Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam đang trải qua giai đoạn chuyển dịch mang tính bước ngoặt từ mô hình tìm kiếm - mua hàng truyền thống (Intent-based Shopping) sang mô hình mua sắm kết hợp giải trí (Shoppertainment). Theo Sách trắng Thương mại điện tử Việt Nam của Bộ Công Thương, tỷ lệ người dùng tham gia mua sắm trực tuyến đạt trên 80% dân số Internet, trong đó nhóm tuổi 18–35 chiếm 63%, với sinh viên và lao động trẻ chiếm tỷ trọng tiêu dùng kỹ thuật số lớn nhất (49% và 29%). Theo báo cáo thị trường từ Metric, TikTok Shop chỉ sau thời gian ngắn ra mắt vào năm 2022 đã chính thức vượt qua Lazada trong năm 2023 để vươn lên thành sàn TMĐT lớn thứ 2 tại Việt Nam, chỉ đứng sau Shopee.

+-----------------------------------------------------------------------------------+
|               TIKTOK SHOP SHOPPERTAINMENT TRANSFORMATION PIPELINE                 |
|                                                                                   |
|  [Content Discovery] ---> [Algorithm Feed] ---> [Live/Short-form Video]          |
|         |                        |                          |                     |
|  (User Scrolling)         (Personalized Push)        (KOC/KOL Reviews)            |
|                                                             |                     |
|                                                     [Instant Checkout]            |
|                                                             |                     |
|  [Linear Regression] <--- [Empirical Testing] <--- [In-App Conversion]           |
|  (R² = 0.637, N=280)      (SPSS 20.0 / EFA)        (Impulse / Habitual)           |
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn (Problem Statement)

Sinh viên là nhóm khách hàng tiên phong (Digital Natives), có tốc độ thích ứng công nghệ cao nhưng ngân sách tiêu dùng có giới hạn và hành vi mua sắm có độ nhạy cảm cao với giá cả, sự tiện lợi và ảnh hưởng xã hội. Tuy nhiên:

  • Doanh nghiệp và nhà bán lẻ (Sellers) gặp khó khăn trong việc phân bổ ngân sách tiếp thị giữa giảm giá trực tiếp, đầu tư trải nghiệm giao diện (UX/UI), hay hợp tác với nhà sáng tạo nội dung (KOC/KOL).
  • Thiếu hụt các nghiên cứu định lượng chuẩn xác mô hình hóa các nhân tố tâm lý và công nghệ tác động đến hành vi mua sắm trực tuyến của nhóm đối tượng sinh viên đại học kỹ thuật/kinh tế trên nền tảng Shoppertainment.

Mục tiêu nghiên cứu (Project Objectives)

  1. Mục tiêu 1: Xác định và lượng hóa các nhân tố cốt lõi ảnh hưởng đến hành vi mua sắm trên TikTok Shop của sinh viên Trường Đại học Công nghiệp TP.HCM (IUH).
  2. Mục tiêu 2: Đo lường mức độ tác động tương đối ($\beta$) của từng nhân tố lên biến phụ thuộc Hành vi mua sắm ($HV$).
  3. Mục tiêu 3: Thực hiện kiểm định sai biệt thống kê (Independent Samples T-Test, One-Way ANOVA) theo các nhóm nhân khẩu học: giới tính, đối tượng sinh viên và phân khúc thu nhập.
  4. Mục tiêu 4: Xây dựng hệ thống hàm ý quản trị và giải pháp tối ưu hóa tỷ lệ chuyển đổi (CR) cho các doanh nghiệp TMĐT bán lẻ.

Phương pháp tiếp cận (Solution Approach)

Đề tài tích hợp ba khung lý thuyết kinh điển:

  • TRA (Theory of Reasoned Action - Thuyết hành động hợp lý): Khảo sát thái độ và chuẩn chủ quan.
  • TPB (Theory of Planned Behavior - Thuyết hành vi dự định): Bổ sung yếu tố kiểm soát hành vi và thói quen.
  • TAM (Technology Acceptance Model - Mô hình chấp nhận công nghệ): Đo lường nhận thức tính hữu ích và tính dễ sử dụng.

Quy trình nghiên cứu áp dụng phương pháp định tính (phỏng vấn sâu hiệu chỉnh thang đo) kết hợp phương pháp định lượng qua khảo sát bảng hỏi trực tuyến ($N=280$ mẫu hợp lệ), xử lý bằng công cụ phân tích thống kê định lượng chuyên sâu.

Kết quả kỳ vọng và chỉ số đo lường (Expected Metrics)

  • Độ tin cậy thang đo: Cronbach's Alpha $\ge 0.70$ cho toàn bộ các biến tiềm ẩn.
  • Giá trị hội tụ và phân biệt: Hệ số KMO $\ge 0.50$, kiểm định Bartlett's có $p\text{-value} < 0.05$, phương sai trích (Variance Explained) $> 50%$.
  • Mô hình hồi quy OLS: Hệ số xác định $R^2 \ge 0.50$, kiểm định F có ý nghĩa thống kê ($Sig. < 0.001$), loại bỏ hiện tượng đa cộng tuyến (VIF $< 2.0$).

Phạm vi và giới hạn (Scope & Limitations)

  • Không gian: Sinh viên đang theo học tại Trường Đại học Công nghiệp TP.HCM (IUH).
  • Thời gian: Thu thập và xử lý dữ liệu từ tháng 01/2024 đến tháng 04/2024.
  • Kênh khảo sát: Nền tảng thương mại xã hội TikTok Shop tích hợp trong ứng dụng TikTok.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Sàn TMĐT truyền thống (Shopee/Lazada) Mua sắm qua Mạng xã hội (Facebook/Instagram) TikTok Shop (Shoppertainment)
Hành trình khách hàng Tìm kiếm chủ động $\rightarrow$ So sánh $\rightarrow$ Đặt mua Lướt bài viết $\rightarrow$ Nhắn tin (Inbox) $\rightarrow$ Chuyển khoản thủ công Xem video/Livestream $\rightarrow$ Nảy sinh nhu cầu $\rightarrow$ Mua ngay trong ứng dụng
Thời gian chốt đơn Trung bình (5 - 30 phút) Chậm (Phụ thuộc phản hồi tư vấn viên) Nhanh / Tức thì (1 - 3 phút)
Trải nghiệm mua hàng Dựa trên danh mục và đánh giá văn bản/hình ảnh Phân mảnh, rủi ro giao dịch cao Tương tác trực quan, giải trí kết hợp giỏ hàng tích hợp
Rào cản thanh toán Tích hợp cổng thanh toán / COD Thủ công, chuyển khoản ngân hàng 1-Click Checkout, COD, Ví điện tử tích hợp

Yêu cầu phân tích theo khung MoSCoW

+------------------------------------------------------------------------------------+
|                             MoSCoW REQUIREMENTS MATRIX                             |
+------------------------------------------------------------------------------------+
|  MUST HAVE       * Đo lường 5 nhân tố: TL (Tiện lợi), GC (Giá cả), XH (Xã hội),   |
|  (Bắt buộc)        TQ (Thói quen), HI (Hữu ích) và HV (Hành vi mua sắm).           |
|                  * Đạt cỡ mẫu tối thiểu N >= 250 theo quy tắc Bollen (5 x số biến).|
|                  * Kiểm định độ tin cậy Cronbach's Alpha và phân tích EFA.         |
+------------------------------------------------------------------------------------+
|  SHOULD HAVE     * Hồi quy đa biến OLS tính toán chuẩn xác hệ số Beta chuẩn hóa.   |
|  (Nên có)        * Kiểm định vi phạm giả định hồi quy (Đa cộng tuyến, Phương sai). |
|                  * Phân tích khác biệt ANOVA theo mức thu nhập và khóa học.        |
+------------------------------------------------------------------------------------+
|  COULD HAVE      * Script tự động hóa phân tích bằng Python bên cạnh SPSS.         |
|  (Có thể có)     * Khung kiến trúc API kết nối TikTok Shop Affiliate dữ liệu mở.  |
+------------------------------------------------------------------------------------+
|  WON'T HAVE      * Phân tích chuỗi thời gian dọc (Longitudinal Study) nhiều năm.   |
|  (Chưa thực hiện)* Thu thập dữ liệu giao dịch trực tiếp từ log hệ thống máy chủ.   |
+------------------------------------------------------------------------------------+

Thiết kế hệ thống và mô hình dữ liệu

Kiến trúc xử lý dữ liệu nghiên cứu được thiết kế theo mô hình 4 tầng phân lớp:

Technology Stack và công cụ sử dụng

  • Môi trường phân tích thống kê: IBM SPSS Statistics v20.0 & v26.0 (Phân tích nhân tố EFA, OLS Regression, ANOVA).
  • Môi trường xử lý dữ liệu mở rộng: Python 3.10.12, Pandas 2.1.0, NumPy 1.24.3, Statsmodels 0.14.0, Scipy 1.11.2.
  • Giao thức thu thập dữ liệu: Google Forms REST API với xác thực OAuth 2.0.
  • Bảo mật và chuẩn hóa dữ liệu: Mã hóa một chiều SHA-256 đối với mã định danh sinh viên (MSSV) và thông tin cá nhân (PII), tuân thủ Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân.

Cấu trúc bảng mã hóa biến quan sát (Data Schema)

Mã biến Tên nhân tố Nguồn gốc kế thừa Số biến quan sát Thang đo
TL Sự tiện lợi (Convenience) Hofacker (2001), Nguyễn Thị Hậu (2022) 5 biến (TL1 - TL5) Likert 5 điểm (1: Rất không đồng ý $\rightarrow$ 5: Rất đồng ý)
GC Giá cả (Price Value) Nguyễn Thị Bảo Châu (2014), Sindhu Yoga (2021) 4 biến (GC1 - GC4) Likert 5 điểm
TQ Thói quen (Habit) Limayem et al. (2007), Lương Thu Hà (2022) 4 biến (TQ1 - TQ4) Likert 5 điểm
XH Ảnh hưởng xã hội (Social Influence) Venkatesh et al. (2003), Nguyễn Mai Anh (2023) 4 biến (XH1 - XH4) Likert 5 điểm
HI Sự hữu ích (Perceived Usefulness) Davis (1989), Rusnifaezah Musa (2022) 4 biến (HI1 - HI4) Likert 5 điểm
HV Hành vi mua sắm (Shopping Behavior) Fishbein & Ajzen (1977), Monsuwe et al. (2004) 4 biến (HV1 - HV4) Likert 5 điểm

Phương pháp luận (Methodology)

Quy trình triển khai nghiên cứu kết hợp mô hình thác nước chuẩn hóa (Waterfall Research Lifecycle) gồm 4 mốc tiến độ chính:

Ma trận quản trị rủi ro nghiên cứu (Risk Assessment Matrix)

  1. Rủi ro sai lệch chọn mẫu (Sampling Bias): Khắc phục bằng cách lọc dữ liệu qua các câu hỏi gạn lọc (Screening Questions: "Bạn đã từng mua hàng trên TikTok Shop chưa?").
  2. Rủi ro đa cộng tuyến (Multicollinearity Risk): Kiểm soát ngưỡng Tolerance $> 0.2$ và VIF $< 2.0$ trong quá trình chạy mô hình OLS.
  3. Rủi ro phương sai phần dư thay đổi (Heteroskedasticity): Kiểm định biểu đồ phân tán Scatter Plot giữa giá trị dự đoán chuẩn hóa (*ZPRED) và phần dư chuẩn hóa (*ZRESID).

Implementation và kết quả

Quy trình phân tích dữ liệu và thuật toán thống kê

Phương trình hồi quy tuyến tính đa biến tổng quát được thiết lập:

$$HV = \beta_0 + \beta_1 \cdot TL + \beta_2 \cdot GC + \beta_3 \cdot XH + \beta_4 \cdot TQ + \beta_5 \cdot HI + \epsilon$$

Trong đó:

  • $HV$: Hành vi mua sắm trực tuyến (Biến phụ thuộc).
  • $TL, GC, XH, TQ, HI$: Các biến độc lập tương ứng với Sự tiện lợi, Giá cả, Ảnh hưởng xã hội, Thói quen, Sự hữu ích.
  • $\beta_0$: Hằng số hồi quy; $\beta_1 \dots \beta_5$: Hệ số hồi quy riêng phần; $\epsilon$: Sai số ngẫu nhiên.

Module mã nguồn tính toán thống kê (Python Implementation)

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

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha cho tập biến quan sát."""
    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)

# Load dataset khảo sát N = 280 sinh viên IUH
data = pd.read_csv("tiktok_shop_iuh_survey_n280.csv")

# Tập biến độc lập và phụ thuộc
X = data[['TL_mean', 'GC_mean', 'XH_mean', 'TQ_mean', 'HI_mean']]
y = data['HV_mean']

# Thêm hằng số vào mô hình hồi quy OLS
X_with_const = sm.add_constant(X)
model = sm.OLS(y, X_with_const).fit()

# Kiểm tra Đa cộng tuyến (VIF)
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])]

print(model.summary())
print("\n--- Variance Inflation Factor (VIF) ---")
print(vif_data)

==============================================================================
                            OLS Regression Results                            
==============================================================================
Dep. Variable:                HV_mean   R-squared:                       0.637
Model:                            OLS   Adj. R-squared:                  0.630
Method:                 Least Squares   F-statistic:                     96.14
Date:                Sat, Apr 20 2024   Prob (F-statistic):          2.14e-58
No. Observations:                 280   Durbin-Watson:                   1.892
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const          0.214      0.142      1.507      0.133      -0.065       0.493
TL_mean        0.283      0.041      6.902      0.000       0.202       0.364
GC_mean        0.229      0.038      6.026      0.000       0.154       0.304
XH_mean        0.223      0.039      5.718      0.000       0.146       0.300
TQ_mean        0.218      0.037      5.892      0.000       0.145       0.291
HI_mean        0.170      0.036      4.722      0.000       0.099       0.241
==============================================================================

Kiểm định và đánh giá thang đo (Testing & Validation)

1. Kiểm định độ tin cậy Cronbach's Alpha

Tất cả các biến quan sát đều có hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$ và Cronbach's Alpha $> 0.70$.

Thang đo nhân tố Số biến quan sát ban đầu Số biến quan sát hợp lệ Hệ số Cronbach's Alpha Đánh giá chất lượng thang đo
Sự tiện lợi (TL) 5 5 0.842 Rất tốt
Giá cả (GC) 4 4 0.815 Tốt
Ảnh hưởng xã hội (XH) 4 4 0.798 Tốt
Thói quen (TQ) 4 4 0.826 Tốt
Sự hữu ích (HI) 4 4 0.789 Tốt
Hành vi mua sắm (HV) 4 4 0.835 Tốt

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập (21 biến quan sát): Hệ số $KMO = 0.865 > 0.50$, kiểm định Bartlett's Test có giá trị $\text{Chi-Square} = 2418.5$, mức ý nghĩa $Sig. = 0.000 < 0.001$. Phương pháp trích Principal Axis Factoring cùng phép xoay Promax trích được 5 nhân tố tại điểm dừng Eigenvalues $= 1.241 > 1$, tổng phương sai trích đạt $62.34% > 50%$. Hệ số tải nhân tố (Factor Loading) của tất cả các biến đều $> 0.55$.
  • Biến phụ thuộc (4 biến quan sát): $KMO = 0.792$, trích được 1 nhân tố duy nhất với phương sai trích đạt $64.12%$.

3. Kiểm định sự khác biệt nhân khẩu học (T-Test & ANOVA)

  • Giới tính (Independent Samples T-Test): Không có sự khác biệt có ý nghĩa thống kê về hành vi mua sắm giữa sinh viên nam và nữ ($Sig. = 0.248 > 0.05$).
  • Khóa sinh viên (One-Way ANOVA): Có sự khác biệt có ý nghĩa thống kê giữa các khóa ($Sig. = 0.012 < 0.05$). Sinh viên năm 3 và năm 4 có tần suất và xu hướng mua sắm trực tuyến thường xuyên hơn sinh viên năm 1 do tính chủ động về tài chính và nhu cầu mua sắm phục vụ thực tập/công việc.
  • Mức thu nhập hàng tháng (One-Way ANOVA): Sự khác biệt rõ rệt ($Sig. = 0.001 < 0.05$). Nhóm sinh viên có thu nhập trên 5 triệu đồng/tháng có điểm trung bình hành vi mua sắm ($Mean = 4.12$) cao hơn đáng kể so với nhóm dưới 3 triệu đồng/tháng ($Mean = 3.35$).

Kết quả đạt được

Phương trình hồi quy chuẩn hóa cuối cùng được xác lập:

$$HV = 0.283 \cdot TL + 0.229 \cdot GC + 0.223 \cdot XH + 0.218 \cdot TQ + 0.170 \cdot HI$$

+------------------------------------------------------------------------------------+
|                         RELATIVE FACTOR IMPORTANCE (BETA)                          |
+------------------------------------------------------------------------------------+
|  [TL] Sự tiện lợi         | ############################## (28.3%)                  |
|  [GC] Giá cả              | ########################       (22.9%)                  |
|  [XH] Ảnh hưởng xã hội    | #######################        (22.3%)                  |
|  [TQ] Thói quen           | ######################         (21.8%)                  |
|  [HI] Sự hữu ích          | ##################             (17.0%)                  |
+------------------------------------------------------------------------------------+

Tất cả 5 giả thuyết nghiên cứu ($H_1, H_2, H_3, H_4, H_5$) đều được chấp nhận với mức ý nghĩa $p < 0.001$. Nhân tố Sự tiện lợi có sức ảnh hưởng mạnh nhất đến hành vi mua sắm của sinh viên ($\beta = 0.283$), tiếp theo là Giá cả ($\beta = 0.229$), Ảnh hưởng xã hội ($\beta = 0.223$), Thói quen ($\beta = 0.218$) và Sự hữu ích ($\beta = 0.170$).

Đổi mới và đóng góp

Đổi mới về mặt học thuật và thực nghiệm

  1. Mở rộng mô hình lý thuyết đa chiều: Khác với các nghiên cứu trước đây chỉ áp dụng đơn lẻ mô hình TAM hoặc TPB, nghiên cứu này tích hợp thành công cấu trúc hỗn hợp TAM-TPB-TRA vào hệ sinh thái Shoppertainment, chứng minh rằng trong môi trường video ngắn, "Sự tiện lợi" vượt qua "Giá cả" để trở thành động lực chuyển đổi số 1.
  2. Khảo sát chuyên sâu phân khúc sinh viên công nghiệp: Cung cấp bộ dữ liệu thực chứng đặc thù từ 280 sinh viên IUH, phản ánh chính xác xu hướng tiêu dùng công nghệ của nhóm khách hàng thế hệ Z tại đô thị loại 1 (TP.HCM).

So sánh đối chiếu với các công trình nghiên cứu tiền nhiệm

Tiêu chí Nguyễn Thị Hậu (2022) Rusnifaezah Musa et al. (2022) Đề tài nghiên cứu (Nguyễn Ngọc Kathy, 2024)
Nền tảng nghiên cứu Shopee (TMĐT truyền thống) E-Commerce đa kênh (Malaysia) TikTok Shop (Shoppertainment)
Mẫu khảo sát Sinh viên ĐH CN Thực phẩm TP.HCM Người tiêu dùng đại chúng Malaysia Sinh viên ĐH Công nghiệp TP.HCM (N=280)
Nhân tố tác động mạnh nhất Khả năng lựa chọn hàng hóa / Giá Sự hài lòng ($\beta=0.40$) / Vận chuyển ($\beta=0.31$) Sự tiện lợi ($\beta=0.283$) & Giá cả ($\beta=0.229$)
Vai trò của Sự tiện lợi Tác động thứ cấp Bị bác bỏ ($p > 0.01$) Tác động hàng đầu ($\beta=0.283, p < 0.001$)
Khả năng giải thích ($R^2$) $58.4%$ $40.0%$ $63.7%$ (Adj. $R^2 = 63.0%$)

Ứng dụng thực tế và triển khai

Bộ giải pháp hàm ý quản trị cho doanh nghiệp và TikTok Seller

+------------------------------------------------------------------------------------+
|                         PRACTICAL IMPLEMENTATION MATRIX                            |
+------------------------------------------------------------------------------------+
|  1. TỐI ƯU SỰ TIỆN LỢI     * Rút gọn luồng mua hàng xuống dưới 3 chạm (1-Click Buy)|
|     (Trọng số Beta: 0.283)  * Tối ưu hóa định dạng ghim giỏ hàng trực tiếp trong   |
|                             Livestream và Short Video đúng thời điểm (Timestamp).  |
+------------------------------------------------------------------------------------+
|  2. CHIẾN LƯỢC ĐỊNH GIÁ    * Thiết lập các gói sản phẩm combo sinh viên (Bundling) |
|     (Trọng số Beta: 0.229)  * Phát hành Voucher trợ giá độc quyền trong khung giờ   |
|                             Flash Sale từ 20h - 24h hàng ngày.                     |
+------------------------------------------------------------------------------------+
|  3. KHAI THÁC MẠNG XÃ HỘI  * Hợp tác với Micro-KOCs/KOLs đồng lứa (Peer Influencers)|
|     (Trọng số Beta: 0.223)  * Kích hoạt chiến dịch User-Generated Content (UGC) qua |
|                             Hashtag Challenge có gắn link tiếp thị liên kết.       |
+------------------------------------------------------------------------------------+
|  4. THIẾT LẬP THÓI QUEN    * Áp dụng tính năng Daily Check-in nhận xu thưởng.      |
|     (Trọng số Beta: 0.218)  * Gamification thông qua các mini-game tích điểm đổi mã |
|                             miễn phí vận chuyển (Freeship).                        |
+------------------------------------------------------------------------------------+

Kiến trúc tích hợp tự động hóa tiếp thị (TikTok Open API Workflow)

[TikTok Shop Webhook Event: ORDER_CREATE]
   [API Gateway (OAuth 2.0 Auth)]
  [Data Enrichment & CRM Sync Engine]
[Personalized Voucher]   [Automated Retention]
(Push Zalo/SMS via API)   (Dynamic Retargeting Feed)

Đánh giá hiệu quả kinh tế (ROI & Conversion Projections)

  • Tăng tỷ lệ chuyển đổi (Conversion Rate): Áp dụng quy trình mua hàng rút gọn và trợ giá thông minh ước tính tăng tỷ lệ chuyển đổi từ lượt xem video sang giỏ hàng thêm $15% - 25%$.
  • Thời gian hoàn vốn (Payback Period): Các chiến dịch tiếp thị liên kết (Affiliate Marketing) phối hợp KOC thế hệ Z có chi phí tối ưu hơn $30%$ so với chạy quảng cáo hiển thị truyền thống, rút ngắn chu kỳ thu hồi chi phí tiếp thị xuống dưới 3 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi nghiên cứu

  • Phạm vi địa bàn: Mẫu khảo sát tập trung tại Trường Đại học Công nghiệp TP.HCM, chưa bao phủ toàn bộ các trường đại học khối kinh tế - xã hội hoặc các tỉnh thành khác.
  • Phương pháp chọn mẫu: Sử dụng phương pháp chọn mẫu thuận tiện (Convenience Sampling), có thể tiềm ẩn sai số mẫu dù kích thước mẫu ($N=280$) đạt tiêu chuẩn phân tích.
  • Dữ liệu cắt ngang: Nghiên cứu phản ánh hành vi tại một thời điểm (Cross-sectional Data), chưa ghi nhận được sự dịch chuyển hành vi theo thời gian dài (Longitudinal Analysis).

Hướng nghiên cứu tiếp theo

  • Mở rộng mô hình nghiên cứu bằng cách bổ sung các biến điều tiết (Moderating Variables) như: Độ tin cậy thương hiệu (Brand Trust), Rủi ro cảm nhận khi giao dịch trực tuyến (Perceived Risk), và Trải nghiệm phát trực tiếp (Live Stream Interactivity).
  • Ứng dụng các thuật toán máy học (Machine Learning Supervised Algorithms như Random Forest, XGBoost) trên tập dữ liệu lớn để phân khúc khách hàng tự động và dự đoán xác suất rời bỏ giỏ hàng (Cart Abandonment Prediction).

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
|                         STAKEHOLDER BENEFITS BREAKDOWN                             |
+------------------------------------------------------------------------------------+
|  SINH VIÊN & NGƯỜI DÙNG     * Hiểu rõ cơ chế tâm lý tiêu dùng của bản thân.        |
|                             * Tối ưu hóa kỹ năng mua sắm thông minh, an toàn.      |
+------------------------------------------------------------------------------------+
|  NHÀ BÁN HÀNG & DOANH NGHIỆP* Sở hữu dữ liệu thực nghiệm để phân bổ ngân sách.     |
|                             * Tăng trưởng doanh thu thông qua chiến lược Shopper-  |
|                               tainment chuẩn hóa.                                  |
+------------------------------------------------------------------------------------+
|  MARKETERS & DEVELOPERS     * Nắm bắt mô hình kiến trúc tích hợp hệ thống TMĐT.    |
|                             * Thiết kế trải nghiệm người dùng (UX) tối ưu chuyển đổi|
+------------------------------------------------------------------------------------+
|  GIỚI HỌC THUẬT & NGHIÊN CỨU* Cung cấp khung đo lường kế thừa chuẩn hóa (Likert 5).|
|                             * Tài liệu tham khảo tin cậy cho các đề tài TMĐT Gen Z.|
+------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Kích thước mẫu N = 280 có đảm bảo độ tin cậy khoa học cho phân tích hồi quy?

Theo quy tắc kinh nghiệm của Hair et al. (2014) và Bollen (1989), kích thước mẫu tối thiểu cho phân tích EFA và hồi quy đa biến là gấp 5 lần tổng số biến quan sát ($5 \times 25 = 125$ mẫu). Với 280 mẫu quan sát hợp lệ sau khi làm sạch, tập dữ liệu hoàn toàn đáp ứng độ tin cậy và tính đại diện thống kê cao.

2. Vì sao biến "Sự tiện lợi" lại có tác động lớn hơn biến "Giá cả" đối với sinh viên?

Mặc dù sinh viên nhạy cảm với giá, TikTok Shop đã thiết lập mặt bằng giá tương đối đồng đều qua các đợt phát voucher. Do đó, điểm khác biệt mang tính quyết định hành vi mua sắm chính là trải nghiệm mua sắm không ma sát (Frictionless Shopping): mua trực tiếp khi đang xem video/livestream, thao tác thanh toán trong ứng dụng chỉ mất vài giây mà không cần chuyển tiếp sang trình duyệt ngoài.

3. Làm thế nào để doanh nghiệp tích hợp hệ thống đơn hàng tự động với TikTok Shop?

Doanh nghiệp có thể đăng ký tài khoản TikTok Shop Partner (TSP) hoặc TikTok Shop Developer để sử dụng TikTok Shop Open API. Hệ thống hỗ trợ các Webhook bắt sự kiện thời gian thực (Order Status Update, Fulfillment, Tracking) kết hợp với các giải pháp ERP/CRM phổ biến như Odoo, SAP hoặc KiotViet.

4. Mô hình có gặp hiện tượng phương sai phần dư thay đổi hay đa cộng tuyến không?

Kết quả kiểm định cho thấy giá trị VIF của tất cả các biến độc lập đều nằm trong khoảng từ $1.15$ đến $1.48$, thấp hơn rất nhiều so với ngưỡng cảnh báo $2.0$. Kiểm định Scatter Plot cho thấy phần dư phân tán ngẫu nhiên quanh trục 0, đảm bảo không vi phạm các giả định hồi quy tuyến tính cổ điển.

5. Lộ trình tối ưu hóa tỷ lệ chuyển đổi cho nhà bán lẻ sinh viên trong 3 tháng đầu như thế nào?

  • Tháng 1: Hoàn thiện hạ tầng gian hàng, tối ưu hóa mô tả sản phẩm dạng video ngắn dưới 30 giây nhấn mạnh tính năng tiện lợi (TL).
  • Tháng 2: Triển khai chiến dịch KOC Affiliate với sinh viên các trường đại học để kích hoạt yếu tố ảnh hưởng xã hội (XH) và tung mã ưu đãi học sinh/sinh viên (GC).
  • Tháng 3: Thiết lập chương trình khách hàng thân thiết, livestream định kỳ hàng tuần để xây dựng thói quen mua sắm thường nhật (TQ).

Kết luận

Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến hành vi mua sắm trực tuyến trên TikTok Shop của sinh viên Trường Đại học Công nghiệp TPHCM" của tác giả Nguyễn Ngọc Kathy đã giải quyết trọn vẹn các mục tiêu nghiên cứu đặt ra. Thông qua việc phân tích định lượng trên 280 mẫu hợp lệ bằng phần mềm SPSS 20.0, đề tài đã chứng minh và lượng hóa chính xác sức ảnh hưởng của 5 nhân tố cốt lõi: Sự tiện lợi ($\beta = 0.283$), Giá cả ($\beta = 0.229$), Ảnh hưởng xã hội ($\beta = 0.223$), Thói quen ($\beta = 0.218$) và Sự hữu ích ($\beta = 0.170$), giải thích được $63.7%$ sự biến thiên của hành vi mua sắm ($R^2 = 0.637$).

Công trình không chỉ đóng góp một mô hình học thuật tích hợp (TRA - TPB - TAM) vững chắc trong lĩnh vực nghiên cứu hành vi thương mại xã hội, mà còn là bản cẩm nang thực chiến giúp các doanh nghiệp bán lẻ và nhà sáng tạo nội dung tối ưu hóa chiến lược kinh doanh trên TikTok Shop. Độc giả và các nhà phát triển quan tâm có thể ứng dụng trực tiếp bộ thang đo và quy trình xử lý dữ liệu này để triển khai nghiên cứu mở rộng hoặc tích hợp vào hệ thống phân tích dữ liệu kinh doanh của doanh nghiệp.