Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam đã có những bước chuyển biến mang tính bước ngoặt dưới tác động của cuộc Cách mạng Công nghiệp 4.0 và đại dịch COVID-19. Theo số liệu từ Sách trắng Thương mại điện tử Việt Nam 2021, tỷ lệ người dùng Internet tham gia mua sắm trực tuyến (MSTT) đã tăng trưởng vượt bậc từ 77% (2019) lên 88% (2020). Bước sang giai đoạn "bình thường mới", hành vi tiêu dùng trực tuyến không còn là giải pháp tạm thời mà đã trở thành thói quen cố định của người tiêu dùng.

+-----------------------------------------------------------------------------------+
|               BỐI CẢNH & ĐỘNG LỰC NGHIÊN CỨU TMĐT VIỆT NAM                        |
+-----------------------------------------------------------------------------------+
|  Tỷ lệ người dùng Internet mua sắm trực tuyến: 77% (2019) -> 88% (2020)           |
|  Thế hệ Y (Millennials: 1980-1994): Chiếm 35% dân số, lực lượng lao động chủ lực  |
|  Địa bàn nghiên cứu: TP. Thủ Đức - Đô thị sáng tạo, mật độ dân số trẻ cao        |
|  Nền tảng khảo sát: Shopee Việt Nam (Dẫn đầu GMV và lượt truy cập hàng tháng)     |
+-----------------------------------------------------------------------------------+

Thế hệ Y (Millennials, sinh năm 1980–1994, độ tuổi từ 26 đến 40) hiện chiếm khoảng 35% dân số Việt Nam. Đây là lực lượng lao động chính, có thu nhập độc lập, am hiểu công nghệ và đóng vai trò huyết mạch trong tổng giá trị giao dịch hàng hóa (Gross Merchandise Value - GMV) của toàn ngành TMĐT. Tuy nhiên, các nhà bán lẻ và sàn TMĐT đang đối mặt với bài toán tối ưu hóa tỷ lệ chuyển đổi khi người tiêu dùng Gen Y ngày càng đòi hỏi khắt khe về tốc độ, trải nghiệm số hóa, chính sách giá và bảo mật thông tin.

Đồ án/Khóa luận tốt nghiệp chuyên ngành Quản trị Kinh doanh (Mã số: 7340101) tại Trường Đại học Ngân hàng TP. Hồ Chí Minh do tác giả Lã Minh Chi thực hiện dưới sự hướng dẫn khoa học của TS. Châu Đình Linh tập trung giải quyết bài toán: "Phân tích các yếu tố tác động đến quyết định mua sắm của người tiêu dùng thế hệ Y trên sàn thương mại điện tử Shopee tại thành phố Thủ Đức".

Mục tiêu nghiên cứu

  1. Mục tiêu 1: Xác định các yếu tố cốt lõi chi phối quyết định mua sắm trực tuyến của người tiêu dùng thế hệ Y trên nền tảng Shopee tại TP. Thủ Đức.
  2. Mục tiêu 2: Đo lường và lượng hóa mức độ tác động của từng nhân tố đến quyết định mua sắm thông qua mô hình hồi quy tuyến tính bội.
  3. Mục tiêu 3: Đề xuất hệ thống hàm ý quản trị và giải pháp kinh doanh thực tiễn giúp Shopee và các đối tác bán hàng nâng cao chất lượng dịch vụ, tối ưu hóa tỷ lệ chuyển đổi đơn hàng.

Phạm vi và giới hạn nghiên cứu

  • Không gian: Địa bàn hành chính Thành phố Thủ Đức, TP. Hồ Chí Minh.
  • Thời gian nghiên cứu: Dữ liệu khảo sát sơ bộ và chính thức được thu thập từ tháng 04/2022 đến tháng 07/2022.
  • Đối tượng khảo sát: Người tiêu dùng thế hệ Y (26–40 tuổi) đã và đang trực tiếp thực hiện giao dịch mua hàng trên sàn TMĐT Shopee.
  • Giới hạn kỹ thuật: Nghiên cứu áp dụng mô hình phân tích định lượng OLS (Ordinary Least Squares) trên phần mềm IBM SPSS Statistics 22.0, tập trung vào 6 nhóm giả thuyết độc lập chính và biến nhân khẩu học.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quá trình ra quyết định mua sắm của người tiêu dùng số chịu sự chi phối phức tạp từ cả kích thích bên ngoài lẫn "hộp đen" ý thức (Kotler, 2001). Để thiết lập nền tảng lý thuyết vững chắc, đề tài đã tiến hành tổng hợp, phân tích ưu nhược điểm của 6 mô hình kinh điển và các công trình thực nghiệm liên quan:

Mô hình / Lý thuyết Tác giả & Năm Ưu điểm chính Hạn chế khi ứng dụng vào TMĐT
TRA (Theory of Reasoned Action) Fishbein & Ajzen (1975) Đặt nền móng dự báo hành vi qua thái độ và chuẩn chủ quan. Chưa tính đến yếu tố rào cản nguồn lực và công nghệ.
TPB (Theory of Planned Behavior) Ajzen (1991) Bổ sung biến Nhận thức kiểm soát hành vi, phản ánh rào cản thực tế. Chưa mô hình hóa chi tiết trải nghiệm giao diện người dùng (UI/UX).
TAM (Technology Acceptance Model) Davis (1986) Tối ưu cho môi trường số với 2 trụ cột: Tính hữu ích và Dễ sử dụng. Bỏ qua yếu tố cảm nhận rủi ro tài chính và thanh toán.
TPR (Theory of Perceived Risk) Bauer (1960) Nhấn mạnh rủi ro sản phẩm và rủi ro giao dịch trực tuyến. Mang tính phòng thủ, chưa đo lường động lực khuyến mãi/giá cả.
e-CAM (E-commerce Adoption Model) Ahn et al. (2001) Tích hợp TAM và TPR để giải thích chuyển dịch người dùng Web sang mua sắm. Cấu trúc thang đo phức tạp, khó cô lập từng nhóm khuyến mãi.
UTAUT (Unified Theory of Acceptance) Venkatesh et al. (2003) Khả năng giải thích biến thiên ý định sử dụng lên tới 70%. Cần cỡ mẫu rất lớn, nhiều biến kiểm soát dư thừa với phạm vi vi mô. 
graph TD
    A["Kỳ vọng người dùng Thế hệ Y (Speed, Convenience, Price)"] --> B{"Rào cản TMĐT"}
    B -->|"Rủi ro thông tin / Giao dịch"| C["TPR: Nhận thức rủi ro (RR)"]
    B -->|"Độ phức tạp giao diện"| D["TAM: Tính dễ sử dụng (DSD)"]
    B -->|"Giá trị nhận được"| E["TAM: Nhận thức sự hữu ích (SHI)"]
    B -->|"Ảnh hưởng cộng đồng"| F["TRA/TPB: Ảnh hưởng xã hội (AHXH)"]
    B -->|"Bảo chứng sàn"| G["Sự uy tín (UT) & Chính sách giá (CSG)"]
    C & D & E & F & G --> H["Quyết định Mua sắm Trực tuyến (QD)"]

Áp dụng phương pháp phân loại MoSCoW trong việc xác định các biến đo lường cho bài toán nghiên cứu:

  • Must-have: Nhận thức sự hữu ích (SHI), Chính sách giá (CSG), Tính dễ sử dụng (DSD).
  • Should-have: Nhận thức rủi ro (RR), Sự uy tín của sàn (UT).
  • Could-have: Ảnh hưởng xã hội (AHXH / eWOM), Biến nhân khẩu học (Thu nhập, Nghề nghiệp).
  • Won't-have: Trải nghiệm thực tế ảo (VR/AR shopping), Dịch vụ hậu mãi đa kênh (Omnichannel fulfillment).

Thiết kế hệ thống mô hình nghiên cứu

Mô hình nghiên cứu đề xuất được chuẩn hóa dưới dạng phương trình hồi quy tuyến tính đa biến:

$$QD = \beta_0 + \beta_1 \cdot SHI + \beta_2 \cdot UT + \beta_3 \cdot CSG + \beta_4 \cdot DSD + \beta_5 \cdot AHXH - \beta_6 \cdot RR + \epsilon$$

Trong đó:

  • $QD$: Quyết định mua sắm trực tuyến của người tiêu dùng Gen Y trên Shopee (Biến phụ thuộc).
  • $SHI$: Nhận thức sự hữu ích (Perceived Usefulness) - Dự kiến tác động thuận chiều ($+$).
  • $UT$: Sự uy tín của sàn TMĐT (Credibility/Reputation) - Dự kiến tác động thuận chiều ($+$).
  • $CSG$: Chính sách giá và ưu đãi (Pricing Policy) - Dự kiến tác động thuận chiều ($+$).
  • $DSD$: Tính dễ sử dụng (Perceived Ease of Use) - Dự kiến tác động thuận chiều ($+$).
  • $AHXH$: Ảnh hưởng xã hội & truyền miệng điện tử (Social Influence / eWOM) - Dự kiến tác động thuận chiều ($+$).
  • $RR$: Nhận thức rủi ro (Perceived Risk) - Dự kiến tác động ngược chiều ($-$).
  • $\beta_0$: Hệ số chặn (Constant); $\beta_1 \dots \beta_6$: Hệ số hồi quy riêng phần; $\epsilon$: Sai số ngẫu nhiên.
+-----------------------------------------------------------------------------------+
|                 CẤU TRÚC STACK PHÂN TÍCH DỮ LIỆU & KIỂM ĐỊNH                      |
+-----------------------------------------------------------------------------------+
|  1. Thu thập dữ liệu: Google Forms (Bảng câu hỏi Likert 5 điểm: 1-Rất không đồng ý|
|     đến 5-Rất đồng ý, tổng cộng 37 biến quan sát sơ bộ).                          |
|  2. Tiền xử lý & Làm sạch: Microsoft Excel 365, lọc dữ liệu khuyết & bất thường.  |
|  3. Engine thống kê: IBM SPSS Statistics 22.0 / Python Statsmodels Engine.        |
|  4. Phương pháp trích xuất: Principal Axis Factoring / Principal Components.       |
|  5. Phép quay nhân tố: Varimax Rotation with Kaiser Normalization.                |
|  6. Kiểm định đa cộng tuyến: Variance Inflation Factor (VIF < 2.0).               |
+-----------------------------------------------------------------------------------+

Phương pháp luận (Methodology)

Nghiên cứu kết hợp chặt chẽ giữa hai phương pháp:

  1. Nghiên cứu định tính: Thực hiện qua 2 bước: Thảo luận nhóm tập trung với 3 chuyên gia TMĐT và phỏng vấn sâu cá nhân với 5 người tiêu dùng thế hệ Y tại TP. Thủ Đức nhằm hiệu chỉnh các biến quan sát từ thang đo quốc tế thành thang đo chính thức 37 biến.
  2. Nghiên cứu định lượng: Phát bảng câu hỏi trực tuyến và trực tiếp. Cỡ mẫu tối thiểu theo quy tắc Bollen (1989) và Hair et al. (2006) là $N \ge 5 \times k$ (với $k=37$ biến quan sát $\rightarrow N \ge 185$). Tác giả đã thu về 222 mẫu hợp lệ, đảm bảo độ tin cậy và tính đại diện cao.
+-----------------------------------------------------------------------------------+
|                     MA TRẬN ĐÁNH GIÁ VÀ GIẢM THIỂU RỦI RO DỮ LIỆU                 |
+-----------------------------------------------------------------------------------+
| Loại rủi ro         | Mức độ | Biện pháp kiểm soát & Giảm thiểu                  |
+---------------------+--------+----------------------------------------------------+
| Sai lệch chọn mẫu   | Trung  | Phân bổ khảo sát đa dạng qua các phường tại TP.   |
| (Sampling Bias)     | bình   | Thủ Đức, sàng lọc đúng độ tuổi 26-40.             |
+---------------------+--------+----------------------------------------------------+
| Sai lệch phương pháp| Thấp   | Đảo ngẫu nhiên thứ tự câu hỏi; áp dụng câu hỏi gài|
| (Common Method Bias)|        | bẫy để loại bỏ phản hồi không trung thực.          |
+---------------------+--------+----------------------------------------------------+
| Vi phạm giả định OLS| Thấp   | Kiểm tra đa cộng tuyến (VIF), tự tương quan       |
| (Multicollinearity) |        | (Durbin-Watson), phân phối chuẩn phần dư.         |
+-----------------------------------------------------------------------------------+

Implementation và kết quả

Quy trình triển khai phân tích dữ liệu

Toàn bộ quy trình xử lý dữ liệu được chuẩn hóa và thực thi thông qua cú pháp phân tích thống kê (SPSS Syntax / Python Data Pipeline tương đương) đảm bảo tính tái lập (reproducibility):

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

# 1. Load và tiền xử lý dữ liệu khảo sát (N = 222)
df = pd.read_csv("shopee_genY_survey_data.csv")
independent_vars = ['SHI', 'UT', 'CSG', 'DSD', 'AHXH', 'RR']
X = df[independent_vars]
y = df['QD']

# 2. Bổ sung hệ số chặn (Intercept)
X_with_const = sm.add_constant(X)

# 3. Ước lượng mô hình OLS Regression
ols_model = sm.OLS(y, X_with_const).fit()

# 4. Kiểm tra hiện tượng đa cộng tuyến (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(ols_model.summary())
print("\nVariance Inflation Factors (VIF):")
print(vif_data)

+-----------------------------------------------------------------------------------+
|                    TIÊU CHUẨN ĐÁNH GIÁ CÁC BƯỚC KIỂM ĐỊNH THỐNG KÊ                 |
+-----------------------------------------------------------------------------------+
| 1. Kiểm định Cronbach's Alpha: Hệ số tổng $\alpha \ge 0.6$; Hệ số tương quan      |
|    biến - tổng (Corrected Item-Total Correlation) $\ge 0.30$.                     |
| 2. Phân tích nhân tố khám phá (EFA):                                              |
|    - Hệ số KMO (Kaiser-Meyer-Olkin) $\in [0.5, 1.0]$, Sig Bartlett's Test < 0.05. |
|    - Hệ số tải nhân tố (Factor Loading) $\ge 0.50$.                               |
|    - Giá trị Eigenvalue $\ge 1.0$; Tổng phương sai trích (TVE) $\ge 50\%$.        |
| 3. Hồi quy tuyến tính bội: Giá trị Sig kiểm định $t < 0.05$; Hệ số $R^2$ hiệu    |
|    chỉnh $> 0.50$; Hệ số phóng đại phương sai $\text{VIF} < 2.0$ (không đa cộng   |
|    tuyến).                                                                        |
+-----------------------------------------------------------------------------------+

Testing và Validation: Kết quả kiểm định thang đo

Dữ liệu thu thập từ 222 mẫu hợp lệ sau khi làm sạch đã trải qua các bước kiểm định nghiêm ngặt:

  1. Kiểm định độ tin cậy Cronbach’s Alpha: Tất cả 6 thang đo biến độc lập và 1 thang đo biến phụ thuộc đều đạt hệ số Alpha $> 0.75$, không có biến quan sát nào có tương quan biến - tổng $< 0.30$, chứng minh thang đo đạt độ nhất quán nội tại xuất sắc.
  2. Phân tích nhân tố khám phá (EFA):
    • Biến độc lập: Hệ số $\text{KMO} = 0.842$ (thỏa mãn $0.5 < \text{KMO} < 1.0$), kiểm định Bartlett có $\text{Sig.} = 0.000 < 0.05$. Trích được 6 nhân tố tại giá trị Eigenvalue $> 1.15$, tổng phương sai trích đạt 64.38% (vượt chuẩn $50%$).
    • Biến phụ thuộc (QD): Trích 1 nhân tố duy nhất với $\text{KMO} = 0.789$, tổng phương sai trích đạt 68.12%.

Kết quả ước lượng mô hình hồi quy tuyến tính

Kết quả phân tích hồi quy tuyến tính bội trên SPSS 22.0 cho thấy mô hình có mức độ tương thích cao với dữ liệu thực tế:

Biến độc lập Mã hóa Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị kiểm định $t$ Mức ý nghĩa (Sig.) Hệ số VIF
Hằng số (Constant) $\beta_0$ 0.412 0.185 — 2.227 0.027 —
Nhận thức sự hữu ích SHI 0.285 0.048 0.312 5.937 0.000 1.245
Chính sách giá CSG 0.246 0.045 0.278 5.466 0.000 1.182
Sự uy tín UT 0.198 0.042 0.215 4.714 0.000 1.304
Tính dễ sử dụng DSD 0.154 0.039 0.168 3.948 0.000 1.211
Ảnh hưởng xã hội AHXH 0.112 0.036 0.124 3.111 0.002 1.156
Nhận thức rủi ro RR -0.165 0.041 -0.182 -4.024 0.000 1.098 
+-----------------------------------------------------------------------------------+
|                      CHỈ SỐ ĐÁNH GIÁ ĐỘ PHÙ HỢP CỦA MÔ HÌNH                       |
+-----------------------------------------------------------------------------------+
|  - Hệ số tương quan bội (R): 0.786                                                |
|  - Hệ số xác định (R-squared): 0.618                                              |
|  - Hệ số R-squared hiệu chỉnh (Adjusted R-squared): 0.607 (Giải thích 60.7% biến  |
|    thiên của Quyết định mua sắm trực tuyến)                                       |
|  - Kiểm định F (ANOVA): F = 57.942, Sig = 0.000 (Mô hình hồi quy có ý nghĩa)     |
|  - Hệ số Durbin-Watson: d = 1.892 (Nằm trong khoảng 1.5 - 2.5, không tự tương     |
|    quan bậc 1)                                                                    |
|  - Hệ số VIF: Dao động từ 1.098 đến 1.304 (< 2.0, không xảy ra hiện tượng đa      |
|    cộng tuyến)                                                                    |
+-----------------------------------------------------------------------------------+

Phương trình hồi quy chuẩn hóa thực tế:

$$QD = 0.312 \cdot SHI + 0.278 \cdot CSG + 0.215 \cdot UT - 0.182 \cdot RR + 0.168 \cdot DSD + 0.124 \cdot AHXH$$

Tất cả 6 giả thuyết từ $H_1$ đến $H_6$ đều được chấp nhận ở mức ý nghĩa thống kê $p < 0.01$. Yếu tố tác động mạnh nhất là Nhận thức sự hữu ích ($\beta = 0.312$), tiếp đến là Chính sách giá ($\beta = 0.278$), Sự uy tín ($\beta = 0.215$), trong khi Nhận thức rủi ro ($\beta = -0.182$) là rào cản tiêu cực lớn nhất làm suy giảm quyết định mua sắm của thế hệ Y.

Đổi mới và đóng góp

Điểm mới trong nghiên cứu học thuật

  • Mô hình hóa tích hợp đa chiều: Thay vì chỉ ứng dụng đơn lẻ mô hình TAM hoặc TRA, nghiên cứu đã hợp nhất thành công các cấu trúc của TAM (Davis, 1986), TRA (Ajzen & Fishbein, 1975) và TPR (Bauer, 1960) để xây dựng mô hình chuyên biệt cho nhóm người tiêu dùng thế hệ Y tại một đô thị công nghệ mới thành lập (TP. Thủ Đức).
  • Lượng hóa mức độ nhạy cảm giá của Gen Y: Khác với thế hệ Z thường bị tác động áp đảo bởi xu hướng mạng xã hội, kết quả chứng minh Gen Y đặt yếu tố Sự hữu ích ($\beta = 0.312$) và Chính sách giá ($\beta = 0.278$) lên hàng đầu do họ là nhóm có trách nhiệm tài chính gia đình cao.
graph LR
    subgraph "Nghiên cứu trước (Nguyễn Tuấn Dũng, 2019)"
        A1["Mong đợi giá"] --> R1["Tác động mạnh nhất"]
    end
    subgraph "Nghiên cứu trước (Tạ Văn Thành, 2021 - Gen Z)"
        A2["Tâm lý an toàn & Niềm tin"] --> R2["Tác động áp đảo"]
    end
    subgraph "Nghiên cứu này (Lã Minh Chi, 2022 - Gen Y Shopee)"
        A3["Sự hữu ích (0.312) + Chính sách giá (0.278)"] --> R3["Quyết định mua sắm (R² = 60.7%)"]
    end

So sánh với các nghiên cứu tiền nhiệm

Tiêu chí so sánh Nghiên cứu này (Lã Minh Chi, 2022) Nguyễn Tuấn Dũng (2019) Tạ Văn Thành & Đặng Xuân Ơn (2021)
Đối tượng & Địa bàn Thế hệ Y (26–40 tuổi) tại TP. Thủ Đức Khách hàng thời trang tại TP.HCM Thế hệ Z (18–24 tuổi) toàn quốc
Nền tảng mục tiêu Shopee Platform Đa kênh TMĐT Đa sàn TMĐT
Cỡ mẫu hợp lệ ($N$) 222 mẫu 141 mẫu 488 mẫu
Hệ số $R^2$ hiệu chỉnh 60.7% 54.2% 58.6%
Nhân tố tác động lớn nhất Nhận thức sự hữu ích ($\beta=0.312$) Mong đợi về giá ($\beta=0.345$) Nhận thức tính hữu ích & Niềm tin
Tác động của rủi ro ($RR$) $\beta = -0.182$ (P-value < 0.001) $\beta = -0.142$ $\beta = -0.165$

Ứng dụng thực tế và triển khai

Dựa trên kết quả định lượng, nghiên cứu cung cấp bản kế hoạch hành động chiến lược dành riêng cho ban điều hành Shopee và các chủ gian hàng (Shopee Mall & Shopee Marketplace):

+-----------------------------------------------------------------------------------+
|              LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP TỐI ƯU HÓA TỶ LỆ CHUYỂN ĐỔI            |
+-----------------------------------------------------------------------------------+
|  Giai đoạn 1 (Tháng 1-2): Nâng cấp UI/UX & Tính năng tìm kiếm (Tối ưu SHI & DSD)  |
|  - Rút ngắn luồng thanh toán Checkout từ 4 bước xuống 2 bước (1-Click Payment).   |
|  - Ứng dụng AI Semantic Search và Personalized Recommendation Engine.             |
|                                                                                   |
|  Giai đoạn 2 (Tháng 3-4): Tái cấu trúc chính sách trợ giá & Voucher (Tối ưu CSG)  |
|  - Thiết kế gói combo giảm giá trực tiếp thay vì hoàn xu phức tạp cho Gen Y.      |
|  - Tối ưu chính sách hỗ trợ phí vận chuyển (Freeship Xtra) theo bậc đơn hàng.     |
|                                                                                   |
|  Giai đoạn 3 (Tháng 5-6): Kiểm soát gian lận & Giảm thiểu rủi ro (Giảm RR, tăng UT)|
|  - Triển khai chính sách đồng kiểm khi nhận hàng (Co-inspection Policy).          |
|  - Tự động hóa quy trình trả hàng hoàn tiền nhanh trong 24 giờ qua ShopeePay.     |
+-----------------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (Cost-Benefit & ROI Analysis)

  • Chi phí dự kiến: Đầu tư hạ tầng kiểm duyệt nhà bán hàng, phát triển thuật toán lọc đánh giá ảo (eWOM quality filter) và ngân sách trợ giá vận chuyển mục tiêu.
  • Hiệu quả kỳ vọng:
    • Tăng tỷ lệ hoàn tất đơn hàng (Cart-to-Order Conversion Rate) thêm 18% - 25% ở phân khúc khách hàng 26–40 tuổi.
    • Giảm tỷ lệ hủy đơn do lo ngại rủi ro chất lượng xuống dưới 3.5%.
    • Tăng chỉ số giá trị vòng đời khách hàng (Customer Lifetime Value - CLV) thêm 30% trong vòng 12 tháng.

Hạn chế và hướng phát triển

+-----------------------------------------------------------------------------------+
|                   HẠN CHẾ CỦA ĐỀ TÀI VÀ ĐỊNH HƯỚNG MỞ RỘNG                        |
+-----------------------------------------------------------------------------------+
|  [Hạn chế hiện tại]                                                               |
|  - Phương pháp chọn mẫu thuận tiện (Convenience Sampling), quy mô N = 222 tại địa |
|    bàn TP. Thủ Đức chưa bao phủ toàn bộ các tỉnh thành khác.                      |
|  - Chỉ phân tích hồi quy tuyến tính tĩnh OLS, chưa đánh giá tác động trung gian   |
|    (Mediating Effects) hay biến điều tiết (Moderating Effects).                   |
|                                                                                   |
|  [Hướng phát triển tiếp theo]                                                     |
|  - Ứng dụng mô hình cấu trúc tuyến tính PLS-SEM (Partial Least Squares Structural |
|    Equation Modeling) trên phần mềm SmartPLS 4.0.                                 |
|  - Mở rộng phân tích so sánh liên sàn (Shopee vs. TikTok Shop vs. Lazada).        |
|  - Khảo sát sự dịch chuyển hành vi giữa Gen Y và Gen Z trong kỷ nguyên ShopeeLive |
|    và Social Commerce.                                                            |
+-----------------------------------------------------------------------------------+

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu khoa học hành vi, quy trình kiểm định thang đo từ định tính sang định lượng trên SPSS 22.0.
  • Doanh nghiệp & Chủ shop TMĐT: Nắm bắt chính xác insight của phân khúc khách hàng chi tiêu lớn nhất (Gen Y) để tối ưu cấu trúc sản phẩm, chiến lược định giá và giảm thiểu tỷ lệ hoàn hàng.
  • Đội ngũ phát triển sản phẩm (Product/UX Designers): Cơ sở dữ liệu để tối ưu hóa tính dễ sử dụng (DSD) và luồng thanh toán an toàn, minh bạch thông tin giao dịch.
  • Nhà nghiên cứu kinh tế số: Dữ liệu thực nghiệm có giá trị về thị trường TMĐT tại một đô thị trẻ năng động bậc nhất Việt Nam (TP. Thủ Đức).

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập quy trình phân tích của đề tài là gì?

Để tái lập nghiên cứu, cần máy tính cài đặt hệ điều hành Windows/macOS có trang bị phần mềm IBM SPSS Statistics (phiên bản 20.0 hoặc 22.0 trở lên) hoặc môi trường Python 3.9+ với các thư viện pandas, numpy, statsmodels, scikit-learn. Dữ liệu đầu vào cần được mã hóa theo thang đo Likert 5 điểm chuẩn.

2. Giới hạn quy mô mẫu $N = 222$ có đủ độ tin cậy để khái quát hóa cho toàn bộ thế hệ Y không?

Cỡ mẫu $N = 222$ hoàn toàn đáp ứng các tiêu chuẩn khắt khe về mặt thống kê đối với bảng câu hỏi 37 biến quan sát (vượt mức tối thiểu $5 \times 37 = 185$ mẫu). Tuy nhiên, để khái quát hóa cho toàn quốc, các nghiên cứu tiếp theo nên nâng quy mô mẫu lên $N \ge 500$ trên nhiều vùng địa lý khác nhau.

3. Làm thế nào để tích hợp kết quả nghiên cứu này vào hệ thống CRM hiện có của doanh nghiệp?

Doanh nghiệp có thể trích xuất các trọng số $\beta$ để xây dựng hệ thống tính điểm khách hàng tiềm năng (Lead Scoring Algorithm). Khách hàng Gen Y trên hệ thống CRM sẽ được phân cụm (Segmentation) dựa trên mức độ nhạy cảm giá (CSG) và mức độ tương tác thông tin (SHI) để gửi mã giảm giá cá nhân hóa tự động qua API.

4. Chi phí và nguồn lực để duy trì chính sách giảm thiểu rủi ro (RR) trên sàn TMĐT?

Chi phí kiểm soát rủi ro chủ yếu nằm ở việc thiết lập hệ thống ký quỹ của nhà bán hàng, quy trình xét duyệt hồ sơ Shopee Mall và chi phí bảo hiểm vận chuyển hàng hóa. Khoản đầu tư này thường chiếm khoảng 2% - 4% doanh thu, nhưng giúp bảo vệ uy tín thương hiệu và tăng tỷ lệ khách hàng quay lại mua sắm (Retention Rate).

5. Yếu tố nào tạo ra sự khác biệt lớn nhất giữa hành vi mua sắm của Gen Y so với Gen Z trên Shopee?

Khác với Gen Z bị chi phối mạnh mẽ bởi tính giải trí (Shoppertainment, livestream, idol endorsement), Gen Y chịu sự chi phối áp đảo bởi Tính hữu ích thực tế ($\beta = 0.312$) và Minh bạch tài chính/Giá cả ($\beta = 0.278$). Gen Y dành nhiều thời gian đọc đánh giá chi tiết của người mua trước để loại trừ rủi ro trước khi bấm thanh toán.

Kết luận

Khóa luận tốt nghiệp của tác giả Lã Minh Chi đã giải quyết thành công bài toán lượng hóa các yếu tố tác động đến quyết định mua sắm của người tiêu dùng thế hệ Y trên sàn TMĐT Shopee tại TP. Thủ Đức. Bằng việc kết hợp chặt chẽ giữa khung lý thuyết kinh điển (TAM, TRA, TPR) và kỹ thuật phân tích định lượng OLS đa biến trên SPSS 22.0, nghiên cứu đã chứng minh vai trò then chốt của Nhận thức sự hữu ích ($\beta = 0.312$), Chính sách giá ($\beta = 0.278$), Sự uy tín ($\beta = 0.215$), Tính dễ sử dụng ($\beta = 0.168$), Ảnh hưởng xã hội ($\beta = 0.124$) và rào cản từ Nhận thức rủi ro ($\beta = -0.182$) với độ phù hợp mô hình đạt $R^2$ hiệu chỉnh = 60.7%.

Đây là công trình nghiên cứu ứng dụng có giá trị thực tiễn cao, đóng góp hệ thống giải pháp toàn diện cho các nhà quản trị TMĐT trong việc định hình chiến lược sản phẩm, tối ưu chi phí tiếp thị và gia tăng năng lực cạnh tranh bền vững trong nền kinh tế số.