Qua đó, bàinghiên cứu này muốn hướng tới nghiên cứu khả năng cá nhân hóa của AI ảnh hưởng đếntần suất mua hàng và trải nghiệm khách hàng như thế nào trong ngành thời trang - mộtlĩnh v
Giới thiệu
Hiện nay, đời sống con người ngày càng phát triển nên ngoài nhu cầu “ăn no, mặc ấm”, người ta còn chú trọng “ăn ngon, mặc đẹp” Vì vậy, thời trang trở thành một trong những mặt hàng kinh doanh có khả năng mang lại lợi nhuận cao cho các nhà bán lẻ bởi nó thực sự là mặt hàng tiềm năng với nhiều cơ hội như: Nhu cầu cao, nguồn hàng phong phú, người tiêu dùng ngày càng thông minh Đi kèm với đó là những thách thức: Cạnh tranh cao, khó tiếp cận tập khách hàng tiềm năng… Có thể nói, thời đại công nghệ 4.0 tạo ra nhiều cơ hội và thách thức lớn cho doanh nghiệp Nhất là khi môi trường cạnh tranh ngày càng gay gắt, khốc liệt, việc thu hút và giữ chân khách hàng hiệu quả là chiến lược mà doanh nghiệp luôn ưu tiên hàng đầu Nhưng bằng việc cá nhân hóa, doanh nghiệp sẽ giúp khách hàng có những trải nghiệm mới mẻ phù hợp với nhu cầu và sở thích. Ở các bài nghiên cứu trước đây, mặc dù cá nhân hóa đã được nghiên cứu trong khá nhiều lĩnh vực, nhưng vẫn chưa có bài nghiên cứu nào thực sự đem lại hướng giải quyết cho doanh nghiệp khi thị hiếu và xu hướng thay đổi liên tục như mặt hàng thời trang hiện nay.
Vì thế mà chúng em quyết định làm bài nghiên cứu: AI cá nhân hóa trải nghiệm,nhằm thúc đẩy tăng tần suất mua hàng trong ngành thời trang Bằng phương pháp phỏng vấn, lấy khảo sát và phân tích kết quả, chúng em sẽ đưa ra một số đề xuất để mang lại nhiều sự trải nghiệm thú vị cho khách hàng, tăng tần suất mua hàng và mang về nguồn doanh thu và lợi nhuận cao cho doanh nghiệp.
Cơ sở lý thuyết
Trust-commitment theory
Lý thuyết cam kết dựa trên sự tin tưởng nhấn mạnh vai trò trung tâm của niềm tin và cam kết trong việc thúc đẩy sự phát triển của mối quan hệ giữa người mua và người bán.
Trong những năm gần đây, lý thuyết này đã được nghiên cứu chuyên sâu trong nhiều bài báo khoa học, bao gồm nghiên cứu về trải nghiệm của khách hàng (Nisbett, 2021), ý định chia sẻ kiến thức liên tục của các thành viên (Kaminski, 2015) và cách lý giải ý định của người tiêu dùng.
[ CITATION YCu19 \l 1033 ] Mỗi nghiên cứu đều nhấn mạnh vai trò quan trọng của sự tin tưởng và cam kết mối quan hệ trong các tương tác qua trung gian công nghệ giữa khách hàng và nhà bán lẻ
Niềm tin là một trong những yếu tố cơ bản hiện diện trong Trust-commitment theory Nó cũng là một yếu tố cơ bản cho sự thành công của các dịch vụ tự động vì nó mô tả mối quan hệ giữa con người và tự động hóa Niềm tin là một trong những yếu tố cơ bản có trong lý thuyết cam kết tin cậy [ CITATION Mor94 \l 1033 ] Nó cũng là một yếu tố quan trọng cho sự thành công của các dịch vụ tự động vì nó mô tả mối quan hệ giữa con người và tự động hóa [ CITATION Hen16 \l 1033 ] [ CITATION Wan19 \l 1033 ] nhấn mạnh quyền riêng tư như một thành phần chính của sự tin tưởng, vì người tiêu dùng quan tâm mức độ kiểm soát đối với việc sử dụng thông tin của họ bởi các nhà bán lẻ
Ngoài ra, các nghiên cứu trước đây đã chỉ ra rằng sự tin tưởng có thể thay đổi mối quan hệ giữa các yếu tố khác nhau trong bối cảnh sử dụng AI như chất lượng dịch vụ và sự thuận tiện (Siau, 2018; Ferrario, 2019).
Giải thích biến
Trải nghiệm khách hàng nhờ AI:
Trải nghiệm khách hàng là tổng thể các tương tác và cảm nhận của khách hàng về thương hiệu (Oh, 2012; Verhoef, 2009) Nghiên cứu trước đây đã chỉ ra bốn yếu tố cấu thành nên trải nghiệm khách hàng: cảm nhận, cảm xúc, không gian vật lý và tương tác xã hội (Ladutich, 2017).
Doanh nghiệp cần quan tâm đến yếu tố nhận thức, bao gồm "các quá trình tinh thần cao cấp như nhận thức, trí nhớ, ngôn ngữ, giải quyết vấn đề và tư duy trừu tượng" (Keinz, 2017) Mặt khác, yếu tố cảm nhận liên quan đến các chức năng dịch vụ, tốc độ và tính sẵn có (Ladic, 2017) Những khía cạnh cảm xúc này thể hiện sự phản ứng đa dạng, từ tích cực như vui mừng, kinh ngạc, đến tiêu cực như hối tiếc, tức giận, phẫn nộ.
Trái lại, các yếu tố vật lý và giác quan của trải nghiệm khách hàng thường được chia thành trực tiếp và trực tuyến Trải nghiệm trực tiếp bao gồm các đặc điểm như tạo tác nghệ thuật, ánh sáng, bố cục và biển hiệu [ CITATION Lam01 \l 1033 ], trong khi trải nghiệm trực tuyến bao gồm các đặc điểm liên quan đến công nghệ như giao diện người dùng thân thiện và thiết kế trực quan [ CITATION Kei17 \l 1033 ] Cuối cùng, các yếu tố xã hội của trải nghiệm khách hàng đề cập đến ảnh hưởng của những người khác, chẳng hạn như gia đình, bạn bè và các mối quan hệ khác của khách hàng [ CITATION Ver09 \l 1033 ] Các yếu tố xã hội cũng bao gồm tính cách xã hội của khách hàng hoặc giá trị tinh thần về cách họ nhìn nhận bản thân [ CITATION Kei17 \l 1033 ].
Theo một nghiên cứu của Gartner “việc sử dụng các công nghệ AI có thể giúp phân tích cảm xúc của khách hàng và phản hồi của khách hàng với quy mô, độ chính xác và tốc độ cao mà con người khó có thể làm được như nó” Điều này cho thấy rằng AI có tiềm năng trở thành một trong những công cụ chính để các nhà bán lẻ liên tục cải thiện trải nghiệm của khách hàng và do đó duy trì tính cạnh tranh Trong bán lẻ, công nghệ AI thường được sử dụng cùng với các công nghệ khác, chẳng hạn như thực tế tăng cường, nhận dạng hình ảnh và khoảng không quảng cáo dự đoán [ CITATION Sap18 \l 1033 ] Đối với những công nghệ này, để nâng cao thành công trải nghiệm của khách hàng thì cần có sự hiểu biết sâu sắc về khách hàng, bao gồm sở thích và trải nghiệm trong quá khứ của họ Tận dụng AI có thể giúp đẩy nhanh việc sử dụng dữ liệu và hồ sơ khách hàng để tìm hiểu cách giao tiếp tốt nhất với khách hàng.
Chất lượng dịch vụ trong các dịch vụ hỗ trợ AI
Theo truyền thống, chất lượng dịch vụ được định nghĩa là sự khác biệt giữa dịch vụ mong đợi và cảm nhận thực tế của khách hàng thông qua việc đánh giá các dịch vụ của thương hiệu [ CITATION Par94 \l 1033 ] Khái niệm về chất lượng dịch vụ này có nguồn gốc từ lý thuyết khẳng định tuổi thọ [ CITATION Col06 \l 1033 ], trong đó việc đánh giá chất lượng dịch vụ là kết quả của sự so sánh giữa nhận thức về dịch vụ nhận được với kỳ vọng trước đó về những gì dịch vụ đó sẽ cung cấp [ CITATION Cho04 \l 1033 ] Vì các dịch vụ hỗ trợ AI có xu hướng được xây dựng dựa trên các công nghệ tự phục vụ, chất lượng dịch vụ với sự hỗ trợ AI có thể sẽ khác biệt đáng kể so với các dịch vụ trực tiếp giữa con người với con người.
Ý chính chủ đề
Phương pháp nghiên cứu
Nghiên cứu định tính
4.1.1 Cách thức Thu thập số liệu
Nhóm đã phỏng vấn 5 người bất kì tại thành phố Hồ Chí Minh
Hình 2: Câu hỏi nghiên cứu
Gồm 6 bước: o Chuẩn bị và tổ chức dữ liệu để phân tích o Khám phá và mã hóa dữ liệu o Xây dựng mô tả o Báo cáo các phát hiện o Diễn giải phát hiện o Đánh giá tính chính xác của phát hiện
Nghiên cứu định lượng
4.2.1 Cách thức Thu thập số liệu
Chúng tôi lựa chọn nghiên cứu thông qua phương pháp nghiên cứu cắt ngang (cross-sectional survey) trên các bảng khảo sát trực tuyến Các đáp viên sẽ trả lời về các phương diện : cá nhân hóa, chất lượng dịch vụ AI, sự đề xuất hợp lý, niềm tin, sẵn lòng đánh đổi và ảnh hưởng của AI trải nghiệm khách hàng và tần suất mua hàng.
Khảo sát được thực hiện thông qua Google Form Các thành viên sẽ gửi Form cho bạn bè, người thân và đăng lên các diễn đàn học tập.
Số liệu được thu thập tại Việt Nam trên 301 mẫu khảo sát trực tuyến với đối tượng là giới trẻ chịu sự ảnh hưởng của AI trong việc mua sắm thời trang trực tuyến, chủ yếu là các sinh viên đến từ trường Đại học Kinh tế TPHCM (UEH)
Các phép đo cho mỗi biến trong mô hình giả thuyết được chấp nhận và điều chỉnh từ các phép đo hiện có trong các nghiên cứu trước đó Các nhà nghiên cứu đã sử dụng thang đánh giá Likert 5 điểm (với 1- Hoàn toàn không đồng ý, 2 - Không đồng ý, 3 - Không có ý kiến, 4 - Đồng ý, 5 - Hoàn toàn đồng ý) để đo lường dữ liệu theo các đặc điểm được khảo sát: cá nhân hóa, chất lượng dịch vụ AI, đề xuất hợp lý, niềm tin, sẵn sàng đánh đổi, trải nghiệm khách hàng và tần suất mua hàng.
Sử dụng công cụ phân tích dữ liệu SPSS và Smart PLS
Phân tích số liệu và kết quả
Nghiên cứu định tính
2 Màu sắc yêu thích của bạn là gì?
• N5: Xanh nước biển và xanh lục
3 Phong cách thời trang của bạn là gì?
4 Bạn thường mua hàng trực tiếp hay trực tuyến?
Cá nhân hóa Đề xuất mua hàng ảnh hưởng đến sự lựa chọn của bạn như thế nào?
• N1: Gây sự chú ý khiến mình quan tâm đến sản phẩm đó nhiều hơn.
• N3: Bắt mắt khiến mình mua với số lượng lớn.
• N4: Không ảnh hưởng lắm.
• N5: Sát với nhu cầu nên rất tiện lợi.
Chất lượng dịch vụ AI
Bạn cảm thấy giao diện hiện tại và độ bảo mật về thông tin đáp ứng được những yêu cầu nào của bạn?
• N1: Hài lòng với giao diện và độ bảo mật.
• N2: Giao diện đáp ứng nhu cầu nhưng bảo mật chưa tốt lắm (lộ số điện thoại).
• N3: Giao diện shopee dễ sử dụng, lazada khó sử dụng, trang MXH không quan trọng giao diện Độ bảo mật tốt, chưa bị lộ thông tin
• N4: Giao diện ổn nhưng bảo mật chưa tốt lắm (lộ số điện thoại, email).
• N5: Giao diện sát với mong muốn còn độ bảo mật thì chưa đáng tin cậy lắm.
Sự đề xuất hợp lý
Bạn cảm thấy như thế nào khi luôn thấy những gợi ý về mặt hàng mình đang quan tâm?
• N1: Thích thú và hài lòng, đôi khi hơi phiền.
• N2: Tốt, dễ tìm được mặt hàng ưa thích.
Bạn được hỗ trợ và quan tâm như thế nào đối với thương hiệu mà bạn yêu thích?
• N1: Đề xuất khi có sản phẩm mới, tung các ưu đãi giảm giá.
• N2: Thường xuất hiện nên dễ dàng lựa chọn.
• N3: Thông báo sản phẩm mới.
• N4: Hỗ trợ đúng nhu cầu.
• N5: Được tư vấn thêm về các sản phẩm thay thế và các sản phẩm đi kèm.
Sự sẵn lòng đánh đổi
Bạn cảm thấy việc mua hàng online khiến bạn đánh đổi những điều gì và bạn có trở ngại nào với sự đánh đổi đó?
Mặc dù mua sắm trực tuyến hạn chế giao tiếp trực tiếp với nhân viên bán hàng cũng như trải nghiệm sản phẩm, nhưng nó mang lại nhiều lựa chọn hơn và tiết kiệm thời gian đáng kể Bằng cách này, bạn có thể thoải mái tìm kiếm và so sánh các sản phẩm khác nhau từ nhiều nhà cung cấp, giúp bạn tìm được lựa chọn phù hợp nhất với nhu cầu của mình mà không tốn nhiều công sức.
• N2: Lộ thông tin (sđt) nên bị làm phiền.
• N3: Chi quá nhiều tiền, đánh đổi thông tin nhưng không trở ngại đáng kể vì được đổi lại bởi các đề xuất phù hợp.
• N4: Lộ thông tin, phiền khi bị spam tin nhắn rác.
• N5: Tiêu nhiều tiền hơn và tốn thời gian vì có quá nhiều sự lựa chọn.
Thường vào những dịp sale lớn bạn thường mua bao nhiêu đơn hàng với giá trị trên 50k?
• N1: Không quan tâm đến ngày sale, mua theo sở thích của bản thân.
• N2: Không quan tâm đến ngày sale, mua theo nhu cầu của bản thân.
• N3: Mua rất nhiều vào đợt sale.
• N4: Mua khá nhiều đơn vào đợt sale.
• N5: Mua tầm 1tr cho các local brand.
Khi gặp những trường hợp hủy đơn, hoàn đơn hàng khi mua sắm thì bạn cảm thấy cách xử lý sau đó làm hài lòng bạn như thế nào?
• N1: Shop xử lý nhanh: xin lỗi, hoàn voucher, hoàn tiền
• N3: Shop xử lý tốt: xin lỗi, hoàn voucher.
• N4: Có thể trả hàng nếu hàng lỗi, shop sẽ hoàn tiền hoặc đổi sản phẩm mới.
• N5: Đối với thương hiệu quen thì cách giải quyết tốt, khiến bản thân hài lòng, còn đối với thương hiệu mới thì giải quyết chưa tốt: phản hồi chậm, thái độ phục vụ tệ.
5.1.2 Kết quả phân tích Câu hỏi nghiên cứu
Sở thích và tuổi tác ảnh hưởng đến phong cách thời trang Những người chơi thể thao thường chọn trang phục trẻ trung, năng động để thuận tiện cho hoạt động Ngược lại, những người đi làm thường ưa chuộng các sản phẩm quần tây, áo sơ mi mang đến sự chỉn chu, lịch sự phù hợp với môi trường công sở.
- Mọi người thường thích đi lựa thời trang trực tiếp hơn trực tuyến: Vì dễ kiểm tra sản phẩm cũng dễ nhận được tư vấn khách quan từ nhân viên, nhưng họ lại thường mua trực tuyến hơn bởi vì thuận tiện về thời gian và địa điểm.
- Giao diện hiển thị ngày nay trên các trang mua sắm điện tử thì tương đối giống nhau, làm bắt mắt và thu hút người dùng về những sản phẩm họ ưa thích, nhưng có một số trang thì bố cục các đề mục chưa hợp lí khiến người dùng khó sử dụng.
- Cá nhân hóa giúp họ thấy những đề xuất về sản phẩm mình thích nhiều hơn, họ thấy thích về điều đó, nhưng đôi khi xuất hiện quá nhiều cũng làm họ khó chịu, thậm chí cảm thấy bị làm phiền.
- Họ sẵn sàng đánh đổi thời gian, thông tin cá nhân, chi phí để thấy nhiều sản phẩm mình thích và mua chúng nhưng đôi khi thông tin cá nhân bị rò rỉ và gây ảnh hưởng đến khách hàng.
- Đa số khách đều muốn cửa hàng ưa thích của mình đưa đến những thông tin mới nhất về sản phẩm.
- Họ có xu hướng mua nhiều sản phẩm hơn vào các dịp lễ lớn nhưng không phải mua vô tội vạ
- Ngày nay, các shop đều chú trọng đến trải nghiệm người dùng trước và sau khi mua hàng nên việc đổi trả sản phẩm đa số đều làm mọi người hài lòng.
Nghiên cứu định lượng
Chúng tôi lựa chọn nghiên cứu thông qua phương pháp nghiên cứu cắt ngang (cross-sectional survey) trên các bảng khảo sát trực tuyến Các đáp viên sẽ trả lời về các đặc điểm do AI ảnh hưởng đến quyết định mua sắm của khách hàng trong lĩnh vực thời trang: chất lượng dịch vụ AI, cá nhân hóa, sự đề xuất hợp lý, niềm tin, sẵn lòng đánh đổi và ảnh hưởng đến tần suất mua hàng và trải nghiệm khách hàng của người theo dõi như thế nào
Số liệu được thu thập tại Việt Nam trên 301 mẫu khảo sát trực tuyến với đối tượng là giới trẻ có mua sắm trực tuyến, chủ yếu là các sinh viên đến từ trường Đại học Kinh tế TP.HCM (UEH)
5.2.2 Kết quả phân tích dữ liệu
Dữ liệu bị thiếu có thể ảnh hưởng đáng kể đến quá trình phân tích Khi dữ liệu thiếu một số giá trị, phân tích có thể không chạy được hoặc cho kết quả không chính xác Do đó, rất quan trọng phải kiểm tra dữ liệu xem có thiếu dữ liệu hay không trước khi tiến hành bất kỳ phân tích nào.
Do tính chất các câu hỏi được cài đặt của biểu mẫu khảo sát mang tính bắt buộc, đồng thời có sự kiểm tra lại, nên nhóm nghiên cứu thấy rằng không có quan sát nào bị missing data trong 301 quan sát Như vậy, số quan sát đưa vào quá trình nghiên cứu còn lại 301 quan sát.
Kiểm tra normality: Kết quả trong bảng Statistics cho thấy, giá trị tuyệt đối của độ lệch (Skewness) của tất cả các biến đều nhỏ hơn 2 và giá trị tuyệt đối của độ nhọn dư thừa (Kurtosis) của tất cả các biến đều nhỏ hơn 4 cho thấy rằng dữ liệu chắc chắn là phân phối chuẩn.
N Minimum Maximum Mean Std Deviation Skewness Kurtosis
Statistic Statistic Statistic Statistic Statistic Statistic Std Error Statistic Std Error
Bạn sẵn sàng chi bao nhiêu cho một sản phẩm thời trang
VIF của các biến độc lập đều nhỏ hơn 3 nên không xảy ra hiện tượng đa cộng tuyến.
● Trong tổng số 301 đáp viên, nam chiếm 39,5% và nữ chiếm 56,5% và 4% giới tính khác Phần lớn các đáp viên có độ tuổi từ 18 đến 25 (chiếm 79,1%), tiếp đó từ 26 đến 35 (chiếm 11,0%), và dưới 18 (chiếm 6,0%), độ tuổi trên 35 chiếm tỉ lệ thấp nhất (chiếm 4,0%) Có thể thấy, các đáp viên phần lớn ở độ tuổi còn trẻ.
● Liên quan đến thu nhập, dễ dàng thấy các đáp viên chủ yếu có thu nhập từ 1 đến 3 triệu (chiếm 31,2%) và từ 3 đến 7 triệu ( chiếm 31,6%), tiếp đó là từ 7 đến 15 triệu ( chiếm 23,6%), chỉ có 13,6% đáp viên có thu nhập trên 15 triệu Do đa số các đáp viên là học sinh - sinh viên nên thu nhập chưa cao ( xem bảng dưới )
Thu nhập Từ 1 đến 3 triệu 94 31,2%
Bảng 1: Thông tin nhân khẩu của đáp viên
Bảng thống kê trung bình các biến sử dụng thang Likert 5 mức độ :
N Minimum Maximum Mean Std Deviation
5.2.2.3 Phân tích nhân tố khám phá EFA cho biến độc lập
Tiêu chuẩn của phương pháp phân tích nhân tố là chỉ số KMO phải lớn hơn 0.5 (Garson, 2003) và kiểm định Bartlett's có mức ý nghĩa sig < 0.05 để chứng tỏ dữ liệu dùng phân tích nhân tố là thích hợp và giữa các biến có tương quan với nhau. Giá trị Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO)=0.863.
Kết quả phân tích nhân tố cho thấy chỉ số KMO là 0.863 > 0.5, điều này chứng tỏ dữ liệu dùng để phân tích nhân tố là hoàn toàn thích hợp.
Kết quả kiểm định Bartlett's là 1157.482 với mức ý nghĩa Sig = 0.000< 0.05,lúc này bác bỏ giả thuyết H0: các biến quan sát không có tương quan với nhau trong tổng thể Như vậy giả thuyết về ma trận tương quan giữa các biến là ma trận đồng nhất bị bác bỏ, tức là các biến có tương quan với nhau và thỏa điều kiện phân tích nhân tố.
Kaiser-Meyer-Olkin Measure of Sampling
Thực hiện phân tích nhân tố theo Principal components với phép quay Varimax.
Kết quả phân tích thành phần chính cho thấy 5 nhóm nhân tố giải thích được 50,810% biến thiên của dữ liệu, đạt yêu cầu chung là >50% Tất cả các giá trị Eigenvalues của các nhân tố đều cao hơn 1, trong đó giá trị thấp nhất là 1,015 thuộc về nhân tố thứ 5, vẫn cao hơn ngưỡng mặc định là 1.
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Ma trận nhân tố với phương pháp xoay Varimax:
DX4 Extraction Method: Principal Component Analysis
Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 14 iterations.
Chúng tôi mong muốn chọn ra các biến quan sát chất lượng nên sẽ loại một số biến xấu là NT1, NT4, CL2, NT3, CNH3, DX1, CL1, DX4.
- Biến NT1, NT4, CL2, NT3, CNH3, CL1, DX4 có hệ số tải Factor Loading nhỏ hơn hệ số tải tiêu chuẩn là 0.5
- Biến DX1 nằm tách biệt duy nhất ở một nhân tố.
Như vậy, từ 19 biến quan sát ở lần phân tích EFA thứ nhất chúng tôi loại bỏ biến
8 biến và đưa 11 biến quan sát còn lại vào phân tích EFA ở lần thứ 2.
Hệ số KMO là 0,785 (> 0.5); ý nghĩa thống kê của kiểm định Bartlett với Sig 0.000 (< 0.05), như vậy phân tích nhân tố khám phá EFA là phù hợp.
Kaiser-Meyer-Olkin Measure of Sampling
Initial Eigenvalues Extraction Sums of Squared
Rotation Sums of SquaredLoadings
0 Extraction Method: Principal Component Analysis.
Thực hiện phân tích nhân tố theo Principal components với phép quay Varimax.
Kết quả cho thấy 11 biến quan sát ban đầu được nhóm thành 3 nhóm.
Giá trị tổng phương sai trích = 48.362% < 50%: không đạt yêu cầu.
Kaiser Normalization. a Rotation converged in 5 iterations.
Biến CL4 có hệ số Factor Loading nhỏ hơn hệ số tải tiêu chuẩn là 0.5 nên bị loại bỏ vì là biến xấu.
Như vậy, từ 11 biến quan sát ở lần phân tích EFA thứ nhất chúng tôi loại bỏ biến 1 biến và đưa 10 biến quan sát còn lại vào phân tích EFA ở lần thứ 3.
Hệ số KMO là 0,781 (> 0.5); ý nghĩa thống kê của kiểm định Bartlett với Sig 0.000 (< 0.05), như vậy phân tích nhân tố khám phá EFA là phù hợp.
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Thực hiện phân tích nhân tố theo Principal components với phép quay Varimax.
Kết quả cho thấy 10 biến quan sát ban đầu được nhóm thành 3 nhóm.
Giá trị tổng phương sai trích = 51.404% > 50%: đạt yêu cầu; khi đó có thể nói rằng 3 nhân tố này giải thích 51.404% biến thiên của dữ liệu.
Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 3 có Eigenvalues thấp nhất là 1.034> 1.
Kaiser Normalization. a Rotation converged in 5 iterations.
Như vậy, phân tích nhân tố khám phá EFA cho các biến độc lập được thực hiện ba lần Lần thứ nhất, 19 biến quan sát được đưa vào phân tích, có 8 biến quan sát không đạt điều kiện được loại bỏ để thực hiện phân tích lại Lần phân tích thứ hai, 11 biến quan sát được phân biệt thành 3 nhân tố và có 1 biến quan sát không đạt điều kiện Lần phân tích thứ ba (lần cuối cùng), 10 biến quan sát được phân biệt thành 3 nhân tố đều có hệ số nhân tố tải lớn hơn 0.5
5.2.2.4 Phân tích nhân tố khám phá EFA cho biến phụ thuộc
Kaiser-Meyer-Olkin Measure of Sampling
Hệ số KMO = 0,718 thỏa mãn điều kiện 0,5 ≤ KMO ≤ 1 nên phân tích nhân tố thích hợp với dữ liệu nghiên cứu.
Kết quả kiểm định Bartlett cho thấy giá trị chi-bình phương là 214,473 và mức ý nghĩa sig = 0,000 (p < 0,05) Điều này bác bỏ giả thuyết cho rằng các biến quan sát không tương quan với nhau trong tổng thể Do đó, giả thuyết về mô hình nhân tố không phù hợp sẽ bị bác bỏ Kết quả này khẳng định rằng dữ liệu được sử dụng để phân tích nhân tố là hoàn toàn thích hợp.
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Extraction Method: Principal Component Analysis.
Thực hiện phân tích nhân tố theo Principal components với phép quay Varimax.
Kết quả cho thấy 6 biến quan sát ban đầu được nhóm thành 2 nhóm.
Giá trị tổng phương sai trích = 53.439% > 50%: đạt yêu cầu; khi đó có thể nói rằng 3 nhân tố này giải thích 53.439% biến thiên của dữ liệu.
Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 2 có Eigenvalues thấp nhất là 1.008> 1
Kết quả phân tích EFA cho các biến phụ thuộc trên cho thấy, hệ số tải nhân tố của biến quan sát đều thỏa mãn điều kiện khi phân tích nhân tố là hệ số Factor loading ≥ 0.5 nên không có biến quan sát nào bị loại
5.2.2.5 Kiểm định độ tin cậy và tính khả thi của thang đo
Phân tích nhân tố khám phá (EFA)
Sau khi phân tích nhân tố khám phá cho biến độc lập và biến phụ thuộc từ đó có cở sở để chọn lọc biến phù hợp và ra được kết quả phân tích nhân tố (EFA) và kiểm định Cronbach’s Alpha
Chất lượng dịch vụ AI 0,739 0,785 0,581
CL3 Tôi thấy AI được bảo mật 0,740
CNH1 Tôi đánh giá cao việc 0,662 cá nhân hóa của AI vì nó đem lại trải nghiệm sử dụng tốt
Thảo luận
Nghiên cứu định tính
Dựa trên các câu hỏi phỏng vấn, nhóm thu thập được tương đối nhiều dữ liệu từ người dùng để phục vụ cho bài nghiên cứu và những vướng mắc mà doanh nghiệp gặp phải Trong đó nhóm thu thập được một kết quả rất thú vị rằng: Đa số người dùng bị rò rỉ thông tin cho bên trung gian thứ ba Điều này là điều tiên quyết phải khắc phục
Sau khi nghiên cứu những mặt hạn chế và đề xuất nghiên cứu trong tương lai của nghiên cứu trước đây, nhóm đã ứng dụng và nghiên cứu trong lĩnh vực khác với sự thay đổi các biến để phù hợp với ngành thời trang hiện đại Đồng thời, nhóm còn phát triển biến điều khiển dựa vào nhân khẩu học của mẫu khảo sát để từ đó củng cố các giả thuyết một cách chặt chẽ hơn Tuy nhiên, nhóm còn một số hạn chế do quy mô khảo sát chưa đủ rộng và thời gian khảo sát có hạn Trong tương lai, nhóm đề xuất mở rộng quy mô nghiên cứu, cũng như nghiên cứu thêm nhiều lĩnh vực khác để tối ưu hóa trải nghiệm của người tiêu dùng và đặc biệt là tối đa hóa doanh thu cho các doanh nghiệp.
Kết luận
Đóng góp về mặt lý thuyết
Thứ nhất, những mối liên hệ giữa các biến mới như là: niềm tin và sự sẵn lòng đánh đổi tác động đến tần suất cũng như trải nghiệm mua hàng Khi niềm tin của khách hàng đối với thương hiệu tăng lên thì tần suất mua hàng cũng sẽ tăng Khi khách hàng sẵn lòng đánh đổi thời gian, chi phí, tiền bạc của bản thân thì chúng cũng sẽ được thúc đẩy tăng lên Niềm tin và sự sẵn lòng đánh đổi là những yếu tố trung gian quan trọng trong mô hình lý thuyết dựa trên trải nghiệm của những khách hàng sử dụng dịch vụ AI
Thứ hai, khi khách hàng bước đầu đạt được sự tiếp cận trải nghiệm đối với một thương hiệu, khả năng mà họ có tiếp tục tin dùng sản phẩm của thương hiệu đó hay không có tác động tích cực đến trải nghiệm khách hàng sử dụng dịch vụ AI.Tóm lại, yếu tố cảm xúc có khả năng thúc đẩy mang lại trải nghiệm khách hàng tốt.
Đóng góp về mặt quản trị
Sau khi chạy dữ liệu thì một số biến có mối tương quan đáng kể với nhau như sau:
+ Cá nhân hóa -> đề xuất hợp lý (0.422) ⇒ Doanh nghiệp nên chú trọng vào việc đẩy mạnh cá nhân hóa cho khách hàng nhằm đưa ra những đề xuất hợp lý Vì khi khách hàng càng được cá nhân hóa trải nghiệm, những đề xuất sẽ càng trở nên hợp lý hơn
+ Đề xuất hợp lý -> niềm tin (0.455) ⇒ Đẩy mạnh đưa ra những đề xuất hợp lý, khách hàng tin tưởng vào chúng thì sẽ tạo được niềm tin của họ đối với thương hiệu.
+ Niềm tin -> Trải nghiệm khách hàng (0.446) ⇒ Khi đã xây dựng được niềm tin của khách hàng, trải nghiệm của họ đối với thương hiệu sẽ được nâng cao Họ thoải mái khi sử dụng sản phẩm của thương hiệu và đặt niềm tin vào thương hiệu nhiều hơn, từ đó lòng trung thành của họ cũng được tăng cao.
Từ bảng câu hỏi phỏng vấn, chúng ta rút ra được rằng doanh nghiệp nên: + Đưa ra các đề xuất và các mặt hàng liên quan với tần suất hợp lý
+ Tránh rò rỉ thông tin ra các bên thứ 3
+ Giúp khách hàng hài lòng trước và sau khi mua hàng (cải thiện dịch vụ chăm sóc khách hàng)
Từ tất cả những điều đã rút ra được thông qua bảng câu hỏi phỏng vấn và khảo sát như trên, nhóm đề xuất doanh nghiệp nên nâng cao khả năng cá nhân hóa và chất lượng dịch vụ của AI theo một số hướng như sau:
➢ Cố gắng thu thập thông tin khách hàng (chiều cao, cân nặng, sở thích…) để có thể cân nhắc đề xuất những sản phẩm phù hợp nhất.
➢ Việc thu thập thông tin khách hàng là cần thiết nhưng quan trọng hơn là ta cần bảo mật thông tin đó một cách cẩn thận, tránh để bị rò rỉ với đối tượng bên ngoài để bảo vệ quyền riêng tư của khách hàng Thông qua nghiên cứu ta có thể thấy được rằng, việc bị rò rỉ thông tin mang lại trải nghiệm xấu khi mua hàng và khả năng họ sẽ không tiếp tục tin dùng sản phẩm của thương hiệu là khá cao
➢ Cải thiện giao diện tìm kiếm, mua hàng và thanh toán đơn giản và dễ sử dụng nhất
Nhận diện và nắm bắt các xu hướng thời trang đang thịnh hành trên thị trường là yếu tố quan trọng để đưa ra những đề xuất phù hợp với người dùng Ngoài ra, việc đánh dấu các mặt hàng được người dùng đánh giá tích cực sẽ giúp khách hàng dễ dàng đưa ra lựa chọn khi mua sắm.
➢ Tăng cường đề xuất những sản phẩm liên quan: vì mặt hàng là về thời trang, nên ví dụ khi khách hàng tìm mua một chiếc váy, ta có thể đề xuất phụ kiện túi xách, giày, mắt kính… để mix & match với bộ đồ đó Từ đó tăng tính cá nhân hóa và nâng cao trải nghiệm người dùng.
➢ Tạo chương trình chăm sóc khách hàng thân thiết và những chính sách hỗ trợ đổi trả hợp lý (trong điều kiện cho phép) Khách hàng trung thành thường có thói quen chi tiêu nhiều hơn, vì vậy mà đưa ra những khuyến mãi ưu đãi dành riêng khiến cho họ cảm thấy bản thân vô cùng đặc biệt -> Thúc đẩy tăng tần suất mua hàng Cùng với đó, chính sách đổi trả hàng linh hoạt(khi có vấn đề phát sinh) là một trong những yếu tố khiến cho khách hàng quay lại mua sản phẩm của thương hiệu.
➢ Lắng nghe và ghi nhận những đánh giá, góp ý cải thiện của khách hàng một cách tích cực nhất
Bên cạnh những đóng góp về lý thuyết và kết quả nghiên cứu thực tiễn, nghiên cứu này cũng tồn tại một số hạn chế như sau:
Thứ nhất, Nghiên cứu chỉ tập trung nghiên cứu trong một phạm vi hẹp là chỉ tập trung vào đối tượng là sinh viên tại TP.HCM, quy mô mẫu tương đối nhỏ là N = 301 với phương pháp chọn mẫu thuận tiện nên mức độ tổng quát hóa chưa cao Do đó nghiên cứu chưa phản ánh đầy đủ và chính xác cho trải nghiệm cá nhân hóa của AI trong ngành hàng thời trang Nó chỉ mang tính đại diện cho một khu vực và đối tượng sinh viên tại thành phố, vì vậy kết quả này sẽ không đại diện được cho toàn bộ thị trường
Thứ hai, về mặt thời gian cũng như chi phí còn hạn chế, bên cạnh đó, kiến thức và hiểu biết của nhóm nghiên cứu có giới hạn nên việc đầu tư nhiều và sâu cho đề tài chưa được chỉnh chu
Thứ ba, mức độ xác thực của dự án khảo sát bị hạn chế Phiếu trả lời khiến người được khảo sát không thể thể hiện ý kiến chủ quan, mà chỉ có thể đánh dấu vào các ý kiến có sẵn Điều này không phản ánh đầy đủ suy nghĩ của họ Ngoài ra, nhiều người thực hiện khảo sát không nghiêm túc và cẩn thận, ảnh hưởng đến độ chính xác của kết quả.
Thứ tư, việc chạy biến điều khiển “nhân khẩu học” vẫn còn khó khăn đối với nhóm Chưa nghiên cứu được tác động rõ ràng của yếu tố “sở thích” ảnh hưởng đến tần suất mua hàng thời trang.
Để có kết quả nghiên cứu toàn diện và đáng tin cậy hơn, các nghiên cứu tiếp theo cần thực hiện khảo sát trên diện rộng tại các khu vực địa lý khác nhau với cỡ mẫu đại diện và lớn hơn Nghiên cứu cũng nên mở rộng đối tượng tham gia và xem xét nhiều yếu tố ảnh hưởng liên quan.
Có thể phát triển với quy mô đa quốc gia.
Nghiên cứu tương lai
Các nghiên cứu tiếp theo nên tiến hành cuộc khảo sát tại các khu vực khác nhau với cỡ mẫu và tính đại diện tốt hơn, mở rộng sang nhiều đối tượng và các nhân tố khác.
Có thể phát triển với quy mô đa quốc gia. Đặc biệt, mối tương quan của biến điều khiển “nhân khẩu học” nên mở rộng: Nghiên cứu và chạy dữ liệu rõ ràng hơn về mức độ tác động của nhân khẩu học đến hành vi mua hàng thời trang Thiếu sót này hiện nhóm chưa khắc phục được chỉ đưa ra được cái nhìn tổng quan
Cập nhật những xu hướng mới nhất vì thị hiếu của người tiêu dùng hiện đại thay đổi mỗi ngày.
Nghiên cứu thêm ở nhiều lĩnh vực hơn, vì ở bài nghiên cứu này nhóm chủ yếu tập trung vào trải nghiệm và tần suất mua hàng trong ngành thời trang.
Các nội dung trình bày trong đề tài chưa được thực sự hoàn hảo chất lượng về ngôn từ nên đây cũng sẽ là một lưu ý cho những nghiên cứu tiếp theo sau này.
