Giới thiệu dự án

Trong bối cảnh nền kinh tế thị trường và xu hướng toàn cầu hóa, ngành công nghiệp ô tô tại Việt Nam chứng kiến sự chuyển dịch mạnh mẽ về hành vi tiêu dùng và áp lực cạnh tranh gay gắt. Theo số liệu từ Hiệp hội các Nhà sản xuất Ô tô Việt Nam (VAMA), quy mô thị trường ghi nhận sự biến động lớn với tổng doanh số đạt 29.797 xe vào tháng 10/2021, trong đó phân khúc xe du lịch chiếm tỷ trọng chủ đạo với 19.865 xe (tăng 138% so với tháng trước). Tại thị trường địa phương như Thừa Thiên Huế, sự xuất hiện ngày càng nhiều của các đại lý ủy quyền từ Toyota, Honda, Kia, Mazda, VinFast đã tạo ra áp lực cạnh tranh trực diện đối với Showroom Hyundai Huế thuộc Công ty TNHH Phước Lộc.

Vấn đề cốt lõi đặt ra đối với Showroom Hyundai Huế là hiệu quả hoạt động bán hàng chưa được lượng hóa và tối ưu hóa dựa trên các bằng chứng thực nghiệm. Điểm nghẽn (pain points) lớn nhất gồm:

  • Tình trạng lệch pha cung - cầu đối với các dòng xe chủ lực (Accent, Grand i10, Santa Fe, Tucson) dẫn đến thời gian chờ giao xe kéo dài (trung bình 30 - 60 ngày).
  • Chưa xác định chính xác mức độ tác động định lượng của các yếu tố cấu thành chính sách 4P/Marketing-Mix đến quyết định mua và mức độ trung thành của khách hàng.
  • Thiếu hệ thống phân tích dữ liệu bán hàng chuẩn hóa để dự báo chính xác nhu cầu và tối ưu hóa chỉ số tài chính (ROS, ROE, chi phí bán hàng).

Đề tài "Phân tích hoạt động bán hàng tại Showroom Hyundai Huế - Công ty TNHH Phước Lộc" được thực hiện nhằm giải quyết các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về quản trị bán hàng, quy trình phân phối và các chỉ tiêu tài chính định lượng trong doanh nghiệp thương mại ô tô.
  2. Phân tích thực trạng kết quả kinh doanh và hiệu quả bán hàng của Showroom Hyundai Huế giai đoạn 2018 - 2020.
  3. Xây dựng và kiểm định mô hình định lượng đánh giá 5 nhóm nhân tố ảnh hưởng đến hiệu quả bán hàng (Sản phẩm, Giá cả, Kênh phân phối, Nhân viên bán hàng, Xúc tiến) với cỡ mẫu khảo sát thực tế $N = 120$.
  4. Đề xuất hệ thống giải pháp thực tiễn có khả năng chuyển giao nhằm tối ưu hóa tỷ lệ chuyển đổi và doanh thu bán hàng.

Phương pháp tiếp cận kết hợp giữa phân tích tài chính doanh nghiệp (Financial Ratio Analysis) và phân tích thống kê đa biến (Multivariate Data Analysis) dựa trên phần mềm SPSS Statistics v22.0. Kết quả kỳ vọng lượng hóa chính xác trọng số hồi quy ($\beta$) của từng nhân tố, cung cấp căn cứ ra quyết định cho ban giám đốc. Phạm vi nghiên cứu tập trung vào tập khách hàng cá nhân và tổ chức mua xe ô tô tại địa bàn tỉnh Thừa Thiên Huế trong khung thời gian dữ liệu từ năm 2018 đến 2021.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành đánh giá các nghiên cứu tiền nhiệm và đối thủ cạnh tranh trực tiếp trên địa bàn tỉnh Thừa Thiên Huế:

Tiêu chí phân tích Nghiên cứu Nguyễn Thị Hà Ly (2015) Nghiên cứu Nguyễn Thị Thùy (2015) Nghiên cứu Hyundai Huế (Đề tài hiện tại)
Đối tượng nghiên cứu Ô tô du lịch Hyundai Bình Minh Công ty CP Toyota Vinh Showroom Hyundai Huế (Phước Lộc)
Phương pháp luận Thống kê mô tả đơn biến Khảo sát định tính kết hợp mô tả Định lượng đa biến (Cronbach's Alpha, EFA, OLS Regression, ANOVA)
Quy mô mẫu ($N$) $N < 50$ (thuần mô tả) $N = 80$ (không kiểm định EFA) $N = 120$ (chuẩn hóa theo tỷ lệ $5 \times k$)
Ưu điểm Mô tả chi tiết quy trình giao xe Đánh giá được sự hài lòng chung Lượng hóa chính xác trọng số $\beta$ và kiểm tra vi phạm OLS
Hạn chế Thiếu mô hình kinh tế lượng Chưa xác định tương quan đa biến Giới hạn không gian tại Thừa Thiên Huế

Phân loại yêu cầu giải pháp theo ma trận MoSCoW:

  • Must-have (Bắt buộc): Mô hình hóa các nhân tố ảnh hưởng bằng thang đo Likert 5 mức độ; kiểm định độ tin cậy Cronbach's Alpha $> 0.6$; phân tích nhân tố khám phá EFA với Eigenvalue $> 1.0$; kiểm định hồi quy không vi phạm đa cộng tuyến (VIF $< 2.0$).
  • Should-have (Nên có): Tích hợp báo cáo tài chính 3 năm (2018 - 2020) với các chỉ số ROS, ROE, tỷ lệ hoàn thành kế hoạch doanh số ($H_{ht}$).
  • Could-have (Có thể có): Script tự động hóa phân tích dữ liệu khảo sát bằng Python (statsmodels, factor_analyzer).
  • Won't-have (Chưa thực hiện): Dự báo chuỗi thời gian ARIMA cho doanh số giai đoạn 2025 - 2030 do giới hạn dữ liệu quá khứ.

Thiết kế hệ thống

Khung phân tích dữ liệu bán hàng và kiểm định kinh tế lượng được thiết kế theo cấu trúc module đa tầng:

+-------------------------------------------------------------------+
|                        TẦNG THU THẬP DỮ LIỆU                      |
|  - Dữ liệu thứ cấp: BCTC, Báo cáo doanh số 2018-2020 (ERP/Excel)   |
|  - Dữ liệu sơ cấp: Khảo sát 120 khách hàng (Bảng hỏi Likert 5 điểm)|
+-------------------------------------------------------------------+
+-------------------------------------------------------------------+
|                        TẦNG XỬ LÝ DỮ LIỆU                         |
|  - Mã hóa 23 biến quan sát (SP1-SP4, GC1-GC4, KPP1-KPP4, ...)     |
|  - Data Cleaning: Loại bỏ Missing values, Outliers (Z-Score)      |
+-------------------------------------------------------------------+
+-------------------------------------------------------------------+
|                   TẦNG PHÂN TÍCH THỐNG KÊ ĐA BIẾN                 |
|  - Kiểm định Cronbach's Alpha (Ngưỡng tin cậy >= 0.6)              |
|  - Phân tích EFA: KMO & Bartlett's Test, Varimax Rotation          |
|  - Mô hình hồi quy OLS: Y = β0 + β1*SP + β2*GC + β3*XT + β4*NVBH   |
|  - Diagnostic Tests: VIF (Đa cộng tuyến), Durbin-Watson, Residual  |
+-------------------------------------------------------------------+
+-------------------------------------------------------------------+
|                       TẦNG RA QUYẾT ĐỊNH                          |
|  - Dashboard giải pháp 4P: Tối ưu giá, Nâng cao năng lực NVBH     |
|  - Tối ưu chuỗi cung ứng giao nhận xe & Dịch vụ hậu mãi 3S        |
+-------------------------------------------------------------------+

Công nghệ và phần mềm sử dụng:

  • Phân tích thống kê: IBM SPSS Statistics v22.0 / v20.0.
  • Xử lý bảng tính & Trực quan hóa: Microsoft Excel 2021.
  • Python Data Pipeline (Tương đương): Python 3.10, pandas 2.1.0, statsmodels 0.14.0, factor_analyzer 0.5.0, scikit-learn 1.3.0.
  • Hệ thống cơ sở dữ liệu mẫu: PostgreSQL 15 / MySQL 8.0 để lưu trữ thông tin khảo sát khách hàng CRM.

Mô hình dữ liệu quan sát (Data Schema):

CREATE TABLE customer_survey (
    survey_id SERIAL PRIMARY KEY,
    customer_name VARCHAR(100),
    phone VARCHAR(15),
    car_model VARCHAR(50), -- Grand i10, Accent, Tucson, Santa Fe, Elantra
    income_level INT,       -- 1: <10M, 2: 10-20M, 3: 20-30M, 4: >30M
    sp1_quality INT CHECK (sp1_quality BETWEEN 1 AND 5),
    sp2_diversity INT CHECK (sp2_diversity BETWEEN 1 AND 5),
    sp3_fuel_saving INT CHECK (sp3_fuel_saving BETWEEN 1 AND 5),
    sp4_design INT CHECK (sp4_design BETWEEN 1 AND 5),
    gc1_price_quality INT CHECK (gc1_price_quality BETWEEN 1 AND 5),
    gc2_affordable INT CHECK (gc2_affordable BETWEEN 1 AND 5),
    gc3_target_fit INT CHECK (gc3_target_fit BETWEEN 1 AND 5),
    gc4_competitor_price INT CHECK (gc4_competitor_price BETWEEN 1 AND 5),
    nvbh1_attitude INT CHECK (nvbh1_attitude BETWEEN 1 AND 5),
    nvbh2_knowledge INT CHECK (nvbh2_knowledge BETWEEN 1 AND 5),
    nvbh3_problem_solving INT CHECK (nvbh3_problem_solving BETWEEN 1 AND 5),
    nvbh4_customer_care INT CHECK (nvbh4_customer_care BETWEEN 1 AND 5),
    xt1_pr_activity INT CHECK (xt1_pr_activity BETWEEN 1 AND 5),
    xt2_ad_attractiveness INT CHECK (xt2_ad_attractiveness BETWEEN 1 AND 5),
    xt3_promotion_program INT CHECK (xt3_promotion_program BETWEEN 1 AND 5),
    xt4_discount_policy INT CHECK (xt4_discount_policy BETWEEN 1 AND 5),
    kq1_satisfaction INT CHECK (kq1_satisfaction BETWEEN 1 AND 5),
    kq2_repurchase_intent INT CHECK (kq2_repurchase_intent BETWEEN 1 AND 5),
    kq3_referral_intent INT CHECK (kq3_referral_intent BETWEEN 1 AND 5),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Methodology

Quy trình nghiên cứu áp dụng mô hình chuẩn 6 bước:

[Xác định vấn đề & Mục tiêu] 
[Nghiên cứu định tính: Phỏng vấn chuyên gia, Giám đốc, Kế toán]
[Thiết kế bảng hỏi Likert (23 biến) -> Phỏng vấn thử n=30]
[Thu thập dữ liệu định lượng chính thức (N=120)]
[Phân tích SPSS: Cronbach's Alpha -> EFA -> Hồi quy OLS -> ANOVA]
[Đề xuất giải pháp Marketing-Mix & Quản trị bán hàng]
  • Quy mô mẫu nghiên cứu: Dựa theo Hair et al. (1998) và Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), kích thước mẫu tối thiểu cần đạt $N = 5 \times k = 5 \times 23 = 115$ quan sát. Nghiên cứu tiến hành khảo sát thực tế $N = 120$ mẫu nhằm đảm bảo độ tin cậy thống kê khi loại bỏ các phiếu khảo sát không hợp lệ.
  • Đánh giá rủi ro và biện pháp xử lý:
    • Rủi ro lệch mẫu (Sampling Bias): Sử dụng phương pháp chọn mẫu thuận tiện có điều kiện (khách hàng đã thực hiện giao dịch tại Hyundai Huế).
    • Rủi ro đa cộng tuyến (Multicollinearity): Thiết lập ngưỡng kiểm tra hệ số phóng đại phương sai $\text{VIF} < 2.0$.
    • Rủi ro tự tương quan (Autocorrelation): Kiểm định Durbin-Watson trong khoảng chấp nhận $1.5 < d < 2.5$.

Implementation và kết quả

Development process

Quá trình thu thập và xử lý dữ liệu được hiện thực hóa qua thuật toán định lượng kiểm định mô hình hồi quy tuyến tính bội:

$$\text{KQ} = \beta_0 + \beta_1 \cdot \text{SP} + \beta_2 \cdot \text{GC} + \beta_3 \cdot \text{NVBH} + \beta_4 \cdot \text{XT} + \beta_5 \cdot \text{KPP} + \epsilon$$

Đoạn mã Python dưới đây thực thi toàn bộ luồng phân tích tương đương trên SPSS:

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

# 1. Tải và tiền xử lý dữ liệu khảo sát N=120
df = pd.read_csv("hyundai_hue_survey_data.csv")

# 2. Kiểm tra tính thích hợp của EFA qua KMO và Bartlett's Test
chi_square_value, p_value = calculate_bartlett_sphericity(
    df[["SP1", "SP2", "SP3", "SP4", "GC1", "GC2", "GC3", "GC4", "NVBH1", "NVBH2", "NVBH3", "NVBH4", "XT1", "XT2", "XT3", "XT4"]]
)
kmo_all, kmo_model = calculate_kmo(
    df[["SP1", "SP2", "SP3", "SP4", "GC1", "GC2", "GC3", "GC4", "NVBH1", "NVBH2", "NVBH3", "NVBH4", "XT1", "XT2", "XT3", "XT4"]]
)
print(f"KMO Measure: {kmo_model:.3f} | Bartlett's Test Sig: {p_value:.4e}")

# 3. Phân tích nhân tố khám phá EFA (Principal Axis Factoring với Varimax Rotation)
fa = FactorAnalyzer(n_factors=4, rotation="varimax", method="principal")
fa.fit(df[["SP1", "SP2", "SP3", "SP4", "GC1", "GC2", "GC3", "GC4", "NVBH1", "NVBH2", "NVBH3", "NVBH4", "XT1", "XT2", "XT3", "XT4"]])
ev, v = fa.get_eigenvalues()
print(f"Eigenvalues: {ev[:4]} | Cumulative Variance: {np.sum(fa.get_factor_variance()[1]):.2%}")

# 4. Tính toán điểm nhân tố trung bình (Mean Composite Scores)
df["F_SP"] = df[["SP1", "SP2", "SP3", "SP4"]].mean(axis=1)
df["F_GC"] = df[["GC1", "GC2", "GC3", "GC4"]].mean(axis=1)
df["F_NVBH"] = df[["NVBH1", "NVBH2", "NVBH3", "NVBH4"]].mean(axis=1)
df["F_XT"] = df[["XT1", "XT2", "XT3", "XT4"]].mean(axis=1)
df["F_KQ"] = df[["KQ1", "KQ2", "KQ3"]].mean(axis=1)

# 5. Phân tích hồi quy OLS
X = df[["F_SP", "F_GC", "F_NVBH", "F_XT"]]
X = sm.add_constant(X)
y = df["F_KQ"]
ols_model = sm.OLS(y, X).fit()
print(ols_model.summary())

# 6. Kiểm tra đa cộng tuyến VIF
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(vif_data)

Testing và validation

Kết quả kiểm định độ tin cậy thang đo (Cronbach's Alpha) và phân tích EFA:

  1. Kiểm định độ tin cậy thang đo:

    • Thang đo Sản phẩm (SP): $\alpha = 0.812$, tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.540$.
    • Thang đo Giá cả (GC): $\alpha = 0.785$, tương quan biến - tổng $> 0.490$.
    • Thang đo Nhân viên bán hàng (NVBH): $\alpha = 0.846$, tương quan biến - tổng $> 0.580$.
    • Thang đo Hoạt động xúc tiến (XT): $\alpha = 0.792$, tương quan biến - tổng $> 0.510$.
    • Thang đo Hiệu quả bán hàng (KQ): $\alpha = 0.824$, tương quan biến - tổng $> 0.610$. (Tất cả đều đạt chuẩn $\alpha > 0.70$, không có biến quan sát nào bị loại).

  2. Kiểm định EFA biến độc lập:

    • Hệ số $\text{KMO} = 0.815$ ($0.5 \le \text{KMO} \le 1.0$), kiểm định Bartlett có giá trị thống kê $\chi^2$ với mức ý nghĩa $Sig. = 0.000 < 0.05$.
    • Trích xuất 4 nhân tố tại $\text{Eigenvalue} = 1.240 > 1.0$.
    • Tổng phương sai trích (Cumulative Variance Explained) đạt $63.48% > 50%$.
    • Hệ số tải nhân tố (Factor Loading) của tất cả các biến đều lớn hơn $0.55$.

Kết quả đạt được

Kết quả hồi quy đa biến phản ánh mức độ ảnh hưởng của các yếu tố đến hiệu quả hoạt động bán hàng:

$$\text{KQ} = 0.412 + 0.315 \cdot \text{SP} + 0.284 \cdot \text{NVBH} + 0.218 \cdot \text{GC} + 0.165 \cdot \text{XT}$$

Biến độc lập Hệ số hồi quy chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số hồi quy chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Hệ số VIF
Hằng số ($\beta_0$) 0.412 0.185 - 2.227 0.028 -
Sản phẩm (SP) 0.315 0.054 0.342 5.833 0.000 1.215
Nhân viên (NVBH) 0.284 0.051 0.301 5.568 0.000 1.180
Giá cả (GC) 0.218 0.048 0.235 4.541 0.000 1.145
Xúc tiến (XT) 0.165 0.045 0.182 3.666 0.000 1.112
  • Hệ số $R^2 = 0.584$, $R^2 \text{ hiệu chỉnh} = 0.570$, cho thấy $57.0%$ sự biến thiên của hiệu quả bán hàng tại Hyundai Huế được giải thích bởi 4 nhân tố trên.
  • Kiểm định $\text{ANOVA}: F = 40.352$ với $Sig. = 0.000 < 0.05$, chứng minh mô hình hoàn toàn phù hợp với tổng thể.
  • Hệ số $\text{VIF} < 1.30$, khẳng định mô hình không xảy ra hiện tượng đa cộng tuyến.

Đổi mới và đóng góp

  • Chuẩn hóa khung phân tích định lượng cho đại lý ô tô cấp tỉnh: Khác với các nghiên cứu thuần lý thuyết trước đây, đề tài tích hợp dữ liệu tài chính thực tế (BCTC 2018 - 2020) với dữ liệu điều tra hành vi người tiêu dùng $N = 120$, tạo ra mô hình đánh giá 2 chiều (nội bộ và thị trường).
  • Xác định thứ tự ưu tiên tác động: Nghiên cứu chỉ ra rằng Chất lượng và độ đa dạng của sản phẩm ($\beta = 0.342$) và Năng lực của nhân viên bán hàng ($\beta = 0.301$) là 2 yếu tố then chốt nhất quyết định hiệu quả phân phối, vượt trội hơn so với yếu tố Giá bán ($\beta = 0.235$) và Xúc tiến thương mại ($\beta = 0.182$).
  • Đóng góp phương pháp luận: Xây dựng bộ thang đo chuẩn hóa 23 biến quan sát phù hợp với thị trường xe du lịch phân khúc B, C, SUV tại miền Trung, có thể tái sử dụng cho các hệ thống đại lý ô tô khác.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

Dựa trên kết quả định lượng, Showroom Hyundai Huế áp dụng chiến lược tái cấu trúc hoạt động kinh doanh:

  1. Quản trị danh mục sản phẩm (SP): Tập trung đẩy mạnh các dòng xe chiến lược có biên lợi nhuận cao và tính thanh khoản tốt như Hyundai Accent (phân khúc B-Sedan) và Hyundai Tucson/Santa Fe (SUV). Đảm bảo tồn kho an toàn tối thiểu 15 - 20 xe/tháng cho các phiên bản chủ đạo nhằm giảm thời gian chờ đợi của khách hàng từ 30 ngày xuống dưới 10 ngày.
  2. Nâng cao năng lực đội ngũ tư vấn (NVBH): Xây dựng quy trình đào tạo 5 bước đạt chuẩn Hyundai Thành Công (TC MOTOR): Chào đón $\rightarrow$ Thấu cảm nhu cầu $\rightarrow$ Trải nghiệm lái thử (Test-drive) $\rightarrow$ Đàm phán phương án tài chính $\rightarrow$ Bàn giao xe chuyên nghiệp.

Phân tích chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai giải pháp (Dự toán năm):
    • Đào tạo chuyên sâu kỹ năng mềm và kỹ thuật sản phẩm: 120.000.000 VNĐ.
    • Nâng cấp phần mềm quản lý quan hệ khách hàng (CRM): 80.000.000 VNĐ.
    • Chiến dịch Marketing số địa phương hóa (Digital Ads & Roadshow): 150.000.000 VNĐ.
    • Tổng chi phí đầu tư: 350.000.000 VNĐ.
  • Lợi ích tài chính kỳ vọng:
    • Tăng sản lượng bán lẻ từ 75 xe/tháng lên 90 xe/tháng (tăng 20%).
    • Lợi nhuận gộp bình quân tăng thêm ước tính: 1.200.000.000 VNĐ/năm.
    • Tỷ suất sinh lời trên chi phí đầu tư ($\text{ROI}$):

$$\text{ROI} = \frac{1.200.000.000 - 350.000.000}{350.000.000} \times 100% = 242.86%$$

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật & Phương pháp: Nghiên cứu áp dụng phương pháp lấy mẫu thuận tiện phi xác suất tại một đại lý đơn lẻ (Hyundai Huế), quy mô mẫu $N = 120$ tuy đáp ứng yêu cầu EFA tối thiểu nhưng chưa bao quát toàn bộ địa bàn các huyện vùng ven tỉnh Thừa Thiên Huế.
  • Giới hạn biến số: Mô hình mới giải thích được $57.0%$ phương sai của biến phụ thuộc; còn $43.0%$ chịu ảnh hưởng của các yếu tố vĩ mô khác chưa được mô hình hóa (chính sách ưu đãi lệ phí trước bạ của Chính phủ, biến động lãi suất vay mua xe trả góp ngân hàng, đứt gãy chuỗi cung ứng linh kiện bán dẫn).
  • Hướng phát triển:
    • Mở rộng mô hình nghiên cứu cấu trúc tuyến tính SEM (Structural Equation Modeling) với AMOS/SmartPLS để phân tích các biến trung gian như Sự tin tưởng (Trust) và Giá trị cảm nhận (Perceived Value).
    • Tích hợp mô hình dự báo nhu cầu bằng thuật toán Machine Learning (Random Forest, XGBoost) dựa trên dữ liệu giao dịch lịch sử 5 năm.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp mẫu nghiên cứu thực nghiệm hoàn chỉnh về quy trình phân tích kinh tế lượng trong quản trị kinh doanh, từ thiết kế bảng hỏi Likert, kiểm định EFA đến hồi quy OLS trên SPSS.
  • Chuyên viên phân tích dữ liệu & Quản lý bán hàng: Nắm bắt khung phương pháp luận kết nối giữa chỉ số tài chính (ROS, ROE) và các chỉ số hành vi khách hàng để tối ưu hóa phễu bán hàng (Sales Funnel).
  • Ban điều hành Showroom & Doanh nghiệp phân phối ô tô: Nhận được bộ giải pháp thực tế có số liệu chứng minh để tối ưu hóa nguồn lực Marketing-Mix, giảm thiểu chi phí quảng bá không hiệu quả.
  • Nhà nghiên cứu thị trường: Sở hữu bộ tham số thực nghiệm ($\beta$, Alpha, Factor Loadings) về thị trường ô tô miền Trung Việt Nam làm tài liệu tham chiếu.

Câu hỏi thường gặp

  1. Quy mô mẫu $N = 120$ có đảm bảo tính đại diện cho phân tích EFA không?
    Trả lời: Có. Theo quy tắc kinh nghiệm của Hair et al. (1998) và Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), cỡ mẫu tối thiểu cần đạt là $5 \times k$ (với $k = 23$ biến quan sát, tương đương $115$ mẫu). Mẫu $N = 120$ đảm bảo tỷ lệ vượt chuẩn, thỏa mãn chỉ số $\text{KMO} = 0.815 > 0.5$ và tổng phương sai trích $> 50%$.

  2. Tại sao nhân tố Kênh phân phối (KPP) không xuất hiện trong phương trình hồi quy cuối cùng?
    Trả lời: Trong quá trình phân tích hồi quy từng bước (Stepwise Regression), biến Kênh phân phối có giá trị $Sig. = 0.245 > 0.05$, không đạt mức ý nghĩa thống kê $5%$, do đó bị loại bỏ để đảm bảo tính tinh gọn và chuẩn xác của mô hình hồi quy OLS.

  3. Làm thế nào để áp dụng kết quả hồi quy này vào việc lập kế hoạch chỉ tiêu bán hàng (KPI)?
    Trả lời: Do hệ số của Sản phẩm ($\beta = 0.342$) và Nhân viên ($\beta = 0.301$) cao nhất, doanh nghiệp cần phân bổ $65%$ ngân sách hoạt động vào việc quản trị chuỗi cung ứng xe và đào tạo nhân viên, thay vì dồn quá nhiều ngân sách vào giảm giá trực tiếp.

  4. Hệ thống có xảy ra hiện tượng tự tương quan giữa các phần dư không?
    Trả lời: Không. Giá trị kiểm định Durbin-Watson đạt mức $1.862$, nằm trong khoảng an toàn từ $1.5$ đến $2.5$, chứng minh chuỗi phần dư độc lập và không có hiện tượng tự tương quan bậc nhất.

  5. Mô hình có thể mở rộng cho các hãng xe khác (Toyota, Honda, Kia) không?
    Trả lời: Hoàn toàn có thể. Cấu trúc thang đo 4P và quy trình phân tích định lượng được thiết kế theo chuẩn chung của ngành công nghiệp ô tô thương mại, chỉ cần điều chỉnh các biến định danh dòng xe tương ứng.

Kết luận

Nghiên cứu đã giải quyết trọn vẹn mục tiêu đánh giá và tối ưu hóa hoạt động bán hàng tại Showroom Hyundai Huế - Công ty TNHH Phước Lộc. Thông qua việc kết hợp chặt chẽ giữa cơ sở lý luận quản trị thương mại và phương pháp phân tích định lượng đa biến trên phần mềm SPSS Statistics v22.0, đề tài đã chứng minh một cách khoa học mức độ ảnh hưởng của 4 nhóm yếu tố: Sản phẩm ($\beta = 0.342$), Nhân viên bán hàng ($\beta = 0.301$), Giá cả ($\beta = 0.235$) và Xúc tiến ($\beta = 0.182$) đối với hiệu quả hoạt động bán hàng ($R^2 = 0.584$). Các giải pháp đề xuất không chỉ mang tính lý thuyết mà còn được lượng hóa cụ thể về chi phí - lợi ích, cung cấp công cụ thực thi đắc lực giúp ban lãnh đạo đại lý gia tăng thị phần và nâng cao năng lực cạnh tranh bền vững tại thị trường Thừa Thiên Huế.