Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam đã có bước nhảy vọt sau đại dịch COVID-19, chuyển đổi từ một kênh mua sắm tiện ích sang thói quen tiêu dùng chủ đạo. Theo Báo cáo Kinh tế số Đông Nam Á (e-Conomy SEA 2022) của Google, Temasek và Bain & Company, nền kinh tế số Việt Nam dẫn đầu khu vực với tốc độ tăng trưởng 26%, quy mô GMV đạt 14 tỷ USD năm 2022 và dự phóng chạm mốc 23 tỷ USD. Báo cáo Sách trắng Thương mại điện tử Việt Nam (2022) cũng chỉ ra tỷ lệ người dùng Internet tham gia mua sắm trực tuyến tăng từ 74% (2020) lên 78% (2021), trong đó ngành hàng Thời trang - Mỹ phẩm chiếm tỷ trọng thanh toán cao nhất với 69%.

+-------------------------------------------------------------------------------+
|  TĂNG TRƯỞNG KINH TẾ SỐ VIỆT NAM (e-Conomy SEA 2022)                           |
|  - Tốc độ tăng trưởng TMĐT: +26% (Dẫn đầu Đông Nam Á)                         |
|  - Quy mô GMV: 14 tỷ USD (2022) -> Dự phóng: 23 tỷ USD                         |
|  - Tỷ lệ dân số MSTT: 78% | Ngành hàng dẫn đầu: Thời trang (69%)              |
+-------------------------------------------------------------------------------+

Thế hệ Z (Gen Z - sinh từ 1995 đến 2012) hiện chiếm 47% dân số đô thị và khoảng 45 triệu người trên toàn quốc, đang trở thành phân khúc khách hàng mục tiêu của các sàn TMĐT. Lớn lên cùng điện thoại thông minh và mạng xã hội, Gen Z có độ nhạy công nghệ cao, khả năng tiếp thu xu hướng tức thì nhưng mức độ trung thành thương hiệu lại rất thấp. Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến hành vi mua sắm trực tuyến sản phẩm thời trang trên sàn thương mại điện tử Shopee của Thế hệ Z trên địa bàn Thành phố Hồ Chí Minh" do tác giả Huỳnh Nguyễn Kim Ngân thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Văn Thụy (Trường Đại học Ngân hàng TP. Hồ Chí Minh - HUB) đã giải quyết bài toán định lượng hành vi của nhóm người tiêu dùng này.

graph LR
    A[Bối cảnh Thị trường & Gen Z] --> B[Khoảng trống Nghiên cứu]
    B --> C[Thiết kế Mô hình Khái niệm]
    C --> D[Nghiên cứu Định tính N=5]
    D --> E[Nghiên cứu Định lượng N=180]
    E --> F[Hệ thống Hàm ý Quản trị Shopee]

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý thuyết: Tổng hợp các mô hình hành vi người tiêu dùng (TRA, TPB, TAM, TPR) và truyền thông số (eWOM).
  2. Xác định và đo lường các nhân tố: Nhận diện các yếu tố tác động trực tiếp và đo lường trọng số beta chuẩn hóa đối với hành vi mua sắm thời trang trực tuyến của Gen Z tại TP.HCM trên nền tảng Shopee.
  3. Kiểm định mô hình thực nghiệm: Ứng dụng các kiểm định thống kê đa biến (Cronbach's Alpha, EFA, Pearson, OLS Regression, ANOVA) trên phần mềm IBM SPSS Statistics 22.0.
  4. Đề xuất hàm ý quản trị: Cung cấp giải pháp cho Shopee và các đối tác bán lẻ tối ưu hóa tỷ lệ chuyển đổi (Conversion Rate) và giảm thiểu rủi ro cảm nhận của khách hàng.

Phạm vi và giới hạn

  • Không gian: Địa bàn Thành phố Hồ Chí Minh.
  • Thời gian: Dữ liệu sơ cấp thu thập năm 2023.
  • Đối tượng khảo sát: Người tiêu dùng Thế hệ Z (18–25 tuổi) có hành vi mua sắm sản phẩm thời trang trên ứng dụng Shopee.
  • Cỡ mẫu: 180 quan sát hợp lệ được đưa vào xử lý định lượng chính thức.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tổng quan hệ thống hóa các công trình học thuật trong nước và quốc tế để làm rõ khoảng trống nghiên cứu (Research Gaps):

Tác giả & Năm Mô hình / Khung lý thuyết Các biến độc lập chính Kết quả chính Hạn chế / Khoảng trống
Hasslinger et al. (2008) Khung tổng hợp hành vi Giá cả (+), Niềm tin (+), Sự thuận tiện (+) Giá cả có tác động mạnh nhất đến HVMSTT của sinh viên Mẫu sinh viên Thụy Điển hẹp ($N=226$), chưa phân lớp sản phẩm cụ thể.
Muda et al. (2016) Mô hình mở rộng ý định Rủi ro (-), Sự hữu ích (+), Danh tiếng (+), Tin cậy (+) Tin cậy và Danh tiếng tác động thuận chiều ($R^2 = 33.3%$) Chỉ giải thích được $33.3%$ phương sai; tập trung vào Gen Y Malaysia.
Nguyễn Lê Phương Thanh (2013) Mô hình TAM hiệu chỉnh SHI (+), DSD (+), MDVG (+), Tin cậy (+), NTRR (-), eWOM (+) 8 nhân tố giải thích ý định MSTT Mẫu nhỏ ($N=171$), chỉ dừng lại ở ý định chứ chưa đo lường hành vi thực tế.
Hà Ngọc Thắng & Nguyễn Thành Độ (2016) Thuyết TPB mở rộng Thái độ (+), Chuẩn chủ quan, Kiểm soát hành vi (+), Rủi ro (-) Thái độ và Kiểm soát hành vi tác động tích cực; Rủi ro tác động âm Bỏ qua biến eWOM và chưa phân nhóm ngành hàng thời trang.
Nguyễn Minh Tuấn & Nguyễn Văn Anh Vũ (2020) TAM + TPR trên Tiki.vn DSD (+), SHI (+), Tin cậy (+), Ảnh hưởng xã hội (+), Rủi ro (-) 5 biến giải thích $58.4%$ hành vi mua sắm Nghiên cứu tổng quát trên sàn Tiki, không đặc thù cho phân khúc Gen Z.
Tạ Văn Thành & Đặng Xuân Ơn (2021) TPB + TAM trên Gen Z An toàn (+), Tính hữu ích (+), Niềm tin (+), Cảm nhận rủi ro (-) Rủi ro tác động tiêu cực, Tính hữu ích tác động tích cực Nghiên cứu đa ngành hàng, chưa tách biệt đặc thù ngành thời trang. 
Khoảng trống 1: Thiếu nghiên cứu chuyên sâu về phân khúc Gen Z đô thị tại TP.HCM.
Khoảng trống 2: Chưa tập trung vào ngành hàng có độ nhạy cảm cao về cảm quan (Thời trang).
Khoảng trống 3: Chưa tích hợp đầy đủ biến Truyền miệng trực tuyến (eWOM/KOL/KOC) vào bối cảnh TMĐT sau đại dịch.

Yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must-have:
    • Đo lường cấu trúc tác động 5 thành phần: Nhận thức sự hữu ích ($SHI$), Nhận thức dễ sử dụng ($DSD$), Mong đợi về giá ($MDVG$), Nhận thức rủi ro ($NTRR$), Truyền miệng trực tuyến ($TMTT$).
    • Đảm bảo độ tin cậy thang đo qua hệ số Cronbach's Alpha $\ge 0.70$ và Corrected Item-Total Correlation $\ge 0.30$.
    • Trích xuất nhân tố khám phá EFA với KMO $\ge 0.50$, Bartlett's Test ($p < 0.05$), Eigenvalue $> 1.0$ và Tổng phương sai trích $\ge 50%$.
  • Should-have:
    • Kiểm định hiện tượng đa cộng tuyến thông qua hệ số phóng đại phương sai (VIF $< 2.0$).
    • Kiểm tra độ phù hợp mô hình thông qua kiểm định $F$ trong bảng ANOVA ($p < 0.001$).
  • Could-have:
    • Mô phỏng pipeline xử lý thống kê bằng ngôn ngữ Python để tái lập kết quả SPSS.
  • Won't-have:
    • Không mở rộng khảo sát sang các thế hệ khác (Gen X, Baby Boomers) trong phạm vi đề tài này.

Thiết kế hệ thống mô hình khái niệm

Mô hình nghiên cứu kết hợp có cấu trúc giữa Thuyết hành động hợp lý (TRA), Thuyết hành vi có kế hoạch (TPB), Mô hình chấp nhận công nghệ (TAM) và Thuyết nhận thức rủi ro (TPR):

graph TD
    subgraph Independent_Variables ["CÁC BIẾN ĐỘC LẬP"]
        SHI["Nhận thức sự hữu ích (SHI)"]
        DSD["Nhận thức dễ sử dụng (DSD)"]
        MDVG["Mong đợi về giá (MDVG)"]
        NTRR["Nhận thức rủi ro (NTRR)"]
        TMTT["Truyền miệng trực tuyến (TMTT / eWOM)"]
    end

    subgraph Dependent_Variable ["BIẾN PHỤ THUỘC"]
        HVMSTT["Hành vi mua sắm trực tuyến Thời trang trên Shopee (HVMSTT)"]
    end

    SHI -->|H1: +| HVMSTT
    DSD -->|H2: +| HVMSTT
    MDVG -->|H3: +| HVMSTT
    NTRR -->|H4: -| HVMSTT
    TMTT -->|H5: +| HVMSTT

Phương trình hồi quy tuyến tính bội tổng quát:

$$HVMSTT = \beta_0 + \beta_1 \cdot SHI + \beta_2 \cdot DSD + \beta_3 \cdot MDVG + \beta_4 \cdot NTRR + \beta_5 \cdot TMTT + \epsilon$$

Trong đó:

  • $HVMSTT$: Biến phụ thuộc (Hành vi mua sắm trực tuyến sản phẩm thời trang).
  • $SHI, DSD, MDVG, NTRR, TMTT$: Các biến độc lập.
  • $\beta_0$: Hằng số hồi quy; $\beta_1 \dots \beta_5$: Hệ số hồi quy riêng phần; $\epsilon$: Sai số ngẫu nhiên.

Methodology

Quy trình nghiên cứu kết hợp hai giai đoạn (Mixed-Methods Research Design):

+--------------------------------------------------------------------------------+
|                             QUY TRÌNH NGHIÊN CỨU                                |
|                                                                                |
|  [Giai đoạn 1: Định tính]                                                      |
|  - Tổng quan lý thuyết -> Thiết kế thang đo sơ bộ                              |
|  - Thảo luận tay đôi (In-depth interview) với N = 5 đối tượng Gen Z            |
|  - Hiệu chỉnh thuật ngữ, loại bỏ câu hỏi gây nhiễu -> Thang đo chính thức      |
|                                                                                |
|  [Giai đoạn 2: Định lượng]                                                     |
|  - Thu thập dữ liệu qua Google Forms (Thang đo Likert 5 mức độ)                |
|  - Làm sạch dữ liệu -> 180 mẫu hợp lệ                                          |
|  - IBM SPSS Statistics 22.0: Cronbach's Alpha -> EFA -> Pearson -> OLS Reg     |
+--------------------------------------------------------------------------------+

Implementation và kết quả

Development process & Statistical Pipeline

Quy trình làm sạch dữ liệu và xử lý thống kê được chuẩn hóa qua các thuật toán kiểm định tham số. Dưới đây là mã nguồn Python mô phỏng toàn bộ quy trình phân tích dữ liệu tương đương trên SPSS 22.0:

import numpy as np
import pandas as pd
from factor_analyzer import FactorAnalyzer
from factor_analyzer.factor_analyzer import calculate_kmo, calculate_bartlett_sphericity
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

def cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính hệ số độ tin cậy Cronbach's Alpha cho tập biến 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]
    return (k / (k - 1)) * (1 - (item_vars.sum() / total_var))

def run_econometric_pipeline(df: pd.DataFrame, indep_cols: list, dep_col: str):
    """
    Quy trình kiểm định kinh tế lượng:
    1. Kiểm tra Bartlett & KMO
    2. Phân tích EFA (Principal Component Analysis với Varimax Rotation)
    3. Hồi quy OLS đa biến & Kiểm định VIF
    """
    # 1. KMO & Bartlett Test
    chi_square_value, p_value = calculate_bartlett_sphericity(df[indep_cols])
    kmo_all, kmo_model = calculate_kmo(df[indep_cols])
    print(f"[EFA Diagnostics] KMO: {kmo_model:.3f} | Bartlett p-value: {p_value:.4e}")
    
    # 2. Hồi quy OLS
    X = df[indep_cols]
    y = df[dep_col]
    X_const = sm.add_constant(X)
    
    model = sm.OLS(y, X_const).fit()
    print(model.summary())
    
    # 3. Tính hệ số phóng đại phương sai (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])]
    print("\n[Multicollinearity Check - VIF]:\n", vif_data)

# Ví dụ thực thi trên tập dữ liệu N = 180 mẫu
# df_survey = pd.read_csv("shopee_genz_fashion_n180.csv")
# run_econometric_pipeline(df_survey, ["SHI", "DSD", "MDVG", "NTRR", "TMTT"], "HVMSTT")

Testing và validation

1. Thống kê mô tả mẫu ($N = 180$)

  • Độ tuổi: 100% thuộc Gen Z (từ 18 đến 25 tuổi), sinh sống, học tập và làm việc tại TP.HCM.
  • Tần suất mua sắm: Đa số mua từ 2–5 lần/tháng trên Shopee.
  • Danh mục phổ biến: Quần áo, giày dép, phụ kiện thời trang chiếm ưu thế tuyệt đối.

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

Tất cả các thang đo khái niệm đều thỏa mãn điều kiện kiểm định: hệ số Cronbach's Alpha $> 0.70$ và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $> 0.30$.

+-------------------------------------------------------------------------------+
|  KẾT QUẢ CRONBACH'S ALPHA                                                     |
|  - Nhận thức sự hữu ích (SHI):         alpha = 0.842  (Đạt chuẩn)            |
|  - Nhận thức dễ sử dụng (DSD):         alpha = 0.789  (Đạt chuẩn)            |
|  - Mong đợi về giá (MDVG):             alpha = 0.815  (Đạt chuẩn)            |
|  - Nhận thức rủi ro (NTRR):            alpha = 0.831  (Đạt chuẩn)            |
|  - Truyền miệng trực tuyến (TMTT):     alpha = 0.856  (Đạt chuẩn)            |
|  - Hành vi mua sắm trực tuyến (HVMSTT): alpha = 0.824  (Đạt chuẩn)            |
+-------------------------------------------------------------------------------+

3. Phân tích nhân tố khám phá (EFA)

  • Biến độc lập:
    • $KMO = 0.828 > 0.50$; Kiểm định Bartlett có giá trị Sig. $= 0.000 < 0.05$.
    • Trích xuất được 5 nhân tố với giá trị Eigenvalue $= 1.214 > 1.0$.
    • Tổng phương sai trích (Cumulative Variance Explained) đạt $62.45% > 50%$.
    • Hệ số tải nhân tố (Factor Loading) của tất cả các biến quan sát đều $> 0.55$, không xảy ra hiện tượng tải chéo.
  • Biến phụ thuộc ($HVMSTT$):
    • $KMO = 0.782$; Sig. Bartlett $= 0.000$; Tổng phương sai trích đạt $65.12%$.

4. Phân tích tương quan Pearson

Ma trận tương quan cho thấy các biến độc lập đều có mối quan hệ tương quan tuyến tính có ý nghĩa thống kê ($p < 0.01$) với biến phụ thuộc $HVMSTT$. Biến $NTRR$ tương quan âm, trong khi 4 biến còn lại tương quan dương.

5. Kết quả hồi quy tuyến tính đa biến (OLS Regression)

+-------------------------------------------------------------------------------+
|  ĐÁNH GIÁ ĐỘ PHÙ HỢP CỦA MÔ HÌNH HỒI QUY                                      |
|  - Hệ số tương quan đa số: R = 0.736                                          |
|  - Hệ số xác định:         R^2 = 0.542 (54.2% phương sai được giải thích)     |
|  - Hệ số R^2 hiệu chỉnh:   R^2_adj = 0.528                                    |
|  - Thống kê F (ANOVA):     F = 41.178, Sig. = 0.000 (< 0.001)                 |
|  - Hiện tượng tự tương quan: Durbin-Watson = 1.892 (Nằm trong khoảng 1.5 - 2.5)|
+-------------------------------------------------------------------------------+

Bảng trọng số hồi quy và kiểm định giả thuyết:

Biến độc lập Ký hiệu Hệ số hồi quy chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số hồi quy chuẩn hóa ($\beta$) Giá trị $t$ Giá trị $p$ (Sig.) VIF Kết luận giả thuyết
(Hằng số) Constant 0.412 0.215 — 1.916 0.057 — —
Sự hữu ích $SHI$ 0.345 0.052 0.358 6.634 0.000 1.342 Chấp nhận H1 (+)
Dễ sử dụng $DSD$ 0.124 0.048 0.132 2.583 0.011 1.285 Chấp nhận H2 (+)
Mong đợi giá $MDVG$ 0.218 0.051 0.224 4.274 0.000 1.391 Chấp nhận H3 (+)
Nhận thức rủi ro $NTRR$ -0.211 0.049 -0.221 -4.306 0.000 1.254 Chấp nhận H4 (-)
Truyền miệng trực tuyến $TMTT$ 0.248 0.050 0.256 4.960 0.000 1.318 Chấp nhận H5 (+) 
Phương trình hồi quy chuẩn hóa thực nghiệm:
HVMSTT = 0.358*SHI + 0.256*TMTT + 0.224*MDVG - 0.221*NTRR + 0.132*DSD

pie title Mức độ tác động tương đối (|Beta|) của các yếu tố
    "Nhận thức sự hữu ích (0.358)" : 30.0
    "Truyền miệng trực tuyến (0.256)" : 21.5
    "Mong đợi về giá (0.224)" : 18.8
    "Nhận thức rủi ro (0.221)" : 18.5
    "Nhận thức dễ sử dụng (0.132)" : 11.2

Đổi mới và đóng góp

  1. Đóng góp học thuật:
    • Tích hợp thành công cấu trúc lý thuyết đa chiều (TAM + TPB + TPR + eWOM) để xây dựng mô hình giải thích được 54.2% phương sai hành vi tiêu dùng thời trang của Thế hệ Z tại một đô thị đang phát triển nhanh (TP.HCM).
    • Kiểm chứng thực nghiệm cho thấy Truyền miệng trực tuyến ($TMTT$, $\beta = 0.256$) vượt qua cả yếu tố giá cả ($MDVG$, $\beta = 0.224$) để trở thành động lực mạnh thứ hai thúc đẩy Gen Z mua sắm. Điều này phản ánh sự chuyển dịch từ quảng cáo truyền thống sang tiếp thị qua người có ảnh hưởng (KOLs/KOCs) và đánh giá cộng đồng (Social Proof).
  2. Đóng góp phương pháp luận:
    • Quy trình tinh chỉnh thang đo chặt chẽ thông qua phỏng vấn chuyên sâu định tính $N=5$ trước khi triển khai bảng hỏi số lượng lớn, giúp triệt tiêu các câu hỏi đa nghĩa trong danh mục thời trang trực tuyến.
  3. So sánh với các nghiên cứu trước đây:
+--------------------------------------------------------------------------------+
| SO SÁNH HIỆU QUẢ GIẢI THÍCH PHƯƠNG SAI (R^2)                                   |
|                                                                                |
| Muda et al. (2016)           [====>                   ] 33.3%                 |
| Hà Ngọc Thắng & CS (2016)     [======>                 ] 41.2%                 |
| Nghiên cứu này (2023)        [========>               ] 54.2% (Đặc thù Gen Z)  |
| Nguyễn Minh Tuấn & CS (2020) [=========>              ] 58.4% (Đa ngành hàng)  |
+--------------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Dựa trên kết quả phân tích hệ số hồi quy chuẩn hóa $\beta$, các khuyến nghị quản trị được xếp hạng theo thứ tự ưu tiên:

Thứ tự ưu tiên triển khai:
[1. SHI (0.358)] --> [2. TMTT (0.256)] --> [3. MDVG (0.224)] --> [4. NTRR (-0.221)] --> [5. DSD (0.132)]

1. Tối ưu hóa Nhận thức sự hữu ích ($SHI$ - $\beta = 0.358$)

  • Hệ thống gợi ý thông minh (AI Recommendation Engine): Tích hợp công nghệ đề xuất size chuẩn xác dựa trên chiều cao, cân nặng và số đo 3 vòng của người dùng nhằm khắc phục nhược điểm lớn nhất của mua thời trang online.
  • Logistics siêu tốc: Mở rộng dịch vụ giao hàng hỏa tốc (Shopee Instant/Shopee Xpress) trong vòng 2-4 giờ tại khu vực nội thành TP.HCM, đáp ứng tâm lý muốn nhận hàng ngay của Gen Z.

2. Phát triển Kênh Truyền miệng trực tuyến ($TMTT$ - $\beta = 0.256$)

  • Cơ chế KOC & Review thưởng Xu: Tăng cường khuyến khích người mua đăng tải video unbox, ảnh chụp thực tế và đánh giá chất liệu vải bằng việc thưởng Shopee Xu (ví dụ: tặng 500–1.000 Xu/đánh giá có kèm video $\ge 5$ giây).
  • Phát triển Shopee Live & Shopee Video: Tăng lưu lượng hiển thị cho các phiên phát trực tiếp của các nhãn hàng thời trang thời thượng, cho phép người mẫu mặc thử trực tiếp và giải đáp thắc mắc về form dáng theo thời gian thực.

3. Chiến lược Giá và Khuyến mãi cá nhân hóa ($MDVG$ - $\beta = 0.224$)

  • Cơ chế xếp chồng mã (Voucher Stacking): Tối ưu hóa tính năng áp dụng đồng thời: Mã miễn phí vận chuyển + Mã giảm giá sàn + Mã giảm giá từ người bán.
  • Gói ưu đãi riêng cho sinh viên: Triển khai chương trình xác thực tài khoản sinh viên/học sinh để nhận gói voucher định kỳ dành riêng cho ngành hàng thời trang giới trẻ.

4. Triệt tiêu Nhận thức rủi ro ($NTRR$ - $\beta = -0.221$)

  • Chính sách đổi trả minh bạch: Chuẩn hóa quy trình "Trả hàng - Hoàn tiền trong 7-15 ngày" nếu sản phẩm không đúng mô tả hoặc không vừa kích cỡ; thiết lập tính năng trả hàng miễn phí tận nơi (Shipper đến lấy hàng tận nhà).
  • Gắn nhãn định danh Shopee Mall / Shop Yêu Thích+: Thắt chặt tiêu chuẩn kiểm duyệt nguồn gốc hàng hóa đối với các gian hàng thời trang nhằm loại bỏ hàng giả, hàng nhái kém chất lượng.

5. Cải thiện Nhận thức dễ sử dụng ($DSD$ - $\beta = 0.132$)

  • Bộ lọc tìm kiếm trực quan: Bổ sung bộ lọc chi tiết theo phong cách (Streetwear, Vintage, Minimalist, Y2K), chất liệu (Cotton, Linen, Jean) và bảng màu chuẩn pantone.
  • Thanh toán 1-chạm: Tối ưu hóa luồng thanh toán qua ví ShopeePay, SPayLater (Mua trước trả sau) với giao diện tối giản, giảm thiểu số bước thao tác.

Hạn chế và hướng phát triển

Hạn chế học thuật

  1. Quy mô và phương pháp chọn mẫu: Cỡ mẫu $N = 180$ được thu thập bằng phương pháp lấy mẫu thuận tiện phi xác suất (Non-probability convenience sampling), tập trung chủ yếu vào sinh viên tại TP.HCM nên tính đại diện cho toàn bộ tập khách hàng Gen Z chưa thật sự tuyệt đối.
  2. Thiết kế nghiên cứu cắt ngang (Cross-sectional Study): Dữ liệu được đo lường tại một thời điểm duy nhất trong năm 2023, chưa phản ánh được sự biến thiên hành vi theo chu kỳ dài hạn hoặc sự trỗi dậy của các nền tảng mới nổi như TikTok Shop.
  3. Phạm vi nền tảng: Chỉ tập trung trên sàn Shopee, chưa có dữ liệu so sánh đối đầu (Cross-platform analysis) với Lazada hay TikTok Shop.

Hướng nghiên cứu tiếp theo

  • Mở rộng quy mô mẫu lên $N \ge 500$, áp dụng phương pháp lấy mẫu phân tầng (Stratified sampling) tại nhiều đô thị lớn như Hà Nội, Đà Nẵng, Cần Thơ.
  • Ứng dụng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) trên phần mềm SmartPLS để kiểm định các biến trung gian (Mediator) như Niềm tin thương hiệu (Brand Trust) và biến điều tiết (Moderator) như Thu nhập khả dụng hoặc Giới tính.

Đối tượng hưởng lợi

+--------------------------------------------------------------------------------+
|                         GIÁ TRỊ CHO CÁC NHÓM ĐỐI TƯỢNG                         |
|                                                                                |
|  [Sinh viên / Học viên cao học]                                                |
|  - Cung cấp khung nghiên cứu mẫu kết hợp TAM + TPB + TPR                       |
|  - Bản thiết kế khảo sát và cấu trúc kiểm định thống kê SPSS chuẩn mực         |
|                                                                                |
|  [Nhà nghiên cứu / Giảng viên]                                                 |
|  - Dữ liệu thực nghiệm về hành vi tiêu dùng thời trang của Gen Z tại TP.HCM     |
|  - Đóng góp vào cơ sở dữ liệu kinh tế lượng ứng dụng tại Việt Nam              |
|                                                                                |
|  [Sàn TMĐT & Doanh nghiệp Thời trang]                                          |
|  - Xác định thứ tự ưu tiên phân bổ ngân sách: Tập trung vào Hữu ích & eWOM    |
|  - Chiến lược giảm rủi ro đổi trả và tăng tỷ lệ khách hàng quay lại (Retention)|
+--------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Cần chuẩn bị hạ tầng phần mềm gì để thực hiện phân tích số liệu tương tự?

Nghiên cứu sử dụng phần mềm IBM SPSS Statistics phiên bản 22.0 trở lên (hoặc các gói mã nguồn mở Python statsmodels, factor_analyzer, scikit-learn). Dữ liệu khảo sát được xuất từ bảng tính Google Forms sang định dạng CSV/XLSX, sau đó mã hóa thang đo Likert (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý) trước khi phân tích.

2. Quy mô mẫu $N = 180$ có đảm bảo độ tin cậy thống kê cho mô hình 5 biến độc lập?

Theo quy tắc kinh nghiệm của Hair et al. (2014), kích thước mẫu tối thiểu cho phân tích nhân tố khám phá EFA phải gấp ít nhất 5 lần tổng số biến quan sát ($N \ge 5 \times q$). Với 24 biến quan sát, cỡ mẫu tối thiểu cần đạt là $120$. Theo công thức của Green (1991) cho hồi quy tuyến tính bội ($N \ge 50 + 8m$, với $m=5$ biến độc lập), cỡ mẫu tối thiểu là $90$. Do đó, cỡ mẫu $N = 180$ hoàn toàn thỏa mãn các tiêu chuẩn thống kê.

3. Tại sao biến Nhận thức rủi ro ($NTRR$) lại có hệ số beta âm ($\beta = -0.221$)?

Hệ số beta mang dấu âm thể hiện mối quan hệ nghịch biến: Khi nhận thức về rủi ro (lo ngại về chất lượng vải, sai lệch form dáng, rủi ro lộ thông tin cá nhân, khó khăn khi đổi trả) tăng lên, mức độ thực hiện hành vi mua sắm trực tuyến sản phẩm thời trang của Gen Z sẽ giảm xuống tương ứng.

4. Sàn TMĐT nên ưu tiên cải thiện tính dễ sử dụng (UI/UX) hay nội dung eWOM trước?

Kết quả hồi quy chỉ ra rằng trọng số tác động của Truyền miệng trực tuyến ($TMTT$, $\beta = 0.256$) cao gần gấp đôi Nhận thức dễ sử dụng ($DSD$, $\beta = 0.132$). Gen Z là thế hệ bản địa kỹ thuật số (Digital Natives) nên giao diện cơ bản của Shopee đã rất quen thuộc; điều thúc đẩy họ quyết định mua hàng chính là review chân thực từ cộng đồng và người có ảnh hưởng. Do đó, ngân sách tiếp thị nên ưu tiên cho KOC/Reviewer và hệ thống đánh giá.

5. Làm thế nào để áp dụng kết quả này cho các gian hàng thời trang nhỏ lẻ (SMEs)?

Các chủ shop thời trang trên Shopee cần:

  • Tối ưu mô tả sản phẩm chi tiết kèm bảng quy đổi kích cỡ chuẩn xác ($SHI$).
  • Xây dựng chương trình tặng quà/voucher cho khách hàng gửi feedback hình ảnh/video ($TMTT$).
  • Đăng ký gói bảo hiểm vận chuyển hoặc cam kết hỗ trợ đổi size miễn phí để triệt tiêu rào cản tâm lý ($NTRR$).

Kết luận

Đề tài khóa luận tốt nghiệp của tác giả Huỳnh Nguyễn Kim Ngân đã giải quyết bài toán lượng hóa hành vi mua sắm trực tuyến sản phẩm thời trang của Thế hệ Z trên sàn TMĐT Shopee tại TP.HCM. Bằng việc kết hợp chặt chẽ giữa nghiên cứu định tính và phương pháp định lượng đa biến trên 180 mẫu khảo sát, công trình đã xác lập mô hình hồi quy giải thích được 54.2% sự biến thiên của hành vi tiêu dùng.

Kết quả kiểm định thực nghiệm chứng minh rằng Nhận thức sự hữu ích ($\beta = 0.358$) và Truyền miệng trực tuyến ($\beta = 0.256$) là hai nhân tố chi phối mạnh mẽ nhất, trong khi Nhận thức rủi ro ($\beta = -0.221$) đóng vai trò là rào cản cốt lõi cần phải triệt tiêu. Các phát hiện này không chỉ cung cấp luận cứ khoa học cho hệ thống lý thuyết TMĐT mà còn mang lại bộ giải pháp thực thi trực tiếp cho Shopee và các thương hiệu thời trang số trong việc chinh phục phân khúc người tiêu dùng Gen Z.