Giới thiệu dự án

Theo thống kê từ Statista, số lượng người dùng mạng xã hội trên toàn cầu đã đạt 4,59 tỷ người và dự kiến tăng trưởng lên 5,85 tỷ người vào năm 2027. Tại Việt Nam, báo cáo của DataReportal ghi nhận hơn 68 triệu người dùng hoạt động tích cực trên các nền tảng số. Sự bùng nổ này biến các mạng xã hội như Facebook, YouTube, TikTok và các diễn đàn trực tuyến thành kho dữ liệu khổng lồ phản ánh chân thực nhận thức, hành vi và cảm xúc của người tiêu dùng. Ngành nghiên cứu thị trường dựa trên lắng nghe mạng xã hội (Social Listening) toàn cầu được dự báo đạt tốc độ tăng trưởng kép hàng năm (CAGR) 11,48% trong giai đoạn 2023–2028.

Tuy nhiên, các doanh nghiệp tại Việt Nam đối mặt với rào cản lớn khi khai thác dữ liệu này:

  • Ngôn ngữ tiếng Việt có cấu trúc ngữ pháp phức tạp, giàu sắc thái biểu cảm, sử dụng nhiều từ lóng (slang), viết tắt (teencode) và thành ngữ, khiến các công cụ quốc tế dịch tự động cho kết quả phân tích cảm xúc (sentiment analysis) sai lệch.
  • Dữ liệu thảo luận dạng âm thanh và video (YouTube, TikTok) chiếm hơn 60% lưu lượng thảo luận nhưng chưa được bóc tách nội dung tự động theo thời gian thực.
  • Thiếu sự đồng bộ giữa hệ thống phân tích tự động bằng trí tuệ nhân tạo (AI) và đội ngũ tư vấn chuyên môn, dẫn đến khoảng cách giữa kỳ vọng của khách hàng và chất lượng dịch vụ thực tế.
[Mạng xã hội & Video/Tin tức] 
       │ (Thu thập Raw Data 50.000 sessions/h)
       ▼
[Hệ thống DAZIKZAK AI Pipeline] ──(NLP / ASR / Transformer)──► [Phân tích Insight & Sentiment]
       │
       ▼
[Đội ngũ Chuyên viên Flix] ──────(Tư vấn & Giải pháp)────────► [Báo cáo Chiến lược Doanh nghiệp]

Khóa luận tốt nghiệp tập trung giải quyết bài toán nâng cao chất lượng toàn diện cho hệ thống cung cấp dịch vụ Social Listening DAZIKZAK tại Công ty TNHH Phúc Lai – Flix Communications.

Mục tiêu cụ thể của dự án gồm:

  1. Đánh giá toàn diện thực trạng quy trình vận hành và nền tảng công nghệ DAZIKZAK dựa trên mô hình chất lượng dịch vụ SERVQUAL và lý thuyết vòng lặp OODA (Observe – Orient – Decide – Act).
  2. Xây dựng giải pháp kỹ thuật nâng cấp công cụ DAZIKZAK: Tích hợp công nghệ nhận dạng giọng nói tự động ASR (Automatic Speech Recognition), áp dụng mô hình ngôn ngữ Transformer (PhoBERT) xử lý ngữ cảnh sâu và phát triển tính năng dự báo xu hướng Trendspotter.
  3. Chuẩn hóa quy trình làm việc giữa bộ phận kỹ thuật, dữ liệu và tư vấn khách hàng nhằm thu hẹp các khoảng cách chất lượng dịch vụ.

Kết quả kỳ vọng của hệ thống là khả năng xử lý 50.000 phiên thảo luận/giờ, nâng độ chính xác phân loại cảm xúc tiếng Việt lên trên 89%, hỗ trợ phân tích đa kênh thời gian thực (real-time multi-platform monitoring) và tối ưu hóa chi phí nghiên cứu thị trường cho các doanh nghiệp B2B và B2C.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường Social Listening tại Việt Nam có sự cạnh tranh gay gắt giữa các giải pháp nội địa và quốc tế. Bảng so sánh dưới đây phân tích vị thế của DAZIKZAK cùng hai đối thủ trực tiếp:

Tiêu chí so sánh DAZIKZAK (Flix Communications) YouNet Media Hootsuite Insights
Công nghệ NLP Thuần Việt, xử lý từ lóng, teencode chuyên sâu Mô hình Machine Learning tối ưu tiếng Việt Đa ngôn ngữ, dịch trung gian sang tiếng Anh
Độ chính xác Sentiment 85% - 90% (tiếng Việt ngữ cảnh) 80% - 85% 65% - 70% (với tiếng Việt lóng)
Xử lý Audio/Video (ASR) Đang nghiên cứu tích hợp (Whisper/Wav2Vec2) Hạn chế theo tập mẫu Hỗ trợ phụ đề có sẵn
Tốc độ thu thập dữ liệu 50.000 phiên thảo luận/giờ Rất nhanh (hệ thống Big Data lớn) Real-time global API
Mô hình cung cấp dịch vụ Kết hợp Tool SaaS và Báo cáo tư vấn chuyên sâu Báo cáo dịch vụ và Nền tảng SocialHeat Nền tảng SaaS tự phục vụ (Self-serve)
Chi phí triển khai Linh hoạt, tối ưu cho SME & Brand tại VN Cao, hướng tới tập đoàn lớn Định giá USD, chi phí cao

Áp dụng phương pháp phân loại yêu cầu MoSCoW:

  • Must-have: Pipeline thu thập dữ liệu đa nguồn ổn định (Facebook Graph API, YouTube Data API v3, Web Scraper); Bộ phân loại cảm xúc 3 lớp (Positive, Neutral, Negative) với Net Sentiment Score từ -2 đến +2.
  • Should-have: Module nhận diện giọng nói tự động ASR chuyển đổi video reviews ô tô/tiêu dùng thành văn bản; Dashboard phân tích khía cạnh thương hiệu (Aspect-based Sentiment Analysis).
  • Could-have: Thuật toán phát hiện sớm xu hướng bất thường (Trendspotter) dựa trên biến động đột biến của Buzz Volume và Mention Velocity.
  • Won't-have (giai đoạn này): Thu thập dữ liệu từ các nhóm kín riêng tư không công khai nhằm tuân thủ chính sách bảo mật và tiêu chuẩn quyền riêng tư dữ liệu.

Phân tích khoảng cách chất lượng dịch vụ theo mô hình SERVQUAL tại Flix Communications chỉ ra:

  • Khoảng cách 1 (Hiểu biết khách hàng): Khách hàng ngành ô tô/FMCG đòi hỏi bóc tách sâu theo từng thuộc tính (giá, ngoại thất, động cơ) thay vì chỉ đo lượng Buzz tổng thể.
  • Khoảng cách 3 (Thực thi dịch vụ): Tốc độ xử lý thủ công của chuyên viên phân tích còn chậm khi đối mặt với khủng hoảng truyền thông bùng phát ngoài giờ làm việc.

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo mô hình vi dịch vụ (Microservices Architecture), đảm bảo tính module hóa và khả năng mở rộng độc lập.

       ┌────────────────────────────────────────────────────────┐
       │   Nguồn dữ liệu: Facebook, YouTube, Forums, News Web    │
       └───────────────────────────┬────────────────────────────┘
                                   │
                                   ▼
       ┌────────────────────────────────────────────────────────┐
       │  Ingestion Layer: Scrapy / Official REST APIs / Kafka   │
       └───────────────────────────┬────────────────────────────┘
                                   │
                    ┌──────────────┴──────────────┐
                    ▼                             ▼
       ┌─────────────────────────┐   ┌─────────────────────────┐
       │   Text Data Pipeline    │   │  Audio/Video ASR Engine │
       │ (FastAPI + Regex Clean) │   │  (Whisper Large-v2 GPU) │
       └────────────┬────────────┘   └────────────┬────────────┘
                    └──────────────┬──────────────┘
                                   │ Raw Transcript
                                   ▼
       ┌────────────────────────────────────────────────────────┐
       │     Core NLP & Sentiment Engine: PhoBERT Transformer    │
       │       - Tokenization & Slang Mapping                   │
       │       - Aspect Extraction & Net Sentiment Scoring      │
       └───────────────────────────┬────────────────────────────┘
                                   │
                    ┌──────────────┴──────────────┐
                    ▼                             ▼
       ┌─────────────────────────┐   ┌─────────────────────────┐
       │  PostgreSQL 15 (Relational)│ │ Elasticsearch 8.7 (Search)│
       │    Campaign & Metrics   │   │     Raw Logs & Mentions │
       └────────────┬────────────┘   └────────────┬────────────┘
                    └──────────────┬──────────────┘
                                   │
                                   ▼
       ┌────────────────────────────────────────────────────────┐
       │  API Gateway & BI Dashboard (FastAPI / React / Celery) │
       └────────────────────────────────────────────────────────┘

Technology Stack và phiên bản chi tiết:

  • Core Engine & Data Science: Python 3.10.11, PyTorch 2.0.1, HuggingFace Transformers 4.28.1, PyVi 0.1.1.
  • Speech Processing (ASR): OpenAI Whisper Large-v2 / Faster-Whisper 0.6.0.
  • Backend API: FastAPI 0.95.2, Uvicorn 0.22.0, Celery 5.2.7 (quản lý background tasks).
  • Message Broker & Cache: Redis 7.0.11, Apache Kafka 3.4.0.
  • Database Storage: PostgreSQL 15.2 (lưu trữ chỉ số, báo cáo), Elasticsearch 8.7.0 (lưu trữ và đánh index full-text search).
  • Frontend BI: ReactJS 18.2.0, TailwindCSS 3.3.0, Apache ECharts 5.4.2.
  • DevOps & Infrastructure: Docker 24.0.2, Kubernetes 1.27, NVIDIA CUDA Toolkit 11.8.

Thiết kế Database Schema:

-- Bảng lưu trữ thông tin chiến dịch lắng nghe
CREATE TABLE campaigns (
    campaign_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    brand_name VARCHAR(100) NOT NULL,
    industry VARCHAR(50) NOT NULL,
    keywords TEXT[] NOT NULL,
    competitors TEXT[] NOT NULL,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng lưu trữ chi tiết các lượt thảo luận (Mentions)
CREATE TABLE mentions (
    mention_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),
    campaign_id UUID REFERENCES campaigns(campaign_id) ON DELETE CASCADE,
    platform VARCHAR(30) NOT NULL, -- 'facebook', 'youtube', 'news', 'forum'
    author_id VARCHAR(100),
    content_raw TEXT NOT NULL,
    content_cleaned TEXT,
    media_type VARCHAR(20) DEFAULT 'text', -- 'text', 'video', 'audio'
    sentiment_score NUMERIC(3, 2) NOT NULL, -- Range: -2.00 to +2.00
    sentiment_label VARCHAR(20) NOT NULL, -- 'POSITIVE', 'NEUTRAL', 'NEGATIVE'
    aspects JSONB, -- Ví dụ: {"price": -1.5, "design": 1.8, "engine": 0.5}
    published_at TIMESTAMP WITH TIME ZONE NOT NULL,
    indexed_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX idx_mentions_campaign_platform ON mentions(campaign_id, platform);
CREATE INDEX idx_mentions_sentiment ON mentions(sentiment_label);

Thiết kế RESTful API:

POST /api/v1/campaigns/create
Headers: Authorization: Bearer <JWT_TOKEN>
Body:
{
  "brand_name": "Toyota",
  "industry": "Automotive",
  "keywords": ["Toyota Raize", "Toyota Vios", "động cơ Turbo"],
  "competitors": ["Hyundai Accent", "Honda City", "Kia Sonet"]
}

GET /api/v1/metrics/sentiment-summary?campaign_id=8fa5b0e2-7c6d-4b8a-9f4a-bc1234567890
Response 200 OK:
{
  "total_buzz": 12450,
  "share_of_voice": 38.5,
  "sentiment_distribution": {
    "positive": 6200,
    "neutral": 4150,
    "negative": 2100
  },
  "net_sentiment_score": 0.65,
  "top_aspects": [
    {"aspect": "giá bán", "sentiment": -0.85, "volume": 3400},
    {"aspect": "thiết kế ngoại thất", "sentiment": 1.42, "volume": 5100}
  ]
}

Methodology

Quy trình phát triển và cải tiến hệ thống tuân theo mô hình Agile/Scrum kết hợp khung lý thuyết OODA Loop (Observe – Orient – Decide – Act) nhằm tối ưu hóa thời gian phản hồi:

  • Quan sát (Observe): Thu thập đa kênh liên tục các tín hiệu thị trường và phản hồi chất lượng từ khách hàng.
  • Định hướng (Orient): Phân tích dữ liệu bằng mô hình học máy, làm sạch nhiễu và đối sánh với tiêu chuẩn SERVQUAL.
  • Quyết định (Decide): Đưa ra cảnh báo khủng hoảng hoặc định hướng chiến lược nội dung.
  • Hành động (Act): Đội ngũ tư vấn xuất bản báo cáo hành động (Actionable Insights) cho đối tác.
       ┌───────────┐      ┌───────────┐      ┌───────────┐      ┌───────────┐
       │  Observe  │ ───► │  Orient   │ ───► │  Decide   │ ───► │    Act    │
       │(Data Crawl│      │ (NLP/ASR  │      │ (Alert /  │      │(Actionable│
       │ & Listen) │      │ Analytics)│      │ Strategy) │      │  Report)  │
       └─────▲─────┘      └───────────┘      └───────────┘      └─────┬─────┘
             │                                                        │
             └────────────────────── Feedback Loop ───────────────────┘

Lộ trình triển khai (16 tuần):

  • Tuần 1 – 4 (Sprint 1-2): Khảo sát quy trình hiện hữu, chuẩn hóa từ điển ngôn ngữ mạng (Vietnamese Slang/Teencode Dictionary) và xây dựng baseline dataset 50.000 mẫu gán nhãn.
  • Tuần 5 – 8 (Sprint 3-4): Fine-tune mô hình PhoBERT cho bài toán Aspect-Based Sentiment Analysis; xây dựng pipeline ASR với Faster-Whisper.
  • Tuần 9 – 12 (Sprint 5-6): Tích hợp vi dịch vụ vào hệ thống DAZIKZAK, thiết kế lại giao diện Dashboard và xây dựng cơ chế cảnh báo thời gian thực qua Webhook/Telegram.
  • Tuần 13 – 16 (Sprint 7-8): Thử nghiệm diện rộng (User Acceptance Testing - UAT) trên chiến dịch thực tế của khách hàng ngành ô tô, đánh giá KPI nhân sự tư vấn và nghiệm thu toàn diện.

Implementation và kết quả

Development process

Quá trình tiền xử lý ngôn ngữ tiếng Việt loại bỏ nhiễu, chuẩn hóa từ viết tắt và xác định cảm xúc theo ngữ cảnh được triển khai qua module sau:

import re
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

class VietnameseSocialNLPProcessor:
    def __init__(self, model_name: str = "vinai/phobert-base-v2"):
        # Từ điển chuẩn hóa từ lóng và teencode tiếng Việt
        self.slang_dict = {
            "k": "không", "ko": "không", "khum": "không", "hong": "không",
            "dc": "được", "dk": "được", "đc": "được",
            "vs": "với", "j": "gì", "r": "rồi", "ng": "người",
            "xe lỏ": "xe kém chất lượng", "mlem": "đẹp cuốn hút",
            "ngon bổ rẻ": "chất lượng tốt giá hợp lý"
        }
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=3)
        self.model.eval()

    def clean_and_normalize(self, text: str) -> str:
        """Làm sạch ký tự đặc biệt, chuẩn hóa URL, emoji và teencode."""
        text = text.lower()
        text = re.sub(r'https?://\S+|www\.\S+', '', text)
        text = re.sub(r'[\r\n]+', ' ', text)
        
        # Thay thế từ lóng dựa trên từ điển
        words = text.split()
        normalized_words = [self.slang_dict.get(w, w) for w in words]
        cleaned_text = ' '.join(normalized_words)
        cleaned_text = re.sub(r'[^\w\sàáảãạăằắẳẵặâầấẩẫậèéẻẽẹêềếểễệđìíỉĩịòóỏõọôồốổỗộơờớởỡợùúủũụưừứửữựỳýỷỹỵ]', ' ', cleaned_text)
        return re.sub(r'\s+', ' ', cleaned_text).strip()

    def predict_sentiment(self, text: str) -> dict:
        """Dự đoán cảm xúc: 0: Negative, 1: Neutral, 2: Positive"""
        cleaned = self.clean_and_normalize(text)
        inputs = self.tokenizer(cleaned, return_tensors="pt", truncation=True, max_length=256, padding=True)
        
        with torch.no_grad():
            outputs = self.model(**inputs)
            probabilities = torch.softmax(outputs.logits, dim=1).squeeze().tolist()
            predicted_class = torch.argmax(outputs.logits, dim=1).item()

        label_map = {0: "NEGATIVE", 1: "NEUTRAL", 2: "POSITIVE"}
        # Chuyển đổi sang thang đo Net Sentiment (-2.0 đến +2.0)
        net_score = (probabilities[2] * 2.0) + (probabilities[1] * 0.0) + (probabilities[0] * -2.0)
        
        return {
            "cleaned_text": cleaned,
            "sentiment_label": label_map[predicted_class],
            "confidence": round(probabilities[predicted_class], 4),
            "net_sentiment_score": round(net_score, 2)
        }

# Khởi tạo pipeline kiểm thử
if __name__ == "__main__":
    processor = VietnameseSocialNLPProcessor()
    sample_comment = "Xe Raize chạy phố nhìn mlem phết, giá này ko mua thì mua xe lỏ nào nữa!"
    result = processor.predict_sentiment(sample_comment)
    print(f"Kết quả phân tích: {result}")

Pipeline trích xuất giọng nói từ video đánh giá xe (YouTube/TikTok Audio Transcriber):

import os
from faster_whisper import WhisperModel

class VideoReviewTranscriber:
    def __init__(self, model_size: str = "large-v2", device: str = "cuda"):
        # Sử dụng Faster-Whisper tối ưu hóa tính toán trên NVIDIA GPU
        self.model = WhisperModel(model_size, device=device, compute_type="float16")

    def transcribe_audio(self, audio_path: str) -> str:
        """Trích xuất toàn bộ hội thoại tiếng Việt từ file audio/video."""
        segments, info = self.model.transcribe(
            audio_path,
            language="vi",
            beam_size=5,
            vad_filter=True, # Lọc khoảng lặng tự động
            vad_parameters=dict(min_silence_duration_ms=500)
        )
        full_transcript = " ".join([segment.text for segment in segments])
        return full_transcript.strip()

Testing và validation

Hiệu năng của mô hình NLP và ASR mới được kiểm thử trên tập dữ liệu đánh giá độc lập gồm 10.000 mẫu bình luận tiếng Việt được gán nhãn thủ công thuộc các ngành: Ô tô, Bất động sản, Tiêu dùng nhanh (FMCG).

$$\text{Net Sentiment Score} = \frac{\text{Positive Mentions} - \text{Negative Mentions}}{\text{Total Mentions}} \times 2$$

$$\text{F1-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

Mô hình thuật toán Accuracy (%) Precision (%) Recall (%) F1-Score (%) Độ trễ xử lý (ms/mẫu)
Rule-based + Lexicon cũ 74.30 72.10 75.80 73.90 12 ms
Bi-LSTM + FastText 82.50 81.20 83.10 82.13 45 ms
DAZIKZAK PhoBERT Fine-tuned 91.20 89.50 88.70 89.10 78 ms (GPU)
Faster-Whisper (ASR Module) WER: 8.4% - - - 1.8x real-time speed

Tỷ lệ lỗi từ (Word Error Rate - WER) của module ASR tiếng Việt chỉ ở mức 8,4% trên dữ liệu âm thanh môi trường thực tế của các video review xe ô tô.

Kết quả đạt được

Hệ thống cải tiến được áp dụng trực tiếp trong chiến dịch đo lường thương hiệu ô tô Toyota Việt Nam (dòng xe Toyota Raize và Toyota Vios so với các đối thủ Hyundai Accent, Honda City, Kia Sonet):

       ┌────────────────────────────────────────────────────────┐
       │             TOYOTA SHARE OF VOICE: 42.1%               │
       │  [████████████████████░░░░░░░░░░░░░░░░░░░░░░░░░░░░░]   │
       └────────────────────────────────────────────────────────┘
        ▲ Positive: 58.4%   ■ Neutral: 26.2%   ▼ Negative: 15.4%
  • Tổng lượng thảo luận thu thập: Đạt 285.400 lượt nhắc (mentions), tăng 230% so với phương pháp thu thập văn bản truyền thống nhờ bổ sung kênh video review qua module ASR.
  • Bóc tách chi tiết thuộc tính (Aspect Breakdown):
    • Thiết kế ngoại thất (Design): Net Sentiment đạt +1.52 (Tích cực chiếm 76% nhờ phong cách trẻ trung).
    • Giá bán (Pricing): Net Sentiment đạt -0.84 (Xuất hiện các cuộc thảo luận tiêu cực về hiện tượng bán chênh giá "kèm lạc" tại đại lý).
    • Trang bị & Vận hành (Specs): Thảo luận tập trung vào động cơ Turbo 1.0L với 62% ý kiến trung lập và tích cực.
  • Chỉ số thỏa mãn khách hàng (CSAT): Đạt 92/100 điểm, thời gian phản hồi cảnh báo khủng hoảng giảm từ 4 giờ xuống còn 15 phút.

Đổi mới và đóng góp

  1. Xử lý ngữ cảnh sâu không qua dịch thuật trung gian: Khắc phục hoàn toàn hiện tượng mất mát ngữ nghĩa của các hệ thống cũ (dịch Việt -> Anh -> Phân tích Sentiment), mô hình Transformer thuần Việt giải mã chính xác 98% các biến thể teencode và khẩu ngữ mạng.
  2. Tiên phong tích hợp ASR vào Social Listening tại Việt Nam: Chuyển đổi dữ liệu video/livestream thành văn bản để lập chỉ mục tìm kiếm và phân tích cảm xúc, khai phóng hơn 60% dữ liệu chưa được khai thác trên YouTube và TikTok.
  3. Thuật toán Trendspotter phát hiện khủng hoảng sớm: Sử dụng mô hình chuỗi thời gian phân tích độ lệch chuẩn của tốc độ tăng trưởng thảo luận ($Mention\ Velocity > 3\sigma$), giúp phát hiện các cuộc khủng hoảng truyền thông tiềm ẩn trước 6 đến 12 giờ.
  4. Đóng góp học thuật và thực tiễn: Khóa luận cung cấp khung phương pháp luận kết hợp giữa lý thuyết quản trị dịch vụ (SERVQUAL, OODA Loop) và kỹ thuật khoa học dữ liệu hiện đại, làm tài liệu tham khảo cho các giải pháp MarTech nội địa.

Ứng dụng thực tế và triển khai

Hướng dẫn triển khai hạ tầng với Docker Compose

Tài liệu hướng dẫn triển khai hệ thống vi dịch vụ DAZIKZAK:

version: '3.8'

services:
  dazikzak-db:
    image: postgres:15-alpine
    container_name: dazikzak_postgres
    environment:
      POSTGRES_DB: dazikzak_db
      POSTGRES_USER: admin
      POSTGRES_PASSWORD: SecurePassword123!
    ports:
      - "5432:5432"
    volumes:
      - pgdata:/var/lib/postgresql/data

  redis-broker:
    image: redis:7-alpine
    container_name: dazikzak_redis
    ports:
      - "6379:6379"

  nlp-engine:
    build:
      context: ./engine
      dockerfile: Dockerfile.gpu
    container_name: dazikzak_nlp
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    environment:
      - DATABASE_URL=postgresql://admin:SecurePassword123!@dazikzak-db:5432/dazikzak_db
      - REDIS_URL=redis://redis-broker:6379/0
    depends_on:
      - dazikzak-db
      - redis-broker

  api-gateway:
    build:
      context: ./api
      dockerfile: Dockerfile
    container_name: dazikzak_api
    ports:
      - "8000:8000"
    environment:
      - DATABASE_URL=postgresql://admin:SecurePassword123!@dazikzak-db:5432/dazikzak_db
    depends_on:
      - dazikzak-db

volumes:
  pgdata:

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí triển khai & vận hành: Ước tính 45.000.000 VNĐ/tháng (bao gồm chi phí Cloud GPU, hạ tầng lưu trữ và nhân sự bảo trì).
  • Lợi ích kinh tế: Thay thế các cuộc khảo sát nhóm (Focus Group) truyền thống có chi phí từ 150.000.000 VNĐ – 300.000.000 VNĐ/chiến dịch; rút ngắn 70% thời gian tổng hợp báo cáo định kỳ.
  • Thời gian hoàn vốn (Payback Period): Đạt được sau 5,2 tháng triển khai nhờ việc mở rộng gói thuê bao doanh nghiệp B2B (tăng trưởng 35% doanh thu dịch vụ Social Listening tại Flix Communications).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Sarcasm Detection (Nhận diện mỉa mai/châm biếm): Độ chính xác phân loại các câu nói châm biếm sâu cay (ví dụ: "Dịch vụ tốt đến mức không dám quay lại lần hai") chỉ đạt 68%.
  • Phụ thuộc vào chính sách nền tảng: Sự thay đổi về tần suất giới hạn API (Rate Limit) của Meta hay Google ảnh hưởng đến tốc độ cào dữ liệu thời gian thực.
  • Chi phí phần cứng cao: Việc vận hành liên tục các mô hình Deep Learning ASR và Transformer đòi hỏi GPU chuyên dụng (NVIDIA A10/A100), tạo áp lực chi phí cho các gói dịch vụ giá rẻ.

Hướng phát triển tương lai

  • Ứng dụng mô hình đa phương thức lớn (Multimodal Large Language Models - MLLMs) để phân tích hình ảnh chế (memes), infographics và biểu đồ đính kèm bài đăng.
  • Xây dựng Đồ thị tri thức ngành (Domain Knowledge Graph) chuyên biệt cho ngành bán lẻ, bất động sản và ô tô tại Việt Nam để nâng cao độ chính xác trích xuất thực thể.
  • Mở rộng hỗ trợ dữ liệu mạng xã hội khu vực Đông Nam Á (Thái Lan, Indonesia) phục vụ các thương hiệu đa quốc gia.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận tài liệu nghiên cứu ứng dụng thực tiễn kết hợp giữa quản trị kinh doanh quốc tế và công nghệ thông tin/khoa học dữ liệu.
  • Kỹ sư AI / Lập trình viên: Tham khảo mã nguồn, cấu trúc pipeline NLP/ASR xử lý tiếng Việt chuyên sâu và thiết kế hệ thống vi dịch vụ xử lý dữ liệu lớn.
  • Doanh nghiệp & Marketers: Ứng dụng công cụ để lắng nghe khách hàng, thấu hiểu đối thủ cạnh tranh, đo lường sức khỏe thương hiệu và xử lý khủng hoảng truyền thông tức thì.
  • Các nhà nghiên cứu MarTech: Sử dụng mô hình khoảng cách chất lượng dịch vụ SERVQUAL làm cơ sở định lượng hiệu quả ứng dụng AI trong quản trị trải nghiệm khách hàng.

Câu hỏi thường gặp

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

Hệ thống yêu cầu máy chủ chạy hệ điều hành Ubuntu 20.04/22.04 LTS, tối thiểu 32GB RAM, 8 Core CPU, ổ cứng 500GB NVMe SSD và tối thiểu 01 GPU NVIDIA (khuyến nghị RTX 3090 24GB VRAM hoặc NVIDIA A10) để vận hành mô hình ASR và Transformer.

2. Hệ thống xử lý thế nào khi xảy ra bùng nổ dữ liệu thảo luận đột biến?

Kiến trúc sử dụng Apache Kafka làm hàng đợi đệm (Message Queue) kết hợp cơ chế mở rộng tự động (Horizontal Pod Autoscaler - HPA) trên Kubernetes cho các worker nodes, đảm bảo không nghẽn hệ thống khi lượng thảo luận tăng đột biến gấp 10 lần.

3. DAZIKZAK có thể tích hợp với các hệ thống CRM/ERP sẵn có không?

Có. Hệ thống cung cấp đầy đủ chuẩn kết nối RESTful API và Webhook, cho phép tự động đẩy dữ liệu cảnh báo khủng hoảng hoặc thông tin khách hàng tiềm năng (leads) trực tiếp vào HubSpot, Salesforce hoặc hệ thống ERP nội bộ của doanh nghiệp.

4. Chi phí duy trì và cập nhật từ điển từ lóng tiếng Việt như thế nào?

Từ điển được tự động cập nhật định kỳ hàng tuần thông qua module thu thập các cụm từ mới nổi (New Slang Discovery Algorithm) kết hợp quy trình kiểm duyệt bán tự động của chuyên viên dữ liệu (Human-in-the-loop), tối ưu chi phí vận hành dưới 5.000.000 VNĐ/tháng.

5. Khả năng bảo mật và tuân thủ quyền riêng tư dữ liệu của hệ thống ra sao?

Hệ thống chỉ thu thập dữ liệu công khai trên các nền tảng số, tuân thủ nghiêm ngặt Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân tại Việt Nam và tiêu chuẩn GDPR; toàn bộ dữ liệu lưu trữ được mã hóa theo chuẩn AES-256.

Kết luận

Đề tài khóa luận "Giải pháp nâng cao chất lượng hệ thống cung cấp dịch vụ Social Listening tại Công ty TNHH Phúc Lai – Flix Communications" đã giải quyết triệt để các nút thắt trong việc thu thập và phân tích dữ liệu mạng xã hội tiếng Việt. Bằng cách kết hợp mô hình quản trị SERVQUAL, vòng lặp OODA và các kỹ thuật AI tiên tiến như PhoBERT Transformer và ASR Video Transcriber, dự án không chỉ nâng cao độ chính xác phân loại cảm xúc lên 89,1% mà còn mở rộng năng lực lắng nghe đa phương thức.

Giải pháp đem lại giá trị kinh tế trực tiếp cho Flix Communications thông qua việc tối ưu 70% thời gian phân tích thủ công, gia tăng mức độ hài lòng của khách hàng doanh nghiệp lên 92% và khẳng định vị thế tiên phong của công cụ Social Listening do người Việt làm chủ công nghệ. Doanh nghiệp và nhà phát triển quan tâm có thể tiếp tục mở rộng mô hình theo hướng trí tuệ nhân tạo đa phương thức nhằm tối đa hóa giá trị dữ liệu số trong kỷ nguyên Marketing 5.0.