Giới thiệu dự án

Thị trường thương mại điện tử (E-commerce) tại Việt Nam đang chứng kiến tốc độ tăng trưởng vượt bậc với quy mô dự kiến vượt mốc 25 tỷ USD, được thúc đẩy bởi cơ cấu dân số vàng và tỷ lệ đô thị hóa nhanh chóng. Cùng với sự gia tăng về thu nhập khả dụng và nhu cầu nâng cao chất lượng không gian sống, ngành hàng nội thất trực tuyến đang chuyển mình từ mô hình bán lẻ truyền thống sang các sàn giao dịch đa kênh (Omnichannel & Multi-vendor Marketplace). Tuy nhiên, đặc thù của sản phẩm nội thất—vốn có kích thước cồng kềnh, chi phí vận chuyển biến thiên theo khu vực địa lý, giá trị đơn hàng lớn và đòi hỏi sự cá nhân hóa cao—đang đặt ra nhiều thách thức về mặt kỹ thuật và trải nghiệm người dùng đối với các nền tảng thương mại điện tử tổng hợp như Shopee hay Lazada.

Khóa luận tốt nghiệp kỹ sư Công nghệ Thông tin (chuyên ngành Công nghệ Phần mềm) tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), do sinh viên Huỳnh Tiến Dĩ và Nguyễn Ngọc Duy thực hiện dưới sự hướng dẫn của ThS. Nguyễn Hữu Trung, đã tập trung giải quyết triệt để bài toán này thông qua đề tài: "Xây dựng sàn thương mại điện tử bán hàng nội thất Fnest".

                           +-------------------------------------+
                           |        Fnest Architecture           |
                           +-------------------------------------+
                                              |
                     +------------------------+------------------------+
                     |                                                 |
         +-----------------------+                         +-----------------------+
         |   Frontend (Client)   |                         |   Backend Services    |
         |  ReactJS + TypeScript |                         | Spring Boot + Python  |
         +-----------------------+                         +-----------------------+

Vấn đề thực tiễn (Problem Statement)

Các hệ thống bán lẻ nội thất hiện nay thường gặp phải các hạn chế nghiêm trọng:

  1. Thiếu tính đa sàn (Multi-vendor): Các website doanh nghiệp đơn lẻ (như Điện Máy Chợ Lớn, Nội Thất Đồ Gỗ Việt) chỉ phục vụ một nguồn cung, hạn chế tính cạnh tranh và độ phong phú của sản phẩm.
  2. Cơ chế gợi ý cá nhân hóa yếu: Đa phần hệ thống chỉ sắp xếp sản phẩm theo ngày đăng hoặc mức giá cơ bản, thiếu các thuật toán gợi ý thông minh dựa trên hành vi ngầm (implicit feedback) của người dùng.
  3. Quy trình quản lý giao dịch và vận chuyển phức tạp: Tính phí ship cồng kềnh theo vùng địa lý, quy trình đối soát ví điện tử nội bộ cho người bán, giải quyết tranh chấp hoàn tiền (refund dispute) chưa được tự động hóa.

Mục tiêu dự án

  1. Xây dựng nền tảng sàn thương mại điện tử chuẩn kiến trúc đa phân hệ phục vụ 3 nhóm đối tượng: Khách hàng (Buyer), Người bán (Seller/Store), và Quản trị viên (Admin).
  2. Thiết kế và phát triển Microservice gợi ý sản phẩm độc lập ứng dụng thuật toán học máy ALS (Alternating Least Squares) và SVD (Singular Value Decomposition).
  3. Hiện thực hóa hệ thống thanh toán trực tuyến an toàn qua cổng VNPAY, tích hợp xác thực đa yếu tố với JWT (JSON Web Token) và Google OAuth2.
  4. Tối ưu hóa giao diện người dùng Responsive trên đa thiết bị bằng ReactJS, TypeScript và TailwindCSS, tối ưu truy vấn dữ liệu bất đồng bộ với TanStack Query.
  5. Đóng gói ứng dụng toàn diện bằng Docker container và triển khai liên tục trên hạ tầng đám mây (Vercel & Cloud Server).

Phạm vi và giới hạn hệ thống

  • Phạm vi chức năng: Bao gồm 44 use case chi tiết trải rộng trên toàn bộ quy trình mua hàng, quản lý gian hàng, đối soát doanh thu, quản lý ví cá nhân, chiến dịch quảng cáo nội sàn và kiểm duyệt vi phạm.
  • Giới hạn kỹ thuật: Không tích hợp dựng hình 3D AR không gian thực tế ảo trực tiếp trong giai đoạn 1; tập trung vào độ ổn định của luồng giao dịch và độ chính xác của hệ thống khuyến nghị.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát thực tế các nền tảng kinh doanh nội thất trực tuyến tại Việt Nam cho thấy sự phân hóa rõ nét giữa các giải pháp:

Tiêu chí phân tích Điện Máy - Nội Thất Chợ Lớn Nội Thất Đồ Gỗ Việt Nền tảng Fnest (Đề xuất)
Mô hình kinh doanh B2C bán lẻ quy mô chuỗi B2C xưởng sản xuất trực tiếp B2B2C Multi-vendor Marketplace
Công nghệ Frontend Server-side Rendering cũ Web CMS truyền thống (PHP) Single Page App (ReactJS + TS)
Khả năng gợi ý Sản phẩm liên quan theo tag Danh mục cố định, không gợi ý ML Microservice (ALS + SVD)
Quản lý ví & Dòng tiền Không có ví người bán Không có Ví nội bộ, tự động đối soát, rút tiền
Tranh chấp & Báo cáo Hỗ trợ qua tổng đài thủ công Liên hệ trực tiếp xưởng Luồng khiếu nại hoàn đơn 3 bên

Phân loại yêu cầu người dùng theo mô hình MoSCoW

  • Must have (Bắt buộc): Xác thực JWT/OAuth2, Giỏ hàng, Đặt hàng, Thanh toán VNPAY, Quản lý sản phẩm đa biến thể, Báo cáo vi phạm, Phân quyền RBAC (Role-Based Access Control).
  • Should have (Nên có): Microservice gợi ý ALS/SVD, Quản lý ví cá nhân của Shop, Chiến dịch quảng cáo đấu thầu nội sàn, Tính phí vận chuyển theo khu vực.
  • Could have (Có thể có): Live chat thời gian thực giữa Khách hàng và Người bán, Hệ thống đánh giá kèm hình ảnh đa phương tiện.
  • Won't have (Tạm hoãn): Tích hợp công nghệ thực tế ảo WebXR/AR preview 3D trong không gian phòng.

Thiết kế hệ thống

Hệ thống Fnest được xây dựng theo kiến trúc phân tầng kết hợp Microservice, đảm bảo tính phân tách trách nhiệm (Separation of Concerns) và khả năng mở rộng độc lập.

Technology Stack và phiên bản chi tiết

  • Backend Core: Java 17, Spring Boot 3.2.x, Spring Data JPA, Spring Security, SpringDoc OpenAPI (Swagger UI 2.x), Lombok.
  • Recommendation Microservice: Python 3.11, Flask 3.0.x, NumPy, Pandas, Scikit-learn, Implicit library.
  • Frontend Client: React 18.2.x, TypeScript 5.3.x, TailwindCSS 3.4.x, DaisyUI 4.x, Ant Design 5.x, Axios, TanStack Query v5.
  • Data & Infrastructure: MySQL 8.0 / PostgreSQL 15, Firebase Storage, Docker Engine 24.x, Vercel Hosting.

Thiết kế cơ sở dữ liệu (Database Schema Entities)

Hệ thống sử dụng lược đồ quan hệ chuẩn hóa cao với hơn 25 bảng thực thể chính:

  • users, roles, permissions, user_roles: Quản lý người dùng và phân quyền RBAC.
  • stores, store_identifications, store_taxes: Định danh cửa hàng, pháp lý và mã số thuế.
  • categories, products, product_variants, product_images: Cấu trúc phân cấp mặt hàng nội thất.
  • orders, order_items, order_trackings, refund_requests: Quản lý vòng đời đơn hàng và hoàn tiền.
  • wallets, wallet_transactions, withdraw_requests: Kế toán ví nội bộ và lịch sử giao dịch.
  • advertisements, vouchers, reviews, reports: Tương tác, marketing và giải quyết khiếu nại.
+------------------+         +------------------+         +------------------+
|      users       |1       *|      stores      |1       *|     products     |
|------------------|---------|------------------|---------|------------------|
| id (PK)          |         | id (PK)          |         | id (PK)          |
| email            |         | user_id (FK)     |         | store_id (FK)    |
| password         |         | store_name       |         | category_id (FK) |
| full_name        |         | balance          |         | base_price       |
+------------------+         +------------------+         +------------------+
         |1                           |1                           |1
         |                            |                            |
         |*                           |*                           |*
+------------------+         +------------------+         +------------------+
|     wallets      |         | withdraw_requests|         |   order_items    |
+------------------+         +------------------+         +------------------+

Thiết kế bảo mật và phân quyền API

Hệ thống áp dụng Stateless Authentication thông qua Json Web Token (JWT). Mọi yêu cầu gửi đến các Endpoint bảo vệ đều phải đính kèm Header Authorization: Bearer <token>.

// Cấu hình Spring Security Filter Chain
@Configuration
@EnableWebSecurity
@EnableMethodSecurity
public class SecurityConfig {

    private final JwtAuthenticationFilter jwtAuthFilter;
    private final AuthenticationProvider authenticationProvider;

    public SecurityConfig(JwtAuthenticationFilter jwtAuthFilter, AuthenticationProvider authenticationProvider) {
        this.jwtAuthFilter = jwtAuthFilter;
        this.authenticationProvider = authenticationProvider;
    }

    @Bean
    public SecurityFilterChain securityFilterChain(HttpSecurity http) throws Exception {
        http
            .csrf(AbstractHttpConfigurer::disable)
            .cors(Customizer.withDefaults())
            .sessionManagement(session -> session.sessionCreationPolicy(SessionCreationPolicy.STATELESS))
            .authorizeHttpRequests(auth -> auth
                .requestMatchers("/api/v1/auth/**", "/swagger-ui/**", "/v3/api-docs/**").permitAll()
                .requestMatchers("/api/v1/admin/**").hasRole("ADMIN")
                .requestMatchers("/api/v1/seller/**").hasRole("SELLER")
                .requestMatchers("/api/v1/buyer/**").hasRole("BUYER")
                .anyRequest().authenticated()
            )
            .authenticationProvider(authenticationProvider)
            .addFilterBefore(jwtAuthFilter, UsernamePasswordAuthenticationFilter.class);

        return http.build();
    }
}

Methodology

Dự án áp dụng phương pháp phát triển phần mềm Agile/Scrum rút gọn với 6 Sprint liên tục trong thời gian từ 19/02/2024 đến 10/07/2024:

[Khảo sát & Thiết kế] -> [Xây dựng Core API] -> [Xây dựng Frontend] -> [ML Microservice] -> [Kiểm thử & UAT] -> [Triển khai Cloud]
   (Sprint 1-2)              (Sprint 3)             (Sprint 4)             (Sprint 5)            (Sprint 6)          (Final Launch)
  • Quản lý rủi ro (Risk Management):
    • Rủi ro rò rỉ dữ liệu tài chính: Mã hóa dữ liệu ví nội bộ, sử dụng HMAC-SHA512 để ký số checksum cho các giao dịch VNPAY.
    • Rủi ro dữ liệu tương tác thưa thớt (Cold Start trong ML): Kết hợp thuật toán ALS cho người dùng đã có tương tác và thuật toán gợi ý dựa trên độ phổ biến/danh mục cho người dùng mới.

Implementation và kết quả

Development process

1. Thuật toán gợi ý sản phẩm (Python Flask ML Microservice)

Thuật toán ALS (Alternating Least Squares) giải quyết bài toán ma trận thưa với dữ liệu phản hồi ngầm (implicit feedback - lượt xem, số lượng thêm vào giỏ, lượt mua). Ma trận đánh giá $R \approx U \cdot V^T$ được tối ưu hóa luân phiên:

$$\min_{U, V} \sum_{u, i} c_{ui} (p_{ui} - u_u^T v_i)^2 + \lambda \left( \sum_u |u_u|^2 + \sum_i |v_i|^2 \right)$$

Trong đó $p_{ui}$ là mức độ ưa thích, $c_{ui} = 1 + \alpha r_{ui}$ là độ tin cậy của tương tác, và $\lambda$ là hệ số điều chuẩn (regularization factor).

# flask_service/recommendation_engine.py
import numpy as np
from flask import Flask, request, jsonify
from scipy.sparse import csr_matrix
import implicit

app = Flask(__name__)

# Khởi tạo mô hình Implicit ALS
als_model = implicit.als.AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=20,
    random_state=42
)

@app.route('/api/v1/recommend', methods=['POST'])
def recommend_products():
    data = request.get_json()
    user_id = data.get('user_id')
    user_items_matrix = data.get('interaction_matrix') # CSR format
    
    # Chuyển đổi dữ liệu sparse matrix
    sparse_user_item = csr_matrix(user_items_matrix)
    
    # Dự đoán top N sản phẩm gợi ý
    ids, scores = als_model.recommend(
        userid=user_id,
        user_items=sparse_user_item[user_id],
        N=10,
        filter_already_liked_items=True
    )
    
    recommendations = [{"product_id": int(item_id), "confidence": float(score)} 
                       for item_id, score in zip(ids, scores)]
    return jsonify({"user_id": user_id, "recommendations": recommendations})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5001)

2. Xử lý tầng giao diện với ReactJS, TypeScript và TanStack Query

Quản lý trạng thái server bất đồng bộ giúp giảm thiểu các lượt gọi lại API không cần thiết, tối ưu hóa tốc độ phản hồi trên Client:

// src/services/useProducts.ts
import { useQuery } from '@tanstack/react-query';
import axiosInstance from './axiosClient';

export interface Product {
  id: number;
  name: string;
  price: number;
  thumbnail: string;
  categoryName: string;
  ratingAverage: number;
}

export const useGetRecommendedProducts = (userId: number) => {
  return useQuery<Product[], Error>({
    queryKey: ['recommendedProducts', userId],
    queryFn: async () => {
      const response = await axiosInstance.get(`/buyer/products/recommendations?userId=${userId}`);
      return response.data.data;
    },
    staleTime: 5 * 60 * 1000, // Cache dữ liệu trong 5 phút
    gcTime: 15 * 60 * 1000,
  });
};

Testing và validation

Hệ thống đã trải qua quy trình kiểm thử toàn diện gồm Unit Test, Integration Test và UAT (User Acceptance Testing) với 5 nhóm chức năng chính:

[Unit Test (JUnit / Mockito)] ---> [API Integration Test (Postman)] ---> [UAT & Stress Test]
      82% Coverage                     100% Pass (44 Use Cases)            300 Concurrent QPS
Hạng mục kiểm thử Số kịch bản (Scenarios) Tỷ lệ thành công Kết quả / Độ trễ trung bình
Quản lý tài khoản & Auth 12 Test cases 100% Xác thực JWT < 45ms
Giỏ hàng & Đơn hàng 24 Test cases 100% Khóa tồn kho ACID an toàn
Thanh toán VNPAY & Ví 18 Test cases 100% Checksum IPN khớp 100%
Microservice ALS/SVD 8 Test cases 100% Trả kết quả gợi ý < 120ms
Phân quyền Admin & Shop 16 Test cases 100% Ngăn chặn trái phép 403 Forbidden

Kết quả đạt được

  1. Hoàn thiện đầy đủ 44 Use Case: Đạt 100% kế hoạch đề ra trong đề cương khóa luận.
  2. Hiệu năng hệ thống: Thời gian tải trang trung bình đạt 1.2s; thời gian xử lý API trung bình đạt 145ms với tải mô phỏng 300 kết nối đồng thời.
  3. Mức độ hài lòng của người dùng thử nghiệm: Điểm số CSAT (Customer Satisfaction Score) đạt 4.65/5.0 qua khảo sát thử nghiệm trên 50 người dùng cuối và 10 chủ cửa hàng nội thất.

Đổi mới và đóng góp

Đổi mới kỹ thuật (Technical Innovations)

  • Kiến trúc Hybrid Recommendation tách rời: Sử dụng Spring Boot xử lý tác vụ giao dịch lõi (OLTP) kết hợp với Python Flask chuyên biệt cho tác vụ xử lý ma trận và học máy (ALS/SVD), giải quyết triệt để điểm nghẽn hiệu năng của JVM khi tính toán đại số tuyến tính quy mô lớn.
  • Hệ thống ví ký quỹ nội sàn (Escrow Wallet System): Tiền thanh toán của người mua được giữ an toàn tại hệ thống cho đến khi người mua xác nhận nhận hàng hoặc hết thời hạn khiếu nại (7 ngày), bảo vệ quyền lợi tối đa cho cả hai bên.
  • Tính toán phí giao dịch và vận chuyển động: Hỗ trợ tính phí vận chuyển theo cấp độ tỉnh/thành phố và kích thước cồng kềnh của đồ gỗ nội thất.
[Người mua thanh toán] ---> [Ví ký quỹ Fnest (Tạm giữ)] ---> [Giao hàng thành công (Hết 7 ngày)] ---> [Cộng số dư Ví Shop]
                                      |
                                      +---> [Khiếu nại/Hoàn tiền] ---> [Admin xử lý / Hoàn tiền mua]

So sánh định lượng với các giải pháp hiện hành

Chỉ số kỹ thuật / Trải nghiệm Nền tảng cũ (Đồ gỗ truyền thống) Hệ thống Fnest Mức độ cải thiện (%)
Thời gian tìm kiếm sản phẩm phù hợp ~3.5 phút ~45 giây Giảm 78.5%
Tỷ lệ nhấp chuột vào sản phẩm gợi ý (CTR) < 3.2% 11.8% Tăng +268%
Thời gian phản hồi cập nhật UI ~850ms (Full reload) ~90ms (Virtual DOM) Nhanh hơn 89.4%
Khả năng mở rộng nhà bán hàng 1 cửa hàng độc quyền Không giới hạn Shop Khả năng mở rộng đa cực

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Real-world Use Cases)

  1. Chuỗi cửa hàng nội thất và xưởng mộc địa phương: Các xưởng mộc tại làng nghề (Hố Nai, Đồng Kỵ, Thạch Thất) có thể mở gian hàng trực tiếp, tiếp cận khách hàng trên cả nước mà không cần đầu tư hạ tầng phần mềm riêng.
  2. Khách hàng cá nhân cần hoàn thiện nội thất căn hộ: Dễ dàng tìm kiếm trọn bộ nội thất (phòng khách, phòng ngủ, phòng bếp), so sánh giá giữa các xưởng và nhận gợi ý phong cách tương thích.

Chiến lược triển khai hạ tầng đám mây

Hướng dẫn cài đặt và cấu hình hệ thống

  1. Yêu cầu hệ thống máy chủ:

    • CPU: 2 Cores trở lên.
    • RAM: Tối thiểu 4GB (Khuyến nghị 8GB cho Microservice và JVM).
    • Dung lượng ổ cứng: Tối thiểu 20GB SSD.
    • Hệ điều hành: Ubuntu 22.04 LTS hoặc tương đương đã cài Docker & Docker Compose.

  2. Quy trình triển khai với Docker Compose:

# docker-compose.yml
version: '3.8'

services:
  fnest-db:
    image: mysql:8.0
    container_name: fnest-mysql
    restart: always
    environment:
      MYSQL_DATABASE: fnest_db
      MYSQL_ROOT_PASSWORD: RootPasswordSecure123!
    ports:
      - "3306:3306"
    volumes:
      - db_data:/var/lib/mysql

  fnest-backend:
    build: ./fnest-backend
    container_name: fnest-spring-boot
    restart: always
    depends_on:
      - fnest-db
    ports:
      - "8080:8080"
    environment:
      SPRING_DATASOURCE_URL: jdbc:mysql://fnest-db:3306/fnest_db?useSSL=false&serverTimezone=UTC
      SPRING_DATASOURCE_USERNAME: root
      SPRING_DATASOURCE_PASSWORD: RootPasswordSecure123!

  fnest-ml:
    build: ./fnest-ml-service
    container_name: fnest-flask-ml
    restart: always
    ports:
      - "5001:5001"

volumes:
  db_data:

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Vấn đề khởi đầu lạnh (Cold Start Problem): Với người dùng mới chưa đăng nhập hoặc cửa hàng mới chưa có dữ liệu giao dịch, độ chuẩn xác của ALS bị suy giảm; hệ thống phải dùng giải pháp fallback theo danh mục phổ biến.
  • Tương tác thời gian thực: Module nhắn tin giữa người mua và người bán hiện sử dụng cơ chế Short-polling thay vì WebSockets thuần túy, dẫn đến độ trễ nhỏ khi chat.

Hướng phát triển trong tương lai

  1. Tích hợp WebXR và AR: Cho phép người dùng sử dụng camera điện thoại để ướm thử mô hình 3D của ghế sofa, bàn ăn vào không gian phòng khách thực tế.
  2. Nâng cấp Real-time Streaming: Chuyển đổi cơ chế đồng bộ tin nhắn và thông báo sang Spring WebSocket (STOMP protocol) và Apache Kafka cho xử lý luồng sự kiện phân tán.
  3. Mở rộng Ứng dụng Di động: Phát triển phiên bản Mobile App Native bằng React Native để tối ưu hóa trải nghiệm mua sắm trên thiết bị di động.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                              |
+---------------------+---------------------+---------------------------------+
| Sinh viên & Học viên| - Source code chuẩn mẫu Spring Boot & ReactJS/TS.     |
|                     | - Kiến thức áp dụng thực tế thuật toán ALS và SVD.    |
+---------------------+---------------------+---------------------------------+
| Lập trình viên      | - Design Pattern chuẩn: Repository, DTO, CQRS phân tầng.|
|                     | - Cấu hình CI/CD, Containerization với Docker thực tế.|
+---------------------+---------------------+---------------------------------+
| Doanh nghiệp        | - Hệ thống đa gian hàng hoàn chỉnh, sẵn sàng kinh doanh.|
|                     | - Tự động hóa quy trình quản lý ví, dòng tiền và đổi trả.|
+---------------------+---------------------+---------------------------------+
| Giới nghiên cứu     | - Phương pháp kết hợp Microservice Python ML & Java EE. |
|                     | - Dữ liệu đánh giá hiệu quả thuật toán gợi ý ngầm.      |
+---------------------+---------------------+---------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm tối thiểu để triển khai hệ thống Fnest là gì?

Máy chủ cần cài đặt Linux (khuyến nghị Ubuntu 20.04/22.04 LTS), có sẵn Docker 24.x và Docker Compose. Về phần cứng, cấu hình tối thiểu là 2 vCPU, 4GB RAM (trong đó phân bổ 2GB cho JVM Spring Boot và 1GB cho Python ML Microservice) và 20GB SSD khả dụng.

2. Hệ thống xử lý bài toán giới hạn mở rộng (Scalability) như thế nào khi lượng truy cập tăng vọt?

Nhờ kiến trúc phân tách độc lập, tầng Frontend được phân phối qua Vercel Edge CDN toàn cầu. Tầng Backend có thể mở rộng theo chiều ngang (Horizontal Pod Autoscaling) thông qua Docker/Kubernetes. Dữ liệu nặng (hình ảnh sản phẩm) được lưu trữ trực tiếp trên Firebase Cloud Storage giúp giảm tải băng thông cho máy chủ ứng dụng.

3. Fnest tích hợp với các hệ thống thanh toán và dịch vụ ngoài như thế nào?

Hệ thống kết nối trực tiếp với cổng thanh toán VNPAY thông qua chuẩn mã hóa bảo mật SHA-256/HMAC-SHA512 để xử lý giao dịch trực tuyến, sử dụng Google OAuth2 Client để hỗ trợ đăng nhập một chạm, và tích hợp dịch vụ SMTP của Google để gửi mã OTP xác thực tài khoản tự động.

4. Chi phí bảo trì và vận hành hệ thống định kỳ là bao nhiêu?

Chi phí vận hành định kỳ rất tối ưu cho các doanh nghiệp vừa và nhỏ:

  • Tầng Frontend: Miễn phí trên gói Vercel Hobby/Pro (~$20/tháng).
  • Tầng Server & Database: Cloud VPS 4GB RAM (~$15 - $25/tháng).
  • Tầng Lưu trữ & Mail: Firebase Storage và Google Workspace SMTP (Gói miễn phí hoặc ~$5/tháng). Tổng chi phí duy trì chỉ dao động trong khoảng $20 - $50/tháng.

5. Khả năng thu hồi vốn (ROI) và hiệu quả kinh doanh của nền tảng Fnest được ước tính ra sao?

Bằng việc triển khai mô hình sàn thương mại điện tử đa người bán, nền tảng Fnest có thể tạo nguồn thu từ 3 dòng tiền chính:

  1. Chiết khấu hoa hồng trên mỗi đơn hàng thành công (từ 3% - 8%).
  2. Doanh thu từ dịch vụ quảng cáo hiển thị sản phẩm đấu thầu nội sàn.
  3. Phí duy trì gian hàng cao cấp dành cho các đối tác lớn. Với quy mô ban đầu 50 cửa hàng và 1,000 đơn hàng/tháng, điểm hòa vốn (Break-even Point) ước tính đạt được sau 6 - 9 tháng vận hành.

Kết luận

Đề tài khóa luận tốt nghiệp "Xây dựng sàn thương mại điện tử bán hàng nội thất Fnest" của sinh viên Huỳnh Tiến Dĩ và Nguyễn Ngọc Duy (Đại học Sư phạm Kỹ thuật TP.HCM) đã giải quyết trọn vẹn và chuyên sâu bài toán chuyển đổi số cho ngành hàng bán lẻ nội thất. Dự án thể hiện sự kết hợp hài hòa giữa nền tảng công nghệ phần mềm vững chắc (Java Spring Boot, ReactJS, TypeScript) và các kỹ thuật trí tuệ nhân tạo hiện đại (Python Flask, ALS, SVD).

Hệ thống không chỉ dừng lại ở mức độ nghiên cứu học thuật mà đã hoàn thiện đầy đủ 44 use case nghiệp vụ thực tế, có tính ứng dụng cao, sẵn sàng đóng gói và triển khai trên hạ tầng đám mây. Đây là nguồn tài liệu tham khảo kỹ thuật giá trị cho cộng đồng sinh viên, kỹ sư phần mềm cũng như các doanh nghiệp đang tìm kiếm giải pháp xây dựng sàn thương mại điện tử chuyên biệt, hiệu năng cao và có khả năng mở rộng bền vững.