Giới thiệu dự án

Sự bùng nổ của hạ tầng Internet băng thông rộng và các nền tảng số tại Việt Nam đã định hình lại toàn diện hành vi mua sắm của người tiêu dùng. Theo báo cáo thường niên từ DataReportal (01/2023), Việt Nam ghi nhận hơn 77 triệu người dùng Internet (chiếm 79,1% tổng dân số) và 70 triệu tài khoản hoạt động thường xuyên trên các mạng xã hội (tương đương 71% dân số). Trong bối cảnh đó, TikTok vươn lên thành một trong những nền tảng phát triển nhanh nhất, đưa Việt Nam xếp vị trí thứ 6 toàn cầu với 49,9 triệu người dùng, tiếp cận 64% tổng lượng người dùng Internet trong nước.

Sự tích hợp của tính năng thương mại điện tử xã hội (Social Commerce) qua công cụ TikTok Shop đã biến nền tảng video âm nhạc này thành một hệ sinh thái mua sắm tương tác khép kín. Tuy nhiên, các doanh nghiệp và nhà bán lẻ trực tuyến đang đối mặt với bài toán tối ưu hóa tỷ lệ chuyển đổi khi tiếp cận tệp khách hàng Gen Z – nhóm đối tượng nhạy cảm với công nghệ nhưng có hành vi tiêu dùng biến đổi liên tục trước tác động của kinh tế vĩ mô và sự bão hòa thông tin.

Đề tài nghiên cứu khoa học: "Các yếu tố của mạng xã hội TikTok tác động đến quyết định mua hàng trực tuyến của sinh viên Trường Đại học Ngân hàng TP. Hồ Chí Minh" (Chuyên ngành: Quản trị kinh doanh, Mã ngành: 7 34 01 01) do sinh viên Đỗ Ngọc Quỳnh Vy thực hiện dưới sự hướng dẫn của TS. Châu Đình Linh được xây dựng nhằm giải quyết triệt để bài toán định lượng hành vi người tiêu dùng trẻ.

                    MÔ HÌNH HỆ SINH THÁI TIKTOK SHOP
+-----------------------------------------------------------------------+
| Nền tảng MXH TikTok (Video ngắn + Live-streaming + Thuật toán FYP)    |
+-----------------------------------+-----------------------------------+
                                    | (Tác động tâm lý & Hành vi)
                                    v
+-----------------------------------------------------------------------+
| 5 Nhân tố cốt lõi: TT, CLTT, HI, TC, STT                              |
+-----------------------------------+-----------------------------------+
                                    | (Phân tích hồi quy OLS)
                                    v
+-----------------------------------------------------------------------+
| Quyết định Mua hàng Trực tuyến (QĐMH) của Sinh viên Gen Z (HUB)       |
+-----------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Xác định các nhân tố cấu thành: Hệ thống hóa và xác định 5 nhân tố đặc trưng của mạng xã hội TikTok tác động đến hành vi mua sắm: Độ tương tác (TT), Chất lượng thông tin (CLTT), Sự hữu ích (HI), Độ tin cậy (TC), và Sự thích thú (STT).
  2. Đo lường mức độ tác động: Thực hiện phân tích định lượng để xác định trọng số hồi quy chuẩn hóa ($\beta$), đánh giá mức độ đóng góp của từng biến độc lập đối với biến phụ thuộc Quyết định mua hàng (QĐMH).
  3. Đề xuất hàm ý quản trị ứng dụng: Cung cấp hệ thống giải pháp thực tiễn dựa trên dữ liệu giúp các doanh nghiệp, KOC/KOL tối ưu chiến lược tiếp thị nội dung và gia tăng doanh số trên TikTok Shop.

Phạm vi và giới hạn nghiên cứu

  • Đối tượng khảo sát: Sinh viên đang theo học hệ đại học chính quy tại Trường Đại học Ngân hàng TP. Hồ Chí Minh (HUB) đã từng có trải nghiệm tiếp cận thông tin hoặc mua sắm qua TikTok.
  • Không gian nghiên cứu: Trường Đại học Ngân hàng TP. Hồ Chí Minh.
  • Thời gian thực hiện: Giai đoạn thu thập và phân tích dữ liệu thực nghiệm từ tháng 10/2023 đến tháng 12/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi người tiêu dùng trên các nền tảng trực tuyến truyền thống thường dựa vào các mô hình hành vi tĩnh. Khi chuyển dịch sang kỷ nguyên Shoppertainment (Mua sắm kết hợp giải trí) trên các nền tảng video ngắn như TikTok, các mô hình cũ bộc lộ nhiều điểm hạn chế trong việc giải thích quyết định mua hàng tức thời (Impulse Buying) và hành vi tương tác hai chiều.

Mô hình / Giải pháp nghiên cứu Cơ sở lý thuyết Ưu điểm Nhược điểm Khoảng trống nghiên cứu (Research Gap)
Trần Thị Yến Phương (2022) TAM, TPB trên Facebook Đo lường chi tiết rủi ro và giá trị cảm nhận Chưa phản ánh tính tương tác động qua video ngắn đa phương tiện Bỏ qua yếu tố cấu trúc thông tin video ngắn và liên kết giỏ hàng trực tiếp
Đỗ Văn Huân & CS (2021) UTAUT2, eWOM chung Mẫu nghiên cứu lớn ($N = 508$), phân tích đa biến Không chuyên biệt hóa cho nền tảng video ngắn (TikTok/Reels) Không tách biệt giữa tác động của nội dung giải trí và chất lượng kỹ thuật video
Mô hình Đề xuất (Vy, 2023) Tích hợp TRA, TPB & TAM Chuyên biệt hóa 5 nhân tố TikTok, phân tích thực nghiệm trên Gen Z Giới hạn mẫu trong phạm vi sinh viên ngành ngân hàng - kinh tế Bổ sung biến Chất lượng thông tin (CLTT) đa chiều kết hợp Độ tương tác (TT)

Yêu cầu đo lường theo chuẩn MoSCoW

  • Must have (Bắt buộc phải có): Kiểm định độ tin cậy thang đo Cronbach's Alpha ($\alpha \ge 0.60$), Phân tích nhân tố khám phá EFA (KMO $\ge 0.50$, Total Variance Explained $> 50%$), Kiểm định đa cộng tuyến (VIF $< 2.0$).
  • Should have (Nên có): Kiểm định tương quan Pearson hai chiều ($p < 0.05$), biểu đồ chuẩn hóa phần dư Normal P-P Plot và Scatter Plot nhằm bảo đảm không vi phạm các giả định OLS.
  • Could have (Có thể có): Mở rộng so sánh phương sai ANOVA theo năm học và giới tính của sinh viên.
  • Won't have (Không bao gồm): Mô hình hóa cấu trúc tuyến tính bình phương nhỏ nhất từng phần (PLS-SEM) đa cấp trung gian trong phạm vi khóa luận cử nhân.

Thiết kế khung nghiên cứu hệ thống

Khung nghiên cứu được xây dựng dựa trên sự liên kết giữa ba nền tảng lý thuyết kinh điển: Lý thuyết Hành động Hợp lý (TRA - Fishbein & Ajzen, 1975), Lý thuyết Hành vi Dự định (TPB - Ajzen, 1991), và Mô hình Chấp nhận Công nghệ (TAM - Davis, 1989).

Technology Stack và Công cụ nghiên cứu

  • Data Collection Engine: Google Forms REST API / Bảng câu hỏi số hóa phân phối đa kênh (Email nội bộ HUB, Zalo, Facebook Groups).
  • Statistical Analytics Engine: IBM SPSS Statistics Version 20.0 (Core Engine), Microsoft Excel 2021 (Data Cleansing & Validation).
  • Validation Pipeline: Python 3.10 với các thư viện chuyên dụng pandas v2.1.0, statsmodels v0.14.0, pingouin v0.5.3factor-analyzer v0.5.0 cho mô phỏng tự động hóa kiểm định.

Phương pháp luận (Methodology)

Nghiên cứu ứng dụng quy trình hỗn hợp hai giai đoạn (Mixed-Method Research Pipeline):

  1. Nghiên cứu định tính ($N_{qual} = 1$ nhóm chuyên gia): Tổng thuật hệ thống tài liệu (Systematic Literature Review) kết hợp thảo luận sâu với giảng viên hướng dẫn (TS. Châu Đình Linh) để hiệu chỉnh 24 biến quan sát từ thang đo quốc tế phù hợp với ngữ cảnh tiêu dùng của sinh viên Việt Nam.
  2. Nghiên cứu định lượng ($N_{valid} = 205$):
    • Quy tắc kích thước mẫu Hair et al. (2014): $N_{min} = 24 \times 5 = 120$ mẫu.
    • Quy tắc hồi quy Green (1991) / Nguyễn Đình Thọ (2011): $N_{min} = 50 + 8m = 50 + 8 \times 5 = 90$ mẫu.
    • Mẫu thực tế thu thập: 213 phản hồi, sau khi sàng lọc dữ liệu trùng lặp và không hợp lệ (Unengaged responses), còn lại $N = 205$ mẫu hợp lệ, vượt 70.8% so với ngưỡng tối thiểu yêu cầu.

Implementation và kết quả

Quy trình phân tích dữ liệu và thuật toán xử lý

Quy trình xử lý số liệu bao gồm 4 bước kỹ thuật nghiêm ngặt: Kiểm định hệ số tin cậy nội bộ Cronbach's Alpha, Phân tích nhân tố khám phá EFA (Principal Component Analysis với phép xoay Varimax), Phân tích tương quan tuyến tính Pearson, và Mô hình hồi quy bội OLS (Ordinary Least Squares).

Phương trình hồi quy tổng quát: $$QĐMH = \beta_0 + \beta_1 TT + \beta_2 CLTT + \beta_3 HI + \beta_4 TC + \beta_5 STT + \epsilon$$

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

# 1. Pipeline xử lý và kiểm định độ tin cậy thang đo
def compute_cronbach_alpha(df_items: pd.DataFrame) -> float:
    k = df_items.shape[1]
    item_variances = df_items.var(axis=0, ddof=1).sum()
    total_variance = df_items.sum(axis=1).var(ddof=1)
    alpha = (k / (k - 1)) * (1 - (item_variances / total_variance))
    return float(alpha)

# 2. Xây dựng mô hình hồi quy đa biến và kiểm tra đa cộng tuyến (VIF)
def run_ols_pipeline(X: pd.DataFrame, y: pd.Series):
    X_const = sm.add_constant(X)
    ols_model = sm.OLS(y, X_const).fit()
    
    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 ols_model.summary(), vif_data

# Cấu hình biến nghiên cứu
independent_vars = ['TT', 'CLTT', 'HI', 'TC', 'STT']
dependent_var = 'QDMH'

Tiêu chuẩn kỹ thuật và kiểm định thang đo

Dữ liệu khảo sát từ 205 sinh viên HUB đạt các tiêu chuẩn kiểm định thống kê khắt khe:

  1. Hệ số tin cậy Cronbach's Alpha:

    • Thang đo $TT$ (Độ tương tác, 4 items): $\alpha = 0.812 > 0.60$, Corrected Item-Total Correlation nhỏ nhất $= 0.548 \ge 0.30$.
    • Thang đo $CLTT$ (Chất lượng thông tin, 4 items): $\alpha = 0.845$, Corrected Item-Total Correlation nhỏ nhất $= 0.612$.
    • Thang đo $HI$ (Sự hữu ích, 4 items): $\alpha = 0.798$, Corrected Item-Total Correlation nhỏ nhất $= 0.514$.
    • Thang đo $TC$ (Độ tin cậy, 3 items): $\alpha = 0.786$, Corrected Item-Total Correlation nhỏ nhất $= 0.562$.
    • Thang đo $STT$ (Sự thích thú, 4 items): $\alpha = 0.831$, Corrected Item-Total Correlation nhỏ nhất $= 0.589$.
    • Thang đo $QĐMH$ (Quyết định mua hàng, 5 items): $\alpha = 0.874$, Corrected Item-Total Correlation nhỏ nhất $= 0.641$.
  2. Kiểm định Phân tích Nhân tố Khám phá (EFA):

    • Biến độc lập (19 items): Hệ số $\text{KMO} = 0.868$ ($0.5 \le \text{KMO} \le 1.0$), Kiểm định Bartlett's Test of Sphericity có giá trị $\text{Sig.} = 0.000 < 0.05$ (bác bỏ giả thuyết $H_0$ về ma trận tương quan đơn vị).
    • Giá trị Eigenvalues của nhân tố thứ 5 $= 1.245 > 1.0$, Tổng phương sai trích (Cumulative Variance Explained) $= 62.48% > 50%$. Mọi hệ số tải nhân tố (Factor Loading) đều vượt ngưỡng $0.55$.
    • Biến phụ thuộc (5 items): Hệ số $\text{KMO} = 0.842$, $\text{Sig. Bartlett} = 0.000$, Phương sai trích đạt $66.15%$.
================================================================================
                    BẢNG KẾT QUẢ PHÂN TÍCH HỒI QUY ĐA BIẾN (OLS)
================================================================================
Biến Độc Lập       Hệ số chưa chuẩn hóa (B)   Hệ số chuẩn hóa (Beta)   Sig.    VIF
--------------------------------------------------------------------------------
(Hằng số / Constant)        0.412                        -            0.021    -
Độ tương tác (TT)           0.231                      0.245          0.000   1.312
Chất lượng TT (CLTT)        0.284                      0.301          0.000   1.425
Sự hữu ích (HI)             0.198                      0.208          0.001   1.289
Sự thích thú (STT)          0.215                      0.224          0.000   1.354
Độ tin cậy (TC)             0.062                      0.068          0.248   1.410
--------------------------------------------------------------------------------
R = 0.742 | R-squared = 0.551 | Adjusted R-squared = 0.540 | F-statistic = 48.82 (Sig = 0.000)
Durbin-Watson = 1.912 | Phân phối phần dư: Chuẩn (Mean ~ 0, Std ~ 0.988)
================================================================================

Thảo luận kết quả phân tích

  • Đặc trưng mẫu ($N = 205$): Tỷ lệ nữ giới chiếm ưu thế với 60.0% (123 SV), nam giới chiếm 40.0% (82 SV). Sinh viên năm 4 chiếm tỷ lệ cao nhất (32.2%), tiếp theo là năm 2 (24.4%), năm 1 (22.9%) và năm 3 (20.5%). Đáng chú ý, 35.1% sinh viên sử dụng TikTok từ 2-5 giờ/ngày và 26.8% sử dụng trên 5 giờ/ngày; 63.9% coi TikTok là kênh tham khảo trước khi mua sắm và 66.3% đã từng phát sinh hành vi mua hàng do xem video trên TikTok.
  • Kiểm định mô hình: Giá trị $R^2 = 0.551$ cho thấy 5 yếu tố nghiên cứu giải thích được $55.1%$ sự biến thiên trong Quyết định mua hàng trực tuyến của sinh viên HUB. Giá trị $F = 48.82$ ($\text{Sig.} < 0.001$) khẳng định mô hình có ý nghĩa thống kê ở độ tin cậy 99.9%.
  • Kiểm định giả thuyết: 4/5 giả thuyết được chấp nhận với mức ý nghĩa $p < 0.01$. Yếu tố tác động mạnh nhất là Chất lượng thông tin ($\beta = 0.301$), tiếp đến là Độ tương tác ($\beta = 0.245$), Sự thích thú ($\beta = 0.224$), và Sự hữu ích ($\beta = 0.208$). Biến Độ tin cậy ($\text{Sig.} = 0.248 > 0.05$) không có ý nghĩa thống kê trong mẫu khảo sát này, phản ánh đặc thù sinh viên sẵn sàng chấp nhận rủi ro để trải nghiệm sản phẩm giá rẻ/xu hướng mới.

Đổi mới và đóng góp

  1. Đóng góp lý thuyết (Theoretical Novelty): Tích hợp thành công cấu trúc thông tin video ngắn đa phương tiện vào mô hình TAM và TRA, chứng minh vai trò dẫn dắt của Chất lượng thông tinĐộ tương tác thời gian thực đối với thế hệ người tiêu dùng bản địa số (Digital Natives).
  2. Cải tiến phương pháp tiếp cận: Khác với các nghiên cứu trước đây chỉ tiếp cận eWOM dạng văn bản tĩnh trên Facebook hay diễn đàn, nghiên cứu này giải mã thành công tác động tâm lý của cơ chế gắn thẻ liên kết sản phẩm (Product Anchor Link) và thuật toán phân phối nội dung For You Page (FYP).
  3. Định lượng hiệu quả tác động: Chỉ ra bằng dữ liệu thực nghiệm rằng việc tăng 1 đơn vị độ lệch chuẩn trong chất lượng truyền tải thông tin video giúp gia tăng 0.301 đơn vị độ lệch chuẩn trong xác suất chốt đơn của sinh viên.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng cho Doanh nghiệp & Nhà bán lẻ

                          CHIẾN LƯỢC TRIỂN KHAI TIKTOK SHOP
+-------------------------------------------------------------------------------+
| 1. Tối ưu Chất lượng Thông tin (CLTT - Beta = 0.301)                          |
|    - 3 giây đầu: Nêu trực diện USP (Unique Selling Proposition) & Pain point.  |
|    - 15-30 giây tiếp theo: Trực quan hóa công năng, nguồn gốc và chứng nhận.  |
+-------------------------------------------------------------------------------+
| 2. Kích hoạt Độ tương tác 2 chiều (TT - Beta = 0.245)                         |
|    - Thiết lập kịch bản Live-stream phản hồi bình luận < 15 giây.             |
|    - Triển khai minigame bình luận nhận mã giảm giá động (Dynamic Voucher).   |
+-------------------------------------------------------------------------------+
| 3. Gia tăng Yếu tố Giải trí / Thích thú (STT - Beta = 0.224)                  |
|    - Ứng dụng Trending Audio và hiệu ứng hình ảnh thịnh hành.                 |
|    - Hợp tác với Micro-KOCs có phong cách review hài hước, chân thực.         |
+-------------------------------------------------------------------------------+
| 4. Khẳng định Sự hữu ích (HI - Beta = 0.208)                                 |
|    - So sánh trực quan giá trị kinh tế và tính tiện dụng của sản phẩm.         |
+-------------------------------------------------------------------------------+

Kế hoạch và Lộ trình Triển khai (Implementation Roadmap)

  • Giai đoạn 1 (Tuần 1 - 2): Chuẩn hóa nội dung kỹ thuật số
    • Tái cấu trúc kịch bản video: Rút ngắn thời lượng xuống 30 - 45 giây, tập trung vào tính trực quan và minh bạch thông số kỹ thuật.
    • Tích hợp CTA (Call-To-Action) rõ ràng trỏ về giỏ hàng TikTok Shop kèm chứng nhận chính hãng.
  • Giai đoạn 2 (Tuần 3 - 6): Tối ưu hóa phễu tương tác cộng đồng
    • Tăng tần suất phát Live-stream vào các khung giờ vàng sinh viên trực tuyến (11h30 - 13h00 và 20h00 - 22h30).
    • Sử dụng hệ thống tự động ghim bình luận giải đáp thắc mắc về kích thước, bảng thành phần và chính sách đổi trả.
  • Giai đoạn 3 (Tuần 7 - 12): Tinh chỉnh chi phí và Đo lường ROI
    • Đánh giá chỉ số ROAS (Return on Ad Spend) và tỷ lệ chuyển đổi qua từng KOC.
    • Phân bổ 40% ngân sách marketing cho nội dung định hướng thông tin sản phẩm và 35% cho nội dung sáng tạo giải trí theo trend.

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện phi xác suất với quy mô 205 quan sát tập trung tại Trường Đại học Ngân hàng TP.HCM, chưa bao quát toàn diện sinh viên các khối ngành kỹ thuật, mỹ thuật hoặc các vùng địa lý ngoài TP.HCM.
  • Hạn chế về cấu trúc mô hình: Chưa đo lường vai trò điều tiết (Moderating effect) của biến nhân khẩu học (Thu nhập khả dụng hàng tháng, Giới tính) và chưa kiểm soát tác động trung gian của Ý định mua hàng (Purchase Intention) đến Hành vi mua hàng thực tế (Actual Buying Behavior).
  • Hướng phát triển: Mở rộng nghiên cứu đa trung tâm ($N > 1000$ sinh viên toàn quốc), áp dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) và tích hợp các kỹ thuật Machine Learning (K-Means Clustering) để phân khúc khách hàng tự động.

Đối tượng hưởng lợi

  • Sinh viên & Người tiêu dùng trẻ: Nâng cao nhận thức phản biện khi tiếp nhận thông tin quảng cáo, nhận diện các chiêu thức kích cầu tiêu dùng để quản lý tài chính cá nhân hiệu quả.
  • Doanh nghiệp & Người kinh doanh trực tuyến: Sở hữu bộ chỉ số đo lường thực nghiệm ($\beta_{CLTT} = 0.301, \beta_{TT} = 0.245$) để tối ưu ngân sách sản xuất nội dung, giảm 20 - 30% chi phí quảng cáo không hiệu quả.
  • Data Analysts & Marketers: Tiếp cận quy trình kiểm định kinh tế lượng hoàn chỉnh từ làm sạch dữ liệu, kiểm tra EFA đến phân tích hồi quy chuẩn hóa OLS.
  • Cộng đồng học thuật: Cung cấp tài liệu tham khảo thực nghiệm chuẩn mực về hành vi mua sắm mạng xã hội trong bối cảnh thị trường đang phát triển tại Đông Nam Á.

Câu hỏi thường gặp

1. Dữ liệu nghiên cứu này có thể áp dụng cho các nền tảng khác như Shopee Video hay Facebook Reels không?

Có thể chuyển giao phương pháp luận và các biến độc lập cốt lõi (Chất lượng thông tin, Tương tác, Sự thích thú). Tuy nhiên, cần hiệu chỉnh trọng số do thuật toán gợi ý For You Page của TikTok có tần suất giữ chân và cá nhân hóa trải nghiệm giải trí cao hơn các nền tảng còn lại.

2. Tại sao biến Độ tin cậy (TC) lại không có ý nghĩa thống kê trong mô hình hồi quy này?

Giá trị $\text{Sig.} = 0.248 > 0.05$ cho thấy đối với tệp sinh viên HUB, các đơn hàng TikTok Shop thường có giá trị tài chính vừa phải (sản phẩm thời trang, mỹ phẩm, phụ kiện, đồ ăn vặt). Sinh viên ưu tiên trải nghiệm nhanh theo xu hướng và giải trí hơn là yêu cầu một mức độ cam kết uy tín tuyệt đối như các tài sản giá trị cao.

3. Quy mô mẫu $N = 205$ có đủ đại diện cho phân tích hồi quy 5 biến độc lập không?

Hoàn toàn đáp ứng. Theo tiêu chuẩn của Hair et al. ($N \ge 5 \times 24 = 120$) và Green ($N \ge 50 + 8 \times 5 = 90$), quy mô 205 mẫu đạt độ mạnh thống kê (Statistical Power) trên 80% với mức ý nghĩa $\alpha = 0.05$.

4. Hệ số VIF từ 1.289 đến 1.425 mang ý nghĩa kỹ thuật gì?

Hệ số phóng đại phương sai (VIF) đều nhỏ hơn 2.0 (ngưỡng an toàn tuyệt đối là $< 5.0$ hoặc $< 10.0$). Điều này chứng minh mô hình hoàn toàn không gặp hiện tượng đa cộng tuyến giữa các biến độc lập, các ước lượng OLS hoàn toàn tin cậy.

5. Làm thế nào để doanh nghiệp nhỏ tối ưu đồng thời Chất lượng thông tin và Sự thích thú với chi phí thấp?

Doanh nghiệp nên ứng dụng công thức "Problem - Solution - Proof": 5 giây đầu nêu vấn đề đời thường của sinh viên kết hợp nhạc nền bắt trend, 15 giây tiếp theo trình bày công năng và trải nghiệm sử dụng thực tế của sản phẩm, 10 giây cuối cung cấp mã giảm giá trực tiếp trên màn hình.


Kết luận

Đề tài nghiên cứu của sinh viên Đỗ Ngọc Quỳnh Vy đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, cung cấp cái nhìn thực nghiệm sâu sắc về tác động của mạng xã hội TikTok đến quyết định mua hàng trực tuyến của sinh viên Trường Đại học Ngân hàng TP.HCM. Bằng việc kết hợp các khung lý thuyết TRA, TPB, TAM và phương pháp xử lý dữ liệu định lượng trên phần mềm SPSS 20.0, nghiên cứu đã chứng minh rằng Chất lượng thông tin ($\beta = 0.301$) và Độ tương tác ($\beta = 0.245$) là hai động lực quyết định thúc đẩy hành vi chuyển đổi đơn hàng trên nền tảng. Kết quả này không chỉ đóng góp giá trị học thuật quan trọng cho chuyên ngành Quản trị kinh doanh mà còn là cẩm nang định hướng chiến lược bán hàng thực chiến cho các doanh nghiệp thương mại điện tử trong kỷ nguyên số.