nguy cơ đa cộng tuyến giữa hai biến "Chất lượng sản phẩm" và "Trải nghiệm Showroom".

               GAP ANALYSIS TRONG HOẠT ĐỘNG BRANDING CỦA WOODPARK

Thiết kế hệ thống phân tích và luồng xử lý dữ liệu

Kiến trúc quy trình xử lý dữ liệu nghiên cứu (Data Analytics Pipeline) được thiết kế theo chuẩn 5 tầng xử lý khép kín:

Technology Stack và các công cụ chuyên dụng được sử dụng gồm có:

  • Hệ thống phân tích thống kê: IBM SPSS Statistics v26.0 (xây dựng ma trận EFA, tính hệ số Factor Loading, kiểm định ANOVA).
  • Ngôn ngữ lập trình & Thư viện bổ trợ: Python v3.9.7, pandas v1.3.4 (xử lý dữ liệu bảng), numpy v1.21.2 (tính toán ma trận), statsmodels v0.13.0 (mô hình OLS và kiểm định VIF), scikit-learn v1.0.1 (chuẩn hóa Min-Max scaling), seaborn v0.11.2 (trực quan hóa Correlation Heatmap).
  • Hạ tầng thu thập dữ liệu: Google Forms API v1, Microsoft Excel 2019 (Data Dictionary & Coding Schema).

Cấu trúc Schema bộ dữ liệu điều tra (Dataset Dictionary) gồm 28 biến quan sát được mã hóa theo thang đo Likert 5 mức độ (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý):

  • Biến phụ thuộc: BA (Brand Awareness - 4 biến quan sát: BA1 đến BA4).
  • Biến độc lập:
    • MC (Marketing Communications - 5 biến: MC1 đến MC5).
    • SE (Showroom Experience - 5 biến: SE1 đến SE5).
    • PQ (Product Quality & Design - 5 biến: PQ1 đến PQ5).
    • PV (Perceived Value & Price - 4 biến: PV1 đến PV4).
    • WOM (Word-of-Mouth - 5 biến: WOM1 đến WOM5).

Quy chuẩn bảo mật và an toàn dữ liệu tuân thủ nguyên tắc ẩn danh hóa hoàn toàn (Anonymization): loại bỏ địa chỉ IP, số điện thoại, tên khách hàng; dữ liệu được mã hóa chuẩn AES-256 khi lưu trữ cục bộ.

Tiêu chuẩn hiệu năng phân tích (Statistical Performance Criteria):

  • Hệ số tin cậy Cronbach's Alpha $\ge 0.70$, tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
  • Kiểm định KMO (Kaiser-Meyer-Olkin) $\ge 0.50$, kiểm định Bartlett có mức ý nghĩa $p < 0.05$.
  • Tổng phương sai trích (Total Variance Explained) $\ge 50%$, Eigenvalue $\ge 1.0$, trọng số tải nhân tố (Factor Loading) $\ge 0.50$.
  • Mô hình hồi quy: Hệ số Durbin-Watson trong khoảng $1.5 \le d \le 2.5$ (không có tự tương quan bậc 1), VIF $< 2.0$ (không có đa cộng tuyến nghiêm trọng).

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng phương pháp luận kết hợp (Mixed Methodology) theo quy trình CRISP-DM chuyển đổi cho nghiên cứu kinh doanh ứng dụng:

  1. Giai đoạn nghiên cứu sơ bộ: Tổng quan tài liệu, phỏng vấn sâu 5 chuyên gia ngành nội thất và 10 khách hàng để hiệu chỉnh bảng câu hỏi (Pilot Test $N = 30$).
  2. Giai đoạn nghiên cứu định lượng chính thức: Lấy mẫu phân tầng ngẫu nhiên kết hợp thuận tiện tại các quận/huyện TP. Huế.
  3. Đánh giá rủi ro và chiến lược giảm thiểu:
    • Rủi ro lệch mẫu (Sampling Bias): Khắc phục bằng cách phân bổ chỉ tiêu khảo sát theo tỷ lệ dân cư tại các khu vực trung tâm (Phú Hội, Vĩnh Ninh, Thuận Hòa) và khu vực ven đô.
    • Rủi ro dữ liệu ảo/không tập trung: Thiết lập 2 câu hỏi kiểm tra tính nhất quán (Attention Check Questions) trong biểu mẫu.
                  TIẾN ĐỘ THỰC HIỆN DỰ ÁN (PROJECT TIMELINE)

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

Quy trình xử lý dữ liệu được tự động hóa thông qua Python Script chuẩn hóa, thực hiện các thuật toán phân tích thống kê cốt lõi:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

def cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha cho tập biến quan sát."""
    k = df_items.shape[1]
    variances = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1.0)) * (1.0 - (variances.sum() / total_var))
    return float(alpha)

def run_regression_pipeline(df: pd.DataFrame, target_col: str, feature_cols: list):
    """Thực thi hồi quy tuyến tính OLS và tính toán hệ số VIF."""
    X = df[feature_cols]
    y = df[target_col]
    
    # Bổ sung hằng số intercept
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán VIF cho từng biến độc lập
    vif_data = pd.DataFrame()
    vif_data["Feature"] = feature_cols
    vif_data["VIF"] = [
        variance_inflation_factor(X.values, i) for i in range(len(feature_cols))
    ]
    
    return model, vif_data

# Ví dụ thực thi pipeline với dữ liệu khảo sát thực tế Woodpark
if __name__ == "__main__":
    # Nạp dữ liệu khảo sát đã làm sạch
    dataset = pd.read_csv("woodpark_brand_survey_data.csv")
    factors = ["MC_Mean", "SE_Mean", "PQ_Mean", "PV_Mean", "WOM_Mean"]
    
    ols_results, vif_df = run_regression_pipeline(dataset, "BA_Mean", factors)
    print(ols_results.summary())
    print(vif_df)

Thách thức kỹ thuật lớn nhất trong quá trình triển khai là sự tương quan cao giữa biến "Truyền thông tiếp thị" ($MC$) và "Truyền miệng" ($WOM$). Nhóm nghiên cứu đã áp dụng phương pháp trích xuất nhân tố Principal Axis Factoring với phép xoay Varimax để tách bạch hai chiều không gian này, đảm bảo tính trực giao của các biến đại diện.

Kiểm định và đánh giá mô hình (Testing & Validation)

Quá trình kiểm định dữ liệu trên mẫu $N = 200$ đạt kết quả định lượng chuẩn xác:

  1. Kiểm định độ tin cậy Cronbach's Alpha:

    • Thang đo Truyền thông tiếp thị ($MC$): $\alpha = 0.864$ (5 items, Item-Total $> 0.582$).
    • Thang đo Trải nghiệm Showroom ($SE$): $\alpha = 0.831$ (5 items, Item-Total $> 0.514$).
    • Thang đo Chất lượng & Thiết kế ($PQ$): $\alpha = 0.887$ (5 items, Item-Total $> 0.635$).
    • Thang đo Giá trị cảm nhận ($PV$): $\alpha = 0.792$ (4 items, Item-Total $> 0.471$).
    • Thang đo Truyền miệng ($WOM$): $\alpha = 0.849$ (5 items, Item-Total $> 0.556$).
    • Thang đo Nhận diện thương hiệu ($BA$): $\alpha = 0.878$ (4 items, Item-Total $> 0.612$).
    • Kết luận: Tất cả các thang đo đều có $\alpha > 0.70$, không có biến quan sát nào bị loại.

  2. Phân tích nhân tố khám phá (EFA):

    • Chỉ số KMO $= 0.842$ (thỏa mãn điều kiện $0.5 < \text{KMO} < 1.0$).
    • Kiểm định Bartlett's Test of Sphericity: $\chi^2 = 2418.65$, $df = 276$, $p < 0.001$ (các biến tương quan có ý nghĩa thống kê).
    • Tổng phương sai trích (Cumulative Variance Explained) $= 64.38% > 50%$.
    • Điểm dừng Eigenvalue $= 1.348 > 1.0$ (trích xuất thành công 5 nhân tố độc lập).

  3. Kết quả hồi quy tuyến tính đa biến (OLS Regression):

Biến độc lập / Thông số Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn ($SE$) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($p$-value) VIF
Hằng số (Constant) 0.284 0.198 — 1.434 0.153 —
Truyền thông Marketing ($MC$) 0.312 0.048 0.324 6.500 $< 0.001$ 1.382
Trải nghiệm Showroom ($SE$) 0.245 0.045 0.258 5.444 $< 0.001$ 1.295
Chất lượng & Thiết kế ($PQ$) 0.201 0.047 0.214 4.276 $< 0.001$ 1.412
Truyền miệng ($WOM$) 0.186 0.042 0.195 4.428 $< 0.001$ 1.320
Giá trị cảm nhận ($PV$) 0.098 0.039 0.108 2.512 $0.013$ 1.185
  • Hệ số xác định: $R^2 = 0.628$, $R^2_{\text{adj}} = 0.618$ (5 nhân tố giải thích được $62.8%$ sự biến thiên của Mức độ nhận diện thương hiệu).
  • Kiểm định độ phù hợp mô hình: $F(5, 194) = 65.48$, $p < 0.001$.
  • Hệ số Durbin-Watson: $d = 1.912$ (nằm trong khoảng an toàn $1.5 - 2.5$, không có tự tương quan).
  • Hệ số VIF: Tất cả $< 1.50$, khẳng định mô hình không xảy ra hiện tượng đa cộng tuyến.
PHƯƠNG TRÌNH HỒI QUY CHUẨN HÓA:
BA = 0.324 * MC + 0.258 * SE + 0.214 * PQ + 0.195 * WOM + 0.108 * PV

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và ứng dụng kinh doanh cụ thể:

  • Tối ưu hóa mô hình học thuật cho thị trường địa phương: Kết hợp mô hình CBBE của Keller và Aaker, hiệu chỉnh đặc thù hành vi tiêu dùng đồ nội thất tại miền Trung Việt Nam (nơi yếu tố văn hóa gia đình và trải nghiệm thực tế tại cửa hàng có tác động mạnh mẽ).
  • Phát hiện thứ tự tác động định lượng: Chứng minh rằng Truyền thông Marketing ($\beta = 0.324$) và Trải nghiệm Showroom ($\beta = 0.258$) đóng vai trò quyết định, vượt trội so với yếu tố Giá trị cảm nhận ($\beta = 0.108$). Điều này bẻ gãy giả định sai lầm trước đây của ban lãnh đạo Woodpark cho rằng giảm giá là cách tốt nhất để tăng nhận diện.
  • Hiệu quả cải thiện chi phí: Mô hình giúp doanh nghiệp tái cơ cấu ngân sách tiếp thị năm 2021, nâng cao hiệu quả nhận diện thương hiệu ước tính tăng $35%$, đồng thời cắt giảm $28%$ chi phí quảng cáo rác không nhắm đúng đối tượng.

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy thực nghiệm, Woodpark đã triển khai chiến lược tiếp thị đa kênh tích hợp:

  1. Chiến lược Truyền thông Tiếp thị ($MC$ - Ưu tiên 1): Tăng ngân sách Local SEO, Google Ads theo vị trí TP. Huế và Social Media Video Marketing (TikTok/Facebook Ads) mô tả quy trình thiết kế nội thất cá nhân hóa.
  2. Chiến lược Nâng cấp Showroom ($SE$ - Ưu tiên 2): Thiết kế lại không gian trưng bày theo concept căn hộ mẫu trải nghiệm thực tế; tích hợp ứng dụng mô phỏng 3D nội thất trực quan cho khách tham quan.
  3. Chiến lược Quản lý chất lượng & Truyền miệng ($PQ$ & $WOM$): Cung cấp chứng chỉ nguồn gốc gỗ đạt chuẩn E1/CARB-P2; triển khai chính sách tri ân "Referral Bonus" giảm giá 5% cho khách hàng giới thiệu người thân.

Lộ trình triển khai và dự báo tài chính:

  • Giai đoạn 1 (Tháng 1 - Tháng 3/2021): Tái cấu trúc bộ nhận diện thương hiệu số và chuẩn hóa quy trình tiếp đón tại Showroom Huế.
  • Giai đoạn 2 (Tháng 4 - Tháng 9/2021): Triển khai chiến dịch truyền thông đa kênh tập trung; đo lường Brand Recall qua khảo sát định kỳ.
  • Dự toán chi phí & ROI: Tổng ngân sách triển khai 120.000.000 VNĐ; tỷ suất sinh lời trên chi phí tiếp thị (Marketing ROI) dự kiến đạt $210%$ sau 12 tháng, thời gian hoàn vốn đầu tư trong 6.5 tháng.

Hạn chế và hướng phát triển

Dù đạt được kết quả thực nghiệm có ý nghĩa thống kê cao, đề tài ghi nhận một số hạn chế:

  • Kích thước và phạm vi mẫu: Mẫu khảo sát $N = 200$ tập trung chủ yếu tại khu vực nội thành TP. Huế, chưa bao phủ toàn diện các huyện lân cận như Hương Thủy, Hương Trà, Phú Vang.
  • Phương pháp lấy mẫu: Sử dụng phương pháp lấy mẫu thuận tiện kết hợp phân tầng, có thể tiềm ẩn sai số chọn mẫu nhất định.
  • Mô hình thống kê: Chỉ sử dụng hồi quy tuyến tính OLS một cấp, chưa phân tích các biến trung gian (Mediating Variables) như "Sự tin tưởng thương hiệu" (Brand Trust) hay "Lòng trung thành" (Brand Loyalty).

Hướng phát triển tiếp theo của đề tài:

  • Mở rộng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) bằng SmartPLS v3.3 để kiểm tra tác động gián tiếp.
  • Xây dựng hệ thống phân khúc khách hàng tự động bằng thuật toán Machine Learning (K-Means Clustering & RFM Analysis) tích hợp trực tiếp vào phần mềm CRM của Woodpark.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về quy trình thực hiện khóa luận tốt nghiệp ngành Quản trị Kinh doanh / Marketing, từ xây dựng thang đo đến phân tích EFA và OLS Regression.
  • Chuyên viên phân tích dữ liệu & Marketers: Cung cấp mẫu kịch bản phân tích thống kê (Python script), quy chuẩn kiểm định thang đo và phương pháp luận lượng hóa tác động thương hiệu.
  • Doanh nghiệp & Quản trị viên SMEs: Nhận được bộ giải pháp thực thi marketing dựa trên bằng chứng định lượng, giúp tối ưu hóa ngân sách tiếp thị và nâng cao năng lực cạnh tranh thương hiệu nội thất.
  • Các nhà nghiên cứu: Dữ liệu thực nghiệm và thang đo chuẩn hóa làm tiền đề cho các nghiên cứu chuyên sâu về hành vi tiêu dùng nội thất tại các đô thị miền Trung.

Câu hỏi thường gặp

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

Máy tính cá nhân cấu hình tối thiểu CPU Intel Core i3 (hoặc tương đương), RAM 4GB, cài đặt phần mềm IBM SPSS Statistics phiên bản từ 20.0 trở lên hoặc môi trường Python 3.8+ với các thư viện pandas, statsmodels, scikit-learn.

2. Mô hình hồi quy này có thể mở rộng áp dụng cho các doanh nghiệp ngành nghề khác không?

Có thể mở rộng áp dụng cho các doanh nghiệp bán lẻ dịch vụ hoặc sản phẩm tiêu dùng có giá trị cao (như bất động sản, xe máy, điện máy) thông qua việc điều chỉnh các biến quan sát cụ thể trong từng thang đo để phù hợp với ngữ cảnh ngành.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống phần mềm quản lý hiện có của doanh nghiệp?

Các trọng số Beta từ mô hình hồi quy có thể được lập trình thành các hệ số trọng số trong thuật toán chấm điểm tiềm năng khách hàng (Lead Scoring Algorithm) trên các nền tảng CRM như HubSpot, Salesforce hoặc Odoo.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) của các giải pháp đề xuất là bao nhiêu?

Chi phí triển khai đề xuất cho Woodpark là 120 triệu VNĐ phân bổ trong 6 tháng. Thời gian hoàn vốn dự kiến là 6.5 tháng với tỷ suất lợi nhuận kỳ vọng đạt $210%$ dựa trên mức tăng trưởng doanh thu từ khách hàng mới.

5. Tại sao nghiên cứu sử dụng phép xoay Varimax thay vì Promax trong phân tích EFA?

Phép xoay trực giao Varimax được lựa chọn nhằm tối đa hóa phương sai của các trọng số tải nhân tố, tạo ra các nhân tố độc lập không tương quan với nhau, từ đó triệt tiêu nguy cơ đa cộng tuyến khi đưa vào mô hình hồi quy tuyến tính bội OLS.

Kết luận

Khóa luận tốt nghiệp của tác giả Phạm Ngọc Như Quỳnh tại Trường Đại học Kinh tế – Đại học Huế đã hoàn thành xuất sắc mục tiêu nghiên cứu: xây dựng và kiểm định thành công mô hình định lượng các yếu tố ảnh hưởng đến mức độ nhận diện thương hiệu của Công ty TNHH MTV Nội thất Woodpark tại TP. Huế.

Với quy mô mẫu $N_{\text{valid}} = 200$, mô hình hồi quy đạt độ tin cậy cao ($R^2 = 0.628$, $p < 0.001$), lượng hóa chính xác vai trò áp đảo của Truyền thông Marketing ($\beta = 0.324$) và Trải nghiệm Showroom ($\beta = 0.258$). Nghiên cứu không chỉ đóng góp về mặt học thuật trong việc bản địa hóa các mô hình tài sản thương hiệu mà còn cung cấp bộ giải pháp thực thi mang lại giá trị kinh tế trực tiếp cho doanh nghiệp, giúp chuyển đổi toàn diện từ tiếp thị cảm tính sang quản trị tiếp thị dựa trên dữ liệu.