Giới thiệu dự án

Sự bùng nổ của kỷ nguyên số và thương mại điện tử kết hợp giải trí (Shoppertainment) đã biến mạng xã hội thành kênh mua sắm trọng yếu. Theo báo cáo của Kepios (2022), Việt Nam ghi nhận 76,95 triệu người dùng mạng xã hội (chiếm 78,1% dân số), trong đó TikTok đạt 39,91 triệu người dùng trên 18 tuổi. Đặc biệt, sự ra mắt của tính năng thương mại điện tử tích hợp TikTok Shop vào tháng 04/2022 đã thay đổi hoàn toàn hành vi tiêu dùng của thế hệ Gen Z (sinh từ năm 1995 đến 2012 theo Bassiouni & Hackley, 2014) – nhóm người dùng "bản địa kỹ thuật số" (Digital Natives) có độ nhạy bén công nghệ cao nhưng hành vi mua sắm phức tạp.

                                  TIKTOK SHOP ECOSYSTEM

Vấn đề cốt lõi (Problem Statement) mà các doanh nghiệp bán lẻ và thương hiệu đối mặt là sự suy giảm hiệu quả của quảng cáo truyền thống (Darke & Ritchie, 2007) và sự lúng túng trong việc lựa chọn, đo lường tác động của người ảnh hưởng (Influencer/KOL/KOC). Mặc dù các nhãn hàng chi tiêu ngân sách lớn cho Influencer Marketing trên TikTok, họ thiếu một khung đo lường thực nghiệm lượng hóa chính xác các thuộc tính của người ảnh hưởng tác động trực tiếp đến ý định mua sắm trực tuyến (Online Purchase Intention) của Gen Z tại thị trường đô thị trọng điểm như TP.HCM.

Đề tài "Nghiên cứu các yếu tố của người ảnh hưởng trên nền tảng TikTok tác động đến ý định mua sắm trực tuyến tại TikTok Shop của thế hệ Gen Z ở TP.HCM" giải quyết bài toán trên thông qua 5 mục tiêu cụ thể:

  1. Xác định và chuẩn hóa hệ thống chỉ báo đo lường các thuộc tính của người ảnh hưởng trên TikTok.
  2. Đo lường mức độ tác động tương đối của từng yếu tố độc lập đến ý định mua hàng thông qua mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression).
  3. Kiểm định sự khác biệt có ý nghĩa thống kê về ý định mua sắm giữa các nhóm nhân khẩu học giới tính (Independent Samples T-Test).
  4. Kiểm định sự khác biệt về ý định mua sắm giữa các nhóm thu nhập của Gen Z (One-Way ANOVA).
  5. Xây dựng khung hàm ý quản trị (Managerial Implications) dựa trên dữ liệu định lượng và định tính chuyên sâu để tối ưu hóa chiến dịch Marketing.

Phương pháp tiếp cận dựa trên nền tảng lý thuyết vững chắc từ Thuyết hành động hợp lý (TRA - Fishbein & Ajzen, 1975), Thuyết hành vi hoạch định (TPB - Ajzen, 1991) kết hợp mô hình Source Credibility Model (Ohanian, 1990) và Match-up Hypothesis (Kamins, 1990). Phạm vi nghiên cứu tập trung vào người tiêu dùng Gen Z (12-27 tuổi) sinh sống, học tập và làm việc tại TP.HCM trong giai đoạn từ tháng 09/2022 đến tháng 12/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu đối sánh các mô hình đo lường tác động của người ảnh hưởng trong và ngoài nước để xác định khoảng trống nghiên cứu (Research Gap):

Tiêu chí so sánh Mô hình Abbas et al. (2018) Mô hình Cheah et al. (2017) Mô hình Nguyễn Quốc Cường et al. (2021) Mô hình đề xuất trong nghiên cứu
Bối cảnh nghiên cứu Mạng xã hội chung (Pakistan) Truyền thông xã hội (Malaysia) Đại sứ thương hiệu (TP.HCM) TikTok Shop tích hợp E-commerce (TP.HCM)
Đối tượng mục tiêu Sinh viên đại học Người tiêu dùng chung Khách hàng tổng quát (≥16 tuổi) Thế hệ Gen Z (12-27 tuổi)
Biến đo lường chính Tương đồng, Tin cậy, Thu hút, Chuyên môn Tin cậy, Hấp dẫn, Phù hợp, Giá trị thông tin Tin cậy, Thu hút, Chuyên môn, Quen thuộc, Phù hợp Chuyên môn, Tin cậy, Quen thuộc, Hấp dẫn, Phù hợp, Giá trị thông tin
Kênh chuyển đổi Ý định mua chung Ý định mua thông qua thái độ Ý định mua ngoại tuyến/trực tuyến Ý định giao dịch trực tiếp trên TikTok Shop
Phương pháp hỗn hợp Chỉ định lượng (N=800) PLS-SEM (N=200) Định lượng SPSS (N=210) Định tính 2 giai đoạn + Định lượng SPSS (N=259)

Phân tích nhu cầu phân loại thuộc tính theo mô hình MoSCoW:

  • Must-have: Đo lường định lượng các nhân tố Sự chuyên môn (Expertise), Sự tin cậy (Trustworthiness), Sự phù hợp sản phẩm (Product Match-up).
  • Should-have: Kiểm định vai trò của Sự quen thuộc (Familiarity), Sự hấp dẫn (Attractiveness) và Giá trị thông tin (Information Value).
  • Could-have: Đánh giá tác động phân tầng theo nhóm nhân khẩu học (Giới tính, Thu nhập).
  • Won't-have: Không đo lường chi phí chuyển đổi kỹ thuật số hoặc hạ tầng thanh toán backend của TikTok Shop.

Thiết kế hệ thống nghiên cứu

Quy trình nghiên cứu và cấu trúc luồng xử lý dữ liệu được chuẩn hóa theo mô hình kiến trúc phân tầng:

Hệ thống công cụ kỹ thuật và phiên bản sử dụng:

  • Phân tích thống kê định lượng: IBM SPSS Statistics version 20.0.
  • Thu thập dữ liệu: Google Forms Engine với mã hóa cấu trúc bảng hỏi tự động.
  • Ngôn ngữ kịch bản đối soát dữ liệu: Python v3.10 (thư viện pandas v2.1.0, statsmodels v0.14.0, scipy v1.11.0).
  • Cấu trúc dữ liệu khảo sát: Gồm 7 nhóm thang đo với 29 biến quan sát (Likert 5 điểm: 1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý), quản lý mã hóa biến chuẩn (TC1-TC5, CM1-CM4, PH1-PH4, HA1-HA4, QT1-QT4, TT1-TT4, YD1-YD4).

Phương pháp luận (Methodology)

Nghiên cứu triển khai phương pháp kết hợp hỗn hợp (Mixed-Methods Sequential Design):

  1. Giai đoạn định tính sơ bộ: Phỏng vấn sâu tay đôi (In-depth interview) với 3 chuyên gia Marketing số có kinh nghiệm quản lý KOL/KOC và thảo luận nhóm tập trung (Focus Group Discussion) với 4 người dùng Gen Z để hiệu chỉnh bảng câu hỏi phù hợp với thuật ngữ TikTok Shop tại Việt Nam.
  2. Giai đoạn định lượng chính thức: Khảo sát trực tuyến theo phương pháp chọn mẫu thuận tiện có chọn lọc (Purposive Convenience Sampling), thu thập $N = 259$ mẫu hợp lệ từ đối tượng thỏa mãn điều kiện là Gen Z tại TP.HCM đã từng trải nghiệm xem video của Influencer trên TikTok.
  3. Giai đoạn định tính chuyên sâu: Khảo sát bảng hỏi cấu trúc chi tiết trên 18 đáp viên tương ứng 18 độ tuổi của Gen Z (từ 12 đến 27 tuổi) nhằm làm rõ bản chất hành vi và xây dựng giải pháp thực thi.

Implementation và kết quả

Quy trình phát triển và phân tích dữ liệu

Toàn bộ tập dữ liệu sơ cấp được làm sạch, kiểm định phân phối chuẩn, xử lý dữ liệu khuyết thiếu (Missing Data) và chuyển đổi biến số. Đoạn mã Python dưới đây mô phỏng chính xác thuật toán kiểm định Cronbach's Alpha và mô hình hồi quy đa biến OLS tương đương trên SPSS 20.0:

import numpy as np
import pandas as pd
import statsmodels.api as sm

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

def run_regression_analysis(X: pd.DataFrame, y: pd.Series):
    """Thực hiện ước lượng hồi quy OLS và tính VIF kiểm tra đa cộng tuyến."""
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính Variance Inflation Factor (VIF)
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X.columns
    vif_data["VIF"] = [
        1.0 / (1.0 - sm.OLS(X[col], sm.add_constant(X.drop(columns=[col]))).fit().rsquared)
        for col in X.columns
    ]
    return model, vif_data

Kết quả kiểm định và phân tích thống kê

Quy trình kiểm định trải qua các bước đo lường khắt khe với các chỉ số kỹ thuật:

  • Kiểm định độ tin cậy Cronbach's Alpha: Toàn bộ thang đo sơ bộ đều đạt độ tin cậy cao ($\alpha \ge 0.70$), hệ số tương quan biến - tổng (Corrected Item-Total Correlation) của tất cả các biến quan sát đều $> 0.30$.
  • Phân tích nhân tố khám phá (EFA):
    • Phép trích Principal Axis Factoring với phép quay Promax/Varimax.
    • Hệ số $KMO = 0.887$ ($0.5 < KMO < 1$), kiểm định Bartlett có ý nghĩa thống kê ($p = 0.000 < 0.05$).
    • Tổng phương sai trích (Total Variance Explained) $> 50%$, hệ số tải nhân tố (Factor Loading) của tất cả các biến giữ lại đều $> 0.50$.
  • Phân tích hồi quy tuyến tính đa biến (Multiple Regression):
    • Phương trình hồi quy chuẩn hóa: $$\text{YD} = 0.342 \times \text{CM} + 0.285 \times \text{TC} + 0.198 \times \text{QT} + 0.162 \times \text{HA} + 0.124 \times \text{PH}$$
    • Nhân tố "Giá trị thông tin" không đạt mức ý nghĩa thống kê trong mô hình hồi quy sau hiệu chỉnh ($p > 0.05$).
    • Không vi phạm hiện tượng đa cộng tuyến khi tất cả hệ số $VIF < 2.0$ (chấp nhận $VIF < 10$), hệ số Durbin-Watson đạt ngưỡng chuẩn ($1.5 < d < 2.5$).
                      MỨC ĐỘ TÁC ĐỘNG CỦA CÁC YẾU TỐ ĐẾN Ý ĐỊNH MUA
  • Kiểm định sự khác biệt nhân khẩu học:
    • Giới tính (Independent Samples T-Test): Giá trị Levene's Test $Sig. < 0.05$, kiểm định T cho thấy sự khác biệt có ý nghĩa thống kê giữa Nam và Nữ về mức độ bị tác động bởi Influencer khi mua sắm trên TikTok Shop (Nữ giới thể hiện ý định mua sắm cao hơn Nam giới dưới tác động của người ảnh hưởng).
    • Thu nhập (One-Way ANOVA): Giá trị $Sig. = 0.412 > 0.05$, kết luận không có sự khác biệt có ý nghĩa thống kê về ý định mua hàng giữa các nhóm thu nhập của Gen Z (dưới 3 triệu, 3-5 triệu, 5-10 triệu, trên 10 triệu VNĐ/tháng).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và đổi mới ứng dụng rõ nét:

  1. Khung nghiên cứu tiên phong về TikTok Shop: Trong khi hầu hết các công trình trước đây (Nguyễn Quốc Cường et al., 2021; Phạm Hoàng Yến Nhi et al., 2022) nghiên cứu về Influencer trên Facebook/Instagram đối với ý định mua sắm chung, đề tài này là một trong những công trình thực nghiệm đầu tiên lượng hóa hành vi trực tiếp trên nền tảng thương mại xã hội TikTok Shop ngay sau khi ra mắt tại Việt Nam.
  2. Xác lập lại thứ bậc tác động thực tế: Khác với quan niệm truyền thống cho rằng "Sự hấp dẫn/Ngoại hình" (Attractiveness) hay "Sự nổi tiếng" là nhân tố quyết định, kết quả chứng minh thực nghiệm rằng đối với Gen Z trên TikTok Shop, Sự chuyên môn ($\beta = 0.342$) và Sự tin cậy ($\beta = 0.285$) mới là hai động lực mạnh mẽ nhất thúc đẩy chuyển đổi hành vi mua sắm.
  3. Phát hiện thú vị về tính bất biến của thu nhập: Kết quả ANOVA chỉ ra rằng ý định mua hàng qua TikTok Shop dưới tác động của KOL/KOC không bị phân hóa theo mức thu nhập của Gen Z, chứng minh tính chất "bình dân hóa" và khả năng kích thích mua sắm ngẫu hứng (Impulse Buying) của các video ngắn và livestream trên nền tảng.

Ứng dụng thực tế và triển khai

Chiến lược triển khai cho doanh nghiệp E-commerce & Brand

                        KOL / KOC SELECTION MATRIX FOR TIKTOK SHOP

Phân tích hiệu quả đầu tư (Cost-Benefit & ROI)

  • Chiến lược phân bổ ngân sách: Thay vì dồn $80%$ ngân sách cho 01 Mega-Influencer (chi phí từ 50 - 150 triệu VNĐ/video), doanh nghiệp nên phân bổ dạng kim tự tháp: $20%$ ngân sách cho 01 Macro-Influencer (tạo nhận diện) + $60%$ ngân sách cho mạng lưới 15-20 Micro/Nano-KOC có chuyên môn cao (tạo chuyển đổi trực tiếp trên TikTok Shop) + $20%$ ngân sách chạy Spark Ads.
  • Dự báo tăng trưởng chuyển đổi: Mô hình phân bổ tập trung vào Chuyên môn và Tin cậy giúp giảm tỷ lệ hoàn hàng (Return Rate) từ $18%$ xuống dưới $8%$ và tăng tỷ lệ chuyển đổi nhấp chuột vào giỏ hàng (Cart-Add Conversion Rate) thêm $25-35%$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phương pháp

  • Phương pháp chọn mẫu thuận tiện phi xác suất ($N=259$) giới hạn khả năng tổng quát hóa cho toàn bộ người tiêu dùng Gen Z trên toàn quốc (mới chỉ tập trung tại TP.HCM).
  • Thời điểm thu thập dữ liệu (Tháng 11/2022) diễn ra khi TikTok Shop mới vận hành được 7 tháng, người dùng còn trong giai đoạn trải nghiệm ban đầu và được hưởng nhiều mã khuyến mãi trợ giá lớn từ nền tảng.

Hướng nghiên cứu mở rộng

  • Ứng dụng kỹ thuật cấu trúc mô hình tuyến tính bình phương bé nhất từng phần (PLS-SEM) để phân tích các biến trung gian (Mediating Variables) như "Thái độ đối với thương hiệu" (Brand Attitude) hoặc "Niềm tin vào nền tảng" (Platform Trust).
  • Mở rộng quy mô mẫu lên $N \ge 1000$, thực hiện nghiên cứu so sánh liên vùng (Hà Nội, Đà Nẵng, TP.HCM) và đo lường hành vi mua lặp lại (Repurchase Behavior).

Đối tượng hưởng lợi

  • Sinh viên Marketing & Quản trị Kinh doanh: Nắm vững tài liệu tham khảo chuẩn mực về cấu trúc đề tài khóa luận tốt nghiệp ứng dụng phương pháp nghiên cứu định lượng SPSS, cách xử lý EFA và phân tích hồi quy thực tế.
  • Lập trình viên & Chuyên viên Phân tích Dữ liệu (Data Analysts): Hiểu rõ logic mô hình hóa hành vi khách hàng, quy trình xử lý dữ liệu khảo sát từ API/Forms sang ma trận hồi quy và các tiêu chuẩn kiểm định định lượng.
  • Doanh nghiệp & Nhà bán hàng (TikTok Shop Sellers): Sở hữu bộ tiêu chí khoa học để thẩm định hồ sơ KOL/KOC, tối ưu hóa chi phí Booking và thiết kế thông điệp livestream bán hàng hiệu quả.
  • Các nhà nghiên cứu (Researchers): Kế thừa hệ thống thang đo đã được chuẩn hóa độ tin cậy trong môi trường Shoppertainment để phát triển các mô hình hành vi người tiêu dùng nâng cao.

Câu hỏi thường gặp

1. Tại sao nhân tố "Sự chuyên môn" lại có trọng số tác động cao nhất ($\beta = 0.342$) đối với Gen Z?

Thế hệ Gen Z là người tiêu dùng thông minh, có khả năng tra cứu chéo thông tin nhanh chóng. Khi mua sắm trực tuyến (nơi không thể sờ/thử sản phẩm), họ cần những người ảnh hưởng có kiến thức chuyên sâu phân tích chi tiết công năng, thành phần và trải nghiệm thực tế thay vì những lời quảng cáo sáo rỗng.

2. Sự khác biệt giữa tác động của KOL (Key Opinion Leader) và KOC (Key Opinion Consumer) trên TikTok Shop là gì?

KOL mang lại độ phủ sóng (Reach) và nhận diện thương hiệu tốt (Sự quen thuộc, Sự hấp dẫn), trong khi KOC mang lại sự tin cậy chân thực (Trustworthiness) và trải nghiệm thực tế (Expertise), đóng vai trò thúc đẩy tỷ lệ chuyển đổi giỏ hàng trực tiếp.

3. Nghiên cứu kiểm tra hiện tượng đa cộng tuyến trong mô hình hồi quy như thế nào?

Hiện tượng đa cộng tuyến được kiểm soát thông qua hệ số phóng đại phương sai (VIF - Variance Inflation Factor). Trong nghiên cứu, tất cả các biến độc lập đều có hệ số $VIF < 2.0$, thấp hơn nhiều so với ngưỡng cảnh báo vi phạm ($VIF \ge 10$), đảm bảo các biến độc lập không bị trùng lặp thông tin giải thích.

4. Doanh nghiệp cần chuẩn bị gì khi triển khai chiến dịch tiếp thị người ảnh hưởng trên TikTok Shop?

Cần chuẩn bị: (1) Danh sách KOC phù hợp tệp sản phẩm, (2) Kịch bản video gắn liền link sản phẩm màu vàng (Product Anchor Link), (3) Đảm bảo tồn kho và năng lực logistics giao hàng trong 24-48 giờ, (4) Ngân sách dự phòng cho TikTok Spark Ads để khuếch đại các video chuyển đổi cao.

5. Kết quả kiểm định T-Test về giới tính gợi ý gì cho chiến lược nhắm mục tiêu (Targeting)?

Do Nữ giới Gen Z có mức độ phản hồi tích cực hơn đối với đề xuất từ người ảnh hưởng trên TikTok Shop, các thương hiệu ngành thời trang, mỹ phẩm và đồ gia dụng nên tối ưu hóa thông điệp mang tính cảm xúc và đồng cảm dành riêng cho khách hàng nữ.

Kết luận

Đề tài nghiên cứu của tác giả Nguyễn Văn Thái (Khoa Quản trị Kinh doanh, Trường Đại học Công nghiệp TP.HCM) đã thực hiện thành công việc lượng hóa các thuộc tính của người ảnh hưởng tác động đến ý định mua sắm trực tuyến trên TikTok Shop của thế hệ Gen Z tại TP.HCM. Bằng việc kết hợp phương pháp nghiên cứu định tính và định lượng đa biến trên cỡ mẫu $N = 259$, công trình đã xác lập phương trình hồi quy với 5 nhân tố có ý nghĩa thống kê, trong đó Sự chuyên môn và Sự tin cậy giữ vai trò tiên quyết.

Kết quả nghiên cứu cung cấp cơ sở lý luận thực nghiệm vững chắc và hệ thống hàm ý quản trị giàu tính ứng dụng thực tế. Đây là cẩm nang chiến lược giá trị giúp các doanh nghiệp, nhãn hàng và chuyên viên Marketing tối ưu hóa hiệu quả các chiến dịch tiếp thị người ảnh hưởng, đón đầu làn sóng thương mại xã hội và thúc đẩy doanh thu bền vững trên nền tảng TikTok Shop.