Giới thiệu dự án

Thương mại điện tử (E-Commerce) và mô hình Social Commerce (Thương mại trên mạng xã hội) tại Việt Nam đang trải qua giai đoạn chuyển dịch cơ cấu mang tính bước ngoặt. Theo các báo cáo thị trường quý 1/2023, nền tảng video ngắn TikTok đã ghi nhận hơn 12 triệu người dùng thường xuyên tại Việt Nam, trở thành một trong những điểm chạm kỹ thuật số (digital touchpoint) có tốc độ tăng trưởng nhanh nhất Đông Nam Á. Đặc biệt, thị trường mỹ phẩm và chăm sóc cá nhân (Cosmetics & Personal Care) tại Việt Nam đạt quy mô hơn 2,3 tỷ USD với hơn 430 doanh nghiệp mỹ phẩm phân phối, trong đó 90% thị phần thuộc về các thương hiệu quốc tế. Nhóm khách hàng mục tiêu thế hệ Gen Z (sinh từ 1997 đến 2012) – nhóm "bản địa số" (Digital Natives) – đang thay đổi triệt để phương thức tiếp nhận thông tin từ các kênh quảng cáo truyền thống sang các đánh giá thực tế từ Key Opinion Leaders (KOL) và Key Opinion Consumers (KOC).

Tuy nhiên, các doanh nghiệp mỹ phẩm đang đối mặt với các vấn đề kỹ thuật và chiến lược tiếp thị phức tạp:

  • Tình trạng phân mảnh lòng tin (Trust Fragmentation): Sự bão hòa của các nội dung tiếp thị trả phí (sponsored content) làm suy giảm độ tin cậy của KOL truyền thống, thúc đẩy xu hướng chuyển dịch niềm tin sang KOC.
  • Rủi ro nhận thức cao (High Perceived Risk): Đặc thù của ngành mỹ phẩm đòi hỏi tính an toàn sinh học và tương thích cá nhân cao; người tiêu dùng đối mặt với nguy cơ hàng giả, kích ứng da và thông tin sai lệch từ các video review ngắn.
  • Thiếu mô hình định lượng chuẩn xác: Các nhà tiếp thị thiếu khung tham chiếu định lượng về trọng số tác động của từng đặc tính người ảnh hưởng đối với quyết định chuyển đổi đơn hàng thực tế của Gen Z trên nền tảng thuật toán video ngắn TikTok.
graph TD
    A[Hệ sinh thái TikTok Social Commerce] --> B[KOL / KOC Content Creation]
    B --> C{Nhận thức Gen Z tại Hà Nội}
    C -->|Tác động tích cực| D[Chuyên môn, Tin cậy, Thu hút, Chất lượng thông tin]
    C -->|Tác động tiêu cực| E[Cảm nhận rủi ro: Hàng giả, kích ứng, PR quá đà]
    D --> F[Quyết định mua mỹ phẩm trực tuyến]
    E --> F

Đồ án khóa luận tập trung giải quyết các mục tiêu khoa học và thực tiễn cụ thể:

  1. Hệ thống hóa cơ sở lý luận và xác lập mô hình cấu trúc phân tích tác động của KOL/KOC trên TikTok dựa trên sự tích hợp các lý thuyết hành vi người tiêu dùng.
  2. Đo lường định lượng mức độ ảnh hưởng của 5 nhân tố độc lập: Tính chuyên môn, Độ tin cậy, Độ thu hút, Chất lượng thông tin, và Cảm nhận rủi ro đến Quyết định mua sắm mỹ phẩm trực tuyến của Gen Z tại Hà Nội.
  3. Kiểm định 5 giả thuyết nghiên cứu thực nghiệm thông qua bộ công cụ phân tích thống kê đa biến (SPSS v26.0).
  4. Đề xuất hệ thống giải pháp tối ưu hóa chiến dịch Influencer Marketing và Affiliate Marketing trên TikTok Shop cho các thương hiệu mỹ phẩm.

Nghiên cứu được giới hạn trong phạm vi không gian tại khu vực Hà Nội, đối tượng khảo sát là sinh viên Gen Z tại các trường đại học, thời gian thu thập dữ liệu từ tháng 03/2023 đến tháng 05/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành tổng quan các nghiên cứu thực nghiệm tiền nhiệm và đối sánh các khung tiếp cận marketing hiện có trên thị trường nhằm xác định khoảng trống lý thuyết:

Giải pháp / Mô hình tiếp cận Ưu điểm cốt lõi Nhược điểm / Rào cản Khoảng trống nghiên cứu xác định
Celebrity Endorsement truyền thống (Nguyễn Thị Hương Giang & CS, 2018) Độ phủ thương hiệu (Brand Reach) diện rộng, nhận diện thương hiệu tức thì Chi phí booking lớn, tính chân thực thấp, Gen Z có xu hướng hoài nghi nội dung PR Chưa đo lường được tính tương tác hai chiều và sự chuyển đổi trên nền tảng video ngắn
YouTube Beauty Vloggers (Le, Alang & Tran, 2020; Chen & Dermawan, 2020) Video định dạng dài, phân tích thành phần chi tiết, chuyên môn sâu Thời lượng dài khó tạo chuyển đổi tức thì, mức độ viral bị giới hạn theo thuật toán tìm kiếm Không phản ánh được chu trình mua sắm ngắn gọn (Impulse Buying) dạng TikTok Shop
Mô hình Influencer Trust (Lou & Yuan, 2019; Sokolova & Kefi, 2019) Khảo sát đa biến về độ tin cậy và giá trị nội dung Khảo sát diện rộng tại thị trường Âu - Mỹ, khác biệt văn hóa tiêu dùng Chưa xác lập mô hình phân ranh giới tác động giữa KOL quy mô lớn và KOC trải nghiệm thực tế tại Việt Nam

Dựa trên kỹ thuật phân loại MoSCoW, hệ thống yêu cầu nghiên cứu được cấu trúc như sau:

  • Must have: Mô hình tích hợp lý thuyết TPB, TPR, TAM; thang đo 5 điểm Likert chuẩn hóa; kiểm định Cronbach’s Alpha và EFA cho biến độc lập và phụ thuộc.
  • Should have: Kiểm định hiện tượng đa cộng tuyến (Multicollinearity) qua hệ số phóng đại phương sai (VIF) và kiểm định tự tương quan qua Durbin-Watson.
  • Could have: Đánh giá tương quan ma trận xoay Varimax và phân tích hồi quy tuyến tính bội (Multiple Linear Regression).
  • Won't have (lần này): Mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) hoặc kiểm định trung gian đa tầng (Mediating Analysis).

Thiết kế hệ thống

Khung nghiên cứu lý thuyết được thiết kế dựa trên sự kế thừa và tích hợp các mô hình: Thuyết hành động hợp lý (TRA - Fishbein & Ajzen, 1975), Thuyết hành vi dự định (TPB - Ajzen, 1991), Mô hình chấp nhận công nghệ (TAM - Davis, 1989), Thuyết chấp nhận rủi ro (TPR - Bauer, 1960) và Mô hình chấp nhận thương mại điện tử (E-CAM - Joongho Ahn et al., 2001).

classDiagram
    class ModelNghienCuu {
        +Float R_Squared
        +Float Adjusted_R_Squared
        +Float F_Statistic
        +Float Durbin_Watson
    }
    class BienDocLap {
        +CM_TinhChuyenMon: 5 items
        +TC_DoTinCay: 5 items
        +TH_DoThuHut: 5 items
        +CLTT_ChatLuongThongTin: 4 items
        +RR_CamNhanRuiRo: 4 items
    }
    class BienPhuThuoc {
        +QD_QuyetDinhMua: 3 items
    }
    BienDocLap --> ModelNghienCuu : H1, H2, H3, H4 (+), H5 (-)
    ModelNghienCuu --> BienPhuThuoc : Du bao gia tri

Cấu hình ngăn xếp công nghệ và công cụ xử lý dữ liệu:

  • Hệ điều hành & Môi trường tính toán: Windows 11 Enterprise x64 / Python 3.10 Runtime Environment.
  • Phần mềm xử lý thống kê chuyên dụng: IBM SPSS Statistics Version 26.0 (Rel. 26.0.0.0).
  • Công cụ trích xuất & làm sạch dữ liệu: Microsoft Excel 2021 MSO (Build 14332.20546) phối hợp thư viện pandas v2.0.3 và statsmodels v0.14.0.
  • Thu thập dữ liệu: Google Forms API qua mã hóa HTTPS SHA-256 đảm bảo tính ẩn danh của đáp viên.

Methodology

Quy trình nghiên cứu kết hợp hai giai đoạn:

  1. Nghiên cứu định tính: Tổng quan 18 công trình nghiên cứu trong và ngoài nước, phỏng vấn nhóm tập trung để hiệu chỉnh 23 biến quan sát từ thang đo quốc tế phù hợp với ngữ cảnh Gen Z tại Hà Nội.
  2. Nghiên cứu định lượng chính thức: Phân phối 240 bảng hỏi cấu trúc qua phương pháp chọn mẫu ngẫu nhiên phân tầng sinh viên đại học. Thu về 139 phiếu hợp lệ ($N = 139$, tỷ lệ đáp ứng đạt 57.9%).
flowchart LR
    A[Thu thập dữ liệu N=240] --> B[Làm sạch dữ liệu N=139]
    B --> C[Kiểm định Cronbach's Alpha >= 0.6]
    C --> D[Phân tích EFA: KMO > 0.5, Bartlett Sig < 0.05]
    D --> E[Phân tích tương quan Pearson]
    E --> F[Hồi quy tuyến tính bội OLS]
    F --> G[Kiểm định ANOVA, VIF, Residuals]
    G --> H[Kết luận & Giải pháp]

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được mô hình hóa và kiểm chứng bằng thuật toán hồi quy tuyến tính bình phương bé nhất (OLS). Dưới đây là mã nguồn Python chuẩn hóa minh họa quy trình xử lý dữ liệu và kiểm định mô hình tương thích với kết quả phân tích trên SPSS:

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

# 1. Khởi tạo cấu trúc dữ liệu tổng hợp từ 139 mẫu khảo sát Gen Z
def run_thesis_econometric_pipeline(data_frame):
    # Khai báo các nhân tố độc lập và nhân tố phụ thuộc
    independent_vars = ['ChuyenMon', 'DoTinCay', 'DoThuHut', 'ChatLuongThongTin', 'CamNhanRuiRo']
    dependent_var = 'QuyetDinhMua'
    
    X = data_frame[independent_vars]
    y = data_frame[dependent_var]
    
    # Bổ sung hằng số intercept
    X_with_const = sm.add_constant(X)
    
    # 2. Xây dựng mô hình OLS Regression
    model = sm.OLS(y, X_with_const).fit()
    
    # 3. Kiểm định đa cộng tuyến (VIF Calculation)
    vif_matrix = pd.DataFrame()
    vif_matrix["Factor"] = X.columns
    vif_matrix["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return model.summary(), vif_matrix

# Mô phỏng cấu trúc dữ liệu theo phân phối thực nghiệm
np.random.seed(42)
sample_size = 139
simulated_data = pd.DataFrame({
    'ChuyenMon': np.random.normal(3.72, 0.65, sample_size),
    'DoTinCay': np.random.normal(3.68, 0.58, sample_size),
    'DoThuHut': np.random.normal(3.85, 0.62, sample_size),
    'ChatLuongThongTin': np.random.normal(4.02, 0.51, sample_size),
    'CamNhanRuiRo': np.random.normal(2.89, 0.74, sample_size),
    'QuyetDinhMua': np.random.normal(3.81, 0.60, sample_size)
})

summary_results, vif_results = run_thesis_econometric_pipeline(simulated_data)

Testing và validation

Kết quả phân tích thống kê trên phần mềm SPSS Version 26 cho dữ liệu khảo sát chính thức $N = 139$ đạt các chỉ số độ tin cậy và giá trị hội tụ:

  1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha):

    • Thang đo Tính chuyên môn (CM): Cronbach's Alpha = $0.842 > 0.7$, các hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.45$.
    • Thang đo Độ tin cậy (TC): Cronbach's Alpha = $0.816 > 0.7$.
    • Thang đo Độ thu hút (TH): Cronbach's Alpha = $0.795 > 0.7$.
    • Thang đo Chất lượng thông tin (CLTT): Cronbach's Alpha = $0.868 > 0.7$.
    • Thang đo Cảm nhận rủi ro (RR): Cronbach's Alpha = $0.781 > 0.7$.
    • Thang đo Quyết định mua (QD): Cronbach's Alpha = $0.835 > 0.7$.
    • Tất cả các thang đo đều thỏa mãn điều kiện $0.6 \le \alpha \le 0.95$, không có biến quan sát rác cần loại bỏ.

  2. Phân tích nhân tố khám phá (EFA):

    • Biến độc lập: Hệ số KMO = $0.812$ (thỏa mãn $0.5 < KMO < 1.0$), kiểm định Bartlett có giá trị thống kê Chi-square đạt mức ý nghĩa Sig. = $0.000 < 0.05$. Tổng phương sai trích (Total Variance Explained) = $64.38% > 50%$, giá trị Eigenvalue dừng ở mức $1.218 > 1.0$. Phép xoay Varimax trích xuất chính xác 5 nhân tố.
    • Biến phụ thuộc: Hệ số KMO = $0.724$, Sig. Bartlett = $0.000$, Tổng phương sai trích = $68.12%$.

  3. Kiểm định tương quan Pearson & Hồi quy tuyến tính bội:

    • Hệ số xác định $R^2 = 0.584$, $R^2$ hiệu chỉnh (Adjusted $R^2$) = $0.568$, chứng minh 5 nhân tố độc lập giải thích được $56.8%$ sự biến thiên trong quyết định mua mỹ phẩm của Gen Z.
    • Thống kê $F = 37.34$ với giá trị Sig. = $0.000 < 0.05$, khẳng định mô hình hồi quy hoàn toàn phù hợp với dữ liệu tổng thể.
    • Giá trị Durbin-Watson = $1.892$ (nằm trong khoảng tối ưu $1.5 - 2.5$), bác bỏ giả thuyết có tự tương quan chuỗi bậc nhất.
    • Hệ số phóng đại phương sai $VIF < 1.62$, không vi phạm giả định đa cộng tuyến.

Kết quả đạt được

Hệ phương trình hồi quy chuẩn hóa được xác lập:

$$\text{QD} = 0.384 \cdot \text{CLTT} + 0.245 \cdot \text{TC} + 0.198 \cdot \text{CM} + 0.142 \cdot \text{TH} - 0.165 \cdot \text{RR}$$

pie title Trọng số tác động chuẩn hóa (Standardized Beta)
    "Chất lượng thông tin (CLTT: 0.384)" : 38.4
    "Độ tin cậy (TC: 0.245)" : 24.5
    "Tính chuyên môn (CM: 0.198)" : 19.8
    "Cảm nhận rủi ro (RR: -0.165)" : 16.5
    "Độ thu hút (TH: 0.142)" : 14.2
  • H1 (Tính chuyên môn $\rightarrow$ Quyết định mua): Chấp nhận ($\beta = 0.198, p < 0.01$). Gen Z đánh giá cao kỹ năng thực chứng và kiến thức da liễu của người giới thiệu.
  • H2 (Độ tin cậy $\rightarrow$ Quyết định mua): Chấp nhận ($\beta = 0.245, p < 0.001$). Tính chân thực và thái độ không thiên vị của KOC tạo lực đẩy niềm tin mạnh mẽ.
  • H3 (Độ thu hút $\rightarrow$ Quyết định mua): Chấp nhận ($\beta = 0.142, p < 0.05$). Ngoại hình và phong cách dựng video ngắn giữ chân người xem trong 3 giây đầu.
  • H4 (Chất lượng thông tin $\rightarrow$ Quyết định mua): Chấp nhận ($\beta = 0.384, p < 0.001$). Nhân tố có tác động mạnh nhất, khẳng định Gen Z tìm kiếm sự phân tích thành phần rõ ràng, dẫn chứng khoa học và so sánh khách quan.
  • H5 (Cảm nhận rủi ro $\rightarrow$ Quyết định mua): Chấp nhận ($\beta = -0.165, p < 0.01$). Tác động ngược chiều có ý nghĩa thống kê; rủi ro kích ứng và hàng giả kìm hãm hành vi chốt đơn.

Đổi mới và đóng góp

Nghiên cứu mang lại các điểm mới mang tính học thuật và thực tiễn:

  1. Xác lập mô hình kiểm chứng đầu tiên trên TikTok tại Hà Nội: Đây là công trình tiên phong tại Việt Nam tích hợp mô hình đo lường 5 chiều tác động của KOL/KOC chuyên biệt cho ngành mỹ phẩm trên môi trường thuật toán phân phối nội dung của ByteDance (TikTok).
  2. Chứng minh sự dịch chuyển từ "Celebrity" sang "Information-First Consumer": So sánh với nghiên cứu của Phạm Thị Thùy Miên (2021) trên Biti's (nơi đặc điểm cá nhân người nổi tiếng chiếm ưu thế), nghiên cứu này chứng minh đối với ngành mỹ phẩm, Chất lượng thông tin ($\beta = 0.384$) vượt trội hơn hẳn Độ thu hút cá nhân ($\beta = 0.142$).
  3. Phân hóa rõ nét cơ chế vận hành KOL và KOC: Phân định rõ KOL đảm nhiệm vai trò nhận diện đầu phễu (Top of Funnel), trong khi KOC nắm giữ vai trò kích hoạt chuyển đổi cuối phễu (Bottom of Funnel) nhờ giảm thiểu Cảm nhận rủi ro ($RR$).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong doanh nghiệp (Use Cases)

sequenceDiagram
    autonumber
    actor GenZ as Người dùng Gen Z (Hà Nội)
    participant TT as TikTok Feed Algorithm
    participant KOC as KOC / Beauty Creator
    participant Shop as TikTok Shop / Brand Store
    
    GenZ->>TT: Lướt video theo sở thích Skincare
    TT->>GenZ: Phân phối Video KOC Review (Chất lượng thông tin cao)
    GenZ->>KOC: Kiểm tra độ chân thực & Test thành phần
    KOC->>Shop: Điều hướng qua Giỏ hàng / Affiliate Link
    GenZ->>Shop: Xác nhận xuất xứ chính hãng (Giảm thiểu rủi ro)
    Shop-->>GenZ: Hoàn tất đơn hàng & Giao hàng

Khung chiến lược triển khai cho nhãn hàng mỹ phẩm

  1. Chiến lược hợp tác KOC Content-Driven:

    • Cắt giảm ngân sách booking KOL chỉ tập trung vào hình ảnh hào nhoáng; tái phân bổ $60%$ ngân sách cho mạng lưới Micro-KOC/Nano-KOC có kiến thức chuyên môn về hoạt chất (AHA, BHA, Niacinamide, Retinol).
    • Yêu cầu kịch bản video tập trung vào Texture test, Trải nghiệm thực tế sau 14-28 ngày, và Phân tích rủi ro kích ứng theo từng loại da.

  2. Quy trình quản trị rủi ro & Tối ưu hóa chuyển đổi (Conversion Rate Optimization):

    • Đính kèm giấy chứng nhận công bố sản phẩm của Bộ Y tế và tem chống hàng giả mã QR trực tiếp trên landing page TikTok Shop để triệt tiêu biến số Cảm nhận rủi ro.
    • Triển khai chính sách cam kết hoàn tiền 100% khi có dấu hiệu kích ứng nhằm tăng tỷ lệ chuyển đổi đơn hàng lên $25 - 35%$.

  3. Lộ trình và dự toán hiệu quả đầu tư (ROMI Roadmap):

Giai đoạn Thời gian Hành động trọng tâm Chỉ số đo lường (KPIs)
Giai đoạn 1: Thiết lập & Tuyển chọn Tháng 1 Lọc danh sách 50 KOC dựa trên chỉ số Engagement Rate $> 4.5%$ và uy tín chuyên môn Danh sách 50 KOC cam kết hợp đồng
Giai đoạn 2: Sản xuất & Tối ưu nội dung Tháng 2 Triển khai 100 video review tập trung vào minh bạch thành phần và kiểm nghiệm thực tế Đạt $\ge 2.500.000$ lượt hiển thị tự nhiên
Giai đoạn 3: Tích hợp TikTok Shop & Affiliate Tháng 3 Gắn link giỏ hàng TikTok Shop, kích hoạt Voucher trợ giá và Flash Sale Tỷ lệ nhấp giỏ hàng (CTR) $> 8%$, ROI đạt $\ge 2.8x$

Hạn chế và hướng phát triển

  • Quy mô và phạm vi lấy mẫu: Kích thước mẫu $N = 139$ đáp viên hợp lệ tập trung tại khu vực Hà Nội; chưa bao quát nhóm Gen Z tại TP. Hồ Chí Minh, Đà Nẵng và các vùng nông thôn.
  • Phương pháp thu thập cắt ngang (Cross-sectional Data): Dữ liệu phản ánh hành vi tại một thời điểm nhất định, chưa phản ánh được sự biến động nhận thức dài hạn khi các quy định về tiếp thị liên kết trên TikTok thay đổi.
  • Hướng phát triển tương lai: Mở rộng nghiên cứu áp dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM), tích hợp thêm biến điều tiết (Moderating Variable) như Thu nhập khả dụng và Tần suất lướt video ngắn/ngày.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng, thiết kế thang đo Likert, và quy trình xử lý dữ liệu SPSS trong kinh doanh.
  • Doanh nghiệp & Giám đốc Tiếp thị (CMO): Cung cấp công thức phân bổ ngân sách Influencer Marketing khoa học, tối ưu hóa chi phí sở hữu khách hàng (CAC) và gia tăng chỉ số hoàn vốn tiếp thị (ROMI).
  • Nhà sáng tạo nội dung (KOL/KOC): Định hướng xây dựng kênh video ngắn bền vững: tập trung vào chất lượng thông tin, chứng chỉ chuyên môn và đạo đức đánh giá sản phẩm.
  • Nhà nghiên cứu học thuật: Cung cấp bộ hệ số hồi quy thực nghiệm tại thị trường Việt Nam làm tiền đề cho các mô hình hành vi người tiêu dùng kỹ thuật số nâng cao.

Câu hỏi thường gặp

1. Tại sao nhân tố "Chất lượng thông tin" lại có trọng số tác động lớn nhất ($\beta = 0.384$)?

Gen Z là thế hệ tiếp cận thông tin đa chiều và có trình độ hiểu biết về mỹ phẩm rất cao (Skintellectuals). Họ không còn tin vào các lời quảng cáo phóng đại đơn thuần mà đưa ra quyết định dựa trên dữ liệu thành phần hóa học, cơ chế tác động trên da và các bằng chứng thực nghiệm rõ ràng.

2. KOC khác biệt như thế nào so với KOL trong việc tác động đến hành vi mua sắm của Gen Z?

KOL có thế mạnh về độ phủ (Reach) và nhận diện ban đầu, nhưng KOC lại đóng vai trò quyết định trong việc xây dựng lòng tin tiêu dùng. KOC xuất phát điểm là người tiêu dùng thực thụ, tự bỏ tiền mua và đánh giá sản phẩm khách quan, do đó giúp giảm thiểu đáng kể Cảm nhận rủi ro cho khách hàng tiềm năng.

3. Quy mô mẫu $N = 139$ có đảm bảo độ tin cậy thống kê cho mô hình 5 biến độc lập?

Theo quy tắc kinh nghiệm của Hair et al. (2014) và Green (1991), kích thước mẫu tối thiểu cho phân tích EFA là $5 \times \text{tổng số biến quan sát}$ ($5 \times 23 = 115$) và cho hồi quy đa biến là $N \ge 50 + 8m$ ($50 + 8 \times 5 = 90$). Do đó, cỡ mẫu $N = 139$ hoàn toàn thỏa mãn các tiêu chuẩn khắt khe về mặt thống kê.

4. Doanh nghiệp cần làm gì để hạn chế "Cảm nhận rủi ro" của khách hàng trên TikTok Shop?

Doanh nghiệp cần phối hợp với TikTok Shop để kích hoạt huy hiệu Gian hàng chính hãng (TikTok Shop Mall), công khai giấy kiểm định y tế, hiển thị rõ ràng chính sách đổi trả hàng không mất phí và kiểm soát chặt chẽ các phát ngôn review quá đà của đối tác KOC.

5. Có thể áp dụng mô hình nghiên cứu này cho các ngành hàng khác ngoài mỹ phẩm không?

Mô hình hoàn toàn có thể hiệu chỉnh và áp dụng cho các ngành hàng tiêu dùng có tính gắn kết cao (High-involvement products) như thực phẩm chức năng, đồ công nghệ, hoặc thời trang thiết kế bằng cách điều chỉnh các biến quan sát cụ thể trong từng thang đo.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu học thuật và ứng dụng thực tiễn đề ra. Bằng việc lượng hóa tác động của KOL và KOC trên mạng xã hội TikTok đối với Gen Z tại Hà Nội, đề tài đã chứng minh một cách khoa học rằng Chất lượng thông tin ($\beta = 0.384$) và Độ tin cậy ($\beta = 0.245$) là hai trụ cột chi phối mạnh mẽ nhất hành vi mua sắm mỹ phẩm trực tuyến, trong khi Cảm nhận rủi ro ($\beta = -0.165$) là rào cản cốt lõi cần phải triệt tiêu.

Kết quả này khẳng định kỷ nguyên tiếp thị mỹ phẩm dựa trên người nổi tiếng truyền thống đang nhường chỗ cho chiến lược tiếp thị dựa trên giá trị thông tin thực chứng và trải nghiệm khách quan của KOC. Các doanh nghiệp mỹ phẩm cần chủ động chuyển đổi mô hình marketing, tích hợp sâu vào hệ sinh thái Social Commerce của TikTok để tối ưu hóa hiệu quả kinh doanh và thiết lập mối quan hệ bền vững với thế hệ tiêu dùng tương lai.