Cá nhân hoá hành trình khách hàng dựa trên AI tác động đến lòng trung thành thương hiệu - Vai trò trung gian của niềm tin thương hiệu

ThS. Lê Thị Tường Vi

FPT Education

Email: [email protected]

Tóm tắt

Nghiên cứu phân tích tác động của cá nhân hóa hành trình khách hàng dựa trên trí tuệ nhân tạo (AI) đến lòng trung thành thương hiệu, đồng thời kiểm định vai trò trung gian của niềm tin thương hiệu trong bối cảnh ngành thời trang tại Thành phố Hồ Chí Minh. Dựa trên lý thuyết marketing mối quan hệ và hành trình khách hàng, nghiên cứu sử dụng dữ liệu khảo sát 457 người tiêu dùng, phân tích bằng mô hình PLS-SEM. Kết quả cho thấy cá nhân hóa giao tiếp và nội dung tác động mạnh nhất đến niềm tin thương hiệu, tiếp theo là cá nhân hóa đề xuất sản phẩm; cả hai đều ảnh hưởng trực tiếp và gián tiếp đến lòng trung thành thông qua niềm tin. Cá nhân hóa trải nghiệm đa kênh tác động trực tiếp đến lòng trung thành nhưng không thông qua niềm tin. Nghiên cứu khẳng định vai trò then chốt của cá nhân hóa dựa trên AI trong việc xây dựng niềm tin và duy trì lòng trung thành thương hiệu.

Từ khóa: Cá nhân hóa AI, hành trình khách hàng, lòng trung thành thương hiệu, ngành thời trang, niềm tin thương hiệu.

Abstract

This study analyzes the impact of AI-based personalized customer journeys on brand loyalty and examines the mediating role of brand trust in the fashion industry in Ho Chi Minh City. Using survey data from 457 consumers and PLS-SEM analysis, results show that personalized communication and content have the strongest impact on brand trust, followed by personalized product recommendations; both directly and indirectly influence loyalty through trust. Personalized multi-channel experiences directly impact loyalty but not through trust. The study confirms the crucial role of AI-based personalization in building trust and maintaining brand loyalty.

Keywords: AI personalization, Customer journey, Brand loyalty, Fashion industry, Brand trust.

GIỚI THIỆU

Trong bối cảnh chuyển đổi số, trí tuệ nhân tạo (AI) đang định hình lại cách doanh nghiệp cá nhân hóa hành trình khách hàng, từ đề xuất sản phẩm đến giao tiếp và trải nghiệm mua sắm đa kênh (Lemon & Verhoef, 2016; Arora et al., 2008). Trong ngành thời trang - nơi khách hàng có nhiều lựa chọn thay thế và chi phí chuyển đổi thấp, lòng trung thành thương hiệu là mục tiêu chiến lược nhưng khó duy trì. Các nghiên cứu trước cho thấy cá nhân hóa dựa trên AI có thể gia tăng mức độ gắn kết và lòng trung thành thông qua trải nghiệm phù hợp và giá trị cảm nhận cao hơn (Ahmed et al., 2025; Esposito & Willie, 2025). Tuy nhiên, việc sử dụng dữ liệu cá nhân cũng đặt ra lo ngại về quyền riêng tư, khiến niềm tin thương hiệu trở thành yếu tố then chốt quyết định hiệu quả của cá nhân hóa (Morgan & Hunt, 1994; Aydin, 2026).

Dù vai trò trung gian của niềm tin thương hiệu đã được khẳng định trong quan hệ giữa trải nghiệm thương hiệu và lòng trung thành (Shin et al., 2019; Villagra et al., 2021), số nghiên cứu thực nghiệm phân tích vai trò này trong bối cảnh cá nhân hóa hành trình khách hàng dựa trên AI tại ngành thời trang ở các thị trường mới nổi như Việt Nam vẫn còn hạn chế. Xuất phát từ khoảng trống đó, nghiên cứu này phân tích tác động của cá nhân hóa hành trình khách hàng dựa trên AI đến lòng trung thành thương hiệu, đồng thời kiểm định vai trò trung gian của niềm tin thương hiệu, trong bối cảnh nhóm hàng cá nhân ngành thời trang tại Thành phố Hồ Chí Minh. Kết quả kỳ vọng đóng góp cả về lý thuyết và thực tiễn, giúp doanh nghiệp hiểu rõ hơn cơ chế tác động của AI trong xây dựng mối quan hệ bền vững với khách hàng.

CƠ SỞ LÝ THUYẾT

Hành trình khách hàng là toàn bộ quá trình tương tác của khách hàng với thương hiệu qua nhiều điểm chạm trước, trong và sau khi mua (Lemon & Verhoef, 2016). AI cho phép doanh nghiệp thu thập, phân tích và xử lý dữ liệu khách hàng theo thời gian thực để cá nhân hóa hành trình này ở mức độ cao hơn so với các phương pháp truyền thống (Arora et al., 2008). Nghiên cứu tiếp cận cá nhân hóa dựa trên AI qua ba khía cạnh: (1) Cá nhân hóa đề xuất sản phẩm - thông qua hệ thống gợi ý dựa trên lịch sử mua sắm và hành vi duyệt web, giúp khách hàng tiết kiệm thời gian tìm kiếm và củng cố niềm tin rằng thương hiệu hiểu nhu cầu của họ (Esposito & Willie, 2025; Badhusha et al., 2025); (2) Cá nhân hóa giao tiếp và nội dung - việc điều chỉnh thông điệp, hình thức và thời điểm giao tiếp phù hợp với từng khách hàng, tạo trải nghiệm tích cực nếu cân bằng được tính hữu ích với nguy cơ xâm phạm quyền riêng tư (Ahmed et al., 2025; Aydin, 2026); và (3) Cá nhân hóa trải nghiệm mua sắm đa kênh - khả năng cung cấp trải nghiệm nhất quán, liền mạch giữa các kênh online và offline, đòi hỏi hạ tầng công nghệ và năng lực quản trị dữ liệu phức tạp (Lemon & Verhoef, 2016).

Niềm tin thương hiệu là mức độ sẵn sàng của khách hàng tin tưởng vào năng lực, sự trung thực và thiện chí của thương hiệu (Morgan & Hunt, 1994), gắn liền với cách thương hiệu thu thập và bảo vệ dữ liệu cá nhân trong bối cảnh ứng dụng AI (Aydin, 2026). Nhiều nghiên cứu khẳng định niềm tin là yếu tố trung gian quan trọng giữa trải nghiệm thương hiệu và các kết quả hành vi tích cực như lòng trung thành (Shin et al., 2019; Villagra et al., 2021). Lòng trung thành thương hiệu phản ánh cam kết lâu dài của khách hàng trong việc tiếp tục mua và ưu tiên một thương hiệu so với đối thủ cạnh tranh (Oliver, 1999), xuất phát không chỉ từ sự hài lòng chức năng mà còn từ mối quan hệ cảm xúc và sự tin tưởng (Fournier, 1998).

Dựa trên lý thuyết marketing mối quan hệ (Morgan & Hunt, 1994) và lý thuyết hành trình khách hàng (Lemon & Verhoef, 2016), nghiên cứu đề xuất mô hình trong đó ba thành phần cá nhân hóa dựa trên AI - đề xuất sản phẩm (AIPRO), giao tiếp và nội dung (AICOM), trải nghiệm đa kênh (AIEXP) - tác động trực tiếp đến niềm tin thương hiệu (BT) và lòng trung thành thương hiệu (BL); đồng thời BT đóng vai trò trung gian trong quan hệ giữa cá nhân hóa dựa trên AI và BL (Hình 1).

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của tác giả

Từ mô hình nghiên cứu, các giả thuyết được xây dựng như sau:

H1a/H1b: Cá nhân hóa đề xuất sản phẩm dựa trên AI (AIPRO) tác động dương đến niềm tin thương hiệu (H1a) và lòng trung thành thương hiệu (H1b).

H2a/H2b: Cá nhân hóa giao tiếp và nội dung dựa trên AI (AICOM) tác động dương đến niềm tin thương hiệu (H2a) và lòng trung thành thương hiệu (H2b).

H3a/H3b: Cá nhân hóa trải nghiệm mua sắm đa kênh dựa trên AI (AIEXP) tác động dương đến niềm tin thương hiệu (H3a) và lòng trung thành thương hiệu (H3b).

H4: Niềm tin thương hiệu tác động dương đến lòng trung thành thương hiệu.

H5a/H5b/H5c: Niềm tin thương hiệu đóng vai trò trung gian trong quan hệ giữa AIPRO (H5a), AICOM (H5b), AIEXP (H5c) và lòng trung thành thương hiệu.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng phương pháp định lượng để kiểm định mô hình và các giả thuyết đề xuất, thông qua khảo sát người tiêu dùng đã từng mua sắm sản phẩm thời trang cá nhân (quần áo, giày dép, phụ kiện) và có trải nghiệm với các hình thức cá nhân hóa dựa trên AI tại Thành phố Hồ Chí Minh.

Dữ liệu được thu thập bằng bảng câu hỏi cấu trúc theo phương pháp chọn mẫu thuận tiện, phân phối trực tiếp và trực tuyến. Sau khi làm sạch dữ liệu, nghiên cứu thu được 457 bảng khảo sát hợp lệ, đáp ứng yêu cầu cỡ mẫu tối thiểu cho phương pháp PLS-SEM (Hair et al.).

Các khái niệm được đo lường bằng thang đo Likert 5 mức độ (1 = Hoàn toàn không đồng ý, 5 = Hoàn toàn đồng ý), kế thừa và điều chỉnh từ các thang đo đã được kiểm định trong các nghiên cứu trước, có hiệu chỉnh ngôn ngữ phù hợp với bối cảnh Việt Nam.

Dữ liệu được phân tích bằng SPSS (thống kê mô tả, Cronbach's Alpha, phân tích nhân tố khám phá EFA) và SmartPLS (mô hình PLS-SEM), gồm hai bước: đánh giá mô hình đo lường (độ tin cậy, giá trị hội tụ, giá trị phân biệt) và mô hình cấu trúc (hệ số đường dẫn, R², f², Q², kiểm định giả thuyết bằng Bootstrap 5.000 mẫu lặp). Để giảm sai lệch do phương pháp chung, bảng hỏi được thiết kế ẩn danh, sắp xếp câu hỏi theo nhóm khái niệm khác nhau, đồng thời kiểm tra đa cộng tuyến bằng hệ số VIF. Bài viết sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Thống kê mô tả

Kết quả thống kê cho thấy toàn bộ 21 biến quan sát đều có giá trị trung bình từ 4.24 đến 4.47 (thang đo 5 điểm) và độ lệch chuẩn từ 0.564 đến 0.715, cho thấy khách hàng có xu hướng đánh giá tích cực và khá đồng thuận về các khía cạnh cá nhân hóa dựa trên AI (Bảng 1). Kiểm định One-Sample T-Test (giá trị kiểm định = 4) cho thấy tất cả các biến đều có trung bình cao hơn 4 một cách có ý nghĩa thống kê (p < 0.001).

Bảng 1: Thống kê mô tả các biến quan sát (N = 457)

Nguồn: Xử lý số liệu SPSS từ khảo sát N=457

Mẫu nghiên cứu gồm 457 người, phân bố khá cân đối giữa nữ (53%) và nam (47%), tập trung ở nhóm 18-34 tuổi (khoảng 70%), chủ yếu là nhân viên văn phòng (42%) và học sinh/sinh viên (28.2%) (Bảng 2). Về kênh mua sắm, sàn thương mại điện tử được sử dụng nhiều nhất (43.4% người được hỏi), tiếp theo là cửa hàng vật lý (28.1%), website thương hiệu (24.4%) và mạng xã hội (17%). Kiểm định ANOVA một chiều cho thấy không có khác biệt có ý nghĩa thống kê giữa các nhóm nhân khẩu học về đánh giá các biến trong mô hình (p > 0.05 cho tất cả), cho phép phân tích mô hình một cách tổng thể.

Bảng 2: Đặc điểm nhân khẩu học của mẫu nghiên cứu

Nguồn: Xử lý số liệu SPSS từ khảo sát N=457

Đánh giá thang đo

Kiểm định KMO-Bartlett (KMO = 0.856, Chi-square = 2977.321, p < 0.001) và phân tích nhân tố khám phá EFA (Principal Axis Factoring, xoay Promax) trích được đúng 5 nhân tố theo cấu trúc lý thuyết, giải thích 44.49% phương sai. Hai biến AICOM5 và AIEXP2 bị loại do hệ số tải thấp (< 0.5); 19 biến còn lại được sử dụng cho các phân tích PLS-SEM tiếp theo.

Kết quả đánh giá mô hình đo lường (Bảng 3) cho thấy tất cả các khái niệm đạt độ tin cậy tốt (Cronbach's Alpha từ 0.735 đến 0.787; Composite Reliability từ 0.829 đến 0.862) và giá trị hội tụ đạt yêu cầu (AVE từ 0.517 đến 0.609). Hệ số tải ngoài của các biến quan sát dao động từ 0.699 đến 0.816, đều vượt ngưỡng khuyến nghị 0.7.

Bảng 3: Độ tin cậy và giá trị hội tụ của thang đo

Nguồn: Xử lý số liệu SmartPLS từ khảo sát N=457

Giá trị phân biệt được xác nhận qua tiêu chí Fornell-Larcker: căn bậc hai của AVE (đường chéo, Bảng 4) đều lớn hơn tương quan giữa các khái niệm. Kết quả này được củng cố thêm bởi tỷ số HTMT, với toàn bộ các cặp khái niệm đều nhỏ hơn ngưỡng 0.85 (cao nhất là BT-AICOM = 0.680). Hệ số VIF dao động từ 1.062 đến 1.540 (< 3), cho thấy không có vấn đề đa cộng tuyến trong mô hình.

Bảng 4: Giá trị phân biệt - Tiêu chí Fornell-Larcker

Nguồn: SmartPLS, N=457

Đánh giá mô hình cấu trúc

Mô hình giải thích được 35.1% phương sai của niềm tin thương hiệu (BT) và 35.6% phương sai của lòng trung thành thương hiệu (BL). Chỉ số f² cho thấy AICOM có ảnh hưởng ở mức trung bình lên BT (f² = 0.200) - mạnh nhất trong mô hình; AIPRO có ảnh hưởng nhỏ lên BT (0.090) và BL (0.056); BT ảnh hưởng nhỏ lên BL (0.087); các mối quan hệ còn lại có mức ảnh hưởng rất nhỏ (< 0.02). Chỉ số Q² dương ở cả hai khái niệm nội sinh, khẳng định khả năng dự báo tốt của mô hình. Mô hình đạt độ phù hợp tốt với dữ liệu thực nghiệm (Bảng 5).

Bảng 5: Các chỉ số đánh giá mô hình cấu trúc

SRMR = 0.067 < 0.08; NFI = 0.745.

Nguồn: SmartPLS, N=457

Hình 2: Kết quả ước lượng mô hình cấu trúc (hệ số đường dẫn chuẩn hóa)

Nguồn: Xử lý số liệu SmartPLS từ khảo sát N=457

Kiểm định giả thuyết

Kết quả kiểm định Bootstrap (5.000 mẫu lặp) cho thấy tất cả 7 giả thuyết về tác động trực tiếp đều được ủng hộ ở mức ý nghĩa p < 0.05 (Bảng 6). AICOM có tác động mạnh nhất lên BT (β = 0.405; t = 8.096; p < 0.001), tiếp theo là AIPRO (β = 0.265) và AIEXP (β = 0.097). Đối với BL, AIPRO có tác động mạnh nhất (β = 0.216), tiếp theo AICOM (β = 0.164) và AIEXP (β = 0.162); BT cũng tác động dương đến BL (β = 0.294; p < 0.001).

Bảng 6: Kết quả kiểm định tác động trực tiếp

Nguồn: Xử lý số liệu SmartPLS từ khảo sát N=457

Về tác động gián tiếp qua niềm tin thương hiệu (Bảng 7), BT đóng vai trò trung gian có ý nghĩa trong quan hệ AICOM → BL (β = 0.119; p < 0.001) và AIPRO → BL (β = 0.078; p < 0.001), nhưng không có ý nghĩa thống kê trong quan hệ AIEXP → BL (β = 0.029; p = 0.065 > 0.05). Như vậy, 10/11 giả thuyết được chấp nhận; chỉ riêng H5c bị bác bỏ.

Bảng 7: Kết quả kiểm định tác động gián tiếp

Nguồn: Xử lý số liệu SmartPLS từ khảo sát N=457

Thảo luận kết quả

Cá nhân hóa giao tiếp và nội dung (AICOM) có vai trò quan trọng nhất trong mô hình, với tác động trực tiếp mạnh nhất lên niềm tin và tác động gián tiếp lớn nhất lên lòng trung thành. Kết quả này phản ánh xu hướng khách hàng thời trang tại TP.HCM ngày càng mong đợi thông điệp cá nhân hóa (email, notification ứng dụng, Zalo...) thay vì quảng cáo đại trà, đặc biệt đánh giá cao việc thương hiệu giao tiếp đúng thời điểm (AICOM3, trung bình = 4.40). Cá nhân hóa đề xuất sản phẩm (AIPRO) đứng thứ hai, được hỗ trợ bởi hệ thống gợi ý đã phổ biến trên các sàn thương mại điện tử (Shopee, Lazada, Tiki) và website thương hiệu (Canifa, Routine, Coolmate); tuy nhiên khách hàng vẫn còn phân tán quan điểm về mức độ am hiểu nhu cầu cá nhân của các gợi ý này (AIPRO4, trung bình = 4.26), cho thấy dư địa cải thiện độ tinh vi của thuật toán.

Cá nhân hóa trải nghiệm đa kênh (AIEXP) có vai trò hạn chế nhất và tác động trực tiếp đến lòng trung thành mà không thông qua niềm tin - khác biệt so với hai yếu tố còn lại. Điều này phản ánh thực trạng các thương hiệu thời trang tại TP.HCM vẫn vận hành kênh online và offline tương đối độc lập, dữ liệu khách hàng chưa được đồng bộ tốt giữa các kênh, khiến trải nghiệm đa kênh liền mạch - dù được khách hàng kỳ vọng cao (AIEXP1, trung bình = 4.47) - chưa thực sự chuyển hóa thành niềm tin thương hiệu.

Niềm tin thương hiệu tác động dương đến lòng trung thành (β = 0.294) nhưng với mức ảnh hưởng nhỏ (f² = 0.087), cho thấy khách hàng có thể trung thành vì nhiều lý do khác ngoài niềm tin, như thói quen hay chi phí chuyển đổi - đặc điểm phổ biến của ngành thời trang có tính đa dạng sản phẩm cao. Tổng thể, kết quả khẳng định vai trò then chốt của cá nhân hóa dựa trên AI, đặc biệt là cá nhân hóa giao tiếp và đề xuất sản phẩm, trong việc xây dựng niềm tin và duy trì lòng trung thành thương hiệu tại thị trường thời trang TP.HCM, đồng thời cho thấy đầu tư vào trải nghiệm đa kênh cần đi kèm cải thiện hạ tầng công nghệ và tích hợp dữ liệu để phát huy hiệu quả tối đa.

KẾT LUẬN

Nghiên cứu phân tích tác động của cá nhân hóa hành trình khách hàng dựa trên AI đến lòng trung thành thương hiệu và kiểm định vai trò trung gian của niềm tin thương hiệu trong ngành thời trang tại TP. Hồ Chí Minh. Kết quả khẳng định cá nhân hóa dựa trên AI có ảnh hưởng tích cực đến cả niềm tin và lòng trung thành, trong đó cá nhân hóa giao tiếp và nội dung có tác động mạnh nhất, tiếp theo là cá nhân hóa đề xuất sản phẩm; niềm tin đóng vai trò trung gian trong cả hai quan hệ này. Riêng cá nhân hóa trải nghiệm đa kênh tác động trực tiếp đến lòng trung thành nhưng không thông qua niềm tin.

Kết quả gợi ý các doanh nghiệp thời trang tại TP. Hồ Chí Minh nên ưu tiên đầu tư vào cá nhân hóa giao tiếp và nội dung, đồng thời nâng cao độ tinh vi và minh bạch của hệ thống gợi ý sản phẩm. Đối với trải nghiệm đa kênh, doanh nghiệp cần cải thiện tính liền mạch và đồng bộ dữ liệu giữa các kênh bán hàng để giữ chân khách hàng trong bối cảnh cạnh tranh cao.

Nghiên cứu được thực hiện tại TP. Hồ Chí Minh với phương pháp chọn mẫu thuận tiện, do đó khả năng khái quát hóa còn hạn chế. Các nghiên cứu tiếp theo có thể mở rộng phạm vi địa lý, bổ sung các biến như nhận thức về quyền riêng tư hoặc sự chấp nhận AI để làm rõ hơn cơ chế tác động của cá nhân hóa dựa trên AI đến hành vi khách hàng.

Tài liệu tham khảo:

1. Ahmed, S. M. M., Owais, M., Raza, M., Nadeem, Q., & Ahmed, B. (2025). The Impact of AI-Driven Personalization on Consumer Engagement and Brand Loyalty. Qlantic Journal of Social Sciences, 6(1), 311-323.

2. Arora, N., Dreze, X., Ghose, A., Hess, J. D., Iyengar, R., Jing, B., ... & Zhang, Z. J. (2008). Putting one-to-one marketing to work: Personalization, customization, and choice. Marketing Letters, 19(3), 305-321.

3. Aydin, S. (2026). Brand Trust in AI-Driven E-Commerce Personalization: The Well-Being-Privacy Trade-Off. Sustainability, 18(2), 1073.

4. Badhusha, M. H. N., Pandey, S., Kumar, K. K., Swamy, T., Chauhan, S., & Kumar, K. (2025). AI-Enhanced Personalization and Consumer Trust: A Cross-Cultural Study on Digital Buying Behaviour. Advances in Consumer Research, 2, 4107-4116.

5. Chen, D. (2025). Optimizing Fashion and Textile Marketing Through AI-Powered Content Generation and English Language Personalization for International Branding. Applied Mathematics and Nonlinear Sciences, 10(1).

6. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 319-340.

7. Esposito, D. F., & Willie, A. (2025). The Effects of AI-Powered Personalization on Consumer Behavior in Fashion E-Commerce. Research Gate Publication.

8. Fournier, S. (1998). Consumers and their brands: Developing relationship theory in consumer research. Journal of Consumer Research, 24(4), 343-373.

9. Hassan, N., Abdelraouf, M., & El-Shihy, D. (2025). The moderating role of personalized recommendations in the trust-satisfaction-loyalty relationship: an empirical study of AI-driven e-commerce. Future Business Journal, 11(1), 66.

10. Lemon, K. N., & Verhoef, P. C. (2016). Understanding customer experience throughout the customer journey. Journal of Marketing, 80(6), 69-96.

11. Morgan, R. M., & Hunt, S. D. (1994). The commitment-trust theory of relationship marketing. Journal of Marketing, 58(3), 20-38.

12. Na, M., Rong, L., Ali, M. H., Alam, S. S., Masukujjaman, M., & Ali, K. A. M. (2023). The mediating role of brand trust and brand love between brand experience and loyalty: A study on smartphones in China. Behavioral Sciences, 13(6), 502.

13. Oliver, R. L. (1999). Whence consumer loyalty?. Journal of Marketing, 63(4_suppl1), 33-44.

14. Sang, V. M., & Cuong, M. C. (2025). The influence of brand experience on brand loyalty in the electronic commerce sector: the mediating effect of brand association and brand trust. Cogent Business & Management, 12(1), 2440629.

15. Shin, S. K. S., Amenuvor, F. E., Basilisco, R., & Owusu-Antwi, K. (2019). Brand trust and brand loyalty: A moderation and mediation perspective. Current Journal of Applied Science and Technology, 38(4), 1-17.

16. Veloutsou, C. (2015). Brand evaluation, satisfaction and trust as predictors of brand loyalty: the mediator-moderator effect of brand relationships. Journal of Consumer Marketing, 32(6), 405-421.

17. Villagra, N., Monfort, A., & Sanchez Herrera, J. (2021). The mediating role of brand trust in the relationship between brand personality and brand loyalty. Journal of Consumer Behaviour, 20(5), 1153-1163.

18. Zeithaml, V. A. (1988). Consumer perceptions of price, quality, and value: a means-end model and synthesis of evidence. Journal of Marketing, 52(3), 2-22.