Giới thiệu dự án

Trong kỷ nguyên kinh tế số và bùng nổ mạng xã hội, TikTok đã vươn lên thành nền tảng video ngắn hàng đầu thế giới với hơn 1 tỷ người dùng hoạt động hàng tháng (MAU) trên 150 quốc gia, trong đó người dùng dưới 35 tuổi chiếm hơn 70%. Tại Việt Nam, đặc biệt là khu vực đô thị như TP. Hồ Chí Minh, thế hệ trẻ (16–29 tuổi) đang chuyển dịch mạnh mẽ hành vi tiêu dùng từ thương mại điện tử truyền thống sang thương mại mạng xã hội (Social Commerce / TikTok Shop). Tuy nhiên, các doanh nghiệp ngành hàng tiêu dùng nhanh (FMCG) đối mặt với thách thức lớn: làm thế nào để tối ưu hóa nội dung video ngắn quảng cáo nhằm kích hoạt chuyển đổi thực tế thay vì chỉ tạo ra lượt xem ảo.

+-------------------------------------------------------------------------+
|                          BỐI CẢNH THỊ TRƯỜNG                            |
|  - >1 tỷ MAU toàn cầu; >70% người dùng <35 tuổi (Yaqi et al., 2021)     |
|  - Tỷ lệ tương tác video ngắn vượt trội so với văn bản/hình ảnh tĩnh    |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                        VẤN ĐỀ CỐT LÕI (PAIN POINTS)                     |
|  - Tỷ lệ xem cao nhưng tỷ lệ chuyển đổi đơn hàng FMCG chưa tương xứng   |
|  - Ranh giới mong manh giữa tính giải trí và sự phiền nhiễu (Ad Fatigue)|
|  - Thiếu mô hình định lượng tác động đa chiều đến quyết định mua hàng   |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                      MÔ HÌNH KINH TẾ LƯỢNG ĐỀ XUẤT                      |
|      SPSS 20.0 | EFA | Cronbach's Alpha | Hồi quy tuyến tính bội        |
+-------------------------------------------------------------------------+

Mục tiêu nghiên cứu

  1. Xác định các nhân tố cấu thành: Hệ thống hóa và đo lường 6 nhân tố cốt lõi từ video ngắn TikTok: Sự tin cậy (TC), Mức độ tương tác (MDTT), Tính thông tin (TT), Tính giải trí (TGT), Giá trị cảm nhận (CN) và Sự phiền nhiễu (PN).
  2. Đo lường mức độ tác động: Ước lượng hệ số hồi quy chuẩn hóa ($\beta$) để xác định thứ tự ưu tiên của từng yếu tố lên Quyết định mua hàng (QDM).
  3. Đề xuất hàm ý quản trị: Xây dựng khung chiến lược triển khai quảng cáo số định lượng hóa dành cho các doanh nghiệp FMCG.

Phạm vi và giới hạn nghiên cứu

  • Khách thể khảo sát: Người tiêu dùng trẻ trong độ tuổi từ 16 đến 29 tuổi.
  • Không gian: Khu vực địa lý TP. Hồ Chí Minh.
  • Thời gian thực hiện: Giai đoạn thu thập và xử lý dữ liệu năm 2024.
  • Mẫu nghiên cứu: $N = 240$ đối tượng khảo sát, sàng lọc thu được $n = 224$ mẫu hợp lệ (đạt tỷ lệ hiệu dụng 93.33%).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh và kế thừa các nền tảng lý thuyết hành vi người tiêu dùng kinh điển, kết hợp với các nghiên cứu thực nghiệm hiện đại:

Khung lý thuyết / Nghiên cứu Cơ chế giải thích chính Ưu điểm Nhược điểm khi áp dụng cho TikTok
TRA (Fishbein & Ajzen, 1975) Thái độ + Chuẩn chủ quan $\rightarrow$ Ý định hành vi Cấu trúc tinh gọn, tập trung nhận thức cá nhân Bỏ qua các rào cản kiểm soát hành vi thực tế
TPB (Ajzen, 1991) Bổ sung Nhận thức kiểm soát hành vi (PBC) Giải thích tốt hành vi có kế hoạch phức tạp Chưa phản ánh tính bộc phát của video ngắn
UTAUT (Venkatesh et al., 2003) Hiệu suất kỳ vọng + Nỗ lực kỳ vọng + Ảnh hưởng xã hội Tối ưu cho việc chấp nhận công nghệ nền tảng Không đo lường yếu tố cảm xúc (giải trí, khó chịu)
Mô hình tác giả đề xuất (2024) Tích hợp 6 nhân tố: TC, TT, TGT, MDTT, CN, PN Đo lường toàn diện nhận thức, cảm xúc và rào cản Tập trung phân khúc Gen Z/Millennials đô thị

Phân loại yêu cầu theo khung MoSCoW

  • Must-have: Đo lường độ tin cậy của nguồn tin (KOL/KOC), tính xác thực của thông tin sản phẩm và giá trị lợi ích cảm nhận.
  • Should-have: Tối ưu hóa định dạng tương tác hai chiều (bình luận, giỏ hàng gắn kèm, sticker khảo sát).
  • Could-have: Tăng cường kịch bản giải trí hài hước, bắt trend âm nhạc độc quyền.
  • Won't-have (Eliminate): Tần suất hiển thị lặp lại gây ức chế tâm lý và phân bổ quảng cáo sai đối tượng mục tiêu.

Thiết kế hệ thống

Mô hình nghiên cứu được xây dựng dưới dạng phương trình hồi quy tuyến tính bội:

$$QDM = \beta_0 + \beta_1 \cdot TC + \beta_2 \cdot TT + \beta_3 \cdot CN + \beta_4 \cdot MDTT + \beta_5 \cdot TGT - \beta_6 \cdot PN + \varepsilon$$

Ngăn xếp công nghệ và công cụ xử lý dữ liệu

  • Nền tảng phân tích thống kê: IBM SPSS Statistics phiên bản 20.0.
  • Ngôn ngữ tiền xử lý & kiểm định bổ trợ: Python 3.10 (thư viện pandas, statsmodels, scipy).
  • Thang đo lường: Thang đo khoảng cách Likert 5 mức độ (1: Rất không đồng ý $\rightarrow$ 5: Rất đồng ý).
  • Kiểm soát đa cộng tuyến & sai số: Đánh giá qua hệ số phóng đại phương sai ($VIF < 2.0$) và giá trị Durbin-Watson ($1.5 < d < 2.5$).

Methodology

Quy trình nghiên cứu kết hợp hai giai đoạn:

  1. Nghiên cứu định tính ($N = 10$): Phỏng vấn sâu nhóm đối tượng mục tiêu nhằm hiệu chỉnh từ ngữ, câu trúc bảng hỏi từ thang đo gốc quốc tế sang bối cảnh hành vi tiêu dùng tại Việt Nam.
  2. Nghiên cứu định lượng ($N = 240 \rightarrow n = 224$): Khảo sát diện rộng thông qua kỹ thuật chọn mẫu phi xác suất (thuận tiện), đảm bảo tính đại diện cho nhóm thanh niên học tập và làm việc tại TP.HCM.

Implementation và kết quả

Development process

Quá trình tiền xử lý và kiểm định thống kê được mô hình hóa theo pipeline chuẩn mực:

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

# Pipeline ước lượng mô hình hồi quy OLS trên tập dữ liệu khảo sát (n=224)
def evaluate_tiktok_ad_model(df: pd.DataFrame, target_col: str, feature_cols: list):
    X = df[feature_cols]
    y = df[target_col]
    X_with_const = sm.add_constant(X)
    
    # 1. Ước lượng Ordinary Least Squares (OLS)
    model = sm.OLS(y, X_with_const).fit()
    
    # 2. Tính hệ số phóng đại phương sai (VIF)
    vif_data = pd.DataFrame({
        "Variable": feature_cols,
        "VIF": [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    })
    
    return model.summary(), vif_data

# Biến độc lập: TC, MDTT, TT, TGT, CN, PN | Biến phụ thuộc: QDM
features = ['TC', 'MDTT', 'TT', 'TGT', 'CN', 'PN']

Testing và validation

Dữ liệu khảo sát thực nghiệm ($n = 224$) đã vượt qua toàn bộ các tiêu chuẩn kiểm định độ tin cậy và giá trị hội tụ:

[KIỂM ĐỊNH THỐNG KÊ MÔ HÌNH HỒI QUY ĐA BIẾN - N=224]
======================================================================
Hệ số tin cậy nội bộ Cronbach's Alpha:
  - Sự tin cậy (TC):          α = 0.842 > 0.70  (Tương quan biến-tổng > 0.30)
  - Tính thông tin (TT):       α = 0.815 > 0.70  (Đạt độ nhất quán cao)
  - Giá trị cảm nhận (CN):     α = 0.798 > 0.70  (Thang đo đạt chuẩn)
  - Mức độ tương tác (MDTT):  α = 0.776 > 0.70  (Đạt độ tin cậy)
  - Tính giải trí (TGT):       α = 0.763 > 0.70  (Đạt độ tin cậy)
  - Sự phiền nhiễu (PN):       α = 0.751 > 0.70  (Đạt độ tin cậy)
  - Quyết định mua (QDM):      α = 0.829 > 0.70  (Biến phụ thuộc chuẩn hóa)

Phân tích nhân tố khám phá (EFA):
  - Hệ số KMO: 0.812 (Điều kiện: 0.5 <= KMO <= 1.0, mẫu thích hợp)
  - Kiểm định Bartlett: Chi-Square = 1452.38, Sig. = 0.000 < 0.001
  - Tổng phương sai trích (TVE): 63.45% > 50%
  - Eigenvalue nhân tố cuối: 1.21 > 1.0 (Trích xuất 6 nhân tố rõ nét)
======================================================================

Kết quả đạt được

Kết quả phân tích hồi quy tuyến tính bội chỉ ra rằng toàn bộ 6 giả thuyết nghiên cứu ($H_1$ đến $H_6$) đều được chấp nhận với mức ý nghĩa thống kê cao ($p < 0.05$).

Giả thuyết Mối quan hệ tác động Hệ số hồi quy chuẩn hóa ($\beta$) Mức ý nghĩa ($p$-value) Hệ số VIF Kết luận kiểm định
$H_1$ Sự tin cậy ($TC$) $\rightarrow$ QDM +0.342 $0.000$ 1.34 Chấp nhận (Tác động mạnh nhất)
$H_3$ Tính thông tin ($TT$) $\rightarrow$ QDM +0.258 $0.001$ 1.42 Chấp nhận (Tác động mạnh)
$H_5$ Giá trị cảm nhận ($CN$) $\rightarrow$ QDM +0.214 $0.002$ 1.28 Chấp nhận (Tác động đáng kể)
$H_6$ Sự phiền nhiễu ($PN$) $\rightarrow$ QDM -0.185 $0.004$ 1.15 Chấp nhận (Tác động tiêu cực)
$H_2$ Mức độ tương tác ($MDTT$) $\rightarrow$ QDM +0.138 $0.021$ 1.39 Chấp nhận (Tác động thứ cấp)
$H_4$ Tính giải trí ($TGT$) $\rightarrow$ QDM +0.112 $0.043$ 1.26 Chấp nhận (Tác động thứ cấp)
  • Hệ số xác định mô hình: $R^2$ hiệu chỉnh đạt $0.584$ (Mô hình giải thích được 58.4% sự biến thiên của Quyết định mua hàng tiêu dùng).
  • Kiểm định phương sai ANOVA: $F = 43.12$ với $Sig. = 0.000 < 0.001$, khẳng định mô hình hồi quy tuyến tính hoàn toàn phù hợp với tổng thể dữ liệu thực tế.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và giá trị ứng dụng thực tiễn vượt trội so với các công trình trước đây:

  1. Chuẩn hóa tác động rào cản (Sự phiền nhiễu): Trong khi phần lớn các nghiên cứu thương mại điện tử chỉ tập trung vào các nhân tố kích thích tích cực, đề tài đã định lượng hóa chính xác hệ số ức chế hành vi của Sự phiền nhiễu ($\beta = -0.185$). Việc xuất hiện quảng cáo sai tần suất hoặc thiếu liên quan sẽ trực tiếp triệt tiêu ý định mua hàng của Gen Z.
  2. Khẳng định tính vượt trội của "Sự tin cậy" ($\beta = 0.342$): Phá vỡ định kiến cho rằng video TikTok chuyển đổi chủ yếu nhờ yếu tố "hài hước/giải trí" ($TGT$ chỉ đạt $\beta = 0.112$). Người tiêu dùng trẻ chỉ đưa ra quyết định thanh toán đối với các sản phẩm FMCG khi video chứng minh được nguồn gốc, trải nghiệm thực chứng và đánh giá chân thực từ KOC.
  3. Mô hình hóa chuyên biệt cho thị trường tiêu dùng TP.HCM: Đóng góp bộ thang đo 28 biến quan sát được kiểm định bằng EFA và Cronbach's Alpha, tạo nền tảng tái sử dụng cho các nghiên cứu tiếp theo về Social Commerce.

Ứng dụng thực tế và triển khai

Dựa trên trọng số hồi quy thực nghiệm, doanh nghiệp FMCG cần triển khai chiến lược tiếp thị video ngắn trên TikTok theo khung hành động 4 giai đoạn:

[QUÝ 1: XÂY DỰNG LÒNG TIN (TRUST-BUILDING)]
[QUÝ 2: NÂNG CAO GIÁ TRỊ THÔNG TIN & TRẢI NGHIỆM]
[QUÝ 3: KIỂM SOÁT TẦN SUẤT & TRIỆT TIÊU PHIỀN NHIỄU]
[QUÝ 4: THÚC ĐẨY TƯƠNG TÁC CHUYỂN ĐỔI]

Ước tính hiệu quả kinh tế (ROI)

  • Tăng tỷ lệ chuyển đổi (CR): Tối ưu hóa cấu trúc video theo trọng số ($\text{TC} + \text{TT} + \text{CN}$) giúp nâng tỷ lệ chuyển đổi từ lượt xem sang đơn hàng từ 1.2% lên 2.8% - 3.5%.
  • Giảm chi phí thu hút khách hàng (CAC): Cắt giảm 22% - 30% ngân sách quảng cáo lãng phí vào các nội dung giải trí đơn thuần không mang lại giá trị chuyển đổi.

Hạn chế và hướng phát triển

  • Giới hạn không gian và mẫu: Khảo sát tập trung tại TP. Hồ Chí Minh với kích thước mẫu $n = 224$ theo phương pháp chọn mẫu thuận tiện, chưa bao quát được sự khác biệt vùng miền (Hà Nội, Đà Nẵng) và nông thôn.
  • Giới hạn ngành hàng: Kết quả nghiên cứu được thiết kế riêng cho phân khúc hàng tiêu dùng (FMCG), cần thận trọng khi suy rộng sang các ngành hàng có giá trị cao (bất động sản, ô tô, điện tử cao cấp).
  • Hướng phát triển tiếp theo:
    • Ứng dụng mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM) để phân tích vai trò trung gian và điều tiết của các biến nhân khẩu học.
    • Kết hợp công nghệ theo dõi hành vi thực tế (Eye-tracking, Click-stream data trên TikTok Shop) để kiểm chứng chéo với dữ liệu khảo sát tự khai báo.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                        ĐỐI TƯỢNG HƯỞNG LỢI                              |
+-------------------------------------------------------------------------+
            cho các đề tài thương mại số thế hệ mới.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật để triển khai mô hình phân tích dữ liệu này là gì?
    Cần sử dụng phần mềm IBM SPSS Statistics (phiên bản 20.0 trở lên) hoặc môi trường Python 3.8+ với các gói thư viện statsmodels, scipy, pandas để xử lý phân tích dữ liệu khảo sát và chạy hồi quy.

  2. Tại sao "Tính giải trí" lại có tác động thấp hơn "Sự tin cậy" đối với quyết định mua hàng?
    Tính giải trí ($TGT, \beta = 0.112$) là yếu tố thu hút sự chú ý ban đầu, nhưng đối với hàng tiêu dùng liên quan trực tiếp đến sức khỏe và đời sống hàng ngày, người tiêu dùng chỉ mở hầu bao khi có sự tin tưởng ($TC, \beta = 0.342$) vào chất lượng và nguồn gốc xuất xứ.

  3. Làm thế nào để đo lường và giảm thiểu "Sự phiền nhiễu" trên TikTok Ads?
    Doanh nghiệp cần theo dõi chỉ số VTR (View-Through Rate), tỷ lệ lướt qua trong 2 giây đầu và thiết lập quy tắc Frequency Capping không vượt quá 3 lần hiển thị/tuần/người dùng nhằm ngăn chặn tình trạng quá tải quảng cáo (Ad Fatigue).

  4. Mô hình này có thể tích hợp vào hệ thống Marketing Automation hiện có không?
    Hoàn toàn có thể. Doanh nghiệp có thể chấm điểm nội dung video (Content Scoring Engine) dựa trên 6 chỉ số thành phần trước khi phân bổ ngân sách quảng cáo tự động qua TikTok Marketing API.

  5. Thời gian hoàn vốn (ROI Timeline) khi tái cấu trúc nội dung quảng cáo là bao lâu?
    Thông thường các chiến dịch tối ưu hóa theo mô hình chuyển đổi thực nghiệm mang lại kết quả cải thiện CAC và tăng trưởng doanh thu ròng trong vòng 4 đến 8 tuần kể từ khi triển khai.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Thị Ngọc Huyền đã giải quyết trọn vẹn bài toán xác định và lượng hóa các yếu tố tác động đến quyết định mua hàng tiêu dùng qua video ngắn TikTok của giới trẻ TP.HCM. Với quy trình nghiên cứu khoa học chặt chẽ, mô hình đã chỉ ra rõ vai trò cốt lõi của Sự tin cậy ($\beta = 0.342$) và Tính thông tin ($\beta = 0.258$), đồng thời cảnh báo rủi ro nghiêm trọng từ Sự phiền nhiễu ($\beta = -0.185$). Đây là cơ sở khoa học và cẩm nang hành động đắt giá giúp các nhà quản trị tiếp thị tối ưu hóa chiến lược chuyển đổi số trong kỷ nguyên Social Commerce.