Giới thiệu dự án

Sự bùng nổ của kỷ nguyên số và thương mại điện tử đã tái định hình hành vi người tiêu dùng toàn cầu. Tại Việt Nam, với hơn 68,7 triệu người dùng Internet (chiếm trên 70% dân số) và thời gian online trung bình đạt 6 giờ 42 phút mỗi ngày, các nền tảng mạng xã hội và kênh thương mại số đã trở thành không gian tương tác chính. Trong môi trường này, truyền miệng điện tử (Electronic Word of Mouth - eWOM) đã phát triển vượt bậc, thay thế dần các kênh quảng cáo truyền thống nhờ tính đa chiều, tốc độ khuếch tán và khả năng lưu trữ thông tin lâu dài.

                  CƠ CHẾ TÁC ĐỘNG CỦA eWOM ĐẾN Ý ĐỊNH MUA SẮM

Vấn đề cốt lõi đặt ra là sự bùng nổ thông tin đi kèm tình trạng nhiễu loạn đánh giá, seeding giả mạo và bất đối xứng thông tin trên không gian mạng, khiến người tiêu dùng gặp khó khăn trong việc nhận định tính xác thực của thông tin eWOM để đưa ra quyết định mua sắm. Đề tài khóa luận tốt nghiệp "Nghiên cứu sự tác động của truyền miệng điện tử (eWOM) đến ý định mua sắm của người tiêu dùng" được thực hiện nhằm giải quyết các câu hỏi thực nghiệm này.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về hành vi eWOM, tích hợp Mô hình Chấp nhận Thông tin (Information Acceptance Model - IAM) và Thuyết Hành động Hợp lý (Theory of Reasoned Action - TRA).
  2. Đo lường mức độ tác động của 5 nhân tố tiền đề: Chất lượng thông tin, Độ tin cậy của nguồn tin, Nhu cầu thông tin, Chuẩn chủ quan và Thái độ đối với thông tin đến Tính hữu ích của thông tin.
  3. Kiểm định quan hệ nhân quả giữa Tính hữu ích của thông tin, Sự chấp nhận thông tin và Ý định mua sắm của người tiêu dùng trẻ.
  4. Đề xuất khung chiến lược eWOM Marketing thực nghiệm giúp doanh nghiệp bán lẻ và thương mại điện tử tối ưu tỷ lệ chuyển đổi (Conversion Rate).
Chỉ số kỳ vọng Ngưỡng tiêu chuẩn Ý nghĩa thống kê
Hệ số Cronbach's Alpha $\alpha \ge 0.70$ Đảm bảo độ tin cậy nhất quán nội tại của thang đo
Hệ số KMO & Bartlett's Test $0.5 \le KMO \le 1.0; p < 0.05$ Đủ điều kiện phân tích nhân tố khám phá (EFA)
Tổng phương sai trích (TVE) $> 50.0%$ Đảm bảo lượng biến thiên giải thích được của dữ liệu
Hệ số xác định đa biến ($R^2$) $> 0.40$ Mức độ phù hợp và giải thích của mô hình hồi quy
Hệ số phóng đại phương sai (VIF) $VIF < 2.0$ Kiểm soát hoàn toàn hiện tượng đa cộng tuyến

Phạm vi nghiên cứu tập trung vào nhóm khách hàng trẻ (Gen Z và Millennials, độ tuổi từ 16 đến 30) sinh sống và tiêu dùng tại khu vực TP. Hồ Chí Minh – thị trường thương mại điện tử năng động nhất cả nước.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước kỷ nguyên Web 2.0, tiếp thị truyền miệng truyền thống (WOM) bị giới hạn bởi không gian, thời gian và phạm vi quan hệ cá nhân. Khi chuyển sang môi trường số (eWOM), cấu trúc tương tác thay đổi toàn diện:

Tiêu chí so sánh WOM Truyền thống eWOM (Mạng xã hội / Review Site) Sponsored Content / Seeding
Kênh truyền tải Trực tiếp mặt đối mặt, phi cấu trúc Đa nền tảng (Facebook, TikTok, Shopee, Forum) Kênh truyền thông trả phí của nhãn hàng
Tốc độ lan truyền Chậm, phạm vi hẹp (1:1 hoặc 1:nhóm nhỏ) Tức thời, quy mô mạng lưới ($1:N$, $N:N$) Phụ thuộc vào ngân sách phân phối quảng cáo
Tính kiểm chứng Dựa trên uy tín cá nhân người quen Dựa trên tính logic, bằng chứng, cộng đồng xác thực Thường bị hoài nghi về tính khách quan
Chi phí triển khai Khó đo lường, không tốn phí trực tiếp Chi phí thấp, ROI tự nhiên cao Chi phí cố định cao (KOL/KOC booking fee) 
                       MA TRẬN PHÂN TÍCH YÊU CẦU NGHIÊN CỨU (MoSCoW)

Khoảng trống nghiên cứu (Research Gap): Phần lớn các nghiên cứu trước đây chỉ khảo sát mối quan hệ đơn tuyến giữa đánh giá trực tuyến và quyết định mua, hoặc chỉ tập trung vào một nền tảng đơn lẻ mà bỏ qua cơ chế lọc nhận thức (Cognitive Processing) hai tầng: từ việc đánh giá Tính hữu ích (Information Usefulness) dẫn đến Sự chấp nhận (Information Acceptance) trước khi hình thành Ý định mua (Purchase Intention).

Thiết kế hệ thống

Mô hình nghiên cứu được xây dựng gồm 8 khái niệm nghiên cứu với 28 biến quan sát được chuẩn hóa theo thang đo Likert 5 mức độ (từ 1: Hoàn toàn không đồng ý đến 5: Hoàn toàn đồng ý).

                      MÔ HÌNH NGHIÊN CỨU THỰC NGHIỆM ĐỀ XUẤT
                      
   [Biến Độc Lập]                [Biến Trung Gian 1]       [Biến Trung Gian 2]     [Biến Phụ Thuộc]

Thông số môi trường xử lý và phân tích dữ liệu:

  • Môi trường tính toán: IBM SPSS Statistics version 26.0 Core Engine kết hợp Python v3.10 (thư viện pandas, statsmodels, scikit-learn phục vụ cross-validation).
  • Cơ chế mã hóa biến số: Bảng câu hỏi số hóa qua Google Forms API, tự động trích xuất cấu trúc dữ liệu sang định dạng CSV/SAV không suy hao dữ liệu.
  • Bảo mật dữ liệu: Dữ liệu khảo sát được ẩn danh hoàn toàn (Anonymized Data Pipeline), loại bỏ định danh cá nhân tuân thủ tiêu chuẩn đạo đức nghiên cứu xã hội học.

Methodology

Quy trình nghiên cứu được triển khai theo mô hình kết hợp (Mixed Methodology) 2 giai đoạn:

                               TIẾN TRÌNH PHƯƠNG PHÁP NGHIÊN CỨU

Đánh giá và kiểm soát rủi ro phương pháp luận:

  • Rủi ro sai lệch chọn mẫu (Sampling Bias): Khắc phục bằng cách phân bổ khảo sát đa kênh (Facebook Groups, Zalo Communities, Sinh viên các trường ĐH lớn tại TP.HCM) nhằm đảm bảo tính đại diện cho nhóm 16-30 tuổi.
  • Rủi ro phương pháp đo lường chung (Common Method Bias - CMB): Áp dụng kiểm định đơn nhân tố Harman (Harman's Single-Factor Test) để xác nhận phương sai của nhân tố đầu tiên không vượt quá 50%.

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được thiết kế và thực thi có thể biểu diễn qua tập lệnh toán học và mã nguồn tự động hóa kiểm định mô hình:

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 Cronbach's Alpha
def cronbach_alpha(df_items: pd.DataFrame) -> float:
    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)

# 2. Ước lượng mô hình hồi quy OLS 3 tầng
def fit_regression_models(df: pd.DataFrame):
    # Model 1: CL, TC, NC, CCQ, TD -> HI
    X1 = sm.add_constant(df[['CL', 'TC', 'NC', 'CCQ', 'TD']])
    m1 = sm.OLS(df['HI'], X1).fit()
    
    # Model 2: HI -> CN
    X2 = sm.add_constant(df[['HI']])
    m2 = sm.OLS(df['CN'], X2).fit()
    
    # Model 3: CN -> YD
    X3 = sm.add_constant(df[['CN']])
    m3 = sm.OLS(df['YD'], X3).fit()
    
    return m1, m2, m3

Testing và validation

Kết quả phân tích độ tin cậy thang đo thông qua kiểm định Cronbach's Alpha đối với 220 quan sát hợp lệ:

Thang đo nhân tố Ký hiệu Số biến quan sát Cronbach's Alpha ($\alpha$) Tương quan biến - tổng nhỏ nhất ($r_{it}$) Đánh giá
Độ tin cậy nguồn tin TC 4 0.864 0.651 Đạt chuẩn ($> 0.70$)
Chất lượng thông tin CL 4 0.881 0.688 Đạt chuẩn ($> 0.70$)
Nhu cầu thông tin NC 3 0.823 0.612 Đạt chuẩn ($> 0.70$)
Chuẩn chủ quan CCQ 3 0.795 0.584 Đạt chuẩn ($> 0.70$)
Thái độ với thông tin TD 3 0.841 0.639 Đạt chuẩn ($> 0.70$)
Tính hữu ích thông tin HI 4 0.873 0.672 Đạt chuẩn ($> 0.70$)
Chấp nhận thông tin CN 4 0.856 0.643 Đạt chuẩn ($> 0.70$)
Ý định mua sắm YD 3 0.892 0.741 Đạt chuẩn ($> 0.70$)

Kiểm định Phân tích nhân tố khám phá (EFA):

  • Biến độc lập: Hệ số $KMO = 0.842 > 0.50$; Kiểm định Bartlett có giá trị $\chi^2 = 2145.68$ với mức ý nghĩa $p = 0.000 < 0.001$. Phương pháp trích Principal Axis Factoring cùng phép xoay Varimax đã trích xuất được 5 nhân tố với Tổng phương sai trích đạt 64.38% ($> 50%$), tất cả hệ số tải nhân tố (Factor Loading) đều đạt từ 0.621 đến 0.849 ($> 0.50$).
  • Biến trung gian và biến phụ thuộc: Các thang đo HI, CN và YD đều đơn nhân tố với TVE lần lượt đạt 68.21%, 65.44% và 78.15%, thỏa mãn hoàn toàn giá trị hội tụ và giá trị phân biệt.
                           KẾT QUẢ PHÂN TÍCH EFA (VARIMAX ROTATION)

Kết quả đạt được

Phân tích hồi quy bội tuyến tính đa tầng được thực hiện với 3 mô hình nhằm kiểm tra toàn diện chuỗi tác động:

                            PHƯƠNG TRÌNH HỒI QUY CHUẨN HÓA
                            
  Model 1: HI  = 0.324*CL + 0.248*TC + 0.185*TD + 0.162*NC + 0.141*CCQ  (R² = 0.582)
  Model 2: CN  = 0.638*HI                                               (R² = 0.407)
  Model 3: YD  = 0.695*CN                                               (R² = 0.483)
Mô hình hồi quy Biến độc lập Hệ số $\beta$ chuẩn hóa Giá trị $t$ Giá trị $Sig.$ Hệ số $VIF$ Kết luận giả thuyết
Mô hình 1 Chất lượng TT (CL) 0.324 5.412 0.000 1.342 H1: Chấp nhận ($p < 0.001$)
($R^2_{adj} = 0.572$) Độ tin cậy nguồn (TC) 0.248 4.185 0.000 1.287 H2: Chấp nhận ($p < 0.001$)
($F = 59.62; p < 0.001$) Thái độ với TT (TD) 0.185 3.120 0.002 1.215 H5: Chấp nhận ($p < 0.01$)
Nhu cầu TT (NC) 0.162 2.845 0.005 1.189 H3: Chấp nhận ($p < 0.01$)
Chuẩn chủ quan (CCQ) 0.141 2.456 0.015 1.154 H4: Chấp nhận ($p < 0.05$)
Mô hình 2 Tính hữu ích TT (HI) 0.638 12.228 0.000 1.000 H6: Chấp nhận ($p < 0.001$)
Mô hình 3 Chấp nhận TT (CN) 0.695 14.281 0.000 1.000 H7: Chấp nhận ($p < 0.001$)

Tất cả các hệ số VIF đều $< 1.50$, khẳng định mô hình hoàn toàn không vi phạm giả định đa cộng tuyến. Kết quả chứng minh rõ ràng: Chất lượng thông tin ($\beta = 0.324$) và Độ tin cậy của nguồn tin ($\beta = 0.248$) là 2 động lực mạnh nhất chi phối cảm nhận về tính hữu ích của eWOM, từ đó lan tỏa mạnh mẽ đến sự chấp nhận thông tin ($\beta = 0.638$) và thúc đẩy trực tiếp ý định mua hàng ($\beta = 0.695$).

Đổi mới và đóng góp

  • Đổi mới mô hình lý thuyết: Tích hợp thành công cấu phần trung tâm/ngoại biên của mô hình IAM với yếu tố tâm lý xã hội từ mô hình TRA, tạo ra khung phân tích hai tầng chặt chẽ phù hợp với đặc tính tiêu dùng số của giới trẻ Việt Nam.
  • Tính vượt trội so với các công trình tiền nhiệm:
Tiêu chí Cheung (2008) Ismail Erkan (2016) Hoàng Linh (2017) Đề tài nghiên cứu hiện tại
Mô hình cơ sở IAM thuần túy IAM + TRA kết hợp Mô hình eWOM đơn lẻ IAM + TRA mở rộng (5 tiền đề)
Phạm vi đối tượng Cộng đồng Online Forum Sinh viên ĐH tại Anh Nữ giới mua mỹ phẩm Đắk Lắk Người tiêu dùng trẻ 16-30 tại TP.HCM
Cơ chế trung gian 1 bước ($HI \to CN$) 1 bước ($HI \to YD$) Trực tiếp ($eWOM \to YD$) 2 bước logic liên hoàn ($HI \to CN \to YD$)
R-squared giải thích $R^2 \approx 42%$ $R^2 \approx 45%$ $R^2 \approx 38%$ $R^2 = 48.3%$ đến $58.2%$
  • Đóng góp học thuật và thực tiễn: Khóa luận cung cấp bằng chứng định lượng khẳng định người tiêu dùng hiện đại không tiếp nhận eWOM một cách thụ động; họ trải qua quá trình đánh giá tính toàn diện, tính dễ hiểu của nội dung và danh tính người phát ngôn trước khi chuyển hóa thành hành vi giao dịch thực tế.

Ứng dụng thực tế và triển khai

Dựa trên trọng số tác động của các nhân tố, nghiên cứu đề xuất lộ trình triển khai chiến lược eWOM Marketing cho doanh nghiệp thương mại điện tử:

                            LỘ TRÌNH TRIỂN KHAI eWOM MARKETING
                            
   Quý 1: Xây dựng nền tảng          Quý 2: Kích hoạt eWOM            Quý 3 & 4: Tối ưu & Mở rộng
  1. Nâng cao Chất lượng thông tin (CL - $\beta = 0.324$):
    • Thiết kế giao diện đánh giá chuẩn hóa trên website/app: bắt buộc cung cấp hình ảnh thực tế, video mở hộp, phân loại thuộc tính sản phẩm (màu sắc, kích cỡ, thời gian giao hàng).
    • Áp dụng thuật toán lọc tự động làm nổi bật các bài đánh giá chi tiết, hữu ích (Top Helpful Reviews).
  2. Củng cố Độ tin cậy của nguồn tin (TC - $\beta = 0.248$):
    • Gắn nhãn "Người mua hàng đã xác thực" (Verified Purchase) để triệt tiêu tình trạng seeding ảo.
    • Hợp tác cùng nhóm Micro/Nano Influencers có chuyên môn thực tế thay vì quảng cáo đại trà qua người nổi tiếng thiếu trải nghiệm chuyên sâu.
  3. Tận dụng Chuẩn chủ quan và Nhu cầu thông tin (CCQ, NC):
    • Tích hợp tính năng chia sẻ mạng xã hội một chạm (One-click Social Share) và tạo diễn đàn thảo luận hỏi - đáp ngay dưới trang thông tin sản phẩm.
  4. Hiệu quả kinh tế dự kiến (ROI & Metrics):
    • Tăng tỷ lệ chuyển đổi đơn hàng (Conversion Rate) từ 20% đến 35% đối với các trang sản phẩm có trên 10 đánh giá xác thực chất lượng cao.
    • Giảm chi phí thu hút khách hàng mới (CAC) trung bình 15% - 22% nhờ khai thác lưu lượng truy cập hữu cơ từ lan truyền eWOM.

Hạn chế và hướng phát triển

  • Hạn chế về phạm vi mẫu: Cỡ mẫu $N = 220$ tại khu vực TP.HCM áp dụng phương pháp lấy mẫu thuận tiện phi xác suất có thể chưa đại diện trọn vẹn cho toàn bộ người tiêu dùng trên cả nước.
  • Thiết kế nghiên cứu cắt ngang (Cross-sectional): Dữ liệu được thu thập tại một thời điểm (tháng 04/2021), chưa theo dõi được sự biến động nhận thức dài hạn của người dùng.
  • Hướng phát triển tiếp theo:
    • Mở rộng quy mô mẫu lên $N \ge 500$ trên phạm vi toàn quốc, thực hiện phân tích đa nhóm (Multi-group Analysis) theo giới tính, thu nhập và nhóm ngành hàng (Thời trang, Công nghệ, Mỹ phẩm).
    • Nâng cấp phương pháp phân tích sang mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) để đánh giá các biến tiềm ẩn bậc cao.
    • Tích hợp công nghệ xử lý ngôn ngữ tự nhiên (NLP) để phân tích sắc thái cảm xúc (Sentiment Analysis) tự động từ dữ liệu văn bản review thực tế trên các sàn Shopee, Lazada, TikTok Shop.

Đối tượng hưởng lợi

                             GIÁ TRỊ MANG LẠI CHO CÁC BÊN
  • Sinh viên & Học viên chuyên ngành Marketing/Kinh doanh: Cung cấp tài liệu tham khảo hoàn chỉnh về cấu trúc khóa luận định lượng, phương pháp thiết kế thang đo Likert, quy trình phân tích SPSS và diễn giải hệ số hồi quy theo chuẩn học thuật.
  • Doanh nghiệp bán lẻ & E-commerce Marketers: Cung cấp bộ chỉ số đo lường hiệu quả eWOM và các giải pháp thực chiến nhằm biến đánh giá của người dùng thành đòn bẩy doanh thu trực tiếp.
  • Cộng đồng nghiên cứu học thuật: Bổ sung bộ dữ liệu thực chứng về hành vi tiêu dùng số của thế hệ trẻ tại các thị trường mới nổi Đông Nam Á.

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng cỡ mẫu N = 220 và con số này có đảm bảo tính đại diện thống kê?

Theo Hair et al. (2014), kích thước mẫu tối thiểu cho phân tích nhân tố khám phá EFA là gấp 5 lần tổng số biến quan sát ($N \ge 5 \times k$). Khóa luận có 28 biến quan sát, do đó cỡ mẫu tối thiểu cần đạt là $28 \times 5 = 140$. Quy mô mẫu $N = 220$ vượt trên 57% so với ngưỡng tối thiểu, đảm bảo độ mạnh thống kê (Statistical Power $> 0.8$) cho cả phân tích EFA và hồi quy OLS.

2. Sự khác biệt căn bản giữa mô hình IAM và mô hình nghiên cứu của đề tài là gì?

Mô hình IAM gốc của Sussman & Siegal (2003) chỉ gồm 4 biến đơn giản: Chất lượng thông điệp, Độ tin cậy nguồn tin, Tính hữu ích và Sự tiếp nhận thông tin. Khóa luận đã mở rộng IAM bằng cách bổ sung 3 nhân tố từ TRA gồm Nhu cầu thông tin, Chuẩn chủ quan và Thái độ đối với thông tin, đồng thời nối dài chuỗi tác động đến biến đích là Ý định mua sắm, tạo nên một hệ quy chiếu hành vi hoàn chỉnh.

3. Làm thế nào để doanh nghiệp ngăn chặn các đánh giá eWOM tiêu cực hoặc độc hại?

Doanh nghiệp không nên xóa bỏ đánh giá tiêu cực một cách cơ học vì điều này làm giảm độ tin cậy của trang bán hàng. Thay vào đó, cần thiết lập quy trình phản hồi công khai trong vòng 2 - 4 giờ, đưa ra giải pháp bồi thường minh bạch, đồng thời khuyến khích các khách hàng hài lòng để lại đánh giá chi tiết kèm hình ảnh nhằm cân bằng bức tranh cảm xúc thương hiệu.

4. Chi phí xây dựng hệ thống quản trị eWOM trên nền tảng số là bao nhiêu?

Đối với doanh nghiệp vừa và nhỏ (SME), việc tích hợp các plugin đánh giá chuẩn hóa (có xác thực đơn hàng, hỗ trợ media) trên nền tảng Shopify, WooCommerce hoặc Haravan chỉ tốn từ 20 đến 100 USD/tháng. Đối với sàn TMĐT lớn, việc xây dựng module chuyên sâu tích hợp AI Sentiment Analysis có thể yêu cầu chi phí ban đầu khoảng 3.000 - 8.000 USD nhưng mang lại tỷ lệ hoàn vốn (ROI) vượt trội trong vòng 6 tháng.

5. Kết quả nghiên cứu có thể áp dụng cho các ngành hàng dịch vụ vô hình (du lịch, giáo dục) không?

Hoàn toàn có thể. Do dịch vụ vô hình có rủi ro nhận thức (Perceived Risk) cao hơn hàng hóa vật lý, người tiêu dùng càng phụ thuộc mạnh mẽ vào eWOM và độ tin cậy của nguồn phát ngôn. Trọng số của biến Độ tin cậy nguồn tin (TC) và Chất lượng thông tin (CL) thậm chí sẽ còn chiếm tỷ trọng cao hơn nữa trong lĩnh vực dịch vụ.

Kết luận

Khóa luận tốt nghiệp "Nghiên cứu sự tác động của truyền miệng điện tử (eWOM) đến ý định mua sắm của người tiêu dùng" đã hoàn thành toàn diện các mục tiêu nghiên cứu đặt ra. Thông qua việc kết hợp chặt chẽ giữa cơ sở lý luận IAM - TRA và quy trình phân tích định lượng chuẩn mực ($N = 220$), đề tài đã chứng minh một cách khoa học rằng Chất lượng thông tin ($\beta = 0.324$) và Độ tin cậy của nguồn tin ($\beta = 0.248$) là hai trụ cột quyết định tính hữu ích của eWOM, mở đường cho sự chấp nhận thông tin ($\beta = 0.638$) và chuyển hóa trực tiếp thành ý định mua sắm ($\beta = 0.695$).

Trong bối cảnh chuyển đổi số toàn diện, nghiên cứu này đóng vai trò như một cẩm nang học thuật và ứng dụng thực tiễn, giúp các nhà quản trị tiếp thị chuyển dịch tư duy từ quảng bá một chiều sang xây dựng hệ sinh thái truyền thông lan tỏa tự nhiên, minh bạch và bền vững trên không gian số.