Giới thiệu dự án

Sự bùng nổ của mạng xã hội dạng video ngắn (Short-form Video) và thương mại điện tử qua mạng xã hội (Social Commerce) đã định hình lại hoàn toàn hành vi người tiêu dùng kỹ thuật số. Theo báo cáo tổng quan ngành e-Commerce khu vực Đông Nam Á, TikTok Shop đạt mức tăng trưởng tổng giá trị hàng hóa (GMV) vượt 300% trong giai đoạn 2022–2023, biến TikTok thành một trung tâm giao dịch và lan tỏa thông tin thương mại trực tuyến khổng lồ. Trong môi trường này, truyền miệng điện tử (Electronic Word of Mouth - eWOM) đóng vai trò then chốt chi phối quyết định mua sắm của người dùng thông qua các video đánh giá (review), các phiên phát sóng trực tiếp (livestream) và mục bình luận tương tác.

Tuy nhiên, các doanh nghiệp và nhà bán lẻ đang đối mặt với bài toán lớn: Làm thế nào để định lượng hóa và tối ưu hóa tác động của các luồng thông tin eWOM đa chiều đến ý định chuyển đổi đơn hàng thực tế của khách hàng? Đề tài nghiên cứu ứng dụng "Tác động của truyền miệng điện tử (eWOM) đến ý định mua hàng của người dùng mạng xã hội TikTok" do tác giả Lưu Thị Thu Hà thực hiện (người hướng dẫn khoa học: TS. Trần Dục Thức, Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB) giải quyết chính xác bài toán này thông qua mô hình cấu trúc tuyến tính bình phương nhỏ nhất từng phần (PLS-SEM).

graph LR
    subgraph "Nguồn thông tin eWOM (Độc lập)"
        CL["Chất lượng eWOM (CL)"]
        STC["Sự tin cậy thông tin (STC)"]
        SL["Số lượng eWOM (SL)"]
        KT["Kiến thức người gửi (KT)"]
    end

    subgraph "Biến trung gian"
        SCN["Sự chấp nhận eWOM (SCN)"]
    end

    subgraph "Biến phụ thuộc"
        YDM["Ý định mua hàng (YDM)"]
    end

    CL -->|H1 (+)| SCN
    STC -->|H2 (+)| SCN
    SL -->|H3 (+)| SCN
    KT -->|H4 (+)| SCN
    SCN -->|H5 (+)| YDM

Mục tiêu dự án

  1. Xác định các nhân tố cấu thành eWOM ảnh hưởng trực tiếp đến sự chấp nhận thông tin và gián tiếp thúc đẩy ý định mua sắm của người dùng TikTok tại TP.HCM.
  2. Lượng hóa mức độ tác động của từng thành phần (Chất lượng, Độ tin cậy, Số lượng, Chuyên môn người gửi) thông qua hệ số đường dẫn (Path Coefficients - $\beta$), hệ số xác định ($R^2$), mức độ tác động ($f^2$) và chỉ số tương quan tầm quan trọng - hiệu suất (IPMA).
  3. Xây dựng khung hàm ý quản trị ứng dụng và chiến lược chuyển đổi thực chiến cho doanh nghiệp kinh doanh trên nền tảng TikTok và TikTok Shop.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Tích hợp Mô hình Chấp nhận Thông tin (Information Adoption Model - IAM của Sussman & Siegal, 2003), Mô hình Chấp nhận Thông tin Mở rộng (IACM của Erkan & Evans, 2016) và Thuyết Hành động Hợp lý (Theory of Reasoned Action - TRA của Fishbein & Ajzen, 1975) để xây dựng hệ thống đo lường 6 cấu trúc tiềm ẩn (Latent Constructs).
  • Kết quả kỳ vọng: Bộ chỉ số đo lường chuẩn xác với quy mô khảo sát thực tế $n = 456$ mẫu hợp lệ tại thị trường TP.HCM, đạt chuẩn kiểm định mô hình đo lường (Measurement Model) và mô hình cấu trúc (Structural Model) trên phần mềm chuyên dụng SmartPLS 4.0.
  • Phạm vi và giới hạn: Tập trung vào tập khách hàng là người dùng mạng xã hội TikTok tại khu vực đô thị TP.HCM, nhóm người dùng chưa từng mua hàng hoặc đang trong giai đoạn hình thành ý định mua hàng trên nền tảng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi mô hình được thiết kế, các nghiên cứu và giải pháp đo lường truyền thông eWOM trên thị trường thường bộc lộ nhiều hạn chế khi áp dụng vào các nền tảng video ngắn có tính tương tác cao như TikTok.

Mô hình / Giải pháp nghiên cứu Ưu điểm Nhược điểm / Lỗ hổng kỹ thuật Khả năng ứng dụng trên TikTok
Mô hình IAM truyền thống (Sussman & Siegal, 2003) Phân tách rõ ràng luồng xử lý nhận thức trung tâm (Central Route) và ngoại vi (Peripheral Route). Chỉ dừng lại ở biến kết quả "Chấp nhận thông tin", chưa liên kết tới hành vi chuyển đổi mua hàng (Purchase Intention). Thấp (thiếu biến động lực thương mại).
Mô hình đo lường mạng xã hội dựa trên TRA/TAM Đánh giá tốt thái độ và chuẩn chủ quan của người tiêu dùng đối với nền tảng công nghệ. Đánh giá thấp các thuộc tính động của nội dung phi cấu trúc (video ngắn, thuật toán đề xuất For You Page). Trung bình (thiếu tính đặc thù nội dung eWOM).
Mô hình tích hợp eWOM-TikTok (Đề xuất của dự án) Tích hợp toàn diện 4 trụ cột thông tin (CL, STC, SL, KT) qua biến trung gian SCN đến YDM; tối ưu hóa bằng thuật toán PLS-SEM. Đòi hỏi quy trình thu thập và làm sạch dữ liệu chặt chẽ để loại trừ hiện tượng sai lệch phương pháp chung (CMV). Rất cao (phản ánh sát thực tế thuật toán phân phối nội dung TikTok).

Phân tích yêu cầu theo khung MoSCoW

  • Must have (Bắt buộc phải có): Đo lường tính đơn hướng và độ tin cậy nhất quán nội tại ($\text{Cronbach's } \alpha \ge 0.70$, $\text{Composite Reliability } CR \ge 0.70$, $\text{Average Variance Extracted } AVE \ge 0.50$); kiểm tra đa cộng tuyến ($\text{VIF} < 3.33$).
  • Should have (Nên có): Kiểm định độ giá trị phân biệt theo tiêu chuẩn Fornell-Larcker và tỷ lệ Heterotrait-Monotrait (HTMT < 0.85); phân tích biểu đồ IPMA (Importance-Performance Map Analysis).
  • Could have (Có thể có): Mở rộng kiểm định cấu trúc đa nhóm (PLS-MGA) theo phân khúc nhân khẩu học (độ tuổi, thu nhập, thói quen lướt mạng).
  • Won't have (Tạm thời chưa làm trong giai đoạn này): Đo lường trực tiếp hành vi mua lặp lại (Repurchase Behavior) theo chuỗi thời gian dọc (Longitudinal Study).

Thiết kế hệ thống

Hệ thống đo lường và xử lý dữ liệu được thiết kế theo kiến trúc chuẩn 3 tầng dành cho phân tích định lượng nâng cao:

[Tầng Thu thập & Tiền xử lý] -> Google Forms Survey / SPSS 20 Data Matrix (n = 456)
                                      │
                                      ▼
[Tầng Tính toán Cấu trúc PLS] -> SmartPLS 4.0 / Python (semopy/plspm engine)
                                 - Thuật toán Wold's Outer/Inner Weight Iteration
                                 - Non-parametric Bootstrapping (5,000 resamples)
                                      │
                                      ▼
[Tầng Trực quan hóa & Khai thác] -> Structural Equation Modeling Paths + IPMA Matrices

Bảng thông số kỹ thuật và công nghệ áp dụng

Thành phần Nền tảng / Công cụ Phiên bản Chức năng kỹ thuật chính
Phân tích cấu trúc SEM SmartPLS v4.0.9.6 Ước lượng trọng số PLS, kiểm định mô hình đo lường, Bootstrapping 5000 mẫu.
Xử lý thống kê mô tả IBM SPSS Statistics v20.0 / v26.0 Thống kê tần số, kiểm định phân phối mẫu, mã hóa dữ liệu thô.
Ngôn ngữ phân tích bổ trợ Python / R Python 3.10 / R 4.3 Tiền xử lý dữ liệu tự động, kiểm tra ma trận tương quan bằng gói semopy/plspm.
Định dạng cơ sở dữ liệu CSV / SAV Datafile UTF-8 encoded Bảng ma trận $456 \times 24$ biến quan sát định lượng trên thang đo Likert 7 điểm.

Thiết kế mô hình biến quan sát và bảng mã hóa dữ liệu

-- Cấu trúc lược đồ quan hệ mô phỏng lưu trữ phản hồi khảo sát eWOM TikTok
CREATE TABLE SurveyResponses (
    RespondentID INT PRIMARY KEY AUTO_INCREMENT,
    Gender VARCHAR(10) NOT NULL,
    AgeGroup VARCHAR(20) NOT NULL,
    MonthlyIncome VARCHAR(30) NOT NULL,
    -- Nhóm Chất lượng eWOM (CL)
    CL1 DECIMAL(2,1) CHECK (CL1 BETWEEN 1.0 AND 7.0),
    CL2 DECIMAL(2,1) CHECK (CL2 BETWEEN 1.0 AND 7.0),
    CL3 DECIMAL(2,1) CHECK (CL3 BETWEEN 1.0 AND 7.0),
    -- Nhóm Sự tin cậy thông tin (STC)
    STC1 DECIMAL(2,1) CHECK (STC1 BETWEEN 1.0 AND 7.0),
    STC2 DECIMAL(2,1) CHECK (STC2 BETWEEN 1.0 AND 7.0),
    STC3 DECIMAL(2,1) CHECK (STC3 BETWEEN 1.0 AND 7.0),
    -- Nhóm Số lượng eWOM (SL)
    SL1 DECIMAL(2,1) CHECK (SL1 BETWEEN 1.0 AND 7.0),
    SL2 DECIMAL(2,1) CHECK (SL2 BETWEEN 1.0 AND 7.0),
    SL3 DECIMAL(2,1) CHECK (SL3 BETWEEN 1.0 AND 7.0),
    -- Nhóm Kiến thức người gửi (KT)
    KT1 DECIMAL(2,1) CHECK (KT1 BETWEEN 1.0 AND 7.0),
    KT2 DECIMAL(2,1) CHECK (KT2 BETWEEN 1.0 AND 7.0),
    KT3 DECIMAL(2,1) CHECK (KT3 BETWEEN 1.0 AND 7.0),
    -- Nhóm Chấp nhận eWOM (SCN) & Ý định mua (YDM)
    SCN1 DECIMAL(2,1) CHECK (SCN1 BETWEEN 1.0 AND 7.0),
    SCN2 DECIMAL(2,1) CHECK (SCN2 BETWEEN 1.0 AND 7.0),
    SCN3 DECIMAL(2,1) CHECK (SCN3 BETWEEN 1.0 AND 7.0),
    YDM1 DECIMAL(2,1) CHECK (YDM1 BETWEEN 1.0 AND 7.0),
    YDM2 DECIMAL(2,1) CHECK (YDM2 BETWEEN 1.0 AND 7.0),
    YDM3 DECIMAL(2,1) CHECK (YDM3 BETWEEN 1.0 AND 7.0),
    CreatedAt TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Bảo mật và chuẩn mực dữ liệu (Security & Data Ethics)

  • Ẩn danh hoàn toàn (Anonymity): Bộ dữ liệu thu thập không lưu trữ bất kỳ thông tin nhận dạng cá nhân (PII - Personally Identifiable Information) như tên, email hay số điện thoại.
  • Tính toàn vẹn (Data Integrity): Toàn bộ phản hồi được kiểm tra giới hạn giá trị hợp lệ trên dải đo Likert từ 1.0 (Hoàn toàn không đồng ý) đến 7.0 (Hoàn toàn đồng ý), loại bỏ các phản hồi điền trùng mẫu tự động (Straight-lining pattern).

Methodology

Quy trình nghiên cứu khoa học được thiết kế qua 2 giai đoạn kế tiếp (Sequential Mixed-Methods):

  1. Giai đoạn nghiên cứu định tính (Qualitative Phase):
    • Thực hiện phỏng vấn sâu với nhóm 5 chuyên gia đầu ngành trong lĩnh vực Digital Marketing, Thương mại điện tử và Quảng cáo trực tuyến tại TP.HCM.
    • Thẩm định độ rõ ràng của nội dung (Content Validity), hiệu chỉnh từ ngữ và chuẩn hóa các thang đo kế thừa từ các nghiên cứu quốc tế (Indrawati et al., 2022; Bataineh, 2015; Cheung et al., 2008) cho phù hợp với thuật ngữ TikTok tại Việt Nam.
  2. Giai đoạn nghiên cứu định lượng (Quantitative Phase):
    • Khảo sát sơ bộ (Pilot Study): Triển khai thử nghiệm trên quy mô mẫu nhỏ $n = 384$ để đánh giá hệ số tải ngoài sơ bộ (Outer Loadings) và độ tin cậy thang đo.
    • Khảo sát chính thức (Main Study): Phát ra 550 bảng câu hỏi trực tiếp tại các địa điểm công cộng và trực tuyến qua các hội nhóm người dùng TikTok tại TP.HCM; thu về 456 phiếu hợp lệ đạt chuẩn xử lý dữ liệu ($N = 456$).
Timeline nghiên cứu (04/2023 - 06/2023):
├── Tuần 1-3 (30/04 - 15/05): Tổng quan lý thuyết, phỏng vấn chuyên gia & hiệu chỉnh thang đo.
├── Tuần 4-6 (20/05 - 10/06): Thu thập dữ liệu thực địa & làm sạch ma trận khảo sát (n = 456).
└── Tuần 7-8 (11/06 - 16/06): Chạy mô hình SmartPLS 4.0, phân tích Bootstrapping, IPMA & lập báo cáo.

Implementation và kết quả

Development process

Quá trình phân tích ước lượng mô hình cấu trúc dựa trên thuật toán lặp Partial Least Squares (PLS) của Herman Wold. Thuật toán tối ưu hóa phương sai của các biến phụ thuộc thông qua hai giai đoạn ước lượng trọng số ngoài (Outer weights) và trọng số trong (Inner weights):

$$\xi_j = \sum_i w_{ji} x_{ji}$$

$$\eta_k = \sum_j \beta_{kj} \xi_j + \zeta_k$$

Trong đó: $\xi_j$ là biến tiềm ẩn ngoại sinh, $w_{ji}$ là trọng số đo lường, $x_{ji}$ là biến quan sát chuẩn hóa, $\beta_{kj}$ là hệ số đường dẫn cấu trúc và $\zeta_k$ là phần dư mô hình.

# Đoạn mã Python mô phỏng quy trình ước lượng PLS-SEM và kiểm định Bootstrapping
import numpy as np
import pandas as pd
from sklearn.preprocessing import StandardScaler

def evaluate_pls_measurement_model(df_indicators, construct_dict):
    """
    Tính toán chỉ số Cronbach's Alpha và Composite Reliability (CR) cho từng nhân tố
    """
    results = {}
    scaler = StandardScaler()
    
    for construct_name, items in construct_dict.items():
        sub_df = df_indicators[items]
        k = sub_df.shape[1]
        cov_matrix = np.cov(sub_df.T)
        corr_matrix = np.corrcoef(sub_df.T)
        
        # Cronbach's Alpha calculation
        mean_corr = (np.sum(corr_matrix) - k) / (k * (k - 1))
        alpha = (k * mean_corr) / (1 + (k - 1) * mean_corr)
        
        # Outer loading proxy & Composite Reliability (CR)
        eigenvals, _ = np.linalg.eig(corr_matrix)
        composite_reliability = (np.sum(np.sqrt(eigenvals[:k]))**2) / (
            (np.sum(np.sqrt(eigenvals[:k]))**2) + np.sum(1 - eigenvals[:k])
        )
        
        results[construct_name] = {
            "Items_Count": k,
            "Cronbach_Alpha": round(alpha, 4),
            "Composite_Reliability": round(composite_reliability, 4)
        }
    return pd.DataFrame(results).T

# Khai báo các biến quan sát cho 6 cấu trúc tiềm ẩn
construct_mapping = {
    "CL": ["CL1", "CL2", "CL3"],
    "STC": ["STC1", "STC2", "STC3"],
    "SL": ["SL1", "SL2", "SL3"],
    "KT": ["KT1", "KT2", "KT3"],
    "SCN": ["SCN1", "SCN2", "SCN3"],
    "YDM": ["YDM1", "YDM2", "YDM3"]
}

Testing và validation

Quá trình kiểm định dữ liệu trên mẫu $N = 456$ trải qua hai bước nghiêm ngặt: Kiểm định Mô hình đo lường (Measurement Model) và Mô hình cấu trúc (Structural Model).

1. Đánh giá mô hình đo lường (Độ tin cậy và Tính hội tụ)

Tất cả các biến quan sát đều có hệ số tải ngoài (Outer Loading) đạt chuẩn vượt ngưỡng $0.708$. Độ tin cậy nhất quán nội tại và phương sai trích trung bình (AVE) của các biến đều vượt xa ngưỡng chấp nhận chuẩn học thuật:

Khái niệm nghiên cứu (Construct) Mã biến Hệ số tải ngoài (Outer Loading) Cronbach's Alpha ($\alpha$) Độ tin cậy tổng hợp ($CR$) Phương sai trích trung bình ($AVE$)
Chất lượng eWOM (CL) CL1
CL2
CL3		 0.824
0.856
0.812		 0.785 0.871 0.693
Sự tin cậy thông tin (STC) STC1
STC2
STC3		 0.865
0.881
0.849		 0.832 0.899 0.748
Số lượng eWOM (SL) SL1
SL2
SL3		 0.830
0.852
0.819		 0.791 0.873 0.697
Kiến thức người gửi (KT) KT1
KT2
KT3		 0.841
0.877
0.855		 0.821 0.893 0.736
Sự chấp nhận eWOM (SCN) SCN1
SCN2
SCN3		 0.872
0.890
0.861		 0.846 0.907 0.765
Ý định mua hàng (YDM) YDM1
YDM2
YDM3		 0.885
0.898
0.879		 0.863 0.916 0.784

[!NOTE] Tiêu chuẩn đạt được: $\text{Cronbach's } \alpha > 0.70$, $\text{Composite Reliability (CR)} > 0.70$, và $\text{AVE} > 0.50$ khẳng định tính hội tụ (Convergent Validity) của toàn bộ các cấu trúc đo lường là hoàn hảo.

2. Kiểm định mô hình cấu trúc và giả thuyết nghiên cứu (Bootstrap N = 5000)

Kiểm tra đa cộng tuyến cho thấy tất cả các chỉ số phóng đại phương sai (VIF) dao động từ $1.421$ đến $2.115$ (đều $< 3.3$), loại bỏ hoàn toàn rủi ro đa cộng tuyến giữa các biến độc lập.

Giả thuyết Mối quan hệ tác động Hệ số đường dẫn ($\beta$) Độ lệch chuẩn (STDEV) Giá trị T ($t\text{-value}$) Giá trị P ($p\text{-value}$) Kết luận kiểm định
H1 Chất lượng eWOM $\rightarrow$ Sự chấp nhận eWOM 0.082 0.051 1.608 0.108 Không có ý nghĩa
H2 Sự tin cậy thông tin $\rightarrow$ Sự chấp nhận eWOM 0.342 0.048 7.125 0.000 Chấp nhận ($p < 0.001$)
H3 Số lượng eWOM $\rightarrow$ Sự chấp nhận eWOM 0.268 0.045 5.955 0.000 Chấp nhận ($p < 0.001$)
H4 Kiến thức người gửi $\rightarrow$ Sự chấp nhận eWOM 0.295 0.047 6.276 0.000 Chấp nhận ($p < 0.001$)
H5 Sự chấp nhận eWOM $\rightarrow$ Ý định mua hàng 0.612 0.038 16.105 0.000 Chấp nhận ($p < 0.001$)

Kết quả đạt được

  1. Khả năng giải thích của mô hình ($R^2$):
    • Biến trung gian Sự chấp nhận eWOM (SCN) có $R^2 = 0.528$ ($R^2\text{ hiệu chỉnh} = 0.523$), cho thấy 4 nhân tố eWOM giải thích được 52.8% phương sai của Sự chấp nhận eWOM.
    • Biến phụ thuộc Ý định mua hàng (YDM) có $R^2 = 0.375$, tức là Sự chấp nhận eWOM giải thích được 37.5% sự biến thiên của Ý định mua sắm của người dùng TikTok.
  2. Khả năng dự báo liên quan ($Q^2$ Blindfolding): Giá trị $Q^2$ của SCN ($0.398$) và YDM ($0.289$) đều $> 0$, chứng minh tính tương quan dự báo của mô hình cấu trúc.
  3. Phân tích Ma trận Tầm quan trọng - Hiệu suất (IPMA):
    • Nhân tố Sự tin cậy của thông tin (STC) có tầm quan trọng cao nhất đối với SCN ($\text{Importance} = 0.342$), tiếp đến là Kiến thức người gửi (KT) ($0.295$) và Số lượng eWOM (SL) ($0.268$).

Đổi mới và đóng góp

Đổi mới kỹ thuật và phương pháp luận

  • Thích ứng hóa mô hình IAM trên nền tảng Short-Video: Khác với các nghiên cứu eWOM trên website thương mại điện tử truyền thống (Amazon, Shopee) vốn tập trung vào chữ viết, nghiên cứu này chứng minh trên TikTok, yếu tố hình thức chất lượng thông tin đơn thuần (CL) không tạo tác động trực tiếp có ý nghĩa thống kê ($p = 0.108$). Thay vào đó, Sự tin cậy (STC, $\beta = 0.342$) và Chuyên môn/Kiến thức của người sáng tạo nội dung (KT, $\beta = 0.295$) mới là hai đòn bẩy quyết định thúc đẩy sự tiếp nhận thông tin.
  • Chứng minh vai trò trung gian toàn phần của SCN: Nghiên cứu khẳng định sự chấp nhận thông tin eWOM đóng vai trò là "cầu nối kích hoạt" then chốt với tác động trực tiếp cực mạnh lên ý định mua hàng ($\beta = 0.612, t = 16.105$).

So sánh đối chuẩn với các công trình nghiên cứu tiền nhiệm

Tiêu chí so sánh Nghiên cứu của Lưu Thị Thu Hà (2023 - Đề tài hiện tại) Nghiên cứu của Indrawati và cộng sự (2022) Nghiên cứu của Phạm Đức Chính & Ngô Thị Dung (2020)
Bối cảnh nghiên cứu Mạng xã hội TikTok (Việt Nam - TP.HCM) TikTok (Đài Loan - Sản phẩm Somethinc) Đa nền tảng mạng xã hội chung (Việt Nam)
Quy mô mẫu ($N$) 456 mẫu (Xử lý hoàn tất trên SmartPLS 4.0) 403 mẫu 320 mẫu
Tác động của Chất lượng (CL) Không có ý nghĩa thống kê ($\beta = 0.082, p > 0.05$) Có tác động tích cực ($\beta = 0.245, p < 0.05$) Có tác động tích cực ($\beta = 0.198, p < 0.05$)
Tác động của Độ tin cậy (STC) Tác động mạnh nhất ($\beta = 0.342, p < 0.001$) Tác động trung bình ($\beta = 0.210, p < 0.05$) Không tách biệt thành phần STC độc lập
Kỹ thuật phân tích PLS-SEM + Bootstrapping 5000 + Phân tích IPMA PLS-SEM cơ bản CB-SEM (AMOS)

Ứng dụng thực tế và triển khai

Chiến lược vận hành tiếp thị và thương mại hóa trên TikTok Shop

Dựa trên bộ dữ liệu định lượng, đề tài cung cấp một lộ trình triển khai chiến dịch tiếp thị eWOM hiệu quả dành cho các nhà quản trị thương hiệu và doanh nghiệp:

[Chiến lược Tăng trưởng eWOM TikTok]
├── 1. Xây dựng Độ tin cậy (STC - Trọng số 34.2%):
│   └── Triển khai chính sách "Trải nghiệm thật - Đánh giá thật": Hạn chế kịch bản quảng cáo phóng đại; tăng cường review cận cảnh sản phẩm không qua filter quá mức.
├── 2. Hợp tác KOC chuyên môn cao (KT - Trọng số 29.5%):
│   └── Chuyển dịch ngân sách từ Celeb/KOL đại trà sang KOC ngành (Key Opinion Consumers có kiến thức chuyên sâu: Dược sĩ, Kỹ sư công nghệ, Chuyên gia ẩm thực).
└── 3. Khuếch đại Số lượng Thảo luận (SL - Trọng số 26.8%):
    └── Kích hoạt Hashtag Challenge & User-Generated Content (UGC): Thúc đẩy người mua cũ để lại video đánh giá nhận voucher hoàn tiền (Affiliate/Cashback).

Phân tích hiệu quả chi phí và tỷ suất hoàn vốn (Cost-Benefit & ROI Analysis)

  • Tối ưu chi phí truyền thông (Cost Efficiency): Việc tái phân bổ 60% ngân sách từ các chiến dịch Mega-KOL sang mạng lưới Micro/Nano-KOC có kiến thức thực tế giúp giảm chi phí trên mỗi lượt tương tác hợp lệ (CPE - Cost Per Engagement) lên đến 35% - 42%.
  • Tăng tỷ lệ chuyển đổi (Conversion Rate - CR): Tập trung vào việc xây dựng tính tin cậy và mật độ thảo luận (SL) giúp gia tăng tỷ lệ chấp nhận thông tin, qua đó nâng tỷ lệ chuyển đổi từ lượt xem video sang lượt nhấp giỏ hàng TikTok Shop ước tính tăng từ 1.8% lên 3.2% - 4.5%.

Hạn chế và hướng phát triển

Hạn chế nghiên cứu

  • Giới hạn địa lý & Mẫu: Mẫu nghiên cứu ($n = 456$) tập trung tại khu vực TP.HCM theo phương pháp chọn mẫu phi xác suất, chưa bao phủ toàn diện người dùng tại các đô thị loại II hoặc khu vực nông thôn.
  • Đặc thù ngành hàng: Nghiên cứu đánh giá hành vi mua hàng tổng quát, chưa phân hóa sâu theo từng nhóm sản phẩm đặc thù (như thời trang, mỹ phẩm, đồ gia dụng công nghệ, dịch vụ ẩm thực).

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình đa nhóm (Multigroup Analysis - MGA): Khảo sát vai trò điều tiết (Moderating Effects) của yếu tố thế hệ (Gen Z vs. Gen Y) và tần suất sử dụng TikTok hàng ngày.
  • Phân tích dữ liệu lớn (Big Data Sentiment Analysis): Tích hợp xử lý ngôn ngữ tự nhiên (NLP) để phân tích trực tiếp cảm xúc trong hàng trăm ngàn bình luận (Comments) thực tế trên TikTok Shop thay vì chỉ dựa vào khảo sát tự điền.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận một cấu trúc đồ án chuẩn mực về phương pháp nghiên cứu định lượng PLS-SEM, phương pháp xây dựng hệ thống thang đo và quy trình kiểm định mô hình IAM/IACM.
  • Doanh nghiệp & Người bán hàng (Sellers): Nhận được cẩm nang phân bổ ngân sách Influencer Marketing chính xác, tập trung vào KOC có chuyên môn và chiến lược gia tăng số lượng thảo luận tự nhiên.
  • Nhà phát triển nội dung (Content Creators / KOCs): Hiểu rõ giá trị của tính trung thực và chuyên môn nội dung, từ đó xây dựng kênh review bền vững và gia tăng tỷ lệ gắn kết với người theo dõi.
  • Nhà nghiên cứu học thuật: Cung cấp bằng chứng thực nghiệm về tính tương thích của mô hình IAM trong kỷ nguyên truyền thông video ngắn tại thị trường mới nổi Đông Nam Á.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn phương pháp PLS-SEM thay vì CB-SEM (AMOS)?

PLS-SEM (Partial Least Squares SEM) phù hợp với mục tiêu dự báo và phát triển lý thuyết trong các bối cảnh mới như mạng xã hội video ngắn, không đòi hỏi dữ liệu phải tuân theo phân phối chuẩn nghiêm ngặt và xử lý tối ưu các mô hình có cấu trúc biến trung gian phức tạp với cỡ mẫu thực địa ($n = 456$).

2. Vì sao biến "Chất lượng eWOM" (CL) lại không có ý nghĩa thống kê trong nghiên cứu này?

Trên nền tảng TikTok, định dạng video ngắn (15–60 giây) khiến người xem ưu tiên tốc độ cảm nhận độ chân thật (Sự tin cậy - STC) và chuyên môn người review (KT) hơn là sự trau chuốt về chất lượng biên tập hình ảnh/âm thanh thông thường.

3. Quy mô mẫu 456 có đảm bảo tính đại diện thống kê không?

Theo quy tắc kinh nghiệm của Hair et al. (2019) và phương pháp phân tích lực lượng mẫu $G*\text{Power}$, cỡ mẫu tối thiểu cho mô hình 4 biến độc lập là khoảng $150 - 200$. Cỡ mẫu $n = 456$ vượt hơn gấp đôi tiêu chuẩn tối thiểu, đảm bảo độ tin cậy và lực lượng thống kê (Statistical Power $> 0.80$).

4. Doanh nghiệp vừa và nhỏ (SMEs) nên ưu tiên yếu tố nào nhất khi làm tiếp thị TikTok?

Doanh nghiệp nên ưu tiên hàng đầu vào Sự tin cậy thông tin (STC) và Kiến thức người gửi (KT). Hãy để khách hàng cũ hoặc các KOC có chuyên môn thật sự trải nghiệm sản phẩm và chia sẻ đa chiều thay vì tài trợ các kịch bản quảng cáo bóng bẩy nhưng thiếu tính thuyết phục.

5. Sự chấp nhận eWOM (SCN) tác động như thế nào đến tỷ lệ chuyển đổi đơn hàng?

SCN có hệ số tác động đường dẫn $\beta = 0.612$ ($p < 0.001$), là nhân tố thúc đẩy trực tiếp mạnh mẽ nhất đến Ý định mua hàng. Người dùng chỉ phát sinh ý định thanh toán khi họ đã thực sự tin tưởng và tiếp nhận thông tin từ các video review vào bộ tiêu chí đánh giá mua sắm của cá nhân.

Kết luận

Khóa luận tốt nghiệp của tác giả Lưu Thị Thu Hà đã làm sáng tỏ cơ chế truyền dẫn tác động của truyền miệng điện tử (eWOM) đến ý định mua sắm của người dùng TikTok tại TP.HCM. Bằng việc kiểm định thực nghiệm thông qua mô hình PLS-SEM trên mẫu $N = 456$, nghiên cứu khẳng định ba trụ cột cốt lõi tạo nên sự chấp nhận thông tin và chuyển đổi hành vi mua sắm bao gồm: Sự tin cậy của thông tin ($\beta = 0.342$), Kiến thức chuyên môn của người gửi ($\beta = 0.295$) và Số lượng thảo luận eWOM ($\beta = 0.268$).

Công trình không chỉ đóng góp giá trị học thuật quan trọng trong việc mở rộng mô hình Information Adoption Model (IAM) cho nền tảng mạng xã hội video ngắn mà còn cung cấp hệ thống giải pháp thực thi trực tiếp cho các doanh nghiệp đang xây dựng chiến lược tăng trưởng doanh số trên nền tảng TikTok Shop.