AIDA là gì? Cách áp dụng vào mô hình nghiên cứu định lượng

Mô hình AIDA là gì

Nếu bạn đang viết đề tài về quảng cáo, hành vi mua hàng hoặc hiệu quả truyền thông, AIDA là một khung để mô tả các giai đoạn khách hàng đi từ lúc biết đến thông điệp cho tới khi thực hiện hành động. AIDA thường được viết từ bốn chữ cái: Attention, Interest, Desire và Action, tương ứng với Chú ý, Quan tâm, Mong muốn và Hành động.

Điểm cần phân biệt là AIDA ban đầu phù hợp để mô tả tiến trình phản ứng của khách hàng, còn luận văn định lượng cần biến tiến trình đó thành các khái niệm có thể đo bằng bảng hỏi. Bạn không thể đưa nguyên chữ “AIDA” vào SPSS rồi chạy hồi quy. Bạn phải xác định mình nghiên cứu toàn bộ mô hình hay chỉ dùng một số thành phần làm biến độc lập, biến trung gian hoặc biến phụ thuộc.

AIDA thường xuất hiện trong các đề tài về quảng cáo số, nội dung mạng xã hội, livestream bán hàng, thương hiệu và ý định mua. Khi chốt đề tài, bạn có thể xem thêm các hướng xây dựng mô hình nghiên cứu để đặt AIDA vào một mô hình có biến nguyên nhân và kết quả rõ ràng.

Các thành phần trong mô hình

Bốn thành phần của AIDA mô tả bốn trạng thái khác nhau. Chúng có thể liên hệ với nhau theo trình tự, nhưng không nên mặc định rằng dữ liệu của bạn sẽ luôn xác nhận một chuỗi tuyến tính. Mỗi quan hệ vẫn cần được nêu thành giả thuyết và kiểm định bằng dữ liệu thực tế.

Attention không đồng nghĩa với việc khách hàng thích quảng cáo. Một người có thể nhìn thấy quảng cáo vì nó nổi bật nhưng không muốn tìm hiểu thêm. Interest đi xa hơn khả năng nhận biết, vì người trả lời phải thể hiện sự quan tâm đến thông tin, tính năng hoặc thương hiệu.

Desire thường gắn với đánh giá cá nhân về sự phù hợp và lợi ích. Action có thể là ý định mua, nhấp vào liên kết, đăng ký nhận thông tin hoặc mua thực tế. Bạn cần chọn một loại hành động ngay từ đầu, vì “ý định mua” và “hành vi mua thực tế” không phải cùng một biến.

Mô hình gốc và các mở rộng phổ biến

Khi tìm kiếm AIDA là gì, bạn sẽ thấy nhiều tài liệu trình bày mô hình như một phễu truyền thông. Cách trình bày này hữu ích để giải thích logic, nhưng không tự động chứng minh quan hệ nhân quả trong nghiên cứu của bạn. Một bảng hỏi đo bốn nhóm cảm nhận tại cùng một thời điểm chỉ cho bạn dữ liệu cắt ngang. Vì vậy, câu chữ trong luận văn nên dùng “có mối quan hệ” hoặc “có tác động theo mô hình kiểm định”, thay vì khẳng định khách hàng chắc chắn đi qua bốn bước theo đúng thứ tự.

Trong đề tài thực tế, AIDA thường được mở rộng theo ba hướng. Hướng thứ nhất là thêm yếu tố đầu vào như chất lượng nội dung, độ tin cậy của người ảnh hưởng, tính giải trí của quảng cáo hoặc giá trị thông tin. Các yếu tố này được đặt trước Attention hoặc Interest.

Hướng thứ hai là dùng AIDA để giải thích một kết quả sau cùng như ý định mua, mức độ tương tác hoặc quyết định chia sẻ. Khi đó, Action có thể được xem là biến phụ thuộc, còn các giai đoạn trước là biến giải thích. Hướng thứ ba là dùng một thành phần làm biến trung gian, chẳng hạn chất lượng quảng cáo ảnh hưởng đến ý định mua thông qua Interest và Desire.

Bạn nên phân biệt AIDA với các mô hình marketing khác thay vì gom tất cả vào một sơ đồ. Mô hình 4P Marketing Mix tập trung vào các nhóm quyết định marketing như sản phẩm, giá, phân phối và xúc tiến. Mô hình 7P Marketing Mix mở rộng thêm các yếu tố dịch vụ. Còn AIDA mô tả phản ứng của khách hàng trước thông điệp hoặc hoạt động marketing.

AIDA cũng khác với RFM. RFM phân nhóm khách hàng dựa trên Recency, Frequency và Monetary, thường dùng cho dữ liệu giao dịch. Bạn có thể đọc thêm lý thuyết RFM hoặc mô hình RFM, nhưng không nên dùng các chỉ số giao dịch của RFM để thay thế cho biến quan sát của AIDA.

Thang đo thường dùng cho từng khái niệm

Không có một bộ câu hỏi AIDA duy nhất phù hợp cho mọi sản phẩm, ngành và bối cảnh. Các câu dưới đây chỉ là khung tham khảo để bạn phát triển bảng hỏi. Bạn cần dịch, điều chỉnh ngữ cảnh, xin góp ý và kiểm định lại trên dữ liệu của đề tài. Không nên ghi rằng đây là thang đo đã được xác nhận cho mọi nghiên cứu.

Bạn cần xem lại Action nếu ba biến quan sát đang đo ba hành vi khác nhau. Mua hàng, truy cập trang bán hàng và chia sẻ quảng cáo có thể là các kết quả khác nhau. Nếu gom chúng vào một thang đo, bạn phải có lập luận lý thuyết và kiểm tra xem chúng có thực sự hội tụ thành một khái niệm hay không.

Với bảng hỏi Likert, bạn có thể dùng các mức từ 1 đến 5 hoặc 1 đến 7, trong đó phần hướng dẫn phải nói rõ 1 và mức cao nhất có nghĩa gì. Likert là dạng thang đo thường dùng để đo thái độ và mức độ đồng ý (Likert, 1932). Bạn cũng nên tránh câu hỏi hai ý, chẳng hạn “Quảng cáo hấp dẫn và cung cấp đầy đủ thông tin”, vì người trả lời có thể đồng ý với một vế nhưng không đồng ý với vế còn lại.

Sau khi nhập dữ liệu, quy trình thường bắt đầu bằng kiểm tra độ tin cậy cho từng nhóm. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978). Với thang đo mới hoặc nghiên cứu khám phá, Alpha từ 0.6 có thể được xem xét cùng các bằng chứng khác (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên là một mốc thường dùng (Nunnally và Bernstein, 1994).

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là: “Ảnh hưởng của quảng cáo TikTok đến ý định mua mỹ phẩm của sinh viên tại Thành phố Hồ Chí Minh”. Bạn có thể dùng Attention, Interest và Desire làm các biến giải thích, còn Purchase Intention là biến phụ thuộc. Cách này phù hợp khi bạn muốn kiểm tra yếu tố nào trong tiến trình AIDA liên quan mạnh hơn đến ý định mua.

Một mô hình khác giữ Action làm kết quả cuối cùng. Khi đó, giả thuyết cần viết rõ đối tượng và bối cảnh, thay vì ghi chung chung rằng “AIDA ảnh hưởng đến hành vi khách hàng”.

H4 là phần mở rộng minh họa. Bạn chỉ nên thêm “chất lượng quảng cáo” nếu có cơ sở từ tổng quan tài liệu và thang đo phù hợp. Nếu đề tài chỉ muốn kiểm tra chuỗi bốn thành phần, H1 đến H3 có thể là cấu trúc gọn hơn.

Để mô hình có thể chạy được, bạn cần xác định đơn vị phân tích. Ví dụ, mỗi dòng dữ liệu là một người đã xem ít nhất một quảng cáo TikTok của thương hiệu đang nghiên cứu. Điều kiện sàng lọc này nên xuất hiện trước phần câu hỏi chính, nếu không người chưa từng xem quảng cáo vẫn có thể đánh giá Attention và Interest một cách thiếu căn cứ.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau: “Dựa trên mục tiêu nghiên cứu, đề tài đề xuất mô hình gồm [tên biến độc lập], [tên biến trung gian nếu có] và [tên biến phụ thuộc]. Cụ thể, nghiên cứu kiểm định các giả thuyết H1 đến H4 về mối quan hệ giữa [khái niệm A] và [khái niệm B] trong bối cảnh [đối tượng và địa bàn nghiên cứu]. Các khái niệm được đo bằng các biến quan sát mã hóa từ [mã biến] đến [mã biến], sử dụng thang Likert [5/7] mức.”

Đoạn này chỉ là khung viết. Bạn phải thay toàn bộ phần trong ngoặc vuông bằng mô hình, bối cảnh và mã biến thực tế. Nếu chỉ đo ý định mua, đừng viết kết luận về hành vi mua thực tế.

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 phân tích EFA. Bạn có thể bắt đầu bằng Analyze > Scale > Reliability Analysis, đưa các biến ATT vào cùng một lần chạy, sau đó lặp lại cho INT, DES và ACT. Trong nút Statistics, chọn Scale if item deleted để xem Corrected Item-Total Correlation và Alpha nếu loại biến.

Tiếp theo, nếu thang đo cần khám phá cấu trúc, vào Analyze > Dimension Reduction > Factor. Trong hộp thoại, đưa các biến quan sát vào Variables, chọn KMO and Bartlett's test, Total variance explained và Rotated solution. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê thường được dùng để xem dữ liệu có phù hợp với EFA (Kaiser, 1974). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên là các mốc thường được tham khảo (Hair và cộng sự, 2010).

Sau EFA, bạn có thể tính điểm trung bình cho từng khái niệm rồi vào Analyze > Regression > Linear. Đưa Action hoặc Purchase Intention vào Dependent, các biến giải thích vào Independent(s). Hãy ghi lại Model Summary, ANOVA và Coefficients. Kiểm tra VIF, phần dư và Durbin-Watson trước khi diễn giải hệ số. Với hồi quy, cỡ mẫu tối thiểu có thể tham khảo quy tắc 50 + 8m, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013). Durbin-Watson trong khoảng 1 đến 3 là một mốc chẩn đoán thường được sử dụng (Field, 2013).

SmartPLS phù hợp khi bạn mô hình hóa các biến tiềm ẩn bằng nhiều outer loading và muốn kiểm định đồng thời mô hình đo lường cùng mô hình cấu trúc. Bạn chuẩn bị file .csv, mỗi cột là một biến quan sát, mỗi hàng là một người trả lời. Tên cột nên ngắn, không dấu và nhất quán, chẳng hạn ATT1, ATT2, INT1, DES1, ACT1.

Trong SmartPLS 4, tạo project, nhập file dữ liệu, dựng các construct Attention, Interest, Desire và Action, rồi kéo mũi tên theo H1 đến H4. Chạy PLS Algorithm để xem Outer Loadings, Cronbach's Alpha, Composite Reliability và AVE. Sau đó chạy Bootstrapping để xem Path Coefficients, t-value và khoảng tin cậy. Quy trình PLS-SEM thường dùng 5.000 bootstrap subsamples (Hair và cộng sự, 2022).

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo nhóm kết quả mà bạn thường gặp khi đọc SmartPLS 4.

Outer loading từ 0.7 trở lên là mốc thường được dùng trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên là các tiêu chí phổ biến cho độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981). Với giá trị phân biệt, HTMT dưới 0.85, hoặc dưới 0.90 trong trường hợp các khái niệm gần nhau, là các mốc được đề xuất (Henseler và cộng sự, 2015). VIF dưới 5 thường được dùng để xem xét cộng tuyến trong PLS-SEM (Hair và cộng sự, 2019).

Nếu bạn chạy SmartPLS, đừng đưa CFI, TLI hoặc RMSEA vào phần đánh giá mô hình PLS-SEM. Đây là nhóm chỉ số phù hợp với CB-SEM, còn PLS-SEM thường tập trung vào chất lượng mô hình đo lường, hệ số đường dẫn, R², f² và Q². R² ở mức 0.75, 0.50 và 0.25 lần lượt thường được diễn giải là đáng kể, trung bình và yếu trong PLS-SEM (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy khả năng dự báo liên quan (Stone, 1974).

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là xem bốn chữ AIDA như bốn biến bắt buộc trong mọi đề tài. Bạn cần xuất phát từ câu hỏi nghiên cứu. Nếu câu hỏi chỉ hỏi quảng cáo ảnh hưởng đến ý định mua, việc thêm cả bốn construct có thể làm bảng hỏi dài và mô hình khó giải thích.

Lỗi thứ hai là dùng một câu hỏi duy nhất cho mỗi giai đoạn rồi gọi đó là thang đo. Một construct thường cần nhiều biến quan sát để kiểm tra độ tin cậy và giá trị. Tuy vậy, thêm nhiều câu chỉ để tăng số lượng cũng không hợp lý. Mỗi biến phải đo đúng nội dung của construct và tránh trùng ý.

Lỗi thứ ba là viết “Action là hành vi mua” trong khi bảng hỏi chỉ hỏi “Tôi có ý định mua”. Hãy dùng đúng tên biến. Nếu chưa có dữ liệu giao dịch, bạn nên gọi kết quả là ý định mua hoặc ý định hành động.

Lỗi thứ tư là xóa biến chỉ vì nó làm Alpha tăng hoặc giữ biến chỉ vì giảng viên yêu cầu một con số đẹp. Khi loại biến, bạn cần xem nội dung câu hỏi, loading, tương quan biến tổng, cấu trúc nhân tố và lập luận lý thuyết. Ghi lại từng vòng xử lý để có thể giải thích khi được hỏi.

Lỗi cuối là trình bày AIDA như kết luận đã được chứng minh trước khi chạy dữ liệu. Mô hình chỉ là đề xuất nghiên cứu. Hướng tác động, mức ý nghĩa và độ mạnh của quan hệ phải lấy từ output của chính file .sav hoặc .csv của bạn.

Câu hỏi thường gặp

AIDA là lý thuyết hay mô hình nghiên cứu

Trong luận văn, AIDA thường được dùng như một mô hình hoặc khung giải thích phản ứng của khách hàng. Bạn nên gọi nó là “mô hình AIDA” nếu đang dùng bốn thành phần để xây dựng quan hệ và giả thuyết. Tên gọi cần thống nhất với phần tổng quan và mô hình đề xuất.

Có bắt buộc phải dùng đủ Attention, Interest, Desire và Action không

Không bắt buộc. Bạn có thể chọn các thành phần phù hợp với câu hỏi nghiên cứu, nhưng cần giải thích vì sao loại hoặc thêm một thành phần. Nếu dùng một phần của AIDA, đừng vẽ sơ đồ khiến người đọc hiểu rằng bạn đã kiểm định toàn bộ mô hình.

AIDA có dùng được với SPSS không

Có. Với SPSS, bạn có thể kiểm tra Cronbach's Alpha, EFA, tính điểm trung bình và chạy hồi quy. Nếu có biến trung gian, bạn có thể dùng PROCESS hoặc kiểm định theo phương án đã nêu trong phương pháp nghiên cứu. Hãy chọn công cụ trước khi thiết kế bảng hỏi để biết dữ liệu cần thu gồm những cột nào.

Nên dùng SPSS hay SmartPLS cho mô hình AIDA

SPSS phù hợp với mô hình gọn, các biến đã được tổng hợp thành điểm và mục tiêu là hồi quy hoặc kiểm định trung gian. SmartPLS phù hợp khi bạn muốn đánh giá đồng thời construct, outer loading, CR, AVE, HTMT và các quan hệ đường dẫn. Công cụ không thay thế cho việc xây dựng giả thuyết và thang đo.

Nếu Alpha của một thành phần AIDA thấp thì phải làm gì

Kiểm tra Corrected Item-Total Correlation, nội dung biến quan sát, biến đảo chiều và lỗi nhập dữ liệu trước khi xóa. Bạn có thể loại một biến nếu có lý do thống kê và lý thuyết rõ ràng, sau đó chạy lại và ghi nhận thay đổi. Không nên xóa liên tiếp nhiều biến chỉ để đạt một ngưỡng mà không xem construct còn đủ nội dung hay không.

Mở file dữ liệu của bạn, viết tên từng construct AIDA cạnh các cột biến quan sát, rồi chọn SPSS hoặc SmartPLS theo mô hình đã vẽ trước khi chạy vòng phân tích đầu tiên; nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.