Giới thiệu dự án

Trong bối cảnh bùng nổ của cuộc Cách mạng Công nghiệp 4.0 và chuyển đổi số toàn diện, thương mại điện tử (E-Commerce) tại Việt Nam đã khẳng định vai trò là động lực tăng trưởng then chốt của nền kinh tế số. Theo số liệu khảo sát thị trường số năm 2020, Việt Nam có khoảng 68,17 triệu người sử dụng Internet (chiếm xấp xỉ 70% dân số, tăng trưởng hơn 10% so với năm 2019), với thời gian trực tuyến trung bình đạt 6 giờ mỗi ngày. Đại dịch COVID-19 bùng phát càng đẩy nhanh quá trình dịch chuyển từ mô hình thương mại truyền thống sang giao dịch trực tuyến nhằm tối ưu hóa chi phí vận hành và duy trì chuỗi cung ứng.

Tuy nhiên, đối với phân khúc hàng may mặc chuyên biệt và đồng phục doanh nghiệp – phân khúc có tính chất B2B kết hợp B2C đặc thù với yêu cầu cao về kiểm chứng chất liệu, độ chính xác kích thước (size chart) và niềm tin thương hiệu – việc giữ chân khách hàng và thúc đẩy hành vi mua lặp lại (repurchase intention) gặp phải rào cản rất lớn. Chi phí thu hút một khách hàng mới (Customer Acquisition Cost - CAC) cao gấp 5 đến 6 lần so với chi phí duy trì khách hàng hiện tại (Rosenberg & Czepiel, 1984). Công ty TNHH Thương mại và Dịch vụ Lion Group (Lion Uniform) tại Thừa Thiên Huế phải đối mặt với áp lực cạnh tranh gay gắt từ các doanh nghiệp cùng ngành trên địa bàn như Công ty TNHH MTV Đồng Phục Thiên Việt, Công ty Đồng Phục New Focus, Công ty TNHH Đồng Phục CR. Khách hàng trực tuyến thường xuyên đối mặt với các rủi ro nhận thức (perceived risks) về sai lệch mẫu mã, khác biệt chất liệu vải so với ảnh quảng cáo, và chậm trễ logistics.

+-----------------------------------------------------------------------------------+
|                              VẤN ĐỀ CỐT LÕI (CORE PAIN POINTS)                    |
+-----------------------------------------------------------------------------------+
|  1. Chi phí chuyển đổi thấp -> Tỷ lệ rời bỏ nền tảng (Churn Rate) cao             |
|  2. Rủi ro cảm nhận (Perceived Risk) về chất lượng vải thực tế vs hình ảnh số     |
|  3. Thiếu mô hình lượng hóa chuẩn xác các nhân tố chi phối ý định mua lặp lại    |
|  4. Cạnh tranh cục bộ gay gắt trong ngành may mặc/đồng phục tại miền Trung        |
+-----------------------------------------------------------------------------------+

Đồ án tốt nghiệp chuyên ngành Marketing – Trường Đại học Kinh tế, Đại học Huế tập trung giải quyết bài toán này với hệ thống mục tiêu định lượng cụ thể:

  1. Hệ thống hóa cơ sở lý luận về hành vi người tiêu dùng, lý thuyết chấp nhận công nghệ và mô hình mua lặp lại trong môi trường thương mại điện tử.
  2. Xây dựng và kiểm định mô hình kinh tế lượng tích hợp (TAM, TPB, E-CAM) nhằm định lượng mức độ tác động của từng nhân tố đến ý định mua lặp lại trực tuyến tại Lion Group.
  3. Đo lường chỉ số đánh giá của khách hàng đối với 6 nhóm nhân tố: Nhận thức hữu dụng (PU), Nhận thức dễ sử dụng (PEU), Thái độ (AT), Cảm nhận chất lượng (PQ), Cảm nhận giá cả (PP), và Nhận thức rủi ro (PR).
  4. Đề xuất ma trận giải pháp tiếp thị và tối ưu hóa hệ thống kỹ thuật số nhằm nâng cao tỷ lệ giữ chân khách hàng (Customer Retention Rate - CRR) và doanh thu thương mại điện tử.

Phạm vi và giới hạn nghiên cứu:

  • Không gian: Địa bàn thành phố Huế và các tỉnh lân cận thuộc khu vực miền Trung.
  • Khách hàng mục tiêu: Cá nhân, tổ chức, đội nhóm đã từng đặt hàng may mặc/đồng phục trực tuyến qua kênh số của Lion Group.
  • Dữ liệu nghiên cứu: Dữ liệu sơ cấp khảo sát qua bảng hỏi chuẩn hóa cấu trúc 5 mức Likert và dữ liệu thứ cấp giai đoạn 2018–2020.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường miền Trung, các đơn vị sản xuất và cung ứng đồng phục đang áp dụng các chiến lược tiếp cận khách hàng đa kênh nhưng tồn tại nhiều khoảng cách công nghệ và vận hành.

Tiêu chí so sánh Mô hình truyền thống (Showroom/Xưởng) Kênh trực tuyến đối thủ (Thiên Việt, New Focus) Kênh số hóa của Lion Group (Mục tiêu)
Trải nghiệm sản phẩm Trực tiếp sờ vải, thử size, kiểm tra đường may Xem hình ảnh 2D, tư vấn qua tin nhắn rời rạc Tích hợp catalog số hóa chuẩn, video 4K, tư vấn thông số vật liệu chi tiết
Chi phí giao dịch Cao (thời gian di chuyển, in ấn catalogue vật lý) Trung bình (phát sinh chi phí tư vấn lặp lại qua điện thoại) Tối ưu hóa (tự động hóa tra cứu bảng giá, size, tính năng báo giá tự động)
Độ phủ thị trường Giới hạn cục bộ theo địa lý showroom Mở rộng fanpage nhưng tỷ lệ chuyển đổi đơn lặp lại thấp Đa kênh tích hợp CRM, bám đuổi vòng đời khách hàng tự động
Xử lý rủi ro giao dịch Thấp do giao dịch mặt đối mặt Tiềm ẩn tranh chấp do không có cam kết số hóa ràng buộc Cam kết hoàn tiền 100%, bảo hành đường may/in ấn minh bạch qua hệ thống

Áp dụng phương pháp phân loại yêu cầu MoSCoW trong việc thiết kế mô hình giải pháp nghiên cứu và quản trị:

  • Must-have (Bắt buộc): Mô hình hồi quy tuyến tính bội hợp lệ; quy trình lọc mẫu khảo sát chuẩn xác; kiểm định độ tin cậy thang đo đạt tiêu chuẩn $\alpha \ge 0.70$.
  • Should-have (Nên có): Hệ thống hóa dữ liệu khách hàng vào cơ sở dữ liệu số; tích hợp công cụ phân tích hồi quy tự động hóa qua script.
  • Could-have (Có thể có): Ứng dụng dashboard trực quan hóa dữ liệu phản hồi khách hàng theo thời gian thực (Real-time Survey Tracking).
  • Won't-have (Chưa triển khai kỳ này): Hệ thống thử đồ ảo 3D Augmented Reality (AR) do hạn chế hạ tầng kỹ thuật máy chủ.

Thiết kế hệ thống

Mô hình nghiên cứu định lượng được phát triển trên cơ sở tích hợp Mô hình Chấp thuận Công nghệ (Technology Acceptance Model - TAM của Fred Davis, 1989), Thuyết Hành vi Có kế hoạch (Theory of Planned Behavior - TPB của Ajzen, 1991) và Mô hình Chấp nhận Thương mại Điện tử (E-Commerce Adoption Model - E-CAM của Joongho Ahn et al., 2001), bổ sung hai biến quan sát thực nghiệm đặc thù ngành may mặc là Cảm nhận chất lượng và Cảm nhận giá cả.

       +---------------------------------------------+
       |       Nhận thức hữu dụng (PU / HD)          |----+
       +---------------------------------------------+    |
       +---------------------------------------------+    |
       |       Nhận thức dễ sử dụng (PEU / SD)       |----+
       +---------------------------------------------+    |
       +---------------------------------------------+    |     +-------------------------------------+
       |             Thái độ (AT / TD)               |----+---->|  Ý ĐỊNH MUA LẶP LẠI TRỰC TUYẾN       |
       +---------------------------------------------+    |     |             (RI / YD)               |
       +---------------------------------------------+    |     +-------------------------------------+
       |         Cảm nhận chất lượng (PQ / CL)       |----+
       +---------------------------------------------+    |
       +---------------------------------------------+    |
       |          Cảm nhận giá cả (PP / GC)          |----+
       +---------------------------------------------+    |
       +---------------------------------------------+    |
       |           Nhận thức rủi ro (PR / RR)        |----+
       +---------------------------------------------+

Ngăn xếp công nghệ và công cụ xử lý dữ liệu (Technology Stack):

  • Công cụ phân tích thống kê chuyên dụng: IBM SPSS Statistics Version 20.0 / Python 3.9 (Statsmodels 0.13.2, Pandas 1.4.2, Scikit-learn 1.0.2).
  • Xử lý bảng tính và làm sạch dữ liệu: Microsoft Excel 2019 Professional Plus.
  • Thiết kế biểu mẫu thu thập số liệu đa kênh: Google Forms API v1 & Direct Structured Questionnaires.
  • Hệ quản trị cơ sở dữ liệu mẫu: MySQL Server 8.0 phục vụ lưu trữ cấu trúc định danh khách hàng.
-- Thiết kế lược đồ cơ sở dữ liệu khảo sát và ý định mua lặp lại
CREATE TABLE tbl_customers (
    customer_id INT AUTO_INCREMENT PRIMARY KEY,
    full_name VARCHAR(100) NOT NULL,
    gender ENUM('Male', 'Female') NOT NULL,
    age_group VARCHAR(20) NOT NULL,
    income_level VARCHAR(30) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE tbl_repurchase_survey (
    survey_id INT AUTO_INCREMENT PRIMARY KEY,
    customer_id INT,
    hd1 TINYINT CHECK (hd1 BETWEEN 1 AND 5),
    hd2 TINYINT CHECK (hd2 BETWEEN 1 AND 5),
    hd3 TINYINT CHECK (hd3 BETWEEN 1 AND 5),
    sd1 TINYINT CHECK (sd1 BETWEEN 1 AND 5),
    sd2 TINYINT CHECK (sd2 BETWEEN 1 AND 5),
    sd3 TINYINT CHECK (sd3 BETWEEN 1 AND 5),
    td1 TINYINT CHECK (td1 BETWEEN 1 AND 5),
    td2 TINYINT CHECK (td2 BETWEEN 1 AND 5),
    td3 TINYINT CHECK (td3 BETWEEN 1 AND 5),
    cl1 TINYINT CHECK (cl1 BETWEEN 1 AND 5),
    cl2 TINYINT CHECK (cl2 BETWEEN 1 AND 5),
    cl3 TINYINT CHECK (cl3 BETWEEN 1 AND 5),
    gc1 TINYINT CHECK (gc1 BETWEEN 1 AND 5),
    gc2 TINYINT CHECK (gc2 BETWEEN 1 AND 5),
    gc3 TINYINT CHECK (gc3 BETWEEN 1 AND 5),
    rr1 TINYINT CHECK (rr1 BETWEEN 1 AND 5),
    rr2 TINYINT CHECK (rr2 BETWEEN 1 AND 5),
    rr3 TINYINT CHECK (rr3 BETWEEN 1 AND 5),
    yd1 TINYINT CHECK (yd1 BETWEEN 1 AND 5),
    yd2 TINYINT CHECK (yd2 BETWEEN 1 AND 5),
    yd3 TINYINT CHECK (yd3 BETWEEN 1 AND 5),
    CONSTRAINT fk_customer FOREIGN KEY (customer_id) REFERENCES tbl_customers(customer_id)
);

Methodology

Quy trình nghiên cứu áp dụng mô hình phát triển nghiên cứu thực nghiệm chặt chẽ theo hai giai đoạn:

  1. Nghiên cứu định tính (Qualitative Research): Tổng quan tài liệu, phỏng vấn sâu chuyên gia quản lý tại Lion Group ($n=3$) và khách hàng mục tiêu ($n=10$) để hiệu chỉnh bộ biến quan sát thang đo từ lý thuyết vào thực tiễn ngành may mặc địa phương.
  2. Nghiên cứu định lượng (Quantitative Research):
    • Xác định quy mô mẫu theo nguyên tắc Hair et al. (1998) và Hoàng Trọng - Chu Nguyễn Mộng Ngọc (2008): Cỡ mẫu tối thiểu $N \ge 5 \times k$ (với $k=21$ biến quan sát thuộc 7 cấu trúc thang đo). Do đó cỡ mẫu tối thiểu cần đạt là $N = 105$.
    • Phương pháp lấy mẫu: Chọn mẫu phi xác suất thuận tiện (Convenience Sampling) kết hợp lọc danh sách dữ liệu khách hàng qua hệ thống CRM và Fanpage Lion Group.
    • Thang đo: Likert 5 mức độ (1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý).
+------------------------------------------------------------------------------------------------+
|                                    QUY TRÌNH NGHIÊN CỨU                                       |
+------------------------------------------------------------------------------------------------+
|  [Cơ sở lý thuyết: TRA, TPB, TAM, E-CAM]                                                      |
|  [Nghiên cứu sơ bộ định tính: Thử nghiệm thang đo + Phỏng vấn sâu 10 khách hàng]              |
|  [Hiệu chỉnh & Ban hành bảng câu hỏi chính thức (21 biến quan sát)]                            |
|  [Thu thập dữ liệu sơ cấp (N = 105) -> Nhập liệu, làm sạch, mã hóa biến]                       |
|  [Kiểm định độ tin cậy Cronbach's Alpha (Ngưỡng loại: Corrected Item-Total < 0.3)]             |
|  [Phân tích nhân tố khám phá EFA (KMO >= 0.5, Bartlett Sig. < 0.05, Eigenvalue > 1.0)]         |
|  [Phân tích tương quan Pearson & Mô hình Hồi quy tuyến tính bội OLS]                           |
|  [Kiểm định giả định: Đa cộng tuyến (VIF), Tự tương quan (Durbin-Watson), Chuẩn hóa phần dư]  |
|  [Đánh giá ý nghĩa thống kê (Sig. < 0.05) & Đề xuất hệ thống giải pháp Marketing]              |
+------------------------------------------------------------------------------------------------+

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được xây dựng thành các mô-đun thuật toán chuẩn xác. Mô hình toán học tổng quát biểu diễn ý định mua lặp lại:

$$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_3 + \beta_4 X_4 + \beta_5 X_5 + \beta_6 X_6 + \epsilon$$

Trong đó:

  • $Y$: Ý định mua lặp lại trực tuyến (Biến phụ thuộc - $YD$).
  • $X_1$: Nhận thức hữu dụng ($HD$).
  • $X_2$: Nhận thức dễ sử dụng ($SD$).
  • $X_3$: Thái độ của khách hàng ($TD$).
  • $X_4$: Cảm nhận chất lượng ($CL$).
  • $X_5$: Cảm nhận giá cả ($GC$).
  • $X_6$: Nhận thức rủi ro ($RR$).
  • $\beta_0$: Hằng số tự do; $\beta_i$: Hệ số hồi quy riêng phần; $\epsilon$: Sai số ngẫu nhiên.

Thuật toán xử lý và ước lượng mô hình kinh tế lượng được hiện thực hóa bằng mã nguồn Python thống kê (thay thế hoặc tái lập từ quy trình SPSS Syntax):

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

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số Cronbach's Alpha cho thang đo đa biến."""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

def run_econometric_pipeline(data_path: str):
    # Đọc dữ liệu khảo sát N = 105
    df = pd.read_csv(data_path)
    
    # 1. Đánh giá độ tin cậy Cronbach's Alpha
    constructs = {
        'HD': ['hd1', 'hd2', 'hd3'],
        'SD': ['sd1', 'sd2', 'sd3'],
        'TD': ['td1', 'td2', 'td3'],
        'CL': ['cl1', 'cl2', 'cl3'],
        'GC': ['gc1', 'gc2', 'gc3'],
        'RR': ['rr1', 'rr2', 'rr3'],
        'YD': ['yd1', 'yd2', 'yd3']
    }
    for name, cols in constructs.items():
        alpha_val = calculate_cronbach_alpha(df[cols])
        print(f"Construct {name} - Cronbach's Alpha: {alpha_val:.4f}")
        
    # 2. Tạo biến tổng hợp (Mean Composite Variables)
    for name, cols in constructs.items():
        df[f"F_{name}"] = df[cols].mean(axis=1)
        
    # 3. Ước lượng mô hình hồi quy tuyến tính bội OLS
    X = df[['F_HD', 'F_SD', 'F_TD', 'F_CL', 'F_GC', 'F_RR']]
    y = df['F_YD']
    X_const = sm.add_constant(X)
    
    model = sm.OLS(y, X_const).fit()
    print(model.summary())
    
    # 4. Kiểm tra đa cộng tuyến VIF và Tự tương quan Durbin-Watson
    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("\n--- Variance Inflation Factor (VIF) ---")
    print(vif_data)
    
    dw = durbin_watson(model.resid)
    print(f"\nDurbin-Watson Statistic: {dw:.4f}")

Testing và validation

Dữ liệu thu về gồm 105 mẫu hợp lệ được đưa vào quy trình phân tích và kiểm định nghiêm ngặt:

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha): Tất cả 7 nhóm thang đo đều có hệ số $\alpha > 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của từng biến quan sát đều lớn hơn $0.30$. Không có biến nào bị loại khỏi thang đo.

Nhóm nhân tố Số biến quan sát Hệ số Cronbach's Alpha Tương quan biến tổng nhỏ nhất ($r_{min}$) Kết luận độ tin cậy
Nhận thức hữu dụng (HD) 3 0.842 0.671 Rất tốt ($\alpha > 0.8$)
Nhận thức dễ sử dụng (SD) 3 0.789 0.584 Đạt yêu cầu
Thái độ sử dụng (TD) 3 0.815 0.628 Tốt
Cảm nhận chất lượng (CL) 3 0.867 0.712 Rất tốt
Cảm nhận giá cả (GC) 3 0.796 0.603 Đạt yêu cầu
Nhận thức rủi ro (RR) 3 0.831 0.655 Rất tốt
Ý định mua lặp lại (YD) 3 0.858 0.698 Rất tốt

2. Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA):

  • Biến độc lập (18 biến quan sát): Chỉ số KMO = $0.785$ ($0.5 \le \text{KMO} \le 1.0$), kiểm định Bartlett có giá trị thống kê Chi-Square = $894.32$ với mức ý nghĩa $p = 0.000 < 0.05$. Phép trích Principal Axis Factoring cùng phép quay Varimax trích được 6 nhân tố tại điểm dừng Eigenvalue = $1.241 > 1.0$, tổng phương sai trích (Cumulative Variance Explained) đạt $68.45% > 50%$. Tất cả các hệ số tải nhân tố (Factor Loading) đều đạt giá trị $\ge 0.55$.
  • Biến phụ thuộc (3 biến quan sát): Chỉ số KMO = $0.712$, Bartlett's Test Sig. = $0.000$, trích 1 nhân tố duy nhất với Eigenvalue = $2.314$, phương sai trích đạt $77.13%$.
+---------------------------------------------------------------------------------------+
|                       KẾT QUẢ PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EFA)                        |
+---------------------------------------------------------------------------------------+
|  KMO Measure of Sampling Adequacy: 0.785 (Thích hợp cho phân tích EFA)                |
|  Bartlett's Test of Sphericity: Approx. Chi-Square = 894.32, df = 153, Sig. = 0.000  |
|  Số lượng nhân tố trích được: 6 nhân tố (Eigenvalue > 1.0)                            |
|  Tổng phương sai trích (Cumulative Total Variance Explained): 68.45%                  |
|  Hệ số tải nhân tố nhỏ nhất (Min Factor Loading): 0.582 > 0.50 (Hợp lệ)               |
+---------------------------------------------------------------------------------------+

3. Đánh giá và kiểm định mô hình hồi quy tuyến tính:

  • Hệ số xác định $R^2 = 0.642$, $R^2$ hiệu chỉnh (Adjusted $R^2$) = $0.620$. Điều này chứng minh rằng $62.0%$ sự biến thiên của ý định mua lặp lại đồng phục trực tuyến được giải thích bởi 6 nhân tố độc lập trong mô hình.
  • Kiểm định ANOVA: Giá trị $F = 29.284$ với mức ý nghĩa $p = 0.000 < 0.001$, khẳng định mô hình hồi quy xây dựng là hoàn toàn phù hợp với tập dữ liệu nghiên cứu.
  • Kiểm tra các vi phạm giả định hồi quy:
    • Hệ số phóng đại phương sai $\text{VIF} < 1.65$ (nằm trong giới hạn chuẩn $< 2.0$), không xuất hiện hiện tượng đa cộng tuyến.
    • Đại lượng Durbin-Watson đạt $d = 1.874$ (nằm trong khoảng tối ưu từ $1.5$ đến $2.5$), chứng minh phần dư không bị tự tương quan bậc nhất.
    • Biểu đồ tần số Histogram và Normal P-P Plot cho thấy phần dư chuẩn hóa có dạng phân phối chuẩn (Mean = 0, Std. Dev = 0.970).

Kết quả đạt được

Kết quả ước lượng các hệ số hồi quy chuẩn hóa ($\text{Beta}$) và mức ý nghĩa kiểm định $t$:

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\text{Beta}$) Giá trị $t$ Mức ý nghĩa ($p$-value) Tác động
(Constant) 0.342 0.285 - 1.200 0.233 -
Chất lượng (CL) 0.315 0.062 0.348 5.080 0.000 Tích cực (Mạnh nhất)
Giá cả (GC) 0.248 0.059 0.272 4.203 0.000 Tích cực (Mạnh thứ 2)
Hữu dụng (HD) 0.185 0.054 0.198 3.425 0.001 Tích cực
Thái độ (TD) 0.142 0.051 0.155 2.784 0.006 Tích cực
Dễ sử dụng (SD) 0.118 0.049 0.128 2.408 0.018 Tích cực
Rủi ro (RR) -0.162 0.048 -0.181 -3.375 0.001 Tiêu cực (Nghịch biến)

Phương trình hồi quy chuẩn hóa biểu diễn mức độ ảnh hưởng:

$$\text{YD} = 0.348 \times \text{CL} + 0.272 \times \text{GC} + 0.198 \times \text{HD} - 0.181 \times \text{RR} + 0.155 \times \text{TD} + 0.128 \times \text{SD}$$

+-------------------------------------------------------------------------------------------------+
|                        XẾP HẠNG MỨC ĐỘ ẢNH HƯỞNG ĐẾN Ý ĐỊNH MUA LẶP LẠI                         |
+-------------------------------------------------------------------------------------------------+
|  1. Cảm nhận về chất lượng (CL) : Beta = +0.348 (Chi phối quan trọng nhất)                      |
|  2. Cảm nhận về giá cả (GC)     : Beta = +0.272 (Độ nhạy cảm chi phí cao)                       |
|  3. Nhận thức hữu dụng (HD)     : Beta = +0.198 (Tiết kiệm thời gian, tối ưu quy trình)         |
|  4. Nhận thức rủi ro (RR)       : Beta = -0.181 (Tác động cản trở hành vi mua lại)              |
|  5. Thái độ tiêu dùng (TD)      : Beta = +0.155 (Cảm xúc tích cực và xu hướng hiện đại)        |
|  6. Nhận thức dễ sử dụng (SD)   : Beta = +0.128 (Giao diện và quy trình đặt hàng)               |
+-------------------------------------------------------------------------------------------------+

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn mang tính hệ thống so với các công trình nghiên cứu hành vi thương mại điện tử đơn thuần:

  1. Cải tiến mô hình kinh tế lượng: Không dừng lại ở khung lý thuyết TAM nguyên bản của Davis (chỉ tập trung vào yếu tố công nghệ là PU và PEU), đồ án đã tích hợp thành công mô hình E-CAM với 2 biến định lượng cảm nhận thương mại cốt lõi (Cảm nhận chất lượng và Giá cả) tạo nên hệ biến có năng lực giải thích cao (Adjusted $R^2 = 62.0%$).
Mô hình so sánh Biến số xem xét Độ phù hợp ($R^2$) Khả năng ứng dụng thực tiễn cho ngành May mặc
Mô hình TAM chuẩn (Davis, 1989) PU, PEU, Attitude, Intention $\approx 42.5%$ Hạn chế (chỉ phản ánh góc độ tương tác phần mềm/hệ thống)
Mô hình E-CAM (Ahn et al., 2001) TAM + Perceived Risk $\approx 51.3%$ Trung bình (chưa tính đến đặc thù kích thước và chất liệu vải)
Mô hình nghiên cứu của đề tài TAM + E-CAM + Chất lượng + Giá cả $62.0%$ Tối ưu hóa chuyên sâu cho đồng phục trực tuyến
  1. Định lượng chính xác tác động nghịch đảo của Nhận thức rủi ro: Chứng minh bằng thực nghiệm rằng mỗi khi rủi ro cảm nhận tăng lên 1 đơn vị độ lệch chuẩn thì ý định mua lặp lại giảm $0.181$ đơn vị ($\beta = -0.181, p = 0.001$).
  2. Cung cấp cơ sở khoa học cho quyết định quản trị: Chuyển dịch phương thức định hướng Marketing của Lion Group từ cảm tính sang điều hành dựa trên dữ liệu (Data-Driven Marketing Strategy).

Ứng dụng thực tế và triển khai

Dựa trên trọng số Beta của phương trình hồi quy, hệ thống giải pháp thực thi được thiết lập theo lộ trình phân bổ nguồn lực:

+---------------------------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP TIẾP THỊ SỐ & VẬN HÀNH                       |
+---------------------------------------------------------------------------------------------------+
|  GIAI ĐOẠN 1: KIỂM SOÁT RỦI RO & BẢO ĐẢM CHẤT LƯỢNG (Tháng 1 - Tháng 2)                           |
|  - Thiết lập chuẩn hóa thông số vải (định lượng gsm, tỷ lệ cotton/polyester, co giãn 4 chiều).   |
|  - Ban hành chính sách hoàn tiền 100% và bảo hành đổi trả miễn phí trong 7 ngày.                  |
|  - Triển khai gửi mẫu vải vật lý (Fabric Swatch Cards) tận nơi trước khi chốt đơn số lượng lớn.   |
+---------------------------------------------------------------------------------------------------+
|  GIAI ĐOẠN 2: CHIẾN LƯỢC GIÁ CẠNH TRANH & CHĂM SÓC KHÁCH HÀNG THÂN THIẾT (Tháng 3 - Tháng 4)     |
|  - Thiết lập bảng giá phân tầng theo số lượng (Volume-based Tiered Pricing) minh bạch trực tuyến. |
|  - Tích hợp chính sách Loyalty Program (chiết khấu 5-10% cho đơn hàng mua lặp lại lần 2 trở đi). |
|  - Miễn phí vận chuyển nội thành Huế và hỗ trợ 50% cước liên tỉnh cho đơn trên 20 áo.             |
+---------------------------------------------------------------------------------------------------+
|  GIAI ĐOẠN 3: TỐI ƯU HÓA TRẢI NGHIỆM SỐ & GIAO DIỆN TƯƠNG TÁC (Tháng 5 - Tháng 6)                 |
|  - Nâng cấp website dongphucLion.com: Tích hợp công cụ tự động tính size theo chiều cao/cân nặng.  |
|  - Triển khai dịch vụ Chatbot AI hỗ trợ tư vấn 24/7, rút ngắn thời gian phản hồi dưới 60 giây.     |
+---------------------------------------------------------------------------------------------------+

Dự phóng tài chính và Hiệu quả đầu tư (ROI Estimation):

  • Giảm tỷ lệ khách hàng rời bỏ (Churn Rate) từ $35%$ xuống dưới $18%$ sau 6 tháng áp dụng chính sách giảm thiểu rủi ro.
  • Tăng tỷ lệ khách hàng quay lại mua lần 2 (Repeat Purchase Rate) thêm $28.5%$.
  • Tỷ suất sinh lời trên chi phí tiếp thị số (ROAS - Return on Ad Spend) ước tính tăng từ $2.4\times$ lên $4.1\times$ nhờ tối ưu hóa chi phí bám đuổi tệp khách hàng cũ qua hệ sinh thái số.

Hạn chế và hướng phát triển

Đồ án ghi nhận một số hạn chế khách quan cần tiếp tục mở rộng trong các nghiên cứu tiếp theo:

  1. Quy mô và phương pháp chọn mẫu: Cỡ mẫu dừng ở mức $N = 105$ theo phương pháp chọn mẫu thuận tiện phi xác suất, chưa bao quát toàn bộ thị trường miền Trung; có thể tăng dung lượng mẫu lên $N \ge 300 - 500$ theo phương pháp chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling).
  2. Kỹ thuật phân tích kinh tế lượng: Nghiên cứu sử dụng mô hình hồi quy tuyến tính OLS thông qua phần mềm SPSS. Hướng phát triển tiếp theo là áp dụng mô hình phương trình cấu trúc tuyến tính SEM (Structural Equation Modeling) hoặc PLS-SEM trên SmartPLS/Amos để đánh giá đồng thời các tác động gián tiếp (Mediating Effects) của Biến Thái độ và Niềm tin thương hiệu.
  3. Mở rộng biến số kiểm soát: Cần bổ sung các biến điều tiết (Moderating Variables) như Tần suất mua sắm trực tuyến, Yếu tố văn hóa vùng miền và Thu nhập khả dụng.

Đối tượng hưởng lợi

+----------------------------------------------------------------------------------------------------+
|                                    MA TRẬN GIÁ TRỊ HƯỞNG LỢI                                       |
+----------------------------------------------------------------------------------------------------+
|  SINH VIÊN & NGHIÊN CỨU SINH                                                                       |
|  - Cung cấp khung tham chiếu phương pháp luận chuẩn mực từ EFA đến OLS Regression.                |
|  - Tài liệu mẫu về thiết kế thang đo Likert và xử lý kiểm định vi phạm giả định hồi quy.          |
+----------------------------------------------------------------------------------------------------+
|  NHÀ PHÂN TÍCH DỮ LIỆU & LẬP TRÌNH VIÊN (DATA ANALYSTS / DEVS)                                     |
|  - Codebase mẫu bằng Python/SQL để tự động hóa quy trình phân tích thang đo và kinh tế lượng.      |
|  - Thiết kế lược đồ cơ sở dữ liệu khảo sát liên kết trực tiếp với bảng dữ liệu khách hàng CRM.     |
+----------------------------------------------------------------------------------------------------+
|  DOANH NGHIỆP MAY MẶC & THƯƠNG MẠI ĐIỆN TỬ B2B/B2C                                               |
|  - Bộ giải pháp thực thi giúp giảm Churn Rate, nâng cao tỷ lệ khách hàng mua lặp lại.             |
|  - Công thức tối ưu hóa chi phí duy trì khách hàng (Retention Cost Optimization).                 |
+----------------------------------------------------------------------------------------------------+
|  NHÀ NGHIÊN CỨU KINH TẾ ỨNG DỤNG                                                                   |
|  - Dữ liệu thực nghiệm xác thực mô hình mở rộng E-CAM tại thị trường mới nổi (Emerging Market).   |
+----------------------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và hạ tầng để triển khai hệ thống quản trị dữ liệu khảo sát này là gì?

Hệ thống yêu cầu máy chủ cơ sở dữ liệu chạy MySQL 8.0 hoặc PostgreSQL 13+, môi trường phân tích Python 3.8+ (tích hợp các thư viện statsmodels, pandas, scipy, scikit-learn) hoặc máy trạm cài đặt IBM SPSS Statistics v20.0 trở lên. Bảng hỏi có thể tích hợp qua Webhook của Google Forms API trực tiếp vào hệ thống cơ sở dữ liệu nội bộ.

2. Mô hình có gặp giới hạn về kích thước mẫu khi mở rộng quy mô dữ liệu không?

Hoàn toàn không. Quy trình phân tích OLS và Cronbach's Alpha hoàn toàn tuyến tính về độ phức tạp tính toán $\mathcal{O}(N \times k^2)$. Khi mở rộng tập dữ liệu lên hàng trăm nghìn dòng, hệ thống phân tích viết bằng Python có thể xử lý trong vài giây. Đối với dữ liệu lớn đa chiều, mô hình có thể dễ dàng chuyển đổi sang thuật toán hồi quy Ridge/Lasso hoặc Gradient Boosting để xử lý phi tuyến tính.

3. Làm thế nào để tích hợp phát hiện nghiên cứu này vào hệ thống CRM hiện tại của doanh nghiệp?

Dựa trên trọng số của phương trình hồi quy, doanh nghiệp có thể gắn điểm số rủi ro (Risk Score) và điểm số trung thành (Loyalty Score) cho từng khách hàng trong cơ sở dữ liệu CRM. Ví dụ: Khách hàng có phản hồi kém về cảm nhận chất lượng ($\text{CL} \le 3$) sẽ tự động kích hoạt quy trình gửi mẫu vải vật lý kèm cuộc gọi chăm sóc từ chuyên viên trong vòng 24 giờ.

4. Chi phí bảo trì và vận hành hệ thống thu thập dữ liệu định kỳ là bao nhiêu?

Chi phí vận hành gần như bằng 0 đối với phần mềm nguồn mở (Python, MySQL). Doanh nghiệp chỉ cần ngân sách duy trì hạ tầng máy chủ đám mây (khoảng 20–50 USD/tháng) và ngân sách cấp phát mẫu vải thử nghiệm cho khách hàng trực tuyến.

5. Khung thời gian hoàn vốn (ROI Timeline) dự kiến cho các giải pháp đề xuất?

Theo mô hình tính toán tài chính, điểm hòa vốn (Break-even Point) đạt được sau 4.5 tháng kể từ khi áp dụng chính sách bảo hành, hoàn tiền minh bạch và chương trình Loyalty. Sau 12 tháng, lợi nhuận ròng từ nhóm khách hàng mua lặp lại dự kiến tăng trưởng $32.4%$ so với giai đoạn trước nghiên cứu.

Kết luận

Đồ án tốt nghiệp "Phân tích các nhân tố ảnh hưởng đến ý định mua lặp lại bằng hình thức trực tuyến của khách hàng tại Công ty TNHH Thương mại và Dịch vụ Lion" đã thực hiện thành công việc lượng hóa hành vi người tiêu dùng trong lĩnh vực may mặc trực tuyến. Thông qua mô hình hồi quy tuyến tính bội với 105 quan sát thực tế ($R^2_{\text{Adj}} = 0.620$, $F = 29.284$, $p < 0.001$), nghiên cứu xác định Cảm nhận về chất lượng ($\beta = 0.348$) và Cảm nhận về giá cả ($\beta = 0.272$) là hai động lực thúc đẩy hành vi mua lặp lại mạnh mẽ nhất, trong khi Nhận thức rủi ro ($\beta = -0.181$) đóng vai trò là rào cản tiêu cực lớn nhất.

Kết quả này cung cấp luận cứ khoa học vững chắc cho Ban Giám đốc Công ty TNHH Thương mại và Dịch vụ Lion Group trong việc tái cấu trúc chiến lược bán lẻ trực tuyến: ưu tiên kiểm soát chất lượng kỹ thuật may, minh bạch hóa chính sách giá và triển khai các cam kết bảo hành để triệt tiêu rủi ro cảm nhận của khách hàng. Việc kết hợp chặt chẽ giữa tư duy marketing hiện đại và công cụ phân tích kinh tế lượng chuẩn mực mở ra hướng đi bền vững cho các doanh nghiệp vừa và nhỏ trong hành trình chuyển đổi số và nâng cao năng lực cạnh tranh.