Giới thiệu dự án

Nghiên cứu "Ảnh hưởng của TikTok đến ý định mua hàng của sinh viên Đại học Công nghiệp Thành phố Hồ Chí Minh" (Nguyễn Xuân Bình, 2021; GVHD: TS. Nguyễn Ngọc Thức, Khoa Quản trị Kinh doanh - IUH) tập trung giải quyết bài toán chuyển dịch hành vi người tiêu dùng trên nền tảng mạng xã hội video ngắn (Short Video Social Network).

Bối cảnh và Thống kê ngành

Theo các báo cáo thị trường số giai đoạn 2019–2021:

  • TikTok cán mốc hơn 800 triệu người dùng hoạt động hàng tháng (MAU) toàn cầu và trở thành ứng dụng được tải xuống nhiều nhất.
  • Tại Việt Nam, nền tảng ghi nhận hơn 13 triệu người dùng thường xuyên với thời gian sử dụng trung bình 28 phút/người/ngày; trong đó nhóm thế hệ trẻ (Gen Z, độ tuổi 16–24) chiếm tới 69% tổng thị phần người dùng.
  • Khung giờ tương tác cao điểm của người dùng tập trung vào khoảng 18:00 – 20:00 thứ Sáu và thứ Bảy, cùng khung 21:00 – 24:00 hàng ngày (26,3% người dùng trực tuyến đồng thời).
[Người dùng tiếp cận Short Video (15s - 60s)] 
[Ý định Mua hàng (Purchase Intention - YD) của Gen Z]

Vấn đề nghiên cứu và Điểm nghẽn thực tế (Pain Points)

Mặc dù lưu lượng truy cập (traffic) trên TikTok bùng nổ, các doanh nghiệp và nhà bán lẻ trực tuyến tại thị trường Việt Nam vẫn đối mặt với các nút thắt lớn:

  • Tỷ lệ giữ chân người xem thấp: 20% người dùng lướt qua video sau 10 giây đầu tiên và hơn 50% rời đi trong 50 giây tiếp theo nếu nội dung không thu hút.
  • Rào cản chuyển đổi thương mại điện tử: Người dùng chủ yếu coi TikTok là kênh giải trí thuần túy, có thói quen mua sắm cố hữu trên các sàn thương mại điện tử truyền thống (Shopee, Lazada, Tiki), tạo ra khoảng cách lớn giữa tỷ lệ tương tác (engagement rate) và tỷ lệ chuyển đổi đơn hàng (conversion rate).
  • Thiếu hụt mô hình lượng hóa: Chưa có khung phân tích thực nghiệm đo lường chính xác mức độ tác động của các đặc trưng video ngắn và người ảnh hưởng (KOLs/Influencers) tới quyết định mua sắm của nhóm đối tượng sinh viên.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý thuyết về hành vi tiêu dùng số, kết hợp Mô hình Hành động Hợp lý (TRA), Mô hình Chấp nhận Công nghệ (TAM) và Lý thuyết Mua hàng Xã hội (Social Shopping).
  2. Xây dựng và kiểm định thang đo định lượng gồm 4 nhân tố độc lập: Tính hữu ích (HI), Tính giải trí (TGT), Sự tham gia của người có sức ảnh hưởng (AH), Sự tiện lợi của mua hàng xã hội (TL) tác động tới biến phụ thuộc Ý định mua hàng (YD).
  3. Xác định trọng số hồi quy chuẩn hóa của từng nhân tố nhằm đề xuất ma trận giải pháp tiếp thị số (Digital Marketing) tối ưu chi phí và tăng tỷ lệ chuyển đổi cho doanh nghiệp.

Phạm vi và Giới hạn đề tài

  • Không gian khảo sát: Sinh viên đang theo học tại các khoa thuộc Trường Đại học Công nghiệp TP.HCM (IUH).
  • Thời gian thực hiện: Thu thập và phân tích dữ liệu thực nghiệm từ tháng 02/2021 đến tháng 05/2021.
  • Giới hạn kỹ thuật: Nghiên cứu dừng lại ở việc đo lường ý định hành vi (Behavioral Intention) thông qua khảo sát cắt ngang (cross-sectional design), chưa can thiệp đo lường dữ liệu chuyển đổi thực tế qua API đơn hàng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu đối chiếu cơ chế tiếp thị của TikTok với các nền tảng số đang cạnh tranh trực tiếp tại thị trường Việt Nam:

Tiêu chí phân tích TikTok Video Marketing Facebook Video / Reels Sàn TMĐT (Shopee/Lazada Live)
Định dạng nội dung Video dọc 9:16 (15s – 60s), AI đề xuất theo sở thích cá nhân hóa Video feed hỗn hợp, phân phối dựa trên Social Graph (bạn bè/nhóm) Livestream tĩnh, tập trung trực diện vào tính năng và giá sản phẩm
Trải nghiệm người dùng Thao tác vuốt liền mạch, kích thích khám phá ngẫu nhiên (Serendipity) Trải nghiệm đa tác vụ, độ tập trung vào nội dung thương mại thấp Chủ động tìm kiếm, người dùng chỉ truy cập khi đã có nhu cầu sẵn
Cơ chế lan truyền Phân phối theo thuật toán For You Page (FYP), dựa trên chỉ số giữ chân và tương tác Phân phối theo thuật toán Edgerank, ưu tiên kết nối xã hội có sẵn Phân phối dựa trên thứ hạng tìm kiếm và ngân sách đấu thầu từ khóa
Điểm hạn chế cốt lõi Quy trình thanh toán gián đoạn (chưa tích hợp native checkout toàn diện vào 2021) Quảng cáo tràn lan gây hiện tượng "mệt mỏi quảng cáo" (Ad Fatigue) Tính giải trí thấp, phụ thuộc nhiều vào mã giảm giá trực tiếp

Phân loại yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must have (Bắt buộc): Thang đo Likert 5 điểm đạt chuẩn tin cậy Cronbach's Alpha $\ge 0.70$; Phân tích nhân tố khám phá (EFA) thỏa mãn KMO $\ge 0.50$ và Tổng phương sai trích $> 50%$.
  • Should have (Nên có): Mô hình hồi quy tuyến tính đa biến kiểm soát hiện tượng đa cộng tuyến (VIF $< 2.0$); Kiểm định ANOVA phân tích khác biệt theo nhân khẩu học.
  • Could have (Có thể có): Khung ma trận lựa chọn KOLs theo quy mô kênh (Nano, Micro, Macro) kết hợp MCN.
  • Won't have (Không xử lý): Theo dõi hành vi mua hàng thực tế theo chuỗi thời gian (Longitudinal cohort study).

Thiết kế hệ thống thang đo và mô hình toán học

Mô hình nghiên cứu kế thừa từ Mô hình TAM (Davis et al., 1989), nghiên cứu của Yani Xiao et al. (2019) và Jia Shen (2012), bao gồm 19 biến quan sát:

Phương trình hồi quy tuyến tính tổng quát: $$YD = \beta_0 + \beta_1 \cdot HI + \beta_2 \cdot TGT + \beta_3 \cdot AH + \beta_4 \cdot TL + \epsilon$$

Trong đó:

  • $YD$: Ý định mua hàng (Purchase Intention - biến phụ thuộc).
  • $HI$: Điểm trung bình nhóm Tính hữu ích ($HI_1 \to HI_4$).
  • $TGT$: Điểm trung bình nhóm Tính giải trí ($TGT_1 \to TGT_4$).
  • $AH$: Điểm trung bình nhóm Sự tham gia của người có sức ảnh hưởng ($AH_1 \to AH_4$).
  • $TL$: Điểm trung bình nhóm Sự tiện lợi của mua hàng xã hội ($TL_1 \to TL_4$).
  • $\beta_i$: Hệ số hồi quy riêng phần; $\epsilon$: Sai số ngẫu nhiên chuẩn hóa.
-- Cấu trúc Schema cơ sở dữ liệu lưu trữ khảo sát người tiêu dùng TikTok
CREATE TABLE survey_respondents (
    respondent_id INT PRIMARY KEY AUTO_INCREMENT,
    gender ENUM('Male', 'Female') NOT NULL,
    monthly_income ENUM('Under_5M', '5M_10M', '10M_20M', 'Above_20M') NOT NULL,
    academic_year ENUM('Year_1', 'Year_2', 'Year_3', 'Year_4', 'Other') NOT NULL,
    tiktok_status ENUM('Active_User', 'Past_User', 'Never_Used') NOT NULL,
    interest_level ENUM('Interested', 'Normal', 'Not_Interested') NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE survey_responses (
    response_id INT PRIMARY KEY AUTO_INCREMENT,
    respondent_id INT,
    item_code VARCHAR(10) NOT NULL, -- HI1..HI4, TGT1..TGT4, AH1..AH4, TL1..TL4, YD1..YD3
    likert_score TINYINT CHECK (likert_score BETWEEN 1 AND 5),
    FOREIGN KEY (respondent_id) REFERENCES survey_respondents(respondent_id)
);

Phương pháp nghiên cứu (Methodology)

Nghiên cứu kết hợp hai giai đoạn định tính và định lượng:

  1. Nghiên cứu định tính sơ bộ: Tổ chức phỏng vấn chuyên sâu nhóm tập trung ($n=5$) nhằm tinh chỉnh thuật ngữ thang đo gốc tiếng Anh sang ngữ cảnh tiêu dùng của sinh viên Việt Nam, đảm bảo tính giá trị nội dung (Content Validity).
  2. Quy trình lấy mẫu: Áp dụng phương pháp chọn mẫu phi xác suất thuận tiện (Convenience Sampling). Quy mô mẫu tối thiểu tính theo nguyên tắc Hair et al. (1998) là $5 \times k$ ($k=16$ biến độc lập $\implies N_{min} = 80$). Khóa luận thu thập $230$ phiếu, sàng lọc được $N = 180$ mẫu hợp lệ (đáp ứng vượt chuẩn $225%$ so với ngưỡng tối thiểu).

Triển khai và kết quả thực nghiệm

Quy trình xử lý và Phân tích dữ liệu

Toàn bộ dữ liệu khảo sát được làm sạch và xử lý thông qua phần mềm IBM SPSS Statistics 20.0. Đoạn mã Python tương đương được thiết kế để tự động hóa quy trình kiểm định độ tin cậy và ước lượng tham số hồi quy:

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

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

def run_regression_analysis(df: pd.DataFrame, x_cols: list, y_col: str):
    """Thực thi hồi quy OLS và kiểm tra đa cộng tuyến VIF"""
    X = sm.add_constant(df[x_cols])
    y = df[y_col]
    model = sm.OLS(y, X).fit()
    
    # Tính toán Variance Inflation Factor (VIF)
    vif_data = pd.DataFrame()
    vif_data["Feature"] = x_cols
    vif_data["VIF"] = [variance_inflation_factor(df[x_cols].values, i) for i in range(len(x_cols))]
    
    return model.summary(), vif_data

Kết quả kiểm định thống kê và Độ tin cậy thang đo

Thống kê mô tả đặc điểm mẫu nghiên cứu ($N=180$)

  • Giới tính: Nữ chiếm đa số với $53,9%$ ($97$ sinh viên), Nam chiếm $46,1%$ ($83$ sinh viên).
  • Thu nhập hàng tháng: Nhóm $5 - 10$ triệu VNĐ chiếm tỷ trọng cao nhất $59,4%$ ($107$ sinh viên); nhóm dưới $5$ triệu chiếm $26,1%$ ($47$ sinh viên); nhóm $10 - 20$ triệu chiếm $14,4%$ ($26$ sinh viên).
  • Tần suất & Trạng thái sử dụng: $80,0%$ ($144$ sinh viên) đang sử dụng thường xuyên hàng ngày; $20,0%$ ($36$ sinh viên) đã từng sử dụng; mức độ quan tâm tích cực tới nền tảng đạt $71,7%$.
  • Phân bố khóa học: Sinh viên năm 2 chiếm $32,8%$, năm 4 chiếm $22,2%$, năm 1 chiếm $21,7%$, năm 3 chiếm $20,0%$, khác chiếm $3,3%$.

Kết quả Phân tích Cronbach's Alpha & EFA

  • Độ tin cậy thang đo: Tất cả 5 cấu trúc thang đo đều có hệ số Cronbach's Alpha $> 0.70$, tương quan biến - tổng (Corrected Item-Total Correlation) của 19 biến quan sát đều $> 0.30$, không có biến nào bị loại.
  • Tính giá trị phân biệt và hội tụ (EFA):
    • Hệ số $KMO = 0.831$ (thỏa mãn điều kiện $0.5 \le KMO \le 1$).
    • Kiểm định Bartlett's Test đạt giá trị thống kê $p-value = 0.000 < 0.05$.
    • Tổng phương sai trích đạt $62.48% > 50%$, giải thích trọn vẹn sự biến thiên của tập dữ liệu tại điểm dừng Eigenvalue $> 1.0$.

Kết quả Phân tích hồi quy và Kiểm định giả thuyết

Mô hình hồi quy đạt hệ số xác định hiệu chỉnh $R^2_{adj} = 0.542$, chứng minh $54,2%$ sự thay đổi của Ý định mua hàng được giải thích bởi 4 nhân tố trong mô hình.

Giả thuyết Mối quan hệ Trọng số $\beta$ chuẩn hóa Sig. ($p-value$) Đánh giá Mức độ tác động
H1 $HI \to YD$ $0.342$ $0.000$ Chấp nhận Mạnh thứ nhất
H3 $AH \to YD$ $0.286$ $0.001$ Chấp nhận Mạnh thứ hai
H2 $TGT \to YD$ $0.215$ $0.004$ Chấp nhận Mạnh thứ ba
H4 $TL \to YD$ $0.184$ $0.012$ Chấp nhận Mạnh thứ tư

Đổi mới và đóng góp

  1. Mở rộng mô hình lý thuyết TAM trong kinh tế số: Nghiên cứu đã kết hợp thành công nhận thức tính hữu ích (TAM) với các đặc tính tiếp thị video ngắn (Short Video Playfulness) và tâm lý học xã hội (Influencer Endorsement), tạo nên khung phân tích có tính bao quát cao cho thị trường tiêu dùng trẻ tại Đông Nam Á.
  2. Lượng hóa vai trò của Social Shopping Convenience: Chứng minh sự tiện lợi trong giao tiếp tức thì và khám phá sản phẩm (Social Commerce) đóng vai trò chất xúc tác rút ngắn chu kỳ ra quyết định mua sắm so với các kênh thương mại điện tử độc lập.
  3. Cơ sở dữ liệu thực nghiệm chuẩn hóa: Cung cấp bộ thang đo 19 biến quan sát đã qua kiểm định độ tin cậy và hội tụ, đóng vai trò tài liệu tham khảo thực chứng cho các nghiên cứu hành vi thế hệ Z tại các trường đại học khối kỹ thuật/kinh tế.

Ứng dụng thực tế và triển khai chiến lược

Dựa trên kết quả trọng số hồi quy ($\beta_{HI} = 0.342$, $\beta_{AH} = 0.286$, $\beta_{TGT} = 0.215$), doanh nghiệp cần triển khai chiến lược Marketing theo mô hình 4 trụ cột:

                    CHIẾN LƯỢC TIKTOK MARKETING CHO DOANH NGHIỆP
[1. TỐI ƯU HÓA NỘI DUNG]        [2. CHIẾN LƯỢC KOLs/KOCs]       [3. SOCIAL COMMERCE]
- Video 15s - 30s               - 70% Micro/Citizen Influencer  - Điều hướng giỏ hàng liền mạch
- Hook 3 giây đầu               - 30% Macro / Chuyên gia        - Phản hồi CSKH tức thì (<5 phút)
- Minh bạch công dụng & giá     - Hạn chế scandal cá nhân       - Tối ưu Hashtag #Challenge

1. Chiến lược Nội dung Hữu ích (Tập trung trọng số $\beta = 0.342$)

  • Cấu trúc kịch bản 3s - 10s - 15s: Đặt giải pháp hoặc tính năng nổi bật của sản phẩm vào 3 giây đầu tiên nhằm giảm tỷ lệ lướt qua ($20%$ drop-off rate).
  • Hiển thị thông tin trực quan: Bắt buộc gắn phụ đề (subtitles) và mô tả giá bán/khuyến mãi rõ ràng, giúp người xem tiếp nhận thông tin ngay cả khi tắt âm thanh.

2. Chiến lược Quản trị Influencers/KOCs (Trọng số $\beta = 0.286$)

  • Phân bổ ngân sách theo ma trận KOC: Dành $70%$ ngân sách cho nhóm Citizen Influencers (nhà sáng tạo nội dung vi mô $5.000 - 50.000$ followers) để xây dựng tính chân thực và tỷ lệ tương tác cao; dành $30%$ ngân sách cho Celebrities/Professionals để định vị thương hiệu.
  • Kiểm soát rủi ro truyền thông: Ký kết điều khoản cam kết hình ảnh đạo đức với người đại diện, phòng tránh khủng hoảng danh tiếng ảnh hưởng tiêu cực tới giá trị thương hiệu.

3. Tối ưu hóa Tiện ích Chuyển đổi và Giải trí

  • Khung giờ đẩy tin nhắn & quảng cáo: Thiết lập chiến dịch In-Feed Ads tập trung vào 2 khung giờ vàng: $18:00 - 20:00$ (cuối tuần) và $21:00 - 24:00$ (các ngày trong tuần).
  • Rút ngắn phễu thanh toán: Tích hợp các liên kết mua sắm trực tiếp (Landing Page/Bio Link/TikTok Shop), giảm thiểu tối đa số bước từ lúc xem video tới khi hoàn tất đơn hàng.

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Phương pháp lấy mẫu: Mẫu khảo sát phi xác suất thuận tiện giới hạn trong sinh viên IUH ($N=180$), chưa đại diện hoàn toàn cho tổng thể sinh viên trên toàn địa bàn TP.HCM hoặc cả nước.
  • Biến ngoại lai: Nghiên cứu chưa kiểm soát các biến điều tiết (Moderating variables) như: Mức độ nhạy cảm về giá, Giới tính, hoặc Thuật toán hiển thị ngẫu nhiên.

Hướng mở rộng nghiên cứu

  • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) thông qua phần mềm SmartPLS 3.0 / AMOS để đánh giá các tác động gián tiếp (Mediating effects) của Thái độ và Niềm tin thương hiệu.
  • Mở rộng quy mô khảo sát liên trường ($N \ge 600$) kết hợp dữ liệu log giao dịch thực tế trên TikTok Shop sau năm 2022.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Tham khảo mô hình nghiên cứu định lượng chuẩn mực, phương pháp thiết kế thang đo và quy trình xử lý dữ liệu SPSS phục vụ khóa luận tốt nghiệp.
  • Doanh nghiệp bán lẻ & Start-up: Nắm bắt dữ liệu thị trường thực tế về hành vi tiêu dùng của Gen Z, từ đó tối ưu hóa chi phí quảng cáo (giảm CAC, tăng ROAS) trên TikTok.
  • Đội ngũ Tiếp thị số (Digital Marketers): Ứng dụng công thức sản xuất video ngắn kết hợp ma trận KOCs nhằm gia tăng tỷ lệ chuyển đổi đơn hàng.
  • Nhà nghiên cứu học thuật: Kế thừa bộ thang đo 19 biến đã qua kiểm định độ tin cậy để phát triển các mô hình hành vi mua sắm đa kênh (Omnichannel Social Commerce).

Câu hỏi thường gặp

1. Thang đo 19 biến quan sát trong nghiên cứu được kế thừa từ các nguồn học thuật nào?

Thang đo được tổng hợp và hiệu chỉnh từ hai nghiên cứu nền tảng: mô hình nghiên cứu video marketing ngắn của Yani Xiao et al. (2019) (cho các nhóm Tính hữu ích, Tính giải trí, Người ảnh hưởng và Ý định mua hàng) kết hợp với thang đo Mua sắm xã hội của Jia Shen (2012).

2. Tại sao nghiên cứu loại bỏ biến "Thái độ" trong mô hình TAM gốc của Davis (1989)?

Dựa trên cơ sở lý luận của Davis et al. (1989), khi người tiêu dùng tiếp xúc với một công nghệ đủ lâu, nhận thức về tính hữu ích sẽ bao hàm toàn bộ thái độ. Việc tinh giản giúp mô hình gọn gàng hơn mà không làm suy giảm năng lực dự báo của phương trình hồi quy.

3. Quy mô mẫu N=180 có đảm bảo tính giá trị thống kê cho phân tích EFA không?

Hoàn toàn đảm bảo. Theo quy tắc kinh nghiệm của Hair et al. (1998), kích thước mẫu tối thiểu cần gấp 5 lần số biến quan sát ($16 \times 5 = 80$). Mẫu $N=180$ lớn hơn gấp đôi ngưỡng tiêu chuẩn, đảm bảo tính vững của ma trận tương quan và hệ số xoay nhân tố.

4. Yếu tố nào có tác động chi phối mạnh nhất đến ý định mua hàng của sinh viên?

Nhân tố Tính hữu ích (HI) có tác động mạnh nhất ($\beta = 0.342, p < 0.001$), tiếp theo là Sự tham gia của người ảnh hưởng (AH) ($\beta = 0.286$). Sinh viên Gen Z ưu tiên việc video cung cấp thông tin sản phẩm trung thực, rõ ràng và tiết kiệm thời gian tìm kiếm.

5. Doanh nghiệp vừa và nhỏ (SMEs) nên bắt đầu tiếp thị trên TikTok với ngân sách thấp như thế nào?

Doanh nghiệp nên tập trung hợp tác với mạng lưới Citizen/Micro Influencers (chi phí sản xuất thấp, độ chân thực cao), đầu tư kịch bản giải quyết vấn đề của khách hàng trong 15 giây đầu tiên và tối ưu hóa thời gian đăng video vào khung giờ $21:00 - 24:00$.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Xuân Bình đã giải quyết trọn vẹn mục tiêu định lượng mức độ ảnh hưởng của TikTok tới ý định mua sắm của sinh viên Đại học Công nghiệp TP.HCM. Thông qua mô hình hồi quy đa biến ($R^2_{adj} = 54,2%$), nghiên cứu chứng minh rằng Tính hữu ích và Sự tham gia của người ảnh hưởng là hai động lực cốt lõi dẫn dắt hành vi mua hàng. Kết quả thực nghiệm cung cấp luận cứ khoa học vững chắc giúp các nhà quản trị thương hiệu định hình chiến lược tiếp thị video ngắn hiệu quả, chuyển đổi thành công lưu lượng giải trí thành giá trị doanh thu bền vững trong kỷ nguyên kinh tế số.