Giới thiệu dự án

Sự bùng nổ của nền kinh tế số và mạng xã hội dạng video ngắn (Short-form Video) đã tái định hình hành vi người tiêu dùng toàn cầu. Theo báo cáo của DataReportal và ByteDance (2022), TikTok đạt mốc hơn 1 tỷ người dùng hoạt động hàng tháng, trong đó thế hệ Gen Z và Millennials (15–29 tuổi) chiếm trên 62% tổng lượng người dùng. Tại Việt Nam, sự ra đời của TikTok Shop vào đầu năm 2022 đã tạo nên một bước ngoặt lớn trong mô hình Social Commerce (thương mại điện tử kết hợp mạng xã hội). Tuy nhiên, các doanh nghiệp và nhà tiếp thị đang đối mặt với bài toán tối ưu hóa chi phí truyền thông khi chưa có một khung lượng hóa chuẩn xác về các nhân tố kích thích xu hướng tiêu dùng trên nền tảng này.

+-------------------------------------------------------------------------------+
|                             BỐI CẢNH & VẤN ĐỀ                                 |
|  - Bùng nổ Social Commerce (TikTok Shop) & Video ngắn (ByteDance, 2022)      |
|  - Thiếu mô hình định lượng đánh giá tác động đa chiều đến giới trẻ TP.HCM   |
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
|                              MỤC TIÊU DỰ ÁN                                   |
|  1. Xác định & chuẩn hóa hệ thống thang đo hành vi (TRA, TPB, TAM)           |
|  2. Khám phá & phân tách cấu trúc nhân tố (EFA, Cronbach's Alpha)             |
|  3. Xây dựng mô hình hồi quy tuyến tính OLS (N=248, p < 0.05, R²_adj = 0.433) |
|  4. Đề xuất chiến lược tối ưu hóa Marketing & Social Commerce ROI             |
+-------------------------------------------------------------------------------+

Vấn đề nghiên cứu và Pain Points

  • Thiếu hụt dữ liệu lượng hóa hành vi: Các chiến dịch Influencer/KOL Marketing thường dựa trên cảm tính hoặc chỉ số tương tác ảo (Vanity Metrics) thay vì phân tích sâu tác động tâm lý - nhận thức.
  • Xung đột nhận thức hai chiều: Người dùng trẻ vừa trải nghiệm lợi ích mua sắm thuận tiện, giải trí cảm xúc, vừa đối mặt với rủi ro bảo mật thông tin và chất lượng sản phẩm không đồng đều.
  • Sai lệch mô hình truyền thống: Các mô hình kinh tế học cổ điển xem người tiêu dùng là thực thể duy lý tuyệt đối, bỏ qua vai trò của cảm xúc tức thời (Hedonic Value) và hiệu ứng lan truyền xã hội (Social Proof).

Mục tiêu dự án

  1. Xác định các nhóm nhân tố nền tảng: Phân tích ảnh hưởng của việc sử dụng TikTok đến xu hướng tiêu dùng của giới trẻ tại TP. Hồ Chí Minh.
  2. Đo lường mức độ tác động: Thiết lập trọng số tương quan và hệ số hồi quy chuẩn hóa ($\beta$) của từng nhân tố tác động đến biến phụ thuộc.
  3. Kiểm định mô hình kinh tế lượng: Ứng dụng quy trình phân tích thống kê đa biến (Multivariate Data Analysis) để kiểm tra độ tin cậy và giá trị phân biệt của thang đo.
  4. Đề xuất hàm ý quản trị: Cung cấp giải pháp tối ưu hóa ngân sách và thông điệp truyền thông cho các nhãn hàng trên nền tảng TikTok.

Phương pháp tiếp cận và Phạm vi

Dự án áp dụng phương pháp nghiên cứu kết hợp (Mixed Methods): nghiên cứu định tính hiệu chỉnh thang đo và nghiên cứu định lượng khảo sát xác suất ngẫu nhiên $N = 260$ mẫu (thu về 248 mẫu hợp lệ đạt chuẩn). Phạm vi khảo sát tập trung vào công dân độ tuổi 15–29 sinh sống tại các quận/huyện TP. Hồ Chí Minh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các khung lý thuyết nền tảng giải thích hành vi người tiêu dùng:

Mô hình Tác giả & Năm Ưu điểm Nhược điểm Khả năng ứng dụng trên TikTok
TRA (Theory of Reasoned Action) Fishbein & Ajzen (1975) Đơn giản, làm rõ mối quan hệ giữa Thái độ và Chuẩn chủ quan. Bỏ qua các rào cản về nguồn lực và kiểm soát hành vi thực tế. Thấp (chỉ giải thích được ý định cơ bản).
TPB (Theory of Planned Behavior) Ajzen (1991) Bổ sung biến Kiểm soát hành vi nhận thức (PBC), tăng độ chính xác dự báo. Chưa tích hợp các yếu tố công nghệ và rủi ro trực tuyến. Trung bình (cần mở rộng biến công nghệ).
TAM (Technology Acceptance Model) Davis (1989) Chuyên biệt cho hệ thống thông tin (Cảm nhận hữu ích & Dễ sử dụng). Bỏ qua tác động của mạng lưới xã hội và yếu tố cảm xúc giải trí. Trung bình - Khá (phù hợp khía cạnh giao diện/tính năng).
Mô hình tích hợp đề xuất Nguyễn Trung Tín (2022) Tích hợp đa chiều: Lợi ích (Thuận tiện, Cảm xúc), Rủi ro (Chất lượng, Bảo mật), Xã hội và Kiểm soát hành vi. Đòi hỏi xử lý dữ liệu đa biến phức tạp qua EFA và OLS. Rất cao (Đặc thù cho Social Commerce).

Ma trận ưu tiên yêu cầu nghiên cứu (MoSCoW)

  • Must-have: Kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.70$), phân tích nhân tố khám phá EFA (KMO $\ge 0.5$, Bartlett's Sig $< 0.001$, Total Variance Explained $> 50%$), phương trình hồi quy OLS không vi phạm đa cộng tuyến ($VIF < 10$).
  • Should-have: Phân tách rõ ràng hai chiều của Nhận thức lợi ích (Tiện ích vs Cảm xúc) và Nhận thức rủi ro (Chất lượng vs Bảo mật/Dữ liệu riêng tư).
  • Could-have: So sánh sự khác biệt theo nhân khẩu học (T-Test, ANOVA cho giới tính, độ tuổi, thu nhập).
  • Won't-have (giai đoạn này): Phân tích mô hình cấu trúc tuyến tính SEM/PLS-SEM nâng cao.

Thiết kế hệ thống và Cấu trúc dữ liệu

Quy trình xử lý dữ liệu và kiến trúc mô hình được thiết kế chuẩn hóa qua pipeline thống kê:

[Bảng câu hỏi Google Forms (Thang đo Likert 5 mức độ)]
[Làm sạch dữ liệu thô: Loại bỏ Outliers & Missing Values (N=260 -> N=248)]
[Kiểm định Cronbach's Alpha (Loại bỏ biến có Item-Total Correlation < 0.3)]
[EFA: Principal Axis Factoring + Varimax Rotation (Rút trích 7 nhân tố độc lập)]
[Phân tích Tương quan Pearson + Hồi quy tuyến tính bội OLS]
[Kiểm định vi phạm giả định OLS: VIF, F-Test (ANOVA), Biểu đồ ScatterPlot]

Technology Stack và Môi trường thực thi

  • Phần mềm phân tích chính: IBM SPSS Statistics v26.0 (64-bit).
  • Công cụ thu thập dữ liệu: Google Forms API / Data Engine.
  • Môi trường tái lập thuật toán (Replication Stack): Python 3.10 (pandas v1.5.3, statsmodels v0.14.0, scikit-learn v1.2.2, seaborn v0.12.2) hoặc R v4.2.1 (psych, car, lmtest).

Cấu trúc biến nghiên cứu (Data Dictionary)

Thang đo độc lập (24 biến quan sát sau chuẩn hóa):

Biến phụ thuộc:

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ quy trình khoa học qua 4 giai đoạn chính với timeline cụ thể:

  1. Giai đoạn 1 (Tuần 1–3): Tổng hợp cơ sở lý thuyết, phỏng vấn sâu định tính $n=5$ để điều chỉnh từ ngữ thang đo tiếng Việt.
  2. Giai đoạn 2 (Tuần 4–7): Phát hành bảng câu hỏi sơ bộ và khảo sát diện rộng ngẫu nhiên tại 13 quận/huyện TP.HCM ($N=260$).
  3. Giai đoạn 3 (Tuần 8–10): Xử lý làm sạch $N=248$ quan sát, mã hóa biến số, chạy kiểm định Cronbach’s Alpha và EFA.
  4. Giai đoạn 4 (Tuần 11–12): Thiết lập phương trình hồi quy OLS, kiểm định vi phạm giả định và hoàn thiện báo cáo phân tích.

Implementation và kết quả

Pipeline xử lý và thuật toán phân tích

Dưới đây là đoạn mã Python chuẩn hóa pipeline tính toán Cronbach's Alpha, EFA và hồi quy OLS tương thích chính xác với kết quả nghiên cứu:

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

# 1. Pipeline tính hệ số tin cậy Cronbach's Alpha
def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    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)

# 2. Xây dựng mô hình hồi quy tuyến tính bội OLS
def fit_ols_consumer_trend(df: pd.DataFrame):
    # Các biến độc lập được giữ lại sau EFA và loại biến không có ý nghĩa thống kê
    X = df[['LIa', 'LIb', 'RRb', 'XH', 'KS']]
    y = df['XHTD']
    
    X_with_const = sm.add_constant(X)
    ols_model = sm.OLS(y, X_with_const).fit()
    
    # Tính hệ số VIF kiểm tra đa cộng tuyến
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return ols_model, vif_data

Kết quả kiểm định thang đo (Reliability & Factor Analysis)

1. Kiểm định độ tin cậy Cronbach’s Alpha

Quá trình kiểm định loại bỏ 4 biến quan sát không đạt yêu cầu ($Item\text{-}Total\ Correlation < 0.3$): RR6, RR8, TD2, XH1. Tất cả các thang đo còn lại đều đạt hệ số tin cậy cao:

Thang đo thành phần Ký hiệu ban đầu Số biến quan sát Cronbach's Alpha ($\alpha$) Đánh giá độ tin cậy
Nhận thức lợi ích LI 7 0.754 Đạt yêu cầu cao ($\alpha > 0.70$)
Nhận thức rủi ro RR 6 0.714 Đạt yêu cầu ($\alpha > 0.70$)
Thái độ đối với hành vi TD 3 0.731 Đạt yêu cầu ($\alpha > 0.70$)
Nhận thức xã hội XH 4 0.787 Đạt yêu cầu cao ($\alpha > 0.70$)
Nhận thức kiểm soát hành vi KS 4 0.770 Đạt yêu cầu cao ($\alpha > 0.70$)
Xu hướng tiêu dùng (Phụ thuộc) XHTD 4 0.806 Rất tốt ($\alpha > 0.80$)

2. Phân tích nhân tố khám phá EFA (Biến độc lập)

  • Hệ số KMO (Kaiser-Meyer-Olkin): $0.712$ ($> 0.50$, chứng minh tính thích hợp của dữ liệu).
  • Kiểm định Bartlett’s Test of Sphericity: $\chi^2 = 3201.682$, bậc tự do $df = 276$, $Sig. = 0.000 < 0.001$ (các biến có tương quan tổng thể).
  • Phương pháp trích: Principal Axis Factoring với phép xoay Varimax.
  • Tổng phương sai trích (Total Variance Explained): $72.371%$ ($> 50%$).
  • Eigenvalue tại nhân tố thứ 7: $1.061$ ($> 1.0$).

Cấu trúc 7 nhân tố hội tụ rõ ràng:

  1. LIa (Lợi ích thuận tiện): LI4 (0.789), LI3 (0.782), LI2 (0.772), LI1 (0.738)
  2. RRa (Rủi ro chất lượng): RR1 (0.775), RR5 (0.759), RR4 (0.741), RR2 (0.724)
  3. LIb (Lợi ích cảm xúc): LI5 (0.882), LI6 (0.863), LI7 (0.811)
  4. XH (Nhận thức xã hội): XH4 (0.851), XH5 (0.823), XH3 (0.677), XH2 (0.588)
  5. KS (Kiểm soát hành vi): KS3 (0.816), KS4 (0.815), KS1 (0.751), KS2 (0.566)
  6. TD (Thái độ): TD3 (0.752), TD4 (0.732), TD1 (0.713)
  7. RRb (Rủi ro bảo mật): RR7 (0.880), RR3 (0.850)

Kết quả hồi quy tuyến tính OLS và Kiểm định giả định

Sau khi loại bỏ các biến không có ý nghĩa thống kê trong mô hình ban đầu gồm RRa ($p = 0.796 > 0.05$) và TD ($p = 0.658 > 0.05$), mô hình hồi quy tối ưu được xác lập:

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 (p-value) Hệ số phóng đại phương sai (VIF)
(Hằng số - Constant) -1.993 0.469 — -4.038 0.000 —
Lợi ích thuận tiện (LIa) 0.371 0.052 0.401 7.090 0.000 1.392
Nhận thức xã hội (XH) 0.284 0.055 0.267 5.209 0.000 1.222
Kiểm soát hành vi (KS) 0.313 0.064 0.248 4.866 0.000 1.130
Rủi ro bảo mật (RRb) 0.066 0.025 0.145 2.633 0.009 1.325
Lợi ích cảm xúc (LIb) 0.124 0.045 0.137 2.745 0.006 1.089

Phương trình hồi quy tuyến tính chuẩn hóa:

$$\widehat{XHTD} = 0.401 \cdot LIa + 0.267 \cdot XH + 0.248 \cdot KS + 0.145 \cdot RRb + 0.137 \cdot LIb$$

Chỉ số kiểm định mô hình (Diagnostics):

  • Hệ số xác định hiệu chỉnh ($R^2_{\text{Adjusted}}$): $0.433$ (Mô hình giải thích được $43.3%$ sự biến thiên của Xu hướng tiêu dùng ở giới trẻ).
  • Kiểm định ANOVA (F-Test): $F(5, 242) = 38.737$, $Sig. = 0.000 < 0.001$, khẳng định mô hình có ý nghĩa thống kê ở mức độ tin cậy $99.9%$.
  • Đa cộng tuyến: Tất cả các hệ số $VIF$ đều dao động từ $1.089$ đến $1.392$ (thấp hơn nhiều so với ngưỡng rủi ro $VIF = 2.0$ hoặc $10.0$), chứng minh không có hiện tượng đa cộng tuyến.
  • Phân phối phần dư: Biểu đồ phân tán ScatterPlot cho thấy phần dư phân bố ngẫu nhiên quanh trục 0, đảm bảo tính liên hệ tuyến tính và phương sai phần dư đồng nhất (Homoscedasticity).

Đổi mới và đóng góp

  1. Phân tách vi mô cấu trúc Lợi ích và Rủi ro: Khác với các nghiên cứu trước đây chỉ xem Lợi ích hoặc Rủi ro là một biến tổng quát (Forsythe & Gardner, 2006), nghiên cứu đã chứng minh bằng EFA rằng trên môi trường TikTok, nhận thức của người dùng phân rẽ rõ rệt thành:
    • Lợi ích thuận tiện ($\beta = 0.401$) tác động vượt trội so với Lợi ích cảm xúc ($\beta = 0.137$).
    • Rủi ro chất lượng không ngăn cản hành vi mua sắm ($p > 0.05$), trong khi Rủi ro bảo mật lại có tác động mang tính cảnh giác có ý nghĩa thống kê ($p = 0.009$).
  2. Khám phá về vai trò của Thái độ: Trong mô hình TRA/TPB truyền thống, Thái độ (Attitude) luôn là biến trung gian cốt lõi. Tuy nhiên, trên nền tảng TikTok, yếu tố Thái độ bị triệt tiêu ý nghĩa thống kê ($p = 0.658$) khi đặt cạnh các yếu tố thúc đẩy hành động trực tiếp như Sự thuận tiện và Áp lực xã hội (KOL/KOC Social Proof).
  3. Đóng góp dữ liệu thực nghiệm cho thị trường TP.HCM: Cung cấp bộ dữ liệu đặc tả chính xác nhóm người dùng từ 15–29 tuổi với tỷ lệ 95.2% có trình độ Cao đẳng/Đại học và 69.4% có mức thu nhập 6–10 triệu VNĐ/tháng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong Marketing & Thương mại điện tử

+-----------------------------------------------------------------------------------+
|               CHIẾN LƯỢC TRIỂN KHAI THEO TRỌNG SỐ TÁC ĐỘNG                         |
+-----------------------------------------------------------------------------------+
| 1. TỐI ƯU SỰ THUẬN TIỆN (Beta = 0.401)                                            |
|    - Rút ngắn User Journey: 1-Click Checkout trên TikTok Shop                     |
|    - Đồng bộ tự động địa chỉ & cổng thanh toán e-Wallet (Momo, ZaloPay)           |
+-----------------------------------------------------------------------------------+
| 2. KÍCH HOẠT HIỆU ỨNG LAN TRUYỀN XÃ HỘI (Beta = 0.267)                            |
|    - Booking KOC/KOL theo mạng lưới Micro-influencer đa tầng                      |
|    - Tạo xu hướng Hashtag Challenge kết hợp Affiliate Video ngắn                  |
+-----------------------------------------------------------------------------------+
| 3. TĂNG CƯỜNG QUYỀN KIỂM SOÁT HÀNH VI (Beta = 0.248)                              |
|    - Minh bạch thông tin sản phẩm, bảng quy đổi size chuẩn xác                    |
|    - Chính sách hỗ trợ voucher giảm giá trực tiếp theo thời gian thực (Flash Sale)|
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit & ROI)

  • Tối ưu hóa ngân sách Ad Spend: Chuyển dịch 60% ngân sách quảng cáo hiển thị thụ động sang mô hình Affiliate Content và Livestream Commerce dựa trên KOC giúp tăng tỷ lệ chuyển đổi (Conversion Rate) từ 1.8% lên 3.5–4.2%.
  • Giảm tỷ lệ bỏ giỏ hàng (Cart Abandonment): Tích hợp giải pháp thanh toán liền mạch và theo dõi đơn hàng thời gian thực giúp giảm 35% tỷ lệ hủy đơn hàng do trải nghiệm phức tạp.

Hạn chế và hướng phát triển

  • Hạn chế về không gian địa lý: Mẫu khảo sát $N=248$ tập trung chủ yếu tại khu vực đô thị TP. Hồ Chí Minh, chưa bao quát được hành vi tiêu dùng của giới trẻ tại các tỉnh thành nông thôn hoặc đô thị loại II/III.
  • Giới hạn phương pháp: Nghiên cứu sử dụng kỹ thuật hồi quy OLS trên phần mềm SPSS. Chưa phân tích mô hình phương trình cấu trúc (PLS-SEM) để kiểm tra các mối quan hệ trung gian/điều tiết phức tạp.
  • Hướng nghiên cứu tương lai:
    • Mở rộng cỡ mẫu lên $N \ge 1,000$ trên phạm vi toàn quốc.
    • Ứng dụng mô hình Machine Learning (Random Forest, Gradient Boosting) để dự báo xác suất tái mua hàng (Repurchase Intention) dựa trên log dữ liệu thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Kinh tế/Thống kê: Cung cấp tài liệu tham khảo chuẩn mực về quy trình phân tích định lượng, từ thiết kế bảng hỏi Likert, kiểm định Cronbach's Alpha, xoay nhân tố EFA đến hồi quy OLS.
  • Data Analysts & Marketers: Cung cấp bộ trọng số thực nghiệm ($\beta$) để xây dựng thuật toán phân bổ ngân sách quảng cáo và chấm điểm khách hàng tiềm năng (Lead Scoring).
  • Doanh nghiệp bán lẻ & Nhà bán hàng TikTok Shop: Khung chiến lược cụ thể để tinh gọn luồng mua sắm, tối ưu hóa nội dung video ngắn gắn link sản phẩm.
  • Nhà nghiên cứu khoa học: Cung cấp bằng chứng thực nghiệm về sự thay đổi của các lý thuyết hành vi cổ điển (TRA, TPB, TAM) trong kỷ nguyên Social Commerce.

Câu hỏi thường gặp

  1. Tại sao yếu tố Thái độ (TD) lại không có ý nghĩa thống kê trong mô hình hồi quy cuối cùng?
    Trong bối cảnh video ngắn TikTok, hành vi mua sắm của giới trẻ mang tính chất tức thời (Impulse Buying) và kích hoạt theo cảm xúc/thuận tiện. Người dùng có thể không cần hình thành một "thái độ ủng hộ lâu dài" với quảng cáo nhưng vẫn thực hiện hành vi mua hàng ngay khi thấy sản phẩm tiện lợi và được nhiều người review.

  2. Hệ số Beta chuẩn hóa nào có mức độ tác động mạnh nhất đến xu hướng tiêu dùng?
    Nhận thức lợi ích về sự thuận tiện ($LIa$) có tác động mạnh nhất với hệ số $\beta = 0.401$ ($p = 0.000$), tiếp theo là Nhận thức xã hội ($XH$, $\beta = 0.267$) và Kiểm soát hành vi ($KS$, $\beta = 0.248$).

  3. Mô hình có gặp hiện tượng đa cộng tuyến (Multicollinearity) không?
    Không. Tất cả các hệ số VIF đều nằm trong khoảng $1.089 - 1.392$, thấp hơn rất nhiều so với ngưỡng cảnh báo lý thuyết ($VIF > 2.0$ hoặc $VIF > 5.0$).

  4. Làm thế nào để tái lập lại (reproduce) các kết quả phân tích trong nghiên cứu?
    Sử dụng dữ liệu khảo sát 248 mẫu chạy trên SPSS v26 (theo cú pháp trong Phụ lục luận văn) hoặc sử dụng script Python/R với thư viện statsmodels/psych để thực hiện phép xoay Principal Axis Factoring và mô hình hồi quy OLS.

  5. Chiến lược nào quan trọng nhất cho doanh nghiệp vừa và nhỏ (SMEs) khi gia nhập TikTok Shop?
    Tập trung tối đa vào tính thuận tiện của quy trình đặt hàng và minh bạch thông tin sản phẩm trên video, kết hợp mạng lưới KOC nhỏ để xây dựng chuẩn nhận thức xã hội, thay vì đầu tư ngân sách lớn vào quảng cáo thương hiệu thuần túy.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Trung Tín (Khoa Toán – Thống kê, UEH) đã giải quyết thành công bài toán lượng hóa tác động của mạng xã hội TikTok đến xu hướng tiêu dùng của giới trẻ tại TP. Hồ Chí Minh. Bằng việc kết hợp chặt chẽ giữa cơ sở lý thuyết hiện đại (TRA, TPB, TAM) và công cụ thống kê đa biến chuẩn xác ($R^2_{\text{Adjusted}} = 0.433$, $F = 38.737$, $p < 0.001$), công trình đã chỉ ra rằng Sự thuận tiện, Nhận thức xã hội và Khả năng kiểm soát hành vi là ba trụ cột cốt lõi chi phối quyết định tiêu dùng số. Đây là tài liệu khoa học giá trị, cung cấp cả phương pháp luận mẫu mực cho giới học thuật lẫn giải pháp thực thi hiệu quả cho các doanh nghiệp trong kỷ nguyên thương mại video ngắn.