Giới thiệu dự án

Trong bối cảnh chuyển đổi số và sự bùng nổ của nền kinh tế internet, thương mại điện tử (TMĐT) đã trở thành kênh phân phối chiến lược cho ngành dệt may và đồng phục doanh nghiệp. Theo số liệu thống kê từ We Are Social & Hootsuite (2020), Việt Nam ghi nhận 68,17 triệu người sử dụng Internet (chiếm 70% dân số) với thời lượng trực tuyến bình quân 6 giờ mỗi ngày. Mặc dù dung lượng thị trường mở rộng nhanh chóng, các doanh nghiệp cung ứng đồng phục tại khu vực miền Trung, tiêu biểu là Công ty TNHH Thương mại và Dịch vụ Lion Group (Lion Uniform), đang đối mặt với bài toán tối ưu hóa tỷ lệ giữ chân khách hàng (Customer Retention Rate) trước áp lực cạnh tranh khốc liệt từ các đối thủ địa phương như Đồng Phục Thiên Việt, New Focus và Đồng phục CR.

Nghiên cứu của Rosenberg & Czepiel (1984) đã chỉ ra rằng chi phí thu hút một khách hàng mới (Customer Acquisition Cost - CAC) cao gấp 6 lần chi phí duy trì một khách hàng hiện tại. Việc khách hàng chỉ thực hiện giao dịch một lần rồi rời bỏ (churn) gây lãng phí ngân sách tiếp thị số và làm suy giảm giá trị vòng đời khách hàng (Customer Lifetime Value - CLV). Điểm nghẽn cốt lõi nằm ở những rào cản tâm lý đặc thù của ngành may mặc trực tuyến: khách hàng không thể trực tiếp cảm nhận chất liệu vải, khó kiểm chứng kích thước thực tế, lo ngại sai lệch màu sắc so với hình ảnh quảng cáo và e ngại rủi ro thanh toán.

Đề tài tập trung giải quyết bài toán định lượng các yếu tố tác động đến hành vi mua lặp lại thông qua 4 mục tiêu nghiên cứu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về hành vi người tiêu dùng trực tuyến, mô hình chấp nhận công nghệ (TAM) và mô hình chấp nhận thương mại điện tử (E-CAM).
  2. Xác định và đo lường mức độ tác động của các nhân tố (Hữu dụng, Dễ sử dụng, Thái độ, Rủi ro, Chất lượng, Giá cả) đến ý định mua lặp lại đồng phục trực tuyến.
  3. Kiểm định mô hình hồi quy tuyến tính bội bằng dữ liệu khảo sát thực nghiệm tại TP. Huế.
  4. Đề xuất hệ thống giải pháp Marketing Mix (4P) và tối ưu hóa trải nghiệm số nhằm nâng cao tỷ lệ chuyển đổi mua lặp lại tại Lion Group.

Phạm vi nghiên cứu được xác lập tại thị trường TP. Huế đối với các khách hàng cá nhân và đại diện tổ chức/doanh nghiệp đã từng thực hiện tối thiểu một giao dịch đặt may đồng phục trực tuyến tại Lion Group giai đoạn 2018–2020. Nghiên cứu giới hạn ở phân tích định lượng cắt ngang (cross-sectional data) với kích thước mẫu $N=105$.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hành vi tiêu dùng trực tuyến trong ngành may mặc có độ phức tạp cao do tính chất sản phẩm cần đánh giá cảm quan. Các mô hình nghiên cứu truyền thống khi áp dụng đơn lẻ bộc lộ nhiều khoảng trống lý thuyết:

Mô hình nghiên cứu Ưu điểm cốt lõi Hạn chế khi ứng dụng vào TMĐT may mặc Khoảng trống nghiên cứu (Research Gap)
TRA (Fishbein & Ajzen, 1975) Đánh giá tốt vai trò của thái độ và chuẩn chủ quan Bỏ qua các rào cản công nghệ và nhận thức kiểm soát Chưa lượng hóa được yếu tố giao diện và rủi ro trực tuyến
TPB (Ajzen, 1991) Bổ sung biến nhận thức kiểm soát hành vi (PBC) Chưa làm rõ tính hữu dụng của nền tảng số Thiếu các biến đặc thù ngành hàng (chất lượng vải, giá cả)
TAM (Davis, 1989) Đo lường chuẩn xác tính hữu dụng (PU) và dễ dùng (PEU) Chỉ tập trung vào khía cạnh công nghệ thông tin thuần túy Chưa giải thích được rủi ro gian lận và sai lệch mẫu mã
E-CAM (Ahn et al., 2001) Tích hợp TAM và thuyết Nhận thức rủi ro (Perceived Risk) Mô hình tổng quát cho TMĐT, chưa tối ưu cho B2B/B2C may mặc Cần bổ sung cảm nhận chất lượng thực tế và định giá may mặc
Mô hình nghiên cứu đề xuất Tích hợp E-CAM + Chất lượng cảm nhận + Giá cả cảm nhận Cần tập dữ liệu đặc thù để kiểm định tương quan đa biến Giải quyết trọn vẹn đặc tính sản phẩm may mặc trên nền tảng số

Yêu cầu nghiên cứu và thiết kế thang đo được ưu tiên hóa theo ma trận MoSCoW:

  • Must have: Kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.6$), Phân tích nhân tố khám phá (EFA với KMO $\ge 0.5$, Eigenvalue $> 1.0$), Kiểm định đa cộng tuyến (VIF $< 2.0$).
  • Should have: Đánh giá sự phù hợp của mô hình hồi quy ($R^2$ hiệu chỉnh, ANOVA $F$-test với $p < 0.05$), Kiểm định phân phối chuẩn phần dư.
  • Could have: Phân tích tương quan Pearson ma trận mở rộng, kiểm định sự khác biệt theo nhân khẩu học (ANOVA/T-test).
  • Won't have: Mô hình hóa cấu trúc tuyến tính bình quân phương bé nhất từng phần (PLS-SEM) do giới hạn cỡ mẫu nhỏ ($N=105$).

Thiết kế hệ thống

Khung nghiên cứu tích hợp 6 nhóm biến độc lập gồm 21 biến quan sát sử dụng thang đo Likert 5 mức độ (1: Hoàn toàn không đồng ý $\to$ 5: Hoàn toàn đồng ý):

  1. Nhận thức hữu dụng (HD): 3 biến quan sát (HD1: Tiết kiệm thời gian; HD2: Tiết kiệm chi phí; HD3: Phong cách hiện đại).
  2. Nhận thức dễ sử dụng (SD): 3 biến quan sát (SD1: Dễ thực hiện; SD2: Thao tác đơn giản; SD3: Nhanh chóng thành thạo).
  3. Thái độ (TD): 3 biến quan sát (TD1: Hứng thú mua sắm; TD2: Cảm thấy năng động; TD3: Phong cách hiện đại).
  4. Cảm nhận về chất lượng (CL): 3 biến quan sát (CL1: Chất lượng cao; CL2: Mẫu mã đa dạng; CL3: Chất liệu vải tốt).
  5. Cảm nhận về giá cả (GC): 3 biến quan sát (GC1: Giá cả hợp lý; GC2: Chi phí vận chuyển thấp; GC3: Dễ dàng so sánh giá).
  6. Nhận thức rủi ro (RR): 3 biến quan sát (RR1: Không nhận được hàng; RR2: Khó thử đồ thực tế; RR3: Sai lệch quảng cáo).
  7. Ý định mua lặp lại (YD - Biến phụ thuộc): 3 biến quan sát (YD1: Tin tưởng quyết định; YD2: Tiếp tục mua lặp lại; YD3: Giới thiệu người thân).

Stack công nghệ và công cụ phục vụ nghiên cứu:

  • Thu thập dữ liệu: Google Forms API tích hợp Google Sheets.
  • Xử lý dữ liệu định lượng: IBM SPSS Statistics phiên bản 20.0.
  • Kiểm tra chéo và mô phỏng thuật toán: Python 3.10 với các thư viện pandas (v2.1.0), numpy (v1.24.3), statsmodels (v0.14.0)factor_analyzer (v0.5.0).

Methodology

Quy trình nghiên cứu áp dụng phương pháp hỗn hợp (Mixed-Methods) 2 giai đoạn:

  • Giai đoạn 1 (Nghiên cứu định tính): Tổng quan tài liệu học thuật kết hợp phỏng vấn sâu ($N=10$) khách hàng và tham vấn ý kiến chuyên gia (Trưởng phòng Điều hành dịch vụ và Trưởng phòng Kinh doanh Lion Group) nhằm hiệu chỉnh từ ngữ bảng hỏi và thẩm định giá trị nội dung (content validity).
  • Giai đoạn 2 (Nghiên cứu định lượng): Chọn mẫu thuận tiện phi xác suất ($N=105$). Kích thước mẫu tuân thủ nguyên tắc thực nghiệm của Hair et al. (1998) và Hoàng Trọng & Chu Nguyễn Mộng Ngọc (2008), quy định cỡ mẫu tối thiểu gấp 5 lần tổng số biến quan sát: $$N_{\text{min}} = 5 \times k = 5 \times 21 = 105 \text{ quan sát}$$

Mô hình hồi quy tuyến tính bội tổng quát: $$Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 X_3 + \beta_4 X_4 + \beta_5 X_5 + \beta_6 X_6 + e_i$$


Implementation và kết quả

Development process

Dữ liệu khảo sát sơ cấp được làm sạch, mã hóa và xử lý tự động qua pipeline phân tích định lượng tiêu chuẩn. Dưới đây là đoạn mã Python mô phỏng toàn bộ quy trình kiểm định Cronbach's Alpha, EFA và hồi quy OLS tương đương thuật toán vận hành trên IBM SPSS Statistics v20.0:

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

def cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính hệ số tin cậy Cronbach's Alpha cho tập biến quan sát"""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    return (k / (k - 1)) * (1 - item_vars.sum() / total_var)

def execute_quantitative_pipeline(data_path: str):
    # 1. Đọc và nạp dữ liệu khảo sát (N=105)
    df = pd.read_csv(data_path)
    
    # 2. Kiểm định Cronbach's Alpha từng thang đo
    scales = {
        'HD': ['HD1', 'HD2', 'HD3'],
        'SD': ['SD1', 'SD2', 'SD3'],
        'CL': ['CL1', 'CL2', 'CL3'],
        'GC': ['GC1', 'GC2', 'GC3'],
        'RR': ['RR1', 'RR2', 'RR3'],
        'YD': ['YD1', 'YD2', 'YD3']
    }
    alpha_results = {scale: cronbach_alpha(df[items]) for scale, items in scales.items()}
    
    # 3. Phân tích nhân tố khám phá (EFA)
    indep_items = [item for scale in ['HD', 'SD', 'CL', 'GC', 'RR'] for item in scales[scale]]
    kmo_per_variable, kmo_total = calculate_kmo(df[indep_items])
    chi_square_value, p_value = calculate_bartlett_sphericity(df[indep_items])
    
    fa = FactorAnalyzer(n_factors=5, rotation='varimax', method='principal')
    fa.fit(df[indep_items])
    
    # 4. Ước lượng mô hình hồi quy tuyến tính bội OLS
    X = df[['HD_mean', 'SD_mean', 'CL_mean', 'GC_mean', 'RR_mean']]
    X = sm.add_constant(X)
    y = df['YD_mean']
    model = sm.OLS(y, X).fit()
    
    # 5. Kiểm tra đa cộng tuyến 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))]
    
    return alpha_results, kmo_total, p_value, model.summary(), vif_data

Testing và validation

Kết quả kiểm định độ tin cậy và giá trị hội tụ của thang đo trên tập mẫu $N=105$:

Thang đo nhân tố Số biến quan sát Hệ số Cronbach's Alpha Tương quan biến - tổng nhỏ nhất Đánh giá độ tin cậy
Nhận thức hữu dụng (HD) 3 0.842 0.671 ($>0.3$) Đạt độ tin cậy rất cao
Cảm nhận chất lượng (CL) 3 0.865 0.712 ($>0.3$) Đạt độ tin cậy rất cao
Cảm nhận giá cả (GC) 3 0.814 0.635 ($>0.3$) Đạt chuẩn độ tin cậy
Nhận thức rủi ro (RR) 3 0.789 0.589 ($>0.3$) Đạt chuẩn độ tin cậy
Nhận thức dễ sử dụng (SD) 3 0.768 0.542 ($>0.3$) Đạt chuẩn độ tin cậy
Ý định mua lặp lại (YD) 3 0.881 0.748 ($>0.3$) Đạt độ tin cậy rất cao

Kết quả phân tích nhân tố khám phá (EFA) cho biến độc lập:

  • Chỉ số Kaiser-Meyer-Olkin (KMO) đạt 0.785 ($0.5 \le \text{KMO} \le 1.0$), khẳng định tính thích hợp của phân tích nhân tố.
  • Kiểm định Bartlett’s Test đạt giá trị thống kê Chi-square $= 874.52$ với mức ý nghĩa $p = 0.000 < 0.05$, chứng minh các biến quan sát có tương quan tuyến tính chặt chẽ.
  • Tổng phương sai trích (Cumulative Variance Explained) đạt 68.45% ($> 50%$), giá trị Eigenvalue của nhân tố cuối cùng dừng ở mức 1.241 ($> 1.0$). Hệ số tải nhân tố (Factor Loading) của tất cả các biến đều lớn hơn 0.620 ($> 0.5$).

Kết quả đạt được

Mô hình hồi quy đa biến ghi nhận hệ số xác định $R^2 = 0.612$ và $R^2 \text{ hiệu chỉnh} = 0.592$, giải thích được 59.2% sự biến thiên của ý định mua lặp lại đồng phục trực tuyến. Kiểm định ANOVA có giá trị $F = 31.24$ với mức ý nghĩa $p = 0.000 < 0.001$, bác bỏ giả thuyết $H_0$.

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$-statistic Mức ý nghĩa ($p$-value) Thống kê VIF
Hằng số (Constant) 0.412 0.285 1.445 0.151
Cảm nhận chất lượng (CL) 0.354 0.068 0.362 5.205 0.000 1.342
Cảm nhận giá cả (GC) 0.278 0.062 0.291 4.483 0.000 1.285
Nhận thức hữu dụng (HD) 0.215 0.059 0.224 3.644 0.001 1.410
Nhận thức rủi ro (RR) -0.168 0.051 -0.182 -3.294 0.002 1.156
Nhận thức dễ sử dụng (SD) 0.082 0.054 0.088 1.518 0.132 1.274

Kiểm định vi phạm giả định hồi quy:

  • Hiện tượng tự tương quan: Hệ số Durbin-Watson đạt giá trị $d = 1.874$ (nằm trong khoảng an toàn $1.5 < d < 2.5$).
  • Đa cộng tuyến: Hệ số phóng đại phương sai (VIF) của tất cả các biến đều nằm trong khoảng $1.156 - 1.410$ ($< 2.0$), không xảy ra hiện tượng đa cộng tuyến.
  • Phân phối chuẩn phần dư: Biểu đồ Histogram phần dư chuẩn hóa có dạng hình chuông đối xứng với Mean $\approx 0$ và Std. Dev $= 0.975 \approx 1$.

Phương trình hồi quy chuẩn hóa: $$YD = 0.362 \times CL + 0.291 \times GC + 0.224 \times HD - 0.182 \times RR$$


Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp quan trọng cả về mặt lý luận học thuật lẫn ứng dụng thực tiễn trong ngành TMĐT thời trang may mặc:

  1. Mở rộng khung lý thuyết E-CAM: Khác với các nghiên cứu TMĐT chung của Davis (1989) hay Ahn et al. (2001), nghiên cứu này đã tích hợp thành công hai chiều kích đặc thù ngành hàng là "Cảm nhận chất lượng" ($\beta = 0.362$) và "Cảm nhận giá cả" ($\beta = 0.291$). Kết quả chứng minh chất lượng sản phẩm thực tế vượt trên sự tiện lợi công nghệ trong việc kích hoạt hành vi mua lặp lại.
  2. Lượng hóa chính xác tác động tiêu cực của rủi ro trực tuyến: Xác định hệ số tác động âm của Nhận thức rủi ro ($\beta = -0.182, p < 0.01$). Điều này cung cấp bằng chứng thực nghiệm cho thấy việc giảm thiểu rủi ro (sai lệch mẫu vải, không vừa kích thước) có hiệu quả thúc đẩy doanh thu tương đương với việc tăng cường các tiện ích phần mềm.
  3. Tối ưu hiệu quả tiếp thị số cho SME: Cung cấp khung định lượng giúp Lion Group chuyển dịch ngân sách từ tiếp thị đại trà (Mass Marketing) sang tiếp thị giữ chân (Retention Marketing), hướng tới mục tiêu giảm $15 - 20%$ tỷ lệ churn rate và tăng $25%$ giá trị trung bình đơn hàng (AOV).

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy, hệ thống giải pháp Marketing Mix 4P tích hợp công nghệ được xây dựng chi tiết cho Công ty Lion Group:

Kịch bản ứng dụng cụ thể:

  • Tối ưu chất lượng và hiển thị số (Trọng số $\beta = 0.362$): Số hóa 100% danh mục vải may (Cotton 65/35, Cá sấu mè, Kate Mỹ) bằng video cận cảnh độ phân giải cao và mô phỏng 3D góc nhìn $360^\circ$. Cung cấp dịch vụ gửi "Bộ mẫu vải thực tế miễn phí" (Free Fabric Swatch Kit) đến tận tay khách hàng B2B trước khi xác nhận đơn hàng lớn.
  • Minh bạch cấu trúc định giá (Trọng số $\beta = 0.291$): Phát triển công cụ "Báo giá tự động theo số lượng" trực tuyến trên Website. Thiết lập bảng giá phân tầng rõ ràng (Tiered Pricing) và chính sách miễn phí vận chuyển cho các đơn hàng tái đặt may.
  • Xóa bỏ rào cản rủi ro giao dịch (Trọng số $\beta = -0.182$): Áp dụng cam kết "Bảo hành đường may 6 tháng và 1 đổi 1 trong vòng 7 ngày nếu sai lệch màu sắc/kích cỡ vượt quá $3%$". Cho phép khách hàng kiểm tra thành phẩm trước khi thanh toán số tiền còn lại.

Hạn chế và hướng phát triển

Nghiên cứu tồn tại một số giới hạn phương pháp luận cần được khắc phục trong các giai đoạn tiếp theo:

  1. Phương pháp lấy mẫu: Sử dụng phương pháp chọn mẫu thuận tiện phi xác suất với dung lượng mẫu $N=105$, tập trung chủ yếu tại địa bàn TP. Huế, do đó khả năng tổng quát hóa cho toàn bộ thị trường may mặc toàn quốc còn hạn chế.
  2. Mô hình phân tích: Nghiên cứu mới dừng lại ở mô hình hồi quy tuyến tính OLS thông qua SPSS, chưa kiểm định được các mối quan hệ trung gian (mediating effects) và điều tiết (moderating effects) giữa Thái độ và Nhận thức dễ sử dụng đối với Ý định mua.
  3. Hướng phát triển đề xuất:
    • Mở rộng kích thước mẫu lên $N \ge 300$, phân bổ đều tại các trung tâm kinh tế miền Trung như Đà Nẵng, Quảng Nam, Quảng Trị.
    • Ứng dụng mô hình cấu trúc tuyến tính bình quân bé nhất từng phần (PLS-SEM) trên SmartPLS 4.0 để kiểm định các biến điều tiết như "Tần suất mua sắm trực tuyến" và "Mức độ am hiểu công nghệ".
    • Tích hợp công cụ đo lường trải nghiệm thực tế (A/B Testing) trên nền tảng thương mại điện tử của Lion Group.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kinh tế/Marketing: Tài liệu tham khảo toàn diện về phương pháp luận nghiên cứu định lượng, quy trình xử lý Cronbach's Alpha, EFA và hồi quy OLS chuẩn mực học thuật.
  • Doanh nghiệp dệt may & SME bán lẻ: Khung chiến lược thực thi giúp tái cấu trúc quy trình bán hàng trực tuyến, tối ưu chi phí tiếp thị và gia tăng chỉ số CLV.
  • Kỹ sư giải pháp & UI/UX Designer: Căn cứ dữ liệu để thiết kế các tính năng số (bảng size chuẩn, bộ swatch ảo, công cụ báo giá) đánh trúng điểm đau (pain points) của người dùng.
  • Nhà nghiên cứu hành vi khách hàng: Tập dữ liệu thực nghiệm kiểm chứng mối tương quan giữa rủi ro cảm nhận và ý định lặp lại trong môi trường thương mại điện tử địa phương.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để doanh nghiệp may mặc triển khai giải pháp số hóa giảm rủi ro?

Hệ thống cần một Website thương mại điện tử chuẩn responsive chạy trên nền tảng như WooCommerce hoặc Shopify, tích hợp bộ plugin mô phỏng hình ảnh 3D/360 viewer, cổng thanh toán bảo mật SSL và phần mềm quản lý quan hệ khách hàng (CRM) để theo dõi lịch sử đặt may.

2. Vì sao biến "Nhận thức dễ sử dụng" (SD) lại không có ý nghĩa thống kê trong mô hình hồi quy ($p = 0.132 > 0.05$)?

Trong bối cảnh người tiêu dùng hiện nay đã quá quen thuộc với các nền tảng mạng xã hội và giao diện web TMĐT, tính dễ sử dụng đã trở thành điều kiện mặc định (Must-be quality), không còn đóng vai trò là yếu tố tạo sự khác biệt thúc đẩy ý định mua lặp lại so với chất lượng và giá cả.

3. Làm thế nào để giải quyết mâu thuẫn giữa chi phí sản xuất mẫu thử và việc giảm rủi ro cho khách hàng trực tuyến?

Lion Group có thể áp dụng giải pháp sản xuất hàng loạt các bộ mẫu thử chuẩn hóa (Sample Fabric Cards) với chi phí thấp (dưới 15.000 VNĐ/bộ) để gửi bưu điện cho khách hàng, thay vì may mẫu đơn lẻ từng chiếc gây tốn kém chi phí khuôn in và cắt may.

4. Chi phí đầu tư dự kiến và thời gian hoàn vốn (ROI) cho lộ trình nâng cấp kênh trực tuyến?

Ngân sách ước tính khoảng 45.000.000 – 60.000.000 VNĐ cho việc nâng cấp website, số hóa hình ảnh và chuẩn hóa quy trình mẫu vải. Với tỷ lệ chuyển đổi mua lặp lại dự kiến tăng $15%$, thời gian hoàn vốn đầu tư đạt từ 4 đến 6 tháng.

5. Dữ liệu khảo sát $N=105$ có đảm bảo độ tin cậy để đưa ra quyết định kinh doanh chiến lược?

Cỡ mẫu $N=105$ đáp ứng đầy đủ các tiêu chuẩn kiểm định thống kê theo quy tắc của Hair et al. ($5 \times 21 = 105$). Mặc dù đủ độ tin cậy cho phạm vi thị trường TP. Huế, doanh nghiệp nên liên tục cập nhật dữ liệu giao dịch thực tế trên hệ thống CRM để hiệu chỉnh các quyết định kinh doanh theo thời gian thực.


Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Viết Huy đã giải quyết thành công bài toán định lượng các nhân tố tác động đến ý định mua lặp lại đồng phục trực tuyến tại Công ty TNHH Thương mại và Dịch vụ Lion Group. Kết quả nghiên cứu khẳng định Cảm nhận chất lượng ($\beta = 0.362$) và Cảm nhận giá cả ($\beta = 0.291$) là hai động lực chính thúc đẩy hành vi trung thành, trong khi Nhận thức rủi ro ($\beta = -0.182$) là rào cản lớn nhất cần triệt tiêu.

Bằng việc kết hợp chặt chẽ giữa lý luận quản trị kinh doanh hiện đại và kỹ thuật phân tích dữ liệu thực nghiệm trên SPSS, công trình cung cấp cơ sở khoa học vững chắc giúp Lion Group tối ưu hóa mô hình kinh doanh trực tuyến, nâng cao năng lực cạnh tranh và phát triển bền vững trong kỷ nguyên kinh tế số.