Trải nghiệm khách hàng với công nghệ trí tuệ nhân tạo trong du lịch thông minh

Qua đó, rất ít nghiên cứu trong và ngoài nước tìm hiểu về trải nghiệm thông qua các giá trị tiêu dùng dịch vụ mà khách hàng nhận được trong du lịch thông minh với công nghệ AI.. Nghiên c

CƠ SỞ LÝ THUYẾT

Cơ sở lý thuyết

2.1.1 Trí tuệ nhân tạo trong du lịch thông minh (AI In Smart Tourism)

Trí tuệ nhân tạo (Artificial Intelligence - AI) là sự phát triển của hệ thống máy tính giải quyết các nhiệm vụ được giả lập dựa theo trí thông minh của con người AI là một sự đổi mới của công nghệ thông tin nhằm tạo điều kiện thuận lợi cho các hoạt động kinh doanh của một tổ chức (Prentice, Dominique Lopes, et al., 2020; Prentice, Han, et al., 2019; Prentice, Wang, et al., 2019) AI ngày càng được sử dụng rộng rãi trong nhiều lĩnh vực như sản xuất, công nghiệp ô tô, ngân hàng, dịch vụ tài chính, chăm sóc sức khỏe, bảo hiểm, viễn thông, năng lượng và đặc biệt là trong lĩnh vực du lịch và lữ hành (Samala et al., 2020) Điều này đã mở ra một xu hướng mới trong du lịch chính là du lịch thông minh Du lịch thông minh ứng dụng công nghệ thông minh vào lĩnh vực du lịch với mục đích gia tăng trải nghiệm và tạo ra giá trị gia tăng cho khách hàng cao hơn thông qua việc nâng cao các giá trị kết nối, tương tác, cá nhân hóa và đồng sáng tạo (Azis et al., 2020; Wang et al., 2021) Đây là một xu hướng ấn tượng trong ngành du lịch với một hệ sinh thái đều dựa trên cơ sở thu thập dữ liệu và trao đổi thông tin trên các nền tảng công nghệ (Pai et al., 2020) Các bài nghiên cứu trước đây đã cho biết rằng du lịch thông minh bao gồm tất cả các loại ứng dụng và nguồn thông tin trực tuyến như: đại lý du lịch trực tuyến, blog, trang mạng, phương tiện truyền thông xã hội, điện thoại thông minh, ứng dụng, (Jeong & Shin, 2020) Các học giả khác đã kết hợp chúng với nhau để tạo ra hệ thống công nghệ như hệ thống hỗ trợ quyết định, cảm ứng thông minh, thiết bị kết nối di động, chatbot, robot, hệ thống dịch thuật ngôn ngữ, hệ thống định vị, trợ lý ảo, thực tế ảo/thực tế tăng cường (VR/AR), ứng dụng di động, phương thức thanh toán tích hợp, thẻ thông minh, điện toán đám mây, radio nhận dạng tần số, …(Azis et al., 2020; Huang et al., 2017;

Samala et al., 2020) Qua đó, có thể đúc kết rằng du lịch thông minh là việc áp dụng công nghệ hiện đại như AI (bao gồm nhận dạng khuôn mặt, thực tế ảo/thực tế tăng cường, chatbot, robot, hệ thống định vị, hệ thống ngôn ngữ, dịch vụ tối ưu hóa, …) để nâng cao trải nghiệm của khách hàng, tạo điều kiện cho các du khách sử dụng dịch vụ du lịch một cách thuận tiện, chất lượng và có giá trị

Những năm gần đây, nhiều nghiên cứu về du lịch thông minh xuất hiện với đa dạng ngữ cảnh khác nhau Azis et al (2020) đã tìm hiểu sự tác động của công nghệ du lịch thông minh và trải nghiệm du lịch đáng nhớ đến sự hài lòng và lòng trung thành với điểm đến của khách du lịch Pai et al (2020) nghiên cứu về sự hài lòng với trải nghiệm của khách hàng ảnh hưởng đến ý định quay lại thông qua các tính đặc trưng của công nghệ AI Ameen et al (2021) đã phân tích cách tích hợp AI trong mua sắm dẫn đến trải nghiệm khách hàng qua AI được cải thiện dựa trên niềm tin và chất lượng dịch vụ Li et al (2022) còn khám phá tác động của du lịch không chạm AI đến chất lượng dịch vụ thông qua vai trò trung gian của tâm lý và giá trị cảm nhận của khách hàng Nghiên cứu của Rather (2020) đã xem xét sự tham gia du lịch của khách hàng ảnh hưởng đến hoạt động marketing trải nghiệm, từ đó tạo nên ý định hành vi của du khách về điểm đến du lịch Dung (2021) đã phát hiện các yếu tố ảnh hưởng đến ý định sử dụng ứng dụng du lịch trên điện thoại dựa vào lý thuyết chấp nhận công nghệ tại môi trường Việt Nam Tóm lại, các nghiên cứu trước đây thường tìm hiểu về sự chấp nhận công nghệ thông minh như AI/VR/AR, sự tác động của công nghệ đến ý định, hành vi hoặc thái độ của khách hàng Thế nhưng, rất ít nghiên cứu nói về tác động của các tiện ích AI đến trải nghiệm khách hàng trong lĩnh vực du lịch thông minh Bên cạnh đó, các nghiên cứu thường tập trung nhấn mạnh kết quả trải nghiệm dịch vụ như sự hài lòng, lòng trung thành hay những hành động phản hồi của khách hàng như ý định quay lại, đồng sáng tạo hoặc truyền miệng Vì thế, nghiên cứu này sẽ chủ yếu khám phá về trải nghiệm dịch vụ đa cấu trúc thông qua giá trị cảm nhận của khách hàng từ các tiện ích cung cấp dịch vụ du lịch thông minh từ AI

Một số nghiên cứu đã xác định cấu trúc đặc trưng của công nghệ du lịch thông minh gồm có: khả năng tiếp cận (accessibility), tiện ích thông tin (informativeness), sự tương tác (interactivity), tính cá nhân hóa (personalization) và tính bảo mật (security) (Azis et al., 2020; Huang et al., 2017; Jeong & Shin, 2020; H Lee et al., 2018; No & Kim, 2015; Pai et al., 2021) Ngoài ra, một số đặc tính khác của AI được đưa vào nghiên cứu nhằm tìm hiểu tác động của công nghệ này đến trải nghiệm khách hàng, có thể kể đến là tính khả dụng (usability) và tính phản hồi (responsiveness) (Chen et al., 2021) Trong nghiên cứu này, ba đặc trưng gắn liền với lợi ích AI mang lại trong trải nghiệm du lịch thông minh gồm có cá nhân hóa (personalization), tính phản hồi (responsiveness) và khả năng tiếp cận (accessibility) Cụ thể, AI trong du lịch thông minh có thể dự đoán được các yêu cầu của khách hàng như các điểm tham quan, ăn uống, giải trí từ đó đưa ra các lời khuyến nghị, đề xuất các địa điểm, hoạt động giải trí mang tính cá nhân hóa cao, phù hợp với những nhu cầu và mong muốn cho du khách trong quá trình du lịch (Tsaih & Hsu, 2018; Wang et al., 2021) Dựa trên thống kê thời gian thực của dữ liệu địa điểm du lịch và kho dữ liệu lớn, AI có khả năng nâng cao trải nghiệm của khách hàng dựa trên việc cung cấp thông tin và dịch vụ một cách nhanh chóng thông qua Robot và Chatbot Đồng thời, AI có khả năng phản hồi một cách nhanh chóng, dễ dàng và có thể liên hệ bất cứ lúc nào (Chen et al., 2021) AI còn tạo sự thuận lợi và tiết kiệm nhiều thời gian cho du khách khi họ muốn tìm kiếm sự trợ giúp với nhiều thông tin phong phú và hữu ích (Jeong & Shin, 2020; H Lee et al., 2018; Pavlou et al., 2007) Cùng với đó, các thiết bị kết nối nhiều công cụ và nguồn tài nguyên đa dạng khác tạo điều kiện tiếp cận cho du khách đến các dịch vụ và thông tin từ sự hỗ trợ của AI (Azis et al., 2020; Jeong & Shin, 2020) Ba tiện ích đem lại nhiều giá trị cho du khách trong quá trình du lịch từ việc tiếp cận đến cung cấp thông tin đúng lúc và phù hợp với mong muốn của từng cá nhân, sự hữu dụng ở bất kỳ thời điểm và không gian giúp cho khách hàng nhận được nhiều giá trị có lợi, qua đó nâng cao trải nghiệm trở nên đặc biệt và đáng nhớ.

Bảng 2.1: Các nghiên cứu liên quan

Nghiên cứu Cơ sở nghiên cứu Biến độc lập Biến trung gian Biến phụ thuộc Kết quả chính

Nghiên cứu này tìm hiểu trải nghiệm của khách hàng đối với ứng dụng di động dưới góc nhìn là một kênh tiếp thị mới để quảng bá dịch vụ và sản phẩm với mô hình mở rộng chấp nhận công nghệ (TAM)

Trải nghiệm (giáo dục, thoát ly, thẩm mỹ và giải trí) Ý định hành vi

Nghiên cứu chứng minh rằng tính dễ sử dụng và tính hữu ích có tác động tích cực đến trải nghiệm sử dụng dịch vụ khách sạn trên ứng dụng di động, qua đó người tiêu dùng có khả năng chấp nhận công nghệ cao hơn

Nghiên cứu tập trung đánh giá cách khách du lịch sử dụng công nghệ thông minh tại các điểm đến và đo lường tác động của việc sử dụng công nghệ du lịch thông minh đến trải nghiệm tổng thể và ý định quay lại trong tương lai

Sự hài lòng Ý định quay lại

Các phát hiện cho thấy rằng tính thông tin, tính tương tác và cá nhân hóa là những yếu tố chính ảnh hưởng đến trải nghiệm, sự hài lòng và ý định quay lại của khách du lịch Mức độ bảo mật/riêng tư điều tiết mối quan hệ giữa thuộc tính công nghệ du lịch thông minh và trải nghiệm đáng nhớ

Nghiên cứu Cơ sở nghiên cứu Biến độc lập Biến trung gian Biến phụ thuộc Kết quả chính

Nghiên cứu có mục đích là khám phá mối quan hệ giữa trải nghiệm du lịch và ý định quay lại của khách hàng thông qua trải nghiệm với các tính năng như tính thông tin, khả năng tiếp cận, tính tương tác, cá nhân hóa và tính bảo mật

Trải nghiệm có nhận thức từ công nghệ du lịch thông minh

Trải nghiệm du lịch Ý định quay lại

Kết quả cho thấy tính tương tác là yếu tố quan trọng nhất tác động đến trải nghiệm công nghệ du lịch thông minh Trải nghiệm công nghệ du lịch thông minh được chứng minh là có liên quan đáng kể đến ý định quay lại Điều này giúp cho các nhà quản lý nâng cao trải nghiệm nhờ vào nâng cấp công nghệ thông minh

Mục đích của nghiên cứu này là xem xét công nghệ du lịch thông minh và trải nghiệm du lịch đáng nhớ ảnh hưởng như thế nào đến sự hài lòng của khách du lịch và lòng trung thành của điểm đến du lịch

Công nghệ du lịch thông minh

Trải nghiệm du lịch đáng nhớ

Lòng trung thành với địa điểm du lịch

Kết quả cho thấy khả năng tiếp cận và tính thông tin đóng vai trò quan trọng như động lực quan trọng của công nghệ du lịch thông minh, tiếp theo là tính tương tác và cá nhân hóa Bên cạnh đó, khách du lịch thích đến thăm một điểm đến nếu khả năng tiếp cận và thông tin được phát cung cấp đầy đủ

Nghiên cứu Cơ sở nghiên cứu Biến độc lập Biến trung gian Biến phụ thuộc Kết quả chính

Nghiên cứu đặt bối cảnh AI là một dịch vụ thương mại thúc đẩy trải nghiệm Đặc biệt, mối quan hệ giữa nhận thức của khách hàng về chất lượng dịch vụ AI, sự hài lòng và mức độ gắn kết được xem xét dưới tác động điều tiết của sự ưu tiên đối với AI

Chất lượng dịch vụ có AI

Sự hài lòng về thông tin từ AI

Sự hài lòng về hệ thống AI

Sự gắn kết của khách hàng

Kết quả chứng minh mối quan hệ có nghĩa giữa hiệu quả chất lượng dịch vụ AI, nhận thức về chất lượng dịch vụ, sự hài lòng về AI và mức độ tương tác của khách hàng Sự ưu tiên đối với

AI có tác động đến mối quan hệ giữa chất lượng thông tin và sự hài lòng

Nghiên cứu xem AI (cụ thể là chatbot) tác động đến trải nghiệm người dùng trong bối cảnh các doanh nghiệp cung cấp dịch vụ chatbox trong thời đại truyền thông kỹ thuật số

Sự hấp dẫn trên truyền thông Đại diện tính xã hội

Rủi ro về quyền riêng tư

Sự hài lòng Tiếp tục sử dụng

Phát triển giả thuyết

2.2.1 Tiện ích AI và giá trị tiêu dùng

2.2.1.1 Tính cá nhân hóa (Personalization)

Tính cá nhân hóa là một trong những đặc điểm nổi bật của công nghệ AI (Zanker et al., 2019) Tính cá nhân hóa là khả năng chọn lọc, điều chỉnh nội dung của khách hàng để tìm ra nội dung có khả năng được yêu thích và từ đó mang đến trải nghiệm tích cực độc nhất (Bilgihan et al., 2016; McLean et al., 2018) Những lợi ích của tính năng cá nhân hóa có được nhờ vào hoạt động thu thập và phân tích dữ liệu liên tục của AI (Ameen et al., 2021) với những mô hình và thuật toán dự đoán chính xác nhu cầu và mong muốn của người dùng (Zanker et al., 2019) Trong bối cảnh du lịch thông minh, Huang et al (2017) xác định tính cá nhân hóa giúp khách du lịch nhận được thông tin cụ thể và thú vị để đáp ứng nhu cầu lên kế hoạch du lịch cho bản thân

No and Kim (2015) còn đề cập đến cá nhân hóa như một mối quan tâm của cá nhân khách hàng đến một dịch vụ cụ thể Những sở thích, mong muốn, quan tâm, tò mò,

…được AI điều chỉnh và đề xuất để khách du lịch có thể ra quyết định lựa chọn Ở một số địa điểm thông minh, doanh nghiệp còn cung cấp tiện ích cá nhân hóa của AI như một dịch vụ riêng biệt để đáp ứng nhu cầu trải nghiệm của khách du lịch Tóm lại, nghiên cứu này nhận thấy rằng tính cá nhân hóa là một tiện ích thiết yếu của AI với khả năng thu thập và phân tích dữ liệu để chọn lọc và đề xuất thông tin như loại hình dịch vụ, món ăn, địa điểm tham quan, …phù hợp với nhu cầu và mong muốn của khách du lịch thông minh

Nhờ có tính cá nhân hóa, khách du lịch có thể đạt được lợi ích kinh tế như tiết kiệm thời gian, giảm chi phí tìm kiếm, gia tăng sự lựa chọn, tiết kiệm tiền, thỏa mãn cảm xúc, (Choi et al., 2017), cho thấy giá trị mà khách hàng nhận được và chi trả là sự chênh lệch có lợi cho khách hàng Với khái niệm của giá trị cảm nhận là sự đánh giá tổng thể giữa được và mất của người tiêu dùng về sản phẩm hoặc chất lượng dịch vụ (Zeithaml, 1988), tính cá nhân hóa cao sẽ khiến khách hàng cảm thấy rằng họ đang nhận được nhiều lợi ích và tạo nên trải nghiệm tích cực (McLean et al., 2018) Khi khách hàng trải nghiệm với công nghệ thông minh, họ sẽ có hướng cảm thấy ít nhạy cảm hơn những gì họ đang bỏ ra (Knight, 2018) Ở nghiên cứu của Choi et al (2017), cá nhân hóa thông tin về giá dựa trên hệ thống định vị đã giúp cho khách du lịch đạt được lợi ích tài chính rất lớn, đồng thời hoạt động định giá cá nhân hóa giúp người dùng đưa ra quyết định sáng suốt hơn Cá nhân hóa chính là một trong những chức năng quan trọng để gia tăng sự tương tác từ việc luôn nâng cấp quy trình và phương thức mới mẻ dựa trên dữ liệu (Chen et al., 2012; Zanker et al., 2019) Do đó, nghiên cứu nhận thấy tính cá nhân hóa của AI giúp khách hàng có sự thuận tiện và lợi ích cao hơn nhờ vào thông tin gợi ý hữu ích, giúp tiết kiệm công sức của khách hàng trong việc tìm kiếm hay ra quyết định lựa chọn như chọn điểm đến, dịch vụ khách sạn/ăn uống, định vị, nơi tham quan, vui chơi, Vì thế, giả thuyết nghiên cứu được phát triển như sau:

H1: Cá nhân hóa tác động tích cực đến Giá trị tiện lợi

H2: Cá nhân hóa tác động tích cực đến Giá trị tương tác

H3: Cá nhân hóa tác động tích cực đến Giá trị thông tin

Một tiện ích quan trọng khác của dịch vụ du lịch thông minh AI là tính phản hồi (Li et al., 2022) Đã có nhiều nghiên cứu nhấn mạnh nhu cầu tiết kiệm thời gian và cung cấp dịch vụ cho khách hàng dành của các nhà cung cấp công nghệ tự phục vụ (Self- service technologies) như máy bán hàng tự động, ứng dụng gọi đồ ăn, máy tự thanh toán, máy kiosk, …ở nhà hàng, khách sạn hoặc địa điểm du dịch hiện đại (Othman et al., 2020) Tính phản hồi của công nghệ thông minh AI là trạng thái sẵn sàng đáp ứng mọi nhu cầu của khách hàng của hệ thống công nghệ với mục đích cung cấp dịch vụ nhanh chóng nhờ vào tính linh hoạt và tốc độ phản hồi nhanh chóng, hiệu quả (Li et al., 2022) Tính phản hồi đã được đa số học giả đánh giá là một khía cạnh quan trọng trong khái niệm chất lượng dịch vụ thuộc lĩnh vực khách sạn, cho đến ngày nay tính năng này cũng được chú ý và nghiên cứu trong bối cảnh dịch vụ AI (Prentice & Nguyen, 2020) Vì thế, nghiên cứu xác định tính phản hồi là khả năng đáp ứng yêu cầu của khách hàng khi họ sử dụng, tương tác với các tiện ích hoặc dịch vụ du lịch hỗ trợ bởi AI Khi tham gia du lịch thông minh, tính phản hồi giúp khách du lịch truy cập công cụ công nghệ một cách nhanh chóng, được giải đáp thắc mắc hoặc phục vụ kịp thời, từ đó tiết kiệm thời gian, công sức chờ đợi so với việc cung cấp dịch vụ du lịch truyền thống

Khi các tiện ích AI như chatbot hoặc robot phản hồi thích hợp và kịp lúc cho yêu cầu của khách hàng, nó thể hiện khả năng ấn tượng dịch vụ AI đạt mong đợi của khách du lịch (Samala et al., 2020) Chính nhờ vào sự linh hoạt và phản hồi trong thời gian ngắn, AI trong du lịch thông minh mang sự tiện lợi khi cung cấp dịch vụ cho khách hàng (Chung et al., 2020; Van den Broeck et al., 2019) Vì thế, tính phản hồi có thể ảnh hưởng trực tiếp đến giá trị cảm nhận của khách hàng (Li et al., 2022) So với những yếu tố khó lường hoặc thường thay đổi đột ngột như nhân viên trong cung cấp dịch vụ truyền thống, tính phản hồi của AI có thể hệ thống nhận dạng và phân tích dữ liệu lớn, tạo sự gắn kết chặt chẽ giữa khách hàng và nhà cung cấp dịch vụ nhờ vào tương tác hữu ích (Lin & Hsieh, 2011; Prentice & Nguyen, 2020) Các dịch vụ AI phân tích nhiều dữ liệu và hệ thống nhận dạng con người sẽ thúc đẩy phản hồi khách hàng nhanh nhạy và chính xác (Li et al., 2021), giúp du khách nhận được những thông tin cần thiết trong thời gian sớm nhất Qua đó, tính phản hồi mang lại lợi ích thuận tiện cho khách hàng về mặt thời gian và công sức trong việc cung cấp dịch vụ hiệu quả và năng suất hơn So với việc cung cấp dịch vụ truyền thống bởi con người, sự tương tác giờ đây trở nên nhanh chóng hơn và tạo cảm giác thoải mái cho khách hàng Thông tin được cung cấp sẽ trở nên chính xác vì mức độ phân tích và phản hồi trong thời gian thực của AI điều chỉnh phù hợp với khách hàng Vì thế, nghiên cứu phát triển giả thuyết sau:

H4: Tính phản hồi tác động tích cực đến Giá trị tiện lợi

H5: Tính phản hồi tác động tích cực đến Giá trị tương tác

H6: Tính phản hồi tác động tích cực đến Giá trị thông tin

2.2.1.3 Khả năng tiếp cận (Accessibility)

Kim and Garrison (2009) và H Lee et al (2018) đã đề cập đến vai trò thiết yếu của khả năng tiếp cận trong dịch vụ du lịch vì tiện ích này có thể ảnh hưởng trực tiếp quyết định trong nhận thức của người tiêu dùng dịch vụ (Muhtaseb et al., 2012) Theo

Jeong and Shin (2020), khả năng tiếp cận là mức độ một cá nhân truy cập và sử dụng nguồn tài nguyên được cung cấp tại địa điểm du lịch với các công nghệ thông minh khác nhau Khi khả năng tiếp cận càng cao, khách hàng càng dễ dàng nhận được và sử dụng nguồn thông tin và dịch vụ trực tuyến (No & Kim, 2015; Um & Chung,

2021) Tiện ích này cũng giúp tạo cảm giác dễ chấp nhận sử dụng, vì thế khách du lịch sẽ khai thác nhiều thông tin hơn nhằm nâng cao trải nghiệm du lịch của họ (Pai et al., 2021) Qua đó, nghiên cứu này nhận định khả năng tiếp cận là mức độ khách du lịch có thể truy cập, kết nối và khai thác các nguồn tài nguyên ở điểm đến du lịch như thông tin, dịch vụ công nghệ cao như internet, cảm ứng thông minh, hệ thống định vị, …một cách dễ dàng trong bối cảnh du lịch thông minh cùng AI

Domínguez Vila et al (2019) đã chỉ ra rằng công nghệ du lịch thông minh đóng một vai trò thiết yếu trong việc thu hút du khách tiềm năng Cũng vì thế, khả năng tiếp cận trở nên quan trọng tại các điểm đến du lịch trong việc ảnh hưởng đến ý định và hành vi của khách hàng (Mohammad Shafiee & Es-Haghi, 2017) Bởi vì những nguồn tài nguyên này luôn có sẵn và có thể sử dụng bất cứ lúc nào nên khách du lịch cảm thấy thuận tiện hơn với các nguồn tài nguyên du lịch truyền thống, tạo nên phản hồi hành vi như lựa chọn ở lại du lịch với thời gian dài hơn hoặc ý định quay lại Thậm chí các dịch vụ thông minh có thể dự đoán trước những gì khách hàng cần trước khi họ nhận ra nhu cầu đó (Kabadayi et al., 2019) Với mức độ kết nối càng cao, du khách có thể nhận được lợi ích về sự thuận tiện khi cảm giác đáp ứng nhu cầu toàn diện ngoài kì vọng trong chuyển du lịch của mình Thông tin, hệ thống công nghệ như internet, wifi, định vị, nhận dạng, cảm ứng, …là nguồn tài nguyên sẵn có và được sử dụng bất cứ mọi lục ở các điểm đến thông minh, giúp tiết kiệm công sức và giảm thiểu rắc rối cho khách du lịch Sự tiếp cận này là hai chiều nên khách hàng cũng có thể kết nối với nhiều người dùng khác để trao đổi, chia sẻ thông tin và liên lạc với nhau (H Lee et al., 2018) Do đó, giả thuyết được phát biểu như sau:

H7: Khả năng tiếp cận tác động tích cực đến Giá trị tiện lợi

H8: Khả năng tiếp cận tác động tích cực đến Giá trị tương tác

H9: Khả năng tiếp cận tác động tích cực đến Giá trị thông tin

2.2.2 Giá trị tiêu dùng và trải nghiệm khách hàng

2.2.2.1 Giá trị tiện lợi (Convenience)

Lý thuyết TCV giải thích rằng giá trị chức năng là động cơ chủ yếu cho sự lựa chọn của người tiêu dùng thể hiện qua các đặc điểm hoặc thuộc tính có ích của sản phẩm, dịch vụ Với nghiên cứu về hành vi lựa chọn dịch vụ tài chính trên thiết bị di động, Pura (2005) đã phát triển giá trị chức năng trở nên cụ thể hơn, chính là giá trị tiện lợi Giá trị tiện lợi thể hiện qua các dịch vụ thực hiện các chức năng, tác vụ của nó một cách hiệu quả, dễ dàng và nhanh chóng Trong môi trường tiêu dùng dịch vụ du lịch thông minh, công nghệ có thể đẩy nhanh quá trình ra quyết định của khách hàng vì thuật toán thông minh nắm rõ thông tin và sở thích của người dùng, từ đó đưa ra những lựa chọn có sự thuyết phục cao nhất Các dịch vụ thông minh còn có thể cắt giảm hoặc loại bỏ thời gian chờ đợi thông qua công nghệ nhận dạng khuôn mặt, nhận dạng mắt hoặc dấu vân tay để tiết kiệm thời gian, công sức cho khách hàng (Kabadayi et al., 2019) Có thể thấy, tiêu dùng dịch vụ thông minh giúp tiết kiệm công sức của người tiêu dùng rất nhiều so với những dịch vụ được cung cấp theo cách truyền thống, hoặc sự tiện lợi được hiểu đơn giản là khả năng sử dụng một thứ gì đó theo cách dễ dàng nhất (Ray et al., 2019) Nghiên cứu nhận thấy giá trị lớn nhất khi sử dụng công nghệ thông minh như AI trong du lịch là sự tiện lợi mà công nghệ mang đến cho trải nghiệm của khách hàng Trước đây, sự tiện lợi của dịch vụ được định nghĩa là khả năng hoàn thành công việc, nhiệm vụ hoặc hoạt động nào đó trong khoảng thời gian ngắn nhất công sức ít nhất (Morganosky, 1986) Một dịch vụ thuận tiện còn thể hiện qua việc tiết kiệm thời gian, công sức, nỗ lực và chi phí của khách hàng để khuyến khích họ chủ yếu quan tâm đến phần dịch vụ (Ameen et al., 2021; Anshu et al., 2022) Sau cuộc khủng hoảng của đại dịch COVID19, sự thuận tiện về điểm đến được xem là một yếu tố quan trọng hơn hết (Meyer, 2020), đặc biệt là trong lĩnh vực du lịch Sự tiện lợi của các dịch vụ hỗ trợ AI biểu hiện qua ba khía cạnh chủ chốt (Ameen et al.,

2021) Thứ nhất, vì dịch vụ được hỗ trợ bởi AI hoạt động và khả năng sử dụng ở bất kể lúc nào nên tính khả dụng của các dịch vụ AI là rất cao (Walch, 2019) Thứ hai, khách hàng được cung cấp thông tin theo thời gian thực trong suốt hành trình trải nghiệm dịch vụ (Thiel, 2019) Thứ ba, các bot của AI chủ động khởi đầu sự trao đổi với khách hàng nhằm cung cấp thông tin và hỗ trợ ở từng điểm tiếp xúc trong suốt quá trình tiêu dùng (Walch, 2019) Qua đó, nghiên cứu nhận ra rằng giá trị chức năng trong bối cảnh tiêu dùng dịch vụ du lịch thông minh AI chính là sự tiện lợi Giá trị tiện lợi cung cấp dịch vụ không giới hạn thời gian và không gian dựa vào tính sẵn có, thuật toán và dữ liệu người dùng trong thời đại kỹ thuật số Trong nghiên cứu của mình, Yang and Lin (2017) đã chứng minh các dịch vụ thông qua di động cung cấp thông tin phù hợp theo địa điểm đến và cá nhân hóa theo sở thích, mối quan tâm và tình huống hoạt động của người dùng, giúp họ nhận được thông tin quan trọng trước khi ra quyết định, điều này đã đáp ứng nhu cầu về giá trị chức năng của người dùng dịch vụ đó Dưới góc nhìn của lý thuyết TCV, giá trị tiện lợi là động cơ mạnh mẽ để khách du lịch sử dụng tiện ích AI trong quá trình du lịch thông minh để đáp ứng nhu cầu trải nghiệm tích cực của mình Khi họ nhận được càng nhiều tiện lợi, biểu hiện qua sự tiết kiệm về chi phí đánh đổi (thời gian, công sức, tiền bạc, nỗ lực, …) để tiêu dùng một dịch vụ, họ sẽ đánh giá trải nghiệm dịch vụ một cách hài lòng Bên cạnh đó, cảm xúc trong lúc trải nghiệm cũng được biểu hiện tích cực, chẳng hạn họ cảm thấy có lợi khi không cần chờ đợi quá lâu để nhận được dịch vụ Sự tiết kiệm chi phí đánh đổi giúp khách du lịch có nhiều thời gian cho bản thân để tận hưởng trải nghiệm dịch vụ và tương tác với nhiều thứ khác nhiều hơn Do đó, giả thuyết được phát triển như sau:

H10: Giá trị tiện lợi tác động tích cực tới trải nghiệm dịch vụ

2.2.2.2 Giá trị tương tác (Interaction)

Theo lý thuyết TCV, giá trị xã hội giúp người tiêu dùng ra quyết định tiêu dùng dựa trên hình ảnh đại diện của sản phẩm, dịch vụ về bản thân hoặc những người xung quanh Ngày nay, giá trị xã hội đang được nghiên cứu ở khía cạnh là sự tương tác với những khách hàng khác trong du lịch Theo đó, giá trị tương tác là lợi ích khách hàng nhận được từ việc tương tác với nhiều người khác tại điểm đến (Choe & Kim, 2019) Trong bối cảnh trải nghiệm du lịch thông minh, giá trị xã hội xuất hiện khi khách hàng tiêu dùng các dịch vụ tạo điều kiện thuận lợi cho tương tác xã hội giữa họ và những người khác có điểm chung về nhân khẩu học, thông tin hoặc sở thích (Kabadayi et al., 2019) Ví dụ như việc khách hàng có thể giới thiệu bản thân với những khách hàng khác, người dân địa phương hoặc tìm kiếm bạn bè trên các công nghệ di động để trải nghiệm du lịch tham quan hoặc ăn uống cùng nhau Do đó, nghiên cứu này nhận thấy sự điều chỉnh giá trị để thể hiện giá trị xã hội tổng quát trong lý thuyết TCV là cần thiết để giải thích hành vi trải nghiệm dịch vụ thông minh của khách hàng trong thời đại kỹ thuật số Tính tương tác sẽ được tạo ra khi khách hàng sử dụng dịch vụ AI nhờ vào sự thúc đẩy tương tác song phương và giao tiếp giữa các bên liên quan (Jeong & Shin, 2020) Hệ thống công nghệ thông minh còn tăng cường sự giao tiếp hai chiều và kết nối những người dùng với nhau, từ đó khuyến khích khách du lịch khám phá và nâng cao trải nghiệm dịch vụ du lịch của họ (Gretzel et al., 2015; Pavlou et al., 2007) Có thể thấy, công nghệ tân tiến sẽ cho phép công ty đáp ứng mong đợi của khách hàng tốt hơn và tạo ra giá trị lợi ích cho khách hàng (Choi et al., 2016; Woodside & Ko, 2013) Qua đó, nghiên cứu xác định sự tương tác biểu hiện giá trị xã hội trong lý thuyết TCV dưới ngữ cảnh trải nghiệm du lịch thông minh Khi khách hàng sử dụng công nghệ du lịch thông minh là AI, nó tạo điều kiện thuận lợi cho người dùng tiếp cận, làm quen, kết nối và giao tiếp với những du khách khác Việc thúc đẩy tương tác này giúp khách du lịch nhận được nhiều tài nguyên, thông tin hữu ích hơn, đồng thời chính những điểm đến thông minh sẽ thu thập dữ liệu và cung cấp dịch vụ phù hợp hơn dựa trên phân tích lịch sử dữ liệu theo thời gian Việc tương tác giữa khách hàng với những khách hàng khác cũng thúc đẩy sự trao đổi thông tin, cảm xúc và tình cảm với nhau, điều này cải thiện trực tiếp trải nghiệm dịch vụ của khách hàng (H Lin et al., 2020) Qua đó, nghiên cứu phát triển giả thuyết:

H11: Giá trị tương tác tác động tích cực tới trải nghiệm dịch vụ

2.2.2.3 Giá trị thông tin (Information)

Dựa trên lý thuyết TCV, khách hàng có được giá trị tri thức khi tiếp nhận thông tin, tiếp thu kiến thức, nâng cao hiểu biết hoặc có trải nghiệm mới mẻ Khi tiếp xúc với công nghệ du lịch thông minh như AI, khách hàng sẽ nhận được khối lượng thông tin với tính xác thực và độ chính xác cao (H Lee et al., 2018), thể hiện qua việc du khách sẽ nhận được thông tin đầy đủ về các điểm tham quan hấp dẫn và gợi ý hoạt động thú vị bổ sung cho chuyến du lịch của họ Chất lượng và độ tin cậy thông tin càng cao, trải nghiệm dịch vụ du lịch của khách hàng càng mạnh mẽ (Jeong & Shin, 2020) Những thông tin ấy sẽ cung cấp thêm những kiến thức mới và làm phong phú thêm nhận thức của khách hàng trong quá trình du lịch thông minh (Azis et al., 2020) Giá trị tri thức của lý thuyết TCV được gắn với biến giá trị thông tin đã được chứng minh là có mối liên hệ đáng kể đến hành vi của người tiêu dùng trong bối cảnh du lịch (Talwar et al., 2020b) Giá trị thông tin được hiểu là lợi ích khách hàng nhận được như sự mới mẻ, cảm nhận niềm hứng khởi về điều kỳ lạ hoặc sự thỏa mãn mong muốn hiểu biết thêm về nhiều thứ tại điểm đến du lịch (Choe & Kim, 2019) Để phù hợp với bối cảnh nghiên cứu của mình, Talwar et al (2020b) đã định nghĩa giá trị thông tin là khả năng các đại lý du lịch cung cấp thông tin về ưu đãi, khuyến mãi, điều khoản và điều kiện của đa dạng gói dịch vụ cho khách hàng trên ứng dụng trực tuyến Vì thế, nghiên cứu này sẽ điều chỉnh thông tin như một giá trị tri thức trong lý thuyết TCV để giải thích tác động của giá trị cảm nhận đến trải nghiệm khách hàng trong bối cảnh du lịch thông minh với AI Tương đồng như dịch vụ thương mại, giá trị của dịch vụ được hỗ trợ bằng AI là nhận thức và sự đánh giá của khách hàng về dịch vụ đó Những doanh nghiệp du lịch sử dụng AI để hỗ trợ cung cấp dịch vụ như kế hoạch chuyến đi du lịch, tour tham quan, đặt xe và khách sạn (Prentice, Weaven, et al., 2020) Những thông tin tương tự như trên phản ánh nhu cầu của khách du lịch (Zanker et al., 2008) Có thể hiểu, giá trị thông tin được tạo ra khi các dịch vụ thông minh cung cấp cho khách hàng thông tin có chất lượng và phù hợp cho đa dạng tình huống vào đúng thời điểm và không gian Thông tin được cung cấp bởi AI sẽ giúp khách hàng ra quyết định đúng đắn và có lợi hơn nhờ vào tính đa dạng, chi tiết và đáng tham khảo chẳng hạn như điểm đến thú vị hoặc loại hình dịch vụ đáng trải nghiệm Tính chính xác của thông tin trong trải nghiệm dịch vụ thông minh đóng vai trò quan trọng trong việc tạo ra loại giá trị thông tin (Kabadayi et al., 2019) Dựa trên lý thuyết TCV, khi sử dụng tiện ích AI trong du lịch thông minh, khách hàng sẽ nhận được giá trị thông tin chất lượng với độ tin cậy và chính xác cao nhằm hỗ trợ ra quyết định Với việc tiếp nhận thông tin chất lượng, khách hàng được nâng cao trải nghiệm dịch vụ thể hiện qua sự khám phá mới trong nhận thức, quá trình du lịch hạn chế những trường hợp tiêu cực và có cơ hội chia sẻ thông tin với nhiều du khách khác Vì vậy, nghiên cứu phát triển giả thuyết sau:

H12: Giá trị thông tin tác động tích cực tới trải nghiệm dịch vụ.

Mô hình nghiên cứu đề xuất

Trong bối cảnh trải nghiệm khách hàng với công nghệ AI trong du lịch thông minh, nghiên cứu này áp dụng lý thuyết TCV nhằm phát triển các mối quan hệ nghiên cứu Nghiên cứu này tìm hiểu sâu hơn các giá trị tiêu dùng nào đóng vai trò quan trọng trong việc sử dụng các tiện ích AI khi du lịch, từ đó nâng cao trải nghiệm dịch vụ của du khách Lý thuyết TCV được áp dụng mở rộng ở vị trí trung gian với các giá trị liên quan đến AI phù hợp với ngữ cảnh, qua đó tạo nên trải nghiệm đa chiều của du khách bao gồm: nhận thức, cảm xúc và hành vi (tương ứng là sự tương tác xã hội) trong du lịch thông minh

Cụ thể, ba tiện ích của AI là tính cá nhân hóa, tính phản hồi và khả năng tiếp cận sẽ tối đa hóa sự tiếp xúc và cảm nhận du lịch tại điểm đến của khách hàng một cách thoải mái và thuận tiện Khi những gì họ nhận được lớn hơn chi phí bỏ ra, khách hàng sẽ đánh giá cao các giá trị mà dịch vụ du lịch có AI mang lại thể hiện ở ba giá trị cốt lõi là giá trị tiện lợi, giá trị tương tác và giá trị thông tin, qua đó trải nghiệm dịch vụ du lịch được cảm nhận tích cực ở mặt nhận thức, cảm xúc và xã hội

Vì thế, mô hình nghiên cứu về trải nghiệm khách hàng với công nghệ AI trong du lịch thông minh được đề xuất như hình sau:

Các giả thuyết của mô hình nghiên cứu:

H1: Cá nhân hóa tác động tích cực đến Giá trị tiện lợi

H2: Cá nhân hóa tác động tích cực đến Giá trị tương tác

H3: Cá nhân hóa tác động tích cực đến Giá trị thông tin

H4: Tính phản hồi tác động tích cực đến Giá trị tiện lợi

H5: Tính phản hồi tác động tích cực đến Giá trị tương tác

H6: Tính phản hồi tác động tích cực đến Giá trị thông tin

H7: Khả năng tiếp cận tác động tích cực đến Giá trị tiện lợi

H8: Khả năng tiếp cận tác động tích cực đến Giá trị tương tác

H9: Khả năng tiếp cận tác động tích cực đến Giá trị thông tin

H10: Giá trị tiện lợi tác động tích cực đến trải nghiệm dịch vụ

Giá trị tiện lợi (Convenience Value)

Giá trị tương tác (Interaction Value)

Giá trị thông tin (Information Value)

Giá trị chức năng (Functional Value)

Giá trị xã hội (Social Value)

Giá trị tri thức (Epistemic Value)

Trải nghiệm dịch vụ (Service Experience)

Trải nghiệm nhận thức (Cognitive Experience)

Trải nghiệm cảm xúc (Affective Experience)

Trải nghiệm xã hội (Social Experience)

Hình 2.1: Mô hình nghiên cứu đề xuất

H11: Giá trị tương tác tác động tích cực đến trải nghiệm dịch vụ

H12: Giá trị thông tin tác động tích cực đến trải nghiệm dịch vụ

Chương 2 vừa trình bày các khái niệm gồm có Trí tuệ nhân tạo trong du lịch thông minh, Trải nghiệm khách hàng, Tiện ích AI (Cá nhân hóa, Tính phản hồi và Khả năng tiếp cận) và Giá trị tiêu dùng (Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin)

Từ đó, nghiên cứu phát triển giả thuyết và đề xuất mô hình nghiên cứu dựa trên lý thuyết cơ sở là lý thuyết TCV Chương 3 sẽ về thiết lập phương pháp nghiên cứu phù hợp theo cơ sở lý thuyết đã được xây dựng.

PHƯƠNG PHÁP NGHIÊN CỨU

Quy trình nghiên cứu

Nghiên cứu được thực hiện theo quy trình gồm 3 bước sau:

Bước 1: Nghiên cứu tổng quan lý thuyết

Nghiên cứu tại bàn (Desk Research) được áp dụng nhằm thu thập dữ liệu thứ cấp từ các công trình nghiên cứu, báo cáo ngành và tài liệu chuyên ngành liên quan đến chủ đề nghiên cứu để phân tích và tổng hợp dữ liệu cần thiết Các nguồn tài liệu được chọn lọc kỹ càng với thời gian công bố trong 5 năm trở lại và được trích nguồn theo chuẩn quốc tế APA để đáp ứng độ phù hợp và chất lượng cho nghiên cứu hiện tại Nhờ vào nghiên cứu tại bàn, nghiên cứu này nắm bắt tổng quan lý thuyết liên quan để xác định khoảng trống nghiên cứu, đề ra mục tiêu và câu hỏi nghiên cứu Qua đó, cơ sở lý thuyết và mô hình nghiên cứu được hình thành và trình bày trong chương 2 Bước 2: Điều chỉnh thang đo nghiên cứu

Trước khi thu thập dữ liệu sơ cấp trong nghiên cứu định lượng, nghiên cứu điều chỉnh thang đo để phù hợp với người dùng AI trong du lịch thông minh ở Việt Nam Tác giả thực hiện phỏng vấn trực tiếp với người có sử dụng AI trong lúc du lịch ở các thành phố thông minh để xem xét và đưa ra ý kiến, từ đó cải thiện bảng câu hỏi Bước 3: Nghiên cứu định lượng

Sau khi thang đo được hiệu chỉnh thích hợp, nghiên cứu này thực hiện nghiên cứu định lượng để kiểm định mối quan hệ trong mô hình nghiên cứu Nghiên cứu sử dụng phần mềm Smart-PLS để phân tích mô hình PLS-SEM, trong đó mô hình đo lường gồm kiểm định độ tin cậy thang đo, xác định giá trị hội tụ và giá trị phân biệt Tiếp đến là kiểm tra mô hình cấu trúc thông qua phân tích hiện tượng đa cộng tuyến, đánh giá sự phù hợp của mô hình và kiểm định giả thuyết nghiên cứu Cuối cùng, tác giả thảo luận về kết quả nghiên cứu để đưa ra giải pháp quản trị trong việc nâng cao trải nghiệm khách hàng với công nghệ AI trong bối cảnh du lịch thông minh Đồng thời, hạn chế của nghiên cứu hiện tại được xem xét và đưa ra hướng nghiên cứu trong tương lai.

Phương pháp nghiên cứu

Nghiên cứu chọn phương pháp nghiên cứu định lượng là phương pháp duy nhất với mục tiêu kiểm định các giả thuyết về mối quan hệ trong mô hình dựa trên quy mô mẫu đại diện tổng thể, từ đó đưa ra thảo luận về kết quả đạt được và đề xuất giải pháp quản trị cho các doanh nghiệp dịch vụ nâng cao trải nghiệm thông minh

3.2.1 Điều chỉnh thang đo nghiên cứu

Nghiên cứu áp dụng phương pháp phỏng vấn trực tiếp một đối một để điều chỉnh thang đo phù hợp với nhận thức thực tiễn, ngôn ngữ và văn phong của khách du lịch thông minh ở thị trường Việt Nam, từ đó đạt được kết quả nghiên cứu định lượng có tính đại diện cao hơn Đối tượng phỏng vấn là một sinh viên chuyên ngành AI và hai

Thu thập thông tin và dữ liệu thứ cấp bằng phương pháp nghiên cứu tại bàn

Xây dựng cơ sở lý thuyết và mô hình nghiên cứu

Thiết kế thang đo nghiên cứu

Thu thập dữ liệu cho nghiên cứu định lượng (n00)

Phỏng vấn trực tiếp (n=3) để hiệu chỉnh thang đo Đánh giá mô hình đo lường

(Kiểm định độ tin cậy, giá trị hội tụ và giá trị phân biệt của thang đo) Đánh giá mô hình cấu trúc

(Dò tìm đa cộng tuyến, đánh giá sự phù hợp của mô hình và kiểm định giả thuyết)

Thảo luận kết quả và đề xuất giải pháp, đưa ra hạn chế và hướng nghiên cứu tiếp theo

Hình 3.1: Quy trình nghiên cứu người dùng lần lượt là sinh viên kinh tế và nhân viên văn phòng Họ có sử dụng một số tiện ích AI như chatbot, robot, trợ lý ảo, ứng dụng du lịch, …để hỗ trợ trải nghiệm du lịch tại các thành phố thông minh ở Việt Nam Để nhận được phản hồi ý nghĩa và hiệu quả, nghiên cứu xây dựng bảng câu hỏi thảo luận (Discussion Guide) được thiết kế gồm 3 phần Phần một, nghiên cứu giới thiệu mục tiêu của buổi phỏng vấn và khai thác một số thông tin cơ bản của đáp viên Phần hai, nghiên cứu khai thác sâu hơn về chủ đề nghiên cứu nhằm tìm hiểu suy nghĩ, quan điểm và cảm nhận từng trải của đáp viên khi du lịch thông minh có sự hỗ trợ từ AI

Phần ba, nghiên cứu thực hiện gồm 2 bước Bước 1 là giải thích bối cảnh du lịch thông minh và các tiện ích AI cụ thể hơn để giúp đáp viên hiểu rõ chủ đề nghiên cứu Bước 2 là cho đáp viên đọc kỹ mỗi thang đo nghiên cứu một cách riêng biệt và đưa ra nhận xét để cải thiện về mặt ngữ nghĩa, câu từ, văn phong và thứ tự trình bày Thời gian phỏng vấn trung bình khoảng 30-50 phút Giai đoạn này được tiến hành từ ngày 05/02/2024 - 07/02/2024 bằng cách đặt lịch hẹn và mời đáp viên theo địa điểm và thời gian cụ thể

Qua đó, nghiên cứu mã hóa biến quan sát và điều chỉnh thang đo để tiến hành nghiên cứu định lượng (xem bảng 3.1 và 3.2) Cụ thể, cá nhân hóa và khả năng tiếp cận đều có 3 biến quan sát được kế thừa từ tác giả Jeong and Shin (2020), còn tính phản hồi có 4 biến quan sát được kế thừa từ tác giả Li et al (2022) Về các giá trị tiêu dùng, giá trị tiện lợi có 4 biến quan sát được sử dụng từ nghiên cứu của Pura (2005), giá trị tương tác có 2 biến quan sát có nguồn gốc từ Choe and Kim (2019) và giá trị thông tin có 3 biến quan sát có nguồn gốc từ Choe and Kim (2019); Talwar et al (2020b) Cuối cùng, ba khía cạnh của trải nghiệm dịch vụ gồm có trải nghiệm nhận thức, trải nghiệm cảm xúc và trải nghiệm xã hội đều có 3 biến quan sát được kế thừa từ nghiên cứu của Bustamante and Rubio (2017)

Bảng 3.1: Mã hóa biến nghiên cứu

STT Tên biến Mã hóa biến quan sát

1 Cá nhân hóa (Personalization) PE

2 Tính phản hồi (Responsiveness) RS

3 Khả năng tiếp cận (Accessibility) AC

4 Giá trị tiện lợi (Convenience value) COV

5 Giá trị tương tác (Interaction value) INV

6 Giá trị thông tin (Information value) IFV

7 Trải nghiệm nhận thức (Cognitive Experience) Cog-X

8 Trải nghiệm cảm xúc (Affective Experience) Af-X

9 Trải nghiệm xã hội (Social Experience) So-X

10 Trải nghiệm dịch vụ (Service Experience) CX

Bảng 3.2: Thang đo nghiên cứu chính thức

Biến Thang đo hiện tại Thang đo gốc Nguồn

PE1 AI cung cấp cho tôi nhiều thông tin thích hợp

Smart technology applications allowed me to receive tailored information

Khi tương tác càng nhiều với

AI, nó càng cung cấp những thông tin cá nhân hóa phù hợp với tôi

I could interact with smart technology applications to get personalized information

PE3 Thông tin được cá nhân hóa đáp ứng nhu cầu của tôi

The personalized information provided by smart technology applications met my need

RS1 AI phản hồi với tôi một cách nhanh chóng

The hotel’s AI responds to my requests quickly

AI giúp tôi nhận được dịch vụ du lịch thông minh mình cần một cách suôn sẻ

I can get my service smoothly with the hotel’s

AI phản hồi cho tôi đầy đủ thông tin trong thời điểm thiết thực

The hotel’s AI provides me real-time and comprehensive information needed to complete the service

Nhìn chung, AI giúp tôi nhanh chóng nhận được dịch vụ du lịch thông minh mình cần

Generally, I can get my service with the hotel’s AI quickly

Khả năng tiếp cận (Accessibility)

AC1 Tôi có thể dùng AI mọi lúc và mọi nơi trong lúc du lịch

I used smart technology applications anytime and anywhere in the selected city

AI giúp tôi dễ dàng tìm thấy các công nghệ thông minh khác để hỗ trợ trong lúc du lịch

Smart technology applications were easily available to use in the selected city

AI giúp tôi dễ dàng truy cập với các công nghệ thông minh khác để hỗ trợ trong lúc du lịch

In the selected city, smart technology applications were easily accessible

Giá trị tiện lợi (Convenience value)

Sử dụng AI trong lúc du lịch hỗ trợ tôi quản lý thời gian hiệu quả

Using this mobile service is an efficient way to manage my time

Tôi đánh giá cao sự dễ dàng khi sử dụng AI trong lúc du lịch

I value the ease of using this mobile service

Tôi đánh giá cao khả năng trải nghiệm dịch vụ du lịch thông minh nhanh chóng nhờ vào AI

I value the possibility to use this service instantly via my mobile device

Tôi đánh giá cao sự tiện lợi khi sử dụng AI trong lúc du lịch

I value the convenience of using this mobile

Giá trị tương tác (Interaction value)

Mối quan hệ giữa tôi và những người đi cùng được cải thiện khi tham gia du lịch thông minh

My friendship or kinship with my travel companion has increased while eating Hong Kong food together Choe and

Tham gia du lịch thông minh tạo điều kiện để tôi tương tác nhiều hơn với những người đi cùng

Eating Hong Kong food helps me interact with the people I travel with

Giá trị thông tin (Information value)

AI cung cấp cho tôi nhiều thông tin hữu ích về các loại hình dịch vụ du lịch thông minh

Before booking via [OTANAME], I like to obtain substantial information about the terms and conditions

Choe and Kim (2019); Talwar et al (2020b) IFV2

AI cung cấp nhiều thông tin để tôi cân nhắc lợi ích khi sử dụng một loại hình dịch vụ du lịch thông minh

Before booking via [OTANAME], I like to acquire a great deal of information about the benefits offered

AI giúp tôi cho tôi hiểu thêm về văn hóa và điểm đến du lịch

[OTANAME] helps me to know about a variety of properties and their offerings

Trải nghiệm nhận thức (Cognitive Experience)

Sử dụng AI trong lúc du lịch cho tôi biết thêm nhiều điều thú vị

The environment of this retail store, the display of its products, services, etc.:

Sử dụng AI trong lúc du lịch khơi dậy sự sáng tạo trong tôi

The environment of this retail store, the display of its products, services, etc.:

Sử dụng AI trong lúc du lịch đem đến những ý tưởng mới mẻ cho tôi

The environment of this retail store, the display of its products, services, etc.:

Bring interesting ideas to mind

Trải nghiệm cảm xúc (Affective Experience)

AE1 Sử dụng AI trong lúc du lịch giúp tâm trạng tôi tốt hơn

The environment of this retail store, the display of its products, services, etc., make me feel: In a good mood

AE2 Sử dụng AI trong lúc du lịch khiến tôi cảm thấy vui vẻ

The environment of this retail store, the display of its products, services, etc., make me feel: Happy

AE3 Sử dụng AI trong lúc du lịch khiến tôi cảm thấy tích cực

The environment of this retail store, the display of its products, services, etc., make me feel: Optimistic

Trải nghiệm xã hội (Social Experience)

Tôi sẵn sàng trả lời câu hỏi của những du khách khác về việc sử dụng AI khi du lịch

Of social interaction in this store: I advise customers who ask my opinion on this store’s products/services

Tôi thường giao lưu với những du khách khác cùng sử dụng AI khi du lịch

Of social interaction in this store: I interact with this store’s customers

Tôi thường chia sẻ ý kiến với những du khách cùng sử dụng AI trong du lịch

Of social interaction in this store: I share opinions with this store’s customers

Nghiên cứu xác định tổng thể là những người đã sử dụng AI như một công cụ, sản phẩm hoặc dịch vụ trong quá trình trải nghiệm du lịch tại các thành phố thông minh Những khách hàng này sẽ có những ý kiến và cảm nhận nhất định về trải nghiệm với công nghệ AI trong du lịch thông minh Vì thế, mẫu đại diện cho tổng thể là những du khách có sử dụng AI trong lúc trải nghiệm dịch vụ du lịch thông minh ở quốc gia Việt Nam Cụ thể hơn, họ là những sinh viên, nhân viên văn phòng, nhà lãnh đạo/nhà quản lý, nhân viên dịch vụ và bán hàng, giảng viên/giáo viên và người làm tự do Vì thế, câu hỏi gạn lọc được đặt ở đầu bảng câu hỏi khảo sát để đảm bảo đúng đối tượng khảo sát mục tiêu và chất lượng của dữ liệu thu thập

Về quy mô mẫu nghiên cứu định lượng, Comrey and Lee (2013) cho rằng mẫu có kích thước tốt là 300 để tiến hành phân tích mô hình cấu trúc tuyến tính (SEM) Kock and Hadaya (2018) đề xuất phương pháp căn bậc hai nghịch đảo (Inverse Square Root Method) để xem xét cỡ mẫu dựa trên hệ số đường dẫn (Path Coefficient) tối thiểu và mức ý nghĩa thống kê Hair et al (2019) đề xuất cỡ mẫu nên theo tỷ lệ 1/10 giữa số lượng câu hỏi khảo sát và số lượng đáp viên để tạo tính đa dạng và đảm bảo mức độ chính xác của dữ liệu được thu thập Trong nhiều cách thức, cách xác định cỡ mẫu theo tỷ lệ 1/10 được xem là thích hợp cho phân tích mô hình PLS-SEM hơn các mô hình khác để chứng minh cho các giả thuyết mới (Hair et al., 2019; Henseler et al., 2014; Reinartz et al., 2009; Sarstedt et al., 2016) Đồng thời, tác giả cũng khuyến nghị cỡ mẫu tối thiểu 100 trở lên để đảm bảo kết quả có nghĩa Qua đó, với số lượng 28 biến quan sát của nghiên cứu hiện tại, cỡ mẫu được xác định: Cỡ mẫu = Tổng số biến quan sát*10 = 28*10 = 280, thế nhưng, với mong muốn chất lượng dữ liệu phù hợp và kết quả nghiên cứu có ý nghĩa hơn, nghiên cứu đặt mục tiêu cỡ mẫu trong khoảng

(500 ≥ n ≥ 280) cao hơn cỡ mẫu dự kiến

Theo báo cáo ngành du lịch Việt Nam, đặc điểm nhân khẩu học cho thấy những người thường xuyên đi du lịch nhiều nhất rơi vào độ tuổi từ 25-34 tuổi, 35-44 tuổi và 45-54 tuổi (Statista, 2021) Vì thế, với quy mô mẫu tối đa là 500, nghiên cứu phân chia tỷ lệ đối tượng khảo sát mục tiêu tập trung vào nhân viên văn phòng, nhân viên dịch vụ và bán hàng, nhà lãnh đạo/nhà quản lý phù hợp, cụ thể như sau:

Bảng 3.3: Đối tượng khảo sát mục tiêu Đối tượng Tỷ lệ (%) Mẫu

Sinh viên kinh tế ở các trường Cao đẳng và Đại học 10 50

Nhân viên dịch vụ và bán hàng 25 125

Nhà lãnh đạo/nhà quản lý 15 75

Nguồn: Tác giả phác thảo

3.2.3 Phương pháp chọn mẫu và thu thập dữ liệu

Nghiên cứu sử dụng phương pháp chọn mẫu phi xác suất, cụ thể là phương pháp chọn mẫu thuận tiện (convenience sampling) và chọn mẫu theo tỷ lệ (quota sampling) Dựa trên khả năng của tác giả, phương pháp chọn mẫu thuận tiện giúp tiếp cận đối tượng mục tiêu một cách nhanh nhất với số lượng phản hồi cao khi tiến hành lấy mẫu ở những địa điểm thuận lợi như trường Cao đẳng, Đại học, trung tâm thương mại, chuỗi quán cafe có thương hiệu, văn phòng mở, …tại Thành phố Hồ Chí Minh Bên cạnh đó, nhằm giảm thiểu sự thiên vị trong lựa chọn và chất lượng câu trả lời của đáp viên (Hair et al., 2017), nghiên cứu kết hợp phương pháp chọn mẫu theo tỷ lệ nhân khẩu học về nghề nghiệp (xem bảng 3.3) để kiểm soát mẫu trong quá trình thu thập Dựa vào yếu tố nghề nghiệp, nghiên cứu có thể phân tích và kiểm tra sự hợp lý với các yếu tố nhân khẩu học khác như độ tuổi, trình độ học vấn và thu nhập, qua đó hỗ trợ gạn lọc và xử lý dữ liệu đúng đắn

Với hai phương pháp trên, nghiên cứu xây dựng bảng câu hỏi khảo sát trên nền tảng Google Form Bảng câu hỏi được thiết kế gồm 5 phần với tổng cộng 19 câu hỏi Thời gian thực hiện khảo sát kéo dài trong khoảng 5-10 phút và đáp viên sẽ phải tự hoàn thành khảo sát Phần một của bảng câu hỏi là giới thiệu mục đích và chủ đề nghiên cứu dưới hình thức chữ và hình cho đáp viên Phần hai, câu hỏi gạn lọc “Anh/Chị đã từng sử dụng công nghệ trí tuệ nhân tạo (AI) trong quá trình du lịch hay chưa?” được áp dụng nhằm chọn lọc đáp viên có sử dụng để tiếp tục khảo sát Phần ba, nghiên cứu hỏi thêm về những thành phố, công cụ AI và các công nghệ khác đáp viên đã dùng trong quá trình trải nghiệm du lịch thông minh nội địa Phần bốn là nội dung chính của khảo sát với mỗi câu hỏi được xây dựng theo thang đo Likert 5 điểm với thứ bậc tăng dần từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý Phần năm là các câu hỏi về nhân khẩu học nhằm phục vụ mục đích thống kê dữ liệu

Theo ước tính, nước ta có lượng người dùng điện thoại thông minh khoảng 63,8 triệu người trong năm 2023, tăng 1,6% so với năm 2022 và chiếm 96,1% lượng người dùng internet (InsiderIntelligence, 2021) Do đó, nghiên cứu chọn cách thức thu thập dữ liệu định lượng bằng cách gửi đường liên kết Google Form khảo sát trực tuyến và trực tiếp Trong đó, tỷ lệ khảo sát trực tuyến là 70% và khảo sát trực tiếp là 30% Khảo sát trực tuyến được áp dụng cho tất cả đối tượng khảo sát của nghiên cứu, trong đó chủ yếu là người thân, người quen và bạn bè qua Messenger, Zalo, Email hoặc thành viên trong các hội nhóm du lịch ở Việt Nam trên Facebook Bên cạnh đó, nghiên cứu thực hiện khảo sát trực tiếp ở khuôn viên, thư viện của các trường Cao Đẳng, Đại học, cửa hàng tiện lợi, quán nước có thương hiệu, trung tâm thương mại hoặc công viên để xin khảo sát với đối tượng chủ yếu là sinh viên, nhân viên văn phòng, nhân viên dịch vụ và bán hàng, người làm tự do Để thu thập dữ liệu chất lượng cao, đáp viên sẽ được giới thiệu cơ bản về trải nghiệm du lịch thông minh với

AI được mô tả bằng hình ảnh đi kèm Ngoài ra, nhằm thu hút và nâng cao chất lượng phản hồi, nghiên cứu chuẩn bị quà cho đáp viên đã hoàn thành nghiên cứu Cuối cùng, nghiên cứu sẽ đảm bảo thông tin và ý kiến của đáp viên hoàn toàn được giữ bí mật và chỉ phục vụ cho mục đích nghiên cứu

3.2.4 Phương pháp phân tích dữ liệu

Nghiên cứu áp dụng phần mềm Smart-PLS để phân tích mô hình cấu trúc bình phương nhỏ nhất từng phần PLS-SEM Thuật toán của mô hình này sử dụng đường dẫn PLS để ước tính chỉ số của các biến tiềm ẩn trong mô hình, qua đó dự đoán và giải thích các mối quan hệ nghiên cứu Mô hình PLS-SEM còn có vai trò giải thích các mối quan hệ đa biến trong một mô hình phức tạp (Hair et al., 2019)

Cơ sở lý thuyết về mô hình PLS-SEM:

Mô hình PLS-SEM là sự kết hợp giữa các kỹ thuật độc lập và phụ thuộc lẫn nhau PLS-SEM gồm có mô hình đo lường (thể hiện các biến đo đại diện cấu trúc) và mô hình cấu trúc (thể hiện các cấu trúc liên kết với nhau) Mô hình đo lường còn được hiểu là mô hình bên ngoài và mô hình cấu trúc được hiểu là mô hình bên trong (Hair et al., 2019)

Mô hình PLS-SEM được nhiều nghiên cứu áp dụng phân tích dữ liệu trong vòng một thập kỷ qua (Hair et al., 2019; Hair et al., 2014) Hiện nay, mô hình SEM có hai cách tiếp cận: SEM dựa trên hiệp phương sai (CB-SEM) và SEM dựa trên bình phương nhỏ nhất một phần (PLS-SEM) Trong khi CB-SEM đa số được áp dụng để chấp nhận hoặc bác bỏ giả thuyết về các mối quan hệ trong mô hình thì PLS-SEM được dùng để ước tính nhờ vào đối đa hóa phương sai trong mối quan hệ phụ thuộc, thích hợp cho phát triển giả thuyết đa dạng ngữ cảnh (Hair et al., 2019) Đối với nghiên cứu Trải nghiệm khách hàng với công nghệ AI trong du lịch thông minh, các mối liên hệ giữa biến độc lập tác động đến biến phụ thuộc Trải nghiệm dịch vụ cần được xác định Ngoài ra, dữ liệu trong nghiên cứu phần lớn là dữ liệu thứ cấp, vì thế kỹ thuật phân tích PLS-SEM thích hợp hơn CB-SEM Với khả năng thống kê dữ liệu tốt và ước tính được các mô hình phức tạp (Hair et al., 2019), nghiên cứu chọn mô hình PLS-SEM làm phương pháp phân tích dữ liệu chính thức

Quy trình phân tích dữ liệu:

Quy trình phân tích dữ liệu nghiên cứu định lượng gồm có 6 bước chính như sau:

Bước 1: Thống kê mô tả

KẾT QUẢ NGHIÊN CỨU

Đặc điểm mẫu nghiên cứu

Nghiên cứu thu về số phiếu trả lời khảo sát là 493 Sau khi gạn lọc các câu trả lời không hợp lệ như chưa sử dụng AI trong du lịch thông minh, câu trả lời trống, câu trả lời nhân khẩu học bất hợp lý, …thì số phiếu hợp lệ cuối cùng là 452 được đưa vào phân tích

Nhóm tuổi có tỉ lệ cao nhất là nhóm tuổi từ 26 - 30 tuổi (chiếm 37.2%) so với các nhóm tuổi còn lại gồm nhóm từ 18 - 21 tuổi (11.3%), từ 22 - 25 tuổi (26.5 %), từ 31

- 35 tuổi (17%), từ 36 - 40 tuổi (7.3%) và trên 40 tuổi (0.7%) Có thể thấy những đối tượng mục tiêu phần lớn đa số là nhân viên văn phòng trong độ tuổi từ 22 tuổi cho đến 30 tuổi Đối tượng trên được xem là những người có thu nhập và yêu thích công nghệ thông minh AI bởi khả năng thực hiện các yêu cầu cao một cách hiệu quả, đáp ứng nhiều nhu cầu và mong muốn khác nhau của người dùng (Chi et al., 2022) Đối với đặc điểm về nghề nghiệp thì Nhân viên văn phòng có 30.8% chiếm tỉ lệ cao nhất so với các nghề nghiệp còn lại: Sinh viên (12.8%), Lãnh đạo/Quản lý (15%), Giảng viên/Giáo viên (10.8%), Nhân viên dịch vụ và bán hàng (18.4%) và Làm tự do (12.2%) Tỷ lệ này phù hợp với độ tuổi của đa số người tham gia thuộc hai nhóm tuổi là từ 26 - 30 tuổi và từ 22 - 25 tuổi

Công cụ AI được sử dụng nhiều nhất trong lúc du lịch đó là Nhận dạng sinh trắc học (khuôn mặt, dấu vân tay, mắt, giọng nói, hình thể, …) với tỷ lệ là 29.8%, tỷ lệ sử dụng các công cụ khác giảm đi, gồm có công cụ Hệ thống định vị (17%), Trợ lý ảo (8.7%), Chatbot (10%), Robot (7.4%), Giao tiếp bằng giọng nói (18.3%) và Máy dịch ngôn ngữ giao (8.9%) Sự gia tăng ứng dụng dịch vụ du lịch thông minh xuất phát chủ yếu từ nguyên nhân sau đại dịch Do cuộc khủng hoảng COVID-19, các nguyên tắc “an toàn là trên hết” và “giảm tiếp xúc” đã trở thành yêu cầu chung liên quan đến việc cung cấp dịch vụ (Li et al., 2022; Yıldırım & Güler, 2021) Do đó, công cụ đắc lực nhất của AI trong lĩnh vực này là Nhận dạng sinh trắc học nhằm đảm bảo nhu cầu của con người về sự an toàn và thuận tiện khi trải nghiệm du lịch thông minh

Bảng 4.1: Đặc điểm mẫu nghiên cứu

N = 452 Đặc điểm Tần số % Độ tuổi

Nhân viên dịch vụ và bán hàng 83 18.4

Công cụ AI được sử dụng nhiều nhất

Giao tiếp bằng giọng nói 217 18.3

Nhận dạng sinh trắc học (khuôn mặt, dấu vân tay, mắt, giọng nói, hình thể, …)

Máy dịch ngôn ngữ giao tiếp 105 8.9

Nguồn: Kết quả nghiên cứu định lượng

Đánh giá mô hình đo lường giai đoạn 1

4.2.1 Độ tin cậy thang đo

Thang đo nghiên cứu được kế thừa và điều chỉnh để phù hợp với ngữ cảnh của nghiên cứu hiện tại Nhằm đảm bảo các biến quan sát có thể đo lường và thể hiện ý nghĩa của nhân tố, thang đo cần được kiểm định và đánh giá độ tin cậy theo những tiêu chí được trình bày trong bảng sau đây

Bảng 4.2: Tổng hợp độ tin cậy thang đo

Nguồn: Kết quả nghiên cứu định lượng Độ tin cậy thang đo được dùng để kiểm tra sự nhất quán nội tại của một tập hợp các biến đo lường dựa trên mức độ liên quan giữa các biến quan sát với nhau Điều đó có nghĩa là độ tin cậy cho thấy mức độ các biến quan sát đo lường cho một biến nghiên cứu Theo phương pháp phổ biến nhất, độ tin cậy thang đo được thể hiện qua chỉ số Cronbach’s alpha, Độ tin cậy tổng hợp (Composite Reliability – CR) và phương sai trích (Average variance extracted – AVE) (Hair et al., 2019) Độ tin cậy Cronbach’s alpha đánh giá tính nhất quán của toàn bộ thang đo Chỉ số này nằm trong khoảng từ 0 đến 1, với các giá trị từ 0.60 đến 0.70 nằm trong khoảng có thể chấp nhận, trong khi kết quả từ 0.70 đến 0.95 là mức độ tin cậy tốt Tương tự như Cronbach’s alpha, chỉ số CR đo lường tính nhất quán của thang đo, trong đó CR phải trên 0.60 trong nghiên cứu khám phá và trên 0.70 cho các nghiên cứu khác, tuy nhiên không được vượt quá 0.95 Cuối cùng, chỉ số AVE đo lường mức độ một biến ẩn giải thích phương sai của các biến quan sát tương ứng, cụ thể AVE phải trên 0.50 để tiếp tục phân tích ở các bước sau (Hair et al., 2019) Qua đó, kết quả cho thấy chỉ số Cronbach’s alpha, CR và AVE đều đạt yêu cầu và đảm bảo độ tin cậy thang đo

4.2.2 Giá trị hội tụ của thang đo

Trong giai đoạn 1, các nhân tố trong mô hình là thang đo dạng kết quả nên nghiên cứu đánh giá các biến quan sát có đo lường cho cùng một khái niệm hay không Điều này được đánh giá thông qua hệ số tải ngoài (Outer Loadings) nhằm đảm bảo giá trị hội tụ của thang đo nghiên cứu

Bảng 4.3: Hệ số tải ngoài (Outer Loadings)

AC Af-X COV Cog-X IFV INV PE RS So-X AC1 0.857

Nguồn: Kết quả nghiên cứu định lượng

Giá trị hội tụ cho biết mối tương quan hai biến giữa mỗi biến và các cấu trúc liên quan Do đó, hệ số tải ngoài Outer Loadings được xem xét để đánh giá sự đóng góp tuyệt đối của một biến quan sát cho cấu trúc biến đo lường của nó Các chỉ số phải ít nhất lớn hơn 0.5 và tốt nhất khi lớn hơn 0.7 (Hair et al., 2019) Theo kết quả trên, các hệ số tải đều lớn 0.7 nên tất cả thang đo được giữ lại

Tương tự như đánh giá mức độ hội tụ của thang đo, tất cả biến đo lường dạng kết quả cũng cần được xem xét giá trị phân biệt, qua đó đảm bảo sự không tương gian giữa một tập hợp biến quan sát đo lường khái niệm này so với các tập hợp biến quan sát đo lường khái niệm khác (Hair et al., 2019) Vì thế, giá trị phân biệt của thang đo được đánh giá thông qua hai tiêu chí được trình bày ở bảng 4.4 và 4.5

Bảng 4.4: Độ phân biệt của thang đo theo tiêu chí Fornell-Larcker

AC Af-X COV Cog-X IFV INV PE RS So-X

Nguồn: Kết quả nghiên cứu định lượng Bảng 4.5: Hệ số tải chéo (Cross Loadings)

AC Af-X COV Cog-X IFV INV PE RS So-X AC1 0.857 0.558 0.644 0.551 0.637 0.579 0.595 0.649 0.415

Nguồn: Kết quả nghiên cứu định lượng

Tiêu chí được sử dụng phổ biến nhất ở đa dạng cấp độ để xác định giá trị phân biệt là tiêu chí Fornell-Larcker Cách đánh giá này so sánh các giá trị được trích xuất phương sai trung bình của hai nhân tố bất kỳ với bình phương của ước tính tương quan giữa hai nhân tố này Nghĩa là căn bậc hai AVE của nhân tố đo lường phải lớn hơn hệ số tương quan giữa nhân tố đó với nhân tố khác, từ đó đảm bảo mức độ phân biệt của thang đo (Hair et al., 2019)

Bảng 4.4 và bảng 4.5 đều được dùng để đánh giá mối tương quan giữa các thang đo trong cùng một khái niệm, từ đó kiểm tra tính phân biệt (Hair et al., 2019) Kết quả phân tích dữ liệu cho thấy đa số căn bậc hai AVE của mỗi nhân tố có giá trị lớn hơn hệ số tương quan giữa nhân tố đó với các nhân tố còn lại, ngoại trừ biến COV và PE Biến COV có giá trị căn bậc hai AVE là 0.799, nhỏ hơn hệ số tương quan với IFV là 0.822 và hệ số tương quan với RS là 0.828 Còn biến PE có giá trị căn bậc hai AVE đạt 0.796 nhỏ hơn hệ số tương quan với RS là 0.815 Tuy nhiên, hệ số tải ngoài của các biến quan sát thuộc COV và PE, cùng tất cả biến quan sát của các nhân tố khác đều lớn hơn hệ số tải chéo của nó Vì thế, nghiên cứu giữ lại tất cả nhân tố đo lường để đánh giá mô hình đo lường trong giai đoạn 2.

Đánh giá mô hình đo lường giai đoạn 2

Vì mô hình có biến phụ thuộc CX bậc cao dạng nguyên nhân, nghiên cứu đánh giá mô hình đo lường ở giai đoạn 2 gồm trọng số ngoài (Outer Weights) và hệ số tải ngoài (Outer Loadings) theo kỹ thuật phân tích Bootstrapping nhằm xem xét chất lượng biến quan sát nguyên nhân (Hair et al., 2021)

Bảng 4.6: Trọng số ngoài (Outer Weights)

Nguồn: Kết quả nghiên cứu định lượng

Bảng 4.7: Hệ số tải ngoài (Outer Loadings)

Nguồn: Kết quả nghiên cứu định lượng

Tiêu chí quan trọng để đánh giá sự đóng góp của một biến quan sát dạng nguyên nhân là trọng số ngoài (Outer Weights) Vì chưa có giá trị trọng số ngoài như thế nào là đạt yêu cầu, tốt hoặc không tốt, nhà nghiên cứu cần kiểm tra bằng kỹ thuật Bootstrapping Với mức ý nghĩa 5%, giá trị P Values nhỏ hơn 0.05 cho thấy biến quan sát nguyên nhân đó có ý nghĩa Nếu P Values lớn hơn 0.05, cần xem xét đồng thời hệ số tải ngoài (Outer Loadings) trên 0.5 (Hair et al., 2021) Theo kết quả, biến quan sát So-X có giá trị P Values = 0.385 > 0.05 nhưng hệ số tải ngoài 0.67 lớn hơn

0.5 nên vẫn có ý nghĩa trong mô hình Vì thế, cả ba biến quan sát nguyên nhân đều có đóng góp vào biến CX.

Đánh giá mô hình cấu trúc

Hiện tượng đa cộng tuyến sẽ ảnh hưởng các hệ số bị sai lệch trong quá trình phân tích và đánh giá mô hình nghiên cứu (Hair et al., 2019) Vì thế, nghiên cứu cần đảm bảo không có hiện tượng đa cộng tuyến thông qua đánh giá hệ số phóng đại phương sai (VIF) theo kết quả sau đây

Bảng 4.8: Hệ số phóng đại phương sai (VIF)

Nguồn: Kết quả nghiên cứu định lượng Đa cộng tuyến là hiện tượng các biến độc lập có mối tương quan cao với nhau Khi hiện tượng đa cộng tuyến giữa các biến quan sát xuất hiện, nó sẽ ảnh hưởng đến ướng lượng trọng số mô hình và mức ý nghĩa thống kê để kiểm định giả thuyết Hệ số phóng đại phương sai (VIF) là một chỉ số thống kê để đánh giá mức độ tính đồng nhất giữa các biến quan sát trong mô hình đo lường hoặc giữa các nhân tố trong mô hình cấu trúc Vì thế, giá trị VIF dưới 5 sẽ đảm bảo không xảy ra hiện tượng đa cộng tuyến

(Hair et al., 2019) Dựa trên bảng 4.8, có thể thấy tất cả biến quan sát đều có giá trị VIF dưới 5 nên mô hình không có vấn đề đa cộng tuyến

4.4.2 Đánh giá sự phù hợp của mô hình (SRMR)

Với dữ liệu được thu thập để phân tích mô hình nghiên cứu đề xuất, đánh giá sự phù hợp của mô hình là điều cần thiết để xem xét mô hình có thích hợp giải thích cho những giả thuyết Với sự phù hợp đạt trên mức chấp nhận, các biến trong mô hình sẽ thể hiện tính chất của các mối quan hệ đa biến (Hair et al., 2019)

Bảng 4.9: Kết quả sự phù hợp của mô hình nghiên cứu

Nguồn: Kết quả nghiên cứu định lượng

Chỉ số SRMR được xem xét để đánh giá mức độ phù hợp của mô hình đề xuất so với thực tiễn Chỉ số này nằm trong khoảng từ 0 đến 1 với giá trị càng thấp chứng minh sự phù hợp của mô hình tốt, trong đó giá trị SRMR nhỏ hơn 0.08 sẽ thuộc khoảng phù hợp tốt nhất (Hair et al., 2019) Với kết quả trên, chỉ số SRMR của mô hình là 0.065 nhỏ hơn 0.08 cho thấy mức độ phù hợp rất tốt

Bên cạnh SRMR, hệ số R Square cũng cho biết sự phù hợp của mô hình nghiên cứu Thế nhưng, hệ số R Square Adjusted phản ánh mức độ phù hợp của mô hình một cách chi tiết hơn Nhằm giải thích các mối quan hệ đa biến, nghiên cứu phân thích thêm hệ số R Square Adjusted để đánh giá sự phù hợp của mô hình nghiên cứu

Bảng 4.10: Giá trị hệ số R Square

Nguồn: Kết quả nghiên cứu định lượng

Giá trị R Square Adjusted sẽ nằm trong khoảng từ 0 đến 1, nếu giá trị càng tiến về 1 thì mô hình đạt mức ý nghĩa cao, ngược lại tiến về 0 thì mô hình đạt mức ý nghĩa yếu hơn (Hair et al., 2019) Với kết quả đạt được, các yếu tố là Cá nhân hóa, Tính phản hồi và Khả năng tiếp cận giải thích 72.9% cho Giá trị tiện lợi, 50% cho Giá trị tương tác và 68.2% cho Giá trị thông tin Tương tự, Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin giải thích 68.6% cho Trải nghiệm dịch vụ

4.4.4 Kiểm định giả thuyết nghiên cứu

Kỹ thuật phân tích Bootstrapping là phương pháp lấy mẫu ngẫu nhiên lặp lại từ một số lượng lớn mẫu trong dữ liệu ban đầu Bootstrapping tạo ra các mẫu con (thường là

1000 hoặc 5000) của mẫu ban đầu một cách ngẫu nhiên với sự thay thế và ước tính mô hình cho mỗi mẫu mới Kết quả của Bootstrapping có thể xác định chính xác phân phối của các tham số được ước tính trong khoảng tin cậy và đưa ra thảo luận về ý nghĩa của mối quan hệ Ý nghĩa thống kê của các nhân tố thể hiện qua giá trị T-Values (Hair et al., 2019) Mô hình trong nghiên cứu này sẽ được đo lường với mẫu phóng đại là 5000 cho ra kết quả tất cả giả thuyết đều tác động tích cực (+)

Bảng 4.11: Kết quả kiểm định giả thuyết nghiên cứu

Nguồn: Kết quả nghiên cứu định lượng

Hệ số tác động chuẩn hóa (Original Sample) và Giá trị sig được so sánh với mức ý nghĩa P-Values là 0.05 để kiểm định mối quan hệ giữa các biến có ý nghĩa không Giả thuyết sẽ được chấp nhận với mức giá trị P Values nhỏ hơn 0.05 và giá trị T- Values cơ bản là 1.96 cho mức ý nghĩa thống kê 5% (Hair et al., 2019)

Giả thuyết H1, H3 cho rằng Cá nhân hóa tác động tích cực đến Giá trị tiện lợi và Giá trị thông tin Kết quả hệ số tác động của Cá nhân hóa đến Giá trị tiện lợi là 0.165 (với

P Values = 0.007 < 0.05) và hệ số tác động đến Giá trị thông tin là 0.192 (với P Values

= 0.003 < 0.05) Đồng thời, giá trị T-Values đều nhỏ hơn 1.96 Giả thuyết H1, H3 được chấp nhận Tuy nhiên, giả thuyết H2 có P Values = 0.558 > 0.05 nên mối quan hệ không có ý nghĩa thống kê và bị bác bỏ

Giả thuyết H4, H5, H6 cho rằng Tính phản hồi tác động tích cực đến Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin Kết quả hệ số tác động của Tính phản hồi đến Giá trị tiện lợi là 0.493 (với P Values = 0.000 < 0.05), hệ số tác động đến Giá trị tương tác là 0.351 (với P Values = 0.000 < 0.05) và hệ số tác động đến Giá trị thông tin là 0.393 (với P Values = 0.000 < 0.05) Các giá trị T-Values đều nhỏ hơn 1.96 Giả thuyết H4, H5, H6 được chấp nhận

Giả thuyết H7, H8, H9 cho rằng Khả năng tiếp cận tác động tích cực đến Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin Kết quả hệ số tác động của Khả năng tiếp cận đến Giá trị tiện lợi là 0.261 (với P Values = 0.000 < 0.05), hệ số tác động đến Giá trị tương tác là 0.363 (với P Values = 0.000 < 0.05) và hệ số tác động đến Giá trị thông tin là 0.312 (với P Values = 0.000 < 0.05) Các giá trị T-Values đều nhỏ hơn 1.96 Giả thuyết H7, H8, H9 được chấp nhận

Giả thuyết H10, H11, H12 cho rằng Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin tác động tích cực đến Trải nghiệm dịch vụ Kết quả hệ số tác động của Giá trị tiện lợi đến Trải nghiệm dịch vụ là 0.358 (với P Values = 0.000 < 0.05), hệ số tác động của Giá trị tương tác đến Trải nghiệm dịch vụ là 0.259 (với P Values = 0.000 < 0.05) và hệ số tác động của Giá trị thông tin đến Trải nghiệm dịch vụ là 0.287 (với P Values

= 0.000 < 0.05) Giá trị T-Values đều nhỏ hơn 1.96 Giả thuyết H10, H11, H12 được chấp nhận

4.4.5 Đánh giá vai trò trung gian

THẢO LUẬN VÀ ĐỀ XUẤT

Thảo luận kết quả nghiên cứu

5.1.1 Mối quan hệ giữa các tiện ích AI đến Giá trị tiêu dùng

5.1.1.1 Mối quan hệ giữa Cá nhân hóa đến Giá trị tiêu dùng

Thông qua nghiên cứu định lượng, kết quả cho thấy rằng Cá nhân hóa tác động tích cực đến Giá trị tiện lợi và Giá trị thông tin Trong đó, Cá nhân hóa tác động Giá trị thông tin mạnh hơn Giá trị tiện lợi với hệ số tác động 0.192 > 0.165 Điều này có thể hiểu Cá nhân hóa đem đến cả sự tiện lợi và thông tin hữu ích cho khách du lịch trong quá trình trải nghiệm, tuy nhiên nhờ vào công nghệ phân tích Dữ liệu lớn (Big Data) và thuật toán không ngừng phát triển, Cá nhân hóa có khả năng tạo nên khối lượng thông tin phong phú đến người dùng, từ đó giúp họ biết thêm kiến thức để cải thiện quá trình trải nghiệm tốt hơn

Theo Zeithaml (1988), giá trị cảm nhận có ý nghĩa là sự đánh giá giữa được và mất của người tiêu dùng khi sử dụng một sản phẩm hữu hình hoặc dịch vụ Vì thế, tính cá nhân hóa cao sẽ khiến khách hàng cảm thấy rằng họ đang nhận được nhiều lợi ích và tạo nên trải nghiệm tích cực (McLean et al., 2018) Khác với cách thức du lịch truyền thống, du lịch thông minh tích hợp xu hướng cá nhân hóa của du khách với các công nghệ kết nối mạng toàn cầu, siêu dữ liệu, phần mềm và trang mạng du lịch trực tuyến, thiết bị di động, …thay đổi hành vi của chính người dùng Ngày nay, khách du lịch có xu hướng tự tìm kiếm, lên kế hoạch, liên hệ và đi du lịch một mình, nên tính cá nhân hóa càng cao giúp họ giải quyết nhu cầu của bản thân càng nhanh và hiệu quả, giảm đi chi phí cơ hội so với cách thức du lịch truyền thống hoặc gần nhất là du lịch trực tuyến Vì thế, thông qua kết quả kiểm định và những lập luận trên, nghiên cứu xác định mối quan hệ tích cực giữa Cá nhân hóa và Giá trị tiện lợi tồn tại

Bên cạnh sự ảnh hưởng đến Giá trị tiện lợi, Cá nhân hóa có mối quan hệ tích cực mạnh mẽ nhất với Giá trị thông tin Nghiên cứu của Huang et al (2017) đã chỉ ra rằng

Cá nhân hóa đã giúp du khách nhận được nhiều thông tin thú vị và chi tiết để đáp ứng nhu cầu lên kế hoạch du lịch Nhờ có tính Cá nhân hóa, khách du lịch có thể đạt được lợi ích kinh tế ở nhiều mặt và giúp hỗ trợ ra quyết định đúng đắn hơn, từ đó giá trị cảm nhận gia tăng (Choi et al., 2017) Đồng thời, kết quả cũng cho thấy sự phù hợp với thực tiễn ngành du lịch Việt Nam khi quốc gia có nhiều chính sách để phát triển

AI một cách tiện lợi nhất qua nhiều khía cạnh như thông tin trực tuyến, ứng dụng Big Data, nâng cấp cơ sở hạ tầng, …để tạo ra tiện ích Cá nhân hóa vượt trội Cá nhân hóa trong du lịch thông minh sẽ giúp khách hàng có được giá trị lợi ích kinh tế nhờ vào khả năng cung cấp nguồn thông tin dồi dào và cập nhật liên tục, qua đó cải thiện trải nghiệm du lịch thuận tiện và độc đáo Tóm lại, nghiên cứu xác định sự tác động tích cực của Cá nhân hóa đến Giá trị thông tin

Mặc khác, kết quả kiểm định cho thấy Cá nhân hóa không tác động đến Giá trị tương tác với P Values = 0.558 > 0.05 nên giả thuyết H2 bị bác bỏ Nguyên nhân Cá nhân hóa chưa được chứng minh là có ảnh hưởng đến Giá trị tương tác vì bản chất Cá nhân hóa sẽ tập trung khía cạnh cá nhân nội dung sự tương tác và trao đổi thông tin giữa hệ thống máy và người dùng (Zanker et al., 2019) Vì thế, tính Cá nhân hóa giữa khách du lịch và thiết bị như máy tính, điện thoại thông minh, robot, kiosk, … càng cao sẽ càng giảm đi cơ hội tương tác với con người trong quá trình du lịch ở các thành phố thông minh Chính trong nghiên cứu về trải nghiệm ở điểm đến thông minh, Jeong and Shin (2020) cũng đề cập đến tầm quan trọng của bảo mật và quyền riêng tư đối với trải nghiệm du lịch được cá nhân hóa Kết quả cho thấy du khách sẵn sàng sử dụng công nghệ thông minh để gia tăng trải nghiệm và sự tương tác với điều kiện môi trường được đảm bảo về độ bảo mật thông tin riêng tư và an ninh mạng Vì thế, tính bảo mật và quyền riêng tư trở thành rào cản trong trải nghiệm của khách du lịch (H Lee et al., 2018; Zhang et al., 2022) Đây cũng được xem là nguyên do khách hàng tạm dừng tiêu dùng dịch vụ và giảm thiểu đáng kể giá trị cảm nhận của họ Như vậy, nghiên cứu này kết luận rằng Cá nhân hóa không tác động đến Giá trị tương tác

5.1.1.2 Mối quan hệ giữa Tính phản hồi đến Giá trị tiêu dùng

Kết quả nghiên cứu định lượng chứng minh Tính phản hồi tác động tích cực đến Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin Cụ thể, Tính phản hồi tác động mạnh nhất đối với Giá trị tiện lợi với hệ số tác động 0.493, lớn hơn hệ số tác động của Giá trị tương tác (0.351) và hệ số tác động của Giá trị thông tin (0.393) Qua đó, Tính phản hồi của AI thể hiện khả năng thuận tiện và lợi ích kinh tế cao khi đảm bảo đáp ứng yêu cầu của du khách một cách nhanh chóng và kịp thời, giúp khách hàng trải nghiệm dịch vụ toàn diện hơn cả về không gian và thời gian Với những nghiên cứu về AI trong lĩnh vực du lịch và lữ hành, chatbot và robot của AI đóng vai trò quan trọng trong việc đón tiếp, phản hồi, hỗ trợ và đáp ứng dịch vụ thích hợp trong thời gian thực (Samala et al., 2020) Nhờ vào khả năng đó, Tính phản hồi tạo nên giá trị cảm nhận tiện lợi cho khách hàng Với thực tiễn tại thị trường Việt Nam, người tiêu dùng thường đề cao sự tiện lợi và hướng đến các dịch vụ đáp ứng nhu cầu này Do đó, Tính phản hồi càng cao, càng tiết kiệm chi phí của du khách như thời gian, công sức và tiền bạc Những lập luận, kết quả và các nghiên cứu trước chứng minh cho sự tồn tại của mối quan hệ giữa Tính phản hồi và Giá trị tiện lợi

Kết quả đã chỉ ra Tính phản hồi tác động đến Giá trị tương tác thấp nhất trong ba giá trị Điều này có thể hiểu rằng Tính phản hồi gia tăng cơ hội tương tác trải nghiệm hoặc gián tiếp thúc đẩy sự tương tác của du khách trong quá trình du lịch Nghiên cứu của Li et al (2022) xác định Tính phản hồi tạo nên sự gắn kết nhờ vào khả năng tương tác nhạy trong thời gian thực Khác với sự tương tác với con người trong du lịch truyền thống như giao tiếp với nhân viên, dân địa phương, những khách du lịch khác,

…AI tạo điều kiện cho khách hàng tương tác một cách an toàn và thoải mái hơn khi nhiều yếu tố môi trường tự nhiên đang dần biến động sau đại dịch COVID19 Hiện tại, các thành phố thông minh ở Việt Nam đang dần ứng dụng AI vào các địa điểm như sân bay, khách sạn, ga xe, những điểm tham quan nhân tạo như công viên, resort,

…nhằm rút gọn quy trình và thủ tục sử dụng, giảm thiểu sự giao tiếp không cần thiết và tập trung vào những trải nghiệm tương tác khác của khách hàng Vì thế, nghiên cứu xác định sự tác động tích cực của Tính phản hồi đến Giá trị tương tác

Mặc khác, Tính phản hồi được chứng minh có ảnh hưởng mạnh đến Giá trị thông tin được trình bày trong kết quả nghiên cứu Nhờ vào khả năng phản hồi nhanh chóng và chính xác, AI cung cấp thông tin kịp lúc và đồng thời tạo điều kiện trao đổi thông tin giữa người với người trở nên suôn sẻ hơn (Li et al., 2022) Chẳng hạn trong bối cảnh robot AI được dùng để chào đón khách du lịch tại khách sạn, resort, khu vui chơi giải trí, …Việc phản hồi nhanh chóng của robot sẽ giúp du khách đạt được mục tiêu tìm hiểu và nắm bắt địa điểm tham qua Với mực độ giao tiếp càng nhiều, robot sẽ thu thập và điều chỉnh thông tin thực để thích ứng với khách hàng và môi trường du lịch, tránh tình trạng xâm nhập bất hợp pháp thông tin của khách hàng và cải thiện chất lượng dịch vụ thường xuyên Tóm lại, nghiên cứu đúc kết Tính phản hồi tác động tích cực đến Giá trị thông tin

5.1.1.3 Mối quan hệ giữa Khả năng tiếp cận đến Giá trị tiêu dùng

Kết quả kiểm định cho thấy mối quan hệ tích cực giữa Khả năng tiếp cận và Giá trị tiêu dùng gồm có Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin Trong đó, Khả năng tiếp cận tác động đến Giá trị tương tác lớn nhất với hệ số tác động 0.363, lớn hơn hệ số tác động của Giá trị tiện lợi là 0.261 và hệ số tác động của Giá trị thông tin là 0.312 Nghiên cứu của Kim and Garrison (2009) và H Lee et al (2018) cũng đã xác định vai trò thiết yếu của Khả năng tiếp cận và nhấn mạnh sự ảnh hưởng mạnh mẽ trong nhận thức của người tiêu dùng dịch vụ Khả năng tiếp cận càng phát triển và hỗ trợ ở nhiều điểm trong quá trình du lịch, du khách càng được tiếp cận và sử dụng nguồn thông tin và dịch vụ trực tuyến một cách đơn giản và thuận tiện hơn (No

& Kim, 2015; Um & Chung, 2021) Có thể thấy, Khả năng tiếp cận của AI đóng vai trò như cầu nối các thiết bị hoặc công nghệ khác như máy tính công cộng, kiosk, internet địa phương, QR code, hệ thống định vị, …để hỗ trợ toàn diện và cung cấp dịch vụ tiêu dùng đa dạng trong suốt quá trình du lịch thông minh của khách hàng, qua đó tạo nên giá trị tiện lợi cho khách du lịch Vì thế, nghiên cứu khẳng định giả thuyết về mối quan hệ cùng chiều giữa Khả năng tiếp cận và Giá trị tiện lợi

Bên cạnh đó, Khả năng tiếp cận được kiểm định có tác động đến Giá trị thông tin với hệ số là 0.312 Khả năng tiếp cận bởi AI được tạo nên bởi dữ liệu được phân tích và cập nhật hiện thời, cùng lúc AI cũng cung cấp đầu ra chủ yếu là dạng dịch vụ thông tin nên tiện ích này càng cao, khối lượng thông tin hữu ích khách hàng nhận được càng phong phú Ở điểm đến thông minh, những nguồn tài nguyên thông tin luôn có sẵn và có thể sử dụng bất cứ lúc nào nên khách du lịch cảm thấy có lợi khi được kết nối so với các nguồn tài nguyên du lịch truyền thống Các dịch vụ thông minh khi tương tác đủ nhiều để có đầu vào thông tin, chúng có thể dự đoán trước những nhu cầu tiềm ẩn của khách du lịch (Kabadayi et al., 2019) Để ứng dụng Khả năng tiếp cận của AI thành công, các địa điểm thông minh nội địa đã xây dựng hoặc cải thiện những cổng kết nối như thiết bị điện tử, trang mạng trực tuyến, biển quảng cáo có mã

QR, …gia tăng tính tiếp cận cho du khách từ xa đến tìm hiểu về nơi du lịch Dựa trên kết quả nghiên cứu và lập luận vừa qua, Khả năng tiếp cận được chứng minh tác động tích cực đến Giá trị thông tin

Đề xuất

Thông qua nghiên cứu định lượng với các giả thuyết được chấp nhận, nghiên cứu đưa ra các cơ sở đề xuất nhằm gia tăng trải nghiệm dịch vụ du lịch thông minh của khách hàng bằng cách nâng cao giá trị tiêu dùng thông qua các tiện ích AI

Bảng 5.1: Tóm tắt kết quả nghiên cứu và đề xuất

STT Kết quả Đề xuất

1 Cá nhân hóa tác động tích cực đến

Xây dựng, cập nhật và hoàn thiện cơ sở dữ liệu du lịch theo thời gian thực để làm tiền đề cho hoạt động phân tích dữ liệu của AI

2 Cá nhân hóa tác động tích cực đến

3 Tính phản hồi tác động tích cực đến

Tối ưu hóa quá trình tiêu dùng dịch vụ bằng cách cập nhật liên tục trên hệ thống lịch sử dữ liệu của khách du lịch

4 Tính phản hồi tác động tích cực đến

5 Tính phản hồi tác động tích cực đến

6 Khả năng tiếp cận tác động tích cực đến Giá trị tiện lợi Phát triển hệ thống công nghệ hiện đại và mạng lưới kết nối thiết bị ở các điểm đến thông minh

7 Khả năng tiếp cận tác động tích cực đến Giá trị tương tác

8 Khả năng tiếp cận tác động tích cực đến Giá trị thông tin

9 Giá trị tiện lợi tác động tích cực đến trải nghiệm dịch vụ

Tạo điều kiện tiếp xúc và thúc đẩy động cơ sử dụng dịch vụ ở từng điểm tiếp xúc của khách hàng với công nghệ AI tại điểm đến du lịch

10 Giá trị tương tác tác động tích cực đến trải nghiệm dịch vụ

11 Giá trị thông tin tác động tích cực đến trải nghiệm dịch vụ

Nguồn: Tác giả phác thảo

5.2.1 Xây dựng, cập nhật và hoàn thiện cơ sở dữ liệu du lịch theo thời gian thực để làm tiền đề cho hoạt động phân tích dữ liệu của AI

Kết quả nghiên cứu đã chứng minh Cá nhân hóa tác động tích cực đến Giá trị tiện lợi và Giá trị thông tin Cụ thể, Cá nhân hóa có vai trò ảnh hưởng đến Giá trị thông tin mạnh hơn Giá trị tiện lợi Điều này có thể hiểu rằng thông tin đề xuất bởi AI được đánh giá cao nhờ vào việc thu thập và phân tích dữ liệu liên tục Khi thông tin càng hiện thời và chính xác với mong muốn của du khách, cả Giá trị thông tin và Giá trị tiện lợi đều được gia tăng và từ đó, trải nghiệm cũng được cải thiện Vì vậy, nghiên cứu dựa trên kết quả kiểm định để đề xuất doanh nghiệp du lịch xây dựng, cập nhật và hoàn thiện cơ sở dữ liệu du lịch theo thời gian thực để làm tiền đề cho hoạt động phân tích dữ liệu của AI

Trong thời đại kỹ thuật số, khách hàng thường tìm kiếm thông tin ở nhiều nền tảng số khác nhau như trang mạng của công ty du lịch và lữ hành, ứng dụng du lịch trực tuyến, mạng xã hội, cổng thông tin của địa phương hoặc thậm chí tham khảo ý kiến của người quen đã từng đi du lịch ở địa điểm mà họ mong muốn Dữ liệu được bản thân khách hàng tìm kiếm và tổng hợp để trở thành thông tin, từ đó dùng để lên kế hoạch, giải mã sự tò mò hay tiếp thu thêm kiến thức mới Lượng thông tin có được sẽ nằm rải rác ở nhiều nguồn và tạo khó khăn cho chính khách du lịch để thống kê, hiểu và nắm bắt Vì thế, Cá nhân hóa của AI là một tiện ích không chỉ cung cấp thông tin thường xuyên được cập nhật mà thông tin còn được phân tích bởi các thuật toán phức tạp để điều chỉnh và đề xuất phù hợp cho khách du lịch Qua đó, khách hàng sẽ đánh giá cao thông tin nhận được là có giá trị, chất lượng và kịp thời, tạo sự tiện lợi và gia tăng cảm nhận tích cực trong toàn bộ quá trình trải nghiệm dịch vụ du lịch thông minh

Vì thế, nghiên cứu đề xuất việc xây dựng, cập nhật và hoàn thiện cơ sở dữ liệu du lịch Đối với những điểm đến thông minh đang trong quá trình xây dựng, cơ quan thành phố cũng như doanh nghiệp nên chú ý đầu tư xây dựng thêm dữ liệu trên hệ thống phần mềm quản lý cơ sở dữ liệu cho lĩnh vực văn hóa và du lịch Dữ liệu này có thể bao gồm về dân số, địa điểm tham quan, di sản văn hóa, công trình lịch sử, địa điểm ăn uống và vui chơi, hay có thể là thông tin tour và quảng bá du lịch của các công ty du lịch trực tuyến Khi áp dụng các thuật toán AI vào, chúng sẽ tự động phân tích và dần thu thập thêm dữ liệu về sau nhằm giúp doanh nghiệp thống kê, phân tích doanh thu, thấu hiểu hành vi và điều chỉnh hoạt động cung cấp dịch vụ theo xu hướng nhu cầu của khách hàng Mặt khác, với những điểm đến thông minh hiện tại như Thành phố Hồ Chí Minh, Hà Nội, Đà Nẵng, …cơ quan nhà nước cùng doanh nghiệp nên tiếp tục cập nhật và hoàn thiện cơ sở dữ liệu bằng cách tiếp thu thuật toán mới của AI, áp dụng thêm công cụ phân tích của quốc tế hoặc sử dụng đa dạng nguồn dữ liệu từ mạng xã hội phổ biến

5.2.2 Tối ưu quá trình tiêu dùng dịch vụ bằng cách cập nhật liên tục trên hệ thống lịch sử dữ liệu của khách du lịch

Nghiên cứu đã kiểm định sự tồn tại của mối quan hệ tích cực giữa Tính phản hồi và Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin Trong đó, Tính phản hồi tác động mạnh nhất đến Giá trị tiện lợi Có thể thấy khách hàng đề cao chất lượng một dịch vụ khi nó thỏa mãn nhu cầu tiện lợi của họ AI giúp du khách đạt được Giá trị tiện lợi ở thời gian và không gian nhờ vào Tính phản hồi Bên cạnh đó, Tính phản hồi giúp du khách nhận được thông tin nhanh chóng và tạo cảm giác thoải mái khi giao tiếp và tương tác trong môi trường xung quanh Do đó, nghiên cứu đề xuất doanh nghiệp du lịch và lữ hành nên tối ưu hóa quá trình tiêu dùng dịch vụ bằng cách cập nhật liên tục trên hệ thống lịch sử dữ liệu của khách du lịch nhằm đảm bảo hiệu suất của các công cụ AI

Giải pháp cụ thể cho đề xuất trên có thể triển khai ở các khía cạnh sau Thứ nhất, cơ quan thành phố cần tối ưu cơ sở hạ tầng dành cho du lịch thông minh bao gồm hệ thống mạng toàn cầu, trang mạng trực tuyến, số hóa điểm đến văn hóa hoặc di tích lịch sử, trình bày QR code, …để đảm bảo nhiều người tiếp cận đến công nghệ ở đây và truy cập trơn tru vào các công cụ hay ứng dụng có AI Thứ hai, doanh nghiệp du lịch và lữ hành, đặc biệt là nhà hàng và khách sạn, cần đảm bảo hiệu suất của các công cụ AI để nó phản hồi kịp thời và đơn giản hóa cách sử dụng chúng cho du khách

Ví dụ các công ty cần cải thiện hệ thống nhận dạng sinh trắc học dựa trên lịch sử dữ liệu tệp khách hàng hiện tại hoặc cơ sở dữ liệu du lịch chung để khi khách hàng muốn check-in hay sử dụng các dịch vụ bảo mật thì AI sẽ phản hồi nhanh chóng và giải quyết tức thời Việc cập nhật dữ liệu liên tục cũng giúp AI tự động tùy chỉnh các tương tác phù hợp và đa dạng hơn đối với khách hàng, từ đó tạo cảm giác thú vị và mới mẻ, gia tăng sự tương tác và kết nối trong trải nghiệm du lịch tại điểm đến Thứ ba, doanh nghiệp du lịch cần chú ý sự đơn giản cho quy trình sử dụng dịch vụ như giảm bớt thủ tục đăng ký, quy trình thanh toán, …Đồng thời xem xét trưng bày công cụ AI như chatbot trên kiosk, robot hay máy quét sinh trắc học một cách thẩm mỹ để hấp dẫn thị giác và cần tạo nên môi trường âm thanh được cá nhân hóa một cách gần gũi Những giải pháp trên có thể gia tăng sự tiện lợi trong cả quá trình trải nghiệm các dịch vụ du lịch với sự tương tác thoải mái, thân quen và thông tin nhận được trọn vẹn, nhanh gọn nhất có thể

5.2.3 Phát triển hệ thống công nghệ hiện đại và mạng lưới kết nối thiết bị ở các điểm đến thông minh

Kết quả kiểm định chứng minh sự ảnh hưởng tích cực của Khả năng tiếp cận đến Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin Khả năng tiếp cận tác động đến Giá trị tương tác cao hơn so với hai giá trị còn lại Điểm này thể hiện khả năng tạo kết nối tương tác xã hội của du khách thông quan tiện ích AI này trong bối cảnh du lịch thông minh, đặc biệt sau đại dịch COVID19 Mặc khác, khả năng tiếp cận cho phép người dùng truy cập nhiều công nghệ xung quanh và thông tin hữu ích để hỗ trợ du khách trong quá trình tiêu dùng dịch vụ Qua đó, nghiên cứu đề xuất giải pháp phát triển hệ thống công nghệ hiện đại và mạng lưới kết nối thiết bị ở các điểm đến thông minh nhằm nâng cao giá trị khi trải nghiệm dịch vụ du lịch

Cụ thể, nghiên cứu đề xuất trước hết xây dựng hệ thống công nghệ hiện đại để gia tăng trải nghiệm toàn diện Chẳng hạn như ứng dụng công nghệ Internet vạn vật (IoT), điện toán đám mây và các cơ sở tham quan bằng VR/AR Các điểm đến thông minh này sẽ góp phần thu hút nhiều khách du lịch tiềm năng và dần nâng cao chất lượng cuộc sống ở địa phương Tiếp đến, điểm đến du lịch cần đảm bảo mạng lưới internet để khách hàng có thể kết nối các thiết bị với nhau Việc sử dụng dịch vụ như kiosk, wifi công cộng, chatbot, robot đều cần mạng lưới mạng để tạo thuận tiện cho khách du lịch Khi đã truy cập thành công, khách hàng có thể tiếp cận đến tài nguyên khác của địa điểm du lịch đó Bên cạnh đó, Việt Nam đang có 78.44 triệu người sử dụng Internet và có hơn 168,5 triệu người có kết nối di động (DATAREPORTAL, 2024) trong đầu năm 2024 Các doanh nghiệp du lịch trực tuyến nên tiếp tục phát triển và cập nhật dữ liệu cho ứng dụng AI dành cho thiết bị di động, tạo tiền đề để khách hàng truy cập đa dạng công nghệ thông minh một cách thuận tiện và nhanh chóng nhất

5.2.4 Tạo điều kiện tiếp xúc và thúc đẩy động cơ sử dụng dịch vụ ở từng điểm tiếp xúc của khách hàng với công nghệ AI tại điểm đến du lịch

Kết quả nghiên cứu nhận định ba Giá trị tiêu dùng tác động tích cực đến Trải nghiệm dịch vụ ở khía cạnh nhận thức, cảm xúc và xã hội Trong đó, Giá trị tiện lợi đóng vai trò trung gian thiết yếu nhất để các tiện ích AI gia tăng trải nghiệm dịch vụ Giá trị tương tác và Giá trị thông tin đồng hỗ trợ giải quyết các nhu cầu khác như giao tiếp với con người hay tìm kiếm thông tin của khách hàng trong quá trình du lịch thông minh Vì thế, nghiên cứu đề xuất giải pháp nâng cao trải nghiệm dịch vụ bằng cách doanh nghiệp nên tạo điều kiện tiếp xúc và thúc đẩy động cơ sử dụng dịch vụ ở từng điểm tiếp xúc của khách hàng với công nghệ AI tại điểm đến du lịch

Kết luận và hướng nghiên cứu tiếp theo

Thông qua kết quả và thảo luận, nghiên cứu này đã chứng minh các tiện ích AI tác động tích cực đến trải nghiệm của khách hàng thông qua giá trị tiêu dùng dịch vụ Ba tiện ích Cá nhân hóa, Tính phản hồi và Khả năng tiếp cận đóng vai trò như công cụ hỗ trợ khách du lịch trong suốt quá trình trải nghiệm với khía cạnh nhận thức, cảm xúc và tương tác xã hội Dựa trên lý thuyết Giá trị tiêu dùng, nghiên cứu tập trung vào Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin là trung gian thiết yếu để thấu hiểu hành vi trải nghiệm đa chiều của du khách trong bối cảnh du lịch thông minh tại Việt Nam Với dữ liệu định lượng thu thập được, nghiên cứu tiến hành phân tích để đưa ra minh chứng cho mối quan hệ giữa tiện ích AI và trải nghiệm khách hàng thông qua vai trò trung gian của ba giá trị Từ đó, nghiên cứu đề xuất giải pháp quản trị cho các doanh nghiệp du lịch và lữ hành tại Việt Nam như hoàn thiện cơ sở dữ liệu du lịch, tối ưu hóa quá trình tiêu dùng dịch vụ, phát triển hệ thống công nghệ hiện đại và mạng lưới kết nối, đồng thời tạo điều kiện tiếp xúc và thúc đẩy động cơ sử dụng dịch vụ để giúp cho nhà quản trị thấu hiểu hành vi tiêu dùng trong bối cảnh du lịch thông minh đang thịnh hành và gia tăng trải nghiệm nhờ vào công nghệ AI

5.3.2 Hướng nghiên cứu tiếp theo

Mặc dù nghiên cứu đã kế thừa những nghiên cứu trước, xây dựng cơ sở lý thuyết và đạt được kết quả nghiên cứu, nghiên cứu này vẫn tồn tại một số hạn chế nhất định Các nghiên cứu tương lai có thể cân nhắc khắc phục những hạn chế sau để phát triển nghiên cứu của mình:

Thứ nhất, nghiên cứu chỉ xác định và đo lường ba tiện ích AI là Cá nhân hóa, Tính phản hồi và Khả năng tiếp cận đến Giá trị tiện lợi, Giá trị tương tác và Giá trị thông tin theo lý thuyết Giá trị tiêu dùng Thế nhưng, các tiện ích và khía cạnh giá trị được xác định dựa trên bối cảnh phát triển hiện tại của lĩnh vực du lịch thông minh và đồng thời căn cứ vào nhận thức của người tiêu dùng ở Việt Nam Nghiên cứu tương lai có thể khai thác thêm các tiện ích AI hoặc khía cạnh trải nghiệm khác, hoặc xây dựng cơ sở lý thuyết về giá trị cảm nhận khác với lý thuyết Giá trị tiêu dùng

Thứ hai, nghiên cứu xác định và kiểm định mối quan hệ giữa Giá trị tiêu dùng và Trải nghiệm dịch vụ có ý nghĩa thống kê và tồn tại trong thực tiễn Việt Nam với ba khía cạnh cơ bản của trải nghiệm: nhận thức, cảm xúc và tương tác xã hội Nghiên cứu tương lai có thể cân nhắc một số khía cạnh khác của trải nghiệm khách hàng ở các đối tượng và thị trường đa dạng hơn

Thứ ba, nghiên cứu thực hiện khảo sát chủ yếu ở Thành phố Hồ Chí Minh với phạm vi nghiên cứu về du lịch nội địa ở các thành phố thông minh trong lãnh thổ Việt Nam

Mặc khác, các công cụ được tập trung khai thác và làm chủ đề trong quá trình nghiên cứu chủ yếu là hệ thống định vị, trợ lý ảo, chatbot, robot, giao tiếp bằng giọng nói, nhận dạng sinh trắc học và máy dịch đa ngôn ngữ Vì thế, các nghiên cứu tương lai có thể mở rộng phạm vi nghiên cứu về địa lý, lĩnh vực, công cụ và thậm chí là đối tượng khảo sát để xây dựng cơ sở lý thuyết, đề xuất mô hình mới, đạt được nhiều kết quả phong phú và có ý nghĩa to lớn hơn

Dựa trên kết quả nghiên cứu đạt được, nghiên cứu đề xuất các giải pháp cho doanh nghiệp du lịch và lữ hành nhằm cải thiện trải nghiệm dịch vụ thông qua các tiện ích

AI dưới góc nhìn của lý thuyết TCV trong bối cảnh du lịch thông minh tại Việt Nam

Ngoài ra, chương 5 còn đề cập đến giới hạn và hướng nghiên cứu tiếp theo.