3.2. Nghiên cứu định tính sơ bộ
3.2.1. Mục đích
Nghiên cứu định tính nhằm khám phá các thành phần của các khái niệm trải nghiệm thương hiệu, sự hài lòng của khách hàng và ý định mua lặp lại; điều chỉnh và bổ sung các biến quan sát dùng để đo lường các khái niệm nghiên cứu. Nghiên cứu định tính được thực hiện thông qua thảo luận nhóm tập trung với các đối tượng khảo sát.
3.2.2. Thiết kế nghiên cứu định tính
Có 3 cách để có được thang đo sử dụng trong nghiên cứu khoa học, đó là: (1) Sử dụng nguyên thang đo có sẵn, đã được xây dựng từ các nhà nghiên cứu trước; (2) Sử dụng thang đo đã có sẵn, đã được xây dựng nhưng có sự điều chỉnh để phù hợp với đối tượng nghiên cứu; và (3) Xây dựng thang đo hoàn toàn mới (Creswell, 2003).
Tác giả thực hiện nghiên cứu này theo cách tiếp cận thứ (2) ở trên. Các thang đo tác giả sử dụng được xây dựng và kiểm định lại trên nhiều thương hiệu khác nhau, ở những quốc gia khác trên thế giới nên không loại trừ khả năng có sự khác biệt so với trường hợp thương hiệu CGV tại thị trường Việt Nam. Vì vậy tác giả thực hiện nghiên cứu định tính thông qua thảo luận nhóm với cỡ mẫu n=8, nhằm khám phá thang đo và điều chỉnh các biến đo lường các thang đo để đảm bảo giá trị nội dung phục vụ cho nghiên cứu định lượng. Dàn bài thảo luận nhóm được thiết kế dựa vào dữ liệu là các nội dung và phát biểu mô tả các khái niệm đã có từ những nghiên cứu trên thế giới (dàn bài thảo luận nhóm, danh sách thành viên tham gia thảo luận nhóm và kết quả thảo luận nhóm của nghiên cứu định tính sơ bộ được trình bày ở phụ lục 1, 2 và 3).
3.2.3. Kết quả nghiên cứu định tính và đề xuất thang đo
3.2.3.1. Thang đo trải nghiệm thương hiệu
Dựa trên nền tảng lý luận và thang đo trải nghiệm thương hiệu từ những nghiên cứu trước đây của Brakus và cộng sự (2009), Thomas Cleff (2013), tác giả
đưa vào mô hình nghiên cứu khái niệm trải nghiệm thương hiệu gồm 4 thành phần, với tổng cộng 12 biến quan sát: Trải nghiệm cảm giác, trải nghiệm tình cảm, trải nghiệm trí tuệ và trải nghiệm hành vi.
Đề tài sử dụng thang đo trải nghiệm thương hiệu của Brakus và cộng sự (2009) bao gồm 12 biến quan sát như sau (theo bảng 3.1):
Bảng 3.1. Tổng hợp các biến thang đo trải nghiệm thương hiệu Mã hóa Nội dung thang đo Mã hóa Nội dung thang đo
Trải nghiệm cảm giác
Camgiac1 Thương hiệu CGV thu hút các giác quan của tôi Camgiac2 Tôi cảm thấy thương hiệu CGV thật thú vị
Camgiac3 Thương hiệu CGV tạo cho tôi ấn tượng mạnh mẽ
Trải nghiệm tình cảm
Tinhcam1 CGV là một thương hiệu giàu cảm xúc Tinhcam2 Tôi có thiện cảm dành cho thương hiệu CGV Tinhcam3 Thương hiệu CGV mang lại cho tôi nhiều tình cảm
Trải nghiệm trí tuệ
Tritue1 Tôi có nhiều suy nghĩ khi thấy thương hiệu CGV Tritue2 Thương hiệu CGV gây hứng thú cho tôi
Tritue3 Thương hiệu CGV kích thích trí tò mò và giúp tôi giải quyết vấn đề của mình
Trải nghiệm hành vi
Hanhvi1 Thương hiệu CGV nhắc nhở cho hành động và cư xử của tôi Hanhvi2 Thương hiệu CGV mang đến những trải nghiệm thể chất cho tôi Hanhvi3 Thương hiệu CGV định hướng hành vi của tôi
3.2.3.2. Thang đo sự hài lòng của khách hàng
Khái niệm sự hài lòng được nhiều nhà nghiên cứu định nghĩa khác nhau. Thang đo sự hài lòng là một thang đo đơn hướng. Thang đo sự hài lòng của khách hàng được tác giả tổng hợp từ thang đo của Oliver (1997), Zeitham và Bitner (2000) gồm 4 biến quan sát như sau (theo bảng 3.2):
Bảng 3.2. Tổng hợp các biến thang đo sự hài lòng của khách hàng Mã hóa Nội dung thang đo Mã hóa Nội dung thang đo
Hailong1 Tôi cảm thấy hài lòng với thương hiệu CGV
Hailong2 Tôi cảm thấy rất thích thú khi được trải nghiệm thương hiệu CGV
Hailong3 Tôi hạnh phúc với những gì tôi thể hiện được khi sử dụng thương hiệu CGV Hailong4 Tôi cảm thấy hài lòng với quyết định lựa chọn thương hiệu CGV
(Nguồn: Oliver, 1997; Zeitham và Bitner, 2000)
3.2.3.3. Thang đo ý định mua lặp lại
Trong nghiên cứu của Ishida và Taylor (2012) khi kiểm chứng mô hình của Brakus và cộng sự (2009) ở lĩnh vực bán lẻ, đã chỉ ra đối với các thương hiệu của sản phẩm bán lẻ, khi khách hàng trải nghiệm sản phẩm, các thông tin về cảm giác của người tiêu dùng có được sẽ được khách hàng ghi nhớ và có khả năng những thông tin này làm tăng ý định mua và mua lặp lại sản phẩm. Gần đây trong nghiên cứu của Reham Ebrahim, Ahmad Ghoneim, Zahir Irani và Ying Fan (2016) đã kiểm định mô hình ảnh hưởng của trải nghiệm thương hiệu đến sự ưa thích thương hiệu và ý định mua lặp lại.
Thang đo ý định mua lặp lại được tác giả tổng hợp từ thang đo của Ishida và Taylor (2012) và Reham Ebrahim, Ahmad Ghoneim, Zahir Irani và Ying Fan (2016) của gồm 4 biến quan sát như sau (theo bảng 3.3):
Bảng 3.3. Tổng hợp các biến thang đo ý định mua lặp lại Mã hóa Nội dung thang đo Mã hóa Nội dung thang đo
Ydinhll1 Tôi nghĩ ngay đến CGV khi có nhu cầu
Ydinhll2 Tôi không nghĩ đến lựa chọn thay thế khác ngoài CGV
Ydinhll3 Tôi sẽ tiếp tục mua vé xem phim của CGV trong tương lai gần Ydinhll4 Nếu tôi mua vé xem phim một lần nữa, tôi sẽ mua của CGV
(Nguồn: Ishida và Taylor, 2012; Reham Ebrahim, Ahmad Ghoneim, Zahir Irani và Ying Fan, 2016)
3.2.3.4. Thiết kế phiếu khảo sát
Phiếu khảo sát ngoài những câu hỏi cần thiết để đo lường các biến có liên quan trong mô hình nghiên cứu thì cần có một phần thông tin cá nhân ngắn gọn về đối tượng được khảo sát.
Tất cả các câu hỏi thuộc 3 thang đo trong mô hình nghiên cứu đều có nguồn gốc ban đầu là tiếng Anh. Các đối tượng khảo sát là các khách hàng của CGV khu vực TP. Hồ Chí Minh nên không đảm bảo rằng những người tham gia trả lời đều có khả năng tiếng Anh tốt, hơn nữa nhìn chung thì tiếng Anh không phải là ngôn ngữ được sử dụng phổ biến tại Việt Nam và các vấn đề nghiên cứu cũng còn khá mới và phức tạp trong thị trường. Vì thế, tất cả các câu hỏi nghiên cứu đã được dịch sang tiếng Việt và trao đổi, thảo luận với các chuyên gia cũng như so sánh với một số nghiên cứu trong nước để đảm bảo được ý nghĩa tương đương (Craig Douglas, 2000).
Bourque và Fielder (1995) cho rằng cấu trúc của câu hỏi được thiết kế càng rõ ràng càng tốt. Trong nghiên cứu này, tác giả chia phiếu khảo sát thành hai phần. Phần một bao gồm các câu hỏi chính trong nghiên cứu với thang đo Likert từ 1 điểm đến 7 điểm nhằm tăng mức độ chính xác của thang đo. Những câu hỏi dùng để đo lường cùng một thang đo sẽ được nhóm lại với nhau. Phần hai bao gồm các câu
3.3. Nghiên cứu định lượng chính thức
3.3.1. Mẫu nghiên cứu
Quá trình lấy mẫu nghiên cứu chủ yếu liên quan đến việc xác định đối tượng, mục tiêu, khung mẫu, xác định kích thước mẫu và lựa chọn phương pháp lấy mẫu (Zikmund, 2003). Theo Nguyễn Đình Thọ (2011), xác định kích thước mẫu là công việc không hề dễ dàng trong nghiên cứu khoa học. Kích thước mẫu cần cho nghiên cứu phụ thuộc vào nhiều yếu tố như phương pháp xử lý (phân tích EFA, CFA, hồi quy, SEM …), độ tin cậy cần thiết. Kích thước mẫu càng lớn thì càng tốt nhưng tốn chi phí và thời gian thu thập. Trong khi đó, vấn đề thế nào là một mẫu lớn, mức độ lớn thế nào của một mẫu vẫn chưa được giải quyết (Hair và cộng sự, 2010). Hair và cộng sự cho rằng, kích thước mẫu phải được xem xét trong sự tương quan với số lượng các thông số ước lượng và đề nghị tỷ lệ này cần đạt tối thiểu là 5:1 khi sử dụng mô hình SEM. Điều này cũng phù hợp với quan điểm trước đó của Bollen (1979), dẫn trong Nguyễn Đình Thọ (2012), cho rằng tỷ lệ cần thiết để thiết kế cỡ mẫu là: tối thiểu phải có năm quan sát trên mỗi thông số ước lượng (tỷ lệ 5:1).
Số biến quan sát chính thức được sử dụng trong nghiên cứu là 20 biến, do đó theo khuyến cáo của Bollen (1979), số mẫu tối thiểu phải đạt 160. Mặt khác, theo Raykov và Widaman (1995), dẫn trong Nguyễn Đình Thọ và Nguyễn Thị Mai Trang (2008), SEM đòi hỏi kích thước mẫu lớn vì nó dựa vào lý thuyết phân phối mẫu lớn. Kinh nghiệm của Tabachnick và Fidell (2001) cho thấy kích thước mẫu 300 là tốt, 500 là rất tốt và 1,000 (dấu “,” trong đề tài dùng phân biệt phần ngàn) là tuyệt vời. Nên theo đó tác giả đã phát ra 360 phiếu khảo sát (20 phiếu/1 rạp chiếu phim) và thu về sàn lọc được 312 phiếu hợp lệ. Mẫu nghiên cứu của đề tài là 312.
3.3.2. Phương pháp phân tích dữ liệu
(1) Đánh giá độ tin cậy của thang đo: Được thực hiện thông qua phân tích hệ số tin cậy Cronbach’s Alpha. Cronbach’s Alpha là phép kiểm định về mức độ chặt chẽ của tập hợp các biến quan sát trong thang đo. Theo Nguyễn Đình Thọ (2012), để tính Cronbach’s Alpha cho một thang đo thì thang đo phải có tối thiểu ba biến đo
lường. Về tiêu chuẩn đo lường, có khá nhiều quan điểm từ các nhà nghiên cứu. Hair và cộng sự (2010) cho rằng, khi hệ số Cronbach’s Alpha đạt từ 0.8 (dấu “.” trong đề tài dùng phân biệt phần thập phân) trở lên thì thang đo được đánh giá là tốt, từ 0.7 đến cận 0.8 là chấp nhận được. Tuy nhiên, cũng có nhiều nhà nghiên cứu đề nghị rằng Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đo lường là mới hoàn toàn hoặc là mới đối với người trả lời trong bối cảnh nghiên cứu (Nunally, 1978 ; Peterson, 1994; Slater, 1995 trích trong Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Mặt khác, nếu hệ số Cronbach’s Alpha quá cao (lớn hơn 0.95) thì có khả năng xuất hiện biến quan sát thừa ở trong thang đo, khi đó biến thừa cần được loại bỏ. Ngoài ra, Cronbach’s Alpha chỉ cho biết độ tin cậy của thang đo mà không cho biết được biến nào nên giữ lại và biến nào nên loại bỏ. Do đó, người ta còn sử dụng hệ số tương quan biến tổng (item – total correlation) để đánh giá. Trong nghiên cứu này, các biến không phù hợp sẽ bị loại bỏ khi chúng có hệ số tương quan biến tổng nhỏ hơn 0.3 và đồng thời tiêu chuẩn lựa chọn thang đo là hệ số Cronbach’s Alpha từ 0.7 trở lên.
(2) Phân tích nhân tố khám phá (EFA): Các thang đo đã đạt yêu cầu về độ tin cậy sẽ được đưa vào để phân tích nhân tố khám phá, nhằm rút gọn một tập nhiều biến quan sát thành một tập biến ít hơn (thường được gọi là nhân tố). Các nhân tố được rút gọn này sẽ có ý nghĩa hơn và vẫn chứa đựng hầu hết nội dung thông tin của tập biến quan sát ban đầu. Ngoài ra, phân tích EFA còn dùng để đánh giá giá trị thang đo (tính đơn hướng, giá trị hội tụ và giá trị phân biệt). Các tiêu chuẩn áp dụng đối với phân tích nhân tố EFA như sau:
- Tiêu chuẩn Barlett và hệ số KMO: dùng để đánh giá sự thích hợp của việc phân tích nhân tố EFA. Khi 0.5 ≤ KMO ≤ 1 và sig ≤ 0.5 thì EFA được coi là thích hợp (bác bỏ giả thuyết H0: các biến không có tương quan với nhau trong tổng thể). Khi KMO <0.5 thì phân tích nhân tố EFA có khả năng không thích hợp với bộ dữ liệu nghiên cứu.
- Tiêu chuẩn rút trích nhân tố: Gồm 2 chỉ số chính là Eigenvalue (đại diện cho lượng biến thiên được giải thích bởi các nhân tố) và chỉ số tổng phương sai trích Cumulative (cho biết các nhân tố trích được giải thích được bao nhiêu phần trăm sự biến thiên của các biến quan sát). Gerbing (1988) cho rằng, khi Eigenvalue ≥1 thì sẽ có tác dụng tóm tắt thông tin tốt hơn biến gốc, ngược lại Eigenvalue <1 thì việc tóm tắt thông tin của nhân tố mới sẽ không tốt bằng biến gốc. Do đó, các nhân tố chỉ được rút trích tại Eigenvalue ≥1 và được chấp nhận khi tổng phương sai trích ≥50%. Tuy nhiên, đối với những phương pháp trích và phép xoay nhân tố khác nhau sẽ cho trị số Eigenvalue và phương sai trích khác nhau. Theo Gerbing (1988), phương pháp trích Pricipal Axis Factoring với phép xoay Promax có phương sai trích bé hơn nhưng phản ánh cấu trúc dữ liệu chính xác hơn so với phương pháp trích Pricipal Components với phép xoay Varimax. Bên cạnh đó, theo Kline (2005) và Nguyễn Khánh Duy (2009), nếu sau phân tích EFA là phân tích hồi quy thì có thể sử dụng phương pháp trích Pricipal Components với phép xoay Varimax, còn nếu sau phân tích EFA là phân tích nhân tố khẳng định (CFA) và phân tích mô hình cấu trúc tuyến tính (SEM) thì nên sử dụng phương pháp trích Pricipal Axis Factoring với phép xoay Promax. Vì vậy, phương pháp Pricipal Axis Factoring với phép xoay Promax và điểm dừng khi trích các yếu tố (Eigenvalue) ≥1 được dùng cho toàn bộ phân tích EFA trong nghiên cứu này.
- Tiêu chuẩn hệ số tải nhân tố (Factor loadings): Biểu thị tương quan giữa các biến với nhân tố. Theo Hair và cộng sự (1998), Factor loadings > 0.3 được xem là đạt mức tối thiểu, Factor loadings > 0.4 được xem là quan trọng, Factor loadings >0.5 thì có ý nghĩa thực tiễn. Nếu tiêu chuẩn chọn Factor loadings càng thấp thì số lượng mẫu cần phải cao (thường trên 350) và ngược lại. Nếu như các biến có Factor loadings không thỏa mãn điều kiện trên hoặc được trích vào các nhân tố khác nhau mà chênh lệch trọng số rất nhỏ, không tạo nên sự khác biệt để đại diện cho một nhân tố thì biến đó sẽ bị loại. Trong nghiên cứu này, để đảm bảo được ý nghĩa thực tiễn, các biến có hệ số tải nhân tố < 0.5 sẽ bị loại khỏi mô hình. Tuy nhiên, nếu biến nào đó có hệ số Factor loadings nhỏ hơn, gần bằng 0.5 nhưng được nhìn nhận chủ
quan là phù hợp trong việc kết hợp với các biến khác để giải thích cho nhân tố chính và đảm bảo được hệ số Cronbach’s Alpha cao thì có thể được giữ lại. Các hệ số tải này sau đó được sử dụng để gắn tên cho mỗi nhân tố theo nguyên tắc biến nào có hệ số tải nhân tố cao hơn được xem là quan trọng hơn (về ý nghĩa thống kê) và vì thế có ảnh hưởng lớn hơn đối với tên đặt cho nhân tố đó.
(3) Phân tích nhân tố khẳng định (CFA): So với các phương pháp phân tích truyền thống như phân tích nhân tố khám phá EFA, phân tích hệ số tương quan, phân tích hồi quy… thì phương pháp phân tích nhân tố khẳng định (CFA) có nhiều ưu điểm hơn (Bagozzi và Foxali, 1996). Thứ nhất, CFA cho phép chúng ta kiểm định giá trị hội tụ và giá trị phân biệt một cách trực tiếp mà không cần dùng nhiều bước trung gian như các phương pháp truyền thống. Thứ hai, thông qua CFA, chúng ta có thể kiểm định cấu trúc lý thuyết của các thang đo và mối quan hệ giữa một khái niệm nghiên cứu với các khái niệm khác mà không bị chệch do sai số đo lường (Steenkamp và Van Trijp, 1991). Vì thế, trong nghiên cứu này, sau khi đánh giá sơ bộ thang đo bằng hệ số Cronbach’s Alpha và phân tích nhân tố khám phá EFA, tác giả ứng dụng CFA để kiểm định mức độ phù hợp của thang đo với dữ liệu thu thập được (thông tin thị trường). Để kiểm định các giá trị và các giả thuyết của mô hình, tác giả sử dụng phần mềm AMOS phiên bản 20.0.
Có 2 bộ tiêu chuẩn chính để đánh giá thang đo khi thực hiện CFA là: Các tiêu chuẩn đánh giá mức độ phù hợp chung của mô hình và các tiêu chuẩn đánh giá mức độ phù hợp theo các khía cạnh giá trị nội dung.
- Đánh giá mức độ phù hợp chung của mô hình:
Để đo lường mức độ phù hợp chung của mô hình với thông tin thị trường, tác giả sử dụng các tiêu chuẩn: Chi-square (Chi bình phương CMIN), Chi-square điều chỉnh theo bậc tự do (CMIN/df), chỉ số GFI (Goodness of Fit Index) - đo độ phù hợp tuyệt đối (không điều chỉnh bậc tự do) của mô hình cấu trúc và mô hình đo lường với bộ dữ liệu khảo sát; chỉ số TLI (Tucker and Lewis Index), chỉ số CFI
(Comparative Fit Index), chỉ số RMSEA (Root Mean Square Error Approximation) - xác định mức độ phù hợp của mô hình so với tổng thể.
Mô hình được xem là phù hợp với dữ liệu thị trường khi kiểm định Chi- square có giá trị p-value từ 0.05 trở lên (p ≥ 0.05). Tuy nhiên, Chi-square có nhược điểm là phụ thuộc vào kích thước mẫu nghiên cứu. Khi kích thước mẫu nghiên cứu