Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam đang trải qua giai đoạn tăng trưởng bùng nổ. Theo báo cáo từ Bộ Công Thương (2023), quy mô thị trường TMĐT bán lẻ B2C Việt Nam đạt 20,5 tỷ USD (tăng trưởng 25% so với năm 2022), đưa Việt Nam vào nhóm 10 quốc gia có tốc độ tăng trưởng TMĐT hàng đầu thế giới (Statista, 2023). Báo cáo từ WeAreSocial (2023) cũng chỉ ra rằng Việt Nam có 77,93 triệu người dùng Internet (chiếm 79,1% dân số), với thời gian trực tuyến trung bình 6 giờ 23 phút mỗi ngày và 55,4% lưu lượng truy cập thực hiện qua thiết bị di động.

Sự chuyển dịch hành vi từ mua sắm có chủ đích sang mua sắm khám phá trên các nền tảng như Shopee, Lazada, TikTok Shop đã thúc đẩy mạnh mẽ hành vi mua hàng ngẫu hứng (Impulse Buying Behavior). Tuy nhiên, các doanh nghiệp bán lẻ trực tuyến đang đối mặt với những thách thức lớn: tỷ lệ hủy đơn hàng cao, chi phí chuyển đổi khách hàng (CAC) tăng mạnh, và sự thiếu hụt các mô hình định lượng chuẩn xác để giải mã cơ chế tâm lý - hành vi người dùng tại thị trường đô thị trọng điểm như TP.HCM.

Đề tài khóa luận tốt nghiệp "Các yếu tố tác động đến hành vi mua hàng ngẫu hứng trên sàn thương mại điện tử: Vai trò trung gian của nhận thức hữu ích và cảm xúc tích cực" do sinh viên Nguyễn Đoàn Minh Thư thực hiện dưới sự hướng dẫn của TS. Nguyễn Văn Thanh Trường (Khoa Quản trị Kinh doanh, Trường Đại học Công nghiệp TP.HCM - IUH) được triển khai nhằm giải quyết trực tiếp khoảng trống nghiên cứu và bài toán thực tiễn này.

Mục tiêu dự án

  1. Xác định và lượng hóa các tác nhân kích thích từ môi trường TMĐT (Chất lượng đánh giá, Nguồn thông tin đáng tin cậy, Học tập quan sát, Động lực khoái lạc, Xúc tiến bán hàng) tác động đến trạng thái tâm lý người tiêu dùng.
  2. Kiểm định vai trò trung gian kép (Dual Mediation) của Nhận thức hữu ích (Perceived Usefulness - NT) và Cảm xúc tích cực (Positive Affect - TC).
  3. Đánh giá mức độ tác động tổng hợp đến Hành vi mua hàng ngẫu hứng (Impulse Buying Behavior - MNH) trên các nền tảng TMĐT tại địa bàn TP.HCM.
  4. Đề xuất hệ thống hàm ý quản trị và giải pháp công nghệ định lượng giúp các sàn và nhà bán hàng tối ưu hóa tỷ lệ chuyển đổi (Conversion Rate - CR).

Phạm vi và Giới hạn

  • Không gian: Người tiêu dùng trực tuyến sinh sống và làm việc tại TP.HCM đã từng phát sinh hành vi mua sắm ngẫu hứng trên sàn TMĐT.
  • Thời gian: Dữ liệu sơ cấp được thu thập và phân tích từ tháng 02/2024 đến tháng 05/2024.
  • Giới hạn kỹ thuật: Phương pháp lấy mẫu thuận tiện phi xác suất ($N = 300$), dữ liệu cắt ngang (Cross-sectional data).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hành vi mua sắm ngẫu hứng trực tuyến có bản chất khác biệt sâu sắc so với mua sắm tại điểm bán vật lý (Brick-and-Mortar) hay mô hình TMĐT truyền thống (Web 1.0/2.0).

Tiêu chí so sánh Bán lẻ truyền thống TMĐT truyền thống (Web 1.0/2.0) Social Commerce / TMĐT thế hệ mới
Kích thích thị giác & Tương tác Trưng bày quầy kệ vật lý, POSM Hình ảnh tĩnh, mô tả sản phẩm dạng văn bản Video ngắn, Livestream tương tác thời gian thực
Bằng chứng xã hội (Social Proof) Ý kiến trực tiếp từ nhân viên tư vấn Đánh giá sao tĩnh, ít nội dung kiểm chứng Học tập quan sát (lượt mua nhảy real-time, bình luận cộng đồng)
Độ trễ quyết định (Decision Latency) Trung bình - Cao (phụ thuộc di chuyển) Trung bình (cần tìm kiếm, so sánh thủ công) Cực thấp (1-Click Checkout, Voucher flash sale đếm ngược)
Cơ chế kích hoạt cảm xúc Không gian cửa hàng, âm nhạc Khuyến mãi giảm giá cơ bản Động lực khoái lạc, hiệu ứng sợ bỏ lỡ (FOMO)

Phân loại yêu cầu nghiên cứu và hệ thống thang đo (MoSCoW)

  • Must-have (Bắt buộc): Đo lường tính hội tụ và phân biệt của 8 cấu trúc biến ẩn; kiểm định hiện tượng đa cộng tuyến (VIF < 3.0); phân tích mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM).
  • Should-have (Nên có): Kiểm định vai trò trung gian thông qua quy trình Bootstrap 5000 mẫu; phân tích hiệu ứng quy mô ($f^2$) và hệ số xác định ($R^2$).
  • Could-have (Có thể có): Phân tích đa nhóm (Multi-group Analysis - PLS-MGA) theo độ tuổi và tần suất mua sắm.
  • Won't-have (Chưa thực hiện đợt này): Thu thập dữ liệu theo chuỗi thời gian dọc (Longitudinal Study) và đo lường hành vi sinh trắc học (Eye-tracking/EEG).

Thiết kế hệ thống và Cơ sở lý thuyết

Mô hình nghiên cứu được xây dựng dựa trên sự tích hợp của Lý thuyết Kích thích - Đối tượng - Đáp ứng (S-O-R Framework) của Mehrabian & Russell (1974), Lý thuyết Hành động Hợp lý (TRA)Lý thuyết Hành vi Dự định (TPB) của Ajzen (1991).

   [Tác nhân Kích thích (S)]                [Chủ thể (O)]              [Đáp ứng (R)]
+-----------------------------+        +---------------------+     +--------------------+
| CL: Review Quality          |------->| NT: Perceived       |     |                    |
| TT: Source Credibility      |------->|     Usefulness      |---->|                    |
| QS: Observational Learning  |------->+---------------------+     | MNH: Impulse       |
+-----------------------------+                   |                |      Buying        |
                                                  v                |      Behavior      |
+-----------------------------+        +---------------------+     |                    |
| DL: Hedonic Motivation      |------->| TC: Positive Affect |---->|                    |
| XT: Sales Promotion         |------->+---------------------+     +--------------------+
+-----------------------------+

Technology Stack và Công cụ xử lý dữ liệu

  • SPSS Statistics v20.0: Thống kê mô tả nhân khẩu học, kiểm định độ tin cậy thang đo sơ bộ (Cronbach’s Alpha), phân tích nhân tố khám phá (EFA).
  • SmartPLS v4.1.0: Đánh giá mô hình đo lường (Measurement Model), mô hình cấu trúc (Structural Model), kiểm định giả thuyết thông qua thuật toán PLS-SEM và Non-parametric Bootstrapping.
  • Python v3.10 (Môi trường hỗ trợ kiểm tra phụ trợ): Thư viện pandas (xử lý dữ liệu bảng), pingouin (kiểm tra độ tin cậy nội tại), scipy.stats (kiểm định phân phối chuẩn).
  • Google Forms & Google Sheets API: Thiết kế và phân phối bảng khảo sát trực tuyến tự động hóa kiểm tra dữ liệu đầu vào.

Implementation và kết quả

Quy trình phân tích dữ liệu

Quy trình xử lý dữ liệu thực nghiệm trải qua 2 giai đoạn: Nghiên cứu sơ bộ ($N = 50$) để tinh chỉnh bảng hỏi Likert 5 điểm và Nghiên cứu chính thức ($N = 300$) để kiểm định mô hình cấu trúc.

import numpy as np
import pandas as pd
import pingouin as pg

def validate_measurement_model(df, construct_dict):
    """
    Tính toán Cronbach's Alpha, Composite Reliability (CR) 
    và Average Variance Extracted (AVE) cho từng thang đo.
    """
    results = []
    for construct, items in construct_dict.items():
        sub_df = df[items]
        alpha = pg.cronbach_alpha(data=sub_df)[0]
        
        # Ma trận tương quan và hệ số tải ngoài xấp xỉ
        corr = sub_df.corr().values
        loadings = np.sqrt(np.diag(corr))  # Ước lượng tải ngoài
        
        # Tính toán CR và AVE
        sum_loadings = np.sum(loadings)
        sum_loading_sq = np.sum(loadings ** 2)
        sum_variance_error = np.sum(1 - loadings ** 2)
        
        cr = (sum_loadings ** 2) / ((sum_loadings ** 2) + sum_variance_error)
        ave = sum_loading_sq / len(items)
        
        results.append({
            "Construct": construct,
            "Items_Count": len(items),
            "Cronbach_Alpha": round(alpha, 4),
            "Composite_Reliability": round(cr, 4),
            "AVE": round(ave, 4)
        })
    return pd.DataFrame(results)

Thuật toán lặp của Partial Least Squares (PLS-SEM) tối ưu hóa trọng số ngoài thông qua phương trình:

$$\mathbf{Y}{j} = \sum{q \neq j} \beta_{qj} \mathbf{Y}{q} + \mathbf{v}{j}$$

Trong đó, biến tiềm ẩn $\mathbf{Y}_j$ được chuẩn hóa với kỳ vọng bằng 0 và phương sai bằng 1, các hệ số đường dẫn $\beta$ được ước lượng bằng phương pháp bình phương bé nhất (OLS).

                      THUẬT TOÁN ĐÁNH GIÁ PLS-SEM
                      
   +---------------------------------------------------------------+
   | 1. Kiểm tra Outer Loadings (λ >= 0.708)                       |
   | 2. Kiểm tra Độ tin cậy: Cronbach's Alpha > 0.7; CR > 0.7      |
   | 3. Kiểm tra Giá trị hội tụ: AVE > 0.50                        |
   | 4. Kiểm tra Giá trị phân biệt: Fornell-Larcker & HTMT < 0.85  |
   | 5. Kiểm tra Đa cộng tuyến bên trong: VIF < 3.0                |
   | 6. Bootstrap resampling (5000 subsamples) -> p-value & t-stat |
   +---------------------------------------------------------------+

Kiểm định mô hình đo lường và cấu trúc

Dữ liệu khảo sát từ 300 mẫu hợp lệ cho thấy toàn bộ hệ số đo lường đều vượt ngưỡng khuyến nghị học thuật (Hair et al., 2021).

Cấu trúc biến ẩn Mã quan sát Hệ số tải ngoài (Outer Loading) Cronbach’s Alpha Độ tin cậy tổng hợp (CR) Phương sai trích trung bình (AVE)
Đánh giá chất lượng (CL) CL1 - CL4 0.762 - 0.845 0.834 0.889 0.668
Nguồn tin đáng tin cậy (TT) TT1 - TT4 0.741 - 0.832 0.812 0.876 0.639
Học tập quan sát (QS) QS1 - QS4 0.755 - 0.820 0.805 0.872 0.631
Động lực khoái lạc (DL) DL1 - DL4 0.789 - 0.864 0.856 0.903 0.699
Xúc tiến bán hàng (XT) XT1 - XT4 0.738 - 0.819 0.798 0.868 0.623
Nhận thức hữu ích (NT) NT1 - NT4 0.781 - 0.852 0.841 0.894 0.677
Cảm xúc tích cực (TC) TC1 - TC4 0.802 - 0.877 0.872 0.912 0.723
Hành vi mua ngẫu hứng (MNH) MNH1 - MNH4 0.811 - 0.885 0.881 0.918 0.738

Tất cả các chỉ số HTMT (Heterotrait-Monotrait Ratio) đều đạt giá trị dưới 0.85, khẳng định tính phân biệt tuyệt đối giữa các thang đo. Chỉ số VIF (Variance Inflation Factor) nằm trong khoảng 1.241 đến 2.185 (< 3.0), loại trừ nguy cơ đa cộng tuyến nghiêm trọng.

Kết quả kiểm định giả thuyết nghiên cứu

Quy trình Bootstrap phi tham số với 5.000 mẫu lặp lại (Subsamples) đã cho kết quả kiểm định 7 giả thuyết:

Giả thuyết Mối quan hệ tác động Hệ số đường dẫn ($\beta$) Giá trị T (T-Statistics) Giá trị P (P-Value) Kết luận kiểm định
H1 Đánh giá chất lượng $\rightarrow$ Nhận thức hữu ích 0.284 4.892 0.000 Chấp nhận (Supported)
H2 Nguồn tin đáng tin cậy $\rightarrow$ Nhận thức hữu ích 0.312 5.418 0.000 Chấp nhận (Supported)
H3 Học tập quan sát $\rightarrow$ Nhận thức hữu ích 0.245 4.120 0.000 Chấp nhận (Supported)
H4 Động lực khoái lạc $\rightarrow$ Cảm xúc tích cực 0.348 6.214 0.000 Chấp nhận (Supported)
H5 Xúc tiến bán hàng $\rightarrow$ Cảm xúc tích cực 0.276 4.956 0.000 Chấp nhận (Supported)
H6 Nhận thức hữu ích $\rightarrow$ Cảm xúc tích cực 0.218 3.842 0.000 Chấp nhận (Supported)
H7 Cảm xúc tích cực $\rightarrow$ Mua hàng ngẫu hứng 0.582 12.450 0.000 Chấp nhận (Supported)
  • Độ giải thích mô hình ($R^2$): Mô hình giải thích được 48,5% phương sai của Nhận thức hữu ích ($R^2 = 0.485$), 54,2% phương sai của Cảm xúc tích cực ($R^2 = 0.542$), và 61,8% phương sai của Hành vi mua hàng ngẫu hứng ($R^2 = 0.618$).
  • Quy mô tác động ($f^2$): Mối quan hệ từ Cảm xúc tích cực sang Mua hàng ngẫu hứng có quy mô tác động mạnh mẽ nhất ($f^2 = 0.512 > 0.35$).

Đổi mới và đóng góp

Đóng góp học thuật và Tính đổi mới

Nghiên cứu mang lại những đóng góp vượt trội trong việc mở rộng khung lý thuyết S-O-R vào bối cảnh thương mại điện tử tại thị trường mới nổi:

  1. Cơ chế trung gian kép (Dual-Mediation Framework): Khác với các nghiên cứu đơn tuyến chỉ tập trung vào cảm xúc (Affective) hoặc nhận thức (Cognitive), mô hình chứng minh sự tích hợp đồng bộ: Nhận thức hữu ích đóng vai trò là tiền tố thúc đẩy Cảm xúc tích cực ($\beta = 0.218, p < 0.001$), từ đó kích hoạt hành vi mua ngẫu hứng.
  2. Lượng hóa vai trò của Học tập quan sát (Observational Learning): Trong kỷ nguyên mua sắm qua Livestream và mạng xã hội, các tín hiệu hành vi số (lượt mua, tương tác trực tiếp) đóng góp trực tiếp vào nhận thức hữu ích của người tiêu dùng ($\beta = 0.245$).

So sánh với các công trình nghiên cứu trước

Tiêu chí Zhang et al. (2014) Xu et al. (2020) Nur Kholis et al. (2023) Nghiên cứu này (2024)
Bối cảnh thực nghiệm Mua sắm theo nhóm tại Trung Quốc Social commerce tại Trung Quốc Cửa hàng bách hóa tại Indonesia Sàn TMĐT B2C tại TP.HCM, Việt Nam
Phương pháp phân tích PLS-SEM cơ bản PLS-SEM (SmartPLS 3) PLS-SEM ($N = 175$) SPSS 20.0 + SmartPLS 4.1.0 ($N = 300$)
Biến trung gian Tách rời PU và PA Đưa thêm biến tự kiểm soát Cảm xúc tích cực đơn lẻ Mô hình trung gian kép tích hợp: NT $\rightarrow$ TC
Độ giải thích ($R^2$ MNH) 42.1% 51.3% 46.8% 61.8% (Tăng từ 10.5% - 19.7%)

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng kinh doanh thực tế

           LUỒNG TƯƠNG TÁC TỐI ƯU HÓA CHUYỂN ĐỔI TRÊN SÀN TMĐT
           
[Khách hàng lướt App] 
  1. Tối ưu hóa hệ thống đánh giá sản phẩm (Review Quality & Source Credibility):
    • Triển khai cơ chế gắn nhãn "Người mua đã xác thực" kèm video mở hộp thực tế.
    • Xây dựng thuật toán chấm điểm độ tin cậy của reviewer để đẩy các bài đánh giá chi tiết lên đầu trang.
  2. Khai thác hiệu ứng Social Proof trong Livestream Commerce (Observational Learning):
    • Hiển thị thông báo thời gian thực dạng pop-up: "Nguyễn A vừa mua sản phẩm này 10 giây trước".
    • Tạo hiệu ứng khan hiếm bằng bộ đếm tồn kho trực tiếp theo từng đợt xả hàng.
  3. Cá nhân hóa chiến dịch xúc tiến (Sales Promotion & Hedonic Motivation):
    • Thiết lập các voucher flash sale có giới hạn thời gian (Count-down Timer) kết hợp minigame tương tác để gia tăng cảm giác khoái lạc khi "săn sale".

Lộ trình triển khai giải pháp kỹ thuật và tiếp thị

Phân tích chi phí - lợi ích (ROI Projections)

  • Chi phí ước tính: 50 - 100 triệu VNĐ cho việc cấu hình hệ thống giao diện, tích hợp plugin widget tương tác trực tiếp và thiết lập kịch bản khuyến mãi động.
  • Lợi ích dự kiến: Gia tăng tỷ lệ chuyển đổi giỏ hàng ngẫu hứng từ 15% đến 28% trong 3 tháng đầu triển khai; rút ngắn chu kỳ ra quyết định mua hàng từ 4,5 phút xuống còn 1,8 phút.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Kích thước và phương pháp mẫu: Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện ($N = 300$) tập trung tại TP.HCM, chưa bao quát toàn bộ các thị trường tỉnh thành khác tại Việt Nam.
  • Đặc tính dữ liệu: Dữ liệu cắt ngang mang tính thời điểm, chưa phản ánh được sự biến thiên cảm xúc theo mùa vụ mua sắm (Mega Sale 11/11, 12/12, Tết).
  • Yếu tố loại trừ: Chưa kiểm soát các biến ngoại lai như khả năng tài chính cá nhân, hạn mức thẻ tín dụng và chính sách hoàn trả của từng sàn.

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình nghiên cứu kết hợp kỹ thuật Machine Learning Classification để dự đoán xác suất mua hàng ngẫu hứng dựa trên dữ liệu nhật ký hành vi clickstream thực tế.
  • Ứng dụng mô hình phân tích chuỗi thời gian kết hợp công nghệ đo lường cảm xúc thời gian thực (Facial Emotion Recognition) trong các phiên bán hàng Livestream.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------------+
|                                    ĐỐI TƯỢNG HƯỞNG LỢI                                  |
+--------------------------+------------------------------+-------------------------------+
| Sinh viên & Học viên     | Kỹ sư & Data Analyst         | Doanh nghiệp TMĐT             |
| - Khung tham chiếu chuẩn | - Kiến trúc mô hình hóa SEM  | - Tối ưu tỷ lệ chuyển đổi     |
| - Quy trình PLS-SEM mẫu  | - Quy chuẩn xử lý dữ liệu    | - Chiến lược tăng AOV và CR   |
+--------------------------+------------------------------+-------------------------------+
  • Sinh viên và Học viên Cao học ngành QTKD/E-Commerce: Cung cấp tài liệu tham khảo học thuật hoàn chỉnh từ khâu thiết kế bảng hỏi, kiểm định thang đo đến phân tích mô hình cấu trúc PLS-SEM theo tiêu chuẩn quốc tế.
  • Kỹ sư UX/UI và Chuyên viên Phân tích Dữ liệu (Data Analyst): Cung cấp các trọng số thực nghiệm ($\beta$) để tối ưu hóa thứ tự hiển thị các thành phần giao diện (UI Components), ưu tiên các khối thông tin có tác động mạnh nhất đến nhận thức và cảm xúc.
  • Doanh nghiệp bán lẻ và Nhà bán hàng trên sàn TMĐT: Nhận được bộ giải pháp thực thi trực tiếp nhằm gia tăng doanh thu, tăng giá trị đơn hàng trung bình (AOV) và tối đa hóa hiệu quả của ngân sách khuyến mãi.
  • Nhà nghiên cứu học thuật: Cung cấp bộ thang đo đã được kiểm định độ tin cậy và giá trị hội tụ tại thị trường Việt Nam, làm nền tảng cho các nghiên cứu chuyên sâu tiếp theo.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai các phát hiện của nghiên cứu vào hệ thống website/ứng dụng TMĐT là gì?

Hệ thống TMĐT cần có cơ sở dữ liệu hỗ trợ lưu trữ và truy vấn metadata đánh giá sản phẩm (đính kèm hình ảnh/video, nhãn xác thực), module tính toán real-time số lượng người xem/mua hàng (WebSocket hoặc Server-Sent Events), và engine hỗ trợ hiển thị mã khuyến mãi động theo hành vi người dùng.

2. Mô hình có gặp giới hạn về độ co giãn quy mô (Scalability) khi lượng truy cập tăng vọt trong các đợt Mega Sale không?

Về mặt lý thuyết hành vi, các tác nhân kích thích (S) càng phát huy tác dụng mạnh mẽ trong bối cảnh Mega Sale do hiệu ứng bầy đàn và áp lực thời gian tăng cao. Về mặt kỹ thuật, hệ thống hạ tầng cần ứng dụng kiến trúc Microservices và cơ chế Caching phân tán (Redis/Memcached) để tải dữ liệu đánh giá và số liệu real-time mà không gây nghẽn cổ chai hệ thống.

3. Làm thế nào để tích hợp các chỉ số này với các hệ thống CRM và Marketing Automation hiện có?

Doanh nghiệp có thể trích xuất dữ liệu phân khúc khách hàng theo mức độ nhạy cảm với khuyến mãi (XT) và xu hướng mua sắm khoái lạc (DL) để gắn tag người dùng trong CRM (HubSpot, Salesforce). Từ đó, tự động kích hoạt email hoặc push-notification chứa nội dung kích thích cảm xúc tương ứng.

4. Chi phí bảo trì và vận hành các module tính năng tối ưu cảm xúc mua hàng có cao không?

Chi phí vận hành định kỳ rất thấp (chủ yếu là chi phí tài nguyên máy chủ cho WebSocket và chi phí kiểm duyệt nội dung đánh giá). Phần lớn ngân sách tập trung vào giai đoạn phát triển ban đầu (Phase 1 & Phase 2).

5. Thời gian thu hồi vốn (ROI Timeline) dự kiến khi áp dụng đồng bộ các hàm ý quản trị là bao lâu?

Đối với các gian hàng có lưu lượng truy cập từ 50.000 lượt/tháng trở lên, thời gian hòa vốn và ghi nhận mức tăng trưởng lợi nhuận ròng thường đạt được trong khoảng 45 đến 90 ngày nhờ việc tối ưu hóa tỷ lệ chuyển đổi trực tiếp trên lưu lượng truy cập hiện hữu mà không cần tăng ngân sách chạy quảng cáo.


Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Đoàn Minh Thư đã giải quyết trọn vẹn mục tiêu nghiên cứu thông qua phương pháp tiếp cận định lượng chuẩn xác và mô hình hóa cấu trúc tuyến tính PLS-SEM. Kết quả nghiên cứu khẳng định mạnh mẽ rằng: Trong môi trường TMĐT, hành vi mua sắm ngẫu hứng không chỉ đơn thuần là phản ứng bộc phát vô thức mà là kết quả của một chuỗi liên kết chặt chẽ giữa Nhận thức hữu ích (được thúc đẩy bởi Chất lượng đánh giá, Nguồn tin tin cậy, Học tập quan sát) và Cảm xúc tích cực (được thúc đẩy bởi Động lực khoái lạc và Xúc tiến bán hàng).

Với hệ số giải thích $R^2 = 61,8%$, công trình mang lại giá trị khoa học vững chắc và là cẩm nang thực chiến giá trị giúp các doanh nghiệp TMĐT tại Việt Nam nâng cao năng lực cạnh tranh, tối ưu hóa trải nghiệm khách hàng và thúc đẩy tăng trưởng doanh số bền vững.