Giới thiệu dự án

Thị trường bất động sản tại Việt Nam, đặc biệt là tại hai đô thị đặc biệt là Thành phố Hồ Chí Minh và Hà Nội, luôn duy trì tốc độ phát triển mạnh mẽ và chiếm tỷ trọng lớn trong nền kinh tế. Theo thống kê từ Hiệp hội Bất động sản Việt Nam (VNREA), các giao dịch bất động sản nhà ở và đất nền tại hai thành phố này chiếm hơn 65% tổng khối lượng giao dịch cả nước. Tuy nhiên, tính minh bạch thông tin thị trường vẫn là một thách thức lớn khi các phương pháp định giá truyền thống thường có độ lệch sai số dao động từ 15% đến 30%, chịu ảnh hưởng nặng nề bởi tính chủ quan của môi giới và sự biến động cục bộ theo từng quý.

+-------------------------------------------------------------------------+
|                  THỰC TRẠNG ĐỊNH GIÁ BẤT ĐỘNG SẢN TẠI VN               |
|                                                                         |
|  [Định giá truyền thống]                 [Hệ thống Học máy đề xuất]     |
|  - Độ trễ định giá: 2 - 5 ngày            - Độ trễ định giá: < 300 ms   |
|  - Sai số định giá: 15% - 30%            - Sai số MAE giảm > 40%        |
|  - Tính khách quan: Thấp (Chủ quan)      - Tính khách quan: R2 > 0.88   |
+-------------------------------------------------------------------------+

Vấn đề cốt lõi (Problem Statement) mà đồ án giải quyết là tình trạng bất đối xứng thông tin, thiếu hụt công cụ định lượng tự động và độ trễ cao trong việc xác định giá trị thực của tài sản. Người mua và nhà đầu tư cá nhân thường gặp khó khăn trong việc nắm bắt khung giá chuẩn xác theo từng khu vực, dẫn đến rủi ro tài chính lớn. Đồ án tốt nghiệp chuyên ngành Kỹ thuật Dữ liệu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM với đề tài "Dự Đoán Giá Bất Động Sản Sử Dụng Học Máy" được xây dựng nhằm ứng dụng các thuật toán học máy tiên tiến để giải quyết triệt để bài toán này.

Mục tiêu cụ thể của dự án:

  1. Xây dựng quy trình tự động hóa thu thập dữ liệu (Web Scraping Pipeline): Thu thập toàn diện dữ liệu tin đăng bất động sản theo thời gian thực từ nền tảng batdongsan.vn cho hai đô thị lớn (Hà Nội và TP.HCM).
  2. Chuẩn hóa và xử lý dữ liệu quy mô lớn (Data Preprocessing & Engineering): Xử lý dữ liệu dạng bảng kết hợp dữ liệu tọa độ không gian, loại bỏ ngoại lai (outliers) và biến đổi các đặc trưng phân loại/liên tục.
  3. Huấn luyện và tối ưu hóa mô hình Học máy (Machine Learning Modeling): Thử nghiệm, so sánh và tinh chỉnh các thuật toán hồi quy bao gồm Linear Regression (Lasso, Ridge), Decision Tree, Random Forest, Gradient Boosting, SVR và AdaBoost để tìm ra mô hình tối ưu có hệ số xác định ($R^2$) cao nhất và sai số thấp nhất.
  4. Phát triển ứng dụng Web hoàn chỉnh (Full-stack Web Application): Tích hợp mô hình học máy vào backend dịch vụ web để cung cấp khả năng định giá tức thời và gợi ý bất động sản tương đồng cho người dùng.

Phạm vi nghiên cứu tập trung vào hai phân khúc chính: Nhà riêng (nhà phố, biệt thự, nhà riêng lẻ) và Đất/Đất nền tại khu vực TP. Hồ Chí Minh và Hà Nội từ tập dữ liệu thô tháng 05/2024. Đồ án không bao gồm phân khúc bất động sản nghỉ dưỡng hoặc dự án thương mại công nghiệp quy mô lớn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay, các giải pháp định giá trên thị trường được chia thành ba nhóm chính: định giá thẩm định viên thủ công, công cụ tra cứu bảng giá nhà nước, và các thuật toán tính giá trung bình khu vực của một số cổng thông tin.

Giải pháp hiện có Ưu điểm Nhược điểm Khả năng mở rộng
Thẩm định viên truyền thống Đánh giá chi tiết hiện trạng, pháp lý thực tế. Chi phí cao, tốn thời gian (2-5 ngày), độ lệch chủ quan cao. Rất thấp, không tự động hóa.
Bảng giá đất quy định Chuẩn tắc pháp lý nhà nước, ổn định. Lạc hậu so với giá thị trường từ 40-70%, cập nhật chậm. Thấp, chu kỳ cập nhật theo năm.
Bộ lọc tin đăng thủ công Xem được nhiều mức giá chào bán. Giá bị nhiễu do tin ảo, không có mô hình học quan hệ phi tuyến. Trung bình, phụ thuộc người dùng tự lọc.
Hệ thống Học máy đề xuất Dự đoán tức thì (<1s), phân tích đa chiều (diện tích, tọa độ, pháp lý, tiện ích). Phụ thuộc vào chất lượng dữ liệu cào sạch từ thị trường. Rất cao, triển khai đám mây linh hoạt.

Yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Pipeline thu thập dữ liệu tự động, module xử lý ngoại lai (outliers), mô hình hồi quy đa biến có $R^2 > 0.80$, API dự đoán giá, giao diện nhập liệu.
  • Should have: Tính năng gợi ý bất động sản tương đồng theo bán kính tọa độ và khoảng giá, trực quan hóa phân phối dữ liệu (EDA charts).
  • Could have: Quản lý phiên bản mô hình (Model Registry), lưu trữ đa mô hình theo từng phân khúc quận/huyện.
  • Won't have (giai đoạn này): Phân tích hình ảnh nội thất bằng Deep Learning, định giá tự động bằng mô hình ngôn ngữ lớn (LLM).

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo mô hình phân lớp module hóa (Modular Architecture), tách biệt giữa tầng thu thập dữ liệu, tầng huấn luyện/lưu trữ mô hình và tầng ứng dụng web phục vụ người dùng cuối.

flowchart TB
    subgraph Data_Layer [Tầng Dữ Liệu & Thu Thập]
        A[Nguồn: batdongsan.vn] -->|Selenium & BeautifulSoup| B[Raw Data CSVs]
        B -->|Pandas Data Cleaning & Outlier Removal| C[Cleaned Dataset]
    end

    subgraph ML_Pipeline [Tầng Học Máy & Huấn Luyện]
        C --> D[Feature Engineering & Scaling]
        D --> E[Model Training: RF, Gradient Boosting, SVR, AdaBoost]
        E --> F[Hyperparameter Tuning - GridSearchCV]
        F --> G[Serialized Models .pkl & Meta JSON]
    end

    subgraph Service_App [Tầng Dịch Vụ & Ứng Dụng]
        G --> H[Python Backend API - Inference Engine]
        H <--> I[ReactJS Web Client UI]
        I --> J[Người dùng: Nhập thông số & Nhận kết quả định giá + Gợi ý]
    end

Công nghệ và phiên bản sử dụng:

  • Ngôn ngữ lõi: Python v3.13 (xử lý dữ liệu, học máy, API engine)
  • Thư viện Thu thập & Tiền xử lý: Selenium v4.18+, BeautifulSoup4 v4.12+, Pandas v2.2+, NumPy v1.26+
  • Framework Học máy: Scikit-learn v1.4+ (hỗ trợ thuật toán hồi quy, metrics, pipeline)
  • Frontend UI: ReactJS v18.2+, HTML5, CSS3, JavaScript ES6
  • Môi trường & Công cụ: Visual Studio Code v1.89+, Jupyter Notebook v7.1+, Google Chrome & Chrome DevTools

Cấu trúc lược đồ dữ liệu đầu vào (Schema):

  • productId (int, Primary Key): Mã định danh tin đăng
  • area (float): Diện tích sử dụng ($m^2$)
  • price (float, Target Label): Giá trị bất động sản (Triệu VNĐ)
  • floors (float): Số tầng xây dựng
  • bedroom (int): Số phòng ngủ
  • toilet (int): Số nhà vệ sinh
  • facade (float): Chiều rộng mặt tiền (m)
  • furniture (bool): Tình trạng nội thất
  • ggmap_e, ggmap_n (float): Tọa độ địa lý (Kinh độ, Vĩ độ)
  • district_id / wardId (int/string): Mã định danh đơn vị hành chính

Thiết kế API:

  • POST /api/v1/predict-price: Nhận JSON payload chứa thông số đặc trưng bất động sản, trả về mức giá dự đoán tối ưu kèm khoảng tin cậy.
  • GET /api/v1/recommendations: Nhận ID quận/huyện và mức giá dự đoán, trả về danh sách 5 bất động sản thực tế đang bán phù hợp nhất.

Methodology

Dự án áp dụng phương pháp luận phát triển Agile/Scrum linh hoạt kết hợp CRISP-DM (Cross-Industry Standard Process for Data Mining). Tiến độ triển khai kéo dài từ ngày 26/02/2024 đến ngày 08/07/2024 với 5 giai đoạn trọng tâm:

  1. Khởi tạo & Thu thập dữ liệu (Tháng 2 - Tháng 3/2024): Phân tích cấu trúc DOM website batdongsan.vn, phát triển script cào tự động bằng Selenium vượt cơ chế dynamic rendering.
  2. Khám phá & Tiền xử lý (Tháng 4/2024): Phân tích tương quan đặc trưng, khử giá trị rỗng, loại bỏ ngoại lai bằng khoảng phân vị IQR (Interquartile Range).
  3. Huấn luyện & Đánh giá mô hình (Tháng 5/2024): Xây dựng các mô hình cơ sở, so sánh các chỉ số sai số MAE, MSE, RMSE và hệ số $R^2$.
  4. Tối ưu hóa & Đóng gói (Tháng 6/2024): Tinh chỉnh siêu tham số bằng Grid Search, xuất model dưới dạng file nhị phân .pkl và .json.
  5. Tích hợp Web & Kiểm thử tổng thể (Tháng 7/2024): Xây dựng giao diện ReactJS, kết nối API backend và nghiệm thu bảo vệ đồ án.

Implementation và kết quả

Development process

Quá trình thu thập dữ liệu được thiết kế tối ưu để trích xuất dữ liệu từ các danh mục phân cấp theo quận/huyện và mức lọc giá/diện tích. Dưới đây là đoạn mã trích xuất đặc trưng và xử lý dữ liệu thô:

import pandas as pd
import numpy as np

def clean_real_estate_data(df: pd.DataFrame) -> pd.DataFrame:
    """
    Tiền xử lý và làm sạch dữ liệu bất động sản:
    - Loại bỏ giá trị thiếu trên các trường bắt buộc
    - Xử lý ngoại lai (Outliers) bằng phương pháp Interquartile Range (IQR)
    """
    # 1. Loại bỏ bản ghi thiếu giá hoặc diện tích
    df_cleaned = df.dropna(subset=['price', 'area']).copy()
    
    # 2. Xử lý ngoại lai cho biến mục tiêu 'price' và biến 'area'
    for col in ['price', 'area']:
        Q1 = df_cleaned[col].quantile(0.25)
        Q3 = df_cleaned[col].quantile(0.75)
        IQR = Q3 - Q1
        lower_bound = Q1 - 1.5 * IQR
        upper_bound = Q3 + 1.5 * IQR
        df_cleaned = df_cleaned[(df_cleaned[col] >= lower_bound) & (df_cleaned[col] <= upper_bound)]
        
    return df_cleaned

Quá trình huấn luyện và đánh giá mô hình được chuẩn hóa với Scikit-learn Pipeline, kết hợp kiểm định chéo (K-Fold Cross-Validation, $k=5$):

from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor
from sklearn.metrics import mean_absolute_error, root_mean_squared_error, r2_score
import joblib

# Phân tách tập huấn luyện (80%) và tập kiểm thử (20%)
X = df_cleaned[['area', 'floors', 'bedroom', 'toilet', 'facade', 'district_id', 'ggmap_e', 'ggmap_n']]
y = df_cleaned['price']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Khởi tạo và tối ưu hóa mô hình Gradient Boosting
param_grid = {
    'n_estimators': [100, 200, 300],
    'learning_rate': [0.05, 0.1, 0.2],
    'max_depth': [3, 5, 7]
}

gbr = GradientBoostingRegressor(random_state=42)
grid_search = GridSearchCV(estimator=gbr, param_grid=param_grid, cv=5, scoring='r2', n_jobs=-1)
grid_search.fit(X_train, y_train)

# Đánh giá trên tập test
best_model = grid_search.best_estimator_
y_pred = best_model.predict(X_test)

print(f"MAE: {mean_absolute_error(y_test, y_pred):.2f}")
print(f"RMSE: {root_mean_squared_error(y_test, y_pred):.2f}")
print(f"R2 Score: {r2_score(y_test, y_pred):.4f}")

# Xuất mô hình phục vụ Web API
joblib.dump(best_model, 'models/best_estate_model.pkl')

Testing và validation

Hiệu suất của các thuật toán được thử nghiệm trên 4 tập dữ liệu độc lập: Nhà riêng TP.HCM, Nhà riêng Hà Nội, Đất nền TP.HCM và Đất nền Hà Nội.

Thuật toán Dataset MAE (Triệu VNĐ) RMSE (Triệu VNĐ) $R^2$ Score Đánh giá độ phù hợp
Linear Regression (Ridge) Nhà riêng TP.HCM 845.20 1,230.50 0.6842 Dưới khớp (Underfitting)
Decision Tree Nhà riêng TP.HCM 610.15 985.40 0.7650 Quá khớp nhẹ (Overfitting)
Random Forest Nhà riêng TP.HCM 412.30 650.10 0.8924 Rất tốt, tính ổn định cao
Gradient Boosting Nhà riêng TP.HCM 388.50 612.80 0.9085 Tối ưu nhất
AdaBoost Nhà riêng TP.HCM 520.40 790.60 0.8115 Tốt
SVR (RBF Kernel) Nhà riêng TP.HCM 695.80 1,050.20 0.7230 Nhạy cảm với scale
Gradient Boosting Nhà riêng Hà Nội 402.10 635.40 0.8990 Tối ưu nhất
Gradient Boosting Đất nền TP.HCM 445.60 698.20 0.8845 Tối ưu nhất
Gradient Boosting Đất nền Hà Nội 460.30 715.10 0.8790 Tối ưu nhất 
+-------------------------------------------------------------------------+
|                  SO SÁNH HỆ SỐ XÁC ĐỊNH (R2 SCORE)                      |
|                                                                         |
|  Linear Regression (Ridge)  [======>                  ] 0.6842          |
|  SVR (RBF Kernel)           [=======>                 ] 0.7230          |
|  Decision Tree              [========>                ] 0.7650          |
|  AdaBoost                   [=========>               ] 0.8115          |
|  Random Forest              [===========>             ] 0.8924          |
|  Gradient Boosting          [============>            ] 0.9085          |
+-------------------------------------------------------------------------+

Kết quả đạt được

  1. Về độ chính xác mô hình: Mô hình Gradient Boosting Regressor sau khi tinh chỉnh siêu tham số đạt hệ số $R^2 = 0.9085$ trên tập dữ liệu nhà riêng TP.HCM và $0.8990$ tại Hà Nội. Giá trị sai số tuyệt đối trung bình (MAE) giảm từ 845.2 triệu VNĐ (ở mô hình Hồi quy tuyến tính) xuống chỉ còn 388.5 triệu VNĐ, tương ứng mức cải thiện hơn 54%.
  2. Về hiệu năng hệ thống Web: Thời gian phản hồi API dự đoán trung bình đạt 180 ms trên môi trường thử nghiệm cục bộ, đáp ứng tiêu chuẩn trải nghiệm người dùng tương tác thời gian thực.
  3. Về tính năng ứng dụng: Hoàn thành 100% các chức năng cốt lõi gồm: Form nhập liệu trực quan (chọn vị trí tọa độ, diện tích, số phòng), hiển thị kết quả định giá tự động và danh sách đề xuất bất động sản tương đồng theo vùng dữ liệu.

Đổi mới và đóng góp

  • Tích hợp đặc trưng không gian (Geospatial Feature Integration): Thay vì chỉ dựa trên mã phân cấp hành chính (quận/huyện) đơn thuần, mô hình kết hợp trực tiếp tọa độ địa lý kinh độ (ggmap_e) và vĩ độ (ggmap_n), giúp giải thuật cây bắt trọn hiệu ứng vi vị trí (micro-location) của bất động sản giáp ranh.
  • Pipeline tự động hóa hoàn chỉnh (End-to-End Automation): Khác với các nghiên cứu lý thuyết chỉ sử dụng dataset tĩnh, đồ án xây dựng luồng khép kín từ cào dữ liệu động qua Selenium, tự động làm sạch khử ngoại lai bằng IQR, lưu trữ mô hình và triển khai trực quan trên nền tảng web ReactJS.
  • So sánh đa thuật toán chuyên sâu: Cung cấp bức tranh toàn diện và số liệu thực nghiệm định lượng giữa 6 thuật toán hồi quy kinh điển trên thị trường bất động sản Việt Nam giai đoạn 2024.
Tiêu chí Phương pháp thủ công / Bảng giá Nghiên cứu học thuật cơ bản Giải pháp đồ án
Nguồn dữ liệu Bảng giá cố định, cập nhật chậm Bộ dữ liệu mở tĩnh (Kaggle/UCI) Dữ liệu tin đăng thực tế Việt Nam 2024
Mô hình hóa Công thức tuyến tính đơn giản 1-2 mô hình hồi quy cơ bản Ensemble (RF, Gradient Boosting, AdaBoost)
Khả năng ứng dụng Tra cứu thủ công trên giấy tờ Chạy thử nghiệm trên Notebook Web App tương tác thời gian thực
Xử lý ngoại lai Không có Lọc thủ công đơn giản Tự động hóa IQR & tiền xử lý theo phân vùng

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Cases)

  • Người mua nhà cá nhân: Nhanh chóng kiểm tra xem mức giá người bán đưa ra có phù hợp với mặt bằng thị trường hay không trước khi đàm phán giao dịch.
  • Môi giới bất động sản: Rút ngắn thời gian lập báo cáo định giá sơ bộ cho khách hàng từ vài ngày xuống dưới một phút.
  • Tổ chức tài chính / Ngân hàng: Hỗ trợ quy trình thẩm định tài sản thế chấp ban đầu một cách tự động, giảm thiểu rủi ro gian lận định giá.
+-------------------------------------------------------------------------+
|                  LUỒNG TRIỂN KHAI HỆ THỐNG TRÊN CLOUD                  |
|                                                                         |
|  [Web Client] <---> [Nginx Reverse Proxy] <---> [FastAPI Container]     |
|                                                         |               |
|                                                         v               |
|                                                [ML Model Registry]      |
|                                                - best_model.pkl         |
|                                                - metadata.json          |
+-------------------------------------------------------------------------+

Chiến lược triển khai và Phân tích hiệu quả kinh tế

  • Môi trường triển khai: Đóng gói Docker container cho backend API, triển khai frontend tĩnh trên Vercel/Netlify hoặc máy chủ đám mây AWS EC2/GCP Compute Engine.
  • Hiệu quả kinh tế (ROI): Doanh nghiệp môi giới có thể cắt giảm tới 80% chi phí nhân sự sơ duyệt định giá và tăng tốc độ phản hồi khách hàng lên gấp 20 lần.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Đặc trưng hình ảnh và ngữ nghĩa: Chưa tích hợp xử lý ngôn ngữ tự nhiên (NLP) cho mô tả chi tiết căn nhà và thị giác máy tính (Computer Vision) để đánh giá chất lượng hoàn thiện nội thất qua ảnh chụp.
  • Biến động kinh tế vĩ mô: Chưa đưa các tham số vĩ mô như lãi suất ngân hàng, tỷ lệ lạm phát theo thời gian vào mô hình chuỗi thời gian (Time-series Forecasting).

Hướng phát triển

  1. Xây dựng module thu thập dữ liệu định kỳ theo lịch trình (Cron Scheduler) để theo dõi biến động giá theo tháng/quý.
  2. Tích hợp mô hình Deep Learning (Multi-modal Learning) kết hợp cả dữ liệu dạng bảng, văn bản mô tả và hình ảnh thực tế của bất động sản.
  3. Mở rộng phạm vi dữ liệu sang các đô thị tiềm năng khác như Đà Nẵng, Bình Dương, Đồng Nai, Hải Phòng và Cần Thơ.

Đối tượng hưởng lợi

  • Sinh viên & Người học ngành Kỹ thuật Dữ liệu / AI: Tài liệu mẫu hoàn chỉnh về quy trình xây dựng dự án Data Science từ bước cào dữ liệu đến triển khai ứng dụng thực tế.
  • Kỹ sư phần mềm & Lập trình viên: Tham khảo mã nguồn, kiến trúc tích hợp mô hình Machine Learning Python với giao diện ReactJS mượt mà.
  • Doanh nghiệp Bất động sản & Fintech: Nền tảng tham khảo để xây dựng công cụ AVM (Automated Valuation Model) chuyên nghiệp cho thị trường Việt Nam.
  • Nhà nghiên cứu: Bổ sung bằng chứng thực nghiệm về hiệu năng của các thuật toán Ensemble Learning trên tập dữ liệu bất động sản Đông Nam Á.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và môi trường để triển khai hệ thống là gì?

Hệ thống yêu cầu máy chủ chạy hệ điều hành Linux (Ubuntu 20.04 LTS trở lên) hoặc Windows 11, RAM tối thiểu 4GB (khuyến nghị 8GB cho quá trình huấn luyện lại mô hình), CPU từ 2 Cores và cài đặt môi trường Python 3.13 cùng Node.js 18+.

2. Mô hình xử lý thế nào khi gặp các bất động sản có diện tích hoặc mức giá quá dị biệt?

Hệ thống sử dụng bộ lọc ngoại lai IQR (Interquartile Range) trong pha tiền xử lý dữ liệu để loại bỏ các điểm dữ liệu nhiễu trước khi huấn luyện. Đối với dữ liệu đầu vào người dùng vượt quá ngưỡng tin cậy, hệ thống sẽ đưa ra cảnh báo về độ lệch chuẩn.

3. Làm thế nào để tích hợp mô hình vào hệ thống phần mềm có sẵn của doanh nghiệp?

Mô hình được đóng gói thành các REST API endpoint tiêu chuẩn định dạng JSON, cho phép bất kỳ hệ thống CRM, ERP hoặc ứng dụng di động nào cũng có thể gửi yêu cầu HTTP POST và nhận kết quả tức thời.

4. Chi phí vận hành và bảo trì hệ thống ước tính như thế nào?

Chi phí vận hành rất thấp, chỉ cần một VPS cơ bản (chi phí khoảng 150.000 - 300.000 VNĐ/tháng) để chạy backend API và cơ sở dữ liệu đã làm sạch.

5. Dữ liệu cào từ batdongsan.vn có đảm bảo tính pháp lý và tuân thủ không?

Quy trình cào dữ liệu được thiết kế chỉ thu thập các thông tin công khai trên tin đăng phục vụ mục đích nghiên cứu học thuật, tuân thủ tốc độ gửi request hợp lý (rate-limiting) để không gây ảnh hưởng đến hiệu năng máy chủ của trang đối tượng.

Kết luận

Đồ án tốt nghiệp "Dự Đoán Giá Bất Động Sản Sử Dụng Học Máy" của sinh viên Phan Văn Thạch Quang và Lê Văn Phú, dưới sự hướng dẫn của TS. Trần Nhật Quang, đã giải quyết thành công bài toán tự động hóa định giá tài sản tại hai thị trường bất động sản lớn nhất Việt Nam. Bằng việc ứng dụng thuật toán Gradient Boosting Regressor, hệ thống đạt độ chính xác ấn tượng với hệ số xác định $R^2 = 0.9085$, giảm thiểu sai số tuyệt đối trung bình xuống còn 388.5 triệu VNĐ. Việc tích hợp mô hình vào ứng dụng Web ReactJS trực quan mở ra tiềm năng thương mại hóa và ứng dụng thực tiễn to lớn, đóng góp một giải pháp công nghệ dữ liệu hữu ích cho cộng đồng và thị trường bất động sản số hóa.