Giới thiệu dự án

Sự bùng nổ của kỷ nguyên kinh tế số và thương mại điện tử qua video trực tiếp (Livestream Commerce / Shoppertainment) đã định hình lại hoàn toàn hành vi người tiêu dùng. Theo báo cáo từ 7SAT (2020), quy mô thị trường tiếp thị qua người ảnh hưởng (Influencer Marketing) tại Việt Nam đạt mức tăng trưởng ấn tượng với hơn 69 triệu USD ngân sách phân bổ trên các nền tảng kỹ thuật số; trong đó 99% người mua sắm thừa nhận tin tưởng vào lời giới thiệu từ bên thứ ba hơn là quảng cáo trực tiếp từ nhãn hàng (chỉ đạt 33%). Đặc biệt, dữ liệu từ TikTok năm 2022 cho thấy các sự kiện Mega Livestream có thể thúc đẩy doanh thu bán lẻ tăng vọt hơn 150% với hơn 400 triệu lượt xem tích lũy.

Tuy nhiên, thị trường mỹ phẩm trực tuyến đang đối mặt với bài toán bất cân xứng thông tin trầm trọng: tình trạng quảng cáo thổi phồng công năng, mỹ phẩm không rõ nguồn gốc và hiện tượng mua sắm bốc đồng dẫn đến tỷ lệ hoàn hàng cao. Nhóm khách hàng sinh viên tại TP.HCM là đối tượng có độ nhạy cảm cao về giá, kiến thức chăm sóc da ngày càng nâng cao nhưng lại chịu tác động tâm lý mạnh mẽ từ các Key Opinion Leaders (KOLs) và Key Opinion Consumers (KOCs). Đồ án nghiên cứu ứng dụng này giải quyết bài toán: Xác định và định lượng hóa mức độ tác động của các thuộc tính từ người ảnh hưởng trên TikTok đến hành vi mua sắm mỹ phẩm trực tuyến thông qua livestream của sinh viên tại khu vực TP.HCM.

                KHUNG MỤC TIÊU NGHIÊN CỨU & ỨNG DỤNG

Mục tiêu cụ thể của dự án:

  1. Hệ thống hóa cơ sở lý luận: Tổng hợp các lý thuyết hành vi người tiêu dùng (TRA, TPB, TAM) và mô hình độ tin cậy nguồn phát (Source Credibility Model của Ohanian, 1990).
  2. Xác định các nhân tố cấu thành: Khám phá 5 nhân tố cốt lõi: Chuyên môn (CM), Sự thu hút (TH), Độ tin cậy (TC), Giá trị giải trí (GT) và Chất lượng thông tin (TT).
  3. Đo lường định lượng thực nghiệm: Phân tích hồi quy tuyến tính đa biến (Multiple Linear Regression) để xác định trọng số tác động ($\beta$) của từng nhân tố.
  4. Xây dựng giải pháp ứng dụng: Chuyển hóa kết quả thống kê thành khung chiến lược lựa chọn KOL/KOC và tối ưu kịch bản livestream bán lẻ mỹ phẩm cho doanh nghiệp D2C.

Phương pháp tiếp cận kết hợp giữa mô hình hóa kinh tế lượng và hệ thống phân tích dữ liệu khảo sát trực nghiệm. Dự án kỳ vọng giải thích trên 50% phương sai của hành vi mua hàng ($R^2 > 0.50$), cung cấp bộ chỉ số đo lường hiệu quả chuyển đổi thực tế. Phạm vi nghiên cứu tập trung vào sinh viên các trường đại học tại khu vực TP.HCM trong giai đoạn từ tháng 01/2023 đến tháng 04/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường mua sắm trực tuyến đối với ngành mỹ phẩm trải qua 3 giai đoạn chuyển dịch mô hình:

Tiêu chí E-Commerce truyền thống (Web/App) Video ngắn Affiliate (TikTok/Reels) Livestream Commerce (TikTok Live)
Tính tương tác Đơn chiều, thụ động Bất đồng bộ qua bình luận Thời gian thực (Real-time Two-way)
Trải nghiệm sản phẩm Hình ảnh/Văn bản tĩnh Video quay dựng sẵn (đã qua chỉnh sửa) Thử nghiệm trực tiếp trên da (Live Swatch)
Độ trễ quyết định Cao (tìm kiếm, so sánh giá) Trung bình (cần chuyển hướng link bio) Rất thấp (chốt đơn trực tiếp trong luồng Live)
Cơ chế kích thích Mã giảm giá tìm kiếm Nội dung sáng tạo ngắn Hiệu ứng khan hiếm, Flash Deal giới hạn

Phân tích yêu cầu hệ thống đánh giá theo mô hình MoSCoW:

  • Must-have: Mô hình hồi quy OLS không vi phạm các giả định (Đa cộng tuyến VIF < 2, Phân phối chuẩn phần dư, Phương sai phần dư đồng nhất); Hệ số Cronbach's Alpha $\ge 0.70$; EFA Factor Loading $\ge 0.50$.
  • Should-have: Bảng tính ma trận chấm điểm năng lực KOL/KOC dựa trên trọng số chuẩn hóa $\beta$; Cơ chế lọc dữ liệu khảo sát tự động.
  • Could-have: Module tích hợp API TikTok Shop để kéo dữ liệu tương tác (GMV, Conversion Rate, Retention Rate) thời gian thực.
  • Won't-have: Dự báo tài chính đa ngành ngoài danh mục mỹ phẩm chăm sóc da và trang điểm.

Thiết kế hệ thống

Kiến trúc giải pháp nghiên cứu và xử lý dữ liệu được thiết kế theo quy trình phân tầng chuẩn mực:

graph TD
    A[Thu thập dữ liệu khảo sát N=250] --> B[Lọc & Làm sạch Dữ liệu N=220]
    B --> C[Kiểm định Thang đo Cronbach's Alpha]
    C --> D[Phân tích Nhân tố Khám phá EFA]
    D --> E[Phân tích Tương quan Pearson]
    E --> F[Hồi quy Tuyến tính Đa biến OLS]
    F --> G[Kiểm định Vi phạm Giả định Hồi quy]
    G --> H[Khung Đánh giá KOL/KOC Scorecard]

Technology Stack phục vụ phân tích:

  • Ngôn ngữ & Thư viện: Python v3.10.12, Pandas v2.1.0, NumPy v1.24.3, Statsmodels v0.14.0, Scikit-learn v1.3.0, Seaborn v0.12.2.
  • Phần mềm Thống kê Chuyên dụng: IBM SPSS Statistics v25.0.
  • Lưu trữ & Quản trị Dữ liệu: PostgreSQL v15.3, schema cơ sở dữ liệu quan hệ lưu trữ biến quan sát.

Thiết kế cấu trúc dữ liệu lưu trữ kết quả nghiên cứu:

CREATE TABLE respondent_demographics (
    respondent_id VARCHAR(50) PRIMARY KEY,
    gender VARCHAR(10) NOT NULL,
    academic_year VARCHAR(20) NOT NULL,
    monthly_budget NUMERIC(12, 2) NOT NULL,
    tiktok_usage_hours NUMERIC(4, 2) NOT NULL
);

CREATE TABLE survey_measurements (
    response_id SERIAL PRIMARY KEY,
    respondent_id VARCHAR(50) REFERENCES respondent_demographics(respondent_id),
    expertise_score NUMERIC(3, 2) CHECK (expertise_score BETWEEN 1 AND 5),
    attractiveness_score NUMERIC(3, 2) CHECK (attractiveness_score BETWEEN 1 AND 5),
    trustworthiness_score NUMERIC(3, 2) CHECK (trustworthiness_score BETWEEN 1 AND 5),
    entertainment_score NUMERIC(3, 2) CHECK (entertainment_score BETWEEN 1 AND 5),
    info_quality_score NUMERIC(3, 2) CHECK (info_quality_score BETWEEN 1 AND 5),
    purchase_behavior_score NUMERIC(3, 2) CHECK (purchase_behavior_score BETWEEN 1 AND 5)
);

Methodology

Quy trình nghiên cứu triển khai theo phương pháp tiếp cận hỗn hợp (Mixed-method Research):

  1. Nghiên cứu định tính: Thảo luận nhóm tập trung (Focus Group Discussion) với sinh viên tại TP.HCM nhằm khám phá các khía cạnh hành vi đặc thù trên TikTok Live và hiệu chỉnh nội dung bảng câu hỏi Likert 5 mức độ.
  2. Nghiên cứu định lượng sơ bộ ($N = 60$): Đánh giá độ tin cậy sơ bộ của thang đo, loại bỏ các biến quan sát có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $< 0.30$.
  3. Nghiên cứu định lượng chính thức ($N = 220$): Khảo sát trực tuyến theo phương pháp chọn mẫu thuận tiện, tiến hành kiểm định EFA, ma trận tương quan Pearson và mô hình OLS.
  4. Quản trị rủi ro nghiên cứu: Kiểm soát sai số chọn mẫu (Sampling Bias) bằng cách đặt câu hỏi lọc đầu vào (chỉ chọn sinh viên đã từng xem livestream và phát sinh hành vi mua sắm mỹ phẩm trên TikTok).

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được cụ thể hóa thông qua mô hình kinh tế lượng hồi quy bội:

$$HV = \beta_0 + \beta_1 \cdot CM + \beta_2 \cdot TH + \beta_3 \cdot TC + \beta_4 \cdot GT + \beta_5 \cdot TT + \epsilon$$

Trong đó:

  • $HV$: Hành vi mua sắm mỹ phẩm trực tuyến qua Livestream
  • $CM$: Chuyên môn của người ảnh hưởng
  • $TH$: Sự thu hút của người ảnh hưởng
  • $TC$: Độ tin cậy của người ảnh hưởng
  • $GT$: Giá trị giải trí trong buổi phát trực tiếp
  • $TT$: Chất lượng thông tin cung cấp
  • $\epsilon$: Sai số ngẫu nhiên của mô hình

Pipeline phân tích hồi quy và kiểm định thống kê được triển khai bằng Python:

import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

def execute_econometric_pipeline(dataset_path: str):
    # 1. Tải và chuẩn bị dữ liệu
    df = pd.read_csv(dataset_path)
    feature_cols = ['ChuyenMon', 'ThuHut', 'TinCay', 'GiaiTri', 'ThongTin']
    target_col = 'HanhViMua'
    
    X = df[feature_cols]
    y = df[target_col]
    X_with_const = sm.add_constant(X)
    
    # 2. Ước lượng mô hình OLS
    ols_model = sm.OLS(y, X_with_const).fit()
    
    # 3. Tính toán hệ số phóng đại phương sai (VIF)
    vif_matrix = pd.DataFrame()
    vif_matrix["Variable"] = X_with_const.columns
    vif_matrix["VIF"] = [
        variance_inflation_factor(X_with_const.values, i) 
        for i in range(X_with_const.shape[1])
    ]
    
    return ols_model.summary(), vif_matrix

# Thực thi phân tích
# summary, vifs = execute_econometric_pipeline("tiktok_cosmetics_survey_n220.csv")

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha) và Phân tích EFA

Toàn bộ các thang đo đều đạt chuẩn độ tin cậy cao ($\alpha > 0.70$). Phân tích nhân tố khám phá EFA (Principal Axis Factoring với phép quay Promax/Varimax) cho kết quả hệ số $KMO = 0.884 > 0.50$, kiểm định Bartlett's Test có giá trị Sig. $= 0.000 < 0.05$, tổng phương sai trích đạt $> 55%$.

2. Kết quả hồi quy tuyến tính và Kiểm định giả thuyết

Giả thuyết Mối quan hệ Hệ số hồi quy chuẩn hóa ($\beta$) Giá trị $t$ Giá trị $p$ (Sig.) Hệ số VIF Kết luận
H5 Chuyên môn ($CM$) $\rightarrow HV$ 0.265 4.312 0.000 1.412 Chấp nhận
H3 Sự thu hút ($TH$) $\rightarrow HV$ 0.263 4.285 0.000 1.389 Chấp nhận
H2 Độ tin cậy ($TC$) $\rightarrow HV$ 0.234 3.821 0.000 1.456 Chấp nhận
H1 Giá trị giải trí ($GT$) $\rightarrow HV$ 0.168 2.764 0.006 1.298 Chấp nhận 
                       TRỌNG SỐ TÁC ĐỘNG (BETA)
Chuyên môn (CM)     [██████████████████████████] β = 0.265 (Tác động lớn nhất)
Sự thu hút (TH)     [█████████████████████████▌] β = 0.263 (Tác động thứ hai)
Độ tin cậy (TC)     [███████████████████████   ] β = 0.234 (Tác động thứ ba)
Giải trí (GT)       [████████████████          ] β = 0.168 (Tác động thứ tư)

Kết quả đạt được

  1. Năng lực giải thích của mô hình: Giá trị $R^2 = 0.507$ (Adjusted $R^2 = 0.498$), khẳng định 4 nhân tố trong mô hình giải thích được 50.7% sự biến thiên của hành vi mua sắm mỹ phẩm trực tuyến qua livestream của sinh viên TP.HCM.
  2. Kiểm định vi phạm giả định:
    • Giá trị thống kê Durbin-Watson đạt 1.892 (nằm trong khoảng $1.5 - 2.5$), không có hiện tượng tự tương quan chuỗi bậc nhất.
    • Hệ số $VIF < 1.5$ ở tất cả các biến, loại trừ hoàn toàn nguy cơ đa cộng tuyến.
    • Biểu đồ phân tán Scatter Plot và biểu đồ Histogram cho thấy phần dư chuẩn hóa tuân theo phân phối chuẩn và có phương sai đồng nhất.
  3. Thứ tự mức độ tác động: Kiến thức chuyên môn của KOL/KOC ($\beta = 0.265$) là yếu tố tiên quyết dẫn dắt quyết định mua, bám sát ngay sau là Sự thu hút ngoại hình/phong cách ($\beta = 0.263$), tiếp theo là Độ tin cậy ($\beta = 0.234$) và cuối cùng là Giá trị giải trí ($\beta = 0.168$).

Đổi mới và đóng góp

Đóng góp khoa học và kỹ thuật

Nghiên cứu mang lại những đóng góp học thuật và thực nghiệm quan trọng:

  1. Lấp đầy khoảng trống nghiên cứu (Research Gap): Đa phần các công trình trước đây (Võ Tường Vy, 2021; Phạm Thị Thùy Miên, 2020) chỉ dừng lại ở ý định mua sắm (Purchase Intention) chung trên mạng xã hội. Nghiên cứu này đi sâu vào hành vi mua sắm thực tế thông qua tính năng phát trực tiếp (Livestream Commerce) trên TikTok - nền tảng có độ trễ chuyển đổi cực ngắn.
  2. So sánh với các mô hình trước:
Công trình nghiên cứu Ngữ cảnh nghiên cứu Nhân tố tác động mạnh nhất Hệ số $R^2$
Phạm Thị Thùy Miên (2020) Thương hiệu Biti's (Giới trẻ) Đặc điểm cá nhân ($\beta = 0.251$) 43.2%
Võ Tường Vy (2021) Mua sắm TikTok tổng quát (Gen Z) Sự thu hút ($\beta = 0.476$) 48.6%
Đồ án này (La Thụy Phương Thảo, 2023) Mỹ phẩm TikTok Live (Sinh viên TP.HCM) Chuyên môn ($\beta = 0.265$) & Thu hút ($\beta = 0.263$) 50.7%
  1. Phát hiện mới về ngành mỹ phẩm: Khác với ngành hàng thời trang - nơi sự giải trí và độ nổi tiếng áp đảo, ngành hàng mỹ phẩm đòi hỏi tính chuyên môn hóa sâu (Skin-analysis, phân tích bảng thành phần AHA/BHA, Niacinamide, Retinol). Người mua thuộc phân khúc sinh viên đã chuyển từ tâm lý "xem giải trí rồi mua theo phong trào" sang "mua vì nhận thức được độ tương thích của sản phẩm với làn da".

Ứng dụng thực tế và triển khai

Khung chiến lược quản trị cho doanh nghiệp D2C Mỹ phẩm

Dựa trên trọng số hồi quy, doanh nghiệp cần triển khai mô hình 4 trụ cột khi vận hành chiến dịch TikTok Live:

                  CHIẾN LƯỢC TRIỂN KHAI TIKTOK LIVE COMMERCE
  1. Ma trận lựa chọn Influencer (Chuyên môn $\beta=0.265$ & Thu hút $\beta=0.263$): Ưu tiên hợp tác với các Beauty Blogger có nền tảng y dược, da liễu hoặc có kinh nghiệm điều trị da thực tế thay vì chỉ chọn các hot TikToker thuần giải trí.
  2. Kỹ thuật tổ chức Livestream (Độ tin cậy $\beta=0.234$): Trình chiếu trực tiếp giấy công bố mỹ phẩm của Bộ Y tế, kiểm tra mã vạch/tem chống hàng giả ngay trên luồng phát sóng; kết hợp soi da trực tiếp cho mẫu thử.
  3. Kịch bản tương tác (Giá trị giải trí $\beta=0.168$): Thiết kế nhịp độ phiên live cân bằng giữa kiến thức chuyên sâu (60% thời lượng) và các hoạt động hoạt náo, đấu giá, tung voucher độc quyền (40% thời lượng).

Hiệu quả tài chính và Lộ trình triển khai (ROI Projection)

  • Chi phí triển khai: Tối ưu hóa ngân sách booking bằng cách chuyển dịch từ KOL hạng macro sang dàn KOC micro/nano (tiết kiệm 45% chi phí cố định, tăng tỷ lệ hoa hồng Affiliate theo GMV).
  • Lợi nhuận kỳ vọng: Dự kiến nâng tỷ lệ giữ chân người xem (Live View Retention Rate) thêm 35%, tăng tỷ lệ chuyển đổi đơn hàng (Conversion Rate) từ mức trung bình 1.2% lên 2.8% - 3.5%, mang lại tỷ suất hoàn vốn ROI ước tính đạt $1:4.5$ sau 6 tháng áp dụng chuẩn hóa quy trình.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phương pháp

  1. Phương pháp lấy mẫu: Áp dụng lấy mẫu thuận tiện phi xác suất ($N = 220$), tập trung chủ yếu vào đối tượng sinh viên tại một số trường đại học ở TP.HCM, chưa bao quát toàn bộ các nhóm nhân khẩu học trẻ trên toàn quốc.
  2. Thiết kế nghiên cứu: Sử dụng dữ liệu cắt ngang (Cross-sectional data) tại một thời điểm, chưa phản ánh được sự biến thiên hành vi theo thời gian (Longitudinal tracking) khi thuật toán TikTok Shop thay đổi.
  3. Mô hình kinh tế lượng: Sử dụng hồi quy tuyến tính cổ điển OLS, chưa đi sâu vào mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) để phân tích các biến trung gian (Mediators) như Niềm tin thương hiệu hay Rủi ro cảm nhận.

Hướng phát triển tiếp theo

  • Mở rộng quy mô mẫu lên $N \ge 1000$ trên phạm vi đa tỉnh thành (Hà Nội, Đà Nẵng, TP.HCM).
  • Ứng dụng kỹ thuật phân tích PLS-SEM trên phần mềm SmartPLS 4 để kiểm định tác động trung gian và biến điều tiết (Moderating variables: Giới tính, Thu nhập).
  • Xây dựng hệ thống tự động hóa khai phá dữ liệu (Data Mining) từ TikTok Shop API nhằm phân tích cảm xúc (Sentiment Analysis) của người xem trong thời gian thực.

Đối tượng hưởng lợi

                              CÁC NHÓM HƯỞNG LỢI
  • Sinh viên & Người tiêu dùng trẻ: Nâng cao năng lực phản biện, nhận diện các bẫy tâm lý và nội dung quảng cáo sai lệch; đưa ra quyết định mua sắm mỹ phẩm an toàn, đúng với nhu cầu của làn da.
  • Doanh nghiệp & Nhà bán lẻ Mỹ phẩm: Sở hữu bộ khung tiêu chí định lượng để tuyển chọn Influencer, giảm thiểu rủi ro khủng hoảng truyền thông và tối ưu hóa tỷ lệ chuyển đổi đơn hàng trên TikTok Shop.
  • Nhà sáng tạo nội dung (KOL/KOC): Xác định rõ định hướng phát triển kênh bền vững: tập trung trau dồi tri thức chuyên môn và duy trì tính trung thực thay vì lạm dụng các chiêu trò giật gân ngắn hạn.
  • Giới nghiên cứu học thuật: Bổ sung bộ dữ liệu thực nghiệm chuẩn hóa về thương mại điện tử qua phát trực tiếp tại thị trường mới nổi Việt Nam, làm tiền đề cho các công trình phân tích đa biến chuyên sâu.

Câu hỏi thường gặp

1. Doanh nghiệp cần điều kiện kỹ thuật gì để triển khai phòng Livestream TikTok đạt chuẩn?

Doanh nghiệp cần chuẩn bị hệ thống phần cứng bao gồm: máy ảnh chuyên nghiệp có khả năng Clean HDMI Output kết nối qua Capture Card (Cam Link 4K), hệ thống ánh sáng 3 điểm (Key Light, Fill Light, Backlight) có chỉ số hoàn màu CRI $\ge 95$ để tái tạo chính xác màu sắc mỹ phẩm trên da, micro thu âm định hướng không dây (Wireless Lavalier Mic), đường truyền Internet cáp quang có băng thông upload tối thiểu 50 Mbps và phần mềm phát luồng như TikTok Live Studio hoặc OBS Studio.

2. Mô hình nghiên cứu này có thể mở rộng sang các ngành hàng khác không?

Mô hình có tính tương thích cao với các ngành hàng thuộc nhóm High-involvement (sản phẩm đòi hỏi mức độ cân nhắc cao) như thực phẩm chức năng, đồ công nghệ, thiết bị gia dụng thông minh. Tuy nhiên, đối với các ngành hàng Low-involvement (thời trang nhanh, đồ ăn vặt), trọng số của nhân tố Giá trị giải trí ($GT$) và Sự thu hút ($TH$) sẽ gia tăng đáng kể so với nhân tố Chuyên môn ($CM$).

3. Làm thế nào để doanh nghiệp tích hợp hệ thống đánh giá KOL với dữ liệu TikTok Shop?

Doanh nghiệp có thể đăng ký tài khoản TikTok for Business và kết nối với TikTok Shop Open API. Dữ liệu khảo sát từ mô hình có thể được kết hợp với các chỉ số hiệu suất từ API (gồm: Click-Through Rate - CTR, Conversion Rate - CVR, Average Order Value - AOV, Gross Merchandise Value - GMV) thông qua các công cụ Business Intelligence (Power BI, Tableau) để xây dựng Dashboard chấm điểm hiệu quả KOL theo thời gian thực.

4. Chi phí duy trì và đo lường định kỳ mô hình đánh giá Influencer là bao nhiêu?

Chi phí thu thập và phân tích dữ liệu định kỳ thông qua các nền tảng Social Listening và khảo sát trực tuyến dao động từ 10 - 25 triệu VND/quý. Khoản đầu tư này giúp doanh nghiệp tiết kiệm 20 - 40% ngân sách booking KOL không hiệu quả, mang lại lợi ích tài chính vượt trội so với chi phí vận hành.

5. Lộ trình hoàn vốn (ROI) khi doanh nghiệp chuyển dịch sang chiến lược Livestream chuyên môn hóa?

Doanh nghiệp thường mất từ 1 - 2 tháng đầu để thiết lập chuẩn mực quy trình và đào tạo đội ngũ KOC. Từ tháng thứ 3 đến tháng thứ 4, tỷ lệ hoàn hàng và chi phí chăm sóc khách hàng sau bán giảm 25 - 30%. Điểm hòa vốn đạt được ở tháng thứ 4 và tỷ suất sinh lời vượt trội (ROI $\ge 300%$) được thiết lập từ tháng thứ 6 trở đi.

Kết luận

Đồ án tốt nghiệp của tác giả La Thụy Phương Thảo dưới sự hướng dẫn khoa học của TS. Nguyễn Phúc Quý Thạnh tại Trường Đại học Ngân hàng TP.HCM (2023) đã giải quyết thành công bài toán lượng hóa tác động của người ảnh hưởng trên nền tảng TikTok đến hành vi mua sắm mỹ phẩm trực tuyến thông qua livestream của sinh viên TP.HCM. Bằng phương pháp nghiên cứu chặt chẽ trên mẫu khảo sát hợp lệ $N = 220$, công trình đã chứng minh mô hình hồi quy đạt độ tin cậy cao, giải thích được 50.7% biến động của hành vi mua hàng thực tế.

Kết quả nghiên cứu mang lại giá trị thực tiễn to lớn: khẳng định vị thế dẫn đầu của Kiến thức chuyên môn ($\beta = 0.265$) và Sự thu hút ($\beta = 0.263$), từ đó phá vỡ định kiến cho rằng livestream chỉ là công cụ thuần giải trí. Doanh nghiệp mỹ phẩm muốn phát triển bền vững trên môi trường số bắt buộc phải chuyển dịch trọng tâm sang việc chuyên nghiệp hóa nội dung, minh bạch chất lượng sản phẩm và tôn trọng trải nghiệm người tiêu dùng. Đây chính là kim chỉ nam chiến lược cho các nhà quản trị marketing trong việc tối ưu hóa hiệu quả đầu tư và xây dựng thương hiệu vững chắc trong kỷ nguyên Social Commerce.