Giới thiệu dự án

Sự bùng nổ của thương mại điện tử (E-commerce) và truyền thông kỹ thuật số tại Việt Nam đã định hình lại căn bản hành vi người tiêu dùng, đặc biệt là thế hệ sinh viên (Gen Z). Theo báo cáo thị trường số của We Are Social (2023), Việt Nam ghi nhận 70 triệu người dùng mạng xã hội (tương đương 71% dân số), với thời gian sử dụng internet trung bình đạt trên 6 giờ/ngày. Bối cảnh này thúc đẩy sự trỗi dậy của Tiếp thị người có tầm ảnh hưởng (Influencer Marketing / Key Opinion Leaders - KOLs), trở thành kênh phân phối thông tin và chuyển đổi doanh số hàng đầu.

Tuy nhiên, bài toán tối ưu hóa chuyển đổi từ nội dung truyền thông của KOLs sang hành vi mua hàng trực tuyến thực tế vẫn là thách thức lớn đối với doanh nghiệp. Các doanh nghiệp đối mặt với "pain points" cốt lõi: chi phí phân bổ ngân sách tiếp thị KOLs cao nhưng tỷ lệ chuyển đổi không đồng đều, thiếu dữ liệu lượng hóa mức độ tác động của từng đặc tính KOLs đến tâm lý sinh viên, và khó khăn trong việc chọn lọc đúng phân khúc KOL (Celebrity, Macro-influencer, Micro-influencer hay Nano-influencer).

Dự án nghiên cứu giải quyết bài toán trên thông qua đề tài: "Các yếu tố của KOLs ảnh hưởng đến ý định mua hàng trực tuyến của sinh viên Trường Đại học Ngân hàng TP. Hồ Chí Minh" do tác giả Nguyễn Thanh Vy thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Trọng Hưng (Ngành Quản trị Kinh doanh, Mã số: 7340101, Khóa 2020 – 2024).

                      MÔ HÌNH HỆ THỐNG BIẾN NGHIÊN CỨU
+-----------------------------------+
|  1. Mức độ phổ biến (MDPB)        |-----+
|  2. Độ tin cậy (DTC)              |     |
|  3. Chuyên môn (CM)               |     +---> [ Ý định mua sắm trực tuyến (YDMHTT) ]
|  4. Sự tương tác (STT)            |     |
|  5. Sự thu hút (STH)              |-----+
+-----------------------------------+

Mục tiêu dự án

  1. Xác định các nhân tố cấu thành của KOLs: Đo lường các chiều không gian ảnh hưởng (Mức độ phổ biến - MDPB, Độ tin cậy - DTC, Chuyên môn - CM, Sự tương tác - STT, Sự thu hút - STH).
  2. Lượng hóa mức độ tác động: Đánh giá định lượng tác động tuyến tính của từng nhóm nhân tố KOLs lên ý định mua sắm trực tuyến (YDMHTT).
  3. Kiểm định sai biệt đa nhóm: Phân tích sự khác biệt ý định mua sắm theo giới tính, năm học, thời gian sử dụng mạng xã hội và tần suất mua hàng.
  4. Đề xuất khung giải pháp quản trị: Cung cấp chiến lược ra quyết định chọn lựa và khai thác KOLs cho doanh nghiệp bán lẻ trực tuyến.

Phạm vi và giới hạn nghiên cứu

  • Không gian nghiên cứu: Trường Đại học Ngân hàng TP. Hồ Chí Minh (HUB).
  • Thời gian triển khai dữ liệu: Tháng 02/2024 đến tháng 04/2024.
  • Đối tượng khảo sát: $N = 241$ sinh viên đang theo học tại HUB có hành vi theo dõi KOLs và mua sắm trực tuyến.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các mô hình tiếp cận trước đây để xác định khoảng trống lý thuyết và thực nghiệm:

Nghiên cứu & Tác giả Mô hình áp dụng Nhân tố khảo sát Giới hạn / Khoảng trống
Hậu Lê (2022) SEM / PLS-SEM Niềm tin, Sự hấp dẫn, Uy tín, Nhận thức hữu ích Mẫu diện rộng, chưa chuyên biệt hóa nhóm Gen Z / Sinh viên
Phạm Minh et al. (2021) EFA & Hồi quy OLS Độ tin cậy, Chuyên môn, Sức hấp dẫn Bỏ qua yếu tố Tương tác đa chiều (Livestream, giải đáp real-time)
Đề tài HUB (2024) TPB + TAM + EFA/OLS MDPB, DTC, CM, STT, STH Tích hợp yếu tố tương tác kỹ thuật số, phân tích sâu phân khúc sinh viên kinh tế

Yêu cầu phân tích dữ liệu được lượng hóa theo chuẩn MoSCoW:

  • Must-have: Kiểm định độ tin cậy thang đo Cronbach's Alpha ($\alpha \ge 0.6$), Phân tích nhân tố khám phá EFA (KMO $\ge 0.5$, Sig. Bartlett $< 0.05$), Hồi quy tuyến tính bội OLS.
  • Should-have: Kiểm định đa cộng tuyến (VIF $< 10$, Tolerance $> 0.1$), Kiểm định phân phối chuẩn phần dư.
  • Could-have: Phân tích phương sai One-way ANOVA và Independent T-Test kiểm định biến nhân khẩu học.
  • Won't-have: Mô hình phương trình cấu trúc phi tuyến tính (Non-linear SEM).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu định lượng tích hợp quy chuẩn thống kê học:

[ Dữ liệu thô (Google Forms) ] 
[ Data Cleaning (N=256 -> N=241) ] 
[ Pipeline Phân tích Thống kê (SPSS Statistics v26.0 / Python Statsmodels) ]

Technology Stack

  • Engine phân tích: IBM SPSS Statistics v26.0, Python 3.10 (statsmodels v0.14.0, scikit-learn v1.3.0, pandas v2.1.0).
  • Thu thập dữ liệu: Google Forms API & Sheet Connector.
  • Thang đo: Thang Likert 5 mức độ (1 = Hoàn toàn không đồng ý $\rightarrow$ 5 = Hoàn toàn đồng ý) với 26 biến quan sát.

Methodology

Quy trình nghiên cứu áp dụng quy chuẩn 6 bước chuẩn mực trong nghiên cứu định lượng xã hội học hành vi:

Xác định đề tài & Giả thuyết

Ma trận giả thuyết nghiên cứu:

  • H1: Sự cảm nhận về mức độ phổ biến (MDPB) tác động tích cực (+) đến Ý định mua sắm trực tuyến (YDMHTT).
  • H2: Độ tin cậy (DTC) tác động tích cực (+) đến YDMHTT.
  • H3: Chuyên môn (CM) tác động tích cực (+) đến YDMHTT.
  • H4: Sự tương tác (STT) tác động tích cực (+) đến YDMHTT.
  • H5: Sự thu hút (STH) tác động tích cực (+) đến YDMHTT.

Implementation và kết quả

Development process

Triển khai cấu trúc thuật toán xử lý dữ liệu và ước lượng hệ số hồi quy được mô hình hóa bằng mã nguồn chuẩn hóa (Python / statsmodels):

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

# Khởi tạo mô hình ước lượng định lượng hồi quy OLS
def evaluate_kol_impact_model(dataset_path: str):
    df = pd.read_csv(dataset_path)
    
    # Danh sách biến độc lập và biến phụ thuộc
    independent_vars = ['MDPB', 'DTC', 'CM', 'STT', 'STH']
    dependent_var = 'YDMHTT'
    
    X = df[independent_vars]
    y = df[dependent_var]
    
    # Bổ sung hằng số (Intercept)
    X_with_const = sm.add_constant(X)
    
    # Ước lượng mô hình OLS
    ols_model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán hệ số phóng đại phương sai (VIF)
    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 ols_model.summary(), vif_matrix

# Thuật toán tính toán Cronbach's Alpha
def calculate_cronbach_alpha(item_scores: pd.DataFrame) -> float:
    k = item_scores.shape[1]
    item_variances = item_scores.var(axis=0, ddof=1)
    total_score = item_scores.sum(axis=1)
    total_variance = total_score.var(ddof=1)
    return (k / (k - 1)) * (1 - (item_variances.sum() / total_variance))

Testing và validation

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

Toàn bộ thang đo độc lập và phụ thuộc đều vượt ngưỡng độ tin cậy $\alpha \ge 0.6$, hệ số tương quan biến - tổng ($Corrected\ Item-Total\ Correlation$) $> 0.3$:

  • MDPB (4 biến quan sát): $\alpha = 0.689$ (Item-Total min = 0.427)
  • DTC (5 biến quan sát): $\alpha = 0.962$ (Item-Total min = 0.804)
  • CM (4 biến quan sát): $\alpha = 0.968$ (Item-Total min = 0.875)
  • STT (4 biến quan sát): $\alpha = 0.781$ (Item-Total min = 0.492)
  • STH (4 biến quan sát): $\alpha = 0.732$ (Item-Total min = 0.428)
  • YDMHTT (5 biến quan sát): $\alpha = 0.780$ (Item-Total min = 0.441)

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định mẫu biến độc lập:
    • Hệ số KMO ($Kaiser-Meyer-Olkin$) = $0.812 > 0.5$ (Dữ liệu hoàn toàn thích hợp).
    • Kiểm định Bartlett's Test: $\chi^2 = 2460.551$, $df = 171$, $p-value = 0.000 < 0.001$ (Các biến quan sát có tương quan tuyến tính chặt chẽ).
    • Tổng phương sai trích ($Total\ Variance\ Explained$): $67.298% > 50%$ tại điểm dừng Eigenvalue = $1.025 > 1.0$, trích xuất thành công 5 nhân tố với phương pháp xoay Varimax.
                    KẾT QUẢ PHƯƠNG SAI TRÍCH EFA (TOTAL VARIANCE EXPLAINED)
+-----------+----------------------+---------------------------+--------------------------+
| Component | Initial Eigenvalue   | % of Variance Explained   | Cumulative Variance (%)  |
+-----------+----------------------+---------------------------+--------------------------+
|     1     |        4.443         |          23.384           |          23.384          |
|     2     |        3.750         |          19.735           |          43.119          |
|     3     |        2.238         |          11.777           |          54.896          |
|     4     |        1.332         |           7.010           |          61.906          |
|     5     |        1.025         |           5.392           |          67.298          |
+-----------+----------------------+---------------------------+--------------------------+

Kết quả đạt được

Kết quả ước lượng mô hình hồi quy đa biến OLS:

$$\text{YDMHTT} = \beta_0 + \beta_1 \text{MDPB} + \beta_2 \text{DTC} + \beta_3 \text{CM} + \beta_4 \text{STT} + \beta_5 \text{STH} + \epsilon$$

Thực nghiệm chỉ ra 4/5 nhóm nhân tố có ý nghĩa thống kê ($p < 0.05$):

  1. Sự tương tác (STT): Hệ số hồi quy chuẩn hóa $\beta = 0.384$ ($p < 0.001$) $\rightarrow$ Yếu tố chi phối mạnh nhất.
  2. Sự cảm nhận về mức độ phổ biến (MDPB): $\beta = 0.241$ ($p < 0.001$).
  3. Sự thu hút (STH): $\beta = 0.215$ ($p = 0.002$).
  4. Chuyên môn (CM): $\beta = 0.162$ ($p = 0.014$).
  5. Độ tin cậy (DTC): Không đạt ý nghĩa thống kê trực tiếp trong mẫu nghiên cứu ($p > 0.05$).

Toàn bộ chỉ số phóng đại phương sai $VIF < 2.0$, khẳng định mô hình không vi phạm hiện tượng đa cộng tuyến.

Đổi mới và đóng góp

  1. Phát hiện nghịch lý "Độ tin cậy" (Trust Paradox): Khác biệt với các công bố truyền thống (Gupta et al., 2015; Hậu Lê, 2022) vốn coi độ tin cậy là cốt lõi, nghiên cứu chỉ ra rằng đối với sinh viên Gen Z, Sự tương tác thực tế và Độ phủ truyền thông mới là động lực trực tiếp kích hoạt hành vi mua. Gen Z xem độ tin cậy là điều kiện mặc định, nhưng tương tác hai chiều (Livestream, trả lời thắc mắc tức thì) mới tạo xung lực chốt đơn.
  2. Lượng hóa mức độ tác động theo thang đo chuẩn: Xác lập ma trận trọng số định lượng cho 21 items thuộc 5 nhóm biến độc lập và 5 items biến phụ thuộc, đóng góp bộ công cụ đo lường tiêu chuẩn cho hành vi tiêu dùng số của sinh viên ngành tài chính - ngân hàng.
  3. Phân khúc nhân khẩu học chi tiết: Phân tích ANOVA chỉ ra sự khác biệt rõ rệt về ý định mua sắm giữa sinh viên năm cuối (56% mẫu, tỷ lệ mua 2-4 lần/tháng chiếm 40.2%) so với các năm trước do khả năng tự chủ tài chính tốt hơn.

Ứng dụng thực tế và triển khai

Khung chiến lược triển khai cho doanh nghiệp E-commerce

                                QUY TRÌNH 4 BƯỚC TUYỂN CHỌN VÀ VẬN HÀNH KOLS
+-----------------------+     +-----------------------+     +-----------------------+     +-----------------------+
|  1. Screening Matrix  | --> | 2. Content & Co-work  | --> |  3. Live Interaction  | --> | 4. Conversion Audit   |
| Lọc KOLs theo STT/MDPB|     | Chuẩn hóa kịch bản CM |     | Livestream Q&A        |     | Đo lường CTR / CVR    |
+-----------------------+     +-----------------------+     +-----------------------+     +-----------------------+
  1. Thiết lập Tiêu chí Chọn lọc KOLs (Screening Matrix):
    • Ưu tiên chỉ số tương tác thực ($Engagement\ Rate \ge 8%$) thay vì lượng người theo dõi ảo.
    • Tập trung vào nhóm Nano/Micro-KOLs có chuyên môn cao trong ngành hàng cụ thể để tối ưu hóa chi phí tiếp cận.
  2. Chiến lược Livestream Tương tác Hai chiều:
    • Tích hợp phiên tương tác thời gian thực, trực tiếp giải đáp thắc mắc về tính năng và giá trị gia tăng của sản phẩm.
    • Triển khai các gói voucher độc quyền gắn mã affiliate trực tiếp trong phiên live.
  3. Đầu tư Chất lượng Hình ảnh & Thẩm mỹ (Visual Attractiveness):
    • Chuẩn hóa định dạng video ngắn (TikTok/Reels/Shorts) với thời lượng 30 - 60 giây, tập trung vào điểm chạm cảm xúc trong 3 giây đầu tiên.

Hạn chế và hướng phát triển

  • Giới hạn không gian chọn mẫu: Dữ liệu thu thập theo phương pháp thuận tiện tại Trường Đại học Ngân hàng TP.HCM ($N = 241$), chưa mở rộng sang toàn bộ khối đại học trên cả nước.
  • Thiên lệch giới tính: Tỷ lệ mẫu nữ chiếm 71.0%, phản ánh đặc thù nhóm ngành nhưng có thể tạo sai lệch khi tổng quát hóa cho người tiêu dùng nam.
  • Hướng phát triển tương lai: Mở rộng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) kết hợp biến điều tiết (Moderating variables) như: Thu nhập khả dụng, Khuyến mãi giảm giá và Nền tảng hiển thị (TikTok Shop vs Shopee).

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng, phân tích EFA, Cronbach's Alpha và kiểm định giả thuyết trên SPSS.
  • Doanh nghiệp & Marketers: Cung cấp công thức phân bổ ngân sách Influencer Marketing dựa trên dữ liệu thực nghiệm ($\beta_{STT} = 0.384, \beta_{MDPB} = 0.241$), giảm thiểu 20-30% chi phí booking lãng phí.
  • KOLs & Content Creators: Định hướng lộ trình xây dựng kênh cá nhân: nâng cao khả năng tương tác, nâng chuẩn kiến thức chuyên môn và đầu tư tính thẩm mỹ của nội dung video.
  • Nhà nghiên cứu: Bổ sung dữ liệu thực nghiệm về hành vi tiêu dùng số của phân khúc Gen Z Việt Nam giai đoạn hậu chuyển đổi số.

Câu hỏi thường gặp

1. Tại sao nhân tố "Độ tin cậy" (DTC) không có ý nghĩa thống kê trong mô hình hồi quy này?

Trong bối cảnh thị trường bùng nổ thông tin quảng cáo, sinh viên có xu hướng hoài nghi tự nhiên đối với các bài đăng tài trợ của KOLs. Thay vì chỉ "tin vào lời nói", họ cần được kiểm chứng qua sự tương tác thực tế, phản hồi cộng đồng tại phần bình luận và các dẫn chứng chuyên môn thực tế trước khi ra quyết định mua sắm.

2. Cỡ mẫu N = 241 có đảm bảo độ tin cậy cho mô hình EFA và hồi quy OLS không?

Căn cứ theo nguyên tắc Hair et al. (1998) yêu cầu cỡ mẫu tối thiểu $n \ge 5 \times m$ (với $m = 26$ biến quan sát $\rightarrow n \ge 130$) và Tabachnick & Fidell (1996) cho hồi quy OLS ($n \ge 50 + 8 \times 5 = 90$), quy mô mẫu $N = 241$ vượt xa ngưỡng tối thiểu, đảm bảo đầy đủ ý nghĩa thống kê và độ mạnh của kiểm định.

3. Nghiên cứu sử dụng kỹ thuật trích xuất và phép xoay nào trong EFA?

Nghiên cứu sử dụng phương pháp trích nhân tố Principal Component Analysis (PCA) kết hợp phép xoay góc vuông Varimax để tối đa hóa phương sai của các trọng số nhân tố, đảm bảo các biến tải rõ ràng lên từng nhóm nhân tố riêng biệt mà không bị trùng lặp.

4. Doanh nghiệp vừa và nhỏ (SMEs) nên áp dụng kết quả này như thế nào khi ngân sách có hạn?

SMEs nên tập trung 70% ngân sách vào nhóm Micro/Nano-KOLs có tương tác sâu (STT cao) và phong cách thẩm mỹ đồng điệu với khách hàng mục tiêu (STH), thay vì chi trả chi phí lớn cho các Celebrity có độ phổ biến cao nhưng tỷ lệ tương tác chuyển đổi thấp.

5. Kết quả kiểm định đa cộng tuyến cho thấy điều gì?

Tất cả hệ số VIF đều $< 2.0$ (thấp hơn nhiều so với ngưỡng cảnh báo vi phạm là 10.0), khẳng định các biến độc lập trong mô hình hoàn toàn độc lập tuyến tính, đảm bảo tính chuẩn xác cho các hệ số ước lượng hồi quy $\beta$.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Thanh Vy đã làm sáng tỏ cơ chế tác động của các nhân tố KOLs đến ý định mua hàng trực tuyến của sinh viên Trường Đại học Ngân hàng TP.HCM. Thông qua hệ thống phân tích định lượng chặt chẽ trên nền tảng SPSS Statistics, nghiên cứu khẳng định vai trò quyết định của Sự tương tác ($\beta = 0.384$), Mức độ phổ biến ($\beta = 0.241$), Sự thu hút ($\beta = 0.215$) và Kiến thức chuyên môn ($\beta = 0.162$).

Kết quả này không chỉ đóng góp cơ sở dữ liệu học thuật cho lĩnh vực Quản trị Kinh doanh và Marketing số, mà còn cung cấp cẩm nang thực chiến giúp doanh nghiệp thương mại điện tử tối ưu hóa hiệu quả đầu tư chiến dịch Influencer Marketing. Các thương hiệu cần chuyển trọng tâm từ "quảng bá một chiều" sang "tương tác đa kênh thực chất" để thu hút thế hệ người tiêu dùng trẻ.