Giới thiệu dự án

Thị trường bất động sản (BĐS) tại Việt Nam đóng vai trò then chốt trong nền kinh tế quốc dân, liên kết chặt chẽ với các thị trường tài chính, xây dựng và lao động. Tuy nhiên, theo các báo cáo khảo sát thị trường, hơn 75% người tìm kiếm bất động sản gặp khó khăn do dữ liệu phân mảnh, thiếu tính minh bạch và xuất hiện tình trạng nhiễu loạn giá từ các kênh môi giới không chính thống. Đồ án tốt nghiệp kỹ sư ngành Kỹ thuật Phần mềm tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM của nhóm tác giả Nguyễn Công Hiếu và Vũ Cát (dưới sự hướng dẫn của ThS. Trần Anh Dũng) mang tên: "Rút trích và trực quan hóa dữ liệu trong lĩnh vực bất động sản" (Extraction and data visualization in Real Estate) đã giải quyết triệt để bài toán này bằng việc ứng dụng kỹ thuật khai phá dữ liệu, kiến trúc phần mềm hiện đại và trí tuệ nhân tạo.

                  KIẾN TRÚC TỔNG THỂ HỆ THỐNG
+-------------------------------------------------------------+
|                      CLIENT LAYER                           |
|      ReactJS (SPA) + PrimeReact + Chart.js Visualization    |
+------------------------------+------------------------------+
                               | (HTTP / REST API)
+------------------------------v------------------------------+
|                     APPLICATION LAYER                       |
|  +------------------------+     +------------------------+  |
|  |   Node.js / Express    |     |    Django (Python)     |  |
|  |  Core Backend Gateway  |     |  AI Engine & Scraper   |  |
|  +-----------+------------+     +-----------+------------+  |
+--------------|------------------------------|---------------+
               |                              |
+--------------v------------------------------v---------------+
|                        DATA LAYER                           |
|       MongoDB (NoSQL Posts)  |  SQLite (User/Logs)          |
+-------------------------------------------------------------+

Vấn đề thực tiễn và Pain Points

Người mua và nhà đầu tư BĐS đối mặt với ba rào cản lớn:

  1. Dữ liệu phân mảnh: Dữ liệu rao bán nằm rải rác trên nhiều nền tảng riêng biệt (alonhadat, batdongsan, mogi) với cấu trúc không đồng nhất, buộc người dùng phải kiểm tra thủ công từng website.
  2. Thiếu công cụ trực quan định lượng: Thiếu các biểu đồ so sánh biến động giá trung bình theo từng khu vực (quận/huyện/thành phố) để nhận diện xu hướng thị trường.
  3. Định giá cảm tính: Người mua không có công cụ toán học hỗ trợ ước tính mức giá hợp lý dựa trên diện tích và vị trí, dẫn đến rủi ro bị "thổi giá".

Mục tiêu của dự án

  1. Xây dựng công cụ tự động rút trích có chọn lọc dữ liệu BĐS (giá, diện tích, vị trí, tiện ích, hình ảnh) từ các website uy tín.
  2. Thiết kế cơ sở dữ liệu phi quan hệ (NoSQL) lưu trữ dữ liệu bán cấu trúc quy mô lớn với hiệu năng truy vấn cao.
  3. Phát triển hệ thống trực quan hóa dữ liệu đa chiều sử dụng các biểu đồ phân tích giá nhà đất trung bình theo khu vực.
  4. Tích hợp mô hình Học máy (Machine Learning) dự đoán giá bất động sản dựa trên phương pháp Hồi quy tuyến tính (Linear Regression).
  5. Xây dựng động cơ gợi ý bài viết (Recommendation Engine) cá nhân hóa dựa trên hành vi và lịch sử tìm kiếm của người dùng.

Giải pháp kỹ thuật và Phạm vi triển khai

Hệ thống sử dụng kiến trúc phân tầng Microservices-oriented kết hợp giữa Node.js/Express.js cho các tác vụ I/O cao và Django (Python) cho các tác vụ tính toán khoa học dữ liệu.

  • Phạm vi địa lý: Tập trung thu thập và phân tích dữ liệu chuyên sâu tại 3 đô thị trọng điểm: Hà Nội, Đà Nẵng và TP. Hồ Chí Minh.
  • Phạm vi chức năng: Quản lý người dùng, tìm kiếm & lọc nâng cao, quản lý tin đăng cá nhân, xây dựng biểu đồ giá tự động, dự đoán giá bằng AI và gợi ý tin đăng theo hành vi.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Batdongsan.com.vn Mogi.vn Alonhadat.com.vn Hệ thống của đề tài
Thu thập đa nguồn Không (Dữ liệu nội bộ) Không (Dữ liệu nội bộ) Không (Dữ liệu nội bộ) Có (Crawl tự động, chuẩn hóa)
Trực quan hóa biểu đồ Hạn chế Cơ bản Không hỗ trợ Trực quan hóa đa chiều (Chart.js)
AI Dự đoán giá Chưa tích hợp Có (Định giá tự động) Không hỗ trợ Hồi quy tuyến tính theo diện tích/khu vực
Gợi ý cá nhân hóa Theo cookie/vị trí Theo tin đã xem Không hỗ trợ Hệ thống Content-based từ LogSearch/LogPost
Khả năng tiếp cận API Đóng (Private API) Đóng Đóng RESTful API mở cho tích hợp microservices

Ma trận ưu tiên yêu cầu hệ thống (MoSCoW)

  • Must have (Bắt buộc): Module crawler dữ liệu BĐS; RESTful API quản lý tin đăng; Cơ sở dữ liệu MongoDB lưu trữ tin; Giao diện xem/tìm kiếm/sắp xếp tin; Biểu đồ thống kê giá trung bình theo khu vực.
  • Should have (Nên có): Thuật toán hồi quy tuyến tính dự đoán giá theo m²; Động cơ đề xuất bài viết dựa trên lịch sử tìm kiếm (LogSearch) và bài viết đã xem (LogPost); Xác thực người dùng và phân quyền.
  • Could have (Có thể có): Lưu danh sách tin yêu thích; Tối ưu hóa UI/UX với PrimeReact; Cảnh báo bất thường về giá.
  • Won't have (Chưa thực hiện đợt này): Dự đoán giá đa biến kết hợp xử lý ảnh vệ tinh; Triển khai crawler trên toàn bộ 63 tỉnh thành.

Thiết kế hệ thống

               SƠ ĐỒ LUỒNG DỮ LIỆU VÀ TÍNH TOÁN AI
+------------------+         HTTP GET/POST         +-------------------+
|                  +------------------------------>+  Node.js Server   |
|   ReactJS UI     |                               | (Express Gateway) |
| (PrimeReact /    |<------------------------------+----+---------+----+
|    Chart.js)     |       JSON Data Response           |         |
+------------------+                                    |         |
                                         Query Posts    |         | Forward AI Task
                                                        v         v
                                                +---------+     +-------------+
                                                | MongoDB |     |   Django    |
                                                | Database|     | (AI Engine) |
                                                +---------+     +------+------+
                                                                       |
                                                            OLS Fit / Predict
                                                                       v
                                                                +-------------+
                                                                | SQLite Logs |
                                                                +-------------+

Technology Stack và Phiên bản công nghệ

  • Frontend Layer: ReactJS 18.x, PrimeReact 8.x (UI Components), Chart.js 3.7.x (Vẽ biểu đồ tương tác), Axios (HTTP Client).
  • Core Backend: Node.js 16.x LTS, Express.js 4.18.x (Tận dụng V8 Engine, mô hình bất đồng bộ Non-blocking I/O phục vụ hàng ngàn concurrent requests).
  • AI & Analytics Service: Python 3.9, Django 4.0.x (Tận dụng hệ sinh thái xử lý dữ liệu của Python như NumPy, Pandas, Scikit-learn).
  • Database Management: MongoDB 5.0+ (Cơ sở dữ liệu chính lưu trữ các Documents BĐS bán cấu trúc), SQLite (Lưu trữ quan hệ cấu trúc nhẹ cho xác thực tài khoản và nhật ký người dùng).
  • Công cụ kiểm thử & phát triển: Postman v9.x, Visual Studio Code.

Thiết kế cấu trúc dữ liệu chính (Data Schema)

Document Schema trong MongoDB (PostDetail collection):

{
  "_id": "628a1c9e8f1b2c0016a5e123",
  "title": "Bán nhà mặt tiền đường Nguyễn Thị Minh Khai, Quận 1",
  "price": 12.5,
  "price_unit": "tỷ",
  "price_normalized": 12500000000,
  "area": 85.5,
  "city": "Thành phố Hồ Chí Minh",
  "district": "Quận 1",
  "address": "Nguyễn Thị Minh Khai, Phường Đa Kao, Quận 1",
  "description": "Nhà chính chủ, nở hậu, gần đài truyền hình, sổ hồng đầy đủ...",
  "images": [
    "https://storage.domain.vn/images/house1_1.jpg",
    "https://storage.domain.vn/images/house1_2.jpg"
  ],
  "posted_date": "2022-05-15T08:30:00.000Z",
  "source_url": "https://alonhadat.com.vn/chi-tiet-tin-12345.html"
}

Bảng cơ sở dữ liệu quan hệ (LogSearch & LogPost):

  • User: { id, username, email, password_hash, created_at }
  • LogSearch: { id, user_id, keyword, city, district, min_price, max_price, timestamp }
  • LogPost: { id, user_id, post_id, interaction_type (view/save), timestamp }

Thiết kế RESTful API

  • GET /api/v1/posts: Lấy danh sách tin tức BĐS có phân trang, hỗ trợ bộ lọc đa điều kiện (city, district, min_price, max_price, min_area).
  • GET /api/v1/charts/city-avg-price: Trả về dữ liệu thống kê mảng giá trung bình phục vụ vẽ biểu đồ Bar/Line chart trên Client.
  • POST /api/v1/ai/predict-price: Dự đoán giá trị BĐS.
    • Payload: { "city": "Thành phố Hồ Chí Minh", "district": "Quận Bình Thạnh", "area": 65.0 }
    • Response: { "predicted_price": 5.42, "unit": "tỷ VNĐ", "mse_confidence": 0.041 }
  • GET /api/v1/recommendations/{user_id}: Lấy danh sách 10 bài đăng phù hợp nhất với hồ sơ tìm kiếm của người dùng.

Phương pháp luận phát triển (Methodology)

Đề tài được phát triển theo mô hình Agile/Scrum gồm 7 Sprints (kéo dài từ 28/02/2022 đến 13/06/2022):

+-----------------------------------------------------------------------------+
|                      LỘ TRÌNH THỰC HIỆN DỰ ÁN (SPRINTS)                     |
+-----------------------------------------------------------------------------+
| Giai đoạn 1: Nghiên cứu (Sprint 1 - 3) [28/02 - 03/04/2022]                 |
|   - Khảo sát thị trường BĐS, phân tích đối thủ cạnh tranh.                  |
|   - Nghiên cứu AI, Python, ReactJS, Node.js, kiến trúc Microservices.       |
|   - Đánh giá khả năng scale và thiết lập môi trường phát triển.             |
+-----------------------------------------------------------------------------+
| Giai đoạn 2: Triển khai lõi (Sprint 4 - 6) [04/04 - 29/05/2022]             |
|   - Thiết kế UI (Vũ Cát) & Cấu trúc Database/Backend (Nguyễn Công Hiếu).    |
|   - Xây dựng Crawler, thiết lập Pipeline nạp dữ liệu vào MongoDB.           |
|   - Huấn luyện mô hình Linear Regression & Xây dựng API dự đoán giá.        |
|   - Hiện thực thuật toán lọc Content-based đề xuất bài viết từ LogSearch.   |
+-----------------------------------------------------------------------------+
| Giai đoạn 3: Tối ưu & Đánh giá (Sprint 7+) [30/05 - 13/06/2022]             |
|   - Kiểm thử toàn diện API với Postman, đo lường sai số MSE.                |
|   - Tối ưu hóa Virtual DOM React, fix bugs và hoàn thiện báo cáo khoa học.  |
+-----------------------------------------------------------------------------+

Implementation và kết quả

Development Process & Key Algorithms

1. Thuật toán Hồi quy tuyến tính (Ordinary Least Squares - OLS)

Hệ thống sử dụng phương pháp bình phương bé nhất (OLS) để thiết lập phương trình dự đoán giá trị BĐS ($Y$) theo diện tích ($X$):

$$\hat{Y} = \beta_0 + \beta_1 X$$

Trong đó, các hệ số hồi quy được tối ưu hóa thông qua các đại lượng thống kê mẫu:

  • Hệ số góc ($\beta_1$): $$\beta_1 = r \times \frac{\sigma_y}{\sigma_x}$$
  • Điểm cắt trục tung ($\beta_0$): $$\beta_0 = \bar{Y} - \beta_1 \bar{X}$$
  • Độ lệch chuẩn mẫu ($\sigma_x, \sigma_y$) và hệ số tương quan tuyến tính ($r$): $$r = \frac{\sum_{i=1}^n (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum_{i=1}^n (X_i - \bar{X})^2 \sum_{i=1}^n (Y_i - \bar{Y})^2}}$$

Hàm mục tiêu tối thiểu hóa sai số toàn phương trung bình (Mean Squared Error - MSE): $$MSE = \frac{1}{n} \sum_{i=1}^n (Y_i - \hat{Y}_i)^2$$

Mã nguồn triển khai thuật toán dự đoán giá trên Django Service:

import numpy as np
from rest_framework.views import APIView
from rest_framework.response import Response

class RealEstatePricePredictor(APIView):
    """
    Service API tính toán tham số OLS và dự đoán giá bất động sản theo quận/huyện
    """
    def post(self, request):
        district = request.data.get('district')
        input_area = float(request.data.get('area', 0))
        
        # Truy vấn tập dữ liệu theo phân vùng địa lý
        data_points = self.get_training_data_by_district(district)
        if len(data_points) < 5:
            return Response({"error": "Không đủ dữ liệu huấn luyện cho khu vực này"}, status=400)
            
        X = np.array([p['area'] for p in data_points], dtype=np.float64)
        Y = np.array([p['price'] for p in data_points], dtype=np.float64)
        
        # Tính toán các chỉ số thống kê
        mean_x, mean_y = np.mean(X), np.mean(Y)
        std_x, std_y = np.std(X), np.std(Y)
        
        if std_x == 0:
            return Response({"error": "Độ biến thiên diện tích không hợp lệ"}, status=400)
            
        correlation = np.corrcoef(X, Y)[0, 1]
        beta_1 = correlation * (std_y / std_x)
        beta_0 = mean_y - beta_1 * mean_x
        
        # Dự đoán giá trị cho điểm dữ liệu đầu vào
        predicted_price = beta_0 + beta_1 * input_area
        
        # Tính toán chỉ số sai số kiểm định MSE
        y_pred_all = beta_0 + beta_1 * X
        mse_score = float(np.mean((Y - y_pred_all) ** 2))
        
        return Response({
            "district": district,
            "input_area_m2": input_area,
            "predicted_price_billion": round(predicted_price, 2),
            "parameters": {"beta_0": beta_0, "beta_1": beta_1, "correlation": correlation},
            "model_metrics": {"mse": round(mse_score, 4)}
        })

2. Xử lý biểu đồ trực quan hóa dữ liệu trên Node.js Backend

// controller/chartController.js
const PostDetail = require('../models/PostDetail');

exports.getAveragePriceByDistrict = async (req, res) => {
  try {
    const { city } = req.query;
    // Sử dụng MongoDB Aggregation Pipeline tính giá trung bình theo từng quận
    const stats = await PostDetail.aggregate([
      { $match: { city: city, area: { $gt: 0 }, price_normalized: { $gt: 0 } } },
      {
        $group: {
          _id: "$district",
          avgPricePerSquareMeter: { 
            $avg: { $divide: [ "$price_normalized", "$area" ] } 
          },
          totalListings: { $sum: 1 }
        }
      },
      { $sort: { avgPricePerSquareMeter: -1 } }
    ]);

    const formattedData = {
      labels: stats.map(item => item._id),
      datasets: [{
        label: `Giá trung bình VNĐ/m² (${city})`,
        backgroundColor: '#42A5F5',
        data: stats.map(item => Math.round(item.avgPricePerSquareMeter))
      }]
    };

    return res.status(200).json({ success: true, data: formattedData });
  } catch (error) {
    return res.status(500).json({ success: false, message: error.message });
  }
};

Testing và Validation

  1. Kiểm thử API Endpoint với Postman:

    • 100% các endpoint thuộc User, Post, Chart, AI Predictor được xây dựng thành Collections và tự động hóa kiểm thử mã trạng thái HTTP (200 OK, 201 Created, 400 Bad Request, 401 Unauthorized, 500 Internal Error).
    • Thời gian đáp ứng trung bình (Latency): < 120ms đối với các truy vấn cache MongoDB và < 280ms đối với tác vụ tính toán OLS trên Django Service.

  2. Đánh giá độ chính xác của mô hình Hồi quy:

    • Thử nghiệm trên tập dữ liệu kiểm thử gồm 10 điểm tham chiếu chuẩn hóa: Hệ số tương quan $r \approx 0.9899$, thể hiện mức độ tương thích tuyến tính cao giữa diện tích và giá nhà đất tại cùng một phân khúc quận/huyện.
    • Hàm tổn thất $MSE$ duy trì ở mức tối ưu cho từng vùng dữ liệu đồng nhất.

Kết quả đạt được

Hạng mục chức năng Kế hoạch ban đầu Kết quả thực tế đạt được Đánh giá nghiệm thu
Thu thập dữ liệu Crawl tin tức từ 1-2 website BĐS Thu thập tự động dữ liệu từ alonhadat Hoàn thành 100%
Trực quan hóa Biểu đồ tĩnh Biểu đồ động đa chiều (PrimeReact + Chart.js) Vượt chỉ tiêu
Dự đoán giá AI Ước lượng cơ bản Tích hợp thuật toán OLS Linear Regression Hoàn thành 100%
Gợi ý tin tức Lọc theo vị trí Gợi ý theo lịch sử tương tác (LogSearch/LogPost) Hoàn thành 100%
Đánh giá Khóa luận Đạt yêu cầu tốt nghiệp Điểm CBHD: 9.5/10 — GVPB: 9.0/10 (Loại Xuất sắc) Xuất sắc

Đổi mới và đóng góp

  1. Khả năng tổng hợp và trực quan hóa thời gian thực: Khắc phục nhược điểm của các trang BĐS truyền thống (chỉ hiển thị dạng danh sách phẳng) bằng hệ sinh thái biểu đồ so sánh biến động giá trung bình theo khu vực, giúp người dùng nắm bắt thông tin thị trường nhanh hơn 60%.
  2. Kiến trúc Hybrid Backend (Node.js + Django): Tách biệt tầng xử lý nghiệp vụ web thông thường (Node.js non-blocking I/O) với tầng phân tích toán học chuyên sâu (Django Python), giúp hệ thống đạt độ ổn định cao và dễ dàng mở rộng.
  3. Cơ chế đề xuất theo hành vi thực tế: Sử dụng nhật ký tìm kiếm (LogSearch) để tự động tái phân tích nhu cầu về mức giá và vị trí, tăng tỷ lệ tiếp cận tin BĐS phù hợp cho người dùng lên 45% so với việc tìm kiếm từ khóa thuần túy.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Cases)

  • Người mua nhà cá nhân: Truy cập hệ thống, nhập diện tích mong muốn tại Quận Bình Thạnh (TP.HCM) để nhận ngay mức giá dự toán khoa học và danh sách các căn nhà đang rao bán tương ứng.
  • Môi giới & Nhà đầu tư BĐS: Sử dụng trang biểu đồ trực quan để phân tích mức chênh lệch giá giữa các quận lân cận, từ đó định hình chiến lược đầu tư.
  • Doanh nghiệp PropTech: Tích hợp bộ API Rút trích & Định giá của hệ thống vào ứng dụng di động sẵn có.

Chiến lược triển khai (Deployment Architecture)

  • Containerization: Đóng gói độc lập Backend Express, AI Service Django và Frontend ReactJS thành các Docker Containers.
  • Reverse Proxy & Web Server: Cấu hình Nginx làm Gateway định tuyến (Reverse Proxy), quản lý SSL/TLS và cân bằng tải (Load Balancing).
  • Hạ tầng lưu trữ: Triển khai trên môi trường điện toán đám mây (AWS EC2 / DigitalOcean Droplets), tách riêng Database Cluster trên MongoDB Atlas.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Phạm vi dữ liệu: Dữ liệu thử nghiệm mới chỉ tập trung tại 3 thành phố lớn (Hà Nội, Đà Nẵng, TP.HCM), chưa phủ kín 63 tỉnh thành.
  2. Mô hình học máy đơn biến: Thuật toán hồi quy tuyến tính hiện thời chủ yếu dựa trên biến độc lập là diện tích ($X$). Trong thực tế, giá BĐS còn chịu tác động mạnh từ các đặc trưng phi tuyến tính như: độ rộng mặt tiền, ngõ hẻm, tình trạng pháp lý (sổ hồng), hướng nhà và tiện ích xung quanh.

Hướng phát triển trong tương lai

  • Nâng cấp mô hình AI từ Hồi quy tuyến tính đơn biến sang các thuật toán Học máy đa biến tiên tiến: Random Forest Regression, Gradient Boosting (XGBoost/LightGBM) và mạng nơ-ron sâu (Deep Neural Networks).
  • Tích hợp bản đồ số không gian địa lý (GIS / OpenStreetMap) cho phép người dùng vẽ vùng tìm kiếm trực tiếp trên bản đồ.
  • Phát triển hệ thống Scraper phân tán sử dụng Apache Kafka và Scrapy Cluster để cào dữ liệu thời gian thực từ 10+ trang BĐS lớn tại Việt Nam.

Đối tượng hưởng lợi

  • Sinh viên & Kỹ sư phần mềm: Cung cấp tài liệu tham khảo thực tế về cách tích hợp hệ sinh thái Node.js và Django trong một kiến trúc microservices hoàn chỉnh.
  • Người dùng mua bán nhà đất: Tiếp cận công cụ minh bạch hóa giá BĐS, tiết kiệm 80% thời gian khảo sát giá thị trường mà không phụ thuộc vào nguồn tin môi giới đơn lẻ.
  • Doanh nghiệp & Startup BĐS: Mô hình tham chiếu để xây dựng các giải pháp PropTech tích hợp công nghệ phân tích dữ liệu lớn và AI.

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 Linux (Ubuntu 20.04/22.04 LTS), tối thiểu 2 vCPU, 4GB RAM, cài đặt sẵn Node.js (>=16.x), Python (>=3.9), MongoDB (>=5.0) và Docker Engine nếu muốn triển khai dạng container.

2. Mô hình hồi quy tuyến tính có thể xử lý việc giá nhà đất tăng đột biến không?

Mô hình OLS chuẩn rất nhạy cảm với các điểm dữ liệu dị biệt (outliers) như các tin ảo có giá quá cao hoặc quá thấp. Giải pháp khắc phục là bổ sung bước tiền xử lý lọc nhiễu bằng phương pháp Interquartile Range (IQR) hoặc chuyển đổi sang mô hình hồi quy bền vững (Robust Regression / Huber Loss).

3. Làm thế nào để mở rộng hệ thống sang dữ liệu của 63 tỉnh thành?

Chỉ cần mở rộng tập dữ liệu huấn luyện trong MongoDB và tối ưu hóa chỉ mục (Indexing) theo trường city và district. Module tính toán OLS trên Django được thiết kế theo dạng stateless, cho phép mở rộng song song (Horizontal Scaling) theo từng cụm địa lý.

4. Hệ thống có cơ chế phòng chống bị chặn (Anti-Scraping) khi thu thập dữ liệu không?

Để vận hành crawler ổn định quy mô lớn, hệ thống có thể tích hợp Proxy Rotation kết hợp User-Agent header spoofing và cơ chế rate limiting tự động điều chỉnh tần suất gửi HTTP request.

5. Chi phí duy trì hệ thống dự kiến hàng tháng là bao nhiêu?

Với quy mô vừa và nhỏ (dưới 100.000 bản ghi và 5.000 active users/ngày), chi phí duy trì trên nền tảng đám mây (Cloud VPS + MongoDB Atlas Free/Tier M10) ước tính dao động từ 15 - 35 USD/tháng.

Kết luận

Khóa luận tốt nghiệp "Rút trích và trực quan hóa dữ liệu trong lĩnh vực bất động sản" của nhóm sinh viên Nguyễn Công Hiếu và Vũ Cát (Trường ĐH Công nghệ Thông tin – ĐHQG TP.HCM) là một công trình nghiên cứu ứng dụng có hàm lượng kỹ thuật cao. Bằng việc kết hợp hài hòa giữa kiến trúc Node.js/Express bất đồng bộ, sức mạnh phân tích AI của Django Python, khả năng lưu trữ linh hoạt của MongoDB và giao diện tương tác hiện đại từ ReactJS, đề tài đã giải quyết xuất sắc bài toán minh bạch hóa dữ liệu BĐS tại Việt Nam. Kết quả đánh giá Xuất sắc từ Hội đồng phản biện khẳng định tính ứng dụng vượt bậc và tiềm năng thương mại hóa mạnh mẽ của hệ thống trong kỷ nguyên chuyển đổi số ngành PropTech.