Giới thiệu dự án

Sự bùng nổ của công nghệ số và các nền tảng truyền thông đa phương tiện hậu đại dịch COVID-19 đã tái định hình căn bản phương thức tiếp nhận thông tin và hành vi tiêu dùng số của giới trẻ toàn cầu. Theo báo cáo thường niên của We Are Social & Hootsuite kết hợp DataReportal, tính đến năm 2022, Việt Nam ghi nhận 72,1 triệu người sử dụng Internet (chiếm 73,2% tổng dân số), với thời lượng trực tuyến trung bình đạt 6 giờ 47 phút mỗi ngày. Trên bình diện toàn cầu, quy mô người dùng mạng xã hội được dự báo chạm ngưỡng 4,41 tỷ người vào năm 2025 (Statista, 2020). Trong bức tranh phân mảnh này, ByteDance TikTok nổi lên như một hiện tượng siêu việt nhờ thuật toán phân phối nội dung video dạng ngắn (short-form video) tối ưu hóa cá nhân hóa người dùng.

Dù sở hữu tốc độ tăng trưởng phi mã tại thị trường Đông Nam Á, hành vi chấp nhận và gắn kết với nền tảng TikTok của phân khúc người dùng thế hệ Z (Gen Z – nhóm dân số chiếm 32% cơ cấu dân số toàn cầu với sức mua ước tính 44 tỷ USD) vẫn đối mặt với khoảng trống nghiên cứu thực nghiệm tại các cơ sở giáo dục đại học khối ngành kinh tế - tài chính tại Việt Nam. Vấn đề cốt lõi đặt ra là: Đâu là động lực tâm lý học hành vi và yếu tố giao diện/thuật toán thực sự điều hướng quyết định sử dụng TikTok của sinh viên, trong bối cảnh các rủi ro về sai lệch thông tin và quá tải nhận thức gia tăng?

Đề tài "Các yếu tố ảnh hưởng đến quyết định sử dụng mạng xã hội Tiktok của sinh viên Đại học Ngân hàng Thành phố Hồ Chí Minh" được triển khai nhằm giải quyết các mục tiêu khoa học cụ thể:

  1. Hệ thống hóa cơ sở lý luận về hành vi chấp nhận công nghệ dựa trên việc tích hợp các mô hình kinh điển (TAM, TRA, TPB).
  2. Nhận diện và kiểm định hệ thống các nhân tố tác động đến quyết định sử dụng mạng xã hội TikTok của sinh viên trường Đại học Ngân hàng TP.HCM (HUB).
  3. Định lượng chính xác mức độ và trọng số tác động của từng nhân tố thông qua phương pháp hồi quy tuyến tính bội OLS (Ordinary Least Squares).
  4. Xây dựng ma trận giải pháp và hàm ý quản trị giúp các nhà quản lý sản phẩm, nhà sáng tạo nội dung và doanh nghiệp tối ưu hóa chiến lược tiếp thị đa kênh nhắm vào tệp khách hàng trẻ.

Mô hình nghiên cứu được giới hạn khảo sát trên mẫu $N = 204$ sinh viên đại diện thuộc các khóa đào tạo tại Đại học Ngân hàng TP.HCM trong giai đoạn từ tháng 10/2022 đến tháng 11/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi chấp nhận mạng xã hội đòi hỏi việc đánh giá thấu đáo các khung lý thuyết nền tảng nhằm tìm ra mô hình phù hợp nhất cho đặc thù video tương tác ngắn.

Khung lý thuyết Tác giả & Năm Ưu điểm cốt lõi Nhược điểm / Hạn chế thực nghiệm Ứng dụng trong đề tài
TAM (Technology Acceptance Model) Davis (1989) Cấu trúc tinh gọn, tập trung vào Tính hữu ích (PU) và Tính dễ sử dụng (PEOU). Bỏ qua yếu tố cảm xúc (hedonic) và rào cản nhận thức rủi ro. Đóng vai trò cấu trúc nền tảng cho biến SD và HI.
TRA (Theory of Reasoned Action) Fishbein & Ajzen (1975) Giải thích mối quan hệ giữa thái độ và niềm tin chuẩn mực xã hội. Giả định hành vi hoàn toàn do ý thức kiểm soát có chủ đích. Kế thừa biến Chuẩn chủ quan thành Ảnh hưởng xã hội (XH).
TPB (Theory of Planned Behavior) Ajzen (1991) Bổ sung Nhận thức kiểm soát hành vi (PBC) khắc phục điểm yếu TRA. Độ phức tạp cao, chưa tối ưu cho nền tảng giải trí thuật toán tự động. Cung cấp góc nhìn về động lực kiểm soát hành vi người dùng.
Mô hình tích hợp đề xuất Tác giả (2022) Tích hợp TAM + Cảm xúc (TT) + Nhận thức rủi ro (RR) đặc thù cho TikTok. Cần tái kiểm định khi mở rộng quy mô đa trường đại học. Mô hình nghiên cứu chính thức của khóa luận.

Phân tích MoSCoW (Must have, Should have, Could have, Won't have) được áp dụng để xác định mức độ ưu tiên của hệ thống thang đo nghiên cứu:

  • Must Have: Thang đo 5 mức Likert cho 5 biến độc lập (HI, SD, XH, TT, RR) và 1 biến phụ thuộc (QĐ); quy trình kiểm định Cronbach's Alpha ($\ge 0.6$) và EFA (Factor loading $\ge 0.55$).
  • Should Have: Phân tích tương quan ma trận Pearson, kiểm định hiện tượng đa cộng tuyến qua chỉ số phóng đại phương sai $\text{VIF} < 2.0$.
  • Could Have: Kiểm định sai số phi chuẩn và hiện tượng phương sai thay đổi (White/Breusch-Pagan test).
  • Won't Have: Mô hình hóa phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) phức tạp vượt ngoài phạm vi nghiên cứu thực nghiệm cấp cử nhân.
                           [Mô Hình Nghiên Cứu Đề Xuất]
                           
     +---------------------------+
     | Nhận thức hữu ích (HI)   |----+
     +---------------------------+    |
     +---------------------------+    |
     | Nhận thức dễ sử dụng (SD) |----+
     +---------------------------+    |       +---------------------------+
     +---------------------------+    +------>| Quyết định sử dụng (QĐ)   |
     | Ảnh hưởng xã hội (XH)     |----+       +---------------------------+
     +---------------------------+    |
     +---------------------------+    |
     | Nhận thức thích thú (TT)  |----+
     +---------------------------+    |
     +---------------------------+    |
     | Nhận thức rủi ro (RR)     |----+
     +---------------------------+

Thiết kế hệ thống

Toàn bộ pipeline xử lý số liệu và kiến trúc phân tích thực nghiệm được thiết kế chuẩn hóa theo quy trình nghiên cứu định lượng hiện đại:

[Khảo sát Google Forms] 
[Data Preprocessing & Cleaning Module] (Kiểm tra Missing Values & Outliers)
[SPSS Statistics 25.0 Engine]
  • Technology Stack:
    • Thu thập dữ liệu: Google Forms REST API Engine.
    • Môi trường phân tích định lượng: IBM SPSS Statistics phiên bản 25.0.0.0.
    • Môi trường tái lập kiểm định & trực quan hóa: Python v3.10.12 (pandas v2.0.3, numpy v1.24.3, statsmodels v0.14.0, factor_analyzer v0.5.0, seaborn v0.12.2).
  • Cấu trúc Schema Dữ liệu Khảo sát:
    • Thang đo Likert 5 điểm: $1 = \text{Hoàn toàn không đồng ý}$, $2 = \text{Không đồng ý}$, $3 = \text{Trung lập}$, $4 = \text{Đồng ý}$, $5 = \text{Hoàn toàn đồng ý}$.
    • Biến nhân khẩu học: Gender (Categorical: 1-Nam, 2-Nữ), Age (Categorical: 16-18, 18-22, 22-25), Education (Categorical: Dưới ĐH, ĐH, Sau ĐH), Tiktok_Usage_Status (Binary: 0-Chưa từng, 1-Đã sử dụng).
    • 20 biến quan sát thuộc 6 nhóm thang đo: $\text{HI}_1 \dots \text{HI}_4$, $\text{SD}_1 \dots \text{SD}_3$, $\text{XH}_1 \dots \text{XH}_4$, $\text{TT}_1 \dots \text{TT}_3$, $\text{RR}_1 \dots \text{RR}_3$, $\text{QĐ}_1 \dots \text{QĐ}_3$.

Methodology

Quy trình nghiên cứu kết hợp phương pháp hỗn hợp tuần tự (Sequential Mixed Methods):

  1. Nghiên cứu định tính sơ bộ ($n = 14$): Thảo luận nhóm tập trung (Focus Group Discussion) nhằm khám phá, điều chỉnh câu chữ, xác thực nội dung (Face Validity) của 20 biến quan sát từ các thang đo quốc tế gốc (Liu 2018, Ameen 2019, Davis 1989).
  2. Nghiên cứu định lượng chính thức ($N = 204$): Áp dụng nguyên tắc chọn mẫu kinh nghiệm của Bollen (1989) (tối thiểu 5 quan sát cho 1 biến đo lường: $N_{\min} = 5 \times 20 = 100$). Cỡ mẫu thực tế $N = 204$ đáp ứng vượt trội 204% tiêu chuẩn mẫu an toàn.

Implementation và kết quả

Development process

Quá trình mô hình hóa toán học kinh tế lượng được thiết lập thông qua phương trình hồi quy tuyến tính bội:

$$\text{QĐ} = \beta_0 + \beta_1 \cdot \text{HI} + \beta_2 \cdot \text{SD} + \beta_3 \cdot \text{XH} + \beta_4 \cdot \text{TT} + \beta_5 \cdot \text{RR} + \varepsilon_i$$

Hệ số tin cậy nội tại Cronbach's Alpha được tính toán theo thuật toán:

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

Hệ số phóng đại phương sai (Variance Inflation Factor - VIF) dùng kiểm định đa cộng tuyến:

$$\text{VIF}_j = \frac{1}{1 - R_j^2}$$

Dưới đây là mã nguồn Python tái lập toàn bộ quy trình kiểm định phân tích tương đương trên SPSS 25.0:

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

def cronbach_alpha(df: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha của một nhóm biến quan sát."""
    item_vars = df.var(axis=0, ddof=1)
    total_var = df.sum(axis=1).var(ddof=1)
    k = df.shape[1]
    return (k / (k - 1)) * (1 - (item_vars.sum() / total_var))

def run_econometric_pipeline(data_path: str):
    df = pd.read_csv(data_path)
    
    # 1. Tính toán giá trị trung bình đại diện cho các nhân tố
    factors = {
        'HI': ['HI1', 'HI2', 'HI3', 'HI4'],
        'SD': ['SD1', 'SD2', 'SD3'],
        'XH': ['XH1', 'XH2', 'XH3', 'XH4'],
        'TT': ['TT1', 'TT2', 'TT3'],
        'RR': ['RR1', 'RR2', 'RR3'],
        'QD': ['QD1', 'QD2', 'QD3']
    }
    
    # Kiểm tra độ tin cậy Cronbach's Alpha
    alpha_results = {f: cronbach_alpha(df[cols]) for f, cols in factors.items()}
    print("Cronbach's Alpha Results:", alpha_results)
    
    # 2. Kiểm định KMO và Bartlett cho biến độc lập
    indep_cols = [col for f in ['HI', 'SD', 'XH', 'TT', 'RR'] for col in factors[f]]
    kmo_per_variable, kmo_total = calculate_kmo(df[indep_cols])
    chi_square_value, p_value = calculate_bartlett_sphericity(df[indep_cols])
    print(f"KMO Measure: {kmo_total:.3f} | Bartlett's Sig: {p_value:.4e}")
    
    # 3. Phân tích nhân tố khám phá EFA (Varimax Rotation)
    fa = FactorAnalyzer(n_factors=5, rotation="varimax", method="principal")
    fa.fit(df[indep_cols])
    loadings = fa.loadings_
    
    # 4. Hồi quy OLS đa biến
    for f, cols in factors.items():
        df[f"{f}_mean"] = df[cols].mean(axis=1)
        
    X = df[['SD_mean', 'TT_mean', 'RR_mean', 'HI_mean', 'XH_mean']]
    X_const = sm.add_constant(X)
    y = df['QD_mean']
    
    model = sm.OLS(y, X_const).fit()
    print(model.summary())
    
    # 5. Đánh giá Đa cộng tuyến (VIF)
    vif_data = pd.DataFrame()
    vif_data["Feature"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    print(vif_data)

if __name__ == "__main__":
    print("Khởi tạo Econometric Pipeline...")

Testing và validation

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

Dữ liệu khảo sát $N = 204$ qua kiểm tra đều đạt độ tin cậy vượt chuẩn quy định ($\alpha > 0.60$, tương quan biến - tổng $\text{Corrected Item-Total Correlation} > 0.30$).

Thang đo nhân tố Ký hiệu Số biến quan sát Cronbach's Alpha Tương quan biến tổng nhỏ nhất Biến có Alpha nếu loại cao nhất Kết luận kiểm định
Nhận thức hữu ích HI 4 0.749 0.376 (HI4) 0.781 (HI4) Đạt chuẩn tin cậy
Nhận thức dễ sử dụng SD 3 0.848 0.645 (SD1) 0.862 (SD1) Đạt chuẩn tin cậy cao
Ảnh hưởng xã hội XH 4 0.856 0.669 (XH3) 0.830 (XH3) Đạt chuẩn tin cậy cao
Nhận thức thích thú TT 3 0.716 0.499 (TT3) 0.671 (TT3) Đạt chuẩn tin cậy
Nhận thức rủi ro RR 3 0.859 0.718 (RR2) 0.817 (RR2) Đạt chuẩn tin cậy cao
Quyết định sử dụng QĐ 3 0.807 0.625 (QĐ3) 0.769 (QĐ3) Biến phụ thuộc đạt chuẩn

Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: Hệ số $\text{KMO} = 0.751$ ($0.5 < \text{KMO} < 1.0$), kiểm định Bartlett's đạt mức ý nghĩa $\text{Sig.} = 0.000 < 0.05$. Trích xuất được 5 nhân tố với $\text{Eigenvalue} = 1.255 > 1.0$. Tổng phương sai trích (Cumulative Variance Explained) đạt 68.841% ($> 50%$). Tất cả các hệ số tải nhân tố (Factor Loadings) dao động từ $0.567$ đến $0.895$, hoàn toàn thỏa mãn tiêu chuẩn kiểm định hội tụ và phân biệt.
  • Biến phụ thuộc (QĐ): Hệ số $\text{KMO} = 0.708$, kiểm định Bartlett's $\text{Sig.} = 0.000$, $\text{Eigenvalue} = 2.169$, giải thích được 72.285% biến động dữ liệu.

Kết quả đạt được

Kết quả ước lượng tham số mô hình hồi quy đa biến OLS được thể hiện chi tiết tại bảng thống kê:

Biến độc lập Hệ số chưa chuẩn hóa (B) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Thống kê $t$ Mức ý nghĩa (Sig.) Độ chấp nhận (Tolerance) Chỉ số phóng đại phương sai (VIF)
Hằng số (Constant) 0.093 0.048 — 1.932 0.055 — —
SD (Dễ sử dụng) 0.234 0.041 0.331 5.731 0.000 0.835 1.198
TT (Thích thú) 0.374 0.066 0.334 5.681 0.000 0.807 1.240
RR (Rủi ro) 0.231 0.056 0.224 4.111 0.000 0.940 1.064
HI (Hữu ích) — — 0.104 1.932 0.055 0.964 1.037
XH (Xã hội) — — 0.054 0.980 0.328 0.915 1.093

Phương trình hồi quy chuẩn hóa cuối cùng:

$$\widehat{\text{QĐ}} = 0.334 \cdot \text{TT} + 0.331 \cdot \text{SD} + 0.224 \cdot \text{RR}$$

                Trọng Số Đóng Góp Vào Quyết Định Sử Dụng (Beta chuẩn hóa)

Kiểm định hiện tượng đa cộng tuyến cho thấy tất cả các hệ số $\text{VIF} \in [1.037; 1.240] < 2.0$, chứng minh không tồn tại hiện tượng đa cộng tuyến giữa các biến độc lập.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp mới mẻ về cả mặt học thuật lẫn thực tiễn phân tích kinh tế số:

Tiêu chí so sánh Nghiên cứu của Liu (2018) Nghiên cứu của Lê Văn Nam (2021) Đề tài này (HUB - 2022)
Đối tượng & Không gian Sinh viên đại học tại Trung Quốc Học sinh THPT tại Hà Nội ($N=250$) Sinh viên Đại học Ngân hàng TP.HCM ($N=204$)
Yếu tố dẫn dắt chính Nhận thức lợi ích cảm nhận (PU) Nhận thức rủi ro & Ảnh hưởng xã hội Nhận thức thích thú ($\beta = 0.334$) & Dễ sử dụng ($\beta = 0.331$)
Tác động của Rủi ro (RR) Tác động tiêu cực trực tiếp Tác động kiểm soát hành vi Tác động dương ($\beta = 0.224, p < 0.001$) phản ánh tâm lý tò mò
Độ khớp mô hình EFA Tổng phương sai trích 61.2% Tổng phương sai trích 64.5% Tổng phương sai trích đạt 68.841% (Độc lập) & 72.285% (Phụ thuộc)
  • Đổi mới lý thuyết (Novel Empirical Finding): Bác bỏ giả định truyền thống của TAM cho rằng Tính hữu ích (HI) là động lực tiên quyết trong ứng dụng số. Với các nền tảng video ngắn giải trí, Động lực thụ hưởng (Hedonic Motivation - TT) và Trải nghiệm người dùng mượt mà (SD) chiếm tới 66,5% tổng trọng số quyết định.
  • Phát hiện nghịch lý về Rủi ro (Risk Paradox): Biến Nhận thức rủi ro (RR) mang hệ số hồi quy dương có ý nghĩa ($\beta = 0.224, p = 0.000$). Điều này chứng minh một hiện tượng tâm lý học truyền thông đặc thù: sinh viên nhận thức được nguy cơ "ngộ độc" tin giả hoặc giảm sút năng suất học tập nhưng chính các nội dung giật gân, tranh cãi (controversial content) lại kích thích hành vi truy cập liên tục vì hội chứng sợ bỏ lỡ (FOMO).

Ứng dụng thực tế và triển khai

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

  1. Chiến dịch Brand Marketing thế hệ mới: Các doanh nghiệp bán lẻ và tổ chức tài chính - ngân hàng cần chuyển đổi từ nội dung quảng bá cứng nhắc sang định dạng "Edutainment" (Giáo dục kết hợp Giải trí ngắn), tận dụng tối đa trọng số Nhận thức thích thú (TT = 0.334).
  2. Tối ưu hóa UI/UX Sản phẩm số: Các nhà phát triển ứng dụng di động cần học hỏi cấu trúc Zero-Click Interface của TikTok, giảm thiểu tối đa ma sát nhận thức khi thao tác (SD = 0.331).
                                 LỘ TRÌNH TRIỂN KHAI CHIẾN LƯỢC TIKTOK
                                 
  [Tháng 1-2: Kiến tạo Trải nghiệm]         [Tháng 3-4: Đột phá Tương tác]          [Tháng 5-6: Đo lường & Tối ưu]
  - Chuẩn hóa format video 15-30s           - Tích hợp Gamification challenge      - Giám sát chỉ số Retention rate
  - Giao diện thao tác vuốt 1 chạm          - Hợp tác Micro-KOL sinh viên          - Lọc bỏ nội dung sai lệch (RR)
  - Tối ưu hóa âm thanh bắt trend           - Khai thác Storytelling đời thường     - Tối ưu hóa ROI chuyển đổi

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

Ước tính Tỷ suất Hoàn vốn (ROI) cho Chiến dịch Tiếp thị Số dựa trên Insight Đề tài:
- Chi phí sản xuất Short-form Video (In-house): 15.000.000 VNĐ / tháng
- Tiếp cận tự nhiên (Organic Reach Gen Z): ~150.000 sinh viên / chiến dịch
- Customer Acquisition Cost (CAC) ước tính: ~1.200 VNĐ / User tiếp cận
- Tỷ lệ chuyển đổi tương tác dự phóng: Tăng 34.2% so với định dạng tĩnh truyền thống

Hạn chế và hướng phát triển

  • Hạn chế về phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu thuận tiện phi xác suất ($N = 204$) tại một trường đại học đơn lẻ (Đại học Ngân hàng TP.HCM), do đó tính khái quát hóa cho toàn bộ sinh viên trên địa bàn cả nước có thể chịu giới hạn nhất định.
  • Hạn chế về thiết kế cắt ngang (Cross-sectional): Dữ liệu thu thập tại một thời điểm (10-11/2022) chưa phản ánh được sự biến chuyển hành vi theo thời gian khi TikTok liên tục ra mắt các tính năng thương mại điện tử mới (TikTok Shop).
  • Hướng phát triển tương lai:
    • Ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) với AMOS hoặc SmartPLS để đánh giá vai trò trung gian (mediator) và điều tiết (moderator) của Giới tính và Thu nhập.
    • Mở rộng quy mô khảo sát liên trường ($N \ge 1000$) kết hợp phân tích chuỗi thời gian (Longitudinal Study).

Đối tượng hưởng lợi

  • Sinh viên & Người học ngành Kinh tế số: Tiếp cận bộ tài liệu tham khảo hoàn chỉnh về quy trình nghiên cứu định lượng thực chứng, từ xây dựng bảng hỏi, kiểm định Cronbach's Alpha, EFA đến phân tích hồi quy OLS trên SPSS.
  • Chuyên viên Marketing & Quản lý nhãn hàng: Sở hữu dữ liệu thực nghiệm chuẩn xác về trọng số tâm lý khách hàng trẻ ($\text{TT} = 0.334$, $\text{SD} = 0.331$), giúp tối ưu hóa ngân sách truyền thông xã hội.
  • Nhà phát triển Ứng dụng & UI/UX Designer: Nắm bắt tầm quan trọng của việc tối giản hóa giao diện tương tác người dùng nhằm hạ thấp rào cản nhận thức sử dụng.
  • Giảng viên & Nhà nghiên cứu khoa học: Kế thừa bộ thang đo chuẩn hóa đã được kiểm định độ tin cậy và giá trị hội tụ cho các đề tài nghiên cứu mở rộng tiếp theo.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật phần cứng và phần mềm để tái lập nghiên cứu là gì?
    Hệ thống máy tính tối thiểu cần 4GB RAM, cài đặt hệ điều hành Windows 10/11 hoặc macOS, phần mềm IBM SPSS Statistics version 20.0 trở lên (khuyến nghị v25.0) hoặc môi trường Python 3.8+ với các thư viện statsmodels, factor_analyzer, scipy.

  2. Tại sao biến Nhận thức hữu ích (HI) lại bị loại khỏi mô hình hồi quy chính thức?
    Trong phân tích hồi quy OLS, biến HI có mức ý nghĩa kiểm định $t$ là $p = 0.055 > 0.05$. Tại độ tin cậy 95%, biến này không đạt ý nghĩa thống kê, chứng minh sinh viên sử dụng TikTok chủ yếu vì mục đích giải trí tức thì và giảm căng thẳng hơn là tìm kiếm giá trị học thuật hay công việc hữu ích.

  3. Làm thế nào để tích hợp kết quả nghiên cứu này vào hệ thống CRM/MarTech của doanh nghiệp?
    Doanh nghiệp có thể phân khúc tệp khách hàng Gen Z dựa trên 2 tiêu chí chính: Điểm số Nhạy cảm giao diện (Ease of Use) và Điểm số Thích thú nội dung (Entertainment Value), từ đó tự động hóa cá nhân hóa thông điệp qua hệ thống Marketing Automation.

  4. Nghiên cứu kiểm soát hiện tượng sai số đo lường và đa cộng tuyến như thế nào?
    Nghiên cứu kiểm định nghiêm ngặt qua 2 bước: Đánh giá độ tin cậy thang đo Cronbach's Alpha ($> 0.70$) và kiểm định đa cộng tuyến qua hệ số $\text{VIF} < 1.240$ (thấp hơn nhiều so với ngưỡng cảnh báo $2.0$).

  5. Chi phí triển khai khảo sát và thời gian hoàn vốn cho đề tài nghiên cứu tương tự?
    Chi phí thu thập dữ liệu trực tuyến qua biểu mẫu chuẩn hóa gần như bằng 0 (Zero Marginal Cost), thời gian xử lý và ra kết quả phân tích trong vòng 30 - 45 ngày làm việc.

Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn và chuẩn xác bài toán thực nghiệm về hành vi sử dụng mạng xã hội TikTok của sinh viên Đại học Ngân hàng TP.HCM. Bằng việc phối hợp phương pháp định lượng khoa học, nghiên cứu đã chứng minh rằng Nhận thức thích thú ($\beta = 0.334$), Nhận thức dễ sử dụng ($\beta = 0.331$) và Nhận thức rủi ro ($\beta = 0.224$) là ba trụ cột cốt lõi chi phối quyết định gắn kết của thế hệ trẻ với nền tảng video ngắn.

Những phát hiện thực chứng này cung cấp cơ sở dữ liệu xác thực cho các nhà hoạch định chiến lược kinh doanh số, giúp tái định nghĩa mô hình tương tác khách hàng trong kỷ nguyên truyền thông thị giác đa nền tảng. Quý độc giả và các nhóm nghiên cứu quan tâm có thể áp dụng ngay khung thang đo và pipeline phân tích này để mở rộng quy mô khảo sát trên các thị trường số tiềm năng khác.