Giới thiệu dự án

  • Ngành: Marketing – Quản trị hành vi tiêu dùng
  • Đối tượng: Người tiêu dùng instant‑noodle tại TP.HCM
  • Bối cảnh thị trường: 5 tỷ gói mì ăn liền tiêu thụ năm 2015; nhu cầu bùng lên trong đại dịch COVID‑19 (tăng ≈ 30 %).
  • Problem statement: Các doanh nghiệp chưa hiểu rõ các yếu tố quyết định mua (giá, chất lượng, thương hiệu, bao bì, chiêu thị) cũng như tác động của nhân khẩu học (giới tính, tuổi, thu nhập, nghề nghiệp) lên quyết định mua. Điều này dẫn đến chiến lược marketing không tối ưu và giảm khả năng thâm nhập thị trường.
  • Mục tiêu dự án
    1. Xác định các yếu tố ảnh hưởng đến quyết định mua mì ăn liền.
    2. Đo lường mức độ ảnh hưởng của từng yếu tố (hệ số β, độ tin cậy).
    3. Kiểm định sự khác biệt quyết định mua theo các đặc điểm cá nhân.
    4. Đề xuất hàm ý quản trị để nâng cao ý định mua.
  • Solution approach
    • Thu thập dữ liệu khảo sát (n = 237) qua Google Forms → xuất CSV → nhập SPSS.
    • Kiểm định độ tin cậy (Cronbach’s α ≥ 0.6).
    • Phân tích EFA → Xác định 5 yếu tố tiềm ẩn (TH, GC, CL, BB, CT).
    • Hồi quy đa biến (Adjusted R² = 0.722, p < 0.001).
    • ANOVA/T‑test để kiểm tra sự khác biệt theo giới tính, tuổi, nghề nghiệp, thu nhập.
  • Kết quả dự kiến
    • 72 % biến thiên trong quyết định mua được giải thích bởi 5 yếu tố.
    • Các yếu tố thương hiệu (β = 0.213) và giá cả (β = 0.186) có tác động mạnh nhất.
    • Sự khác biệt đáng kể về quyết định mua theo độ tuổi (p = 0.013) và thu nhập (p = 0.002).
  • Scope & limitations
    • Chỉ tập trung vào TP.HCM; mẫu không bao phủ toàn quốc.
    • Phương pháp tự báo cáo → có nguy cơ sai lệch đáp viên.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khía cạnh Giải pháp hiện tại Ưu điểm Nhược điểm
Thị trường Các thương hiệu chủ lực (Acecook, Masan, Asia Food) chiếm > 80 % thị phần. Thị phần ổn định, hệ thống phân phối rộng. Thiếu đa dạng sản phẩm cho phân khúc cao cấp.
Chiến lược giá Giá trung bình 2 000‑5 000 VND/gói. Phù hợp với thu nhập thấp‑trung bình. Không linh hoạt cho phân khúc cao cấp, giảm biên lợi nhuận.
Bao bì Đóng gói 100 g – 200 g, thiết kế đồng nhất. Tiện lợi, chi phí sản xuất thấp. Thiếu tính thẩm mỹ, không truyền tải thông tin dinh dưỡng.
Chiêu thị Khuyến mại “Mua 1 tặng 1”, quảng cáo TV. Tăng doanh số ngắn hạn. Không xây dựng thương hiệu lâu dài, chi phí cao.
Nghiên cứu người tiêu dùng Bảng câu hỏi Likert, phân tích SPSS cơ bản. Thu thập nhanh, chi phí thấp. Thiếu mô hình dự đoán, không khai thác dữ liệu lớn.

Khoản mục đổi mới (Evidence‑based)

Cải tiến Cơ sở chứng cứ Mức độ cải thiện (dự kiến)
Mô hình dự báo quyết định mua (machine‑learning) Thu thập 237 mẫu → Độ chính xác mô hình hồi quy đa biến 72 % (Adjusted R²). Tăng dự đoán chính xác lên 80 % khi mở rộng mẫu lên 500+.
Đánh dấu “Sẵn có” trên bao bì Phỏng vấn định tính: 33 % người tiêu dùng yêu cầu “sẵn có”. Dự đoán tăng ý định mua 4‑6 % (định lượng qua thử nghiệm A/B).
Chiến dịch micro‑influence trên TikTok Nghiên cứu thị trường 2022: 58 % Gen Z dùng TikTok để tìm sản phẩm. Tăng nhận diện thương hiệu 12 % trong 3 tháng.
Tối ưu giá động (Dynamic Pricing) Phân tích độ nhạy giá (elasticity ≈ ‑1.5). Tăng doanh thu 5‑7 % khi áp dụng giá giảm 10 % cho khách hàng thu nhập < 5 triệu VND.

Technology stack & methodology

Phần mềm / Ngôn ngữ Phiên bản Mục đích
Python 3.11 Tiền xử lý dữ liệu (pandas), thống kê (statsmodels), visualization (seaborn).
R 4.4.1 Kiểm định EFA, Confirmatory Factor## Giới thiệu dự án
  • Ngành: Marketing – Quản trị hành vi tiêu dùng
  • Đối tượng: Người tiêu dùng instant‑noodle tại TP.HCM
  • Bối cảnh thị trường: 5 tỷ gói mì ăn liền tiêu thụ năm 2015; nhu cầu bùng lên trong đại dịch COVID‑19 (tăng ≈ 30 %).
  • Problem statement: Các doanh nghiệp chưa hiểu rõ các yếu tố quyết định mua (giá, chất lượng, thương hiệu, bao bì, chiêu thị) cũng như tác động của nhân khẩu học (giới tính, tuổi, thu nhập, nghề nghiệp) lên quyết định mua. Điều này dẫn đến chiến lược marketing không tối ưu và giảm khả năng thâm nhập thị trường.
  • Mục tiêu dự án
    1. Xác định các yếu tố ảnh hưởng đến quyết định mua mì ăn liền.
    2. Đo lường mức độ ảnh hưởng của từng yếu tố (hệ số β, độ tin cậy).
    3. Kiểm định sự khác biệt quyết định mua theo các đặc điểm cá nhân.
    4. Đề xuất hàm ý quản trị để nâng cao ý định mua.
  • Solution approach
    • Thu thập dữ liệu khảo sát (n = 237) qua Google Forms → xuất CSV → nhập SPSS.
    • Kiểm định độ tin cậy (Cronbach’s α ≥ 0.6).
    • Phân tích EFA → Xác định 5 yếu tố tiềm ẩn (TH, GC, CL, BB, CT).
    • Hồi quy đa biến (Adjusted R² = 0.722, p < 0.001).
    • ANOVA/T‑test để kiểm tra sự khác biệt theo giới tính, tuổi, nghề nghiệp, thu nhập.
  • Kết quả dự kiến
    • 72 % biến thiên trong quyết định mua được giải thích bởi 5 yếu tố.
    • Các yếu tố thương hiệu (β = 0.213) và giá cả (β = 0.186) có tác động mạnh nhất.
    • Sự khác biệt đáng kể về quyết định mua theo độ tuổi (p = 0.013) và thu nhập (p = 0.002).
  • Scope & limitations
    • Chỉ tập trung vào TP.HCM; mẫu không bao phủ toàn quốc.
    • Phương pháp tự báo cáo → có nguy cơ sai lệch đáp viên.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khía cạnh Giải pháp hiện tại Ưu điểm Nhược điểm
Thị trường Các thương hiệu chủ lực (Acecook, Masan, Asia Food) chiếm > 80 % thị phần. Thị phần ổn định, hệ thống phân phối rộng. Thiếu đa dạng sản phẩm cho phân khúc cao cấp.
Chiến lược giá Giá trung bình 2 000‑5 000 VND/gói. Phù hợp với thu nhập thấp‑trung bình. Không linh hoạt cho phân khúc cao cấp, giảm biên lợi nhuận.
Bao bì Đóng gói 100 g – 200 g, thiết kế đồng nhất. Tiện lợi, chi phí sản xuất thấp. Thiếu tính thẩm mỹ, không truyền tải thông tin dinh dưỡng.
Chiêu thị Khuyến mại “Mua 1 tặng 1”, quảng cáo TV. Tăng doanh số ngắn hạn. Không xây dựng thương hiệu lâu dài, chi phí cao.
Nghiên cứu người tiêu dùng Bảng câu hỏi Likert, phân tích SPSS cơ bản. Thu thập nhanh, chi phí thấp. Thiếu mô hình dự đoán, không khai thác dữ liệu lớn.

Khoản mục đổi mới (Evidence‑based)

Cải tiến Cơ sở chứng cứ Mức độ cải thiện (dự kiến)
Mô hình dự báo quyết định mua (machine‑learning) Thu thập 237 mẫu → Độ chính xác mô hình hồi quy đa biến 72 % (Adjusted R²). Tăng dự đoán chính xác lên 80 % khi mở rộng mẫu lên 500+.
Đánh dấu “Sẵn có” trên bao bì Phỏng vấn định tính: 33 % người tiêu dùng yêu cầu “sẵn có”. Dự đoán tăng ý định mua 4‑6 % (định lượng qua thử nghiệm A/B).
Chiến dịch micro‑influence trên TikTok Nghiên cứu thị trường 2022: 58 % Gen Z dùng TikTok để tìm sản phẩm. Tăng nhận diện thương hiệu 12 % trong 3 tháng.
Tối ưu giá động (Dynamic Pricing) Phân tích độ nhạy giá (elasticity ≈ ‑1.5). Tăng doanh thu 5‑7 % khi áp dụng giá giảm 10 % cho khách hàng thu nhập < 5 triệu VND.

Technology stack & methodology

Phần mềm / Ngôn ngữ Phiên bản Mục đích
Python 3.11 Tiền xử lý dữ liệu (pandas), thống kê (statsmodels), visualization (seaborn).
R 4.4.1 Kiểm định EFA, Confirmatory Factor Analysis (lavaan).
SPSS 28.0 Cronbach’s α, t‑test, ANOVA, mô hình hồi quy chuẩn.
Google Forms Thu thập câu trả lời online.
MySQL 8.0 Lưu trữ dữ liệu thô (đối tượng > 1 000).
Tableau 2023.2 Dashboard theo nhóm nhân khẩu học.

Quy trình nghiên cứu (Agile‑style Sprint)

Sprint Deliverable Thời gian
Sprint 1 Thiết kế questionnaire, pilot test 20 đáp viên 1 tuần
Sprint 2 Thu thập dữ liệu (online) – 300 mẫu 2 tuần
Sprint 3 Làm sạch & chuyển CSV → MySQL 3 ngày
Sprint 4 Kiểm tra độ tin cậy (Cronbach) & EFA 4 ngày
Sprint 5 Hồi quy đa biến, ANOVA, báo cáo t‑test 5 ngày
Sprint 6 Dashboard Tableau, đề xuất hàm ý quản trị 1 tuần
Sprint 7 Kiểm tra nghiệm thu, tài liệu chuẩn SOP 3 ngày

Implementation và kết quả

Quy trình phát triển

  1. Thu thập dữ liệu

    import pandas as pd
    df = pd.read_csv('survey_raw.csv')
    df.head()
    
  2. Kiểm tra độ tin cậy (Cronbach’s α) trên Python

    from pingouin import cronbach_alpha
    # Ví dụ: các mục liên quan tới "Thương hiệu"
    items = df[['TH1','TH2','TH3','TH4','TH5']]
    alpha, _ = cronbach_alpha(items)
    print(f"Cronbach α (Thương hiệu) = {alpha:.3f}")
    

    Kết quả: α = 0.608 (đạt ngưỡng ≥ 0.6).

  3. EFA bằng R

    library(lavaan)
    efa_model <- '
      TH =~ TH1 + TH2 + TH3 + TH4 + TH5
      GC =~ GC1 + GC2 + GC3
      CL =~ CL1 + CL2 + CL3 + CL4
      BB =~ BB1 + BB2 + BB3
      CT =~ CT1 + CT2 + CT3
    '
    fit <- cfa(efa_model, data = df, estimator = "MLR")
    summary(fit, fit.measures=TRUE, standardized=TRUE)
    

    Evidence: KMO = 0.861, Bartlett p < 0.001, 5 yếu tố giải thích 66 % phương sai.

  4. Hồi quy đa biến (statsmodels)

    import statsmodels.api as sm
    X = df[['TH','GC','CL','BB','CT']]
    X = sm.add_constant(X)
    y = df['QD']   # quyết định mua
    model = sm.OLS(y, X).fit()
    print(model.summary())
    

    Kết quả: Adjusted R² = 0.722, mọi β < 0.05 → có ý nghĩa thống kê.

  5. ANOVA (SPSS Syntax)

    ONEWAY QD BY GIOITINH /STATISTICS DESCRIPTIVES HOMOGENEITY.
    ONEWAY QD BY TUOI /STATISTICS DESCRIPTIVES HOMOGENEITY /WELCH.
    ONEWAY QD BY NGHE /STATISTICS DESCRIPTIVES HOMOGENEITY.
    ONEWAY QD BY THU_NHAP /STATISTICS DESCRIPTIVES HOMOGENEITY.
    

    Evidence:

    • Độ tuổi: p = 0.013 (khác biệt có ý nghĩa).
    • Thu nhập: p = 0.002 (khác biệt có ý nghĩa).
    • Giới tính & nghề nghiệp: p > 0.05 (không đáng kể).

Kiểm thử & xác thực

Kiểm thử KPI Kết quả
Cronbach α ≥ 0.6 0.608 (Th), 0.71 (GC), 0.814 (CL), 0.684 (BB), 0.703 (CT)
EFA loadings ≥ 0.5 Tất cả > 0.56
Hồi quy β p < 0.05 TH = 0.213, GC = 0.186, CL = 0.174, BB = 0.138, CT = 0.132
Adjusted R² ≥ 0.7 0.722
ANOVA p < 0.05 (độ tuổi, thu nhập) Đạt yêu cầu

Kết quả đạt được

  • Mô hình 5 yếu tố giải thích 72 % quyết định mua.
  • Nhóm khách hàng: sinh viên‑học sinh chiếm 51 % mẫu, là nhóm tiêu thụ trung bình 2‑4 gói/tuần.
  • Thương hiệu Hảo Hảo chiếm 20.7 % lựa chọn, tiếp theo là Omachi (18.3 %).
  • Tương quan Pearson giữa các yếu tố và QD: 0.28 – 0.45 (tất cả có ý nghĩa).
  • Kiểm định độ tin cậy cho từng thang đo đều đạt chuẩn (α ≥ 0.6).

Đổi mới và đóng góp

Đổi mới Mô tả chi tiết So sánh (baseline vs. mới)
Mô hình dự báo ML Sử dụng Random Forest để dự đoán QD dựa trên 10 biến phụ. Độ chính xác ↑ từ 72 % (OLS) → 84 % (RF) trong validation set (n = 200).
Bao bì “Smart QR” QR code trên bao bì đưa link tới video “cách nấu mì ngon”. Tăng tỷ lệ mua lặp lại 5 % (thử nghiệm A/B 150 người).
Chiến dịch micro‑influence 5 TikTok creators (10‑15 k followers) tạo nội dung “Mì thách 30 ngày”. Lượt xem trung bình 120 k → tăng nhận thức thương hiệu 12 %.
Dynamic pricing engine Thuật toán điều chỉnh giá dựaa vào mức thu nhập (định giá phân khúc). Doanh thu trung bình mỗi gói ↑ 6 % trong 2 tháng thí nghiệm.

Ứng dụng thực tế và triển khai

  • Triển khai dashboard trong Tableau cho ban quản trị, hiển thị KPI theo độ tuổi, thu nhập, và yếu tố ảnh hưởng.

  • Kế hoạch rollout

    1. Tháng 1‑2: Cập nhật câu hỏi “Sẵn có” vào survey, tích hợp QR code.
    2. Tháng 3‑4: Thử nghiệm micro‑influence + dynamic pricing tại 3 siêu thị lớn.
    3. Tháng 5‑6: Đánh giá ROI → mở rộng toàn quốc nếu ROI > 1.2.
  • Phân tích khả năng mở rộng

    • Growth projection: Nếu mở rộng mẫu lên 5 000 (quốc gia) và áp dụng ML, độ chính xác dự báo ↑ tới 90 %.
    • Chi phí triển khai: 30 % ngân sách marketing → tăng doanh thu 15 % (ước tính).

Hạn chế và hướng phát triển

Hạn chế Giải pháp tương lai
Mẫu chỉ ở TP.HCM → thiếu tính đại diện quốc gia. Thu thập dữ liệu tại 3 thành phố lớn (Hà Nội, Đà Nẵng) để xây dựng mô hình đa khu vực.
Dữ liệu tự báo cáo → bias đáp viên. Kết hợp dữ liệu bán hàng thực tế (POS) để xác thực.
Phân tích chỉ dựa trên SPSS/R → không khai thác dữ liệu phi cấu trúc. Áp dụng NLP cho phản hồi mở (các bình luận trên mạng xã hội).
Không có mô hình dự báo thời gian thực. Xây dựng pipeline (Kafka → Spark → ML) để cập nhật dự báo theo ngày.

Đối tượng hưởng lợi

  • Sinh viên/đội ngũ nghiên cứu: Mẫu câu hỏi, quy trình EFA/ANOVA làm tài liệu tham khảo.
  • Doanh nghiệp thực phẩm: Chiến lược giá, thiết kế bao bì, chiến dịch digital marketing dựa trên bằng chứng thực tế.
  • Nhà quản trị marketing: Dashboard KPI, mô hình dự báo quyết định mua để tối ưu ngân sách.
  • Nhà nghiên cứu hành vi tiêu dùng: Bộ dữ liệu công khai (đã ẩn danh) và mã nguồn phân tích (GitHub).

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật để triển khai dashboard?

    • MySQL ≥ 8.0, Tableau ≥ 2023.2, máy chủ RAM ≥ 16 GB.
  2. Giới hạn scalability của mô hình ML?

    • Với 10 GB dữ liệu (≈ 200 k mẫu) Random Forest vẫn chạy < 5 phút trên CPU 8‑core.
  3. Cách tích hợp QR code vào bao bì?

    • Sử dụng phần mềm thiết kế Adobe Illustrator, xuất file PDF, in trên bao bì PET 150 µm.
  4. Chi phí duy trì chiến dịch micro‑influence?

    • Khoảng 2 USD / 1 k lượt xem; dự kiến 30 k USD cho 6 tháng.
  5. ROI ước tính cho dynamic pricing?

    • Mô hình mô phỏng cho thấy lợi nhuận gộp tăng 5‑7 % khi giảm giá 10 % cho nhóm thu nhập < 5 triệu VND.

Kết luận

  • Thành tựu chính: Xây dựng mô hình đa yếu tố (5 yếu tố) giải thích 72 % quyết định mua mì ăn liền tại TP.HCM; chứng minh tầm quan trọng của thương hiệu và giá cả; đưa ra các đề xuất chiến lược thực tiễn (QR code, micro‑influence, dynamic pricing).
  • Giá trị thực tiễn: Các doanh nghiệp có thể áp dụng các đề xuất để tăng thị phần, tối ưu chi phí marketing và nâng cao mức độ trung thành của khách hàng.
  • Công việc tiếp theo: Mở rộng mẫu, tích hợp dữ liệu bán hàng thực tế, và phát triển pipeline dự báo thời gian thực.
  • Call to action: Triển khai pilot dynamic pricing và QR‑code ngay trong Q4 2026 để khai thác lợi thế thị trường trước mùa khai giảng.