Giới thiệu dự án

  • Context: Thị trường thương mại điện tử (TMĐT) tại Việt Nam đang bùng nổ, đặc biệt trong giai đoạn hậu Covid‑19. Shopee là một trong những sàn TMĐT hàng đầu, chiếm hơn 60 % thị phần trên thị trường trẻ (độ tuổi 15‑30).
  • Problem statement: Sinh viên tại TP. Hồ Chí Minh thường thêm sản phẩm vào giỏ hàng nhưng lại bỏ qua việc thanh toán, dẫn đến tỷ lệ “shopping cart abandonment” cao, ảnh hưởng tiêu cực tới doanh thu và trải nghiệm người dùng.
  • Project objectives
    1. Xác định các yếu tố ảnh hưởng đến hành vi từ bỏ giỏ hàng (động cơ, chi phí, rủi ro, giao dịch không thuận).
    2. Đánh giá mức độ tác động (mạnh/yếu) của mỗi yếu tố bằng mô hình hồi quy đa biến và Logistic Regression.
    3. Đề xuất các giải pháp kỹ thuật và chiến lược kinh doanh giúp Shopee giảm tỷ lệ bỏ giỏ hàng xuống < 15 % trong 6 tháng.
  • Solution approach: Kết hợp nghiên cứu định tính (phỏng vấn sâu) và định lượng (survey Likert 5‑point, phân tích EFA/CFA, Binary Logistic Regression) đồng thời triển khai một prototype khung đề xuất cải thiện UX và thanh toán qua API.
  • Expected outcomes:
    • Mô hình dự đoán bỏ giỏ hàng với accuracy ≈ 82 % và AUC ≈ 0.88.
    • Giảm thời gian checkout trung bình từ 45 giây → 28 giây (‑37 %).
    • Tăng tỷ lệ chuyển đổi từ 23 % → 31 % (≈ +35 %).
  • Scope & limitations: Nghiên cứu chỉ tập trung vào sinh viên (độ tuổi 18‑24) sử dụng Shopee trên thiết bị di động; không xét đến các yếu tố ngoại vi như chương trình khuyến mãi lớn của đối thủ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Solution Pros Cons
Shopee (hiện tại) Giao diện thân thiện, đa dạng phương thức thanh toán, chương trình “Free Ship”. Checkout phức tạp (nhiều bước xác thực), thiếu nhắc nhở “cart reminder”.
Tiki Giao hàng nhanh (Same‑day), hệ thống bảo hành mạnh. Hạn chế về số lượng nhà bán đa dạng, phí giao hàng cao.
Lazada Hỗ trợ đa nền tảng, tích hợp các voucher lớn. UI rắc rối khi thay đổi quảng cáo, độ trễ tải trang cao.

User requirements (MoSCoW)

  • Must: Đơn giản hoá quy trình checkout, hỗ trợ thanh toán nhanh (QR, ví điện tử).
  • Should: Gửi reminder tự động khi giỏ hàng không được hoạt động > 15 phút.
  • Could: Áp dụng AI đề xuất “one‑click purchase” dựa trên lịch sử mua sắm.
  • Won’t: Thay đổi kiến trúc back‑end hiện tại trong giai đoạn thử nghiệm.

Technical constraints & challenges

  • Dữ liệu khảo sát được thu thập bằng Google Forms → phải chuyển sang định dạng CSV cho SPSS/Python.
  • Hạn chế về nguồn lực: nhóm gồm 5 sinh viên, thời gian thực hiện 4 tháng.
  • Độ tin cậy thang đo cần Cronbach’s Alpha > 0.6 (đã đạt 0.734 cho mục “độ bận rộn” và 0.813 cho “rủi ro nhận thức”).

**Gap## Giới thiệu dự án

  • Context: Thị trường thương mại điện tử (TMĐT) tại Việt Nam đang bùng nổ, đặc biệt trong giai đoạn hậu Covid‑19. Shopee là một trong những sàn TMĐT hàng đầu, chiếm hơn 60 % thị phần trên thị trường trẻ (độ tuổi 15‑30).
  • Problem statement: Sinh viên tại TP. Hồ Chí Minh thường thêm sản phẩm vào giỏ hàng nhưng lại bỏ qua việc thanh toán, dẫn đến tỷ lệ “shopping cart abandonment” cao, ảnh hưởng tiêu cực tới doanh thu và trải nghiệm người dùng.
  • Project objectives
    1. Xác định các yếu tố ảnh hưởng đến hành vi từ bỏ giỏ hàng (động cơ, chi phí, rủi ro, giao dịch không thuận).
    2. Đánh giá mức độ tác động (mạnh/yếu) của mỗi yếu tố bằng mô hình hồi quy đa biến và Logistic Regression.
    3. Đề xuất các giải pháp kỹ thuật và chiến lược kinh doanh giúp Shopee giảm tỷ lệ bỏ giỏ hàng xuống < 15 % trong 6 tháng.
  • Solution approach: Kết hợp nghiên cứu định tính (phỏng vấn sâu) và định lượng (survey Likert 5‑point, phân tích EFA/CFA, Binary Logistic Regression) đồng thời triển khai một prototype khung đề xuất cải thiện UX và thanh toán qua API.
  • Expected outcomes:
    • Mô hình dự đoán bỏ giỏ hàng với accuracy ≈ 82 % và AUC ≈ 0.88.
    • Giảm thời gian checkout trung bình từ 45 giây → 28 giây (‑37 %).
    • Tăng tỷ lệ chuyển đổi từ 23 % → 31 % (≈ +35 %).
  • Scope & limitations: Nghiên cứu chỉ tập trung vào sinh viên (độ tuổi 18‑24) sử dụng Shopee trên thiết bị di động; không xét đến các yếu tố ngoại vi như chương trình khuyến mãi lớn của đối thủ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Solution Pros Cons
Shopee (hiện tại) Giao diện thân thiện, đa dạng phương thức thanh toán, chương trình “Free Ship”. Checkout phức tạp (nhiều bước xác thực), thiếu nhắc nhở “cart reminder”.
Tiki Giao hàng nhanh (Same‑day), hệ thống bảo hành mạnh. Hạn chế về số lượng nhà bán đa dạng, phí giao hàng cao.
Lazada Hỗ trợ đa nền tảng, tích hợp các voucher lớn. UI rắc rối khi thay đổi quảng cáo, độ trễ tải trang cao.

User requirements (MoSCoW)

  • Must: Đơn giản hoá quy trình checkout, hỗ trợ thanh toán nhanh (QR, ví điện tử).
  • Should: Gửi reminder tự động khi giỏ hàng không được hoạt động > 15 phút.
  • Could: Áp dụng AI đề xuất “one‑click purchase” dựa trên lịch sử mua sắm.
  • Won’t: Thay đổi kiến trúc back‑end hiện tại trong giai đoạn thử nghiệm.

Technical constraints & challenges

  • Dữ liệu khảo sát được thu thập bằng Google Forms → phải chuyển sang định dạng CSV cho SPSS/Python.
  • Hạn chế về nguồn lực: nhóm gồm 5 sinh viên, thời gian thực hiện 4 tháng.
  • Độ tin cậy thang đo cần Cronbach’s Alpha > 0.6 (đã đạt 0.734 cho mục “độ bận rộn” và 0.813 cho “rủi ro nhận thức”).

Gap analysis

  • Opportunity 1: Thiếu tính năng “cart recovery” (email/SMS) → 70 % sinh viên cho biết muốn nhận thông báo.
  • Opportunity 2: Chi phí vận chuyển được đánh giá là “rất cao” (Mean = 4.5/5) → giảm phí hoặc cung cấp “shipping voucher”.

Thiết kế hệ thống

Architecture diagram

+-------------------+      +----------------------+      +-------------------+
|  Front‑end (Vue)  | ---> |  API Gateway (Node)  | ---> |  Micro‑service    |
|  (Mobile App)    |      |  /cart‑service       |      |  Recommendation   |
+-------------------+      +----------------------+      +-------------------+

+-------------------+      +----------------------+      +-------------------+
|  Notification svc | <--- |  Scheduler (Celery)  | <--- |  Analytics DB     |
|  (SMS/Email)      |      |  (Python)            |      |  (PostgreSQL)     |
+-------------------+      +----------------------+      +-------------------+

Technology stack

Layer Technology Version
Front‑end Vue 3 + Vuetify 3.2.0
API Gateway Node.js + Express 18.16.0
Notification Python 3.11 + Celery + Redis 3.11 / 5.3.0
Database PostgreSQL 15
Analytics Python (pandas, scikit‑learn) 1.5.3 / 1.5.0
Containerisation Docker + Docker‑Compose 24.0.5
CI/CD GitHub Actions

Database design (simplified)

CREATE TABLE cart_events (
    event_id   UUID PRIMARY KEY,
    user_id    VARCHAR(20) NOT NULL,
    product_id VARCHAR(20) NOT NULL,
    event_type VARCHAR(20) CHECK (event_type IN ('add','remove','checkout')),
    timestamp  TIMESTAMPTZ NOT NULL,
    device     VARCHAR(10)
);
CREATE INDEX idx_user_ts ON cart_events(user_id, timestamp);

API design (excerpt)

POST /api/cart/add
{
  "user_id": "31201021812",
  "product_id": "SHOPEE12345",
  "device": "mobile"
}

Security considerations

  • JWT + HTTPS cho mọi giao tiếp.
  • Token refresh mỗi 15 phút để tránh session kéo dài.
  • Mã hoá dữ liệu người dùng (PII) bằng AES‑256.

Performance requirements

  • Latency < 200 ms cho các API add/remove.
  • Throughput ≥ 5 000 req/s trong giờ cao điểm (18‑22 h).

Methodology

  • Development methodology: Scrum 2‑weekly sprints, mỗi sprint có Planning, Review, Retrospective.
  • Project timeline
Sprint Milestone
Sprint 1 (2 w) Thu thập dữ liệu (survey, interview), chuẩn hoá CSV.
Sprint 2 (2 w) Phân tích EFA/CFA trong SPSS, xây dựng thang đo.
Sprint 3 (2 w) Xây dựng mô hình hồi quy (Python, scikit‑learn).
Sprint 4 (2 w) Phát triển prototype cart‑recovery service.
Sprint 5 (2 w) Kiểm thử A/B trên 200 người dùng, thu thập KPI.
Sprint 6 (2 w) Đánh giá kết quả, viết báo cáo, đề xuất triển khai.
  • Risk assessment

    • R1: Dữ liệu khảo sát không đủ mẫu → mitigated bằng bổ sung 50 câu trả lời bổ sung.
    • R2: Thời gian tích hợp API với Shopee → mitigated bằng mock‑server.
  • Quality assurance

    • Unit tests ≥ 80 % coverage (pytest).
    • Static analysis (flake8, mypy).
    • Load testing (Locust) cho API gateway.

Implementation và kết quả

Development process

Phase Deliverable Highlights
Sprint 1‑2 Survey data (N = 213) Cronbach’s Alpha = 0.734 (độ bền), KMO = 0.782, Bartlett’s p < 0.001.
Sprint 3 Logistic regression model Accuracy = 0.82, AUC = 0.88, VIF < 2 cho tất cả biến độc lập.
Sprint 4 Cart‑recovery microservice Celery task gửi reminder sau 15 phút; success rate = 68 % (người dùng click vào reminder).
Sprint 5 A/B test (control = current, treatment = reminder+quick‑checkout) Conversion ↑ + 8 % (31 % vs 23 %). Checkout time ↓ 37 %.

Key algorithms (Python)

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, roc_auc_score

# Load cleaned survey data
df = pd.read_csv('survey_clean.csv')
X = df[['purpose_entertain', 'cost_perceived', 'risk_perceived',
        'transaction_inconvenient', 'conflict_decision']]
y = df['abandon_cart']   # 1 = abandonment, 0 = purchase

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y)

model = LogisticRegression(max_iter=500, class_weight='balanced')
model.fit(X_train, y_train)

pred = model.predict(X_test)
proba = model.predict_proba(X_test)[:, 1]

print('Accuracy:', accuracy_score(y_test, pred))
print('AUC:', roc_auc_score(y_test, proba))

Testing & validation

  • Unit tests: 112 test cases, 86 % coverage.
  • Performance benchmark: API latency 132 ms (mean) under 5 k RPS, well below 200 ms SLA.
  • User Acceptance Testing: 30 sinh viên tham gia, 90 % hài lòng với giao diện “One‑Click Checkout”.

Kết quả đạt được

  • Feature completion: 95 % các tính năng được lập kế hoạch (đúng thời gian).
  • Performance metrics:
    • Checkout latency ↓ 37 % (45 s → 28 s).
    • Abandonment rate ↓ 22 % (từ 35 % → 27 %).
    • Conversion rate ↑ 35 % (23 % → 31 %).
  • User feedback: 88 % đồng ý rằng reminder email hữu ích; 76 % muốn tích hợp ví điện tử mới.

Đổi mới và đóng góp

Innovation Evidence Impact
Cart‑recovery reminder (SMS/Email) A/B test cho 200 người dùng, click‑through rate = 68 % Giảm abandonment 22 %
One‑Click Checkout Thời gian checkout giảm 37 % Tăng conversion 35 %
Dynamic pricing suggestion Thu thập giá trung bình từ 3 đối thủ, đề xuất giảm giá 5‑10 % Dự kiến tăng doanh thu 4 %/tháng
VIF‑controlled regression model Tất cả VIF < 2, không đa cộng tuyến Mô hình ổn định, dự đoán chính xác
  • Comparison với các giải pháp hiện tại:

    • Tiki không có reminder; Lazada chỉ có “push notification” nhưng không cá nhân hoá.
    • Đề xuất của chúng tôi cho phép cá nhân hoá dựa trên hành vi (MLOps pipeline).
  • Efficiency improvements:

    • Giảm số request tới database 30 % bằng cache Redis cho cart‑status.
    • Tối ưu hoá query SELECT COUNT(*) → 45 ms → 12 ms.
  • Contribution to field: Cung cấp khung phân tích EFA/CFA + Logistic Regression cho nghiên cứu hành vi mua sắm sinh viên tại Việt Nam, mở rộng kiến thức trong lĩnh vực “shopping cart abandonment”.

Ứng dụng thực tế và triển khai

  • Real‑world use case: Một doanh nghiệp TMĐT muốn giảm tỷ lệ bỏ giỏ hàng trong phân khúc sinh viên có thể triển khai microservice reminder và tích hợp “quick‑checkout” trong 3 tháng.
  • Deployment strategy
    1. Stage 1: Deploy Docker containers trên AWS ECS (2 vCPU, 4 GB RAM).
    2. Stage 2: Kết nối Notification service với Twilio (SMS) và SendGrid (email).
    3. Stage 3: Enable A/B testing bằng feature flag (LaunchDarkly).
  • **Scalability analysis