Giới thiệu dự án

Thị trường điện thoại thông minh (smartphone) tại Việt Nam chứng kiến sự phân hóa rõ rệt giữa các phân khúc, trong đó thương hiệu iPhone của Apple Inc. duy trì vị thế dẫn đầu trong phân khúc cao cấp (premium segment). Theo số liệu từ SellCell (2020), tỷ lệ giữ chân khách hàng (retention rate) của iPhone trên toàn cầu đạt mức kỷ lục 91.9%, với 65% người dùng gắn bó nhờ tính ổn định của hệ điều hành iOS và 21% bị ràng buộc bởi hệ sinh thái dịch vụ (Apple Ecosystem). Tại TP. Hồ Chí Minh — trung tâm kinh tế đóng góp trên 22% GDP cả nước với thu nhập bình quân đầu người vượt 6.328 USD/năm (năm 2020) — nhu cầu sở hữu iPhone tăng trưởng mạnh mẽ với hơn 20.000 thiết bị tiêu thụ trong các đợt phát hành sản phẩm chủ lực.

Vấn đề nghiên cứu (Problem Statement)

Mặc dù iPhone sở hữu mức giá định vị cao hơn đáng kể so với thu nhập khả dụng bình quân của người tiêu dùng tại TP.HCM, các nhà bán lẻ và phân phối ủy quyền (AAR - Apple Authorized Reseller) vẫn đối mặt với các bài toán quản trị cấp thiết:

  1. Áp lực cạnh tranh: Sự cạnh tranh khốc liệt từ các hãng điện thoại Android cao cấp (Samsung Galaxy S/Z Series, Xiaomi Ultra) với chiến lược giá linh hoạt và cải tiến phần cứng liên tục.
  2. Chi phí chuyển đổi (Switching Costs) giảm: Sự tương đồng về tính năng phần mềm cơ bản làm tăng rủi ro suy giảm lòng trung thành của nhóm khách hàng trẻ (Gen Z và Millennials).
  3. Thiếu hụt mô hình lượng hóa chuẩn xác: Các đơn vị phân phối thiếu các bằng chứng thực nghiệm (empirical evidence) định lượng trọng số tác động của từng nhân tố tâm lý - hành vi để tối ưu hóa ngân sách tiếp thị và dịch vụ sau bán hàng (after-sales service).

Mục tiêu nghiên cứu (Project Objectives)

  1. Mục tiêu 1: Xác định và mô hình hóa cấu trúc các nhân tố tác động đến lòng trung thành của người tiêu dùng đối với iPhone tại thị trường TP.HCM.
  2. Mục tiêu 2: Kiểm định độ tin cậy thang đo (Reliability Testing), tính hợp lệ hội tụ/phân biệt thông qua phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) và phân tích hồi quy tuyến tính bội (Multiple Linear Regression).
  3. Mục tiêu 3: Xây dựng hàm ý quản trị định lượng và lộ trình nâng cao tỷ lệ giữ chân khách hàng cho hệ thống phân phối bán lẻ công nghệ.

Phương pháp tiếp cận và Phạm vi

  • Phương pháp giải pháp: Kết hợp nghiên cứu định tính (hiệu chỉnh thang đo) và nghiên cứu định lượng (khảo sát bảng hỏi Likert 5 mức độ, xử lý dữ liệu qua phần mềm thống kê chuyên dụng).
  • Chỉ số kỳ vọng: Xây dựng mô hình hồi quy đạt hệ số xác định hiệu chỉnh $R^2_{adj} > 0.60$, kiểm soát hiện tượng đa cộng tuyến với hệ số phóng đại phương sai $\text{VIF} < 2.0$.
  • Phạm vi nghiên cứu: Người tiêu dùng đã và đang sử dụng iPhone tại địa bàn TP.HCM (Quận 1, Bình Thạnh, TP. Thủ Đức,...); thời gian thực hiện từ tháng 09/2022 đến tháng 01/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí phân tích Giải pháp / Nghiên cứu của Nguyễn Thành Công (2010) Giải pháp / Nghiên cứu của Đỗ Hải Hưng (2020) Mô hình nghiên cứu đề xuất (Lưu Thị Thu Uyên, 2023)
Phạm vi khảo sát Người dùng điện thoại di động chung tại TP.HCM Người dùng iPhone tại khu vực Hà Nội Người dùng iPhone tại TP.HCM (Thực tế sau Covid-19)
Cấu trúc biến độc lập 8 nhân tố (Uy tín, Tính năng, Kiểu dáng, Giá cả, Phục vụ,...) 4 nhân tố (Ham muốn, Chất lượng, Niềm tin, Nhận biết) 4 nhân tố tinh gọn (Nhận biết TH, Chất lượng CL, Giá cả GC, Mua lặp lại HV)
Ưu điểm Độ phủ rộng trên thị trường di động Tập trung vào chiều sâu cảm xúc thương hiệu Tối ưu hóa thang đo, loại bỏ biến rác, giải thích $70.6%$ biến thiên lòng trung thành
Nhược điểm Quá phân mảnh, độ tương thích với hệ sinh thái Apple thấp Thiếu biến đo lường thói quen hành vi rào cản chuyển đổi Kích thước mẫu thuận tiện ($N=152$) cần mở rộng trong tương lai

Yêu cầu phân tích theo khung MoSCoW

  • Must-have: Kiểm định hệ số tin cậy $\text{Cronbach's Alpha} \ge 0.70$, hệ số tải nhân tố $\text{Factor Loading} \ge 0.50$, giá trị $p\text{-value (Sig)} < 0.05$ trong phân tích ANOVA và kiểm định $t$.
  • Should-have: Kiểm soát hiện tượng tự tương quan qua trị số $\text{Durbin-Watson} \in [1.5, 2.5]$, tổng phương sai trích $\text{Total Variance Explained} \ge 50%$.
  • Could-have: Phân tích sự khác biệt đặc điểm nhân khẩu học (ANOVA giới tính, độ tuổi, mức thu nhập).
  • Won't-have: Mô hình hóa cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) phức hợp nhiều biến trung gian bậc cao.

Thiết kế hệ thống và Cấu trúc dữ liệu

Hệ thống xử lý và phân tích dữ liệu được thiết kế theo quy trình 4 tầng (4-Tier Analytical Architecture):

Technology Stack và Công cụ kỹ thuật

  • Phần mềm phân tích chính: IBM SPSS Statistics version 20.0 / version 26.0.
  • Ngôn ngữ kịch bản đối chứng (Replication Script): Python 3.10.x kết hợp thư viện pandas (v2.0.3), pingouin (v0.5.3), statsmodels (v0.14.0), scikit-learn (v1.3.0).
  • Công cụ thu thập dữ liệu: Google Forms Cloud API, xuất định dạng dữ liệu .sav và .csv.
  • Cơ chế bảo mật dữ liệu: Ẩn danh hóa thông tin cá nhân định danh (PII - Personally Identifiable Information), tuân thủ nguyên tắc bảo mật khảo sát học thuật.

Thiết kế từ điển dữ liệu (Data Dictionary Schema)

  • TH (Nhận biết thương hiệu): Gồm 4 biến quan sát (TH1: Sang trọng, TH2: Nổi tiếng, TH3: Uy tín, TH4: Dễ nhớ/Logo ấn tượng).
  • CL (Chất lượng cảm nhận): Gồm 5 biến quan sát ban đầu (CL1: Bảo mật cao, CL2: Camera đẹp, CL3: Ổn định lâu dài, CL4: Giao diện trực quan, CL5: Kết nối hệ sinh thái iOS).
  • GC (Giá cả cảm nhận): Gồm 3 biến quan sát (GC1: Phù hợp tài chính, GC2: Tương xứng chất lượng, GC3: Giá khuyến mãi hấp dẫn).
  • HV (Hành vi mua lặp lại): Gồm 3 biến quan sát (HV1: Ngại chuyển đổi sang hãng khác, HV2: Nhu cầu nâng cấp, HV3: Thói quen thao tác).
  • LTT (Lòng trung thành - Biến phụ thuộc): Gồm 4 biến quan sát (LTT1: Tính năng, LTT2: Chất lượng, LTT3: Thiết kế, LTT4: Mức giá).

Phương pháp luận (Methodology)

Nghiên cứu áp dụng phương pháp tiếp cận định lượng suy diễn (Deductive Quantitative Approach):

  1. Xác định cỡ mẫu tối thiểu:
    • Theo công thức phân tích EFA của Hair et al. (1998): $N_{\min} = 5 \times m = 5 \times 22 = 110$ mẫu quan sát.
    • Theo công thức phân tích hồi quy của Tabachnick & Fidell (1996): $N_{\min} = 50 + 8 \times k = 50 + 8 \times 4 = 82$ mẫu (với $k=4$ biến độc lập).
    • Cỡ mẫu thực tế thu thập: $N = 152$ mẫu hợp lệ, đáp ứng $138.1%$ yêu cầu cỡ mẫu tối thiểu.
  2. Kế hoạch quản trị rủi ro nghiên cứu:
    • Rủi ro sai lệch chọn mẫu (Sampling Bias): Khắc phục bằng cách phân tầng câu hỏi gạn lọc, loại bỏ các đáp viên chưa từng trải nghiệm iPhone.
    • Rủi ro vi phạm giả định hồi quy: Kiểm tra phân phối chuẩn phần dư qua biểu đồ Histogram và kiểm định đa cộng tuyến thông qua hệ số VIF.

Implementation và kết quả

Quy trình phát triển và Thuật toán cốt lõi

Quy trình xử lý dữ liệu định lượng được thực thi qua các thuật toán toán học sau:

1. Hệ số tin cậy Cronbach's Alpha ($\alpha$)

Đo lường tính nhất quán nội tại của các biến quan sát trong cùng một thang đo: $$\alpha = \frac{k}{k-1} \left( 1 - \frac{\sum_{i=1}^k \sigma_{y_i}^2}{\sigma_x^2} \right)$$ Trong đó: $k$ là số biến quan sát; $\sigma_{y_i}^2$ là phương sai của biến thứ $i$; $\sigma_x^2$ là tổng phương sai của toàn bộ thang đo.

2. Phân tích nhân tố khám phá (EFA) & Phép xoay Varimax

Thuật toán trích xuất thành phần chính (Principal Component Analysis - PCA) kết hợp phép xoay trực góc Varimax nhằm cực đại hóa phương sai của các trọng số tải nhân tố (Factor Loadings $\lambda_{ij}$): $$V = \sum_{j=1}^m \left[ \sum_{i=1}^p (\lambda_{ij}^{})^4 - \frac{1}{p} \left( \sum_{i=1}^p (\lambda_{ij}^{})^2 \right)^2 \right]$$

3. Mô hình Hồi quy Tuyến tính Bội (OLS)

Ước lượng tham số theo phương pháp bình phương bé nhất: $$\mathbf{Y} = \beta_0 + \beta_1 \mathbf{X}{\text{TH}} + \beta_2 \mathbf{X}{\text{CL}} + \beta_3 \mathbf{X}{\text{GC}} + \beta_4 \mathbf{X}{\text{HV}} + \boldsymbol{\varepsilon}$$

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

# Script tái hiện kiểm định mô hình hồi quy OLS
def run_thesis_regression(df: pd.DataFrame):
    # Khai báo các biến độc lập và biến phụ thuộc
    independent_vars = ['TH', 'HV', 'GC', 'CL']
    dependent_var = 'LTT'
    
    X = df[independent_vars]
    y = df[dependent_var]
    
    # Thêm hệ số chặn Constant (B0)
    X_with_const = sm.add_constant(X)
    
    # Khởi tạo và huấn luyện mô hình OLS
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán hệ số phóng đại phương sai (VIF)
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]
    
    print("=== KẾT QUẢ HỒI QUY TUYẾN TÍNH BỘI ===")
    print(model.summary())
    print("\n=== KIỂM ĐỊNH ĐA CỘNG TUYẾN (VIF) ===")
    print(vif_data)
    
    return model, vif_data

Kiểm định và Đánh giá thống kê (Testing & Validation)

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

Toàn bộ 5 thang đo đều vượt qua tiêu chuẩn kiểm định với hệ số $\alpha > 0.80$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$:

STT Thang đo thành phần Số biến quan sát ban đầu Hệ số Cronbach's Alpha Tương quan biến - tổng nhỏ nhất Trạng thái kiểm định
1 Nhận biết thương hiệu (TH) 4 0.918 0.791 (TH3) Đạt yêu cầu xuất sắc
2 Chất lượng cảm nhận (CL) 5 0.926 0.776 (CL1) Đạt yêu cầu xuất sắc
3 Giá cả cảm nhận (GC) 3 0.806 0.640 (GC2) Đạt yêu cầu rất tốt
4 Hành vi mua lặp lại (HV) 3 0.874 0.710 (HV2) Đạt yêu cầu rất tốt
5 Lòng trung thành (LTT) 4 0.901 0.607 (LTT4) Đạt yêu cầu xuất sắc

Kiểm định EFA biến độc lập và Xử lý biến rác

Trong lần chạy EFA đầu tiên, hai biến quan sát thuộc nhóm Chất lượng cảm nhận là CL2 (hệ số trích xuất Communality $= 0.465$) và CL3 (Communality $= 0.371$) có giá trị $< 0.50$. Tác giả tiến hành kỹ thuật tinh gọn thang đo bằng cách loại bỏ CL2 và CL3 để tối ưu hóa tính hội tụ.

  • Kết quả EFA lần 2 (13 biến độc lập còn lại):

    • Hệ số $\text{KMO} = 0.631$ (thỏa mãn $0.5 < \text{KMO} < 1.0$).
    • Kiểm định Bartlett’s Test of Sphericity: $\chi^2 = 328.624$, $df = 78$, $\text{Sig.} = 0.000 < 0.05$ (các biến có tương quan mạnh mẽ).
    • Tổng phương sai trích ($\text{Total Variance Explained}$) đạt $55.149%$ ($> 50%$).
    • Giá trị Eigenvalue nhỏ nhất của nhân tố thứ 4 đạt $1.163 > 1.0$.
    • Toàn bộ hệ số tải nhân tố ($\text{Factor Loading}$) sau xoay Varimax đều đạt từ $0.548$ đến $0.801$.

  • Kết quả EFA biến phụ thuộc (LTT):

    • $\text{KMO} = 0.644$, Bartlett's Test $\text{Sig.} = 0.000$, Tổng phương sai trích $= 59.807%$, Eigenvalue $= 1.794$.

Kết quả đạt được từ Mô hình Hồi quy

Bảng thông số ước lượng hồi quy chuẩn hóa

Biến độc lập Hệ số Beta chưa chuẩn hóa (B) Sai số chuẩn (Std. Error) Hệ số Beta chuẩn hóa ($\beta$) Giá trị $t\text{-statistic}$ Mức ý nghĩa ($\text{Sig.}$) Thống kê VIF
Hằng số (Constant) 0.814 0.285 — 2.856 0.005 —
Nhận biết thương hiệu (TH) 0.331 0.058 0.380 5.707 0.000 1.052
Hành vi mua lặp lại (HV) 0.138 0.046 0.151 3.000 0.003 1.084
Giá cả cảm nhận (GC) 0.103 0.048 0.149 2.146 0.034 1.091
Chất lượng cảm nhận (CL) 0.124 0.059 0.141 2.102 0.037 1.066 
Phương trình hồi quy tuyến tính chuẩn hóa:
LTT = 0.380 * TH + 0.151 * HV + 0.149 * GC + 0.141 * CL

Đánh giá độ phù hợp của mô hình

  1. Khả năng giải thích: Hệ số xác định hiệu chỉnh $R^2_{\text{adj}} = 0.706$. Mô hình giải thích được $70.6%$ sự biến thiên của lòng trung thành thương hiệu iPhone; $29.4%$ còn lại do các biến ngoài mô hình và sai số ngẫu nhiên.
  2. Kiểm định ANOVA: Trị số kiểm định $F$ đạt mức ý nghĩa $\text{Sig.} = 0.000 < 0.001$, khẳng định mô hình có độ phù hợp tổng thể cao với tập dữ liệu.
  3. Hiện tượng tự tương quan: Chỉ số $\text{Durbin-Watson} = 1.822 \in [1.5, 2.5]$, đảm bảo các quan sát độc lập tuyến tính chuỗi bậc nhất.
  4. Phân phối chuẩn phần dư: Biểu đồ tần số phần dư chuẩn hóa (Standardized Residual Histogram) có giá trị trung bình $\mu = 2.72 \times 10^{-16} \approx 0$ và độ lệch chuẩn $\sigma = 0.990 \approx 1$, đồ thị phân bố dạng hình chuông cân đối.

Đổi mới và đóng góp

Đổi mới về mặt kỹ thuật và phương pháp luận

  • Quy trình loại bỏ biến rác có cấu trúc (Hierarchical Factor Pruning): Đề tài thiết lập quy trình kiểm soát communalities chặt chẽ, loại bỏ các biến quan sát phân tán nhiễu (CL2, CL3) trước khi tiến hành hồi quy, nâng tổng phương sai trích từ dưới $48%$ lên $55.149%$.
  • Định lượng hóa rào cản chuyển đổi (Switching Cost Quantification): Chứng minh bằng số liệu thực nghiệm rằng thói quen hành vi mua lặp lại (HV, $\beta = 0.151$) đóng vai trò rào cản vô hình mạnh hơn cả chất lượng cảm nhận phần cứng đơn thuần (CL, $\beta = 0.141$).
  • Khám phá nghịch lý thu nhập - tiêu dùng: $26%$ người dùng iPhone trong mẫu khảo sát có mức thu nhập dưới 5 triệu đồng/tháng nhưng vẫn duy trì lòng trung thành cao với dòng sản phẩm cao cấp, khẳng định giá trị biểu tượng xã hội (Social Status) của thương hiệu Apple vượt qua rào cản tài chính ngắn hạn.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-World Use Cases)

Nghiên cứu cung cấp cơ sở khoa học trực tiếp cho các chuỗi bán lẻ ủy quyền AAR tại Việt Nam (TopZone - Thế Giới Di Động, FPT Shop, CellphoneS, ShopDunk):

Lộ trình triển khai chiến lược (Implementation Roadmap)

Giai đoạn Thời gian Hạng mục công việc chính Chỉ số đo lường hiệu quả (KPIs)
P1: Tối ưu định vị Quý 1 - Quý 2 Đẩy mạnh chiến dịch Marketing nhận diện đẳng cấp thương hiệu tại các flagship store TP.HCM. Tỷ lệ Brand Recall đạt $> 85%$.
P2: Giữ chân khách hàng Quý 2 - Quý 3 Triển khai chương trình "Apple Loyalty Club" và chính sách Trade-in trợ giá $15-20%$ cho người dùng cũ. Tỷ lệ nâng cấp máy (Repeat Purchase) tăng $12%$.
P3: Mở rộng hạ tầng dịch vụ Quý 3 - Quý 4 Hợp tác mở rộng các trung tâm bảo hành Apple Authorized Service Provider (hiện mới có 19 điểm toàn quốc). Rút ngắn thời gian xử lý bảo hành từ 7 ngày xuống $< 72$ giờ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phương pháp chọn mẫu: Nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện phi xác suất ($N=152$), tập trung chủ yếu vào nhóm sinh viên và nhân viên văn phòng tại TP.HCM (chiếm $79%$ độ tuổi 18-30), chưa bao quát toàn diện các phân khúc người dùng lớn tuổi hoặc doanh nhân.
  • Mô hình tĩnh: Dữ liệu cắt ngang (cross-sectional data) phản ánh hành vi tại một thời điểm, chưa theo dõi sự thay đổi lòng trung thành theo chu kỳ nâng cấp vòng đời sản phẩm (2-3 năm).

Hướng nghiên cứu tiếp theo

  • Áp dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) thông qua phần mềm AMOS hoặc SmartPLS để đánh giá các biến trung gian như Sự hài lòng (Customer Satisfaction) và Niềm tin thương hiệu (Brand Trust).
  • Mở rộng quy mô mẫu lên $N \ge 500$ trên phạm vi đa tỉnh thành (Hà Nội, Đà Nẵng, Cần Thơ) để so sánh phương sai đa nhóm (Multi-group Invariance Analysis).

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên Kinh tế/Marketing: Tiếp cận tài liệu tham khảo hoàn chỉnh về quy trình phân tích định lượng chuẩn mực từ Cronbach's Alpha, EFA đến Hồi quy OLS.
  • Doanh nghiệp bán lẻ (Retailers/AAR): Tiết kiệm chi phí thử nghiệm chiến lược tiếp thị thông qua việc ưu tiên ngân sách cho nhân tố Nhận diện ($\beta = 0.380$) và Chương trình thu cũ đổi mới ($\beta = 0.151$).
  • Chuyên viên phân tích dữ liệu (Data Analysts): Sở hữu bộ chỉ số chuẩn (benchmark metrics) để đối sánh trong các nghiên cứu hành vi khách hàng ngành thiết bị công nghệ.

Câu hỏi thường gặp

1. Tại sao nghiên cứu loại bỏ hai biến quan sát CL2 và CL3 trong phân tích EFA?

Trong phân tích EFA lần 1, biến CL2 (Camera chụp đẹp) có hệ số trích xuất Communality $= 0.465$ và CL3 (Sự ổn định lâu dài) có Communality $= 0.371$. Do cả hai chỉ số đều $< 0.50$ (giải thích dưới $50%$ phương sai của biến), việc loại bỏ là bắt buộc theo chuẩn thống kê Hair et al. để tránh tạo biến rác và tăng tính hội tụ của thang đo.

2. Mô hình có gặp hiện tượng đa cộng tuyến (Multicollinearity) không?

Không. Tất cả các biến độc lập trong mô hình hồi quy đều có hệ số phóng đại phương sai $\text{VIF} \in [1.052, 1.091]$, thấp hơn rất nhiều so với ngưỡng cảnh báo $\text{VIF} = 2.0$. Do đó, không có hiện tượng đa cộng tuyến và các ước lượng hệ số hồi quy có độ tin cậy thống kê cao.

3. Ý nghĩa của chỉ số Durbin-Watson = 1.822 trong mô hình là gì?

Chỉ số Durbin-Watson dùng để kiểm tra hiện tượng tự tương quan chuỗi bậc nhất giữa các phần dư. Với giá trị $d = 1.822$ (nằm trong khoảng an toàn $1.5 \le d \le 2.5$), mô hình khẳng định không có sự phụ thuộc chuỗi giữa các sai số quan sát.

4. Tại sao nhân tố Nhận biết thương hiệu (TH) lại có tác động mạnh nhất đến Lòng trung thành?

Hệ số Beta chuẩn hóa của TH đạt mức cao nhất ($\beta = 0.380, p < 0.001$). Điều này phản ánh đặc thù của thương hiệu Apple: iPhone không chỉ là thiết bị liên lạc mà còn là biểu tượng định vị phong cách sống sang trọng và uy tín xã hội, thúc đẩy người tiêu dùng tiếp tục gắn bó với thương hiệu.

5. Dữ liệu nghiên cứu này có thể tái hiện (replicate) trên các công cụ mã nguồn mở không?

Hoàn toàn có thể. Bằng cách sử dụng ngôn ngữ Python với các thư viện statsmodels và pingouin theo kịch bản đã cung cấp, nhà nghiên cứu có thể nhập tập dữ liệu ma trận khảo sát và thu được các giá trị $\alpha$, KMO, ma trận xoay EFA và hệ số OLS tương đương với phần mềm IBM SPSS Statistics.

Kết luận

Đề tài "Nghiên cứu các yếu tố ảnh hưởng đến lòng trung thành của khách hàng với điện thoại iPhone thương hiệu Apple tại địa bàn Thành phố Hồ Chí Minh" đã hệ thống hóa và lượng hóa thành công cấu trúc tác động đến lòng trung thành của người tiêu dùng. Kết quả thực nghiệm trên mẫu khảo sát $N=152$ khẳng định 4 nhân tố có tác động tích cực cùng chiều, xếp theo thứ tự mức độ ảnh hưởng: Nhận biết thương hiệu ($\beta = 0.380$) > Hành vi mua lặp lại ($\beta = 0.151$) > Giá cả cảm nhận ($\beta = 0.149$) > Chất lượng cảm nhận ($\beta = 0.141$), đạt hệ số giải thích $R^2_{\text{adj}} = 70.6%$.

Công trình không chỉ củng cố nền tảng lý thuyết quản trị thương hiệu trong kỷ nguyên số mà còn cung cấp hàm ý thực tiễn giá trị cho các nhà bán lẻ công nghệ tại Việt Nam trong việc tối ưu hóa dịch vụ khách hàng, mở rộng mạng lưới bảo hành ủy quyền và xây dựng các giải pháp tài chính tiêu dùng đột phá.