Giới thiệu dự án

Trong kỷ nguyên kinh tế số và bùng nổ thương mại điện tử (E-commerce), nền tảng mạng xã hội video ngắn TikTok đã vươn lên thành một trong những kênh truyền thông xã hội và bán hàng (Social Commerce) có tốc độ tăng trưởng nhanh nhất toàn cầu. Theo báo cáo Digital 2023 của We Are Social & Meltwater, Việt Nam sở hữu 49,86 triệu người dùng TikTok từ 18 tuổi trở lên, độ phủ quảng cáo đạt 68,9% người trưởng thành. Báo cáo thị trường từ Metric ghi nhận trong Quý 2/2023, TikTok Shop đạt doanh thu 16.300 tỷ VNĐ với 117 triệu sản phẩm bán ra, vượt qua Lazada để vươn lên vị trí thứ hai trên thị trường thương mại điện tử Việt Nam. Đặc biệt, phân khúc người tiêu dùng trẻ thuộc thế hệ Gen Z (sinh viên đại học) chiếm tỷ trọng tiêu thụ mỹ phẩm trực tuyến cao nhất, đồng thời chịu tác động sâu sắc từ các nhà sáng tạo nội dung và người dẫn dắt ý kiến dư luận (Key Opinion Leaders - KOLs).

Tuy nhiên, thị trường tiếp thị qua người có ảnh hưởng (Influencer Marketing) đang đối mặt với nhiều rủi ro nghiêm trọng: tình trạng quảng cáo thổi phồng công dụng, chứng thực sản phẩm kém chất lượng, và khủng hoảng thông tin tiêu cực làm suy giảm niềm tin người tiêu dùng. Đứng trước bài toán tối ưu hóa chi phí tiếp thị và gia tăng chuyển đổi bán hàng thực tế, nghiên cứu ứng dụng "Các nhân tố ảnh hưởng đến ý định mua mỹ phẩm thông qua KOLs trên nền tảng TikTok của sinh viên Trường Đại học Ngân hàng TP. Hồ Chí Minh" (chuyên ngành Quản trị Kinh doanh, Trường Đại học Ngân hàng TP.HCM - HUB) được triển khai nhằm lượng hóa chính xác các biến số tâm lý - hành vi tác động đến quyết định chi tiêu của phân khúc khách hàng mục tiêu.

Mục tiêu nghiên cứu cụ thể

  1. Xác định danh mục nhân tố: Nhận diện hệ thống 6 nhân tố tác động đến ý định mua mỹ phẩm bao gồm: Kiến thức của KOLs (KT), Thông tin tiêu cực (TTTC), Chất lượng thông tin (CLTT), Sự tin cậy (STC), Sự thu hút (STH), và Sự quen thuộc (SQT).
  2. Lượng hóa mức độ tác động: Thiết lập mô hình hồi quy tuyến tính bội trên tập dữ liệu khảo sát thực nghiệm $N = 201$, xác định trọng số hồi quy chuẩn hóa ($\beta$) của từng nhân tố.
  3. Xây dựng giải pháp quản trị: Đề xuất bộ giải pháp thực thi ma trận lựa chọn và kiểm soát rủi ro booking KOLs cho các doanh nghiệp mỹ phẩm nhắm đến phân khúc sinh viên.

Phương pháp tiếp cận và phạm vi

  • Phương pháp tiếp cận: Ứng dụng kết hợp ba khung lý thuyết nền tảng gồm Lý thuyết Hành vi có Kế hoạch (Theory of Planned Behavior - TPB), Mô hình Chấp nhận Công nghệ (Technology Acceptance Model - TAM), và Mô hình Tiếp nhận Thông tin (Information Adoption Model - IAM).
  • Phạm vi khảo sát: Sinh viên các khóa 1 đến 4 đang theo học tại Trường Đại học Ngân hàng TP.HCM (HUB), có hành vi sử dụng TikTok và phát sinh nhu cầu mua sắm mỹ phẩm (thời gian thu thập dữ liệu: Tháng 01/2024 – Tháng 03/2024).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi ứng dụng mô hình định lượng chuyên sâu, các chiến lược Influencer Marketing truyền thống thường dựa vào cảm tính hoặc các chỉ số bề nổi (vanity metrics) như lượng người theo dõi (followers) hay lượt xem (views), dẫn đến tỷ lệ chuyển đổi đơn hàng (Conversion Rate - CVR) thấp và lãng phí ngân sách.

Giải pháp tiếp thị Ưu điểm Nhược điểm / Rủi ro Tỷ lệ rủi ro khủng hoảng
Quảng cáo hiển thị truyền thống (Display Ads) Độ phủ rộng, kiểm soát 100% nội dung thông điệp Kháng quảng cáo cao, thiếu tính xác thực và trải nghiệm cá nhân Thấp (< 5%)
Đại sứ người nổi tiếng (Celebrity Endorsement) Nhận diện thương hiệu bùng nổ, tạo hiệu ứng hào quang Chi phí đắt đỏ, ít kiến thức chuyên sâu về thành phần mỹ phẩm Trung bình (~25%)
KOLs Review đa chiều trên TikTok (Đề xuất) Tính chân thực cao, phân tích chuyên môn chi tiết, chi phí tối ưu Dễ phát sinh thông tin tiêu cực nếu KOL dính scandal Kiểm soát được thông qua chỉ số mô hình

Phân tích yêu cầu theo khung MoSCoW

  • Must-have (Bắt buộc): Đo lường kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.70$), phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA với KMO $\ge 0.50$), xác định hệ số hồi quy chuẩn hóa $\beta$ có ý nghĩa thống kê ($p < 0.05$).
  • Should-have (Nên có): Kiểm định đa cộng tuyến (Hệ số phóng đại phương sai Variance Inflation Factor - $\text{VIF} < 2.0$), kiểm định phân phối chuẩn phần dư và phương sai sai số không đổi.
  • Could-have (Có thể có): Phân tích phương sai ANOVA một chiều kiểm tra sự khác biệt ý định mua theo mức thu nhập và năm học.
  • Won't-have (Không ưu tiên): Khảo sát các nền tảng video dài (YouTube) hoặc mở rộng mẫu ra ngoài nhóm trường kinh tế trong phạm vi nghiên cứu này.

Thiết kế mô hình và kiến trúc dữ liệu

Khung nghiên cứu đề xuất được cấu thành từ 6 biến độc lập và 1 biến phụ thuộc, được đo lường thông qua 28 biến quan sát thang đo Likert 5 mức độ (từ 1: "Hoàn toàn không đồng ý" đến 5: "Hoàn toàn đồng ý"):

-- Schema cấu trúc bảng dữ liệu khảo sát (Codebook Data Schema)
CREATE TABLE survey_responses (
    response_id VARCHAR(36) PRIMARY KEY,
    gender VARCHAR(10) NOT NULL,            -- Giới tính (Nam, Nữ)
    academic_year VARCHAR(10) NOT NULL,      -- Sinh viên năm 1, 2, 3, 4
    monthly_income VARCHAR(20) NOT NULL,    -- Dưới 3 triệu, 3-5 triệu, Trên 5 triệu
    sth_1 DECIMAL(2,1), sth_2 DECIMAL(2,1), sth_3 DECIMAL(2,1), sth_4 DECIMAL(2,1), sth_5 DECIMAL(2,1),
    stc_1 DECIMAL(2,1), stc_2 DECIMAL(2,1), stc_3 DECIMAL(2,1), stc_4 DECIMAL(2,1),
    kt_1 DECIMAL(2,1), kt_2 DECIMAL(2,1), kt_3 DECIMAL(2,1), kt_4 DECIMAL(2,1),
    sqt_1 DECIMAL(2,1), sqt_2 DECIMAL(2,1), sqt_3 DECIMAL(2,1),
    cltt_1 DECIMAL(2,1), cltt_2 DECIMAL(2,1), cltt_3 DECIMAL(2,1),
    tttc_1 DECIMAL(2,1), tttc_2 DECIMAL(2,1), tttc_3 DECIMAL(2,1),
    ydlc_1 DECIMAL(2,1), ydlc_2 DECIMAL(2,1), ydlc_3 DECIMAL(2,1), ydlc_4 DECIMAL(2,1), ydlc_5 DECIMAL(2,1), ydlc_6 DECIMAL(2,1),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Phương pháp luận (Methodology)

Quy trình nghiên cứu áp dụng phương pháp nghiên cứu kết hợp (Mixed Methods):

  1. Nghiên cứu định tính: Phỏng vấn chuyên gia và thảo luận nhóm tập trung nhằm hiệu chỉnh ngữ nghĩa các biến quan sát thang đo từ các nghiên cứu gốc (Võ Tường Vy, 2021; Rebelo, 2017; Osei-Frimpong et al., 2019).
  2. Nghiên cứu định lượng: Thu thập dữ liệu qua Google Forms với mẫu thuận tiện $N = 201$. Theo quy tắc Tabachnick & Fidell ($N \ge 8m + 50 = 8 \times 6 + 50 = 98$) và tiêu chuẩn Hair et al. ($N \ge 5 \times 28 = 140$), cỡ mẫu 201 đảm bảo độ tin cậy và lực lượng thống kê cho phân tích EFA và hồi quy OLS.
  3. Công cụ xử lý: Phần mềm thống kê IBM SPSS Statistics phiên bản 20.0 và Python Data Analytics Stack (Pandas, Statsmodels, Scikit-learn).

Implementation và kết quả

Quy trình xử lý và mã nguồn phân tích kỹ thuật

Toàn bộ quy trình phân tích độ tin cậy Cronbach's Alpha, trích xuất nhân tố khám phá EFA và xây dựng phương trình hồi quy tuyến tính được chuẩn hóa bằng mã lệnh:

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

# 1. Đọc dữ liệu khảo sát N = 201 sinh viên Đại học Ngân hàng TP.HCM
df = pd.read_csv("hub_tiktok_kols_survey.csv")

# 2. Định nghĩa danh sách các biến độc lập và phụ thuộc sau khi tính Mean chỉ báo
independent_vars = ['KT', 'CLTT', 'STC', 'STH', 'SQT', 'TTTC']
dependent_var = 'YDLC'

# 3. Chuẩn hóa dữ liệu để trích xuất hệ số Beta chuẩn hóa
X = df[independent_vars]
y = df[dependent_var]
X_std = (X - X.mean()) / X.std()
y_std = (y - y.mean()) / y.std()

# 4. Huấn luyện mô hình Hồi quy tuyến tính OLS (Ordinary Least Squares)
X_std_const = sm.add_constant(X_std)
ols_model = sm.OLS(y_std, X_std_const).fit()

# 5. Đánh giá Đa cộng tuyến (Variance Inflation Factor - VIF)
vif_data = pd.DataFrame()
vif_data["Variable"] = independent_vars
vif_data["VIF"] = [variance_inflation_factor(X_std.values, i) for i in range(len(independent_vars))]

print(ols_model.summary())
print("\nKiểm tra Đa cộng tuyến VIF:")
print(vif_data)

SPSS Syntax kiểm định độ tin cậy và hồi quy:
RELIABILITY /VARIABLES=KT1 KT2 KT3 KT4 /SCALE('Cronbach Alpha KT') ALL /MODEL=ALPHA.
FACTOR /VARIABLES=STH1 TO TTTC3 /MISSING LISTWISE /ANALYSIS STH1 TO TTTC3
  /PRINT INITIAL EXTRACTION ROTATION /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PAF /ROTATION VARIMAX.
REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN
  /DEPENDENT YDLC /METHOD=ENTER KT CLTT STC STH SQT TTTC.

Kết quả kiểm định thống kê và đo lường

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

Tất cả 6 thang đo biến độc lập và 1 thang đo biến phụ thuộc đều đạt yêu cầu khắt khe về độ tin cậy với hệ số Cronbach's Alpha dao động từ $0.785$ đến $0.892$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của 28 biến quan sát đều lớn hơn $0.412$ (vượt xa ngưỡng tiêu chuẩn $0.30$).

  • Kiểm định KMO (Kaiser-Meyer-Olkin) đạt $0.842 > 0.50$, kiểm định Bartlett có ý nghĩa thống kê cao ($p = 0.000 < 0.05$).
  • Tổng phương sai trích (Total Variance Explained) đạt $63.85% > 50%$ tại điểm dừng Eigenvalue $= 1.218 > 1.0$.

2. Kết quả hồi quy tuyến tính bội

Phương trình hồi quy chuẩn hóa được xác lập chính thức như sau:

$$\text{YĐLC} = 0.291 \times \text{KT} + 0.230 \times \text{CLTT} + 0.190 \times \text{STC} + 0.120 \times \text{STH} + 0.109 \times \text{SQT} - 0.265 \times \text{TTTC}$$

Biến độc lập Ký hiệu Hệ số $\beta$ chuẩn hóa Giá trị $t$-value Mức ý nghĩa ($p$-value) Hệ số VIF Kết luận giả thuyết
Kiến thức của KOLs KT +0.291 4.812 0.000 1.342 H3: Chấp nhận ($p < 0.01$)
Thông tin tiêu cực TTTC -0.265 -4.420 0.000 1.189 H6: Chấp nhận ($p < 0.01$)
Chất lượng thông tin CLTT +0.230 3.905 0.000 1.275 H5: Chấp nhận ($p < 0.01$)
Sự tin cậy STC +0.190 3.148 0.002 1.410 H2: Chấp nhận ($p < 0.05$)
Sự thu hút STH +0.120 2.015 0.045 1.315 H1: Chấp nhận ($p < 0.05$)
Sự quen thuộc SQT +0.109 1.988 0.048 1.204 H4: Chấp nhận ($p < 0.05$)

[!NOTE] Đánh giá vi phạm giả định hồi quy: Hệ số phóng đại phương sai $\text{VIF} < 1.45$ chứng minh hoàn toàn không có hiện tượng đa cộng tuyến. Biểu đồ Histogram phần dư chuẩn hóa tuân theo phân phối chuẩn (Mean gần 0, Std. Dev $\approx 0.985$), biểu đồ Scatterplot cho thấy các điểm phần dư phân tán ngẫu nhiên xung quanh đường $0$, xác nhận tính đồng nhất của phương sai sai số.

Đổi mới và đóng góp

  1. Bổ sung nhân tố tác động nghịch chiều "Thông tin tiêu cực" (TTTC): Khác với phần lớn các nghiên cứu trước đây (Võ Tường Vy, 2021; Lê Nguyễn Bình Minh et al., 2022) chỉ tập trung vào các nhân tố thúc đẩy tích cực, nghiên cứu này lượng hóa thành công sức tàn phá của TTTC với hệ số $\beta = -0.265$. Điều này chứng minh rằng chỉ một bê bối đánh giá sai sự thật hoặc khủng hoảng đạo đức của KOL có thể triệt tiêu hoàn toàn hiệu ứng tích cực từ sự thu hút ngoại hình ($\beta = 0.120$) và sự quen thuộc ($\beta = 0.109$).
  2. Khẳng định vị thế tối thượng của "Kiến thức chuyên môn" ($\beta = 0.291$): Kết quả phản ánh sự chuyển dịch nhận thức sắc bén của sinh viên khối ngành Kinh tế - Ngân hàng (HUB). Nhóm người dùng này có tư duy phân tích cao, đòi hỏi KOLs phải hiểu sâu về hoạt chất mỹ phẩm (AHA, BHA, Niacinamide, Retinol), cơ chế thẩm thấu và độ an toàn da liễu thay vì chỉ diễn xuất giải trí đơn thuần.
  3. Mô hình tích hợp đa chiều: Kết hợp thành công trục tiếp cận trung tâm (Central Route - Chất lượng thông tin, Kiến thức) và trục tiếp cận ngoại biên (Peripheral Route - Sự thu hút, Độ tin cậy) dựa trên mô hình IAM và TPB.
Tiêu chí so sánh Nghiên cứu của Võ Tường Vy (2021) Nghiên cứu của Rebelo (2017) Mô hình nghiên cứu hiện tại (2024)
Nền tảng khảo sát TikTok tổng thể Instagram TikTok & TikTok Shop chuyên sâu
Yếu tố tác động mạnh nhất Sự hấp dẫn / Thu hút ($\beta = 0.476$) Sự tin cậy của nguồn tin Kiến thức chuyên môn KOL ($\beta = 0.291$)
Biến rủi ro tiêu cực Không tích hợp Không tích hợp Tích hợp lượng hóa TTTC ($\beta = -0.265$)
Tính ứng dụng quản trị Định hướng xây kênh giải trí Định hướng xây dựng hình ảnh Khung sàng lọc booking & xử lý khủng hoảng

Ứng dụng thực tế và triển khai

Chiến lược ứng dụng ma trận 6 nhân tố trong Booking KOLs

Doanh nghiệp mỹ phẩm có thể trực tiếp áp dụng trọng số hồi quy để xây dựng bảng điểm đánh giá (Scoring Card) khi lựa chọn KOLs trên TikTok:

Tổng điểm KOL = (0.291 * Điểm_KT) + (0.230 * Điểm_CLTT) + (0.190 * Điểm_STC) 
                + (0.120 * Điểm_STH) + (0.109 * Điểm_SQT) - (0.265 * Điểm_TTTC)

Kịch bản triển khai thực tế (Real-World Use Case)

  • Bối cảnh: Nhãn hàng mỹ phẩm chăm sóc da (Dermacosmetics) nội địa ra mắt dòng serum trị mụn phục hồi nhắm đến sinh viên với ngân sách 150 triệu VNĐ.
  • Chiến lược booking:
    • Nhóm chuyên gia (KOC/KOL Bác sĩ da liễu, Dược sĩ, Beauty Reviewer chuyên sâu): Phân bổ 60% ngân sách nhằm tối đa hóa nhân tố Kiến thức (KT) và Chất lượng thông tin (CLTT). Video đi thẳng vào bảng thành phần, nồng độ hoạt chất, chứng nhận lâm sàng.
    • Nhóm phong cách sống (Lifestyle Creators có ngoại hình thu hút): Phân bổ 20% ngân sách để kích hoạt Sự thu hút (STH) và Sự quen thuộc (SQT).
    • Quỹ dự phòng kiểm soát khủng hoảng: Phân bổ 20% ngân sách để theo dõi mạng xã hội (Social Listening Tool) phát hiện sớm phản hồi tiêu cực (TTTC).
  • Hiệu quả kinh tế (ROI Forecast): Nhờ việc tập trung vào nhân tố Kiến thức và cắt giảm các KOLs vướng bê bối truyền thông, tỷ lệ chuyển đổi đơn hàng trên TikTok Shop tăng dự kiến từ 1.8% lên 3.5%, giảm thiểu 35% rủi ro lãng phí chi phí marketing vào các lượt xem ảo không ra chuyển đổi.

Hạn chế và hướng phát triển

[!IMPORTANT] Các giới hạn học thuật cần ghi nhận:

  • Giới hạn cỡ mẫu và tính đại diện: Nghiên cứu thực hiện với mẫu thuận tiện $N = 201$ sinh viên thuộc Trường Đại học Ngân hàng TP.HCM. Đặc thù sinh viên ngành tài chính - kinh tế có mức độ nhạy cảm cao về mặt thông tin và tư duy duy lý, có thể tạo ra độ lệch nhất định so với sinh viên khối ngành nghệ thuật hoặc xã hội.
  • Phương pháp xử lý: Sử dụng mô hình hồi quy OLS trên phần mềm SPSS kiểm định các quan hệ trực tiếp tuyến tính, chưa đo lường các tác động điều tiết (Moderating effect) hay trung gian (Mediating effect) của biến Thái độ đối với thương hiệu.

Hướng phát triển trong tương lai

  1. Ứng dụng mô hình cấu trúc tuyến tính (PLS-SEM): Nâng cấp phương pháp phân tích bằng SmartPLS để kiểm định đồng thời các biến trung gian như Niềm tin thương hiệu (Brand Trust) và Thái độ mua hàng (Purchase Attitude).
  2. Mở rộng phạm vi đa trường và đa nền tảng: Thu thập mẫu mở rộng ($N \ge 1.000$) trên phạm vi toàn quốc, đồng thời so sánh hành vi tiêu dùng giữa TikTok Shop, Shopee Live và Instagram Reels.
  3. Tích hợp Machine Learning: Xây dựng mô hình máy học (Random Forest, Gradient Boosting) trên dữ liệu clickstream và bình luận mạng xã hội (Sentiment Analysis) để dự đoán thời gian thực ý định mua hàng của người tiêu dùng trẻ.

Đối tượng hưởng lợi

  • Sinh viên & Người tiêu dùng trẻ: Nâng cao nhận thức phòng ngừa trước các chiêu trò quảng cáo sai sự thật, biết cách chọn lọc nội dung review mỹ phẩm có căn cứ khoa học từ các KOLs có trình độ chuyên môn thực tế.
  • Doanh nghiệp kinh doanh Mỹ phẩm & Agency Tiếp thị: Sở hữu khung tham chiếu định lượng chính xác để phân bổ ngân sách Influencer Marketing, chuyển dịch từ đo lường lượt xem thuần túy sang quản trị hiệu quả chuyển đổi dựa trên kiến thức và sự tin cậy.
  • Các nhà sáng tạo nội dung (KOLs/KOCs): Định hướng xây dựng nội dung bền vững, chú trọng trau dồi kiến thức chuyên môn da liễu và đảm bảo tính trung thực của thông tin cung cấp, tránh xa các hành vi đánh giá thiếu đạo đức.
  • Giới nghiên cứu & Giảng viên: Cung cấp tài liệu tham khảo thực nghiệm chuẩn mực về hành vi người tiêu dùng trên nền tảng Social Commerce, hoàn thiện hệ thống thang đo kết hợp mô hình TPB và IAM tại thị trường Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để tái lập mô hình phân tích hành vi người tiêu dùng này là gì?

Hệ thống cần trang bị công cụ thu thập dữ liệu (Google Forms hoặc SurveyMonkey), phần mềm xử lý dữ liệu thống kê IBM SPSS Statistics (tối thiểu phiên bản 20.0) hoặc ngôn ngữ lập trình Python $\ge 3.8$ (với các thư viện pandas, numpy, statsmodels, scikit-learn, factor_analyzer).

2. Có thể áp dụng nguyên vẹn mô hình này cho nền tảng Shopee Live hay Facebook Reels không?

Về mặt lý thuyết, 6 nhân tố đều giữ nguyên giá trị cốt lõi. Tuy nhiên, trên Shopee Live, yếu tố Khuyến mãi / Voucher giảm giá trực tiếp có thể xuất hiện như một biến độc lập mới cần được đưa vào khảo sát mở rộng.

3. Làm thế nào để doanh nghiệp tích hợp khung phân tích này vào hệ thống CRM/CDP hiện có?

Doanh nghiệp có thể tích hợp qua API kết nối dữ liệu chiến dịch tiếp thị KOL với hệ thống Customer Data Platform (CDP). Dữ liệu mã giới thiệu (Affiliate Code) hoặc link TikTok Shop gắn với từng KOL sẽ được phân loại tự động theo thuộc tính (KOL chuyên môn vs KOL giải trí) để tính toán chính xác Customer Lifetime Value (CLV) và ROI.

4. Chi phí đầu tư cho chiến dịch tiếp thị KOL TikTok theo mô hình này được phân bổ như thế nào?

Chi phí phân bổ chuẩn: 55-60% cho nhóm KOLs/KOCs có chuyên môn cao (Chất lượng thông tin & Kiến thức), 20% cho nhóm lan tỏa độ phủ (Sự thu hút), 15% chi phí quảng cáo Spark Ads khuếch đại video chất lượng, và 5-10% cho phần mềm Social Listening giám sát thông tin tiêu cực.

Kết luận

Khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến ý định mua mỹ phẩm thông qua KOLs trên nền tảng TikTok của sinh viên Trường Đại học Ngân hàng TP. Hồ Chí Minh" đã giải quyết trọn vẹn bài toán thực nghiệm về hành vi tiêu dùng thế hệ mới trong môi trường Social Commerce. Bằng việc lượng hóa chính xác vai trò dẫn đầu của Kiến thức chuyên môn ($\beta = 0.291$) và tác động triệt tiêu của Thông tin tiêu cực ($\beta = -0.265$), nghiên cứu cung cấp một luận cứ khoa học vững chắc giúp các nhà quản trị chuyển đổi chiến lược tiếp thị từ "chạy theo độ nổi tiếng ảo" sang "tiếp thị dựa trên giá trị chuyên môn và niềm tin bền vững". Đây là kim chỉ nam quan trọng cho các thương hiệu mỹ phẩm trong việc tối ưu hóa hiệu quả kinh doanh và thiết lập mối quan hệ gắn kết lâu dài với phân khúc khách hàng sinh viên đầy tiềm năng.