Giới thiệu dự án
Trong kỷ nguyên kinh tế số, quảng cáo trên mạng xã hội (Social Media Advertising) đã trở thành trụ cột chiến lược trong việc tiếp cận khách hàng và tối ưu hóa tỷ lệ chuyển đổi của các doanh nghiệp. Theo báo cáo thường niên của Hootsuite & We Are Social (2022), Facebook duy trì vị thế nền tảng mạng xã hội lớn nhất hành tinh với hơn 2,93 tỷ người dùng hoạt động hàng tháng (chiếm 36,7% dân số toàn cầu), tạo ra doanh thu quảng cáo đạt 28,6 tỷ USD (tăng trưởng 56% theo năm). Tại Việt Nam, hệ sinh thái Meta ghi nhận 70,40 triệu người dùng, đạt tỷ lệ thâm nhập 71,4% tổng dân số và bao phủ 97,6% lượng người dùng Internet trong nước, đưa Việt Nam vào vị trí thứ 7 toàn cầu về quy mô tiếp cận quảng cáo trực tuyến.
+------------------------------------------------------------------------------------+
| BỐI CẢNH THỊ TRƯỜNG DIGITAL ADS |
| |
| Thế giới: 2,93 tỷ MAU Facebook | Việt Nam: 70,4 triệu người dùng (Top 7 toàn cầu)|
| Tăng trưởng doanh thu Ads: 56% | Độ phủ tiếp cận: 97,6% người dùng Internet |
+------------------------------------------------------------------------------------+
|
v
+------------------------------------------------------------------------------------+
| VẤN ĐỀ TẠI CÔNG TY CỔ PHẦN CÔNG NGHỆ VFFTECH |
| |
| - Cạnh tranh gay gắt giữa các Performance Marketing Agency |
| - Chi phí chuyển đổi (CAC) tăng, thuật toán phân phối biến động liên tục |
| - Thiếu mô hình định lượng đánh giá mức độ hài lòng khách hàng (B2B) |
+------------------------------------------------------------------------------------+
|
v
+------------------------------------------------------------------------------------+
| GIẢI PHÁP & MỤC TIÊU NGHIÊN CỨU |
| |
| 1. Xây dựng mô hình hồi quy đa biến dựa trên SERVQUAL, SERVPERF, ECSI |
| 2. Khảo sát thực nghiệm N=140 khách hàng B2B bằng thang đo Likert 5 điểm |
| 3. Phân tích Cronbach's Alpha, EFA, OLS Regression trên SPSS v26.0 |
| 4. Xác lập mức độ tác động của 5 nhóm nhân tố để tối ưu hóa chất lượng dịch vụ |
+------------------------------------------------------------------------------------+
Sự bùng nổ nhu cầu kéo theo sự cạnh tranh khốc liệt giữa các đơn vị cung cấp giải pháp tiếp thị kỹ thuật số. Tại khu vực miền Trung, Công ty Cổ phần Công nghệ VFFTECH (VFFTECH JSC) đối mặt với thách thức lớn: làm thế nào để duy trì tỷ lệ giữ chân khách hàng (Client Retention Rate), nâng cao giá trị vòng đời (Customer Lifetime Value - CLV) và tạo dựng lợi thế cạnh tranh bền vững khi dịch vụ Facebook Ads giữa các agency có xu hướng bão hòa về mặt kỹ thuật.
Đề tài khóa luận tốt nghiệp "Nghiên cứu các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ Facebook Advertising tại Công ty Cổ phần Công nghệ VFFTECH" do sinh viên Dương Thị Thu Uyên thực hiện dưới sự hướng dẫn của PGS.TS Nguyễn Thị Minh Hòa (Khoa Quản trị Kinh doanh, Trường Đại học Kinh tế – Đại học Huế) giải quyết bài toán định lượng các yếu tố tác động trực tiếp đến trải nghiệm và sự hài lòng của đối tác B2B.
Mục tiêu nghiên cứu bao gồm:
- Hệ thống hóa khung lý thuyết về chất lượng dịch vụ (Service Quality) và sự hài lòng của khách hàng (Customer Satisfaction) trong lĩnh vực Performance Marketing.
- Đánh giá thực trạng vận hành và triển khai dịch vụ Facebook Ads tại VFFTECH giai đoạn 2019 – 2022.
- Xác định và đo lường trọng số tác động của 5 nhóm yếu tố: Giá cả dịch vụ (GC), Sự tin cậy (TC), Sự đáp ứng (DU), Năng lực phục vụ (PV) và Chất lượng dịch vụ (CL) đến mức độ Hài lòng chung (HL).
- Đề xuất hệ thống giải pháp và quy trình kiểm soát chất lượng nhằm nâng cao hiệu quả giữ chân khách hàng cho doanh nghiệp.
Phạm vi nghiên cứu tập trung vào 140 khách hàng doanh nghiệp và chủ thể kinh doanh đã và đang ký kết hợp đồng dịch vụ Facebook Ads tại VFFTECH, sử dụng dữ liệu thứ cấp giai đoạn 2019 – 2021 và dữ liệu sơ cấp thu thập trong quý IV/2022.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Để đo lường sự hài lòng của khách hàng, các mô hình kinh điển đã được so sánh và đánh giá để lựa chọn khung lý thuyết phù hợp nhất cho dịch vụ Facebook Ads tại VFFTECH.
| Mô hình nghiên cứu |
Tác giả & Năm |
Ưu điểm cốt lõi |
Nhược điểm / Giới hạn |
Mức độ phù hợp với Agency Ads |
| Mô hình 5 khoảng cách SERVQUAL |
Parasuraman et al. (1985, 1988) |
Phân tích sâu sai biệt giữa kỳ vọng ($E$) và cảm nhận thực tế ($P$). |
Bảng hỏi dài (44 biến), dễ gây nhiễu tâm lý người trả lời. |
Trung bình |
| Mô hình SERVPERF |
Cronin & Taylor (1992) |
Đo lường trực tiếp mức độ cảm nhận ($Q = P$), rút gọn bảng hỏi, tối ưu hóa xử lý thống kê. |
Giảm bớt yếu tố đo lường kỳ vọng ban đầu của khách hàng. |
Rất cao |
| Chỉ số ACSI |
Fornell (1996) |
Tích hợp biến giá trị cảm nhận và sự kỳ vọng vào hàm thỏa mãn. |
Phù hợp hơn với khu vực công và hàng hóa tiêu dùng tổng thể. |
Trung bình |
| Chỉ số ECSI |
John A. Oakland (1994) |
Bổ sung biến Hình ảnh thương hiệu (Corporate Image) tác động đến kỳ vọng. |
Đòi hỏi cỡ mẫu lớn và phức tạp hóa phương trình cấu trúc. |
Khá |
Phân loại yêu cầu giải pháp theo ma trận MoSCoW:
- Must-have (Bắt buộc): Đo lường tính chuẩn xác của dữ liệu chuyển đổi (Conversion Tracking), minh bạch hóa chi phí hiển thị/click (CPM/CPC/CPA), đảm bảo độ tin cậy trong cam kết KPI hợp đồng.
- Should-have (Nên có): Tối ưu hóa thời gian phản hồi kỹ thuật dưới 15 phút, cung cấp Dashboard báo cáo chỉ số thời gian thực (Real-time ROAS).
- Could-have (Có thể có): Hỗ trợ A/B Testing đa biến tự động trên Creatives/Ad Copy, tư vấn phễu bán hàng (Sales Funnel Optimization).
- Won't-have (Chưa thực hiện): Cam kết doanh thu bán hàng tuyệt đối (do phụ thuộc vào chuỗi cung ứng và tỷ lệ chốt sale nội bộ của đối tác).
graph TD
A[Kỳ vọng của khách hàng về ROI Ads] --> B[Khoảng cách 1: Thấu hiểu nhu cầu]
B --> C[Khoảng cách 2: Tiêu chuẩn hóa quy trình Campaign]
C --> D[Khoảng cách 3: Thực thi kỹ thuật & Tối ưu hóa Ads]
D --> E[Khoảng cách 4: Báo cáo & Cam kết minh bạch]
E --> F[Khoảng cách 5: Chất lượng cảm nhận tổng thể]
F --> G[Sự hài lòng & Giữ chân khách hàng B2B]
Thiết kế hệ thống và mô hình thực nghiệm
Mô hình nghiên cứu kế thừa mô hình SERVPERF kết hợp các yếu tố đặc thù của dịch vụ Digital Marketing bao gồm 5 biến độc lập (25 biến quan sát) và 1 biến phụ thuộc (Sự hài lòng):
$$\text{HL} = \beta_0 + \beta_1 \cdot \text{GC} + \beta_2 \cdot \text{TC} + \beta_3 \cdot \text{DU} + \beta_4 \cdot \text{PV} + \beta_5 \cdot \text{CL} + \epsilon$$
Trong đó:
- $\text{GC}$ (Giá cả dịch vụ): 4 biến quan sát (GC1 - GC4)
- $\text{TC}$ (Sự tin cậy): 5 biến quan sát (TC1 - TC5)
- $\text{DU}$ (Sự đáp ứng): 6 biến quan sát (DU1 - DU6)
- $\text{PV}$ (Năng lực phục vụ): 6 biến quan sát (PV1 - PV6)
- $\text{CL}$ (Chất lượng dịch vụ / Hiệu quả chiến dịch): 4 biến quan sát (CL1 - CL4)
- $\text{HL}$ (Sự hài lòng chung): Biến phụ thuộc
+------------------------------------------------------------------------------+
| MÔ HÌNH HỒI QUY ĐỀ XUẤT |
| |
| [Giá cả dịch vụ (GC)] ----(H1: beta_1)----+ |
| [Sự tin cậy (TC)] --------(H2: beta_2)----+ |
| [Sự đáp ứng (DU)] --------(H3: beta_3)----+---> [SỰ HÀI LÒNG KHÁCH HÀNG (HL)]|
| [Năng lực phục vụ (PV)] --(H4: beta_4)----+ |
| [Chất lượng dịch vụ (CL)] (H5: beta_5)----+ |
+------------------------------------------------------------------------------+
Technology Stack phục vụ nghiên cứu và xử lý dữ liệu:
- Xử lý thống kê kinh tế lượng: IBM SPSS Statistics v26.0 (Analysis Engine: Cronbach's Alpha, EFA, OLS Linear Regression, One-Sample T-Test).
- Thu thập dữ liệu: Google Forms API kết nối Google Sheets Database.
- Nền tảng kỹ thuật số liên quan: Meta Ads Manager API v16.0, Meta Pixel, Google Analytics 4 (GA4).
Methodology
Quy trình nghiên cứu áp dụng phương pháp hỗn hợp (Mixed Methods):
- Nghiên cứu định tính: Tổng hợp tài liệu, tham vấn chuyên gia (Lead Performance Marketer, Content Lead) để điều chỉnh thang đo phù hợp với bối cảnh dịch vụ quảng cáo trực tuyến tại miền Trung.
- Nghiên cứu định lượng: Khảo sát diện rộng bằng bảng câu hỏi cấu trúc theo thang đo Likert 5 điểm ($1 = \text{Hoàn toàn không đồng ý}$ đến $5 = \text{Hoàn toàn đồng ý}$).
Quy tắc xác định cỡ mẫu theo Hair et al. (1998):
$$N \ge 5 \times m = 5 \times 25 = 125 \text{ quan sát}$$
Tác giả phát hành 140 phiếu khảo sát trực tuyến qua email, Zalo và Facebook đến các khách hàng của VFFTECH. Kết quả thu về 140 phiếu hợp lệ ($100%$), đáp ứng đầy đủ điều kiện để phân tích EFA và hồi quy đa biến.
Implementation và kết quả
Quy trình phân tích dữ liệu
Toàn bộ dữ liệu thô được làm sạch, mã hóa và phân tích bằng cú pháp thống kê trên IBM SPSS Statistics v26.0. Dưới đây là trích đoạn cú pháp chuẩn hóa (SPSS Syntax) và kịch bản phân tích tương đương trên Python:
* Kiem dinh do tin cay Cronbach Alpha cho bien Chat Luong Dich Vu.
RELIABILITY
/VARIABLES=CL1 CL2 CL3 CL4
/SCALE('Quality_Scale') ALL
/MODEL=ALPHA
/STATISTICS=DESCRIPTIVE SCALE CORR
/SUMMARY=TOTAL.
* Phan tich nhan to kham pha EFA voi phep xoay Varimax.
FACTOR
/VARIABLES GC1 GC2 GC3 GC4 TC1 TC2 TC3 TC4 TC5 DU1 DU2 DU3 DU4 DU5 DU6 PV1 PV2 PV3 PV4 PV5 PV6 CL1 CL2 CL3 CL4
/MISSING LISTWISE
/ANALYSIS GC1 TO CL4
/PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
/CRITERIA MINEIGEN(1) ITERATE(25)
/EXTRACTION PAF
/ROTATION VARIMAX
/METHOD=CORRELATION.
* Chay mo hinh hoi quy tuyen tinh OLS.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA COLLIN TOL
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT HL
/METHOD=ENTER GC TC DU PV CL
/RESIDUALS DURBIN.
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
# Load and prepare standardized survey dataset
df = pd.read_csv("vfftech_fb_ads_survey.csv")
X = df[["GC", "TC", "DU", "PV", "CL"]]
y = df["HL"]
# Add intercept for Ordinary Least Squares (OLS) Regression
X_with_const = sm.add_constant(X)
model = sm.OLS(y, X_with_const).fit()
# Calculate Multicollinearity Diagnostics (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(vif_data)
Testing và validation
1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)
Tiêu chuẩn kiểm định: Hệ số Cronbach's Alpha $\ge 0.60$, hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
| Nhóm thang đo |
Số biến quan sát |
Cronbach's Alpha |
Tương quan biến - tổng nhỏ nhất |
Đánh giá |
| Giá cả dịch vụ (GC) |
4 |
0.814 |
0.582 (GC2) |
Đạt độ tin cậy rất tốt |
| Sự tin cậy (TC) |
5 |
0.846 |
0.612 (TC5) |
Đạt độ tin cậy rất tốt |
| Sự đáp ứng (DU) |
6 |
0.879 |
0.645 (DU4) |
Đạt độ tin cậy rất tốt |
| Năng lực phục vụ (PV) |
6 |
0.892 |
0.671 (PV2) |
Đạt độ tin cậy rất tốt |
| Chất lượng dịch vụ (CL) |
4 |
0.865 |
0.658 (CL1) |
Đạt độ tin cậy rất tốt |
| Hài lòng chung (HL) |
3 |
0.852 |
0.680 (HL2) |
Đạt độ tin cậy rất tốt |
2. Phân tích nhân tố khám phá (EFA)
- Hệ số $KMO = 0.842$ ($0.5 \le KMO \le 1.0$), xác nhận cỡ mẫu hoàn toàn phù hợp cho phân tích nhân tố.
- Kiểm định Bartlett's Test: $\chi^2 = 1428.56$, giá trị $Sig. = 0.000 < 0.05$, chứng minh các biến quan sát có tương quan tuyến tính với nhau trong tổng thể.
- Tổng phương sai trích (Total Variance Explained) $= 64.82% > 50%$, đạt tiêu chuẩn trích xuất thông tin.
- Giá trị Eigenvalue của nhân tố thứ 5 đạt $1.218 \ge 1.0$. Tất cả 25 biến quan sát đều có hệ số tải nhân tố (Factor Loading) $> 0.55$, không có biến rác bị loại bỏ.
3. Kết quả hồi quy tuyến tính đa biến (OLS Regression)
==============================================================================
KẾT QUẢ MÔ HÌNH HỒI QUY ĐA BIẾN (DEPENDENT: HL)
==============================================================================
R = 0.782 | R-Square = 0.612 | Adjusted R-Square = 0.598 | F = 42.31 (p = 0.000)
Durbin-Watson = 1.892 (Không có tự tương quan bậc 1)
------------------------------------------------------------------------------
Biến độc lập Hệ số Beta (B) Hệ số Chuẩn hóa (Beta) t-value Sig. VIF
------------------------------------------------------------------------------
Hằng số (Constant) 0.214 - 1.124 0.263 -
Giá cả dịch vụ (GC) 0.142 0.138 2.312 0.022 1.215
Sự tin cậy (TC) 0.168 0.162 2.684 0.008 1.342
Sự đáp ứng (DU) 0.285 0.274 4.218 0.000 1.512
Năng lực phục vụ (PV) 0.221 0.215 3.456 0.001 1.428
Chất lượng dịch vụ (CL) 0.312 0.302 4.892 0.000 1.485
==============================================================================
Phương trình hồi quy chuẩn hóa:
$$\text{HL} = 0.302 \cdot \text{CL} + 0.274 \cdot \text{DU} + 0.215 \cdot \text{PV} + 0.162 \cdot \text{TC} + 0.138 \cdot \text{GC}$$
Đánh giá kết quả đạt được
- Hệ số $R^2 \text{ hiệu chỉnh} = 0.598$ giải thích được $59,8%$ sự biến thiên của mức độ hài lòng khách hàng thông qua 5 nhóm nhân tố được phân tích.
- Giá trị $VIF < 1.6$ khẳng định không xảy ra hiện tượng đa cộng tuyến giữa các biến độc lập.
- Cả 5 giả thuyết nghiên cứu ($H_1, H_2, H_3, H_4, H_5$) đều được chấp nhận ở mức ý nghĩa $p < 0.05$.
- Thứ tự tác động từ mạnh nhất đến thấp nhất:
- Chất lượng dịch vụ / Hiệu quả chuyển đổi ($\beta = 0.302$): Tác động chi phối lớn nhất đến sự hài lòng.
- Sự đáp ứng ($\beta = 0.274$): Khách hàng đánh giá rất cao tốc độ tối ưu và hỗ trợ content/creative.
- Năng lực phục vụ ($\beta = 0.215$): Trình độ chuyên môn và thái độ tương tác của Account/Media Buyer.
- Sự tin cậy ($\beta = 0.162$): Cam kết hợp đồng, bảo mật dữ liệu và hạn chế lỗi kỹ thuật.
- Giá cả dịch vụ ($\beta = 0.138$): Mức độ tác động thấp nhất trong 5 yếu tố, chứng minh khách hàng B2B quan tâm đến ROI/hiệu quả hơn là mức giá rẻ đơn thuần.
Đổi mới và đóng góp
Nghiên cứu mang lại những đóng góp khoa học và ứng dụng thực tiễn:
- Bản địa hóa mô hình SERVPERF cho ngành Performance Marketing: Chuyển dịch thang đo từ dịch vụ truyền thống sang đo lường chuyên sâu các thuộc tính kỹ thuật số (tỷ lệ chuyển đổi ROAS, tính thẩm mỹ của Creative, thời gian phản hồi kỹ thuật).
- Chứng minh thực nghiệm về độ nhạy giá thấp trong phân khúc B2B Digital Marketing: Chỉ ra rằng việc cắt giảm giá không phải là giải pháp cốt lõi để gia tăng sự hài lòng; khách hàng sẵn sàng chi trả mức phí cao hơn nếu hiệu quả chuyển đổi ($\beta = 0.302$) và tốc độ đáp ứng ($\beta = 0.274$) vượt trội.
- Định lượng hiệu quả vận hành: Đề xuất khung SLA (Service Level Agreement) nội bộ giúp VFFTECH giảm 32% thời gian xử lý khiếu nại và tăng 18,5% điểm hài lòng khách hàng sau 6 tháng áp dụng thử nghiệm.
Ứng dụng thực tế và triển khai
Dựa trên kết quả hồi quy, lộ trình triển khai tái cấu trúc chất lượng dịch vụ tại VFFTECH được thiết lập theo 4 giai đoạn cụ thể:
+-----------------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP (4 GIAI ĐOẠN) |
| |
| [Q1: Nâng cấp Chuyên môn] -> Chuẩn hóa quy trình A/B Testing & Tracking |
| [Q2: Tối ưu Tốc độ Đáp ứng]-> Thiết lập kênh hỗ trợ khẩn cấp SLA < 15 phút |
| [Q3: Xây dựng Dashboard] -> Cung cấp Client Portal theo dõi ROAS tự động |
| [Q4: Đánh giá & Chuẩn hóa]-> Kiểm toán định kỳ chỉ số CSAT/NPS hàng quý |
+-----------------------------------------------------------------------------+
1. Nâng cấp chất lượng dịch vụ (Trọng số $\beta = 0.302$)
- Thiết lập quy trình kiểm thử A/B Testing bắt buộc cho tối thiểu 3 cụm mẫu quảng cáo (Creative/Headline/Target Audience) trước khi scale ngân sách.
- Ứng dụng công nghệ Meta Conversions API (CAPI) song song với Meta Pixel để hạn chế thất thoát dữ liệu sau bản cập nhật Apple iOS 14.5+.
- Đảm bảo tính nhất quán giữa nội dung bài viết Fanpage và thông điệp chạy Ads nhằm gia tăng điểm liên quan (Quality Ranking).
2. Cải thiện tốc độ đáp ứng (Trọng số $\beta = 0.274$)
- Cam kết thời gian phản hồi yêu cầu kỹ thuật trong vòng tối đa 15 phút trong giờ hành chính và dưới 60 phút ngoài giờ.
- Xây dựng hệ thống cảnh báo tài khoản quảng cáo bị vô hiệu hóa hoặc tụt ngưỡng phân phối thông qua Telegram Bot Webhook.
3. Nâng cao năng lực phục vụ và sự tin cậy (Trọng số $\beta = 0.215$ và $\beta = 0.162$)
- Tổ chức thi sát hạch định kỳ hàng quý cho nhân viên bộ phận Facebook Ads theo tiêu chuẩn chứng chỉ Meta Certified Digital Marketing Associate / Media Buying Professional.
- Minh bạch hóa 100% chi phí chạy quảng cáo thực tế trên hóa đơn đối soát với Meta, loại bỏ hoàn toàn các phụ phí ẩn.
Hạn chế và hướng phát triển
Nghiên cứu tồn tại một số giới hạn học thuật cần được mở rộng:
- Phương pháp lấy mẫu: Áp dụng phương pháp phi xác suất thuận tiện với quy mô $N = 140$ tại khu vực Thừa Thiên Huế, khả năng tổng quát hóa cho toàn bộ thị trường quảng cáo số Việt Nam còn ở mức tương đối.
- Phương pháp phân tích: Sử dụng mô hình hồi quy tuyến tính cổ điển (OLS). Các nghiên cứu tiếp theo nên ứng dụng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) qua SmartPLS 4 để đánh giá các mối quan hệ trung gian (như Giá trị cảm nhận, Lòng trung thành thương hiệu).
- Phạm vi nền tảng: Chưa bao quát các kênh quảng cáo đa nền tảng đang tăng trưởng nhanh như TikTok Ads, Google Performance Max hay Shopee/Lazada In-app Ads.
Đối tượng hưởng lợi
+------------------------------------------------------------------------------+
| GIÁ TRỊ CHO CÁC NHÓM ĐỐI TƯỢNG |
+------------------------------------------------------------------------------+
| [SINH VIÊN] | Nắm vững phương pháp luận nghiên cứu định lượng, EFA & |
| | hồi quy đa biến ứng dụng thực tế trên SPSS v26.0. |
+------------------+-----------------------------------------------------------+
| [AGENCY & MARKETER| Khung tham chiếu chuẩn hóa bộ chỉ số SLA, tối ưu hóa |
| | ngân sách Media Buying và chính sách giữ chân khách hàng. |
+------------------+-----------------------------------------------------------+
| [DOANH NGHIỆP] | Tiêu chí khách quan để giám sát, đánh giá hiệu quả của |
| | các đối tác Outsourcing Digital Marketing. |
+------------------+-----------------------------------------------------------+
| [NHÀ NGHIÊN CỨU] | Dữ liệu thực nghiệm phong phú cho các đề tài phân tích |
| | hành vi khách hàng B2B trong nền kinh tế số. |
+------------------------------------------------------------------------------+
- Sinh viên chuyên ngành Marketing & Quản trị Kinh doanh: Nắm bắt quy trình hoàn chỉnh từ xây dựng bảng hỏi, kiểm định thang đo Cronbach's Alpha, phân tích EFA đến đọc hiểu mô hình hồi quy OLS trên SPSS.
- Agency Marketing và Chuyên viên Media Buyer: Sở hữu hệ thống chỉ số định lượng giúp tối ưu phân bổ nguồn lực kỹ thuật, tập trung vào hiệu quả chiến dịch thay vì chạy đua giảm giá.
- Doanh nghiệp thuê ngoài (Outsourcing Clients): Có khung tiêu chí rõ ràng để đánh giá chất lượng dịch vụ của các đơn vị truyền thông số.
- Nhà nghiên cứu học thuật: Cung cấp cơ sở dữ liệu thực nghiệm phục vụ việc mở rộng các mô hình chất lượng dịch vụ trong bối cảnh MarTech hiện đại.
Câu hỏi thường gặp
-
Tại sao yếu tố Giá cả dịch vụ (GC) lại có trọng số tác động thấp nhất ($\beta = 0.138$)?
Khách hàng sử dụng dịch vụ Facebook Ads là các đối tác kinh doanh (B2B), ưu tiên hàng đầu của họ là tỷ suất hoàn vốn đầu tư quảng cáo (ROAS) và doanh thu mang lại. Một dịch vụ giá rẻ nhưng không tạo ra đơn hàng sẽ gây thiệt hại lớn hơn nhiều so với dịch vụ chi phí cao nhưng đem lại hiệu quả chuyển đổi vượt trội.
-
Cỡ mẫu $N = 140$ có đảm bảo độ tin cậy thống kê không?
Theo quy tắc thực nghiệm của Hair et al. (1998), cỡ mẫu tối thiểu cần gấp 5 lần số biến quan sát ($25 \times 5 = 125$). Cỡ mẫu $N = 140$ hoàn toàn đáp ứng các điều kiện về tính đại diện và yêu cầu kỹ thuật của phép phân tích EFA và hồi quy OLS.
-
Mô hình có thể áp dụng cho các nền tảng khác như Google Ads hay TikTok Ads không?
Hoàn toàn có thể. 5 nhóm nhân tố cốt lõi (Giá cả, Tin cậy, Đáp ứng, Năng lực, Chất lượng) có tính khái quát cao. Tuy nhiên, các biến quan sát kỹ thuật cần được điều chỉnh phù hợp với đặc thù phân phối thuật toán của từng kênh.
-
Làm thế nào để hạn chế đa cộng tuyến trong phân tích hồi quy?
Nghiên cứu kiểm soát chặt chẽ thông qua chỉ số phóng đại phương sai (VIF). Toàn bộ hệ số VIF trong mô hình đều đạt mức $< 1.6$, nằm sâu dưới ngưỡng cảnh báo ($VIF < 2.0$), khẳng định không có sự trùng lắp giải thích giữa các biến độc lập.
-
Chi phí triển khai bộ giải pháp nâng cao chất lượng dịch vụ là bao nhiêu?
Phần lớn giải pháp tập trung vào chuẩn hóa quy trình nội bộ, đào tạo nhân sự và tự động hóa hệ thống báo cáo. Do đó, chi phí phát sinh ước tính chỉ chiếm khoảng $3 - 5%$ ngân sách vận hành hàng năm của agency, trong khi mang lại tiềm năng gia tăng $20 - 30%$ tỷ lệ tái ký hợp đồng.
Kết luận
Khóa luận tốt nghiệp của tác giả Dương Thị Thu Uyên đã giải quyết bài toán đo lường các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ Facebook Advertising tại Công ty Cổ phần Công nghệ VFFTECH. Bằng việc vận dụng quy trình nghiên cứu định lượng chặt chẽ với sự hỗ trợ của phần mềm SPSS 26.0, đề tài đã chứng minh một cách khoa học rằng Chất lượng dịch vụ / Hiệu quả chuyển đổi ($\beta = 0.302$) và Sự đáp ứng ($\beta = 0.274$) là hai động lực mạnh mẽ nhất thúc đẩy sự thỏa mãn của đối tác.
Kết quả này cung cấp cơ sở dữ liệu thực nghiệm để ban lãnh đạo VFFTECH chuyển dịch trọng tâm chiến lược: từ cạnh tranh bằng giá sang tối ưu hóa năng lực công nghệ, chuẩn hóa dịch vụ khách hàng và nâng cao tỷ lệ chuyển đổi thực tế cho doanh nghiệp đối tác.
