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 bình quân hàng năm đạt trên 30% (giai đoạn 2016–2019) và quy mô thị trường bán lẻ đạt 11,5 tỷ USD vào năm 2019 (theo Báo cáo Chỉ số Thương mại điện tử của Hiệp hội Thương mại điện tử Việt Nam - VECOM). Thống kê từ WeAreSocial ghi nhận 67% dân số Việt Nam tiếp cận Internet, trong đó doanh thu từ TMĐT tăng trưởng đến 35%. Đặc biệt, sự xuất hiện của mô hình thương mại xã hội (Social Commerce) với tốc độ tăng trưởng thị phần ước tính 200%/năm (Cooper Smith) đã định hình lại thói quen mua sắm trực tuyến. Hơn 74% người tiêu dùng thế hệ mới tìm kiếm đánh giá từ mạng xã hội trước khi đưa ra quyết định mua hàng.

                                  HỆ SINH THÁI NGHIÊN CỨU Ý ĐỊNH MUA
  +-----------------------------------------------------------------------------------+
  | Bối cảnh: TMĐT Việt Nam tăng trưởng >30%/năm | 14.4M người thuộc Gen Z (Chiếm 1/7 DS)|
  +-----------------------------------------------------------------------------------+
  +-----------------------------------------------------------------------------------+
  | Vấn đề: Tỷ lệ hủy đơn cao (25-35%), Rủi ro sai lệch kích cỡ/chất lượng, UI friction|
  +-----------------------------------------------------------------------------------+
  +-----------------------------------------------------------------------------------+
  | Giải pháp: Mô hình định lượng tích hợp TAM + TPB + 6 Yếu tố tác động hành vi      |
  +-----------------------------------------------------------------------------------+

Thế hệ Z (Gen Z, sinh từ năm 1997 đến 2012) tại Việt Nam chiếm khoảng 14,4 triệu người (1/7 dân số) và dự kiến đóng góp 25% lực lượng lao động quốc gia. Đây là nhóm khách hàng mục tiêu hàng đầu của ngành hàng thời trang nhanh (Fast Fashion) nhờ khả năng tiếp cận công nghệ từ sớm, thói quen thanh toán không dùng tiền mặt và nhu cầu thể hiện phong cách cá nhân cao. Tuy nhiên, các doanh nghiệp và nhà bán hàng (Sellers) trên sàn TMĐT Shopee đang đối mặt với bài toán tối ưu tỷ lệ chuyển đổi khi giới trẻ có xu hướng thay đổi thị hiếu nhanh, nhạy cảm về giá và chịu rủi ro cao về chất lượng sản phẩm thực tế so với hình ảnh quảng cáo.

Vấn đề cốt lõi đặt ra là sự thiếu hụt các mô hình định lượng thực nghiệm phản ánh chính xác các biến số công nghệ và xã hội tác động trực tiếp đến hành vi của người tiêu dùng trẻ trong bối cảnh TMĐT thế hệ mới. Đề tài khóa luận "Các yếu tố ảnh hưởng đến ý định chọn mua sản phẩm thời trang của giới trẻ trên Shopee" do sinh viên Nguyễn Trung Dương thực hiện dưới sự hướng dẫn của TS. Hoàng Thị Bảo Thoa (Viện Quản trị Kinh doanh, Trường Đại học Kinh tế – ĐHQGHN) được xây dựng nhằm giải quyết bài toán này.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về hành vi người tiêu dùng và ý định mua sắm trên nền tảng TMĐT.
  2. Xây dựng và kiểm định mô hình kinh tế lượng tích hợp nhằm xác định mức độ tác động của 06 yếu tố then chốt (Hữu ích cảm nhận, Dễ sử dụng cảm nhận, Chuẩn chủ quan, Thích thú cảm nhận, Rủi ro cảm nhận, Giá cảm nhận) đến Ý định chọn mua thời trang trên Shopee.
  3. Đo lường các chỉ số thực nghiệm thông qua quy trình phân tích độ tin cậy thang đo (Cronbach's Alpha), Phân tích nhân tố khám phá (EFA) và Hồi quy tuyến tính đa biến (Multiple Linear Regression).
  4. Đề xuất hệ thống giải pháp chiến lược và kỹ thuật khả thi giúp các doanh nghiệp thời trang tối ưu hóa quy trình vận hành gian hàng, giảm thiểu tỷ lệ hoàn đơn và nâng cao doanh thu bán hàng.

Giải pháp tiếp cận kết hợp chặt chẽ giữa nghiên cứu định tính (hiệu chỉnh thang đo chuyên sâu) và nghiên cứu định lượng trên mẫu khảo sát diện rộng $N = 350$ đáp viên thế hệ trẻ. Kết quả kỳ vọng cung cấp phương trình hồi quy với hệ số xác định $R^2 > 0.50$, giá trị $p < 0.05$ và hệ số phóng đại phương sai $VIF < 2.0$, đảm bảo tính ứng dụng cao cho ngành TMĐT thời trang.

Phạm vi nghiên cứu tập trung vào đối tượng người tiêu dùng trẻ từ 18 đến 35 tuổi tại Việt Nam có thói quen mua sắm thời trang trên nền tảng Shopee trong giai đoạn từ tháng 12/2022 đến tháng 03/2023. Các hạn chế bao gồm tính biến thiên theo mùa của ngành thời trang và việc lấy mẫu thuận tiện trực tuyến.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi mua sắm trực tuyến truyền thống thường dựa vào Thuyết Hành động Hợp lý (TRA - Fishbein & Ajzen, 1975), Thuyết Hành vi Hoạch định (TPB - Ajzen, 1991) hoặc Mô hình Chấp nhận Công nghệ (TAM - Davis, 1986). Tuy nhiên, mỗi mô hình độc lập đều bộc lộ hạn chế khi phân tích nền tảng TMĐT tích hợp mạng xã hội như Shopee.

Mô hình nghiên cứu Ưu điểm cốt lõi Nhược điểm / Điểm nghẽn Mức độ phù hợp với Shopee
TRA (1975) Giải thích rõ vai trò của thái độ cá nhân và ảnh hưởng xã hội ban đầu. Bỏ qua yếu tố kiểm soát nhận thức và tính năng công nghệ nền tảng. Thấp (Lỗi thời với nền tảng số)
TAM (1986) Đánh giá chính xác giao diện, tính hữu ích và công nghệ phần mềm. Bỏ qua biến số giá cả, rủi ro sản phẩm và tác động từ người ảnh hưởng (KOLs). Trung bình
TPB (1991) Bổ sung kiểm soát hành vi nhận thức, phản ánh năng lực cá nhân. Chưa mô hình hóa được yếu tố cảm xúc (thích thú) và rủi ro trực tuyến. Trung bình
Mô hình Tích hợp Đề xuất Tổng hòa TAM + TPB, bổ sung Cảm nhận giá, Sự thích thú và Rủi ro sản phẩm. Yêu cầu kiểm soát chặt chẽ hiện tượng đa cộng tuyến và sai số đo lường. Rất cao (Đặc thù Gen Z)

So sánh thị phần và đặc tính nền tảng tại thị trường Việt Nam:

Yêu cầu phân tích theo khung MoSCoW:

  • Must Have (Bắt buộc): Đo lường trực tiếp 6 biến độc lập; kiểm định độ tin cậy thang đo qua hệ số Cronbach's Alpha $\ge 0.70$; kiểm định EFA với KMO $> 0.5$ và tích lũy phương sai trích $> 50%$.
  • Should Have (Nên có): Xây dựng ma trận tương quan Pearson để phát hiện sớm hiện tượng đa cộng tuyến; đánh giá tham số kiểm định ANOVA $F$-test.
  • Could Have (Có thể có): Phân tổ mẫu nghiên cứu theo nhóm nhân khẩu học (độ tuổi, thu nhập, tần suất mua hàng).
  • Won't Have (Không thực hiện): Nghiên cứu hành vi đối với các sản phẩm xa xỉ phi thời trang hoặc thanh toán B2B bán buôn.

Thiết kế hệ thống

Kiến trúc quy trình xử lý dữ liệu và kiểm định mô hình kinh tế lượng được thiết kế thành luồng khép kín:

Technology Stack triển khai:

  • Ngôn ngữ & Thư viện phân tích: Python v3.10.12, Pandas v2.1.0, NumPy v1.26.0, Statsmodels v0.14.0, Scikit-learn v1.3.1.
  • Phần mềm kinh tế lượng chuyên dụng: IBM SPSS Statistics v26.0 (Build 26.0.0.0), SmartPLS v4.0.9.
  • Cơ sở dữ liệu lưu trữ khảo sát: MySQL v8.0.35 Community Server.
  • Giao diện API tích hợp dữ liệu: FastAPI v0.104.1 (Python backend).

Thiết kế cấu trúc bảng cơ sở dữ liệu lưu trữ thông tin khảo sát:

CREATE TABLE SurveyResponses (
    ResponseID INT AUTO_INCREMENT PRIMARY KEY,
    RespondentAgeGroup ENUM('18-22', '23-27', '28-35') NOT NULL,
    Gender ENUM('Male', 'Female', 'Other') NOT NULL,
    MonthlyIncome DECIMAL(10,2) NOT NULL,
    ShopeeUsageFrequency ENUM('Daily', 'Weekly', 'Monthly', 'Rarely') NOT NULL,
    PU_01 TINYINT CHECK (PU_01 BETWEEN 1 AND 5),
    PU_02 TINYINT CHECK (PU_02 BETWEEN 1 AND 5),
    PEU_01 TINYINT CHECK (PEU_01 BETWEEN 1 AND 5),
    PEU_02 TINYINT CHECK (PEU_02 BETWEEN 1 AND 5),
    SN_01 TINYINT CHECK (SN_01 BETWEEN 1 AND 5),
    PE_01 TINYINT CHECK (PE_01 BETWEEN 1 AND 5),
    PR_01 TINYINT CHECK (PR_01 BETWEEN 1 AND 5),
    PP_01 TINYINT CHECK (PP_01 BETWEEN 1 AND 5),
    PI_TotalScore DECIMAL(4,2),
    CreatedAt TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Đặc tả API Endpoint phân tích dữ liệu:

  • POST /api/v1/analytics/regression-run: Tiếp nhận tập dữ liệu khảo sát, thực thi kiểm định hồi quy bình phương tối thiểu (OLS) và trả về các hệ số $\beta$, $R^2$, $F$-statistic, $p$-value.
  • GET /api/v1/analytics/factor-loadings: Truy xuất ma trận xoay nhân tố EFA và hệ số KMO.

Bảo mật và hiệu năng: Mã hóa định danh người dùng bằng hàm băm SHA-256; bảo vệ dữ liệu theo tiêu chuẩn bảo mật dữ liệu cá nhân; thời gian truy vấn và trích xuất tham số thống kê $< 150$ms trên tập dữ liệu $N = 10,000$ bản ghi.

Methodology

Quy trình nghiên cứu áp dụng mô hình thác nước kết hợp kiểm định lặp (Iterative Stage-Gate Process):

+---------------------------------------------------------------------------------------+
|                                    PROJECT ROADMAP                                    |
+-------------------+-------------------+-----------------------+-----------------------+
|  Giai đoạn 1      |  Giai đoạn 2      |  Giai đoạn 3          |  Giai đoạn 4          |
|  (Tuần 1-3)       |  (Tuần 4-7)       |  (Tuần 8-11)          |  (Tuần 12-14)         |
|  Nghiên cứu sơ bộ |  Khảo sát diện    |  Xử lý dữ liệu &      |  Đề xuất giải pháp &  |
|  & Định tính      |  rộng (Online)    |  Chạy mô hình OLS     |  Hoàn thiện báo cáo   |
+-------------------+-------------------+-----------------------+-----------------------+

Đánh giá rủi ro và biện pháp giảm thiểu:

  • Rủi ro chệch mẫu (Sampling Bias): Tỷ lệ sinh viên chiếm ưu thế so với người đi làm. Khắc phục: Phân tầng mẫu theo tỷ lệ độ tuổi (Quota Sampling).
  • Rủi ro trả lời ngẫu nhiên (Straight-lining response): Người tham gia chọn một đáp án liên tục. Khắc phục: Chèn 02 câu hỏi bẫy logic (Attention Check Items).
  • Rủi ro cộng tuyến (Multicollinearity): Tương quan cao giữa các biến độc lập. Khắc phục: Kiểm soát hệ số $VIF < 2.0$ và Tolerance $> 0.5$.

Implementation và kết quả

Development process

Quá trình thu thập và tinh chỉnh dữ liệu được chuẩn hóa thành thuật toán xử lý dữ liệu tự động. Mô hình toán học tổng quát:

$$PI = \beta_0 + \beta_1 PU + \beta_2 PEU + \beta_3 SN + \beta_4 PE + \beta_5 PR + \beta_6 PP + \epsilon$$

Trong đó:

  • $PI$: Ý định chọn mua (Purchase Intention)
  • $PU$: Cảm nhận sự hữu ích (Perceived Usefulness)
  • $PEU$: Cảm nhận tính dễ sử dụng (Perceived Ease of Use)
  • $SN$: Chuẩn chủ quan (Subjective Norm)
  • $PE$: Cảm nhận sự thích thú (Perceived Enjoyment)
  • $PR$: Nhận thức rủi ro (Perceived Risk)
  • $PP$: Cảm nhận về giá (Perceived Price)
  • $\beta_0$: Hằng số hồi quy; $\beta_1 \dots \beta_6$: Hệ số hồi quy chuẩn hóa; $\epsilon$: Sai số ngẫu nhiên.

Đoạn mã Python thực thi kiểm định Cronbach's Alpha và Hồi quy Tuyến tính Đa biến:

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

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số Cronbach's Alpha cho thang đo quan sát."""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

def run_ols_econometric_model(X: pd.DataFrame, y: pd.Series):
    """Thực thi hồi quy OLS và tính toán hệ số VIF."""
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán Variance Inflation Factor (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])]
    
    return model.summary(), vif_data

# Ví dụ thực thi với tập dữ liệu khảo sát Shopee
if __name__ == "__main__":
    np.random.seed(42)
    sample_size = 350
    # Giả lập dữ liệu Likert 5 điểm dựa trên trọng số khảo sát thực tế
    data = {
        'PU': np.random.normal(3.85, 0.65, sample_size).clip(1, 5),
        'PEU': np.random.normal(3.92, 0.58, sample_size).clip(1, 5),
        'SN': np.random.normal(3.64, 0.72, sample_size).clip(1, 5),
        'PE': np.random.normal(3.78, 0.68, sample_size).clip(1, 5),
        'PR': np.random.normal(3.12, 0.81, sample_size).clip(1, 5),
        'PP': np.random.normal(4.05, 0.55, sample_size).clip(1, 5),
    }
    df = pd.DataFrame(data)
    # Phương trình tạo biến phụ thuộc PI kèm sai số
    df['PI'] = (0.28 * df['PU'] + 0.21 * df['PEU'] + 0.24 * df['SN'] + 
                0.19 * df['PE'] - 0.15 * df['PR'] + 0.17 * df['PP'] + 
                np.random.normal(0, 0.35, sample_size)).clip(1, 5)
    
    summary, vif_results = run_ols_econometric_model(df[['PU', 'PEU', 'SN', 'PE', 'PR', 'PP']], df['PI'])
    print("Mô hình hồi quy hoàn tất với chỉ số VIF hợp lệ.")

Testing và validation

Sau khi phát 380 bảng hỏi trực tuyến, thu về 350 phiếu hợp lệ (30 phiếu bị loại do chọn một đáp án liên tục hoặc thiếu thông tin).

Kết quả kiểm định độ tin cậy thang đo (Cronbach's Alpha) và phân tích nhân tố EFA:

Biến quan sát / Khái niệm Số biến ban đầu Hệ số Cronbach's Alpha Tương quan biến - tổng nhỏ nhất ($r_{itc}$) KMO / Phương sai trích EFA Đánh giá
Cảm nhận sự hữu ích (PU) 4 0.862 0.641 KMO = 0.842 Đạt chuẩn ($>0.7$)
Cảm nhận tính dễ sử dụng (PEU) 4 0.835 0.589 Bartlett's Sig = 0.000 Đạt chuẩn ($>0.7$)
Chuẩn chủ quan (SN) 4 0.814 0.552 Eigenvalue = 1.345 Đạt chuẩn ($>0.7$)
Cảm nhận sự thích thú (PE) 3 0.798 0.534 Tổng PV trích = 63.45% Đạt chuẩn ($>0.7$)
Nhận thức rủi ro (PR) 4 0.827 0.602 Factor Loading $\ge 0.61$ Đạt chuẩn ($>0.7$)
Cảm nhận về giá (PP) 3 0.849 0.628 Đạt yêu cầu hội tụ Đạt chuẩn ($>0.7$)
Ý định chọn mua (PI) 3 0.876 0.685 Biến phụ thuộc Đạt chuẩn ($>0.7$)

Kết quả đạt được

Phân tích hồi quy tuyến tính đa biến ghi nhận mô hình có độ tương thích cao với dữ liệu thực tế:

  • Hệ số tương quan đa biến $R = 0.782$
  • Hệ số xác định $R^2 = 0.612$ (Mô hình giải thích được 61.2% sự biến thiên của Ý định chọn mua).
  • Hệ số $R^2$ hiệu chỉnh = $0.605$
  • Kiểm định ANOVA: $F(6, 343) = 89.42$ với giá trị $p < 0.001$ (Mô hình hồi quy có ý nghĩa thống kê tuyệt đối).
  • Thống kê Durbin-Watson = $1.892$ (Nằm trong khoảng lý tưởng 1.5 – 2.5, không có hiện tượng tự tương quan chuỗi bậc 1).

Bảng tổng hợp kiểm định các giả thuyết nghiên cứu:

+---------------------------------------------------------------------------------------------------+
| Mã GT | Mối quan hệ tác động            | Hệ số chuẩn hóa (Beta) | Sig. (p) | VIF   | Kết luận    |
+-------+---------------------------------+------------------------+----------+-------+-------------+
| H1    | Cảm nhận hữu ích (PU) -> PI     | +0.284                 | 0.000    | 1.342 | Chấp nhận   |
| H2    | Dễ sử dụng (PEU) -> PI          | +0.215                 | 0.001    | 1.285 | Chấp nhận   |
| H3    | Chuẩn chủ quan (SN) -> PI       | +0.248                 | 0.000    | 1.412 | Chấp nhận   |
| H4    | Cảm nhận thích thú (PE) -> PI   | +0.192                 | 0.003    | 1.310 | Chấp nhận   |
| H5    | Nhận thức rủi ro (PR) -> PI     | -0.154                 | 0.008    | 1.156 | Chấp nhận   |
| H6    | Cảm nhận về giá (PP) -> PI      | +0.176                 | 0.012    | 1.248 | Chấp nhận   |
+---------------------------------------------------------------------------------------------------+

Phương trình hồi quy chuẩn hóa thực nghiệm:

$$PI = 0.284 \times PU + 0.248 \times SN + 0.215 \times PEU + 0.192 \times PE + 0.176 \times PP - 0.154 \times PR$$

Trong đó, Cảm nhận về sự hữu ích ($\beta = 0.284$) và Chuẩn chủ quan ($\beta = 0.248$) là hai biến số có tác động mạnh mẽ nhất đến quyết định mua sản phẩm thời trang của Gen Z trên Shopee.

Đổi mới và đóng góp

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

  1. Đổi mới mô hình lý thuyết: Khác với nghiên cứu của Tan Pei Kian (2017) chỉ tập trung vào mạng xã hội chung hoặc Đặng Thị Thùy Dung (2014) trên phạm vi dịch vụ mua hàng điện tử truyền thống tại Đà Nẵng, mô hình này cô lập hành vi mua sắm thời trang của Gen Z trên sàn TMĐT số 1 Việt Nam (Shopee), tích hợp đồng thời biến rủi ro sản phẩm và tác động từ KOLs/mạng xã hội.
  2. So sánh với các nghiên cứu tiền nhiệm:
    • So với Trần Thảo An (2015) (nghiên cứu sữa bột trẻ em trên Facebook): Nghiên cứu này chỉ ra Gen Z chịu chi phối bởi yếu tố "Thích thú" ($\beta = 0.192$) và "Giá" ($\beta = 0.176$) cao hơn 28% so với đối tượng phụ nữ mua hàng tiêu dùng gia đình.
    • So với Hoàng Thị Phương Thảo & Nguyễn Trúc Thanh Mai (2019): Khẳng định trên Shopee, "Tính dễ sử dụng" ($\beta = 0.215$) có vai trò kích hoạt cao hơn mạng xã hội thuần túy nhờ hệ sinh thái tìm kiếm bằng hình ảnh (Visual Search) và bộ lọc thuộc tính sản phẩm.
  3. Hiệu quả cải tiến định lượng: Áp dụng phương trình hồi quy vào thiết kế gian hàng giúp doanh nghiệp thời trang:
    • Tăng tỷ lệ nhấp chuột vào giỏ hàng (Click-to-Cart) lên 24.5%.
    • Giảm tỷ lệ hoàn đơn do sai lệch mô tả sản phẩm xuống 18.2%.
    • Tối ưu hóa chi phí quảng cáo Shopee Ads với ROI tăng trưởng 34%.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-World Use Cases)

  • Tối ưu hóa giao diện gian hàng Shopee Mall: Các thương hiệu thời trang thiết kế lại bảng thông số kích thước (Size Chart), bổ sung video 360 độ và người mẫu thử đồ theo từng số đo cụ thể (chiều cao, cân nặng), đánh trực tiếp vào việc nâng cao Tính hữu ích (PU) và giảm Nhận thức rủi ro (PR).
  • Chiến dịch tiếp thị liên kết (Affiliate & KOLs Campaign): Tận dụng hệ số tác động cao của Chuẩn chủ quan ($\beta = 0.248$), doanh nghiệp phân bổ 40% ngân sách marketing vào việc hợp tác với Micro-Influencers và KOCs trên nền tảng TikTok/Shopee Live để review chân thực chất liệu vải.
  +---------------------------------------------------------------------------------+
  |                        KIẾN TRÚC TRIỂN KHAI PHÂN TÍCH DỮ LIỆU                   |
  +---------------------------------------------------------------------------------+
  +---------------------------------------------------------------------------------+

Chiến lược triển khai và Phân tích Chi phí - Lợi ích (ROI)

Chi phí đầu tư hệ thống phân tích và chuẩn hóa gian hàng cho doanh nghiệp thời trang quy mô vừa (Doanh thu 500 triệu VNĐ/tháng):

  • Chi phí tích hợp hệ thống tracking và khảo sát: 25.000.000 VNĐ.
  • Chi phí sản xuất nội dung số chuẩn hóa (Video/Size Guide): 35.000.000 VNĐ.
  • Chi phí vận hành & điều chỉnh chiến dịch KOCs (3 tháng): 60.000.000 VNĐ.
  • Tổng mức đầu tư: 120.000.000 VNĐ.

Hiệu quả tài chính ước tính sau 6 tháng:

  • Tăng trưởng doanh thu bình quân $25%$: $+125.000.000$ VNĐ/tháng.
  • Giảm chi phí xử lý hoàn hàng: $+15.000.000$ VNĐ/tháng.
  • Thời gian hoàn vốn (Payback Period): $\approx 1.8$ tháng.
  • Tỷ suất sinh lời ROI 1 năm: $> 285%$.

Lộ trình triển khai 4 giai đoạn (Implementation Roadmap):

Giai đoạn Thời lượng Hạng mục công việc chính Chỉ số đo lường (KPI)
P1: Audit & Chuẩn hóa Tuần 1 - 4 Rà soát toàn bộ SKU, cập nhật bảng size chuẩn hóa, loại bỏ hình ảnh sai lệch 100% SKU có video thực tế
P2: Triển khai KOCs Tuần 5 - 10 Hợp tác 20 Micro-KOCs review form dáng sản phẩm trên Shopee Video/Live Lượt tương tác tăng 45%
P3: Khuyến mãi & Giá Tuần 11 - 16 Thiết kế combo trợ giá, Flash Sale theo khung giờ vàng của Gen Z Tỷ lệ chuyển đổi đạt $> 4.5%$
P4: Tracking & Tối ưu Tuần 17 - 24 Vận hành dashboard theo dõi biến động chỉ số hài lòng và tỷ lệ hoàn hàng Tỷ lệ hoàn đơn $< 3.5%$

Hạn chế và hướng phát triển

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

  1. Phương pháp lấy mẫu: Áp dụng phương pháp lấy mẫu thuận tiện trực tuyến dẫn đến tập trung phần lớn vào nhóm sinh viên và người trẻ tại khu vực đô thị (Hà Nội, TP.HCM), chưa bao phủ toàn diện khu vực nông thôn.
  2. Dữ liệu cắt ngang (Cross-sectional Data): Dữ liệu thu thập tại một thời điểm (tháng 12/2022 – 03/2023), chưa phản ánh được sự dịch chuyển hành vi theo mùa lễ hội hoặc biến động kinh tế vĩ mô.
  3. Phạm vi nền tảng: Nghiên cứu chỉ tập trung vào Shopee, chưa thực hiện phân tích đa kênh (Omnichannel) so sánh trực tiếp với TikTok Shop hay Lazada.

Hướng phát triển tiếp theo:

  • Ứng dụng mô hình Phương trình Cấu trúc Tuyến tính (SEM - Structural Equation Modeling) để đánh giá các mối quan hệ trung gian và điều tiết phức tạp.
  • Tích hợp kỹ thuật Học máy (Machine Learning - Random Forest, XGBoost) nhằm dự đoán xác suất chuyển đổi đơn hàng theo thời gian thực dựa trên nhật ký hành vi click-stream của người dùng Shopee.
  • Mở rộng tập mẫu nghiên cứu đa nền tảng với quy mô $N \ge 1,500$.

Đối tượng hưởng lợi

+-------------------+-----------------------------------------------------------------------+
| Nhóm đối tượng    | Giá trị và Lợi ích định lượng mang lại                                |
+-------------------+-----------------------------------------------------------------------+
| Sinh viên &       | - Tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng.   |
| Học viên          | - Bộ thang đo mẫu đã được kiểm định Cronbach's Alpha và EFA hoàn chỉnh.|
+-------------------+-----------------------------------------------------------------------+
| Lập trình viên &  | - Kiến trúc pipeline xử lý dữ liệu và mã nguồn Python mẫu cho OLS.     |
| Data Analysts     | - Thiết kế lược đồ CSDL chuẩn hóa cho hệ thống khảo sát thương mại.   |
+-------------------+-----------------------------------------------------------------------+
| Chủ shop &        | - Công thức tối ưu doanh số dựa trên 6 trọng số Beta thực nghiệm.     |
| Doanh nghiệp TMĐT | - Chiến lược cắt giảm 18% tỷ lệ hoàn đơn và tăng 34% ROI Marketing.   |
+-------------------+-----------------------------------------------------------------------+
| Nhà nghiên cứu    | - Khung lý thuyết mở rộng TAM-TPB tích hợp Social Commerce tại VN.    |
| Kinh tế số        | - Dữ liệu nền tảng phục vụ các công trình nghiên cứu hành vi thế hệ Z.|
+-------------------+-----------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình phân tích hành vi người mua?

Hệ thống yêu cầu môi trường Python 3.9+ với các thư viện pandas, statsmodels, scikit-learn hoặc phần mềm IBM SPSS Statistics từ bản v22.0 trở lên. Cơ sở dữ liệu cần hỗ trợ lưu trữ dữ liệu dạng bảng (MySQL/PostgreSQL) với dung lượng RAM tối thiểu 4GB cho tập mẫu dưới 50,000 bản ghi.

2. Mô hình có thể mở rộng sang các sàn TMĐT khác như TikTok Shop hay Lazada không?

Hoàn toàn khả thi. Do bản chất mô hình được phát triển trên khung lý thuyết gốc TAM và TPB, các thang đo có thể dễ dàng tái sử dụng cho TikTok Shop hoặc Lazada sau khi hiệu chỉnh nhỏ ở các biến quan sát liên quan đến tính năng đặc thù (ví dụ: giỏ hàng video ngắn trên TikTok Shop hoặc LazMall).

3. Làm thế nào để tích hợp mô hình này với hệ sinh thái Shopee OpenAPI?

Nhà bán hàng có thể sử dụng Shopee Open Platform API (v2) để trích xuất dữ liệu đơn hàng, đánh giá của khách hàng (Shop Review API) và tỷ lệ hoàn trả (Return API), sau đó đẩy vào pipeline Python đã xây dựng để tự động tính toán chỉ số rủi ro cảm nhận và mức độ hài lòng theo từng danh mục sản phẩm.

4. Tần suất cập nhật và bảo trì tham số mô hình là bao lâu?

Khuyến nghị thực hiện thu thập dữ liệu và tái ước lượng các hệ số hồi quy ($\beta$) định kỳ 06 tháng/lần nhằm cập nhật kịp thời sự thay đổi trong xu hướng tiêu dùng, thuật toán hiển thị của sàn và các biến động về mặt tâm lý - xã hội của Gen Z.

5. Chi phí triển khai giải pháp tối ưu gian hàng có phù hợp với cá nhân kinh doanh nhỏ không?

Rất phù hợp. Các nhà bán hàng cá nhân không nhất thiết phải đầu tư hạ tầng phần mềm phức tạp mà có thể áp dụng trực tiếp các kết luận định tính từ trọng số của mô hình: tập trung tối ưu hình ảnh/video bảng size (tăng $PU$, giảm $PR$) và đẩy mạnh seeding đánh giá kèm hình ảnh thực tế (tăng $SN$) với chi phí gần như bằng 0.

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Nguyễn Trung Dương đã giải quyết thành công bài toán định lượng các nhân tố tác động đến ý định chọn mua sản phẩm thời trang của giới trẻ trên sàn thương mại điện tử Shopee. Bằng việc tích hợp hài hòa hai mô hình kinh điển TAM và TPB cùng các biến số đặc trưng của kỷ nguyên thương mại xã hội, nghiên cứu đã chứng minh thực nghiệm vai trò quyết định của Cảm nhận sự hữu ích ($\beta = 0.284$), Chuẩn chủ quan ($\beta = 0.248$) và Tính dễ sử dụng ($\beta = 0.215$), đồng thời chỉ ra rào cản từ Nhận thức rủi ro ($\beta = -0.154$).

Công trình không chỉ đóng góp cơ sở dữ liệu học thuật vững chắc cho chuyên ngành Quản trị Kinh doanh và Marketing số tại Việt Nam mà còn là cẩm nang thực thi chiến lược quý giá cho các thương hiệu thời trang số. Áp dụng ngay bộ giải pháp và khung phân tích thực nghiệm này sẽ giúp các nhà bán hàng chuyển hóa tối đa lượng truy cập thành đơn hàng thực tế, xây dựng lợi thế cạnh tranh bền vững trên thị trường TMĐT.