Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam đang trải qua giai đoạn bùng nổ mạnh mẽ với tốc độ tăng trưởng kép hàng năm đạt trên 25% (Hiệp hội Thương mại Điện tử Việt Nam - VECOM). Với hơn 63 triệu người sử dụng Internet (chiếm 66,3% dân số) và giá trị mua sắm trực tuyến bình quân đạt 160 USD/người/năm (VECITA), Việt Nam đã vươn lên vị trí thứ 6 khu vực Châu Á về quy mô thị trường số. Trong bối cảnh đó, Shopee (trực thuộc Tập đoàn SEA) đã khẳng định vị thế dẫn đầu với lưu lượng truy cập đạt 89 triệu lượt/tháng (iPrice, 2021) và hơn 160 triệu tài khoản người dùng đang hoạt động.

Tuy nhiên, thị trường TMĐT Việt Nam cũng chứng kiến sự cạnh tranh khốc liệt từ các nền tảng như Lazada, Tiki, TikTok Shop. Chi phí thu hút khách hàng mới (Customer Acquisition Cost - CAC) ước tính cao gấp 5 đến 7 lần so với chi phí duy trì khách hàng hiện tại (Customer Retention Cost). Mặc dù tỷ lệ người tiêu dùng tiếp tục mua hàng đạt khoảng 55% (Kantar Worldpanel), sự sụt giảm lưu lượng truy cập định kỳ và áp lực tối ưu hóa lợi nhuận đặt ra bài toán cấp thiết: Xác định chính xác các động lực thúc đẩy ý định tiếp tục mua sắm trực tuyến (Repurchase Intention) của người tiêu dùng để gia tăng Giá trị vòng đời khách hàng (Customer Lifetime Value - CLV).

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận: Tổng hợp các lý thuyết nền tảng gồm Mô hình chấp nhận công nghệ (Technology Acceptance Model - TAM), Mô hình kỳ vọng - xác nhận (Expectation Confirmation Model - ECM), Thuyết hành động hợp lý (Theory of Reasoned Action - TRA) và Thuyết hành vi có kế hoạch (Theory of Planned Behavior - TPB).
  2. Xác định các nhân tố ảnh hưởng: Xây dựng mô hình nghiên cứu gồm 5 biến độc lập: Chất lượng trang web (Site Quality - SQ), Chất lượng dịch vụ (Service Quality - SVQ), Nhận thức hữu ích (Perceived Usefulness - PU), Nhận thức tính dễ sử dụng (Perceived Ease of Use - PEOU), Sự tin cậy (Trust - TRT) tác động đến Ý định tiếp tục mua hàng (Repurchase Intention - RI).
  3. Kiểm định định lượng thực nghiệm: Đo lường độ tin cậy thang đo thông qua hệ số Cronbach's Alpha, phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) và phân tích hồi quy tuyến tính bội (Multiple Linear Regression - MLR) trên tập mẫu $N = 200$.
  4. Đề xuất hàm ý quản trị: Cung cấp các khuyến nghị thực tiễn giúp ban điều hành Shopee và các đối tác bán hàng tối ưu hóa tỷ lệ chuyển đổi và duy trì lòng trung thành của khách hàng.

Phương pháp tiếp cận và phạm vi

  • Phương pháp tiếp cận: Kết hợp nghiên cứu định tính (tổng quan tài liệu, hiệu chỉnh thang đo) và nghiên cứu định lượng (khảo sát bảng hỏi Likert 5 mức độ, xử lý dữ liệu qua phần mềm thống kê chuyên dụng).
  • Phạm vi không gian: Địa bàn Thành phố Hồ Chí Minh – trung tâm kinh tế và tiêu dùng trực tuyến lớn nhất Việt Nam.
  • Phạm vi thời gian: Dữ liệu sơ cấp được thu thập từ ngày 05/06/2023 đến ngày 20/07/2023.
  • Đối tượng khảo sát: Người tiêu dùng cá nhân đã từng thực hiện ít nhất một giao dịch mua sắm trên ứng dụng di động Shopee.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường sàn giao dịch TMĐT tại Việt Nam hoạt động theo ba mô hình chính: C2C (Consumer-to-Consumer), B2C (Business-to-Consumer) và B2B (Business-to-Business). Shopee đã chuyển dịch linh hoạt từ mô hình thuần C2C sang tích hợp Shopee Mall (B2C), tạo ra lợi thế cạnh tranh về sự đa dạng hàng hóa nhưng đồng thời đối mặt với thách thức kiểm soát chất lượng người bán.

Nền tảng Mô hình chủ đạo Điểm mạnh kỹ thuật & vận hành Hạn chế chính Tỷ lệ giữ chân ước tính
Shopee C2C / B2C (Shopee Mall) Hệ sinh thái Gamification phong phú, thuật toán gợi ý realtime, phí sàn linh hoạt Tình trạng hàng giả từ shop C2C, hỗ trợ CSKH tự động còn cứng nhắc 55% - 60%
Lazada B2C / C2C Hệ thống logistics nội bộ (Lazada Logistics) mạnh, bảo mật thanh toán cao Giao diện ứng dụng tải chậm, cấu trúc tìm kiếm phức tạp 45% - 50%
Tiki B2C (TikiTrading) Kiểm duyệt hàng chính hãng 100%, tốc độ giao hàng TikiNOW vượt trội Danh mục hàng hóa hạn chế, chi phí vận hành cao 50% - 52%

Yêu cầu người dùng theo mô hình MoSCoW

Phân loại Yêu cầu chức năng và trải nghiệm người dùng
Must Have Giao diện điều hướng mượt mà, thời gian phản hồi API tìm kiếm < 500ms, cơ chế ký quỹ thanh toán an toàn ("Shopee Đảm Bảo"), tính năng theo dõi đơn hàng thời gian thực.
Should Have Hệ thống đề xuất cá nhân hóa (AI Recommendation Engine) dựa trên lịch sử xem hàng, hệ thống đánh giá bằng hình ảnh/video có gắn nhãn "Đã mua hàng".
Could Have Tính năng livestream tương tác trực tiếp (Shopee Live), mini-games tích điểm (Shopee Xu), tích hợp chatbot AI xử lý khiếu nại tự động.
Won't Have Tính năng thử đồ thực tế ảo (AR/VR fitting room) trong giai đoạn khảo sát hiện tại.

Thiết kế hệ thống nghiên cứu

Khung nghiên cứu được chuẩn hóa dưới dạng luồng xử lý dữ liệu thực nghiệm:

Công nghệ và Công cụ sử dụng

  • Phần mềm xử lý thống kê: IBM SPSS Statistics version 20.0 / version 26.0 (phân tích Cronbach's Alpha, EFA, OLS Regression).
  • Môi trường lập trình hỗ trợ kiểm định: Python 3.10 với các thư viện: pandas (xử lý dataframe), statsmodels (chạy mô hình OLS và kiểm định vi phạm giả định), pingouin (tính toán độ tin cậy thang đo), seaborn & matplotlib (trực quan hóa ma trận tương quan).
  • Nền tảng khảo sát: Google Forms tích hợp mã định danh chống trùng lặp IP và cơ chế bắt buộc điền đầy đủ trường dữ liệu.

Mô hình toán học và thang đo

Phương trình hồi quy tuyến tính bội mô tả mối quan hệ giữa các biến:

$$RI = \beta_0 + \beta_1 SQ + \beta_2 SVQ + \beta_3 PU + \beta_4 PEOU + \beta_5 TRT + \epsilon$$

Trong đó:

  • $RI$ (Repurchase Intention): Ý định tiếp tục mua hàng trực tuyến (biến phụ thuộc).
  • $SQ$ (Site Quality): Chất lượng trang web/ứng dụng (giao diện, tốc độ, bố cục).
  • $SVQ$ (Service Quality): Chất lượng dịch vụ (chăm sóc khách hàng, giao vận, xử lý khiếu nại).
  • $PU$ (Perceived Usefulness): Nhận thức tính hữu ích (tiết kiệm thời gian, chi phí, so sánh giá).
  • $PEOU$ (Perceived Ease of Use): Nhận thức tính dễ sử dụng (thao tác tìm kiếm, thanh toán).
  • $TRT$ (Trust): Sự tin cậy đối với nền tảng và người bán.
  • $\beta_0$: Hệ số chặn (Intercept); $\beta_1, \dots, \beta_5$: Hệ số hồi quy chuẩn hóa; $\epsilon$: Sai số ngẫu nhiên.

Độ tin cậy thang đo được tính toán theo công thức Cronbach's Alpha:

$$\alpha = \frac{K}{K - 1} \left( 1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2} \right)$$

Implementation và kết quả

Quy trình phân tích dữ liệu thực nghiệm

Quy trình xử lý dữ liệu được tiến hành qua 4 giai đoạn chuẩn mực:

  1. Giai đoạn 1: Kiểm tra sơ bộ dữ liệu mẫu ($N = 200$), mã hóa các biến quan sát từ bảng hỏi.
  2. Giai đoạn 2: Kiểm định hệ số tin cậy nội tại Cronbach's Alpha cho 5 biến độc lập và 1 biến phụ thuộc. Điều kiện chấp nhận: $\alpha \ge 0.70$ và Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.
  3. Giai đoạn 3: Phân tích nhân tố khám phá EFA bằng phương pháp trích Principal Axis Factoring / Principal Components với phép xoay vuông góc Varimax. Tiêu chuẩn: Chỉ số $KMO \ge 0.5$, Bartlett's Test of Sphericity có mức ý nghĩa $Sig. < 0.05$, Tổng phương sai trích (Cumulative Variance Explained) $\ge 50%$, và Hệ số tải nhân tố (Factor Loading) $\ge 0.50$.
  4. Giai đoạn 4: Ước lượng mô hình hồi quy đa biến OLS, kiểm tra các giả định ngầm: phân phối chuẩn của phần dư, tính tuyến tính, phương sai sai số không đổi (Homoscedasticity) và kiểm định đa cộng tuyến thông qua hệ số phóng đại phương sai (Variance Inflation Factor - VIF).

Mã nguồn tái hiện phân tích (SPSS Syntax & Python)

Dưới đây là cú pháp SPSS Syntax và mã nguồn Python tương đương dùng để tái hiện quy trình kiểm định:

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

# 1. Khởi tạo DataFrame từ dữ liệu khảo sát (Mô phỏng cấu trúc N=200)
np.random.seed(42)
n_samples = 200

# Tạo dữ liệu thang đo Likert 1-5
df = pd.DataFrame({
    'SQ': np.random.normal(3.8, 0.6, n_samples).clip(1, 5),
    'SVQ': np.random.normal(3.6, 0.7, n_samples).clip(1, 5),
    'PU': np.random.normal(4.1, 0.5, n_samples).clip(1, 5),
    'PEOU': np.random.normal(4.0, 0.6, n_samples).clip(1, 5),
    'TRT': np.random.normal(3.7, 0.8, n_samples).clip(1, 5),
})
# Biến phụ thuộc RI chịu tác động từ các biến độc lập
df['RI'] = (0.15 * df['SQ'] + 0.22 * df['SVQ'] + 0.31 * df['PU'] + 
            0.18 * df['PEOU'] + 0.25 * df['TRT'] + np.random.normal(0, 0.3, n_samples)).clip(1, 5)

# 2. Xây dựng mô hình OLS Regression
X = df[['SQ', 'SVQ', 'PU', 'PEOU', 'TRT']]
X_with_const = sm.add_constant(X)
y = df['RI']

model = sm.OLS(y, X_with_const).fit()

# 3. Kiểm tra hiện tượng đa cộng tuyến (VIF Calculation)
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)

* SPSS Syntax: Kiem dinh Cronbach Alpha va EFA.
RELIABILITY
  /VARIABLES=SQ1 SQ2 SQ3 SQ4
  /SCALE('Site Quality Scale') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL.

FACTOR
  /VARIABLES SQ1 SQ2 SQ3 SQ4 SVQ1 SVQ2 SVQ3 SVQ4 PU1 PU2 PU3 PEOU1 PEOU2 PEOU3 TRT1 TRT2 TRT3
  /MISSING LISTWISE 
  /ANALYSIS SQ1 SQ2 SQ3 SQ4 SVQ1 SVQ2 SVQ3 SVQ4 PU1 PU2 PU3 PEOU1 PEOU2 PEOU3 TRT1 TRT2 TRT3
  /PRINT INITIAL KMO EXTRACTION ROTATION FSCORE
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PC
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT RI
  /METHOD=ENTER SQ SVQ PU PEOU TRT
  /RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Kết quả kiểm định thống kê và đo lường

Kết quả phân tích định lượng trên mẫu $N = 200$ khách hàng Shopee tại TP.HCM:

Nhóm biến Biến quan sát Cronbach's Alpha KMO / Loading Hệ số hồi quy chuẩn hóa ($\beta$) Mức ý nghĩa ($p$-value) Kết luận giả thuyết
Chất lượng trang web (SQ) 4 items 0.824 0.68 - 0.79 0.162 $p = 0.012 < 0.05$ Chấp nhận $H_1$
Chất lượng dịch vụ (SVQ) 4 items 0.841 0.71 - 0.83 0.218 $p = 0.001 < 0.05$ Chấp nhận $H_2$
Nhận thức hữu ích (PU) 3 items 0.865 0.74 - 0.86 0.305 $p = 0.000 < 0.001$ Chấp nhận $H_3$ (Tác động mạnh nhất)
Tính dễ sử dụng (PEOU) 3 items 0.798 0.65 - 0.78 0.174 $p = 0.008 < 0.05$ Chấp nhận $H_4$
Sự tin cậy (TRT) 3 items 0.852 0.70 - 0.84 0.246 $p = 0.000 < 0.001$ Chấp nhận $H_5$ (Tác động thứ hai)
Ý định tiếp tục mua (RI) 3 items 0.878 0.78 - 0.88 - - Biến phụ thuộc

Đánh giá các chỉ số mô hình hồi quy tổng thể

  • Hệ số xác định mô hình: $R^2 = 0.612$, $R^2 \text{ hiệu chỉnh (Adjusted } R^2) = 0.602$, chứng minh 5 nhân tố trong mô hình giải thích được 60.2% sự biến thiên của ý định tiếp tục mua sắm trên Shopee.
  • Kiểm định độ phù hợp F: Giá trị $F = 61.248$ với mức ý nghĩa $Sig. = 0.000 < 0.001$, khẳng định mô hình hồi quy tuyến tính xây dựng là hoàn toàn phù hợp với dữ liệu thực tế.
  • Kiểm định hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $VIF$ của tất cả các biến độc lập dao động từ $1.214$ đến $1.650$ (đều $< 2.0$), khẳng định không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
  • Hệ số Durbin-Watson: Đạt $1.892$ (nằm trong khoảng $1.50 - 2.50$), loại trừ hiện tượng tự tương quan bậc một giữa các phần dư.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp rõ nét về mặt học thuật và thực tiễn so với các công trình nghiên cứu trước đây:

Tiêu chí so sánh Nghiên cứu Lee et al. (2010) Nghiên cứu Chao Wen et al. (2011) Mô hình Khóa luận (Uyên, 2023)
Khung lý thuyết Thuần TAM mở rộng TAM kết hợp ECM Tích hợp TAM + ECM + TPB + Bối cảnh Mobile Commerce
Không gian nghiên cứu Thị trường Malaysia (Website chung) Thị trường quốc tế (E-retail) Người tiêu dùng đô thị TP.HCM (Ứng dụng Shopee App)
Biến giải thích then chốt Giá trị cảm nhận, Danh tiếng Xác nhận kỳ vọng, Sự hài lòng Nhận thức hữu ích ($\beta = 0.305$), Sự tin cậy ($\beta = 0.246$)
Tính ứng dụng thực tiễn Phân tích diện rộng, khuyến nghị chung Đánh giá tâm lý học hành vi Hàm ý quản trị trực tiếp cho sàn TMĐT Top 1 Việt Nam

Đóng góp kỹ thuật và ứng dụng

  1. Lượng hóa mức độ tác động: Chứng minh bằng dữ liệu thực nghiệm rằng "Nhận thức hữu ích" (PU) đóng vai trò quyết định lớn nhất ($\beta = 0.305$), theo sau là "Sự tin cậy" (TRT, $\beta = 0.246$) và "Chất lượng dịch vụ" (SVQ, $\beta = 0.218$). Điều này định hướng doanh nghiệp ưu tiên tối ưu hóa công cụ so sánh giá, voucher giảm giá và chính sách bảo vệ khách hàng trước khi đầu tư dàn trải vào các tính năng giải trí.
  2. Kiểm chứng tính thích ứng của mô hình TAM trong kỷ nguyên di động: Khẳng định tính dễ sử dụng (PEOU) vẫn duy trì tác động tích cực ($\beta = 0.174$) đối với người dùng smartphone, đặc biệt là nhóm khách hàng trẻ (Gen Z và Millennials).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong vận hành Sàn TMĐT

1. Nâng cao Nhận thức Hữu ích (PU) & Tối ưu hóa Tìm kiếm

  • Tích hợp công cụ tự động tổng hợp mã giảm giá (Voucher Auto-apply) tại bước Checkout, giúp người dùng nhìn thấy ngay số tiền tiết kiệm được ($ROI$ trực quan).
  • Cải tiến bộ lọc tìm kiếm sản phẩm theo giá thành thực tế sau khi trừ chi phí vận chuyển.

2. Củng cố Sự tin cậy (Trust Framework) & Quản trị Rủi ro

  • Mở rộng chính sách "Shopee Đảm Bảo": Tự động giữ tiền thanh toán trong 3 - 7 ngày cho đến khi người mua xác nhận chất lượng sản phẩm.
  • Ứng dụng mô hình Machine Learning phát hiện đánh giá ảo (Fake Review Detection) dựa trên phân tích tần suất gửi tin và địa chỉ IP của người bán.

3. Tối ưu hóa Chất lượng Dịch vụ (Service Quality)

  • Thiết lập quy trình đổi trả hàng tự động (Return/Refund Flow) giảm thời gian phê duyệt hoàn tiền từ 48 giờ xuống dưới 6 giờ đối với các đơn hàng Shopee Mall.
  • Nâng cấp hệ sinh thái logistics Shopee Xpress (SPX) đảm bảo thời gian giao hàng nội thành TP.HCM dưới 24 giờ.

Phân tích Hiệu quả Kinh tế (Cost-Benefit Analysis)

  • Đầu tư: Ước tính chi phí nâng cấp hạ tầng Cloud/CDN, thuật toán AI đề xuất và chuẩn hóa quy trình CSKH chiếm khoảng 3 - 5% tổng chi phí vận hành hàng năm.
  • Lợi ích: Theo mô hình nghiên cứu của Bain & Company, việc tăng tỷ lệ giữ chân khách hàng (Customer Retention Rate) thêm 5% giúp tăng lợi nhuận doanh nghiệp từ 25% đến 95%. Việc chuyển đổi người dùng vãng lai thành người dùng trung thành trên Shopee giúp giảm đáng kể chi phí tiếp thị trực tuyến (Performance Marketing).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và nghiên cứu

  • Quy mô và phương pháp chọn mẫu: Cỡ mẫu $N = 200$ được thu thập theo phương pháp thuận tiện phi xác suất (Convenience Sampling), tập trung chủ yếu tại khu vực nội thành TP.HCM, chưa bao quát đầy đủ hành vi tiêu dùng tại các vùng nông thôn hoặc tỉnh thành lân cận.
  • Phương pháp phân tích: Nghiên cứu sử dụng mô hình hồi quy tuyến tính OLS thông qua SPSS, chưa áp dụng Mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) để kiểm tra các mối quan hệ gián tiếp và biến trung gian (như Sự hài lòng - Satisfaction đóng vai trò Mediator).
  • Thiết kế nghiên cứu: Sử dụng dữ liệu cắt ngang (Cross-sectional data) tại một thời điểm, chưa theo dõi được sự thay đổi hành vi dài hạn theo chuỗi thời gian (Longitudinal study).

Hướng phát triển tiếp theo

  • Mở rộng quy mô nghiên cứu: Mở rộng tập mẫu lên $N \ge 1.000$ trên phạm vi toàn quốc (Hà Nội, Đà Nẵng, Cần Thơ, Hải Phòng).
  • Nâng cấp kỹ thuật phân tích: Ứng dụng mô hình SEM (sử dụng phần mềm SmartPLS 4 hoặc AMOS) để kiểm định các cấu trúc đa tầng bậc cao và phân tích đa nhóm (Multi-group Analysis - MGA) theo giới tính và độ tuổi.
  • Tích hợp dữ liệu lớn (Big Data Analytics): Kết hợp khảo sát thái độ với phân tích dữ liệu nhật ký hành vi (Clickstream data logs, Session length, Cart abandonment rates) để xây dựng mô hình dự báo rời bỏ (Churn Prediction Model) bằng Machine Learning.

Đối tượng hưởng lợi

  • Sinh viên và Giảng viên khối ngành Kinh tế/Hệ thống thông tin: Tiếp cận mẫu nghiên cứu ứng dụng chuẩn xác về mặt phương pháp luận, cấu trúc bảng hỏi và quy trình xử lý dữ liệu định lượng trên SPSS.
  • Product Managers & Kỹ sư phát triển ứng dụng TMĐT: Nắm bắt các trọng số định lượng ($\beta$) để ưu tiên phân bổ nguồn lực kỹ thuật vào tính năng mang lại giá trị cảm nhận cao nhất cho người dùng.
  • Các doanh nghiệp bán hàng trên sàn TMĐT: Có căn cứ khoa học để xây dựng chiến lược chăm sóc khách hàng sau bán (Post-purchase support), quản lý đánh giá và thiết lập các chương trình khách hàng thân thiết.
  • Nhà nghiên cứu thị trường: Cơ sở dữ liệu tham chiếu đáng tin cậy về hành vi mua sắm trực tuyến của người tiêu dùng tại đô thị lớn thuộc thị trường mới nổi Đông Nam Á.

Câu hỏi thường gặp

1. Cần chuẩn bị hạ tầng kỹ thuật gì để triển khai hệ thống phân tích hành vi tương tự?

Để triển khai hệ thống phân tích định lượng tương tự, nhóm nghiên cứu cần trang bị máy chủ lưu trữ cơ sở dữ liệu khảo sát (PostgreSQL/MySQL), phần mềm phân tích thống kê IBM SPSS Statistics (tối thiểu phiên bản 20.0) hoặc môi trường Python 3.8+ cài đặt sẵn các gói statsmodels, scipy, pandas và scikit-learn.

2. Mô hình hồi quy này có mở rộng cho các sàn TMĐT khác như TikTok Shop hay Tiki được không?

Hoàn toàn có thể mở rộng. Khung lý thuyết tích hợp (TAM + ECM) là mô hình phổ quát cho thương mại điện tử. Tuy nhiên, khi áp dụng cho TikTok Shop (Social Commerce), cần bổ sung thêm các biến quan sát đặc thù như: Tính giải trí nhận thức (Perceived Enjoyment), Ảnh hưởng của người sáng tạo nội dung (KOL/KOC Influence) và Tính bốc đồng khi mua sắm (Impulse Buying Behavior).

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống CRM hiện tại của doanh nghiệp?

Doanh nghiệp có thể trích xuất các trọng số ảnh hưởng của nghiên cứu để gán nhãn trọng số cho các thuật toán tính điểm mức độ hài lòng khách hàng (CSAT/NPS scoring) trong CRM, từ đó tự động phân khúc khách hàng có nguy cơ rời bỏ nền tảng dựa trên tần suất tương tác với các tính năng cốt lõi.

4. Chi phí và thời gian cần thiết để thực hiện một chu kỳ đánh giá dữ liệu định kỳ là bao nhiêu?

Một chu kỳ đánh giá định lượng chuẩn ($N = 300 - 500$) thường kéo dài từ 4 đến 6 tuần, bao gồm thiết kế bảng hỏi, thu thập dữ liệu và xử lý mô hình. Chi phí thực hiện dao động từ 15 - 30 triệu VNĐ nếu tự triển khai nội bộ, chủ yếu dành cho chi phí tặng thưởng khảo sát (Incentives) và bản quyền phần mềm phân tích.

5. Tại sao biến "Nhận thức tính dễ sử dụng" (PEOU) lại có trọng số hồi quy thấp hơn "Nhận thức hữu ích" (PU)?

Điều này phản ánh xu hướng phổ biến trong các nghiên cứu TMĐT hiện đại: Khi người tiêu dùng (đặc biệt tại đô thị lớn như TP.HCM) đã quá quen thuộc với thao tác trên smartphone, tính dễ sử dụng dần trở thành một "yêu cầu mặc định" (Hygiene factor). Sự khác biệt thúc đẩy quyết định tiếp tục mua sắm nằm ở giá trị thực tế mang lại (PU - Tiết kiệm chi phí, sự tiện lợi) và mức độ an tâm giao dịch (Trust).

Kết luận

Khóa luận tốt nghiệp của tác giả Hoàng Thu Uyên đã giải quyết thành công bài toán xác định và định lượng các yếu tố tác động đến ý định tiếp tục mua sắm trực tuyến trên ứng dụng Shopee tại địa bàn TP.HCM. Thông qua việc kết hợp các khung lý thuyết TAM, ECM và TPB trên tập dữ liệu thực nghiệm $N = 200$, nghiên cứu đã chứng minh rằng Nhận thức hữu ích ($\beta = 0.305$), Sự tin cậy ($\beta = 0.246$) và Chất lượng dịch vụ ($\beta = 0.218$) là ba trụ cột then chốt quyết định lòng trung thành của người tiêu dùng.

Các phát hiện thực nghiệm này cung cấp cơ sở khoa học vững chắc giúp các nhà quản trị nền tảng Shopee và các doanh nghiệp số tối ưu hóa trải nghiệm khách hàng, tinh gọn quy trình hoàn tất đơn hàng và củng cố hệ thống an toàn thanh toán, hướng tới mục tiêu phát triển bền vững trong nền kinh tế số đầy biến động.