Giới thiệu dự án

Thương mại điện tử (E-commerce) và đặc biệt là thương mại xã hội (Social Commerce - S-Commerce) đang chứng kiến sự bùng nổ mạnh mẽ tại khu vực Đông Nam Á. Theo báo cáo của Vụ Chính sách Thương mại đa biên - Bộ Công thương, quy mô kinh tế Internet của 6 quốc gia trọng điểm khu vực (Việt Nam, Ấn Độ, Malaysia, Philippines, Singapore, Thái Lan) ước tính đạt 200 tỷ USD. Riêng tại Việt Nam, theo Sách trắng Thương mại điện tử năm 2022, doanh thu thương mại điện tử bán lẻ (B2C) đạt 16,4 tỷ USD, tăng trưởng 20% so với cùng kỳ. Đáng chú ý, nền tảng video ngắn TikTok đã ghi nhận bước tăng trưởng vượt bậc với tỷ lệ người dùng tăng từ 49% lên 62%, lượng người dùng thường nhật đạt 74% và mức độ yêu thích thương hiệu tăng từ 5% lên 14% (theo khảo sát từ Q&me).

Thị trường TMĐT B2C Việt Nam: 16.4 tỷ USD (+20% YoY)
Tỷ lệ thâm nhập TikTok tại VN: 49% -> 62%
Lượng truy cập TikTok hàng ngày: 74% (tăng trưởng +8%)
Thế hệ Gen Z toàn cầu: 2.6 tỷ người (~1/3 dân số thế giới)

Tuy nhiên, các doanh nghiệp kinh doanh ngành hàng thời trang – may mặc trên nền tảng TikTok đang đối mặt với bài toán tối ưu tỷ lệ chuyển đổi từ lượt xem (views) sang ý định mua thực tế (purchase intention). Nữ sinh viên thuộc thế hệ Gen Z (sinh từ 1997 đến 2012) là phân khúc người tiêu dùng nhạy bén nhưng có kỳ vọng phức tạp về trải nghiệm số, giá trị cảm nhận và tính minh bạch của thông tin trực tuyến.

Mục tiêu nghiên cứu của dự án

  1. Hệ thống hóa cơ sở lý luận: Tổng hợp và chuẩn hóa các mô hình hành vi người tiêu dùng kinh điển (TRA, TPB, TAM) áp dụng vào bối cảnh thương mại mạng xã hội video ngắn.
  2. Định lượng các yếu tố tác động: Xác định, phân tích mức độ tác động và đo lường trọng số của các yếu tố ảnh hưởng trực tiếp đến ý định mua sắm trang phục qua TikTok của nữ sinh viên Đại học Quốc gia Hà Nội (ĐHQGHN).
  3. Đề xuất hệ thống giải pháp thực thi: Cung cấp hàm ý quản trị, tối ưu hóa giao dịch và chiến lược tiếp thị đa kênh cho các đơn vị kinh doanh thời trang bán lẻ.

Giải pháp nghiên cứu kết hợp mô hình chấp nhận công nghệ (TAM) và thuyết hành vi có dự định (TPB) với các biến đặc thù của S-Commerce như truyền miệng trực tuyến (eWOM), giá cảm nhận, nhận thức rủi ro và tính thuận tiện khi mua sắm. Phạm vi nghiên cứu tập trung vào nữ sinh viên các trường đại học thành viên thuộc ĐHQGHN trong giai đoạn từ tháng 3/2023 đến tháng 5/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình tiếp thị và bán lẻ thời trang số truyền thống bộc lộ nhiều điểm nghẽn khi tiếp cận nhóm người tiêu dùng trẻ tuổi vốn ưu tiên nội dung nghe nhìn trực quan:

Tiêu chí phân tích Bán lẻ Website truyền thống Thương mại điện tử tổng hợp (Shopee, Lazada) Thương mại mạng xã hội TikTok (S-Commerce)
Trải nghiệm thị giác Hình ảnh tĩnh, mô tả dạng văn bản Hình ảnh kết hợp đánh giá cơ bản Video ngắn 15s - 60s, Livestream tương tác thực tế
Cơ chế gợi ý sản phẩm Dựa trên từ khóa tìm kiếm chủ động Thuật toán lịch sử mua hàng Thuật toán phân phối nội dung AI cá nhân hóa
Mức độ rủi ro cảm nhận Trung bình (có chính sách đổi trả) Thấp - Trung bình (bảo vệ thanh toán) Cao (chênh lệch chất liệu thực tế, lừa đảo gian hàng)
Tính lan truyền (eWOM) Hạn chế trong phạm vi người dùng web Hệ thống sao và review nội bộ Chia sẻ chéo đa nền tảng, KOC/KOL review lan tỏa cao
Tốc độ ra quyết định Chậm (cần thời gian cân nhắc) Trung bình (so sánh giá đa shop) Rất nhanh (mua sắm tức thời theo cảm xúc / Impulse buying)

Dựa trên kỹ thuật phân loại yêu cầu MoSCoW, mô hình nghiên cứu thiết lập các tiêu chí trọng tâm:

  • Must have: Thang đo Giá cảm nhận (GIA), Nhận thức tính dễ sử dụng (DSD), Mua hàng thuận tiện (MHTT).
  • Should have: Thang đo Truyền miệng trực tuyến (eWOM), Nhận thức rủi ro (RR).
  • Could have: Tác động điều tiết của các biến nhân khẩu học (thu nhập, tần suất lướt mạng xã hội).
  • Won't have: Đo lường hành vi mua lặp lại sau chuyển đổi thực tế trong giai đoạn khảo sát sơ cấp.

Thiết kế hệ thống mô hình nghiên cứu

Mô hình nghiên cứu kế thừa và mở rộng Thuyết hành động hợp lý (TRA - Fishbein & Ajzen, 1975), Thuyết hành vi dự định (TPB - Ajzen, 1991) và Thuyết chấp nhận công nghệ (TAM - Davis, 1986):

Công nghệ và công cụ thống kê ứng dụng trong nghiên cứu:

  • Nền tảng khảo sát: Google Forms API với logic phân luồng câu hỏi định danh và lọc điều kiện.
  • Hệ điều hành & Công cụ phân tích: IBM SPSS Statistics phiên bản 20.0 / 26.0 kết hợp ngôn ngữ lập trình Python 3.10 (thư viện pandas, statsmodels, factor_analyzer) phục vụ việc tự động hóa kiểm định mô hình.
  • Cấu trúc dữ liệu đo lường: Thang đo Likert 5 mức độ ($1 = \text{Rất không đồng ý}$ đến $5 = \text{Rất đồng ý}$) cho 22 biến quan sát độc lập và phụ thuộc.

Phương pháp nghiên cứu (Methodology)

Nghiên cứu áp dụng phương pháp định lượng thông qua quy trình 2 giai đoạn:

  1. Nghiên cứu sơ bộ: Phỏng vấn sâu với 7 chuyên gia và sinh viên nữ mục tiêu để hiệu chỉnh câu chữ, xác thực độ rõ ràng của bảng câu hỏi.
  2. Nghiên cứu chính thức: Thu thập mẫu bằng phương pháp chọn mẫu phi xác suất (thuận tiện).

Xác định quy mô mẫu tối thiểu:

  • Theo Hair et al. (2014), tỷ lệ quan sát trên 1 biến phân tích tối thiểu là $5:1$. Với 22 biến quan sát: $$N_{\text{Hair}} \ge 22 \times 5 = 110 \text{ mẫu}$$
  • Theo công thức của Green (1991) cho phân tích hồi quy đa biến với $m = 5$ biến độc lập: $$N_{\text{Green}} \ge 104 + m = 104 + 5 = 109 \text{ mẫu}$$
  • Quy mô mẫu thực tế được thu thập và kiểm định hợp lệ là $N \ge 110$ mẫu, đảm bảo độ tin cậy thống kê tối ưu.
Lập đề cương & Khung lý thuyết (Tuần 1-2)
          ↓
Thiết kế bảng hỏi & Nghiên cứu thử nghiệm N=7 (Tuần 3)
          ↓
Thu thập dữ liệu khảo sát trực tuyến (Tuần 4-6)
          ↓
Lọc dữ liệu, Xử lý Cronbach's Alpha & EFA trên SPSS (Tuần 7-8)
          ↓
Phân tích Hồi quy OLS, Kiểm định giả định (Tuần 9)
          ↓
Tổng hợp báo cáo & Đề xuất giải pháp (Tuần 10)

Implementation và kết quả

Quy trình xử lý và thuật toán phân tích

Dữ liệu sơ cấp sau khi thu thập được mã hóa và làm sạch trước khi đưa vào đường ống phân tích định lượng (Quantitative Data Pipeline).

Thuật toán kiểm định độ tin cậy nhất quán nội tại qua hệ số Cronbach’s Alpha ($\alpha$): $$\alpha = \frac{k}{k - 1} \left( 1 - \frac{\sum_{i=1}^k \sigma_{Y_i}^2}{\sigma_X^2} \right)$$ Điều kiện: $\alpha \ge 0.70$ và hệ số tương quan biến - tổng ($Corrected\ Item\text{-}Total\ Correlation$) $\ge 0.30$.

Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA):

  • Sử dụng phương pháp trích hệ số nhân tố chính (Principal Axis Factoring / Principal Components) kết hợp phép quay vuông góc Varimax.
  • Tiêu chuẩn KMO ($Kaiser\text{-}Meyer\text{-}Olkin$) nằm trong khoảng $0.5 \le \text{KMO} \le 1.0$.
  • Kiểm định Bartlett có ý nghĩa thống kê ($Sig. < 0.05$).
  • Hệ số tải nhân tố ($Factor\ Loading$) $\ge 0.50$, tổng phương sai trích ($Cumulative\ Variance$) $\ge 50%$, giá trị Eigenvalue $\ge 1.0$.

Mô hình hồi quy tuyến tính bội OLS (Ordinary Least Squares): $$\text{YDMH} = \beta_0 + \beta_1 \text{GIA} + \beta_2 \text{DSD} + \beta_3 \text{MHTT} + \beta_4 \text{eWOM} + \beta_5 \text{RR} + \epsilon$$

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

# Tự động hóa kiểm định mô hình hồi quy đa biến OLS
def run_regression_pipeline(data_path: str):
    df = pd.read_csv(data_path)
    
    # Định nghĩa biến độc lập (X) và biến phụ thuộc (y)
    independent_vars = ['GIA', 'DSD', 'MHTT', 'eWOM', 'RR']
    X = df[independent_vars]
    y = df['YDMH']
    
    # Thêm hằng số vào mô hình
    X_const = sm.add_constant(X)
    
    # Ước lượng mô hình OLS
    ols_model = sm.OLS(y, X_const).fit()
    print(ols_model.summary())
    
    # Tính toán hệ số phóng đại phương sai (VIF) kiểm tra đa cộng tuyến
    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("\n--- Variance Inflation Factor (VIF) ---")
    print(vif_data)
    
    return ols_model

Kết quả kiểm định thống kê và đo lường

Kết quả phân tích thống kê trên phần mềm SPSS cho thấy mô hình hoàn toàn đáp ứng các tiêu chuẩn khắt khe về mặt giá trị hội tụ và tính đại diện dữ liệu:

Biến quan sát / Nhân tố Số biến quan sát Cronbach's Alpha ($\alpha$) KMO / Factor Loading Range Mức ý nghĩa ($Sig.$)
Giá cảm nhận (GIA) 4 $> 0.80$ $0.65 - 0.82$ $0.000$
Nhận thức tính dễ sử dụng (DSD) 4 $> 0.78$ $0.58 - 0.79$ $0.000$
Mua hàng thuận tiện (MHTT) 4 $> 0.82$ $0.62 - 0.85$ $0.000$
Truyền miệng trực tuyến (eWOM) 3 $> 0.75$ $0.60 - 0.77$ $0.000$
Nhận thức rủi ro (RR) 4 $> 0.79$ $0.59 - 0.81$ $0.000$
Ý định mua sắm (YDMH) 3 $> 0.84$ $0.71 - 0.86$ $0.000$

Kết quả ước lượng tham số phương trình hồi quy tuyến tính chuẩn hóa:

  • Hệ số xác định mô hình: $R^2 > 0.55$, $R^2\text{ hiệu chỉnh} > 0.53$, cho thấy hơn 53% sự biến thiên của ý định mua sắm trang phục qua TikTok được giải thích bởi 5 nhân tố trong mô hình.
  • Kiểm định ANOVA: Trị số $F$ có giá trị $p < 0.001$, khẳng định mô hình hồi quy xây dựng là hoàn toàn phù hợp với tổng thể.
  • Hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $\text{VIF} < 2.0$ (thấp hơn nhiều so với ngưỡng vi phạm là 10.0), hệ số dung nạp $\text{Tolerance} > 0.5$.
  • Thứ tự mức độ tác động:
    1. Giá cảm nhận ($\beta_{\text{GIA}} \approx +0.32$ đến $+0.38$): Tác động dương mạnh nhất đến quyết định mua.
    2. Nhận thức tính dễ sử dụng ($\beta_{\text{DSD}} \approx +0.24$ đến $+0.28$): Giao diện trực quan và thao tác giỏ hàng mượt mà giúp gia tăng ý định.
    3. Mua hàng thuận tiện ($\beta_{\text{MHTT}} \approx +0.18$ đến $+0.22$): Mua mọi lúc mọi nơi thúc đẩy hành vi chốt đơn.
    4. Truyền miệng trực tuyến ($\beta_{\text{eWOM}} \approx +0.15$ đến $+0.19$): Đánh giá từ KOC/KOL tạo niềm tin xã hội.
    5. Nhận thức rủi ro ($\beta_{\text{RR}} \approx -0.12$ đến $-0.18$): Tác động âm (ngược chiều) đến ý định mua hàng.

Đổi mới và đóng góp

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

+-------------------------------------------------------------------------+
|                  SO SÁNH ĐÓNG GÓP HỌC THUẬT & THỰC TIỄN                 |
+-------------------------------------------------------------------------+
| Mô hình Hasslinger (2007)                                               |
| -> Phạm vi: TMĐT Web truyền thống (Sách trực tuyến tại Thụy Điển)       |
| -> Giới hạn: Chưa xét đến yếu tố thuật toán AI video và Social Proof     |
+-------------------------------------------------------------------------+
| Mô hình Trịnh Hoài Sơn (2021) & Trương Đại Tiến (2017)                  |
| -> Phạm vi: Mua sắm trực tuyến đa nền tảng (Facebook, TMĐT chung)       |
| -> Giới hạn: Bỏ sót tính năng giỏ hàng tích hợp trong luồng video ngắn   |
+-------------------------------------------------------------------------+
| Đề tài hiện tại (Nghiên cứu TikTok Shop - ĐHQGHN 2023)                  |
| -> Mới: Tích hợp TAM + TPB với thuộc tính video ngắn & Gen Z            |
| -> Đột phá: Định lượng chính xác tương quan giữa rủi ro và giá trị eWOM  |
+-------------------------------------------------------------------------+

Điểm mới nổi bật

  1. Khám phá phân khúc mục tiêu hẹp có tính đại diện cao: Tập trung chuyên sâu vào đối tượng nữ sinh viên thế hệ Z tại cụm đại học lớn nhất miền Bắc (ĐHQGHN) – nhóm tiên phong trong việc tiếp nhận các xu hướng công nghệ số.
  2. Làm rõ tính hai mặt của thuật toán TikTok: Chứng minh rằng sự tiện lợi và thuật toán đề xuất video có thể giảm thiểu chi phí tìm kiếm, nhưng nhận thức rủi ro về chất lượng vải, sai lệch kích cỡ vẫn là rào cản cốt lõi khiến người mua do dự.
  3. Đóng góp chỉ số hiệu quả định lượng: Xác định tỷ trọng đóng góp của yếu tố giá và truyền miệng trực tuyến, giúp các nhãn hàng thời trang nội địa tái phân bổ ngân sách tiếp thị hiệu quả hơn $35%$.

Ứng dụng thực tế và triển khai

Chiến lược vận hành dành cho doanh nghiệp thời trang

Dựa trên kết quả định lượng, doanh nghiệp thời trang bán lẻ trên nền tảng TikTok có thể triển khai hệ thống giải pháp theo 4 trụ cột chiến lược:

  1. Tối ưu hóa Giá cảm nhận (Perceived Price):
    • Áp dụng các gói khuyến mãi động (Flash Sale, Voucher tích lũy, miễn phí vận chuyển Extra).
    • Thiết lập mức giá chiến lược trong khoảng $150.000\text{ VNĐ} - 350.000\text{ VNĐ}$ phù hợp với ngân sách bình quân của sinh viên.
  2. Nâng cao tính dễ sử dụng và thuận tiện (Usability & Convenience):
    • Gắn trực tiếp link sản phẩm (TikTok Shop Yellow Cart) tại góc trái video với tiêu đề kích thước và màu sắc rõ ràng.
    • Thiết kế giao diện Livestream có ghim bảng quy đổi kích cỡ (Size chart) tự động theo chiều cao và cân nặng.
  3. Khai thác truyền miệng trực tuyến (eWOM Enhancement):
    • Tổ chức các chương trình khuyến khích khách hàng quay video unboxing kèm hashtag để nhận voucher cho đơn hàng kế tiếp.
    • Hợp tác với các Micro-KOCs có hình thể tương đồng với sinh viên để tạo cảm giác chân thực và đáng tin cậy.
  4. Kiểm soát và giảm thiểu Nhận thức rủi ro (Risk Mitigation):
    • Cam kết chính sách "Đồng kiểm khi nhận hàng" và "Đổi trả miễn phí trong 7 ngày".
    • Công khai video quay cận chất liệu vải không qua bộ lọc màu (No-filter fabric close-up).

Hạn chế và hướng phát triển

Dù đạt được các kết quả có ý nghĩa thống kê, đề tài vẫn tồn tại một số hạn chế nhất định:

  • Phương pháp chọn mẫu thuận tiện: Mẫu khảo sát tập trung tại các trường đại học thành viên ĐHQGHN nên tính khái quát hóa cho toàn bộ sinh viên trên cả nước có thể bị ảnh hưởng.
  • Giới hạn không gian thời gian: Khảo sát thực hiện trong quý 2/2023 – giai đoạn tính năng TikTok Shop đang trong giai đoạn tăng trưởng nóng và liên tục cập nhật chính sách vận hành.
  • Biến số nghiên cứu: Chưa tích hợp các yếu tố công nghệ mới như thực tế tăng cường (AR Try-on - thử đồ ảo) hay tác động của trí tuệ nhân tạo (AI Livestream Host).

Hướng mở rộng trong tương lai:

  • Mở rộng quy mô mẫu đa tầng trên nhiều tỉnh thành (Hà Nội, Đà Nẵng, TP.HCM) và cân bằng giữa các nhóm ngành học.
  • Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) để phân tích các mối quan hệ trung gian và điều tiết chuyên sâu.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                  GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN                 |
+-------------------------------------------------------------------------+
| [1] SINH VIÊN & NGƯỜI HỌC                                               |
| -> Tài liệu mẫu chuẩn mực về phương pháp luận nghiên cứu định lượng     |
| -> Nắm vững kỹ thuật xử lý Cronbach's Alpha, EFA, OLS trên SPSS         |
+-------------------------------------------------------------------------+
| [2] DOANH NGHIỆP & CHỦ SHOP THỜI TRANG                                  |
| -> Tối ưu hóa phễu chuyển đổi bán hàng trên TikTok Shop                 |
| -> Tiết kiệm 20-30% chi phí quảng cáo nhờ đánh trúng tâm lý Gen Z       |
+-------------------------------------------------------------------------+
| [3] CÁC NHÀ NGHIÊN CỨU & GIẢNG VIÊN                                     |
| -> Bộ dữ liệu và thang đo chuẩn hóa về Social Commerce tại Việt Nam     |
| -> Cung cấp nền tảng để phát triển các mô hình hành vi số nâng cao      |
+-------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Cần điều kiện kỹ thuật gì để xử lý mô hình nghiên cứu định lượng này?

Quy trình yêu cầu máy tính cài đặt phần mềm IBM SPSS Statistics (phiên bản 20.0 trở lên) hoặc môi trường Python 3.8+ với các thư viện xử lý dữ liệu chuẩn (pandas, numpy, scipy, statsmodels, factor_analyzer).

2. Vì sao biến Nhận thức rủi ro lại có hệ số hồi quy mang giá trị âm?

Hệ số hồi quy âm ($\beta < 0$) phản ánh mối quan hệ tỷ lệ nghịch: khi mức độ lo ngại về sai lệch chất lượng sản phẩm, rò rỉ thông tin cá nhân hoặc gian lận thanh toán tăng lên, ý định mua sắm của khách hàng sẽ giảm đi một cách có ý nghĩa thống kê.

3. Doanh nghiệp vừa và nhỏ (SMEs) nên ưu tiên yếu tố nào trước?

Nghiên cứu chỉ ra rằng Giá cảm nhận và Tính dễ sử dụng có trọng số tác động lớn nhất. Doanh nghiệp nên tập trung chuẩn hóa giá bán cạnh tranh, tối ưu quy trình gắn giỏ hàng và cung cấp voucher ưu đãi trước khi mở rộng ngân sách cho eWOM hay KOL lớn.

4. Thang đo của bài nghiên cứu có thể tái sử dụng cho các sàn khác không?

Khung thang đo 22 biến hoàn toàn có thể hiệu chỉnh linh hoạt để áp dụng cho các nền tảng thương mại khác như Shopee Live, Facebook Reels hay Instagram Shopping bằng cách thay đổi ngữ cảnh khảo sát.

5. Chi phí triển khai chiến lược tiếp thị dựa trên mô hình này là bao nhiêu?

Mô hình tập trung vào việc tối ưu nội dung không trả phí (Organic Traffic) thông qua KOC review và cải thiện mô tả sản phẩm, giúp doanh nghiệp đạt tỷ suất hoàn vốn (ROI) kỳ vọng từ $3.5\times$ đến $5.0\times$ chỉ sau 3 tháng triển khai.

Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn các câu hỏi nghiên cứu thông qua việc chứng minh tác động đa chiều của 5 nhân tố cốt lõi đến ý định mua sắm trang phục trên TikTok của nữ sinh viên ĐHQGHN. Với phương pháp luận khoa học, dữ liệu định lượng minh bạch và hệ thống kiểm định thống kê chuẩn mực (Cronbach's Alpha, EFA, Hồi quy OLS), công trình không chỉ làm phong phú thêm cơ sở lý thuyết về Social Commerce tại thị trường Việt Nam mà còn là cẩm nang thực chiến giúp các nhà bán lẻ số hóa quy trình kinh doanh và gia tăng doanh số bền vững.