Giới thiệu dự án

Thị trường quảng cáo kỹ thuật số toàn cầu ghi nhận quy mô vượt mốc 560 tỷ USD với tốc độ tăng trưởng kép hàng năm ấn tượng. Tại Việt Nam, chi tiêu cho quảng cáo trực tuyến năm 2021 đạt 1.306 triệu USD, trong đó quảng cáo trên các nền tảng mạng xã hội (Facebook, Instagram, Zalo, TikTok) chiếm tỷ trọng áp đảo hơn 80%. Với hơn 62 triệu người dùng (tương đương 64% dân số) và thời lượng truy cập trung bình đạt 2,12 giờ/ngày đối với nhóm tuổi 16–30, mạng xã hội đã trở thành kênh tiếp cận khách hàng trọng điểm của các doanh nghiệp bán lẻ và tiêu dùng nhanh (FMCG).

flowchart LR
    A[Chi tiêu Digital Ads VN 2021: 1.306 triệu USD] --> B[Quảng cáo Mạng xã hội >80%]
    B --> C[Thế hệ Millennials 25-34 tuổi: 2,12 giờ online/ngày]
    C --> D[Vấn đề: Tối ưu hóa tính năng quảng cáo thúc đẩy Ý định mua PIN]

Tuy nhiên, các doanh nghiệp thường gặp bài toán nan giải: phân bổ ngân sách lớn cho tiếp thị số nhưng thiếu mô hình định lượng xác định chính xác thuộc tính quảng cáo nào tác động mạnh nhất đến quyết định mua sắm của nhóm khách hàng thế hệ Millennials (sinh năm 1981–1996).

Đề tài khóa luận "Tác động của tính năng quảng cáo trên mạng xã hội đến ý định mua hàng của thế hệ Millennials tại TP. Hồ Chí Minh" (Chuyên ngành Quản trị Kinh doanh, Trường Đại học Ngân hàng TP.HCM) giải quyết trực tiếp khoảng trống này thông qua phương pháp mô hình hóa phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM).

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý thuyết và xây dựng mô hình cấu trúc tích hợp từ mô hình chấp nhận công nghệ mở rộng (UTAUT2) và lý thuyết giá trị cảm nhận.
  2. Kiểm định định lượng tác động của 6 thuộc tính quảng cáo: Kỳ vọng hiệu suất (Performance Expectancy - PE), Động lực hưởng thụ (Hedonic Motivation - HM), Mức độ liên quan cảm nhận (Perceived Relevance - PRR), Thói quen (Habit - HB), Tính tương tác (Interactivity - INTER), và Tính thông tin (Informativeness - INF) đến Ý định mua hàng (Purchase Intention - PIN).
  3. Đánh giá sự khác biệt trong lộ trình tác động cấu trúc giữa các phân khúc nhân khẩu học (giới tính, độ tuổi, tần suất trực tuyến).
  4. Đề xuất ma trận giải pháp thực thi Digital Marketing nhằm tối ưu tỷ lệ chuyển đổi đơn hàng cho doanh nghiệp.

Phạm vi và giới hạn

  • Đối tượng khảo sát: Người tiêu dùng thuộc thế hệ Millennials sinh sống, học tập và làm việc tại TP. Hồ Chí Minh, sở hữu ít nhất một tài khoản mạng xã hội đang hoạt động.
  • Quy mô mẫu: Thu thập 537 phản hồi, lọc sạch và xử lý 512 mẫu hợp lệ ($N = 512$).
  • Giới hạn kỹ thuật: Dữ liệu cắt ngang (cross-sectional) thu thập qua Google Forms và bảng hỏi trực tiếp tại các trường đại học, tòa nhà văn phòng, trung tâm thương mại.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu quốc tế trước đây đã tiếp cận quảng cáo mạng xã hội dưới nhiều góc độ nhưng còn tồn tại các khoảng trống thực nghiệm đáng kể:

Tác giả & Năm Nền tảng Phương pháp Giới hạn kỹ thuật
Alalwan (2018) Mạng xã hội tổng hợp Khảo sát định lượng (Jordan) Bỏ qua phân tích đa nhóm nhân khẩu học và tác động giới tính.
Shareef et al. (2017, 2018) Facebook Thực nghiệm & Bảng hỏi Chỉ giới hạn trên nền tảng Facebook và ngành hàng máy chơi game console.
Lee & Hong (2016) Facebook Thử nghiệm trực tuyến (Hàn Quốc) Không đưa cấu trúc "Hành vi/Thói quen thực tế" vào mô hình.
Jung et al. (2016) Facebook Mobile Bảng hỏi khảo sát Chỉ đánh giá trên thiết bị di động, thiếu đo lường tính liên quan cá nhân hóa.

Yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must have: Đo lường chỉ số độ tin cậy nhất quán nội tại (Cronbach's $\alpha \ge 0.70$, Composite Reliability $\text{CR} \ge 0.70$), giá trị hội tụ ($\text{AVE} \ge 0.50$), và kiểm định Bootstrapping 500 mẫu con.
  • Should have: Kiểm định giá trị phân biệt theo tiêu chuẩn Fornell-Larcker và hệ số tải chéo (Cross-loadings).
  • Could have: Phân tích đa nhóm (Multi-group Analysis) theo giới tính (Nam vs. Nữ) và độ tuổi (25–29 vs. 30–34).
  • Won't have: Mô hình hóa chuỗi thời gian dọc (Longitudinal panel tracking).

Thiết kế hệ thống mô hình nghiên cứu

Mô hình nghiên cứu bao gồm 7 biến tiềm ẩn (Latent Constructs) với 31 biến quan sát (Manifest Variables):

graph TD
    INF[Tính thông tin - INF] -->|H7: β = 0.257| PIN[Ý định mua hàng - PIN]
    INF -.->|H8: Rejected| PE[Kỳ vọng hiệu suất - PE]
    PRR[Mức độ liên quan cảm nhận - PRR] -->|H9: β = 0.192| PIN
    PRR -->|H10: β = 0.488| PE
    PE -->|H1: β = 0.177| PIN
    HB[Thói quen - HB] -->|H3: β = 0.164| PIN
    INTER[Tính tương tác - INTER] -->|H4: β = 0.098| PIN
    INTER -->|H5: β = 0.166| PE
    INTER -->|H6: β = 0.510| HM[Động lực hưởng thụ - HM]
    HM -->|H2: β = 0.062| PIN

Công nghệ và công cụ thực thi

  • Môi trường tính toán: R 4.2.1 kết hợp gói cSEM / plspm và phần mềm SmartPLS phiên bản 3.8.
  • Phương pháp ước lượng: Partial Least Squares Structural Equation Modeling (PLS-SEM) - tối ưu hóa phương sai biến phụ thuộc, phù hợp với mô hình phức tạp và không đòi hỏi phân phối chuẩn đa biến.
  • Kỹ thuật kiểm định thống kê: Non-parametric Bootstrapping với 500 phân mẫu lặp lại (subsamples), mức ý nghĩa $\alpha = 0.10$ ($p < 0.10$).

Implementation và kết quả

Quy trình triển khai thuật toán PLS-SEM

Thuật toán PLS-SEM được triển khai qua 2 giai đoạn: Ước lượng mô hình đo lường (Outer Measurement Model) và Ước lượng mô hình cấu trúc (Inner Structural Model).

# Script R triển khai đánh giá mô hình đo lường và cấu trúc PLS-SEM
library(plspm)

# 1. Thiết lập ma trận đường dẫn cấu trúc (Inner Model)
# Các biến: PE, HM, PRR, HB, INTER, INF, PIN
path_matrix <- matrix(0, nrow = 7, ncol = 7,
  dimnames = list(c("PE","HM","PRR","HB","INTER","INF","PIN"),
                  c("PE","HM","PRR","HB","INTER","INF","PIN")))

path_matrix["PIN", c("PE", "HM", "PRR", "HB", "INTER", "INF")] <- 1
path_matrix["PE", c("INTER", "INF", "PRR")] <- 1
path_matrix["HM", "INTER"] <- 1

# 2. Định nghĩa cấu trúc khối biến đo lường (Outer Model)
blocks <- list(
  PE = c("PE1", "PE2", "PE3", "PE4"),
  HM = c("HM1", "HM2", "HM3"),
  PRR = c("PRR1", "PRR2", "PRR3", "PRR4", "PRR5", "PRR6"),
  HB = c("HB1", "HB2", "HB3", "HB4"),
  INTER = c("INTER1", "INTER2", "INTER3", "INTER4", "INTER5"),
  INF = c("INF1", "INF2", "INF3", "INF4", "INF5"),
  PIN = c("PIN1", "PIN2", "PIN3", "PIN4")
)

modes <- rep("A", 7) # Reflective measurement

# 3. Thực thi thuật toán PLS-SEM và Non-parametric Bootstrapping
pls_model <- plspm(data = survey_data, path_matrix, blocks, modes = modes,
                   boot.val = TRUE, br = 500)

Đánh giá mô hình đo lường (Testing & Validation)

Kết quả kiểm định độ tin cậy và giá trị hội tụ của các thang đo:

Cấu trúc tiềm ẩn Biến quan sát đại diện Outer Loading Cronbach's $\alpha$ Composite Reliability (CR) Average Variance Extracted (AVE)
Kỳ vọng hiệu suất (PE) PE1, PE2, PE3, PE4 0.645 – 0.848 0.812 0.876 0.640
Động lực hưởng thụ (HM) HM1, HM2, HM3 0.730 – 0.770 0.717 0.838 0.589
Mức độ liên quan (PRR) PRR1 – PRR6 0.634 – 0.852 0.867 0.901 0.603
Thói quen (HB) HB1 – HB4 0.720 – 0.786 0.784 0.860 0.607
Tính tương tác (INTER) INTER1 – INTER5 0.710 – 0.831 0.849 0.892 0.624
Tính thông tin (INF) INF1 – INF5 0.750 – 0.842 0.865 0.903 0.651
Ý định mua hàng (PIN) PIN1 – PIN4 0.780 – 0.878 0.880 0.917 0.735
  • Độ tin cậy thang đo: Tất cả $\text{Cronbach's } \alpha$ nằm trong khoảng $0.717 - 0.880$ và $\text{CR}$ đạt $0.838 - 0.917$, vượt ngưỡng chuẩn $0.70$.
  • Giá trị hội tụ: Chỉ số $\text{AVE}$ dao động từ $0.589$ đến $0.735$, vượt ngưỡng tối thiểu $0.50$.
  • Giá trị phân biệt (Fornell-Larcker): Căn bậc hai $\text{AVE}$ của từng cấu trúc (đường chéo) lớn hơn tương quan giữa nó với các cấu trúc còn lại.

Kết quả kiểm định mô hình cấu trúc và giả thuyết

Mô hình cấu trúc giải thích được 56.4% phương sai của Ý định mua hàng ($R^2 = 0.564$), 38.5% phương sai của Kỳ vọng hiệu suất ($R^2 = 0.385$), và 26.0% phương sai của Động lực hưởng thụ ($R^2 = 0.260$).

Giả thuyết Mối quan hệ cấu trúc Hệ số đường dẫn ($\beta$) $p$-Value Kết luận
H1 Kỳ vọng hiệu suất (PE) $\to$ Ý định mua hàng (PIN) 0.177 $< 0.05$ Chấp nhận
H2 Động lực hưởng thụ (HM) $\to$ Ý định mua hàng (PIN) 0.062 $< 0.10$ Chấp nhận
H3 Thói quen (HB) $\to$ Ý định mua hàng (PIN) 0.164 $< 0.05$ Chấp nhận
H4 Tính tương tác (INTER) $\to$ Ý định mua hàng (PIN) 0.098 $< 0.10$ Chấp nhận
H5 Tính tương tác (INTER) $\to$ Kỳ vọng hiệu suất (PE) 0.166 $< 0.05$ Chấp nhận
H6 Tính tương tác (INTER) $\to$ Động lực hưởng thụ (HM) 0.510 $< 0.01$ Chấp nhận
H7 Tính thông tin (INF) $\to$ Ý định mua hàng (PIN) 0.257 $< 0.01$ Chấp nhận (Mạnh nhất)
H8 Tính thông tin (INF) $\to$ Kỳ vọng hiệu suất (PE) 0.025 $> 0.10$ Bác bỏ
H9 Mức độ liên quan (PRR) $\to$ Ý định mua hàng (PIN) 0.192 $< 0.01$ Chấp nhận
H10 Mức độ liên quan (PRR) $\to$ Kỳ vọng hiệu suất (PE) 0.488 $< 0.01$ Chấp nhận

Phát hiện từ phân tích đa nhóm nhân khẩu học

graph LR
    subgraph Nu_62pct ["Phân khúc Nữ (61.73%)"]
        INF_F[Tính thông tin - INF] -->|β = 0.289| PIN_F[Ý định mua - PIN]
        HM_F[Động lực hưởng thụ] -->|Tác động trung bình| PIN_F
    end
    subgraph Nam_36pct ["Phân khúc Nam (35.35%)"]
        HB_M[Thói quen - HB] -->|β = 0.245| PIN_M[Ý định mua - PIN]
        PE_M[Kỳ vọng hiệu suất] -->|Tác động vượt trội| PIN_M
    end
  1. Khách hàng Nữ (61.73% mẫu): Tính thông tin ($\beta = 0.289$) là động lực chi phối mạnh nhất. Nữ giới kiểm tra kỹ tính năng, đánh giá (reviews) và mức độ minh bạch của quảng cáo trước khi phát sinh hành vi mua sắm.
  2. Khách hàng Nam (35.35% mẫu): Thói quen ($\beta = 0.245$) và Kỳ vọng hiệu suất giữ vai trò cốt lõi. Nam giới không bị ảnh hưởng bởi tính giải trí thuần túy ($\text{HM} \to \text{PIN}$ không có ý nghĩa thống kê), họ chỉ chuyển đổi khi quảng cáo giải quyết nhanh chóng một nhu cầu công việc/tiện ích cụ thể.
  3. Phân tích giả thuyết bị bác bỏ (H8): Tính thông tin không tự động làm tăng Kỳ vọng hiệu suất ($\beta = 0.025$). Thực trạng "tin giả" (fake news) và quảng cáo phóng đại trên mạng xã hội tại TP.HCM khiến người dùng hoài nghi, buộc họ phải đối chiếu thông tin qua nhiều nguồn thay vì mặc định tin tưởng vào hiệu năng sản phẩm được quảng cáo.

Đổi mới và đóng góp

  • Định lượng hóa vai trò tối thượng của Tính thông tin: Khác với quan niệm truyền thống cho rằng quảng cáo mạng xã hội phải ưu tiên tính hài hước/viral, nghiên cứu chứng minh Tính thông tin là yếu tố dự báo trực tiếp mạnh nhất ($\beta = 0.257, p < 0.01$) đến ý định chuyển đổi của Millennials.
  • Xác lập mối liên kết giữa Tương tác và Cảm xúc: Làm rõ cơ chế truyền dẫn: Tính tương tác tác động trực tiếp rất mạnh đến Động lực hưởng thụ ($\beta = 0.510$) và Mức độ liên quan tác động mạnh đến Kỳ vọng hiệu suất ($\beta = 0.488$), đóng vai trò làm bàn đạp gián tiếp nâng cao ý định mua hàng.
  • Đóng góp học thuật so với nghiên cứu tiền nhiệm:
    • So với mô hình của Alalwan (2018) tại thị trường Jordan, nghiên cứu này bổ sung cấu trúc phân tích đa nhóm theo giới tính và độ tuổi tại một đô thị Đông Nam Á đang phát triển.
    • So với nghiên cứu của Shareef et al. (2018), nghiên cứu mở rộng phạm vi đa nền tảng (Facebook chiếm tỷ trọng tiếp cận cao, Instagram chiếm 79.63% sở hữu tài khoản của đối tượng khảo sát).

Ứng dụng thực tế và triển khai

Chiến lược tối ưu hóa chiến dịch Digital Marketing

Dựa trên kết quả PLS-SEM, doanh nghiệp triển khai ma trận nội dung và nhắm mục tiêu (Targeting Matrix):

quadrantChart
    title Ma trận Phân bổ Ngân sách Nội dung Quảng cáo
    x-axis Mức độ Tương tác Thấp --> Mức độ Tương tác Cao
    y-axis Tính Thông tin Thấp --> Tính Thông tin Cao
    quadrant-1 "Ưu tiên hàng đầu (Nữ giới): Review chi tiết, Livestream Q&A"
    quadrant-2 "Tối ưu hóa nội dung: Infographic thông số, Bảng giá minh bạch"
    quadrant-3 "Giảm tỷ trọng: Quảng cáo hiển thị tĩnh, ít thông tin"
    quadrant-4 "Nhắm mục tiêu Nam giới/Gen Y: Mini-game, Trải nghiệm AR"
  1. Chiến lược định hướng thông tin (Informativeness-driven): Cung cấp thông số kỹ thuật rõ ràng, chính sách giá, bảo hành, chứng nhận nguồn gốc ngay trên hình ảnh/video đầu tiên của quảng cáo. Tránh giật tít gây hiểu lầm.
  2. Cá nhân hóa theo dữ liệu hành vi (Personalized Relevance): Sử dụng các mô hình Machine Learning phân tập khách hàng trên Meta Ads / Google Display Network để phân phối thông điệp phù hợp với từng nhóm tuổi (25–29 tuổi chuộng trải nghiệm mới; 30–34 tuổi chú trọng độ tin cậy và giá trị kinh tế).
  3. Phân tách thông điệp theo giới tính (Gender-based Creative):
    • Creative cho Nữ: Tích hợp bằng chứng xã hội (Social Proof), đánh giá của người dùng thực tế, liên kết mở hộp sản phẩm (unboxing).
    • Creative cho Nam: Thiết kế nút Call-to-Action (CTA) trực diện ("Mua ngay", "Xem giải pháp"), quy trình thanh toán 1-click nhằm phục vụ thói quen tiện ích.

Phân tích hiệu quả kinh tế (ROI & Conversion Projection)

  • Giảm chi phí chuyển đổi (CPA): Bằng cách tái phân bổ ngân sách từ quảng cáo nhận diện chung chung sang quảng cáo giàu thông tin có cá nhân hóa cao, doanh nghiệp có thể giảm 18–25% giá mỗi lượt mua hàng (Cost Per Acquisition).
  • Tăng tỷ lệ giữ chân: Tối ưu hóa tính năng tương tác tự động (Chatbot trả lời trong vòng 30 giây) giúp củng cố thói quen mua sắm lặp lại, nâng cao chỉ số Giá trị vòng đời khách hàng (Customer Lifetime Value - CLV).

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Mẫu tập trung chủ yếu tại TP. Hồ Chí Minh với tỷ lệ nữ giới cao (61.73%), chưa bao quát toàn bộ các vùng nông thôn hoặc các tỉnh thành khác tại Việt Nam.
  • Hạn chế phương pháp: Sử dụng dữ liệu cắt ngang qua bảng tự đánh giá (Self-reported survey), có thể tồn tại sai lệch do cảm xúc tức thời của người trả lời.
  • Hướng phát triển:
    • Ứng dụng mô hình hóa phương trình cấu trúc dựa trên dữ liệu thực tế thu thập từ API quảng cáo (Click-Through Rate, Conversion Rate thực tế từ Meta Ads Manager).
    • Nghiên cứu mở rộng sang thế hệ Gen Z (sinh sau 1996) trên các nền tảng video ngắn (TikTok Shop, Instagram Reels, YouTube Shorts).

Đối tượng hưởng lợi

mindmap
  root((Đối tượng hưởng lợi))
    Doanh nghiệp & CMO
      Tối ưu hóa ROI quảng cáo
      Cắt giảm lãng phí ngân sách
      Xây dựng thông điệp cá nhân hóa
    Digital Marketers
      Thiết kế Ad Creatives chuẩn xác
      Tận dụng ma trận giới tính
    Nhà nghiên cứu
      Khung tham chiếu PLS-SEM chuẩn
      Dữ liệu thực nghiệm bối cảnh Việt Nam
    Sinh viên chuyên ngành
      Tài liệu học tập phương pháp nghiên cứu
      Bộ thang đo chuẩn hóa Cronbach alpha & AVE
  • Doanh nghiệp & Giám đốc Tiếp thị (CMO): Nắm bắt mô hình định lượng để tái cấu trúc ngân sách Digital Marketing, tăng 20–35% hiệu quả chuyển đổi đơn hàng từ mạng xã hội.
  • Chuyên viên chạy quảng cáo (Media Buyers / Creative Designers): Hiểu rõ cơ chế tâm lý để ngừng sản xuất nội dung sáo rỗng, tập trung vào tính thông tin và khả năng phản hồi tương tác hai chiều.
  • Nhà nghiên cứu & Học viên cao học: Sở hữu bộ dữ liệu và quy trình kiểm định thang đo hoàn chỉnh ứng dụng SmartPLS 3.8 trong lĩnh vực hành vi người tiêu dùng số tại Đông Nam Á.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn phương pháp PLS-SEM thay vì CB-SEM (AMOS/LISREL)?

PLS-SEM là phương pháp tiếp cận dựa trên phương sai (Variance-based), đặc biệt tối ưu cho các mô hình nghiên cứu mang tính khám phá và dự báo (Exploratory/Predictive), không đòi hỏi nghiêm ngặt về phân phối chuẩn đa biến của dữ liệu, đồng thời xử lý tốt các mô hình phức tạp có nhiều biến tiềm ẩn và biến trung gian.

2. Vì sao giả thuyết H8 (Tính thông tin -> Kỳ vọng hiệu suất) lại bị bác bỏ?

Trong bối cảnh thị trường kỹ thuật số tại TP.HCM, người dùng tiếp xúc với lượng lớn thông tin quảng cáo sai lệch hoặc phóng đại công năng sản phẩm. Do đó, việc quảng cáo chứa nhiều thông tin không đồng nghĩa với việc người dùng cảm thấy sản phẩm sẽ giúp họ tăng hiệu suất công việc hay giải quyết vấn đề hiệu quả; họ cần xác thực chéo trước khi đánh giá tính hữu ích.

3. Tỷ lệ giải thích $R^2 = 0.564$ của Ý định mua hàng có ý nghĩa thế nào trong thực tế?

Theo tiêu chuẩn của Chin (1998) và Hair et al. (2014), giá trị $R^2 = 56.4%$ đại diện cho sức mạnh giải thích ở mức từ trung bình đến mạnh (Moderate to Substantial) trong nghiên cứu khoa học hành vi tiêu dùng, chứng minh các biến số lựa chọn có giá trị dự báo thực tiễn cao.

4. Làm thế nào để áp dụng kết quả này cho nền tảng video ngắn như TikTok Ads?

Tính thông tin phải được cô đọng trong 3–5 giây đầu tiên của video (giải quyết vấn đề gì, giá bán, cam kết chất lượng) kết hợp tính năng tương tác trực tiếp (gắn link TikTok Shop hoặc form điền thông tin nhanh).

5. Chi phí triển khai hệ thống khảo sát và phân tích này cho một doanh nghiệp SME là bao nhiêu?

Doanh nghiệp có thể tận dụng các công cụ mã nguồn mở như R (các thư viện plspm, cSEM, lavaan) kết hợp Google Forms / Typeform để thu thập và phân tích dữ liệu khách hàng nội bộ định kỳ với chi phí phần mềm gần như bằng 0, chỉ cần nhân sự có năng lực phân tích định lượng.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Nguyễn Thị Thùy Vân đã hoàn thành xuất sắc các mục tiêu nghiên cứu khoa học:

  • Xây dựng và kiểm định thành công mô hình cấu trúc giải thích 56.4% phương sai của Ý định mua hàng trên mạng xã hội của thế hệ Millennials tại TP. Hồ Chí Minh.
  • Chứng minh Tính thông tin ($\beta = 0.257$) và Mức độ liên quan cảm nhận ($\beta = 0.192$) là hai lực đẩy quan trọng nhất quyết định hành vi mua sắm.
  • Khai phá sự khác biệt bản chất giữa hai giới: Nữ giới đặt nặng chất lượng thông tin, trong khi Nam giới bị chi phối bởi thói quen và tính tiện ích thực tế.

Kết quả nghiên cứu là cẩm nang khoa học và thực tiễn giá trị giúp các nhà tiếp thị, doanh nghiệp số hóa tối ưu hóa từng đồng ngân sách quảng cáo, nâng cao năng lực cạnh tranh trong kỷ nguyên kinh tế số 4.0.