ACSI là gì? Mô hình đo lường sự hài lòng khách hàng

Mô hình ACSI là gì

ACSI là viết tắt của American Customer Satisfaction Index, một mô hình đo lường sự hài lòng của khách hàng. Mô hình được phát triển trong bối cảnh đo lường mức độ hài lòng ở cấp độ quốc gia và tổ chức, sau đó được dùng làm nền tảng cho nhiều nghiên cứu về dịch vụ, sản phẩm và hành vi khách hàng.

Khi đưa ACSI vào luận văn, bạn thường dùng mô hình này để giải thích vì sao khách hàng hài lòng hoặc không hài lòng, rồi kiểm tra sự hài lòng có liên quan thế nào đến khiếu nại và lòng trung thành. Các nhóm biến chính thường gồm kỳ vọng của khách hàng, chất lượng cảm nhận, giá trị cảm nhận, sự hài lòng, khiếu nại và lòng trung thành.

ACSI phù hợp với đề tài có biến phụ thuộc là sự hài lòng khách hàng, chẳng hạn sự hài lòng với ngân hàng, sàn thương mại điện tử, nhà mạng, bệnh viện hoặc dịch vụ giáo dục. Bạn cần điều chỉnh cách diễn đạt biến quan sát theo bối cảnh nghiên cứu, thay vì chép nguyên câu hỏi từ một nghiên cứu khác.

Nếu đề tài của bạn tập trung vào chất lượng dịch vụ theo năm thành phần cụ thể, bạn có thể đối chiếu thêm mô hình SERVQUAL, thang đo SERVQUAL, hoặc mô hình SERVPERF. ACSI và SERVQUAL có thể được dùng trong cùng một đề tài, nhưng chúng trả lời các câu hỏi khác nhau.

Các thành phần trong mô hình

Trong mô hình ACSI, các khái niệm được sắp xếp thành chuỗi nguyên nhân và kết quả. Kỳ vọng, chất lượng cảm nhận và giá trị cảm nhận tác động đến sự hài lòng. Sự hài lòng có thể liên quan đến khiếu nại và lòng trung thành. Mối quan hệ cụ thể cần được bạn xác định lại theo ngành và mô hình nghiên cứu.

Bạn nên phân biệt “chất lượng cảm nhận” với “sự hài lòng”. Một khách hàng có thể đánh giá chất lượng giao hàng tốt nhưng vẫn chưa hài lòng vì giá cao. Ngược lại, khách hàng có thể hài lòng với tổng thể trải nghiệm dù một khía cạnh chất lượng chưa thật sự nổi bật.

“Giá trị cảm nhận” cũng không chỉ là giá bán. Nó thể hiện cách khách hàng cân nhắc lợi ích, chất lượng, sự thuận tiện và chi phí. Nếu bạn chỉ hỏi khách hàng giá có rẻ hay không, thang đo có thể đang đo cảm nhận về giá, chưa bao quát đầy đủ giá trị cảm nhận.

Khi xây dựng mô hình, hãy xem mỗi khái niệm là một biến tiềm ẩn được đo bằng nhiều biến quan sát. Ví dụ, sự hài lòng có thể được đo bằng đánh giá tổng thể, mức độ đáp ứng kỳ vọng và mức độ phù hợp với quyết định sử dụng. Các biến quan sát này cần được viết thành bảng hỏi Likert rõ ràng, dễ trả lời và phù hợp với nhóm mẫu.

Mô hình gốc và các mở rộng phổ biến

Mô hình ACSI gốc tập trung vào chuỗi quan hệ từ kỳ vọng, chất lượng cảm nhận và giá trị cảm nhận đến sự hài lòng. Sau đó, sự hài lòng được liên hệ với khiếu nại và lòng trung thành. Khi áp dụng vào một ngành cụ thể, nhà nghiên cứu thường rút gọn hoặc mở rộng mô hình để phù hợp với câu hỏi nghiên cứu.

Một cách mở rộng phổ biến là thêm các yếu tố giải thích chất lượng cảm nhận. Ví dụ, trong dịch vụ ngân hàng, chất lượng cảm nhận có thể được hình thành từ độ tin cậy, khả năng đáp ứng, năng lực phục vụ, sự đồng cảm và phương tiện hữu hình. Đây là hướng liên hệ với mô hình 5 khoảng cách chất lượng dịch vụ, nhưng bạn cần nói rõ đâu là mô hình nền và đâu là nhóm biến được bổ sung.

Một hướng khác là giữ sự hài lòng làm biến trung gian giữa chất lượng cảm nhận và lòng trung thành. Khi đó, câu hỏi nghiên cứu không chỉ là chất lượng có ảnh hưởng đến lòng trung thành hay không, mà còn là ảnh hưởng đó có được truyền qua sự hài lòng hay không. Nếu kiểm định mediation, bạn cần xác định trước đường dẫn trực tiếp và đường dẫn gián tiếp.

Bạn cũng có thể mở rộng mô hình bằng cách thêm các biến phù hợp với bối cảnh như niềm tin, nhận thức rủi ro, hình ảnh thương hiệu hoặc chi phí chuyển đổi. Tuy nhiên, việc thêm biến phải có lý do lý thuyết và thực tiễn. Mô hình càng nhiều biến thì bảng hỏi càng dài, yêu cầu cỡ mẫu và cách giải thích kết quả cũng tăng lên.

ACSI không bắt buộc phải được bê nguyên dạng vào mọi đề tài. Trong nghiên cứu về chất lượng dịch vụ, bạn có thể so sánh ACSI với SERVQUAL hoặc SERVPERF để chọn cấu trúc phù hợp. Mô hình SERVPERF thường tập trung vào cảm nhận thực hiện dịch vụ, trong khi ACSI nhấn mạnh quan hệ giữa kỳ vọng, chất lượng, giá trị, hài lòng và kết quả hành vi.

Một lưu ý quan trọng là bạn không nên trộn mọi biến của nhiều mô hình vào một sơ đồ chỉ vì chúng đều quen thuộc. Mỗi mũi tên cần trả lời được ba câu hỏi: quan hệ này xuất phát từ lập luận nào, biến được đo bằng thang đo nào, và dữ liệu của bạn có thể kiểm định quan hệ đó hay không.

Thang đo thường dùng cho từng khái niệm

ACSI là khung mô hình, không phải một bảng câu hỏi cố định dùng giống nhau cho mọi ngành. Bạn cần tìm nguồn thang đo phù hợp với bối cảnh, dịch và điều chỉnh câu chữ, sau đó kiểm định lại trên dữ liệu của mình. Các thang đo đo chất lượng dịch vụ có thể tham khảo SERVQUAL của Parasuraman và cộng sự, trong khi ACSI cung cấp logic liên kết giữa chất lượng cảm nhận, giá trị và sự hài lòng.

Khi viết biến quan sát, hãy tránh hai lỗi thường gặp. Lỗi thứ nhất là một biến quan sát chứa hai ý, chẳng hạn “dịch vụ nhanh và nhân viên thân thiện”. Người trả lời có thể đánh giá hai phần này khác nhau. Lỗi thứ hai là dùng từ quá rộng như “dịch vụ rất tốt” mà không nói rõ tốt ở khía cạnh nào.

Bạn nên dùng cùng một thang điểm cho phần lớn biến quan sát, ví dụ Likert năm hoặc bảy mức, và ghi rõ ý nghĩa từ mức thấp đến mức cao. Thang Likert có nguồn gốc từ kỹ thuật đo lường thái độ của (Likert, 1932). Sau khi thu thập dữ liệu, bạn có thể chạy Cronbach's Alpha, EFA hoặc mô hình đo lường PLS-SEM tùy thiết kế nghiên cứu.

Nếu bạn dùng SPSS, quy trình thường bắt đầu bằng kiểm tra Cronbach's Alpha và Corrected Item-Total Correlation, sau đó chạy EFA nếu mô hình và phương pháp của bạn yêu cầu. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978), còn Corrected Item-Total Correlation từ 0.3 trở lên được dùng như một mốc tham khảo (Nunnally và Bernstein, 1994). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010).

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu sự hài lòng của sinh viên đối với một nền tảng học trực tuyến. Bạn có thể đặt chất lượng cảm nhận, giá trị cảm nhận và kỳ vọng làm biến độc lập, sự hài lòng làm biến trung gian, còn lòng trung thành làm biến phụ thuộc. Đây chỉ là mô hình minh họa, không phải kết quả của một nghiên cứu có thật.

Mô hình khái niệm có thể được diễn đạt như sau: kỳ vọng khách hàng, chất lượng cảm nhận và giá trị cảm nhận ảnh hưởng đến sự hài lòng; sự hài lòng ảnh hưởng đến lòng trung thành. Nếu có cơ sở phù hợp, bạn có thể kiểm tra thêm ảnh hưởng trực tiếp của chất lượng cảm nhận và giá trị cảm nhận đến lòng trung thành.

Bốn giả thuyết minh họa:

• H1: Kỳ vọng khách hàng có ảnh hưởng tích cực đến sự hài lòng của sinh viên đối với nền tảng học trực tuyến.
• H2: Chất lượng cảm nhận có ảnh hưởng tích cực đến sự hài lòng của sinh viên đối với nền tảng học trực tuyến.
• H3: Giá trị cảm nhận có ảnh hưởng tích cực đến sự hài lòng của sinh viên đối với nền tảng học trực tuyến.
• H4: Sự hài lòng có ảnh hưởng tích cực đến lòng trung thành của sinh viên đối với nền tảng học trực tuyến.

Trước khi phát bảng hỏi, bạn cần thay “nền tảng học trực tuyến” bằng đối tượng cụ thể và xác định người trả lời có đủ trải nghiệm để đánh giá. Chẳng hạn, một người chỉ đăng ký tài khoản nhưng chưa học buổi nào khó đánh giá chất lượng cảm nhận. Câu hỏi sàng lọc cần xuất hiện trước phần thang đo chính.

Cỡ mẫu cũng cần được cân nhắc theo số biến quan sát và phương pháp phân tích. Quy tắc 5 đến 10 quan sát cho mỗi biến quan sát được nêu trong (Hair và cộng sự, 2010). Nếu bạn dùng hồi quy với m biến độc lập, công thức tham khảo n từ 50 cộng 8m trở lên được trình bày trong (Tabachnick và Fidell, 2013). Đây là căn cứ thiết kế ban đầu, không thay thế việc kiểm tra chất lượng dữ liệu sau khi thu thập.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau cho chương cơ sở lý thuyết: “Dựa trên mô hình ACSI, nghiên cứu đề xuất rằng [kỳ vọng khách hàng], [chất lượng cảm nhận] và [giá trị cảm nhận] có ảnh hưởng đến [sự hài lòng]. Đồng thời, [sự hài lòng] được giả định có ảnh hưởng đến [lòng trung thành] của [đối tượng khảo sát] đối với [sản phẩm hoặc dịch vụ].” Sau đó, trình bày định nghĩa thao tác, nguồn thang đo và lý do điều chỉnh từng khái niệm.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi mô hình của bạn dùng các thang đo tổng hợp, hồi quy tuyến tính, kiểm định trung gian bằng PROCESS hoặc EFA. Bạn có thể chạy Analyze > Scale > Reliability Analysis để kiểm tra độ tin cậy, sau đó dùng Analyze > Dimension Reduction > Factor nếu cần EFA. Với mô hình hồi quy, đường dẫn thường nằm ở Analyze > Regression > Linear.

Khi đọc bảng Coefficients, chú ý Standardized Coefficients Beta, t và Sig.. Hệ số Beta cho biết chiều và mức độ liên hệ trong mô hình hồi quy, còn Sig. thường được dùng để xem bằng chứng thống kê cho từng đường dẫn theo mức ý nghĩa bạn đã chọn. Bạn cần báo cáo cả hệ số, sai số hoặc khoảng tin cậy nếu thủ tục cung cấp, thay vì chỉ ghi “giả thuyết được chấp nhận”.

Nếu mô hình có biến tiềm ẩn và nhiều biến quan sát, SmartPLS phù hợp hơn khi bạn đã xác định rõ measurement model và structural model. Trong SmartPLS 4, bạn tạo project, nhập file .csv, kéo biến quan sát vào các construct, nối các construct theo giả thuyết, rồi chạy Calculate > PLS-SEM Algorithm. Để kiểm định ý nghĩa đường dẫn, chạy Calculate > Bootstrapping và chọn số lượng subsamples phù hợp. Quy trình PLS-SEM hiện hành thường dùng 5.000 bootstrap subsamples theo (Hair và cộng sự, 2022).

Bạn đọc Outer Loadings, Reliability and Validity, Discriminant Validity, Path Coefficients, R Square, f Square và Collinearity Statistics. Outer loading từ 0.7 trở lên là mốc thường dùng trong PLS-SEM theo (Chin, 1998) hoặc (Hair và cộng sự, 2022). CR từ 0.7 và AVE từ 0.5 trở lên được tham khảo theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được nêu trong (Henseler và cộng sự, 2015).

Các số trong bảng trên là số liệu minh họa, không phải kết quả của đề tài nào. Với R², mức 0.75, 0.50 và 0.25 lần lượt được diễn giải là đáng kể, trung bình và yếu trong tài liệu PLS-SEM của (Hair và cộng sự, 2011). Bạn không nên dùng các mốc CFI, TLI hoặc RMSEA của CB-SEM để đánh giá mô hình SmartPLS. Các chỉ số đó thuộc nhóm fit index của CB-SEM, với mốc được thảo luận trong (Hu và Bentler, 1999).

Nếu kiểm định vai trò trung gian của sự hài lòng, hãy báo cáo indirect effect và khoảng tin cậy bootstrap. Hiệu ứng gián tiếp được xem là có ý nghĩa khi khoảng tin cậy bootstrap không chứa số 0 theo (Preacher và Hayes, 2008). Đừng kết luận có mediation chỉ vì cả hai hồi quy riêng lẻ đều có p-value nhỏ.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi mọi nghiên cứu về sự hài lòng là nghiên cứu ACSI. Nếu mô hình của bạn chỉ đo năm thành phần chất lượng dịch vụ rồi dự đoán sự hài lòng, bạn cần mô tả đúng cấu trúc đang dùng. Có thể ACSI là nền tảng lý thuyết, nhưng các biến cụ thể đã được thay đổi đáng kể.

Lỗi thứ hai là lấy một thang đo từ ngành khác mà không giải thích điều chỉnh. Biến quan sát về ngân hàng số, bệnh viện và nhà hàng có thể cùng nói đến chất lượng, nhưng đối tượng trải nghiệm và cách hiểu câu hỏi không giống nhau. Hãy ghi lại bản gốc, bản dịch, bản điều chỉnh và lý do giữ hoặc bỏ từng biến.

Lỗi thứ ba là đặt quá nhiều mũi tên để mô hình trông đầy đủ. Mỗi giả thuyết cần có lập luận, biến đo được và quan hệ có thể kiểm định bằng dữ liệu. Nếu bảng hỏi chỉ đo một lần tại một thời điểm, bạn cũng cần thận trọng khi dùng ngôn ngữ nhân quả mạnh.

Lỗi thứ tư là loại biến chỉ vì một chỉ số chưa đạt mà không xem nội dung lý thuyết. Khi Cronbach's Alpha tăng sau khi xóa một biến, bạn vẫn phải kiểm tra biến đó có cần thiết về mặt khái niệm hay không. Việc chạy đi chạy lại đến khi bảng kết quả đẹp nhưng không ghi lại các vòng xử lý sẽ khiến bạn khó giải trình khi bị hỏi.

Lỗi cuối là trộn SPSS và SmartPLS mà không nêu vai trò của từng phần mềm. SPSS có thể dùng cho làm sạch dữ liệu, mô tả mẫu, Cronbach's Alpha và EFA. SmartPLS có thể dùng cho measurement model và structural model. Bạn cần trình bày thứ tự phân tích nhất quán với phương pháp đã chọn.

Câu hỏi thường gặp

ACSI là gì và có phải một thang đo cố định không?

ACSI là mô hình đo lường sự hài lòng khách hàng, thường liên kết kỳ vọng, chất lượng cảm nhận, giá trị cảm nhận, sự hài lòng, khiếu nại và lòng trung thành. ACSI không nên được hiểu là một bảng hỏi cố định có thể chép nguyên cho mọi ngành.

Bạn cần chọn các khái niệm phù hợp với câu hỏi nghiên cứu, tìm nguồn thang đo, điều chỉnh bối cảnh và kiểm định lại trên mẫu của mình.

Mô hình ACSI có dùng được cho đề tài chất lượng dịch vụ không?

Có. Bạn có thể dùng ACSI để giải thích cách chất lượng cảm nhận liên quan đến sự hài lòng và lòng trung thành. Nếu cần đo chất lượng dịch vụ theo các thành phần cụ thể, bạn có thể kết hợp hoặc so sánh với SERVQUAL, SERVPERF và các thang đo phù hợp với ngành.

Trong chương phương pháp, hãy nói rõ ACSI là mô hình nền hay toàn bộ cấu trúc nghiên cứu. Điều này giúp tránh việc người đọc nhầm rằng mọi biến trong bảng hỏi đều là thành phần nguyên bản của ACSI.

ACSI nên chạy bằng SPSS hay SmartPLS?

SPSS phù hợp nếu bạn dùng hồi quy, EFA, kiểm định trung gian hoặc các phân tích dựa trên biến tổng hợp. SmartPLS phù hợp khi bạn muốn đánh giá đồng thời measurement model và structural model với biến tiềm ẩn cùng nhiều biến quan sát.

Phần mềm không quyết định mô hình thay cho bạn. Hãy chọn theo câu hỏi nghiên cứu, loại thang đo, cỡ mẫu, giả định phân tích và yêu cầu của giảng viên hướng dẫn.

Mô hình ACSI có cần kiểm định Cronbach's Alpha không?

Nếu bạn đo mỗi khái niệm bằng nhiều biến quan sát, bạn cần đánh giá độ tin cậy và giá trị của thang đo. Với quy trình SPSS, Cronbach's Alpha và Corrected Item-Total Correlation thường được xem trước EFA hoặc hồi quy. Với PLS-SEM, bạn cần xem thêm outer loading, CR, AVE và giá trị phân biệt.

Không nên giữ hoặc loại biến chỉ dựa vào một con số. Nội dung biến, nguồn thang đo và sự phù hợp với bối cảnh cũng cần được giải thích.

Có thể bỏ biến khiếu nại và vẫn gọi là mô hình ACSI không?

Bạn có thể bỏ biến khiếu nại nếu câu hỏi nghiên cứu hoặc bối cảnh không tạo ra đủ dữ liệu cho khái niệm này. Tuy nhiên, cần mô tả đây là phiên bản điều chỉnh của mô hình ACSI và giải thích lý do loại bỏ.

Một mô hình rút gọn nhưng có lập luận rõ ràng thường dễ bảo vệ hơn một mô hình đầy đủ nhưng bảng hỏi quá dài hoặc biến khiếu nại không phù hợp với người trả lời.

Dùng ACSI cho nghiên cứu về lòng trung thành có được không?

Được, nếu bạn xây dựng lập luận rằng sự hài lòng, chất lượng cảm nhận hoặc giá trị cảm nhận có liên quan đến lòng trung thành. Bạn cần định nghĩa lòng trung thành bằng các biến quan sát phù hợp, chẳng hạn ý định tiếp tục sử dụng, mua lại hoặc giới thiệu.

Nếu kiểm tra sự hài lòng là biến trung gian, hãy xác định rõ các đường dẫn trực tiếp và gián tiếp trước khi chạy mô hình. Kết luận mediation cần dựa trên indirect effect và khoảng tin cậy bootstrap, không chỉ dựa trên một p-value riêng lẻ.

Bạn hãy mở file dữ liệu, viết lại sơ đồ ACSI theo đúng đối tượng nghiên cứu, lập danh sách biến quan sát và đánh dấu nguồn của từng thang đo trước khi chạy phân tích; nếu cần chạy mô hình trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis thực hiện bước này.