Lợi ích ròng (NEB – Net benefit) bao gồm tiết kiệm chi phí, mở rộng thị trường, gia tăng doanh số, cắt giảm chi phí, tiết kiệm thời gian, lợi ích ròng là mức độ mà hệ thống thông tin đang góp phần vào sự thành công của các cá nhân, các nhóm, các tổ chức, các ngành công nghiệp và các quốc gia (DeLone & McLean, 2003). Kết quả của việc “sử dụng” và “sự hài lòng của người sử dụng” là một số “lợi ích ròng” nhất định sẽ được sinh ra. Mà sự hài lòng là tiền đề của ý định tiếp tục sử dụng, khi người sử dụng cảm thấy hài lòng với các dịch vụ điện toán đám mây hay hệ thống thông tin, thì khả năng cao là họ sẽ tiếp tục sử dụng các dịch vụ đó. Nếu hệ thống thông tin hoặc dịch vụ được tiếp tục, thì “lợi ích ròng” của hệ thống là tích cực (DeLone & McLean, 2003; Tan & Kim, 2015; Xu và cộng sự, 2017). Theo Petter và cộng sự (2008), giữa sự hài lòng của người sử dụng và lợi ích ròng có mối liên hệ chặt chẽ với nhau. Sự hài lòng của người sử dụng có tác động tích cực đến công việc của người sử dụng như cải thiện hiệu suất công việc, tăng năng suất và hiệu quả, cải thiện hiệu quả quyết định. Do đó, tác giả đưa ra giả thuyết:
H6+: Sự hài lòng của người sử dụng có tác động tích cực đến lợi ích ròng của Cloud-ERP.
CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU 3.1. Quy trình nghiên cứu
Quy trình nghiên cứu được trình bày trong Hình 3.1.
Hình 3.1. Sơ đồ quy trình nghiên cứu (Nguồn: Hair và cộng sự, 2019)
Nghiên cứu này được thực hiện theo hai bước là sơ bộ định tính và chính thức định lượng. Đầu tiên, từ cơ sở lý thuyết và các nghiên cứu liên quan hình thành thang đo thử. Kế tiếp, tiến hành thảo luận cùng các chuyên gia trong lĩnh vực hệ thống thông tin, đặc biệt là chuyên gia về giải pháp ERP. Những góp ý của các chuyên gia nhằm đảm bảo sự đúng đắn của các nội dung phát biểu trong thang đo.
Sau đó, thang đo hiệu chỉnh từ nghiên cứu sơ bộ định tính được sử dụng làm thang đo cho nghiên cứu
chính thức định lượng. Trong nghiên cứu chính thức định lượng sử dụng thang đo Likert năm mức với (1) hoàn toàn không đồng ý; (2) không đồng ý; (3) bình thường;
(4) đồng ý; (5) hoàn toàn đồng ý. Dữ liệu được thu thập bằng phương pháp lấy mẫu thuận tiện thông qua bảng khảo sát, và được gửi đi dưới dạng câu hỏi trực tuyến trên Google docs và gửi bản in trực tiếp đến đối tượng lấy mẫu là những người đã và đang sử dụng Cloud-ERP. Cuối cùng, dữ liệu sau khi khảo sát được sàng lọc, mã hóa, và phân tích bằng phần mềm SPSS.
3.2. Phương pháp nghiên cứu
Nghiên cứu được thực hiện bằng 2 phương pháp chính là nghiên cứu định tính và nghiên cứu định lượng. Đầu tiên thực hiện nghiên cứu định tính, từ cơ sở lý thuyết hình thành ở chương 2 thang đo sẽ được đề xuất và được thảo luận trực tiếp với các chuyên gia có kinh nghiệm trong lĩnh vực nhằm đánh giá sự phù hợp của thang đo đối với đề tài và tình hình thực tiễn tại Thành phố Hồ Chí Minh, Việt Nam. Sau khi thực hiện nghiên cứu định tính, tiếp theo sẽ là nghiên cứu định lượng được thực hiện qua 2 quá trình là nghiên cứu sơ bộ và nghiên cứu chính thức, cả 2 quá trình đều áp dụng phương pháp nghiên cứu định lượng, thu thập dữ liệu bằng bảng khảo sát do đối tượng khảo sát trả lời.
3.2.1. Nghiên cứu sơ bộ
Nghiên cứu sơ bộ được thực hiện với mục đích đánh giá và điều chỉnh thang đo cho phù hợp với thị trường và đối tượng nghiên cứu. Phương pháp áp dụng trong nghiên cứu sơ bộ là phương pháp định lượng, với số lượng mẫu là 60 mẫu. Trong 27 biến khảo sát mỗi biến được nêu thành một phát biểu tương ứng để đối tượng khảo sát thể hiện ý kiến đánh giá của mình. Dữ liệu thu thập được của bước nghiên cứu sơ bộ được đưa vào kiểm định độ tin cậy của thang đo, sử dụng kỹ thuật phân tích Cronbach’s Alpha của SPSS để đánh giá độ tin cậy của thang đo với tiêu chuẩn: các biến có hệ số tương quan biến tổng nhỏ hơn 0,4 được đánh giá là không có giá trị đo lường và bị loại ra khỏi mô hình. Thang đo có hệ số Cronbach’s Alpha lớn hơn 0,6 sẽ được chấp nhận (Hair và cộng sự, 2019).
Nghiên cứu chính thức là nghiên cứu khẳng định, sau khi thực hiện nghiên cứu sơ bộ để đánh giá độ phù hợp và điều chỉnh thang đo.
Tiến trình xử lý dữ liệu
Bước 1: dữ liệu được làm sạch. Dữ liệu thu thập được tiến hành kiểm tra và loại bỏ các dữ liệu không hợp lệ do chưa hoàn tất, trả lời bằng cách chọn một câu trả lời duy nhất cho tất cả các câu hỏi hoặc người tham gia khảo sát là người chưa từng sử dụng qua Cloud-ERP.
Bước 2: dữ liệu đã mã hóa được xử lý với kỹ thuật thống kê tần số của SPSS để tìm ra đặc điểm của mẫu nghiên cứu (các thông tin về nhân khẩu học).
Bước 3: dữ liệu được đưa vào phân tích hệ số tin cậy Cronbach’s Alpha nhằm đánh giá sơ bộ thang đo để xác định mức độ tương quan giữa các mục hỏi, làm cơ sở loại những biến quan sát, những thang đo không đạt yêu cầu. Hệ số Cronbach’s Alpha là một hệ số kiểm định thống kê về mức độ tin cậy và tương quan trong giữa các biến quan sát trong thang đo, với tiêu chuẩn các biến có hệ số tương quan biến tổng nhỏ hơn 0,4 được đánh giá là không có giá trị đo lường và bị loại ra khỏi mô hình. Thang đo có hệ số Cronbach’s Alpha lớn hơn 0,6 sẽ được chấp nhận (Hair và cộng sự, 2019).
Bước 4: sau khi đánh giá độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và loại đi các biến không đảm bảo độ tin cậy. Phân tích yếu tố khám phá (EFA) là kỹ thuật được sử dụng nhằm thu nhỏ và tóm tắt các dữ liệu. Phương pháp này rất có ích cho việc xác định các tập hợp biến cần thiết cho vấn đề nghiên cứu và được sử dụng để tìm mối quan hệ giữa các biến với nhau. Trước khi tiến hành phân tích yếu tố, ta cũng cần kiểm tra xem việc dùng phương pháp này có phù hợp hay không. Theo Hair và cộng sự (2019), giá trị KMO (Kaiser-Meyer-Olkin) nằm giữa 0,5 đến 1 có nghĩa là phân tích yếu tố là thích hợp, còn nếu như trị số này nhỏ hơn 0,5 thì phân tích yếu tố có khả năng không thích hợp với các dữ liệu. Kết quả phân tích EFA cho giá trị phân biệt để xác định tính phân biệt của các khái niệm nghiên cứu, với các tiêu chuẩn cần quan tâm như sau:
Các giá trị về Eigenvalues (lớn hơn 1) là tiêu chuẩn khẳng định số yếu tố được rút trích phù hợp.
Tổng phương sai trích (TVE) (lớn hơn 50%) cho biết được tổng yếu tố rút trích được tại giá trị Eigenvalues (lớn hơn 1) sẽ giải thích được bao nhiêu phần trăm độ biến thiên của dữ liệu nghiên cứu.
Hệ số tải yếu tố (Factor loading) được kiểm tra để đánh giá về giá trị hội tụ và giá trị phân biệt của thang đo lường.
Bước 5: Sau khi phân tích và điều chỉnh các biến cho phù hợp tại bước 4, dữ liệu được đưa vào phân tích hồi quy đa biến 2 lần theo phương pháp Factor scores với mức ý nghĩa là 5% nhằm kiểm định sự phù hợp của mô hình nghiên cứu, kiểm định các giả thuyết để xác định được rõ ràng mức độ ảnh hưởng của từng yếu tố độc lập tác động đến yếu tố trung gian và kiểm định giả thuyết để xác định được mức độ ảnh hưởng của yếu tố trung gian đến yếu tố phụ thuộc kết quả như thế nào.
Bước 6: Tiến hành phân tích đường dẫn (Path Analysis) để xác định mức độ ảnh hưởng của yếu tố độc lập đối với yếu tố phụ thuộc là bao nhiêu.
3.2.3. Thu thập dữ liệu
3.2.3.1. Xây dựng thang đo và bảng câu hỏi
Thang đo đầy đủ được xây dựng dựa trên cơ sở lý thuyết và các nghiên cứu trước đây được trình bày trong Bảng 3.1.
Bảng 3.1. Thang đo sử dụng trong đề tài
STT Khái niệm Số biến
dự kiến Diễn giải tham chiếu 1 Chất lượng thông tin
(IFQ) 4
DeLone và McLean (1992); DeLone và McLean (2003); Tam và Oliveira (2016)
2 Chất lượng hệ thống
(SYQ) 4
DeLone và McLean (1992); DeLone và McLean (2003); Tam và Oliveira (2016); Cheng (2019)
3 Sự phù hợp công
nghệ-công việc (TTF) 4
Goodhue và Thompson (1995); Cheng (2019)
4 Sự xác nhận
(CON) 3 Bhattacherjee (2001); Cheng (2019) 5 Nhận thức sự hữu ích
(PEU) 4
Davis (1989); Abugabah và cộng sự (2015); Cheng (2019)
6 Sự hài lòng của người
sử dụng (USS) 4
DeLone và McLean (1992); Tam và Oliveira (2016); Cheng (2019) 7 Lợi ích ròng
(NEB) 4
DeLone và McLean (2003); Petter và cộng sự (2008)
Dựa trên thang đo đã xây dựng, cơ sở lý thuyết và các nghiên cứu liên quan, bảng câu hỏi khảo sát dùng trong nghiên cứu được thể hiện trong Bảng 3.2.
Bảng 3.2. Bảng câu hỏi khảo sát
Khái niệm Biến đo lường Mã
biến
Chất lượng thông tin (IFQ)
Cloud-ERP cung cấp thông tin chính xác IFQ1 Cloud-ERP cung cấp thông tin kịp thời IFQ2 Cloud-ERP cung cấp thông tin hữu ích IFQ3 Cloud-ERP cung cấp thông tin dễ hiểu IFQ4
Chất lượng hệ thống (SYQ)
Cloud-ERP giúp tích hợp dữ liệu trong tổ chức SYQ1 Cloud-ERP có thời gian phản hồi nhanh chóng SYQ2 Cloud-ERP cung cấp những chức năng hữu ích SYQ3
Cloud-ERP đáng tin cậy SYQ4
Sự phù hợp công nghệ-công việc (TTF)
Cloud-ERP phù hợp với nhu cầu công việc TTF1 Cloud-ERP cung cấp dữ liệu phù hợp với công việc TTF2 Cloud-ERP phù hợp với quy trình nghiệp vụ tổ chức TTF3 Cloud-ERP đảm bảo thông tin luôn sẵn sàng TTF4 Sự xác nhận
(CON)
Cloud-ERP mang lại sự trải nghiệm tốt hơn mong đợi CON1 Cloud-ERP cung cấp dịch vụ tốt hơn mong đợi CON2 Nhìn chung, Cloud-ERP đáp ứng được mong đợi CON3
Nhận thức sự hữu ích (PEU)
Cloud-ERP giúp nâng cao hiệu quả công việc PEU1 Cloud-ERP giúp kiểm soát công việc tốt hơn PEU2 Cloud-ERP làm cho công việc trở nên dễ dàng hơn PEU3 Cloud-ERP hữu ích cho công việc PEU4
Sự hài lòng của người sử dụng (USS)
Hài lòng với hiệu suất của Cloud-ERP USS1 Hài lòng với trải nghiệm khi sử dụng Cloud-ERP USS2 Hài lòng với các chức năng mà Cloud-ERP cung cấp USS3 Nhìn chung, Cloud-ERP đạt được sự hài lòng USS4
Lợi ích ròng (NEB)
Cloud-ERP giúp tiết kiệm thời gian NEB1 Cloud-ERP giúp tiết kiệm chi phí quản lý NEB2 Cloud-ERP giúp phát mở rộng thị phần NEB3 Cloud-ERP giúp cải thiện hiệu quả quyết định NEB4
Các biến đo lường sử dụng trong nghiên cứu này được xây dựng dựa trên các thang đo trong các nghiên cứu liên quan và cơ sở lý thuyết. Tuy nhiên, các biến đo lường cũng được điều chỉnh để phù hợp với đề tài nghiên cứu và bối cảnh Cloud- ERP tại Việt Nam (chi tiết thang đo gốc và thang đo sử dụng trong đề tài được thể hiện trong Phụ lục 2).
Trong đó, có 11 thang đo được tham chiếu từ nghiên cứu của DeLone và McLean (1992) và DeLong và McLean (2003) về các yếu tố chất lượng thông tin, chất lượng hệ thống, sự hài lòng của người sử dụng và lợi ích ròng. Những thang đo này chọn lọc và chỉnh sửa theo bối cảnh Cloud-ERP tại Việt Nam. Tiếp theo, có 3 thang đo được tham chiếu từ nghiên cứu về hệ thống m-banking của Tam và Oliveira (2016) do những tương đồng trong cơ sở lý thuyết và các yếu tố nghiên cứu, tuy nhiên các thang đo cũng được điều chỉnh từ khảo sát về m-banking thành khảo sát về Cloud- ERP. Đối với yếu tố sự phù hợp công nghệ-công việc, tác giả tham chiếu các thang đo từ nghiên cứu về TTF của Goodhue và Thompson (1995) và nghiên cứu về Cloud- ERP của Cheng (2019) là những nghiên cứu liên quan đến đề tài. Về yếu tố sự xác nhận, tác giả tham chiếu từ nghiên cứu của Bhattacherjee (2001) và Cheng (2019). Các nghiên cứu này đều có yếu tố độc lập là sự xác nhận và các thang đo tham chiếu cũng đã được kiểm định, cho thấy sự phù hợp khi đưa vào khảo sát về HTTT nói chung và Cloud-ERP nói riêng. Các thang đo của yếu tố nhận thức sự hữu ích được tham chiếu từ nghiên cứu của Davis (1989), Abugabah và cộng sự (2015) và Cheng (2019). Tuy đối tượng nghiên cứu của Davis là CHART – MASTER nhưng có sự tương đồng về cơ sở lý thuyết cũng như yếu tố nghiên cứu, và các thang đo tham chiếu cũng được điều chỉnh theo bối cảnh Cloud- ERP để phù hợp với đề tài. Ngoài ra đề tài còn tham chiếu thang đo từ nghiên cứu của Petter và cộng sự (2008) về yếu tố lợi ích ròng.
3.2.3.2. Kích thước mẫu
Kích thước mẫu là số phiếu khảo sát hợp lệ thu được. Độ tin cậy của thông tin phụ thuộc vào kích thước mẫu được chọn. Nếu kích thước mẫu được chọn nhỏ thì có lợi về mặt thời gian thực hiện, chi phí nhưng độ tin cậy kém, khi tăng kích thước mẫu thì độ tin cậy của thông tin sẽ tăng lên nhưng sẽ mất nhiều thời gian, chi phí và nguồn
lực thực hiện. Mẫu được chọn theo phương pháp thuận tiện. Kích thước mẫu áp dụng trong nghiên cứu này dựa theo yêu cầu của phân tích yếu tố khám phá và phân tích hồi quy đa biến, cụ thể như sau:
Đối với phân tích yếu tố khám phá EFA, theo Hair và cộng sự (2019), cỡ mẫu tối thiểu cần đạt được tính theo công thức N = 5n (n là số biến quan sát). Nghiên cứu này dự kiến có tổng cộng 27 biến quan sát thì kích thước mẫu tối thiểu cần đạt được là 5*27 = 135 mẫu. Hệ số tải yếu tố lớn hơn 0,3 được xem là đạt được mức tối thiểu, hệ số tải yếu tố lớn hơn 0,4 được xem là quan trọng và hệ số tải yếu tố lớn hơn 0,5 được xem là có ý nghĩa thực tiễn. Theo Hair và cộng sự (2019), nếu chọn tiêu chuẩn hệ số tải yếu tố lớn hơn 0,3 thì cỡ mẫu ít nhất là 350. Nếu cỡ mẫu là 100 thì hệ số tải yếu tố phải lớn hơn 0,55. Nếu cỡ mẫu 50 thì hệ số tải yếu tố phải lớn hơn 0,75.
Như vậy, trong đề tài này cỡ mẫu là 200 nên hệ số hệ số tải yếu tố lớn hơn 0,5 là đạt yêu cầu. Và một tiêu chuẩn cần quan tâm trong phân tích yếu tố khám phá là tổng phương sai trích, tổng phương sai trích cho biết các yếu tố rút trích ra giải thích được bao nhiêu phần trăm sự biến thiên của dữ liệu. Theo Hair và cộng sự (2019) thì tổng phương sai trích ≥ 50% là phù hợp.
Đối với phân tích hồi quy đa biến, theo Hair và cộng sự (2019), cỡ mẫu tối thiểu cần đạt được tính theo công thức là N = 50 + 8m (m là số thành phần độc lập). Như vậy, nghiên cứu này có 5 thành phần độc lập thì cỡ mẫu tối thiểu là 50 + 8*5 = 90 mẫu, về cỡ mẫu thì cỡ mẫu tối thiểu áp dụng trong các nghiên cứu thực hành nằm trong khoảng 150 - 200 mẫu. Từ những thông tin trên, nghiên cứu này dự kiến sử dụng cỡ mẫu là 180.
3.2.3.3. Đối tượng lấy mẫu
Những người đã và đang sử dụng hệ thống Cloud-ERP tại các doanh nghiệp trong phạm vi Thành phố Hồ Chí Minh.
3.2.3.4. Phương pháp lấy mẫu
Dữ liệu sẽ được thu thập thông qua hai phương pháp chính là phiếu khảo sát được gửi qua email cho các đối tượng người sử dụng là nhân viên văn phòng, thương nhân,... hoặc phiếu khảo sát sẽ được phát tiếp cho các đối tượng khảo sát.
3.2.3.5. Phỏng vấn chuyên gia
Từ cơ sở lý thuyết đã trình bày tại chương 2 tác giả đã đề xuất 27 biến quan sát cho 7 yếu tố, từ đó tác giả đã tiến hành phỏng vấn các chuyên gia trong lĩnh vực Cloud-ERP để tham khảo ý kiến của các chuyên gia về mức độ khả thi của đề tài với thực tế và tính phù hợp của thang đo mà tác giả đã đề xuất. Trong đó tác giả đã tiến hành phỏng vấn 3 chuyên gia có nhiều năm kinh nghiệm triển khai Cloud-ERP