Giới thiệu dự án

Thị trường bán lẻ dược phẩm Việt Nam đang trải qua giai đoạn tăng trưởng vượt bậc với quy mô dự kiến tăng từ 7,7 tỷ USD (2021) lên 16,1 tỷ USD vào năm 2026, đạt tốc độ tăng trưởng kép hàng năm (CAGR) lên tới 11% (theo báo cáo của Business Monitor International - BMI). Đồng thời, mức chi tiêu bình quân đầu người dành cho chăm sóc sức khỏe dự báo tăng gấp đôi từ 170 USD (2017) lên 400 USD (2027). Sự bùng nổ này kéo theo cuộc đua mở rộng chuỗi nhà thuốc hiện đại đạt chuẩn Thực hành tốt nhà thuốc (Good Pharmacy Practice - GPP) từ các doanh nghiệp lớn như Pharmacity, FPT Long Châu và An Khang.

Mặc dù Pharmacity sở hữu mạng lưới hơn 1.100 cửa hàng và hơn 3.500 dược sĩ trên toàn quốc, bài toán giữ chân người tiêu dùng đô thị vẫn gặp nhiều thách thức (pain points):

  • Thói quen cố hữu của người tiêu dùng là ưu tiên các tiệm thuốc truyền thống gần nhà với mức giá linh hoạt.
  • Áp lực cạnh tranh gay gắt về danh mục thuốc điều trị chuyên sâu từ FPT Long Châu và mạng lưới bán lẻ từ An Khang.
  • Yêu cầu ngày càng khắt khe về chất lượng tư vấn chuyên môn của dược sĩ và trải nghiệm dịch vụ khách hàng hậu đại dịch COVID-19.

Đề tài "Các yếu tố ảnh hưởng đến quyết định chọn thương hiệu Pharmacity tại TP.HCM" giải quyết bài toán trên thông qua mô hình nghiên cứu hành vi người tiêu dùng kết hợp phân tích định lượng nâng cao:

  1. Mục tiêu 1: Xác định và lượng hóa các nhóm yếu tố tác động trực tiếp đến quyết định chọn thương hiệu Pharmacity của khách hàng tại TP.HCM.
  2. Mục tiêu 2: Đo lường mức độ ảnh hưởng tương đối giữa các biến độc lập thông qua kiểm định độ tin cậy Cronbach's Alpha, phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) và hồi quy tuyến tính bội (Multiple Linear Regression).
  3. Mục tiêu 3: Xây dựng hệ thống hàm ý quản trị chiến lược giúp tối ưu hóa dịch vụ bán lẻ dược phẩm, cá nhân hóa tiếp thị và nâng cao năng lực cạnh tranh.

Nghiên cứu khảo sát trên tập dữ liệu $N = 143$ khách hàng hợp lệ (từ 145 phiếu khảo sát ban đầu, đạt tỷ lệ phản hồi hợp lệ 98,6%) tại khu vực TP.HCM trong khung thời gian từ tháng 01 đến tháng 03 năm 2023. Phạm vi nghiên cứu tập trung vào khách hàng từ 18 tuổi trở lên tiếp cận cả hai kênh mua sắm trực tiếp (Offline Store) và trực tuyến (Pharmacity Mobile App/E-commerce).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường bán lẻ dược phẩm tại các đô thị lớn tại Việt Nam được định hình bởi ba mô hình chính với các ưu và nhược điểm rõ rệt:

Tiêu chí so sánh Chuỗi bán lẻ hiện đại (Pharmacity) Chuỗi chuyên thuốc đặc trị (Long Châu) Nhà thuốc truyền thống (Tư nhân)
Mô hình kinh doanh Convenience Pharmacy (Thuốc + Chăm sóc sức khỏe & sắc đẹp) Focused Drugstore (Chuyên thuốc theo đơn, thuốc hiếm) Neighborhood Pharmacy (Thuốc thiết yếu cơ bản)
Độ phủ & Không gian Mặt tiền lớn, thiết kế mở, máy lạnh, chuẩn GPP hiện đại Mạng lưới rộng, tập trung gần bệnh viện, cơ sở y tế Len lỏi vào từng ngõ hẻm dân cư, diện tích nhỏ
Công nghệ & Số hóa Nền tảng RELEX AI dự báo cung cầu, Pharmacity App, Thẻ thành viên ERP quản trị tồn kho realtime, website bán hàng tối ưu SEO Thủ công, không tích hợp phần mềm quản lý nâng cao
Ưu điểm Đa dạng sản phẩm FMCG sức khỏe, minh bạch giá, dịch vụ chuẩn hóa Nguồn thuốc điều trị đa dạng, giá cạnh tranh ở nhóm thuốc kê đơn Tiện lợi tức thì, quen mặt khách hàng, linh hoạt liều dùng
Nhược điểm Chi phí vận hành cao, định vị giá sản phẩm phổ thông chưa tối ưu Trải nghiệm dịch vụ chưa đồng đều, ít mặt hàng tiêu dùng Nguồn gốc xuất xứ khó kiểm chứng, không có ưu đãi tích điểm

Áp dụng phương pháp phân tích yêu cầu MoSCoW đối với các yếu tố chi phối hành vi mua hàng:

  • Must-have (Bắt buộc): Nguồn gốc xuất xứ minh bạch (CL2), Dược sĩ có trình độ chuyên môn cao (DS2), Giá cả niêm yết rõ ràng và ổn định (GC3).
  • Should-have (Cần có): Địa điểm thuận tiện di chuyển (DD1), Không gian quầy thuốc sạch sẽ, thông thoáng (DD3), Dược sĩ phục vụ tận tâm, lịch sự (DS1, DV1).
  • Could-have (Có thể có): Chương trình tích điểm thành viên, Hoàn tiền chênh lệch giá, Ứng dụng đặt hàng giao tận nơi.
  • Won't-have (Chưa ưu tiên): Dịch vụ phòng khám lâm sàng trực tiếp tại tất cả điểm bán.
+-----------------------------------------------------------------------------------+
|                                  GAP ANALYSIS                                     |
+-----------------------------------------------------------------------------------+
|  Hiện trạng:                                      Mục tiêu tối ưu:                |
|  - Khách hàng phân vân giữa chất lượng tư vấn     - Chuẩn hóa quy trình tư vấn    |
|    và sự thuận tiện vị trí.                         kết hợp tự động hóa chuỗi cung|
|  - 6 nhóm yếu tố ban đầu có sự giao thoa            ứng (RELEX AI Platform).      |
|    giữa năng lực Dược sĩ và Dịch vụ.              - Hợp nhất cấu trúc DSDV để     |
|                                                     tối ưu nguồn lực vận hành.    |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Mô hình kiến trúc xử lý và phân tích dữ liệu nghiên cứu được thiết kế theo cấu trúc pipeline chuẩn hóa:

graph TD
    A["Thiết kế bảng câu hỏi (Likert 5-point: 25 biến)"] --> B["Thu thập dữ liệu (Google Forms + Offline N=145)"]
    B --> C["Lọc dữ liệu thô & Mã hóa (N=143 hợp lệ)"]
    C --> D["Kiểm định Cronbach's Alpha (Alpha >= 0.6, Corrected Item-Total >= 0.3)"]
    D --> E["Phân tích nhân tố khám phá EFA (Principal Components, Varimax)"]
    E --> F["Hiệu chỉnh mô hình (Gộp Dược sĩ + Dịch vụ -> DSDV)"]
    F --> G["Hồi quy tuyến tính bội OLS & Kiểm định VIF, Durbin-Watson"]
    G --> H["Triển khai hàm ý quản trị trên hệ thống RELEX & CRM"]

Technology Stack và Công cụ phân tích

  • Phân tích thống kê & Kinh tế lượng: IBM SPSS Statistics Version 26.0 (Core Engine), Python 3.10 (Thư viện pandas 2.0.3, statsmodels 0.14.0, scikit-learn 1.3.0 cho cross-validation).
  • Công cụ thu thập dữ liệu: Google Forms API, Bảng hỏi in ấn chuẩn hóa.
  • Nền tảng ứng dụng doanh nghiệp tích hợp: Nền tảng RELEX AI (Retail Demand Forecasting Platform - triển khai từ tháng 02/2022 tại Pharmacity) và Hệ sinh thái Pharmacity Mobile App (iOS/Android).

Cấu trúc Thang đo (Construct Schema)

Hệ thống biến quan sát gồm 6 thang đo độc lập ban đầu (22 biến) và 1 thang đo phụ thuộc (3 biến):

  • Chất lượng (CL): CL1 (Phong phú), CL2 (Nguồn gốc rõ ràng), CL3 (Uy tín cao), CL4 (Vượt trội đối thủ).
  • Giá cả (GC): GC1 (Tương xứng chất lượng), GC2 (Phù hợp ngân sách cá nhân), GC3 (Tính ổn định).
  • Địa điểm (DD): DD1 (Thuận tiện di chuyển), DD2 (Khu dân cư/mặt tiền), DD3 (Không gian sạch sẽ), DD4 (Cách trưng bày bắt mắt).
  • Khuyến mãi và quảng cáo (KM): KM1 (Truyền thông kịp thời), KM2 (Quảng bá rộng rãi), KM3 (Tần suất ưu đãi), KM4 (Chính sách tri ân thành viên).
  • Dược sĩ trình độ cao (DS): DS1 (Thái độ tư vấn), DS2 (Kiến thức dược lý), DS3 (Kỹ năng chăm sóc), DS4 (Khả năng xử lý tình huống).
  • Dịch vụ (DV): DV1 (Nhân viên nhiệt tình), DV2 (Mức độ hài lòng chung), DV3 (Xử lý khiếu nại nhanh chóng).
  • Quyết định chọn (QDC - Biến phụ thuộc): QDC1 (Hài lòng khi lựa chọn), QDC2 (Sẵn sàng giới thiệu), QDC3 (Ý định tái mua).

Methodology

Nghiên cứu ứng dụng quy trình kết hợp hai giai đoạn (Mixed-Method Approach):

  1. Nghiên cứu định tính ($N_1 = 15$): Thực hiện phỏng vấn chuyên sâu 5 chuyên gia ngành dược/bán lẻ và thảo luận nhóm tập trung với 10 người tiêu dùng mục tiêu nhằm hoàn thiện câu từ, loại bỏ biến nhiễu và định hình thang đo nháp thành thang đo chính thức.
  2. Nghiên cứu định lượng ($N_2 = 143$): Khảo sát diện rộng thông qua phương pháp lấy mẫu thuận tiện phi xác suất (Convenience Sampling).
+-----------------------------------------------------------------------------------+
|                        TIMELINE VÀ MA TRẬN RỦI RO DỰ ÁN                           |
+-----------------------------------------------------------------------------------+
| Milestone 1: Xây dựng cơ sở lý thuyết TRA/TPB & Thang đo nháp     [Tuần 1 - 2]   |
| Milestone 2: Nghiên cứu định tính & Hiệu chỉnh thang đo           [Tuần 3 - 4]   |
| Milestone 3: Thu thập dữ liệu thực địa (Online + Offline)          [Tuần 5 - 8]   |
| Milestone 4: Xử lý dữ liệu trên SPSS 26.0 & Kiểm định mô hình       [Tuần 9 - 10]  |
| Milestone 5: Đề xuất hàm ý quản trị & Hoàn thiện báo cáo          [Tuần 11 - 12] |
+-----------------------------------------------------------------------------------+
| RỦI RO & BIỆN PHÁP KIỂM SOÁT:                                                     |
| - Mẫu không đạt tiêu chuẩn kích thước (Hair et al., 2006: N >= 5*22 = 110):        |
|   -> Phát hành 145 phiếu, thu về 143 mẫu hợp lệ (vượt 30% ngưỡng tối thiểu).      |
| - Sai lệch phân bố nhân khẩu học: Kiểm định tương quan chéo giữa các nhóm tuổi.   |
+-----------------------------------------------------------------------------------+

Implementation và kết quả

Development process

Quá trình phân tích định lượng được tự động hóa và đối soát qua kịch bản kiểm định thống kê. Dưới đây là thuật toán tính toán hệ số tin cậy nội bộ Cronbach's Alpha và kiểm định phân tích nhân tố khám phá EFA:

$$\alpha = \frac{K}{K - 1} \left( 1 - \frac{\sum_{i=1}^{K} \sigma_{Y_i}^2}{\sigma_X^2} \right)$$

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.

import numpy as np
import pandas as pd
from statsmodels.formula.api import ols
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 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]
    alpha = (k / (k - 1)) * (1 - item_vars.sum() / total_var)
    return float(alpha)

# Trích xuất phân tích hồi quy OLS đa biến thực tế
# QDC = beta_0 + beta_1*DSDV + beta_2*GC + beta_3*CL + beta_4*KM + beta_5*DD + e
def run_regression_pipeline(data: pd.DataFrame):
    formula = "QDC ~ DSDV + GC + CL + KM + DD"
    model = ols(formula, data=data).fit()
    print(model.summary())
    
    # Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity) qua VIF
    X = data[['DSDV', 'GC', 'CL', 'KM', 'DD']]
    vif_data = pd.DataFrame()
    vif_data["feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]
    return model, vif_data

Testing và validation

Kết quả xử lý 143 mẫu khảo sát thực nghiệm trên SPSS 26.0 ghi nhận các chỉ số kiểm định kỹ thuật đạt tiêu chuẩn quốc tế:

  1. Độ tin cậy thang đo (Cronbach's Alpha):

    • Thang đo Chất lượng (CL): $\alpha = 0.812$, tương quan biến - tổng nhỏ nhất $r = 0.542 > 0.30$.
    • Thang đo Giá cả (GC): $\alpha = 0.785$, tương quan biến - tổng $r > 0.490$.
    • Thang đo Địa điểm (DD): $\alpha = 0.804$, tương quan biến - tổng $r > 0.510$.
    • Thang đo Khuyến mãi và quảng cáo (KM): $\alpha = 0.831$, tương quan biến - tổng $r > 0.560$.
    • Thang đo Dược sĩ (DS) và Dịch vụ (DV): Đều đạt $\alpha > 0.820$.
    • Thang đo Biến phụ thuộc Quyết định chọn (QDC): $\alpha = 0.846$.

  2. Phân tích nhân tố khám phá (EFA):

    • Hệ số KMO (Kaiser-Meyer-Olkin) cho biến độc lập: $\text{KMO} = 0.864$ (Thỏa điều kiện $0.5 \le \text{KMO} \le 1.0$).
    • Kiểm định Bartlett: Giá trị thống kê $\chi^2$ có mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$ (Các biến có tương quan chặt chẽ).
    • Điểm dừng Eigenvalue = $1.241 > 1.0$, trích được 5 nhân tố với Tổng phương sai trích (Cumulative Variance Explained) đạt $63.78% > 50%$.
    • Hiện tượng gộp nhân tố: Các biến quan sát của thang đo Dược sĩ (DS1, DS2, DS3, DS4) và Dịch vụ (DV1, DV2, DV3) tải chung vào một nhóm nhân tố với Factor Loading $> 0.55$, tạo thành nhân tố hợp nhất Dược sĩ – Dịch vụ (DSDV).

Kết quả đạt được

Phương trình hồi quy tuyến tính chuẩn hóa thu được từ mô hình thực nghiệm:

$$\text{QDC} = 0.354 \cdot \text{DSDV} + 0.248 \cdot \text{GC} + 0.215 \cdot \text{CL} + 0.162 \cdot \text{KM} + 0.121 \cdot \text{DD}$$

Biến độc lập Hệ số $\beta$ chưa chuẩn hóa Hệ số $\beta$ chuẩn hóa Giá trị $t$-stat Giá trị Sig. Hệ số VIF Kết luận giả thuyết
(Hằng số) 0.412 - 1.892 0.061 - -
Dược sĩ – Dịch vụ (DSDV) 0.348 0.354 4.621 0.000 1.245 Chấp nhận H5 + H6
Giá cả (GC) 0.239 0.248 3.418 0.001 1.182 Chấp nhận H2
Chất lượng (CL) 0.208 0.215 3.012 0.003 1.310 Chấp nhận H1
Khuyến mãi (KM) 0.155 0.162 2.345 0.020 1.198 Chấp nhận H4
Địa điểm (DD) 0.118 0.121 2.054 0.042 1.156 Chấp nhận H3
  • Hệ số xác định mô hình: $R^2 = 0.582$, $R^2 \text{ hiệu chỉnh} = 0.567$. Mô hình giải thích được $56,7%$ sự biến thiên của quyết định chọn thương hiệu Pharmacity.
  • Kiểm định F: $F = 38.142$ với $\text{Sig.} = 0.000$, khẳng định mô hình hồi quy tuyến tính bội là hoàn toàn phù hợp.
  • Kiểm định vi phạm giả định: Hệ số Durbin-Watson $d = 1.942$ (xấp xỉ 2, không có tự tương quan chuỗi bậc nhất). Tất cả các hệ số $\text{VIF} < 2.0$ (không xảy ra hiện tượng đa cộng tuyến).

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và ứng dụng thực tiễn vượt trội so với các công trình trước đây:

  1. Hợp nhất cấu trúc tương quan Dược sĩ - Dịch vụ: Khác với mô hình nghiên cứu độc lập của Dania & Ghaith (2019) tại Jordan hay Dimitrios et al. (2017) tại Slovakia, nghiên cứu này chứng minh rằng tại thị trường bán lẻ dược phẩm TP.HCM, người tiêu dùng không tách rời năng lực chuyên môn của dược sĩ khỏi trải nghiệm dịch vụ khách hàng. Hai khía cạnh này hội tụ thành một khối nhận thức thống nhất (DSDV) có tác động mạnh nhất ($\beta = 0.354$).
  2. Khảo sát tính thích ứng công nghệ bán lẻ (Retail-Tech): Đánh giá trực tiếp hiệu quả của việc ứng dụng công nghệ dự báo nhu cầu RELEX AI và ứng dụng di động Pharmacity App vào việc duy trì độ sẵn sàng của hàng hóa (CL1) và hỗ trợ chương trình khách hàng thân thiết (KM4).
  3. Hiệu chỉnh thang đo cục bộ hóa: Tinh chỉnh 25 chỉ báo đo lường phản ánh đúng đặc tính tâm lý tiêu dùng của người dân TP.HCM sau đại dịch (chú trọng nguồn gốc xuất xứ rõ ràng CL2 và tính minh bạch của giá cả GC1).
+-----------------------------------------------------------------------------------+
|               SO SÁNH MỨC ĐỘ ẢNH HƯỞNG CỦA CÁC YẾU TỐ VỚI PRIOR ART               |
+-----------------------------------------------------------------------------------+
| Yếu tố xếp hạng 1:                                                                |
| - Nghiên cứu hiện tại (Pharmacity TP.HCM): Dược sĩ - Dịch vụ (Beta = 0.354)       |
| - Dania & Ghaith (2019 - Nhà thuốc cộng đồng): Dịch vụ khách hàng (Beta = 0.380) |
| - Nguyễn Nguyễn Quỳnh Trân (2021 - F&B Retail): Chất lượng sản phẩm               |
| - Lê Bảo Uyên (2022 - Chuỗi đồ uống): Dịch vụ - Khuyến mãi                        |
+-----------------------------------------------------------------------------------+
| Đóng góp phương pháp luận:                                                       |
| -> Chứng minh tỷ trọng đóng góp của Dược sĩ chuyên môn cao là rào cản phòng thủ  |
|    lớn nhất trước sự cạnh tranh của các sàn thương mại điện tử thuần túy.         |
+-----------------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

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

  • Tình huống 1 (Tư vấn thuốc theo đơn & Bệnh mãn tính): Khách hàng cao tuổi hoặc người có bệnh nền cần sự tư vấn kỹ lưỡng về tương tác thuốc. Hệ thống CRM tự động đồng bộ lịch sử mua hàng, giúp dược sĩ đưa ra lời khuyên cá nhân hóa (khai thác yếu tố DSDV và CL).
  • Tình huống 2 (Khách hàng văn phòng - Mua sắm nhanh FMCG sức khỏe): Khách hàng trẻ (chiếm 77,6% mẫu khảo sát) tận dụng tính năng "Click & Collect" trên Pharmacity App để đặt thực phẩm chức năng, nhận hàng tại nhà thuốc gần nhất trong 15 phút (khai thác yếu tố DD và KM).

Chiến lược triển khai và Lộ trình tối ưu hóa

+-----------------------------------------------------------------------------------+
|                  LỘ TRÌNH TRIỂN KHAI HÀM Ý QUẢN TRỊ 4 GIAI ĐOẠN                   |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1: Chuẩn hóa đào tạo Dược sĩ lâm sàng & Dịch vụ (Quý 1 - 2)             |
| - Triển khai 100% chứng chỉ kỹ năng giao tiếp và tư vấn tương tác thuốc.         |
| - Thiết lập KPI đánh giá mức độ hài lòng khách hàng tại quầy (CSAT > 90%).       |
+-----------------------------------------------------------------------------------+
| Giai đoạn 2: Tối ưu định giá và Chương trình hoàn tiền chênh lệch (Quý 2 - 3)     |
| - Rà soát danh mục 200 biệt dược thiết yếu, đảm bảo giá cạnh tranh so với đối thủ.|
| - Tự động hóa hoàn tiền qua ví điện tử trên Pharmacity App.                      |
+-----------------------------------------------------------------------------------+
| Giai đoạn 3: Mở rộng tích hợp chuỗi cung ứng AI (RELEX) (Quý 3 - 4)              |
| - Giảm tỷ lệ đứt gãy hàng hóa (Out-of-Stock) xuống dưới 1.5% tại 1.100 nhà thuốc.  |
| - Tự động điều phối sản phẩm mùa vụ (thuốc cảm cúm, chống dị ứng, vitamin).     |
+-----------------------------------------------------------------------------------+
| Giai đoạn 4: Tái cấu trúc mạng lưới cửa hàng (Năm tiếp theo)                      |
| - Đóng cửa điểm bán không đạt tỷ suất sinh lời, tập trung mặt bằng mặt tiền lớn. |
+-----------------------------------------------------------------------------------+

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

  • Chi phí triển khai: Ước tính đầu tư ngân sách đào tạo dược sĩ chuyên sâu (~1,5 tỷ VNĐ/năm) và phí bảo trì nâng cấp module thuật toán RELEX AI (~2,0 tỷ VNĐ/năm).
  • Lợi ích dự kiến (ROI):
    • Tăng tỷ lệ khách hàng trung thành quay lại (Retention Rate) thêm $18 - 22%$ sau 12 tháng.
    • Giảm chi phí tồn kho dư thừa $12%$ nhờ dự báo chính xác SKU theo từng cụm dân cư.
    • Điểm hòa vốn dự kiến đạt được trong 8 tháng vận hành mô hình tích hợp.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  1. Quy mô và phương pháp chọn mẫu: Mẫu $N = 143$ thu thập theo phương pháp thuận tiện tại TP.HCM chưa bao quát toàn bộ các vùng miền ngoại thành hoặc các tỉnh lân cận.
  2. Đặc điểm mẫu lệch giới tính và độ tuổi: Tỷ lệ nữ giới chiếm $73,4%$ và độ tuổi 18-30 chiếm $77,6%$, phản ánh hành vi của nhóm người tiêu dùng trẻ am hiểu công nghệ nhưng chưa đại diện trọn vẹn cho nhóm khách hàng lớn tuổi (người có nhu cầu dùng thuốc kê đơn cao nhất).
  3. Mô hình tĩnh: Dữ liệu cắt ngang (Cross-sectional data) tại một thời điểm (tháng 01 - 03/2023) chưa phản ánh được sự dịch chuyển hành vi theo mùa hoặc biến động kinh tế vĩ mô.

Hướng nghiên cứu tiếp theo

  • Mở rộng cỡ mẫu lên $N \ge 500$ áp dụng phương pháp lấy mẫu phân tầng (Stratified Random Sampling) tại nhiều tỉnh thành (Hà Nội, Đà Nẵng, Cần Thơ).
  • Tích hợp thêm các biến điều tiết (Moderating Variables) như Thu nhập, Tần suất mua hàng và Niềm tin thương hiệu (Brand Trust).
  • Ứng dụng mô hình cấu trúc tuyến tính bình phương bé nhất từng phần (PLS-SEM) kết hợp thuật toán Machine Learning để dự đoán xác suất churn (rời bỏ) của khách hàng.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                       MA TRẬN GIÁ TRỊ DÀNH CHO CÁC ĐỐI TƯỢNG                      |
+-----------------------------------------------------------------------------------+
| Sinh viên & Học viên:                                                             |
| - Cung cấp tài liệu tham khảo chuẩn mực về quy trình phân tích định lượng SPSS.    |
| - Mẫu bảng hỏi chuẩn hóa 25 biến quan sát theo thang đo Likert 5 mức độ.         |
+-----------------------------------------------------------------------------------+
| Nhà phân tích & Lập trình viên hệ thống:                                          |
| - Hiểu rõ logic tích hợp giữa dữ liệu hành vi người dùng và hệ thống RELEX AI.    |
| - Kịch bản kiểm định thống kê chuẩn hóa phục vụ Data Pipeline.                   |
+-----------------------------------------------------------------------------------+
| Ban quản trị doanh nghiệp (Pharmacity & Đối thủ bán lẻ):                          |
| - Bộ chỉ số định lượng chính xác mức độ nhạy cảm của khách hàng với Dịch vụ (35%)|
|   và Giá cả (25%), làm căn cứ phân bổ ngân sách marketing & R&D.                 |
+-----------------------------------------------------------------------------------+
| Nhà nghiên cứu học thuật:                                                         |
| - Bằng chứng thực nghiệm về sự hợp nhất cấu trúc DSDV trong ngành dược phẩm VN.  |
+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường để tái lập mô hình nghiên cứu này là gì?

Hệ thống cần cài đặt môi trường xử lý thống kê cơ bản: IBM SPSS Statistics v22.0 trở lên (khuyên dùng v26.0) hoặc môi trường Python 3.8+ với các gói thư viện statsmodels, scikit-learn, pandas, scipy. Bộ dữ liệu khảo sát cần được làm sạch, mã hóa thang đo Likert từ 1 đến 5 và kiểm tra giá trị khuyết (Missing values) trước khi chạy thuật toán.

2. Giới hạn quy mô mẫu (Scalability) của nghiên cứu là bao nhiêu?

Mô hình toán học OLS và EFA có khả năng mở rộng không giới hạn về kích thước mẫu ($N > 10.000$). Khi quy mô mẫu mở rộng vượt $N = 1.000$, nên chuyển đổi phương pháp phân tích sang Mô hình phương trình cấu trúc (SEM / CB-SEM) trên AMOS hoặc SmartPLS để kiểm soát sai số đo lường (Measurement error) tốt hơn.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống phần mềm quản lý nhà thuốc hiện có?

Kết quả trọng số hồi quy ($\beta$) có thể được tích hợp trực tiếp vào hệ thống tính điểm khách hàng tiềm năng (Lead Scoring) trong CRM. Ví dụ: Khách hàng đánh giá thấp điểm phục vụ của dược sĩ tại điểm bán ($DSDV \le 2$) sẽ tự động kích hoạt ticket chăm sóc khách hàng đặc biệt trên hệ thống Helpdesk trong vòng 24 giờ.

4. Chi phí duy trì và yêu cầu hỗ trợ định kỳ cho mô hình này như thế nào?

Khảo sát hành vi nên được thực hiện định kỳ 6 tháng/lần với chi phí khảo sát trực tuyến tối thiểu. Chi phí lớn nhất nằm ở việc duy trì nền tảng AI dự báo tồn kho RELEX và tổ chức các khóa đào tạo chuẩn hóa dược sĩ liên tục theo tiêu chuẩn GPP cập nhật của Bộ Y tế.

5. Cơ cấu chi phí và thời gian hoàn vốn (ROI) của các đề xuất quản trị?

Tổng chi phí thực thi các hàm ý quản trị ước tính chiếm khoảng $1,5 - 2,5%$ tổng doanh thu chuỗi. Nhờ cải thiện tỷ lệ giữ chân khách hàng (tăng $20%$) và nâng cao giá trị trung bình đơn hàng (AOV), thời gian thu hồi vốn đầu tư cho các chương trình tối ưu hóa trải nghiệm khách hàng dao động từ 6 đến 9 tháng.

Kết luận

Khóa luận tốt nghiệp của tác giả Phạm Thị Thủy Tiên đã giải quyết trọn vẹn và khoa học bài toán xác định các động lực chi phối quyết định lựa chọn chuỗi nhà thuốc Pharmacity tại TP.HCM. Thông qua quy trình phân tích kinh tế lượng chuẩn mực trên tập mẫu $N = 143$, nghiên cứu đã rút gọn 6 nhóm nhân tố ban đầu thành 5 nhóm nhân tố cốt lõi, trong đó Dược sĩ – Dịch vụ ($\beta = 0.354$) và Giá cả ($\beta = 0.248$) đóng vai trò tiên quyết. Kết quả này là cơ sở thực chứng vững chắc để Pharmacity tiếp tục đẩy mạnh chuyển đổi số, tối ưu chuỗi cung ứng thông qua RELEX AI và nâng cao trình độ chuyên môn của đội ngũ 3.500 dược sĩ, khẳng định vị thế dẫn đầu trong thị trường bán lẻ dược phẩm Việt Nam.