Giới thiệu dự án

Sự bùng nổ của hạ tầng Internet, công nghệ di động và hệ sinh thái thương mại điện tử (TMĐT) đã tái định hình hành vi mua sắm của người tiêu dùng toàn cầu. Tại Việt Nam, theo báo cáo của Visa, 87% người tiêu dùng được khảo sát sử dụng dịch vụ giao hàng tận nhà, trong đó 82% trải nghiệm lần đầu từ sau đại dịch COVID-19; tỷ lệ đơn hàng giao tận nơi tăng gấp 20 lần so với giai đoạn trước. Đồng thời, nghiên cứu từ Hiệp hội Thương mại điện tử Việt Nam (VECOM) ghi nhận 41% doanh nghiệp đã triển khai bán hàng đa kênh trên nền tảng mạng xã hội và sàn TMĐT nhằm đáp ứng tỷ lệ 81% người tiêu dùng thay đổi vĩnh viễn thói quen tiêu dùng sang trực tuyến (theo số liệu từ Meta/Facebook).

Vấn đề cốt lõi đặt ra là: Mặc dù lưu lượng truy cập sàn TMĐT tăng trưởng nhanh, các doanh nghiệp bán lẻ trực tuyến tại TP. Hồ Chí Minh vẫn đối mặt với tỷ lệ chuyển đổi không đồng đều và tỷ lệ rời bỏ giỏ hàng cao do chưa định lượng chính xác các yếu tố chi phối tâm lý khách hàng đô thị. Khóa luận tốt nghiệp "Phân tích các nhân tố ảnh hưởng đến hành vi mua sắm trực tuyến tại Thành phố Hồ Chí Minh" (Mã số ngành: 7 34 01 01, Trường Đại học Ngân hàng TP.HCM) được thực hiện nhằm giải quyết bài toán này.

Mục tiêu nghiên cứu

  1. Mục tiêu 1: Xác định và lượng hóa các nhóm nhân tố chi phối hành vi mua sắm trực tuyến của người tiêu dùng tại TP.HCM.
  2. Mục tiêu 2: Đo lường mức độ tác động tương đối của từng nhân tố thông qua mô hình hồi quy tuyến tính bội.
  3. Mục tiêu 3: Xây dựng hệ thống hàm ý quản trị giúp doanh nghiệp TMĐT tối ưu hóa trải nghiệm khách hàng và tăng trưởng doanh thu.

Phương pháp tiếp cận và Phạm vi

  • Cách tiếp cận: Tích hợp mô hình chấp nhận công nghệ (TAM), thuyết hành vi có kế hoạch (TPB) và thuyết hành động hợp lý (TRA) kết hợp với các biến đặc thù thị trường TMĐT Việt Nam.
  • Dữ liệu thực nghiệm: Thu thập thông qua khảo sát biểu mẫu số hóa, sàng lọc được $N = 151$ quan sát hợp lệ từ người tiêu dùng đang sinh sống, học tập và làm việc tại TP.HCM.
  • Phạm vi & Giới hạn: Nghiên cứu cắt ngang (cross-sectional) tập trung vào khu vực đô thị TP.HCM trong giai đoạn từ tháng 03/2023 đến tháng 06/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tổng quan các mô hình nghiên cứu hành vi TMĐT trong và ngoài nước giúp xác định khoảng trống nghiên cứu (Research Gap) đối với hành vi tiêu dùng sau đại dịch tại đô thị loại đặc biệt.

Công trình nghiên cứu Khung lý thuyết ứng dụng Biến số trọng tâm Ưu điểm Nhược điểm / Điểm nghẽn
Rong Li et al. (2007) TAM & Trust Model Kiến thức TMĐT, danh tiếng, rủi ro, sự dễ sử dụng Đo lường sâu về niềm tin trung gian Chưa phản ánh bối cảnh nền tảng TMĐT hiện đại
Ma Mengli (2011) Extended TAM Dễ sử dụng, hữu ích, niềm tin, nhân khẩu học Phân tích rõ tác động nhân khẩu học Không phân tách chi tiết các loại rủi ro giao dịch
Hà Ngọc Thắng (2016) Extended TPB Thái độ, kiểm soát hành vi, rủi ro cảm nhận Mẫu rộng tại các đô thị lớn ($N=423$) Thu thập trước giai đoạn bùng nổ của sàn TMĐT thế hệ mới
Bùi Thành Khoa (2018) CFA & SEM Rủi ro sản phẩm, rủi ro giao dịch Phân tích sâu cấu trúc rủi ro đa chiều Chưa đánh giá vai trò của yếu tố lan truyền xã hội
Mô hình đề xuất (2023) Tích hợp TRA, TPB, TAM, UTAUT Hữu ích, Rủi ro, Cảm nhận sử dụng, Độ nhận diện sàn, Ảnh hưởng xã hội Đánh giá toàn diện hành vi thực tế sau COVID-19 tại TP.HCM Cần mở rộng quy mô mẫu đa tầng

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must have: Thang đo chuẩn hóa Likert 5 mức độ cho 24 biến quan sát; kiểm định độ tin cậy Cronbach's Alpha ($\ge 0.7$); phân tích EFA với phương sai trích ($> 50%$).
  • Should have: Kiểm định hiện tượng đa cộng tuyến qua hệ số VIF; kiểm định sự khác biệt bằng Independent Samples T-Test và One-Way ANOVA.
  • Could have: So sánh mức độ sẵn lòng chi trả và tần suất phiên truy cập ứng dụng TMĐT.
  • Won't have: Mô hình hóa cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) đa cấp trong phạm vi khóa luận cử nhân.

Thiết kế hệ thống

Hệ thống xử lý và kiểm định dữ liệu được thiết kế theo cấu trúc pipeline phân tích dữ liệu lượng lượng chuẩn mực:

Tech Stack và Môi trường thực thi

  • Phần mềm xử lý thống kê chính: IBM SPSS Statistics v20.0 (hỗ trợ phân tích mô tả, kiểm định phi tham số và tham số).
  • Công cụ khảo sát & số hóa: Google Forms API kết hợp Google Sheets để kiểm soát tính hợp lệ của trường dữ liệu thời gian thực.
  • Môi trường đối soát mã nguồn phân tích (Reference Code): Python 3.10 với các thư viện pandas (v2.0.3), statsmodels (v0.14.0), scipy (v1.11.1) và factor_analyzer (v0.5.0).

Thiết kế bảng cấu trúc dữ liệu khảo sát (24 biến quan sát)

THIẾT KẾ CẤU TRÚC BIẾN QUAN SÁT (24 ITEMS - LIKERT 5 ĐIỂM)

Methodology

Quy trình nghiên cứu kết hợp giữa phương pháp định tính và định lượng:

  1. Định tính: Tổng thuật 10 công trình khoa học quốc tế và trong nước; tham vấn ý kiến chuyên gia để hiệu chỉnh thang đo phù hợp với ngữ cảnh tiêu dùng tại TP.HCM.
  2. Định lượng: Khảo sát trực tiếp và trực tuyến người tiêu dùng đô thị. Quy mô mẫu tối thiểu xác định theo Hair et al. (2006) theo công thức $N \ge 5k$ (với $k = 24$ biến quan sát $\Rightarrow N_{min} = 120$). Mẫu khảo sát thực tế phát ra: 190; mẫu hợp lệ thu về: 151 ($N = 151 > 120$, đáp ứng hoàn toàn điều kiện phân tích thống kê).

Ma trận đánh giá rủi ro nghiên cứu

Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu
Sai lệch chọn mẫu (Sampling Bias) Trung bình Sử dụng câu hỏi sàng lọc đối tượng (chỉ chọn người từng mua hàng trực tuyến tại TP.HCM).
Hiện tượng đa cộng tuyến (Multicollinearity) Cao Đánh giá hệ số phóng đại phương sai (VIF) và loại bỏ các biến có $VIF > 2.0$.
Độ tin cậy thang đo không đạt Thấp Kiểm định Cronbach's Alpha từng bước, loại biến có tương quan biến - tổng $< 0.3$.

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được chuẩn hóa thành mã lệnh xử lý dữ liệu định lượng. Dưới đây là thuật toán đối soát kiểm định độ tin cậy và mô hình hồi quy tuyến tính được triển khai:

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

# 1. Thuật toán tính toán Cronbach's Alpha
def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (item_variances / total_variance))
    return float(alpha)

# 2. Xây dựng mô hình Hồi quy tuyến tính bội OLS
def fit_linear_regression(X: pd.DataFrame, y: pd.Series):
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính VIF kiểm tra đa cộng tuyến
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return model.summary(), vif_data, model.params, model.rsquared_adj

Phương trình hồi quy tổng quát của đề tài: $$HV = \beta_0 + \beta_1 HI + \beta_2 RR + \beta_3 CNSD + \beta_4 DPB + \beta_5 XH + \varepsilon$$

Testing và validation

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

Toàn bộ các nhóm thang đo đều đạt hệ số $\alpha \ge 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) đều lớn hơn $0.30$:

  • Nhận thức sự hữu ích (HI): $\alpha = 0.812$ (5 biến quan sát)
  • Rủi ro cảm nhận (RR): $\alpha = 0.764$ (4 biến quan sát)
  • Cảm nhận sử dụng (CNSD): $\alpha = 0.835$ (4 biến quan sát)
  • Độ phổ biến, nhận diện sàn TMĐT (DPB): $\alpha = 0.841$ (4 biến quan sát)
  • Ảnh hưởng xã hội (XH): $\alpha = 0.869$ (5 biến quan sát)
  • Hành vi mua sắm trực tuyến (HV): $\alpha = 0.789$ (2 biến quan sát)

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định biến độc lập: Hệ số $KMO = 0.824$ ($0.5 \le KMO \le 1.0$), kiểm định Bartlett có mức ý nghĩa thống kê $Sig. = 0.000 < 0.05$, chứng minh các biến có tương quan chặt chẽ.
  • Giá trị trích Eigenvalue: Đạt $1.218 > 1.0$ với 5 nhân tố được trích.
  • Tổng phương sai trích (Cumulative Variance Explained): Đạt $64.38% > 50%$, nghĩa là 5 nhân tố giải thích được $64.38%$ biến thiên của dữ liệu. Hệ số tải nhân tố (Factor Loadings) của toàn bộ các biến đều $> 0.55$.

Kết quả đạt được

Kết quả ước lượng mô hình hồi quy tuyến tính sau khi loại trừ các giả thuyết không có ý nghĩa thống kê cho thấy: 3 nhóm nhân tố tác động trực tiếp và mạnh mẽ nhất đến hành vi mua sắm trực tuyến tại TP.HCM:

Nhân tố Hệ số Beta chưa chuẩn hóa ($B$) Hệ số Beta chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Kết luận giả thuyết
(Hằng số - Constant) 0.412 - 1.845 0.067 -
Cảm nhận sử dụng (CNSD) 0.382 0.364 4.921 0.000 Chấp nhận H3
Độ phổ biến, nhận diện sàn (DPB) 0.315 0.302 4.115 0.000 Chấp nhận H4
Ảnh hưởng xã hội (XH) 0.248 0.231 3.342 0.001 Chấp nhận H5
Nhận thức sự hữu ích (HI) 0.082 0.075 1.102 0.272 Bác bỏ ($p > 0.05$)
Rủi ro cảm nhận (RR) -0.054 -0.048 -0.718 0.474 Bác bỏ ($p > 0.05$)

Phân tích ANOVA và T-Test về nhân khẩu học

  • Giới tính: Kiểm định Independent Samples T-Test cho thấy không có sự khác biệt có ý nghĩa thống kê giữa Nam và Nữ về hành vi mua sắm ($Sig. > 0.05$).
  • Độ tuổi & Trình độ học vấn: Kiểm định One-Way ANOVA chỉ ra nhóm người tiêu dùng trẻ tuổi (Gen Z và Millennials: 18 - 30 tuổi) có tần suất mua sắm và sự thích ứng cao hơn rõ rệt so với các nhóm tuổi khác ($p < 0.05$).
  • Thu nhập: Mức chi tiêu trung bình mỗi phiên mua sắm tỷ lệ thuận với mức thu nhập hàng tháng, tập trung ở phân khúc từ 5 đến 15 triệu VNĐ/tháng.

Đổi mới và đóng góp

Đóng góp học thuật và phương pháp luận

  • Hợp nhất lý thuyết đa chiều: Khóa luận đã tích hợp thành công các yếu tố nhận thức công nghệ từ mô hình TAM và chuẩn chủ quan từ mô hình TPB/TRA, bổ sung chiều kích "Độ phổ biến thương hiệu sàn TMĐT" phù hợp với đặc thù thị trường bán lẻ số tại Việt Nam.
  • Phát hiện thực nghiệm mới: Khác với các nghiên cứu giai đoạn trước (như Hà Ngọc Thắng, 2016; Bùi Thành Khoa, 2018), tại thị trường TP.HCM hiện nay, Rủi ro cảm nhận không còn là rào cản ngăn chặn mang tính quyết định, do hệ thống bảo vệ người mua (chính sách đổi trả, ví tiền điện tử ký quỹ, đồng kiểm của Shopee/Lazada/TikTok Shop) đã tạo dựng được mức độ an tâm nền tảng. Thay vào đó, Cảm nhận sử dụng ($\beta = 0.364$) và Độ phổ biến của sàn ($\beta = 0.302$) mới là hai động lực cốt lõi chi phối quyết định mua hàng.

Cải tiến hiệu quả vận hành doanh nghiệp

  • Cung cấp khung đo lường thực nghiệm giúp các nhà quản trị doanh nghiệp bán lẻ trực tuyến định vị chính xác ngân sách phân bổ: Ưu tiên $70%$ nguồn lực vào tối ưu UI/UX và gia tăng nhận diện sàn thông qua Social Proof/KOLs, thay vì chỉ cạnh tranh bằng chiến lược giảm giá đơn thuần.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-world Use Cases)

  1. Tối ưu trải nghiệm ứng dụng (UI/UX Optimization): Cải tiến luồng đặt hàng (checkout flow) giảm từ 5 bước xuống còn 2 bước; tích hợp công nghệ tìm kiếm bằng hình ảnh và AI gợi ý sản phẩm giúp nâng chỉ số cảm nhận tiện lợi của người dùng.
  2. Chiến lược Social Proof & Influencer Marketing: Đẩy mạnh chiến dịch tiếp thị liên kết (Affiliate Marketing) và KOC review đa kênh để kích hoạt biến "Ảnh hưởng xã hội" ($\beta = 0.231$), định hướng trực tiếp lựa chọn của nhóm người tiêu dùng trẻ tại TP.HCM.
  3. Xây dựng uy tín và độ nhận diện sàn: Chuẩn hóa quy trình giao vận và cam kết bảo hành sản phẩm chính hãng (Mall) để gia tăng chỉ số niềm tin người tiêu dùng.
LỘ TRÌNH TRIỂN KHAI 4 GIAI ĐOẠN DÀNH CHO DOANH NGHIỆP E-COMMERCE
[Tháng 1-2] Tối ưu hóa UI/UX ứng dụng & Tốc độ tải trang (<1.5s)
[Tháng 3-4] Triển khai mạng lưới KOC & Đánh giá mạng xã hội (Social Proof)
[Tháng 5-6] Hoàn thiện chính sách đổi trả nhanh & Cam kết bảo vệ người mua
[Tháng 7+]  Đo lường NPS định kỳ & Ứng dụng AI cá nhân hóa trải nghiệm

Dự báo hiệu quả tài chính và ROI

  • Tăng tỷ lệ chuyển đổi (Conversion Rate): Giảm tỷ lệ bỏ rơi giỏ hàng ước tính từ $15% - 25%$ khi giao diện mua sắm được tinh gọn.
  • Tối ưu chi phí thu hút khách hàng (CAC): Tận dụng hiệu ứng truyền miệng xã hội (Word-of-mouth) giúp giảm $20%$ chi phí quảng cáo trả phí (Paid Ads).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và nguồn lực

  • Quy mô và phương pháp chọn mẫu: Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện phi xác suất với dung lượng $N = 151$, chưa thể đại diện hoàn hảo cho toàn bộ các tầng lớp dân cư phức tạp tại TP.HCM.
  • Phương pháp ước lượng: Mô hình hồi quy OLS trên SPSS mới chỉ phân tích các tác động trực tiếp, chưa lượng hóa được các mối quan hệ gián tiếp hoặc cấu trúc biến trung gian (Mediator/Moderator).

Hướng phát triển trong tương lai

  • Mở rộng quy mô mẫu lên $N \ge 500$ theo phương pháp lấy mẫu phân tầng ngẫu nhiên trên toàn bộ các quận/huyện và TP. Thủ Đức.
  • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) trên nền tảng SmartPLS hoặc R để phân tích sâu hơn các biến trung gian như Niềm tin thương hiệu và Sự gắn kết khách hàng.
  • Bổ sung các biến xu hướng mới: Hành vi mua sắm qua Video ngắn (Shoppertainment), Mua trước trả sau (BNPL) và Mua sắm siêu tốc (Quick Commerce).

Đối tượng hưởng lợi

                         MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI

Câu hỏi thường gặp

1. Cần chuẩn bị những điều kiện gì để tái lập quy trình phân tích của đề tài?

Cần chuẩn bị tập dữ liệu khảo sát định dạng .sav hoặc .csv, máy tính cài đặt phần mềm IBM SPSS Statistics (từ bản v20.0 trở lên) hoặc môi trường Python 3.8+ cài đặt các thư viện pandas, statsmodels, factor_analyzer để tiến hành làm sạch, kiểm định độ tin cậy và chạy hồi quy.

2. Vì sao biến "Rủi ro cảm nhận" không có ý nghĩa thống kê trong mô hình này?

Tại khu vực đô thị TP.HCM vào năm 2023, người tiêu dùng đã có thói quen mua sắm trực tuyến lâu năm và các sàn TMĐT lớn đã hoàn thiện chính sách hoàn tiền 100%, bảo mật thanh toán ví điện tử và kiểm tra hàng, khiến yếu tố rủi ro không còn là rào cản ngăn chặn mang tính quyết định đến hành vi mua sắm thường nhật.

3. Kết quả nghiên cứu có thể tích hợp vào hệ thống phần mềm TMĐT như thế nào?

Dữ liệu từ nghiên cứu chứng minh tầm quan trọng của biến "Cảm nhận sử dụng" ($\beta = 0.364$). Đội ngũ phát triển phần mềm có thể chuyển hóa kết quả này thành các yêu cầu tính năng cụ thể: giảm số bước thanh toán, tự động điền địa chỉ thông minh, tăng tốc độ phản hồi trang dưới 1.5 giây và cá nhân hóa đề xuất hàng hóa.

4. Doanh nghiệp vừa và nhỏ (SMEs) nên duy trì và cập nhật các chỉ số này ra sao?

Doanh nghiệp nên định kỳ khảo sát chỉ số hài lòng khách hàng (CSAT) và chỉ số nỗ lực của khách hàng (CES) hàng quý với thang đo rút gọn 5 điểm Likert để theo dõi biến động cảm nhận tiện ích của người dùng.

5. Chi phí dự kiến và thời gian thu hồi vốn (ROI) khi triển khai giải pháp tối ưu theo nghiên cứu?

Chi phí nâng cấp giao diện UI/UX và tái cấu trúc chiến dịch tiếp thị liên kết ước tính từ 30 - 100 triệu VNĐ cho một doanh nghiệp SME. Thời gian hòa vốn và ghi nhận tăng trưởng doanh thu ròng dao động từ 3 đến 6 tháng nhờ giảm thiểu tỷ lệ rớt đơn và tăng giá trị vòng đời khách hàng (CLV).

Kết luận

Khóa luận tốt nghiệp "Phân tích các nhân tố ảnh hưởng đến hành vi mua sắm trực tuyến tại Thành phố Hồ Chí Minh" đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua phân tích thực nghiệm khoa học. Kết quả kiểm định khẳng định Cảm nhận sử dụng ($\beta = 0.364$), Độ phổ biến, nhận diện của sàn TMĐT ($\beta = 0.302$) và Ảnh hưởng xã hội ($\beta = 0.231$) là ba trụ cột nền tảng định hình hành vi mua hàng trực tuyến của người dân đô thị TP.HCM. Đây là luận cứ thực chứng quan trọng giúp các doanh nghiệp số chuyển dịch trọng tâm từ cạnh tranh giá sang tối ưu hóa trải nghiệm khách hàng và nâng cao uy tín thương hiệu đa kênh.

Để khai thác tối đa giá trị thực tiễn từ công trình nghiên cứu, các nhà quản trị và đội ngũ phát triển sản phẩm hãy bắt đầu rà soát lại toàn bộ hành trình trải nghiệm của khách hàng trên nền tảng số ngay hôm nay nhằm tạo dựng lợi thế cạnh tranh bền vững trong kỷ nguyên kinh tế số.