Giới thiệu dự án

Thương mại điện tử (TMĐT) tại Việt Nam đang chứng kiến sự chuyển dịch mang tính bước ngoặt từ mô hình mua sắm truyền thống sang xu hướng mua sắm kết hợp giải trí (Shoppertainment). Theo báo cáo thị trường số của We Are Social & Hootsuite (2023), Việt Nam hiện có 77.9 triệu người dùng Internet (chiếm tỷ lệ 79.1% dân số), trong đó có tới 74.8% người dùng từng tham gia mua hàng trực tuyến. Sự gia nhập thị trường của TikTok Shop từ ngày 28/02/2022 đã thay đổi hoàn toàn cục diện TMĐT khi nhanh chóng vượt qua các nền tảng lâu năm để vươn lên vị trí top 3 sàn TMĐT lớn nhất Việt Nam.

Tuy nhiên, việc nghiên cứu hành vi người tiêu dùng trực tuyến trên các nền tảng mạng xã hội video ngắn gặp nhiều thách thức do tính chất giao dịch không có tương tác vật lý (Jiang et al., 2008). Thế hệ trẻ, đặc biệt là sinh viên đại học (Gen Z), là tệp khách hàng tiềm năng chiếm thị phần lớn nhưng lại có hành vi tiêu dùng nhạy cảm về giá, chịu ảnh hưởng mạnh bởi tâm lý bầy đàn và chuẩn mực xã hội, đồng thời luôn lo ngại về tính bảo mật và chất lượng hàng hóa thực tế.

graph LR
    A[Bối cảnh: Bùng nổ TMĐT & Shoppertainment] --> B[Vấn đề: Thiếu dữ liệu thực nghiệm về Gen Z trên TikTok Shop]
    B --> C[Giải pháp: Mô hình nghiên cứu định lượng kết hợp TAM, TPR, TPB]
    C --> D[Kết quả: Xác thực 6 nhân tố tác động & Xây dựng hàm ý quản trị]

Problem Statement

Doanh nghiệp và các nhà bán hàng (Merchants/Creators) trên TikTok Shop đang gặp khó khăn trong việc tối ưu hóa tỷ lệ chuyển đổi đơn hàng từ video ngắn/livestream do thiếu mô hình phân tích định lượng chuẩn xác về các yếu tố tác động trực tiếp đến quyết định mua hàng của nhóm khách hàng sinh viên đại học – đối tượng sử dụng TikTok nhiều nhất nhưng có mức độ trung thành thương hiệu không ổn định.

Mục tiêu nghiên cứu

  1. Xác định các yếu tố cốt lõi chi phối quyết định mua sắm trên sàn TikTok Shop của sinh viên Trường Đại học Ngân hàng TP.HCM (HUB).
  2. Đo lường mức độ tác động cụ thể của từng biến độc lập lên biến phụ thuộc thông qua mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression).
  3. Đề xuất hệ thống hàm ý quản trị thực tiễn giúp các nhà bán lẻ và nền tảng TikTok Shop nâng cao hiệu quả marketing, gia tăng doanh số và kiểm soát tỷ lệ hoàn hàng.

Phương pháp tiếp cận và Phạm vi

  • Phương pháp tiếp cận: Kết hợp lý thuyết định tính để hiệu chỉnh thang đo và phương pháp định lượng thông qua khảo sát bảng hỏi cấu trúc Likert 5 mức độ, xử lý dữ liệu bằng phần mềm IBM SPSS Statistics 26.0.
  • Phạm vi nghiên cứu: 200 sinh viên từ 18–22 tuổi thuộc Trường Đại học Ngân hàng TP.HCM, thực hiện thu thập dữ liệu trong khung thời gian 10 tuần.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường Social Commerce tại Việt Nam đang có sự cạnh tranh quyết liệt giữa các mô hình TMĐT truyền thống và nền tảng mua sắm kết hợp mạng xã hội:

Tiêu chí Shopee / Lazada Facebook Commerce TikTok Shop
Mô hình tiếp cận Search-based (Khách hàng chủ động tìm kiếm sản phẩm) Community/Group-based (Bán hàng qua bài đăng nhóm) Discovery-based / Shoppertainment (Gợi ý qua video ngắn & Livestream)
Tỷ lệ chuyển đổi Trung bình (phụ thuộc voucher sàn) Thấp (phải nhắn tin thủ công) Cao (chốt đơn tức thì trong luồng xem video)
Trải nghiệm người dùng Giao diện danh mục hàng hóa truyền thống Không đồng nhất, thiếu cổng thanh toán tích hợp Tích hợp liền mạch video, giỏ hàng vàng, thanh toán 1-click
Nhược điểm cốt lõi Chi phí quảng cáo (Ad spend) ngày càng cao Thiếu cơ chế bảo vệ quyền lợi người mua Rủi ro về kiểm định chất lượng sản phẩm thực tế 
classDiagram
    class PurchaseDecision {
        +Float PerceivedUsefulness (PU)
        +Float Trust (TR)
        +Float Convenience (CON)
        +Float PerceivedRisk (PR)
        +Float ReasonablePrice (PRI)
        +Float SubjectiveNorm (SN)
        +calculateRegression()
    }

Yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must-have (Bắt buộc): Đo lường kiểm định hệ số tin cậy thang đo (Cronbach's Alpha $\ge 0.7$), phân tích nhân tố khám phá (EFA với Total Variance Explained $> 50%$), phương trình hồi quy tuyến tính không vi phạm hiện tượng đa cộng tuyến (VIF $< 2.0$).
  • Should-have (Cần có): Phân tích tương quan Pearson, kiểm định độ phù hợp mô hình thông qua ANOVA ($p < 0.05$), kiểm định sự khác biệt nhân khẩu học (T-Test, One-way ANOVA).
  • Could-have (Có thể mở rộng): Phân tích mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) trên tập dữ liệu mở rộng.
  • Won't-have (Không thực hiện): Nghiên cứu hành vi mua sắm B2B hoặc khảo sát trên các sàn TMĐT quốc tế xuyên biên giới ngoài phạm vi TikTok Shop Việt Nam.

Thiết kế hệ thống mô hình kinh tế lượng

Mô hình nghiên cứu kế thừa và tích hợp có chọn lọc từ các lý thuyết nền tảng:

  1. Mô hình chấp nhận công nghệ (TAM - Davis, 1989): Biến Nhận thức tính hữu ích (Perceived Usefulness - PU).
  2. Thuyết hành động hợp lý & Thuyết hành vi có kế hoạch (TRA/TPB - Ajzen, 1991): Biến Chuẩn chủ quan (Subjective Norms - SN).
  3. Lý thuyết nhận thức rủi ro (TPR - Bauer, 1960): Biến Nhận thức rủi ro (Perceived Risk - PR).
  4. Mô hình tích hợp từ Mbete & Tanamal (2020): Biến Niềm tin (Trust - TR), Sự thuận tiện (Convenience - CON), và Mức giá cả hợp lý (Reasonable Price - PRI).
flowchart TD
    subgraph Independent_Variables [Biến Độc Lập]
        PU[Nhận thức sự hữu ích]
        TR[Niềm tin]
        CON[Sự thuận tiện]
        PR[Nhận thức rủi ro]
        PRI[Mức giá cả hợp lý]
        SN[Chuẩn chủ quan]
    end
    
    subgraph Dependent_Variable [Biến Phụ Thuộc]
        QD[Quyết định mua sắm trên TikTok Shop]
    end
    
    PU -->|+ (Beta 1)| QD
    TR -->|+ (Beta 2)| QD
    CON -->|+ (Beta 3)| QD
    PR -->|- (Beta 4)| QD
    PRI -->|+ (Beta 5)| QD
    SN -->|+ (Beta 6)| QD

Phương trình toán học hồi quy tổng quát: $$QD = \beta_0 + \beta_1 PU + \beta_2 TR + \beta_3 CON + \beta_4 PR + \beta_5 PRI + \beta_6 SN + \varepsilon$$

Trong đó:

  • $QD$: Biến phụ thuộc (Quyết định mua sắm của sinh viên).
  • $\beta_0$: Hằng số hồi quy; $\beta_1, \beta_2, \beta_3, \beta_5, \beta_6 > 0$ (tác động thuận chiều); $\beta_4 < 0$ (tác động ngược chiều).
  • $\varepsilon$: Sai số ngẫu nhiên của mô hình.

Technology Stack & Kỹ thuật xử lý

  • Phần mềm chính: IBM SPSS Statistics 26.0 (64-bit Edition).
  • Công cụ thu thập: Google Forms kết hợp Google Sheets API để đồng bộ hóa dữ liệu.
  • Ngôn ngữ bổ trợ (Data Pipeline / Validation): Python 3.10 với thư viện pandas, statsmodels, scipy.

Implementation và kết quả

Development Process & Data Pipeline

Quy trình xử lý dữ liệu được chuẩn hóa thành 5 giai đoạn:

  1. Lọc dữ liệu: Loại bỏ các quan sát trùng lặp hoặc điền thiếu thông tin từ 220 mẫu khảo sát ban đầu, thu về $N = 200$ mẫu hợp lệ.
  2. Kiểm tra độ tin cậy: Tính hệ số Cronbach’s Alpha và loại các biến có Tương quan biến - tổng (Corrected Item-Total Correlation) $< 0.3$.
  3. Phân tích nhân tố khám phá (EFA): Trích xuất nhân tố bằng phương pháp Principal Axis Factoring / Principal Components với phép xoay Varimax.
  4. Phân tích tương quan Pearson: Kiểm tra mức độ liên kết tuyến tính giữa các biến $r \in [-1, 1]$.
  5. Hồi quy tuyến tính đa biến (OLS Regression): Ước lượng trọng số chuẩn hóa $\beta$, kiểm định $R^2$, $F$-test và đa cộng tuyến (VIF).
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Load dataset (N = 200 samples)
df = pd.read_csv("tiktok_shop_survey_hub_2023.csv")

# Feature Matrix & Dependent Variable
X_cols = ['PU_mean', 'TR_mean', 'CON_mean', 'PR_mean', 'PRI_mean', 'SN_mean']
X = df[X_cols]
y = df['QD_mean']

# Add constant for OLS regression
X_with_const = sm.add_constant(X)
model = sm.OLS(y, X_with_const).fit()

# Calculate VIF for multicollinearity diagnosis
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))]

print(model.summary())
print(vif_data)

* SPSS Syntax for Cronbach's Alpha and Linear Regression Analysis;
RELIABILITY
  /VARIABLES=PU1 PU2 PU3 PU4
  /SCALE('Perceived Usefulness Scale') ALL
  /MODEL=ALPHA
  /STATISTICS=DESCRIPTIVE SCALE CORR
  /SUMMARY=TOTAL.

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN 
  /DEPENDENT QD_mean
  /METHOD=ENTER PU_mean TR_mean CON_mean PR_mean PRI_mean SN_mean.

Testing và Validation

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

Tất cả các thang đo đại diện cho 6 nhóm biến độc lập và 1 biến phụ thuộc đều đạt chuẩn độ tin cậy cao ($\alpha > 0.70$), các biến quan sát đều có hệ số tương quan biến - tổng $> 0.30$.

2. Phân tích nhân tố khám phá (EFA)

  • Chỉ số KMO (Kaiser-Meyer-Olkin): $0.812$ (thỏa mãn điều kiện $0.5 < \text{KMO} < 1.0$), chứng minh kích thước mẫu 200 hoàn toàn phù hợp cho phân tích nhân tố.
  • Kiểm định Bartlett’s: Giá trị Sig. $= 0.000 < 0.05$, các biến quan sát có tương quan chặt chẽ trong tổng thể.
  • Tổng phương sai trích (Total Variance Explained): Đạt $63.45% > 50%$, 6 nhân tố trích xuất giải thích được 63.45% độ biến thiên của tập dữ liệu tại Eigenvalue $> 1.0$.

3. Kết quả ước lượng hồi quy và kiểm định giả thuyết

Nhân tố / Biến Ký hiệu Hệ số $\beta$ chuẩn hóa Giá trị $t$ Mức ý nghĩa ($p$-value) VIF Kết luận giả thuyết
Nhận thức sự hữu ích PU 0.312 5.124 $0.000 < 0.01$ 1.342 Chấp nhận $H_1$ (Tác động mạnh nhất)
Niềm tin TR 0.245 3.987 $0.000 < 0.01$ 1.285 Chấp nhận $H_2$
Sự thuận tiện CON 0.198 3.215 $0.001 < 0.01$ 1.410 Chấp nhận $H_3$
Nhận thức rủi ro PR -0.162 -2.784 $0.006 < 0.01$ 1.156 Chấp nhận $H_4$ (Tác động nghịch chiều)
Mức giá cả hợp lý PRI 0.145 2.451 $0.015 < 0.05$ 1.320 Chấp nhận $H_5$
Chuẩn chủ quan SN 0.118 2.012 $0.045 < 0.05$ 1.204 Chấp nhận $H_6$
  • Hệ số xác định $R^2 = 0.584$ (Hiệu chỉnh $R^2_{\text{adj}} = 0.571$), mô hình giải thích được 58.4% sự biến thiên trong quyết định mua sắm của sinh viên.
  • Kiểm định Fisher: $F(6, 193) = 45.216$ với $p = 0.000$, mô hình hồi quy đạt độ phù hợp thống kê ở mức ý nghĩa 99%.
  • Toàn bộ hệ số VIF $< 1.5$, loại trừ hoàn toàn nguy cơ vi phạm giả định đa cộng tuyến.

Đổi mới và đóng góp

  1. Khắc phục hạn chế của các mô hình TMĐT truyền thống: Bổ sung biến Chuẩn chủ quan và Nhận thức rủi ro vào bối cảnh Shoppertainment, chứng minh rằng cơ chế thuật toán phân phối nội dung của TikTok tạo ra áp lực đồng trang lứa (Peer Influence) mạnh mẽ hơn các sàn TMĐT tìm kiếm thông thường.
  2. Cập nhật dữ liệu thực nghiệm mới nhất: Nghiên cứu thực hiện ngay sau giai đoạn TikTok Shop bùng nổ (2022–2023), phản ánh chính xác sự dịch chuyển tâm lý mua sắm của sinh viên ngành tài chính - ngân hàng.
Đặc điểm đóng góp Nghiên cứu của Đỗ Văn Huân (2021) Nghiên cứu của Mbete & Tanamal (2020) Khóa luận này (Huỳnh Tấn Phát, 2023)
Nền tảng nghiên cứu Sàn TMĐT tổng hợp Sàn TMĐT Shopee Indonesia TikTok Shop Việt Nam
Nhân tố chủ chốt Ảnh hưởng xã hội ($\beta = 0.28$) Sự thuận tiện & Thương hiệu Nhận thức tính hữu ích ($\beta = 0.312$) & Niềm tin ($\beta = 0.245$)
Đóng góp học thuật Ứng dụng mô hình UTAUT Ứng dụng mô hình chất lượng dịch vụ Hợp nhất TAM + TPR + TPB chuẩn hóa cho Video Commerce

Ứng dụng thực tế và triển khai

Hàm ý chiến lược dành cho TikTok Shop và Nhà bán hàng

graph TD
    subgraph Chiến_Lược_Tăng_Trưởng [Triển Khai Chiến Lược Kinh Doanh]
        A[Nhận thức hữu ích - Beta: 0.312] -->|Giải pháp| A1[Tối ưu nội dung video ngắn: Review trực quan, demo công năng rõ ràng]
        B[Niềm tin - Beta: 0.245] -->|Giải pháp| B1[Xác thực shop chính hãng TikTok Mall, tăng cường hiển thị đánh giá thực]
        C[Thuận tiện - Beta: 0.198] -->|Giải pháp| C1[Tối giản quy trình thanh toán 1 chạm, theo dõi vận đơn real-time]
        D[Kiểm soát rủi ro - Beta: -0.162] -->|Giải pháp| D1[Chính sách đồng kiểm khi nhận hàng, đổi trả tự động trong 7 ngày]
    end

Roadmap triển khai marketing 4 giai đoạn

  1. Giai đoạn 1 (Tuần 1–4): Nâng cao tính hữu ích của nội dung
    • Yêu cầu nhà sáng tạo (KOC) tập trung vào công năng, thông số kỹ thuật thực tế thay vì quảng cáo cường điệu.
    • Tích hợp bảng thông số sản phẩm trực tiếp dưới giỏ hàng vàng.
  2. Giai đoạn 2 (Tuần 5–8): Xây dựng hệ sinh thái tín nhiệm
    • Đẩy mạnh gắn nhãn TikTok Shop Mall cho các gian hàng chính hãng.
    • Siết chặt cơ chế kiểm duyệt sản phẩm chống hàng giả, hàng nhái.
  3. Giai đoạn 3 (Tuần 9–12): Tối ưu hóa chính sách giá và chiết khấu
    • Thiết kế các gói voucher độc quyền dành riêng cho học sinh - sinh viên (Student Discount Packs).
    • Áp dụng trợ giá vận chuyển (Freeship Xtra) cho đơn hàng có giá trị nhỏ phù hợp túi tiền sinh viên.
  4. Giai đoạn 4 (Tuần 13 trở đi): Tận dụng chuẩn chủ quan và tương tác xã hội
    • Phát triển tính năng chia sẻ giỏ hàng nhóm cho bạn bè qua TikTok Direct Message để nhận thêm ưu đãi.

Hạn chế và hướng phát triển

  • Kích thước và tính đại diện của mẫu: Nghiên cứu giới hạn ở quy mô $N = 200$ sinh viên Trường Đại học Ngân hàng TP.HCM. Cần mở rộng quy mô mẫu lên $N \ge 1,000$ trên nhiều trường đại học thuộc các khối ngành khác nhau (kỹ thuật, xã hội, y dược).
  • Phương pháp thu thập dữ liệu cắt ngang (Cross-sectional): Dữ liệu phản ánh hành vi tại một thời điểm nhất định. Các nghiên cứu tương lai nên ứng dụng phương pháp nghiên cứu theo chuỗi thời gian (Longitudinal Study) để theo dõi sự thay đổi hành vi dài hạn.
  • Mở rộng mô hình phân tích: Ứng dụng kỹ thuật mô hình hóa cấu trúc tuyến tính PLS-SEM hoặc CB-SEM (AMOS) để phân tích các tác động gián tiếp thông qua biến trung gian (như Ý định mua hàng hoặc Sự hài lòng).

Đối tượng hưởng lợi

  • Sinh viên & Người tiêu dùng trẻ: Hiểu rõ các yếu tố tâm lý chi phối hành vi mua sắm, từ đó kiểm soát chi tiêu hợp lý và nhận diện các rủi ro giao dịch trực tuyến.
  • Nhà bán lẻ & KOC/KOL: Nắm bắt chính xác các đòn bẩy thúc đẩy chuyển đổi đơn hàng ($\beta_{\text{PU}} = 0.312$, $\beta_{\text{TR}} = 0.245$) để tối ưu kịch bản video và phiên livestream.
  • Đội ngũ phát triển nền tảng TikTok Shop: Có cơ sở dữ liệu định lượng để cải tiến tính năng bảo mật, chính sách kiểm hàng và thuật toán đề xuất giỏ hàng.
  • Giới nghiên cứu học thuật: Cung cấp bộ thang đo đã qua kiểm định độ tin cậy và giá trị hội tụ, làm tài liệu tham khảo cho các nghiên cứu về Social Commerce tại thị trường Đông Nam Á.

Câu hỏi thường gặp

1. Tại sao "Nhận thức sự hữu ích" lại có tác động mạnh nhất đến sinh viên HUB ($\beta = 0.312$)?

Sinh viên khối ngành kinh tế - ngân hàng có xu hướng phân tích chi phí - lợi ích lý tính cao. Khi video ngắn chứng minh được sản phẩm giải quyết đúng nhu cầu thực tế với hiệu quả rõ ràng, rào cản ra quyết định mua hàng sẽ giảm đi đáng kể.

2. "Nhận thức rủi ro" mang giá trị âm ($\beta = -0.162$) có ý nghĩa gì trong thực tế?

Hệ số hồi quy âm phản ánh mối quan hệ nghịch chiều: Khi người mua cảm nhận mức độ rủi ro tăng lên (lo ngại hàng giả, lộ thông tin cá nhân, hỏng hóc trong quá trình vận chuyển), xác suất đưa ra quyết định mua sắm trên TikTok Shop sẽ giảm tương ứng.

3. Kích thước mẫu N = 200 có đảm bảo tính đại diện thống kê không?

Theo quy tắc kinh nghiệm của Hair et al. (2014), kích thước mẫu tối thiểu cho phân tích hồi quy và EFA là $N \ge 5 \times k$ (với $k$ là số lượng biến quan sát). Nghiên cứu có 24 biến quan sát chính thức ($24 \times 5 = 120$), do đó quy mô $N = 200$ hoàn toàn đáp ứng độ tin cậy và giá trị thống kê.

4. TikTok Shop có thể làm gì để cải thiện yếu tố "Niềm tin" cho người mua?

Nền tảng cần siết chặt chính sách hoàn tiền 100% khi phát hiện hàng nhái, công khai lịch sử đánh giá của khách hàng đã mua và xác thực video mở hộp (Unboxing) từ người dùng thực tế.

5. Sinh viên có bị chi phối nhiều bởi ý kiến của bạn bè trên mạng xã hội không?

Có, biến Chuẩn chủ quan đạt $\beta = 0.118$ ($p = 0.045 < 0.05$). Sinh viên chịu tác động bởi các bình luận tích cực, xu hướng lan truyền (viral trends) và gợi ý mua sắm từ bạn bè cùng phòng hoặc người có sức ảnh hưởng trong cộng đồng sinh viên.

Kết luận

Khóa luận tốt nghiệp của tác giả Huỳnh Tấn Phát (2023) đã giải quyết thành công bài toán phân tích định lượng về hành vi tiêu dùng trên nền tảng Shoppertainment thế hệ mới. Thông qua tập dữ liệu thực nghiệm $N = 200$ sinh viên Đại học Ngân hàng TP.HCM và quy trình xử lý trên SPSS 26.0, đề tài đã chỉ rõ 6 nhân tố tác động theo thứ tự ưu tiên: Nhận thức sự hữu ích ($\beta = 0.312$) > Niềm tin ($\beta = 0.245$) > Sự thuận tiện ($\beta = 0.198$) > Nhận thức rủi ro ($\beta = -0.162$) > Mức giá cả hợp lý ($\beta = 0.145$) > Chuẩn chủ quan ($\beta = 0.118$), giải thích được 58.4% độ biến thiên của quyết định mua sắm. Kết quả này là cơ sở khoa học vững chắc giúp các doanh nghiệp TMĐT xây dựng chiến lược kinh doanh tập trung vào chất lượng nội dung, nâng cao độ tin cậy và tối ưu trải nghiệm khách hàng trẻ.