បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការស្វែងយល់ពីការវាយតម្លៃរបស់អតិថិជនទៅលើគុណភាពសេវាកម្មដឹកជញ្ជូនដំណាក់កាលចុងក្រោយ (Last-mile delivery) នៅក្នុងតំបន់ទីក្រុង ដែលកំពុងមានការរីកចម្រើនយ៉ាងខ្លាំងក្រោយវិបត្តិជំងឺកូវីដ-១៩។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់វិធីសាស្ត្របរិមាណដោយផ្អែកលើគំរូ SERVQUAL ដើម្បីប្រមូលទិន្នន័យនិងវិភាគកត្តាដែលជះឥទ្ធិពលទៅលើគុណភាពសេវាកម្ម។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Exploratory Factor Analysis (EFA) ការវិភាគកត្តាស្វែងយល់ (EFA) |
ជួយកាត់បន្ថយអថេរច្រើនឱ្យទៅជាក្រុមកត្តាតិចតួចដែលងាយស្រួលយល់ និងតំណាងឱ្យទិន្នន័យបានល្អបំផុតសម្រាប់ការវាយតម្លៃគុណភាពសេវាកម្ម។ | ទាមទារទំហំសំណាកធំគ្រប់គ្រាន់ (KMO > 0.5) និងមិនអាចបញ្ជាក់ពីទំនាក់ទំនងហេតុនិងផលបានដោយផ្ទាល់ឡើយ។ | ទាញបានកត្តាសំខាន់ចំនួន៣ (ភាពជឿជាក់និងការធានា, ការយល់ចិត្តនិងការទទួលខុសត្រូវ, Appនិងភាពរូបី) ដោយពន្យល់ពីបំរែបំរួលទិន្នន័យបាន ៧១%។ |
| Ordinal Logit Regression ការវិភាគតំរែតំរង់ឡូជីខលតាមលំដាប់ |
ស័ក្តិសមបំផុតសម្រាប់ការវិភាគអថេរអាស្រ័យដែលមានលក្ខណៈជាចំណាត់ថ្នាក់ (ដូចជាកម្រិតនៃការយល់ព្រមពី ១ ដល់ ៥ ក្នុង Likert Scale)។ | តម្រូវឱ្យមានការបំពេញលក្ខខណ្ឌសម្មតិកម្មតឹងរ៉ឹងមួយចំនួនមុននឹងអាចបកស្រាយលទ្ធផលមេគុណបានច្បាស់លាស់។ | រកឃើញថាកត្តាភាពជឿជាក់និងការធានាមានឥទ្ធិពលវិជ្ជមានខ្លាំងជាងគេ (មេគុណ ០.៨៤៩) ហើយកត្តាអាយុនិងការអប់រំមានទំនាក់ទំនងយ៉ាងសំខាន់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានជាចម្បងលើការប្រមូលទិន្នន័យផ្ទាល់ពីអតិថិជន និងការប្រើប្រាស់កម្មវិធីស្ថិតិសម្រាប់ការវិភាគកម្រិតខ្ពស់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅទីក្រុងហាណូយ ដោយផ្តោតលើអ្នកប្រើប្រាស់កម្មវិធី GrabFood ចំនួន ៣៥០នាក់ ដែលភាគច្រើនជាយុវជននិងអ្នកមានការអប់រំកម្រិតសាកលវិទ្យាល័យ។ ទិន្នន័យនេះអាចមានភាពលំអៀងដោយសារតែវាប្រើប្រាស់វិធីសាស្ត្រជ្រើសរើសសំណាកមិនតំណាង (non-representative sample) និងផ្តោតតែលើកម្មវិធីមួយប៉ុណ្ណោះ។ សម្រាប់កម្ពុជា ការយល់ដឹងពីភាពលំអៀងនេះគឺសំខាន់ ពីព្រោះអាកប្បកិរិយាអ្នកប្រើប្រាស់នៅទីក្រុងភ្នំពេញអាចមានភាពខុសគ្នា ទាមទារឱ្យមានការសិក្សាដែលគ្របដណ្តប់លើកម្មវិធីច្រើនដូចជា Nham24 ឬ foodpanda។
វិធីសាស្ត្រនិងការរកឃើញនៃការស្រាវជ្រាវនេះមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់ក្រុមហ៊ុនដឹកជញ្ជូននិងអ្នករៀបចំគោលនយោបាយនៅកម្ពុជា ពិសេសក្នុងបរិបទដែលការបញ្ជាទិញតាមអនឡាញកំពុងកើនឡើងយ៉ាងគំហុក។
ជារួម ការប្រើប្រាស់គំរូ SERVQUAL គួបផ្សំនឹងការវិភាគស្ថិតិ គឺជាឧបករណ៍ដ៏មានប្រសិទ្ធភាពសម្រាប់ក្រុមហ៊ុនដឹកជញ្ជូននៅកម្ពុជាដើម្បីស្វែងយល់ពីតម្រូវការអតិថិជន និងបង្កើតយុទ្ធសាស្រ្តរក្សាអតិថិជនឱ្យនៅស្មោះត្រង់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Last-mile delivery (LMD) | ដំណាក់កាលចុងក្រោយនៃខ្សែសង្វាក់ផ្គត់ផ្គង់ ដែលទំនិញត្រូវដឹកជញ្ជូនពីមជ្ឈមណ្ឌលចែកចាយ (ឬហាង) ទៅកាន់អតិថិជនផ្ទាល់។ ក្នុងបរិបទទីក្រុង វាជាផ្នែកដែលចំណាយខ្ពស់ ស្មុគស្មាញ និងមានសារៈសំខាន់បំផុតចំពោះការពេញចិត្តរបស់អតិថិជន។ | ដូចជាការរត់ប្រណាំងបណ្តាក់ ដែលអ្នករត់ចុងក្រោយត្រូវប្រឹងយកដំបងទៅដល់ខ្សែបន្ទាត់ព្រំដែន ដើម្បីប្រគល់ឲ្យអ្នកទិញដល់មុខផ្ទះ។ |
| SERVQUAL | ជាគំរូវាយតម្លៃគុណភាពសេវាកម្មដ៏ពេញនិយមមួយ ដែលវាស់ស្ទង់គម្លាតរវាងការរំពឹងទុករបស់អតិថិជន និងបទពិសោធន៍ជាក់ស្តែងដែលពួកគេទទួលបាន តាមរយៈវិមាត្រសំខាន់ៗដូចជា៖ ភាពរូបី ភាពជឿជាក់ ការឆ្លើយតប ការធានា និងការយល់ចិត្ត។ | ដូចជាកញ្ចក់ឆ្លុះមើលថាតើអ្វីដែលហាងបានសន្យា ស្របគ្នាជាមួយអ្វីដែលអ្នកទិញទទួលបានផ្ទាល់ឬអត់។ |
| Exploratory Factor Analysis (EFA) | វិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីបង្រួមអថេរឬសំណួរច្រើនសន្ធឹកសន្ធាប់ ទៅជាក្រុមតូចៗ (កត្តា) ដែលមានទំនាក់ទំនងគ្នា ដើម្បីងាយស្រួលក្នុងការវិភាគ និងស្វែងយល់ពីរចនាសម្ព័ន្ធលាក់កំបាំងនៃទិន្នន័យ។ | ដូចជាការចាត់ថ្នាក់សិស្ស១០០នាក់ ទៅជា៣ក្រុមធំៗ (កីឡា សិល្បៈ វិទ្យាសាស្ត្រ) ដោយមើលលើចំណូលចិត្តរបស់ពួកគេ ដើម្បីងាយស្រួលគ្រប់គ្រង។ |
| Ordinal logit regression | ម៉ូដែលស្ថិតិប្រើសម្រាប់ទស្សន៍ទាយ ឬវិភាគទំនាក់ទំនងរវាងអថេរឯករាជ្យ និងអថេរអាស្រ័យ ដែលមានលក្ខណៈជាចំណាត់ថ្នាក់តាមលំដាប់ (ឧទាហរណ៍៖ មិនពេញចិត្តសោះ ធម្មតា ពេញចិត្តខ្លាំង)។ | ដូចជាការទស្សន៍ទាយថាតើអតិថិជនម្នាក់នឹងឲ្យចំណាត់ថ្នាក់ប៉ុន្មានផ្កាយ (ពី១ ដល់ ៥) ដោយផ្អែកលើអាយុ និងកម្រិតវប្បធម៌របស់ពួកគេ។ |
| KMO (Kaiser-Meyer-Olkin) | សន្ទស្សន៍នៅក្នុងការវិភាគស្ថិតិ សម្រាប់វាស់ស្ទង់ភាពស័ក្តិសមនៃទិន្នន័យ មុននឹងធ្វើការវិភាគកត្តាស្វែងយល់ (EFA)។ បើវាមានតម្លៃធំជាង ០.៥ មានន័យថាទិន្នន័យល្អនិងអាចយកទៅវិភាគបន្តបាន។ | ដូចជាការធ្វើតេស្តសាកល្បងម៉ាស៊ីនមុនពេលចាប់ផ្តើមរោងចក្រ បើម៉ាស៊ីនដើរស្រួល (KMO>0.5) ទើបយើងអាចផលិតទំនិញបាន។ |
| Factor Loading | មេគុណដែលបង្ហាញពីកម្រិតនៃទំនាក់ទំនងរវាងអថេរសង្កេតនីមួយៗ (សំណួរក្នុងកម្រងសំណួរ) ជាមួយកត្តាដែលបានរកឃើញ។ តម្លៃកាន់តែធំ (ឧ. > 0.5) បង្ហាញថាអថេរនោះតំណាងឲ្យកត្តានោះកាន់តែខ្លាំង និងច្បាស់លាស់។ | ដូចជាពិន្ទុដែលបញ្ជាក់ថា កីឡាករម្នាក់ពូកែខាងការពារ ឬខាងប្រយុទ្ធជាង នៅក្នុងក្រុមបាល់ទាត់មួយ។ |
| Tangibles | វិមាត្រមួយនៃគុណភាពសេវាកម្ម (ក្នុងម៉ូដែល SERVQUAL) ដែលសំដៅលើផ្នែករូបវន្តដែលអាចមើលឃើញដោយភ្នែក ដូចជាការរចនាកម្មវិធី (App) សម្លៀកបំពាក់បុគ្គលិក និងភាពស្អាតនៃយានយន្តដឹកជញ្ជូន។ | ដូចជាការតុបតែងហាងកាហ្វេយ៉ាងស្រស់ស្អាត និងឯកសណ្ឋានអ្នកឆុងកាហ្វេដ៏មានសណ្តាប់ធ្នាប់ ដែលធ្វើឲ្យភ្ញៀវចូលចិត្តតាំងពីមុនពេលបានភ្លក់កាហ្វេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
