Lý thuyết ACSI: Mô hình đo lường sự hài lòng khách hàng
Mô hình ACSI là gì
Lý thuyết ACSI, viết tắt của American Customer Satisfaction Index, là mô hình dùng để giải thích sự hài lòng của khách hàng thông qua các yếu tố trước đó như kỳ vọng, chất lượng cảm nhận và giá trị cảm nhận. Sau sự hài lòng, mô hình thường xem xét hai kết quả là khiếu nại của khách hàng và lòng trung thành.
Điểm quan trọng khi bạn dùng ACSI là mô hình không chỉ hỏi khách hàng có hài lòng hay không. Bạn cần kiểm tra chuỗi quan hệ: khách hàng kỳ vọng điều gì, họ đánh giá chất lượng và giá trị ra sao, những đánh giá đó ảnh hưởng thế nào đến sự hài lòng, rồi sự hài lòng có liên quan đến ý định tiếp tục sử dụng hay giới thiệu dịch vụ không.
ACSI phù hợp với đề tài về ngân hàng, thương mại điện tử, giáo dục, y tế, viễn thông, bán lẻ và các dịch vụ có khách hàng trải nghiệm trực tiếp. Nếu đề tài của bạn tập trung riêng vào chất lượng dịch vụ, có thể đặt ACSI cạnh mô hình SERVQUAL, SERVPERF hoặc mô hình chất lượng dịch vụ khác để chọn cấu trúc phù hợp hơn.
Các thành phần trong mô hình
Mô hình ACSI thường gồm các biến tiềm ẩn sau. Tên biến có thể được điều chỉnh theo bối cảnh, nhưng bạn cần giữ logic nhân quả và giải thích rõ lý do thêm hoặc bỏ một thành phần.
| Thành phần | Ý nghĩa trong mô hình | Câu hỏi nghiên cứu gợi ý |
|---|---|---|
| Kỳ vọng khách hàng | Mức độ khách hàng dự đoán hoặc mong đợi trước khi trải nghiệm sản phẩm, dịch vụ | Khách hàng đã kỳ vọng gì trước khi sử dụng |
| Chất lượng cảm nhận | Đánh giá của khách hàng về mức độ tốt, ổn định và phù hợp của sản phẩm, dịch vụ sau trải nghiệm | Khách hàng đánh giá chất lượng thực tế thế nào |
| Giá trị cảm nhận | So sánh giữa lợi ích nhận được và chi phí, thời gian hoặc công sức đã bỏ ra | Khách hàng có thấy giá trị nhận được tương xứng không |
| Sự hài lòng khách hàng | Đánh giá tổng thể sau khi so sánh kỳ vọng với trải nghiệm thực tế | Khách hàng hài lòng ở mức nào |
| Khiếu nại khách hàng | Khả năng khách hàng phản ánh hoặc phàn nàn khi trải nghiệm không đạt kỳ vọng | Khách hàng có ý định khiếu nại không |
| Lòng trung thành | Ý định tiếp tục sử dụng, mua lại hoặc giới thiệu cho người khác | Khách hàng có quay lại hoặc giới thiệu không |
Trong nhiều luận văn, khiếu nại khách hàng bị bỏ ra vì khó đo lường hoặc ít phù hợp với ngành nghiên cứu. Bạn có thể tập trung vào các đường dẫn từ kỳ vọng, chất lượng cảm nhận và giá trị cảm nhận đến sự hài lòng, sau đó kiểm tra ảnh hưởng của sự hài lòng đến lòng trung thành.
ACSI cũng giúp bạn phân biệt “chất lượng dịch vụ” với “sự hài lòng”. Chất lượng cảm nhận thường liên quan đến đánh giá về thuộc tính hoặc quá trình cung cấp dịch vụ. Sự hài lòng là đánh giá tổng thể sau trải nghiệm. Hai khái niệm có thể tương quan cao nhưng không nên gộp thành một biến chỉ vì các câu hỏi có nội dung gần nhau.
Mô hình gốc và các mở rộng phổ biến
Mô hình ACSI có cấu trúc trung tâm xoay quanh kỳ vọng, chất lượng cảm nhận, giá trị cảm nhận và sự hài lòng. Sau đó, nghiên cứu có thể mở rộng bằng các biến kết quả như lòng trung thành hoặc khiếu nại. Khi áp dụng cho một ngành cụ thể, bạn cần kiểm tra xem yếu tố nào thực sự có mặt trong bối cảnh nghiên cứu thay vì đưa toàn bộ biến vào theo thói quen.
Một hướng mở rộng thường gặp là thêm chất lượng dịch vụ làm biến tiền đề của chất lượng cảm nhận hoặc sự hài lòng. Nếu chọn hướng này, bạn cần quyết định chất lượng dịch vụ được đo như một biến tổng thể hay bằng các chiều thành phần. SERVQUAL thường phân tách chất lượng dịch vụ thành nhiều khía cạnh, trong khi SERVPERF tập trung vào cảm nhận thực hiện dịch vụ. Bạn có thể xem thêm mô hình 5 khoảng cách chất lượng dịch vụ để hiểu vì sao kỳ vọng và trải nghiệm có thể tạo ra khoảng cách.
Một hướng khác là đưa niềm tin, hình ảnh thương hiệu, giá trị cảm xúc hoặc chi phí chuyển đổi vào mô hình. Những biến này không thuộc cấu trúc ACSI cơ bản. Vì vậy, nếu thêm chúng, bạn phải trình bày nguồn lý thuyết, cơ chế tác động và lý do phù hợp với đối tượng khảo sát.
Bạn cũng có thể gặp các khung lý thuyết gần với ACSI như lý thuyết ECSI, lý thuyết Kano, lý thuyết sự hài lòng khách hàng, lý thuyết SERVQUAL và lý thuyết SERVPERF. ECSI thường được nhắc đến khi nghiên cứu sự hài lòng ở bối cảnh châu Âu. Kano phân loại thuộc tính sản phẩm theo cách khách hàng phản ứng với mức độ đáp ứng. Các mô hình này có thể hỗ trợ phần tổng quan, nhưng không nên trộn các biến và đường dẫn một cách cơ học.
Lý thuyết 5 khoảng cách chất lượng dịch vụ giải thích khoảng cách giữa kỳ vọng, tiêu chuẩn và quá trình cung cấp dịch vụ. Nó phù hợp khi câu hỏi nghiên cứu muốn tìm nguyên nhân tạo ra khoảng cách dịch vụ. ACSI phù hợp hơn khi mục tiêu chính là xây dựng chuỗi giải thích từ cảm nhận của khách hàng đến sự hài lòng và lòng trung thành. Bạn có thể đọc thêm phần 5 khoảng cách chất lượng dịch vụ là gì trước khi chốt mô hình.
Thang đo thường dùng cho từng khái niệm
Bạn không nên sao chép nguyên văn một bảng hỏi trên mạng rồi gọi đó là thang đo ACSI. Cùng một khái niệm có thể cần cách diễn đạt khác nhau giữa ngân hàng, bệnh viện, trường đại học và sàn thương mại điện tử. Với chất lượng dịch vụ, bạn có thể tham khảo SERVQUAL, nhưng cần điều chỉnh biến quan sát cho đúng trải nghiệm cụ thể. Nguồn nền tảng cho SERVQUAL là (Parasuraman và cộng sự, 1988).
| Khái niệm | Nội dung biến quan sát tham khảo | Cách điều chỉnh |
|---|---|---|
| Kỳ vọng khách hàng | Tôi kỳ vọng dịch vụ này đáp ứng tốt nhu cầu của mình | Gắn với kỳ vọng trước khi sử dụng hoặc trước lần giao dịch gần nhất |
| Chất lượng cảm nhận | Dịch vụ cung cấp có chất lượng tốt; dịch vụ ổn định; các thuộc tính chính đáp ứng yêu cầu | Nêu rõ thuộc tính khách hàng thực sự có thể đánh giá |
| Giá trị cảm nhận | Lợi ích nhận được tương xứng với chi phí; dịch vụ đáng với thời gian và công sức bỏ ra | Ghi rõ chi phí tiền bạc, thời gian hoặc công sức nếu cần |
| Sự hài lòng | Tôi hài lòng với trải nghiệm; quyết định sử dụng là đúng; trải nghiệm gần với kỳ vọng | Tránh dùng câu hỏi vừa hỏi chất lượng vừa hỏi hài lòng |
| Lòng trung thành | Tôi sẽ tiếp tục sử dụng; sẽ ưu tiên nhà cung cấp; sẽ giới thiệu cho người khác | Chọn ý định phù hợp với hành vi có thể xảy ra |
| Khiếu nại | Tôi có thể phản ánh khi gặp vấn đề; tôi sẵn sàng khiếu nại nếu dịch vụ không đạt | Chỉ dùng khi đề tài có cơ sở đo lường rõ ràng |
Các biến quan sát nên dùng cùng thang Likert nhất quán. Thang Likert bắt nguồn từ kỹ thuật đo lường thái độ được trình bày trong (Likert, 1932). Trong bảng hỏi, bạn có thể dùng 5 hoặc 7 mức, nhưng cần ghi rõ ý nghĩa từ hoàn toàn không đồng ý đến hoàn toàn đồng ý.
Sau khi thu dữ liệu, thứ tự kiểm định thường là Cronbach's Alpha, EFA nếu bạn dùng SPSS, rồi hồi quy hoặc mô hình cấu trúc. Cronbach's Alpha đo độ nhất quán nội tại của thang đo, không chứng minh một biến có quan hệ nhân quả với biến khác. Khi dùng SmartPLS, bạn đánh giá outer loading, độ tin cậy tổng hợp, AVE và giá trị phân biệt trước khi đọc mô hình cấu trúc.
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu sự hài lòng của khách hàng đối với ứng dụng ngân hàng số. Mô hình có thể gồm chất lượng cảm nhận, giá trị cảm nhận, sự hài lòng và lòng trung thành. Kỳ vọng khách hàng có thể được giữ lại nếu bạn thu thập được thông tin phù hợp về nhận định trước trải nghiệm.
Một mô hình rút gọn có bốn giả thuyết như sau:
- H1: Chất lượng cảm nhận có ảnh hưởng tích cực đến sự hài lòng của khách hàng.
- H2: Giá trị cảm nhận có ảnh hưởng tích cực đến sự hài lòng của khách hàng.
- H3: Kỳ vọng khách hàng có ảnh hưởng đến sự hài lòng của khách hàng.
- H4: Sự hài lòng có ảnh hưởng tích cực đến lòng trung thành của khách hàng.
Các giả thuyết trên cần được điều chỉnh theo ngành và tài liệu bạn thật sự đã đọc. Nếu đề tài nghiên cứu bệnh viện, “chất lượng cảm nhận” có thể liên quan đến thời gian chờ, sự rõ ràng của thông tin và mức độ an toàn. Nếu nghiên cứu thương mại điện tử, biến này có thể liên quan đến giao diện, giao hàng, thanh toán và xử lý đổi trả.
Bạn cũng cần viết rõ đơn vị phân tích. Ví dụ, mỗi dòng dữ liệu là một khách hàng đã sử dụng ứng dụng ngân hàng số trong sáu tháng gần đây. Nếu một người trả lời chưa từng sử dụng dịch vụ, câu trả lời của họ không phù hợp để đánh giá chất lượng cảm nhận hoặc lòng trung thành.
Khi thêm biến trung gian, chẳng hạn chất lượng cảm nhận ảnh hưởng đến lòng trung thành thông qua sự hài lòng, bạn cần kiểm định cả tác động trực tiếp và tác động gián tiếp. Với kiểm định trung gian, khoảng tin cậy bootstrap của tác động gián tiếp không nên chứa số 0 theo (Preacher và Hayes, 2008). Đừng kết luận có trung gian chỉ vì hai biến đều có p-value nhỏ.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi mô hình của bạn dùng thang đo tổng hợp, hồi quy tuyến tính, EFA và kiểm định trung gian bằng PROCESS. Bạn mở file .sav, kiểm tra mã hóa biến, xử lý biến đảo chiều nếu có, rồi chạy Analyze > Scale > Reliability Analysis. Sau đó chọn Statistics, đánh dấu Scale if item deleted để xem biến nào đang làm giảm độ nhất quán.
Với EFA, đường dẫn là Analyze > Dimension Reduction > Factor. Kiểm tra bảng KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. Nếu bảng xoay cho thấy các biến quan sát tải lên nhiều nhân tố, bạn cần xem lại nội dung biến, factor loading và cơ sở lý thuyết trước khi loại biến.
Sau EFA, bạn có thể tạo biến đại diện bằng trung bình các biến quan sát rồi chạy Analyze > Regression > Linear. Trong bảng Coefficients, đọc Standardized Coefficients Beta, t và Sig.. Kiểm tra đa cộng tuyến qua VIF, phần dư và các chẩn đoán cần thiết. VIF dưới 5 là ngưỡng thường được báo cáo trong PLS-SEM theo (Hair và cộng sự, 2019), nhưng bạn vẫn cần giải thích bối cảnh và cách kiểm tra.
SmartPLS phù hợp khi mô hình có nhiều biến tiềm ẩn, nhiều biến quan sát hoặc bạn muốn đánh giá đồng thời mô hình đo lường và mô hình cấu trúc. Trong SmartPLS 4, bạn nhập dữ liệu .csv, tạo construct, kéo các biến quan sát vào từng construct và nối các mũi tên theo giả thuyết. Trước hết chạy PLS-SEM Algorithm, sau đó chạy Bootstrapping để xem path coefficient, t-value và p-value.
Trong mô hình đo lường, đọc các bảng Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Outer loading từ 0.7 trở lên là mốc thường được dùng trong PLS-SEM theo (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên thường được dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất trong (Henseler và cộng sự, 2015).
Trong mô hình cấu trúc, đọc Path Coefficients, R Square, f Square, Collinearity Statistics và Construct Crossvalidated Redundancy. R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể được diễn giải là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy mô hình có liên quan dự báo theo (Stone, 1974). Khi bootstrap, thiết lập 5.000 subsamples là lựa chọn được nêu trong (Hair và cộng sự, 2022).
Số liệu minh họa, không phải kết quả của một nghiên cứu thật:
| Path Coefficients | Beta | T Statistics | P Values | Kết luận minh họa |
|---|---|---|---|---|
| Chất lượng cảm nhận → Sự hài lòng | 0.412 | 5.286 | 0.000 | Ủng hộ H1 trong ví dụ |
| Giá trị cảm nhận → Sự hài lòng | 0.267 | 3.174 | 0.002 | Ủng hộ H2 trong ví dụ |
| Kỳ vọng → Sự hài lòng | 0.118 | 1.642 | 0.101 | Chưa có đủ bằng chứng ủng hộ H3 |
| Sự hài lòng → Lòng trung thành | 0.583 | 8.409 | 0.000 | Ủng hộ H4 trong ví dụ |
Bảng trên chỉ minh họa hình dạng output và cách đọc. Bạn không được đưa các con số này vào chương 4 như kết quả của mình. Với file thật, hãy lưu từng phiên bản dữ liệu và ghi lại biến nào bị loại, vì việc xóa biến liên tục mà không có nhật ký sẽ khiến bạn khó giải trình khi giảng viên hỏi.
Cách viết vào luận văn: “Kết quả phân tích cho thấy [tên biến độc lập] tác động [cùng chiều/ngược chiều] đến [tên biến phụ thuộc] với hệ số [Beta = ...] và mức ý nghĩa [p-value = ...]. Do [p-value ...], giả thuyết H[ ] được [chấp nhận/không được ủng hộ].”
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là xem ACSI như một bảng câu hỏi cố định. Mô hình là khung lý thuyết, còn thang đo phải được điều chỉnh cho ngành, đối tượng và trải nghiệm cụ thể. Bạn cần ghi rõ biến nào kế thừa, biến nào điều chỉnh và biến nào tự phát triển.
Lỗi thứ hai là đồng nhất chất lượng với sự hài lòng. Một khách hàng có thể đánh giá chất lượng giao hàng tốt nhưng vẫn chưa hài lòng vì giá cao. Nếu hai thang đo có nội dung gần như giống nhau, hãy kiểm tra lại định nghĩa và biến quan sát trước khi chạy dữ liệu.
Lỗi thứ ba là dùng CFI, TLI hoặc RMSEA trong bài SmartPLS. Các chỉ số này thuộc nhóm đánh giá fit thường dùng trong CB-SEM theo (Hu và Bentler, 1999), không nên đưa vào bài viết về PLS-SEM như tiêu chí chính. Với SmartPLS, hãy tập trung vào outer loading, CR, AVE, HTMT, VIF, path coefficient, R², f² và Q².
Lỗi thứ tư là giữ một giả thuyết chỉ vì p-value đạt ngưỡng. Kết quả thống kê cần được đọc cùng hướng tác động, độ lớn hệ số, cơ sở lý thuyết và chất lượng dữ liệu. Nếu giả thuyết không được ủng hộ, hãy báo cáo đúng kết quả và giải thích khả năng khác biệt bối cảnh, thay vì sửa số liệu hoặc đổi dấu giả thuyết sau khi xem output.
Đọc thêm: servqual, chủ đề mo hinh nghien cuu.
Câu hỏi thường gặp
Lý thuyết ACSI có giống lý thuyết sự hài lòng khách hàng không
ACSI là một mô hình cụ thể để giải thích sự hài lòng, trong đó có các biến tiền đề và kết quả được sắp xếp theo một chuỗi quan hệ. “Lý thuyết sự hài lòng khách hàng” là cách gọi rộng hơn, có thể bao gồm nhiều cách tiếp cận khác như kỳ vọng, chất lượng cảm nhận, giá trị cảm nhận hoặc cảm xúc.
Có bắt buộc đưa kỳ vọng khách hàng vào mô hình ACSI không
Bạn không bắt buộc giữ mọi thành phần nếu bối cảnh nghiên cứu không đo được kỳ vọng trước trải nghiệm. Tuy nhiên, khi bỏ biến, bạn cần giải thích trong chương cơ sở lý thuyết và phương pháp, đồng thời nêu rõ mô hình nghiên cứu của bạn là phiên bản điều chỉnh của ACSI.
Nên dùng ACSI hay SERVQUAL
Hãy dùng ACSI khi câu hỏi chính của bạn là yếu tố nào ảnh hưởng đến sự hài lòng và lòng trung thành. SERVQUAL phù hợp hơn khi bạn muốn phân tích các chiều chất lượng dịch vụ như độ tin cậy, khả năng đáp ứng, năng lực phục vụ, sự đồng cảm và phương tiện hữu hình. Bạn có thể kết hợp có kiểm soát, nhưng cần tránh để hai mô hình bị chồng lấn khái niệm.
Có thể chạy mô hình ACSI bằng SPSS không
Có. SPSS phù hợp với Cronbach's Alpha, EFA, tạo biến đại diện và hồi quy. Nếu bạn cần mô hình hóa nhiều biến tiềm ẩn cùng lúc hoặc kiểm định tác động gián tiếp bằng bootstrapping, SmartPLS có thể thuận tiện hơn. Dù dùng phần mềm nào, logic mô hình và chất lượng dữ liệu vẫn phải được giải thích trước output.
Nếu kết quả không ủng hộ giả thuyết ACSI thì phải làm sao
Bạn giữ nguyên kết quả, kiểm tra lại mã hóa, biến đảo chiều, dữ liệu thiếu, outlier và cách tạo biến. Sau đó đối chiếu với định nghĩa khái niệm và bối cảnh khảo sát. Không nên loại một biến hoặc sửa giả thuyết chỉ để làm mô hình đẹp hơn; hãy ghi rõ giả thuyết nào được ủng hộ và giả thuyết nào chưa được ủng hộ.
Bước tiếp theo là mở file dữ liệu, lập bảng ánh xạ từ từng giả thuyết ACSI sang construct, biến quan sát và cột dữ liệu tương ứng, sau đó chạy kiểm định theo đúng thứ tự; nếu cần chạy phân tích trên chính file .sav hoặc .csv của bạn, xem module M4 phân tích dữ liệu của DoThesis.