Tình yêu thương hiệu trên nền tảng trực tuyến và cá nhân hóa bằng trí tuệ nhân tạo: Phân tích thư mục học giai đoạn 2015-2025

Trần Thanh Tú

Email: [email protected]

Nguyễn Minh Tâm

Email: [email protected]

Trường Đại học Kinh tế - Tài chính Thành phố Hồ Chí Minh (UEF)

Tóm tắt

Nghiên cứu này thực hiện phân tích thư mục học kết hợp phân tích nội dung nhằm lập bản đồ tri thức của lĩnh vực cá nhân hóa bằng trí tuệ nhân tạo (AI) và phản ứng thương hiệu của người tiêu dùng giai đoạn 2015-2025. Kết quả nhận diện 5 cụm chủ đề chính và cho thấy sự dịch chuyển rõ rệt của lĩnh vực từ hướng công nghệ - hiệu quả sang hướng quan hệ - cảm xúc, đặc biệt sau sự xuất hiện của các mô hình AI tạo sinh. Tình yêu thương hiệu xuất hiện rất ít với tư cách từ khóa tác giả, phản ánh một khoảng trống nghiên cứu quan trọng. Phân tích nội dung theo khung TCCM cho thấy các lý thuyết chấp nhận công nghệ (TAM, S-O-R) chiếm đa số, còn Thuyết giá trị tiêu dùng chỉ chiếm thiểu số và cũng ít sự có mặt của nghiên cứu có bối cảnh Việt Nam. Từ đó, nghiên cứu đề xuất một khung nghiên cứu tích hợp giải thích quá trình chuyển hóa từ trải nghiệm cá nhân hóa bằng AI đến tình yêu thương hiệu thông qua giá trị tiêu dùng cảm nhận, sự gắn kết và sự hài lòng.

Từ khóa: Cá nhân hóa bằng AI, tình yêu thương hiệu, giá trị tiêu dùng cảm nhận, sự gắn kết, phân tích thư mục học

Abstract

This study conducts a bibliometric analysis combined with content analysis to map the knowledge structure of the field of artificial intelligence (AI)-based personalization and consumer brand responses during the 2015-2025 period. The results identify five major thematic clusters and reveal a clear shift in the field from a technology-efficiency orientation toward a relationship-emotion orientation, particularly following the emergence of generative AI models. Brand love appears only rarely as an author keyword, reflecting an important research gap. Content analysis based on the TCCM framework shows that technology acceptance theories, particularly the Technology Acceptance Model (TAM) and the Stimulus-Organism-Response (S-O-R) model, account for the majority of studies, whereas Consumer Value Theory is represented in only a minority of studies, with limited research conducted in the context of Viet Nam. Accordingly, the study proposes an integrated research framework to explain how AI-based personalization experiences are transformed into brand love via perceived consumer value, engagement, and satisfaction.

Keywords: AI-based personalization, brand love, perceived consumer value, engagement, bibliometric analysis

GIỚI THIỆU

AI đang phát triển từ một công cụ hỗ trợ kỹ thuật trở thành nền tảng chiến lược định hình lại toàn bộ chuỗi giá trị marketing số. Theo báo cáo Next in Personalization của McKinsey & Company (Arora và cộng sự, 2021), 71% người tiêu dùng kỳ vọng được trải nghiệm cá nhân hóa trong mỗi lần tương tác với thương hiệu và 76% cảm thấy không hài lòng khi kỳ vọng này không được đáp ứng; các doanh nghiệp dẫn đầu về cá nhân hóa tạo ra doanh thu cao hơn khoảng 40% so với đối thủ.

Tại Việt Nam, ngành bán lẻ thương mại điện tử đã đạt quy mô khoảng 20,5 tỷ USD năm 2023 với hơn 61 triệu người mua sắm trực tuyến, đưa Việt Nam vào nhóm các thị trường tăng trưởng nhanh nhất khu vực (Bui Ba Hieu, 2025). Trong đó TP. Hồ Chí Minh là trung tâm tiêu dùng số lớn nhất cả nước. Trong bối cảnh đó, cá nhân hóa bằng AI đã trở thành yêu cầu nền tảng chứ không còn là lợi thế cạnh tranh tùy chọn.

Song song với thực tiễn, nghiên cứu học thuật về cá nhân hóa bằng AI mặc dù đang phát triển nhanh nhưng vẫn còn dàn trải. Phần lớn công trình tập trung vào các kết quả hành vi gần như sự hài lòng, niềm tin và lòng trung thành (Ameen và cộng sự, 2021; Hassan và cộng sự, 2025; Huang và Rust, 2021; Puntoni và cộng sự, 2021), trong khi tình yêu thương hiệu (brand love), trạng thái gắn bó cảm xúc sâu sắc, có giá trị chiến lược trong việc giữ chân khách hàng và xây dựng lợi thế dài hạn (Batra và cộng sự, 2012; Carroll và Ahuvia, 2006) vẫn chưa được nghiên cứu đầy đủ trong bối cảnh AI. Các tổng quan gần đây tiếp tục xác nhận khoảng trống về các kết quả cảm xúc bậc cao (Hollebeek và cộng sự, 2024; Suraña-Sánchez và Aramendia-Muneta, 2024).

Trong một lĩnh vực phát triển nhanh và phân mảnh như vậy, việc thực hiện một nghiên cứu phân tích thư mục học là cấp thiết nhằm lập bản đồ tri thức một cách khách quan, nhận diện các cụm chủ đề, các xu hướng đang nổi và những khoảng trống nghiên cứu, từ đó cung cấp cơ sở khoa học cho các nghiên cứu thực nghiệm tiếp theo (Donthu và cộng sự, 2021). Nghiên cứu này hướng đến 4 mục tiêu: (1) lập bản đồ tri thức của lĩnh vực giai đoạn 2015-2025; (2) xác định các cụm chủ đề chính và sự dịch chuyển của các hướng nghiên cứu theo thời gian; (3) nhận diện các khoảng trống về lý thuyết, cơ chế tác động, bối cảnh và phương pháp; và (4) đề xuất một khung nghiên cứu tích hợp giải thích con đường hình thành tình yêu thương hiệu từ trải nghiệm cá nhân hóa bằng AI.

CƠ SỞ LÝ THUYẾT

Cá nhân hóa bằng trí tuệ nhân tạo

Cá nhân hóa bằng AI được hiểu là việc sử dụng các thuật toán học máy và phân tích dự báo để điều chỉnh nội dung, sản phẩm và tương tác phù hợp với đặc điểm, sở thích và bối cảnh của từng người tiêu dùng, thường đạt tới mức độ siêu cá nhân hóa (hyper-personalization) và điều chỉnh gần như theo thời gian thực (Rahman và cộng sự, 2025; Saurav và Kumari, 2025; Tadimarri và cộng sự, 2024). Khác với cá nhân hóa truyền thống dựa trên phân khúc, cá nhân hóa bằng AI khai thác dữ liệu hành vi quy mô lớn để tạo ra trải nghiệm mang tính cá thể hóa cao (Huang và Rust, 2021).

Thuyết giá trị tiêu dùng

Thuyết giá trị tiêu dùng (Theory of Consumption Values) của Sheth và cộng sự (1991) cho rằng quyết định của người tiêu dùng chịu ảnh hưởng bởi 5 loại giá trị: giá trị chức năng, giá trị cảm xúc, giá trị xã hội, giá trị khám phá và giá trị điều kiện. Khác với quan điểm đơn chiều xem giá trị là sự đánh đổi tổng thể giữa lợi ích và chi phí (Zeithaml, 1988), cách tiếp cận đa chiều này cho phép nhận diện chính xác chiều giá trị nào thực sự dẫn tới các phản ứng quan hệ của người tiêu dùng (Mason và cộng sự, 2023; Yue và cộng sự, 2024).

Sự gắn kết và sự hài lòng của người tiêu dùng

Sự gắn kết của người tiêu dùng phản ánh mức độ đầu tư về nhận thức, cảm xúc và hành vi của người tiêu dùng vào mối quan hệ với thương hiệu (Brodie và cộng sự, 2011; Hollebeek và cộng sự, 2014; Thapa và cộng sự, 2024; Vivek và cộng sự, 2012). Sự hài lòng là phản ứng tổng hợp nhận thức - cảm xúc sau khi so sánh kỳ vọng với trải nghiệm thực tế (Anderson và cộng sự, 1994; Oliver, 1980, 1999). Cả hai được xem là những tiền đề quan trọng của các kết quả quan hệ bậc cao hơn (Ghorbanzadeh và Rahehagh, 2021).

Tình yêu thương hiệu như một cấu trúc bậc hai

Tình yêu thương hiệu được tiếp cận như một cấu trúc bậc hai phản ánh, biểu hiện qua 3 thành phần: sự độc đáo; sự gắn bó và lý tưởng hóa; liên tưởng kỷ niệm và giấc mơ (Albert và cộng sự, 2008, 2013; Batra và cộng sự, 2012). Cách tiếp cận này phản ánh đầy đủ hơn bản chất đa chiều của tình yêu thương hiệu, vượt ra ngoài cách hiểu như một trạng thái yêu thích hay hài lòng đơn thuần (Bagozzi và cộng sự, 2017; Palusuk và cộng sự, 2019): người tiêu dùng xem thương hiệu như một đối tượng có ý nghĩa đặc biệt, khó thay thế, đáng được lý tưởng hóa và gắn với những trải nghiệm biểu tượng (Ahuvia, 2005; Sternberg, 1986).

DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Thiết kế nghiên cứu

Nghiên cứu sử dụng cách tiếp cận tổng quan hệ thống kết hợp định lượng và định tính theo khung hướng dẫn của Donthu và cộng sự (2021), gồm 2 hợp phần: (i) phân tích thư mục học nhằm lập bản đồ tri thức một cách khách quan và (ii) phân tích nội dung theo khung TCCM (Theory - Context - Characteristics - Methodology) của Paul và Rosado-Serrano (2019) nhằm diễn giải sâu các khoảng trống lý thuyết, bối cảnh và phương pháp.

Nguồn dữ liệu và chiến lược tìm kiếm

Dữ liệu thư mục được thu thập từ cơ sở dữ liệu Scopus và xử lý bằng phần mềm VOSviewer. Scopus được lựa chọn làm nguồn dữ liệu duy nhất vì có phạm vi bao phủ rộng nhất trong lĩnh vực kinh doanh, quản trị và khoa học xã hội, đặc biệt với các tạp chí mới và nghiên cứu từ các nền kinh tế đang phát triển; đồng thời cung cấp định dạng chuẩn hóa tương thích trực tiếp với VOSviewer, bảo đảm khả năng tái lập (Pranckutė, 2021; Singh và cộng sự, 2021). Chuỗi tìm kiếm kết hợp 2 nhóm khái niệm cốt lõi: (i) nền tảng công nghệ cá nhân hóa bằng AI (‘AI personalization’, ‘AI-driven/AI-powered/AI-based personalization’, ‘algorithmic personalization’, ‘hyper-personalization’, ‘personalized recommendation’, ‘AI chatbot’, ‘conversational AI’); và (ii) các phản ứng thương hiệu và hành vi người tiêu dùng (‘brand love’, ‘brand attachment’, ‘brand loyalty’, ‘consumer/customer engagement’, ‘customer satisfaction’, ‘brand trust’, ‘perceived value’, ‘consumption value’, ‘customer experience’, ‘brand relationship’, ‘purchase intention’, ‘brand equity’). Phạm vi thời gian giới hạn 2015-2025; loại tài liệu Article và Review; ngôn ngữ tiếng Anh.

Quy trình sàng lọc

Quá trình tìm kiếm ban đầu trên Scopus thu được 565 công bố thỏa mãn các tiêu chí. Sau khi rà soát và chuẩn hóa theo quy trình PRISMA 2020 (Page và cộng sự, 2021) nhằm loại bỏ các tài liệu không phù hợp với chủ đề hoặc chỉ đề cập đến AI theo nghĩa kỹ thuật thuần túy mà không gắn với hành vi người tiêu dùng, marketing hoặc quan hệ thương hiệu, tập dữ liệu cuối cùng phục vụ phân tích đồng xuất hiện từ khóa được giữ ổn định ở mức 265 công bố. Phân tích được thực hiện bằng VOSviewer với 3 kỹ thuật: đồng xuất hiện từ khóa (xác định các cụm chủ đề), chồng lớp theo thời gian (nhận diện sự dịch chuyển của các hướng nghiên cứu) và phân tích mật độ (xác định các vùng nghiên cứu sôi động và còn bỏ ngỏ).

KẾT QUẢ PHÂN TÍCH THƯ MỤC HỌC

Sự dịch chuyển của hướng nghiên cứu theo thời gian

Phân tích chồng lớp theo thời gian (overlay visualization) cho thấy một sự dịch chuyển rõ rệt của lĩnh vực. Các từ khóa có năm công bố trung bình khoảng 2023 chủ yếu thuộc hướng kỹ thuật (recommendation system, machine learning, big data, PLS-SEM, customer relationship management), trong khi nhóm từ khóa mới nổi trong giai đoạn 2024-2025 tập trung vào khía cạnh quan hệ và cảm xúc (AI personalization, generative AI, ChatGPT, consumer-brand relationship, privacy concerns, perceived value, brand love). Nói cách khác, lĩnh vực đang dịch chuyển từ hướng công nghệ - hiệu quả (2015-2022) sang hướng quan hệ - cảm xúc (2023-2025), đặc biệt sau sự xuất hiện của các mô hình AI tạo sinh. Đáng chú ý, ‘brand love’ xuất hiện với màu sáng nhất trên bản đồ chồng lớp, cho thấy đây là chủ đề mới nổi nhất, chủ yếu xuất hiện trong các công bố năm 2025.

Kết quả trực quan hóa phân tích trắc lượng thư mục bằng phần mềm VOSviewer được trình bày trong Hình 1 và Hình 2.

Hình 1: Bản đồ mạng lưới đồng xuất hiện từ khóa (VOSviewer)

Nguồn: Kết quả phân tích bằng VOSviewer

Hình 2: Bản đồ mật độ từ khóa (VOSviewer)

Nguồn: Kết quả phân tích bằng VOSviewer

Cấu trúc tri thức: Năm cụm chủ đề chính

Phân tích đồng xuất hiện từ khóa tác giả trên 265 công bố cho thấy các từ khóa được cấu trúc thành 5 cụm chủ đề chính, mỗi cụm phản ánh một hướng nghiên cứu có ranh giới nội dung tương đối rõ ràng (Bảng 1), phản ánh cả hướng công nghệ lẫn hướng quan hệ - cảm xúc của lĩnh vực.

Bảng 1: Năm cụm chủ đề nghiên cứu chính

Cụm	Chủ đề trung tâm	Nội dung khái quát
1	Trí tuệ nhân tạo, hành vi người tiêu dùng và chuyển đổi số	Vai trò của AI trong tái cấu trúc marketing và chuyển đổi số của doanh nghiệp.
2	Hệ thống gợi ý và phân tích dự đoán	Thuật toán gợi ý, học máy và dự báo hành vi mua sắm.
3	Chatbot, niềm tin và các kết quả hành vi gần	Tương tác AI hội thoại, niềm tin, sự hài lòng và ý định mua.
4	Cá nhân hóa, marketing số và quan hệ thương hiệu	Cá nhân hóa trải nghiệm và tác động đến quan hệ thương hiệu.
5	Ý định mua, lòng trung thành và tình yêu thương hiệu	Các kết quả quan hệ - cảm xúc của người tiêu dùng.

Nguồn: Tổng hợp từ kết quả phân tích đồng xuất hiện từ khóa bằng VOSviewer

Vị trí của tình yêu thương hiệu

Một phát hiện đáng chú ý là vị trí của ‘brand love’ trên bản đồ mạng lưới: dù đã xuất hiện, đây là một nút rất nhỏ nằm ở rìa ngoài cụm 5, kết nối yếu so với ‘brand loyalty’ và ‘purchase intention’. Trong khi ‘purchase intention’ và ‘customer satisfaction’ xuất hiện hàng chục lần, ‘brand love’ chỉ xuất hiện một lần với tư cách từ khóa tác giả trong toàn bộ 265 công bố. Điều này hàm ý rằng tình yêu thương hiệu trong bối cảnh cá nhân hóa bằng AI tuy đã được quan tâm nhưng chưa hình thành một nhánh nghiên cứu đủ mạnh và độc lập - một khoảng trống nghiên cứu quan trọng.

Phân tích nội dung theo khung TCCM và các khoảng trống

Phân tích nội dung theo khung TCCM (Paul và Rosado-Serrano, 2019) làm rõ 3 nhóm khoảng trống (Bảng 2). Về lý thuyết, lĩnh vực bị chi phối bởi các lý thuyết chấp nhận công nghệ, trong khi Thuyết giá trị tiêu dùng gần như chưa được khai thác. Về bối cảnh, nghiên cứu tập trung ở một số thị trường lớn, còn Việt Nam có mức đại diện rất thấp; dù đã xuất hiện một số nghiên cứu thực nghiệm bước đầu về cá nhân hóa bằng AI tại Việt Nam (Gia Khuong An và Thi Thuy An Ngo, 2025; Luan-Thanh Nguyen và cộng sự, 2025; Pham Ngoc Khanh và cộng sự, 2025), số lượng vẫn còn hạn chế so với quy mô thị trường. Về phương pháp, gần như toàn bộ nghiên cứu thực nghiệm sử dụng mô hình cấu trúc trên dữ liệu cắt ngang.

Bảng 2: Kết quả phân tích nội dung theo khung TCCM (n = 265)

Chiều phân tích	Phát hiện chính
Lý thuyết (Theory)	TAM (17 công bố), S-O-R (14), Uses & Gratification (5); Thuyết giá trị tiêu dùng chỉ 3 công bố.
Bối cảnh (Context)	Trung Quốc dẫn đầu (78 bài), Ấn Độ (53), Hoa Kỳ (27); Việt Nam chỉ 6 bài (2,3%).
Phương pháp (Methodology)	Chủ yếu SEM/PLS-SEM trên dữ liệu cắt ngang; thiếu vắng nghiên cứu hỗn hợp và chuỗi thời gian.

Nguồn: Tổng hợp của tác giả từ phân tích nội dung 265 công bố

THẢO LUẬN VÀ KHUNG NGHIÊN CỨU TÍCH HỢP ĐỀ XUẤT

Kết quả phân tích thư mục học cho thấy nghiên cứu về cá nhân hóa bằng AI đã phát triển mạnh nhưng chủ yếu dừng ở các kết quả hành vi gần, trong khi tình yêu thương hiệu vẫn nằm ở ngoại vi bản đồ tri thức. Đồng thời, phân tích TCCM chỉ ra 3 khoảng trống then chốt: (i) sự thống trị của các lý thuyết chấp nhận công nghệ và sự thiếu vắng của Thuyết giá trị tiêu dùng; (ii) mức đại diện rất thấp của bối cảnh Việt Nam; và (iii) sự đơn điệu về phương pháp.

Để giải quyết đồng thời các khoảng trống này, nghiên cứu đề xuất một khung nghiên cứu tích hợp thiết lập chuỗi quan hệ nhân quả: trải nghiệm cá nhân hóa bằng AI → giá trị tiêu dùng cảm nhận (trung gian cấp 1) → sự gắn kết và sự hài lòng (trung gian cấp 2) → tình yêu thương hiệu (Hình 3).

Hình 3. Khung nghiên cứu tích hợp đề xuất

Nguồn: Tác giả đề xuất trên cơ sở tổng hợp lý thuyết và kết quả tổng quan

Cá nhân hóa bằng AI và giá trị tiêu dùng cảm nhận (H1)

Dưới góc nhìn của Thuyết giá trị tiêu dùng, các tương tác được cá nhân hóa bằng AI không chỉ tối ưu hóa giao dịch mà còn là cơ chế hình thành 5 khía cạnh giá trị cảm nhận (Yue và cộng sự, 2024; Tadimarri và cộng sự, 2024). Do đó nghiên cứu giả định Cá nhân hóa bằng AI có ảnh hưởng tích cực đến Giá trị chức năng, Giá trị cảm xúc, Giá trị xã hội, Giá trị khám phá và Giá trị điều kiện (H1a-H1e).

Giá trị tiêu dùng cảm nhận, sự gắn kết và sự hài lòng (H2, H3)

Khi người tiêu dùng nhận thấy hệ thống gợi ý bằng AI giúp tiết kiệm thời gian, tạo cảm giác thú vị, được thấu hiểu và phù hợp với hoàn cảnh, họ có xu hướng đầu tư nhiều hơn về nhận thức, cảm xúc và hành vi vào quan hệ với thương hiệu (Ahmad và cộng sự, 2025; Brodie và cộng sự, 2011; Hollebeek và cộng sự, 2014; Huynh Khanh Long Chau và cộng sự, 2025), đồng thời gia tăng mức hài lòng (Dam Tri Cuong, 2023; Mason và cộng sự, 2023; Sari và cộng sự, 2025). Do đó, 5 thành phần giá trị được giả định tác động tích cực đến Sự gắn kết (H2a-H2e) và đến Sự hài lòng (H3a-H3e).

Sự gắn kết, sự hài lòng và tình yêu thương hiệu (H4, H5)

Sự gắn kết và Sự hài lòng là những tiền đề quan trọng của các kết quả quan hệ bậc cao (Ghorbanzadeh và Rahehagh, 2021). Khi người tiêu dùng vừa duy trì mức gắn kết cao vừa hài lòng lặp lại qua nhiều lần tương tác tích cực, quan hệ với thương hiệu có thể được nâng lên trạng thái gắn bó cảm xúc sâu sắc hơn - tình yêu thương hiệu (Albert và cộng sự, 2013; Batra và cộng sự, 2012). Nghiên cứu do đó giả định Sự gắn kết (H4) và Sự hài lòng (H5) có ảnh hưởng tích cực đến Tình yêu thương hiệu, được khái niệm hóa như một cấu trúc bậc hai gồm 3 thành phần.

Bảng 3: Tổng hợp các nhóm giả thuyết nghiên cứu

Giả thuyết	Nội dung quan hệ	Tính chất
H1a-H1e	Cá nhân hóa bằng AI → Năm thành phần giá trị tiêu dùng cảm nhận	Kế thừa và mở rộng
H2a-H2e	Năm thành phần giá trị tiêu dùng cảm nhận → Sự gắn kết của người tiêu dùng	Kế thừa
H3a-H3e	Năm thành phần giá trị tiêu dùng cảm nhận → Sự hài lòng của người tiêu dùng	Kế thừa
H4	Sự gắn kết → Tình yêu thương hiệu	Tác giả đề xuất
H5	Sự hài lòng → Tình yêu thương hiệu	Tác giả đề xuất

Nguồn: Tổng hợp của tác giả

Đóng góp của nghiên cứu

Nghiên cứu có 4 đóng góp chính. Thứ nhất, đây là một trong những nghiên cứu đặt tình yêu thương hiệu, một kết quả cảm xúc bậc cao, làm biến kết quả trung tâm trong bối cảnh cá nhân hóa bằng AI, thay cho các kết quả gần vốn phổ biến. Thứ hai, việc vận dụng Thuyết giá trị tiêu dùng làm lý thuyết trung tâm tạo khác biệt so với hướng nghiên cứu dựa trên TAM, S-O-R hay UTAUT, chuyển trọng tâm giải thích từ chấp nhận công nghệ sang kiến tạo giá trị đa dạng. Thứ ba, nghiên cứu kiểm định đồng thời 2 con đường trung gian song song (sự gắn kết và sự hài lòng) cùng cách tiếp cận đa chiều của giá trị cảm nhận, thay vì xem giá trị là biến tổng hợp một chiều (Zeithaml, 1988). Thứ tư, mô hình được đặt trong một bối cảnh còn ít được nghiên cứu là các nền tảng trực tuyến tại Việt Nam, nơi chỉ chiếm 2,3% số công bố toàn cầu.

KẾT LUẬN, HÀM Ý VÀ HẠN CHẾ

Thông qua phân tích thư mục học 265 công bố Scopus giai đoạn 2015-2025 kết hợp phân tích nội dung theo khung TCCM, nghiên cứu đã lập bản đồ tri thức của lĩnh vực cá nhân hóa bằng AI và phản ứng thương hiệu của người tiêu dùng, nhận diện 5 cụm chủ đề và một sự dịch chuyển rõ rệt từ hướng công nghệ - hiệu quả sang hướng quan hệ - cảm xúc. Kết quả khẳng định tình yêu thương hiệu là một khoảng trống nghiên cứu nổi bật trong bối cảnh AI.

Về hàm ý học thuật, nghiên cứu đề xuất một khung tích hợp kết nối cá nhân hóa bằng AI, 5 giá trị tiêu dùng cảm nhận, cơ chế trung gian kép (sự gắn kết và sự hài lòng) và tình yêu thương hiệu, một cấu hình chưa từng được kiểm định.

Về hàm ý thực tiễn, kết quả gợi ý các doanh nghiệp nên thiết kế chiến lược cá nhân hóa bằng AI không chỉ để tối ưu giao dịch mà còn để kiến tạo giá trị đa chiều và xây dựng quan hệ cảm xúc bền vững với khách hàng.

Nghiên cứu có một số hạn chế. Thứ nhất, việc sử dụng Scopus làm nguồn dữ liệu duy nhất có thể bỏ sót một số công bố được lập chỉ mục ở nơi khác, dù mức chồng lấp giữa Scopus và Web of Science là rất cao (Singh và cộng sự, 2021). Thứ hai, khung nghiên cứu đề xuất mang tính lý thuyết và cần được kiểm định thực nghiệm. Các nghiên cứu tiếp theo nên hiệu chỉnh thang đo qua phỏng vấn chuyên gia và kiểm định mô hình bằng dữ liệu khảo sát người tiêu dùng trên các nền tảng trực tuyến tại TP. Hồ Chí Minh.

Tài liệu tham khảo:

1. Ahmad, B., Uz Zaman, S. & Alam, S.H. (2025). Role of AI-based marketing activities in shaping brand experience, preference, and loyalty. Qlantic Journal of Social Sciences and Humanities, 6 (1), 237-253. https://doi.org/10.55737/qjssh.vi-i.25320

2. Ahuvia, A.C. (2005). Beyond the Extended Self: Loved Objects and Consumers’ Identity Narratives. Journal of Consumer Research, 32 (1), 171-184. https://doi.org/10.1086/429607

3. Albert, N., Merunka, D. & Valette-Florence, P. (2008). When consumers love their brands: Exploring the concept and its dimensions. Journal of Business Research, 61 (10), 1062-1075. https://doi.org/10.1016/j.jbusres.2007.09.014

4. Albert, N., Merunka, D. & Valette-Florence, P. (2013). Brand passion: Antecedents and consequences. Journal of Business Research, 66 (7), 904-909. https://doi.org/10.1016/j.jbusres.2011.12.009

5. Ameen, N., Tarhini, A., Reppel, A. & Anand, A. (2021). Customer experiences in the age of artificial intelligence. Computers in Human Behavior, 114. https://doi.org/10.1016/j.chb.2020.106548

6. Anderson, E.W., Fornell, C. & Lehmann, D.R. (1994). Customer Satisfaction, Market Share, and Profitability: Findings from Sweden. Journal of Marketing, 58 (3), 53. https://doi.org/10.2307/1252310

7. Arora, N., Ensslen, D., Fiedler, L., Liu, W.W., Robinson, K., Stein, E. & Schüler, G. (2021). The value of getting personalization right-or wrong-is multiplying. McKinsey & Company. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying

8. Bagozzi, R.P., Batra, R. & Ahuvia, A. (2017). Brand love: development and validation of a practical scale. Marketing Letters, 28 (1), 1-14. https://doi.org/10.1007/s11002-016-9406-1

9. Batra, R., Ahuvia, A. & Bagozzi, R.P. (2012). Brand Love. Journal of Marketing, 76 (2), 1-16. https://doi.org/10.1509/jm.09.0339

10. Brodie, R.J., Hollebeek, L.D., Jurić, B. & Ilić, A. (2011). Customer Engagement. Journal of Service Research, 14 (3), 252-271. https://doi.org/10.1177/1094670511411703

11. Bui Ba Hieu (2025). Digital marketing transformation in emerging economies: Evidence from Vietnam. International Journal of Advanced Multidisciplinary Research and Studies, 5 (6), 100-113. https://doi.org/10.62225/2583049X.2025.5.6.5181

12. Carroll, B.A. & Ahuvia, A.C. (2006). Some antecedents and outcomes of brand love. Marketing Letters, 17 (2), 79-89. https://doi.org/10.1007/s11002-006-4219-2

13. Dam Tri Cuong (2023). Determinants affecting online shopping consumers’ satisfaction and repurchase intention: Evidence from Vietnam. Innovative Marketing, 19 (1), 126-139. https://doi.org/10.21511/im.19(1).2023.11

14. Donthu, N., Kumar, S., Mukherjee, D., Pandey, N. & Lim, W.M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285-296. https://doi.org/10.1016/j.jbusres.2021.04.070

15. Ghorbanzadeh, D. & Rahehagh, A. (2021). Emotional brand attachment and brand love: the emotional bridges in the process of transition from satisfaction to loyalty. Rajagiri Management Journal, 15 (1), 16-38. https://doi.org/10.1108/RAMJ-05-2020-0024

16. Gia Khuong An & Thi Thuy An Ngo (2025). AI-powered personalized advertising and purchase intention in Vietnam’s digital landscape: The role of trust, relevance, and usefulness. Journal of Open Innovation: Technology, Market, and Complexity, 11 (3), 100580. https://doi.org/10.1016/j.joitmc.2025.100580

17. 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. https://doi.org/10.1186/s43093-025-00476-z

18. Hollebeek, L.D., Glynn, M.S. & Brodie, R.J. (2014). Consumer Brand Engagement in Social Media: Conceptualization, Scale Development and Validation. Journal of Interactive Marketing, 28 (2), 149-165. https://doi.org/10.1016/j.intmar.2013.12.002

19. Hollebeek, L.D., Menidjel, C., Sarstedt, M., Jansson, J. & Urbonavicius, S. (2024). Engaging consumers through artificially intelligent technologies: Systematic review, conceptual model, and further research. Psychology and Marketing, 41 (4), 880-898. https://doi.org/10.1002/mar.21957

20. Huang, M.H. & Rust, R.T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49 (1), 30-50. https://doi.org/10.1007/s11747-020-00749-9

21. Huynh Khanh Long Chau, Thi Thuy An Ngo, Chi Thanh Bui & Nguyen Phuc Nguyen Tran (2025). Human-AI interaction in E-Commerce: The impact of AI-powered customer service on user experience and decision-making. Computers in Human Behavior Reports, 19, 100725. https://doi.org/10.1016/j.chbr.2025.100725

22. Luan-Thanh Nguyen, Tri-Quan Dang & Dang Thi Viet Duc (2025). The Dark Sides of AI Advertising: The Integration of Cognitive Appraisal Theory and Information Quality Theory. Social Science Computer Review, 43 (2), 397-424. https://doi.org/10.1177/08944393241258760

23. Mason, M.C., Oduro, S., Umar, R.M. & Zamparo, G. (2023). Effect of consumption values on consumer behavior: a Meta-analysis. Marketing Intelligence and Planning, 41 (7), 923-944. https://doi.org/10.1108/MIP-03-2023-0100

24. Oliver, R.L. (1980). A cognitive model of the antecedents and consequences of satisfaction decisions. Journal of Marketing Research, 17 (4), 460-469. https://doi.org/10.1177/002224378001700405

25. Oliver, R.L. (1999). Whence Consumer Loyalty?. Journal of Marketing, 63, 33. https://doi.org/10.2307/1252099

26. Page, M.J., McKenzie, J.E., Bossuyt, P.M., Boutron, I., Hoffmann, T.C., Mulrow, C.D., Shamseer, L., Tetzlaff, J.M., Akl, E.A., Brennan, S.E., Chou, R., Glanville, J., Grimshaw, J.M., Hróbjartsson, A., Lalu, M.M., Li, T., Loder, E.W., Mayo-Wilson, E., McDonald, S., McGuinness, L.A., Stewart, L.A., Thomas, J., Tricco, A.C., Welch, V.A., Whiting, P. & Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71

27. Palusuk, N., Koles, B. & Hasan, R. (2019). ‘‘All you need is brand love’: a critical review and comprehensive conceptual framework for brand love. Journal of Marketing Management, 35 (1-2), 97-129. https://doi.org/10.1080/0267257X.2019.1572025

28. Paul, J. & Rosado-Serrano, A. (2019). Gradual Internationalization vs Born-Global/International new venture models. International Marketing Review, 36 (6), 830-858. https://doi.org/10.1108/IMR-10-2018-0280

29. Pham Ngoc Khanh, Lu Thi Ngoc Duyen & Dang Thi Thu Nguyet (2025). AI-Powered Personalization and Purchase Intention on E-Commerce Platforms in Vietnam: An SOR-TAM Based Analysis. Journal of Research, Innovation and Technologies, 4 (4), 388-404. https://doi.org/10.56578/jorit040406

30. Pranckutė, R. (2021). Web of Science (WoS) and Scopus: The titans of bibliographic information in today’s academic world. Publications, 9 (1). https://doi.org/10.3390/publications9010012

31. Puntoni, S., Reczek, R.W., Giesler, M. & Botti, S. (2021). Consumers and artificial intelligence: An experiential perspective. Journal of Marketing, 85 (1), 131-151. https://doi.org/10.1177/0022242920953847

32. Rahman, R., Islam, M.Z., Mahin, K.Z.C. & Galib, M.H. (2025). The AI Advantage: Revolutionizing Personalization in Digital Marketing. Business & Social Sciences, 3 (1), 1-9. https://doi.org/10.25163/business.3110281

33. Sari, D.A.P., Febrilia, I., Krissanya, N., Berutu, M.B. & Sekardhani, M. (2025). Integrating theory of consumption values and the unified theory of acceptance and use of technology to predict continued use of food delivery applications post COVID-19 outbreak. Social Sciences & Humanities Open, 12, 101671. https://doi.org/10.1016/j.ssaho.2025.101671

34. Saurav, K. & Kumari, R. (2025). Hyper-Personalization through Machine Learning. International Journal of Science and Management Studies (IJSMS), 8 (4), 82-95. https://doi.org/10.51386/25815946/ijsms-v8i4p106

35. Sheth, J.N., Newman, B.I. & Gross, B.L. (1991). Why we buy what we buy: A theory of consumption values. Journal of Business Research, 22 (2), 159-170. https://doi.org/10.1016/0148-2963(91)90050-8

36. Singh, V.K., Singh, P., Karmakar, M., Leta, J. & Mayr, P. (2021). The journal coverage of Web of Science, Scopus and Dimensions: A comparative analysis. Scientometrics, 126 (6), 5113-5142. https://doi.org/10.1007/s11192-021-03948-5

37. Sternberg, R.J. (1986). A triangular theory of love. Psychological Review, 93 (2), 119-135. https://doi.org/10.1037/0033-295X.93.2.119

38. Suraña-Sánchez, C. & Aramendia-Muneta, M.E. (2024). Impact of artificial intelligence on customer engagement and advertising engagement: A review and future research agenda. International Journal of Consumer Studies, 48 (2), e13027. https://doi.org/10.1111/ijcs.13027

39. Tadimarri, A., Jangoan, S., Kumar Sharma, K., Gurusamy, A. & Radius, H. (2024). AI-Powered Marketing: Transforming Consumer Engagement and Brand Growth. International Journal for Multidisciplinary Research (IJFMR), 6 (2). https://www.ijfmr.com

40. Thapa, S., Guzmán, F. & Paswan, A. (2024). We are just 10 feet away! How does location-based advertising affect consumer-brand engagement?. Journal of Business Research, 172, 114425. https://doi.org/10.1016/j.jbusres.2023.114425

41. Vivek, S.D., Beatty, S.E. & Morgan, R.M. (2012). Customer engagement: Exploring customer relationships beyond purchase. Journal of Marketing Theory and Practice, 20 (2), 122-146. https://doi.org/10.2753/MTP1069-6679200201

42. Yue, Y., Ng, S.I. & Basha, N. (2024). Consumption Values, Attitudes and Continuance Intention to Adopt ChatGPT-driven E-Commerce AI Chatbot (LazzieChat). Pakistan Journal of Commerce and Social Sciences, 18 (2), 249-284. https://doi.org/10.64534/Commer.2024.040

43. 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

Ngày nhận bài: 5/7/2026; Ngày hoàn thiện biên tập: 7/9/2026; Ngày duyệt đăng: 10/9/2026