THIẾT KẾ NGHIÊN CỨU
2. PHƯƠNG PHÁP NGHIÊN CỨU
2.2. Nghiên cứu định lượng
2.2.2. Kế hoạch phân tích dữ liệu
2.2.2.1. Mẫu nghiên cứu, mã hóa, nhập liệu:
Mục đích chính của nghiên cứu là tập trung vào việc đo lường các nhân tố tác động đến sự thỏa mãn khách hàng khi sử dụng dịch vụ di động của VinaPhone.
Điều này đồng nghĩa với việc khám phá sự hài lòng khách hàng, ở đây được đo lường trực tiếp thông qua cảm nhận của khách hàng về các thành phần chất lượng dịch vụ và sự hài lòng khách hàng. Trước hết, thang đo sẽ được mã hoá như sau:
Bảng 2. MÃ HểA CÁC BIẾN TRONG THANG ĐO
STT Mã hóa Diễn giải
Sự hài lòng của khách hàng CHẤT LƯỢNG CUỘC GỌI
1 CG1 Chất lượng đàm thoại rừ ràng
2 CG2 Rớt mạng, nghẽn mạng hiếm khi xảy ra 3 CG3 Phạm vi phủ sóng rộng
DỊCH VỤ GIA TĂNG
4 GT1 Nhiều loại hình dịch vụ gia tăng 5 GT2 Dễ sử dụng các loại dịch vụ gia tăng 6 GT3 Thông tin dịch vụ được cập nhật SỰ THUẬN TIỆN
7 TT1 Thủ tục hòa mạng dễ dàng 8 TT2 Cắt, mở, thay sim nhanh 9 TT3 Đóng cước/mua card đơn giản 10 TT4 Khắc phục sự cố nhanh
11 TT5 Nhân viên làm thủ tục lịch sự
12 TT6 Nhiều điểm giao dịch, hỗ trợ khách hàng 13 TT7 Thời gian làm việc thuận tiện
DỊCH VỤ KHÁCH HÀNG
14 KH1 Dễ gọi vào tổng đài để giải đáp 15 KH2 Nhân viên tiếp nhận thân thiện
16 KH3 Nhân viên đủ trình độ giải quyết thắc mắc 17 KH4 Giải quyết khiếu nại nhanh
18 KH5 Không có hiện tượng gian lận 19 KH6 Chính sách khuyến mãi hợp lý 20 KH7 Thực hiện đúng cam kết
21 KH8 VinaPhone hiểu được nhu cầu của khách hàng CẤU TRÚC GIÁ
22 GC1 Giá cước cuộc gọi phù hợp 23 GC2 Giá cước tin nhắn thích hợp 24 GC3 Giá cả đa dạng theo từng dịch vụ 25 GC4 Dễ chọn gói giá cước phù hợp SỰ HÀI LềNG
26 HL1 Hài lòng với chất lượng cuộc gọi 27 HL2 Hài lòng với giá trị gia tăng
28 HL3 Thuận tiện khi sử dụng VinaPhone 29 HL4 Hài lòng với dịch vụ khách hàng 30 HL5 Hài lòng về cấu trúc giá
Thông tin cá nhân
1 GTi Giới tính
2 DT Độ tuổi
3 NN Nghề nghiệp
4 VT Vị trí công tác
5 TB Loại hình dịch vụ thuê bao 6 TG Thời gian sử dụng dịch vụ 7 SDT Số điện thoại liên lạc
2.2.2.2. Thông tin mẫu thu thập theo các đặc trưng cá nhân:
Lập bảng tần số, biểu đồ để mô tả mẫu thu thập được theo đặc điểm của khách hàng, thời gian sử dụng dịch vụ, loại hình dịch vụ, các nhân tố tác động đến mức độ hài lòng của khách hàng.
2.2.2.3. Phân tích độ tin cậy của thang đo:
Chúng ta muốn kiểm tra xem các biến quan sát nào đóng góp vào việc đo lường khái niệm lý thuyết sự hài lòng của khách hàng đang nghiên cứu, và những mục hỏi nào. Điều này liên quan tới hai phép tính toán: tương quan giữa bản thân các biến quan sát và tương quan của các điểm số của từng mục hỏi với điểm số toàn bộ các mục hỏi cho mỗi người trả lời. Hệ số α của Cronbach là một phép kiểm định thống kê về mức độ chặt chẽ mà các mục hỏi trong thang đo tương quan với nhau, là phép kiểm định về chất lượng của thang đo sử dụng cho từng mục hỏi, xét trên mối quan hệ của mục hỏi với một khía cạnh đánh giá.
Phương pháp này cho phép người phân tích loại bỏ các biến không phù hợp và
hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach’s Alpha. Những mục hỏi không đóng góp nhiều sẽ tương quan yếu với tổng số điểm, như vậy chúng ta chỉ giữ lại những mục hỏi có tương quan mạnh với tổng số điểm. Do đó, những biến có hệ số với tương quan biến tổng (Item Total Corelation) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng được trong trường hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995).
Thông thường, thang đo có Cronbach alpha từ 0.7 đến 0.8 là sử dụng được (Nunnally & Burnstein, 1994). Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lường tốt.
2.2.2.4. Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis):
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 nhân tố khám phá là một phương pháp phân tích thống kê dùng để rút gọn một tập gồm nhiều biến quan sát phụ thuộc lẫn nhau thành một tập biến (gọi là các nhân tố) ít hơn để chúng có ý nghĩa hơn nhưng vẫn chứa đựng hầu hết nội dung thông tin của tập biến ban đầu (Hair & ctg, 1998). Phân tích nhân tố là một kỹ thuật để nhận biết các nhóm hay tập hợp các biến cơ sở để có thể tính toán. 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. Các biến được gọi là nhân tố hay các biến tiềm tàng là do chúng không thể được nhận ra một cách trực tiếp. Như vậy, qua phân tích nhân tố với phép rút gọn dữ liệu và biến bằng cách nhóm chúng lại với các nhân tố đại diện.
Trong phân tích nhân tố khám phá, trị số KMO (Kaisor Meyer Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Đơn vị KMO là tỷ lệ giữa bình phương tương quan của các biến với bình phương tương quan một phần của các biến. Trị số của KMO lớn (giữa 0.5 và 1) có ý nghĩa là phân tích nhân tố là thích hợp, còn nếu như trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra, phân tích nhân tố còn dựa vào Eigenvalue để xác định số lượng các nhân tố. Chỉ những nhân tố nào có Eigenvalue lớn hơn 1 mới được giữ lại trong mô hình phân tích. Đại lượng Eigenvalue đại diện cho phần biến thiên được giải thích bởi mỗi nhân tố. Những nhân tố có Eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn là một biến gốc.
Một phần quan trọng trong bảng phân tích nhân tố là ma trận nhân tố (Component Matrix). Ma trận nhân tố chứa các hệ số biểu diễn các biến chuẩn hóa bằng các nhân tố (mỗi biến là một đa thức của các nhân tố). Những hệ số này (factor loading) biểu diễn tương quan giữa các nhân tố và các biến. Hệ số này lớn cho biết nhân tố và biến có liên hệ chặt chẽ với nhau. Các hệ số này dùng để giải thích các nhân tố. Nghiên cứu này sử dụng phương pháp trích nhân tố Component Principle và phương pháp xoay nhân tố được sử dụng phổ biến nhất là phương pháp Varimax (xoay nguyên góc các nhân tố để tối thiểu hóa số lượng biến có hệ số lớn tại cùng một nhân tố, vì vậy sẽ tăng cường khả năng giải thích các nhân tố).
Theo Hair & ctg (1998), hệ số tải nhân tố factor loading là chỉ tiêu để đảm bảo mức ý nghĩa thiết thực của EFA. factor loading lớn hơn 0.3 được xem là đạt được mức tối thiểu, factor loading lớn hơn 0.4 được xem là quan trọng, lớn hơn 0.5 được xem là có ý nghĩa thực tiễn. Theo Hair & ctg cho rằng, nếu chọn tiêu chuẩn factor loading lớn hơn 0.3 thì cỡ mẫu ít nhất là 350, nếu cỡ mẫu khoảng 100, thì factor loading lớn hơn 0.55, còn nếu cỡ mẫu khoảng 50 thì factor loading phải lớn hơn 0.75. Như vậy, trong nghiên cứu này với cỡ mẫu khoảng 150, thì hệ số tải nhân tố phải lớn hơn 0.5 thì mới đạt yêu cầu.
2.2.2.5. Xây dựng phương trình hồi quy và kiểm định một số giả thuyết:
Sau khi rút được các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định là cần thiết trong mô hình hồi quy tuyến tính bội như kiểm tra phần dư chuẩn hóa ei, kiểm tra phương sai sai số không đổi, kiểm tra tương quan giữa các phần dư (kiểm định Durbin – Watson), kiểm tra hệ số phóng đại VIF (VIF = 1/1 - Ri2), cũng như một liên hệ gần nhất của nó là kiểm tra độ chấp nhận
(Tolerance = 1 - Ri2, với Ri là hệ số xác định của biến Xi được hồi quy bởi tất cả các biến độc lập khác) được sử dụng để đo lường hiện tượng đa cộng tuyến. Nếu như các giả định không bị vi phạm thì mô hình hồi quy tuyến tính bội được xây dựng.
Để đánh giá độ phù hợp của mô hình hồi quy tuyến tính bội thì chúng ta sẽ xem xét hệ số xác định R2, với R2 có khuynh hướng là ước lượng lạc quan của thước đo sự phù hợp của mô hình trong trường hợp có nhiều hơn một biến giải thích. Nhưng trong trường hợp này, R2 hiệu chỉnh (Adjusted R Square) từ R2 được sử dụng để phản ảnh sát hơn mức độ phù hợp của mô hình hồi quy tuyến tính bội, cho biết mô hình hồi quy được xây dựng đến cỡ nào. Kết quả nghiên cứu từ bảng phân tích hồi quy ANOVA sẽ được đề cập để xem xét các yếu tố ảnh hưởng độ ảnh hưởng và các mức độ ảnh hưởng của các thành phần đến sự hài lòng của khách hàng.
Cuối cùng là tiến hành kiểm định một số giả thuyết đặt ra về sự khác biệt trong chất lượng dịch vụ và sự hài lòng theo các biến phân loại về đặc trưng cá nhân bằng phân tích phương sai ANOVA với mức ý nghĩa α = 0.05.