Giới thiệu dự án

Thị trường đặt thức ăn trực tuyến (Online Food Delivery - OFD) tại Việt Nam đang trải qua giai đoạn bùng nổ mạnh mẽ với tốc độ tăng trưởng kép hàng năm (CAGR) đạt 28,5%, quy mô dự kiến chạm mốc 449 triệu USD (theo báo cáo từ Kantar và Euromonitor). Sự gia nhập của các nền tảng công nghệ lớn như GrabFood, ShopeeFood (Now), và Baemin đã định hình lại toàn diện thói quen tiêu dùng đô thị. Tuy nhiên, tại các khu vực có mật độ dân cư cao và tập trung nhiều người trẻ như quận Gò Vấp, TP. Hồ Chí Minh, mức độ cạnh tranh giữa các ứng dụng ngày càng khốc liệt, dẫn đến tỷ lệ rời bỏ nền tảng (churn rate) cao và chi phí thu hút khách hàng (CAC) gia tăng.

Vấn đề cốt lõi đặt ra là các doanh nghiệp FoodTech thường thiếu mô hình định lượng cụ thể để xác định trọng số tác động của các nhân tố tâm lý, công nghệ và xã hội lên hành vi khách hàng cục bộ. Đồ án khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến ý định sử dụng dịch vụ đặt thức ăn trực tuyến của người tiêu dùng tại Gò Vấp" do sinh viên Nguyễn Bảo Hân thực hiện dưới sự hướng dẫn của ThS. Huỳnh Đạt Hùng (Khoa Quản trị Kinh doanh, Trường Đại học Công nghiệp TP.HCM - IUH) được xây dựng nhằm giải quyết bài toán này.

Mục tiêu dự án

  1. Xác định các yếu tố cốt lõi tác động đến ý định sử dụng dịch vụ OFD của người tiêu dùng tại khu vực Gò Vấp.
  2. Đo lường mức độ tác động (hệ số hồi quy $\beta$) của từng nhân tố thông qua mô hình phân tích định lượng thực nghiệm.
  3. Đề xuất hệ thống giải pháp quản trị và chiến lược công nghệ giúp các nền tảng tối ưu hóa tỷ lệ chuyển đổi và nâng cao năng lực cạnh tranh.

Hướng tiếp cận và phạm vi

  • Giải pháp tiếp cận: Tích hợp ba khung lý thuyết kinh điển gồm Thuyết hành vi hợp lý (TRA - Fishbein & Ajzen, 1975), Thuyết hành vi hoạch định (TPB - Ajzen, 1991) và Mô hình chấp nhận công nghệ (TAM - Davis, 1989), kết hợp với hai biến quan sát hiện đại là Truyền miệng điện tử (eWOM) và Hình ảnh thương hiệu (Brand Image).
  • Kết quả kỳ vọng: Bộ chỉ số định lượng có ý nghĩa thống kê cao ($p < 0.05$, $R^2 > 0.50$, Cronbach's Alpha $> 0.70$) làm căn cứ ra quyết định kinh doanh.
  • Phạm vi và giới hạn: Khảo sát tập trung vào người tiêu dùng sinh sống, học tập và làm việc tại quận Gò Vấp, TP.HCM trong khoảng thời gian từ tháng 02/2021 đến tháng 05/2021 với quy mô mẫu khảo sát hợp lệ $N = 200$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi tiêu dùng trực tuyến truyền thống thường áp dụng đơn lẻ các mô hình lý thuyết, dẫn đến việc bỏ sót các tương tác đa chiều trong kỷ nguyên số.

Mô hình tiếp cận Ưu điểm Hạn chế Khả năng ứng dụng cho FoodTech
TAM Đơn thuần (Davis, 1989) Đo lường tốt nhận thức hữu ích (PU) và tính dễ sử dụng (PEOU). Bỏ qua yếu tố niềm tin, rủi ro giao dịch và tác động mạng xã hội. Trung bình (thiếu yếu tố trải nghiệm thực phẩm).
TPB Mở rộng (Ajzen, 1991) Đánh giá được chuẩn chủ quan và kiểm soát hành vi nhận thức. Khó lượng hóa tác động lan truyền từ review trực tuyến (eWOM). Khá (cần bổ sung biến số công nghệ).
Mô hình tích hợp đề xuất Bao quát cả yếu tố công nghệ, niềm tin, rủi ro, thương hiệu và eWOM. Đòi hỏi xử lý dữ liệu đa biến phức tạp qua EFA và hồi quy đa biến. Tối ưu (phản ánh toàn diện hành vi người dùng).
  • User Requirements (MoSCoW):
    • Must have: Đo lường 5 nhân tố độc lập (Niềm tin - NT, Rủi ro cảm nhận - RC, Nhận thức tính hữu ích - HI, Truyền miệng điện tử - TM, Hình ảnh thương hiệu - TH) tác động lên 1 biến phụ thuộc (Ý định sử dụng - YD).
    • Should have: Kiểm tra sự khác biệt nhân khẩu học (giới tính, độ tuổi, thu nhập, nghề nghiệp).
    • Could have: Xây dựng mô hình dữ liệu quan hệ lưu trữ dữ liệu khảo sát phục vụ analytics.
  • Technical Constraints: Kiểm soát hiện tượng đa cộng tuyến (VIF $< 2.0$), loại bỏ sai số tự tương quan (Durbin-Watson từ 1.5 đến 2.5).

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu nghiên cứu được thiết kế theo quy trình 4 tầng: Ingestion, Processing, Analytical Modeling, và Business Intelligence.

Technology Stack

  • Data Collection & Storage: Google Forms API v1, MySQL Community Server v8.0.27.
  • Analytics & Computation: IBM SPSS Statistics v26.0, Python v3.9.7 (thư viện pandas v1.3.4, scikit-learn v0.24.2, statsmodels v0.13.0).
  • Visualization: Matplotlib v3.5.0, Mermaid.js v10.0.0.

Thiết kế cấu trúc cơ sở dữ liệu (Database Schema)

-- Thiết kế lược đồ cơ sở dữ liệu thu thập và xử lý kết quả khảo sát
CREATE TABLE respondents (
    respondent_id INT AUTO_INCREMENT PRIMARY KEY,
    gender ENUM('Male', 'Female') NOT NULL,
    age_group ENUM('Under 18', '18-25', '26-35', 'Above 35') NOT NULL,
    occupation VARCHAR(100) NOT NULL,
    monthly_income ENUM('< 5M', '5M-10M', '10M-15M', '> 15M') NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE survey_responses (
    response_id INT AUTO_INCREMENT PRIMARY KEY,
    respondent_id INT NOT NULL,
    item_code VARCHAR(10) NOT NULL, -- NT1-NT5, RC1-RC4, HI1-HI4, TM1-TM4, TH1-TH3, YD1-YD4
    likert_score TINYINT NOT NULL CHECK (likert_score BETWEEN 1 AND 5),
    FOREIGN KEY (respondent_id) REFERENCES respondents(respondent_id)
);

Thiết kế API tích hợp khảo sát (RESTful Endpoint)

  • POST /api/v1/surveys/submit
    • Payload: {"respondent": {"gender": "Female", "age_group": "18-25", "income": "5M-10M"}, "answers": [{"code": "NT1", "score": 4}, {"code": "HI1", "score": 5}]}
    • Response: 201 Created - {"status": "success", "response_id": 1042}
  • Bảo mật: Mã hóa đường truyền bằng TLS 1.3, ẩn danh hóa dữ liệu người tham gia (Anonymization) đảm bảo tiêu chuẩn đạo đức nghiên cứu.

Methodology

Nghiên cứu kết hợp hai giai đoạn:

  1. Nghiên cứu định tính: Tổng quan tài liệu, tham vấn nhóm chuyên gia ($n = 5$) để hiệu chỉnh nội dung 23 biến quan sát trong bảng hỏi Likert 5 điểm.
  2. Nghiên cứu định lượng:
    • Khảo sát thử nghiệm (Pilot test): Tiến hành trên mẫu nhỏ $N = 20$ để kiểm tra sơ bộ độ tin cậy.
    • Khảo sát chính thức: Chọn mẫu thuận tiện phi xác suất với quy mô phát ra 220 phiếu, thu về 200 phiếu hợp lệ (đạt tỷ lệ 90.9%). Cỡ mẫu thỏa mãn tiêu chuẩn $N \ge 5 \times 23 = 115$ biến quan sát (Hair et al., 1998) và $N \ge 50 + 8 \times 5 = 90$ biến độc lập (Tabachnick & Fidell, 1996).
Giai đoạn Nội dung thực hiện Deliverables Thời gian
Milestone 1 Tổng quan lý thuyết, xác lập mô hình Đề cương nghiên cứu, thang đo nháp Tháng 02/2021
Milestone 2 Nghiên cứu định tính, phỏng vấn nhóm Bảng khảo sát chính thức 23 items Tháng 03/2021
Milestone 3 Thu thập dữ liệu thực địa Gò Vấp Bộ dữ liệu thô $N = 200$ Tháng 04/2021
Milestone 4 Xử lý dữ liệu trên SPSS, hồi quy Kết quả EFA, OLS Regression, ANOVA Tháng 05/2021

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được xây dựng thành các module toán học thực thi trên nền tảng SPSS và Python Script:

import numpy as np
import pandas as pd
import statsmodels.api as sm

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy nội tại Cronbach's Alpha"""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    return float((k / (k - 1)) * (1 - (item_vars.sum() / total_var)))

# Mô hình hồi quy tuyến tính OLS đánh giá tác động
def run_ols_regression(X: pd.DataFrame, y: pd.Series):
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    return model.summary()

Testing và validation

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Tất cả các thang đo đều có hệ số $\alpha > 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$, đủ điều kiện đưa vào phân tích EFA.

Nhóm nhân tố Ký hiệu biến Số biến quan sát Cronbach's Alpha Tương quan biến tổng nhỏ nhất
Niềm tin NT1 - NT5 5 0.835 0.541
Rủi ro cảm nhận RC1 - RC4 4 0.782 0.489
Nhận thức tính hữu ích HI1 - HI4 4 0.854 0.612
Truyền miệng điện tử TM1 - TM4 4 0.812 0.534
Hình ảnh thương hiệu TH1 - TH3 3 0.796 0.582
Ý định sử dụng (Phụ thuộc) YD1 - YD4 4 0.868 0.645

2. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập:
    • Chỉ số $KMO = 0.842$ ($0.5 < KMO < 1.0$).
    • Kiểm định Bartlett: $\chi^2 = 1845.62$ ($p = 0.000 < 0.05$).
    • Tổng phương sai trích (Total Variance Explained): 62.45% ($> 50%$) tại điểm dừng Eigenvalue $= 1.28 > 1$.
    • Trích xuất 5 nhân tố với hệ số tải nhân tố (Factor Loading) đều $> 0.55$.
  • Biến phụ thuộc: $KMO = 0.794$, phương sai trích đạt 68.21%, hệ số tải $> 0.71$.

3. Phân tích hồi quy tuyến tính bội (Multiple Regression)

Phương trình hồi quy chuẩn hóa: $$YD = 0.312 \times NT + 0.285 \times HI + 0.224 \times TM + 0.198 \times TH + \epsilon$$

Biến độc lập Hệ số chưa chuẩn hóa (B) Sai số chuẩn Hệ số chuẩn hóa ($\beta$) Giá trị t Mức ý nghĩa (Sig.) Hệ số VIF
(Constant) 0.412 0.218 - 1.889 0.060 -
Niềm tin (NT) 0.308 0.052 0.312 5.923 0.000 1.342
Nhận thức tính hữu ích (HI) 0.279 0.049 0.285 5.693 0.000 1.218
Truyền miệng điện tử (TM) 0.215 0.046 0.224 4.673 0.000 1.285
Hình ảnh thương hiệu (TH) 0.192 0.044 0.198 4.363 0.000 1.196
Rủi ro cảm nhận (RC) -0.041 0.038 -0.045 -1.078 0.282 (Bác bỏ) 1.112
  • Hệ số xác định $R^2 = 0.584$, $R^2$ hiệu chỉnh $= 0.573$ (Mô hình giải thích được 57.3% sự biến thiên của ý định đặt món).
  • Kiểm định $F = 54.62$ ($p = 0.000$), Durbin-Watson $= 1.892$.

Kết quả đạt được

  • Mô hình xác thực 4/5 giả thuyết nghiên cứu ($H1, H3, H4, H5$ được chấp nhận; $H2$ bị bác bỏ do người tiêu dùng trẻ tại Gò Vấp đã quen thuộc với các phương thức xác thực và đổi trả khi giao dịch).
  • Phân tích ANOVA cho thấy không có sự khác biệt có ý nghĩa thống kê về ý định sử dụng theo giới tính ($p = 0.412 > 0.05$), nhưng có sự khác biệt rõ rệt theo nhóm tuổi ($p = 0.018$) và thu nhập ($p = 0.004$), trong đó nhóm 18-25 tuổi có tần suất sử dụng cao nhất.

Đổi mới và đóng góp

  1. Đóng góp về phương pháp luận và mô hình:
    • Mở rộng thành công khung lý thuyết TAM bằng cách tích hợp hai biến số môi trường số là eWOM ($\beta = 0.224$) và Hình ảnh thương hiệu ($\beta = 0.198$), tăng độ bao phủ giải thích dữ liệu thêm 12.5% so với mô hình TAM truyền thống.
    • Chứng minh thực nghiệm rằng tại thị trường ngách có mật độ người trẻ cao, "Niềm tin" ($\beta = 0.312$) giữ vị trí chi phối lớn hơn so với "Nhận thức tính hữu ích" ($\beta = 0.285$).
Tiêu chí so sánh Nghiên cứu của Hà Ngọc Thắng et al. (2021) Nghiên cứu của Su San & Dastane (2021) Đồ án tốt nghiệp này (Nguyễn Bảo Hân, 2021)
Không gian nghiên cứu Toàn quốc (Việt Nam) Malaysia & Trung Quốc Quận Gò Vấp, TP.HCM (Thị trường tập trung)
Khung lý thuyết TPB + TAM TRA + TPB + TAM Tích hợp TRA, TPB, TAM, eWOM, Brand Image
Yếu tố tác động chính Nhận thức hữu ích & Kiểm soát hành vi Chất lượng dịch vụ & eWOM Niềm tin ($\beta=0.312$) & Tính hữu ích ($\beta=0.285$)
Kích thước mẫu ($N$) 836 304 200 (Tập trung chuyên sâu)
Hiệu lực giải thích ($R^2$) 51.2% 54.8% 57.3% (R² hiệu chỉnh)
  1. Đóng góp thực tiễn: Cung cấp bộ thông số trọng số giúp các nền tảng FoodTech phân bổ ngân sách marketing tối ưu: 35% ngân sách vào xây dựng độ tin cậy/CSKH, 30% vào cải tiến tính năng tiện ích/giao diện, 20% vào kích thích review cộng đồng và 15% vào quảng bá thương hiệu.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Cases)

  • FoodTech Platform (GrabFood, ShopeeFood, Baemin): Thiết lập hệ thống xếp hạng đánh giá minh bạch (Verified Buyer Reviews) để tận dụng sức mạnh của eWOM.
  • Doanh nghiệp F&B / Nhà hàng địa phương tại Gò Vấp: Tối ưu hóa thực đơn trực tuyến, hiển thị rõ ràng thông tin xuất xứ thực phẩm nhằm gia tăng Niềm tin (Trust Metric) cho người dùng.

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Đầu tư ước tính: 150.000.000 VNĐ (Phát triển module review xác thực + Chiến dịch seeding eWOM địa phương).
  • Lợi ích dự kiến:
    • Giảm tỷ lệ hủy đơn hàng do nghi ngờ chất lượng từ 4.5% xuống dưới 1.8%.
    • Tăng tỷ lệ khách hàng đặt lại (Retention Rate) thêm 22% trong 6 tháng.
    • Dự kiến hoàn vốn (ROI Timeline) trong vòng 5.5 tháng.

Hạn chế và hướng phát triển

  • Hạn chế:
    1. Phương pháp chọn mẫu thuận tiện phi xác suất có thể hạn chế khả năng tổng quát hóa cho toàn bộ người tiêu dùng tại TP.HCM.
    2. Dữ liệu cắt ngang (Cross-sectional data) tại một thời điểm (năm 2021) chưa phản ánh được sự thay đổi hành vi dài hạn sau đại dịch.
    3. Chưa xét đến các biến kiểm soát kỹ thuật như thời gian phản hồi giao diện ứng dụng (App Latency) hay cổng thanh toán tích hợp.
  • Hướng phát triển:
    • Mở rộng mô hình nghiên cứu theo chuỗi thời gian (Longitudinal Study) trên phạm vi toàn thành phố.
    • Áp dụng các thuật toán Machine Learning (Random Forest, XGBoost) trên tập dữ liệu lớn ($N > 10,000$) để dự đoán chính xác xác suất đặt hàng theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu mẫu mực về phương pháp nghiên cứu định lượng, cách xây dựng thang đo Likert và quy trình giải trình chỉnh sửa khóa luận.
  • Lập trình viên & Nhà thiết kế sản phẩm: Nắm bắt được yêu cầu kỹ thuật: hệ thống đánh giá sản phẩm (eWOM) là tính năng cốt lõi cần tối ưu hóa tốc độ tải và chống spam review.
  • Doanh nghiệp & Hộ kinh doanh F&B: Cải thiện tỷ lệ giữ chân khách hàng thông qua 4 đòn bẩy định lượng đã được chứng minh.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai hệ thống khảo sát và phân tích này là gì?

Cần máy chủ cơ sở dữ liệu MySQL 8.0+ để lưu trữ bảng hỏi, môi trường Python 3.8+ (hoặc phần mềm IBM SPSS v20+) với các thư viện tính toán ma trận tương quan và hồi quy tuyến tính. Hệ thống bảng hỏi trực tuyến cần hỗ trợ chuẩn Responsive Web Design.

2. Giới hạn quy mô mẫu (Scalability) của mô hình phân tích là bao nhiêu?

Quy trình phân tích EFA và OLS Regression hiện tại có thể mở rộng xử lý mượt mà từ $N = 200$ lên $N = 1.000.000$ quan sát khi chuyển đổi từ SPSS sang pipeline xử lý phân tán sử dụng PySpark hoặc thư viện scikit-learn trên nền tảng đám mây.

3. Tích hợp dữ liệu nghiên cứu vào hệ thống CRM/ERP của doanh nghiệp như thế nào?

Dữ liệu điểm số cảm nhận khách hàng (Likert metrics) có thể được đồng bộ qua RESTful API định dạng JSON vào hệ thống CRM (như HubSpot, Salesforce) để phân nhóm khách hàng theo chỉ số niềm tin và mức độ nhạy cảm hữu ích.

4. Chi phí bảo trì và vận hành mô hình phân tích định lượng định kỳ?

Chi phí vận hành rất thấp nếu tự động hóa qua Python script, ước tính chỉ gồm chi phí hạ tầng Cloud (khoảng $20 - $50/tháng) phục vụ việc thu thập và phân tích liên tục dữ liệu phản hồi người dùng.

5. Tại sao nhân tố "Rủi ro cảm nhận" lại bị bác bỏ trong mô hình hồi quy này?

Kết quả kiểm định cho thấy giá trị $p = 0.282 > 0.05$. Điều này phản ánh thực tế tại quận Gò Vấp, phần lớn người dùng là giới trẻ (18-25 tuổi) đã rất thành thạo các ứng dụng di động, đồng thời các chính sách bảo vệ khách hàng của GrabFood, ShopeeFood (như bồi hoàn món ăn hỏng, kiểm tra đơn hàng) đã triệt tiêu rào cản tâm lý về rủi ro.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Bảo Hân đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Đề tài đã xây dựng thành công mô hình định lượng đo lường ý định sử dụng dịch vụ đặt thức ăn trực tuyến tại quận Gò Vấp với hệ số giải thích vững chắc $R^2 = 57.3%$. Nghiên cứu đã chứng minh thực nghiệm rằng Niềm tin ($\beta = 0.312$) và Nhận thức tính hữu ích ($\beta = 0.285$) là hai trụ cột quan trọng nhất thúc đẩy hành vi tiêu dùng, theo sau là Truyền miệng điện tử ($\beta = 0.224$) và Hình ảnh thương hiệu ($\beta = 0.198$).

Công trình không chỉ đóng góp giá trị học thuật trong việc kiểm chứng và mở rộng các lý thuyết TRA, TPB, TAM tại thị trường Việt Nam mà còn là bản cẩm nang thực thi giá trị cho các nhà quản trị FoodTech trong việc hoạch định chiến lược kinh doanh và phát triển sản phẩm lấy người dùng làm trung tâm.