Giới thiệu dự án

Sự bùng nổ của mạng xã hội dạng video ngắn (Short-form Video) và xu hướng thương mại hóa mạng xã hội (Social Commerce / Shoppertainment) đã định hình lại hành vi tiêu dùng trực tuyến toàn cầu. Theo báo cáo của Google, Temasek và Bain & Company, thị trường kinh tế số Việt Nam duy trì tốc độ tăng trưởng trên 20% mỗi năm, trong đó tỷ lệ người dùng tham gia mua sắm trực tuyến tăng nhanh từ 77% lên 81%. TikTok chính thức triển khai tính năng thương mại điện tử tích hợp TikTok Shop vào cuối năm 2021 tại Việt Nam, trực tiếp thách thức các sàn thương mại điện tử (TMĐT) truyền thống. Tuy nhiên, rào cản chuyển đổi hành vi từ "giải trí thụ động" sang "giao dịch tài chính trực tiếp" của nhóm người tiêu dùng trẻ (Gen Z) đặt ra nhiều thách thức về an toàn thông tin, lòng tin thanh toán và trải nghiệm người dùng (UX).

+-----------------------------------------------------------------------------------+
|                                PROBLEM STATEMENT                                  |
| Giới trẻ tại TP.HCM đối mặt với sự phân vân khi chuyển từ sàn TMĐT truyền thống sang|
| TikTok Shop do quan ngại về tính bảo mật thanh toán, rủi ro hàng giả từ video ngắn, |
| và sự thiếu đồng bộ trong trải nghiệm mua sắm tích hợp (In-app Checkout UX).       |
+-----------------------------------------------------------------------------------+

Mục tiêu nghiên cứu

  1. Xác định các yếu tố cốt lõi: Định danh 06 biến độc lập tác động đến ý định sử dụng TikTok Shop của giới trẻ TP.HCM gồm: Tính dễ sử dụng (DSD), Tính hữu dụng (HD), Sự an toàn (AT), Sự tin tưởng (TT), Hiệu quả sử dụng (HQSD) và Thái độ chấp nhận (TĐCN).
  2. Đo lường cường độ tác động: Thiết lập mô hình hồi quy tuyến tính đa biến để lượng hóa hệ số hồi quy chuẩn hóa ($\beta$), xác định thứ tự ưu tiên của các rào cản hành vi.
  3. Đề xuất giải pháp quản trị ứng dụng: Cung cấp hàm ý thực tiễn cho các nhà phát triển hệ thống Shoppertainment và nhà bán hàng nhằm tối ưu hóa tỷ lệ chuyển đổi đơn hàng và chỉ số giữ chân người dùng (Retention Rate).

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu tích hợp các nền tảng lý thuyết kinh điển: Mô hình chấp nhận công nghệ (TAM - Fred Davis, 1989), Thuyết hành vi dự định (TPB - Icek Ajzen, 1991), Thuyết hành động hợp lý (TRA - Fishbein & Ajzen, 1975) và Mô hình phân cấp phản ứng AIDA (Elmo Lewis, 1898). Kết quả nghiên cứu kỳ vọng mô hình giải thích được trên 50% ($R^2 > 0.50$) sự biến thiên của ý định sử dụng dịch vụ thông qua khảo sát thực nghiệm $N = 230$ mẫu hợp lệ.

Phạm vi và giới hạn

  • Không gian: Khu vực địa bàn TP. Hồ Chí Minh.
  • Đối tượng: Người dùng trẻ tuổi (Gen Z và Millennial trẻ) có sử dụng ứng dụng TikTok.
  • Thời gian thu thập dữ liệu: Tháng 10/2022.
  • Giới hạn: Phương pháp lấy mẫu thuận tiện phi xác suất qua biểu mẫu trực tuyến, dữ liệu phân tích cắt ngang (Cross-sectional Data).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường Social Commerce tại Việt Nam chứng kiến sự phân hóa rõ rệt giữa mô hình sàn thương mại điện tử truyền thống (Traditional E-Commerce) và nền tảng mua sắm kết hợp giải trí (Shoppertainment).

Tiêu chí E-Commerce truyền thống (Shopee / Lazada / Tiki) Social Commerce (TikTok Shop)
Giao diện & Nền tảng Ứng dụng/Web độc lập, tối ưu hóa danh mục tìm kiếm Tích hợp trực tiếp trong luồng Video/Live-stream
Hành trình mua hàng Tìm kiếm chủ động $\rightarrow$ So sánh giá $\rightarrow$ Đặt mua Lướt giải trí $\rightarrow$ Kích thích cảm xúc $\rightarrow$ 1-Click Buy
Bảo mật & Thanh toán Cổng thanh toán đa dạng (Napas, Visa/Master, Ví nội bộ) Tích hợp Ví điện tử, COD (37.2%), Thẻ quốc tế (32.4%)
Xác thực sản phẩm Đánh giá qua văn bản & ảnh tĩnh của người mua trước Đánh giá trực quan qua video thực tế từ Nhà sáng tạo (KOL/KOC)
Điểm hạn chế Tỷ lệ thoát trang cao khi chuyển đổi giữa các kênh Rào cản niềm tin bảo mật và chính sách đổi trả hàng (29.4%)
+-----------------------------------------------------------------------------------+
|                        MA TRẬN YÊU CẦU NGƯỜI DÙNG (MoSCoW)                         |
| + Must Have: Mã hóa SSL/TLS cho checkout, cổng thanh toán COD & thẻ, tracking đơn hàng|
| + Should Have: Hiển thị minh bạch đánh giá thực tế, thuật toán đề xuất cá nhân hóa |
| + Could Have: Tính năng dùng thử AR cho mỹ phẩm/quần áo, mini-games đổi voucher   |
| + Won't Have: Tự động phát sinh giao dịch mà không qua bước xác thực OTP/PIN 2FA   |
+-----------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc luồng dữ liệu khảo sát và xử lý mô hình kinh tế lượng được thiết kế theo quy trình phân tích định lượng chuẩn hóa:

graph TD
    A["Tập dữ liệu khảo sát thô (N=240 Google Forms)"] --> B["Data Cleaning & Screening (Excel 2016)"]
    B --> C["Tập dữ liệu sạch (N=230 Quan sát)"]
    C --> D["Kiểm định độ tin cậy thang đo (Cronbach's Alpha >= 0.7)"]
    D --> E["Phân tích nhân tố khám phá (EFA - KMO & Bartlett)"]
    E --> F["Phân tích tương quan Pearson (Matrix Correlation)"]
    F --> G["Mô hình hồi quy tuyến tính đa biến (OLS Regression)"]
    G --> H["Kiểm định khuyết tật mô hình (VIF, Durbin-Watson, ANOVA)"]

Ngăn xếp công nghệ và thông số kỹ thuật (Technology Stack)

  • Thu thập dữ liệu: Google Forms API & Web Interface.
  • Tiền xử lý & Làm sạch: Microsoft Excel 2016 (Xác thực dữ liệu, loại bỏ ngoại lai Outlier).
  • Phân tích kinh tế lượng: IBM SPSS Statistics v26.0 (Cronbach's Alpha, EFA, OLS Regression).
  • Ngôn ngữ kịch bản kiểm tra chéo (Cross-validation): Python 3.10 với các thư viện pandas v2.0.3, statsmodels v0.14.0, scikit-learn v1.3.0.
+-----------------------------------------------------------------------------------+
|                      CƠ SỞ DỮ LIỆU BIẾN QUAN SÁT (25 ITEMS)                        |
|  1. DSD (4 items): DSD1 (Dễ học), DSD2 (Giao diện), DSD3 (Ổn định), DSD4 (Rõ ràng)|
|  2. HD  (4 items): HD1 (Tích hợp), HD2 (Review thực tế), HD3 (Đa dạng), HD4 (Thông tin) |
|  3. AT  (3 items): AT1 (Bảo đảm thông tin), AT2 (Uy tín shop), AT3 (An toàn giao dịch)|
|  4. TT  (3 items): TT1 (Độ tin cậy), TT2 (Tính xác thực), TT3 (Sự ổn định công nghệ) |
|  5. HQSD(4 items): HQSD1 (Tiện lợi), HQSD2 (Hữu ích), HQSD3 (Kỹ năng), HQSD4 (Hài lòng)|
|  6. TĐCN(3 items): TĐCN1 (Yêu thích), TĐCN2 (An tâm), TĐCN3 (Mong muốn thử nghiệm)|
|  7. YĐSD(4 items): YĐSD1 (Sẵn sàng mua), YĐSD2 (Dùng tương lai gần),               |
|                    YĐSD3 (Ưu tiên lựa chọn), YĐSD4 (Ý định gắn bó)                |
+-----------------------------------------------------------------------------------+

Phương pháp nghiên cứu (Methodology)

Nghiên cứu triển khai theo mô hình kết hợp (Mixed Methods Research):

  1. Nghiên cứu định tính: Thảo luận nhóm chuyên gia ($n=8$) để hiệu chỉnh nội dung 25 biến quan sát từ thang đo gốc tiếng Anh sang ngữ cảnh tiêu dùng tại Việt Nam, sử dụng thang đo Likert 5 mức độ ($1$: Rất không đồng ý $\rightarrow$ $5$: Rất đồng ý).
  2. Nghiên cứu định lượng: Phát phiếu khảo sát qua phương pháp chọn mẫu thuận tiện. Quy mô mẫu tối thiểu thỏa mãn quy tắc Bollen ($N \ge 5 \times k$, với $k=25$ biến $\rightarrow N \ge 125$) và Tabachnick & Fidell ($N \ge 50 + 8 \times m$, với $m=6$ biến độc lập $\rightarrow N \ge 98$). Kích thước mẫu thực tế $N = 230$ đáp ứng tốt độ hội tụ thống kê.

Triển khai thực nghiệm và kết quả

Quy trình phân tích dữ liệu & Code thuật toán

Phương trình hồi quy đa biến tổng quát được thiết lập như sau:

$$\text{YĐSD} = \beta_0 + \beta_1 \cdot \text{DSD} + \beta_2 \cdot \text{HD} + \beta_3 \cdot \text{AT} + \beta_4 \cdot \text{TT} + \beta_5 \cdot \text{HQSD} + \beta_6 \cdot \text{TĐCN} + \varepsilon_i$$

Đoạn mã phân tích dữ liệu và hồi quy tuyến tính tương đương trên môi trường Python/SPSS:

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 sạch N=230
df = pd.read_csv("tiktok_shop_survey_data.csv")
features = ['DSD', 'HD', 'AT', 'TT', 'HQSD', 'TDCN']
target = 'YDSD'

# 2. Xây dựng ma trận biến độc lập và OLS Regression
X = df[features]
X = sm.add_constant(X)
y = df[target]

model = sm.OLS(y, X).fit()

# 3. Tính toán hệ số VIF để kiểm tra đa cộng tuyến
vif_data = pd.DataFrame()
vif_data["Feature"] = features
vif_data["VIF"] = [variance_inflation_factor(df[features].values, i) for i in range(len(features))]

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

+-----------------------------------------------------------------------------------+
|                        SPSS SYNTAX SCRIPT EXECUTION                               |
| RELIABILITY /VARIABLES=DSD1 DSD2 DSD3 DSD4 /SCALE('DSD') ALL /MODEL=ALPHA.        |
| FACTOR /VARIABLES=DSD1 TO TDCN3 /CRITERIA MINEIGEN(1) /ROTATION VARIMAX.         |
| REGRESSION /DEPENDENT YDSD /METHOD=ENTER DSD HD AT TT HQSD TDCN /STATISTICS COLLIN.|
+-----------------------------------------------------------------------------------+

Kết quả kiểm định độ tin cậy và phân tích nhân tố

Dữ liệu khảo sát $N=230$ sau khi xử lý đạt chuẩn kiểm định ở tất cả các bậc thống kê:

+-----------------------------------------------------------------------------------+
|               BẢNG TỔNG HỢP KIỂM ĐỊNH ĐỘ TIN CẬY (CRONBACH'S ALPHA)               |
| + Tính dễ sử dụng (DSD)    : Alpha = 0.774 | Tương quan biến-tổng: 0.502 - 0.644   |
| + Tính hữu dụng (HD)       : Alpha = 0.804 | Tương quan biến-tổng: 0.581 - 0.656   |
| + Sự an toàn (AT)          : Alpha = 0.738 | Tương quan biến-tổng: 0.524 - 0.614   |
| + Sự tin tưởng (TT)        : Alpha = 0.707 | Tương quan biến-tổng: 0.486 - 0.551   |
| + Hiệu quả sử dụng (HQSD)  : Alpha = 0.848 | Tương quan biến-tổng: 0.641 - 0.724   |
| + Thái độ chấp nhận (TĐCN) : Alpha = 0.807 | Tương quan biến-tổng: 0.631 - 0.683   |
| + Ý định sử dụng (YĐSD)    : Alpha = 0.850 | Tương quan biến-tổng: 0.662 - 0.746   |
+-----------------------------------------------------------------------------------+
  • Phân tích EFA biến độc lập: Chỉ số $\text{KMO} = 0.821 > 0.5$, kiểm định Bartlett có giá trị $Sig. = 0.000 < 0.05$. Trích xuất 6 nhân tố tại điểm dừng Eigenvalue $= 1.806 > 1$, tổng phương sai trích đạt $65.454% > 50%$.
  • Phân tích EFA biến phụ thuộc: $\text{KMO} = 0.820$, phép kiểm định Bartlett đạt $\chi^2 = 379.020$ ($df=6, Sig. = 0.000$), trích xuất 1 nhân tố duy nhất với Eigenvalue $= 2.763$, phương sai trích giải thích đạt $69.086%$.

Kết quả phân tích hồi quy tuyến tính đa biến

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn ($Std. Error$) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Mức ý nghĩa ($Sig.$) Dung nạp ($Tolerance$) Hệ số phóng đại phương sai ($VIF$)
(Hằng số) -0.721 0.269 - -2.675 0.008 - -
Sự an toàn (AT) 0.326 0.051 0.321 6.451 0.000 0.802 1.247
Tính dễ sử dụng (DSD) 0.300 0.057 0.280 5.278 0.000 0.703 1.422
Thái độ chấp nhận (TĐCN) 0.190 0.051 0.202 3.961 0.000 0.688 1.453
Hiệu quả sử dụng (HQSD) 0.112 0.051 0.117 2.186 0.030 0.688 1.453
Tính hữu dụng (HD) 0.111 0.054 0.106 2.066 0.040 0.750 1.333
Sự tin tưởng (TT) 0.113 0.052 0.105 2.202 0.029 0.878 1.140
+-----------------------------------------------------------------------------------+
|                        ĐÁNH GIÁ CHỈ SỐ PHÙ HỢP CỦA MÔ HÌNH                        |
| - Hệ số tương quan R              : 0.747 (Mối tương quan tuyến tính chặt chẽ)     |
| - Hệ số xác định R-Square (R²)    : 0.558 (Giải thích 55.8% biến thiên dữ liệu)   |
| - Hệ số R-Square hiệu chỉnh       : 0.546 (Đạt độ vững chắc cao khi suy rộng mẫu)  |
| - Kiểm định ANOVA (F-Test)        : F = 46.926 | Sig. = 0.000                     |
| - Kiểm định tự tương quan (Durbin-Watson): d = 2.117 (Nằm trong khoảng an toàn 1 < d < 3)|
| - Hiện tượng đa cộng tuyến        : Tất cả VIF < 1.5 (Hoàn toàn không vi phạm)     |
+-----------------------------------------------------------------------------------+

Phương trình hồi quy chuẩn hóa thực nghiệm:

$$\text{YĐSD} = 0.321 \cdot \text{AT} + 0.280 \cdot \text{DSD} + 0.202 \cdot \text{TĐCN} + 0.117 \cdot \text{HQSD} + 0.106 \cdot \text{HD} + 0.105 \cdot \text{TT}$$


Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp nổi bật về mặt khoa học hành vi và kinh tế số:

  • Tích hợp liên mô hình (TAM + TPB + AIDA): Thay vì chỉ áp dụng đơn lẻ mô hình TAM như các nghiên cứu truyền thống, đề tài tích hợp khía cạnh an toàn giao dịch số và trải nghiệm mua sắm cảm xúc (Emotional Shopping), phù hợp với bản chất Shoppertainment.
  • Phát hiện thứ tự tác động thực nghiệm: Chứng minh rằng đối với nền tảng mới nổi như TikTok Shop, "Sự an toàn" ($\beta = 0.321$) và "Tính dễ sử dụng" ($\beta = 0.280$) giữ vai trò quyết định hàng đầu, vượt trội hơn các giá trị hữu dụng đơn thuần ($\beta = 0.106$).
  • Lượng hóa rào cản hành vi người dùng trẻ: Chỉ ra $37.2%$ người dùng lo ngại về chi phí giao hàng, $32.9%$ về giá niêm yết và $29.4%$ gặp khó khăn trong quy trình đổi trả hàng.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  1. Tối ưu hóa In-app Checkout UX: Giảm số bước thao tác mua hàng từ video xuống tối đa 2 chạm (Tap-to-Buy) nhằm duy trì trạng thái cảm xúc tích cực của người dùng.
  2. Chiến lược định giá và trợ giá vận chuyển: Tích hợp mã FreeShip tự động tại giỏ hàng nhằm giải quyết trực tiếp rào cản lớn nhất của $37.2%$ người dùng trẻ.
  3. Chính sách kiểm soát chất lượng KOC/KOL: Triển khai cơ chế xác minh tự động nguồn gốc sản phẩm liên kết để gia tăng chỉ số "Sự an toàn" và "Sự tin tưởng".

Lộ trình triển khai khuyến nghị (Implementation Roadmap)

Giai đoạn Thời gian Trọng tâm công việc Mục tiêu định lượng (KPI)
Giai đoạn 1: Security & UX Quý 1 Nâng cấp xác thực 2 lớp sinh trắc học, tối ưu luồng thanh toán ví điện tử Giảm tỷ lệ bỏ rơi giỏ hàng $15%$
Giai đoạn 2: Logistics & Return Quý 2 Tự động hóa quy trình hoàn/đổi hàng trong 24h, liên kết đơn vị vận chuyển Tăng chỉ số hài lòng (CSAT) lên $85%$
Giai đoạn 3: Shoppertainment AI Quý 3-4 Ứng dụng AI đề xuất video review cá nhân hóa theo lịch sử duyệt Tăng tần suất mua lại lên $\ge 2$ lần/tháng

Hạn chế và hướng phát triển

  • Quy mô mẫu và địa bàn: Nghiên cứu giới hạn trong $N = 230$ mẫu tại TP.HCM. Cần mở rộng phạm vi ra các đô thị loại I khác (Hà Nội, Đà Nẵng) với cỡ mẫu $N \ge 500$.
  • Kỹ thuật mô hình hóa: Khóa luận sử dụng mô hình hồi quy OLS trên SPSS. Hướng phát triển tiếp theo cần ứng dụng mô hình cấu trúc tuyến tính SEM (Structural Equation Modeling) qua AMOS/SmartPLS để phân tích sâu các biến trung gian (Mediating Variables) và biến điều tiết (Moderating Variables) như giới tính hoặc thu nhập.
  • Hành vi thực tế vs Ý định: Nghiên cứu dừng lại ở mức đo lường "Ý định sử dụng". Các nghiên cứu tương lai cần theo dõi dữ liệu dọc (Longitudinal Data) để đánh giá tỷ lệ chuyển đổi thực tế sang hành vi mua lặp lại (Repurchase Behavior).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tham khảo khung lý thuyết chuẩn hóa kết hợp TAM/TPB, cấu trúc bảng hỏi 25 biến quan sát và quy trình xử lý dữ liệu định lượng trên SPSS.
  • Doanh nghiệp bán lẻ & Nhà bán buôn: Nắm bắt tâm lý tiêu dùng của Gen Z tại đô thị để phân bổ ngân sách marketing vào kênh KOC/Live-stream hiệu quả.
  • Nhà phát triển nền tảng công nghệ: Tối ưu hóa kiến trúc thanh toán, bảo mật dữ liệu và thuật toán gợi ý sản phẩm tích hợp.

Câu hỏi thường gặp

1. Yêu cầu cấu hình kỹ thuật để triển khai phân tích mô hình nghiên cứu này là gì?

Máy trạm hoặc máy tính cá nhân chạy Windows 10/11 hoặc macOS, tối thiểu 4GB RAM, cài đặt phần mềm IBM SPSS Statistics phiên bản từ v22.0 trở lên hoặc môi trường Python 3.8+ hỗ trợ thư viện statsmodelsscikit-learn.

2. Mô hình có gặp hiện tượng vi phạm giả định hồi quy tuyến tính không?

Không. Kết quả kiểm định cho thấy giá trị VIF dao động từ $1.140$ đến $1.453$ ($< 2$), loại trừ hoàn toàn hiện tượng đa cộng tuyến. Hệ số Durbin-Watson đạt $2.117$ chứng minh dữ liệu không bị tự tương quan chuỗi bậc nhất.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào chiến lược vận hành thực tế?

Doanh nghiệp cần ưu tiên nguồn lực theo trọng số Beta: Tập trung trước hết vào chính sách bảo vệ thanh toán & dữ liệu người dùng ($\beta = 0.321$), sau đó tối ưu giao diện thao tác nhanh ($\beta = 0.280$) và xây dựng các chương trình trải nghiệm dùng thử miễn phí ($\beta = 0.202$).

4. Chi phí triển khai hệ thống giải pháp này ước tính như thế nào?

Chi phí phân tích và khảo sát ban đầu thấp (chủ yếu là công cụ thu thập trực tuyến). Chi phí kỹ thuật tập trung vào việc tích hợp API thanh toán bảo mật và chính sách trợ giá vận chuyển trong 03 tháng đầu để kích cầu tiêu dùng.

5. Dữ liệu nghiên cứu có tính đại diện cho toàn bộ người dùng TikTok tại Việt Nam không?

Dữ liệu đại diện tốt cho phân khúc giới trẻ tại TP.HCM (khu vực có mật độ kinh tế số cao nhất). Để đại diện cho quy mô toàn quốc, cần thực hiện phương pháp lấy mẫu phân tầng theo vùng miền và độ tuổi.


Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu thông qua việc chứng minh mối quan hệ tác động đồng biến có ý nghĩa thống kê của 06 yếu tố đến ý định sử dụng dịch vụ TikTok Shop của giới trẻ tại TP.HCM ($R^2_{\text{Adj}} = 54.6%, F = 46.926, p < 0.001$). Trong đó, Sự an toàn ($\beta = 0.321$) và Tính dễ sử dụng ($\beta = 0.280$) là hai trụ cột có sức ảnh hưởng mạnh mẽ nhất. Nghiên cứu cung cấp hệ thống luận cứ khoa học vững chắc và các hàm ý thực tiễn giá trị, mở đường cho các doanh nghiệp thương mại điện tử định hình chiến lược Shoppertainment bền vững trong kỷ nguyên số.