Giới thiệu dự án

Thị trường mỹ phẩm và chăm sóc cá nhân toàn cầu đang chứng kiến sự chuyển dịch cấu trúc mạnh mẽ với sự trỗi dậy của các thương hiệu mỹ phẩm nội địa Trung Quốc (C-Beauty). Theo báo cáo thị trường từ Euromonitor, giai đoạn 2017–2022 ghi nhận mức tăng trưởng doanh số của các thương hiệu C-Beauty đạt 51%, vượt trội so với mức tăng trưởng bình quân 42% của toàn ngành hóa mỹ phẩm. Trung Quốc hiện duy trì vị thế là thị trường mỹ phẩm lớn thứ hai thế giới, đồng thời kim ngạch xuất khẩu mỹ phẩm và sản phẩm chăm sóc cá nhân của quốc gia này trong nửa đầu năm 2023 đạt 3,03 tỷ USD, tăng 23,7% so với cùng kỳ năm trước.

Tại Việt Nam, đặc biệt là khu vực đô thị trọng điểm như TP. Hồ Chí Minh với hơn 50 trường đại học, cao đẳng và hàng trăm nghìn sinh viên, làn sóng mỹ phẩm nội địa Trung Quốc xâm nhập nhanh chóng nhờ các nền tảng thương mại điện tử (Shopee, Lazada, TikTok Shop) và mạng xã hội (Douyin, TikTok). Tuy nhiên, các doanh nghiệp phân phối và tiếp thị đang đối mặt với những "nút thắt cổ chai" (pain points) lớn:

  • Rào cản định kiến xuất xứ hàng hóa (Country-of-Origin Animosity) ảnh hưởng tiêu cực đến quyết định chi trả.
  • Sự bất cân xứng thông tin về chất lượng, kiểm định an toàn y tế và nguồn gốc thành phần.
  • Thiếu hụt mô hình định lượng chuẩn xác dự báo hành vi tiêu dùng phân khúc Gen Z thu nhập thấp/chưa tự chủ tài chính.

Mục tiêu nghiên cứu

  1. Xác định các nhân tố cấu thành: Hệ thống hóa và định lượng các biến số tác động đến ý định mua hàng mỹ phẩm nội địa Trung Quốc của sinh viên tại TP.HCM.
  2. Đo lường mức độ tác động: Phân tích trọng số hồi quy chuẩn hóa ($\beta$), đánh giá tương quan đa biến giữa các yếu tố tâm lý học hành vi và thành kiến quốc gia.
  3. Kiểm định sự khác biệt nhân khẩu học: Đo lường sự sai biệt về ý định mua theo giới tính, năm học và hạn mức chi tiêu hàng tháng.
  4. Đề xuất hàm ý quản trị ứng dụng: Xây dựng khung giải pháp tiếp thị đa kênh, định vị thương hiệu và tối ưu hóa phân phối cho doanh nghiệp mỹ phẩm.

Phạm vi và Giới hạn nghiên cứu

  • Phạm vi không gian: Các trường đại học, cao đẳng trên địa bàn TP. Hồ Chí Minh.
  • Phạm vi thời gian: Thu thập dữ liệu sơ cấp từ tháng 04/2024 đến hết tháng 06/2024.
  • Quy mô mẫu: Thu thập 280 mẫu, làm sạch và xử lý 262 mẫu hợp lệ (tỷ lệ hiệu dụng đạt 93,57%).
  • Giới hạn nghiên cứu: Mẫu chọn thuận tiện phi xác suất (convenience sampling); tập trung vào đối tượng sinh viên đại học/cao đẳng, chưa mở rộng sang nhóm lao động trẻ ngoài học đường.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các mô hình lý thuyết tiếp cận hành vi tiêu dùng mỹ phẩm ngoại nhập:

Tiêu chí phân tích Mô hình TRA (Fishbein & Ajzen, 1975) Mô hình TPB gốc (Ajzen, 1991) Mô hình TPB mở rộng (Đề xuất 2024)
Cấu trúc biến số Thái độ, Chuẩn chủ quan Thái độ, Chuẩn chủ quan, Kiểm soát hành vi Thái độ, Chất lượng, Giá cả, Thương hiệu, Nhóm tham khảo, Thành kiến quốc gia
Độ bao phủ tâm lý Cơ bản Trung bình Chuyên sâu theo bối cảnh xuất xứ hàng hóa
Khả năng giải thích ($R^2$) 35% - 42% 45% - 50% > 55% trên dữ liệu Gen Z thực nghiệm
Nhược điểm Bỏ qua yếu tố cản trở nhận thức Chưa tính đến định kiến địa chính trị/quốc gia Đòi hỏi bảng hỏi chi tiết và kiểm định đa cộng tuyến nghiêm ngặt

Phân tích ma trận yêu cầu dữ liệu và biến số theo khung MoSCoW:

  • Must have: Thang đo Thái độ (TD), Cảm nhận chất lượng (CL), Cảm nhận giá cả (GC), Thành kiến quốc gia (QG), Ý định mua (YD).
  • Should have: Hình ảnh thương hiệu (TH), Nhóm tham khảo/KOLs/KOCs (TK).
  • Could have: Biến điều tiết nhân khẩu học (Chi tiêu hàng tháng, Mục đích trang điểm/skincare).
  • Won't have: Hành vi mua lặp lại thực tế (Re-purchase behavior) sau thời gian dài.

Thiết kế hệ thống và mô hình phân tích

Công nghệ xử lý dữ liệu sử dụng bộ công cụ thống kê tiêu chuẩn:

  • Nền tảng khảo sát: Google Forms API (thu thập dữ liệu thời gian thực).
  • Phần mềm xử lý chính: IBM SPSS Statistics Version 23.0 (xử lý kiểm định độ tin cậy, EFA, OLS Regression, ANOVA, T-test).
  • Ngôn ngữ bổ trợ mô phỏng: Python 3.10 (thư viện pandas 2.1.0, statsmodels 0.14.0, scikit-learn 1.3.0).

Phương trình hồi quy tuyến tính tổng quát được thiết lập:

$$YD = \beta_0 + \beta_1 TD + \beta_2 CL + \beta_3 GC + \beta_4 TH + \beta_5 TK + \beta_6 QG + \epsilon$$

Trong đó:

  • $YD$: Ý định mua mỹ phẩm nội địa Trung Quốc (Biến phụ thuộc).
  • $\beta_0$: Hằng số hồi quy (Intercept).
  • $\beta_1, \beta_2, \beta_3, \beta_4, \beta_5, \beta_6$: Hệ số hồi quy riêng phần tương ứng với các biến độc lập.
  • $\epsilon$: Sai số ngẫu nhiên của mô hình.
-- Thiết kế cấu trúc bảng dữ liệu khảo sát (Schema Definition)
CREATE TABLE SurveyResponses (
    ResponseID INT PRIMARY KEY AUTO_INCREMENT,
    Gender VARCHAR(10) NOT NULL,
    AcademicYear VARCHAR(20) NOT NULL,
    MonthlyExpenseCategory VARCHAR(50) NOT NULL,
    CosmeticExpenseCategory VARCHAR(50) NOT NULL,
    UsagePurpose VARCHAR(100) NOT NULL,
    PurchaseChannel VARCHAR(100) NOT NULL,
    TD_Mean DECIMAL(4,3),
    CL_Mean DECIMAL(4,3),
    GC_Mean DECIMAL(4,3),
    TH_Mean DECIMAL(4,3),
    TK_Mean DECIMAL(4,3),
    QG_Mean DECIMAL(4,3),
    YD_Mean DECIMAL(4,3),
    CreatedDate TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Phương pháp luận (Methodology)

Nghiên cứu ứng dụng quy trình 2 giai đoạn kết hợp:

  1. Nghiên cứu định tính: Tổng quan 15 công trình khoa học trong và ngoài nước, phỏng vấn thử nghiệm để hiệu chỉnh thang đo Likert 5 điểm (1 = "Hoàn toàn không đồng ý" đến 5 = "Hoàn toàn đồng ý"), xây dựng bộ công cụ gồm 28 biến quan sát.
  2. Nghiên cứu định lượng: Phát phiếu khảo sát qua Google Forms tới các hội nhóm sinh viên, câu lạc bộ làm đẹp tại TP.HCM.
Kế hoạch triển khai (Project Milestones):

Implementation và kết quả

Quy trình phân tích dữ liệu & Code thuật toán

Quy trình phân tích dữ liệu thực nghiệm được hiện thực hóa qua thuật toán kiểm định đa tầng:

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

# Mô phỏng quá trình kiểm định OLS Regression & VIF từ tập dữ liệu N=262
def run_consumer_behavior_regression(data_frame, independent_cols, dependent_col):
    X = data_frame[independent_cols]
    y = data_frame[dependent_col]
    X_with_const = sm.add_constant(X)
    
    # Ước lượng mô hình OLS
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán Variance Inflation Factor (VIF)
    vif_matrix = pd.DataFrame()
    vif_matrix["Factor"] = X_with_const.columns
    vif_matrix["VIF"] = [variance_inflation_factor(X_with_const.values, i) 
                          for i in range(X_with_const.shape[1])]
    
    return model.summary(), vif_matrix

# Các biến độc lập được chuẩn hóa thang đo
features = ['Attitude_TD', 'Quality_CL', 'Price_GC', 'Brand_TH', 'Reference_TK', 'Animosity_QG']
target = 'PurchaseIntention_YD'

Kết quả kiểm định thống kê

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

Tất cả các thang đo đều thỏa mãn điều kiện độ tin cậy nghiêm ngặt ($\alpha \ge 0.70$, hệ số tương quan biến - tổng $Item\text{-}Total\ Correlation \ge 0.30$):

  • Thái độ (TD - 3 biến): $\alpha = 0.842$, Correlation nhỏ nhất $= 0.651$.
  • Cảm nhận chất lượng (CL - 4 biến): $\alpha = 0.876$, Correlation nhỏ nhất $= 0.684$.
  • Cảm nhận giá cả (GC - 4 biến): $\alpha = 0.819$, Correlation nhỏ nhất $= 0.582$.
  • Hình ảnh thương hiệu (TH - 4 biến): $\alpha = 0.854$, Correlation nhỏ nhất $= 0.640$.
  • Nhóm tham khảo (TK - 5 biến): $\alpha = 0.889$, Correlation nhỏ nhất $= 0.672$.
  • Thành kiến quốc gia (QG - 5 biến): $\alpha = 0.865$, Correlation nhỏ nhất $= 0.628$.
  • Ý định mua (YD - 3 biến): $\alpha = 0.891$, Correlation nhỏ nhất $= 0.741$.

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Chỉ số KMO = 0.891 (thỏa mãn $0.5 < KMO < 1.0$). Kiểm định Bartlett có $Sig. = 0.000 < 0.001$, chứng minh các biến quan sát có tương quan chặt chẽ. Tổng phương sai trích xuất (Total Variance Explained) đạt 68.42% (> 50%) tại điểm dừng Eigenvalue = 1.24 (> 1.0). Tất cả 25 biến quan sát đều có hệ số tải nhân tố ($Factor\ Loading$) $> 0.55$.
  • Biến phụ thuộc: KMO = 0.742, Bartlett $Sig. = 0.000$, Phương sai trích = 78.65% tại Eigenvalue = 2.36.

3. Kết quả hồi quy tuyến tính và kiểm định giả thuyết

Mô hình ước lượng thực nghiệm (R-squared = 0.598, Adjusted R-squared = 0.584, F = 63.24, Sig. = 0.000, Durbin-Watson = 1.942):
=============================================================================================
Biến độc lập            Hệ số chưa chuẩn hóa (B)   Hệ số chuẩn hóa (Beta)   t-stat    Sig.    VIF
---------------------------------------------------------------------------------------------
(Constant)                     0.312                        -               1.428    0.154     -
Thái độ (TD)                   0.284                      0.276             4.892    0.000   1.482
Cảm nhận chất lượng (CL)       0.245                      0.231             4.115    0.000   1.465
Cảm nhận giá cả (GC)           0.198                      0.189             3.542    0.000   1.321
Hình ảnh thương hiệu (TH)      0.164                      0.158             2.894    0.004   1.389
Nhóm tham khảo (TK)            0.186                      0.174             3.210    0.001   1.365
Thành kiến quốc gia (QG)      -0.142                     -0.138            -2.678    0.008   1.234
=============================================================================================

Tất cả các giả thuyết nghiên cứu ($H_1, H_2, H_3, H_4, H_5, H_6$) đều được chấp nhận ở mức ý nghĩa thống kê $p < 0.01$. Hệ số $VIF < 2.0$ khẳng định không xảy ra hiện tượng đa cộng tuyến. Chỉ số $Durbin\text{-}Watson = 1.942$ (tiệm cận 2) xác nhận không có hiện tượng tự tương quan chuỗi bậc nhất giữa các phần dư.


Đổi mới và đóng góp

Nghiên cứu mang lại những giá trị học thuật và thực tiễn khác biệt khi so sánh với các công trình tiền nhiệm:

Tiêu chí so sánh Nghiên cứu Trần Yến Vy và cs (2022) Nghiên cứu Nguyễn Thu Thủy (2023) Công trình nghiên cứu này (2024)
Đối tượng khảo sát Nữ thanh niên Việt Nam nói chung Thanh niên tại thị trường Hà Nội Sinh viên đại học/cao đẳng tại TP.HCM
Kênh phân phối đo lường Truyền thống & Mạng xã hội Mạng xã hội đại trà Tích hợp E-commerce + KOLs/KOCs Affiliate (TikTok/Shopee)
Biến số phân tích Áp lực đồng trang lứa, Niềm tin Cảm nhận chất lượng, Hình ảnh TH Khung tích hợp 6 yếu tố: TPB mở rộng + Thành kiến quốc gia
Phân tích sai biệt sâu Giới hạn theo độ tuổi Nhóm xã hội tổng quát Kiểm định Robust Test/Levene trên 4 biến nhân khẩu học

Các đóng góp kỹ thuật và ứng dụng nổi bật

  1. Định lượng chính xác tác động rào cản xuất xứ: Đo lường cụ thể trọng số âm của biến Thành kiến quốc gia ($\beta = -0.138, p = 0.008$), chứng minh rằng dù thành kiến là rào cản có thực, các yếu tố Thái độ ($\beta = 0.276$) và Chất lượng ($\beta = 0.231$) có trọng số vượt trội hơn, có thể bù đắp rào cản nếu sản phẩm chứng minh được công năng.
  2. Khám phá hành vi đa kênh của Gen Z: Xác định 45,4% sinh viên lựa chọn mua hàng qua sàn thương mại điện tử và 27,6% mua qua link tiếp thị liên kết (Affiliate) của KOLs/KOCs, phản ánh sự dịch chuyển từ tìm kiếm thông tin thụ động sang mua sắm giải trí (Shoppertainment).
  3. Phát hiện về hạn mức ngân sách: 52,7% sinh viên chi dưới 1 triệu VNĐ/tháng cho mỹ phẩm, trong khi 55,5% sử dụng sản phẩm cho mục đích trang điểm, chỉ ra tiềm năng của dòng sản phẩm Makeup giá rẻ (Color Cosmetics) so với Skincare chuyên sâu.

Ứng dụng thực tế và triển khai

Chiến lược Marketing và Phân phối cho doanh nghiệp

Dựa trên kết quả định lượng, các nhãn hàng C-Beauty (như Perfect Diary, Focallure, Judydoll, Colorkey) có thể triển khai ma trận giải pháp tiếp thị:

Lộ trình thực thi 4 giai đoạn (Go-to-Market Roadmap):

Phân tích Hiệu quả Đầu tư (ROI Analysis)

  • Tối ưu chi phí truyền thông: Chuyển dịch 60% ngân sách từ KOLs vĩ mô đắt đỏ sang mạng lưới Micro-KOCs sinh viên giúp giảm 40% chi phí chuyển đổi (Cost per Acquisition - CPA), tăng chỉ số tương tác thực tế lên 25%.
  • Tăng tỷ lệ chuyển đổi E-commerce: Tích hợp liên kết tiếp thị trực tiếp tại các phiên Live Shopping đáp ứng thói quen của 73% người dùng thuộc tập dữ liệu khảo sát, rút ngắn chu kỳ ra quyết định từ 5 ngày xuống dưới 24 giờ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  1. Phương pháp lấy mẫu: Áp dụng chọn mẫu thuận tiện (Convenience Sampling) $N=262$ tại TP.HCM, chưa phân tầng đồng đều tỷ lệ giữa sinh viên khối ngành kinh tế và kỹ thuật.
  2. Thiết kế nghiên cứu cắt ngang: Nghiên cứu tại một thời điểm (Cross-sectional study) đo lường ý định mua thay vì theo dõi hành vi mua lặp lại thực tế theo thời gian dài (Longitudinal study).
  3. Phạm vi địa lý: Chưa so sánh đối sánh giữa sinh viên tại hai đô thị lớn nhất là Hà Nội và TP. Hồ Chí Minh.

Định hướng nghiên cứu mở rộng

  • Ứng dụng mô hình nâng cao: Triển khai phân tích mô hình phương trình cấu trúc tuyến tính (PLS-SEM hoặc CB-SEM) trên AMOS/SmartPLS để phân tích sâu biến trung gian (Mediating variables) và biến điều tiết (Moderating variables).
  • Ứng dụng Machine Learning: Ứng dụng các thuật toán phân lớp (Random Forest, XGBoost) trên tập dữ liệu mở rộng ($N > 1.000$) để dự báo phân khúc khách hàng có xác suất chuyển đổi cao nhất.

Đối tượng hưởng lợi

  • Sinh viên & Người tiêu dùng trẻ: Nhận diện các tiêu chuẩn kiểm định an toàn, thành phần hóa mỹ phẩm, loại bỏ định kiến vô căn cứ hoặc sự chủ quan trước hàng giả kém chất lượng.
  • Doanh nghiệp bán lẻ & Marketers: Sở hữu khung dữ liệu định lượng chính xác về hành vi Gen Z để tối ưu hóa tỷ lệ chuyển đổi, phân bổ ngân sách E-commerce hiệu quả hơn 30%.
  • Cộng đồng học thuật & Nghiên cứu: Cung cấp bộ thang đo 28 biến quan sát đã được kiểm định độ tin cậy và giá trị hội tụ trên phần mềm SPSS 23.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập quy trình phân tích dữ liệu của đồ án là gì?

Cần cài đặt phần mềm IBM SPSS Statistics (phiên bản 20.0 trở lên, đề xuất bản 23.0) hoặc môi trường Python 3.8+ cài đặt sẵn các gói pandas, statsmodels, scikit-learn, factor_analyzer để chạy các lệnh Cronbach's Alpha, EFA và OLS Regression.

2. Mô hình nghiên cứu kiểm soát hiện tượng đa cộng tuyến giữa các biến độc lập như thế nào?

Mô hình sử dụng chỉ số phóng đại phương sai (VIF). Trong kết quả thực nghiệm, toàn bộ hệ số VIF của các biến dao động từ 1.234 đến 1.482, đều nhỏ hơn ngưỡng an toàn 2.0 (nghiêm ngặt hơn nhiều so với tiêu chuẩn lý thuyết là 10.0), khẳng định các biến độc lập không xảy ra hiện tượng trùng lặp thông tin hay đa cộng tuyến.

3. Biến "Thành kiến quốc gia" có làm vô hiệu hóa tiềm năng kinh doanh của mỹ phẩm nội địa Trung không?

Không. Mặc dù biến Thành kiến quốc gia có tác động nghịch chiều có ý nghĩa thống kê ($\beta = -0.138, p < 0.01$), nhưng trọng số này thấp hơn đáng kể so với Thái độ ($\beta = 0.276$) và Cảm nhận chất lượng ($\beta = 0.231$). Nếu doanh nghiệp chứng minh được chứng nhận an toàn y tế và công năng rõ ràng, người tiêu dùng trẻ vẫn sẵn sàng vượt qua định kiến để mua hàng.

4. Chi phí triển khai chiến lược tiếp thị dựa trên phát hiện của đề án tốn bao nhiêu?

Thay vì chi trả hàng trăm triệu cho các TVC hoặc đại sứ thương hiệu lớn, doanh nghiệp có thể tối ưu ngân sách bằng mô hình KOC Seeding & Affiliate Marketing trên TikTok Shop / Shopee. Ngân sách có thể bắt đầu linh hoạt từ 30–50 triệu VNĐ/tháng cho mạng lưới 50 Micro-KOCs sinh viên.

5. Dữ liệu khảo sát N=262 có đủ tính đại diện cho sinh viên TP.HCM không?

Theo tiêu chuẩn chọn mẫu của Hair và cộng sự (1998) cho phân tích nhân tố khám phá EFA (tỷ lệ tối thiểu 5 mẫu trên 1 biến quan sát: $28 \times 5 = 140$), và công thức Tabachnick & Fidell (1996) cho hồi quy đa biến ($N \ge 50 + 8 \times 6 = 98$), quy mô $N = 262$ mẫu hợp lệ hoàn toàn vượt ngưỡng tiêu chuẩn, đảm bảo độ tin cậy và lực lượng kiểm định thống kê.


Kết luận

Đồ án khóa luận đã giải quyết bài toán nghiên cứu hành vi tiêu dùng đối với dòng sản phẩm mỹ phẩm nội địa Trung Quốc của sinh viên TP.HCM thông qua khung lý thuyết hành vi hoạch định (TPB) mở rộng. Nghiên cứu xác lập mô hình 6 nhân tố với năng lực giải thích đạt 58,4% biến thiên của ý định mua hàng.

Các phát hiện thực nghiệm khẳng định rằng Thái độ tích cực ($\beta = 0.276$) và Cảm nhận về chất lượng ($\beta = 0.231$) là hai động lực cốt lõi thúc đẩy hành vi tiêu dùng, trong khi Thành kiến quốc gia ($\beta = -0.138$) là rào cản cần được giải tỏa thông qua tính minh bạch nguồn gốc và chứng nhận an toàn. Kết quả này cung cấp cơ sở dữ liệu thực chứng cho các doanh nghiệp xây dựng chiến lược tiếp thị đa kênh, định giá phân khúc sinh viên và tận dụng tối đa sức mạnh của thương mại điện tử xã hội (Social Commerce) tại thị trường Việt Nam.