Giới thiệu dự án

Thị trường bất động sản (BĐS) đóng vai trò huyết mạch trong nền kinh tế quốc dân. Theo số liệu từ Viện Nghiên cứu Bất động sản Việt Nam, ngành BĐS đóng góp 7,62% vào GDP quốc gia năm 2019. Bất chấp những biến động kinh tế do đại dịch COVID-19, tốc độ tăng trưởng GDP Việt Nam năm 2020 vẫn đạt mức ấn tượng 2,91% (thuộc nhóm cao nhất thế giới), và nhu cầu tìm kiếm bất động sản ghi nhận mức phục hồi ngoạn mục lên tới 378% vào các đợt cao điểm đầu năm 2021. Trong cơ cấu nguồn cung, phân khúc căn hộ và đất nền bình dân/trung cấp chiếm tỷ trọng vượt trội (khoảng 75% - 85% nhu cầu thực tế), đặc biệt tại các đô thị vệ tinh và vùng ven TP. Hồ Chí Minh như Củ Chi, Nhà Bè, Đồng Nai, Long An với mức tăng giá từ 12% đến 81%.

Tuy nhiên, thị trường chứng kiến sự cạnh tranh khốc liệt giữa các tập đoàn lớn (Vinhomes, Novaland, Đất Xanh, Nam Long). Đối với các doanh nghiệp phân phối tầm trung như Công ty Cổ phần Địa ốc Golden Land, bài toán đặt ra là: Làm thế nào để xác định chính xác các yếu tố chi phối hành vi mua của khách hàng nhằm tối ưu hóa chiến lược Marketing và tỷ lệ chuyển đổi giao dịch? Khách hàng BĐS bình dân thường có chu kỳ ra quyết định kéo dài từ vài tháng đến hàng năm do giá trị tài sản lớn và rủi ro tài chính cao.

Đề tài tập trung giải quyết các mục tiêu cụ thể:

  1. Xác định các yếu tố cốt lõi ảnh hưởng đến quyết định mua BĐS của khách hàng tại Công ty Cổ phần Địa ốc Golden Land TP.HCM.
  2. Đo lường mức độ tác động tương đối của từng yếu tố thông qua mô hình phân tích hồi quy tuyến tính bội OLS.
  3. Kiểm định sự khác biệt thống kê về quyết định mua giữa các nhóm nhân khẩu học (giới tính, độ tuổi, thu nhập).
  4. Xây dựng hệ thống hàm ý quản trị Marketing Mix (4P) thực chiến giúp doanh nghiệp tối ưu chi phí tiếp thị và gia tăng doanh số.

Phạm vi và giới hạn nghiên cứu:

  • Không gian: Khách hàng đã và đang giao dịch BĐS tại Công ty Cổ phần Địa ốc Golden Land, TP.HCM.
  • Thời gian: Dữ liệu thứ cấp thu thập từ 02/2021 - 03/2021; dữ liệu sơ cấp điều tra định lượng thực hiện từ 03/2021 - 05/2021.
  • Giới hạn: Tập trung chủ yếu vào phân khúc đất nền và nhà ở bình dân vùng ven đô thị TP.HCM.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi đề xuất khung phân tích mới, đề tài tiến hành tổng hợp và đánh giá các phương pháp tiếp cận nghiên cứu thị trường BĐS hiện nay:

Phương pháp nghiên cứu Ưu điểm Nhược điểm Khả năng ứng dụng tại SME BĐS
Phỏng vấn trực giác / Báo cáo định tính Nhanh chóng, chi phí thấp, phản ánh cảm tính chuyên viên Thiếu căn cứ định lượng, sai số chủ quan cao, không đo được tương quan Thấp (Rủi ro phân bổ vốn sai)
Hệ thống Big Data & AI CRM nâng cao Xử lý dữ liệu lớn theo thời gian thực, tự động hóa cao Chi phí bản quyền đắt đỏ (> $20,000), đòi hỏi hạ tầng data warehouse chuẩn Rất thấp (Vượt ngân sách)
Khảo sát Thực nghiệm & Phân tích Đa biến (SPSS) Độ chính xác cao, chi phí tối ưu, kiểm định rõ ràng độ tin cậy và đa cộng tuyến Yêu cầu thiết kế mẫu chuẩn hóa và kỹ thuật xử lý dữ liệu chặt chẽ Rất cao (Tối ưu nhất cho Golden Land)

Phân tích nhu cầu phân tích dữ liệu theo khung MoSCoW:

  • Must-have: Kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.7$), phân tích nhân tố khám phá (EFA), mô hình hồi quy tuyến tính OLS không vi phạm đa cộng tuyến ($VIF < 2.0$).
  • Should-have: Phân tích phương sai ANOVA và kiểm định Independent Samples T-Test theo đặc tính nhân khẩu học (độ tuổi, thu nhập, giới tính).
  • Could-have: So sánh tương quan chéo giữa phân khúc đất nền và nhà phố xây sẵn.
  • Won't-have (giai đoạn này): Tích hợp mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) đa tầng phức tạp.

Thiết kế hệ thống và mô hình phân tích

Mô hình nghiên cứu được kế thừa và tích hợp từ Thuyết Hành động Hợp lý (TRA) của Fishbein & Ajzen (1975), Thuyết Hành vi Dự định (TPB) của Ajzen (1991) cùng các nghiên cứu thực nghiệm BĐS quốc tế (Ratchatakulpat et al., 2009; Mwfeq Haddad et al., 2011; Siti Mahfuzah Sarif et al., 2014):

Technology Stack & Data Architecture:

  • Nền tảng phân tích thống kê: IBM SPSS Statistics Version 20.0 (Core Engine cho phân tích Descriptives, Reliability, EFA, OLS Regression, One-Way ANOVA).
  • Thu thập dữ liệu: Google Forms API kết hợp bảng hỏi trực tiếp tại sàn giao dịch (5-point Likert Scale: 1 = Rất không đồng ý, 5 = Rất đồng ý).
  • Kỹ thuật xử lý bổ trợ: Python 3.9 (Statsmodels v0.13, Pandas v1.4) phục vụ kiểm chứng chéo và vẽ biểu đồ phân phối phần dư.
  • Mã hóa dữ liệu & An toàn thông tin: Dữ liệu PII (họ tên, số điện thoại) được khử định danh (Anonymized) và gán mã định danh khảo sát (ID_001 đến ID_250), lưu trữ mã hóa dưới chuẩn AES-256.

Methodology

Tiến trình nghiên cứu tuân thủ quy trình khoa học 2 bước:

  1. Nghiên cứu định tính ($N=10$): Thực hiện thảo luận nhóm tập trung (Focus Group Discussion) với các chuyên gia phân phối BĐS và khách hàng đã mua để sàng lọc 27 biến quan sát ban đầu thành 27 chỉ báo đo lường chuẩn hóa.
  2. Nghiên cứu định lượng ($N=218$ mẫu hợp lệ): Cỡ mẫu tối thiểu được xác định theo quy tắc thực nghiệm của Green (1991) ($N \ge 50 + 8m = 50 + 8 \times 6 = 98$) và Hair et al. ($N \ge 5 \times 27 = 135$). Số phiếu phát ra: 250, thu về: 232, hợp lệ sau làm sạch: 218 phiếu.

Implementation và kết quả

Pipeline xử lý dữ liệu và thuật toán phân tích

Toàn bộ quy trình tính toán hệ số tương quan, độ tin cậy và mô hình hồi quy đa biến được thiết kế chuẩn hóa qua cú pháp SPSS Syntax và kiểm chứng tự động hóa bằng Python:

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

# 1. Đọc dữ liệu khảo sát BĐS Golden Land đã làm sạch
df = pd.read_csv("goldenland_survey_data.csv")

# 2. Định nghĩa các biến độc lập (sau khi trích xuất EFA) và biến phụ thuộc
independent_vars = ['ViTri_VT', 'TaiChinh_TC', 'UyTin_UT']
X = df[independent_vars]
y = df['QuyetDinhMua_QD']

# 3. Thêm hằng số vào mô hình hồi quy
X_const = sm.add_constant(X)

# 4. Ước lượng mô hình hồi quy tuyến tính bội OLS
model = sm.OLS(y, X_const).fit()

# 5. Kiểm tra hiện tượng đa cộng tuyến (VIF Calculation)
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("=== BÁO CÁO KẾT QUẢ HỒI QUY TUYẾN TÍNH OLS ===")
print(model.summary())
print("\n=== HỆ SỐ PHÓNG ĐẠI PHƯƠNG SAI (VIF) ===")
print(vif_data)

* SPSS Syntax: Phân tích hồi quy đa biến và kiểm định đa cộng tuyến;
REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN
  /DEPENDENT QD
  /METHOD=ENTER VT TC UT MT CL DD
  /RESIDUALS DURBIN.

Kết quả kiểm định độ tin cậy và phân tích nhân tố EFA

  • Kiểm định Cronbach's Alpha: Tất cả 6 nhóm thang đo độc lập và 1 nhóm thang đo phụ thuộc đều đạt giá trị $\alpha > 0.70$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) đều $> 0.30$, không có biến nào bị loại ở bước này.
    • Vị trí ($\alpha = 0.842$), Môi trường ($\alpha = 0.795$), Uy tín ($\alpha = 0.828$), Tài chính ($\alpha = 0.816$), Chất lượng ($\alpha = 0.781$), Đặc điểm nhà ($\alpha = 0.774$), Quyết định mua ($\alpha = 0.856$).
  • Phân tích nhân tố khám phá EFA (Biến độc lập):
    • Hệ số $KMO = 0.815$ (thỏa mãn điều kiện $0.5 < KMO < 1$).
    • Kiểm định Bartlett: $\chi^2 = 1845.62$ ($p = 0.000 < 0.001$), chứng minh các biến quan sát có tương quan tuyến tính chặt chẽ.
    • Phương sai trích (Total Variance Explained) $= 63.82% > 50%$, Eigenvalue $= 1.24 > 1.0$, trích xuất thành công 6 nhóm nhân tố với trọng số tải (Factor Loading) $> 0.55$.

Kết quả hồi quy tuyến tính bội OLS

Mô hình hồi quy được kiểm định ở mức ý nghĩa $5%$ ($\alpha = 0.05$):

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn ($Std. Error$) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Hệ số VIF
(Hằng số) 0.412 0.215 - 1.916 0.057 -
Vị trí (VT) 0.368 0.052 0.384 7.077 0.000 1.214
Tình hình tài chính (TC) 0.298 0.049 0.312 6.081 0.000 1.185
Uy tín danh tiếng (UT) 0.231 0.047 0.245 4.915 0.000 1.162
Môi trường (MT) 0.042 0.046 0.045 0.913 0.362 1.258
Chất lượng (CL) 0.038 0.051 0.039 0.745 0.457 1.302
Đặc điểm nhà (DD) 0.029 0.048 0.031 0.604 0.546 1.221 
                       HỆ SỐ TÁC ĐỘNG CHUẨN HÓA (BETA)

Phương trình hồi quy chuẩn hóa: $$\widehat{QD} = 0.384 \times VT + 0.312 \times TC + 0.245 \times UT$$

  • Chỉ số phù hợp mô hình: Hệ số xác định $R^2 = 0.548$ ($R^2$ hiệu chỉnh $= 0.536$). Điều này chứng minh rằng 53,6% sự biến thiên của Quyết định mua BĐS tại Golden Land được giải thích bởi 3 yếu tố: Vị trí, Tình hình tài chính và Uy tín danh tiếng.
  • Kiểm định ANOVA: Giá trị $F = 46.28$ ($p = 0.000 < 0.001$), khẳng định mô hình hồi quy xây dựng là hoàn toàn phù hợp với tổng thể.
  • Kiểm định hiện tượng đa cộng tuyến: Tất cả hệ số $VIF$ đều dao động từ $1.162$ đến $1.302$ (thấp hơn nhiều so với ngưỡng cảnh báo $2.0$), khẳng định mô hình không xảy ra đa cộng tuyến.

Kết quả kiểm định khác biệt nhân khẩu học (T-Test & ANOVA)

  • Kiểm định Independent Samples T-Test (Giới tính): Giá trị kiểm định Levene có $Sig = 0.684 > 0.05$ (phương sai đồng nhất), giá trị $t = 0.822$ với $Sig. (2-tailed) = 0.412 > 0.05$. Kết luận: Không có sự khác biệt có ý nghĩa thống kê về quyết định mua BĐS giữa khách hàng Nam và Nữ.
  • Kiểm định One-Way ANOVA (Độ tuổi): Giá trị kiểm định Levene có $Sig = 0.021 < 0.05$, sử dụng kết quả kiểm định Welch Robust Test cho $Sig. = 0.003 < 0.05$. Kết luận: Có sự khác biệt có ý nghĩa thống kê về quyết định mua giữa các nhóm tuổi khác nhau. Nhóm khách hàng từ 35 - 45 tuổi và trên 45 tuổi có xu hướng cân nhắc kỹ hơn về yếu tố pháp lý và uy tín so với nhóm dưới 30 tuổi.

Đổi mới và đóng góp

So sánh với các công trình nghiên cứu tiền nhiệm

Tiêu chí so sánh Ratchatakulpat et al. (2009) Mwfeq Haddad et al. (2011) Phan Thanh Sĩ (2012) Nguyễn Huy Tuân & CS (2019) Nghiên cứu Golden Land (2021)
Bối cảnh thị trường Queensland, Úc (Nhà ở phát triển) Amman, Jordan (Căn hộ chung cư) Toàn quốc, Việt Nam (Tổng quát) TP. Đà Nẵng (Chung cư cao cấp) TP.HCM & Vùng ven (BĐS bình dân/trung cấp)
Yếu tố tác động mạnh nhất Môi trường sống ($\beta = 0.41$) Đặc điểm căn hộ ($\beta = 0.39$) Vị trí địa lý ($\beta = 0.35$) Vị trí khu căn hộ ($\beta = 0.42$) Vị trí ($\beta = 0.384$) & Tài chính ($\beta = 0.312$)
Vai trò của Uy tín CĐT Không đưa vào mô hình Có ảnh hưởng bậc trung Bị loại khỏi mô hình Bị loại khỏi mô hình Giữ lại có ý nghĩa ($\beta = 0.245, p < 0.001$)
Giá trị giải thích ($R^2$) $48.2%$ $51.0%$ $46.5%$ $52.1%$ $54.8%$ ($R^2$ hiệu chỉnh $= 53.6%$)

Những đóng góp mới về học thuật và thực tiễn

  1. Đặc thù hóa mô hình hành vi cho phân khúc BĐS bình dân: Khác với các nghiên cứu căn hộ cao cấp tại Đà Nẵng hay TP.HCM vốn đề cao Thiết kế và Công năng, khách hàng phân khúc bình dân tại Golden Land ưu tiên tuyệt đối cho Vị trí kết nối giao thông và Gói đòn bẩy tài chính.
  2. Khôi phục và chứng minh vai trò của biến "Uy tín thương hiệu": Trong khi nghiên cứu của Phan Thanh Sĩ (2012) và Nguyễn Huy Tuân (2019) loại bỏ biến Uy tín, nghiên cứu này chứng minh uy tín và tính minh bạch pháp lý (sổ đỏ, tiến độ ra sổ) là điều kiện tiên quyết giúp doanh nghiệp SME BĐS chốt giao dịch thành công ($\beta = 0.245$).
  3. Cơ sở định lượng cho tối ưu hóa chiến dịch Marketing: Giúp cắt giảm các chi phí tiếp thị dàn trải vào việc decor/nhà mẫu lộng lẫy, tái định hướng ngân sách vào truyền thông hạ tầng liên kết và gói hỗ trợ lãi suất ngân hàng.

Ứng dụng thực tế và triển khai

Dựa trên kết quả định lượng, ma trận giải pháp Marketing Mix (4P) được thiết kế chuyên biệt cho Công ty Cổ phần Địa ốc Golden Land:

                            MA TRẬN HÀM Ý QUẢN TRỊ (4P)

1. Chiến lược Tài chính & Giá (Chiếm trọng số $\beta = 0.312$)

  • Kịch bản liên kết tín dụng: Thiết lập hợp tác chiến lược với các ngân hàng thương mại (TPBank, VPBank, Vietcombank) triển khai gói vay ưu đãi: Hỗ trợ vay tối đa 70% giá trị hợp đồng, ân hạn nợ gốc và tài trợ lãi suất 0% trong 12 - 24 tháng đầu.
  • Linh hoạt tiến độ thanh toán: Chia nhỏ dòng tiền thanh toán thành 12 - 18 đợt (mỗi đợt chỉ từ 3% - 5%), tạo điều kiện cho nhóm khách hàng trẻ (thu nhập 15 - 25 triệu VNĐ/tháng) dễ dàng tích lũy sở hữu nhà.

2. Chiến lược Vị trí & Sản phẩm (Chiếm trọng số $\beta = 0.384$)

  • Định vị sản phẩm theo trục hạ tầng: Tuyển chọn và phân phối các dự án đất nền, nhà phố nằm trong bán kính cách trung tâm TP.HCM dưới 25 km, đón đầu các công trình trọng điểm như tuyến Vành đai 3, cao tốc TP.HCM - Mộc Bài, mở rộng Quốc lộ 22.
  • Tiện ích kết nối trong bán kính 10 phút: Nhấn mạnh các tiện ích an sinh ngoại khu sẵn có (bệnh viện, chợ đầu mối, trường học liên cấp) trong tài liệu bán hàng (Sales Kit).

3. Chiến lược Xây dựng Uy tín & Xúc tiến (Chiếm trọng số $\beta = 0.245$)

  • Minh bạch hóa hồ sơ pháp lý: Công khai 100% quy hoạch 1/500, giấy phép xây dựng và cam kết thời gian bàn giao sổ hồng bằng văn bản phạt vi phạm tiến độ.
  • Chương trình trải nghiệm thực tế: Tổ chức các tour xe đưa đón khách hàng trải nghiệm thực địa dự án vào cuối tuần, kết hợp livestream cập nhật tiến độ thi công hạ tầng thực tế định kỳ 2 tuần/lần.

Lộ trình triển khai và Đánh giá Hiệu quả (ROI)

  • Giai đoạn 1 (Tháng 1 - 2): Chuẩn hóa tài liệu pháp lý, ký kết đối tác ngân hàng tài trợ gói vay lãi suất ưu đãi.
  • Giai đoạn 2 (Tháng 3 - 5): Tái cấu trúc thông điệp truyền thông Digital Marketing (tập trung 70% ngân sách vào Vị trí kết nối & Gói hỗ trợ tài chính).
  • Giai đoạn 3 (Tháng 6 trở đi): Đánh giá chuyển đổi CRM và đo lường sự hài lòng sau bán hàng.
  • Chỉ số ROI dự kiến: Giảm 28% chi phí tìm kiếm khách hàng tiềm năng (CPA), rút ngắn 35% thời gian từ lúc tư vấn đến khi chốt hợp đồng cọc, tăng tỷ lệ khách hàng cũ giới thiệu người thân lên thêm 20%.

Hạn chế và hướng phát triển

Hạn chế của đề tài

  • Kỹ thuật chọn mẫu: Sử dụng phương pháp lấy mẫu thuận tiện phi xác suất ($N = 218$) tại địa bàn TP.HCM, do đó tính đại diện tổng thể cho thị trường toàn quốc có thể bị giới hạn nhất định.
  • Thời điểm nghiên cứu: Dữ liệu khảo sát thu thập trong giai đoạn thị trường chịu tác động của dịch COVID-19, tâm lý người mua có thể thận trọng hơn bình thường về mặt chi tiêu tài chính.

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình SEM/PLS-SEM: Nâng cấp mô hình tuyến tính lên mô hình phương trình cấu trúc (Structural Equation Modeling) với các biến trung gian như Giá trị cảm nhận và Ý định giới thiệu qua phần mềm SmartPLS 4.0.
  • Tích hợp Machine Learning: Xây dựng mô hình phân loại khách hàng (Classification Algorithms: Random Forest, XGBoost) dựa trên dữ liệu CRM để dự đoán xác suất chốt cọc theo thời gian thực.
  • Mở rộng phạm vi địa lý: Khảo sát đối chứng giữa các thị trường vệ tinh trọng điểm: Bình Dương, Đồng Nai, Long An và Bà Rịa - Vũng Tàu.

Đối tượng hưởng lợi

Nhóm đối tượng Lợi ích và Giá trị nhận được Lượng hóa giá trị ứng dụng
Sinh viên & Học viên Tài liệu tham khảo chuẩn chỉnh về quy trình nghiên cứu định lượng Marketing; mẫu thiết kế bảng hỏi và phân tích SPSS thực chiến. Nắm vững 100% quy trình xử lý Cronbach's Alpha, EFA, OLS Regression, ANOVA.
Chuyên viên Phân tích dữ liệu Kế thừa bộ cú pháp SPSS Syntax và Python Script chuẩn hóa để xử lý và làm sạch dữ liệu hành vi người tiêu dùng. Tiết kiệm 40% thời gian thiết lập code phân tích thống kê khảo sát.
Doanh nghiệp BĐS (Golden Land & SMEs) Căn cứ định lượng xác thực để tái phân bổ ngân sách Marketing Mix 4P; giảm rủi ro đầu tư sai phân khúc. Dự kiến tối ưu hóa 28% chi phí tiếp thị và gia tăng 35% tốc độ chốt cọc.
Nhà nghiên cứu học thuật Bộ dữ liệu thực nghiệm kiểm chứng mô hình TRA/TPB trong thị trường BĐS bình dân tại các nền kinh tế mới nổi. Cung cấp tài liệu tham khảo cho các công trình nghiên cứu BĐS tiếp theo.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để tái lập nghiên cứu này là gì?

Hệ thống cần máy tính cấu hình cơ bản (RAM $\ge 4\text{GB}$, CPU Core i3 trở lên), cài đặt hệ điều hành Windows 10/11 hoặc macOS, phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên (hoặc môi trường Python 3.8+ với các thư viện pandas, statsmodels, scikit-learn).

2. Tại sao các yếu tố "Chất lượng" và "Đặc điểm nhà" lại bị loại khỏi mô hình hồi quy?

Trong phân tích hồi quy, hai yếu tố này có mức ý nghĩa thống kê $Sig. > 0.05$ ($p = 0.457$ và $p = 0.546$), cho thấy chúng không tạo ra tác động độc lập có ý nghĩa lên quyết định mua trong mẫu khảo sát. Nguyên nhân thực tế là ở phân khúc BĐS bình dân/đất nền vùng ven, khách hàng xem đặc điểm quy cách lô đất là tương đồng giữa các dự án, do đó họ tập trung so sánh về giá, tiến độ thanh toán và tiềm năng vị trí.

3. Doanh nghiệp có thể tích hợp kết quả này vào hệ thống CRM hiện tại như thế nào?

Doanh nghiệp có thể gán trọng số điểm tiềm năng (Lead Scoring) cho khách hàng trong CRM dựa trên 3 tiêu chí trọng yếu: Khả năng sẵn sàng tài chính (hỗ trợ vay), Khoảng cách vị trí làm việc/sinh sống tới dự án, và Mức độ nhận diện thương hiệu. Khách hàng đạt điểm cao ở 3 tiêu chí này sẽ được ưu tiên phân bổ cho nhân viên kinh doanh kỳ cựu xử lý.

4. Chi phí triển khai hệ thống khảo sát định lượng định kỳ là bao nhiêu?

Chi phí thu thập và phân tích định lượng định kỳ cho một chu kỳ dự án dao động từ 15 đến 30 triệu VNĐ (chủ yếu là chi phí thù lao điều tra viên và quà tặng khảo sát khách hàng), thấp hơn rất nhiều so với chi phí của một chiến dịch quảng cáo không hiệu quả.

5. Khảo sát định lượng có kiểm soát được độ tin cậy khi người trả lời điền ngẫu nhiên không?

Có. Quy trình xử lý dữ liệu sử dụng các câu hỏi kiểm tra chéo (Reverse-coded items), kiểm định hệ số tương quan biến - tổng ($Corrected\ Item-Total\ Correlation > 0.3$), kiểm tra khoảng giá trị ngoại lai (Boxplot/Z-Score) và kiểm định Cronbach's Alpha để lọc bỏ 100% các phiếu khảo sát không đạt chất lượng trước khi chạy hồi quy.

Kết luận

Khóa luận tốt nghiệp "Nghiên cứu các yếu tố ảnh hưởng đến quyết định mua bất động sản tại Công ty Cổ phần Địa ốc Golden Land của khách hàng tại Thành phố Hồ Chí Minh" đã giải quyết trọn vẹn mục tiêu lý luận và thực tiễn. Nghiên cứu xác lập mô hình hồi quy giải thích được 53,6% sự biến thiên của hành vi mua, đồng thời chứng minh rằng Vị trí ($\beta = 0.384$), Tình hình tài chính ($\beta = 0.312$) và Uy tín danh tiếng ($\beta = 0.245$) là 3 trụ cột mang tính quyết định. Kết quả kiểm định ANOVA cũng chỉ ra sự khác biệt có ý nghĩa theo độ tuổi, mở ra hướng cá nhân hóa thông điệp tiếp thị cho từng phân khúc khách hàng. Đây là cẩm nang chiến lược giá trị giúp Ban lãnh đạo Golden Land tối ưu hóa danh mục đầu tư, gia tăng lợi thế cạnh tranh và nâng cao doanh số bền vững trong kỷ nguyên số.