Giới thiệu dự án

Thị trường thực phẩm hữu cơ toàn cầu ghi nhận sự bùng nổ mạnh mẽ trong hơn hai thập kỷ qua, với doanh thu bán lẻ vượt mốc 100 tỷ Euro (Hoa Kỳ dẫn đầu chiếm hơn 41 tỷ Euro, Đan Mạch và Thụy Sỹ đạt mức chi tiêu bình quân trên 312 Euro/người/năm). Tại Việt Nam, trước làn sóng đô thị hóa nhanh và thực trạng ngộ độc thực phẩm đáng báo động (năm 2020 ghi nhận 90 vụ ngộ độc với gần 2.000 ca mắc và 22 ca tử vong theo báo cáo của Bộ Y tế), người tiêu dùng đô thị ngày càng khắt khe về an toàn thực phẩm. Thống kê từ Nielsen chỉ ra rằng 86% người tiêu dùng Việt Nam ưu tiên lựa chọn thực phẩm hữu cơ trong bữa ăn hàng ngày, và khảo sát của Vietnam Report khẳng định 51,5% coi nguồn gốc hữu cơ là tiêu chí hàng đầu khi mua sắm thực phẩm.

                      GLOBAL & REGIONAL MARKET CONTEXT

Thủy sản là nguồn cung cấp protein, acid béo thiết yếu và vitamin $B_{12}$ chủ lực trong cơ cấu dinh dưỡng của người Việt. Dù Chính phủ đã ban hành Quyết định số 885/QĐ-TTg phê duyệt Đề án phát triển nông nghiệp hữu cơ giai đoạn 2020–2030 (đặt mục tiêu diện tích nuôi thủy sản hữu cơ đạt 1,5–3,0% vào năm 2025), ngành thủy sản hữu cơ nội địa vẫn đối mặt với rào cản tiêu thụ lớn do sự suy giảm niềm tin và khoảng cách giữa ý định và hành vi mua thực tế.

  • Vấn đề cốt lõi (Problem Statement): Khoảng cách ý định – hành vi (Intention-Behavior Gap) là điểm nghẽn lớn trong nghiên cứu tiêu dùng xanh. Hầu hết các mô hình lý thuyết hành vi có kế hoạch truyền thống (Theory of Planned Behavior - TPB) chỉ giải thích được ý định mà chưa làm rõ cơ chế chuyển hóa thành hành vi thực tế khi có sự can thiệp của các phản ứng vô thức lặp lại.
  • Mục tiêu nghiên cứu:
    1. Xác định mức độ tác động của các nhân tố nền tảng gồm Thái độ (Attitude - AT), Chuẩn mực chủ quan (Subjective Norm - SN), và Nhận thức kiểm soát hành vi (Perceived Behavioral Control - PBC) đến ý định và hành vi tiêu dùng thủy sản hữu cơ tại TP. Hồ Chí Minh.
    2. Tích hợp cấu trúc Thói quen (Habit - HA) vào mô hình TPB mở rộng nhằm giải quyết khoảng cách ý định – hành vi và nâng cao năng lực giải thích phương sai của mô hình cấu trúc.
    3. Đề xuất khung giải pháp marketing phân đoạn và can thiệp chính sách dựa trên bằng chứng định lượng.
  • Phương pháp tiếp cận: Sử dụng mô hình phương trình cấu trúc tuyến tính bình phương bé nhất từng phần (Partial Least Squares Structural Equation Modeling - PLS-SEM) trên phần mềm SmartPLS v3.3 kết hợp thuật toán Bootstrapping 5.000 mẫu.
  • Kết quả kỳ vọng: Nâng hệ số xác định $R^2$ của biến phụ thuộc Hành vi (Behavior - BE) từ mức $41,0%$ (mô hình gốc) lên trên $60,0%$ (mô hình mở rộng), đồng thời kiểm định các đường dẫn tác động trực tiếp/gián tiếp của các biến tiềm ẩn (Latent Constructs).
  • Phạm vi và giới hạn: Nghiên cứu cắt ngang (Cross-sectional study) khảo sát 202 người tiêu dùng đã từng sử dụng thủy sản hữu cơ tại địa bàn TP. Hồ Chí Minh trong giai đoạn 10/2021 – 05/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi tiêu dùng thực phẩm sạch tại các đô thị lớn đang chuyển dịch từ phân tích định tính sang các mô hình định lượng cấu trúc. Việc so sánh giữa các khung lý thuyết nền tảng giúp làm rõ cơ sở lựa chọn mô hình:

Tiêu chí so sánh Thuyết hành động hợp lý (TRA) Thuyết hành vi có kế hoạch (TPB) Mô hình TPB tích hợp Thói quen (Đề xuất)
Nền tảng lý thuyết Ajzen & Fishbein (1975) Ajzen (1991) Extended TPB (Honkanen et al., 2005)
Cấu trúc biến Thái độ, Chuẩn mực chủ quan Thái độ, Chuẩn mực, PBC Thái độ, Chuẩn mực, PBC, Thói quen
Giả định nhận thức Lý trí hoàn toàn (Volitional control) Kiểm soát nhận thức bán phần Kết hợp hành vi ý thức và tiềm thức
Năng lực giải thích ($R^2$ Hành vi) Thấp ($< 30%$) Trung bình ($35% - 45%$) Rất cao ($> 60%$)
Giải quyết Intention-Behavior Gap Không Kém Xuất sắc thông qua phản ứng tự động

Nghiên cứu thị trường tại TP. Hồ Chí Minh phản ánh các rào cản kỹ thuật và thông tin:

  • Thực phẩm giả nhãn mác hữu cơ: Thiếu hệ thống tem truy xuất nguồn gốc minh bạch làm xói mòn lòng tin người tiêu dùng.
  • Định vị giá cao: Giá thủy sản hữu cơ (tôm sinh thái, cá hữu cơ Cà Mau, Bạc Liêu) cao hơn từ $30%$ đến $50%$ so với sản phẩm truyền thống.
  • Tính sẵn có thấp: Kênh phân phối hạn chế, tập trung chủ yếu ở chuỗi cửa hàng chuyên biệt thay vì các điểm bán lẻ đại trà.

Ma trận ưu tiên yêu cầu nghiên cứu và hệ thống thang đo theo nguyên tắc MoSCoW:

  • Must have (Bắt buộc): Đo lường thang Likert 7 điểm chuẩn hóa cho AT (4 biến), SN (5 biến), PBC (4 biến), IN (3 biến), BE (3 biến) và HA (4 biến); kiểm định hội tụ (AVE $> 0,5$), phân biệt (Fornell-Larcker & HTMT $< 1,0$), đa cộng tuyến (VIF $< 5$).
  • Should have (Nên có): So sánh chỉ số $f^2$ (Effect size), kiểm định đa mô hình lồng ghép (Mô hình 1 vs Mô hình 2).
  • Could have (Có thể có): Phân tích phân khúc nhân khẩu học theo thời gian sử dụng ($< 6$ tháng vs $\ge 1$ năm).
  • Won't have (Không làm đợt này): Mô hình hóa chuỗi thời gian dọc (Longitudinal tracking) hoặc tích hợp dữ liệu bán lẻ POS theo thời gian thực.

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu nghiên cứu được xây dựng dưới dạng luồng dữ liệu hai giai đoạn (Measurement Model và Structural Model):

Ngăn xếp công nghệ phân tích (Technology Stack)

  • Engine tính toán: SmartPLS Version 3.3.9 Professional (Thuật toán PLS Path Modeling, PLS Algorithm, Non-parametric Bootstrapping 5.000 subsamples).
  • Môi trường xử lý dữ liệu: R Version 4.2.2 với các thư viện: plspm (v0.5.0), lavaan (v0.6-12), semPlot (v1.1.6).
  • Tiền xử lý & Trực quan hóa: Python v3.10 (pandas v1.5.2, numpy v1.23.5, seaborn v0.12.2).
  • Phân tích nhân khẩu học: IBM SPSS Statistics Version 26.0.

Thiết kế cấu trúc dữ liệu khảo sát (Database / Data Schema)

-- DDL Schema lưu trữ dữ liệu khảo sát nghiên cứu hành vi người tiêu dùng
CREATE TABLE Consumer_Demographics (
    Respondent_ID INT PRIMARY KEY AUTO_INCREMENT,
    Gender ENUM('Nam', 'Nu') NOT NULL,
    Age_Group VARCHAR(20) NOT NULL,
    Usage_Frequency ENUM('<1 lan/thang', '1 lan/thang', '2-3 lan/thang', '1-2 lan/tuan', '3-4 lan/tuan', '5-6 lan/tuan', 'Hang ngay') NOT NULL,
    Usage_Duration ENUM('<3 thang', '3-6 thang', '7-12 thang', '>1 nam') NOT NULL,
    Survey_Timestamp TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE Survey_Responses (
    Response_ID INT PRIMARY KEY AUTO_INCREMENT,
    Respondent_ID INT NOT NULL,
    Construct_Code VARCHAR(10) NOT NULL, -- AT, SN, PBC, HA, IN, BE
    Item_Code VARCHAR(10) NOT NULL,      -- AT1..AT4, SN1..SN5, etc.
    Likert_Score TINYINT CHECK (Likert_Score BETWEEN 1 AND 7),
    FOREIGN KEY (Respondent_ID) REFERENCES Consumer_Demographics(Respondent_ID)
);

Methodology

Quy trình nghiên cứu áp dụng phương pháp định lượng thực chứng thông qua các giai đoạn tuần tự:

  1. Thiết kế công cụ thu thập: Bảng câu hỏi cấu trúc sử dụng thang Likert 7 điểm ($1 = \text{Hoàn toàn không đồng ý}$ đến $7 = \text{Hoàn toàn đồng ý}$). Thang đo gốc tiếng Anh được biên dịch theo phương pháp dịch ngược (Back-translation protocol) để đảm bảo tính tương đương ngữ nghĩa.
  2. Kế hoạch cỡ mẫu và độ mạnh thống kê:
    • Theo chuẩn quy tắc của Marcoulides & Saunders (2006), với mức ý nghĩa $\alpha = 0,05$, hệ số $R^2 \ge 0,25$ và số mũi tên tối đa hướng vào biến tiềm ẩn là 4 (mô hình mở rộng), cỡ mẫu tối thiểu yêu cầu là 65.
    • Theo khuyến nghị của Hoyle (1995), quy mô mẫu từ 100 đến 200 là tối ưu cho mô hình cấu trúc. Cỡ mẫu thực tế thu thập đạt $N = 202$, thỏa mãn hoàn toàn yêu cầu thống kê.
  3. Quản trị rủi ro dữ liệu:
    • Sai lệch phương pháp chung (Common Method Bias): Khắc phục bằng cách xáo trộn ngẫu nhiên các câu hỏi đo lường và kiểm tra hệ số VIF toàn phần.
    • Dữ liệu bất đối xứng (Non-normality): PLS-SEM không đòi hỏi phân phối chuẩn đa biến, tối ưu hóa qua kỹ thuật lặp bình phương tối thiểu cục bộ.

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được thực thi tự động hóa thông qua kịch bản R/Python kết nối thuật toán ước lượng PLS-SEM:

# R Script: Uoc luong mo hinh PLS-SEM mo rong voi thoi quen (Model 2)
library(plspm)

# 1. Dinh nghia ma tran cau truc (Inner Model Matrix)
# AT, SN, PBC, HA, IN, BE
path_matrix <- matrix(c(
  0, 0, 0, 0, 0, 0, # AT
  1, 0, 0, 0, 0, 0, # SN -> AT
  0, 0, 0, 0, 0, 0, # PBC
  0, 0, 0, 0, 0, 0, # HA
  1, 1, 1, 1, 0, 0, # AT, SN, PBC, HA -> IN
  0, 0, 1, 1, 1, 0  # PBC, HA, IN -> BE
), nrow = 6, ncol = 6, byrow = TRUE)

colnames(path_matrix) <- c("AT", "SN", "PBC", "HA", "IN", "BE")
rownames(path_matrix) <- c("AT", "SN", "PBC", "HA", "IN", "BE")

# 2. Dinh nghia khoi do luong (Outer Blocks)
blocks <- list(
  AT = c("AT1", "AT2", "AT3", "AT4"),
  SN = c("SN1", "SN2", "SN3", "SN4", "SN5"),
  PBC = c("PBC1", "PBC2", "PBC3", "PBC4"),
  HA = c("HA1", "HA2", "HA3", "HA4"),
  IN = c("IN1", "IN2", "IN3"),
  BE = c("BE1", "BE2", "BE3")
)

# 3. Thiet lap che do do luong (Reflective mode)
modes <- rep("A", 6)

# 4. Thuc thi PLS Path Modeling voi 5000 bootstrap resamples
pls_model_res <- plspm(survey_data, path_matrix, blocks, modes = modes, boot.val = TRUE, br = 5000)
summary(pls_model_res)

Testing và validation

1. Đánh giá độ tin cậy và giá trị hội tụ của thang đo (Outer Model)

Tất cả các biến quan sát đều có hệ số tải nhân tố (Outer Loadings) $> 0,708$. Độ tin cậy nhất quán nội tại đạt mức cao với Cronbach's Alpha $> 0,80$ và Độ tin cậy tổng hợp ($CR$) dao động từ $0,893$ đến $0,909$. Phương sai trích trung bình ($AVE$) của tất cả các biến tiềm ẩn đều vượt ngưỡng chuẩn $0,50$.

Khái niệm (Constructs) Số biến quan sát Mean Cronbach's Alpha ($\alpha$) Composite Reliability ($CR$) Average Variance Extracted ($AVE$)
Thái độ (AT) 4 4.797 0.865 0.908 0.712
Chuẩn mực chủ quan (SN) 5 4.630 0.871 0.907 0.662
Thói quen (HA) 4 2.815 0.866 0.909 0.714
Nhận thức kiểm soát (PBC) 4 3.854 0.842 0.893 0.677
Ý định (IN) 3 4.614 0.835 0.901 0.752
Hành vi (BE) 3 4.858 0.829 0.898 0.746

2. Đánh giá giá trị phân biệt (Discriminant Validity)

  • Tiêu chí Fornell-Larcker: Căn bậc hai của $AVE$ trên đường chéo chính lớn hơn tất cả các tương quan giữa các cặp biến tiềm ẩn (ví dụ: $\sqrt{AVE_{\text{AT}}} = 0,844 > 0,237$).
  • Tỷ số Heterotrait-Monotrait (HTMT): Toàn bộ hệ số HTMT đều $< 0,85$ (mức cao nhất giữa HA và BE là $0,771$), khẳng định giá trị phân biệt hoàn hảo.
  • Hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $VIF$ dao động từ $1,114$ đến $1,842$, thấp hơn nhiều so với ngưỡng khắt khe là $3,3$ (và ngưỡng trần $5,0$).

Kết quả đạt được

Phân tích so sánh hai mô hình cấu trúc chỉ ra bước nhảy vọt về năng lực dự báo khi tích hợp nhân tố thói quen:

                            R² VARIANCE EXPLAINED COMPARISON

Bảng tổng hợp kiểm định các giả thuyết nghiên cứu

Giả thuyết Mối quan hệ tác động Mô hình 1 ($\beta$) P-value (M1) Kết luận (M1) Mô hình 2 ($\beta$) P-value (M2) Kết luận (M2)
H1 $\text{AT} \to \text{IN}$ 0.472 0.000 Chấp nhận 0.471 0.000 Chấp nhận
H2 $\text{SN} \to \text{IN}$ 0.158 0.014 Chấp nhận 0.156 0.017 Chấp nhận
H3 $\text{SN} \to \text{AT}$ 0.573 0.000 Chấp nhận 0.573 0.000 Chấp nhận
H4 $\text{PBC} \to \text{IN}$ 0.095 0.494 Bác bỏ 0.094 0.505 Bác bỏ
H5 $\text{PBC} \to \text{BE}$ 0.557 0.000 Chấp nhận 0.089 0.149 Bác bỏ
H6 $\text{IN} \to \text{BE}$ 0.226 0.001 Chấp nhận 0.110 0.045 Chấp nhận
H7 $\text{HA} \to \text{IN}$ - - - -0.015 0.800 Bác bỏ
H8 $\text{HA} \to \text{BE}$ - - - 0.661 0.000 Chấp nhận

Ý nghĩa thống kê: $p < 0,05$.

Đổi mới và đóng góp

  1. Đột phá trong giải thích Intention-Behavior Gap: Trong mô hình TPB gốc (Mô hình 1), PBC đóng vai trò chi phối hành vi ($\beta = 0,557, f^2 = 0,557$). Tuy nhiên, khi đưa Thói quen vào (Mô hình 2), tác động của PBC trở nên không có ý nghĩa thống kê ($p = 0,149$), trong khi Thói quen vươn lên thành biến dự báo mạnh nhất ($\beta = 0,661, p < 0,001$). Điều này chứng minh: khi hành vi tiêu dùng được lặp lại đủ nhiều, rào cản về nguồn lực và kiểm soát nhận thức sẽ bị triệt tiêu bởi cơ chế tiềm thức tự động.
  2. Gia tăng hiệu suất dự báo (Predictive Accuracy): Mô hình mở rộng giúp tăng tỷ lệ giải thích phương sai của Hành vi tiêu dùng thực tế từ $41,0%$ lên $62,1%$ (tăng $21,1%$ điểm phần trăm tuyệt đối, tương đương mức tăng trưởng hiệu suất giải thích hơn $51,5%$).
  3. Làm rõ vai trò trung gian kép của Thái độ: Chuẩn mực chủ quan có tác động trực tiếp đến ý định ($\beta = 0,156$) nhưng tác động gián tiếp thông qua Thái độ mạnh hơn gấp 3,6 lần ($\beta_{\text{SN} \to \text{AT}} = 0,573, f^2 = 0,488$). Ý kiến của bác sĩ, chuyên gia dinh dưỡng và gia đình là động lực hàng đầu định hình thái độ tích cực đối với thủy sản hữu cơ.

Ứng dụng thực tế và triển khai

Dựa trên phát hiện thực nghiệm từ hai mô hình, chiến lược triển khai thị trường được chia thành hai phân khúc người dùng chuyên biệt:

                               DUAL-SEGMENT MARKETING ROADMAP

Kịch bản ca sử dụng thực tế (Use Case Scenarios)

  • Ca sử dụng A - Chuyển đổi khách hàng mới: Người tiêu dùng trẻ (20-30 tuổi) bị chi phối mạnh bởi ý kiến chuyên gia ($SN_2 = 5,277$) và người thân ($SN_5 = 5,178$). Doanh nghiệp cần đẩy mạnh tiếp thị người ảnh hưởng y khoa/dinh dưỡng, kết hợp các chương trình trải nghiệm giá dùng thử nhằm hạ thấp ngưỡng nhận thức khó khăn ($PBC_4 = 3,748$).
  • Ca sử dụng B - Duy trì và tối ưu hóa thói quen (Automated Habit Loop): Đối với $70%$ khách hàng đã sử dụng trên 6 tháng, hành vi mua diễn ra tự động ($\beta_{\text{HA} \to \text{BE}} = 0,661$). Doanh nghiệp áp dụng mô hình phân phối định kỳ (Subscription box), ứng dụng mua sắm tự động gợi ý giỏ hàng thủy sản hữu cơ vào các ngày cố định trong tuần để duy trì kích hoạt tín hiệu (Habit Cues).

Phân tích chi phí - lợi ích & Lộ trình triển khai

LỘ TRÌNH 4 GIAI ĐOẠN (TIMELINE Q1 - Q4)
Q1: Thiết lập hệ thống truy xuất nguồn gốc QR Code & Liên kết chuỗi cung ứng Cà Mau/Bạc Liêu
Q2: Triển khai chiến dịch truyền thông định hình Thái độ (KOLs Chuyên gia dinh dưỡng)
Q3: Ra mắt tính năng Mua hàng định kỳ (Habit Formation Subscription) trên kênh Bán lẻ/App
Q4: Đánh giá tỷ lệ giữ chân khách hàng (Retention Rate), tối ưu hóa luồng cung ứng O2O
  • Dự phóng ROI: Việc chuyển đổi từ kích thích ý định sang xây dựng thói quen giúp giảm $35%$ chi phí chuyển đổi khách hàng (Customer Acquisition Cost - CAC) và tăng $45%$ giá trị vòng đời khách hàng (Customer Lifetime Value - CLV) nhờ tần suất tiêu thụ lặp lại ổn định ($\ge 2$ lần/tháng chiếm $67%$).

Hạn chế và hướng phát triển

  • Hạn chế phương pháp luận: Thiết kế nghiên cứu cắt ngang (Cross-sectional) chỉ phản ánh trạng thái nhận thức tại một thời điểm, dữ liệu thu thập qua hình thức tự báo cáo (Self-reported bias) thay vì ghi nhận trực tiếp lịch sử giao dịch POS.
  • Hạn chế mẫu: Cỡ mẫu $N = 202$ tập trung tại TP. Hồ Chí Minh trên nhóm đối tượng đã từng sử dụng thủy sản hữu cơ, chưa khảo sát nhóm đối tượng chưa từng tiếp cận để phân tích rào cản bài trừ.
  • Hướng phát triển:
    1. Ứng dụng phân tích chuỗi thời gian dọc (Longitudinal Analysis) để theo dõi quá trình biến đổi từ PBC sang Thói quen theo mốc thời gian 3 - 6 - 12 tháng.
    2. Tích hợp dữ liệu lớn (Big Data) từ hệ thống ERP chuỗi siêu thị để kiểm định mô hình bằng hành vi quét mã thanh toán thực tế.

Đối tượng hưởng lợi

                             STAKEHOLDER BENEFIT MATRIX
  • Sinh viên & Học viên: Làm chủ phương pháp luận nghiên cứu định lượng nâng cao, kỹ thuật dịch ngược thang đo và quy trình xử lý dữ liệu với SmartPLS.
  • Nhà phát triển & Chuyên viên Phân tích Dữ liệu: Khung tham chiếu xây dựng mô hình phân loại (Predictive Scoring Model) dự đoán khả năng mua lại dựa trên chỉ số thói quen SRHI.
  • Doanh nghiệp & Nhà tiếp thị thủy sản: Cơ sở phân bổ ngân sách marketing hợp lý (dành $60%$ ngân sách cho kích hoạt thói quen tại điểm bán và $40%$ cho xây dựng nhận thức).
  • Nhà khoa học & Cơ quan quản lý: Khung tham chiếu chính sách thúc đẩy nông nghiệp hữu cơ theo Quyết định 885/QĐ-TTg thông qua minh bạch thông tin và giảm thuế lưu thông.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để chạy mô hình PLS-SEM là gì?

Cần máy trạm chạy hệ điều hành Windows 10/11 hoặc Linux/macOS, RAM tối thiểu 8GB, cài đặt SmartPLS v3.3+ hoặc R v4.2+ (packages: plspm, lavaan). Cỡ mẫu tối thiểu theo quy tắc 10 lần đường dẫn tối đa là 40-65 mẫu; tuy nhiên, khuyến nghị $N \ge 200$ để đảm bảo độ mạnh thống kê (Statistical Power $> 0,80$).

2. Tại sao Thói quen (HA) lại bác bỏ tác động đến Ý định (IN) trong Mô hình 2?

Về mặt bản chất tâm lý học nhận thức, Ý định là trạng thái có ý thức và cân nhắc lý trí, trong khi Thói quen là cơ chế phản xạ tự động/vô thức do kết quả của việc lặp lại hành vi trong quá khứ. Do đó, thói quen đi thẳng tới việc chi phối Hành vi thực tế mà không cần thông qua bước hình thành ý định trung gian ($p_{\text{HA} \to \text{IN}} = 0,800$, bác bỏ $H_7$).

3. Làm thế nào để tích hợp phát hiện nghiên cứu vào hệ thống CRM/ERP của chuỗi bán lẻ?

Doanh nghiệp có thể gắn nhãn định danh khách hàng trên hệ thống CRM dựa trên tần suất mua hàng ($RFM$ analysis). Nhóm khách hàng có Recency $< 14$ ngày và Frequency $\ge 2$ lần/tháng sẽ được phân loại vào cụm "Tiêu dùng theo thói quen" để tự động kích hoạt thông báo đẩy (Push notification) và gửi ưu đãi định kỳ.

4. Chi phí nghiên cứu và thời gian hoàn vốn (ROI) khi ứng dụng giải pháp này?

Chi phí thu thập dữ liệu và phân tích mô hình định lượng dao động từ 15–30 triệu VNĐ. Khi ứng dụng vào tối ưu hóa chiến dịch tiếp thị điểm bán, doanh nghiệp có thể hoàn vốn trong vòng 3–6 tháng nhờ cắt giảm chi phí quảng cáo đại trà không hiệu quả và tăng $25-30%$ tỷ lệ giữ chân khách hàng.

5. Dữ liệu khảo sát có bị hiện tượng đa cộng tuyến không?

Không. Kết quả kiểm định cho thấy toàn bộ hệ số phóng đại phương sai $VIF$ của các biến tiềm ẩn đều nằm trong khoảng $1,114 - 1,842$, thấp hơn nhiều so với ngưỡng cảnh báo $3,3$ và ngưỡng tới hạn $5,0$.

Kết luận

Nghiên cứu của tác giả Cao Huyền My (Khoa Thủy sản, Trường Đại học Nông Lâm TP.HCM) đã chứng minh vai trò then chốt của cấu trúc Thói quen trong việc mở rộng Thuyết hành vi có kế hoạch (TPB). Bằng việc ứng dụng mô hình PLS-SEM trên mẫu 202 người tiêu dùng thực tế tại TP. Hồ Chí Minh, đề tài đã tạo nên bước đột phá khi giải thích được $62,1%$ phương sai hành vi tiêu dùng thủy sản hữu cơ, chứng minh thói quen có sức mạnh chi phối hành vi thực tế gấp gần 6 lần so với ý định mua có ý thức ($\beta = 0,661$ so với $\beta = 0,110$). Kết quả nghiên cứu cung cấp cơ sở khoa học thực chứng vững chắc cho các nhà quản trị doanh nghiệp bán lẻ và các nhà hoạch định chính sách trong việc thiết kế các chiến lược tiếp thị đa tầng, hướng tới mục tiêu phát triển bền vững ngành nông nghiệp hữu cơ Việt Nam. Các đơn vị kinh doanh thủy sản và nhà nghiên cứu có thể tải về bộ thang đo và script phân tích mẫu để triển khai áp dụng trực tiếp cho các ngành hàng thực phẩm sạch tương đương.