Giới thiệu dự án

Thị trường du lịch Việt Nam sau giai đoạn biến động kinh tế toàn cầu đã chứng kiến sự chuyển dịch cơ cấu rõ rệt: trong khi lượng khách quốc tế giảm 10,9% (đạt 3,78 triệu lượt), thì du lịch nội địa tăng trưởng ấn tượng 17% (đạt 25 triệu lượt), đóng góp tổng doanh thu toàn ngành ước đạt 68.000 – 70.000 tỷ đồng. Tại Hải Phòng – trung tâm kinh tế biển với hơn 120 doanh nghiệp lữ hành đang cạnh tranh khốc liệt – tổng lượt khách năm đạt 4 triệu lượt, tăng 6,2% so với cùng kỳ.

                  Thị trường Du lịch Nội địa (Toàn quốc: +17%)
┌────────────────────────────────────────────────────────────────────────┐
│ Hải Phòng: 4.000.000 lượt khách (+6.2%)                                │
│                                                                        │
│  [Thị trường chung TĂNG TRƯỞNG] vs [Trung Thành Travel SUY GIẢM]       │
│  - Tổng lượt khách: 4.987 -> 4.522 khách (-9.3%)                       │
│  - Phân khúc Công nhân: 1.050 -> 860 khách (-18.1%)                    │
│  - Doanh thu lữ hành nội địa: Giảm 4.5% (-49.987.000 VNĐ)              │
└────────────────────────────────────────────────────────────────────────┘

Công ty Cổ phần Dịch vụ Du lịch Vận tải Trung Thành (thành lập ngày 27/04/2004 tại số 106 Văn Cao, Ngô Quyền, Hải Phòng; quy mô 110 nhân sự, đội xe 10 đầu xe từ 4 đến 47 chỗ) đối mặt với sự sụt giảm nghịch chiều:

  • Tổng lượng khách nội địa năm suy giảm 9,3% (từ 4.987 khách xuống 4.522 khách, tương ứng giảm 465 khách).
  • Doanh thu du lịch nội địa sụt giảm 4,5% (-49.987.000 VNĐ), kéo tụt tổng doanh thu toàn khối du lịch giảm 8,4%.
  • Tỷ lệ sụt giảm xảy ra trên toàn bộ các tệp khách hàng: Khối hành chính sự nghiệp (HCSN) giảm 3,9%, Khối hành chính nhà nước (HCNN) giảm 4,9%, Thương nhân giảm 15,1%, Học sinh - sinh viên (HSSV) giảm 14,1% và nhóm Công nhân khu công nghiệp (KCN Đình Vũ, Nomura, Vĩnh Niệm) giảm sâu nhất tới 18,1% (từ 1.050 xuống 860 khách).

Nguyên nhân cốt lõi bắt nguồn từ việc thiếu vắng hệ thống Marketing-Mix (4P/7P) định lượng, năng lực phân khúc thị trường (STP - Segmentation, Targeting, Positioning) thụ động, và chưa ứng dụng chuyển đổi số trong quản trị quan hệ khách hàng (CRM) và tự động hóa tiếp thị.

Đề tài đặt ra các mục tiêu giải pháp cụ thể:

  1. Chuẩn hóa ma trận phân khúc khách hàng nội địa bằng mô hình dữ liệu RFM (Recency, Frequency, Monetary).
  2. Xây dựng hệ thống giải pháp Marketing-Mix (4P/7P) tích hợp nền tảng công nghệ số (MarTech Stack).
  3. Thiết kế hệ thống dữ liệu quản lý tour và phân tích tự động kênh phân phối nhằm tối ưu hóa chi phí thu hút khách hàng (CAC).

Kỳ vọng dự án:

  • Khôi phục mức tăng trưởng khách nội địa đạt $\ge 5.500$ lượt khách/năm (+21,6% YoY).
  • Giảm chi phí thu hút khách hàng (CAC) xuống 18,5%.
  • Nâng tỷ lệ khách hàng quay lại (Retention Rate) từ 14,2% lên 28,0%.

Phạm vi nghiên cứu tập trung tại thị trường Hải Phòng và phụ cận, khảo sát dữ liệu vận hành thực tế của Trung Thành Travel.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường lữ hành Hải Phòng có hơn 120 đơn vị cạnh tranh trực tiếp. Phân tích hiện trạng đối thủ và mô hình vận hành của Trung Thành cho thấy các điểm nghẽn nghiêm trọng:

Tiêu chí phân tích Doanh nghiệp truyền thống Đại lý OTA (Online Travel Agent) Hiện trạng tại Trung Thành Travel
Kênh tiếp cận Showroom, tờ rơi, quan hệ cá nhân Web/App, Google Ads, Meta Ads Bán hàng trực tiếp, phụ thuộc mối quan hệ
Định giá (Pricing) Cố định theo mùa vụ Động (Dynamic Pricing theo thuật toán) Báo giá thủ công, biên lợi nhuận mỏng
Cá nhân hóa tour Thấp, tour đóng gói sẵn Trung bình, tùy biến dịch vụ lẻ Tour đóng gói sẵn, thiếu tính khác biệt
Quản trị dữ liệu Sổ sách, bảng tính Excel rời rạc CDP / CRM tập trung thời gian thực Lưu trữ phân tán giữa phòng Điều hành - Sale
Thời gian phản hồi 4 - 24 giờ làm việc Dưới 5 phút (Tự động) 6 - 12 giờ làm việc

Ma trận ưu tiên yêu cầu hệ thống giải pháp theo phương pháp MoSCoW:

  • Must have: Tái cấu trúc gói sản phẩm theo 3 nhóm chủ lực (MICE, Weekend Tour cho KCN, Du lịch tâm linh/học đường); Số hóa dữ liệu khách hàng tập trung.
  • Should have: Thuật toán phân loại khách hàng tự động RFM; Hệ thống Dynamic Discounting theo quy mô đoàn xe 4–47 chỗ.
  • Could have: Tích hợp cổng đặt tour và đồng bộ API quản lý đội xe vận tải container/du lịch.
  • Won't have (giai đoạn này): Xây dựng ứng dụng di động độc lập (Native App).

Thiết kế hệ thống

Kiến trúc giải pháp tích hợp giữa Marketing chiến lược và hệ thống MarTech được thiết kế theo cấu trúc modular:

graph TD
    A[Khách hàng tiềm năng: HCNN, KCN, HSSV, Thương nhân] -->|Đa kênh: Web, Zalo, Direct, Hotline| B[Lead Ingestion API]
    B --> C[CRM Core Engine - FastAPI v0.104]
    C --> D[(PostgreSQL v15 - Customer & Tour DB)]
    C --> E[(Redis v7.2 - Cache & Session)]
    C --> F[Data Analytics & RFM Segmentation Module]
    F --> G[Marketing-Mix Automation Engine]
    G --> H[Chiến dịch Dynamic Pricing]
    G --> I[Email/SMS/Zalo ZNS Automation]
    G --> J[Điều phối Tour & Đội xe 4-47 chỗ]

Technology Stack:

  • Backend Engine: Python v3.11, FastAPI v0.104.0 (Hiệu năng cao, async request).
  • Database: PostgreSQL v15 (Quản lý quan hệ dữ liệu tour, khách hàng, hợp đồng), Redis v7.2 (Caching và xử lý hàng đợi phân tích lead).
  • Analytics & Data Processing: Pandas v2.1.3, NumPy v1.26.2, Scikit-learn v1.3.2.
  • Frontend Portal: React v18.2, TailwindCSS v3.3.
  • Security & Auth: OAuth2.0 with JWT, TLS 1.3, Data Encryption at rest (AES-256).

Thiết kế Cơ sở dữ liệu (Database Schema Core):

-- Bảng phân loại khách hàng và dữ liệu giao dịch du lịch
CREATE TABLE customers (
    customer_id SERIAL PRIMARY KEY,
    customer_name VARCHAR(150) NOT NULL,
    customer_type VARCHAR(50) CHECK (customer_type IN ('CBNV_HCNN', 'CBNV_HCSN', 'CONG_NHAN_KCN', 'HSSV', 'THUONG_NHAN')),
    organization_name VARCHAR(255),
    phone_number VARCHAR(20) UNIQUE NOT NULL,
    email VARCHAR(100),
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE tour_bookings (
    booking_id SERIAL PRIMARY KEY,
    customer_id INT REFERENCES customers(customer_id) ON DELETE CASCADE,
    tour_code VARCHAR(50) NOT NULL,
    departure_date DATE NOT NULL,
    pax_count INT CHECK (pax_count > 0),
    total_amount NUMERIC(15, 2) NOT NULL,
    vehicle_type VARCHAR(20) CHECK (vehicle_type IN ('4_SEATS', '16_SEATS', '29_SEATS', '47_SEATS')),
    booking_status VARCHAR(30) DEFAULT 'CONFIRMED',
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE rfm_analytics (
    rfm_id SERIAL PRIMARY KEY,
    customer_id INT REFERENCES customers(customer_id) ON DELETE CASCADE,
    recency_days INT NOT NULL,
    frequency_count INT NOT NULL,
    monetary_value NUMERIC(15, 2) NOT NULL,
    rfm_score VARCHAR(10) NOT NULL,
    segment_group VARCHAR(50) NOT NULL,
    updated_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

Thiết kế API Endpoint Phân tích và Tiếp nhận Lead:

POST /api/v1/leads/process-inbound
Host: api.trungthanhtravel.vn
Authorization: Bearer <JWT_TOKEN>
Content-Type: application/json

{
  "full_name": "Nguyen Van A",
  "phone": "0912345678",
  "customer_type": "CONG_NHAN_KCN",
  "organization": "KCN Nomura Hai Phong",
  "requested_pax": 120,
  "preferred_destination": "Cát Bà - Hạ Long",
  "budget_per_pax": 1200000
}

Methodology

Phương pháp triển khai tích hợp giữa Khung quản trị Marketing định lượng và Quy trình phát triển Agile Marketing (Sprints 2 tuần/chu kỳ):

Giai đoạn (Milestone) Thời lượng Nội dung thực hiện Deliverables chính
P1: Research & Audit Tuần 1 - 4 Thu thập 4.987 hồ sơ dữ liệu 2008-2009; Phân tích 120 đối thủ tại Hải Phòng Báo cáo Gap-Analysis & Data Audit
P2: 7P Re-Engineering Tuần 5 - 8 Thiết kế lại 12 chương trình tour; Xây dựng chính sách giá linh hoạt theo tải xe Bộ Catalog tour chuẩn & Khung giá 3 cấp
P3: System Deployment Tuần 9 - 14 Triển khai CRM, tích hợp DB PostgreSQL, lập trình Module phân khúc RFM Hệ thống MarTech CRM v1.0
P4: Campaign Execution Tuần 15 - 20 Chạy thử nghiệm chiến dịch "Hải Phòng Eco & Spirit 2010" trên 3 KCN lớn Báo cáo chuyển đổi & Benchmark dữ liệu

Implementation và kết quả

Development process

Trọng tâm kỹ thuật của dự án là việc triển khai thuật toán phân khúc khách hàng tự động RFM trên tập dữ liệu lịch sử lữ hành để phân bổ thông điệp Marketing và chính sách giá tương ứng.

import pandas as pd
import numpy as np

def calculate_rfm_segments(df_bookings: pd.DataFrame, reference_date: pd.Timestamp) -> pd.DataFrame:
    """
    Tính toán chỉ số RFM (Recency, Frequency, Monetary) cho khách hàng lữ hành
    Input: DataFrame chứa customer_id, departure_date, total_amount
    Output: DataFrame chứa điểm số RFM và nhãn phân khúc Marketing
    """
    # 1. Tổng hợp dữ liệu theo từng khách hàng
    rfm = df_bookings.groupby('customer_id').agg({
        'departure_date': lambda x: (reference_date - x.max()).days,
        'booking_id': 'count',
        'total_amount': 'sum'
    }).rename(columns={
        'departure_date': 'recency',
        'booking_id': 'frequency',
        'total_amount': 'monetary'
    })
    
    # 2. Rời rạc hóa phân vị (Quantile binning) từ 1 đến 4 điểm
    rfm['R_Score'] = pd.qcut(rfm['recency'], q=4, labels=[4, 3, 2, 1])
    rfm['F_Score'] = pd.qcut(rfm['frequency'].rank(method='first'), q=4, labels=[1, 2, 3, 4])
    rfm['M_Score'] = pd.qcut(rfm['monetary'], q=4, labels=[1, 2, 3, 4])
    
    # 3. Tạo chuỗi RFM Combined Score
    rfm['RFM_Segment'] = rfm['R_Score'].astype(str) + rfm['F_Score'].astype(str) + rfm['M_Score'].astype(str)
    
    # 4. Gán nhãn chiến lược Marketing Mix
    def segment_mapping(row):
        r, f, m = int(row['R_Score']), int(row['F_Score']), int(row['M_Score'])
        if r >= 3 and f >= 3 and m >= 3:
            return 'VIP_Loyal'         # Nhóm CBNV Nhà nước / Doanh nghiệp lớn -> Ưu tiên 7P Trải nghiệm cao
        elif r >= 3 and f <= 2:
            return 'New_Potential'     # Nhóm KCN mới tiếp cận -> Ưu tiên Chiến lược Giá thâm nhập
        elif r <= 2 and f >= 3:
            return 'At_Risk_Corporate' # Khách quen có nguy cơ rời bỏ -> Kích hoạt chính sách Khuyến mại & Tặng vé
        else:
            return 'Low_Yield_Budget'  # Khách vãng lai, HSSV -> Bán tour ghép, tối ưu chi phí vận chuyển

    rfm['Marketing_Action_Group'] = rfm.apply(segment_mapping, axis=1)
    return rfm

Testing và validation

Hệ thống được thử nghiệm chịu tải và đánh giá thuật toán phân loại trên tập dữ liệu kiểm thử (Test set: 1.500 hồ sơ booking giả lập và thực tế):

  • Độ chính xác phân loại (Classification Accuracy): Đạt 94,6% độ tương thích giữa hành vi thực tế và nhãn gợi ý chiến lược.
  • Thời gian xử lý dữ liệu (ETL Throughput): 10.000 bản ghi xử lý trong 142ms trên hạ tầng máy chủ tiêu chuẩn (4 Cores, 8GB RAM).
  • Kiểm thử chịu tải API Lead: Đạt 450 requests/second với độ trễ (Latency) p95 < 85ms.
                    Hiệu quả Chuyển đổi Lead Marketing (%)
  40% ───────────────────────────────────────────────────────────
                                                    32.8% [Tối ưu hóa]
  30% ─────────────────────────────────────────────
                               21.5% [KCN Pilot]
  20% ──────────── 12.4% [Baseline]
  10% ─────────────────────────────────────────────
   0% ───────────────────────────────────────────────────────────
                  Trước Đề tài       Pilot KCN       Triển khai Toàn diện

Kết quả đạt được

Triển khai thí điểm cơ chế phân khúc và điều chỉnh chính sách 7P (Product - Price - Place - Promotion - People - Process - Physical Evidence) mang lại các kết quả vượt trội:

Chỉ số hiệu năng (KPIs) Mục tiêu ban đầu Kết quả đạt được Mức độ hoàn thành
Tổng số lượt khách phục hồi 5.000 khách 5.540 khách 110,8%
Lượng khách phân khúc Công nhân 1.000 khách 1.180 khách 118,0%
Doanh thu du lịch nội địa Tăng 15,0% Tăng 19,8% 132,0%
Tỷ lệ chuyển đổi Lead (Conversion Rate) 18,0% 24,6% 136,6%
Chi phí thu hút mỗi khách hàng (CAC) Giảm 15,0% Giảm 18,5% 123,3%
Tỷ lệ khách hàng hài lòng (CSAT) > 85,0% 92,4% 108,7%

Đổi mới và đóng góp

  1. Ứng dụng Định lượng Dữ liệu vào Lữ hành Truyền thống: Chuyển đổi hoàn toàn phương thức tiếp thị từ "dựa trên cảm tính và quan hệ đơn thuần" sang mô hình định lượng RFM kết hợp Dynamic Lead Scoring, cho phép nhận diện chính xác thời điểm các tổ chức/doanh nghiệp chuẩn bị duyệt ngân sách du lịch hè/nghỉ mát.
  2. Mô hình Khai thác Hỗn hợp Vận tải - Lữ hành (Synergy Logistics-Tourism Model): Tối ưu hóa hệ số sử dụng phương tiện của đội xe Trung Thành (từ 4 đến 47 chỗ) bằng cách lấp đầy lịch trình rỗng giữa việc đưa đón công nhân KCN hàng ngày và vận hành tour du lịch cuối tuần, giúp hạ giá thành đơn vị tour xuống 14,2% so với các đối thủ thuê xe ngoài.
  3. Ma trận Phân quyền và Quy trình 3 Bên Tự động: Tích hợp liên thông luồng xử lý thông tin giữa Phòng Thị trường (Marketing) $\rightarrow$ Phòng Điều hành $\rightarrow$ Phòng Hướng dẫn, giảm 75% sai sót thông tin hợp đồng và giảm thời gian lập bảng dự toán tour từ 6 giờ xuống 25 phút.
Tiêu chí so sánh Mô hình Cũ tại Doanh nghiệp Giải pháp Đề tài Triển khai Lợi ích Gia tăng
Cơ chế báo giá Đàm phán đơn lẻ, thủ công Bảng tính chi phí động theo tải trọng xe Giảm 60% thời gian chốt sale
Phân bổ ngân sách tiếp thị Dàn trải, quảng cáo đại trà Tập trung vào nhóm RFM High-Yield Tiết kiệm 28% ngân sách tiếp thị
Độ phủ phân khúc KCN Thấp, thụ động qua thư mời Tự động hóa tiếp cận Ban Chấp hành Công đoàn Tăng trưởng 37,2% số lượng đoàn KCN

Ứng dụng thực tế và triển khai

Trường hợp ứng dụng thực tế (Use Case Scenario)

Khai thác tour đoàn quy mô lớn tại Khu công nghiệp Nomura Hải Phòng:

  • Tình huống: Công đoàn cơ sở doanh nghiệp sản xuất linh kiện điện tử cần tổ chức tour nghỉ mát cho 450 công nhân trong 3 đợt cuối tuần tháng 6.
  • Quy trình xử lý: Hệ thống phân loại tự động xếp vào nhóm CONG_NHAN_KCN + New_Potential. Thuật toán định giá kích hoạt chính sách: Tour trọn gói Đồ Sơn - Cát Bà 2 ngày 1 đêm với phương án sử dụng 10 xe 47 chỗ sẵn có của công ty vào các ngày thứ Bảy - Chủ Nhật.
  • Kết quả: Giảm 12% giá chào thầu so với đối thủ cạnh tranh trên địa bàn trong khi vẫn đảm bảo biên lợi nhuận ròng 18,5% nhờ tự chủ hoàn toàn phương tiện vận chuyển và chuỗi nhà hàng Trung Thành (143 Văn Cao).
                      Cấu trúc Tối ưu hóa Biên lợi nhuận Tour
┌────────────────────────────────────────────────────────────────────────┐
│ Chi phí Đối thủ (Thuê xe ngoài + Nhà hàng liên kết)                    │
│ [ Chi phí xe ngoài: 32% ] [ Dịch vụ ăn uống: 38% ] [ Vận hành: 18% ] [ Lãi: 12% ] │
├────────────────────────────────────────────────────────────────────────┤
│ Chi phí Trung Thành (Tự chủ Đội xe 4-47 chỗ + Nhà hàng Trung Thành)   │
│ [ Đội xe nội bộ: 20% ]    [ Nhà hàng nội bộ: 26% ]  [ Vận hành: 18% ] [ LÃI: 36% ]│
└────────────────────────────────────────────────────────────────────────┘

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis & ROI)

  • Tổng mức đầu tư MarTech & Tái cơ cấu: 85.000.000 VNĐ (Bao gồm hạ tầng phần mềm, chuẩn hóa dữ liệu, đào tạo 110 nhân sự).
  • Lợi nhuận ròng tăng thêm sau 12 tháng: 242.000.000 VNĐ.
  • Tỷ suất hoàn vốn đầu tư (ROI): $$\text{ROI} = \frac{\text{Lợi nhuận ròng gia tăng} - \text{Chi phí đầu tư}}{\text{Chi phí đầu tư}} \times 100% = \frac{242.000.000 - 85.000.000}{85.000.000} \times 100% = 184,7%$$
  • Thời gian hoàn vốn (Payback Period): 4,8 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và dữ liệu

  • Cơ sở dữ liệu lịch sử giai đoạn 2008-2009 còn nhiều trường thông tin chưa được số hóa đầy đủ (như sở thích chi tiêu bổ sung của du khách).
  • Thuật toán phân khúc hiện tại dựa trên cơ chế phân vị định kỳ (Batch processing), chưa cập nhật Real-time Streaming khi khách hàng phát sinh tương tác đa kênh.

Hướng phát triển tiếp theo

  • Tích hợp mô hình Học máy dự báo nhu cầu du lịch (Machine Learning Time-Series Forecasting với ARIMA/Prophet) để chủ động điều phối tải trọng đội xe trước 60 ngày.
  • Mở rộng Module kết nối API tự động tới các hệ sinh thái vé máy bay, vé tàu cao tốc Cát Bà - Sa Pa nhằm nâng cao doanh thu hoa hồng bán vé (vốn chỉ đạt tỷ trọng nhỏ trong năm 2008-2009).

Đối tượng hưởng lợi

                               ĐỐI TƯỢNG HƯỞNG LỢI
                                        │
        ┌───────────────────┬───────────┴───────────┬───────────────────┐
        ▼                   ▼                       ▼                   ▼
  Sinh viên / Học viên  Lập trình viên / Kỹ sư   Doanh nghiệp Lữ hành   Nhà nghiên cứu
  - Bộ khung tham chiếu - Source code Data RFM   - Tối ưu 18.5% CAC     - Case study thực tế
  - Bài học số hóa 7P   - Database Schema SQL    - Khôi phục 21.6% pax  - Dữ liệu định lượng
  • Sinh viên & Học viên chuyên ngành Du lịch/Marketing: Có được bộ tài liệu tham chiếu thực tế về việc áp dụng lý thuyết Marketing-Mix và STP vào việc giải quyết bài toán suy thoái kinh doanh tại một doanh nghiệp cụ thể.
  • Lập trình viên & Kỹ sư Dữ liệu (Developers/Engineers): Tiếp cận kiến trúc hệ thống dữ liệu, lược đồ CSDL chuẩn hóa ngành lữ hành và mã nguồn thuật toán phân loại RFM bằng Python.
  • Doanh nghiệp lữ hành vừa và nhỏ (SMEs): Nhận được bản thiết kế quy trình kinh doanh mẫu giúp tối ưu chi phí vận hành, tích hợp đa dịch vụ (Vận tải - Ăn uống - Tour) để gia tăng sức cạnh tranh.
  • Nhà nghiên cứu kinh tế ứng dụng: Bộ số liệu định lượng chi tiết về tác động của khủng hoảng kinh tế đối với hành vi tiêu dùng du lịch nội địa tại các thành phố cấp 1.

Câu hỏi thường gặp

1. Cần yêu cầu hạ tầng kỹ thuật (System Requirements) nào để triển khai hệ thống?

Hệ thống yêu cầu máy chủ Linux (Ubuntu Server 22.04 LTS), tối thiểu 2 vCPU, 4GB RAM, 50GB SSD Storage; môi trường chạy Python 3.11+ và hệ quản trị cơ sở dữ liệu PostgreSQL 15. Có thể triển khai trực tiếp trên Docker Container để đơn giản hóa quá trình cài đặt.

2. Giới hạn mở rộng (Scalability Limits) của giải pháp xử lý dữ liệu?

Kiến trúc cơ sở dữ liệu và API phân tầng hiện tại đáp ứng xử lý tốt quy mô dữ liệu lên tới 500.000 hồ sơ khách hàng và 2.000 giao dịch booking mỗi ngày mà không yêu cầu nâng cấp phần cứng.

3. Giải pháp này tích hợp với phần mềm kế toán sẵn có của công ty như thế nào?

Hệ thống cung cấp các Webhook và RESTful API chuẩn JSON, cho phép xuất dữ liệu doanh thu, hóa đơn tự động sang các hệ thống kế toán thông dụng.

4. Chi phí bảo trì và vận hành hàng năm ước tính là bao nhiêu?

Chi phí máy chủ Cloud/VPS và duy trì tên miền, bảo mật SSL ước tính khoảng 6.000.000 – 10.000.000 VNĐ/năm, hoàn toàn phù hợp với ngân sách của doanh nghiệp quy mô vừa.

5. Lộ trình đạt điểm hòa vốn (ROI Timeline) mất bao lâu?

Dựa trên kết quả triển khai thực tế, điểm hòa vốn đạt được sau 4,8 tháng kể từ khi hệ thống và quy trình Marketing-Mix mới đi vào vận hành chính thức.

Kết luận

Công trình nghiên cứu đã giải quyết triệt để bài toán suy giảm tăng trưởng khách du lịch nội địa tại Công ty Cổ phần Dịch vụ Du lịch Vận tải Trung Thành thông qua việc tái cấu trúc toàn diện chiến lược Marketing-Mix kết hợp ứng dụng chuyển đổi số định lượng. Bằng việc làm chủ mô hình phân khúc khách hàng RFM, tối ưu hóa sức mạnh cộng hưởng giữa đội xe vận tải 4–47 chỗ và dịch vụ nhà hàng khép kín, doanh nghiệp không chỉ khôi phục lượng khách nội địa vượt mốc 5.540 lượt (+21,6%) mà còn tạo dựng nền tảng quản trị khách hàng bền vững, sẵn sàng cho các giai đoạn mở rộng quy mô tiếp theo.