Giới thiệu dự án

Thị trường bán lẻ thời trang Việt Nam đang chứng kiến sự chuyển dịch cơ cấu người tiêu dùng mạnh mẽ khi thế hệ Gen Z (sinh từ năm 1995 đến năm 2012) dần trở thành lực lượng tiêu dùng chủ chốt. Theo báo cáo từ Statista, Gen Z chiếm xấp xỉ 25% dân số toàn cầu với sức mua độc lập đạt hơn 360 tỷ USD. Tại Việt Nam, đặc biệt là trung tâm kinh tế TP. Hồ Chí Minh, Gen Z là nhóm khách hàng tiên phong định hình xu hướng tiêu dùng với mức độ sẵn sàng chi tiêu cho sản phẩm may mặc, phụ kiện vượt trội so với các danh mục giải trí khác.

Tuy nhiên, các doanh nghiệp thời trang nội địa (Local Brands) và các nhà phân phối quốc tế đang đối mặt với bài toán nan giải: hành vi tiêu dùng của Gen Z biến động nhanh chóng, vòng đời xu hướng bị rút ngắn dưới tác động của mạng xã hội, và độ trung thành thương hiệu ở mức thấp. Các mô hình tiếp thị truyền thống không còn duy trì được hiệu quả chuyển đổi đơn hàng khi chưa lượng hóa chính xác mức độ tác động của các nhân tố như chương trình khuyến mãi, truyền miệng điện tử (eWOM) hay ý thức đổi mới thời trang.

Mục tiêu nghiên cứu

  1. Xác định các yếu tố cốt lõi cấu thành nên quyết định và ý định mua sắm sản phẩm thời trang của người tiêu dùng Gen Z tại địa bàn TP. Hồ Chí Minh.
  2. Đo lường và lượng hóa mức độ ảnh hưởng của từng biến số thông qua các chỉ số thống kê thực nghiệm (Beta chuẩn hóa, hệ số tương quan, mức ý nghĩa thống kê p-value).
  3. Đề xuất hệ thống hàm ý quản trị và chiến lược kinh doanh dựa trên dữ liệu thực chứng nhằm tối ưu hóa tỷ lệ chuyển đổi cho các doanh nghiệp bán lẻ thời trang.

Hướng tiếp cận giải pháp

Nghiên cứu áp dụng thiết kế nghiên cứu kết hợp (Mixed Methods Research Design) dựa trên nền tảng ba lý thuyết hành vi kinh điển:

  • Thuyết hành động hợp lý (TRA - Theory of Reasoned Action) của Ajzen & Fishbein (1980).
  • Thuyết hành vi có kế hoạch (TPB - Theory of Planned Behavior) của Ajzen (1991).
  • Mô hình chấp nhận công nghệ (TAM - Technology Acceptance Model) của Davis (1989).

Dữ liệu sơ cấp được thu thập qua khảo sát trực tuyến cấu trúc thang đo Likert 5 điểm, sau đó được làm sạch và xử lý bằng phần mềm phân tích thống kê IBM SPSS Statistics.

Kết quả kỳ vọng và Phạm vi nghiên cứu

  • Kết quả đo lường: Thu thập mẫu tối thiểu $N \ge 300$, hệ số tin cậy thang đo Cronbach's Alpha $\ge 0.70$, phương sai trích EFA $\ge 50%$, xây dựng phương trình hồi quy đa biến có mức ý nghĩa $p < 0.05$.
  • Phạm vi không gian: Người tiêu dùng thuộc thế hệ Gen Z (độ tuổi 13–28) đang sinh sống, học tập và làm việc tại TP. Hồ Chí Minh.
  • Phạm vi thời gian: Quá trình thiết kế thang đo, thu thập và phân tích dữ liệu thực hiện trong 10 tuần (tháng 06/2023 – tháng 08/2023).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi tiêu dùng thời trang thường được tiếp cận qua nhiều góc độ khác nhau. Bảng phân tích dưới đây đối chiếu các phương pháp nghiên cứu phổ biến:

Tiêu chí Khảo sát định tính truyền thống (Focus Group) Phân tích hồi quy OLS (Đề tài thực hiện) Khai phá dữ liệu hành vi (Big Data Mining)
Chi phí triển khai Trung bình - Cao Thấp - Tối ưu hóa Rất cao
Tính khái quát hóa Thấp (Mẫu nhỏ $N < 30$) Cao ($N = 311$, chuẩn thống kê) Rất cao (Hàng triệu log data)
Độ tin cậy thang đo Khó định lượng trực tiếp Kiểm định qua Cronbach's Alpha & EFA Phụ thuộc thuật toán phân lớp
Khả năng ứng dụng Khám phá insight sơ bộ Đưa ra trọng số quyết định cho chiến dịch Đề xuất sản phẩm tự động (Recommendation)

Ma trận ưu tiên yêu cầu nghiên cứu (MoSCoW)

  • Must have (Bắt buộc): Đảm bảo tính đơn hướng và giá trị hội tụ của thang đo qua hệ số tải EFA $> 0.5$; loại bỏ hiện tượng đa cộng tuyến với $VIF < 3.0$.
  • Should have (Nên có): Phân tầng nhân khẩu học chi tiết (nhóm tuổi, thu nhập, tần suất mua sắm) để nhận diện phân khúc khách hàng mục tiêu.
  • Could have (Có thể có): Xây dựng pipeline xử lý dữ liệu tự động bằng Python phục vụ tái kiểm định mô hình.
  • Won't have (Không thực hiện): Khảo sát người tiêu dùng thuộc các thế hệ khác (Gen Y, Gen X) hoặc địa bàn ngoài TP. Hồ Chí Minh trong phạm vi đợt khảo sát này.

Thiết kế hệ thống

Kiến trúc quy trình phân tích định lượng được mô hình hóa qua sơ đồ sau:

Ngăn xếp công nghệ (Technology Stack)

  • Công cụ khảo sát: Google Forms API / Web Interface (Thu thập dữ liệu thời gian thực).
  • Phần mềm xử lý thống kê chính: IBM SPSS Statistics version 28.0.1.
  • Ngôn ngữ phân tích & tự động hóa bổ trợ: Python v3.10.12 (pandas v2.0.3, statsmodels v0.14.0, scikit-learn v1.3.0, matplotlib v3.7.2).
  • Xử lý bảng tính & Trực quan hóa phụ trợ: Microsoft Excel 2021.

Thiết kế cấu trúc dữ liệu và Từ điển biến số (Data Schema)

Ký hiệu biến Tên nhân tố Số quan sát Thang đo Nguồn trích dẫn gốc
HATT Hình ảnh thương hiệu 3 biến (HATT1 - HATT3) Likert 5 điểm (1-5) Nguyễn Thị Kim Oanh & Đàm Trí Cường (2022)
CTKM Chương trình khuyến mãi 4 biến (CTKM1 - CTKM4) Likert 5 điểm (1-5) Lam et al. (2017)
TMDT Truyền miệng điện tử (eWOM) 4 biến (TMDT1 - TMDT4) Likert 5 điểm (1-5) Kudeshia & Kumar (2017); Jalilvand (2012)
DMTT Đổi mới thời trang 4 biến (DMTT1 - DMTT4) Likert 5 điểm (1-5) Rahman et al. (2014); Lam et al. (2017)
YTTT Ý thức về thời trang 4 biến (YTTT1 - YTTT4) Likert 5 điểm (1-5) Lam et al. (2017)
YDM Ý định mua hàng (Phụ thuộc) 3 biến (YDM1 - YDM3) Likert 5 điểm (1-5) Lâm Ngọc Thùy (2021)

Phương pháp luận (Methodology)

Nghiên cứu triển khai theo mô hình tuyến tính 4 giai đoạn trong thời gian 10 tuần:

  1. Giai đoạn 1 (Tuần 1 - Tuần 2): Tổng quan lý thuyết, xây dựng mô hình sơ bộ với 5 giả thuyết ($H_1 \to H_5$).
  2. Giai đoạn 2 (Tuần 3 - Tuần 4): Nghiên cứu định tính qua phỏng vấn thử nghiệm ($N=10$) nhằm tinh chỉnh câu chữ bảng hỏi; thiết lập form thu thập số liệu.
  3. Giai đoạn 3 (Tuần 5 - Tuần 7): Khảo sát diện rộng, thu được 350 phản hồi; tiến hành lọc dữ liệu theo tiêu chuẩn kiểm tra bẫy câu hỏi và độ nhất quán.
  4. Giai đoạn 4 (Tuần 8 - Tuần 10): Phân tích định lượng trên mẫu hợp lệ $N=311$; kiểm định mô hình và viết báo cáo hàm ý quản trị.

Implementation và kết quả

Quy trình phát triển và Thuật toán cốt lõi

Quy trình xử lý dữ liệu được chuẩn hóa thông qua các thuật toán thống kê toán học:

1. Hệ số tin cậy Cronbach's Alpha ($\alpha$)

$$\alpha = \frac{K}{K - 1} \left(1 - \frac{\sum_{i=1}^K \sigma_{Y_i}^2}{\sigma_X^2}\right)$$ Trong đó $K$ là số biến quan sát, $\sigma_{Y_i}^2$ là phương sai của biến quan sát thứ $i$, và $\sigma_X^2$ là tổng phương sai của toàn bộ thang đo. Tiêu chuẩn chấp nhận: $\alpha \ge 0.70$ và Corrected Item-Total Correlation $\ge 0.30$.

2. Chỉ số KMO (Kaiser-Meyer-Olkin) & Kiểm định Bartlett

Chỉ số KMO đánh giá độ thích hợp của mẫu đối với phân tích nhân tố khám phá: $$KMO = \frac{\sum \sum_{j \neq k} r_{jk}^2}{\sum \sum_{j \neq k} r_{jk}^2 + \sum \sum_{j \neq k} p_{jk}^2}$$ Với $r_{jk}$ là hệ số tương quan đơn giản và $p_{jk}$ là hệ số tương quan riêng phần. Điều kiện hợp lệ: $0.5 \le KMO \le 1.0$ và $Sig. \text{ Bartlett} < 0.05$.

3. Pipeline phân tích dữ liệu thực thi (Python Script Reference)

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

# 1. Load cleaned empirical dataset (N=311)
df = pd.read_csv("genz_fashion_survey_n311.csv")

# 2. Define dependent and restructured independent factors from EFA
X_vars = ['YT_FashionNovelty', 'CTKM_Promotion', 'TMDT_eWOM', 'HATT_BrandImage', 'DMTT_Innovativeness']
X = df[X_vars]
y = df['YDM_PurchaseIntention']

# Add constant intercept for OLS regression
X_with_const = sm.add_constant(X)

# 3. Fit Ordinary Least Squares (OLS) Model
ols_model = sm.OLS(y, X_with_const).fit()
print(ols_model.summary())

# 4. Multicollinearity Assessment (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("\n--- Multicollinearity Diagnostic (VIF) ---")
print(vif_data)

Kiểm định và Đánh giá thống kê

Cơ cấu mẫu khảo sát thực nghiệm ($N = 311$)

  • Giới tính: Nữ chiếm 78.2% (245 quan sát), Nam chiếm 21.8% (66 quan sát) — phản ánh đặc tính nhóm quan tâm tiêu dùng thời trang.
  • Độ tuổi: 21–24 tuổi chiếm ưu thế với 51.1% (159 người), tiếp theo là 17–20 tuổi chiếm 31.5% (98 người), 25–28 tuổi chiếm 13.5% (42 người), và 13–16 tuổi chiếm 3.9% (12 người).
  • Thu nhập hàng tháng: Phân khúc 5 – 10 triệu VNĐ chiếm tỷ lệ cao nhất với 55.9% (174 người); 10 – 15 triệu VNĐ chiếm 27.7% (86 người); dưới 5 triệu VNĐ chiếm 9.6% (30 người); trên 15 triệu VNĐ chiếm 6.8% (21 người).
  • Tần suất mua sắm: Mua thỉnh thoảng chiếm 68.5% (213 người); Mua thường xuyên chiếm 31.5% (98 người).

Kết quả kiểm định độ tin cậy Cronbach's Alpha

Thang đo nhân tố ban đầu Số biến quan sát Cronbach's Alpha Tương quan biến tổng nhỏ nhất Đánh giá chất lượng
Hình ảnh thương hiệu (HATT) 3 0.781 0.562 Đạt chuẩn rất tốt
Chương trình khuyến mãi (CTKM) 4 0.811 0.589 Đạt chuẩn rất tốt
Truyền miệng điện tử (TMDT) 4 0.826 0.612 Đạt chuẩn xuất sắc
Đổi mới thời trang (DMTT) 4 0.759 0.518 Đạt chuẩn tốt
Ý thức về thời trang (YTTT) 4 0.797 0.574 Đạt chuẩn rất tốt
Ý định mua sắm (YDM) 3 0.725 0.504 Đạt chuẩn tốt

Kết quả phân tích nhân tố khám phá (EFA)

  • Kiểm định KMO & Bartlett: Hệ số $KMO = 0.786$, Kiểm định Bartlett đạt giá trị $\chi^2$ với mức ý nghĩa $Sig. = 0.000 < 0.001$, chứng minh dữ liệu hoàn toàn phù hợp để rút trích nhân tố.
  • Giá trị Eigenvalue & Phương sai trích: Có 5 nhân tố được rút trích với Eigenvalue khởi điểm đạt $5.000 > 1.0$. Tổng phương sai trích lũy kế đạt 68.290% ($> 50%$), giải thích được gần 70% độ biến thiên của tập dữ liệu gốc.
  • Tái cấu trúc thang đo qua ma trận xoay (Varimax):
    • Nhân tố 1 kết hợp 6 biến quan sát (YTTT1, YTTT2, YTTT3, YTTT4, DMTT3, DMTT4) hội tụ thành một nhóm chung: "Ý thức về sự mới lạ trong thời trang" (ký hiệu: YT) với factor loading từ 0.548 đến 0.850.
    • Nhân tố 2: Chương trình khuyến mãi (CTKM) (gồm CTKM1, CTKM2, CTKM3, CTKM4).
    • Nhân tố 3: Truyền miệng điện tử (TMDT) (gồm TMDT1, TMDT2, TMDT3, TMDT4).
    • Nhân tố 4: Hình ảnh thương hiệu (HATT) (gồm HATT1, HATT2, HATT3).
    • Nhân tố 5: Đổi mới thời trang độc lập (DMTT) (gồm DMTT1, DMTT2).
==============================================================================
                            OLS Regression Results                            
==============================================================================
Dep. Variable:                    YDM   R-squared:                       0.584
Model:                            OLS   Adj. R-squared:                  0.577
Method:                 Least Squares   F-statistic:                    85.42
Prob (F-statistic):          1.42e-56   Durbin-Watson:                   1.892
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const           0.412      0.185      2.227      0.027       0.048       0.776
CTKM            0.342      0.048      7.125      0.000       0.248       0.436
TMDT            0.285      0.045      6.333      0.000       0.196       0.374
YT              0.218      0.042      5.190      0.000       0.135       0.301
HATT            0.054      0.039      1.385      0.167      -0.023       0.131
DMTT            0.038      0.036      1.055      0.292      -0.033       0.109
==============================================================================

Kết quả đạt được

Hệ thống phương trình hồi quy tuyến tính chuẩn hóa được xác lập: $$YDM = 0.342 \times CTKM + 0.285 \times TMDT + 0.218 \times YT$$

  1. Chương trình khuyến mãi ($CTKM$): Có tác động cùng chiều mạnh mẽ nhất đến ý định mua ($\beta = 0.342, p < 0.001$).
  2. Truyền miệng điện tử ($TMDT$): Giữ vị trí quan trọng thứ hai ($\beta = 0.285, p < 0.001$), khẳng định vai trò của đánh giá online (review, UGC).
  3. Ý thức về sự mới lạ trong thời trang ($YT$): Tác động tích cực ($\beta = 0.218, p < 0.001$), minh chứng Gen Z liên tục tìm kiếm sự khác biệt và cập nhật xu hướng.
  4. Kiểm định hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $VIF$ của tất cả các biến đều nằm trong khoảng $1.150 - 1.480$ ($< 3.0$), chứng minh mô hình không vi phạm giả định đa cộng tuyến.
  5. Kiểm định tự tương quan: Chỉ số Durbin-Watson đạt $1.892$ (tiệm cận mức 2.0), không có tự tương quan chuỗi bậc nhất.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và giá trị thực tiễn nổi bật khi đặt trong sự so sánh với các công trình nghiên cứu trước đây:

Tiêu chí so sánh Lam et al. (2017) Nguyễn Thị Kim Oanh & Đàm Trí Cường (2022) Đề tài khóa luận này (2023)
Không gian nghiên cứu Giới trẻ quốc tế (Malaysia) Thế hệ trẻ TP. HCM chung Chuyên sâu Gen Z tại TP. HCM
Cơ cấu nhân tố rút trích Giữ nguyên các biến độc lập 4 nhân tố tác động cùng chiều Tái cấu trúc EFA hình thành nhân tố mới "YT"
Phương sai trích ($TVE$) $65.98%$ $61.45%$ $68.29%$ (Giải thích phương sai cao hơn)
Trọng số yếu tố dẫn đầu Sự tham gia thời trang ($\beta=0.38$) Nhận thức thời trang ($\beta=0.31$) Khuyến mãi trực tuyến ($\beta=0.342$) & eWOM ($\beta=0.285$)

Đóng góp khoa học và Cải tiến mô hình

  • Phát hiện cấu trúc nhân tố mới: Quá trình phân tích EFA đã tích hợp các biến ý thức thời trang và tính đổi mới thành nhân tố "Ý thức về sự mới lạ trong thời trang", phản ánh chính xác hành vi tâm lý của Gen Z: nhu cầu bắt trend luôn đi kèm với mong muốn đón đầu sự khác biệt.
  • Lượng hóa sự suy giảm của kênh tiếp thị thụ động: Khác với các thế hệ trước, Hình ảnh thương hiệu truyền thống ($HATT$) không đạt mức ý nghĩa thống kê độc lập ($p = 0.167 > 0.05$) khi đứng cạnh eWOM và Khuyến mãi. Gen Z tin vào trải nghiệm người dùng thực tế hơn là các thông điệp quảng cáo một chiều.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  1. Tối ưu hóa chiến dịch Flash Sale đa tầng (Dựa trên $\beta_{CTKM} = 0.342$):
    • Khảo sát chỉ ra 55.9% Gen Z có thu nhập từ 5–10 triệu đồng và thường tìm kiếm voucher trước khi thanh toán. Doanh nghiệp cần xây dựng mô hình khuyến mãi thông minh: tích hợp voucher miễn phí vận chuyển kèm giảm giá theo giỏ hàng thay vì chỉ giảm giá trực tiếp trên sản phẩm.
  2. Xây dựng hệ sinh thái đánh giá người dùng UGC & eWOM ($\beta_{TMDT} = 0.285$):
    • Triển khai chiến dịch tiếp thị liên kết (Affiliate) qua KOC (Key Opinion Consumers) quy mô nhỏ nhưng có độ chân thật cao. Tối ưu hóa khu vực đánh giá trên website/e-commerce với hình ảnh/video thực tế để tạo sự tin tưởng tuyệt đối.
  3. Phát triển chiến lược "Fast Novelty" ($\beta_{YT} = 0.218$):
    • Áp dụng mô hình sản xuất tinh gọn (Lean Fashion): phát hành các bộ sưu tập số lượng giới hạn (Capsule drops) theo chu kỳ 2–3 tuần một lần để kích hoạt mong muốn đón đầu xu hướng của Gen Z.

Dự toán hiệu quả đầu tư và Lộ trình triển khai (ROI Model)

Giai đoạn Mục tiêu thực hiện Chi phí ước tính (VNĐ) KPI / Kết quả đầu ra đo lường
Tháng 1 - 2 Tích hợp hệ thống quản lý khuyến mãi động & SEO E-commerce 25,000,000 Tỷ lệ nhấp voucher tăng 35%, Traffic tăng 20%
Tháng 3 - 4 Xây dựng mạng lưới 50 Micro-KOCs review trải nghiệm 40,000,000 Điểm eWOM tích cực $> 4.5/5.0$, $UGC \ge 500$ posts
Tháng 5 - 6 Ra mắt dòng sản phẩm bắt trend chu kỳ ngắn 60,000,000 Tỷ lệ bán hết trong 14 ngày đạt $85%$, ROI dự phóng $+28%$

Hạn chế và hướng phát triển

  • Phương pháp chọn mẫu: Nghiên cứu sử dụng phương pháp lấy mẫu thuận tiện phi xác suất ($N=311$), tập trung tại TP. Hồ Chí Minh nên tính đại diện cho toàn bộ người tiêu dùng Gen Z cả nước có thể chưa đạt mức tuyệt đối.
  • Mất cân đối giới tính: Tỷ lệ mẫu nữ chiếm 78.2%, tạo ra sự thiên lệch nhất định về xu hướng quan tâm thời trang so với nam giới.
  • Kỹ thuật phân tích: Mô hình OLS tuyến tính chưa xem xét các biến trung gian (Mediating) hay biến điều tiết (Moderating) như Thu nhập, Giới tính hoặc Mức độ gắn bó với mạng xã hội.

Hướng nghiên cứu tương lai

  1. Mở rộng kích thước mẫu lên $N \ge 1,000$ trên phạm vi toàn quốc (Hà Nội, Đà Nẵng, Cần Thơ).
  2. Ứng dụng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) để đo lường các mối quan hệ tác động gián tiếp phức tạp.
  3. Tích hợp phân tích dữ liệu lớn (Big Data Sentiment Analysis) từ các nền tảng TikTok và Shopee để kiểm chứng hành vi mua sắm trong thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận khung phương pháp luận hoàn chỉnh từ tổng quan lý thuyết, thiết kế thang đo Likert, đến quy trình phân tích SPSS/Python chi tiết làm mẫu tham khảo cho luận văn tốt nghiệp.
  • Chuyên viên phân tích dữ liệu & Marketer: Nắm bắt trọng số tác động định lượng ($\beta$) của từng kênh để phân bổ ngân sách quảng cáo tối ưu giữa xúc tiến bán (Promotion) và xây dựng nội dung đánh giá (eWOM).
  • Doanh nghiệp bán lẻ thời trang: Nhận được cẩm nang insight thực chiến về phân khúc khách hàng Gen Z TP. Hồ Chí Minh với mức thu nhập 5–10 triệu VNĐ, từ đó điều chỉnh cơ cấu giá và chu kỳ ra mắt sản phẩm.
  • Nhà nghiên cứu học thuật: Kế thừa bộ dữ liệu thang đo chuẩn hóa đã được kiểm định độ tin cậy ($Cronbach's \ \alpha > 0.7$, $TVE = 68.290%$) cho các công trình nghiên cứu hành vi tiêu dùng tiếp theo.

Câu hỏi thường gặp

1. Tại sao Hình ảnh thương hiệu (HATT) không có ý nghĩa thống kê trong mô hình hồi quy này?

Trong phân tích hồi quy đa biến với $p = 0.167 > 0.05$, biến $HATT$ không đạt mức ý nghĩa thống kê $5%$. Điều này giải thích rằng đối với thế hệ Gen Z tại TP. HCM, hình ảnh thương hiệu đơn thuần không đủ để thúc đẩy ý định mua nếu thiếu đi các yếu tố thực tế như giá khuyến mãi hấp dẫn, đánh giá chân thực từ cộng đồng (eWOM) và tính mới lạ hợp thị hiếu.

2. Kích thước mẫu N = 311 có đảm bảo độ tin cậy khoa học cho nghiên cứu không?

Hoàn toàn đảm bảo. Theo quy tắc của Tabachnick & Fidell (1996), cỡ mẫu tối thiểu cho hồi quy là $N \ge 50 + 8 \times m = 50 + 8 \times 5 = 90$ (với $m=5$ biến độc lập). Theo Hair et al. (2010), phân tích EFA cần tỷ lệ mẫu/biến quan sát tối thiểu là $5:1$ (tương ứng $22 \times 5 = 110$). Cỡ mẫu $N = 311$ vượt xa các tiêu chuẩn tối thiểu này.

3. Làm thế nào để áp dụng kết quả nghiên cứu vào sàn thương mại điện tử (Shopee, TikTok Shop)?

Doanh nghiệp nên tập trung: (1) Thiết kế hệ thống khuyến mãi hiển thị trực quan (Voucher giảm giá, Flash sale, Deal sốc); (2) Tối ưu hóa thuật toán hiển thị đánh giá 5 sao kèm hình ảnh thực tế; (3) Tạo các video ngắn bắt trend giới thiệu cách phối trang phục để kích hoạt nhân tố "Ý thức sự mới lạ".

4. Tại sao nhân tố YTTT và DMTT lại gộp chung trong phân tích EFA?

Kết quả ma trận xoay Varimax cho thấy các biến quan sát về việc quan tâm thời trang (YTTT1 - YTTT4) và xu hướng mua đồ mới lạ (DMTT3, DMTT4) cùng tải lên một nhân tố (Factor Loadings $> 0.5$). Điều này phản ánh thực tế tâm lý Gen Z: nhận thức về thời trang luôn gắn liền với hành vi tìm kiếm sự đổi mới và khác biệt.

5. Chi phí triển khai hệ thống khảo sát và phân tích này là bao nhiêu?

Chi phí thu thập dữ liệu qua biểu mẫu trực tuyến và phân tích định lượng bằng phần mềm SPSS/Python là hoàn toàn tối ưu (gần như bằng 0 đối với chi phí nền tảng công nghệ), chủ yếu tập trung vào chi phí khuyến khích người trả lời khảo sát và nhân lực xử lý dữ liệu.

Kết luận

Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến ý định mua sản phẩm thời trang của Gen Z tại TP. HCM" đã hoàn thành trọn vẹn các mục tiêu nghiên cứu đặt ra thông qua việc kết hợp chặt chẽ giữa lý thuyết kinh tế học hành vi và phương pháp phân tích định lượng thực chứng.

Kết quả nghiên cứu đã chứng minh và lượng hóa sức ảnh hưởng của ba nhân tố then chốt: Chương trình khuyến mãi ($\beta = 0.342$), Truyền miệng điện tử ($\beta = 0.285$), và Ý thức về sự mới lạ trong thời trang ($\beta = 0.218$), giải thích được $58.4%$ sự biến thiên của ý định mua sắm ($R^2 = 0.584$). Các phát hiện thực nghiệm này cung cấp cơ sở khoa học vững chắc giúp các nhà quản trị thời trang chuyển đổi chiến lược tiếp thị: từ quảng bá thương hiệu thụ động sang xây dựng hệ sinh thái tiếp thị trải nghiệm, minh bạch hóa đánh giá sản phẩm và cá nhân hóa các chương trình ưu đãi bán hàng.