PHẦN MỞ ĐẦU
Lý do chọn đề tài
Công nghệ chatbot đang trở thành một xu hướng nổi bật trong thế giới số hóa hiện nay, đặc biệt tại Thành phố Hồ Chí Minh, nơi dịch vụ này đã được áp dụng rộng rãi trong nhiều lĩnh vực như ngân hàng, bán lẻ, du lịch và dịch vụ khách hàng Với khả năng hoạt động 24/7, chatbot đã thu hút sự quan tâm của người dùng Theo báo cáo của MordorIntelligence, giá trị thị trường chatbot đạt 17,17 tỷ USD vào năm 2020 và dự kiến sẽ tăng lên 102,29 tỷ USD vào năm 2026, với tỷ lệ tăng trưởng kép hàng năm là 34,75% Sự gia tăng này cho thấy tiềm năng to lớn và tầm quan trọng của việc áp dụng dịch vụ chatbot trong các ngành công nghiệp.
Sự phát triển của các mô hình tạo sinh trong chatbot sẽ mang lại lợi ích lớn trong tương lai, nhờ vào khả năng nâng cao xử lý ngôn ngữ tự nhiên (NLP), giúp chatbot hiểu và phản hồi chính xác hơn với ngôn ngữ con người Đặc biệt, các mô hình ngôn ngữ dựa trên mạng thần kinh như GPT-4 có khả năng nhận diện sở thích và hành vi của từng người dùng, từ đó cung cấp đề xuất và hỗ trợ cá nhân hóa hiệu quả hơn.
Theo dữ liệu từ Salesforce, 69% người tiêu dùng ưa chuộng sử dụng chatbot do tính nhanh chóng trong giao tiếp với thương hiệu Chatbot giúp doanh nghiệp tiết kiệm thời gian và nhân lực bằng cách tự động hóa tương tác với khách hàng qua tin nhắn hoặc trang web Việc này không chỉ giảm bớt công việc thủ công mà còn nâng cao tốc độ phản hồi và cung cấp thông tin chính xác một cách liên tục.
Theo nghiên cứu của Accenture Digital, 57% doanh nghiệp cho biết chatbot mang lại lợi tức đầu tư cao với chi phí đầu tư thấp, chứng tỏ rằng việc sử dụng chatbot mang lại lợi ích kinh tế rõ rệt Chatbot không chỉ giúp giảm thiểu việc thuê đội ngũ lớn mà còn đáp ứng nhu cầu của khách hàng một cách tự động và hiệu quả.
Chatbot đã trở thành công cụ thiết yếu trong cung cấp dịch vụ tại Việt Nam nhờ vào những lợi ích đáng kể Áp dụng chatbot giúp doanh nghiệp nâng cao chất lượng dịch vụ, gia tăng sự hài lòng của khách hàng và thúc đẩy sự phát triển bền vững cho doanh nghiệp.
Nghiên cứu "Các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ Chatbot tại Thành phố Hồ Chí Minh" nhằm tìm hiểu và cải thiện các yếu tố ảnh hưởng, từ đó nâng cao sự hài lòng của khách hàng Việc này không chỉ mang lại lợi ích cho khách hàng và người tiêu dùng mà còn góp phần vào sự phát triển kinh tế.
Mục tiêu nghiên cứu
Khách hàng tại Thành Phố Hồ Chí Minh có sự hài lòng với dịch vụ chatbot bị ảnh hưởng bởi nhiều yếu tố, bao gồm tốc độ phản hồi, chất lượng thông tin và khả năng tương tác Để nâng cao sự hài lòng này, cần cải thiện hệ thống chatbot bằng cách tối ưu hóa thuật toán, đào tạo đội ngũ chăm sóc khách hàng và thường xuyên cập nhật nội dung Việc lắng nghe ý kiến phản hồi từ khách hàng cũng là một bước quan trọng để phát triển dịch vụ tốt hơn.
Xác định và đo lường các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ chatbot tại Thành Phố Hồ Chí Minh là rất quan trọng Nghiên cứu này sẽ cung cấp những hiểu biết sâu sắc nhằm giúp các nhà cung cấp dịch vụ chatbot cải thiện chất lượng và nâng cao trải nghiệm khách hàng Bằng cách tập trung vào các yếu tố then chốt, các nhà cung cấp có thể tối ưu hóa dịch vụ của mình, từ đó gia tăng sự hài lòng của khách hàng tại Thành Phố Hồ Chí Minh.
Câu hỏi nghiên cứu
Đâu là các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ chatbot tại Thành Phố Hồ Chí Minh?
Mức độ ảnh hưởng của các yếu tố trên đến sự hài lòng của khách hàng đối với dịch vụ chatbot tại Thành Phố Hồ Chí Minh?
Những hàm ý quản trị nào có thể được đưa ra để giúp doanh nghiệp gia tăng sự hài lòng của khách hàng đối với dịch vụ chatbot?
Đối tƣợng và phạm vi nghiên cứu
Đối tượng nghiên cứu: các yếu tố ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ chatbot tại Thành Phố Hồ Chí Minh
- Không gian: tại Thành Phố Hồ Chí Minh
- Thời gian: theo thời gian quy định khóa luận tốt nghiệp của trường
Phương pháp nghiên cứu
Để giải quyết vấn đề nghiên cứu của đề tài, chúng tôi áp dụng hai phương pháp nghiên cứu là định tính và định lượng, trong đó phương pháp chủ yếu được sử dụng là nghiên cứu định lượng.
Nghiên cứu định tính là quá trình khảo sát các cơ sở lý thuyết liên quan đến đề tài nghiên cứu, nhằm bổ sung và điều chỉnh các biến Qua đó, nghiên cứu sẽ đưa ra mô hình phù hợp để thực hiện các phân tích sâu hơn.
Nghiên cứu định lượng bắt đầu bằng việc xây dựng mô hình nghiên cứu cụ thể Sau khi xác định mô hình, tiến hành lập bảng câu hỏi trực tuyến và thực hiện khảo sát để thu thập dữ liệu Các dữ liệu nhiễu sẽ được lọc ra, sau đó sử dụng phần mềm thống kê để xử lý và phân tích số liệu, nhằm kiểm định giả thuyết nghiên cứu một cách chính xác.
Đóng góp của đề tài
Các yếu tố quan trọng ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ chatbot tại Thành Phố Hồ Chí Minh bao gồm chất lượng dịch vụ, trải nghiệm người dùng và mối quan hệ khách hàng Việc cải thiện những yếu tố này sẽ giúp các nhà cung cấp dịch vụ nâng cao sự hài lòng của khách hàng, tạo ra trải nghiệm tốt hơn, xây dựng mối quan hệ bền vững, tăng cường khả năng cạnh tranh và nâng cao hiệu quả dịch vụ.
Kết cấu khóa luận
Chương 2: Cơ sở lý thuyết
Chương 3: Phương Pháp Nghiên Cứu
Chương 4: Kết quả nghiên cứu và thảo luận
Chương 5: Kết luận và hàm ý quản trị
Chương 1 đã trình bày tổng quan về các vấn đề liên quan đến đề tài nghiên cứu Từ những thông tin trình bày, có thể thấy rằng đề tài "CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN SỰ HÀI LÒNG CỦA KHÁCH HÀNG ĐỐI VỚI DỊCH VỤ CHATBOT TẠI THÀNH PHỐ HỒ CHÍ MINH" là một đề tài phù hợp, có tính khoa học và có tính thực tiễn Điều này tạo nền tảng cho các bước nghiên cứu chuyên sâu tiếp theo, bao gồm cơ sở lý thuyết, phương pháp nghiên cứu, và thu thập dữ liệu, nhằm đưa ra kết quả nghiên cứu và đề xuất giải pháp.
CƠ SỞ LÝ THUYẾT
Khái quát về dịch vụ chatbot
2.1.1 Sự ra đời và phát triển của chatbot
Vào năm 1950, nhà khoa học máy tính người Anh Alan Turing đã đặt câu hỏi
Máy móc có khả năng suy nghĩ hay không là câu hỏi được đặt ra, và Alan Turing đã đưa ra khái niệm về thử nghiệm Turing để trả lời cho vấn đề này Thử nghiệm Turing là phương pháp đánh giá khả năng của máy tính trong việc suy nghĩ như con người, đánh dấu bước khởi đầu quan trọng cho sự phát triển của trí tuệ nhân tạo.
Chatbot đầu tiên, ELIZA, được phát triển bởi Joseph Weizenbaum vào năm 1966 Mặc dù không vượt qua thử nghiệm Turing, ELIZA đã thiết lập nền tảng cho cấu trúc cơ bản của các chatbot hiện đại, với các phản hồi và từ khóa được lập trình sẵn.
Chatbot PARRY, được phát triển bởi Kenneth Colby, có khả năng mô phỏng người bị tâm thần hoang tưởng, với khoảng 48% người tham gia khảo sát không nhận ra sự khác biệt giữa PARRY và con người Năm 1983, PARRY được ra mắt, theo sau là RACTER Đến năm 1995, ALICE, một chatbot xử lý ngôn ngữ trực tuyến, ra đời nhưng không vượt qua thử nghiệm Turing Năm 2001, Smarter Child, một chatbot khác, đã được giới thiệu trên AOL Instant Messenger và Windows Live Messenger.
Từ năm 2010 đến 2015, nhiều chatbot nổi bật đã ra đời, bao gồm SIRI (2010), GOOGLE NOW (2012), ALEXA (2015) và CORTANA (2015) Những chatbot này không chỉ có khả năng phản hồi theo lệnh giọng nói mà còn thực hiện tìm kiếm trên Internet và xử lý một số nhiệm vụ khác.
Chatbot hiện nay đã trở thành công cụ tự động hóa quan trọng, nâng cao tương tác giữa con người và máy tính Sự phát triển của trí tuệ nhân tạo từ những năm 2000 cho đến nay, cùng với ảnh hưởng từ AI Hoopla của Facebook, đã thúc đẩy việc xây dựng và phát triển chatbot bởi các nhà phát triển khác.
Trong những năm gần đây, chatbot đã trở thành công cụ quan trọng giúp doanh nghiệp tiếp cận khách hàng hiệu quả hơn Sự phát triển của Internet, đặc biệt là công nghệ di động và mạng xã hội, đã tạo ra một lượng lớn người dùng tiềm năng cho chatbot Facebook, với hơn 230 triệu người dùng hoạt động, là một ví dụ điển hình về sự lan tỏa của mạng xã hội Thành công của chatbot phụ thuộc vào lượng người truy cập trang web, và Internet cung cấp nhiều nền tảng hỗ trợ cho việc sử dụng chatbot Trong bối cảnh công nghệ phát triển nhanh chóng và cuộc cách mạng công nghiệp 4.0, các yếu tố như Trí tuệ Nhân tạo (AI), Internet of Things (IoT) và dữ liệu lớn (Big Data) đã nâng cao tiện ích của chatbot Chatbot không chỉ cải thiện trải nghiệm khách hàng mà còn giúp doanh nghiệp tăng hiệu quả và giảm chi phí trong quá trình tương tác với khách hàng.
Chatbot, hay còn gọi là Trợ lý ảo, là chương trình máy tính tương tác với người dùng qua ngôn ngữ tự nhiên thông qua giao diện đơn giản, bao gồm âm thanh và văn bản Được phát triển dựa trên các quy tắc lập trình và sử dụng Trí tuệ Nhân tạo cùng dữ liệu lớn, chatbot ngày càng trở nên thông minh hơn để đáp ứng nhu cầu khách hàng Chatbot có khả năng phân tích ngôn ngữ, dự đoán ngữ cảnh và đưa ra phản hồi chính xác Nếu không có dữ liệu phù hợp, chatbot sẽ thông báo cho người dùng và đề xuất cách đặt câu hỏi, đồng thời "học hỏi" từ các cuộc trò chuyện để cải thiện trong tương lai.
Ngoài ra, chatbot đã được áp dụng phổ biến trong một số lĩnh vực sau:
Chatbot du lịch cung cấp thông tin hữu ích cho chuyến đi, bao gồm thời tiết tại điểm đến, các sự kiện sắp diễn ra, tiêu chuẩn vệ sinh, lựa chọn nơi lưu trú phù hợp, đường dây nóng cần thiết và nhiều thông tin khác.
Cửa hàng bán lẻ: Giúp chọn và đặt hàng nhanh chóng, thanh toán và cung cấp các ưu đãi, khuyến mãi nếu có
Cung cấp Tin tức: Cung cấp thông tin tin tức, số liệu đang cần tìm
Chatbot là công cụ hữu ích giúp bạn trò chuyện và giải quyết các vấn đề cá nhân Bằng cách tương tác với chatbot, bạn có thể nhận được tư vấn về nhiều lĩnh vực như pháp luật, y tế và tìm ra giải pháp phù hợp cho tình huống của mình.
Sắp xếp lịch là việc quan trọng bao gồm các hoạt động như đặt lịch, xin nghỉ phép và quản lý thời gian hiệu quả Ngoài ra, việc đặt chỗ cho vé máy bay, khách sạn và nhà hàng cũng rất cần thiết, cùng với quy trình tuyển dụng nhân sự để đảm bảo hoạt động suôn sẻ.
2.1.2 Các thành phần của Chatbot
Chatbot, với tính năng trò chuyện tự nhiên và thực hiện nhiệm vụ thay mặt con người, gồm các thành phần cơ bản sau:
Khả năng xử lý ngôn ngữ tự nhiên (NLP) là một yếu tố quan trọng trong trí tuệ nhân tạo, cho phép máy tính tương tác với con người thông qua ngôn ngữ tự nhiên NLP được định nghĩa là quá trình tự động xử lý ngôn ngữ, nhưng yêu cầu sự can thiệp của con người thông qua ngôn ngữ lập trình cụ thể Hai kỹ thuật cơ bản của NLP là phân tích cú pháp, giúp phân tích cấu trúc câu theo quy tắc ngữ pháp, và phân tích ngữ nghĩa, nhằm hiểu ý nghĩa của từ ngữ.
Quản lý Đối thoại (Dialog Manager) là thành phần quan trọng trong hệ thống, chịu trách nhiệm xác định thông điệp phù hợp để truyền đạt cho người dùng Quyết định này dựa trên thông tin đã thu thập và lịch sử tương tác của người dùng, nhằm tạo ra trải nghiệm giao tiếp hiệu quả và cá nhân hóa.
Nội dung là thành phần quan trọng thứ ba trong việc giao tiếp của chatbot, chịu trách nhiệm truyền tải thông điệp đã được quyết định Cách thức cấu trúc nội dung sẽ ảnh hưởng đáng kể đến trải nghiệm và cảm nhận của người dùng hoặc khách hàng.
Các thành phần chính của chatbot là yếu tố quyết định cho hiệu quả hoạt động và trải nghiệm người dùng Khả năng xử lý ngôn ngữ tự nhiên giúp chatbot hiểu và phản hồi yêu cầu một cách tự nhiên Quản lý đối thoại cho phép chatbot tạo ra các cuộc trò chuyện hợp lý, cung cấp thông tin hữu ích và đáp ứng nhu cầu người dùng Nội dung chất lượng là yếu tố quan trọng trong việc tạo ra trải nghiệm thú vị, thúc đẩy sự tương tác tích cực và xây dựng lòng tin cũng như sự trung thành từ khách hàng.
Các lý thuyết liên quan
2.2.1 Dịch vụ và chất lƣợng dịch vụ
Dịch vụ là một loại sản phẩm phi vật chất, trong đó nhà cung cấp tạo ra giá trị cho khách hàng thông qua việc cung cấp các hoạt động, trải nghiệm hoặc hiệu quả mà khách hàng mong đợi.
Theo Kotler (2000), dịch vụ là những hoạt động vô hình nhằm đáp ứng nhu cầu cụ thể của con người, không nhất thiết phải có sản phẩm hữu hình Kotler và Keller (2006) định nghĩa dịch vụ là hoạt động hoặc lợi ích mà doanh nghiệp cung cấp để thiết lập và củng cố mối quan hệ lâu dài với khách hàng Tương tác giữa nhà cung cấp dịch vụ và người tiêu dùng là yếu tố quan trọng, trong đó các yếu tố phi vật chất như kiến thức, kỹ năng và thái độ của nhà cung cấp đóng vai trò then chốt trong trải nghiệm của khách hàng.
Chất lượng dịch vụ là yếu tố quan trọng trong quản lý kinh doanh, giúp đảm bảo sự hài lòng của khách hàng và tăng cường khả năng cạnh tranh (Arun Kumar, Manjunath, & Naveen Kumar, 2012) Theo định nghĩa của Parasuraman, Zeithaml và Berry (1988), chất lượng dịch vụ được hiểu là sự khác biệt giữa mong đợi của người tiêu dùng và cảm nhận của họ về kết quả dịch vụ Định nghĩa này đã được chấp nhận rộng rãi trong giới học giả và các nhà quản trị, đóng vai trò quan trọng trong nghiên cứu và ứng dụng thực tiễn.
Chất lượng dịch vụ, theo Parasuraman và cộng sự (1985), được định nghĩa là mức độ đáp ứng nhu cầu và mong đợi của khách hàng, là yếu tố quyết định sự hài lòng và lòng trung thành của khách hàng với thương hiệu Nghiên cứu của Oliver (1981) cũng cho thấy chất lượng dịch vụ có tác động tích cực đến sự hài lòng của khách hàng, đồng thời tăng khả năng quay lại của họ trong tương lai.
2.2.2 Các nhân tố quyết định chất lƣợng dịch vụ
Mô hình SERVQUAL do Parasuraman và cộng sự phát triển vào năm 1988 là một công cụ quan trọng và phổ biến trong việc đánh giá chất lượng dịch vụ Mô hình này cho phép đo lường sự khác biệt giữa kỳ vọng của khách hàng và trải nghiệm thực tế về chất lượng dịch vụ mà họ nhận được.
Mô hình SERVQUAL bao gồm 5 thành phần cơ bản để đánh giá chất lượng dịch vụ
Sự tin cậy là yếu tố quan trọng trong việc đánh giá khả năng của dịch vụ được thực hiện đúng thời gian và chính xác Đáp ứng thể hiện sự nhanh nhạy và quan tâm của nhân viên phục vụ đối với nhu cầu và yêu cầu của khách hàng.
Sự đảm bảo (Assurance) đề cập đến khả năng và kiến thức của nhân viên phục vụ trong việc cung cấp dịch vụ chuyên nghiệp và đáng tin cậy Việc đánh giá mức độ này rất quan trọng để đảm bảo khách hàng nhận được trải nghiệm tốt nhất.
Sự đồng cảm là khả năng của nhân viên phục vụ trong việc hiểu và quan tâm đến nhu cầu của khách hàng, giúp tạo ra cảm giác thoải mái và hài lòng trong mỗi tương tác Việc đo lường sự đồng cảm không chỉ phản ánh chất lượng dịch vụ mà còn ảnh hưởng tích cực đến trải nghiệm của khách hàng.
Phương tiện hữu hình (Tangibles) đề cập đến các yếu tố vật chất trong dịch vụ, bao gồm ngoại hình của nhân viên phục vụ, trang phục họ mặc, cùng với trang thiết bị hỗ trợ dịch vụ Những yếu tố này không chỉ tạo ấn tượng đầu tiên mà còn ảnh hưởng đến cảm nhận của khách hàng về chất lượng dịch vụ.
Mô hình SERVQUAL giúp đo lường sự hài lòng của khách hàng thông qua việc so sánh điểm số kỳ vọng và cảm nhận thực tế về chất lượng dịch vụ Sự chênh lệch giữa hai điểm số này phản ánh mức độ hài lòng của khách hàng Bằng cách áp dụng mô hình này, các doanh nghiệp có thể cải thiện chất lượng dịch vụ, từ đó xây dựng niềm tin và sự tín nhiệm từ khách hàng Việc nhân hóa và nhận diện khách hàng thường xuyên cũng góp phần tạo sự gần gũi và tăng cường mối quan hệ với họ.
Mô hình SERVPERF, được phát triển bởi Cronin Jr và Taylor vào năm 1992, nhằm mục đích đánh giá chất lượng dịch vụ dựa trên cảm nhận của khách hàng sau khi trải nghiệm dịch vụ Khác với thang đo SERVQUAL của Parasuraman và các cộng sự, SERVPERF tập trung vào kết quả thực tế mà khách hàng nhận được.
(1988) dựa trên sự chênh lệch giữa kỳ vọng và cảm nhận
Thang đo SERVPERF bao gồm 22 mục tiêu đánh giá chất lượng dịch vụ được phân loại vào 5 nhóm:
Khả năng thực hiện (Reliability) đánh giá độ tin cậy của dịch vụ, trong khi đó, đáp ứng (Responsiveness) đo lường tốc độ và sự nhanh nhạy trong việc phục vụ nhu cầu của khách hàng.
Khả năng thông tin (Informational competence): Đo lường khả năng cung cấp thông tin chính xác và đầy đủ cho khách hàng
Khả năng đáng tin cậy (Relational competence) đánh giá mức độ đáng tin cậy và chuyên nghiệp của nhân viên phục vụ, trong khi đáp ứng dịch vụ (Service recovery) xem xét khả năng giải quyết tình huống bất lợi và xử lý khiếu nại của khách hàng Điểm nổi bật của mô hình SERVPERF là tập trung vào cảm nhận của khách hàng sau khi sử dụng dịch vụ, giúp doanh nghiệp nhận diện những khía cạnh cụ thể của dịch vụ có thể tạo ra tác động tích cực hoặc tiêu cực Nhờ đó, các doanh nghiệp có thể điều chỉnh và cải thiện chất lượng dịch vụ một cách chính xác, đáp ứng tốt hơn nhu cầu và mong đợi của khách hàng.
Thang đo SERVQUAL có nhiều ưu điểm nhưng cũng tồn tại hạn chế, đặc biệt là sự mơ hồ trong định nghĩa kỳ vọng của khách hàng và khả năng ứng dụng không rõ ràng trong một số ngành (Teas, 1993) Nhu cầu đo lường kỳ vọng được nhấn mạnh trong nghiên cứu của Cronin Jr & Taylor (1992, 1994) Các thành phần xác định chất lượng dịch vụ truyền thống có thể không phù hợp với dịch vụ điện tử do tính độc đáo của quá trình cung cấp Để khắc phục, mô hình E-SERVQUAL đã được phát triển, tập trung vào việc đánh giá chất lượng dịch vụ trực tuyến Valarie Zeithaml, Parasuraman và Malhotra (2002) đã xây dựng mô hình này nhằm đo lường sự hài lòng của khách hàng với dịch vụ trực tuyến E-SERVQUAL bao gồm nhiều khía cạnh trong quá trình dịch vụ, từ trước đến sau giao dịch (Ting và cộng sự, 2016), và đã được áp dụng rộng rãi trong các lĩnh vực như giáo dục trực tuyến (Nematia và đồng nghiệp, 2012), mua sắm qua mạng (Kim và Jackson, 2009) và ngân hàng trực tuyến (Javed và đồng nghiệp, 2018) E-SERVQUAL được đánh giá có khả năng giải thích tốt sự hài lòng của khách hàng.
Mô hình mới bao gồm 7 thành phần quan trọng: Tính hiệu quả, Sự tin cậy, Cam kết thực hiện, Tính bảo mật, Sự phản hồi, Khả năng bồi thường và Khả năng liên hệ Trong đó, Tính hiệu quả được đánh giá qua khả năng của khách hàng trong việc truy cập giao diện chatbot, tìm kiếm thông tin và đăng nhập một cách dễ dàng.
Lược khảo các tài liệu nghiên cứu trước
2.3.1 Nghiên cứu của Nguyễn và cộng sự (2020)
Nguồn: Nguyễn và cộng sự (2020)
Nghiên cứu của Nguyễn và cộng sự (2020) về "Các yếu tố ảnh hưởng đến sự hài lòng của khách hàng: Trường hợp Chatbot Facebook tại Việt Nam" cung cấp cái nhìn sâu sắc về việc quảng bá chatbot cho các cửa hàng trực tuyến Bài viết đưa ra các khuyến nghị và giải pháp cho cá nhân và tổ chức cung cấp dịch vụ chatbot trên Facebook, nhằm nâng cao chất lượng dịch vụ và hiệu suất hoạt động.
Phân tích được thực hiện trên 271 khách hàng sử dụng dịch vụ chatbot, với 20 biến quan sát và 6 biến tiềm ẩn Dữ liệu đã được thu thập và xử lý để rút ra những kết luận quan trọng về hiệu quả và sự hài lòng của khách hàng đối với dịch vụ này.
Sự trung thành của khách hàng
Kỳ vòng của khách hàng
Sự Hài Lòng Của Khách Hàng
Nghiên cứu của Nguyễn và cộng sự đã được mã hóa và làm sạch, sử dụng phần mềm SPSS và Amos để thực hiện phân tích và thống kê.
Nghiên cứu chỉ ra rằng sự hài lòng của khách hàng chịu ảnh hưởng trực tiếp từ ba yếu tố chính: (1) kỳ vọng của khách hàng, (2) chất lượng cảm nhận và (3) các yếu tố khác liên quan đến trải nghiệm dịch vụ.
(3) giá trị cảm nhận Kết quả nghiên cứu cũng cho thấy có mối quan hệ tiêu cực trực tiếp giữa sự hài lòng và phàn nàn của khách hàng
Eren (2021) trong nghiên cứu "Determinants of customer satisfaction in chatbot use: evidence from a banking application in Turkey" đã khảo sát sự hài lòng của khách hàng khi sử dụng chatbot ngân hàng và ảnh hưởng của nhận thức về sự tin cậy của chatbot cùng với danh tiếng của công ty đến sự hài lòng này Nghiên cứu áp dụng lý thuyết Xác nhận kỳ vọng (ETC) để phân tích mối quan hệ giữa kỳ vọng của khách hàng, hiệu suất cảm nhận, xác nhận kỳ vọng và sự hài lòng Đồng thời, nghiên cứu cũng xem xét mối liên hệ giữa sự tin tưởng cảm nhận, danh tiếng của ngân hàng và mức độ hài lòng của khách hàng.
Nhận thức sự tín nhiệm
Kỳ vòng của khách hàng
Xác nhận kỳ vọng của khách hàng
Sự Hài Lòng Của Khách Hàng
Hình 2.2: Mô hình nghiên cứu của Eren
Một cuộc khảo sát tại Thổ Nhĩ Kỳ với 240 khách hàng đã trải nghiệm giao dịch ngân hàng qua dịch vụ chatbot cho thấy mối quan hệ giữa các biến được nghiên cứu Phương pháp PLS-SEM (Partial Least Squares Structural Equation Modeling) đã được áp dụng để phân tích dữ liệu, sử dụng phần mềm SPSS 21 và SmartPLS.
Nghiên cứu cho thấy hiệu suất cảm nhận, nhận thức sự tin cậy và danh tiếng công ty ảnh hưởng đáng kể đến sự hài lòng của khách hàng khi sử dụng dịch vụ chatbot Mặc dù kỳ vọng của khách hàng và xác nhận kỳ vọng không tác động trực tiếp đến sự hài lòng, nhưng kỳ vọng có ảnh hưởng tích cực đến hiệu suất cảm nhận Điều này dẫn đến việc kỳ vọng gián tiếp tác động đến sự hài lòng thông qua hiệu suất cảm nhận Hiệu suất cảm nhận cũng có tác động tích cực đến xác nhận kỳ vọng, tuy nhiên, kỳ vọng không ảnh hưởng đáng kể đến xác nhận này Nghiên cứu mở rộng lý thuyết xác nhận kỳ vọng trong bối cảnh sử dụng chatbot tại ngành ngân hàng.
2.3.3 Nghiên cứu của Đoàn Thị Diễm Hường (2020)
Sự hài lòng của khách hàng đối với chatbot
Hình 2.3: Mô hình nghiên cứu của Hường (2020)
Trong nghiên cứu "Đánh Giá Sự Hài Lòng Của Khách Hàng Cá Nhân Đối Với Dịch Vụ Chatbot Tại Ngân Hàng Thương Mại Cổ Phần Công Thương Việt Nam" của Đoàn Thị Diễm Hường (2020), tác giả đã áp dụng thang đo E-SERVQUAL để xây dựng mô hình nghiên cứu và sử dụng phân tích EFA để kiểm định mô hình cùng các giả thuyết Kết quả nghiên cứu chỉ ra 07 nhân tố chính ảnh hưởng đến sự hài lòng của khách hàng đối với dịch vụ chatbot, bao gồm: Tin cậy, Phản hồi, Cam kết thực hiện, Bồi thường, Liên hệ, Hiệu quả và Bảo mật.
Nghiên cứu được thực hiện trên 241 khách hàng cá nhân của Ngân hàng TMCP Công Thương Việt Nam, với 22 biến quan sát Dữ liệu được thu thập và phân tích bằng phần mềm SPSS để đưa ra các thống kê cần thiết.
Nghiên cứu chỉ ra rằng bảy yếu tố đều có tác động tích cực đến sự hài lòng của khách hàng đối với dịch vụ chatbot Điều này chứng tỏ mô hình E-SERVQUAL hoàn toàn phù hợp để đánh giá sự hài lòng của khách hàng trong lĩnh vực dịch vụ chatbot.
Mặc dù nghiên cứu đã xác định một số yếu tố ảnh hưởng đến sự hài lòng của khách hàng khi sử dụng dịch vụ chatbot, nhưng vẫn còn nhiều yếu tố khác chưa được xem xét kỹ lưỡng, như việc khách hàng sử dụng đồng thời các dịch vụ ngân hàng khác, trình độ học vấn, độ tuổi và thu nhập Những yếu tố này cũng có thể tác động đến sự hài lòng nhưng chưa được phân tích trong nghiên cứu Thêm vào đó, các yếu tố như thương hiệu và hình ảnh ngân hàng cũng có ảnh hưởng đến sự hài lòng của khách hàng nhưng chưa được đề cập trong bài viết này.
2.3.4 Nghiên cứu của Lạng và cộng sự (2022)
Nguồn: Lạng và cộng sự (2022)
Lạng và cộng sự (2022) trong nghiên cứu "Tác Động Của Tự Động Hóa Quy Trình Bằng Trí Tuệ Nhân Tạo (Chatbot) Đến Trải Nghiệm Khách Hàng Ngành Bán
Nghiên cứu "Lẻ Thương Mại Điện Tử Ở Việt Nam" được thực hiện thông qua việc thu thập số liệu sơ cấp từ 359 phiếu khảo sát trực tuyến, trong đó 323 phiếu hợp lệ Bài nghiên cứu áp dụng thang đo Likert 5 mức độ để đánh giá sự hài lòng của khách hàng Kết quả cho thấy sự hài lòng của khách hàng chịu ảnh hưởng bởi các yếu tố: (1) Tốc độ phản hồi; (2) Đối thoại tự nhiên; (3) Tính hữu ích của phản hồi; (4) Tính dễ dàng sử dụng; (5) Xử lý dữ liệu lớn; và (6) Rủi ro công nghệ.
2.3.5 Nghiên cứu của Lim Sanny và cộng sự (2020)
Nghiên cứu của Lim Sanny và cộng sự (2020) phân tích các yếu tố ảnh hưởng đến sự chấp nhận chatbot tại Indonesia, với 161 khảo sát được thực hiện và 119 khảo sát được giữ lại để phân tích Kết quả chỉ ra rằng có bốn yếu tố chính liên quan đến sự hài lòng của khách hàng khi sử dụng chatbot, bao gồm tính hữu dụng, hình ảnh thương hiệu, tính cách và tính năng.
Mô hình nghiên cứu của Lạng và cộng sự cho thấy các yếu tố liên quan đến sự hài lòng của khách hàng khi sử dụng chatbot Những yếu tố này không chỉ có mối tương quan với nhau mà còn có vai trò quan trọng trong việc nâng cao trải nghiệm người dùng Kết quả này mở ra cơ hội cho các tổ chức tại Indonesia tích hợp những yếu tố này vào quá trình phát triển chatbot, nhằm đáp ứng tốt hơn nhu cầu của khách hàng.
Nghiên cứu của Lim và cộng sự thiếu một mô hình nghiên cứu rõ ràng và có kích thước mẫu nhỏ, điều này có thể làm giảm tính đại diện của kết quả nghiên cứu.
2.3.6 Nghiên cứu của AZIZ và cộng sự (2021)
Giả thuyết nghiên cứu và mô hình nghiên cứu
Tính dễ sử dụng là yếu tố quan trọng trong việc áp dụng công nghệ máy tính, đặc biệt đối với người dùng mới Nó không chỉ ảnh hưởng đến sự hài lòng của khách hàng mà còn nâng cao hiệu suất sử dụng dịch vụ.
Nghiên cứu của Rezaei và Amin (2013) chỉ ra rằng tính dễ sử dụng có ảnh hưởng tích cực đến sự hài lòng của khách hàng, với việc mức độ hài lòng gia tăng khi công nghệ hoặc sản phẩm được coi là dễ hiểu và tiếp cận Kết quả này được củng cố bởi nghiên cứu của Amin và cộng sự (2014), xác nhận rằng tính dễ sử dụng vẫn giữ vai trò quan trọng trong việc nâng cao sự hài lòng của khách hàng Thêm vào đó, nghiên cứu của Tu và cộng sự (2012) trong lĩnh vực đấu giá trực tuyến cũng cho thấy rằng tính dễ sử dụng có tác động tích cực đến sự hài lòng của khách hàng.
Nghiên cứu cho thấy rằng khi dịch vụ chatbot được thiết kế dễ hiểu và dễ tiếp cận, khách hàng có thể tương tác một cách tự nhiên và hiệu quả Tính dễ sử dụng này giúp giảm thiểu khó khăn và thời gian tìm hiểu dịch vụ, từ đó nâng cao sự hài lòng của khách hàng Kết quả là, khách hàng có khả năng tăng cường niềm tin vào khả năng của chatbot trong việc cung cấp giải pháp Từ những phát hiện này, tác giả đưa ra giả thuyết về sự cải thiện trong trải nghiệm người dùng.
H1: Tính dễ sử dụng có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
2.4.1.2 Thiết kế trang web cho chatbot
Thiết kế trang web đóng vai trò quan trọng trong việc thu hút khách hàng cho các cửa hàng trực tuyến (Than và Grandon, 2002) Giao diện thiết kế không chỉ tạo ra sự hấp dẫn mà còn ảnh hưởng lớn đến trải nghiệm người dùng (Kim và Lee, 2002) Nhiều nghiên cứu đã chỉ ra tác động của thiết kế trang web đối với dịch vụ trực tuyến, trong đó có nghiên cứu thực nghiệm của Cho và Park (2001) trên một mẫu khách hàng.
Một nghiên cứu với 435 người sử dụng internet đã chỉ ra rằng thiết kế trang web có ảnh hưởng tích cực đến sự hài lòng của người tiêu dùng trong thương mại điện tử Theo nghiên cứu thực nghiệm của Wolfinbarger và Gilly (2003), các yếu tố thiết kế trang web đóng vai trò quan trọng trong việc đánh giá sự hài lòng của khách hàng.
Thiết kế trang web cho chatbot hấp dẫn tạo ra trải nghiệm thú vị và dễ dàng cho khách hàng Giao diện trực quan, bố cục rõ ràng và màu sắc hài hòa giúp khách hàng dễ dàng tìm hiểu và sử dụng chatbot một cách tự nhiên Sự dễ sử dụng trong thiết kế đảm bảo khách hàng tương tác hiệu quả và nhanh chóng với chatbot, mang lại sự hài lòng và thoải mái.
Thiết kế trang web cho chatbot đóng vai trò quan trọng trong việc duy trì tính nhất quán của trải nghiệm người dùng trên nhiều nền tảng Một thiết kế linh hoạt và thân thiện với các thiết bị khác nhau sẽ giúp khách hàng tương tác với chatbot một cách mượt mà trên điện thoại di động, máy tính bảng và máy tính cá nhân Do đó, tác giả đưa ra giả thuyết rằng việc tối ưu hóa thiết kế web có thể nâng cao trải nghiệm người dùng.
H2: Thiết kế trang web cho chatbot có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
Các nghiên cứu đã chỉ ra rằng cá nhân hóa là yếu tố quan trọng trong trải nghiệm khách hàng, đặc biệt khi sử dụng công nghệ trí tuệ nhân tạo (Ameen và cộng sự, 2021; Tyrv ainen và cộng sự, 2020) Cá nhân hóa bao gồm việc chú ý đến từng khách hàng, gửi lời cảm ơn và chúc mừng sinh nhật, cùng với việc sử dụng dữ liệu để phản hồi ý kiến khách hàng (Yang, 2001) Nếu ngân hàng cung cấp dịch vụ cá nhân hóa hữu ích và thân thiện, mức độ hài lòng của khách hàng sẽ tăng lên (Davis, 1989; Davis, Bagozzi và Warshaw, 1989).
Trong môi trường kinh doanh cạnh tranh ngày nay, khách hàng kỳ vọng có được những trải nghiệm cá nhân hóa trong mọi tương tác với thương hiệu, bao gồm cả chatbot Việc cá nhân hóa chatbot không chỉ nâng cao trải nghiệm khách hàng mà còn tăng cường sự tương tác và hài lòng Bằng cách điều chỉnh dịch vụ chatbot theo nhu cầu và sở thích riêng của từng khách hàng, doanh nghiệp có thể tạo ra những trải nghiệm tích cực và hấp dẫn, giúp họ nổi bật trong thị trường Từ đó, tác giả đưa ra giả thuyết rằng cá nhân hóa là yếu tố then chốt để thu hút và giữ chân khách hàng.
H3: Cá nhân hóa có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
Khách hàng hiện nay kỳ vọng các doanh nghiệp cung cấp dịch vụ trực tuyến có khả năng phản hồi ngay lập tức đối với yêu cầu của họ (Liao và Cheung, 2002) Nghiên cứu đã chỉ ra rằng sự phản hồi nhanh chóng có ảnh hưởng mạnh mẽ đến mức độ hài lòng của khách hàng (Yang và Jun, 2002; Zhu và cộng sự, 2002) Ngoài ra, Iberahim và cộng sự (2016) cũng đã khẳng định rằng sự đáp ứng kịp thời có mối quan hệ tích cực với sự hài lòng của khách hàng.
Khách hàng mong đợi phản hồi nhanh chóng và chính xác từ chatbot, điều này không chỉ giúp giải quyết vấn đề hiệu quả mà còn thể hiện sự quan tâm của doanh nghiệp Khi chatbot cung cấp thông tin chính xác và giải đáp câu hỏi nhanh, khách hàng cảm thấy được hỗ trợ và thấu hiểu, từ đó nâng cao sự hài lòng của họ.
H4: Sự Đáp ứng có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
Bảo mật là yếu tố quan trọng trong việc cung cấp dịch vụ, đảm bảo sự tự do khỏi nguy hiểm và rủi ro (Santos, 2003) Nó được coi là một yếu tố quyết định chất lượng dịch vụ trực tuyến (Yang, 2001) và ảnh hưởng đến sự hài lòng của khách hàng trong các tình huống không hài lòng (Szymanski và Hise, 2000; Zeithaml và cộng sự, 2000) Nghiên cứu của Li và cộng sự (2021) cho thấy tính bảo mật có tác động tích cực đến sự hài lòng của khách hàng trong dịch vụ ngân hàng.
Khi khách hàng tương tác với dịch vụ chatbot, việc cung cấp thông tin riêng tư là điều thường gặp Độ an toàn và bảo vệ thông tin cá nhân trong quá trình này ảnh hưởng lớn đến sự hài lòng của khách hàng Họ mong muốn dữ liệu mà mình chia sẻ được bảo mật và không bị rò rỉ Khi khách hàng cảm thấy tin tưởng vào khả năng bảo mật của chatbot, họ sẽ dễ dàng chia sẻ thông tin hơn Vì vậy, tác giả đưa ra giả thuyết rằng sự tin cậy trong bảo mật thông tin sẽ nâng cao trải nghiệm của khách hàng.
H5: Tính bảo mật có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
2.4.1.6 Độ tin cậy Độ tin cậy đại diện cho khả năng của trang web thực hiện đúng các yêu cầu và đúng hẹn (Parasuraman và cộng sự, 1988; Janda và cộng sự, 2002; Kim và Lee,
Độ tin cậy trong dịch vụ công nghệ thông tin đóng vai trò quan trọng, như được nhấn mạnh bởi Lee và Lin (2005) Theo Zhu và cộng sự (2002), độ tin cậy không chỉ ảnh hưởng đến sự hài lòng của khách hàng mà còn có tác động tích cực đến trải nghiệm của người dùng trong hệ thống ngân hàng điện tử.
PHƯƠNG PHÁP NGHIÊN CỨU
Thiết kế nghiên cứu
Nghiên cứu này nhằm định lượng và phân tích tác động của các yếu tố đến sự hài lòng của khách hàng với dịch vụ chatbot, đồng thời đề xuất những hàm ý quý giá cho các doanh nghiệp trong việc cải thiện và phát triển dịch vụ chatbot.
Hướng nghiên cứu dự kiến sẽ bao gồm việc thu thập và phân tích dữ liệu sau khi hoàn thành giai đoạn nghiên cứu tổng quan và xây dựng mô hình Mục tiêu cuối cùng là rút ra các kết luận và đề xuất những hàm ý cụ thể từ dữ liệu đã được phân tích.
Thang đo chất lượng dịch vụ Chatbot được phát triển dựa trên mô hình E-SERVQUAL của Valarie A Zeithaml, Parasuraman và Malhotra (2000) Tác giả đã thực hiện việc chỉnh sửa và bổ sung để đề xuất thang đo phù hợp với mô hình nghiên cứu Thang đo này được mã hóa theo thang đo Likert.
Mục tiêu và câu hỏi nghiên cứu
Xác định vấn đề nghiên cứu
Phân tích dữ liệu nghiên cứu
Xây dựng giải thiết và mô hình nghiên cứu
Nghiên cứu các khái niệm và lý thuyết
TÌm hiểu các nghiên cứu trước đây
Kết quả và kiến nghị
Hình 3.1: Quy Trình Nghiên Cứu
Bảng 3.1: Bảng Thang đo các thành phần nghiên cứu
STT Mã hóa Biến quan sát
I DS Tính dễ sử dụng
DS1 dễ dàng để truy cập vào chabot Ribbink và cộng sự (2004)
DS2 Cách sử dụng Chatbot thân thiện với người dùng
DS3 Điều hướng đến chatbot rất dễ dàng
DS4 Dễ dàng để làm quen với chatbot
II WD Thiết kế trang web cho chatbot
WD1 Thiết kế của chatbot hấp dẫn về mặt hình ảnh
Ribbink và cộng sự (2004) Lee và Lin (2005)
WD2 Giao diện của chatbot được thiết kế tốt về màu sắc và bố cục
WD3 Thông tin của chatbot trên trang web được hiện thị rõ ràng
WD4 Giao diện của chatbot tương thích trên nhiều thiết bị
III CN Cá nhân hóa
CN1 cảm thấy rằng nhu cầu cá nhân đã được đáp ứng khi sử dụng khi sử dụng chatbot
Ribbink và cộng sự (2004) Lee và Lin (2005)
CN2 Các đề xuất, gợi ý được cá nhân hóa dựa theo sở thích của khách hàng
CN3 Chatbot cung cấp thông tin và sản phẩm theo sở thích của khách hàng
CN4 Có các khuyến mãi riêng phù hợp cho khách hàng
IV DU Sự đáp ứng
DU1 Chatbot cung cấp các phương pháp xử lý khi gặp lỗi trong quá trình sử dụng
Thông báo cụ thể cách xử lý đối với những yêu cầu mà Chatbot không thực hiện được
DU3 Chotbot nhiệt tình hỗ trợ, trả lời khách hàng trong thời gian ngắn
BM1 Thông tin khách hàng được bảo mật Santos (2003)
BM2 Thông tin cá nhân không bị chia sẻ với các bên khác
BM3 Bên cung cấp dịch vụ có đầy đủ tính năng bảo mật
VI TC Độ tin cậy
TC1 Yêu cầu được thực hiện đúng như trên
Wolfinbarger và Gilly (2003) Lee và Lin (2005)
TC2 Có chính sách đảm bảo quyền riêng tư cho người dùng
TC3 Có chính sách bảo mật an toàn
VII HL Sự hài lòng của khách hàng
HL1 Chất lượng dịch vụ chatbot của doanh nghiệp tốt
HL2 Dịch vụ chatbot của doanh nghiệp sẽ được giới thiệu đến người khác
HL3 Khách hàng hài lòng với dịch vụ chatbot của doanh nghiệp
3.1.3 Thiết kế bảng câu hỏi khảo sát
Bảng đo chính thức được thiết kế với 1 biến phụ thuộc, 6 biến độc lập và 24 biến quan sát, nhằm thu thập dữ liệu cho nghiên cứu định lượng Bảng câu hỏi được chia thành 3 phần chính để phục vụ cho việc thu thập thông tin hiệu quả.
Phần 2: Các câu hỏi chọn lọc đối tượng đã từng sử dụng dịch vụ chatbot, các yếu tố về nhân khẩu học và đặc điểm của đối tượng
Phần 3: Đây là phần chính yếu trong bảng câu hỏi giúp khảo sát đánh giá sự hài lòng của khách hàng đối với dịch vụ chatbot tại Thành phố Hồ Chí Minh Tác giả lựa chọn sử dụng thang đo Likert để khảo sát với 5 mức độ từ 1 - Hoàn toàn không đồng ý đến 5 - Hoàn toàn đồng để đo lường các biến trong nghiên cứu.
Dữ liệu nghiên cứu
Theo nghiên cứu của Theo Hair và cộng sự (1998), để thực hiện phương pháp phân tích nhân tố khám phá (EFA), cần có ít nhất tỷ lệ quan sát thay đổi 5:1 Với 24 biến trong nghiên cứu này, số mẫu tối thiểu cần thiết là 120.
Theo Tabachnick và Fidell (2007), cỡ mẫu tối thiểu cần thiết cho nghiên cứu được tính theo công thức n >= 50 + 8k, với k là số biến độc lập Trong trường hợp này, với 6 biến, cỡ mẫu tối thiểu yêu cầu là n >= 96 Tuy nhiên, để đảm bảo tính khách quan và loại bỏ các phiếu khảo sát không hợp lệ, tác giả đặt mục tiêu thu thập ít nhất 300 mẫu nghiên cứu.
Nghiên cứu này áp dụng phương pháp chọn mẫu phi xác suất, tập trung vào đối tượng là người trẻ tuổi sống và làm việc tại Thành phố Hồ Chí Minh, những người đã có kinh nghiệm hoặc từng sử dụng các nền tảng có tích hợp dịch vụ chatbot.
Nghiên cứu này sẽ sử dụng bảng câu hỏi khảo sát để thực hiện cuộc khảo sát trực tuyến, chủ yếu qua nền tảng Facebook Sau khi thu thập dữ liệu, chúng tôi sẽ làm sạch dữ liệu để loại bỏ các phiếu khảo sát không phù hợp, trùng lặp và phản hồi không chính xác Cuối cùng, chúng tôi sẽ tiến hành phân tích dữ liệu nghiên cứu.
Phân tích và xử lý dữ liệu
Phương pháp xử lý dữ liệu trong nghiên cứu này sử dụng phần mềm SPSS để phân tích số liệu, với các kỹ thuật như phân tích nhân tố khám phá EFA, đánh giá độ tin cậy Cronbach’s Alpha, phân tích tương quan giữa các biến, và phân tích hồi quy tuyến tính đa biến nhằm kiểm định giả thuyết nghiên cứu.
3.4.1 Kiểm định độ tin cậy và đánh giá thang đo
Trước khi tiến hành phân tích nhân tố EFA, cần sử dụng hệ số tin cậy Cronbach's Alpha để loại bỏ các biến không phù hợp, nhằm ngăn chặn việc hình thành các yếu tố giả (Thọ & Trang, 2009).
Hệ số tin cậy Cronbach's Alpha chỉ ra mức độ liên kết giữa các đo lường mà không xác định biến nào nên loại bỏ Để xác định biến không đóng góp quan trọng cho khái niệm cần đo, cần tính toán hệ số tương quan giữa biến và tổng (Trọng & Ngọc, 2005) Các tiêu chí đánh giá độ tin cậy của thang đo là rất quan trọng trong quá trình này.
Để tối ưu hóa nghiên cứu, cần loại bỏ các biến quan sát có hệ số tương quan biến-tổng nhỏ hơn 0.3 Đồng thời, lựa chọn thang đo với độ tin cậy Alpha lớn hơn 0.6, vì Alpha càng cao thì độ tin cậy nội tại càng tốt (Nunnally & Bernstein, 1994).
Các mức giá trị của Alpha được phân loại như sau: giá trị trên 0.8 được coi là thang đo tốt; giá trị từ 0.7 đến 0.8 là chấp nhận được; và giá trị từ 0.6 trở lên có thể sử dụng cho các khái niệm mới trong bối cảnh nghiên cứu (Nunnally & Bernstein, 1978; Peterson, 1994; Slater, 1995).
Các biến quan sát có hệ số tương quan nhỏ hơn 0.4 sẽ không được coi là quan trọng và sẽ bị loại bỏ Thang đo chỉ được chấp nhận nếu hệ số tin cậy Alpha lớn hơn 0.7.
Nghiên cứu đánh giá thang đo dựa trên các tiêu chí quan trọng, bao gồm việc loại bỏ các biến quan sát có hệ số tương quan biến-tổng nhỏ hơn 0.4 và lựa chọn thang đo có độ tin cậy Alpha lớn hơn 0.6.
3.4.2 Phân tích nhân tố khám phá EFA
Phương pháp phân tích nhân tố khám phá (EFA) là một kỹ thuật phân tích đa biến tương tác, không phân biệt giữa biến phụ thuộc và biến độc lập, mà tập trung vào mối tương quan giữa các biến EFA giúp thu gọn một tập k biến quan sát thành một tập F các yếu tố có ý nghĩa chung hơn, dựa trên mối quan hệ tuyến tính giữa các yếu tố và biến quan sát.
Theo Meyers, Gamst, và Guarino (2016), phương pháp trích Principal Components Analysis kết hợp với phép xoay Varimax là cách phổ biến nhất trong phân tích nhân tố
Theo Hair, Andreson, Tahtam, và Black (1998), hệ số tải nhân tố (factor loading) là chỉ số đảm bảo tính thực tiễn của EFA:
Factor loading > 0.3 được xem là mức tối thiểu
Factor loading > 0.4 được xem là quan trọng
Factor loading > 0.5 được xem là có ý nghĩa thực tiễn
Các điều kiện để thực hiện phân tích nhân tố khám phá là cần đáp ứng:
Hệ số tải nhân tố (factor loading) > 0.5
0.5 ≤ KMO (Kaiser-Meyer-Olkin) ≤ 1: KMO là chỉ số đánh giá tính thích hợp của phân tích nhân tố KMO cao thể hiện phân tích nhân tố thích hợp
Kiểm định Bartlett có ý nghĩa thống kê khi giá trị Sig nhỏ hơn 0.05, cho thấy giả thuyết rằng các biến không có tương quan trong tổng thể bị bác bỏ Khi kết quả đạt ý nghĩa thống kê, điều này chứng tỏ có sự tồn tại mối tương quan giữa các biến trong tổng thể.
Phần trăm phương sai trích trên 50% cho thấy tỷ lệ biến thiên của các biến quan sát Khi giá trị này vượt quá 50%, phân tích nhân tố có khả năng giải thích hơn một nửa biến thiên của dữ liệu.
3.4.3 Phân tích tương quan giữa các biến
Kiểm định hệ số tương quan Pearson được sử dụng để xác định mối liên hệ tuyến tính giữa các biến Khi các biến độc lập có tương quan chặt chẽ với biến phụ thuộc, cần chú ý đến vấn đề đa cộng tuyến trong phân tích hồi quy, với giả thuyết H0 cho rằng hệ số tương quan bằng 0 Nếu biến độc lập có sự tương quan với biến phụ thuộc, điều này cho thấy một mối quan hệ tích cực.
3.4.4 Phân tích hồi quy tuyến tính
3.4.4.1 Kiểm định hệ số hồi quy
Nếu giá trị Sig trong bảng hệ số hồi quy của các yếu tố như Sự tin cậy, Sự phản hồi, Cam kết thực hiện, Bồi thường, Liên hệ, Tính hiệu quả và Tính bảo mật nhỏ hơn hoặc bằng 0.05, điều này cho thấy rằng các yếu tố này đều có ý nghĩa thống kê với độ tin cậy trên 95%.
3.4.4.2 Kiểm định mức độ phù hợp của mô hình Để đánh giá mức độ giải thích của mô hình, tác giả cần thực hiện kiểm định R bình phương hiệu chỉnh để xác định tỷ lệ (%) sự biến thiên của biến phụ thuộc được giải thích bởi 06 biến độc lập trong mô hình nghiên cứu
Sau khi hoàn thành kiểm định mức độ giải thích của mô hình, bước tiếp theo là kiểm định độ phù hợp của mô hình hồi quy thông qua kiểm định ANOVA Trị số thống kê F sẽ được sử dụng để đánh giá mức độ phù hợp này Nếu giá trị Sig ≤ 0.05, điều này cho thấy các biến độc lập có mối tương quan tuyến tính với biến phụ thuộc, cụ thể là sự hài lòng của khách hàng đối với dịch vụ chatbot tại thành phố Hồ Chí Minh.
Chương 3 trình bày các phương pháp nghiên cứu được sử dụng, bao gồm cả thiết kế nghiên cứu, cách thiết kế bảng câu hỏi, phương pháp thu thập dữ liệu, quá trình nghiên cứu và phân tích dữ liệu Chương này cũng trình bày các phương pháp phân tích dữ liệu được dùng trong nghiên cứu định lượng Tác giả đã áp dụng thang đo Likert với 5 cấp độ cho các biến, xây dựng bảng câu hỏi dựa trên các biến quan sát, tiến hành thu thập dữ liệu và sử dụng phần mềm SPSS để phân tích số liệu Ngoài ra, các kiểm định độ tin cậy, EFA, hồi quy tuyến tính cũng đã được thực hiện Kết quả chi tiết và tổng quan của nghiên cứu được trình bày trong Chương 4.
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Thống kê mô tả nghiên cứu
Bảng 4.1: Cơ cấu theo giới tính
Tiêu chí Phân Loại Số Lƣợng Tỷ Lệ
Sau khi phân tích dữ liệu khảo sát bằng phần mềm SPSS, kết quả cho thấy tỷ lệ nam giới tham gia khảo sát chiếm 56.6%, trong khi nữ giới chỉ chiếm 43.4% Điều này cho thấy số lượng khách hàng nam tham gia khảo sát cao hơn so với khách hàng nữ.
Bảng 4.2: Cơ cấu theo độ tuổi
Tiêu chí Phân Loại Số Lƣợng Tỷ Lệ Độ tuổi
Theo bảng 4.2, khách hàng sử dụng dịch vụ chatbot tại TPHCM chủ yếu thuộc nhóm tuổi từ 16 đến 22, chiếm 38.6% với 120 người Nhóm tuổi từ 23 đến 30 có 92 người, tương đương 29.6% Tiếp theo, nhóm 31 đến 40 tuổi có 77 người, chiếm 24.8% Cuối cùng, nhóm khách hàng từ 40 tuổi trở lên chỉ có 22 người, chiếm 7.1%.
Kết quả kiểm định độ tin cậy Cronbach’s Alpha
Trong nghiên cứu này, tác giả sử dụng công cụ Cronbach's Alpha để đảm bảo độ tin cậy của thang đo và phân tích tương quan giữa các biến quan sát Công cụ này cho phép loại bỏ các biến không phù hợp thông qua việc xem xét hệ số tương quan biến tổng và Hệ số Cronbach's Alpha nếu loại biến Nếu giá trị Cronbach's Alpha đạt từ 0.8 trở lên, thang đo được coi là đáng tin cậy, trong khi giá trị từ 0.7 đến 0.8 vẫn có thể sử dụng Giá trị từ 0.6 trở lên có thể chấp nhận nếu nghiên cứu liên quan đến các khái niệm mới hoặc vấn đề mới mẻ đối với người tham gia khảo sát Kết quả kiểm định Cronbach's Alpha được trình bày trong bảng dưới đây.
Bảng 4.3: Kết quả kiểm định Cronbach’s Alpha của các biến quan sát
Thang đo Biến quan sát
Phương sai thang đo nếu loại biến
Hệ số tương quan biến tổng
Hệ số Cronbach's Alpha nếu loại biến
Tính dễ sử dụng (DS)
Thiết kế trang web cho chatbot (WD)
Sự hài lòng của khách hàng đối với dịch vụ chatbot (HL)
Nguồn: Kết quả nghiên cứu
Kết quả kiểm định độ tin cậy thang đo của các nhân tố trong Bảng 4.3 cho thấy tất cả các nhân tố đều có hệ số Cronbach’s Alpha từ 0.6 trở lên và hệ số tương quan biến tổng lớn hơn 0.3 Điều này khẳng định rằng các thang đo đáp ứng yêu cầu về độ tin cậy theo Nunnally (1994) và Peterson (1994).
Kết quả phân tích nhân tố khám phá EFA
Tất cả các biến quan sát sẽ được phân tích thông qua phương pháp nhân tố khám phá để tổng hợp dữ liệu và xác định mối quan hệ giữa các biến có sự tương quan mật thiết.
Trong phân tích nhân tố EFA, Nguyễn Đình Thọ (2012) nhấn mạnh rằng khi áp dụng phép quay vuông góc, không nên đưa biến phụ thuộc cùng với biến độc lập vào phân tích Điều này là do các nhân tố trong phép quay vuông góc cần phải không có mối tương quan với nhau, tức là phải đảm bảo tính độc lập giữa các biến.
Theo Hair và cộng sự (2010), việc kết hợp các biến độc lập và biến phụ thuộc trong một phân tích nhân tố khám phá, sau đó kiểm tra các mối quan hệ phụ thuộc, là không phù hợp.
Theo Hair và cộng sự (2015), trong phân tích nhân tố khám phá, các biến không được phân chia thành biến phụ thuộc và độc lập Thay vào đó, tất cả các biến được phân tích đồng thời để xác định cấu trúc các nhân tố Do đó, kỹ thuật thực hiện phân tích nhân tố khám phá cần được xem xét thực hiện riêng cho từng nhóm biến độc lập và biến phụ thuộc.
Dựa trên các quan điểm đã nêu, tác giả sẽ tiến hành phân tích EFA (Phân tích yếu tố khám phá) riêng biệt giữa biến độc lập và biến phụ thuộc, vì mô hình đã xác định rõ ràng các biến này.
4.3.1 Phân tích nhân tố khám phá cho biến độc lập
Bảng 4.4: Kết quả kiểm định KMO cho biến độc lập
Kaiser-Meyer-Olkin Measure of Sampling Adequacy .781
Nguồn: Kết quả nghiên cứu
Kết quả phân tích nhân tố khám phá cho thấy hệ số KMO đạt giá trị 0.781, vượt mức 0.5, cho thấy dữ liệu phân tích là phù hợp Đồng thời, kiểm định Bartlett’s với mức ý nghĩa Sig = 0.000 nhỏ hơn 0.05 chứng minh rằng các biến quan sát có mối tương quan với nhau, đủ điều kiện để tiến hành phân tích nhân tố.
Bảng 4.5: Eigenvalues và Tổng phương sai trích cho biến độc lập
Initial Eigenvalues Extraction Sums of Squared
Nguồn: Kết quả nghiên cứu
Sử dụng phương pháp rút trích và phép quay Varimax, tác giả thu được kết quả 21 biến quan sát được chia thành 6 nhóm nhân tố
Kết quả bảng 4.5 Cho thấy Tổng phương sai trích (Total Variance Explained)
Mô hình EFA cho thấy mức độ phù hợp cao với 70.508% sự biến thiên của dữ liệu, vượt qua ngưỡng 50% Eigenvalue dừng lại ở nhân tố thứ sáu với giá trị 1.149, lớn hơn 1, xác nhận rằng các biến quan sát đã được sắp xếp thành sáu nhóm nhân tố, tất cả đều đạt yêu cầu.
Bảng 4.6: Bảng ma trận xoay các biến quan sát của biến độc lập
Hệ số tải nhân tố (factor loading)
Nguồn: Kết quả nghiên cứu
Theo bảng 4.6 trong ma trận xoay nhân tố, tất cả các biến quan sát đều có ý nghĩa khi các hệ số tải nhân tố lớn hơn 0.5, do đó không cần loại bỏ biến nào Sau khi xoay nhân tố, mỗi nhân tố tập trung vào nhóm của nó mà không có sự gộp hay tách biến vào các nhóm khác Kết quả từ phân tích nhân tố khám phá (EFA) cho phép tiếp tục sử dụng 6 biến độc lập trong nghiên cứu.
4.3.2 Phân tích nhân tố khám phá cho biến phụ thuộc
Bảng 4.7: Kết quả kiểm định KMO cho biến độc lập
Kaiser-Meyer-Olkin Measure of Sampling Adequacy .716
Nguồn: Kết quả nghiên cứu
Giá trị hệ số KMO đạt 0.716, vượt ngưỡng 0.5, cho thấy dữ liệu phân tích nhân tố đạt yêu cầu Kết quả kiểm định Bartlett’s với mức ý nghĩa Sig = 0.000, nhỏ hơn 0.05, chứng minh rằng các biến quan sát có mối tương quan và đủ điều kiện cho phân tích nhân tố.
Bảng 4.8: Eigenvalues và Tổng phương sai trích cho biến phụ thuộc
Initial Eigenvalues Extraction Sums of Squared
Nguồn: Kết quả nghiên cứu
Kết quả bảng 4.8 Cho thấy Tổng phương sai trích (Total Variance Explained)
= 74.154% >50% cho thấy mô hình EFA là phù hợp, thể hiện được 74.154% sự biến thiên của dữ liệu Trị số Eigenvalue = 2.225 > 1 phù hợp
Bảng 4.9: Bảng ma trận chƣa xoay của biến phụ thuộc
Hệ số tải nhân tố (factor loading)
Nguồn: Kết quả nghiên cứu
Bảng 4.9 cho thấy các biến quan sát của biến phụ thuộc đã hội tụ thành một nhóm nhân tố duy nhất, với tất cả hệ số tải nhân tố đều lớn hơn 0.5 Do đó, không cần loại bỏ bất kỳ biến quan sát nào, và điều này đảm bảo điều kiện sử dụng cho các bước nghiên cứu tiếp theo.
Phân tích tương quan Pearson
Bảng 4.10: Kết quả tương quan Pearson
DS WD CN DU BM TC HL
Nguồn: Kết quả nghiên cứu
Bảng 4.10 cho thấy giá trị Sig của 6 biến độc lập trong nghiên cứu đối với biến phụ thuộc đều nhỏ hơn 0.05, cụ thể là 0.000, cho thấy cả 6 biến độc lập đều có sự tương quan với biến phụ thuộc Hệ số tương quan giữa biến phụ thuộc và các biến độc lập lần lượt là: DS (0.394), WD (0.517), CN (0.484), DU (0.500), BM (0.609) và TC (0.538).
Phân tích hồi quy tuyến tính
Sau khi hoàn thành kiểm tra độ tin cậy bằng hệ số Cronbach's Alpha, tác giả tiến hành phân tích nhân tố khám phá (EFA) và phân tích tương quan dữ liệu nghiên cứu Bước tiếp theo là thực hiện phân tích hồi quy tuyến tính nhằm xác định các yếu tố ảnh hưởng và không ảnh hưởng, cũng như đo lường mức độ tác động của từng biến độc lập, bao gồm tính dễ sử dụng, thiết kế trang web cho chatbot và cá nhân hóa.
Sự đáp ứng , Tính Bảo Mật, Độ tin cậy) đối với biến phụ thuộc (Sự hài lòng của khách hàng đối với dịch vụ chatbot)
4.5.1 Kiểm tra độ phù hợp của mô hình
Bảng 4.11: Tóm tắt mô hình hồi quy b
Mô hình Giá trị R R bình phương
Sai số chuẩn của ƣớc lƣợng
1 812 a 660 653 44858 2.029 a Predictors: (Constant), TC, DS, WD, DU, CN, BM b Dependent Variable: HL
Nguồn: Kết quả nghiên cứu
Theo kết quả từ bảng 4.11, giá trị R bình phương hiệu chỉnh đạt 0.653 (65.30%), cho thấy mô hình có sự phù hợp tốt Điều này chỉ ra rằng các biến độc lập trong nghiên cứu giải thích được 65.30% sự biến thiên của biến phụ thuộc "Sự hài lòng của khách hàng đối với dịch vụ chatbot" tại TPHCM, trong khi 34.70% còn lại được giải thích bởi các yếu tố khác ngoài mô hình và sai số ngẫu nhiên.
Giá trị Durbin-Watson là 2.029, nằm trong khoảng 1.5 đến 2.5, cho thấy không có hiện tượng tự tương quan giữa các phần dư trong mô hình Điều này chứng tỏ mô hình hồi quy tuyến tính đã đáp ứng đầy đủ các điều kiện cần thiết để đánh giá và kiểm định độ phù hợp cho kết quả nghiên cứu.
4.5.2 Kiểm định tính phù hợp của mô hình
Bảng 4.12: Kết quả phân tích ANOVA
Mô hình Tổng bình phương Df Trung bình bình phuong F Sig
Nguồn: Kết quả nghiên cứu
Kiểm định F được sử dụng để xác định tính phù hợp của mô hình hồi quy Kết quả cho thấy hệ số Sig = 0.000, nhỏ hơn 0.05, và giá trị F = 98.306, điều này chứng tỏ mô hình hồi quy đang được áp dụng là phù hợp.
4.5.3 Kết quả kiểm định hệ số hồi quy
Bảng 4.13: Kết quả phân tích hồi quy
Hệ số chƣa chuẩn hóa
Hệ số đã chuẩn hóa t Sig
Thống kế đa cộng tuyến
B Sai số chuẩn Beta Độ chấp nhận
Hệ số phóng đại phương sai (VIF)
Nguồn: Kết quả nghiên cứu
Căn cứ kết quả phân tích hồi quy (bảng 4.13), một số nhận định có thể được trình bày như sau:
Kết quả từ mô hình hồi quy chỉ ra rằng các yếu tố như DS, WD, CN, DU, BM, và TC đều có hệ số Sig nhỏ hơn 0.05, cho thấy tất cả các yếu tố này đều được chấp nhận trong mô hình và có tác động đến kết quả nghiên cứu.
Sự hài lòng của khách hàng đối với dịch vụ chatbot
Hệ số phóng đại phương sai VIF (Variance Inflation Factor) nằm trong khoảng từ 1,160 đến 1,486, nhỏ hơn 2, cho thấy mô hình hồi quy không gặp hiện tượng đa cộng tuyến và có ý nghĩa thống kê, do đó các biến độc lập trong mô hình được chấp nhận.
Dựa vào kết quả nghiên cứu hồi quy, Tính dễ sử dụng (DS) có giá trị Sig = 0.000 < 0.05 và hệ số Beta chuẩn hóa là 0.153, cho thấy yếu tố này có tác động tích cực đến sự hài lòng của khách hàng Cụ thể, khi Tính dễ sử dụng tăng lên 1 đơn vị, sự hài lòng của khách hàng đối với dịch vụ chatbot sẽ tăng tương ứng 0.153 đơn vị.
Thiết kế trang web cho chatbot (WD) có ảnh hưởng tích cực đến sự hài lòng của khách hàng, với giá trị Sig = 0.000 < 0.05 và hệ số Beta chuẩn hóa là 0.273 Khi yếu tố thiết kế này tăng lên 1 đơn vị, sự hài lòng của khách hàng đối với dịch vụ chatbot sẽ tăng tương ứng 0.273 đơn vị.
Biến độc lập Cá nhân hóa (TC): Dựa vào kết quả nghiên cứu hồi quy, giá trị
Kết quả nghiên cứu cho thấy yếu tố Cá nhân hóa có tác động tích cực đến sự hài lòng của khách hàng đối với dịch vụ chatbot, với hệ số Beta chuẩn hóa là 0.172 và giá trị Sig = 0.000 < 0.05 Điều này có nghĩa là khi mức độ Cá nhân hóa tăng lên 1 đơn vị, sự hài lòng của khách hàng sẽ tăng tương ứng 0.172 đơn vị.
Biến độc lập Sự đáp ứng (DU): Dựa vào kết quả nghiên cứu hồi quy, giá trị
Kết quả phân tích cho thấy Sig = 0.000 < 0.05 và hệ số Beta chuẩn hóa là 0.191, chỉ ra rằng yếu tố Sự đáp ứng có tác động tích cực đến sự hài lòng của khách hàng Cụ thể, khi Sự đáp ứng tăng thêm 1 đơn vị, Sự hài lòng của khách hàng đối với dịch vụ chatbot sẽ tăng lên 0.191 đơn vị.
Theo kết quả nghiên cứu hồi quy, yếu tố Tính bảo mật (BM) có giá trị Sig = 0.000, nhỏ hơn 0.05, và hệ số Beta chuẩn hóa là 0.243 Điều này cho thấy Tính bảo mật có tác động tích cực đến biến phụ thuộc; cụ thể, khi Tính bảo mật tăng lên 1 đơn vị, biến phụ thuộc cũng sẽ tăng theo.
Sự hài lòng của khách hàng đối với dịch vụ chatbot tăng tương ứng 0.243 đơn vị
Biến độc lập Độ tin cậy (TC): Dựa vào kết quả nghiên cứu hồi quy, giá trị
Kết quả phân tích cho thấy Sig = 0.000 < 0.05 và hệ số Beta chuẩn hóa đạt 0.244, cho thấy yếu tố Độ tin cậy có tác động tích cực đến Sự hài lòng của khách hàng Cụ thể, khi Độ tin cậy tăng lên 1 đơn vị, Sự hài lòng của khách hàng đối với dịch vụ chatbot cũng tăng tương ứng 0.244 đơn vị.
Phương trình hồi quy chuẩn hóa:
HL = 0.153DS + 0.273WD + 0.172TC + 0.191DU + 0.243BM + 0.244TC + ε
Bảng 4.14: Mức độ ảnh hưởng của các biến độc lập đến biến phụ thuộc
Biến độc lập Hệ số Beta đã chuẩn hóa Xếp hạng mức độ ảnh hưởng
Thiết kế trang web cho chatbot 273 1 Độ tin cậy 244 2
Nguồn: Kết quả nghiên cứu
4.5.4 Kiểm định các giả định của hồi quy tuyến tính
Sau khi hoàn tất phân tích hồi quy, tác giả tiến hành kiểm tra để đảm bảo các giả định hồi quy được tuân thủ Bước kiểm tra này rất quan trọng, vì tính tin cậy của kết quả phân tích chỉ được xác nhận khi các giả định không bị vi phạm.
4.5.4.1 Phân phối chuẩn của phần dƣ
Nguồn: Kết quả nghiên cứu
Dựa vào biểu đồ 4.1, có thể thấy sự tương thích giữa đường cong phân phối chuẩn và đồ thị của phân phối chuẩn Giá trị trung bình (Mean) là -6.17E-15, gần bằng 0, trong khi giá trị độ lệch chuẩn (Std Dev) là 0.99, xấp xỉ bằng 1 Điều này cho thấy phân phối phần dư gần như tuân theo phân phối chuẩn Vì vậy, giả thuyết về phân phối chuẩn của phần dư được xác nhận là không bị vi phạm.
4.5.4.2 Kiểm định liên hệ tuyến tính
Biểu đồ 4.1: Tần số phần dƣ chuẩn hóa Histogram
Nguồn: Kết quả nghiên cứu
Biểu đồ phân tán Scartter Plot (biểu đồ 4.2) cho thấy phần dư chuẩn hóa phân bổ tập trung quanh đường tung độ 0, cho phép kết luận rằng giả định về mối quan hệ tuyến tính không bị vi phạm.
4.5.5 Tóm tắt kết quả chạy hồi quy
Bảng 4.15: Tổng hợp kết quả kiểm định giả thuyết
Giả thuyết Nội dung Đánh giá
Tính dễ sử dụng có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
Thiết kế trang web cho chatbot có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
Cá nhân hóa có tác động tích cực đến
Sự hài lòng của khách hàng đối với dịch vụ chatbot
Sự Đáp ứng có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot
Biểu đồ 4.2: Biểu đồ phân tán Scatter Plot
Tính bảo mật có tác động tích cực đến
Sự hài lòng của khách hàng đối với dịch vụ chatbot
H6 Độ tin cậy có tác động tích cực đến Sự hài lòng của khách hàng đối với dịch vụ chatbot