Luận văn tốt nghiệp về hệ thống gợi ý trong thương mại điện tử

• Tác giả: Nguyễn Bửu Thịnh
• Người hướng dẫn: TS. Phan Trọng Nhân
• Trường học: Đại học Quốc gia TP.HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng Dụng Phân Hệ Gợi Ý Vào Hệ Thống Thương Mại Điện Tử
• Loại tài liệu: luận văn tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Tổng quan đề tài
• 1.2. Mục tiêu và phạm vi đề tài
• 1.3. Nội dung của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÔNG NGHỆ
• 2.1. Thương mại điện tử
• 2.2. Phân hệ gợi ý
• 2.3. Ứng dụng phân hệ gợi ý vào hệ thống thương mại điện tử
• 2.4. Một số website có tích hợp phân hệ gợi ý và cơ chế. Công nghệ sử dụng
• 2.5. Ngôn ngữ Python. Ứng dụng của Python
• 2.6. HTML, Pug, CSS, Javascript, Bootstrap
• 2.7. Mô hình thanh toán Paypal
• 3. CHƯƠNG 3: PHÂN TÍCH YÊU CẦU
• 3.1. Công nghệ sử dụng
• 3.2. Yêu cầu phi chức năng
• 3.3. Yêu cầu chức năng
• 3.3.1. Yêu cầu chức năng của quản trị viên
• 3.3.2. Yêu cầu chức năng của nhân viên
• 3.3.3. Yêu cầu chức năng của người dùng
• 3.3.3.1. Yêu cầu chức năng của người dùng với tư cách khách
• 3.3.3.2. Lược đồ Use-Case
• 3.3.3.3. Đặc tả Use-Case cho các chức năng chính
• 3.3.3.4. Phân tích các yêu cầu chính
• 3.3.3.5. Phân tích các yêu cầu khác
• 4. CHƯƠNG 4: THIẾT KẾ HỆ THỐNG VÀ THUẬT TOÁN
• 4.1. Kiến trúc hệ thống
• 4.2. Thiết kế cơ sở dữ liệu
• 4.2.1. Mô hình thực thể liên kết – EERD
• 4.2.2. Ánh xạ sang mô hình dữ liệu quan hệ
• 4.3. Các thuật toán học máy (machine learning) và phân hệ gợi ý (recommendation system)
• 4.3.1. Giải thuật lọc cộng tác (Neighborhood-based Collaborative Filtering)
• 4.3.2. Các bước thực hiện
• 4.3.3. Giải thuật lọc dựa trên nội dung (Content-based Recommendation System)
• 4.3.4. Các bước thực hiện
• 4.3.5. Đặc điểm mô hình
• 4.3.6. Giải thuật K-nearest Neighbors(KNN)
• 4.3.7. Thiết kế lớp đối tượng
• 4.3.8. Chức năng gợi ý sản phẩm(viết bằng Python)
• 5. CHƯƠNG 5: HIỆN THỰC HỆ THỐNG
• 5.1. Công nghệ sử dụng
• 5.2. Xây dựng website
• 5.2.1. Trang chủ khi người dùng chưa đăng nhập
• 5.2.2. Trang chủ khi người dùng đã đăng nhập
• 5.2.3. Chatbot và thanh toán trên chatbot
• 5.2.4. Xem chi tiết sản phẩm
• 5.2.5. Đặt hàng trên hệ thống, thanh toán tiền mặt, paypal
• 5.2.6. Một số phần chính của trang quản trị viên
• 5.2.6.1. Quản trị viên xem danh sách đơn hàng
• 5.2.6.2. Nhân viên xác nhận đơn hàng
• 5.2.6.3. Hiển thị danh sách các sản phẩm gợi ý được người dùng xem, thêm vào giỏ hàng, mua nhiều nhất
• 6. CHƯƠNG 6: KIỂM THỬ PHẦN MỀM
• 6.1. Chức năng gợi ý sản phẩm của phân hệ gợi ý hoặc sản phẩm phổ biến
• 6.2. Chức năng thêm sản phẩm vào giỏ hàng, đặt hàng và thanh toán trên website
• 6.3. Chức năng tìm kiếm và đặt hàng trên chatbot
• 6.4. Kiểm thử kịch bản của chatbot
• 6.5. Kiểm thử tính năng đặt hàng trên chatbot
• 7. CHƯƠNG 7: ĐÁNH GIÁ HỆ THỐNG VÀ PERFORMANCE
• 7.1. Đánh giá hiệu quả của phân hệ gợi ý
• 7.2. Đánh giá performance
• 7.2.1. Đánh giá trang chủ của website khi người dùng chưa đăng nhập
• 7.2.2. Đánh giá trang danh sách từng loại sản phẩm
• 7.2.3. Đánh giá performnace cho trang chủ khi người dùng đăng nhập vào tài khoản cá nhân
• 7.2.4. Đánh giá performance khi nhiều người dùng cùng tìm kiếm sản phẩm theo từ khoá
• 7.2.5. Đánh giá performance khi nhiều người dùng truy cập vào trang xem chi tiết sản phẩm
• 8. CHƯƠNG 8: TỔNG KẾT
• 8.1. Những điều đã thực hiện được
• 8.1.1. Về nghiệp vụ
• 8.1.2. Về công nghệ
• 8.1.3. Đánh giá hệ thống
• 8.2. Những hạn chế chưa thực hiện được
• 8.3. Hướng phát triển tương lai
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về hệ thống gợi ý trong thương mại điện tử

Hệ thống gợi ý đóng vai trò quan trọng trong thương mại điện tử. Nó giúp người dùng tìm kiếm sản phẩm một cách hiệu quả hơn. Hệ thống này sử dụng các thuật toán để phân tích hành vi người dùng và đưa ra các gợi ý phù hợp. Theo nghiên cứu, việc áp dụng hệ thống gợi ý có thể tăng tỷ lệ chuyển đổi và doanh thu cho các trang thương mại điện tử. Hệ thống này không chỉ giúp người tiêu dùng tiết kiệm thời gian mà còn nâng cao trải nghiệm mua sắm của họ. Một số thuật toán phổ biến được sử dụng trong hệ thống gợi ý bao gồm lọc cộng tác và lọc dựa trên nội dung. Những thuật toán này giúp phân tích dữ liệu người dùng và đưa ra các sản phẩm tương tự hoặc liên quan, từ đó tạo ra một trải nghiệm mua sắm cá nhân hóa.

1.1. Các loại hệ thống gợi ý

Có ba loại hệ thống gợi ý chính: lọc cộng tác, lọc dựa trên nội dung và hệ thống hybrid. Lọc cộng tác dựa trên hành vi của người dùng tương tự để đưa ra gợi ý. Lọc dựa trên nội dung phân tích các đặc điểm của sản phẩm để tìm ra những sản phẩm tương tự. Hệ thống hybrid kết hợp cả hai phương pháp trên để tối ưu hóa kết quả gợi ý. Việc lựa chọn loại hệ thống gợi ý phù hợp phụ thuộc vào loại hình sản phẩm và hành vi của người tiêu dùng. Nghiên cứu cho thấy rằng hệ thống hybrid thường mang lại hiệu quả cao nhất trong việc cải thiện trải nghiệm người dùng và tăng doanh thu cho các trang thương mại điện tử.

II. Phân tích dữ liệu và hành vi người dùng

Phân tích dữ liệu là một phần quan trọng trong việc phát triển hệ thống gợi ý. Dữ liệu người dùng được thu thập từ nhiều nguồn khác nhau, bao gồm lịch sử mua sắm, lượt xem sản phẩm và tương tác với chatbot. Việc phân tích dữ liệu này giúp xác định các mẫu hành vi và sở thích của người tiêu dùng. Một trong những công cụ phổ biến để phân tích dữ liệu là Python, với các thư viện như Pandas và NumPy. Những công cụ này cho phép xử lý và phân tích dữ liệu một cách hiệu quả. Kết quả phân tích sẽ được sử dụng để cải thiện độ chính xác của các gợi ý sản phẩm. Hệ thống cũng cần phải liên tục cập nhật dữ liệu để phản ánh đúng hành vi và sở thích của người dùng theo thời gian.

2.1. Hành vi người dùng trong thương mại điện tử

Hành vi người dùng trong thương mại điện tử thường được phân tích thông qua các chỉ số như tỷ lệ nhấp chuột (CTR), tỷ lệ chuyển đổi và thời gian trên trang. Những chỉ số này giúp đánh giá hiệu quả của các gợi ý sản phẩm. Nghiên cứu cho thấy rằng người dùng có xu hướng tương tác nhiều hơn với các sản phẩm được gợi ý dựa trên sở thích cá nhân. Việc hiểu rõ hành vi người dùng không chỉ giúp cải thiện hệ thống gợi ý mà còn giúp các nhà quản trị tối ưu hóa chiến lược marketing. Các công cụ phân tích như Google Analytics cũng được sử dụng để theo dõi hành vi người dùng và đưa ra các quyết định dựa trên dữ liệu.

III. Ứng dụng công nghệ trong hệ thống gợi ý

Công nghệ đóng vai trò quan trọng trong việc phát triển hệ thống gợi ý. Các công nghệ hiện đại như machine learning và AI được áp dụng để cải thiện độ chính xác của các gợi ý. Việc sử dụng các thuật toán học máy cho phép hệ thống tự động học hỏi từ dữ liệu người dùng và cải thiện gợi ý theo thời gian. Hệ thống cũng có thể tích hợp với các công nghệ khác như chatbot để nâng cao trải nghiệm người dùng. Chatbot có khả năng tương tác với người dùng và cung cấp thông tin sản phẩm một cách nhanh chóng. Điều này không chỉ giúp tiết kiệm thời gian cho người dùng mà còn tạo ra một trải nghiệm mua sắm liền mạch.

3.1. Các công nghệ sử dụng trong hệ thống

Các công nghệ chính được sử dụng trong hệ thống gợi ý bao gồm Python, HTML, CSS và JavaScript. Python là ngôn ngữ lập trình phổ biến cho việc phát triển các thuật toán học máy. HTML và CSS được sử dụng để xây dựng giao diện người dùng, trong khi JavaScript giúp tạo ra các tương tác động trên trang web. Việc kết hợp các công nghệ này giúp tạo ra một hệ thống gợi ý hiệu quả và thân thiện với người dùng. Hệ thống cũng cần phải được tối ưu hóa để đảm bảo tốc độ tải trang nhanh và trải nghiệm người dùng tốt nhất.

IV. Đánh giá hiệu quả của hệ thống gợi ý

Đánh giá hiệu quả của hệ thống gợi ý là một bước quan trọng trong quá trình phát triển. Các chỉ số như tỷ lệ chuyển đổi, doanh thu và mức độ hài lòng của người dùng được sử dụng để đo lường hiệu quả. Nghiên cứu cho thấy rằng hệ thống gợi ý có thể tăng tỷ lệ chuyển đổi lên đến 30% nếu được triển khai đúng cách. Việc thu thập phản hồi từ người dùng cũng rất quan trọng để cải thiện hệ thống. Các công cụ như khảo sát trực tuyến có thể được sử dụng để thu thập ý kiến của người dùng về độ chính xác của các gợi ý. Từ đó, các nhà phát triển có thể điều chỉnh và tối ưu hóa hệ thống để đáp ứng tốt hơn nhu cầu của người tiêu dùng.

4.1. Các chỉ số đánh giá hiệu quả

Các chỉ số đánh giá hiệu quả của hệ thống gợi ý bao gồm tỷ lệ nhấp chuột (CTR), tỷ lệ chuyển đổi và doanh thu trung bình trên mỗi người dùng (ARPU). Tỷ lệ nhấp chuột cho biết mức độ hấp dẫn của các gợi ý sản phẩm, trong khi tỷ lệ chuyển đổi cho thấy khả năng chuyển đổi người dùng thành khách hàng. Doanh thu trung bình trên mỗi người dùng giúp đánh giá giá trị mà hệ thống gợi ý mang lại cho doanh nghiệp. Việc theo dõi và phân tích các chỉ số này sẽ giúp các nhà quản trị đưa ra các quyết định chiến lược nhằm tối ưu hóa hiệu quả của hệ thống gợi ý.