SERVPERF là gì? Cách xây dựng mô hình và kiểm định dữ liệu
Mô hình SERVPERF là gì
SERVPERF là mô hình đo lường chất lượng dịch vụ dựa trên cảm nhận thực tế của khách hàng sau khi họ sử dụng dịch vụ. Khi làm bảng hỏi theo SERVPERF, bạn hỏi người trả lời đánh giá mức độ mà doanh nghiệp thực hiện dịch vụ, thay vì yêu cầu họ chấm đồng thời cả mức kỳ vọng và mức cảm nhận.
Điểm quan trọng của SERVPERF nằm ở cách đo. Mỗi biến quan sát thường mô tả một biểu hiện cụ thể của chất lượng dịch vụ, sau đó người trả lời đánh giá trên thang Likert, chẳng hạn từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Điểm của từng thành phần được tổng hợp từ các biến quan sát tương ứng.
SERVPERF thường được dùng khi biến phụ thuộc của đề tài là sự hài lòng, ý định quay lại, lòng trung thành hoặc ý định giới thiệu dịch vụ. Ví dụ, bạn có thể nghiên cứu ảnh hưởng của chất lượng dịch vụ ngân hàng đến sự hài lòng của khách hàng, hoặc ảnh hưởng của chất lượng dịch vụ phòng khám đến ý định tiếp tục sử dụng.
Mô hình này có liên hệ gần với mô hình SERVQUAL, nhưng cách tổ chức dữ liệu khác nhau. SERVQUAL đo cả kỳ vọng và cảm nhận, còn SERVPERF tập trung vào phần cảm nhận sau trải nghiệm. Bạn nên chọn một cách đo ngay từ khi xây dựng bảng hỏi để tránh trộn hai logic vào cùng một mô hình.
Trong tài liệu gốc của SERVPERF, tên tác giả và năm công bố thường được trình bày trong các tài liệu chuyên ngành. Tuy nhiên, khi đưa nguồn vào luận văn, bạn cần kiểm tra đúng bài gốc trong danh mục tài liệu mà giảng viên hoặc khoa yêu cầu. Bài viết này chỉ sử dụng các nguồn trong danh mục cho phép ở những ngưỡng thống kê, không tự thêm thông tin thư mục chưa được kiểm chứng.
Các thành phần trong mô hình
SERVPERF thường kế thừa năm nhóm khía cạnh chất lượng dịch vụ quen thuộc của SERVQUAL. Năm nhóm này mô tả các phần khác nhau trong trải nghiệm khách hàng. Bạn không nên mặc định rằng cả năm nhóm luôn phù hợp với mọi ngành. Bảng hỏi cần được điều chỉnh theo bối cảnh dịch vụ, đối tượng khảo sát và mục tiêu nghiên cứu.
| Thành phần | Nội dung cần đo | Ví dụ biến quan sát có thể điều chỉnh |
|---|---|---|
| Phương tiện hữu hình | Cơ sở vật chất, thiết bị, diện mạo nhân viên và không gian phục vụ | Cơ sở của đơn vị có diện mạo sạch sẽ, chuyên nghiệp |
| Độ tin cậy | Khả năng thực hiện đúng cam kết và cung cấp dịch vụ ổn định | Đơn vị thực hiện dịch vụ đúng thời gian đã cam kết |
| Khả năng đáp ứng | Mức độ sẵn sàng hỗ trợ và tốc độ phản hồi khách hàng | Nhân viên phản hồi yêu cầu của khách hàng trong thời gian phù hợp |
| Sự đảm bảo | Kiến thức, thái độ, sự lịch sự và cảm giác an tâm khi giao dịch | Nhân viên tạo cho tôi cảm giác tin tưởng khi sử dụng dịch vụ |
| Sự đồng cảm | Mức độ quan tâm và chăm sóc phù hợp với từng khách hàng | Nhân viên chú ý đến nhu cầu riêng của khách hàng |
Phương tiện hữu hình phù hợp với những dịch vụ mà không gian, thiết bị hoặc hình ảnh nhân viên ảnh hưởng rõ đến đánh giá của khách hàng. Với ngân hàng, đó có thể là quầy giao dịch và thiết bị hỗ trợ. Với bệnh viện, đó có thể là khu vực tiếp đón, phòng chờ và hệ thống hướng dẫn.
Độ tin cậy tập trung vào kết quả thực hiện. Một đơn vị có thể có nhân viên thân thiện, nhưng nếu thường xuyên giao trễ, tính phí sai hoặc xử lý sai yêu cầu thì điểm đánh giá về độ tin cậy vẫn có thể thấp.
Khả năng đáp ứng khác với độ tin cậy. Độ tin cậy nói về việc làm đúng điều đã cam kết, còn khả năng đáp ứng nói về tốc độ và sự chủ động khi khách hàng cần hỗ trợ. Hai nhóm này nên có các biến quan sát riêng để tránh một câu hỏi cùng đo hai nội dung.
Sự đảm bảo phản ánh mức an tâm của khách hàng trước năng lực và thái độ của nhân viên. Trong các dịch vụ có rủi ro cảm nhận cao, chẳng hạn tài chính, y tế hoặc giáo dục, thành phần này thường cần được diễn đạt cẩn thận.
Sự đồng cảm đề cập đến việc khách hàng có cảm thấy mình được lắng nghe và phục vụ phù hợp hay không. Bạn nên tránh các câu quá chung như “đơn vị quan tâm đến khách hàng”, vì người trả lời có thể hiểu mỗi người một cách khác nhau. Hãy gắn câu hỏi với hành vi hoặc tình huống cụ thể.
Mô hình gốc và các mở rộng phổ biến
Mô hình SERVPERF có thể được xem là một hướng đo chất lượng dịch vụ theo cảm nhận thực hiện. Trong đề tài của bạn, năm thành phần ở trên có thể được dùng như năm biến độc lập tác động đến một biến phụ thuộc, hoặc được xem là các thành phần tạo nên khái niệm chất lượng dịch vụ tổng thể.
Cách chọn cấu trúc phụ thuộc vào mô hình nghiên cứu. Nếu bạn muốn biết yếu tố nào ảnh hưởng mạnh hơn đến sự hài lòng, hãy mô hình hóa năm thành phần như các biến độc lập riêng. Nếu mục tiêu là đo một khái niệm chất lượng dịch vụ tổng quát, bạn cần giải thích rõ quan hệ giữa biến tổng thể và các thành phần trong phần phương pháp.
SERVQUAL là mô hình gần nhất để so sánh. Bạn có thể đọc thêm bài về SERVQUAL hoặc mô hình SERVQUAL để thấy sự khác nhau giữa đo khoảng cách kỳ vọng, cảm nhận và đo cảm nhận thực tế. Đừng lấy nguyên bộ câu hỏi của SERVQUAL rồi gọi là SERVPERF nếu trong bảng hỏi bạn vẫn yêu cầu người trả lời đánh giá cả “mức mong đợi” và “mức thực tế”.
Một hướng mở rộng khác là đưa các biến kết quả vào sau chất lượng dịch vụ. Chẳng hạn, năm thành phần chất lượng dịch vụ có thể ảnh hưởng đến sự hài lòng, rồi sự hài lòng ảnh hưởng đến ý định quay lại. Khi thêm biến trung gian, bạn phải có cơ sở lý thuyết cho từng mối quan hệ và không nên thêm đường dẫn chỉ vì phần mềm cho phép chạy.
Bạn cũng có thể đặt SERVPERF trong nhóm các mô hình chất lượng dịch vụ rộng hơn bằng cách tham khảo mô hình 5 khoảng cách chất lượng dịch vụ. Mô hình năm khoảng cách giúp giải thích nơi phát sinh chênh lệch trong quá trình cung cấp dịch vụ, còn SERVPERF chủ yếu giúp bạn thiết kế phép đo cảm nhận của khách hàng. Hai mô hình có thể liên quan về lý thuyết, nhưng không nên trộn các biến và giả thuyết của chúng mà không giải thích.
Khi dùng mô hình mở rộng, bạn cần giữ ba nguyên tắc. Thứ nhất, tên biến phải nhất quán giữa mô hình, bảng hỏi và file dữ liệu. Thứ hai, mỗi giả thuyết phải chỉ rõ biến độc lập, biến phụ thuộc và chiều tác động dự kiến. Thứ ba, thang đo phải được kiểm định lại trong bối cảnh mới, vì một bộ biến quan sát phù hợp ở ngành này có thể không phù hợp ở ngành khác.
Thang đo thường dùng cho từng khái niệm
Bảng dưới đây là bản đồ khởi đầu để bạn thiết kế bảng hỏi. Các câu diễn đạt chỉ là ví dụ tham khảo, chưa phải bản dịch đã được thẩm định. Bạn cần chỉnh từ ngữ theo dịch vụ cụ thể, sau đó chạy khảo sát thử và kiểm tra dữ liệu.
| Khái niệm | Mã gợi ý | Nội dung biến quan sát | Cách điều chỉnh |
|---|---|---|---|
| Phương tiện hữu hình | HH1, HH2, HH3 | Không gian, thiết bị, hình ảnh và sự thuận tiện về mặt vật chất | Thay “cơ sở” bằng chi nhánh, ứng dụng, lớp học hoặc phòng khám tùy đề tài |
| Độ tin cậy | TC1, TC2, TC3 | Thực hiện đúng cam kết, cung cấp thông tin chính xác, xử lý ổn định | Nêu rõ cam kết hoặc giao dịch mà khách hàng thật sự trải qua |
| Khả năng đáp ứng | DU1, DU2, DU3 | Phản hồi, hỗ trợ và giải quyết yêu cầu | Tránh từ “nhanh chóng” nếu người trả lời không có mốc thời gian để đánh giá |
| Sự đảm bảo | DB1, DB2, DB3 | Năng lực, lịch sự, an toàn và sự tin tưởng | Dùng ngôn ngữ phù hợp với mức độ chuyên môn của khách hàng |
| Sự đồng cảm | DC1, DC2, DC3 | Quan tâm, lắng nghe và phục vụ theo nhu cầu | Viết theo hành vi cụ thể, tránh khẳng định quá rộng |
| Sự hài lòng | HL1, HL2, HL3 | Đánh giá tổng thể sau khi sử dụng dịch vụ | Tách khỏi các câu đo chất lượng từng thành phần |
Nếu nghiên cứu của bạn dùng thang Likert 5 mức, hãy ghi rõ ý nghĩa của từng mức ngay trên bảng hỏi. Thang Likert bắt nguồn từ kỹ thuật đo thái độ được trình bày trong (Likert, 1932). Không nên thay đổi số mức giữa các nhóm biến nếu bạn không có lý do phương pháp rõ ràng.
Sau khi thu thập dữ liệu, bạn thường kiểm tra độ tin cậy bằng Cronbach's Alpha và Corrected Item-Total Correlation. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được (Nunnally, 1978), trong khi Corrected Item-Total Correlation từ 0.3 trở lên là một ngưỡng 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), nhưng bạn phải giải thích bối cảnh thay vì tự động giữ mọi thang đo thấp.
Nếu chạy EFA, KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê ở mức dưới 0.05 là các tiêu chí thường được báo cáo (Kaiser, 1974). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên có thể tham khảo (Hair và cộng sự, 2010). Những con số này hỗ trợ quyết định, không thay thế việc xem nội dung của biến quan sát.
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu sự hài lòng của khách hàng đối với một chuỗi phòng khám tư nhân. Mô hình có năm biến độc lập từ SERVPERF và một biến phụ thuộc là sự hài lòng. Bạn có thể đặt các giả thuyết như sau:
- H1: Phương tiện hữu hình tác động cùng chiều đến sự hài lòng của khách hàng.
- H2: Độ tin cậy tác động cùng chiều đến sự hài lòng của khách hàng.
- H3: Khả năng đáp ứng tác động cùng chiều đến sự hài lòng của khách hàng.
- H4: Sự đảm bảo tác động cùng chiều đến sự hài lòng của khách hàng.
- H5: Sự đồng cảm tác động cùng chiều đến sự hài lòng của khách hàng.
Nếu đề cương chỉ yêu cầu bốn giả thuyết, bạn có thể chọn bốn thành phần phù hợp nhất với bối cảnh, nhưng cần nêu lý do loại thành phần còn lại. Đừng xóa một thành phần sau khi xem p-value rồi sửa lại mô hình trong phần cơ sở lý thuyết. Việc đó khiến hội đồng hỏi về logic xây dựng mô hình.
Bạn có thể vẽ năm mũi tên từ HH, TC, DU, DB và DC đến HL. Trước khi nhập dữ liệu, hãy tạo bảng mã biến, trong đó mỗi biến quan sát có một tên ngắn, không dấu, không có khoảng trắng. Ví dụ, HH1, TC1, DU1, DB1, DC1 và HL1 dễ quản lý hơn các tên dài bằng tiếng Việt.
Ở bước làm sạch, bạn kiểm tra giá trị thiếu, các dòng trả lời cùng một mức cho toàn bộ bảng hỏi, giá trị ngoài khoảng 1 đến 5 và các bản ghi trùng lặp. Nếu có biến đảo chiều, phải mã hóa lại trước khi chạy Cronbach's Alpha. Một biến đảo chiều chưa xử lý có thể làm giảm tương quan giữa các biến và khiến bạn loại nhầm một biến quan sát.
Cách viết vào luận văn: “Nghiên cứu đề xuất mô hình gồm các thành phần phương tiện hữu hình, độ tin cậy, khả năng đáp ứng, sự đảm bảo và sự đồng cảm, trong đó các thành phần này được giả định tác động cùng chiều đến [tên biến phụ thuộc] trong bối cảnh [ngành hoặc địa bàn nghiên cứu]. Các giả thuyết H1 đến H4 được kiểm định bằng [hồi quy tuyến tính/PLS-SEM] trên dữ liệu thu thập từ [đối tượng khảo sát].” Bạn thay phần trong ngoặc vuông bằng thông tin thật của đề tài.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi mô hình của bạn dùng các thang đo tổng hợp và hồi quy tuyến tính. Quy trình thường là chạy Cronbach's Alpha, EFA nếu đề tài yêu cầu, tính điểm trung bình cho từng thành phần rồi chạy hồi quy. Bạn có thể bắt đầu tại Analyze > Scale > Reliability Analysis, đưa các biến của một thành phần vào ô Items, mở Statistics và chọn Scale if item deleted.
Sau đó, nếu chạy EFA, vào Analyze > Dimension Reduction > Factor. Chọn KMO and Bartlett's Test, bảng Rotated Component Matrix và phương pháp xoay phù hợp với thiết kế nghiên cứu. Khi chạy hồi quy, vào Analyze > Regression > Linear, đưa HL vào Dependent và các điểm thành phần vào Independent(s). Trong bảng Coefficients, bạn đọc Standardized Coefficients Beta, t và Sig. để đánh giá từng giả thuyết.
SmartPLS phù hợp khi bạn xây dựng mô hình PLS-SEM với biến tiềm ẩn và biến quan sát. File .csv cần có hàng đầu là tên biến, các hàng sau là dữ liệu, không nên chứa tiêu đề phụ hoặc ký hiệu gộp ô. Trong SmartPLS 4, bạn tạo project, nhập dữ liệu, kéo các construct vào canvas, nối các biến theo giả thuyết rồi gán indicator vào từng construct.
Quy trình PLS-SEM nên tách thành đánh giá measurement model và structural model. Với measurement model, bạn xem Outer Loadings, Construct Reliability and Validity và Discriminant Validity. CR từ 0.7 và AVE từ 0.5 có thể tham khảo (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).
Với structural model, bạn xem Path Coefficients, R², f², Q² và VIF. VIF dưới 5 là ngưỡng thường được báo cáo trong hướng dẫn PLS-SEM (Hair và cộng sự, 2019). R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể diễn giải là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy mô hình có khả năng dự báo theo logic được trình bày trong (Stone, 1974).
Khi chạy bootstrapping trong SmartPLS 4, bạn cần ghi lại số bootstrap subsamples và thiết lập dùng trong nghiên cứu. Mức 5.000 subsamples được nêu trong (Hair và cộng sự, 2022). Không dùng CFI, TLI hoặc RMSEA để đánh giá một mô hình PLS-SEM thông thường. Các chỉ số đó thuộc nhóm CB-SEM, với ngưỡng được trình bày trong (Hu và Bentler, 1999).
số liệu minh họa
Bảng sau mô phỏng hình dạng kết quả để bạn biết cần đọc cột nào. Đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật và không được chép vào luận văn như phát hiện của bạn.
| Construct | Outer Loading | Cronbach's Alpha | Composite Reliability | AVE | Kết luận minh họa |
|---|---|---|---|---|---|
| Phương tiện hữu hình | 0.742 | 0.812 | 0.879 | 0.709 | Đạt theo các ngưỡng tham khảo |
| Độ tin cậy | 0.781 | 0.846 | 0.896 | 0.742 | Đạt theo các ngưỡng tham khảo |
| Khả năng đáp ứng | 0.691 | 0.768 | 0.851 | 0.590 | Cần xem thêm nội dung và các chỉ báo khác |
| Sự đảm bảo | 0.824 | 0.872 | 0.914 | 0.780 | Đạt theo các ngưỡng tham khảo |
| Sự hài lòng | 0.803 | 0.861 | 0.907 | 0.765 | Đạt theo các ngưỡng tham khảo |
Khi báo cáo, bạn không chỉ ghi “mô hình đạt”. Hãy nêu construct nào có indicator thấp, quyết định giữ hay loại biến nào, và lý do quyết định đó. Nếu một outer loading thấp nhưng biến có ý nghĩa nội dung quan trọng, bạn cần cân nhắc tổng thể measurement model thay vì xóa máy móc.
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là gọi mọi bảng hỏi về chất lượng dịch vụ là SERVPERF. Nếu bảng hỏi đo cả kỳ vọng và cảm nhận, cấu trúc đó gần với SERVQUAL hơn. Hãy đọc lại phần hướng dẫn trả lời và tên các nhóm biến trước khi đặt tên mô hình.
Lỗi thứ hai là lấy năm thành phần rồi dùng nguyên văn cho mọi ngành. Khách hàng ngân hàng, người học tại trung tâm ngoại ngữ và bệnh nhân phòng khám có các trải nghiệm khác nhau. Bạn cần điều chỉnh câu chữ, chạy thử và ghi lại nguồn của từng nhóm biến.
Lỗi thứ ba là gộp các biến quan sát thành điểm trung bình trước khi kiểm tra độ tin cậy. Thứ tự an toàn hơn là kiểm tra dữ liệu, chạy Cronbach's Alpha, xử lý biến có vấn đề, chạy EFA nếu thiết kế yêu cầu, rồi mới tính điểm hoặc đánh giá mô hình PLS-SEM.
Lỗi thứ tư là thay đổi giả thuyết theo p-value. Kết quả không có ý nghĩa thống kê vẫn là một kết quả cần báo cáo. Bạn có thể thảo luận về bối cảnh, cỡ mẫu, mức độ tương đồng giữa các thành phần hoặc giới hạn đo lường, nhưng không nên viết lại giả thuyết sau khi đã thấy kết quả.
Lỗi cuối là nhầm giữa “chất lượng dịch vụ” và “sự hài lòng”. Chất lượng dịch vụ là đánh giá về các thuộc tính của quá trình cung cấp dịch vụ, còn sự hài lòng thường là đánh giá tổng thể sau trải nghiệm. Nếu hai khái niệm dùng các câu hỏi gần như giống nhau, giá trị phân biệt của mô hình có thể bị nghi ngờ.
Đọc thêm: mô hình servperf, 5 khoảng cách chất lượng dịch vụ là gì, chủ đề mo hinh nghien cuu.
Câu hỏi thường gặp
SERVPERF có giống SERVQUAL không
Hai mô hình cùng thường dùng năm nhóm khía cạnh chất lượng dịch vụ, nhưng cách đo khác nhau. SERVPERF tập trung vào cảm nhận về việc dịch vụ được thực hiện, còn SERVQUAL đặt trọng tâm vào khoảng cách giữa kỳ vọng và cảm nhận. Bạn nên chọn mô hình dựa trên câu hỏi nghiên cứu và cách thu thập dữ liệu, không chọn chỉ vì tên mô hình quen thuộc.
SERVPERF có bắt buộc phải có đủ năm thành phần không
Không bắt buộc trong mọi đề tài. Năm thành phần là cấu trúc tham khảo phổ biến, nhưng bạn có thể giữ, gộp hoặc loại một thành phần nếu có lý do lý thuyết và bối cảnh rõ ràng. Quyết định đó phải được trình bày trước khi báo cáo kết quả, không chỉ xuất hiện sau khi một thành phần có p-value lớn.
Nên chạy SERVPERF bằng SPSS hay SmartPLS
SPSS phù hợp khi bạn tính điểm đại diện cho các thành phần rồi dùng hồi quy tuyến tính. SmartPLS phù hợp khi bạn muốn giữ mô hình biến tiềm ẩn, đánh giá outer loading, CR, AVE, HTMT và các quan hệ cấu trúc bằng PLS-SEM.
Nếu đề cương của bạn đã yêu cầu một phần mềm cụ thể, hãy tuân theo yêu cầu đó. Không nên chạy cả hai phần mềm chỉ để chọn bảng có kết quả đẹp hơn, vì cách xây dựng và diễn giải mô hình ở hai phương pháp khác nhau.
Alpha thấp thì có cần xóa biến ngay không
Chưa nên xóa ngay. Bạn cần xem Corrected Item-Total Correlation, cột Alpha if Item Deleted, nội dung câu hỏi, biến đảo chiều và khả năng người trả lời hiểu sai câu. Một thang đo khám phá có thể được cân nhắc ở Alpha từ 0.6 theo (Hair và cộng sự, 2010), nhưng quyết định cuối cùng phải đi kèm giải thích phương pháp.
Có được dùng bộ câu hỏi SERVPERF trên mạng không
Bạn có thể dùng làm tài liệu tham khảo, nhưng cần kiểm tra nguồn, bối cảnh, bản dịch và quyền sử dụng nếu có. Đừng xem một bảng hỏi tải về là thang đo đã được xác nhận cho đề tài của bạn. Hãy lập bảng đối chiếu giữa khái niệm, biến quan sát, nguồn gốc và cách điều chỉnh trước khi đưa vào bảng hỏi chính thức.
Nếu file dữ liệu của bạn đã có các biến HH, TC, DU, DB, DC và HL, bước tiếp theo là kiểm tra mã biến, làm sạch dữ liệu rồi chọn SPSS hoặc SmartPLS theo mô hình đã đăng ký. Khi cần chạy phân tích trên chính file .sav hoặc .csv và theo dõi từng quyết định xử lý, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.