Theo Manyika và cộng sự 2011 từ McKinsey, Big Data không chỉ đơn thuần là vấn đề về quy mô mà còn là việc tận dụng dữ liệu để hỗ trợ chiến lược kinh doanh, chẳng hạn như phân tích hành v
Lý do và tính cấp thiết của đề tài
Trong kỷ nguyên công nghệ số, dữ liệu lớn (Big Data) đã trở thành yếu tố cốt lõi trong việc thúc đNy sự đổi mới và tối ưu hoá hoạt động kinh doanh Big Data không chỉ cung cấp thông tin chi tiết về hành vi khách hàng mà còn hỗ trợ doanh nghiệp trong việc dự đoán xu hướng và ra quyết định chiến lược Đặc biệt, trong lĩnh vực quảng cáo trực tuyến, khả năng phân tích và sử dụng dữ liệu lớn đã chứng minh hiệu quả trong việc cải thiện hiệu suất chiến dịch quảng cáo bằng cách tối ưu hoá nội dung và chi phí quảng cáo Theo McKinsey (2021) các công ty sử dụng Big Data để phân tích hành vi khách hàng có thể tăng hiệu quả quảng cáo lên đến 30% Do đó, việc nghiên cứu và ứng dụng Big Data trong phân tích hành vi khách hàng nhằm nâng cao hiệu quả quảng cáo là hướng đi mang tính thời sự và có giá trị thực tiễn cao
Tuy nhiên, việc ứng dụng Big Data trong phân tích hành vi khách hàng và lĩnh vực quảng cáo tại Việt Nam vẫn còn nhiều hạn chế do thiếu hụt nguồn lực công nghệ và sự hiểu biết chuyên sâu về dữ liệu Công ty DS, với vai trò là cung cấp giải pháp kinh doanh cho các khách sạn và khu nghỉ dưỡng, đang gặp khó khăn trong việc khai thác dữ liệu khách hàng để nâng cao hiệu quả của các chiến dịch quảng cáo trực tuyến Mặc dù đã triển khai nhiều chiến dịch quảng cáo và đạt được thành tựu nhất định, công ty chưa khai thác hết tiềm năng của Big Data để cá nhân hoá nội dung và tối ưu chi phí quảng cáo Một trong các thách thức lớn là sự phân mảnh và không đồng nhất của dữ liệu, khi dữ liệu được cung cấp từ nhiều nguồn như OTA, PMS và các công cụ phân tích thường không thống nhất về định dạng hoặc cách tổ chức, dẫn đến khó khăn trong việc tích hợp và xử lý Điều này đặt ra câu hỏi: Làm thế nào để ứng dụng Big Data hiệu quả nhằm phân tích hành vi khách hàng và nâng cao hiệu suất quảng cáo tại DS? Vấn đề này không chỉ giúp công ty DS tăng khả năng cạnh tranh mà còn là bài toán chung của nhiều doanh nghiệp trong ngành du lịch và quảng cáo
Nhiều nghiên cứu toàn cầu đã chứng minh rằng Big Data có khả năng tối ưu hóa quảng cáo bằng cách phân tích hành vi khách hàng và dự đoán xu hướng thị trường, với các công cụ như Hadoop, Spark, và Tableau được sử dụng rộng rãi để xử lý dữ liệu lớn (Chaffey & Smith, 2020) Tại Việt Nam, phần lớn nghiên cứu về ứng dụng Big Data trong quảng cáo tập trung vào phân tích dữ liệu mô tả, chưa khai thác các mô hình tiên tiến như học máy và AI, mở ra khoảng trống nghiên cứu quan trọng, đặc biệt trong ngành du lịch đang phát triển mạnh mẽ Việc áp dụng Big Data thực tiễn sẽ góp phần nâng cao năng lực cạnh tranh của doanh nghiệp, đồng thời đề án hướng tới phát triển hệ thống phân tích hành vi khách hàng giúp tối ưu hóa hiệu quả quảng cáo của công ty DS, qua đó cá nhân hóa nội dung và giảm chi phí Kết quả nghiên cứu không chỉ hỗ trợ công ty DS mà còn cung cấp mô hình tham khảo cho các doanh nghiệp cùng ngành, mang ý nghĩa cả về khoa học lẫn thực tiễn Về mặt lý thuyết, đề án làm rõ vai trò của Big Data trong phân tích hành vi và tối ưu hóa quảng cáo, còn về thực tiễn, đưa ra giải pháp cụ thể giúp doanh nghiệp nâng cao hiệu quả kinh doanh và trải nghiệm khách hàng Cấu trúc đề án gồm ba chương chính: Cơ sở lý luận, Thực trạng doanh nghiệp, và Giải pháp đề xuất, với mục tiêu toàn diện, mở ra hướng đi mới trong ứng dụng Big Data tại Việt Nam.
Mục tiêu của đề tài
Ứng dụng Big Data trong hoạt động phân tích hành vi khách hàng đã trở thành một giải pháp chiến lược giúp doanh nghiệp hiểu rõ hơn về nhu cầu và thói quen tiêu dùng của khách hàng Việc khai thác dữ liệu lớn giúp tối ưu hóa hoạt động marketing, nâng cao hiệu quả quảng cáo và tăng cường trải nghiệm khách hàng Đề xuất các giải pháp dựa trên phân tích dữ liệu sẽ góp phần nâng cao hiệu quả hoạt động quảng cáo của công ty DS, từ đó thúc đẩy doanh số và mở rộng thị trường Sử dụng Big Data trong phân tích hành vi khách hàng không chỉ giúp doanh nghiệp đưa ra các quyết định chính xác hơn mà còn tăng tính cạnh tranh trong thị trường ngày càng phát triển.
- Hệ thống hóa lý thuyết về Big Data và những bài học kinh nghiệm từ các doanh nghiệp thành công trong ứng dụng Big Data vào phân tích hành vi khách hàng và nâng cao hiệu quả quảng cáo
- Phân tích thực trạng và các vấn đề trong hoạt động quảng cáo trên mạng xã hội của công ty DS
- Đề xuất các giải pháp Big Data ứng dụng trong phân tích hành vi khách hàng và tối ưu hoá quảng cáo của công ty DS.
Phương pháp nghiên cứu
§ Phương pháp thu thập dữ liệu:
- Thu thập dữ liệu lịch sử từ các nền tảng OTA (Booking.com, Agoda, Expedia), PMS (Property Management System), Facebook Ads Manager và Google Analytics để dự đoán xu hướng đặt phòng, khu vực và nhóm mục tiêu khách hàng
- Sử dụng dữ liệu nội bộ của công ty về doanh thu và hiệu quả quảng cáo § Phương pháp đánh giá:
- Đo lường hiệu quả quảng cáo thông qua các chỉ số so với chuNn ngành.
Kết cấu của KLTN
Chương I giới thiệu cơ sở lý luận về Big Data và vai trò của nó trong phân tích hành vi khách hàng, nhấn mạnh tầm quan trọng của dữ liệu lớn trong ra quyết định kinh doanh Chương II trình bày thực trạng vấn đề nghiên cứu tại đơn vị thực tập, đề cập đến các thách thức và hạn chế trong việc khai thác dữ liệu khách hàng hiện nay Chương III đề xuất các giải pháp ứng dụng Big Data để phân tích hành vi khách hàng nhằm nâng cao hiệu quả chiến lược quảng cáo của công ty DS, giúp tối ưu hóa hoạt động tiếp thị và tăng trưởng doanh thu.
CƠ SƠ LÝ LUẬN VỀ BIG DATA VÀ ỨNG DỤNG BIG DATA
Tổng quan về Big Data
1.1.1 Khái niệm và đặc điểm của Big Data
Dữ liệu lớn (Big Data) đề cập đến các tập dữ liệu có khối lượng lớn, tốc độ tăng trưởng nhanh và đa dạng về loại hình, vượt quá khả năng xử lý của các phương pháp truyền thống Theo Cavanillas và cộng sự (2016), Big Data thường liên quan đến việc sử dụng phân tích dự báo, phân tích hành vi người dùng và các phương pháp phân tích dữ liệu tiên tiến để khai thác giá trị từ dữ liệu, mặc dù đôi khi kích thước dữ liệu không phải là yếu tố chính.
Big Data không chỉ bao gồm dữ liệu có cấu trúc (structured data) như bảng dữ liệu truyền thống mà còn mở rộng sang dữ liệu phi cấu trúc (unstructured data) như hình ảnh, video và dữ liệu từ mạng xã hội Theo Dean và Ghemawat, việc xử lý và khai thác cả dữ liệu có cấu trúc lẫn phi cấu trúc đóng vai trò quan trọng trong việc cung cấp những insights giá trị cho doanh nghiệp Việc hiểu rõ các loại dữ liệu này giúp tối ưu hóa chiến lược phân tích dữ liệu và nâng cao hiệu quả hoạt động kinh doanh trong thế giới số ngày nay.
Năm 2008, các công trình nghiên cứu đã chỉ ra rằng sự phát triển của các công nghệ như Hadoop và MapReduce đã cách mạng hóa khả năng xử lý dữ liệu lớn Những công nghệ này đã giúp xử lý hiệu quả các tập dữ liệu lớn, mở ra cơ hội khai thác giá trị tiềm năng từ dữ liệu một cách đáng kể.
Big Data được hiểu là sự kết hợp giữa các công cụ, quy trình và kiến thức chuyên môn để khai thác giá trị từ dữ liệu lớn, đòi hỏi tích hợp các công nghệ tiên tiến như trí tuệ nhân tạo (AI), học máy (machine learning) và phân tích dự đoán (predictive analytics) nhằm tối ưu hóa quá trình ra quyết định và thúc đẩy chuyển đổi số.
Theo góc nhìn toàn diện, Big Data được xem như một hiện tượng kết hợp giữa văn hoá, công nghệ và học thuật, trong đó có sự tương tác giữa hai yếu tố chính Thứ nhất, công nghệ đóng vai trò quan trọng trong việc tận dụng sức mạnh tính toán và độ chính xác cuả thuật toán để thu thập, phân tích, kết nối và so sánh các tập dữ liệu lớn Thứ hai, các phân tích từ dữ liệu lớn được sử dụng để xác định các mô hình nhằm giải thích các hiện tượng thuộc lĩnh vực kinh tế, xã hội, kỹ thuật và pháp lý (Boyd & Crawford, 2012)
1.1.1.2 Các đặc điểm chính của Big Data Theo báo cáo nghiên cứu bởi Doug Laney và những diễn giả liên quan
Dựa trên mô hình ‘3Vs’ của META Group (nay là Gartner) từ năm 2001, Big Data được định nghĩa là các dữ liệu có khối lượng lớn (Volume), tốc độ xử lý nhanh (Velocity), và đa dạng về loại hình (Variety), đặt ra những thách thức và cơ hội để phát triển các phương pháp và công nghệ mới nhằm xử lý hiệu quả Đến năm 2012, Gartner mở rộng định nghĩa này, bổ sung các yếu tố mới như Độ tin cậy (Veracity) và Giá trị (Value), giúp mô tả đầy đủ hơn các đặc điểm của Big Data và khả năng chuyển đổi dữ liệu thô thành thông tin có giá trị Theo Manyika và cộng sự của McKinsey (2011), Big Data không chỉ là vấn đề về quy mô, mà còn là việc tận dụng dữ liệu để hỗ trợ chiến lược kinh doanh như phân tích hành vi khách hàng, tối ưu hoá chuỗi cung ứng, và nâng cao hiệu quả quảng cáo, góp phần tạo lợi thế cạnh tranh và thúc đẩy đổi mới sáng tạo trong doanh nghiệp.
Hình 1.1 Đặc điểm của Big Data
(1) Volume (Khối lượng dữ liệu lớn) Đây là yếu tố đầu tiên và nổi bật nhất của Big Data Theo Gartner
(2021), dữ liệu lớn thường được đo lường bằng terabyte, petabyte, hoặc thậm chí exabyte Với sự phát triển của các nền tảng trực tuyến, mạng xã hội, và các thiết bị IoT, khối lượng dữ liệu được tạo ra mỗi ngày tăng trưởng theo cấp số nhân Chẳng hạn, Facebook xử lý hơn 500 terabyte dữ liệu mỗi ngày bao gồm hình ảnh, video, nội dung văn bản (Manyika et al., 2011)
Trong môi trường hiện đại, tốc độ xử lý dữ liệu (Velocity) đề cập đến khả năng tạo, truyền tải và xử lý dữ liệu một cách nhanh chóng để đáp ứng nhu cầu phân tích gần như theo thời gian thực Các hệ thống giao dịch tài chính và ứng dụng y tế theo dõi sức khỏe yêu cầu dữ liệu tốc độ cao để cung cấp phản hồi tức thì, hỗ trợ quyết định nhanh chóng Theo nghiên cứu của Zaharia và cộng sự (2016), công nghệ Apache Spark nổi bật trong việc xử lý dữ liệu tốc độ cao, giúp đáp ứng nhu cầu phân tích thời gian thực trong nhiều ngành công nghiệp khác nhau.
(3) Variety (Sự đa dạng loại hình dữ liệu) Big Data không chỉ bao gồm dữ liệu có cấu trúc (structured data)
Tốc độ dữ liệu tạo ra
Các loại dữ liệu khác nhau Độ tin cậy của dữ liệu về độ chính xác
Dữ liệu không chỉ gồm dữ liệu cấu trúc mà còn bao gồm dữ liệu phi cấu trúc và bán cấu trúc, như văn bản, hình ảnh, video, âm thanh hoặc dữ liệu cảm biến từ các thiết bị IoT Chaffey & Smith (2020) nhấn mạnh rằng sự đa dạng của các loại dữ liệu này đóng vai trò quan trọng trong việc hiểu rõ hơn về hành vi và sở thích của khách hàng, đặc biệt trong lĩnh vực tiếp thị và quảng cáo.
(4) Veracity (Độ tin cậy của dữ liệu) Đề cập đến tính chính xác và đáng tin cậy của dữ liệu bởi không phải tất cả dữ liệu đều có giá trị và có thể sử dụng được, đặc biệt khi dữ liệu có thể bị nhiễu hoặc thiếu thông tin IBM (2013) ước tính rằng 27% dữ liệu doanh nghiệp là không chính xác, dẫn đến những quyết định sai lầm nếu không được làm sạch và xác minh Do đó, các công nghệ và quy trình quản lý dữ liệu đóg vai trò quan trọng trong việc đảm bảo tính chính xác và đáng tin cậy của dữ liệu
Dữ liệu lớn mang lại giá trị thực sự khi được phân tích và chuyển đổi thành thông tin có ích để hỗ trợ chiến lược kinh doanh, như tối ưu chuỗi cung ứng, dự báo hành vi khách hàng, và nâng cao hiệu quả quảng cáo Giá trị của dữ liệu không chỉ giúp hiểu rõ hiện tại mà còn dự đoán và chuẩn bị cho các xu hướng tương lai, làm nổi bật vai trò quan trọng của Big Data trong tạo lợi thế cạnh tranh.
1.1.1.3 Vai trò của Big Data trong kinh doanh và tiếp thị Big Data đang ngày càng chứng tỏ vai trò quan trọng trong việc thúc đNy sự đổi mới và tối ưu hoá hoạt động kinh doanh, đặc biệt trong lĩnh vực tiếp thị Với khả năng xử lý khối lượng dữ liệu lớn, tốc độ nhanh và đa dạng về loại hình, Big Data không chỉ cung cấp thông tin chi tiết về khách hàng mà còn hỗ trợ doanh nghiệp ra quyết định chiến lược Manyika và cộng sự (2021) đã đúc kết rằng Big Data đã trở thành một yếu tố cạnh tranh cốt lõi, giúp các doanh nghiệp khai thác dữ liệu để cải thiện thành quả hoạt động và gia tăng giá trị khách hàng
Dự đoán xu hướng thị trường và ra quyết định chiến lược :
Các mô hình dự đoán dựa trên dữ liệu lớn giúp phân tích các yếu tố quan trọng như nhu cầu khách hàng, sự thay đổi trong hành vi tiêu dùng, và biến động thị trường Báo cáo của McKinsey (2011) cho thấy doanh nghiệp ứng dụng Big Data có thể nâng cao độ chính xác trong dự đoán xu hướng từ 20-25%, từ đó tạo ra lợi thế cạnh tranh vượt trội trên thị trường.
Phân tích hành vi khách hàng và cá nhân hoá tiếp thị :
Big Data cho phép doanh nghiệp thu thập và phân tích dữ liệu từ nhiều nguồn như mạng xã hội, website, và giao dịch trực tuyến để hiểu rõ hơn về hành vi và sở thích của khách hàng Theo Chaffey & Smith (2020), phân tích dữ liệu lớn giúp xác định các phân khúc khách hàng tiềm năng và tạo ra các chiến dịch tiếp thị cá nhân hóa Ví dụ, Amazon sử dụng các thuật toán máy học để đề xuất sản phẩm phù hợp dựa trên lịch sử mua sắm và tìm kiếm của khách hàng, từ đó tăng tỷ lệ chuyển đổi và doanh thu.
Tối ưu hóa chiến dịch quảng cáo :
Sử dụng dữ liệu lớn giúp doanh nghiệp thử nghiệm nhiều chiến lược quảng cáo qua phương pháp A/B testing và điều chỉnh nội dung theo thời gian thực Nghiên cứu của Kohavi et al (2009) chỉ ra rằng các chiến dịch quảng cáo tối ưu hóa bằng Big Data thường mang lại hiệu quả cao hơn 30% so với các phương pháp truyền thống Đặc biệt, quản lý giá động (dynamic pricing) là một trong những ứng dụng nổi bật, cho phép doanh nghiệp điều chỉnh giá dựa trên dữ liệu về cạnh tranh và nhu cầu thị trường, nâng cao khả năng cạnh tranh và tối ưu doanh thu.
Nâng cao trải nghiệm khách hàng :
Lý thuyết về hành vi khách hàng
1.2.1 Khái niệm và ý nghĩa của phân tích hành vi khách hàng
Phân tích hành vi khách hàng là yếu tố quan trọng trong hoạt động kinh doanh, giúp doanh nghiệp thu thập, xử lý và đánh giá dữ liệu để hiểu rõ hơn về nhu cầu, sở thích và động cơ mua sắm của khách hàng Theo Kotler & Keller (2016), hành vi khách hàng bao gồm các quá trình nhận thức, cảm xúc và hành động của người tiêu dùng trong việc tìm kiếm, lựa chọn, mua sắm, sử dụng và đánh giá sản phẩm hoặc dịch vụ Nghiên cứu của Wedel & Pieters (2007) nhấn mạnh rằng việc phân tích hành vi khách hàng dựa trên dữ liệu từ nhiều nguồn khác nhau như giao dịch mua bán, hoạt động trực tuyến, mạng xã hội và dữ liệu nhân khẩu học Trong thời đại chuyển đổi số và sự bùng nổ của dữ liệu lớn, phân tích hành vi khách hàng không chỉ giúp doanh nghiệp tối ưu hóa chiến lược tiếp thị mà còn nâng cao trải nghiệm khách hàng, từ đó tạo lợi thế cạnh tranh bền vững trên thị trường.
Người tiêu dùng đóng vai trò trung tâm trong hoạt động kinh doanh, họ là những cá nhân, hộ gia đình hoặc nhóm người tiêu dùng sản phNm và dịch vụ nhằm thỏa mãn nhu cầu cá nhân Theo Trần Minh Đạo (2012, tr.93), hành vi mua của người tiêu dùng bao gồm toàn bộ các hành động mà họ thực hiện trong quá trình tìm hiểu, mua sắm, sử dụng và đánh giá sản phNm Đây cũng là cách thức mà người tiêu dùng đưa ra quyết định sử dụng nguồn lực của mình, bao gồm tiền bạc, thời gian và công sức, để mua sắm và tiêu dùng sản phNm, dịch vụ phù hợp với nhu cầu cá nhân
Theo Trương Đình Chiến (2011, tr.106), hành vi tiêu dùng không chỉ giới hạn ở quá trình mua sắm mà còn bao gồm các yếu tố tâm lý và xã hội ảnh hưởng đến quyết định tiêu dùng trước, trong và sau khi mua sản phNm hoặc dịch vụ Điều này cho thấy, để phân tích chính xác hành vi khách hàng, doanh nghiệp không chỉ cần hiểu về mô hình mua sắm mà còn phải xem xét các yếu tố tâm lý, động cơ và ảnh hưởng xã hội tác động đến quyết định tiêu dùng
Phân tích hành vi khách hàng giúp doanh nghiệp có cái nhìn toàn diện về quá trình ra quyết định mua sắm của khách hàng, từ đó xây dựng chiến lược tiếp thị hiệu quả và cá nhân hóa trải nghiệm khách hàng Sử dụng dữ liệu lớn và công nghệ phân tích hiện đại, doanh nghiệp không chỉ hiểu rõ hơn về khách hàng hiện tại mà còn dự báo xu hướng tiêu dùng trong tương lai Điều này tạo nền tảng vững chắc cho sự phát triển lâu dài của doanh nghiệp, nâng cao sự hài lòng của khách hàng và thúc đẩy doanh thu hiệu quả.
1.2.2 Các yếu tố ảnh hưởng đến hành vi khách hàng
Hành vi khách hàng là lĩnh vực cốt lõi trong nghiên cứu marketing, giúp doanh nghiệp hiểu rõ quá trình ra quyết định mua sắm và sử dụng sản phẩm hoặc dịch vụ của người tiêu dùng Theo Kotler & Keller, việc phân tích hành vi khách hàng giúp doanh nghiệp tối ưu hóa chiến lược tiếp thị và nâng cao trải nghiệm khách hàng Nắm bắt nhu cầu và mong muốn của khách hàng là yếu tố then chốt để xây dựng các chiến dịch marketing hiệu quả Hiểu rõ quá trình ra quyết định của khách hàng giúp tăng khả năng chuyển đổi và duy trì khách hàng trung thành.
(2016), hành vi này chịu ảnh hưởng bởi nhiều yếu tố, trong đó bao gồm các nhân tố văn hóa, xã hội, cá nhân và tâm lý Việc phân tích các yếu tố này không chỉ giúp doanh nghiệp xác định nhóm khách hàng mục tiêu một cách hiệu quả mà còn hỗ trợ tối ưu hóa chiến lược tiếp thị, nâng cao mức độ hài lòng và tăng cường lòng trung thành của khách hàng Nhìn chung, các yếu tố ảnh hưởng đến hành vi tiêu dùng có thể được phân thành bốn nhóm chính: nhân tố văn hóa, nhân tố xã hội, nhân tố cá nhân và nhân tố tâm lý, mỗi nhóm đóng vai trò quan trọng trong việc định hình quyết định mua sắm của người tiêu dùng
Sơ đồ 1.1 Mô hình các yếu tố ảnh hưởng đến hành vi của khách hàng a Yếu tố văn hóa
Văn hóa đóng vai trò quan trọng ảnh hưởng sâu rộng đến hành vi tiêu dùng của mỗi người, bởi vì nó hình thành niềm tin, giá trị và thói quen từ khi sinh ra Theo Solomon et al (2019), văn hóa bao gồm hệ thống các giá trị, quan niệm, phong tục và truyền thống được truyền từ thế hệ này sang thế hệ khác, tác động trực tiếp đến cách con người lựa chọn và sử dụng sản phẩm Các yếu tố văn hóa góp phần định hình cách khách hàng tiêu dùng và có ảnh hưởng đáng kể đến quyết định mua sắm của họ.
Văn hóa chung ảnh hưởng đến hành vi tiêu dùng của từng quốc gia, với mỗi vùng miền có hệ giá trị và chuẩn mực tiêu dùng riêng biệt Người tiêu dùng phương Tây thường thích các sản phẩm mang tính cá nhân hóa cao để thể hiện cá tính, trong khi người tiêu dùng châu Á ưu tiên các sản phẩm thể hiện sự hài hòa và phù hợp với cộng đồng, phù hợp với các đặc điểm văn hóa đặc trưng của từng khu vực (Hofstede, 2001).
• Tiểu văn hóa: Gồm các nhóm nhỏ hơn trong xã hội, chẳng hạn như các nhóm tôn giáo, dân tộc, giới tính, thế hệ Những nhóm này có ảnh hưởng đến sở thích tiêu dùng và phong cách sống của từng cá nhân (Schiffman & Kanuk, 2015)
Giai tầng xã hội ảnh hưởng lớn đến hành vi mua sắm và lựa chọn sản phẩm của khách hàng, trong đó người có thu nhập cao thường ưa chuộng các thương hiệu xa xỉ để thể hiện đẳng cấp, còn người có thu nhập trung bình và thấp chú trọng đến giá trị sử dụng và mức giá cạnh tranh để phù hợp với ngân sách của mình Yếu tố xã hội đóng vai trò quan trọng trong việc hình thành sở thích và xu hướng tiêu dùng của từng nhóm khách hàng.
Hành vi tiêu dùng không chỉ bị ảnh hưởng bởi yếu tố văn hóa mà còn chịu tác động mạnh mẽ từ các yếu tố xã hội như nhóm tham khảo, gia đình và vai trò xã hội Các yếu tố này đóng vai trò quan trọng trong việc hình thành quyết định mua sắm và tiêu dùng hàng ngày của người tiêu dùng Hiểu rõ các yếu tố xã hội giúp doanh nghiệp xây dựng các chiến lược tiếp thị phù hợp, nâng cao hiệu quả tiếp cận khách hàng.
Nhóm tham khảo, theo Solomon et al (2019), là tập hợp những người có ảnh hưởng đến quyết định tiêu dùng cá nhân, như bạn bè, đồng nghiệp hoặc người nổi tiếng Nhóm này đóng vai trò quan trọng trong việc hình thành nhận thức về thương hiệu và xu hướng mua sắm, đặc biệt trong các lĩnh vực thời trang, công nghệ và thực phẩm.
• Gia đình: Gia đình là một trong những yếu tố quan trọng nhất tác động đến hành vi tiêu dùng Theo Schiffman & Kanuk (2015), các thành viên trong gia đình có thể ảnh hưởng đến quyết định mua sắm của nhau, đặc biệt là trong các sản phNm liên quan đến sinh hoạt gia đình như thực phNm, đồ gia dụng và phương tiện di chuyển
Vai trò và địa vị xã hội đóng vai trò quan trọng trong hành vi tiêu dùng của mỗi cá nhân, chẳng hạn như vai trò là người tiêu dùng, người lao động hay người cha/mẹ trong gia đình Theo Kotler & Keller (2016), các vai trò xã hội này ảnh hưởng đáng kể đến cách thức lựa chọn và tiêu dùng sản phẩm, ví dụ như doanh nhân thường ưu tiên mua sắm quần áo công sở cao cấp để thể hiện đẳng cấp và sự chuyên nghiệp Yếu tố cá nhân cũng đóng vai trò quan trọng trong quyết định tiêu dùng của mỗi người.
Ngoài các yếu tố văn hóa và xã hội, hành vi tiêu dùng còn chịu ảnh hưởng đáng kể bởi đặc điểm cá nhân như độ tuổi, nghề nghiệp, tình trạng kinh tế và phong cách sống Các yếu tố này giúp định hình các quyết định mua sắm của người tiêu dùng, từ đó ảnh hưởng đến xu hướng tiêu dùng trên thị trường Hiểu rõ các yếu tố cá nhân này sẽ giúp doanh nghiệp tối ưu hóa chiến lược marketing và nâng cao hiệu quả tiếp cận khách hàng mục tiêu.
Quảng cáo trực tuyến và xu hướng ứng dụng Big Data trong quảng cáo trên thế giới và Việt Nam
1.3.1 Các loại hình quảng cáo trực tuyến
Quảng cáo trực tuyến là công cụ quan trọng giúp doanh nghiệp tiếp cận khách hàng hiệu quả trong kỷ nguyên số Với sự phát triển của công nghệ và dữ liệu lớn, các nền tảng quảng cáo trực tuyến tối ưu hóa khả năng nhắm mục tiêu và cá nhân hóa nội dung để nâng cao tỷ lệ chuyển đổi Theo Kotler et al (2017), quảng cáo trực tuyến là hình thức tiếp thị sử dụng Internet để truyền tải thương hiệu, thu hút khách hàng tiềm năng và gia tăng doanh số bán hàng Báo cáo của Statista (2022) cho thấy ngân sách quảng cáo trực tuyến toàn cầu đã vượt 600 tỷ USD, chiếm phần lớn trong tổng chi tiêu tiếp thị Tại Việt Nam, theo Hiệp hội Quảng cáo Việt Nam (VAA, 2023), quảng cáo trực tuyến chiếm hơn 60% tổng chi tiêu quảng cáo, chủ yếu qua Facebook Ads, Google Ads và TikTok Ads giúp doanh nghiệp tiếp cận khách hàng hiệu quả Trong bối cảnh thị trường số hóa phát triển, hiểu rõ các loại hình quảng cáo trực tuyến là yếu tố then chốt để doanh nghiệp tối ưu hóa chiến lược tiếp thị.
Quảng cáo tìm kiếm có trả phí (SEA) hay còn gọi là Quảng cáo PPC là hình thức quảng cáo trực tuyến phổ biến giúp doanh nghiệp hiển thị quảng cáo trên trang kết quả tìm kiếm của Google, Bing nhờ vào từ khóa khách hàng tìm kiếm Theo Chaffey & Smith (2020), SEA tăng cường khả năng hiển thị trên công cụ tìm kiếm và giúp tiếp cận đúng khách hàng vào đúng thời điểm có nhu cầu Ví dụ, Google Ads sử dụng mô hình đấu giá theo từ khóa để tối ưu hiệu quả quảng cáo.
Bidding), trong đó doanh nghiệp trả tiền khi người dùng nhấp vào quảng cáo của họ Báo cáo của WordStream (2021) cho thấy, tỷ lệ nhấp trung bình (Click-
Through Rate - CTR) của quảng cáo tìm kiếm có trả phí trên Google là 3.17%, cao hơn nhiều so với các loại hình quảng cáo khác b Quảng cáo hiển thị (Display Advertising) Quảng cáo hiển thị bao gồm các banner, hình ảnh, video hoặc nội dung đa phương tiện xuất hiện trên các trang web, ứng dụng hoặc nền tảng mạng xã hội Theo Kotler et al (2017), quảng cáo hiển thị giúp tăng độ nhận diện thương hiệu và thu hút sự chú ý của khách hàng tiềm năng
Các định dạng phổ biến của quảng cáo hiển thị bao gồm:
• Banner Ads: Quảng cáo hiển thị dưới dạng biểu ngữ trên các trang web
• Rich Media Ads: Quảng cáo tương tác như GIF, video hoặc hình ảnh động
• Native Ads: Quảng cáo tích hợp nội dung tự nhiên trên trang web, giúp tăng mức độ tương tác của người dùng
Theo báo cáo của IAB (2021), quảng cáo hiển thị chiếm khoảng 30% tổng chi tiêu quảng cáo trực tuyến và có tỷ lệ chuyển đổi cao hơn nhờ vào việc tối ưu hóa bằng công nghệ AI Quảng cáo trên mạng xã hội như Facebook, Instagram, TikTok, LinkedIn, Twitter là hình thức tiếp thị kỹ thuật số phổ biến giúp doanh nghiệp tiếp cận khách hàng mục tiêu một cách hiệu quả Theo Kaplan & Haenlein (2010), quảng cáo trên mạng xã hội đạt hiệu quả cao nhờ khả năng cá nhân hóa nội dung và nhắm đúng đối tượng dựa trên dữ liệu nhân khẩu học và hành vi trực tuyến của người dùng.
Các nền tảng phổ biến cho quảng cáo mạng xã hội bao gồm:
• Facebook Ads: Cho phép doanh nghiệp nhắm mục tiêu dựa trên sở thích, độ tuổi, vị trí địa lý
• Instagram Ads: Phù hợp với các ngành hàng liên quan đến thời trang, làm đẹp, du lịch
• TikTok Ads: Được sử dụng để tiếp cận nhóm khách hàng trẻ, ưu tiên nội dung video ngắn
• LinkedIn Ads: Dành cho các doanh nghiệp B2B, giúp quảng bá thương hiệu đến khách hàng doanh nghiệp
Theo báo cáo của Hootsuite (2023), hơn 75% doanh nghiệp toàn cầu sử dụng quảng cáo trên mạng xã hội để tiếp cận khách hàng và tăng tỷ lệ chuyển đổi d Quảng cáo video (Video Advertising) Quảng cáo video là một trong những xu hướng phát triển mạnh mẽ nhất trong tiếp thị kỹ thuật số Hình thức này bao gồm quảng cáo trên YouTube, TikTok, Facebook Watch và các nền tảng video khác Theo Cisco (2021), video chiếm hơn 82% tổng lưu lượng Internet toàn cầu, cho thấy sức hút mạnh mẽ của nội dung video đối với người dùng
Các loại hình quảng cáo video phổ biến gồm:
• In-Stream Ads: Quảng cáo phát trước, giữa hoặc sau video trên YouTube, Facebook
• Out-Stream Ads: Quảng cáo xuất hiện trên các trang web đối tác ngoài nền tảng video chính
• Shoppable Video Ads: Video cho phép người xem mua hàng trực tiếp từ quảng cáo
Báo cáo của Google (2022) cho thấy, hơn 70% người tiêu dùng tin rằng quảng cáo video giúp họ hiểu rõ hơn về sản phNm trước khi quyết định mua hàng e Quảng cáo tiếp thị lại (Retargeting Ads) Quảng cáo tiếp thị lại là chiến lược hiển thị quảng cáo đến những khách hàng đã từng truy cập website hoặc tương tác với nội dung trước đó Theo Chaffey & Smith (2020), hình thức này giúp tăng tỷ lệ chuyển đổi bằng cách nhắc nhở khách hàng quay lại hoàn tất giao dịch Ví dụ, một khách hàng truy cập trang web của Shopee nhưng chưa mua hàng sẽ thấy quảng cáo hiển thị lại sản phNm đó trên Facebook hoặc Google Theo Criteo (2021), tỷ lệ chuyển đổi của quảng cáo tiếp thị lại cao hơn 10 lần so với quảng cáo hiển thị thông thường
Quảng cáo trực tuyến đóng vai trò quan trọng trong chiến lược tiếp thị hiện đại, giúp doanh nghiệp tiếp cận khách hàng hiệu quả và tối ưu chi phí tiếp thị Nhờ vào sự hỗ trợ của Big Data, doanh nghiệp có thể nâng cao khả năng nhắm mục tiêu, cá nhân hóa nội dung và tăng tỷ lệ chuyển đổi, từ đó tối ưu hóa hiệu suất tiếp thị số.
1.3.2 Các chỉ số đo lường hiệu quả quảng cáo
Các chỉ số quan trọng được sử dụng phổ biến để đo lường hiệu quả quảng cáo bao gồm Tỷ lệ nhấp chuột (Click-Through Rate – CTR), một trong những chỉ số chủ chốt đánh giá thành công của các chiến dịch quảng cáo trực tuyến CTR đặc biệt quan trọng trong quảng cáo tìm kiếm (Search Engine Advertising) và quảng cáo hiển thị (Display Advertising), giúp đánh giá mức độ hấp dẫn và hiệu quả của quảng cáo CTR được tính theo công thức cụ thể, phản ánh tỷ lệ người xem nhấn vào quảng cáo so với tổng số người dùng tiếp xúc, giúp các nhà quảng cáo tối ưu chiến dịch của mình.
Theo Chaffey & Smith (2020), CTR cao thể hiện rằng nội dung quảng cáo hấp dẫn và có sức hút đối với người dùng Báo cáo của WordStream (2021) cho thấy CTR trung bình của Google Ads là 3.17%, trong khi nghiên cứu của
P Kotler & Armstrong (2021) chỉ ra rằng một quảng cáo Facebook Ads hiệu quả trong ngành dịch vụ lưu trú và du lịch dao động từ 1% - 3% b Tỷ lệ chuyển đổi (Conversion Rate – CR)
Tỷ lệ chuyển đổi (CR) đo lường số lượng khách hàng thực hiện hành động mong muốn sau khi tương tác với quảng cáo, như mua hàng, điền vào biểu mẫu hoặc đăng ký dịch vụ Công thức tính CR giúp các marketers đánh giá hiệu quả chiến dịch quảng cáo và tối ưu hóa chiến lược tiếp thị để nâng cao doanh số và lượt tương tác Việc nắm bắt tỷ lệ chuyển đổi chính xác là yếu tố quan trọng để tăng cường hiệu quả quảng cáo trực tuyến và đạt được mục tiêu kinh doanh.
Chỉ số CR (Conversion Rate) là một yếu tố quan trọng giúp đánh giá hiệu quả thực sự của chiến dịch quảng cáo trong việc thúc đẩy hành động của khách hàng, theo Kotler et al (2017) Dữ liệu từ Unbounce (2022) cho thấy tỷ lệ chuyển đổi trung bình của các trang đích (Landing Page) dao động từ 2% đến 5%, phụ thuộc vào ngành nghề và hình thức quảng cáo Chi phí trên mỗi lần nhấp chuột (CPC) đo lường chi phí doanh nghiệp phải trả cho mỗi lượt nhấp vào quảng cáo, đóng vai trò then chốt trong chiến dịch quảng cáo tìm kiếm và hiển thị để tối ưu hóa ngân sách quảng cáo.
Theo báo cáo Facebook Business (2024), CPC trung bình trên Facebook Ads dao động từ 0,5 - 1,5 USD (11.500 – 34.500 VNĐ/click), tùy thuộc vào lĩnh vực, trong đó ngành tài chính có CPC cao nhất khoảng 6 USD, còn ngành giải trí có CPC thấp hơn dưới 1 USD Chi phí trên mỗi chuyển đổi (Cost Per Conversion – CPA) thể hiện chi phí trung bình để đạt được một hành động chuyển đổi như mua hàng, đăng ký hoặc tải ứng dụng Công thức tính CPA giúp đo lường hiệu quả chi tiêu quảng cáo và tối ưu chiến dịch marketing.
!HM = "ổ*D ℎ3 -ℎí J/ả*D á&ố (ượ*D ℎ/Eể* đổ3Theo HubSpot (2023) mức CPA lý tưởng 25 – 50 USD (700.000 – 1.500.000 VNĐ) cho ngành khách sạn Chỉ số này giúp doanh nghiệp đánh giá mức độ hiệu quả của quảng cáo hiện thực hoá khách hàng tiềm năng e Chi phí trên 1.000 lần hiển thị (Cost Per 1.000 Impressions – CPM) CPM đo lường chi phí để quảng cáo xuất hiện 1.000 lần CPM cao có thể phản ánh thị trường cạnh tranh hoặc nội dung chưa được tối ưu tốt Công thức tính như sau:
Theo Facebook Business (2024), CPM duy trì ở mức 5 – 15 USD (80.000 – 200.000 VNĐ) để tránh lãng phí ngân sách quảng cáo Độ tiếp cận (Reach) đo lường số lượng người dùng duy nhất nhìn thấy quảng cáo trong thời gian nhất định, với mức độ tiếp cận từ 10.000 đến 50.000 người mỗi chiến dịch giúp mở rộng tệp khách hàng tiềm năng Tần suất (Frequency) phản ánh số lần mỗi người dùng nhìn thấy quảng cáo, góp phần tối ưu hiệu quả chiến dịch trên nền tảng Meta.
