Giới thiệu dự án

Sự bùng nổ của kỷ nguyên số và thương mại trên mạng xã hội (Social Commerce) đã tái định hình toàn diện hành vi người tiêu dùng tại Đông Nam Á, đặc biệt là tại Việt Nam. Theo báo cáo e-Conomy SEA (Google, Temasek, Bain & Company), tỷ lệ người dùng mua sắm trực tuyến tại Việt Nam duy trì tốc độ tăng trưởng kép hàng năm (CAGR) trên 20%. Nền tảng TikTok, từ một ứng dụng chia sẻ video ngắn với hơn 12 triệu người dùng vào năm 2019, đã phát triển thành hệ sinh thái thương mại toàn diện thông qua tính năng TikTok Live và TikTok Shop.

Tuy nhiên, bối cảnh mua sắm thông qua các phiên phát trực tiếp (Live streaming) đặt ra nhiều thách thức về hành vi tiêu dùng đối với thế hệ trẻ (Gen Z và Millennials) tại TP. Hồ Chí Minh. Các điểm nghẽn (pain points) cốt lõi bao gồm: rủi ro bất cân xứng thông tin, nỗi sợ hàng giả/kém chất lượng, sự bối rối trước luồng kích thích tâm lý giảm giá tức thời, và các rào cản kỹ thuật trong việc theo dõi đơn hàng cũng như chính sách hoàn tiền.

Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng tới quyết định mua hàng trực tiếp TikTok Live của giới trẻ tại Thành phố Hồ Chí Minh" (Tác giả: Cao Phát Lợi, GVHD: TS. Nguyễn Trọng Hưng, Trường Đại học Ngân hàng TP.HCM) được thực hiện nhằm giải quyết bài toán định lượng hành vi người tiêu dùng trên kênh Social Commerce thông qua phương pháp mô hình hóa kinh tế lượng.

                  CƠ CHẾ KÍCH THÍCH & HÀNH VI TIKTOK LIVE

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý thuyết về hành vi mua hàng trực tuyến, mô hình chấp nhận công nghệ (TAM), thuyết hành vi dự định (TPB) và thuyết nhận thức rủi ro (TPR).
  2. Nhận diện và đo lường mức độ tác động của các nhân tố chính đến quyết định mua sắm trực tiếp qua TikTok Live của giới trẻ tại TP.HCM.
  3. Kiểm định sự khác biệt về quyết định mua hàng theo các biến nhân khẩu học: giới tính, nhóm tuổi, cơ cấu chi tiêu hàng tháng, chủng loại sản phẩm và tần suất sử dụng mạng xã hội.
  4. Xây dựng ma trận hàm ý quản trị và chiến lược thực thi thực tiễn cho các doanh nghiệp, nhà bán hàng (Sellers) và nhà sáng tạo nội dung (KOLs/KOCs).

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu áp dụng quy trình hỗn hợp (Mixed Methods): nghiên cứu định tính ($n=10$) để hiệu chỉnh thang đo và nghiên cứu định lượng ($N=223$) thông qua bảng câu hỏi đóng sử dụng thang đo Likert 5 điểm. Mô hình hồi quy tuyến tính bội được kiểm định qua SPSS v26.0 nhằm xác lập các hệ số chuẩn hóa $\beta$, mức ý nghĩa thống kê $p < 0.05$, hệ số xác định hiệu chỉnh $R^2_{\text{adj}}$, và kiểm soát hiện tượng đa cộng tuyến với hệ số phóng đại phương sai $\text{VIF} < 2.0$.

Phạm vi và giới hạn

  • Không gian: Khu vực TP. Hồ Chí Minh.
  • Thời gian: Khảo sát cắt ngang trong 4 tuần năm 2024.
  • Đối tượng: Người tiêu dùng trẻ (18–35 tuổi) đã và đang sử dụng tính năng TikTok Live.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường Social Commerce tại Việt Nam đang chứng kiến sự dịch chuyển từ thương mại điện tử truyền thống (Shopee, Lazada, Tiki) sang hình thức mua sắm kết hợp giải trí (Shoppertainment).

Tiêu chí Thương mại điện tử truyền thống (Shopee/Lazada) Mua sắm qua TikTok Live Cửa hàng vật lý (Offline)
Hình thức tương tác Tĩnh (Ảnh, văn bản, đánh giá tĩnh) Động (Video trực tiếp, phản hồi thời gian thực) Trực tiếp (Cảm nhận thực tế)
Kích thích mua sắm Dựa trên nhu cầu tìm kiếm chủ động (Search-based) Dựa trên thuật toán đề xuất và cảm xúc (Discovery-based) Địa điểm và không gian trưng bày
Mức độ minh bạch Dựa vào xếp hạng sao và phản hồi từ người mua trước Kiểm tra sản phẩm trực tiếp từ phiên live của KOC Thử và kiểm tra sản phẩm tại chỗ
Tốc độ ra quyết định Trung bình đến chậm (Cần so sánh nhiều shop) Nhanh / Tức thì (Ưu đãi giới hạn theo phiên) Trung bình (Tùy thuộc vào nhân viên tư vấn)
Rủi ro nhận thức Rủi ro giao hàng, chất lượng không như ảnh mô tả Rủi ro kích động mua sắm, đổi trả phức tạp Rất thấp

Ma trận ưu tiên yêu cầu vận hành phiên Live (MoSCoW Matrix)

  • Must-have: Cơ chế xác thực hàng chính hãng, cổng tích hợp thanh toán bảo mật đa kênh (COD, ví điện tử), hệ thống khiếu nại và đổi trả tự động.
  • Should-have: Kịch bản video ngắn (Short-form video) dẫn dòng traffic vào phiên live, kịch bản chốt deal flash-sale độc quyền.
  • Could-have: Đa dạng hóa bộ lọc mini-game tương tác trong luồng live, tối ưu hiển thị giỏ hàng pop-up.
  • Won't-have (giai đoạn này): Xử lý các luồng hàng hóa xuyên biên giới không có hóa đơn chứng từ xác thực.

Thiết kế hệ thống

Mô hình nghiên cứu định lượng được cấu trúc dựa trên sự kế thừa và mở rộng từ TAM (Davis, 1989), TPB (Ajzen, 1991) và TPR (Bauer, 1960).

graph LR
    QC["Nội dung video ngắn (QC)"] -->|H1 (+)| QD["Quyết định mua hàng TikTok Live (QĐ)"]
    MG["Mong đợi về giá (MG)"] -->|H2 (+)| QD
    LC["Giá trị cảm nhận (LC)"] -->|H3 (+)| QD
    GR["Giải quyết tốt rủi ro (GR)"] -->|H4 (+)| QD
    AH["Ảnh hưởng người thân (AH)"] -.->|H5 (Loại)| QD
    SD["Tính dễ sử dụng (SD)"] -.->|H6 (Loại)| QD
    
    classDef significant fill:#e1f5fe,stroke:#0288d1,stroke-width:2px;
    classDef insignificant fill:#ffebee,stroke:#e53935,stroke-width:1px,stroke-dasharray: 5 5;
    class QC,MG,LC,GR,QD significant;
    class AH,SD insignificant;

Bảng định nghĩa biến và từ điển thang đo (Data Dictionary)

Mã biến Tên nhân tố Số quan sát Nguồn lý thuyết gốc Tiêu chuẩn đo lường
QC Nội dung video quảng cáo ngắn 4 (QC1–QC4) Xiao et al. (2021); Barry & Howard (1990) Thang đo Likert 5 điểm (1: Rất không đồng ý → 5: Rất đồng ý)
MG Mong đợi về giá 4 (MG1–MG4) Trần Huy Đức và cộng sự (2021) Đánh giá mức độ nhạy cảm và tối ưu hóa chi phí
LC Giá trị / Lợi ích cảm nhận 5 (LC1–LC5) Davis (1989); Hồ Xuân Tiến & Bùi Thanh Tráng (2020) Tích hợp tiện ích mua sắm kết hợp giải trí
GR Giải quyết tốt rủi ro 4 (GR1–GR4) Bauer (1960); Taylor (1974) Cam kết bảo vệ quyền lợi, bảo mật thông tin, đổi trả
AH Ảnh hưởng của người thân 4 (AH1–AH4) Ajzen (1991); Kotler (2009) Chuẩn chủ quan và tác động từ nhóm tham khảo
SD Tính dễ sử dụng 4 (SD1–SD4) Davis (1989) - TAM Độ thân thiện giao diện, luồng thanh toán giỏ hàng
Quyết định mua hàng (Phụ thuộc) 4 (QĐ1–QĐ4) Ajzen (1991); Zeithaml (1988) Tần suất hành vi và ý định tiếp tục mua sắm

Methodology

Quy trình nghiên cứu trải qua 2 giai đoạn chuẩn hóa:

  1. Giai đoạn chuẩn bị (Tuần 1–2): Lược khảo 15 công trình khoa học trong và ngoài nước; phỏng vấn sâu ($n=10$) nhằm tinh chỉnh thuật ngữ thang đo phù hợp với ngôn ngữ giới trẻ TP.HCM.
  2. Giai đoạn điều tra & xử lý dữ liệu (Tuần 3–4): Phát 250 bảng khảo sát số hóa, thu về $N=223$ mẫu hợp lệ (tỷ lệ sử dụng đạt $89.2%$).
  3. Quy trình phân tích dữ liệu:
    • Kiểm định Cronbach's Alpha để đánh giá tính nhất quán nội tại ($\alpha \ge 0.7$; Item-Total Correlation $\ge 0.3$).
    • Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) với phép trích Principal Axis Factoring và phép xoay Varimax.
    • Phân tích tương quan Pearson ($r$) để kiểm tra mối quan hệ tuyến tính sơ bộ.
    • Hồi quy tuyến tính đa biến (OLS Multiple Regression) và kiểm định phương sai One-way ANOVA / Independent Samples T-test.
                    QUY TRÌNH PHÂN TÍCH DỮ LIỆU ĐỊNH LƯỢNG

Implementation và kết quả

Development process

Quá trình làm sạch dữ liệu và tính toán chỉ số thống kê được xây dựng thông qua pipeline phân tích toán học thực thi trên nền tảng SPSS 26.0 và Python Data Analytics Stack (pandas, pingouin, statsmodels).

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

# 1. Pipeline xử lý và ước lượng mô hình hồi quy OLS
def fit_ols_model(df: pd.DataFrame, target_col: str, feature_cols: list):
    X = df[feature_cols]
    y = df[target_col]
    
    # Bổ sung hằng số intercept
    X_with_const = sm.add_constant(X)
    
    # Ước lượng Ordinary Least Squares (OLS)
    model = sm.OLS(y, X_with_const).fit()
    
    # 2. Tính toán hệ số phóng đại phương sai (VIF) kiểm tra đa cộng tuyến
    vif_data = pd.DataFrame()
    vif_data["Variable"] = feature_cols
    vif_data["VIF"] = [
        variance_inflation_factor(X.values, i) for i in range(len(feature_cols))
    ]
    
    return model.summary(), vif_data

# Ví dụ thực thi với tập dữ liệu nghiên cứu chuẩn hóa
# summary, vif = fit_ols_model(df_clean, target_col='QD_MEAN', feature_cols=['GR', 'QC', 'LC', 'MG'])

Công thức toán học ước lượng mô hình hồi quy đa biến:

$$\hat{Y}{\text{QĐ}} = \beta_0 + \beta_1 X{\text{GR}} + \beta_2 X_{\text{QC}} + \beta_3 X_{\text{LC}} + \beta_4 X_{\text{MG}} + \epsilon$$

Trong đó ma trận hệ số được ước lượng qua phương pháp bình phương cực tiểu:

$$\mathbf{\hat{\beta}} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{Y}$$

Testing và validation

1. Kiểm định độ tin cậy Cronbach's Alpha và phân tích EFA

Toàn bộ các thang đo đều đạt độ tin cậy nội tại cao. Trong phân tích EFA, hai biến AH (Ảnh hưởng người thân) và SD (Tính dễ sử dụng) bị loại bỏ ở lần xoay thứ 2 do không đạt hệ số tải nhân tố (Factor Loading $< 0.5$) hoặc tải chéo không phân biệt.

Mã thang đo Số biến quan sát Cronbach's Alpha Tương quan biến - tổng nhỏ nhất KMO / Bartlett's Test Sig. Phương sai trích lũy kế (%)
QC 4 0.842 0.612 $\text{KMO} = 0.864$ 61.34%
MG 4 0.815 0.589 $p = 0.000$ 58.72%
LC 5 0.869 0.634 ($p < 0.001$) 63.15%
GR 4 0.887 0.678 Eigenvalue > 1.0 66.48%
(Phụ thuộc) 4 0.835 0.601 $\text{KMO} = 0.812, p = 0.000$ 64.80%

2. Kết quả kiểm định mô hình hồi quy tuyến tính

Mô hình đạt độ thích hợp cao với giá trị kiểm định $F(4, 218) = 68.421$ ($p < 0.001$), hệ số $R^2 = 0.557$, $R^2_{\text{adj}} = 0.549$ (4 biến độc lập giải thích được $54.9%$ sự biến thiên của Quyết định mua hàng).

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị kiểm định $t$ Mức ý nghĩa ($p$-value) Hệ số phóng đại phương sai (VIF)
Hằng số (Constant) 0.412 0.185 2.227 0.027
Giải quyết tốt rủi ro (GR) 0.342 0.045 0.384 7.600 0.000 1.342
Nội dung video ngắn (QC) 0.285 0.048 0.291 5.938 0.000 1.285
Giá trị cảm nhận (LC) 0.198 0.046 0.215 4.304 0.000 1.310
Mong đợi về giá (MG) 0.145 0.042 0.162 3.452 0.001 1.189
                       TẦM QUAN TRỌNG TƯƠNG ĐỐI (STANDARDIZED BETA)
  Giải quyết rủi ro (GR)    [0.384] ■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■ (36.5%)
  Nội dung video ngắn (QC)  [0.291] ■■■■■■■■■■■■■■■■■■■■■■■■ (27.7%)
  Giá trị cảm nhận (LC)     [0.215] ■■■■■■■■■■■■■■■■■■ (20.4%)
  Mong đợi về giá (MG)      [0.162] ■■■■■■■■■■■■■ (15.4%)

Kết quả đạt được

  1. Phương trình hồi quy chuẩn hóa: $$\text{QĐ} = 0.384 \times \text{GR} + 0.291 \times \text{QC} + 0.215 \times \text{LC} + 0.162 \times \text{MG}$$
  2. Kiểm định giả thiết: Chấp nhận 4 giả thuyết $H1, H2, H3, H4$ với mức ý nghĩa $p < 0.01$. Bác bỏ/Loại bỏ $H5, H6$ trong quá trình tinh lọc thang đo.
  3. Phân tích ANOVA nhân khẩu học:
    • Tần suất lướt TikTok: Người dùng truy cập TikTok $> 3$ giờ/ngày có xu hướng ra quyết định mua sắm cao hơn rõ rệt so với nhóm $< 1$ giờ/ngày ($F = 5.412, p = 0.002$).
    • Chi tiêu hàng tháng: Nhóm có ngân sách chi tiêu trực tuyến từ 1 - 3 triệu VNĐ có điểm số quyết định mua hàng cao nhất ($p = 0.014$).
    • Giới tính: Không ghi nhận sự khác biệt mang ý nghĩa thống kê giữa Nam và Nữ đối với quyết định chốt đơn trực tiếp ($t = -0.428, p = 0.669$).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ nét về mặt học thuật và thực tiễn:

                      SO SÁNH ĐÓNG GÓP HỌC THUẬT VÀ MÔ HÌNH
  1. Bổ khuyết lý thuyết nhận thức rủi ro (TPR) trong Live Commerce: Khác với các nghiên cứu TMĐT truyền thống vốn đề cao "Tính dễ sử dụng", trên nền tảng TikTok Live, người trẻ xem giao diện thân thiện là điều kiện mặc định. Rào cản lớn nhất ngăn cản hành vi mua là sự lo ngại về lừa đảo và chất lượng sản phẩm. Biến GR giải thích tới $36.5%$ tổng tác động của mô hình.
  2. Cơ chế tác động hai tầng (Two-stage funnel): Chứng minh tính hiệu quả của video ngắn sáng tạo (QC, $\beta = 0.291$) trong vai trò tạo nhận thức ban đầu và kéo người xem vào luồng Live stream, kết hợp với các đòn bẩy giá trị cảm nhận (LC) và mã giảm giá (MG) để tối ưu hóa tỷ lệ chuyển đổi.

Ứng dụng thực tế và triển khai

Chiến lược thực thi theo 4 trụ cột tác động

                       KHUNG HÀNH ĐỘNG QUẢN TRỊ (4 TRỤ CỘT)
  1. Gia cố cơ chế kiểm soát rủi ro (GR - Ưu tiên hàng đầu):
    • Doanh nghiệp phải đăng ký đầy đủ chứng nhận xác thực gian hàng chính hãng (TikTok Shop Mall).
    • Thiết lập quy trình 1-chạm: Đổi trả trong 7-14 ngày không cần lý do phức tạp; tích hợp tính năng đồng kiểm khi nhận hàng (COD Protection).
  2. Chuẩn hóa kịch bản video ngắn phễu (QC):
    • Tối ưu 3 giây đầu tiên (Visual Hook) với các dẫn chứng trực quan về công năng sản phẩm.
    • Tránh các nội dung quảng cáo sáo rỗng; ưu tiên góc nhìn kiểm chứng độc lập (KOC Review) để xây dựng niềm tin ban đầu trước khi kích hoạt luồng livestream.
  3. Nâng cao giá trị trải nghiệm mua sắm (LC):
    • Biến buổi livestream thành một không gian giải trí có tính tương tác cao (Live Gameshow, mini-talk) thay vì chỉ thuần túy đọc giá bán.
  4. Thiết kế cấu trúc định giá thông minh (MG):
    • Sử dụng các gói voucher lũy tiến theo giá trị đơn hàng; áp dụng freeship toàn quốc thông qua hệ thống trợ giá của TikTok Shop kết hợp nhà bán lẻ.

Lộ trình triển khai dự án thương mại Live (4 giai đoạn)

Giai đoạn Nội dung công việc chính Thời gian KPI đo lường
Phase 1: Chuẩn bị & Xác thực Chuẩn hóa tài liệu pháp lý gian hàng, thiết lập kho vận và kết nối API đơn vị vận chuyển (J&T, Ninja Van, GHTK). Tuần 1–2 Tỷ lệ duyệt hồ sơ 100%, tích xanh Mall.
Phase 2: Xây phễu nội dung Sản xuất 15–20 video ngắn đánh giá sản phẩm có gắn link giỏ hàng TikTok Shop. Tuần 3–4 Đạt $\ge 50,000$ views/video, CTR giỏ hàng $\ge 3.5%$.
Phase 3: Vận hành Livestream Triển khai 3 phiên live/tuần, phát voucher độc quyền và tổ chức tương tác hỏi đáp trực tiếp. Tuần 5–8 Tỷ lệ chuyển đổi đơn hàng (CR) $\ge 4.2%$, doanh thu tăng trưởng 30%.
Phase 4: Tối ưu hậu mãi Đánh giá tỷ lệ hoàn hàng (Return Rate), xử lý khiếu nại trong 24 giờ. Tuần 9–12 Tỷ lệ hoàn tiền $< 2%$, mức độ hài lòng khách hàng $\ge 4.8/5.0$.

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Phương pháp lấy mẫu: Sử dụng phương pháp chọn mẫu thuận tiện phi xác suất ($N=223$), quy mô tập trung tại TP.HCM nên tính đại diện tổng thể cho toàn bộ người tiêu dùng Việt Nam còn hạn chế.
  • Kỹ thuật xử lý: Nghiên cứu dừng lại ở mô hình hồi quy OLS tuyến tính; chưa kiểm tra các quan hệ phi tuyến, biến trung gian (Mediator) hoặc biến điều tiết (Moderator).

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình SEM-PLS: Đưa vào phân tích cấu trúc tuyến tính bình phương bé nhất từng phần để đánh giá vai trò trung gian của "Niềm tin thương hiệu" và "Trải nghiệm dòng chảy" (Flow Experience).
  • Phân tích thuật toán đề xuất (AI Recommendation): Khảo sát mức độ ảnh hưởng của thuật toán phân phối nội dung cá nhân hóa trên TikTok tới hành vi mua sắm bốc đồng (Impulse Buying Behavior).

Đối tượng hưởng lợi

                              CÁC NHÓM HƯỞNG LỢI
  1. Sinh viên & Học viên chuyên ngành Kinh tế/Marketing: Tiếp cận một khung phân tích học thuật chuẩn chỉ kết hợp các mô hình TAM, TPB, TPR và phương pháp xử lý dữ liệu SPSS thực nghiệm.
  2. Kỹ sư dữ liệu & Chuyên viên phân tích (Data/Business Analysts): Nhận chuyển giao quy trình làm sạch dữ liệu, bộ chỉ số đo lường tin cậy thang đo và thuật toán kiểm định hồi quy đa biến.
  3. Doanh nghiệp bán lẻ & Nhà sáng tạo nội dung (KOCs): Hiểu rõ trọng số ra quyết định của khách hàng trẻ, từ đó chuyển dịch ngân sách marketing từ việc giảm giá đơn thuần sang củng cố hệ thống an toàn dịch vụ và sản xuất nội dung video chất lượng cao.
  4. Các nhà nghiên cứu hành vi người tiêu dùng: Cung cấp bộ dữ liệu nền tảng về đặc thù người dùng số tại thị trường đô thị lớn của một quốc gia đang phát triển.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống phân tích dữ liệu nghiên cứu này là gì?

Cần máy trạm chạy hệ điều hành Windows 10/11 hoặc macOS/Linux, cấu hình tối thiểu 8GB RAM, cài đặt phần mềm IBM SPSS Statistics phiên bản $\ge 20.0$ (khuyến nghị v26.0) hoặc môi trường Python 3.9+ với các thư viện: numpy, pandas, statsmodels, pingouin, scikit-learn.

2. Tại sao yếu tố "Tính dễ sử dụng (SD)" lại bị loại khỏi mô hình hồi quy cuối cùng?

Do đối tượng nghiên cứu là thế hệ trẻ (Gen Z và Millennials) tại TP.HCM – nhóm người dùng bản địa kỹ thuật số (Digital Natives). Thao tác chạm, lướt và thanh toán trên các ứng dụng di động đã trở thành phản xạ tự nhiên, không còn đóng vai trò là yếu tố phân hóa tạo ra quyết định mua sắm so với yếu tố bảo mật rủi ro hay giá cả.

3. Làm thế nào để tích hợp quy trình kiểm soát rủi ro vào hệ sinh thái TikTok Shop của doanh nghiệp?

Doanh nghiệp cần thiết lập quy chuẩn vận hành (SOP): Ký quỹ cam kết chất lượng với nền tảng, tích hợp hệ thống CRM để gửi tin nhắn tự động cập nhật lộ trình vận chuyển qua Zalo/SMS, cung cấp video unbox không cắt ghép làm căn cứ đổi hàng tự động trong 24 giờ.

4. Chi phí đầu tư cho một phòng Livestream chuẩn hóa và thời gian hòa vốn (ROI) là bao nhiêu?

Chi phí ban đầu cho thiết bị (Camera 4K, đèn softbox, mixer âm thanh, máy tính capture card) dao động từ 35 - 50 triệu VNĐ. Với mức doanh thu trung bình 15 - 30 triệu VNĐ/phiên live (biên lợi nhuận gộp $25%$), thời gian hoàn vốn đầu tư phần cứng ước tính từ 2.5 đến 4 tháng.

5. Kết quả nghiên cứu này có thể áp dụng cho các nền tảng khác như Shopee Live hay Facebook Live không?

Có thể áp dụng phần lớn đối với Shopee Live do sự tương đồng về tính năng giỏ hàng tích hợp. Tuy nhiên, đối với Facebook Live, cấu trúc rủi ro (GR) sẽ cao hơn đáng kể do thiếu cơ chế giữ tiền trung gian (Escrow Service) và hệ thống logistics chưa đồng bộ sâu.


Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn bài toán xác định và định lượng các nhân tố tác động đến quyết định mua hàng trực tiếp trên TikTok Live của giới trẻ tại TP.HCM. Kết quả thực nghiệm khẳng định 4 nhân tố cốt lõi có ảnh hưởng tích cực: Giải quyết tốt rủi ro ($\beta = 0.384$), Nội dung video ngắn ($\beta = 0.291$), Giá trị cảm nhận ($\beta = 0.215$) và Mong đợi về giá ($\beta = 0.162$).

Phát hiện này mở ra góc nhìn chiến lược quan trọng: Để chiến thắng trong cuộc đua Social Commerce, doanh nghiệp không thể chỉ dựa vào cuộc chiến "đốt tiền" giảm giá, mà buộc phải xây dựng nền tảng dịch vụ minh bạch, giảm thiểu tối đa rủi ro giao dịch và đầu tư bài bản vào chất lượng nội dung sáng tạo. Đây chính là kim chỉ nam giúp các thương hiệu tối ưu hóa tỷ lệ chuyển đổi và phát triển bền vững trong kỷ nguyên kinh tế số.