Ảnh hưởng của ứng dụng chatbot hỗ trợ AI trong dịch vụ khách hàng đến sự hài lòng của người dùng Grab tại TP. Hồ Chí Minh

TS. Võ Thị Hương Giang (Tác giả liên hệ)

Email: giangvth@huit.edu.vn

Phạm Phương Nguyên, Phạm Thị Minh Nguyệt,

Nguyễn Kim Phụng, Cao Thị Hoài, Lê Phạm Hoàn Thành

Trường Đại học Công Thương Thành phố Hồ Chí Minh

Tóm tắt

Việc sử dụng trí tuệ nhân tạo (AI) vào lĩnh vực dịch vụ đã làm phức tạp quá trình tương tác với khách hàng truyền thống và đặt ra những thách thức trong việc duy trì mối quan hệ chặt chẽ với khách hàng. Nghiên cứu điều tra ảnh hưởng của Ứng dụng chatbot hỗ trợ trí tuệ nhân tạo đến Sự hài lòng của khách hàng trong bối cảnh tương tác dịch vụ khách hàng trên ứng dụng Grab tại TP. Hồ Chí Minh. 157 phản hồi hợp lệ đã được thu thập và phân tích bằng phần mềm SPSS. Kết quả nghiên cứu cho thấy, Cá nhân hóa chatbot tác động tích cực đáng kể nhất đến Sự hài lòng của khách hàng, tiếp theo là Sự phản hồi và Nhân hóa. Nghiên cứu đề xuất các khuyến nghị thực tế nhằm nâng cao năng lực cạnh tranh của tổ chức trong bối cảnh mức độ chuyển đổi số của môi trường kinh doanh ngày càng cao.

Từ khóa: Chatbot AI, nhân hóa, cá nhân hóa, phản hồi, sự hài lòng

Summary

The integration of Artificial Intelligence (AI) into the service sector has complicated traditional customer interactions and posed new challenges in maintaining close customer relationships. The study investigates the impact of AI-powered chatbot applications on customer satisfaction in the context of customer service interactions on the Grab application in Ho Chi Minh City. A total of 157 valid responses were collected and analyzed using SPSS software. The results indicate that chatbot personalization has the most significant positive effect on customer satisfaction, followed by responsiveness and humanization. The study offers practical recommendations to enhance organizational competitiveness in the context of an increasingly digitalized business environment.

Keywords: AI chatbot, humanization, personalization, responsiveness, customer satisfaction

GIỚI THIỆU

Trong bối cảnh cuộc Cách mạng công nghiệp lần thứ tư, AI đóng vai trò ngày càng quan trọng trong hoạt động vận hành và phục vụ khách hàng của các doanh nghiệp. Dù đây được xem là đề tài có nhiều triển vọng nhưng các nghiên cứu hiện tại về hiệu quả sử dụng AI còn nhiều phân mảnh, chưa thống nhất. Mặc dù các công ty đã áp dụng AI chatbot cho nhiều mục đích khác nhau, nhưng các nghiên cứu về chất lượng dịch vụ của AI chatbot trong hiệu suất dịch vụ khách hàng đến nay vẫn còn rời rạc (Chen và cộng sự, 2023). Bối cảnh dịch vụ khách hàng tuyến đầu đã thay đổi với sự phát triển của AI chatbot. AI chatbot phục vụ khách hàng trực tiếp tại tuyến đầu, do đó, chất lượng dịch vụ của chúng có thể đại diện cho chất lượng của tổ chức đối với khách hàng. Tuy nhiên, nghiên cứu về ảnh hưởng của AI chatbot đến sự hài lòng của khách hàng vẫn chưa rõ ràng trong bối cảnh mới ở Việt Nam. Về việc ứng dụng Chatbot của Grab, hiện chưa có nhiều nghiên cứu tại thị trường Việt Nam, mà chủ yếu tập trung tại thị trường châu Âu, nơi có nền văn hóa, hành vi tiêu dùng, kỳ vọng văn hóa khác biệt. Nhận rõ tính cấp thiết của lĩnh vực này, nên đề tài nhằm mở rộng nghiên cứu về các yếu tố đặc điểm của AI Chatbot liên quan đến kết nối cảm xúc, nội dung phản hồi và tính cá nhân hoá của Chatbot. Vì vậy, nghiên cứu nhằm mục tiêu điều tra tác động của các yếu tố đặc điểm đến sự hài lòng của khách hàng khi sử dụng dịch vụ chăm sóc khách hàng Grab tại TP. Hồ Chí Minh.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

AI Chatbot là một hệ thống phần mềm tích hợp AI, đặc biệt ứng dụng các công nghệ như xử lý ngôn ngữ tự nhiên (Natural Language Processing) và học máy (Machine Learning ) nhằm mô phỏng cuộc đối thoại giữa con người và máy tính thông qua văn bản hoặc giọng nói. Theo Dale (2016), Chatbot được chia thành các loại chính: chatbot dựa trên luật, hoạt động theo các kịch bản được thiết lập sẵn và chatbot được điều khiển bởi AI, sử dụng các mô hình học sâu như mạng nơ-ron hồi tiếp hoặc kiến trúc Transformer để hiểu ngữ cảnh và cải thiện chất lượng phản hồi theo thời gian.

Trong lĩnh vực dịch vụ khách hàng, AI chatbot đang dần thay thế vai trò của nhân viên hỗ trợ truyền thống bằng cách đảm nhiệm các tác vụ như cung cấp thông tin, xử lý yêu cầu cơ bản và phản hồi thắc mắc 24/7. Điều này giúp rút ngắn thời gian xử lý vấn đề, đồng thời nâng cao sự hài lòng của người tiêu dùng (Radziwill và Benton, 2017). Theo mô hình chấp nhận công nghệ, mức độ chấp nhận chatbot của người dùng bị ảnh hưởng tích cực bởi tính dễ sử dụng và tính hữu ích mà hệ thống này mang lại (Davis, 1989).

Không chỉ dừng lại ở việc tối ưu hóa vận hành, AI chatbot còn mang lại giá trị thông qua khả năng cá nhân hóa trải nghiệm người dùng và tự động hóa các quy trình cơ bản. Tuy nhiên, những thách thức như hiểu sai ngữ cảnh, xử lý ngôn ngữ tự nhiên phức tạp và vấn đề về quyền riêng tư dữ liệu vẫn là những rào cản lớn trong quá trình triển khai thực tế (Chung và cộng sự, 2020). Giải quyết những vấn đề này là yếu tố then chốt để chatbot có thể phát huy hết tiềm năng trong môi trường kinh doanh hiện đại.

Nhân hóa

Nhân hóa là quá trình gán các đặc điểm giống con người như cảm xúc, ngôn ngữ, và hành vi cho các thực thể phi nhân loại như chatbot (Epley và cộng sự, 2007). Theo nghiên cứu của Qiu và cộng sự (2020), yếu tố nhân hóa giúp cải thiện trải nghiệm người dùng, tạo cảm giác thân thiện và đáng tin cậy hơn trong quá trình tương tác với chatbot. Lee và cộng sự. (2021) cũng khẳng định rằng chatbot có tính nhân hóa cao sẽ gia tăng cảm nhận tích cực và nâng cao sự hài lòng của khách hàng. Từ các bằng chứng thực nghiệm trên, giả thuyết sau được đề xuất:

H1: Nhân hóa của Chatbot ảnh hưởng tích cực đến Sự hài lòng của khách hàng.

Cá nhân hóa

Cá nhân hóa đề cập đến khả năng điều chỉnh thông tin và phản hồi của chatbot sao cho phù hợp với từng người dùng dựa trên lịch sử hành vi, nhu cầu và đặc điểm cá nhân (Awad và Krishnan, 2006). Sheng và cộng sự (2008) cho rằng, cá nhân hóa là một yếu tố tạo ra giá trị khác biệt cho trải nghiệm tăng mức độ hài lòng, gắn bó của khách hàng. Tuy nhiên, nghiên cứu của Jun và Palacios (2016) cho thấy, trong một số bối cảnh, cá nhân hóa chỉ có tác động vừa phải hoặc gián tiếp đến sự hài lòng, tùy thuộc vào kỳ vọng ban đầu của người dùng. Nhằm kiểm định vai trò thực tế của yếu tố này trong bối cảnh ứng dụng Grab, giả thuyết thứ hai được đề xuất:

H2: Cá nhân hóa của Chatbot ảnh hưởng tích cực đến Sự hài lòng của khách hàng.

Phản hồi chính xác

Phản hồi chính xác là khả năng chatbot hiểu và phản hồi đúng với nội dung mà khách hàng mong muốn. Theo Gnewuch và cộng sự (2018), tính chính xác trong câu trả lời là một yếu tố cốt lõi ảnh hưởng đến nhận thức về hiệu quả, sự tin tưởng và sự hài lòng của người dùng đối với công nghệ AI. Mayer và Davis (1999) cũng khẳng định rằng, phản hồi chính xác là cơ sở để hình thành lòng tin – một thành phần quan trọng dẫn đến sự hài lòng trong các dịch vụ tự động. Vì vậy, tác giả đề xuất giả thuyết sau:

H3: Phản hồi chính xác của Chatbot ảnh hưởng tích cực đến Sự hài lòng của khách hàng.

Mô hình nghiên cứu đề xuất

Từ 3 giả thuyết nghiên cứu trên, nhóm tác giả đề xuất mô hình nghiên cứu như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả đề xuất

Phương pháp nghiên cứu

Thang đo

Thang đo Nhân hoá dựa trên nghiên cứu của Epley và cộng sự (2007), Veeramootoo và cộng sự (2018), Byun và Cho (2020). Thang đo Cá nhân hoá dựa trên Sheng và cộng sự (2008), Jun và Palacios (2016), Byun và Cho (2020). Thang đo Phản hồi chính xác dựa theo thang đo trong nghiên cứu của Mayer và Davis (1999). Các biến được đo lường dựa trên thang đo Likert 5 mức độ (từ 1- Hoàn toàn không đồng ý; đến 5 – Hoàn toàn đồng ý).

Phương pháp thu thập dữ liệu

Trong nghiên cứu này, phương pháp lấy mẫu phi xác suất theo hình thức thuận tiện được sử dụng với đối tượng khảo sát là người dùng từ 18 tuổi trở lên tại TP. Hồ Chí Minh. Bảng khảo sát được thiết kế dưới dạng Google Form, có đính kèm phần mô tả ngắn gọn, dễ hiểu về các khái niệm chính trong nghiên cứu như nhân hóa, cá nhân hóa và phản hồi chính xác. Việc này giúp người tham gia hiểu rõ nội dung và trả lời một cách đầy đủ, chính xác hơn, từ đó nâng cao độ tin cậy của dữ liệu thu thập được. 235 phiếu khảo sát được thu thập, sau khi loại bỏ các phiếu không hợp lệ, 157 phiếu hợp lệ được sử dụng phân tích bằng phần mềm SPSS phiên bản 26.0. Khảo sát từ ngày 15/2 đến ngày 15/3/2025.

KẾT QUẢ NGHIÊN CỨU

Thống kê mô tả

Trong số 157 phiếu khảo sát hợp lệ, có 90 nữ, chiếm 57,3% và 67 nam chiếm 42,7%. Nhóm đối tượng từ 18-24 tuổi chiếm phần lớn trong nhóm tuổi tương tác với ứng dụng Grab, với tỷ lệ 51,6% tổng số mẫu khảo sát. Trong khi đó, nhóm từ 25-35 tuổi chiếm 36,9% và nhóm từ 36-45 tuổi chỉ chiếm 11,5%. Đây cũng là số liệu có cơ sở cao vì theo thống kê đã công bố thì tỷ lệ sử dụng Grab nhiều nhất ở Việt Nam thường rơi vào 2 nhóm tuổi 18-24 và 25-35. Phần lớn người tham gia khảo sát là học sinh, sinh viên (81 người, chiếm 51,6%), tiếp theo là nhân viên văn phòng chiếm 35% và nhóm kinh doanh chiếm tỷ lệ thấp nhất là 13,4%. Phần lớn người tham gia khảo sát sử dụng ứng dụng từ 1-3 lần mỗi tuần, chiếm 59,9%. Với tần suất sử dụng từ 4-7 lần/tuần chiếm tỷ lệ tương đối là 24,8% và 15,3% là sử dụng trên 7 lần/tuần.

Kiểm định độ tin cậy thang đo và nhân tố khám phá (EFA)

Bảng 1: Kết quả EFA và độ tin cậy

Nguồn: Kết quả nghiên cứu

Bảng 1 cho thấy, hệ số α của các thang đo từ 0,804 đến 0,850, đạt độ tin cậy cao. Hệ số KMO của thang đo đạt 0,821 và kiểm định Bartlett có mức ý nghĩa Sig = 0,000, cho thấy việc phân tích EFA là phù hợp. Với giá trị Eigenvalue lớn hơn 1, phân tích đã trích được 3 nhân tố từ 10 biến quan sát, giải thích tổng cộng 53,48%.

Bảng 2: Kết quả phân tích hồi quy

Nguồn: Kết quả nghiên cứu

Bảng 2 cho thấy, hệ số Sig. của 3 nhân tố là Nhân hóa, Cá nhân hóa và Sự phản hồi đều < 0,05, nên đều có ý nghĩa thống kê đến biến phụ thuộc Sự hài lòng. Bên cạnh đó, hệ số VIF của các biến đều < 2, chứng tỏ không xảy ra hiện tượng đa cộng tuyến. Dựa vào hệ số hồi quy chuẩn hóa của 3 nhân tố: Nhân hóa, Cá nhân hóa và Sự phản hồi đều cho thấy, 3 nhân tố này có tác động tích cực đến biến phụ thuộc Sự hài lòng.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Kết quả nghiên cứu đã mang lại một góc nhìn rõ ràng hơn về cách khách hàng đánh giá sự hài lòng khi tương tác với dịch vụ chăm sóc khách hàng ứng dụng AI chatbot – một xu hướng đang ngày càng phổ biến trong bối cảnh chuyển đổi số tại Việt Nam. Kết quả nghiên cứu chỉ ra, Nhân hóa, Cá nhân hóa và Sự phản hồi đều có ảnh hưởng tích cực đến Sự hài lòng của khách hàng khi sử dụng ứng dụng chăm sóc khách hàng của Grab.

Nghiên cứu góp phần mở rộng các mô hình đo lường sự hài lòng khách hàng sang bối cảnh tương tác không con người, từ đó đặt nền móng cho các hướng tiếp cận mới trong hành vi khách hàng thời đại số. Hơn nữa, kết quả nghiên cứu chỉ ra rằng doanh nghiệp có thể nâng cao sự hài lòng của khách hàng thông qua việc tối ưu hóa chatbot để giải quyết vấn đề của khách hàng.

Một số hàm ý quản trị

Để nâng cao trải nghiệm khách hàng, Grab cần chú trọng hơn vào việc tích hợp yếu tố nhân hoá trong thiết kế chatbot. Việc thiết kế hệ thống phản hồi thân thiện, gần gũi và sử dụng ngôn ngữ tự nhiên như con người sẽ giúp người dùng cảm thấy thoải mái hơn và tiếp nhận thông tin một cách dễ dàng hơn. Do đó, việc huấn luyện chatbot với các mẫu hội thoại mang cảm xúc, thể hiện sự quan tâm sẽ góp phần tăng mức độ hài lòng và thiện cảm từ phía người dùng.

Grab nên thúc đẩy việc cá nhân hoá trong hoạt động tương tác giữa chatbot và khách hàng, đặc biệt dựa trên hành vi và thông tin cá nhân đã được lưu trữ. Bằng cách phân tích lịch sử sử dụng dịch vụ, thói quen tiêu dùng hoặc phản hồi trước đó, chatbot có thể cung cấp các câu trả lời và đề xuất phù hợp hơn với từng người dùng.

Một yếu tố thiết yếu trong quá trình vận hành chatbot là duy trì tính chính xác và nhất quán trong các phản hồi. Grab cần xây dựng và cập nhật thường xuyên kho dữ liệu kiến thức để chatbot có thể xử lý thông tin nhanh và đúng. Bên cạnh đó, việc đo lường hiệu quả qua các chỉ số như tỷ lệ trả lời đúng sẽ giúp cải thiện hiệu suất và và sự hài lòng của khách hàng.

Tài liệu tham khảo:

1. Awad, N. F., & Krishnan, M. S. (2006). The personalization privacy paradox: An empirical evaluation of information transparency and the willingness to be profiled online for personalization. MIS Quarterly, 30(1), 13-28.

2. Byun, J., & Cho, H. (2020). The effect of the anthropomorphism level and personalization level on AI financial chatbot recommendation messages on customer response. Korean Journal of Advertising and Public Relations, 22(2), 466-502.

3. Chen, Q., Lu, Y., Gong, Y., & Xiong, J. (2023). Can AI chatbots help retain customers? Impact of AI service quality on customer loyalty. Internet Research, 33(2).

4. Chung, M., Ko, E., Joung, H., & Kim, S. J. (2020). Chatbot e-service and customer satisfaction regarding luxury brands. Journal of Business Research, 117, 587-595.

5. Dale, R. (2016). The Return of the Chatbots. Natural Language Engineering, 22, 811-817.

6. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.

7. Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864-886.

8. Gnewuch, U., Morana, S., & Maedche, A. (2018). Towards designing cooperative and social conversational agents for customer service. In Proceedings of the 26th European Conference on Information Systems (ECIS).

9. Jun, M., & Palacios, S. (2016). Examining the key dimensions of mobile banking service quality: An exploratory study. International Journal of Bank Marketing, 34(3), 307-326.

10. Lee, C. T., Pan, L. Y., & Hsieh, S. H. (2021). Artificial intelligent chatbots as brand promoters: a twostage structural equation modeling-artificial neural network approach. Internet Research, 32(4), 1329-1356.

11. Mayer, R. C., & Davis, J. H. (1999). The effect of the performance appraisal system on trust for management: A field quasi-experiment. Journal of Applied Psychology, 84(1), 123-136.

12. Qiu, H., Li, M., Shu, B., & Bai, B. (2020). Enhancing hospitality experience with service robots. Journal of Hospitality Marketing and Management, 29(3), 247-268.

13. Radziwill, N. M., & Benton, M. C. (2017). Evaluating quality of chatbots and intelligent conversational agents. Journal of Intelligent Systems, 26(4), 1-13.

14. Sheng, H., Nah, F. F.-H., & Siau, K. (2008). An experimental study on ubiquitous commerce adoption: Impact of personalization and privacy concerns. Journal of the Association for Information Systems, 9(6), 343-361.

15. Veeramootoo, N., Nunkoo, R., & Dwivedi, Y. K. (2018). What determines success of an e-government service? Validation of an integrative model of e-filing continuance usage. Government Information Quarterly, 35(2), 161-174.