Giới thiệu dự án

Sự phát triển vượt bậc của công nghệ số và truyền thông trực tuyến đã tái định hình toàn diện hành vi người tiêu dùng (Consumer Behavior). Theo báo cáo Digital 2024: Vietnam (Kepios, 2024), Việt Nam ghi nhận 78,44 triệu người dùng Internet (chiếm 79,1% dân số), cùng với 72,70 triệu tài khoản mạng xã hội đang hoạt động (tương đương 73,3% dân số, tăng trưởng +9,8% so với năm 2023). Đáng chú ý, tỷ lệ người dùng mạng xã hội từ 18 tuổi trở lên đạt 72,55 triệu người; khả năng tiếp cận quảng cáo của các nền tảng chủ lực đạt mức kỷ lục: TikTok đạt 67,72 triệu người trưởng thành (92,6%), Facebook tiếp cận 73,3% dân số, và YouTube đạt 63,5% dân số.

                  BỐI CẢNH NGHIÊN CỨU & KHOẢNG TRỐNG THỰC TIỄN

Vấn đề nghiên cứu và Điểm nghẽn thực tiễn

Mặc dù môi trường mạng xã hội (Social Media Platforms) mang lại không gian tiếp cận khách hàng tiềm năng quy mô lớn với chi phí tối ưu, các doanh nghiệp đang đối mặt với bài toán sụt giảm hiệu suất quảng cáo (Ad Fatigue & Advertising Avoidance). Người tiêu dùng trẻ—đặc biệt là nhóm sinh viên (độ tuổi 18–24, chiếm 28% tổng lượng người mua sắm trực tuyến theo Picodi)—thường xuyên gặp phải các thông điệp quảng cáo kém minh bạch, nội dung trùng lặp, thiếu tính xác thực hoặc mang tính xâm phạm quyền riêng tư. Điều này tạo ra rào cản tâm lý lớn trong giai đoạn "Tìm kiếm thông tin" (Information Search) và "Đánh giá lựa chọn" (Evaluation of Alternatives).

Mục tiêu của đề tài

  1. Mục tiêu 1: Xác định các nhân tố cấu thành giá trị quảng cáo qua mạng xã hội ảnh hưởng đến quyết định mua sắm của sinh viên trên địa bàn TP.HCM.
  2. Mục tiêu 2: Đo lường mức độ tác động tương đối (trọng số hồi quy chuẩn hóa $\beta$) của từng nhân tố: Tính thông tin (TT), Tính hấp dẫn (HD), Tính tương tác (TTA), Độ tin cậy (TC), và Sự tiện nghi (TN) đến Quyết định mua sắm (QD).
  3. Mục tiêu 3: Đề xuất hệ thống hàm ý quản trị (Managerial Implications) và giải pháp tối ưu hóa chiến dịch Digital Marketing nhắm đến phân khúc khách hàng trẻ.

Phương pháp tiếp cận và Phạm vi nghiên cứu

Nghiên cứu áp dụng phương pháp tiếp cận kết hợp (Mixed Methods Research Design):

  • Giai đoạn định tính: Lược khảo các lý thuyết nền tảng (Mô hình hành vi người tiêu dùng của Philip Kotler, Mô hình giá trị quảng cáo của Ducoffe 1996) kết hợp kỹ thuật phỏng vấn nhóm tập trung ($n = 4$) để hiệu chỉnh thang đo Likert 5 điểm.
  • Giai đoạn định lượng: Khảo sát diện rộng ngẫu nhiên phân tầng đối với sinh viên tại các trường đại học trên địa bàn TP.HCM (HUB, IUH, UTE, TDTU, HCMUT, HCMUSSH, UEF, FPT, NTTU, HUTECH, UFM, HUFLIT). Cỡ mẫu làm sạch hợp lệ đạt $N = 254$ quan sát, xử lý qua SPSS v20.0.
  • Phạm vi nghiên cứu: Sinh viên đại học tại TP.HCM; dữ liệu sơ cấp thu thập từ tháng 02/2024 đến tháng 03/2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành phân tích so sánh các khung lý thuyết hiện hành nhằm xác định khoảng trống nghiên cứu (Research Gaps):

Mô hình nghiên cứu Tác giả & Năm Ưu điểm Hạn chế / Điểm nghẽn
Mô hình Giá trị Quảng cáo Web Ducoffe (1996) Xác lập 3 trụ cột: Tính thông tin, Tính giải trí, Tính phiền nhiễu tác động đến Thái độ. Dừng lại ở biến thái độ (Attitude), chưa kiểm định trực tiếp hành vi Quyết định mua sắm (Purchase Decision).
Mô hình Chấp nhận Quảng cáo MXH Nguyễn Thanh Duy và cộng sự (2013) Chứng minh sự chấp nhận quảng cáo trực tuyến tại thị trường Việt Nam. Chưa lượng hóa tác động chuyển đổi sang hành động mua sắm thực tế của phân khúc sinh viên.
Mô hình Tính năng Quảng cáo MXH Ali Abdallah Alalwan (2018) Đánh giá kỳ vọng hiệu suất, tính tương tác, tính giải trí tại thị trường Jordan ($N=437$). Bỏ qua các biến nhân khẩu học và yếu tố công nghệ đặc thù của thị trường Đông Nam Á.
Mô hình Nghiên cứu Đề xuất (Khóa luận) Tạ Thị Ngọc Tú (2024) Tích hợp 5 biến độc lập (TT, HD, TTA, TC, TN), kiểm định trực tiếp trên $N=254$ sinh viên TP.HCM. Kiểm định đa biến toàn diện với kiểm soát đa cộng tuyến ($VIF < 2$) và kiểm định ANOVA/T-test. 
                       MA TRẬN ƯU TIÊN YÊU CẦU (MoSCoW)

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và mô hình hóa kinh tế lượng (Econometric Pipeline) được thiết kế theo cấu trúc chuẩn mực khoa học dữ liệu:

Technology Stack & Công cụ Phân tích

  • SPSS Statistics v20.0: Động cơ tính toán thống kê mô tả, ma trận xoay nhân tố Varimax, kiểm định ANOVA, hồi quy tuyến tính OLS.
  • Microsoft Excel 365 (v16.0): Quản lý cơ sở dữ liệu thô, lọc bỏ quan sát không đạt chuẩn (outliers/straight-lining responses).
  • Python 3.10+ Ecosystem (Automation Pipeline):
    • pandas v2.1.0 & numpy v1.26.0: Data wrangling.
    • pingouin v0.5.3: Automated Cronbach’s alpha & psychometric reliability.
    • factor_analyzer v0.5.0: Exploratory Factor Analysis engine.
    • statsmodels v0.14.0: Ordinary Least Squares (OLS) regression & diagnostic tests.

Thiết kế Cấu trúc Dữ liệu (Data Dictionary Schema)

Trường dữ liệu Mã biến Kiểu dữ liệu Thang đo Ràng buộc giá trị
Informativeness TT1 - TT4 Float / Numeric Likert 5 mức độ $1.0 \le x \le 5.0$
Attractiveness HD1 - HD4 Float / Numeric Likert 5 mức độ $1.0 \le x \le 5.0$
Interactivity TTA1 - TTA5 Float / Numeric Likert 5 mức độ $1.0 \le x \le 5.0$
Credibility TC1 - TC5 Float / Numeric Likert 5 mức độ $1.0 \le x \le 5.0$
Convenience TN1 - TN5 Float / Numeric Likert 5 mức độ $1.0 \le x \le 5.0$
Purchase_Decision QD1 - QD5 Float / Numeric Likert 5 mức độ $1.0 \le x \le 5.0$
Demographics Gender, Univ, Year, Major Categorical / String Định danh (Nominal) Mã hóa số nguyên

Methodology

Quy trình nghiên cứu tuân thủ các mốc tiến độ nghiêm ngặt:

                  LỘ TRÌNH TRIỂN KHAI PHƯƠNG PHÁP NGHIÊN CỨU

Đánh giá và Kiểm soát Rủi ro Nghiên cứu

Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu & Kiểm soát
Cỡ mẫu không đủ đại diện Trung bình Áp dụng công thức Hair et al. ($N \ge 5 \times 30 = 150$) và Tabachnick & Fidell ($N \ge 8 \times 5 + 150 = 190$). Thực tế thu thập $N = 254$ vượt $33,6%$ chuẩn tối thiểu.
Hiện tượng Đa cộng tuyến (Multicollinearity) Cao Đánh giá hệ số $VIF$. Thiết lập ngưỡng loại trừ $VIF \ge 2.0$ trong phân tích hồi quy thực nghiệm.
Sai lệch thang đo (Measurement Bias) Thấp Kiểm định độ tin cậy với hệ số tương quan biến - tổng (Corrected Item-Total Correlation $\ge 0.30$) và Cronbach's Alpha $\ge 0.60$.

Implementation và kết quả

Development process

Phương trình hồi quy tuyến tính bội được mô hình hóa theo công thức:

$$QD = \beta_0 + \beta_1 TT + \beta_2 HD + \beta_3 TTA + \beta_4 TC + \beta_5 TN + \epsilon$$

Trong đó:

  • $QD$: Quyết định mua sắm của sinh viên (Biến phụ thuộc).
  • $\beta_0$: Hằng số tự do (Intercept).
  • $\beta_1, \beta_2, \beta_3, \beta_4, \beta_5$: Hệ số hồi quy riêng phần tương ứng với Tính thông tin ($TT$), Tính hấp dẫn ($HD$), Tính tương tác ($TTA$), Độ tin cậy ($TC$), Sự tiện nghi ($TN$).
  • $\epsilon$: Sai số ngẫu nhiên (Residual error term).

Thuật toán kiểm định độ tin cậy thang đo Cronbach's Alpha:

$$\alpha = \frac{k}{k-1} \left( 1 - \frac{\sum_{i=1}^{k} \sigma_{y_i}^2}{\sigma_x^2} \right)$$

Hệ số phóng đại phương sai (Variance Inflation Factor):

$$VIF_j = \frac{1}{1 - R_j^2}$$

Pipeline Tự động hóa Phân tích Thống kê (Python Script Reference)

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

def execute_econometric_pipeline(dataset_path: str):
    """
    Tự động hóa tính toán Cronbach's Alpha, VIF và Hồi quy OLS cho dữ liệu nghiên cứu
    """
    df = pd.read_csv(dataset_path)
    
    # Danh sách các nhóm thang đo
    constructs = {
        'TT': ['TT1', 'TT2', 'TT3', 'TT4'],
        'HD': ['HD1', 'HD2', 'HD3', 'HD4'],
        'TTA': ['TTA1', 'TTA2', 'TTA3', 'TTA4', 'TTA5'],
        'TC': ['TC1', 'TC2', 'TC3', 'TC4', 'TC5'],
        'TN': ['TN1', 'TN2', 'TN3', 'TN4', 'TN5'],
        'QD': ['QD1', 'QD2', 'QD3', 'QD4', 'QD5']
    }
    
    # 1. Tính toán Cronbach's Alpha cho từng nhân tố
    alpha_results = {}
    for name, cols in constructs.items():
        alpha, _ = pg.cronbach_alpha(data=df[cols])
        alpha_results[name] = round(alpha, 3)
        df[f'{name}_mean'] = df[cols].mean(axis=1)
        
    print(f"[*] Cronbach's Alpha Metrics: {alpha_results}")
    
    # 2. Xây dựng ma trận biến độc lập và phụ thuộc
    X_vars = ['TT_mean', 'HD_mean', 'TTA_mean', 'TC_mean', 'TN_mean']
    X = sm.add_constant(df[X_vars])
    y = df['QD_mean']
    
    # 3. Ước lượng mô hình OLS
    model = sm.OLS(y, X).fit()
    
    # 4. Kiểm tra VIF
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X_vars
    vif_data["VIF"] = [variance_inflation_factor(X[X_vars].values, i) for i in range(len(X_vars))]
    
    print("\n[*] OLS Regression Summary:")
    print(model.summary())
    print("\n[*] Multicollinearity Assessment (VIF):")
    print(vif_data)
    
    return model, vif_data

if __name__ == "__main__":
    # execute_econometric_pipeline('survey_data_clean.csv')
    pass

Testing và validation

Kiểm định Độ tin cậy Thang đo (Cronbach's Alpha) & Phân tích EFA

Toàn bộ các biến quan sát đều đạt chuẩn độ tin cậy với hệ số tương quan biến - tổng $\ge 0,30$ và Cronbach's Alpha $\ge 0,70$. Trong phân tích EFA:

  • Biến độc lập: Chỉ số $KMO = 0,865$ ($0,5 \le KMO \le 1,0$), kiểm định Bartlett có giá trị $Sig. = 0,000 < 0,05$. Tổng phương sai trích (Total Variance Explained) đạt $62,81% > 50%$, giá trị Eigenvalue dừng ở mức $1,420 > 1,0$. Ma trận xoay nhân tố (Varimax Rotation) tách biệt rõ ràng 5 nhóm biến với trọng số tải nhân tố (Factor Loadings) đều đạt $\ge 0,55$.
  • Biến phụ thuộc: $KMO = 0,812$, $Sig. = 0,000$, phương sai trích đạt $60,45%$, trích thành công 1 nhân tố duy nhất đại diện cho Quyết định mua sắm ($QD$).

Kết quả đạt được

Kết quả Hồi quy Tuyến tính Đa biến (SPSS OLS Output)

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Hệ số VIF
Hằng số (Constant) 0.285 0.192 — 1.484 0.139 —
Tính thông tin (TT) 0.245 0.048 0.268 5.104 0.000 1.342
Tính hấp dẫn (HD) 0.182 0.045 0.201 4.044 0.000 1.218
Tính tương tác (TTA) 0.198 0.046 0.215 4.304 0.000 1.235
Độ tin cậy (TC) 0.256 0.051 0.274 5.019 0.000 1.465
Sự tiện nghi (TN) 0.165 0.042 0.186 3.928 0.000 1.109 
                       CÁC CHỈ SỐ ĐO LƯỜNG MÔ HÌNH HỒI QUY

Mô hình hồi quy đạt độ thích hợp cao với $R^2$ hiệu chỉnh $= 0,603$, đồng nghĩa $60,3%$ sự biến thiên trong Quyết định mua sắm của sinh viên TP.HCM được giải thích bởi 5 nhân tố trong mô hình. Chỉ số Durbin-Watson đạt $1,892$ (nằm trong dải $1,5 - 2,5$), chứng minh không xảy ra hiện tượng tự tương quan chuỗi bậc nhất. Tất cả hệ số $VIF < 1,5$, khẳng định không có hiện tượng đa cộng tuyến.

Kết quả Kiểm định Giả thuyết

Giả thuyết Nội dung mối quan hệ Kỳ vọng Thực tế ($\beta$) $p$-value Kết luận
H1 Tính thông tin ($TT$) $\rightarrow$ Quyết định mua ($QD$) (+) +0.268 $p < 0.001$ Chấp nhận
H2 Tính hấp dẫn ($HD$) $\rightarrow$ Quyết định mua ($QD$) (+) +0.201 $p < 0.001$ Chấp nhận
H3 Tính tương tác ($TTA$) $\rightarrow$ Quyết định mua ($QD$) (+) +0.215 $p < 0.001$ Chấp nhận
H4 Độ tin cậy ($TC$) $\rightarrow$ Quyết định mua ($QD$) (+) +0.274 $p < 0.001$ Chấp nhận
H5 Sự tiện nghi ($TN$) $\rightarrow$ Quyết định mua ($QD$) (+) +0.186 $p < 0.001$ Chấp nhận

Tất cả 5 giả thuyết đều được chấp nhận với mức ý nghĩa $p < 0,001$. Độ tin cậy ($TC$, $\beta = 0,274$) và Tính thông tin ($TT$, $\beta = 0,268$) là hai yếu tố có tác động mạnh nhất đến quyết định mua hàng của sinh viên.

Đổi mới và đóng góp

Đóng góp về mặt học thuật và lý thuyết

  • Mở rộng mô hình Ducoffe (1996) trong bối cảnh mạng xã hội: Nghiên cứu đã chuyển dịch trọng tâm từ việc đo lường "Giá trị quảng cáo" (Advertising Value) sang lượng hóa trực tiếp "Quyết định mua sắm" (Purchase Decision) ở nhóm đối tượng có tỷ lệ thâm nhập số cao nhất (Digital Natives).
  • Tích hợp hai nhân tố tương tác hiện đại: Bổ sung "Tính tương tác" (Interactivity) và "Sự tiện nghi" (Convenience) như các tiền đề trực tiếp, phản ánh chuẩn xác cơ chế mua sắm tức thời (Instant Checkout / Social Commerce) trên TikTok Shop và Facebook Messenger.
                      MỨC ĐỘ ĐÓNG GÓP CỦA TỪNG NHÂN TỐ (β)
  Độ tin cậy (TC)     ████████████████████████████  0.274 (24.0%)
  Tính thông tin (TT) ███████████████████████████   0.268 (23.5%)
  Tính tương tác (TTA)█████████████████████         0.215 (18.8%)
  Tính hấp dẫn (HD)   ████████████████████          0.201 (17.6%)
  Sự tiện nghi (TN)   ██████████████████            0.186 (16.1%)

Đóng góp thực tiễn cho ngành Tiếp thị Số (Digital Marketing)

  • Tối ưu hóa phân bổ ngân sách: Chứng minh bằng định lượng rằng việc tập trung nâng cao "Độ tin cậy" và "Tính minh bạch thông tin" đem lại hiệu quả chuyển đổi cao hơn $36,3%$ so với việc chỉ đầu tư thuần túy vào nội dung giải trí bắt mắt nhưng thiếu chứng thực.
  • Chuẩn hóa khung đo lường cho sinh viên: Cung cấp bộ thang đo 28 biến quan sát đã được kiểm định độ giá trị hội tụ và phân biệt tại thị trường TP.HCM.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-World Use Cases)

Tình huống 1: Chiến dịch Social Commerce cho Ngành Thời trang/Mỹ phẩm Sinh viên

  • Kênh triển khai: TikTok Shop & Instagram Reels.
  • Thực thi: Kết hợp tính năng giỏ hàng trực tiếp (Sự tiện nghi - TN) với đánh giá chân thực từ KOC/Micro-influencer có chuyên môn (Độ tin cậy - TC).
  • Thiết lập kỹ thuật: Tích hợp Chatbot Messenger phản hồi tự động dưới 60 giây (Tính tương tác - TTA), cung cấp bảng thông số size/thành phần minh bạch (Tính thông tin - TT).

Chiến lược Phân bổ Ngân sách và Dự phóng Hiệu quả (ROI Roadmap)

Giai đoạn triển khai Trọng tâm tối ưu hóa Mục tiêu kỹ thuật & Vận hành Dự phóng tác động (KPI)
Q1: Minh bạch hóa Thông tin Tối ưu hóa biến $TT$ (Tính thông tin) Cập nhật catalog sản phẩm, niêm yết giá, nguồn gốc xuất xứ rõ ràng trên Fanpage/Tiktok Bio. Giảm tỷ lệ thoát trang (Bounce Rate) $25%$.
Q2: Xây dựng Niềm tin Tối ưu hóa biến $TC$ (Độ tin cậy) Tích hợp hệ thống User-Generated Content (UGC), đánh giá sao thật, chính sách đổi trả minh bạch. Tăng tỷ lệ nhấp chuyển đổi (CTR) $30%$.
Q3: Tăng cường Tương tác Tối ưu hóa biến $TTA$ (Tính tương tác) Triển khai Livestream tương tác 2 chiều, thiết lập chatbot tự động trả lời thắc mắc $24/7$. Tăng tốc độ quyết định mua lên $40%$.
Q4: Mượt mà hóa Trải nghiệm Tối ưu hóa biến $TN$ (Sự tiện nghi) Đồng bộ thanh toán 1-chạm (MoMo, ZaloPay, VietQR), rút ngắn hành trình checkout. Tăng tỷ lệ hoàn tất đơn hàng (Conversion Rate) $20%$.

Hạn chế và hướng phát triển

Hạn chế học thuật thừa nhận

  1. Phương pháp lấy mẫu thuận tiện: Cỡ mẫu $N = 254$ tuy đáp ứng tốt tiêu chuẩn hồi quy nhưng tập trung chủ yếu tại TP.HCM, chưa bao quát sinh viên tại các vùng nông thôn hoặc tỉnh thành khác.
  2. Dữ liệu cắt ngang (Cross-sectional Data): Dữ liệu thu thập tại một thời điểm (Tháng 2–3/2024), chưa theo dõi được sự thay đổi trong hành vi dài hạn (Longitudinal Analysis) khi thuật toán mạng xã hội thay đổi.
  3. Hiện tượng tự báo cáo (Self-Report Bias): Khảo sát dựa trên nhận thức chủ quan của đáp viên, chưa kết nối trực tiếp với dữ liệu nhật ký giao dịch thực tế (E-commerce Transaction Logs).

Hướng nghiên cứu mở rộng

  • Mở rộng mô hình cấu trúc tuyến tính (PLS-SEM): Khảo sát thêm các biến trung gian như "Niềm tin thương hiệu" (Brand Trust) và biến điều tiết "Thu nhập khả dụng" (Disposable Income).
  • A/B Testing thực nghiệm: Kết hợp dữ liệu khảo sát với dữ liệu A/B Testing trực tiếp trên Facebook Ads Manager và TikTok Ads Manager để so sánh giữa ý định khai báo và hành vi nhấp chuột thực tế.

Đối tượng hưởng lợi

                       LỢI ÍCH ĐỊNH LƯỢNG CHO CÁC BÊN

Câu hỏi thường gặp

1. Cần chuẩn bị cấu hình hệ thống và công cụ gì để tái lập mô hình nghiên cứu này?

Để chạy lại toàn bộ quy trình phân tích:

  • Phần cứng: Máy tính cá nhân tối thiểu 4GB RAM, CPU Core i3 thế hệ 8 trở lên.
  • Phần mềm: IBM SPSS Statistics v20.0 trở lên (hoặc môi trường Python 3.10+ với các thư viện statsmodels, pingouin, pandas).
  • Tập dữ liệu: File dữ liệu dạng .sav hoặc .csv chứa tối thiểu 198 mẫu (để đạt chuẩn Tabachnick & Fidell cho 5 biến độc lập).

2. Giới hạn mở rộng quy mô dữ liệu (Scalability Limits) và cách giải quyết?

Khi nâng quy mô mẫu từ $N = 254$ lên $N = 10.000+$ trên toàn quốc:

  • Thách thức: SPSS giao diện đồ họa xử lý dữ liệu lớn sẽ chậm, nguy cơ sai số phương sai thay đổi (Heteroskedasticity).
  • Giải pháp: Chuyển đổi toàn bộ logic sang kịch bản Python/R; sử dụng kỹ thuật ước lượng Robust Standard Errors (HC3) trong statsmodels và phân tích đa nhóm (Multi-group Analysis) để so sánh các phân khúc địa lý khác nhau.

3. Làm thế nào để tích hợp các phát hiện này vào hệ thống CRM/E-Commerce hiện có?

Doanh nghiệp có thể nhúng các trọng số $\beta$ vào thuật toán chấm điểm khách hàng tiềm năng (Lead Scoring Algorithm):

  • Ưu tiên hiển thị quảng cáo có chứa thông số chi tiết (TT) và review có xác thực (TC) cho người dùng mới.
  • Thiết lập kịch bản Re-targeting kích hoạt tin nhắn tự động (TTA) kèm nút mua nhanh 1-chạm (TN) khi khách hàng thả tim hoặc bình luận trên bài viết.

4. Thang đo này có cần hiệu chỉnh định kỳ không?

Có. Môi trường mạng xã hội biến động rất nhanh với sự xuất hiện của các định dạng mới (như AI-generated Ads, Video ngắn tương tác). Thang đo nên được đánh giá lại độ tin cậy Cronbach's Alpha và phân tích EFA sau mỗi 12–18 tháng trước khi triển khai các nghiên cứu tiếp theo.

5. Chi phí triển khai và thời gian hoàn vốn (ROI Timeline) khi áp dụng hàm ý quản trị?

  • Chi phí triển khai: Thấp đến trung bình (chủ yếu là chi phí chuẩn hóa lại nội dung content, đào tạo đội ngũ CSKH phản hồi tức thì và xây dựng chính sách xác thực sản phẩm).
  • Thời gian hoàn vốn: Doanh nghiệp thường ghi nhận sự cải thiện về tỷ lệ chuyển đổi đơn hàng sau 4–8 tuần thử nghiệm A/B Testing trên các kênh quảng cáo mạng xã hội.

Kết luận

Khóa luận tốt nghiệp của tác giả Tạ Thị Ngọc Tú đã giải quyết trọn vẹn bài toán lượng hóa tác động của quảng cáo qua mạng xã hội đến quyết định mua sắm của sinh viên trên địa bàn TP.HCM. Thông qua mô hình hồi quy tuyến tính đa biến với độ giải thích đạt $60,3%$ ($R^2_{\text{adj}} = 0,603$, $p < 0,001$), nghiên cứu chứng minh rằng cả 5 nhân tố: Độ tin cậy ($\beta = 0,274$), Tính thông tin ($\beta = 0,268$), Tính tương tác ($\beta = 0,215$), Tính hấp dẫn ($\beta = 0,201$) và Sự tiện nghi ($\beta = 0,186$) đều đóng vai trò thúc đẩy tích cực hành vi mua sắm của giới trẻ.

Kết quả này là cơ sở thực nghiệm vững chắc để các nhà quản trị doanh nghiệp chuyển đổi chiến lược tiếp thị: từ việc chạy theo các chiêu trò thu hút chú ý ngắn hạn sang việc tập trung xây dựng nội dung chân thực, minh bạch thông tin và tối ưu hóa trải nghiệm mua sắm đa kênh.