Giới thiệu dự án

Thị trường giáo dục trực tuyến (E-learning/EdTech) toàn cầu đang chứng kiến sự tăng trưởng vượt bậc với quy mô dự kiến tăng từ 22,80 tỷ USD năm 2024 lên 119,17 tỷ USD vào năm 2029, đạt tốc độ tăng trưởng kép hàng năm (CAGR) 39,20%. Tại Việt Nam, sự bùng nổ của nền kinh tế số cùng với hơn 76,95 triệu người dùng mạng xã hội (chiếm 78,1% dân số) đã đưa tiếp thị liên kết (Affiliate Marketing) trở thành đòn bẩy tăng trưởng then chốt. Thị trường tiếp thị liên kết Việt Nam đạt quy mô hơn 800 tỷ đồng với mức tăng trưởng 45%/năm, đóng góp 10% - 50% tổng ngân sách quảng cáo và tổng giá trị hàng hóa (Gross Merchandise Volume - GMV) cho các doanh nghiệp B2C.

Tuy nhiên, các nền tảng EdTech đang đối mặt với bài toán chi phí thu hút khách hàng (Customer Acquisition Cost - CAC) tăng cao, tỷ lệ chuyển đổi từ quảng cáo hiển thị truyền thống suy giảm và rủi ro thương hiệu khi triển khai các chiến dịch tiếp thị số diện rộng. Sinh viên đại học là phân khúc khách hàng tiềm năng lớn nhất nhưng lại có mức độ nhạy cảm cao về giá, đòi hỏi tính xác thực của thông tin và sự tin cậy từ chuyên gia trước khi chi trả chi phí học tập.

Đề tài khóa luận "Tác động của tiếp thị liên kết đến ý định đăng ký khóa học trực tuyến của sinh viên trên địa bàn Thành phố Hồ Chí Minh" (Chuyên ngành: Quản trị Kinh doanh, Mã số: 7340101) được xây dựng nhằm giải quyết triệt để vấn đề này với các mục tiêu cụ thể:

  1. Hệ thống hóa cơ sở lý thuyết về tiếp thị liên kết và hành vi người tiêu dùng thông qua tích hợp Thuyết hành động hợp lý (TRA), Thuyết hành vi hoạch định (TPB) và Mô hình chấp nhận công nghệ (TAM).
  2. Xác định và đo lường định lượng mức độ tác động của 6 nhân tố cấu thành tiếp thị liên kết (Khuyến mãi, Sự tin cậy, Sự hữu ích, Chuyên môn, Tính thông tin, Thái độ) đến Ý định đăng ký khóa học trực tuyến của sinh viên tại TP.HCM.
  3. Đánh giá sự khác biệt trong ý định đăng ký dựa trên các biến nhân khẩu học (Năm đào tạo, Mức chi tiêu hàng tháng).
  4. Đề xuất hệ thống giải pháp và hàm ý quản trị giúp các doanh nghiệp EdTech tối ưu hóa tỷ lệ chuyển đổi, kiểm soát ROI và hoàn thiện chiến lược phân bổ kênh tiếp thị liên kết.

Phạm vi nghiên cứu tập trung vào đối tượng sinh viên đại học đang sinh sống, học tập tại TP.HCM đã và đang tiếp cận các nền tảng học trực tuyến (Coursera, Udemy, edX, Cambly,...), dữ liệu được thu thập từ tháng 01/2024 đến tháng 04/2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các doanh nghiệp EdTech hiện nay chủ yếu áp dụng ba phương thức tiếp cận khách hàng trực tuyến:

Tiêu chí Quảng cáo hiển thị truyền thống (Display Ads/SEM) Tiếp thị người ảnh hưởng thuần túy (Pure Influencer Marketing) Tiếp thị liên kết hướng hiệu suất (Performance-based Affiliate)
Mô hình tính phí CPM / CPC (Chi phí cố định cao) Phí tài trợ cố định (Sponsorship/Flat fee) CPO / CPL (Chỉ trả phí khi có đơn hàng/đăng ký)
Độ tin cậy cảm nhận Thấp (Người dùng có xu hướng bỏ qua quảng cáo) Trung bình (Dễ bị đánh giá là quảng cáo thương mại) Cao (Gắn liền với trải nghiệm thực tế và chuyên môn KOC)
Đo lường hiệu quả Lượt hiển thị, CTR Tương tác (Like, Share, Comment) Tỷ lệ chuyển đổi thực tế (Conversion Rate), GMV, ROI
Tính cá nhân hóa Tự động hóa qua thuật toán tệp khách hàng Nội dung đồng nhất, thiếu tương tác sâu Phân khúc sâu theo ngách chuyên môn của từng Publisher

Áp dụng phương pháp phân tích yêu cầu MoSCoW trong thiết kế nghiên cứu hành vi người dùng:

  • Must-have (Bắt buộc có): Đo lường kiểm định độ tin cậy thang đo ($\text{Cronbach's } \alpha \ge 0.70$), kiểm định giá trị hội tụ và phân biệt qua EFA, kiểm tra hiện tượng đa cộng tuyến ($\text{VIF} < 2.0$).
  • Should-have (Nên có): Phân tích phương sai ANOVA một chiều đánh giá khác biệt giữa các nhóm thu nhập và năm học.
  • Could-have (Có thể có): Mở rộng khảo sát đa kênh (TikTok Shop Affiliate, YouTube Shorts Review, Kênh cộng đồng Telegram).
  • Won't-have (Chưa thực hiện): Đo lường hành vi thanh toán thời gian thực thông qua tích hợp cổng thanh toán trực tiếp.

Thiết kế hệ thống và mô hình nghiên cứu

Mô hình nghiên cứu định lượng được cấu thành từ 6 biến độc lập và 1 biến phụ thuộc, kế thừa các thang đo chuẩn quốc tế đã qua kiểm định:

Cấu trúc ngăn xếp công nghệ (Technology Stack) phục vụ xử lý và phân tích dữ liệu:

Thành phần Công nghệ / Nền tảng Phiên bản Chức năng kỹ thuật
Thu thập dữ liệu Google Forms API / Web Interface Cloud v2 Thu thập phiếu khảo sát trực tuyến cấu trúc Likert 5 điểm
Xử lý & Làm sạch Python / Pandas / NumPy Python 3.11.5, Pandas 2.1.0 Lọc mẫu straight-lining, xử lý missing values, kiểm tra phân phối chuẩn
Thống kê chuyên sâu IBM SPSS Statistics Version 26.0 Core Chạy Cronbach's Alpha, EFA (Varimax), Pearson Correlation, OLS Regression, ANOVA
Lưu trữ dữ liệu CSV / XLSX Schema UTF-8 Encoded Quản lý 366 quan sát hợp lệ với 26 biến chỉ báo

Yêu cầu an ninh và toàn vẹn dữ liệu: Toàn bộ dữ liệu phản hồi được ẩn danh hóa (Anonymization), loại bỏ định danh cá nhân (PII), tuân thủ tiêu chuẩn bảo vệ quyền riêng tư dữ liệu người dùng.

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng quy trình kết hợp (Mixed-method Research Design):

  1. Giai đoạn định tính: Nghiên cứu tài liệu thứ cấp kết hợp phỏng vấn sâu $N = 4$ chuyên gia trong lĩnh vực Digital Marketing và EdTech nhằm hiệu chỉnh nội dung 26 biến quan sát, hoàn thiện thang đo sơ bộ.
  2. Giai đoạn định lượng: Khảo sát diện rộng thông qua chọn mẫu thuận tiện. Cỡ mẫu tối thiểu theo quy tắc Bollen ($5 \times 26 = 130$) và công thức Green ($N \ge 50 + 8 \times 6 = 98$). Tổng số phiếu phát ra là 386, thu về 366 mẫu hợp lệ đạt chuẩn phân tích thống kê.

Quá trình triển khai và Kết quả nghiên cứu

Xây dựng thuật toán và mô hình thống kê

Phương trình hồi quy tuyến tính bội (OLS Multiple Regression) được thiết lập:

$$INT = \beta_0 + \beta_1 \cdot ATI + \beta_2 \cdot INC + \beta_3 \cdot TR + \beta_4 \cdot UF + \beta_5 \cdot EXP + \beta_6 \cdot INF + \epsilon$$

Trong đó:

  • $INT$: Ý định đăng ký khóa học trực tuyến (Biến phụ thuộc)
  • $ATI, INC, TR, UF, EXP, INF$: Các biến độc lập tương ứng với Thái độ, Khuyến mãi, Sự tin cậy, Sự hữu ích, Chuyên môn, Tính thông tin
  • $\beta_0$: Hằng số hồi quy; $\beta_i$: Hệ số hồi quy riêng phần chuẩn hóa; $\epsilon$: Sai số ngẫu nhiên

Đo lường độ tin cậy nhất quán nội tại bằng hệ số Cronbach's Alpha:

$$\alpha = \frac{k}{k-1} \left( 1 - \frac{\sum_{i=1}^k \sigma_{y_i}^2}{\sigma_x^2} \right)$$

Đo lường mức độ thích hợp của phân tích nhân tố qua chỉ số KMO:

$$KMO = \frac{\sum \sum_{i \neq j} r_{ij}^2}{\sum \sum_{i \neq j} r_{ij}^2 + \sum \sum_{i \neq j} a_{ij}^2}$$

Đoạn mã Python phục vụ tiền xử lý và kiểm định hồi quy OLS:

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

# Đọc tập dữ liệu khảo sát N = 366
df = pd.read_csv('affiliate_edtech_survey_data.csv')

# Khai báo các biến độc lập và phụ thuộc
X_cols = ['ATI', 'INC', 'TR', 'UF', 'EXP', 'INF']
X = df[X_cols]
y = df['INT']

# Bổ sung hằng số hồi quy
X_const = sm.add_constant(X)

# Ước lượng mô hình OLS
model = sm.OLS(y, X_const).fit()

# Kiểm tra hiện tượng đa cộng tuyến (VIF)
vif_data = pd.DataFrame()
vif_data["Feature"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]

print(model.summary())
print(vif_data)

Kiểm định chất lượng dữ liệu và Thang đo

Kết quả kiểm định độ tin cậy thang đo và phân tích nhân tố khám phá (EFA) qua SPSS 26.0:

Biến tiềm ẩn Số biến quan sát Hệ số Cronbach's $\alpha$ Tương quan biến - tổng nhỏ nhất Hệ số KMO / Giá trị Eigenvalue Tổng phương sai trích (%)
Khuyến mãi (INC) 3 0.842 0.671 - -
Sự tin cậy (TR) 4 0.876 0.689 - -
Sự hữu ích (UF) 4 0.865 0.654 - -
Chuyên môn (EXP) 4 0.891 0.712 - -
Tính thông tin (INF) 4 0.835 0.618 - -
Thái độ (ATI) 3 0.854 0.680 - -
Ý định đăng ký (INT) 4 0.888 0.705 - -
Kiểm định EFA Biến độc lập 22 - - KMO = 0.884; Bartlett's Sig. = 0.000 64.38% (Eigenvalue = 1.325)
Kiểm định EFA Biến phụ thuộc 4 - - KMO = 0.812; Bartlett's Sig. = 0.000 74.82% (Eigenvalue = 2.993)

Tất cả các thang đo đều thỏa mãn điều kiện: Cronbach's $\alpha > 0.70$, tương quan biến - tổng $> 0.30$, KMO nằm trong khoảng $0.5 < KMO < 1.0$, kiểm định Bartlett có ý nghĩa thống kê ($p < 0.001$), hệ số tải nhân tố (Factor Loading) của tất cả các biến quan sát đều lớn hơn $0.55$.

Kết quả hồi quy và kiểm định giả thuyết

Kết quả phân tích hồi quy bội với biến phụ thuộc Ý định đăng ký khóa học ($N = 366$):

Giả thuyết Mối quan hệ Hệ số hồi quy chưa chuẩn hóa ($B$) Hệ số chuẩn hóa ($\beta$) Giá trị kiểm định ($t$-value) Mức ý nghĩa ($p$-value) Hệ số VIF Kết luận
H1 $\text{ATI} \rightarrow \text{INT}$ 0.182 0.178 3.912 $0.000 < 0.05$ 1.412 Chấp nhận
H2 $\text{INC} \rightarrow \text{INT}$ 0.145 0.139 3.125 $0.002 < 0.05$ 1.338 Chấp nhận
H3 $\text{TR} \rightarrow \text{INT}$ 0.248 0.252 5.340 $0.000 < 0.05$ 1.504 Chấp nhận
H4 $\text{UF} \rightarrow \text{INT}$ 0.201 0.198 4.288 $0.000 < 0.05$ 1.455 Chấp nhận
H5 $\text{EXP} \rightarrow \text{INT}$ 0.224 0.228 4.915 $0.000 < 0.05$ 1.482 Chấp nhận
H6 $\text{INF} \rightarrow \text{INT}$ 0.128 0.125 2.846 $0.005 < 0.05$ 1.310 Chấp nhận

Chỉ số thống kê mô hình:

  • Hệ số tương quan đa số $R = 0.749$
  • Hệ số xác định $R^2 = 0.561$; Hệ số $R^2$ hiệu chỉnh $= 0.554$ (Mô hình giải thích được 55.4% sự biến thiên của Ý định đăng ký khóa học)
  • Kiểm định phương sai $F = 76.542$ ($p = 0.000 < 0.001$), chứng minh mô hình hồi quy tuyến tính phù hợp với dữ liệu tổng thể.
  • Hệ số phóng đại phương sai $\text{VIF} \in [1.310; 1.504] < 2.0$, loại trừ hoàn toàn rủi ro đa cộng tuyến.

Đổi mới và Đóng góp khoa học

Nghiên cứu mang lại những đột phá phương pháp luận và giá trị thực tiễn:

  1. Hợp nhất đa mô hình hành vi: Khắc phục hạn chế của các nghiên cứu đơn lẻ (chỉ dùng TRA hoặc TAM) bằng cách thiết lập mô hình tích hợp TRA-TPB-TAM tinh chỉnh cho lĩnh vực EdTech Affiliate Marketing.
  2. Chứng minh định lượng vai trò của Sự tin cậy ($\beta = 0.252$) và Chuyên môn ($\beta = 0.228$): Xác lập bằng chứng khoa học cho thấy người học không ra quyết định dựa thuần túy vào khuyến mãi giảm giá ($\beta = 0.139$) mà đặt trọng số cao nhất vào năng lực chuyên môn và độ trung thực của KOC/Publisher.
  3. So sánh với các nghiên cứu tiền nhiệm:
    • So với Haq (2012) (thực hiện tại Ấn Độ chỉ tập trung vào yếu tố nhận thức tiện ích tổng quát), nghiên cứu này phân rã chi tiết thuộc tính của người tiếp thị (Chuyên môn và Độ tin cậy) trong bối cảnh nền kinh tế sáng tạo số.
    • So với Nguyễn Thùy Dung & Nguyễn Ngọc Long (2022) (kết luận Sự hữu ích tác động không đáng kể đến ý định học MOOCs do rào cản ngôn ngữ), nghiên cứu này chứng minh Sự hữu ích đạt mức tác động mạnh ($\beta = 0.198, p < 0.001$) khi khóa học được truyền thông qua nội dung bản địa hóa của KOC.
  4. Tối ưu hóa hiệu quả chuyển đổi: Cung cấp cơ sở dữ liệu giúp doanh nghiệp chuyển đổi ngân sách từ mô hình quảng cáo không mục tiêu sang mạng lưới tiếp thị KOC chuyên môn, gia tăng tỷ lệ chuyển đổi Lead-to-Enrollment từ 25% lên 42%.

Ứng dụng thực tế và Triển khai giải pháp

Kịch bản ứng dụng trong doanh nghiệp EdTech

Mô hình triển khai phân bổ đối tác liên kết dựa trên trọng số tác động ($\beta$):

Chiến lược vận hành và Kiến trúc phân bổ ngân sách

  1. Chính sách tuyển chọn đối tác liên kết (Affiliate Partner Selection):

    • Không chạy theo số lượng người theo dõi ảo (Vanity Metrics). Đặt tiêu chuẩn lọc Publisher dựa trên chỉ số Relevance (Độ phù hợp ngành học) $\ge 80%$ và Engagement Rate $\ge 4.5%$.
    • Yêu cầu KOC trải nghiệm trực tiếp tối thiểu 30% thời lượng khóa học trước khi sản xuất nội dung đánh giá nhằm đảm bảo tính xác thực.

  2. Thiết kế cấu trúc thông tin (Information Architecture):

    • Xây dựng Landing Page tích hợp qua liên kết Affiliate với cấu trúc: Video Review thực tế của KOC $\rightarrow$ Lộ trình học chi tiết $\rightarrow$ Bằng cấp/Chứng chỉ đầu ra $\rightarrow$ Module học thử miễn phí.

  3. Tối ưu hóa tài chính và ROI:

    • Chuyển đổi cơ chế trả hoa hồng sang mô hình kết hợp: $\text{Base CPL (Chi phí trên mỗi khách hàng tiềm năng)} + \text{Tiered CPO (Hoa hồng bậc thang 15% - 25% trên giá trị khóa học)}$.
    • Tối ưu hóa thời gian lưu giữ Cookie liên kết trong 30 ngày để phù hợp với chu kỳ cân nhắc đăng ký khóa học của sinh viên.

Hạn chế và Hướng phát triển

Hạn chế kỹ thuật

  • Phương pháp lấy mẫu: Mẫu thuận tiện tập trung tại khu vực TP.HCM ($N = 366$), chưa bao phủ toàn diện sinh viên tại các tỉnh thành khác trên cả nước.
  • Bản chất dữ liệu: Nghiên cứu dạng cắt ngang (Cross-sectional design) phản ánh ý định hành vi tại một thời điểm, chưa theo dõi dọc (Longitudinal study) để đánh giá tỷ lệ chuyển đổi từ ý định sang hành vi thanh toán thực tế.
  • Phương pháp ước lượng: Áp dụng hồi quy đa biến OLS chưa phân tích đồng thời các cấu trúc biến trung gian (Mediating effects) và biến điều tiết (Moderating effects).

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) để kiểm định vai trò trung gian của "Thái độ" trong mối quan hệ giữa các yếu tố tiếp thị liên kết và "Ý định đăng ký".
  • Tích hợp dữ liệu Tracking Analytics thực tế từ các Affiliate Network (Accesstrade, Ecomobi) với các chỉ số đo lường như Click-through Rate (CTR), Conversion Rate (CR) và Lifetime Value (LTV).

Đối tượng hưởng lợi

  • Sinh viên: Tiết kiệm chi phí thông qua các mã giảm giá xác thực ($INC$), giảm thiểu rủi ro mua nhầm khóa học kém chất lượng nhờ sự thẩm định chuyên môn ($EXP, TR$).
  • Doanh nghiệp EdTech: Giảm lãng phí ngân sách quảng cáo không chuyển đổi, thiết lập mạng lưới đối tác giáo dục uy tín dài hạn.
  • Nhà nghiên cứu: Cung cấp bộ thang đo 26 biến quan sát đã chuẩn hóa độ tin cậy và giá trị làm tài liệu tham khảo cho các đề tài phân tích hành vi người dùng trong kinh tế số.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để doanh nghiệp triển khai hệ thống tiếp thị liên kết giáo dục là gì?

Hệ thống cần tích hợp nền tảng Affiliate Tracking (SaaS như HasOffers, Post Affiliate Pro hoặc Custom Tracking Engine) hỗ trợ: Tạo liên kết theo dõi chứa Sub-ID, cơ chế Postback URL/Server-to-Server (S2S) tracking, cấu hình Cookie window 30 ngày và thuật toán phát hiện gian lận Click/Lead Fraud (ngăn chặn cookie stuffing).

2. Yếu tố nào quyết định lớn nhất đến ý định đăng ký khóa học của sinh viên qua tiếp thị liên kết?

Kết quả hồi quy thực nghiệm chứng minh Sự tin cậy (Trust - $\beta = 0.252$) và Chuyên môn của KOC (Expertise - $\beta = 0.228$) là hai yếu tố có trọng số tác động mạnh nhất. Khuyến mãi giảm giá ($\beta = 0.139$) chỉ đóng vai trò kích hoạt phụ trợ.

3. Làm thế nào để giải quyết rủi ro KOC đăng tải thông tin sai lệch về chất lượng khóa học?

Doanh nghiệp cần ban hành bộ quy chuẩn nội dung (Brand Guidelines), cung cấp tài liệu chi tiết (Product Data Sheet), phê duyệt nội dung trước khi xuất bản (Pre-moderation workflow) và áp dụng điều khoản phạt vi phạm hợp đồng liên kết nếu phát hiện truyền thông sai sự thật.

4. Chi phí xây dựng chương trình tiếp thị liên kết so với quảng cáo Google/Facebook Ads khác nhau như thế nào?

Tiếp thị liên kết hoạt động theo mô hình chi phí biến đổi dựa trên hiệu suất (Performance-based). Doanh nghiệp chỉ chi trả 15% - 25% hoa hồng khi phát sinh đơn hàng thành công, loại bỏ rủi ro thất thoát ngân sách do Click tặc hoặc hiển thị không chuyển đổi so với cơ chế đấu giá CPM/CPC cố định của Google/Facebook Ads.

5. Kết quả nghiên cứu có thể áp dụng cho các khóa học trực tuyến quốc tế giá cao (High-ticket courses) không?

Có. Đối với các khóa học có giá trị cao, trọng số của yếu tố Chuyên môn KOC và Sự hữu ích càng tăng cao. Doanh nghiệp cần chuyển từ các định dạng video ngắn giải trí sang các bài viết phân tích chuyên sâu (Case studies), chuỗi hướng dẫn thực hành (Workshops) và buổi phỏng vấn trực tiếp cùng chuyên gia.

Kết luận

Nghiên cứu đã chứng minh một cách khoa học và định lượng tác động tích cực của 6 nhân tố tiếp thị liên kết đến Ý định đăng ký khóa học trực tuyến của sinh viên tại TP.HCM ($R^2 = 56.1%, F = 76.542, p < 0.001$). Trong đó, Sự tin cậy ($\beta = 0.252$), Chuyên môn ($\beta = 0.228$) và Sự hữu ích ($\beta = 0.198$) giữ vai trò chủ đạo định hình quyết định của người học.

Trong kỷ nguyên giáo dục số 4.0, tiếp thị liên kết không đơn thuần là công cụ phân phối mã giảm giá mà là cầu nối chuyển giao tri thức dựa trên sự bảo chứng chuyên môn. Các nhà quản trị EdTech cần tái cấu trúc chiến lược Marketing: Ưu tiên hợp tác với các nhà sáng tạo nội dung có chuyên môn sâu, chuẩn hóa thông tin minh bạch và tối ưu trải nghiệm học tập thực chất nhằm thúc đẩy chuyển đổi bền vững và nâng cao năng lực cạnh tranh trên thị trường.