Giới thiệu dự án

Thương mại điện tử trên nền tảng mạng xã hội (Social Commerce / F-Commerce) tại Việt Nam đang trải qua giai đoạn bùng nổ mạnh mẽ với tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 25%. Theo thống kê từ We Are Social, Việt Nam ghi nhận hơn 58 triệu người dùng Facebook, trong đó TP. Hồ Chí Minh đóng góp 14 triệu thành viên hoạt động thường xuyên. Thị trường tiêu dùng hàng dệt may nội địa ước đạt quy mô 5-6 tỷ USD/năm, với 52% người tiêu dùng thế hệ Millennials và Gen Z thực hiện mua sắm trang phục trực tuyến ít nhất một lần mỗi tháng (Asia Plus).

+-------------------------------------------------------------------------------+
|                             PROBLEM DEFINITION                                |
|  Thiếu mô hình định lượng hành vi người tiêu dùng trên F-Commerce thời trang  |
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
|                            RESEARCH & SOLUTION                                |
|  Tích hợp TAM, TPB & Social Features -> Khảo sát N=269 -> Mô hình OLS đa biến|
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
|                              MEASURABLE IMPACT                                |
|  Giải thích 86.9% biến thiên ý định mua (R² = 0.869, F = 290.663, p < 0.001)  |
+-------------------------------------------------------------------------------+

Mặc dù tiềm năng thị trường là rất lớn, các doanh nghiệp thời trang và cá nhân kinh doanh trực tuyến đang đối mặt với bài toán tối ưu tỷ lệ chuyển đổi (Conversion Rate) và chi phí thu hút khách hàng (CAC) gia tăng. Việc thiếu hụt các mô hình lượng hóa chuẩn xác tác động từ các tính năng mạng xã hội đặc trưng (Social Signals: Reaction, Comment, Share, KOLs, Fashion Trends) dẫn đến việc phân bổ ngân sách tiếp thị thiếu hiệu quả.

Đề tài khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến quyết định mua sắm trực tuyến quần áo thời trang tại TP. Hồ Chí Minh" do tác giả Thái Nguyên thực hiện (hướng dẫn khoa học: TS. Nguyễn Văn Thụy, Đại học Ngân hàng TP.HCM) giải quyết trọn vẹn bài toán thực nghiệm này thông qua các mục tiêu cụ thể:

  1. Xác định hệ thống nhân tố tác động: Nhận diện và cấu trúc hóa các yếu tố môi trường truyền thông xã hội tác động đến ý định mua sắm trực tuyến.
  2. Lượng hóa mức độ ảnh hưởng: Đánh giá tương quan và trọng số hồi quy chuẩn hóa ($\beta$) của từng nhân tố tác động đến quyết định tiêu dùng thời trang trên Facebook.
  3. Xây dựng khung hàm ý quản trị: Đề xuất chiến lược tối ưu hóa nội dung, quản trị tương tác và chuyển đổi số cho doanh nghiệp bán lẻ thời trang.

Phạm vi nghiên cứu tập trung vào người tiêu dùng từ 18 tuổi trở lên đang sinh sống, học tập và làm việc tại TP. Hồ Chí Minh, thực hiện khảo sát thu thập dữ liệu trong giai đoạn 07/2021 – 08/2021.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi người tiêu dùng trực tuyến truyền thống chủ yếu dựa trên Mô hình chấp nhận công nghệ TAM (Davis, 1989), Thuyết hành vi có kế hoạch TPB (Ajzen, 1991), mô hình kết hợp C-TAM-TPB (Taylor & Todd, 1995), Thang đo phong cách người tiêu dùng CSI (Sproles & Kendall, 1986), và Mô hình giá trị tiêu dùng (Sheth, Newman & Gross, 1991).

Mô hình lý thuyết Ưu điểm chính Hạn chế khi áp dụng vào Social Commerce
TAM (Technology Acceptance Model) Đơn giản, giải thích tốt nhận thức hữu ích (PU) và tính dễ sử dụng (PEOU). Bỏ qua các tín hiệu tương tác xã hội (Social Proof) và tâm lý đám đông.
TPB (Theory of Planned Behavior) Bổ sung chuẩn chủ quan (Subjective Norm) và nhận thức kiểm soát hành vi (PBC). Chưa lượng hóa được tác động đa chiều từ người ảnh hưởng (KOLs) và nội dung media.
CSI (Consumer Styles Inventory) Phân loại sâu 8 đặc trưng phong cách tiêu dùng (thời trang, thương hiệu, giá cả). Số lượng biến quan sát quá lớn (40 biến), thiếu tính linh hoạt cho nền tảng di động.
Mô hình đề xuất tích hợp Lượng hóa trực tiếp 6 chiều tác động: CX, BL, CS, ND, KOL, XH. Tối ưu hóa riêng cho nền tảng Facebook tại thị trường đô thị loại 1.

Ma trận ưu tiên yêu cầu nghiên cứu (MoSCoW)

  • Must-have: Đo lường tác động của 6 nhân tố độc lập (Bày tỏ cảm xúc, Bình luận, Chia sẻ, Nội dung bài đăng, KOLs, Xu hướng thời trang) đến 1 biến phụ thuộc (Ý định mua sắm).
  • Should-have: Kiểm định độ tin cậy thang đo (Cronbach's Alpha), tính hợp lệ cấu trúc qua EFA và hồi quy OLS (Ordinary Least Squares).
  • Could-have: Kiểm tra các vi phạm mô hình kinh tế lượng (Đa cộng tuyến VIF, Tự tương quan Durbin-Watson, Phương sai thay đổi Spearman).
  • Won't-have: Nghiên cứu hành vi sau mua (Post-purchase evaluation) và tỷ lệ hoàn trả đơn hàng (Return rate).

Thiết kế hệ thống nghiên cứu

Khung nghiên cứu thực nghiệm được thiết kế theo cấu trúc định lượng liên hoàn:

graph LR
    subgraph Independent_Variables [Biến Độc Lập]
        CX["Bày tỏ cảm xúc (CX)"]
        BL["Bình luận tích cực (BL)"]
        CS["Lượt chia sẻ (CS)"]
        ND["Nội dung bài đăng (ND)"]
        KOL["Sức ảnh hưởng KOLs (KOL)"]
        XH["Xu hướng thời trang (XH)"]
    end
    
    subgraph Dependent_Variable [Biến Phụ Thuộc]
        YD["Ý định mua sắm trực tuyến (YD)"]
    end

    CX -->|H1: β=0.388| YD
    BL -->|H2: β=0.429| YD
    CS -->|H3: β=0.334| YD
    ND -->|H4: β=0.279| YD
    KOL -->|H5: β=0.299| YD
    XH -->|H6: β=0.446| YD

Ngăn xếp công nghệ và công cụ xử lý dữ liệu

  • SPSS Statistics Base v22.0: Xử lý ma trận dữ liệu sơ cấp, kiểm định Cronbach's Alpha, phân tích nhân tố khám phá EFA (Principal Axis Factoring với phép xoay Varimax), phân tích hồi quy đa biến OLS.
  • Python Data Stack (statsmodels v0.14.0, scikit-learn v1.3.0, pandas v2.1.0): Mô phỏng và kiểm chứng lại các chỉ số thống kê, hệ số hồi quy chuẩn hóa và kiểm tra phân phối phần dư.
  • Thang đo lường: Thang đo khoảng Likert 5 điểm (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý) kế thừa có hiệu chỉnh từ nghiên cứu quốc tế.

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình hỗn hợp hai giai đoạn:

  1. Nghiên cứu sơ bộ (Định tính): Phỏng vấn sâu nhóm chuyên gia marketing, chuyên viên tối ưu quảng cáo Facebook Ads và chủ doanh nghiệp thời trang để hiệu chỉnh 23 biến quan sát thang đo sơ bộ.
  2. Nghiên cứu chính thức (Định lượng): Phát 300 phiếu khảo sát (trực tiếp tại các trường đại học, khối văn phòng, trung tâm thương mại và gián tiếp qua Google Forms/Email). Mẫu hợp lệ sau làm sạch: $N = 269$ quan sát (đáp ứng tiêu chuẩn cỡ mẫu tối thiểu $N \ge 5 \times 23 = 115$ theo Hair et al., 2010 và Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2008).

Implementation và kết quả

Quy trình xử lý và thuật toán phân tích

Quy trình phân tích dữ liệu được hiện thực hóa qua cú pháp SPSS Syntax và module Python tương đương để đảm bảo tính tái lập (Reproducibility):

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

# 1. Khởi tạo mô hình hồi quy tuyến tính bội OLS
X = df[['CX', 'BL', 'CS', 'ND', 'KOL', 'XH']]
y = df['YD']
X_with_const = sm.add_constant(X)

ols_model = sm.OLS(y, X_with_const).fit()

# 2. Tính toán hệ số phóng đại phương sai VIF kiểm tra đa cộng tuyến
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

print(ols_model.summary())
print(vif_data)
* Cú pháp SPSS thực hiện kiểm định độ tin cậy và hồi quy đa biến.
RELIABILITY
  /VARIABLES=CX1 CX2 CX3
  /SCALE('Cronbach Alpha CX') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR.

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT YD
  /METHOD=ENTER CX BL CS ND KOL XH
  /RESIDUALS DURBIN.

Kiểm định và đánh giá thang đo (Testing & Validation)

  1. Kiểm tra độ tin cậy Cronbach's Alpha: Thang đo sơ bộ Nội dung bài đăng ($ND$) lần 1 đạt $\alpha = 0.330$ do biến $ND1$ có hệ số tương quan biến - tổng ($Corrected\ Item-Total\ Correlation$) là $0.18 < 0.30$. Tiến hành loại biến $ND1$, chạy lại lần 2 cho thang đo $ND$ gồm 2 biến ($ND2, ND3$), kết quả $\alpha$ tăng vọt lên $0.798$. Tất cả các thang đo khác đều đạt độ tin cậy vượt chuẩn ($\alpha > 0.70$).
  2. Kiểm định EFA:
    • Hệ số $KMO = 0.679$ ($0.5 \le KMO \le 1.0$), kiểm định Bartlett có $\chi^2$ đạt mức ý nghĩa $Sig. = 0.000 < 0.05$.
    • Trích được 6 nhân tố từ 18 biến quan sát độc lập tại điểm dừng $Eigenvalue = 1.319 > 1.0$.
    • Tổng phương sai trích ($Cumulative\ Variance\ Explained$) đạt $71.200% > 50%$, hệ số tải nhân tố ($Factor\ Loading$) của tất cả các biến đều lớn hơn $0.711 > 0.55$.
Thang đo biến số Mã hóa biến quan sát Hệ số tương quan biến - tổng nhỏ nhất Cronbach's Alpha ($\alpha$) Số biến EFA trích xuất Hệ số tải nhân tố (Factor Loading)
Bày tỏ cảm xúc CX1, CX2, CX3 0.649 0.823 Nhân tố 2 0.837 - 0.881
Bình luận BL1, BL2, BL3 0.429 0.705 Nhân tố 4 0.711 - 0.875
Chia sẻ CS1, CS2, CS3, CS4 0.591 0.854 Nhân tố 1 0.748 - 0.883
Nội dung bài đăng ND2, ND3 (loại ND1) 0.675 0.798 Nhân tố 6 0.881 - 0.898
KOLs KOL1, KOL2, KOL3 0.532 0.750 Nhân tố 3 0.729 - 0.836
Xu hướng thời trang XH1, XH2, XH3 0.489 0.718 Nhân tố 5 0.755 - 0.835
Ý định mua sắm (YD) YD1, YD2, YD3, YD4 0.690 0.877 Biến phụ thuộc 0.760 - 0.847

Kết quả ước lượng mô hình hồi quy OLS

Kết quả phân tích hồi quy đa biến cho thấy mô hình đạt độ tương thích cao với dữ liệu thực tế ($N = 269$):

  • Hệ số xác định mô hình: $R = 0.932$; $R^2 = 0.869$; $R^2\text{ hiệu chỉnh} = 0.866$. Mô hình giải thích được 86.9% sự biến thiên của Ý định mua sắm trực tuyến.
  • Kiểm định độ phù hợp ANOVA: $F = 290.663$ với giá trị $Sig. = 0.000$ ($p < 0.001$), bác bỏ giả thuyết $H_0$.
  • Kiểm định tự tương quan: Hệ số Durbin-Watson đạt $d = 2.007$ ($1.5 < d < 2.5$), khẳng định chuỗi phần dư không có tự tương quan bậc nhất.
  • Kiểm định đa cộng tuyến: Hệ số phóng đại phương sai $VIF$ dao động từ $1.001$ đến $1.141$ (tất cả $< 2.0$), độ chấp nhận $Tolerance > 0.87$, chứng minh không tồn tại hiện tượng đa cộng tuyến.
  • Kiểm định phương sai thay đổi: Kiểm định hạng Spearman giữa phần dư và các biến độc lập đều có $Sig. > 0.05$, đảm bảo tính đồng nhất phương sai sai số.
PHƯƠNG TRÌNH HỒI QUY CHUẨN HÓA:
YD = 0.446*XH + 0.429*BL + 0.388*CX + 0.334*CS + 0.299*KOL + 0.279*ND
Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn ($SE$) Hệ số chuẩn hóa ($\beta$) Giá trị kiểm định $t$ Mức ý nghĩa ($Sig.$) Thống kê $VIF$ Kết luận giả thuyết
Hằng số ($Constant$) -2.245 0.155 -14.501 0.000
Xu hướng ($XH$) 0.259 0.013 0.446 19.716 0.000 1.028 H6: Chấp nhận
Bình luận ($BL$) 0.286 0.015 0.429 19.007 0.000 1.020 H2: Chấp nhận
Bày tỏ cảm xúc ($CX$) 0.291 0.017 0.388 17.392 0.000 1.001 H1: Chấp nhận
Chia sẻ ($CS$) 0.264 0.018 0.334 14.758 0.000 1.025 H3: Chấp nhận
KOLs ($KOL$) 0.287 0.023 0.299 12.524 0.000 1.141 H5: Chấp nhận
Nội dung bài đăng ($ND$) 0.257 0.022 0.279 11.887 0.000 1.104 H4: Chấp nhận

Đổi mới và đóng góp

  1. Lấp đầy 3 khoảng trống nghiên cứu (Research Gaps):
    • Đưa nhân tố Xu hướng thời trang (XH) vào mô hình định lượng và phát hiện đây là nhân tố có tác động mạnh nhất ($\beta = 0.446$), vượt qua các giả định truyền thống chỉ tập trung vào giá cả hay khuyến mãi.
    • Bổ sung biến Bình luận tích cực (BL) ($\beta = 0.429$) và chứng minh vai trò áp đảo của Social Proof (đánh giá từ cộng đồng) so với quảng cáo trực tiếp.
    • Lượng hóa chính xác sức ảnh hưởng của KOLs / Influencer Marketing ($\beta = 0.299$) trong môi trường mạng xã hội thời trang nội địa.
  2. Hiệu chỉnh thang đo thực tiễn: Loại bỏ biến quan sát $ND1$ gây nhiễu, chuẩn hóa bộ thang đo 18 biến độc lập có độ tin cậy cao, phù hợp với ngữ cảnh tiêu dùng số tại các đô thị lớn ở Việt Nam.
  3. Độ chính xác mô hình vượt trội: Đạt hệ số giải thích $R^2 = 86.9%$, vượt trội so với các nghiên cứu tương tự trong khu vực thường chỉ đạt mức giải thích từ $45% - 65%$.

Ứng dụng thực tế và triển khai

Chiến lược vận hành F-Commerce theo trọng số Beta

Dựa trên thứ tự ưu tiên của các hệ số hồi quy chuẩn hóa $\beta$, doanh nghiệp bán lẻ thời trang cần tái cấu trúc ngân sách tiếp thị theo ma trận hành động:

+-----------------------------------------------------------------------------------+
|                            F-COMMERCE ACTION MATRIX                               |
+-------------------+--------------------+------------------------------------------+
| Ưu tiên 1 (40%)   | Xu hướng thời trang| Cập nhật 'Trending Styles', BST theo mùa |
| Ưu tiên 2 (25%)   | Social Proof & BL  | Seeding bình luận thật, CSKH tức thì     |
| Ưu tiên 3 (20%)   | Tương tác CX & CS  | Minigame, Viral Campaign kích hoạt share |
| Ưu tiên 4 (15%)   | KOLs & Content     | KOC Nano/Micro review video, HD Media    |
+-------------------+--------------------+------------------------------------------+
  1. Chiến lược dẫn dắt xu hướng ($XH - \beta = 0.446$): Thiết lập chu kỳ cập nhật mẫu mã 2 tuần/lần, gắn hashtag xu hướng (#OOTD, #Trendsetter) và xuất bản lookbook theo định dạng Reels/Video ngắn.
  2. Quản trị Social Proof và hội thoại ($BL - \beta = 0.429$): Tích hợp chatbot phản hồi bình luận dưới 60 giây, khuyến khích khách hàng cũ để lại feedback kèm ảnh thực tế qua chính sách voucher tích điểm.
  3. Kích hoạt hiệu ứng lan truyền ($CX - \beta = 0.388$ & $CS - \beta = 0.334$): Triển khai chương trình ưu đãi kích hoạt hành động "Share vào nhóm thời trang nhận mã giảm giá 15%".
  4. Hợp tác Influencer hiệu quả ($KOL - \beta = 0.299$): Chuyển dịch ngân sách từ Celeb đắt đỏ sang mạng lưới Micro-KOCs (10K - 50K followers) có độ tương tác tự nhiên cao và phong cách thời trang tương thích tệp khách hàng mục tiêu.
  5. Chuẩn hóa nội dung thị giác ($ND - \beta = 0.279$): Bắt buộc công khai bảng size chuẩn, thông số chất liệu vải, video quay cận chất lượng 4K và chính sách kiểm hàng trước khi thanh toán.

Dự toán chi phí - lợi ích và ROI

Ví dụ triển khai cho shop thời trang quy mô 5.000 đơn hàng/tháng:
- Chi phí đầu tư hệ thống Social Commerce & KOC: 30.000.000 VND/tháng.
- Dự phóng tăng trưởng tỷ lệ chuyển đổi (CR): Từ 1.2% lên 2.1% (tăng ~75%).
- Doanh thu gia tăng ước tính: 150.000.000 VND/tháng.
- Tỷ suất hoàn vốn ROI = (Lợi nhuận ròng / Chi phí đầu tư) x 100% ≈ 220% sau 3 tháng triển khai.

Hạn chế và hướng phát triển

  1. Hạn chế về không gian và phương pháp chọn mẫu: Nghiên cứu áp dụng chọn mẫu thuận tiện phi xác suất ($N = 269$) tại TP.HCM, tập trung nhiều vào đối tượng nữ giới (75.1%) và độ tuổi 18-25 (51.3%), hạn chế tính đại diện cho người tiêu dùng trên toàn quốc.
  2. Hạn chế về biến quan sát nền tảng: Chưa đưa các biến số về thuật toán phân phối Facebook Reels, tính năng Livestream và rủi ro bảo mật thanh toán vào mô hình.
  3. Hướng nghiên cứu mở rộng:
    • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) để phân tích các biến trung gian (Thái độ, Niềm tin thương hiệu).
    • Tích hợp mô hình máy học (Random Forest, Gradient Boosting) để dự báo chính xác xác suất phát sinh đơn hàng dựa trên log dữ liệu tương tác thực tế.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, quy trình làm sạch dữ liệu, xử lý vi phạm Cronbach's Alpha và phân tích hồi quy OLS.
  • Kỹ sư dữ liệu & Chuyên viên tiếp thị số (Data Analysts / Growth Hackers): Nắm bắt các trọng số định lượng ($\beta$) để cấu hình thuật toán gợi ý sản phẩm và tối ưu hóa chi phí quảng cáo Facebook Ads.
  • Doanh nghiệp bán lẻ & Chủ shop trực tuyến: Sở hữu khung chiến lược phân bổ nguồn lực marketing dựa trên bằng chứng dữ liệu xác thực, giảm rủi ro tồn kho và tăng tốc độ quay vòng vốn.
  • Nhà nghiên cứu kinh tế lượng: Bộ thang đo đã được chuẩn hóa với độ tin cậy cao làm nền tảng kiểm định cho các thị trường Social Commerce mới nổi như TikTok Shop hay Shopee Live.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai phân tích mô hình này trên tập dữ liệu mới là gì?

Hệ thống cần cài đặt IBM SPSS Statistics v20.0 trở lên hoặc môi trường Python 3.9+ tích hợp các thư viện pandas >= 1.5.0, statsmodels >= 0.13.0, scikit-learn >= 1.2.0. Cấu hình phần cứng tối thiểu: CPU 2 Cores, RAM 4GB.

2. Khi nào cần loại biến quan sát trong kiểm định Cronbach's Alpha như trường hợp biến ND1?

Biến quan sát cần bị loại bỏ khi hệ số tương quan biến - tổng ($Corrected\ Item-Total\ Correlation$) $< 0.30$ hoặc khi chỉ số $Cronbach's\ Alpha\ if\ Item\ Deleted$ lớn hơn đáng kể so với Cronbach's Alpha tổng thể của thang đo, nhằm ngăn ngừa hiện tượng sai số đo lường.

3. Tại sao hệ số Durbin-Watson = 2.007 lại mang tính quyết định trong mô hình này?

Chỉ số Durbin-Watson xấp xỉ 2.0 ($2.007$) chứng minh phần dư của mô hình hồi quy hoàn toàn độc lập, không vi phạm giả định tự tương quan chuỗi bậc nhất ($Cov(e_i, e_j) = 0$), đảm bảo các ước lượng tham số OLS là ước lượng tuyến tính không chệch tốt nhất (BLUE).

4. Chi phí triển khai chiến lược KOC và Seeding dựa trên kết quả nghiên cứu là bao nhiêu?

Đối với doanh nghiệp vừa và nhỏ (SMEs), ngân sách dao động từ 15 - 30 triệu VND/tháng, tập trung vào 5-10 Micro-KOCs ($KOL - \beta = 0.299$) kết hợp phần mềm tự động hóa quản trị tương tác bình luận ($BL - \beta = 0.429$).

5. Mô hình này có thể áp dụng trực tiếp cho TikTok Shop không?

Hoàn toàn có thể áp dụng. Tuy nhiên, cần bổ sung thêm các biến quan sát đặc thù của TikTok Shop như: Độ giữ chân video ngắn (Video Retention), Trải nghiệm Livestream thời gian thựcĐánh giá trực tiếp tại giỏ hàng.


Kết luận

Công trình khóa luận tốt nghiệp của tác giả Thái Nguyên đã giải quyết xuất sắc bài toán định lượng hành vi người tiêu dùng trong lĩnh vực thương mại thời trang trên Facebook tại TP. Hồ Chí Minh. Bằng việc xây dựng mô hình hồi quy đa biến đạt độ giải thích cao ($R^2 = 86.9%$, $F = 290.663$, $p < 0.001$), nghiên cứu đã chứng minh và xếp hạng tác động thực nghiệm của 6 nhân tố: Xu hướng thời trang ($\beta = 0.446$) > Bình luận tích cực ($\beta = 0.429$) > Bày tỏ cảm xúc ($\beta = 0.388$) > Lượt chia sẻ ($\beta = 0.334$) > Sức ảnh hưởng KOLs ($\beta = 0.299$) > Nội dung bài đăng ($\beta = 0.279$).

Đây là cơ sở khoa học và công cụ thực thi vững chắc giúp các nhà quản trị doanh nghiệp bán lẻ tối ưu hóa chiến lược chuyển đổi số, làm chủ các điểm chạm truyền thông xã hội và bứt phá doanh thu trong kỷ nguyên kinh tế số.