Giới thiệu dự án

Sự bùng nổ của kỷ nguyên số và xu hướng thương mại điện tử kết hợp giải trí (Shoppertainment) đã biến TikTok trở thành một trong những kênh truyền thông xã hội có tốc độ tăng trưởng nhanh nhất toàn cầu. Theo báo cáo từ DataReportal (03/2023), Việt Nam đứng thứ 6 trên thế giới về số lượng người dùng TikTok với 49,9 triệu người dùng hoạt động, chiếm tới 64,06% trên tổng số 77,93 triệu người sử dụng Internet trong nước. Xu thế người dùng tiếp cận video ngắn (short-form video) kéo theo sự dịch chuyển căn bản trong phương thức truyền thông: từ quảng cáo hiển thị truyền thống sang Marketing lan tỏa (Viral Marketing) và truyền miệng điện tử (Electronic Word-of-Mouth - eWOM).

Tuy nhiên, các doanh nghiệp và nhà bán lẻ trực tuyến đang đối mặt với bài toán nan giải: tỷ lệ xem và tương tác của video lan tỏa trên TikTok rất cao, nhưng tỷ lệ chuyển đổi thực tế thành hành vi mua sắm trực tuyến vẫn còn thấp và thiếu tính ổn định (các nghiên cứu trước đây như Nguyễn Xuân Minh & Nguyễn Nữ Thuận Giang ghi nhận tỷ lệ chuyển đổi thực tế chỉ đạt ~29,24%). Nhóm đối tượng sinh viên đại học tại các đô thị lớn như Hà Nội là phân khúc có tần suất sử dụng TikTok cao nhất, song hành vi tiêu dùng của nhóm này lại chịu sự chi phối phức tạp bởi tâm lý xã hội, giá trị cảm xúc và các chương trình khuyến khích.

Đề tài nghiên cứu: "Ảnh hưởng của Marketing lan tỏa trên nền tảng TikTok đến ý định mua sắm trực tuyến của sinh viên trên địa bàn Hà Nội" được thực hiện nhằm giải quyết các vấn đề cấp thiết trên với các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý luận về Marketing lan tỏa trên nền tảng video ngắn và ý định mua sắm trực tuyến của người tiêu dùng trẻ.
  2. Xây dựng và kiểm định mô hình định lượng đánh giá mức độ tác động của 5 nhân tố cốt lõi: Giá trị cảm xúc (EV), Giá trị xã hội (SV), Yếu tố khuyến khích (INC), Nhận biết thương hiệu (BW) và Sự tương tác với nội dung lan tỏa (TT) đến Ý định mua sắm (YD).
  3. Đo lường sự khác biệt về hành vi theo đặc điểm nhân khẩu học (giới tính, năm học, thu nhập).
  4. Đề xuất khung giải pháp chiến lược giúp doanh nghiệp tối ưu hóa chi phí chiến dịch và nâng cao tỷ lệ hoàn vốn (Return on Investment - ROI) khi triển khai Shoppertainment trên TikTok.

Phạm vi nghiên cứu: Khảo sát định lượng trên mẫu $N = 300$ sinh viên đang học tập tại các trường đại học trên địa bàn Hà Nội trong giai đoạn từ tháng 09/2023 đến tháng 10/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình định lượng, việc đối chiếu giữa các hình thức tiếp thị số hiện nay giúp làm rõ khoảng trống nghiên cứu và cơ hội ứng dụng:

Tiêu chí so sánh Marketing truyền thống (TVC, Báo chí) Quảng cáo số hiển thị (Display Ads / Google Ads) Marketing lan tỏa trên TikTok (Viral Video Marketing)
Chi phí tiếp cận (CPM) Rất cao, khó tiếp cận nhóm trẻ Trung bình, cạnh tranh đấu thầu cao Tối ưu chi phí nhờ thuật toán phân phối For You Page (FYP)
Mức độ tương tác Một chiều, thụ động Hai chiều cơ bản (Click-through) Tương tác đa chiều cao (Like, Share, Duet, Comment)
Tính lan truyền Thấp, phụ thuộc ngân sách phát sóng Hạn chế trong tệp đối tượng nhắm mục tiêu Cực cao, phát tán theo cấp số nhân thông qua eWOM
Độ tin cậy cảm nhận Trung bình (mang tính áp đặt thương hiệu) Thấp (thường bị chặn bởi AdBlock) Cao khi gắn liền với KOC/KOL và đánh giá chân thực
Khả năng kích thích mua Chậm, theo chu kỳ nhận thức dài Tức thì nhưng tỷ lệ bỏ qua giỏ hàng cao Trực tiếp qua giỏ hàng TikTok Shop và voucher tương tác 
           MÔ HÌNH YÊU CẦU PHÂN TÍCH HỆ THỐNG (MoSCoW)

Thiết kế hệ thống và mô hình nghiên cứu

Mô hình nghiên cứu được tích hợp dựa trên 3 nền tảng lý thuyết kinh điển: Thuyết hành động hợp lý (TRA) (Ajzen & Fishbein, 1975), Thuyết hành vi dự định (TPB) (Ajzen, 1991), Mô hình chấp nhận công nghệ (TAM) (Davis, 1989) kết hợp cùng lý thuyết Hiệu ứng hào quang (Halo Effect) (Thorndike, 1920) để giải thích sự tương tác mạng xã hội.

Cấu trúc bộ biến quan sát và thang đo (Data Dictionary)

Hệ thống sử dụng thang đo Likert 5 mức độ (1: Hoàn toàn không đồng ý $\to$ 5: Hoàn toàn đồng ý) gồm 28 biến quan sát:

  • Giá trị cảm xúc (EV - Emotional Value): Đo lường tính giải trí, cảm xúc thích thú, an tâm và tính hữu dụng do video mang lại ($\text{EV}_1 \to \text{EV}_5$).
  • Giá trị xã hội (SV - Social Value): Đo lường sự thể hiện bản thân, khẳng định hình ảnh cá nhân và sự ủng hộ từ cộng đồng ($\text{SV}_1 \to \text{SV}_4$).
  • Yếu tố khuyến khích (INC - Incentives): Đo lường tác động của voucher, mã freeship, quà tặng và chính sách bảo hành ($\text{INC}_1 \to \text{INC}_5$).
  • Nhận biết thương hiệu (BW - Brand Awareness): Đo lường khả năng ghi nhớ, phân biệt và mức độ quen thuộc thương hiệu trên video ($\text{BW}_1 \to \text{BW}_4$).
  • Sự tương tác với nội dung lan tỏa (TT - Viral Interaction): Đo lường hiệu ứng từ lượt xem (views), lượt chia sẻ (shares), lượt thích (likes), bình luận tích cực và phản hồi từ nhà sáng tạo nội dung ($\text{TT}_1 \to \text{TT}_5$).
  • Ý định mua sắm (YD - Purchase Intention): Đánh giá mức độ hài lòng, ý định tiếp tục mua sắm trực tuyến và giới thiệu cho người khác ($\text{YD}_1 \to \text{YD}_5$).

Technology Stack & Data Processing Pipeline

  • Nền tảng thu thập dữ liệu: Google Forms API / Spreadsheet Engine (Thu thập khảo sát trực tuyến an toàn).
  • Phần mềm phân tích thống kê cốt lõi: IBM SPSS Statistics Version 26.0.
  • Thư viện tính toán & kiểm thử mở rộng: Python 3.10, pandas v2.0.3, numpy v1.24.3, statsmodels v0.14.0, factor_analyzer v0.5.0.
  • Tiêu chuẩn bảo mật dữ liệu: Ẩn danh hóa hoàn toàn định danh cá nhân (Anonymized PII), tuân thủ nguyên tắc bảo mật khảo sát người dùng.

Methodology (Phương pháp nghiên cứu)

Quy trình nghiên cứu được chia làm 8 giai đoạn nghiêm ngặt:

  1. Giai đoạn 1 - Xác định vấn đề: Tổng quan tài liệu, xác định khoảng trống thị trường TikTok tại Việt Nam.
  2. Giai đoạn 2 - Thiết kế nghiên cứu sơ bộ: Thảo luận nhóm tập trung (Focus Group) $N=10$ để hiệu chỉnh biến quan sát phù hợp với thuật ngữ TikTok (Freeship, Giỏ hàng, Duet, KOC).
  3. Giai đoạn 3 - Xây dựng thang đo: Chuẩn hóa 28 câu hỏi Likert 5 điểm.
  4. Giai đoạn 4 - Thu thập dữ liệu thực địa: Phát 300 phiếu khảo sát hợp lệ trực tuyến cho sinh viên Hà Nội (đạt công thức $N \ge 8k + 50 = 8 \times 28 + 50 = 274$ theo Tabachnick & Fidell).
  5. Giai đoạn 5 - Làm sạch và tiền xử lý dữ liệu: Loại bỏ quan sát thiếu (Missing data) và quan sát bất thường (Outliers).
  6. Giai đoạn 6 - Phân tích định lượng chuyên sâu: Kiểm định Cronbach's Alpha $\to$ Phân tích nhân tố khám phá (EFA) $\to$ Tương quan Pearson $\to$ Hồi quy bội OLS.
  7. Giai đoạn 7 - Kiểm định giả định và sai phân: Kiểm tra đa cộng tuyến (VIF), tự tương quan (Durbin-Watson), phân phối chuẩn của phần dư, Independent Samples T-Test theo nhân khẩu học.
  8. Giai đoạn 8 - Đề xuất giải pháp: Chuyển hóa kết quả định lượng thành khung chiến lược tiếp thị.

Implementation và kết quả

Development process & Thuật toán phân tích

Quy trình phân tích dữ liệu được xây dựng dưới dạng module hóa. Dưới đây là đoạn mã Python mô phỏng chính xác thuật toán kiểm định Cronbach's Alpha, phân tích nhân tố khám phá (EFA) và mô hình hồi quy OLS tương đương hệ thống xử lý trên SPSS 26.0:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_bartlett_sphericity, calculate_kmo

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha cho thang đo."""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

def run_efa_pipeline(df_features: pd.DataFrame, n_factors: int = 5):
    """Thực hiện EFA với Principal Axis Factoring và phép xoay Promax."""
    # Kiểm định KMO và Bartlett
    chi_square, p_value = calculate_bartlett_sphericity(df_features)
    kmo_all, kmo_model = calculate_kmo(df_features)
    
    # Khởi tạo mô hình EFA
    fa = FactorAnalyzer(n_factors=n_factors, method='pa', rotation='promax')
    fa.fit(df_features)
    
    loadings = pd.DataFrame(
        fa.loadings_, 
        index=df_features.columns, 
        columns=[f"Factor_{i+1}" for i in range(n_factors)]
    )
    return kmo_model, p_value, loadings, fa.get_factor_variance()

def fit_ols_regression(X: pd.DataFrame, y: pd.Series):
    """Ước lượng phương trình hồi quy đa biến và kiểm tra đa cộng tuyến (VIF)."""
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    return model

Testing và Validation (Kiểm định thống kê)

Dữ liệu thu thập từ 300 mẫu khảo sát sinh viên Hà Nội được thẩm định toàn diện qua các bước thống kê nghiêm ngặt:

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

Tất cả các nhóm biến độc lập và phụ thuộc đều đạt độ tin cậy nội tại rất cao, vượt xa tiêu chuẩn $\alpha > 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$:

Thang đo nhân tố Số biến quan sát Hệ số Cronbach's Alpha ($\alpha$) Tương quan biến - tổng nhỏ nhất Đánh giá độ tin cậy
Giá trị cảm xúc (EV) 5 0.862 0.618 (EV3) Rất tốt
Giá trị xã hội (SV) 4 0.841 0.592 (SV4) Rất tốt
Yếu tố khuyến khích (INC) 5 0.885 0.674 (INC5) Xuất sắc
Nhận biết thương hiệu (BW) 4 0.834 0.581 (BW1) Rất tốt
Tương tác nội dung lan tỏa (TT) 5 0.879 0.643 (TT5) Xuất sắc
Ý định mua sắm trực tuyến (YD) 5 0.892 0.689 (YD4) Xuất sắc

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập (23 biến):
    • Hệ số $\text{KMO} = 0.876$ ($> 0.5$), kiểm định Bartlett có $\text{Sig.} = 0.000 < 0.001$, khẳng định dữ liệu hoàn toàn phù hợp để phân tích nhân tố.
    • Trích được 5 nhân tố với giá trị Eigenvalues $= 1.342 > 1.0$.
    • Tổng phương sai trích (Total Variance Explained) $= 62.48% > 50%$, chứng minh 5 nhân tố giải thích được $62.48%$ biến thiên của dữ liệu.
    • Tất cả hệ số tải nhân tố (Factor Loading) đều $> 0.55$, không có biến nào bị loại do tải chéo.
  • Biến phụ thuộc (5 biến): Trích 1 nhân tố duy nhất, phương sai trích đạt $64.12%$, $\text{KMO} = 0.852$, $\text{Sig.} = 0.000$.

3. Phân tích tương quan Pearson & Kiểm định hồi quy tuyến tính OLS

Kiểm định tương quan Pearson cho thấy 5 biến độc lập đều có tương quan thuận chiều có ý nghĩa thống kê với biến Ý định mua sắm ($r = 0.412 \to 0.658$, $p < 0.01$).

Kết quả ước lượng mô hình hồi quy đa biến:

$$\text{YD} = \beta_0 + \beta_1 \text{EV} + \beta_2 \text{SV} + \beta_3 \text{INC} + \beta_4 \text{BW} + \beta_5 \text{TT} + e$$

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$-statistic Mức ý nghĩa ($p$-value) Hệ số phóng đại phương sai (VIF)
(Hằng số Constant) 0.312 0.142 - 2.197 0.029 -
Giá trị cảm xúc (EV) 0.218 0.041 0.235 5.317 0.000 1.421
Giá trị xã hội (SV) 0.142 0.038 0.151 3.736 0.000 1.385
Yếu tố khuyến khích (INC) 0.284 0.043 0.298 6.604 0.000 1.482
Nhận biết thương hiệu (BW) 0.165 0.039 0.174 4.230 0.000 1.396
Tương tác nội dung (TT) 0.246 0.042 0.262 5.857 0.000 1.455

Chỉ số chất lượng mô hình:

  • Hệ số xác định $R^2 = 0.584$, Hệ số $R^2$ hiệu chỉnh (Adjusted $R^2$) $= \mathbf{0.577}$. Mô hình giải thích được 57,7% sự biến thiên trong ý định mua sắm trực tuyến của sinh viên.
  • Kiểm định $F = 82.56$ với $p < 0.001$, khẳng định mô hình hồi quy hoàn toàn phù hợp với tổng thể.
  • Hệ số $\text{VIF} < 1.5$ (nhỏ hơn nhiều so với ngưỡng 2.0/5.0), chứng minh mô hình không có hiện tượng đa cộng tuyến.
  • Hệ số Durbin-Watson $= 1.892$ (nằm trong khoảng $1.5 \to 2.5$), xác nhận phần dư không có hiện tượng tự tương quan bậc nhất.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới mẻ về mặt học thuật và thực tiễn:

So sánh với các nghiên cứu tiền nhiệm

Tiêu chí Wei & Leng (2017) Nguyễn Xuân Minh & Đtg (2015) Nguyễn Hồng Quân (2020, 2022) Đề tài nghiên cứu này (2023)
Bối cảnh nền tảng Diễn đàn, Website chung Mạng xã hội thế hệ cũ (Facebook, Email) Viral Video mạng xã hội chung Chuyên sâu nền tảng video ngắn TikTok
Đối tượng khảo sát Sinh viên quốc tế Người tiêu dùng TP.HCM Người tiêu dùng đồ uống Hà Nội Sinh viên thế hệ Gen Z tại Hà Nội
Nhân tố mới bổ sung Chất lượng eWOM Đặc điểm nhân khẩu Tính thông tin, bảo mật Sự tương tác TikTok (Likes/Shares/Comments) & Yếu tố khuyến khích trực tiếp
Độ giải thích ($R^2$) ~45.2% ~38.6% ~52.1% 57.7% (Độ chính xác vượt trội)

Điểm đột phá học thuật và ứng dụng

  1. Lượng hóa được "Hiệu ứng đám đông" trên thuật toán TikTok: Khác với tiếp thị truyền thống, nhân tố Tương tác với nội dung lan tỏa ($\beta = 0.262$) trở thành động lực mạnh thứ hai thúc đẩy mua sắm. Video có nhiều bình luận tích cực và phản hồi tương tác từ nhà sáng tạo kích thích tâm lý FOMO (Fear Of Missing Out) của sinh viên.
  2. Xác lập vai trò quyết định của Incentive trong kỷ nguyên Video ngắn: Yếu tố khuyến khích ($\beta = 0.298$) là biến tác động mạnh nhất. Việc tích hợp mã giảm giá và miễn phí vận chuyển trực tiếp trên video kích hoạt hành động mua sắm bốc đồng (Impulsive Buying).
  3. Cầu nối giữa lý thuyết cảm xúc và thương mại: Khẳng định giá trị cảm xúc ($\beta = 0.235$) là tiền đề để giữ chân người xem quá 3 giây đầu tiên, mở đường cho nhận thức thương hiệu ($\beta = 0.174$) phát huy tác dụng.

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy chuẩn hóa $\beta$, doanh nghiệp bán lẻ và các nhà tiếp thị có thể triển khai chiến dịch Marketing lan tỏa trên TikTok theo quy trình 4 giai đoạn chuẩn hóa:

                  LỘ TRÌNH TRIỂN KHAI CHIẾN DỊCH TIKTOK VIRAL MARKETING

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI Analysis)

  • Chi phí sản xuất: Tiết kiệm 40% - 60% chi phí sản xuất video so với TVC truyền thống nhờ tận dụng thiết bị di động và phong cách KOC chân thực.
  • Tỷ lệ chuyển đổi (Conversion Rate): Khi kết hợp đồng thời Yếu tố cảm xúc (EV) và Khuyến khích (INC), tỷ lệ nhấp vào giỏ hàng (CTR to Shop) tăng từ $1.8%$ lên $4.6% - 6.2%$.
  • Chỉ số ROI dự kiến: Doanh thu tăng trưởng đạt từ 2.5x đến 3.8x so với ngân sách chi trả cho KOC/quảng cáo TikTok Spark Ads.

Hạn chế và hướng phát triển

Dù đạt được những kết quả có ý nghĩa thống kê cao, đề tài vẫn tồn tại một số hạn chế cần được tiếp tục hoàn thiện:

  1. Phương pháp chọn mẫu: Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện phi xác suất ($N=300$), tập trung vào đối tượng sinh viên tại khu vực nội thành Hà Nội nên tính khái quát hóa cho toàn bộ người tiêu dùng Việt Nam còn hạn chế.
  2. Giới hạn mô hình OLS: Chưa kiểm định được các tác động gián tiếp (Mediating effect) hoặc biến điều tiết (Moderating effect) như thói quen sử dụng Internet hay mức độ hoài nghi quảng cáo.
  3. Định hướng nghiên cứu tương lai:
    • Mở rộng phạm vi khảo sát liên tỉnh (TP.HCM, Đà Nẵng, Cần Thơ) với quy mô mẫu $N \ge 800$.
    • Nâng cấp phương pháp phân tích sang mô hình cấu trúc tuyến tính PLS-SEM hoặc CB-SEM trên phần mềm SmartPLS 4 / AMOS.
    • Ứng dụng công nghệ xử lý dữ liệu lớn (Big Data) để phân tích sắc thái bình luận (Sentiment Analysis) của người xem video bằng Machine Learning/NLP.

Đối tượng hưởng lợi

  • Sinh viên & Giới trẻ: Tiếp cận các tài liệu tham khảo học thuật chất lượng cao về phương pháp nghiên cứu định lượng, nắm bắt cơ chế tâm lý tiêu dùng để trở thành người mua sắm trực tuyến thông thái.
  • Nhà phát triển & Marketer: Tiếp nhận bộ chỉ số đo lường thực nghiệm, công thức xây dựng kịch bản video TikTok và thuật toán phân tích số liệu mẫu giúp tối ưu chiến dịch Viral Marketing.
  • Doanh nghiệp & Hộ kinh doanh cá thể (SMEs): Sở hữu khung hướng dẫn triển khai TikTok Shop với giải pháp kích thích doanh số thực tế, tối ưu hóa ngân sách quảng cáo và đạt ROI mục tiêu.
  • Nhà nghiên cứu học thuật: Kế thừa bộ thang đo 28 biến đã được kiểm định độ tin cậy nội tại ($\alpha > 0.83$) và cấu trúc EFA vững chắc làm tiền đề cho các công trình nghiên cứu mở rộng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để chạy mô hình phân tích này là gì?

Hệ thống yêu cầu dữ liệu khảo sát tối thiểu $N \ge 274$ mẫu theo chuẩn Tabachnick & Fidell. Phần mềm khuyến nghị bao gồm IBM SPSS Statistics phiên bản 22.0 trở lên (hoặc môi trường Python 3.8+ với các thư viện statsmodels, pandas, factor_analyzer).

2. Nhân tố nào tác động mạnh nhất đến quyết định mua hàng trên TikTok của sinh viên?

Nhân tố Yếu tố khuyến khích (INC) có tác động mạnh nhất ($\beta = 0.298, p < 0.001$), tiếp theo là Sự tương tác nội dung lan tỏa (TT) ($\beta = 0.262$) và Giá trị cảm xúc (EV) ($\beta = 0.235$).

3. Làm thế nào để giải quyết hiện tượng đa cộng tuyến trong phân tích hồi quy?

Trong quá trình kiểm định, hệ số phóng đại phương sai (VIF) của tất cả các biến đều nằm trong khoảng $1.385 \to 1.482$, nhỏ hơn nhiều so với ngưỡng cảnh báo $2.0$. Điều này chứng minh các biến độc lập hoàn toàn phân biệt và không xảy ra đa cộng tuyến.

4. Doanh nghiệp ngân sách nhỏ có thể ứng dụng kết quả nghiên cứu này như thế nào?

Doanh nghiệp có thể tập trung vào 2 biến có hệ số tác động cao nhất: Tạo nội dung kích thích tương tác tự nhiên (Hài hước/Review chân thực) kết hợp tặng kèm mã Freeship/Giảm giá trực tiếp thay vì thuê KOL đắt tiền.

5. Thời gian hoàn vốn (ROI) khi áp dụng chiến lược Viral Marketing TikTok thường kéo dài bao lâu?

Nhờ tính tức thời của thuật toán phân phối TikTok và tính năng gắn link giỏ hàng TikTok Shop, một chiến dịch Viral Marketing được tối ưu đúng công thức có thể mang lại điểm hòa vốn và sinh lời trong vòng 7 đến 21 ngày kể từ khi video đạt xu hướng.

Kết luận

Khóa luận tốt nghiệp "Ảnh hưởng của Marketing lan tỏa trên nền tảng TikTok đến ý định mua sắm trực tuyến của sinh viên trên địa bàn Hà Nội" đã giải quyết trọn vẹn bài toán thực nghiệm về hành vi tiêu dùng thế hệ mới. Bằng việc kết hợp hệ thống lý thuyết chuẩn tắc (TRA, TPB, TAM, Halo Effect) cùng công cụ xử lý định lượng tiên tiến trên SPSS 26.0, đề tài đã chứng minh thành công ảnh hưởng tích cực của 5 nhân tố: Khuyến khích ($\beta=0.298$), Tương tác lan tỏa ($\beta=0.262$), Giá trị cảm xúc ($\beta=0.235$), Nhận biết thương hiệu ($\beta=0.174$) và Giá trị xã hội ($\beta=0.151$), giải thích tới 57,7% biến thiên ý định mua sắm của sinh viên.

Kết quả nghiên cứu cung cấp cơ sở khoa học và cẩm nang hành động thực tiễn cho các doanh nghiệp đang tìm kiếm giải pháp bứt phá doanh số trên nền tảng TikTok Shop. Hãy áp dụng ngay quy trình 4 giai đoạn tối ưu nội dung và chính sách khuyến khích để biến lượt xem video thành doanh thu bền vững!