E SERVQUAL là gì? Cách áp dụng vào luận văn định lượng

Mô hình E SERVQUAL là gì

E SERVQUAL là cách vận dụng khung SERVQUAL để đo chất lượng dịch vụ trong môi trường điện tử, chẳng hạn website thương mại điện tử, ứng dụng ngân hàng, nền tảng đặt vé hoặc cổng dịch vụ trực tuyến. Khi trả lời câu hỏi “e servqual là gì”, bạn cần tách hai phần: SERVQUAL là khung đo chất lượng dịch vụ, còn chữ “E” chỉ bối cảnh điện tử nơi khách hàng tự thao tác qua giao diện và hệ thống.

SERVQUAL gốc được phát triển để đo khoảng cách giữa kỳ vọng và cảm nhận của khách hàng về dịch vụ, với năm nhóm thường được nhắc đến là độ tin cậy, năng lực đáp ứng, sự đảm bảo, sự đồng cảm và phương tiện hữu hình (Parasuraman và cộng sự, 1988). Trong bối cảnh trực tuyến, “phương tiện hữu hình” có thể biểu hiện qua giao diện, cách trình bày thông tin, tốc độ phản hồi và mức độ dễ sử dụng của website hoặc ứng dụng.

E SERVQUAL không phải là một biến đơn lẻ. Đây thường là một mô hình gồm nhiều biến tiềm ẩn, mỗi biến được đo bằng một nhóm biến quan sát trên bảng hỏi Likert. Tùy đề tài, bạn có thể dùng E SERVQUAL để giải thích sự hài lòng, ý định tiếp tục sử dụng, ý định mua lại hoặc ý định giới thiệu dịch vụ.

Bạn có thể xem thêm mô hình SERVQUAL để nắm cấu trúc gốc trước khi điều chỉnh cho môi trường trực tuyến. Nếu đề tài chỉ tập trung vào chất lượng kỹ thuật của dịch vụ điện tử, bạn cũng nên so sánh với mô hình SERVPERF, vì SERVPERF thường đo cảm nhận thực tế thay vì đặt trọng tâm vào khoảng cách giữa kỳ vọng và cảm nhận.

Các thành phần trong mô hình

Một mô hình E SERVQUAL dùng cho luận văn cần chỉ rõ bạn đang đo khía cạnh nào của trải nghiệm trực tuyến. Không nên lấy nguyên tên các chiều đo từ một bài nghiên cứu rồi đưa thẳng vào bảng hỏi. Bạn phải kiểm tra xem người trả lời có thực sự tiếp xúc với khía cạnh đó hay không, sau đó viết biến quan sát bằng ngôn ngữ phù hợp với ngành.

Bảng dưới đây là khung tham khảo để bạn xây dựng mô hình. Tên nhóm có thể thay đổi theo bối cảnh nghiên cứu, còn các biến quan sát cần được dịch, điều chỉnh và kiểm tra bằng dữ liệu thực tế.

Năm thành phần đầu có thể liên hệ với logic SERVQUAL gốc (Parasuraman và cộng sự, 1988), còn khả năng sử dụng và thiết kế giao diện là các hướng điều chỉnh thường gặp khi đối tượng nghiên cứu tương tác trực tiếp với website hoặc ứng dụng. Bạn cần ghi rõ trong chương 3 rằng đây là mô hình được điều chỉnh cho bối cảnh nghiên cứu, thay vì trình bày như một thang đo cố định áp dụng cho mọi ngành.

Biến phụ thuộc cũng cần được xác định trước. Ví dụ, “sự hài lòng của khách hàng” có thể là biến phụ thuộc, còn các thành phần E SERVQUAL là biến độc lập. Nếu bạn muốn kiểm tra ý định tiếp tục sử dụng, mô hình có thể thêm biến này sau sự hài lòng. Quan hệ giữa các biến phải được viết thành giả thuyết, không chỉ vẽ mũi tên trong sơ đồ.

Mô hình gốc và các mở rộng phổ biến

Mô hình gốc SERVQUAL tập trung vào chất lượng dịch vụ cảm nhận qua năm chiều đo: độ tin cậy, khả năng đáp ứng, sự đảm bảo, sự đồng cảm và phương tiện hữu hình (Parasuraman và cộng sự, 1988). Mô hình này phù hợp hơn với dịch vụ có sự tiếp xúc giữa khách hàng và nhân viên, chẳng hạn ngân hàng tại quầy, bệnh viện hoặc dịch vụ lưu trú.

Khi chuyển sang môi trường điện tử, điểm tiếp xúc có thể là màn hình đăng nhập, trang sản phẩm, quy trình thanh toán, chatbot, email xác nhận và cơ chế xử lý khiếu nại. Vì vậy, nghiên cứu thường bổ sung hoặc diễn giải lại các khía cạnh như khả năng sử dụng, chất lượng thông tin, bảo mật, tốc độ phản hồi và khả năng hoàn tất giao dịch.

Bạn có thể đặt E SERVQUAL cạnh mô hình 5 khoảng cách chất lượng dịch vụ để phân biệt hai cấp độ phân tích. Mô hình năm khoảng cách giúp giải thích chất lượng dịch vụ hình thành từ đâu và vì sao có chênh lệch giữa kỳ vọng với dịch vụ nhận được. E SERVQUAL trong luận văn của bạn thường được dùng như bộ biến đo chất lượng cảm nhận trong bối cảnh trực tuyến.

Một hướng mở rộng khác là dùng SERVPERF, trong đó bảng hỏi tập trung vào cảm nhận thực tế sau khi khách hàng sử dụng dịch vụ. Nếu bảng hỏi của bạn hỏi cả “mức kỳ vọng” và “mức cảm nhận”, bạn phải nêu rõ cách tính điểm và cách xử lý hai phần dữ liệu. Nếu chỉ hỏi mức độ đồng ý với các phát biểu về trải nghiệm thực tế, bạn đang đi theo hướng đo cảm nhận, không nên gọi đó là điểm khoảng cách nếu chưa có công thức và lập luận rõ ràng.

Mô hình mở rộng cũng có thể thêm biến kết quả như sự hài lòng, lòng trung thành hoặc ý định mua lại. Khi thêm biến, bạn nên tránh biến mô hình thành danh sách quá nhiều khái niệm. Một mô hình có ít biến nhưng mỗi biến có cơ sở lý thuyết và thang đo phù hợp thường dễ kiểm định, dễ giải thích trong chương 4 hơn mô hình có quá nhiều mũi tên.

Ngoài ra, bạn có thể đọc thêm 5 khoảng cách chất lượng dịch vụ là gì nếu đang phân vân giữa việc đo chất lượng cảm nhận và giải thích nguyên nhân tạo ra khoảng cách dịch vụ. Hai hướng này có thể liên quan nhưng không nên gộp thành một thang đo mà không nêu rõ logic nghiên cứu.

Thang đo thường dùng cho từng khái niệm

Thang đo SERVQUAL gốc là nguồn tham khảo quan trọng cho các nghiên cứu về chất lượng dịch vụ (Parasuraman và cộng sự, 1988). Tuy nhiên, bạn không nên sao chép nguyên văn các biến quan sát rồi thay từ “dịch vụ” bằng “website”. Một biến đo phù hợp với ngân hàng trực tuyến có thể không phù hợp với ứng dụng giao đồ ăn hoặc nền tảng học tập.

Bạn có thể dùng thang Likert 5 hoặc 7 mức, miễn là mô tả rõ ý nghĩa từ mức thấp đến mức cao. Thang Likert bắt nguồn từ kỹ thuật đo thái độ của Likert (Likert, 1932). Trong bảng hỏi, hãy dùng cùng một chiều điểm cho toàn bộ biến quan sát. Nếu mức 1 là “hoàn toàn không đồng ý” và mức 5 là “hoàn toàn đồng ý”, các phát biểu cần được viết sao cho điểm cao luôn thể hiện đánh giá tích cực, trừ khi bạn có kế hoạch mã hóa ngược rõ ràng.

Một biến quan sát nên đo một ý. Phát biểu như “Website nhanh, an toàn và dễ sử dụng” gộp ba khía cạnh, khiến người trả lời không biết chọn mức nào nếu tốc độ tốt nhưng bảo mật chưa tốt. Bạn cũng nên tránh từ tuyệt đối như “luôn luôn” khi người trả lời chỉ có trải nghiệm không thường xuyên.

Sau khi thu dữ liệu, bạn có thể kiểm tra độ tin cậy bằng Cronbach's Alpha. Alpha từ 0.7 trở lên thường được chấp nhận (Nunnally, 1978), còn với thang đo mới hoặc nghiên cứu khám phá, mức từ 0.6 có thể được cân nhắc (Hair và cộng sự, 2010). Corrected Item-Total Correlation từ 0.3 trở lên là một ngưỡng tham khảo (Nunnally và Bernstein, 1994). Đây là tiêu chí hỗ trợ quyết định, không phải lý do duy nhất để xóa biến.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là: “Ảnh hưởng của chất lượng dịch vụ điện tử đến sự hài lòng của khách hàng khi sử dụng ứng dụng ngân hàng”. Mô hình có thể gồm bốn biến độc lập để giữ phạm vi vừa sức: độ tin cậy điện tử, khả năng sử dụng, sự đảm bảo và khả năng đáp ứng. Biến phụ thuộc là sự hài lòng.

Sơ đồ khái niệm có thể được mô tả bằng bốn mũi tên từ các biến chất lượng dịch vụ đến sự hài lòng. Trước khi đưa vào SPSS hoặc SmartPLS, bạn cần lập bảng mã biến, chẳng hạn REL1 đến REL4 cho độ tin cậy, USA1 đến USA4 cho khả năng sử dụng, SEC1 đến SEC4 cho sự đảm bảo, RES1 đến RES4 cho khả năng đáp ứng và SAT1 đến SAT3 cho sự hài lòng.

Các giả thuyết có thể viết như sau:

• H1: Độ tin cậy điện tử có ảnh hưởng tích cực đến sự hài lòng của khách hàng.
• H2: Khả năng sử dụng có ảnh hưởng tích cực đến sự hài lòng của khách hàng.
• H3: Sự đảm bảo có ảnh hưởng tích cực đến sự hài lòng của khách hàng.
• H4: Khả năng đáp ứng có ảnh hưởng tích cực đến sự hài lòng của khách hàng.

Đây là mô hình minh họa, không phải kết quả của một nghiên cứu thực tế. Khi áp dụng cho đề tài của mình, bạn cần thay ngành, đối tượng khảo sát, nền tảng sử dụng và nguồn thang đo bằng thông tin thật. Nếu nghiên cứu của bạn về chất lượng dịch vụ nói chung, trang chủ đề Mô hình nghiên cứu có thể giúp bạn đối chiếu thêm cách xây dựng mô hình và giả thuyết.

Cách viết vào luận văn: “Dựa trên SERVQUAL của Parasuraman và cộng sự (1988), nghiên cứu đề xuất mô hình gồm [số lượng] thành phần chất lượng dịch vụ điện tử, bao gồm [tên các thành phần], nhằm kiểm định tác động của các thành phần này đến [biến phụ thuộc] trong bối cảnh [đối tượng và địa bàn nghiên cứu].”

Khi thiết kế bảng hỏi, bạn nên thêm câu hỏi sàng lọc ở đầu, chẳng hạn người trả lời đã sử dụng nền tảng trong thời gian nào đó hoặc đã hoàn tất ít nhất một giao dịch. Câu hỏi nhân khẩu học để cuối bảng hỏi. Sau khi có dữ liệu, hãy giữ lại file gốc và tạo một bản sao cho từng vòng làm sạch, vì bạn cần giải trình nếu giảng viên hỏi một biến đã bị loại ở bước nào.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn muốn làm sạch dữ liệu, thống kê mô tả, chạy Cronbach's Alpha, EFA và hồi quy tuyến tính. Với EFA, bạn có thể vào Analyze > Dimension Reduction > Factor, chọn các biến quan sát, kiểm tra KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê là các tiêu chí thường được dùng (Kaiser, 1974). Eigenvalue lớn hơn 1 là quy tắc trích nhân tố thường gặp (Kaiser, 1960), còn tổng phương sai trích từ 50% trở lên được tham khảo trong (Hair và cộng sự, 2010).

Với hồi quy, bạn vào Analyze > Regression > Linear, đưa sự hài lòng vào ô Dependent, các thành phần E SERVQUAL vào ô Independent(s). Bảng Coefficients cho biết hệ số, t và Sig., còn Model Summary cho biết R Square. Bạn cần kiểm tra đa cộng tuyến và phần dư trước khi kết luận giả thuyết. Durbin-Watson trong khoảng 1 đến 3 là ngưỡng tham khảo cho một số kiểm tra phần dư (Field, 2013).

SmartPLS phù hợp khi mô hình của bạn gồm nhiều biến tiềm ẩn và muốn đánh giá đồng thời mô hình đo lường với mô hình cấu trúc. Bạn nhập dữ liệu dạng .csv, kéo các biến quan sát vào từng construct, nối các mũi tên theo giả thuyết, sau đó chạy PLS-SEM Algorithm và Bootstrapping. Trong SmartPLS, bạn đọc các bảng Outer Loadings, Construct Reliability and Validity, Discriminant Validity, Path Coefficients và R-Square.

Outer loading từ 0.7 trở lên là ngưỡng tham khảo trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên thường được dùng để đánh giá độ tin cậy và giá trị hội tụ (Fornell và Larcker, 1981). HTMT nên dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau (Henseler và cộng sự, 2015). VIF dưới 5 là ngưỡng được báo cáo trong hướng dẫn PLS-SEM (Hair và cộng sự, 2019). Khi bootstrapping, số lượng 5.000 mẫu lặp là lựa chọn được đề xuất trong (Hair và cộng sự, 2022).

Bạn không nên đưa CFI, TLI hoặc RMSEA vào phần đánh giá E SERVQUAL bằng SmartPLS. Các chỉ số này thuộc nhóm đánh giá độ phù hợp của CB-SEM, với ngưỡng tham khảo trong (Hu và Bentler, 1999). Nếu dùng AMOS hoặc một phần mềm CB-SEM, bạn phải trình bày đúng logic của phương pháp đó, không trộn bảng kết quả giữa AMOS và SmartPLS.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là dùng tên E SERVQUAL nhưng không giải thích cấu trúc thang đo. Người đọc cần biết chữ “E” chỉ bối cảnh điện tử, các thành phần được kế thừa hay điều chỉnh từ SERVQUAL, và biến phụ thuộc là gì. Nếu không làm rõ, mô hình trở thành một danh sách biến thiếu logic.

Lỗi thứ hai là dùng các biến quan sát không phù hợp với trải nghiệm của đối tượng khảo sát. Khách hàng chưa từng liên hệ bộ phận hỗ trợ sẽ khó đánh giá khả năng đáp ứng. Người chỉ xem thông tin nhưng chưa thanh toán cũng không thể đánh giá đầy đủ độ an toàn giao dịch. Bạn nên dùng câu hỏi sàng lọc để bảo đảm người trả lời có trải nghiệm cần thiết.

Lỗi thứ ba là loại biến chỉ vì Cronbach's Alpha tăng. Hãy xem thêm nội dung biến, Corrected Item-Total Correlation, ma trận nhân tố và ý nghĩa lý thuyết. Việc xóa liên tục nhiều biến để đạt một con số đẹp có thể làm thang đo mất nội dung quan trọng.

Lỗi thứ tư là khẳng định mô hình có ảnh hưởng trước khi chạy kiểm định. Tên giả thuyết “ảnh hưởng tích cực” là kỳ vọng lý thuyết. Kết quả chỉ được kết luận sau khi xem hệ số, p-value hoặc khoảng tin cậy bootstrapping trên dữ liệu thực tế.

Lỗi cuối là không lưu nhật ký xử lý dữ liệu. Bạn nên ghi ngày chạy, số quan sát ban đầu, trường hợp bị loại, biến bị loại, lý do loại và kết quả sau mỗi vòng. Khi hội đồng hỏi vì sao EFA khác mô hình ban đầu, phần nhật ký này giúp bạn giải thích bằng quy trình thay vì trả lời theo trí nhớ.

Câu hỏi thường gặp

E SERVQUAL là gì và khác SERVQUAL ở điểm nào?

E SERVQUAL là hướng áp dụng SERVQUAL để đo chất lượng dịch vụ trong môi trường điện tử. Khác biệt chính nằm ở bối cảnh tiếp xúc, vì khách hàng tương tác với website, ứng dụng và hệ thống thay vì chỉ tiếp xúc trực tiếp với nhân viên.

Bạn có thể giữ các chiều đo của SERVQUAL và điều chỉnh cách diễn đạt, hoặc bổ sung khía cạnh như khả năng sử dụng và bảo mật nếu phù hợp với đề tài. Mọi điều chỉnh cần được giải thích trong chương cơ sở lý thuyết và phương pháp.

E SERVQUAL bao nhiêu biến là phù hợp?

Không có một số lượng cố định cho mọi đề tài. Bạn có thể bắt đầu bằng các thành phần thực sự liên quan đến trải nghiệm của đối tượng khảo sát, sau đó chọn số biến quan sát đủ bao quát mỗi khái niệm và có cơ sở từ thang đo tham khảo.

Đừng thêm biến chỉ để mô hình trông đầy đủ. Mỗi biến làm bảng hỏi dài hơn, tăng thời gian trả lời và tạo thêm yêu cầu về cỡ mẫu, kiểm định độ tin cậy và giá trị thang đo.

Nên chạy E SERVQUAL bằng SPSS hay SmartPLS?

Chọn SPSS nếu mô hình của bạn đơn giản và quy trình gồm Cronbach's Alpha, EFA rồi hồi quy. Chọn SmartPLS nếu bạn muốn đánh giá biến tiềm ẩn, outer loading, CR, AVE, HTMT và path coefficient trong cùng một khung PLS-SEM.

Bạn cũng có thể dùng SPSS để làm sạch và mô tả dữ liệu trước khi đưa file .csv sang SmartPLS. Hai phần mềm không thay thế hoàn toàn cho nhau, nhưng kết quả cần nhất quán về mã biến và số quan sát.

E SERVQUAL bị Cronbach's Alpha thấp thì làm sao?

Kiểm tra mã hóa ngược, dữ liệu thiếu, biến có Corrected Item-Total Correlation thấp và nội dung của từng phát biểu. Bạn cũng cần xem người trả lời có thực sự trải nghiệm dịch vụ được hỏi hay không.

Nếu loại một biến, hãy ghi rõ lý do và chạy lại trên bản sao dữ liệu. Không nên xóa hàng loạt biến chỉ để Alpha tăng, vì thang đo có thể mất ý nghĩa nội dung.

Có thể dùng nguyên thang đo SERVQUAL cho website không?

Bạn có thể dùng SERVQUAL làm nền tảng, nhưng cần điều chỉnh ngữ cảnh và ngôn ngữ. “Nhân viên cung cấp dịch vụ đúng ngay từ lần đầu” có thể không phù hợp với một ứng dụng tự phục vụ nếu bạn không chuyển thành hành vi hệ thống mà người dùng thực sự quan sát được.

Trong chương 3, hãy trình bày nguồn gốc, quy trình dịch và điều chỉnh, khảo sát thử nếu có, cùng cách mã hóa biến. Thang đo tham khảo vẫn phải được kiểm định lại trên mẫu và bối cảnh nghiên cứu của bạn.

Bạn hãy mở lại mô hình nghiên cứu và bảng dữ liệu của mình, xác định từng biến E SERVQUAL, kiểm tra mã biến rồi chọn quy trình SPSS hoặc SmartPLS phù hợp trước khi viết chương 4. Nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, M4 phân tích của DoThesis thực hiện bước này theo dữ liệu thật của sinh viên.