Giới thiệu dự án

Thị trường giao thức ăn trực tuyến (Online Food Delivery - OFD) tại khu vực Đông Nam Á đã chứng kiến bước nhảy vọt với tốc độ tăng trưởng kép hàng năm đạt 91% trong giai đoạn 2015–2019 và dự kiến chạm mốc 20 tỷ USD vào năm 2025 (theo báo cáo Google, Temasek & Bain & Company - e-Conomy SEA 2019). Tại Việt Nam, quy mô thị trường OFD năm 2020 ghi nhận mức tăng trưởng bình quân 11%/năm (Reputa, 2020), trong khi 62% người tiêu dùng sẵn sàng chuyển dịch thói quen sang dùng bữa tại nhà sau đại dịch Covid-19 (Nielsen Vietnam, 2021). Đặc biệt, 43% người dân TP.HCM duy trì tần suất đặt món trực tuyến ít nhất 1 lần/tuần (Kantar & Gojek, 2020).

                      BỐI CẢNH THỊ TRƯỜNG & VỊ THẾ CỦA BAEMIN (2020 - 2022)

Trong bối cảnh cạnh tranh gay gắt, ứng dụng Baemin (thuộc tập đoàn Woowa Brothers - Delivery Hero) dù gia nhập thị trường từ tháng 5/2019 và nhanh chóng vươn lên vị trí thứ 3 nhưng phải đối mặt với bài toán tối ưu hóa chi phí thu hút người dùng (CAC) và gia tăng tỷ lệ giữ chân khách hàng (Retention Rate). Phân khúc sinh viên tại TP.HCM là tập khách hàng mục tiêu năng động, có độ nhạy cảm cao về giá và yêu cầu trải nghiệm dịch vụ ổn định.

                      MÔ HÌNH NGHIÊN CỨU HÀNH VI (TAM & TPB KẾT HỢP)

Vấn đề nghiên cứu thực tế

Dù các nền tảng liên tục tung ra các chương trình khuyến mãi, doanh nghiệp vẫn gặp phải các điểm nghẽn:

  • Chưa xác định chính xác trọng số tác động của các biến số tâm lý và công nghệ đến quyết định của người dùng trẻ.
  • Hiện tượng rời bỏ ứng dụng (churn rate) cao khi người dùng chuyển dịch giữa các nền tảng chỉ dựa vào mã giảm giá tức thời.
  • Rào cản về niềm tin giao dịch số và tính ổn định của phí vận chuyển trong giờ cao điểm.

Mục tiêu dự án

  1. Xác định các yếu tố cốt lõi cấu thành hành vi và ý định sử dụng ứng dụng đặt thức ăn trực tuyến Baemin của nhóm đối tượng sinh viên trên địa bàn TP.HCM.
  2. Đo lường mức độ tác động của từng biến số độc lập (Hữu ích, Dễ sử dụng, Ảnh hưởng xã hội, Độ tin cậy, Cảm nhận giá) thông qua mô hình toán định lượng.
  3. Đề xuất hệ thống hàm ý quản trị thực thi nhằm giúp bộ phận Product và Growth Marketing của Baemin tối ưu hóa tính năng, chính sách giá và chiến lược tăng trưởng bền vững.

Phương pháp tiếp cận giải pháp

Đề tài tích hợp mô hình Chấp nhận Công nghệ (Technology Acceptance Model - TAM của Davis, 1989), Thuyết Hành vi Dự định (Theory of Planned Behavior - TPB của Ajzen, 1991) và Mô hình Kỳ vọng - Cảm nhận (Oliver, 1980). Quy trình xử lý kết hợp phương pháp nghiên cứu định tính (hiệu chỉnh thang đo cùng chuyên gia) và định lượng thực nghiệm ($N = 207$) thông qua phần mềm phân tích dữ liệu chuyên dụng.

Phạm vi và giới hạn

  • Không gian nghiên cứu: Các trường đại học trên địa bàn TP.HCM.
  • Đối tượng khảo sát: Sinh viên đại học/cao đẳng đang sinh sống, học tập tại TP.HCM đã và đang có ý định đặt đồ ăn qua ứng dụng Baemin.
  • Giới hạn kỹ thuật: Khảo sát phi xác suất theo phương pháp thuận tiện; phân tích hồi quy tuyến tính cổ điển (OLS Regression).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường ứng dụng đặt món trực tuyến tại Việt Nam được phân hóa rõ rệt bởi các hệ sinh thái lớn:

Tiêu chí GrabFood ShopeeFood Baemin GoFood / Loship
Ưu điểm Hệ sinh thái siêu ứng dụng lớn; đội ngũ tài xế đông đảo. Liên kết sâu ví ShopeePay; kho voucher đa tầng phong phú. UI/UX sáng tạo, thân thiện; chiến dịch Content Marketing viral cao. Phí giao hàng linh hoạt; tích hợp giao hàng tạp hóa địa phương.
Nhược điểm Chi phí đơn hàng cao; phí nền tảng lớn trong giờ cao điểm. Giao diện nhiều banner rối mắt; tốc độ xử lý app đôi khi chậm. Phạm vi dịch vụ theo cụm quận; phụ thuộc lớn vào mã giảm giá. Tốc độ tài xế nhận đơn chậm; số lượng quán ăn liên kết hạn chế.
Thị phần (Q&Me 2020) Top 1 Top 2 Top 3 Top 4, 5

Phân tích yêu cầu hệ thống khảo sát (Mô hình MoSCoW)

  • Must-have: Thang đo chuẩn Likert 5 bậc; kiểm định độ tin cậy thang đo Cronbach's Alpha $\ge 0.70$; kiểm định tính tương thích dữ liệu KMO $\ge 0.50$ và Bartlett's Test $p < 0.05$.
  • Should-have: Phân tích nhân tố khám phá EFA với phép xoay Varimax; loại trừ hiện tượng đa cộng tuyến với chỉ số $VIF < 2.0$.
  • Could-have: Tích hợp mô hình dự báo trực tuyến qua script tự động hóa Python.
  • Won't-have: Khảo sát hành vi giao hàng đường dài ngoài khu vực nội thành TP.HCM.

Thiết kế hệ thống xử lý dữ liệu

Quy trình xử lý dữ liệu và phân tích định lượng được thiết kế thành một pipeline khép kín từ khâu thu thập đến trích xuất tham số:

graph TD
    A[Thu thập dữ liệu: Google Forms] --> B[Tiền xử lý dữ liệu & Data Cleaning]
    B --> C[Kiểm định Cronbach Alpha: Loại biến CITC < 0.3]
    C --> D[Phân tích Nhân tố Khám phá EFA: Varimax Rotation]
    D --> E{Kiểm tra Factor Loading > 0.5 & Cross-loading}
    E -- Không đạt --> B
    E -- Đạt chuẩn --> F[Phân tích Tương quan Pearson]
    F --> G[Hồi quy Tuyến tính Đa biến OLS]
    G --> H[Kiểm định Giả định: Histogram, P-P Plot, VIF]
    H --> I[Trích xuất Hàm ý Quản trị Kinh doanh]

Technology Stack & Công cụ sử dụng

  • Data Engine: IBM SPSS Statistics v26.0 (Môi trường phân tích chính thống của đề tài).
  • Automated Verification Script: Python 3.10.12, Pandas v1.5.3, FactorAnalyzer v0.4.1, Statsmodels v0.14.0, Scikit-learn v1.2.2.
  • Survey Data Format: Tabular Structured Dataset (CSV/SAV format), chuẩn hóa mã hóa UTF-8.

Cấu trúc dữ liệu và Schema biến quan sát

Bộ dữ liệu gồm 25 biến quan sát ban đầu được thiết kế theo thang đo Likert 5 mức độ ($1$: Hoàn toàn không đồng ý $\rightarrow 5$: Hoàn toàn đồng ý):

  • Nhận thức về sự hữu ích (HI): HI1 (Tiết kiệm thời gian), HI2 (Tiết kiệm chi phí), HI3 (Đa dạng thanh toán), HI4 (Hiệu quả tìm kiếm/so sánh), HI5 (Đặt nhiều đơn cùng lúc).
  • Nhận thức tính dễ sử dụng (DD): DD1 (Giao diện đơn giản), DD2 (Quy trình đặt món), DD3 (Thao tác thanh toán), DD4 (Theo dõi thông báo/khuyến mãi).
  • Ảnh hưởng của xã hội (AHXH): AHXH1 (Người có ảnh hưởng khuyên dùng), AHXH2 (Phù hợp xu hướng), AHXH3 (Bạn bè/người thân sử dụng).
  • Nhận thức về độ tin cậy (TC): TC1 (Thanh toán bảo mật), TC2 (Thông tin quán/chất lượng món), TC3 (Đóng gói/giao đúng hẹn), TC4 (App mượt mà, không lỗi).
  • Cảm nhận về giá (GC): GC1 (Chi phí hợp lý), GC2 (Phí dịch vụ rẻ hơn app khác), GC3 (Phí ship ổn định giờ cao điểm), GC4 (Khuyến mãi đa tầng hấp dẫn).
  • Ý định đặt thức ăn (YĐ - Biến phụ thuộc): YĐ1 đến YĐ5 (Hài lòng, lựa chọn sáng suốt, tiếp tục sử dụng, ý định tương lai, giới thiệu người khác).

Phương pháp luận (Methodology)

Nghiên cứu áp dụng quy trình thực nghiệm 2 giai đoạn:

  1. Nghiên cứu định tính: Phỏng vấn thử nghiệm chuyên gia học thuật (giảng viên chuyên ngành) và 10 người dùng sinh viên để sàng lọc nội dung câu hỏi, đảm bảo tính rõ ràng của ngữ nghĩa tiếng Việt.
  2. Nghiên cứu định lượng: Phân phối biểu mẫu khảo sát trực tuyến trong 12 ngày (10/10/2022 – 22/10/2022).
  3. Quy tắc cỡ mẫu: Dựa theo tiêu chuẩn của Hair et al. (1998) với tỷ lệ tối thiểu $5:1$ mẫu trên biến quan sát ($25 \times 5 = 125$ mẫu) và Tabachnick & Fidell (1996) cho phân tích hồi quy ($N \ge 50 + 8m = 50 + 8 \times 5 = 90$ mẫu). Cỡ mẫu thực tế đạt $N = 207$, vượt 165% yêu cầu tối thiểu.

Implementation và kết quả

Quy trình phân tích dữ liệu & Code Pipeline

Dưới đây là đoạn mã nguồn Python tương đương tái hiện quy trình phân tích độ tin cậy Cronbach's Alpha, EFA và hồi quy đa biến trên bộ dữ liệu khảo sát:

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

# 1. Tải và tiền xử lý dữ liệu
df = pd.read_csv("baemin_survey_207.csv")
independent_vars = ['HI1', 'HI2', 'HI3', 'HI4', 'HI5',
                    'DD1', 'DD2', 'DD3', 'DD4',
                    'AHXH1', 'AHXH2', 'AHXH3',
                    'TC1', 'TC2', 'TC3', 'TC4',
                    'GC1', 'GC2', 'GC3', 'GC4']
target_var = 'YD_MEAN'

# 2. Hàm tính toán hệ số tin cậy Cronbach's Alpha
def cronbach_alpha(itemscores):
    itemscores = np.asarray(itemscores)
    itemvars = itemscores.var(axis=0, ddof=1)
    tscores = itemscores.sum(axis=1)
    nitems = itemscores.shape[1]
    return (nitems / (nitems - 1)) * (1 - (itemvars.sum() / tscores.var(ddof=1)))

# 3. Phân tích Nhân tố Khám phá (EFA) - Loại biến không đạt
# Lần 1: Loại HI4 (loading < 0.5), DD4 và HI5 (cross-loading < 0.3)
refined_vars = [col for col in independent_vars if col not in ['HI4', 'DD4', 'HI5']]

# Kiểm tra KMO và Bartlett
chi_square_value, p_value = calculate_bartlett_sphericity(df[refined_vars])
kmo_all, kmo_model = calculate_kmo(df[refined_vars])
print(f"KMO Score: {kmo_model:.3f}, Bartlett p-value: {p_value:.5f}")

# EFA lần 2 với phép xoay Varimax
fa = FactorAnalyzer(n_factors=5, rotation="varimax", method="principal")
fa.fit(df[refined_vars])
eigenvalues, _ = fa.get_eigenvalues()
variance_explained = fa.get_factor_variance()[1].sum()
print(f"Total Variance Explained: {variance_explained * 100:.3f}%")

# 4. Mô hình Hồi quy Tuyến tính Đa biến (OLS Regression)
X = df[['HI_MEAN', 'DD_MEAN', 'AHXH_MEAN', 'TC_MEAN', 'GC_MEAN']]
X = sm.add_constant(X)
y = df[target_var]
model = sm.OLS(y, X).fit()
print(model.summary())

Kết quả kiểm định thống kê và đo lường

Thống kê mô tả tập mẫu ($N = 207$)

  • Giới tính: Nữ chiếm đa số với $76.8%$ (159 quan sát), Nam chiếm $23.2%$ (48 quan sát).
  • Khóa học: Sinh viên năm 4 chiếm tỷ trọng lớn nhất với $44.4%$ (92 người), sinh viên năm 3 đạt $31.4%$ (65 người), năm 2 đạt $13.5%$ và năm nhất đạt $10.6%$.
  • Thu nhập hàng tháng: Dưới 3 triệu VND chiếm $47.8%$ (99 người); từ 3 - 6 triệu VND chiếm $37.2%$; trên 6 triệu VND chiếm $15.0%$.
  • Chi phí cho Baemin/tháng: Dưới 500.000 VND chiếm tới $83.6%$ (173 người); từ 500.000 - 1.000.000 VND chiếm $14.0%$; trên 1.000.000 VND chiếm $2.4%$.
  • Tần suất đặt hàng: $1-2$ lần/tuần ($45.4%$), $3-4$ lần/tuần ($41.5%$), trên 5 lần/tuần ($13.1%$).
                         CƠ CẤU MẪU KHẢO SÁT THỰC TẾ (N = 207)

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

Tất cả các thang đo thành phần đều vượt qua ngưỡng kiểm định tiêu chuẩn $\alpha > 0.70$ và hệ số tương quan biến tổng (Corrected Item-Total Correlation) đều $> 0.30$:

Tên thang đo Mã quan sát Tương quan biến tổng nhỏ nhất Cronbach's Alpha Đánh giá độ tin cậy
Nhận thức sự hữu ích HI1 - HI5 $0.547$ (HI4) $0.824$ Xuất sắc
Nhận thức dễ sử dụng DD1 - DD4 $0.437$ (DD4) $0.735$ Tốt
Ảnh hưởng của xã hội AHXH1 - AHXH3 $0.544$ (AHXH1) $0.750$ Tốt
Nhận thức về độ tin cậy TC1 - TC4 $0.479$ (TC1) $0.760$ Tốt
Cảm nhận về giá GC1 - GC4 $0.577$ (GC4) $0.813$ Rất tốt
Ý định đặt thức ăn (Phụ thuộc) YĐ1 - YĐ5 $0.604$ (YĐ5) $0.864$ Xuất sắc

Phân tích nhân tố khám phá (EFA)

  • EFA Lần 1: Hệ số $KMO = 0.837$, Bartlett's Sig $= 0.000$. Tiến hành loại biến HI4 (hệ số tải $< 0.50$), loại DD4 và HI5 do hiện tượng tải kép (cross-loading chênh lệch $< 0.30$).
  • EFA Lần 2 (17 biến quan sát):
    • Hệ số $KMO = 0.820 > 0.50$, kiểm định Bartlett có $\text{Sig} = 0.000 < 0.05$.
    • 5 nhân tố được trích tại điểm dừng Eigenvalues lần lượt là: $5.328$, $2.115$, $1.812$, $1.169$, $1.094$ (tất cả đều $> 1.0$).
    • Tổng phương sai trích (Total Variance Explained): đạt $67.754%$ ($> 50%$), chứng minh 5 nhân tố giải thích được $67.754%$ biến thiên của dữ liệu.
                           EIGENVALUES & PHƯƠNG SAI TRÍCH (EFA LẦN 2)

Kết quả phân tích hồi quy tuyến tính đa biến

Mô hình hồi quy chứng minh các yếu tố có ý nghĩa thống kê tác động trực tiếp đến ý định đặt hàng bao gồm: Nhận thức về sự hữu ích (HI), Cảm nhận về giá (GC) và Nhận thức về độ tin cậy (TC) ($p < 0.05$).

$$\text{YĐ} = \beta_0 + \beta_1 \cdot \text{HI} + \beta_2 \cdot \text{GC} + \beta_3 \cdot \text{TC} + \varepsilon$$

Trong đó:

  • Kiểm định hiện tượng đa cộng tuyến: Hệ số phóng đại phương sai $VIF < 2.0$ (không vi phạm giả định).
  • Kiểm định tự tương quan phần dư: Chỉ số Durbin-Watson xấp xỉ $2.0$.
  • Phân phối chuẩn phần dư: Đồ thị Histogram có dạng hình chuông đối xứng chuẩn quanh giá trị trung bình $Mean \approx 0$, độ lệch chuẩn $Std. Dev \approx 1$. Đồ thị Normal P-P Plot các điểm quan sát bám sát đường chéo $45^\circ$.

Đổi mới và đóng góp

  1. Hiệu chỉnh mô hình lý thuyết vào bối cảnh thế hệ Gen Z: Không tiếp nhận máy móc mô hình TAM/TPB truyền thống, nghiên cứu chỉ ra rằng ở nhóm sinh viên thành thạo kỹ thuật số, "Tính dễ sử dụng" không còn là động lực thúc đẩy chính (do hầu hết ứng dụng đã đạt ngưỡng UX căn bản), thay vào đó "Độ tin cậy vận hành" và "Cảm nhận giá trị giá cả" mới là yếu tố quyết định.
  2. So sánh tương quan giữa các giải pháp nghiên cứu:
    • So với nghiên cứu của Elango et al. (2018) tại Bangkok (chỉ ra Ảnh hưởng xã hội là biến tác động lớn nhất), nghiên cứu này chứng minh sinh viên TP.HCM có tính độc lập tiêu dùng cao hơn, đưa ra quyết định dựa trên tính hữu dụng và giá trị chiết khấu thực tế.
    • So với nghiên cứu của San & Dastance (2020), nghiên cứu tại TP.HCM bổ sung chiều đo chi phí giao hàng giờ cao điểm (GC3) và tính bảo mật dòng tiền giao dịch trực tuyến (TC1).
  3. Cung cấp tham số định lượng trực tiếp: Bộ chỉ số thống kê thực nghiệm (Eigenvalue $67.754%$, Alpha từ $0.735 - 0.864$) tạo nền tảng dữ liệu benchmark đáng tin cậy cho các nghiên cứu tiếp theo trong phân ngành thương mại điện tử di động (M-Commerce).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tiễn (Use Cases)

                            3 CHIẾN LƯỢC TĂNG TRƯỞNG CHO BAEMIN
  1. Tối ưu hóa chiến lược khuyến mãi (Price Perception):
    • Dữ liệu cho thấy $83.6%$ sinh viên chi tiêu $< 500.000$ VND/tháng cho việc đặt món. Baemin cần chuyển hướng từ phát voucher đại trà sang cơ chế "Subscription Pass" (gói hội viên sinh viên) giảm trực tiếp phí vận chuyển cố định theo tháng.
    • Ổn định thuật toán Surge Pricing (tăng giá giờ cao điểm): Giới hạn mức tăng phí ship trong khung giờ trưa (11h00 - 12h30) quanh các cụm làng đại học.
  2. Cải tiến tính năng sản phẩm (Perceived Usefulness):
    • Triển khai tính năng "Đặt món nhóm - Tự động chia hóa đơn" (Group Ordering & Split Bill) tích hợp thẳng trên ứng dụng nhằm giải quyết bài toán đặt ăn chung của sinh viên tại ký túc xá và phòng trọ.
    • Đẩy mạnh tính năng liên kết chuỗi quán ăn bình dân với menu cố định giá $25.000 - 40.000$ VND kèm bộ lọc tìm kiếm tối ưu.
  3. Gia cố niềm tin giao dịch (Reliability):
    • Đảm bảo cơ chế đóng gói niêm phong (tamper-evident seal) và chính sách hoàn tiền tức thì trong vòng 5 phút nếu đơn hàng gặp sự cố đổ vỡ hoặc sai lệch món.

Lộ trình triển khai khuyến nghị (Roadmap)

                       LỘ TRÌNH TRIỂN KHAI CHIẾN LƯỢC QUẢN TRỊ
                       
Q1/2023        Q2/2023                        Q3/2023                 Q4/2023
Tái cấu trúc   Ra mắt tính năng             Mở rộng mạng lưới        Đánh giá ROI
chính sách     Group Order &                đối tác quanh            & Tối ưu hóa
voucher        Student Pass                 Làng Đại học             thuật toán
  • Giai đoạn 1 (Quý 1): Tái cơ cấu chính sách khuyến mãi đa tầng; chuẩn hóa thuật toán tính phí vận chuyển theo khoảng cách thực tế.
  • Giai đoạn 2 (Quý 2): Ra mắt tính năng đặt món theo nhóm sinh viên (Group Order); tích hợp thêm các cổng thanh toán ví điện tử không thu phụ phí.
  • Giai đoạn 3 (Quý 3): Mở rộng mạng lưới đối tác "Quán chuẩn Baemin" bán kính $\le 3$km quanh các trường đại học lớn tại TP.HCM (ĐHQG TP.HCM, HUB, UEH, HUTECH...).
  • Giai đoạn 4 (Quý 4): Đo lường lại chỉ số hài lòng khách hàng (CSAT) và tính toán tỷ suất hoàn vốn đầu tư tiếp thị (Marketing ROI).

Hạn chế và hướng phát triển

  • Quy mô tập mẫu và phương pháp chọn mẫu: Nghiên cứu sử dụng phương pháp chọn mẫu thuận tiện phi xác suất với kích thước $N = 207$, phần lớn là nữ giới ($76.8%$). Mẫu khảo sát tập trung chủ yếu vào sinh viên khối ngành kinh tế/ngân hàng, có thể chưa bao quát toàn diện hành vi của sinh viên khối kỹ thuật hoặc các nhóm đối tượng người đi làm văn phòng.
  • Phương pháp phân tích: Mô hình hồi quy tuyến tính OLS chỉ đánh giá được quan hệ tác động trực tiếp một chiều, chưa phân tích được các biến trung gian (mediator) như "Thái độ" hay biến điều tiết (moderator) như "Thu nhập" và "Tần suất sử dụng".
  • Hướng phát triển: Ứng dụng mô hình Phương trình Cấu trúc Tuyến tính (PLS-SEM / CB-SEM) trên các công cụ như SmartPLS hoặc IBM SPSS AMOS; mở rộng phạm vi thu thập dữ liệu đa trung tâm (Hà Nội, Đà Nẵng, Cần Thơ) với cỡ mẫu $\ge 500$.

Đối tượng hưởng lợi

                              CÁC NHÓM ĐỐI TƯỢNG HƯỞNG LỢI
  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp kết hợp lý thuyết hành vi (TAM/TPB) với phân tích định lượng EFA - Regression trong chuyên ngành Quản trị kinh doanh và Thương mại điện tử.
  • Đội ngũ Phát triển Sản phẩm & Growth Marketer: Nắm bắt chính xác insight hành vi tiêu dùng sinh viên để tối ưu hóa ngân sách khuyến mãi, giảm thiểu tỷ lệ thất thoát khách hàng và tăng giá trị vòng đời người dùng (LTV).
  • Nhà nghiên cứu Khoa học Dữ liệu ứng dụng: Tiếp cận bộ khung thực nghiệm chuẩn hóa từ khâu làm sạch dữ liệu, kiểm định thang đo đến đánh giá giả định hồi quy không vi phạm đa cộng tuyến.

Câu hỏi thường gặp

1. Dữ liệu khảo sát cần đáp ứng những tiêu chuẩn kỹ thuật nào trước khi chạy hồi quy?

Dữ liệu khảo sát thang đo Likert phải trải qua kiểm tra độ tin cậy Cronbach's Alpha (yêu cầu $\ge 0.70$, tương quan biến tổng $> 0.30$), phân tích EFA (KMO nằm trong khoảng $0.5 - 1.0$, Sig Bartlett $< 0.05$, phương sai trích $> 50%$, hệ số tải factor loading $> 0.50$ và không bị tải kép với khoảng cách $< 0.30$). Cuối cùng, dữ liệu phải đảm bảo không vi phạm hiện tượng đa cộng tuyến ($VIF < 2.0$) và phần dư phân phối xấp xỉ chuẩn.

2. Vì sao biến "Nhận thức tính dễ sử dụng" lại không xuất hiện trong mô hình hồi quy cuối cùng?

Trong quá trình xoay nhân tố EFA lần 1, biến DD4 bị tải kép lên 2 nhân tố khác nhau với độ chênh lệch tải nhỏ hơn $0.30$, đồng thời thế hệ người dùng trẻ (Gen Z) đã có độ am hiểu công nghệ (digital literacy) rất cao. Khi trải nghiệm giao diện người dùng (UI) đã được các hãng chuẩn hóa ở mức trực quan, tính dễ sử dụng chuyển từ "yếu tố thúc đẩy" sang "yếu tố mặc định", nhường quyền tác động chính cho yếu tố hữu ích, giá và độ tin cậy.

3. Doanh nghiệp có thể tích hợp kết quả nghiên cứu này vào hệ thống CRM như thế nào?

Doanh nghiệp có thể phân cụm người dùng (Customer Segmentation) dựa trên 3 trọng số: Khách hàng nhạy cảm về giá (Price-sensitive group), Khách hàng ưu tiên tốc độ/tiện ích (Utility-driven group) và Khách hàng chú trọng an toàn/độ tin cậy (Trust-driven group) để tự động hóa việc phân phối mã voucher cá nhân hóa và thông điệp push notification tương ứng.

4. Chi phí nghiên cứu định lượng này có thể tối ưu hóa bằng cách nào?

Nghiên cứu áp dụng quy trình khảo sát trực tuyến qua biểu mẫu số hóa kết hợp mạng xã hội, giúp chi phí thu thập dữ liệu tiệm cận 0 đồng nhưng vẫn đảm bảo tính đại diện và kiểm soát được lỗi nhập liệu nhờ cơ chế bắt buộc điền dữ liệu (required validation) trước khi gửi.

5. Khung thời gian hoàn vốn (ROI) khuyến nghị cho các đề xuất tiếp thị là bao lâu?

Đối với các giải pháp ngắn hạn như ra mắt gói voucher định kỳ theo tuần/tháng (Subscription Pass) và ổn định phí giao hàng giờ trưa, thời gian ghi nhận chuyển biến doanh thu và lượng đơn hàng lặp lại (repeat order) thường dao động từ $3 - 6$ tháng kể từ khi triển khai trên ứng dụng.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Ngọc Hiền Thư đã giải quyết trọn vẹn câu hỏi nghiên cứu về các động lực thúc đẩy hành vi đặt thức ăn trực tuyến qua ứng dụng Baemin của sinh viên TP.HCM. Bằng phương pháp nghiên cứu định lượng chặt chẽ với mẫu $N = 207$, đề tài chứng minh Nhận thức về sự hữu ích, Cảm nhận về giá và Nhận thức về độ tin cậy là 3 trụ cột mang tính quyết định đến ý định mua sắm của khách hàng trẻ.

Các phát hiện thực nghiệm này không chỉ đóng góp giá trị học thuật vào hệ thống lý thuyết tiếp nhận công nghệ tại thị trường mới nổi mà còn mở ra bản hướng dẫn thực thi chiến lược định giá, thiết kế tính năng và tối ưu hóa vận hành cho các nền tảng công nghệ giao đồ ăn trong giai đoạn cạnh tranh khốc liệt. Doanh nghiệp muốn giành vị thế dẫn đầu bắt buộc phải chuyển dịch từ cuộc đua "đốt tiền trợ giá đơn thuần" sang xây dựng hệ sinh thái dịch vụ đáng tin cậy, hữu dụng và thấu hiểu sâu sắc hành vi tiêu dùng của thế hệ tương lai.