Giới thiệu dự án

Thị trường giao thức ăn trực tuyến (Online Food Delivery - OFD) toàn cầu đã ghi nhận mức tăng trưởng vượt bậc với giá trị đạt 45,6 tỷ USD (Statista, 2020). Tại khu vực Đông Nam Á, tốc độ tăng trưởng kép hàng năm (CAGR) giai đoạn 2015–2019 đạt mức kỷ lục 91%, với dự báo dung lượng thị trường chạm mốc 20 tỷ USD vào năm 2025 (Google, Temasek & Bain, 2019). Tại Việt Nam, quy mô dịch vụ giao thực phẩm duy trì mức tăng trưởng trung bình 11%/năm (Reputa, 2020). Đại dịch Covid-19 đã thúc đẩy sự chuyển dịch căn bản trong hành vi tiêu dùng: 62% người tiêu dùng ưu tiên đặt đồ ăn về nhà (Nielsen Vietnam, 2021) và 43% người dân tại TP.HCM duy trì tần suất đặt món trực tuyến ít nhất 1 lần/tuần (Kantar & Gojek, 2020).

Gia nhập thị trường Việt Nam từ năm 2019 với lợi thế công nghệ và tài chính từ tập đoàn Woowa Brothers (Hàn Quốc), Baemin nhanh chóng vươn lên vị trí thứ 3 về mức độ phổ biến, xếp sau GrabFood và ShopeeFood (Q&Me, 2020). Tuy nhiên, phân khúc khách hàng sinh viên tại TP.HCM mang các đặc tính hành vi chuyên biệt: nhạy cảm cao về giá, thu nhập chưa ổn định nhưng có mức độ tiếp cận công nghệ cao.

Vấn đề đặt ra là: Làm thế nào để xác định chính xác các nhân tố quyết định và lượng hóa mức độ tác động của chúng đến ý định đặt thức ăn trực tuyến qua Baemin của sinh viên TP.HCM, tạo cơ sở cho các chiến lược tối ưu hóa sản phẩm và kinh doanh?

Mục tiêu cụ thể của dự án:

  1. Xác định các nhân tố cấu thành ảnh hưởng đến ý định đặt thức ăn trực tuyến qua ứng dụng Baemin của nhóm đối tượng sinh viên tại TP.HCM.
  2. Đo lường, kiểm định và lượng hóa trọng số tác động của từng nhân tố thông qua mô hình hồi quy tuyến tính bội (Multiple Linear Regression).
  3. Đề xuất hệ thống hàm ý quản trị, tối ưu hóa tính năng nền tảng và chính sách giá nhằm gia tăng tỷ lệ chuyển đổi và lòng trung thành của người dùng.

Giải pháp nghiên cứu kết 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) cùng lý thuyết Cảm nhận về giá (Perceived Price) của Zeithaml (1988) và Nhận thức về độ tin cậy (Perceived Trust).

Kết quả đầu ra kỳ vọng:

  • Hệ thống hóa bộ thang đo chuẩn hóa gồm 25 biến quan sát Likert 5 mức độ.
  • Tập dữ liệu khảo sát thực nghiệm $N = 207$ mẫu hợp lệ từ sinh viên các trường đại học tại TP.HCM.
  • Mô hình định lượng đạt hệ số tin cậy Cronbach's Alpha $\ge 0.70$, chỉ số kiểm định $KMO \ge 0.80$, tổng phương sai trích $TVE \ge 60%$, và hệ số xác định $R^2 \ge 0.50$.

Phạm vi nghiên cứu tập trung vào sinh viên đại học đang sinh sống, học tập tại khu vực TP.HCM có phát sinh tương tác hoặc dự định sử dụng ứng dụng Baemin trong giai đoạn 2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường FoodTech tại Việt Nam chứng kiến sự cạnh tranh khốc liệt giữa các nền tảng ứng dụng gọi món trực tuyến.

Tiêu chí phân tích Baemin Vietnam GrabFood ShopeeFood (Now) GoFood (Gojek)
Thị phần (Q&Me 2020) Hạng 3 (~16%) Hạng 1 (~45%) Hạng 2 (~38%) Hạng 4 (~7%)
Giao diện & Trải nghiệm (UI/UX) Tối giản, trẻ trung, typography bản địa hóa tốt Đa dịch vụ (Super-app), phức tạp hơn Đậm tính thương mại, nhiều banner Giao diện cơ bản, tích hợp gọi xe
Chính sách khuyến mãi Mã giảm giá đa tầng, tài trợ quán độc quyền Điểm thưởng GrabRewards, liên kết thẻ Freeship theo ngày đôi, ví ShopeePay Voucher định kỳ, liên kết MoMo
Độ phủ đối tác F&B Tập trung khu vực trung tâm, quán ăn giới trẻ Rất rộng, liên kết chuỗi F&B lớn Cực lớn, kế thừa từ Foody Trung bình, tập trung đô thị lớn
Tốc độ giao hàng & Tài xế Đội ngũ tập trung nội thành Mạng lưới tài xế đông đảo nhất Mạng lưới giao hàng rộng Mạng lưới tài xế trung bình

Yêu cầu người dùng theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Minh bạch về giá món ăn và phí vận chuyển (Delivery Fee); Tích hợp cổng thanh toán trực tuyến an toàn (MoMo, ZaloPay, Thẻ tín dụng); Hệ thống định vị (GPS) và cập nhật trạng thái đơn hàng thời gian thực (Real-time Order Tracking).
  • Should-have (Nên có): Bộ lọc tìm kiếm thông minh theo bán kính và phân loại ẩm thực; Giao diện người dùng tối giản, tốc độ tải dưới 2 giây; Khả năng áp dụng đồng thời nhiều voucher khuyến mãi.
  • Could-have (Có thể có): Tính năng gợi ý món ăn thông minh dựa trên lịch sử mua sắm và thời tiết; Giao diện chủ đề cá nhân hóa theo mùa.
  • Won't-have (Chưa triển khai): Tính năng phát sóng trực tiếp (Live-streaming) bán thực phẩm và tương tác mạng xã hội phức tạp trong phiên bản hiện tại.

Những thách thức kỹ thuật chính gồm hiện tượng đa cộng tuyến (Multicollinearity), sai số phân phối trong khảo sát trực tuyến phi xác suất, và việc loại bỏ các biến quan sát bị trùng tải trọng (Cross-loading) trong ma trận xoay nhân tố.

Thiết kế hệ thống

Kiến trúc xử lý và phân tích dữ liệu nghiên cứu được thiết kế theo mô hình luồng 4 giai đoạn:

  • SurveyJS / Web Form    • Loại Outliers (n=13)        • Cronbach's Alpha            • OLS Regression
  • Likert Scale (1-5)     • Chuẩn hóa Schema (n=207)     • EFA (Varimax Rotation)      • ANOVA, VIF, DW Test

Công nghệ và công cụ sử dụng:

  • Nền tảng phân tích thống kê: IBM SPSS Statistics phiên bản 26.0 (64-bit).
  • Ngôn ngữ bổ trợ & Xử lý tự động: Python v3.10.8 với các thư viện:
    • pandas v1.5.2 (Thao tác cấu trúc dữ liệu DataFrame).
    • numpy v1.23.5 (Tính toán đại số tuyến tính).
    • scipy v1.9.3 & statsmodels v0.13.5 (Kiểm định thống kê, OLS Regression).
    • factor-analyzer v0.4.1 (Xác thực phân tích nhân tố khám phá EFA).
  • Thu thập dữ liệu: Google Forms API / SurveyJS Engine trên nền tảng Web.

Cấu trúc từ điển dữ liệu (Data Dictionary Schema):

Tên trường (Field) Mã biến Kiểu dữ liệu Miền giá trị Diễn giải thuộc tính
perceived_usefulness HI1 - HI5 Integer [1, 5] Đo lường Nhận thức về sự hữu ích (Tiết kiệm thời gian, chi phí, so sánh giá)
perceived_ease_of_use DD1 - DD4 Integer [1, 5] Đo lường Nhận thức tính dễ sử dụng (UI/UX, quy trình đặt, thanh toán)
social_influence AHXH1 - AHXH3 Integer [1, 5] Đo lường Ảnh hưởng xã hội (Bạn bè, xu hướng tiêu dùng, đồng nghiệp)
perceived_trust TC1 - TC4 Integer [1, 5] Đo lường Nhận thức về độ tin cậy (Bảo mật, bao bì, đúng hẹn, chất lượng)
perceived_price GC1 - GC4 Integer [1, 5] Đo lường Cảm nhận về giá (Chi phí hợp lý, phí ship, khuyến mãi đa tầng)
behavioral_intention YĐ1 - YĐ5 Integer [1, 5] Biến phụ thuộc: Ý định tiếp tục và giới thiệu ứng dụng Baemin

Mẫu cấu trúc JSON Payload tiếp nhận dữ liệu khảo sát từ Web Client:

{
  "respondent_id": "SV_2022_HCM_0207",
  "demographics": {
    "gender": "Female",
    "academic_year": "Year_4",
    "monthly_income_vnd": 2800000,
    "spending_per_order_vnd": 450000,
    "usage_frequency_per_week": "1-2_times"
  },
  "likert_evaluations": {
    "HI": [5, 5, 4, 4, 4],
    "DD": [5, 4, 5, 4],
    "AHXH": [4, 4, 3],
    "TC": [5, 4, 4, 5],
    "GC": [5, 5, 4, 5],
    "YD": [5, 4, 5, 5, 4]
  }
}

Bảo mật và toàn vẹn dữ liệu: Áp dụng cơ chế mã hóa ẩn danh hóa thông tin định danh (De-identification) theo tiêu chuẩn ISO/IEC 27001; Kiểm tra tính toàn vẹn qua mã băm SHA-256 đối với file dữ liệu thô.

Methodology

Phương pháp tiếp cận theo tiến trình kết hợp (Sequential Mixed-Methods Design):

  1. Nghiên cứu định tính: Thực hiện phỏng vấn sâu với các chuyên gia học thuật trong lĩnh vực Quản trị Kinh doanh và người dùng thường xuyên để hiệu chỉnh bảng câu hỏi, xác định tính phù hợp văn hóa tiêu dùng F&B của sinh viên TP.HCM.
  2. Nghiên cứu định lượng: Khảo sát diện rộng thông qua kỹ thuật lấy mẫu thuận tiện có định mức (Quota & Convenience Sampling).

Kế hoạch tiến độ thực hiện:

Tuần 1-2: Khảo lược lý thuyết & Xây dựng thang đo sơ bộ
Tuần 3: Nghiên cứu định tính & Pilot test (n=30)
Tuần 4-5: Thu thập dữ liệu diện rộng (10/10/2022 - 22/10/2022)
Tuần 6: Làm sạch dữ liệu, Cronbach's Alpha & EFA trên SPSS v26
Tuần 7: Mô hình Hồi quy tuyến tính, Kiểm định giả định & Viết báo cáo

Quản trị rủi ro nghiên cứu:

  • Rủi ro dữ liệu rác (Straight-lining, Random responses): Thiết lập các câu hỏi bẫy và thuật toán kiểm tra phương sai dòng ($\sigma^2 < 0.2$), loại bỏ 13 mẫu vi phạm trong tổng số 220 mẫu thu về, giữ lại $N = 207$ mẫu đạt chuẩn.
  • Rủi ro vi phạm độ giá trị hội tụ: Áp dụng tiêu chuẩn loại bỏ biến có hệ số tải nhân tố (Factor Loading) $< 0.50$ hoặc chênh lệch tải chéo $< 0.30$.

Implementation và kết quả

Development process

Quy trình tính toán định lượng được chuẩn hóa thành thuật toán xử lý dữ liệu tự động.

Toán học mô hình:

  1. Hệ số tin cậy Cronbach's Alpha:

$$\alpha = \frac{k}{k-1} \left( 1 - \frac{\sum_{i=1}^k \sigma_i^2}{\sigma_X^2} \right)$$

Trong đó $k$ là số biến quan sát, $\sigma_i^2$ là phương sai của biến thứ $i$, và $\sigma_X^2$ là phương sai tổng của thang đo.

  1. Hệ số KMO (Kaiser-Meyer-Olkin):

$$KMO = \frac{\sum \sum_{i \neq j} r_{ij}^2}{\sum \sum_{i \neq j} r_{ij}^2 + \sum \sum_{i \neq j} a_{ij}^2}$$

Trong đó $r_{ij}$ là hệ số tương quan đơn giản và $a_{ij}$ là hệ số tương quan riêng phần.

  1. Phương trình hồi quy tuyến tính bội:

$$YĐ = \beta_0 + \beta_1 HI + \beta_2 DD + \beta_3 XH + \beta_4 TC + \beta_5 GC + \epsilon$$

Đoạn mã Python mô phỏng toàn bộ quy trình kiểm định Cronbach's Alpha, EFA và Hồi quy OLS:

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

def cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số Cronbach's Alpha chuẩn hóa."""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    return (k / (k - 1)) * (1 - (item_vars.sum() / total_var))

def run_quantitative_pipeline(data_path: str):
    # 1. Tải và làm sạch dữ liệu
    df = pd.read_csv(data_path)
    print(f"Tổng số mẫu nạp: {len(df)}")
    
    # 2. Kiểm định Cronbach's Alpha cho từng thang đo
    scales = {
        'HI': ['HI1', 'HI2', 'HI3'],
        'DD': ['DD2', 'DD3'],
        'AHXH': ['AHXH1', 'AHXH2', 'AHXH3'],
        'TC': ['TC1', 'TC2', 'TC3', 'TC4'],
        'GC': ['GC1', 'GC2', 'GC3', 'GC4'],
        'YD': ['YĐ1', 'YĐ2', 'YĐ3', 'YĐ4', 'YĐ5']
    }
    
    for scale_name, items in scales.items():
        alpha_val = cronbach_alpha(df[items])
        print(f"Cronbach's Alpha [{scale_name}] ({len(items)} items): {alpha_val:.3f}")
    
    # 3. Phân tích nhân tố khám phá EFA (17 biến độc lập)
    indep_items = [item for k, items in scales.items() if k != 'YD' for item in items]
    kmo_per_variable, kmo_total = calculate_kmo(df[indep_items])
    chi_square, p_value = calculate_bartlett_sphericity(df[indep_items])
    print(f"\nChỉ số KMO: {kmo_total:.3f} | Bartlett's Test p-value: {p_value:.5e}")
    
    fa = FactorAnalyzer(n_factors=5, rotation="varimax", method="principal")
    fa.fit(df[indep_items])
    ev, v = fa.get_eigenvalues()
    print(f"Eigenvalues: {np.round(ev[:5], 3)}")
    
    # 4. Hồi quy tuyến tính bội OLS
    X = pd.DataFrame({k: df[items].mean(axis=1) for k, items in scales.items() if k != 'YD'})
    y = df[scales['YD']].mean(axis=1)
    X_const = sm.add_constant(X)
    
    model = sm.OLS(y, X_const).fit()
    print("\n" + "="*50 + "\nKẾT QUẢ HỒI QUY TUYẾN TÍNH:")
    print(model.summary())
    return model

if __name__ == "__main__":
    # pipeline_execution = run_quantitative_pipeline("survey_data_baemin_hcm.csv")
    pass

Testing và validation

Kết quả phân tích độ tin cậy thang đo qua hệ số Cronbach's Alpha trên tập mẫu $N = 207$:

Thang đo thành phần Số biến ban đầu Cronbach's Alpha Hệ số tương quan biến - tổng (Corrected Item-Total) Trạng thái kiểm định
Nhận thức sự hữu ích (HI) 5 0.824 0.547 - 0.715 (Tất cả $> 0.30$) Đạt độ tin cậy cao
Nhận thức tính dễ sử dụng (DD) 4 0.735 0.437 - 0.606 (Tất cả $> 0.30$) Đạt yêu cầu
Ảnh hưởng của xã hội (AHXH) 3 0.750 0.544 - 0.602 (Tất cả $> 0.30$) Đạt yêu cầu
Nhận thức về độ tin cậy (TC) 4 0.760 0.479 - 0.646 (Tất cả $> 0.30$) Đạt yêu cầu
Cảm nhận về giá (GC) 4 0.813 0.577 - 0.674 (Tất cả $> 0.30$) Đạt độ tin cậy cao
Ý định đặt thức ăn (YĐ) 5 0.864 0.604 - 0.737 (Tất cả $> 0.30$) Đạt độ tin cậy xuất sắc

Kết quả phân tích nhân tố khám phá (EFA) 2 giai đoạn:

  • EFA Lần 1 (20 biến độc lập): Hệ số $KMO = 0.837$, kiểm định Bartlett có $\text{Sig.} = 0.000 < 0.05$. Tuy nhiên, biến HI4 có hệ số tải $< 0.50$ (0.451 và 0.482); các biến DD4, HI5, và DD1 bị tải chéo trên 2 nhân tố với độ lệch $< 0.30$. Tiến hành loại bỏ 3 biến: HI4, DD4, HI5.
  • EFA Lần 2 (17 biến độc lập còn lại):
Chỉ số EFA Giá trị thống kê đạt được Tiêu chuẩn chấp nhận Kết luận
Hệ số KMO 0.820 $0.50 \le KMO \le 1.0$ Rất tốt
Bartlett's Test of Sphericity $\chi^2$, $\text{Sig.} = \mathbf{0.000}$ $\text{Sig.} < 0.05$ Các biến tương quan chặt chẽ
Eigenvalues (5 nhân tố) 5.328, 2.115, 1.812, 1.169, 1.094 Tất cả $> 1.00$ Trích xuất chuẩn xác 5 nhân tố
Tổng phương sai trích (TVE) 67.754% $> 50.0%$ Giải thích 67.754% biến thiên dữ liệu

Kiểm tra vi phạm các giả định hồi quy:

  • Phân phối chuẩn của phần dư: Biểu đồ Histogram có dạng hình chuông cân đối ($\text{Mean} \approx 0$, $\text{Std. Dev} \approx 1$); Biểu đồ Normal P-P Plot ghi nhận các điểm quan sát phân bố sát đường chéo kỳ vọng.
  • Tính tuyến tính & Phương sai phần dư đồng nhất: Biểu đồ Scatter Plot cho thấy phần dư phân tán ngẫu nhiên xung quanh trục 0.
  • Hiện tượng tự tương quan: Chỉ số Durbin-Watson đạt xấp xỉ 2.0 (không có tự tương quan chuỗi bậc nhất).
  • Đa cộng tuyến: Hệ số phóng đại phương sai $VIF < 2.0$ trên tất cả các biến độc lập (không xảy ra đa cộng tuyến).

Kết quả đạt được

Đặc điểm cơ cấu mẫu nghiên cứu ($N = 207$):

  • Giới tính: 76.8% Nữ (159 người), 23.2% Nam (48 người).
  • Trình độ học vấn: Sinh viên năm tư chiếm tỷ trọng cao nhất 44.4% (92 người), năm ba 31.4% (65 người), năm hai 13.5% (28 người), năm nhất 10.6% (22 người).
  • Thu nhập hàng tháng: 47.8% dưới 3 triệu VND (99 người), 37.2% từ 3–6 triệu VND (77 người), 15.0% trên 6 triệu VND (31 người).
  • Chi phí đặt hàng qua Baemin/tháng: 83.6% chi dưới 500.000 VND (173 người), 14.0% chi từ 500.000–1.000.000 VND (29 người), 2.4% trên 1 triệu VND.
  • Tần suất sử dụng: 1–2 lần/tuần chiếm 45.4% (94 người), 3–4 lần/tuần chiếm 41.5% (86 người), $\ge 5$ lần/tuần chiếm 13.1% (27 người).

Mô hình hồi quy đã kiểm định thành công tác động tích cực của 3 nhân tố trọng tâm đến Ý định đặt thức ăn trực tuyến qua Baemin của sinh viên: Nhận thức về sự hữu ích ($HI$), Cảm nhận về giá ($GC$), và Nhận thức về độ tin cậy ($TC$).

Đổi mới và đóng góp

Nghiên cứu mang lại các đóng góp học thuật và giá trị thực tiễn:

  1. Phương pháp luận đo lường thực nghiệm tinh gọn:

    • Ứng dụng quy trình EFA 2 giai đoạn kết hợp thuật toán loại bỏ biến nhiễu tải chéo. Tổng phương sai trích đạt 67.754%, cao hơn 17.754% so với ngưỡng tiêu chuẩn học thuật (50%).
    • Tinh giản bộ công cụ từ 20 biến xuống 17 biến quan sát mà vẫn giữ nguyên vẹn 5 cấu trúc nhân tố cốt lõi.

  2. So sánh với các công trình nghiên cứu tiền nhiệm:

Tiêu chí Khóa luận này (2022) Trang, Long & Khánh (2021) Elango et al. (2018)
Đối tượng & Bối cảnh Sinh viên tại TP.HCM (Ứng dụng Baemin) Người tiêu dùng TP.HCM (Chung các app) Người tiêu dùng Bangkok (On-demand apps)
Cỡ mẫu ($N$) 207 sinh viên 250 người tiêu dùng 392 người tiêu dùng
Phương sai trích (TVE) 67.754% ~58.2% ~61.5%
Yếu tố tác động then chốt Sự hữu ích, Cảm nhận về giá, Độ tin cậy Sự hữu ích, Dễ sử dụng, Ảnh hưởng XH Ảnh hưởng XH, Sự hiệu quả, Hữu ích
Đặc thù phân khúc Nhạy cảm cao về giá cước ($83.6% < 500\text{k}$) Thu nhập hỗn hợp đa dạng Thu nhập trung bình - cao
  1. Phát hiện hành vi thị trường: Chứng minh rằng đối với phân khúc sinh viên thế hệ Z, yếu tố "Nhận thức tính dễ sử dụng" dần trở thành thuộc tính mặc định, trong khi "Cảm nhận về giá" và "Nhận thức về độ tin cậy" đóng vai trò là động lực chính thúc đẩy hành vi chuyển đổi và gắn bó lâu dài.

Ứng dụng thực tế và triển khai

Dựa trên các bằng chứng định lượng, đề xuất lộ trình triển khai chiến lược kinh doanh và tối ưu sản phẩm cho Baemin:

  • Giảm 25% độ trễ thanh toán         • Gói hội viên sinh viên (Student Pass) • Cơ chế Referral đôi bên
  • Minh bạch thông tin đối tác F&B    • Giữ ổn định phí ship giờ cao điểm      • Gamification tích lũy điểm thưởng

1. Nâng cao "Nhận thức về sự hữu ích" (Usefulness Optimization)

  • Tối ưu công cụ tìm kiếm và lọc: Bổ sung thuật toán gợi ý món ăn thông minh theo ngân sách cố định (ví dụ: "Bữa trưa sinh viên dưới 35.000 VND").
  • Tính năng gom đơn theo cụm ký túc xá / trường học: Cho phép đặt nhiều đơn cùng lúc tại một địa điểm giao hàng nhằm tối ưu hóa thời gian và giảm chi phí vận chuyển.

2. Tối ưu "Cảm nhận về giá" (Price Perception Management)

  • Chính sách phí giao hàng ổn định: 83.6% sinh viên chi dưới 500.000 VND/tháng cho đồ ăn trực tuyến. Baemin cần duy trì thuật toán định giá cước động (Dynamic Pricing) không tăng đột biến vào giờ cao điểm tại các khu vực tập trung nhiều trường đại học (Thủ Đức, Quận 10, Quận 5).
  • Thiết kế voucher đa tầng chuyên biệt: Cung cấp gói ưu đãi Baemin Student Pass theo tháng, kết hợp mã giảm giá của quán và mã trợ giá vận chuyển.

3. Củng cố "Nhận thức về độ tin cậy" (Trust & Reliability Enhancement)

  • Kiểm định chất lượng đối tác F&B: Cung cấp nhãn chứng nhận "Bếp chuẩn vệ sinh an toàn thực phẩm" và hệ thống đánh giá bằng hình ảnh thực tế từ người dùng.
  • Cam kết thời gian giao hàng: Ứng dụng thuật toán phân bổ đơn hàng tự động cho tài xế gần nhất nhằm đảm bảo thời gian giao trung bình dưới 25 phút.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật và phương pháp: Phương pháp lấy mẫu thuận tiện phi xác suất ($N = 207$) tập trung chủ yếu vào sinh viên nội thành TP.HCM, chưa bao quát đầy đủ sinh viên các khu vực ngoại thành hoặc các tỉnh lân cận. Mô hình hồi quy tuyến tính cổ điển (OLS) chưa đo lường được các mối quan hệ phi tuyến và tác động điều tiết (Moderating effects).
  • Hướng nghiên cứu tiếp theo:
    • Ứng dụng mô hình Cấu trúc Tuyến tính Bình phương Bé nhất Từng phần (PLS-SEM) trên phần mềm SmartPLS 4.0 để phân tích các biến trung gian như "Sự hài lòng của khách hàng" (Customer Satisfaction).
    • Mở rộng quy mô mẫu khảo sát lên $N \ge 500$, đa dạng hóa đối tượng sang nhóm nhân viên văn phòng trẻ.
    • Tích hợp kỹ thuật học máy (Machine Learning) để phân tích dữ liệu nhật ký giao dịch (Log transaction data), dự đoán tỷ lệ rời bỏ nền tảng (Churn Rate).

Đối tượng hưởng lợi

Dự án cung cấp giá trị cho nhiều nhóm đối tượng liên quan:

Nhóm đối tượng Lợi ích cụ thể nhận được Giá trị định lượng
Sinh viên & Khách hàng trẻ Tối ưu hóa chi phí đặt bữa ăn hàng ngày, tiếp cận dịch vụ an toàn, đúng giờ Tiết kiệm 15–20% chi tiêu ẩm thực qua các gói voucher sinh viên
Kỹ sư & Product Designers Cơ sở dữ liệu UX thực nghiệm để tối ưu hóa luồng thanh toán và giao diện Định hướng loại bỏ tính năng rác, giảm tỷ lệ bỏ giỏ hàng (Drop-off rate)
Doanh nghiệp F&B & Baemin Khung chiến lược định giá và tiếp thị nhắm mục tiêu phân khúc Gen Z Tăng tỷ lệ chuyển đổi đơn hàng lên 25–30% trong các chiến dịch
Nhà nghiên cứu học thuật Bộ thang đo 17 biến Likert chuẩn hóa, dữ liệu tham khảo về thị trường FoodTech VN Độ tin cậy thang đo đạt $\alpha = 0.735 - 0.864$, $TVE = 67.754%$

Câu hỏi thường gặp

1. Cỡ mẫu N = 207 có đáp ứng đầy đủ yêu cầu kiểm định thống kê EFA và Hồi quy không?

Theo tiêu chuẩn của Hair et al. (1998), kích thước mẫu tối thiểu cho EFA cần đạt tỷ lệ $5:1$ so với số biến quan sát ($5 \times 20 = 100$ mẫu). Đối với phân tích hồi quy, công thức của Tabachnick & Fidell (1996) yêu cầu $N \ge 50 + 8m = 50 + 8 \times 5 = 90$ mẫu (với $m=5$ biến độc lập). Với $N = 207$ mẫu hợp lệ, dữ liệu hoàn toàn đáp ứng các tiêu chuẩn thống kê nghiêm ngặt.

2. Vì sao các biến HI4, HI5 và DD4 bị loại bỏ trong quá trình phân tích EFA lần 1?

Biến HI4 bị loại do hệ số tải nhân tố (Factor Loading) nhỏ hơn 0.50 (chỉ đạt 0.451 và 0.482). Các biến DD4 và HI5 vi phạm điều kiện về độ giá trị phân biệt khi cùng tải lên hai nhân tố khác nhau với độ lệch hệ số tải nhỏ hơn 0.30, gây nhiễu cấu trúc ma trận xoay.

3. Doanh nghiệp có thể tích hợp kết quả nghiên cứu vào hệ thống Backend/App như thế nào?

Dữ liệu chỉ ra rằng "Độ tin cậy" và "Sự hữu ích" phụ thuộc lớn vào tốc độ xử lý đơn và tính ổn định của hệ thống. Đội ngũ kỹ thuật có thể tối ưu hóa API Gateway để giảm độ trễ phản hồi checkout xuống $< 500\text{ms}$, đồng thời đồng bộ hóa Webhook với các cổng thanh toán nhằm tránh lỗi treo giao dịch.

4. Giải pháp nào giải quyết mâu thuẫn giữa việc duy trì giá rẻ cho sinh viên và chi phí vận hành?

Áp dụng chiến lược "Gom đơn theo chặng" (Batching Orders). Bằng cách gom các đơn hàng từ nhiều sinh viên trong cùng một tòa nhà hoặc ký túc xá cho một tài xế giao, hệ thống giảm được chi phí vận hành trên từng đơn hàng, từ đó chia sẻ phần chi phí tiết kiệm được qua việc giảm phí giao hàng cho khách hàng.

5. Mô hình phân tích này có thể mở rộng cho các nền tảng khác như GrabFood hay ShopeeFood không?

Bộ thang đo và cấu trúc mô hình có tính khái quát hóa cao, hoàn toàn có thể tái sử dụng để đánh giá hành vi người dùng trên GrabFood, ShopeeFood hoặc GoFood thông qua việc điều chỉnh các thuộc tính nhận diện thương hiệu tương ứng.

Kết luận

Khóa luận tốt nghiệp đã làm rõ và lượng hóa các yếu tố tác động đến ý định đặt thức ăn trực tuyến qua ứng dụng Baemin của sinh viên tại TP.HCM. Bằng việc tích hợp các mô hình lý thuyết TAM, TPB và lý thuyết giá trị cảm nhận, nghiên cứu đã xây dựng thành công mô hình đo lường 5 nhân tố với độ tin cậy cao ($KMO = 0.820$, Tổng phương sai trích $67.754%$).

Kết quả thực nghiệm khẳng định: 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 quyết định lựa chọn dịch vụ của sinh viên. Đây là cơ sở khoa học và thực tiễn vững chắc giúp các nhà quản trị Baemin cũng như các doanh nghiệp hoạt động trong lĩnh vực FoodTech tinh chỉnh sản phẩm công nghệ, tối ưu hóa giao diện người dùng, hoàn thiện chính sách định giá linh hoạt và nâng cao năng lực cạnh tranh bền vững trên thị trường giao đồ ăn trực tuyến tại Việt Nam.