Tác động của gợi ý mua sắm từ AI đến ý định mua sắm bốc đồng của người tiêu dùng Gen Z tại TP. Cần Thơ trên các nền tảng thương mại điện tử

Huỳnh Hữu Tính

Email: [email protected]

Lê Đức Anh, Hứa Hoài Thơ, Chung Kim Anh, Lê Minh Phát

Trường Đại học FPT phân hiệu Cần Thơ

Tóm tắt

Nghiên cứu phân tích tác động của các thuộc tính gợi ý sản phẩm dựa trên trí tuệ nhân tạo (AI) đến giá trị cảm nhận và ý định mua sắm bốc đồng của người tiêu dùng thế hệ Z trong bối cảnh thương mại điện tử tại TP. Cần Thơ. Dữ liệu được thu thập từ 700 người tiêu dùng và phân tích bằng phương pháp PLS-SEM. Kết quả cho thấy, Giá trị cảm nhận có ảnh hưởng mạnh nhất đến Ý định mua sắm bốc đồng. Đồng thời, các thuộc tính AI đều tác động tích cực đến Giá trị cảm nhận, trong đó Tính kịp thời và Chất lượng có ảnh hưởng nổi bật. Ngoài ra, Chất lượng, Tính đa dạng và Tính kịp thời còn ảnh hưởng trực tiếp đến Ý định mua sắm, trong khi Độ chính xác không có ý nghĩa thống kê.

Từ khóa: Gợi ý sản phẩm AI, giá trị cảm nhận, mua sắm bốc đồng, thương mại điện tử, thế hệ Z

Abstract

This study examines the effects of artificial intelligence (AI)-based product recommendation attributes on perceived value and the impulse buying intention of Generation Z consumers in the e-commerce context in Can Tho City. Data were collected from 700 consumers and analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM). The results indicate that Perceived Value has the strongest positive effect on Impulse Buying Intention. In addition, all AI recommendation attributes positively influence Perceived Value, with Timeliness and Quality exerting the most significant effects. Furthermore, Quality, Diversity, and Timeliness also have direct positive effects on Purchase Intention, whereas Accuracy has no statistically significant impact.

Keywords: AI product recommendations, perceived value, impulse buying, e-commerce, Generation Z

ĐẶT VẤN ĐỀ

Sự phát triển của AI đang làm thay đổi cách người tiêu dùng tương tác với các nền tảng thương mại điện tử, đặc biệt thông qua các hệ thống gợi ý sản phẩm cá nhân hóa. Các gợi ý như “Có thể bạn thích” hay “Sản phẩm tương tự” không chỉ hỗ trợ ra quyết định mà còn có khả năng kích thích hành vi mua sắm bốc đồng. Trong bối cảnh này, giá trị cảm nhận đóng vai trò trung gian quan trọng trong việc chuyển hóa các kích thích công nghệ thành phản ứng hành vi của người tiêu dùng. Tại Việt Nam, đặc biệt là nhóm Gen Z, mức độ tiếp cận công nghệ cao và hành vi mua sắm trực tuyến ngày càng phổ biến. Tuy nhiên, các nghiên cứu hiện tại vẫn chưa làm rõ vai trò của từng thuộc tính cụ thể của hệ thống gợi ý AI. Do đó, nghiên cứu này được thực hiện nhằm phân tích tác động của các thuộc tính AI đến giá trị cảm nhận và ý định mua sắm bốc đồng của người tiêu dùng Gen Z tại TP. Cần Thơ.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Nghiên cứu được xây dựng dựa trên Mô hình Stimulus - Organism - Response (S-O-R) của Mehrabian và Russell (1974), trong đó các yếu tố kích thích từ môi trường ảnh hưởng đến trạng thái tâm lý và dẫn đến phản ứng hành vi. Trong nghiên cứu này, các thuộc tính của hệ thống gợi ý AI bao gồm: độ chính xác, tính kịp thời, chất lượng sản phẩm gợi ý và tính đa dạng đóng vai trò là yếu tố kích thích; giá trị cảm nhận là biến trung gian và ý định mua sắm bốc đồng là phản ứng hành vi. Khung phân tích này kế thừa các nghiên cứu trước về hành vi tiêu dùng trong môi trường số.

Về mặt khái niệm, độ chính xác phản ánh mức độ phù hợp của các gợi ý với nhu cầu người tiêu dùng (Adwan và Aladwan, 2022), trong khi tính kịp thời thể hiện khả năng cung cấp gợi ý đúng thời điểm (Rai và cộng sự, 2025). Tính đa dạng đề cập đến sự phong phú của các lựa chọn được đề xuất (Yin và cộng sự, 2025), còn chất lượng sản phẩm gợi ý phản ánh giá trị và độ tin cậy của các sản phẩm được đề xuất (Yin và cộng sự, 2025). Bên cạnh đó, giá trị cảm nhận được hiểu là đánh giá tổng thể của người tiêu dùng về lợi ích chức năng và cảm xúc so với chi phí (Zeithaml, 1988) và đóng vai trò trung gian trong việc hình thành ý định mua sắm. Khi giá trị cảm nhận cao, người tiêu dùng có xu hướng đưa ra quyết định nhanh chóng và dễ bị tác động bởi các kích thích, từ đó hình thành ý định mua sắm bốc đồng (Rook và Fisher, 1995; Beatty và Ferrell, 1998).

Giả thuyết và mô hình nghiên cứu

Dựa trên cơ sở lý thuyết trên, nghiên cứu đề xuất các giả thuyết như sau:

H1: Độ chính xác của gợi ý AI ảnh hưởng tích cực đến Giá trị cảm nhận.

H2: Tính kịp thời của gợi ý AI ảnh hưởng tích cực đến Giá trị cảm nhận.

H3: Chất lượng sản phẩm được gợi ý ảnh hưởng tích cực đến Giá trị cảm nhận.

H4: Tính đa dạng của gợi ý AI ảnh hưởng tích cực đến Giá trị cảm nhận.

H5: Độ chính xác của gợi ý AI ảnh hưởng tích cực đến Ý định mua sắm bốc đồng.

H6: Tính kịp thời của gợi ý AI ảnh hưởng tích cực đến Ý định mua sắm bốc đồng.

H7: Chất lượng sản phẩm được gợi ý ảnh hưởng tích cực đến Ý định mua sắm bốc đồng.

H8: Tính đa dạng của gợi ý AI ảnh hưởng tích cực đến Ý định mua sắm bốc đồng.

H9: Giá trị cảm nhận ảnh hưởng tích cực đến Ý định mua sắm bốc đồng.

Từ giả thuyết nghiên cứu, mô hình nghiên cứu được đề xuất như Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp PLS-SEM để phân tích mối quan hệ giữa các thuộc tính AI đối với giá trị cảm nhận và ý định mua sắm bốc đồng. Quy trình phân tích gồm 2 bước: (1) Đánh giá mô hình đo lường thông qua Cronbach’s Alpha, độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE) và tính phân biệt (HTMT); (2) Đánh giá mô hình cấu trúc thông qua hệ số phóng đại phương sai (VIF), R², Q² và kiểm định giả thuyết. Dữ liệu được thu thập từ 700 người tiêu dùng Gen Z tại TP. Cần Thơ thông qua khảo sát trực tuyến được thu thập từ tháng 2-3/2026 và xử lý bằng phần mềm SmartPLS.

Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU

Đánh giá mô hình đo lường

Kết quả phân tích (Bảng 1) cho thấy, hệ số tải ngoài của hầu hết các biến quan sát đều > 0.7, cho thấy các thang đo đạt yêu cầu về độ tin cậy chỉ báo. Mặc dù biến PV2 có hệ số tải ngoài là 0.696, thấp hơn nhẹ so với ngưỡng khuyến nghị, tuy nhiên vẫn có thể chấp nhận được do không ảnh hưởng đáng kể đến độ tin cậy tổng thể của thang đo.

Xét về độ tin cậy nhất quán nội bộ, các thang đo đều có hệ số Cronbach’s Alpha dao động từ 0.704-0.831 và CR từ 0.818-0.881, đều vượt ngưỡng tối thiểu 0.7 và < 0.95, cho thấy các thang đo có độ tin cậy cao và ổn định. Bên cạnh đó, giá trị AVE của các biến đều > 0.5, dao động từ 0.530-0.631, đáp ứng tiêu chuẩn về giá trị hội tụ theo đề xuất của Fornell và Larcker (1981). Kết quả này khẳng định rằng các biến quan sát trong mô hình đều hội tụ tốt và phản ánh chính xác các khái niệm nghiên cứu.

Bảng 1: Đánh giá độ tin cậy và giá trị hội tụ

Nguồn: Tính toán của nhóm tác giả

Tiếp theo, nghiên cứu thực hiện kiểm tra tính phân biệt giữa các khái niệm thông qua phương pháp phổ biến Heterotrait-Monotrait (HTMT). Kết quả cho thấy các tỷ số HTMT đều nằm dưới ngưỡng 0.90, khẳng định các khái niệm trong mô hình có tính phân biệt đầy đủ, góp phần củng cố độ tin cậy và tính hợp lệ của mô hình đo lường.

Bảng 2: Tỷ số HTMT

Nguồn: Tính toán của nhóm tác giả

Đánh giá mô hình cấu trúc và kiểm định giả thuyết

Kết quả phân tích tại Bảng 3 và Hình 2 cho thấy, trước hết, các thuộc tính của hệ thống gợi ý AI đều có tác động tích cực đến Giá trị cảm nhận (PV). Cụ thể, Tính kịp thời (β = 0.342; p < 0.001) có ảnh hưởng mạnh nhất đến PV, tiếp theo là Chất lượng sản phẩm (β = 0277; p < 0.001). Hai yếu tố còn lại là Độ chính xác (β = 0.155; p = 0.001) và Tính đa dạng (β = 0.152; p = 0.001) cũng có tác động tích cực nhưng ở mức độ thấp hơn. Như vậy, các giả thuyết H1, H2, H3 và H4 đều được chấp nhận.

Đối với Ý định mua sắm bốc đồng (IP), kết quả cho thấy Giá trị cảm nhận (β = 0.365; p < 0.001) là yếu tố có ảnh hưởng mạnh nhất, khẳng định vai trò trung gian quan trọng trong mô hình. Bên cạnh đó, các thuộc tính AI như: Chất lượng (β = 0.190; p < 0.001), Tính đa dạng (β = 0.181; p = 0.001) và Tính kịp thời (β = 0.117; p = 0.006) cũng có tác động tích cực và có ý nghĩa thống kê đến IP. Do đó, các giả thuyết H6, H7, H8 và H9 được chấp nhận.

Ngược lại, Độ chính xác không có ảnh hưởng đáng kể đến Ý định mua sắm bốc đồng (β = 0.014; p = 0.719), dẫn đến việc giả thuyết H5 bị bác bỏ. Bên cạnh đó, kết quả mô hình cho thấy các biến R²_PV= 0.599, biến R²_IP = 0.550, phản ánh khả năng giải thích tương đối tốt của các yếu tố trong hệ thống gợi ý bởi AI đối với PV và IP. Về năng lực dự đoán, Q²_PV = 0.315 và Q²_IP = 0.323 (đều > 0), cho thấy mô hình có khả năng dự đoán tốt.

Bảng 3: Kết quả kiểm định giả thuyết nghiên cứu

Nguồn: Tính toán của nhóm tác giả

Hình 2: Kết quả mô hình cấu trúc tuyến tính PLS-SEM

Nguồn: Nhóm tác giả tổng hợp

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Nghiên cứu đã chứng minh rằng các thuộc tính của hệ thống gợi ý AI ảnh hưởng đáng kể đến Giá trị cảm nhận và Ý định mua sắm bốc đồng của người tiêu dùng Gen Z, phù hợp với Mô hình S-O-R. Trong đó, Giá trị cảm nhận đóng vai trò trung gian then chốt, xác nhận rằng phản ứng hành vi không chỉ phụ thuộc vào yếu tố công nghệ mà còn bị chi phối bởi đánh giá chủ quan của người tiêu dùng. Kết quả thực nghiệm cho thấy, Tính kịp thời và Chất lượng là 2 yếu tố có tác động mạnh nhất, trong khi Độ chính xác chỉ ảnh hưởng gián tiếp thông qua Giá trị cảm nhận, hàm ý rằng các yếu tố trải nghiệm và cảm xúc đóng vai trò quan trọng hơn yếu tố kỹ thuật thuần túy.

Hàm ý quản trị

Từ kết quả nghiên cứu, doanh nghiệp cần chuyển từ cách tiếp cận tối ưu hóa thuật toán thuần túy sang định hướng lấy người tiêu dùng làm trung tâm, trong đó trọng tâm là nâng cao giá trị cảm nhận thông qua việc kết hợp cả giá trị chức năng và cảm xúc trong trải nghiệm mua sắm. Cụ thể, hệ thống gợi ý cần được thiết kế linh hoạt để cung cấp đề xuất đúng thời điểm, phù hợp với bối cảnh và nhu cầu tức thời của người dùng, từ đó gia tăng hiệu quả ra quyết định. Đồng thời, việc ưu tiên các sản phẩm có chất lượng cao và độ tin cậy tốt sẽ giúp củng cố niềm tin và giảm sự do dự khi mua sắm. Bên cạnh đó, hệ thống cần duy trì sự cân bằng giữa cá nhân hóa và khám phá bằng cách mở rộng phạm vi gợi ý, tránh lặp lại các lựa chọn quen thuộc nhằm kích thích sự tò mò và gia tăng khả năng mua sắm bốc đồng. Quan trọng hơn, độ chính xác của thuật toán nên được xem là nền tảng hỗ trợ, cần kết hợp đồng thời với tính kịp thời, chất lượng và sự đa dạng để tạo ra trải nghiệm toàn diện và tối đa hóa hiệu quả thương mại.

Tài liệu tham khảo:

1. Adwan, A & Aladwan, R. (2022). Use of artificial intelligence system to predict consumers' behaviors. International Journal of Data and Network Science, 6(4), 1223-1232. DOI: 10.5267/j.ijdns.2022.6.011

2. Beatty, S. E., & Ferrell, M. E. (1998). Impulse buying: Modeling its precursors. Journal of retailing, 74(2), 169-191.

3. Fornell, C., & Larcker, D. F. (1981). Structural Equation Models with Unobservable Variables and Measurement Error: Algebra and Statistics. Journal of Marketing Research, 18, 382-388.

http://dx.doi.org/10.2307/3150980

4. Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. Cambridge, MA: The MIT Press

5. Rai, N., Shukla, S., & Pandey, A. C. (2025). Ai-Driven Personalization Cues: Unraveling Consumer Impulsive Buying in E-Commerce. https://doi.org/10.69889/arkq5j81

6. Rook, D. W. (1987). The buying impulse. Journal of consumer research, 189-199.

7. Yin, J., Qiu, X., & Wang, Y. (2025). The Impact of AI-Personalized Recommendations on Clicking Intentions: Evidence from Chinese E-Commerce. Journal of Theoretical and Applied Electronic Commerce Research, 20(1), 21. https://doi.org/10.3390/jtaer20010021

8. 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. https://doi.org/10.1177/002224298805200302