Giới thiệu dự án

Trong bối cảnh bùng nổ của cuộc Cách mạng Công nghiệp 4.0 và chuyển đổi số, Internet cùng các nền tảng mạng xã hội đã định hình lại hành vi tiêu dùng toàn cầu. Theo báo cáo Vietnam Digital Report 2023 của We Are Social, Việt Nam ghi nhận 77,93 triệu người sử dụng Internet (chiếm 79,1% dân số), cùng 70 triệu tài khoản mạng xã hội hoạt động tích cực với thời gian sử dụng trung bình đạt 6 giờ 23 phút mỗi ngày. Đáng chú ý, 56% hoạt động trực tuyến tập trung vào tìm kiếm thông tin và mua sắm, trong khi 90% người tiêu dùng (theo khảo sát của Nielsen) đọc đánh giá trực tuyến trước khi quyết định mua hàng và 72% xác nhận sẵn sàng chốt đơn sau khi tiếp cận các nhận xét tích cực.

Thị trường thời trang nội địa Việt Nam đạt quy mô xấp xỉ 4,5 tỷ USD với tốc độ tăng trưởng kép hàng năm (CAGR) duy trì ở mức 15% - 17% (VITAS). Tuy nhiên, các thương hiệu nội địa (Local Brands) như Canifa, IVY moda, Coolmate, Blue Exchange, Việt Tiến, An Phước đang phải chịu sức ép cạnh tranh gay gắt khi hơn 200 thương hiệu quốc tế (Zara, H&M, Uniqlo...) chiếm giữ hơn 60% thị phần.

Vấn đề cốt lõi đặt ra là sự bất cân xứng thông tin (Information Asymmetry) và rủi ro nhận thức (Perceived Risk) trong mua sắm thời trang trực tuyến khiến khách hàng phụ thuộc chặt chẽ vào truyền miệng trực tuyến (Electronic Word of Mouth - eWOM). Khóa luận tốt nghiệp của tác giả Nguyễn Lan Hương (Trường Đại học Kinh tế - ĐHQGHN, 2023) tập trung giải quyết bài toán: Xác định và lượng hóa các nhân tố thuộc eWOM chi phối trực tiếp đến ý định mua sắm sản phẩm thời trang nội địa của người tiêu dùng tại thị trường TP. Hà Nội.

Mục tiêu nghiên cứu bao gồm:

  1. Hệ thống hóa cơ sở lý luận về eWOM, hành vi người tiêu dùng và thương hiệu thời trang nội địa dựa trên các lý thuyết nền tảng: Thuyết hành động hợp lý (TRA), Thuyết hành vi hoạch định (TPB), Mô hình chấp nhận công nghệ (TAM), Mô hình tiếp nhận thông tin (IAM) và Mô hình khả năng đánh giá kỹ lưỡng (ELM).
  2. Xây dựng và kiểm định mô hình định lượng đo lường tác động của 6 nhân tố eWOM (Chất lượng thông tin, Độ tin cậy, Tính hữu ích, Số lượng thông tin, Chuyên môn người gửi, Nhu cầu thông tin) tới Ý định mua sắm.
  3. Đề xuất hệ thống giải pháp Marketing truyền thông tích hợp (IMC) dựa trên dữ liệu thực nghiệm giúp các doanh nghiệp thời trang nội địa tối ưu hóa tỷ lệ chuyển đổi và nâng cao năng lực cạnh tranh.

Phạm vi & Giới hạn: Nghiên cứu thu thập dữ liệu định lượng cắt ngang (Cross-sectional data) từ người tiêu dùng sinh sống, học tập và làm việc tại TP. Hà Nội trong giai đoạn từ tháng 03/2023 đến tháng 05/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Truyền thông Marketing ngành thời trang đang chuyển dịch từ quảng cáo một chiều sang đối thoại đa chiều thông qua eWOM. Phân tích hiện trạng các kênh truyền thông cho thấy sự khác biệt rõ rệt về độ tin cậy và khả năng kiểm soát:

Tiêu chí Quảng cáo truyền thống (Paid Ads) Truyền miệng truyền thống (WOM) Truyền miệng trực tuyến (eWOM)
Hình thức giao tiếp Một chiều (Doanh nghiệp $\rightarrow$ Khách hàng) Trực tiếp, đối mặt (Face-to-face) Đa chiều qua mạng xã hội, diễn đàn, sàn TMĐT
Tốc độ lan truyền Phụ thuộc ngân sách phân phối Chậm, giới hạn phạm vi địa lý Tức thì (Real-time), phạm vi toàn cầu
Độ tin cậy cảm nhận Thấp (Mang tính thương mại cao) Rất cao (Từ mối quan hệ thân thiết) Cao (Nhận thức phi thương mại từ cộng đồng)
Khả năng đo lường Cao (CPM, CPC, CTR) Rất khó đo lường Cao (Sentiment, Engagement, Conversion)
Tính bền vững dữ liệu Biến mất khi dừng ngân sách Không lưu trữ dạng văn bản Tồn tại lâu dài, tìm kiếm được (Searchable)

Phân tích yêu cầu mô hình nghiên cứu theo chuẩn MoSCoW:

  • Must-have: Kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.70$), Phân tích nhân tố khám phá (EFA với Factor Loading $\ge 0.50$, KMO $\in [0.5, 1.0]$), Hồi quy tuyến tính đa biến (OLS Regression).
  • Should-have: Phân tích phương sai một yếu tố (One-way ANOVA) nhằm phát hiện sự khác biệt theo nhân khẩu học (Giới tính, Độ tuổi, Thu nhập, Học vấn).
  • Could-have: Xây dựng phương trình dự báo hồi quy chuẩn hóa để phân bổ trọng số ngân sách tiếp thị.
  • Won't-have (giai đoạn này): Mô hình hóa phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) cho dữ liệu phi tuyến tính.

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu nghiên cứu được thiết kế qua 4 tầng xử lý tiêu chuẩn:

  1. Tầng thu thập dữ liệu (Ingestion Layer): Bảng khảo sát cấu trúc hóa sử dụng thang đo Likert 5 mức độ (1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý), phân phối qua Google Forms và mạng xã hội.
  2. Tầng xử lý & Làm sạch (Processing Layer): Loại bỏ mẫu không hợp lệ (Missing values, Straight-lining response bias), mã hóa biến số.
  3. Tầng phân tích định lượng (Analytics Engine): Ứng dụng phần mềm SPSS 26.0 thực hiện kiểm định thống kê suy diễn.
  4. Tầng trực quan hóa & Báo cáo (Reporting Layer): Kết xuất ma trận xoay, đồ thị phân tán phần dư và bảng kết quả giả thuyết.

Bảng mã hóa cấu trúc dữ liệu (Data Dictionary):

Mã biến Nhóm nhân tố Số quan sát Căn cứ lý thuyết thang đo
CL Chất lượng thông tin (Information Quality) 4 items Bataineh (2015), Erkan & Evans (2016)
TC Độ tin cậy thông tin (Source Credibility) 4 items Sussman & Siegal (2003), Cheung et al. (2008)
HI Tính hữu ích thông tin (Information Usefulness) 4 items Davis (1989), Lin et al. (2013)
SL Số lượng thông tin (Information Quantity) 3 items Matute et al. (2016), Bataineh (2015)
CM Chuyên môn người gửi (Sender Expertise) 3 items Lin et al. (2013), Lim (2016)
NC Nhu cầu thông tin (Information Needs) 3 items Erkan & Evans (2016), Nghiêm Bảo Anh (2022)
YD Ý định mua sắm (Purchase Intention) 4 items Ajzen (1991), Dodds et al. (1991)

Methodology

Quy trình nghiên cứu áp dụng phương pháp hỗn hợp (Mixed-method approach):

  • Giai đoạn 1 (Nghiên cứu định tính): Tổng quan tài liệu học thuật, thảo luận nhóm tập trung (Focus group discussion) với 10 người tiêu dùng am hiểu thời trang nội địa tại Hà Nội nhằm hiệu chỉnh ngữ nghĩa các biến quan sát phù hợp bối cảnh văn hóa bản địa.
  • Giai đoạn 2 (Nghiên cứu định lượng chính thức): Lấy mẫu thuận tiện phi xác suất (Convenience Sampling). Quy mô mẫu tối thiểu được xác định theo quy tắc Hair et al. (2014): $N \ge 5 \times k$ (với $k = 25$ biến quan sát $\Rightarrow N \ge 125$). Mẫu thu về thực tế đạt trên 250 quan sát hợp lệ, đảm bảo độ tin cậy thống kê tối ưu.
                   TIẾN ĐỘ THỰC HIỆN DỰ ÁN (03/2023 - 05/2023)

Implementation và kết quả

Development process

Thuật toán xử lý và quy trình phân tích dữ liệu được lập trình và thực thi thông qua cú pháp phân tích định lượng (SPSS Syntax / Python Data Science Stack):

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

# 1. Load và làm sạch dữ liệu khảo sát eWOM
df = pd.read_csv("ewom_fashion_survey_data.csv")
df_clean = df.dropna().copy()

# 2. Định nghĩa danh sách các biến độc lập và biến phụ thuộc
independent_vars = ['CL_mean', 'TC_mean', 'HI_mean', 'SL_mean', 'CM_mean', 'NC_mean']
target_var = 'YD_mean'

X = df_clean[independent_vars]
y = df_clean[target_var]

# 3. Tính toán Variance Inflation Factor (VIF) kiểm tra đa cộng tuyến
X_with_const = sm.add_constant(X)
vif_data = pd.DataFrame()
vif_data["Feature"] = X_with_const.columns
vif_data["VIF"] = [variance_inflation_factor(X_with_const.values, i) 
                   for i in range(len(X_with_const.columns))]
print("=== KẾT QUẢ KIỂM ĐỊNH VIF ===")
print(vif_data[vif_data["Feature"] != "const"])

# 4. Ước lượng mô hình Hồi quy tuyến tính đa biến (OLS Regression)
model = sm.OLS(y, X_with_const).fit()
print("\n=== KẾT QUẢ HỒI QUY ĐA BIẾN (OLS) ===")
print(model.summary())

Công thức toán học của mô hình hồi quy tổng quát:

$$YD = \beta_0 + \beta_1 CL + \beta_2 TC + \beta_3 HI + \beta_4 SL + \beta_5 CM + \beta_6 NC + \varepsilon$$

Trong đó:

  • $YD$: Ý định mua sắm sản phẩm thời trang nội địa
  • $\beta_0$: Hằng số tự do (Intercept)
  • $\beta_1 \dots \beta_6$: Hệ số hồi quy riêng phần chuẩn hóa (Standardized Beta Coefficients)
  • $\varepsilon$: Sai số ngẫu nhiên (Random error term) tuân theo phân phối chuẩn $N(0, \sigma^2)$

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Mọi thang đo đều đạt hệ số tin cậy nội tại cao ($\alpha > 0.70$) và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$:

  • Thang đo Chất lượng thông tin (CL): $\alpha = 0.842$
  • Thang đo Độ tin cậy (TC): $\alpha = 0.815$
  • Thang đo Tính hữu ích (HI): $\alpha = 0.867$
  • Thang đo Số lượng thông tin (SL): $\alpha = 0.789$
  • Thang đo Chuyên môn người gửi (CM): $\alpha = 0.803$
  • Thang đo Nhu cầu thông tin (NC): $\alpha = 0.776$
  • Thang đo Ý định mua sắm (YD): $\alpha = 0.884$

2. Phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO and Bartlett’s Test: Hệ số $KMO = 0.879 > 0.5$, kiểm định Bartlett có mức ý nghĩa thống kê $Sig. = 0.000 < 0.05$, chứng minh các biến quan sát có tương quan chặt chẽ.
  • Phương sai trích (Total Variance Explained): Đạt $63.45% > 50%$, giá trị Eigenvalue dừng ở mức $1.21 > 1$, trích xuất thành công 6 nhóm nhân tố độc lập.
  • Ma trận xoay nhân tố (Rotated Component Matrix - Varimax): Tất cả hệ số tải nhân tố (Factor Loadings) đều lớn hơn $0.55$, không có hiện tượng tải chéo vi phạm tính phân biệt.

Kết quả đạt được

Hệ thống hồi quy bội cho thấy mô hình có mức độ giải thích vượt trội với $R^2 = 0.582$ (Adjusted $R^2 = 0.571$), thống kê kiểm định $F = 54.32$ với $Sig. = 0.000 < 0.001$. Tất cả hệ số $VIF < 1.85$, khẳng định không xảy ra hiện tượng đa cộng tuyến.

Giả thuyết Mối quan hệ tác động Hệ số Beta chuẩn hóa ($\beta$) Giá trị t-statistic Mức ý nghĩa ($p$-value) Kết luận
$H_1$ Chất lượng thông tin $\rightarrow$ Ý định mua $+0.284$ $4.892$ $p < 0.001$ Chấp nhận
$H_2$ Độ tin cậy thông tin $\rightarrow$ Ý định mua $+0.241$ $4.120$ $p < 0.001$ Chấp nhận
$H_3$ Tính hữu ích thông tin $\rightarrow$ Ý định mua $+0.215$ $3.684$ $p < 0.001$ Chấp nhận
$H_4$ Số lượng thông tin $\rightarrow$ Ý định mua $+0.128$ $2.245$ $p = 0.026 < 0.05$ Chấp nhận
$H_5$ Chuyên môn người gửi $\rightarrow$ Ý định mua $+0.146$ $2.512$ $p = 0.013 < 0.05$ Chấp nhận
$H_6$ Nhu cầu thông tin $\rightarrow$ Ý định mua $+0.112$ $2.018$ $p = 0.045 < 0.05$ Chấp nhận

Kết quả phân tích One-way ANOVA: Có sự khác biệt có ý nghĩa thống kê về ý định mua theo Độ tuổi ($F = 4.312, p = 0.006$) và Thu nhập ($F = 3.845, p = 0.011$), trong đó nhóm tuổi 18–25 (Gen Z) và nhóm thu nhập 5–15 triệu VNĐ có mức độ tương tác và chịu ảnh hưởng bởi eWOM cao nhất.

Đổi mới và đóng góp

  1. Đóng góp học thuật: Nghiên cứu đã tích hợp thành công hai mô hình nhận thức IAM (Information Adoption Model) và ELM (Elaboration Likelihood Model) vào bối cảnh ngành hàng thời trang nội địa Việt Nam. Khác với các nghiên cứu trước đây vốn chỉ tập trung vào thương mại điện tử chung hoặc ngành dịch vụ lữ hành, công trình này khẳng định Chất lượng thông tin ($\beta = 0.284$) và Độ tin cậy ($\beta = 0.241$) là hai lực đẩy quan trọng nhất định hình quyết định mua sắm thời trang.
  2. So sánh với các công trình tiền nhiệm:
    • So với Bataineh (2015) (nghiên cứu mạng xã hội Jordan): Nghiên cứu này bổ sung thêm khía cạnh "Chuyên môn người gửi" và "Nhu cầu thông tin", giúp nâng hệ số giải thích $R^2$ từ $46%$ lên $57.1%$.
    • So với Nghiêm Bảo Anh (2022) (nghiên cứu may mặc công sở nữ): Khóa luận mở rộng phạm vi sang toàn bộ phân khúc thời trang nội địa (bao gồm Streetwear, Casualwear) và chứng minh vai trò tích cực của "Chuyên môn người gửi" thay vì bị loại bỏ như trong mô hình của Nghiêm Bảo Anh.
  3. Đóng góp thực tiễn: Cung cấp cơ sở dữ liệu định lượng giúp các nhà sáng lập thương hiệu địa phương phân bổ ngân sách tối ưu: Chuyển dịch 40% chi phí từ Paid Ads thuần túy sang phát triển nội dung đánh giá chất lượng cao (User-Generated Content - UGC) và chương trình trải nghiệm khách hàng xác thực (KOC Seeding).

Ứng dụng thực tế và triển khai

Lộ trình triển khai 3 giai đoạn (Roadmap)

Giai đoạn 1: Audit & Chuẩn hóa (Tháng 1)

Giai đoạn 2: Tích hợp Hệ thống & Seeding KOC (Tháng 2 - Tháng 3)

Giai đoạn 3: Tự động hóa & Tối ưu hóa ROI (Tháng 4 trở đi)

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis):

  • Chi phí triển khai: Ước tính 25–40 triệu VNĐ/tháng (Bao gồm chi phí tặng quà trải nghiệm cho KOCs, voucher khuyến khích đánh giá và phần mềm CRM).
  • Lợi ích dự kiến: Giảm 22% chi phí chuyển đổi (Cost Per Acquisition - CPA), tăng 35% tỷ lệ nhấp chuột tự nhiên (Organic CTR) và cải thiện 18% tỷ lệ quay lại mua hàng (Repeat Purchase Rate) sau 6 tháng áp dụng.

Hạn chế và hướng phát triển

  1. Hạn chế về không gian và phương pháp lấy mẫu: Mẫu nghiên cứu thu thập theo phương pháp thuận tiện tại địa bàn Hà Nội, chưa bao quát được thị trường miền Trung và miền Nam – nơi có đặc thù hành vi tiêu dùng thời trang khác biệt.
  2. Hạn chế về bản chất dữ liệu: Dữ liệu cắt ngang (Cross-sectional) chỉ phản ánh ý định mua tại một thời điểm nhất định, chưa theo dõi được sự chuyển dịch từ "Ý định mua" sang "Hành vi mua thực tế" (Actual Purchase Behavior).
  3. Hướng nghiên cứu tiếp theo:
    • Ứng dụng kỹ thuật Phân tích cấu trúc tuyến tính (SEM/PLS-SEM) để đánh giá các mối quan hệ trung gian (Mediating roles) và điều tiết (Moderating roles) của biến Hình ảnh thương hiệu và Nhận thức rủi ro.
    • Ứng dụng Xử lý ngôn ngữ tự nhiên (NLP) và Trí tuệ nhân tạo (AI Sentiment Analysis) để quét và phân tích sắc thái cảm xúc thời gian thực từ hàng triệu bình luận trên TikTok Shop và Shopee.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, quy trình xử lý thang đo, phân tích EFA, OLS và ANOVA trong lĩnh vực Marketing.
  • Lập trình viên & Data Analysts: Nắm bắt luồng xử lý dữ liệu khảo sát người dùng, thuật toán kiểm định thống kê và logic tích hợp hệ thống review trên các nền tảng E-commerce.
  • Doanh nghiệp thời trang nội địa (Local Brands): Sở hữu khung chiến lược tiếp thị truyền miệng thực chiến, giúp tối ưu hóa ngân sách truyền thông và cải thiện tỷ lệ chuyển đổi đơn hàng.
  • Nhà nghiên cứu & Giảng viên: Khung lý thuyết mở rộng tích hợp giữa IAM và ELM làm tiền đề cho các công trình nghiên cứu hành vi tiêu dùng trong nền kinh tế số.

Câu hỏi thường gặp

  1. Yêu cầu hệ thống và công cụ để tái lập nghiên cứu này là gì? Hệ thống cần cài đặt IBM SPSS Statistics phiên bản 20.0 trở lên (hoặc môi trường Python 3.8+ với các thư viện pandas, statsmodels, scikit-learn, pingouin), dữ liệu dạng bảng mã hóa chuẩn .sav hoặc .csv.

  2. Tại sao chất lượng thông tin lại có tác động mạnh nhất đến ý định mua ($\beta = 0.284$)? Thời trang là sản phẩm mang tính trải nghiệm và thẩm mỹ cao. Khách hàng trực tuyến không thể sờ hoặc thử trực tiếp, do đó họ cần những đánh giá có độ sâu, mô tả chi tiết chất vải, form dáng và tính trung thực của màu sắc để giảm thiểu rủi ro mua sai kích cỡ.

  3. Mô hình này có thể tích hợp với các hệ thống E-commerce hiện có như thế nào? Doanh nghiệp có thể thiết kế API thu thập dữ liệu đánh giá từ sàn TMĐT (Shopee, Lazada, TikTok Shop) đẩy về Data Warehouse nội bộ, sau đó áp dụng trọng số của 6 biến để chấm điểm chất lượng review và ưu tiên hiển thị các review hữu ích lên đầu trang sản phẩm.

  4. Doanh nghiệp cần duy trì hệ thống quản trị eWOM như thế nào để tránh khủng hoảng truyền thông? Cần thiết lập quy trình phản hồi eWOM tiêu cực trong vòng 2 giờ (SLA 2h), lắng nghe và đền bù thỏa đáng, đồng thời kích hoạt chính sách đổi trả minh bạch để chuyển hóa phản hồi tiêu cực thành trải nghiệm khách hàng tích cực.

  5. Thời gian hoàn vốn (ROI Timeline) khi đầu tư vào chiến lược eWOM chuyên nghiệp là bao lâu? Thông thường các chiến dịch tối ưu hóa eWOM mang lại kết quả rõ rệt sau 3 đến 6 tháng triển khai, khi lượng đánh giá tích cực đạt điểm bùng phát (Critical Mass) đủ để tạo dựng niềm tin thương hiệu tự nhiên.

Kết luận

Khóa luận tốt nghiệp “Tác động truyền miệng trực tuyến đến ý định mua sắm sản phẩm thương hiệu thời trang nội địa: Nghiên cứu trường hợp thành phố Hà Nội” đã chứng minh một cách khoa học và định lượng vai trò quyết định của eWOM đối với sự sống còn của các thương hiệu thời trang Việt Nam. Với 6 nhân tố tác động có ý nghĩa thống kê ($p < 0.05$), mô hình khẳng định rằng chiến lược tiếp thị hiện đại không còn nằm ở việc doanh nghiệp tự nói về mình bao nhiêu, mà nằm ở việc doanh nghiệp kích hoạt và trao quyền cho khách hàng nói về mình chất lượng như thế nào trên không gian số. Các nhà quản trị thương hiệu thời trang nội địa cần lập tức chuyển dịch trọng tâm sang xây dựng nội dung chân thực, minh bạch thông tin và tối ưu hóa trải nghiệm khách hàng để làm chủ thị trường thời trang đầy tiềm năng.