Đồ Án Shop Quần Áo Online Tích Hợp Gợi Ý Sản Phẩm

Khám phá đồ án 2 về shop quần áo online với tính năng gợi ý sản phẩm, giúp nâng cao trải nghiệm mua sắm và tăng doanh thu hiệu quả.

• Tác giả: Nguyễn Trí Đức
• Người hướng dẫn: ThS. Trần Anh Dũng
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Shop Quần Áo Online Tích Hợp Gợi Ý Sản Phẩm
• Loại tài liệu: Đồ án
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. MỤC LỤC
• 1.1. TÓM TẮT ĐỒ ÁN
• 1.2. KIẾN THỨC NỀN TẢNG
• 1.2.1. Entity Framework Core
• 1.2.2. MACHINE LEARNING: ML
• 1.2.2.1. Khái niệm ML
• 1.2.2.2. Quy trình hoạt động
• 1.2.2.3. Hệ thống gợi ý sản phẩm
• 1.2.2.4. Thuật toán Matrix Factorization
• 1.2.2.5. Xây dựng mô hình
• 1.2.2.6. Đánh giá mô hình
• 1.2.2.7. Dự báo doanh thu
• 1.2.2.8. Thuật toán Singular Spectrum Analysis (SSA)
• 1.2.2.9. Xây dựng mô hình
• 1.2.2.10. Đánh giá mô hình
• 1.3. THIẾT KẾ HỆ THỐNG
• 1.3.1. Kiến trúc hệ thống: Microservices Architecture
• 1.3.2. Chi tiết các thành phần trong hệ thống
• 1.3.3. Thiết kế sơ đồ lớp
• 1.4. ĐẶC TẢ USE-CASE
• 1.4.1. Danh sách các tác nhân
• 1.4.2. Danh sách Use-case
• 1.4.3. Đặc tả Use-case
• 1.4.3.1. Quên mật khẩu
• 1.4.3.2. Đặt mua sản phẩm
• 1.4.3.3. Quản lý đơn hàng
• 1.4.3.4. Thêm sản phẩm
• 1.4.3.5. Nhập sản phẩm
• 1.5. THIẾT KẾ CƠ SỞ DỮ LIỆU
• 1.5.1. Danh sách các quan hệ
• 1.6. THIẾT KẾ GIAO DIỆN NGƯỜI DÙNG
• 1.6.1. Danh sách các màn hình
• 1.6.2. Sơ đồ liên kết các màn hình
• 1.6.3. Mô tả chi tiết các màn hình
• 1.6.3.1. Màn hình Trang chủ
• 1.6.3.2. Màn hình Danh sách sản phẩm
• 1.6.3.3. Màn hình Chi tiết sản phẩm
• 1.6.3.4. Màn hình Giỏ hàng
• 1.6.3.5. Màn hình Thanh toán
• 1.6.3.6. Màn hình Thông tin cá nhân
• 1.6.3.7. Màn hình Danh sách đơn hàng
• 1.6.3.8. Màn hình Chi tiết đơn hàng
• 1.6.3.9. Màn hình Chính sách đổi trả
• 1.6.3.10. Màn hình Đăng nhập
• 1.6.3.11. Màn hình Đăng kí
• 1.6.3.12. Màn hình Quên mật khẩu
• 1.6.3.13. Màn hình Thống kê
• 1.6.3.14. Màn hình Đơn hàng đang chờ
• 1.6.3.15. Màn hình Đơn hàng đã hoàn thành
• 1.6.3.16. Màn hình Đơn hàng đã huỷ
• 1.6.3.17. Màn hình Nhãn
• 1.6.3.18. Màn hình Bộ sưu tập
• 1.6.3.19. Màn hình Sản phẩm
• 1.6.3.20. Form tạo/chỉnh sửa sản phẩm
• 1.6.3.21. Màn hình Tình trạng đơn hàng
• 1.6.3.22. Màn hình Hoá đơn đã thanh toán
• 1.6.3.23. Màn hình Hoá đơn chưa thanh toán
• 1.6.3.24. Màn hình Giảm giá
• 1.6.3.25. Màn hình Voucher
• 1.6.3.26. Màn hình Chính sách (đang phát triển)
• 1.6.3.27. Màn hình Khách hàng
• 1.6.3.28. Màn hình Lịch sử nhập hàng
• 1.6.3.29. Màn hình Nhập hàng
• 1.6.3.30. CÀI ĐẶT VÀ KIỂM THỬ
• 1.7. CÀI ĐẶT VÀ KIỂM THỬ
• 1.7.1. Môi trường cài đặt và kiểm thử
• 1.7.2. Kết quả kiểm thử
• 1.7.3. Kết quả đạt được
• TÀI LIỆU THAM KHẢO
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT

Tóm tắt

I. Tổng quan về Shop Quần Áo Online Tích Hợp Gợi Ý Sản Phẩm

Trong bối cảnh thương mại điện tử đang phát triển mạnh mẽ, việc xây dựng một shop quần áo online tích hợp gợi ý sản phẩm trở thành một xu hướng tất yếu. Hệ thống này không chỉ giúp người tiêu dùng dễ dàng tìm kiếm và lựa chọn sản phẩm mà còn tối ưu hóa trải nghiệm mua sắm của họ. Các công nghệ hiện đại như Machine Learning và AI được áp dụng để tạo ra những gợi ý chính xác, từ đó tăng khả năng mua hàng của khách hàng.

1.1. Lợi ích của việc tích hợp gợi ý sản phẩm

Hệ thống gợi ý sản phẩm giúp nâng cao trải nghiệm người dùng bằng cách cung cấp những sản phẩm tương tự mà khách hàng có thể quan tâm. Điều này không chỉ tăng khả năng mua hàng mà còn tạo ra sự hài lòng cho khách hàng khi họ tìm thấy những sản phẩm phù hợp với sở thích của mình.

1.2. Xu hướng phát triển của thương mại điện tử

Thương mại điện tử đang chứng kiến sự bùng nổ với sự gia tăng của các shop quần áo online. Nhu cầu mua sắm trực tuyến ngày càng cao, đặc biệt sau đại dịch COVID-19, khi người tiêu dùng đã quen với việc mua sắm từ xa.

II. Vấn đề và Thách thức trong Kinh Doanh Thời Trang Online

Mặc dù có nhiều cơ hội, nhưng các doanh nghiệp thời trang cũng phải đối mặt với nhiều thách thức trong việc thu hút khách hàng và tối ưu hóa doanh thu. Việc cạnh tranh với các đối thủ lớn và duy trì sự trung thành của khách hàng là những vấn đề cần được giải quyết.

2.1. Cạnh tranh gay gắt trong ngành thời trang

Sự gia tăng của các shop quần áo online đã tạo ra một môi trường cạnh tranh khốc liệt. Các doanh nghiệp cần phải tìm ra những chiến lược hiệu quả để nổi bật giữa đám đông.

2.2. Khó khăn trong việc quản lý hàng tồn kho

Quản lý hàng tồn kho là một thách thức lớn đối với các doanh nghiệp thời trang. Việc dự đoán nhu cầu và tối ưu hóa số lượng sản phẩm tồn kho là rất quan trọng để tránh tình trạng thiếu hàng hoặc tồn kho quá nhiều.

III. Phương pháp Tích Hợp Gợi Ý Sản Phẩm Hiệu Quả

Để xây dựng một hệ thống gợi ý sản phẩm hiệu quả, các doanh nghiệp cần áp dụng những phương pháp và công nghệ tiên tiến. Việc sử dụng thuật toán Machine Learning như Collaborative Filtering có thể giúp cải thiện độ chính xác của các gợi ý.

3.1. Sử dụng thuật toán Collaborative Filtering

Thuật toán Collaborative Filtering giúp phân tích hành vi của người dùng để đưa ra những gợi ý sản phẩm phù hợp. Phương pháp này dựa trên dữ liệu từ những người dùng có sở thích tương tự.

3.2. Tích hợp công nghệ AI vào hệ thống

Công nghệ AI có thể giúp cải thiện khả năng gợi ý sản phẩm bằng cách phân tích dữ liệu lớn và học hỏi từ hành vi của người tiêu dùng. Điều này giúp tạo ra những gợi ý chính xác và cá nhân hóa hơn.

IV. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu

Việc áp dụng hệ thống gợi ý sản phẩm trong các shop quần áo online đã cho thấy những kết quả tích cực. Nhiều doanh nghiệp đã ghi nhận sự gia tăng doanh thu và sự hài lòng của khách hàng nhờ vào những gợi ý chính xác.

4.1. Kết quả từ các nghiên cứu thực tiễn

Nghiên cứu cho thấy rằng các hệ thống gợi ý sản phẩm có thể tăng tỷ lệ chuyển đổi lên đến 30%. Điều này chứng tỏ rằng việc tích hợp gợi ý sản phẩm là một chiến lược hiệu quả cho các doanh nghiệp.

4.2. Trải nghiệm người dùng được cải thiện

Khách hàng cảm thấy hài lòng hơn khi họ nhận được những gợi ý sản phẩm phù hợp với sở thích của mình. Điều này không chỉ giúp tăng doanh thu mà còn tạo ra sự trung thành từ phía khách hàng.

V. Kết Luận và Tương Lai của Shop Quần Áo Online

Tương lai của các shop quần áo online tích hợp gợi ý sản phẩm rất hứa hẹn. Với sự phát triển không ngừng của công nghệ, các doanh nghiệp có thể tối ưu hóa trải nghiệm mua sắm và tăng trưởng doanh thu một cách bền vững.

5.1. Xu hướng công nghệ trong tương lai

Công nghệ AI và Machine Learning sẽ tiếp tục phát triển, giúp các doanh nghiệp cải thiện khả năng gợi ý sản phẩm và tối ưu hóa quy trình bán hàng.

5.2. Tăng cường trải nghiệm khách hàng

Các doanh nghiệp cần chú trọng đến việc cải thiện trải nghiệm khách hàng thông qua việc cá nhân hóa gợi ý sản phẩm và cung cấp dịch vụ khách hàng tốt hơn.

Nội dung chính

Giới thiệu dự án

Thương mại điện tử (E-Commerce) ngành thời trang đang chứng kiến sự tăng trưởng vượt bậc với tỷ lệ thâm nhập thị trường dự kiến đạt trên 25% tổng doanh số bán lẻ toàn cầu. Tuy nhiên, các doanh nghiệp bán lẻ thời trang vừa và nhỏ (SMEs) đang đối mặt với bài toán nan giải: tỷ lệ thoát trang (bounce rate) lên tới 68% do tình trạng quá tải thông tin (choice overload) và chi phí tồn kho chiếm 20-30% tổng chi phí vận hành do dự báo nhu cầu thiếu chính xác.

Đồ án tốt nghiệp "Shop quần áo online tích hợp gợi ý sản phẩm và dự báo doanh số" do sinh viên Nguyễn Trí Đức và Trương Kim Điền thực hiện dưới sự hướng dẫn của ThS. Trần Anh Dũng (Khoa Công nghệ Phần mềm, Trường Đại học Công nghệ Thông tin - ĐHQG-HCM) tập trung giải quyết triệt để hai điểm nghẽn cốt lõi: tối ưu hóa trải nghiệm cá nhân hóa nhằm thúc đẩy tỷ lệ chuyển đổi (CR) và tự động hóa dự báo nhu cầu hàng tồn kho.

+-----------------------------------------------------------------------+
|                           MỤC TIÊU DỰ ÁN                              |
+-----------------------------------------------------------------------+
| 1. Xây dựng nền tảng E-commerce chuẩn Microservices trên .NET Core    |
| 2. Phát triển Recommendation Engine bằng Matrix Factorization         |
| 3. Xây dựng module dự báo doanh số & tồn kho qua thuật toán SSA       |
| 4. Triển khai kiến trúc phân tán đảm bảo xử lý đồng thời > 1,000 CCU  |
+-----------------------------------------------------------------------+

Giải pháp tiếp cận của đề tài là tích hợp học máy trực tiếp vào hệ sinh thái .NET thông qua thư viện ML.NET, kết hợp kiến trúc dịch vụ vi mô (Microservices) giao tiếp qua Message Bus, loại bỏ độ trễ khi phải gọi sang các runtime Python độc lập.

Phạm vi và giới hạn của đề tài:

• Môi trường hoạt động: Ứng dụng Web tương thích đa trình duyệt trên Desktop.
• Phạm vi chức năng: Bán hàng trực tuyến, giỏ hàng, thanh toán, quản trị kho, gợi ý cá nhân hóa dựa trên độ tuổi/lịch sử tương tác, và dự báo chuỗi thời gian doanh số theo ngày/tháng.
• Giới hạn: Mô hình gợi ý tập trung vào Collaborative Filtering trên dữ liệu độ tuổi và hành vi mua; chưa tích hợp xử lý ảnh chuyên sâu cho thị giác máy tính (AR try-on).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát các giải pháp E-commerce hiện nay trên thị trường cho thấy sự phân hóa rõ rệt:

Giải pháp	Ưu điểm	Nhược điểm	Khả năng tùy biến AI
WooCommerce / Shopify	Triển khai nhanh, giao diện đa dạng	Kiến trúc Monolithic, chi phí plugin cao	Kém, phụ thuộc bên thứ 3
Hệ thống Monolith tự code	Kiểm soát toàn bộ mã nguồn	Khó mở rộng tải, nghẽn cổ chai DB	Trung bình, coupling cao
Đề xuất của đồ án	Độc lập mở rộng, tích hợp Native AI	Độ phức tạp triển khai ban đầu	Cao, tối ưu sâu trên .NET

Mô hình phân loại yêu cầu người dùng (MoSCoW):

• Must have: Đăng ký/đăng nhập (bảo mật MD5/BCrypt), quản lý danh mục/sản phẩm, giỏ hàng, đặt hàng, gợi ý sản phẩm tương tự.
• Should have: Dự báo doanh số theo sản phẩm qua SSA, phân quyền Role-based Access Control (RBAC), quản lý khuyến mãi/voucher.
• Could have: Thống kê biểu đồ tương tác thời gian thực, lưu trữ ảnh CDN qua Supabase Storage.
• Won't have (giai đoạn này): Thanh toán đa cổng quốc tế (Stripe/PayPal), phòng thử đồ thực tế ảo (AR).

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc Microservices hướng sự kiện (Event-Driven Architecture), đảm bảo tính sẵn sàng cao và khả năng cô lập lỗi:

+-------------------------------------------------------------+
|               Client Layer (ReactJS + TypeScript)           |
+-------------------------------------------------------------+
                              | RESTful API (HTTPS)
                              v
+-------------------------------------------------------------+
|                 API Gateway (Ocelot / Reverse Proxy)        |
+-------------------------------------------------------------+
         |                        |                       |
         v (NServiceBus)          v (NServiceBus)         v (REST/gRPC)
+------------------+     +------------------+    +------------------+
|  Product Service |     |   Order Service  |    |  ML & Analytics  |
| (ASP.NET Core 8) |     | (ASP.NET Core 8) |    | (ML.NET Engine)  |
+------------------+     +------------------+    +------------------+
         |                        |                       |
         +------------------------+-----------------------+
                                  |
                                  v
                    +---------------------------+
                    | PostgreSQL + Supabase S3  |
                    +---------------------------+

Technology Stack & Versions:

• Frontend: ReactJS 18.2, TypeScript 5.0, Redux Toolkit, Node.js 18 LTS, NPM 9.x.
• Backend: .NET 8 / ASP.NET Core Web API, C# 12.
• Giao tiếp phân tán: NServiceBus 8.0 cho kiến trúc Publish/Subscribe.
• ORM & Database: Entity Framework Core 8.0, PostgreSQL 15.3.
• Machine Learning Engine: ML.NET 3.0 (Tích hợp Matrix Factorization và Time-Series SSA).
• Lưu trữ tĩnh (Asset Storage): Supabase Storage API.

Thiết kế API Endpoints chuẩn RESTful:

• GET /api/v1/products/{id}/recommendations - Trả về danh sách sản phẩm gợi ý dựa trên User ID và Age Group.
• POST /api/v1/orders/checkout - Khởi tạo luồng thanh toán và phát sinh sự kiện OrderCreated qua NServiceBus.
• GET /api/v1/analytics/forecast?productId={id}&horizon=30 - Dự báo doanh số sản phẩm trong 30 ngày tới.

Methodology

Quy trình phát triển phần mềm tuân thủ phương pháp Agile/Scrum qua 8 Sprint (mỗi Sprint 2 tuần, tổng thời gian 16 tuần):

+---------------------------------------------------------------------------------+
| SPRINT TIMELINE (16 TUẦN)                                                       |
| [S1-S2: Đặc tả & CSDL] -> [S3-S4: Backend Core & UI] ->                         |
| [S5-S6: Tích hợp ML/SSA] -> [S7-S8: Testing & Deployment]                       |
+---------------------------------------------------------------------------------+

• Quản lý rủi ro: Phân tán CSDL đòi hỏi giải quyết bài toán tính nhất quán cuối cùng (Eventual Consistency) bằng cách sử dụng Saga Pattern trên NServiceBus để xử lý bồi hoàn đơn hàng khi có lỗi service.

---

Implementation và kết quả

Development Process & Core Algorithms

1. Hệ thống gợi ý sản phẩm (Matrix Factorization)

Thuật toán phân rã ma trận tiện ích người dùng - sản phẩm $Y \approx W \times H^T$, trong đó $W \in \mathbb{R}^{|U| \times K}$ biểu diễn không gian ẩn của người dùng (kết hợp độ tuổi) và $H \in \mathbb{R}^{|I| \times K}$ biểu thị đặc trưng sản phẩm.

// Cấu hình Pipeline huấn luyện Matrix Factorization trên ML.NET
var options = new MatrixFactorizationTrainer.Options
{
    MatrixColumnIndexColumnName = nameof(ProductRating.UserIdEncoded),
    MatrixRowIndexColumnName = nameof(ProductRating.ProductIdEncoded),
    LabelColumnName = nameof(ProductRating.Purchase),
    NumberOfIterations = 20,
    ApproximationRank = 100, // Chiều không gian ẩn K
    LearningRate = 0.1f
};

var pipeline = mlContext.Transforms.Conversion
    .MapValueToKey("UserIdEncoded", nameof(ProductRating.UserId))
    .Append(mlContext.Transforms.Conversion.MapValueToKey("ProductIdEncoded", nameof(ProductRating.ProductId)))
    .Append(mlContext.Recommendation().Trainers.MatrixFactorization(options));

ITransformer model = pipeline.Fit(trainingDataView);

Độ phức tạp tính toán: $\mathcal{O}(I \cdot K \cdot |R|)$ với $I$ là số vòng lặp (iterations), $K$ là số chiều ẩn, $|R|$ là số lượng bản ghi tương tác.

2. Hệ thống dự báo doanh số (Singular Spectrum Analysis - SSA)

Mô hình SSA phân rã chuỗi thời gian $X = (x_1, \ldots, x_N)$ thành tổng các thành phần trực giao: Xu hướng (Trend), Chu kỳ (Seasonality), và Nhiễu (Noise).

// Pipeline dự báo chuỗi thời gian bán hàng với SSA
var forecastingPipeline = mlContext.Forecasting.ForecastBySsa(
    outputColumnName: nameof(SalesPrediction.ForecastedSales),
    inputColumnName: nameof(SalesData.TotalSold),
    windowSize: 7,            // Chu kỳ phân tích 7 ngày
    seriesLength: 30,          // Độ dài chuỗi dữ liệu đầu vào
    trainSize: 90,             // Tập dữ liệu huấn luyện
    horizon: 7,                // Dự báo trước 7 ngày
    confidenceLevel: 0.95f,    // Độ tin cậy 95%
    confidenceLowerBoundColumn: nameof(SalesPrediction.LowerBoundSales),
    confidenceUpperBoundColumn: nameof(SalesPrediction.UpperBoundSales));

var forecaster = forecastingPipeline.Fit(salesDataView);

Testing và validation

Hệ thống trải qua kiểm thử tự động với xUnit và k6 load testing:

+----------------------------------------------------------------------+
| KẾT QUẢ KIỂM THỬ TẢI & CHẤT LƯỢNG                                   |
+----------------------------------------------------------------------+
| - Code Coverage (Unit/Integration Tests): 84.5%                      |
| - Stress Test: 1,200 Virtual Users (VU) duy trì trong 10 phút        |
| - Tỷ lệ lỗi (Error Rate): < 0.05%                                    |
| - P95 Latency: 142ms (API thường) | 280ms (ML Inference API)        |
+----------------------------------------------------------------------+

Đánh giá độ chính xác mô hình học máy:

Mô hình	Thuật toán	Chỉ số đánh giá chính	Kết quả thực nghiệm
Recommendation Engine	Matrix Factorization	RMSE (Root Mean Squared Error)	1.12 - 1.45
		$R^2$ (Coefficient of Determination)	0.31 - 0.34
Sales Forecasting	Singular Spectrum Analysis	MAE (Mean Absolute Error)	520 - 680 units
		RMSE	710 - 795 units

---

Đổi mới và đóng góp

1. Kiến trúc tích hợp Native In-Process ML: Loại bỏ hoàn toàn chi phí truyền thông liên tiến trình (IPC) và chuyển đổi JSON bằng cách nhúng trực tiếp PredictionEnginePool của ML.NET vào ASP.NET Core DI Container, giúp giảm độ trễ suy luận AI xuống dưới 15ms.
2. Cơ chế gợi ý đa thuộc tính kết hợp độ tuổi: Cải tiến Collaborative Filtering thuần túy bằng việc nhúng thuộc tính nhân khẩu học (Demographics - Age Group), giảm thiểu ảnh hưởng của vấn đề khởi động lạnh (Cold-Start Problem) đối với người dùng mới.
3. So sánh với các giải pháp hiện hành:

+-------------------------------------------------------------------------------+
| SO SÁNH HIỆU SUẤT KIẾN TRÚC                                                   |
+-----------------------------------+--------------------+----------------------+
| Tiêu chí                          | Kiến trúc Đồ án    | Monolith Django/PHP  |
+-----------------------------------+--------------------+----------------------+
| Thời gian phản hồi P99            | 185ms              | 520ms                |
| Mức độ chiếm dụng bộ nhớ (RAM)   | 1.2 GB (Toàn cụm)  | 3.4 GB               |
| Khả năng chịu lỗi khi chết 1 Node | Các node khác chạy | Sập toàn bộ hệ thống |
+-----------------------------------+--------------------+----------------------+

Hiệu quả cải thiện: Tốc độ xử lý truy vấn nhanh hơn 64%, tiết kiệm 60% tài nguyên phần cứng so với kiến trúc truyền thống cùng quy mô.

---

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

• Phía khách hàng: Khách hàng 22 tuổi truy cập xem sản phẩm "Áo khoác Bomber". Hệ thống tự động kích hoạt pipeline gợi ý, trả về 6 sản phẩm đi kèm (quần Jean ống rộng, giày Sneaker) phù hợp với nhóm tuổi 18-25, nâng cao chỉ số Cross-selling.
• Phía quản trị: Vào ngày 01 hàng tháng, hệ thống tự động quét dữ liệu bán lẻ lịch sử, chạy mô hình SSA và thông báo số lượng tồn kho đề xuất cho 30 ngày tiếp theo, giảm 35% nguy cơ đứt gãy nguồn cung.

+-----------------------------------------------------------------------------+
| KẾ HOẠCH TRIỂN KHAI HẠ TẦNG (DEPLOYMENT SPECIFICATIONS)                     |
+-----------------------------------------------------------------------------+
| - Containerization: Docker & Docker Compose đa dịch vụ                      |
| - Web Server: Kestrel Reverse Proxy qua Nginx SSL Termination               |
| - Minimum Specs: 2 vCPU, 4GB RAM, 50GB SSD Cloud Server                     |
| - CI/CD Pipeline: GitHub Actions tự động build, test và deploy              |
+-----------------------------------------------------------------------------+

Phân tích Chi phí - Lợi ích (ROI Analysis):

• Chi phí hạ tầng cloud ước tính: $40 - $60/tháng.
• Giá trị mang lại: Tăng 18% giá trị đơn hàng trung bình (AOV) nhờ gợi ý chính xác; cắt giảm 25% chi phí lưu kho thừa. Thời gian hoàn vốn đầu tư (ROI) ước tính trong vòng 6 đến 8 tháng.

---

Hạn chế và hướng phát triển

• Hạn chế kỹ thuật:
  • Thuật toán Matrix Factorization vẫn cần tập dữ liệu tương tác ban đầu đủ lớn để đạt độ chính xác tối ưu.
  • Thuật toán SSA chỉ phản ánh biến động chuỗi thời gian dựa trên lịch sử nội tại, chưa tính đến các yếu tố nhiễu ngoại sinh đột biến (khuyến mãi đối thủ, khủng hoảng kinh tế, thời tiết cực đoan).
• Hướng phát triển:
  • Tích hợp Large Language Model (LLM) Agent đóng vai trò chuyên gia tư vấn thời trang ảo (AI Stylist Chatbot) dựa trên chiều cao, cân nặng và form dáng người mặc.
  • Nâng cấp module thị giác máy tính với công nghệ Virtual Try-On (AR) cho phép thử trang phục qua Camera thời gian thực.
  • Chuyển đổi mô hình dữ liệu sang Event Sourcing hoàn chỉnh với Apache Kafka khi quy mô mở rộng trên 100,000 người dùng hoạt động hàng ngày (DAU).

---

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
| GIÁ TRỊ MANG LẠI CHO CÁC NHÓM ĐỐI TƯỢNG                                           |
+-------------------+---------------------------------------------------------------+
| Sinh viên CNTT    | Mã nguồn mẫu chuẩn Microservices, bài toán kết hợp ML.NET     |
| Lập trình viên    | Kiến trúc Clean Architecture, NServiceBus, Async EDA patterns |
| Chủ doanh nghiệp  | Giải pháp e-commerce hoàn chỉnh, tối ưu tồn kho và doanh số   |
| Nhà nghiên cứu    | Dữ liệu thực nghiệm về SSA và Matrix Factorization trong C#   |
+-------------------+---------------------------------------------------------------+

---

Câu hỏi thường gặp

1. Yêu cầu hệ thống tối thiểu để triển khai ứng dụng là gì?

Hệ thống yêu cầu máy chủ Linux (Ubuntu 22.04 LTS) hoặc Windows Server có tối thiểu 2 vCPU, 4GB RAM, Docker Engine 24.x, .NET Runtime 8.0 và PostgreSQL 15+.

2. Mô hình gợi ý xử lý bài toán Cold-Start (người dùng hoàn toàn mới) như thế nào?

Đối với người dùng chưa có lịch sử mua sắm, hệ thống sử dụng thuộc tính độ tuổi (Age Group) thu thập khi đăng ký kết hợp với danh sách sản phẩm thịnh hành (Top Trending) trong cùng phân khúc nhân khẩu học để hiển thị danh mục gợi ý ban đầu.

3. Tại sao chọn ML.NET thay vì xây dựng Microservice AI bằng Python (FastAPI/Flask)?

ML.NET cho phép chạy trực tiếp mô hình máy học trong cùng quy trình quản lý bộ nhớ của .NET runtime, giảm thiểu chi phí serialize/deserialize dữ liệu qua HTTP giữa các ngôn ngữ, tiết kiệm tài nguyên máy chủ và đơn giản hóa quy trình CI/CD.

4. Hệ thống đảm bảo tính toàn vẹn dữ liệu đơn hàng giữa các microservices ra sao?

Dự án áp dụng cơ chế Outbox Pattern kết hợp Message Broker (NServiceBus) nhằm đảm bảo thông điệp tạo đơn và trừ tồn kho luôn được gửi đi một cách tin cậy (At-least-once delivery) mà không cần dùng khóa phân tán 2-Phase Commit (2PC) gây giảm hiệu năng.

5. Khả năng chịu tải và mở rộng (Scalability) của hệ thống đạt mức nào?

Nhờ thiết kế Stateless Services cho tầng API và tính phân tán của kiến trúc Microservices, hệ thống có thể mở rộng ngang (Horizontal Pod Autoscaling) không giới hạn trên môi trường Kubernetes để phục vụ hàng chục nghìn người dùng đồng thời.

---

Kết luận

Đồ án tốt nghiệp "Shop quần áo online tích hợp gợi ý sản phẩm và dự báo doanh số" đã chứng minh tính khả thi và hiệu quả vượt trội khi áp dụng các kỹ thuật công nghệ phần mềm tiên tiến vào lĩnh vực bán lẻ trực tuyến. Bằng sự kết hợp chặt chẽ giữa kiến trúc Microservices phân tán, thuật toán gợi ý Matrix Factorization và thuật toán dự báo chuỗi thời gian Singular Spectrum Analysis trên nền tảng .NET hiện đại, đề tài không chỉ giải quyết trọn vẹn bài toán vận hành thương mại điện tử mà còn cung cấp cơ sở thực nghiệm giá trị cho việc triển khai AI nhúng trong doanh nghiệp. Đây là tài liệu tham khảo chất lượng cao cho cộng đồng kỹ sư phần mềm, các nhà nghiên cứu ứng dụng và các doanh nghiệp đang tìm kiếm giải pháp chuyển đổi số toàn diện.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. Lý do chọn đề tài: Hiện nay, nhu cầu mua sắm trên các website trực tuyến của mọi người ngày một tăng nhanh. Các thương hiệu thời trang, cửa hàng đang dần đầu tư, tìm kiếm giải pháp triển khai hình thức bán hàng trực tuyến. Bên cạnh việc tìm kiếm các giải pháp đáp ứng các yêu cầu nghiệp vụ bán hàng cơ bản, một số đơn vị còn tìm kiếm các giải pháp nâng cao, hỗ trợ, tối ưu khả năng bán hàng của mình.

Mặc khác, nhận thấy sự phát triển cũng như sự ưa chuộng của người dùng đến các thuật toán gợi ý, AI hỗ trợ các hoạt động bán hàng, nhóm quyết định chọn đề tài “Shop quần áo online tích hợp hệ thống gợi ý sản phẩm” nhằm phát triển và đem đến một giải pháp giải quyết các bài toán tối ưu hiệu quả bán hàng còn tồn động. Ứng dụng cung cấp những tính năng tiện ích giúp tăng độ tiếp cận sản phẩm của khách hàng. Khi xem sản phẩm, khách hàng sẽ được gợi ý những sản phẩm tương tự nhằm tối đa hoá tỉ lệ mua hàng của khách hàng. Bên cạnh đó, nhân viên phía cửa hàng cũng có thể truy cập và thực hiện một số nghiệp vụ quản lý quá trình bán hàng như xem thống kê doanh thu, quản lý các sản phẩm đang bày bán… 1.

Mục đích nghiên cứu: 1. Khách quan: Đáp ứng nhu cầu của những người dùng về website thương mại điện tử tích hợp hệ thống gợi ý sản phẩm. Cung cấp một ứng dụng chạy trên nền tảng Web có thể giúp người dùng có thể tiếp cận đến những thông tin sản phẩm được bày bán trên website, gợi ý sản phẩm tương tự các sản phẩm khách hàng đã xem và đã mua. Hỗ trợ nhân viên phía doanh nghiệp cũng có thể quản lý việc kinh doanh, sản phẩm đang được bày bán, nhập kho sản phẩm mới, quản lý doanh thu… 9 1.

Chủ quan Nhóm đã luôn có sự tò mò và hứng thú đối với các công nghệ liên quan đến công nghệ Web, và hệ thống gợi ý sản phẩm. Thông qua đề tài và sự dẫn dắt của giáo viên hướng dẫn để mở mang hiểu biết, nghiên cứu và có được một cái nhìn tổng quan hơn, chuyên sâu hơn về các công nghệ và vấn đề trên. Bên cạnh đó, nhóm cho rằng đây là một cơ hội để có thể phát triển và áp dụng các kĩ năng đã học vào thực tế, tạo nên một thành phẩm từ 3 năm học đã qua. Đối tượng nghiên cứu: 1.

Các công nghệ nghiên cứu: - Đối với thiết kế hệ thống: ▫ Kết nối và trao đổi giữa client, API Gateway thông qua RESTful API ▫ Kết nối và trao đổi giữa API Gateway và các services thông qua NServiceBus - Đối với Database: PostgreSQL, SQL - Đối với Website ▫ Node.js ▫ ReactJS ▫ NPM - Đối với Backend: ▫ .NET ▫ NserviceBus ▫ Entity Framework Core ▫ ML .NET - Đối với Recommender System: Content-based Filtering ML ▫ Microsoft Recommenders ▫ C# và .NET - Đối với hệ thống dự báo doanh số: Content-based Filtering ML 10 ▫ Microsoft Recommenders ▫ C# và .NET - Khác ▫ Lưu trữ ảnh với Supabase storage ▫ Supabase 1. Đối tượng sử dụng đề tài hướng đến: Tất cả mọi người muốn mua sắm quần áo online trên các website thương mại điện tử, hoặc muốn tìm các sản phẩm tương tự. Quản trị viên phía doanh nghiệp muốn quản lý việc kinh doanh, quản lý các sản phẩm đang được bày bán, doanh thu của website, nhập kho sản phẩm mới. Phạm vi nghiên cứu: 1.

Phạm vi môi trường: Website trên máy tính cá nhân. Phạm vi chức năng: - Đối với Website ▫ Hệ thống cung cấp giao diện mua dành cho khách hàng tiện lợi, dễ sử dụng. ▫ Tích hợp hệ thống gợi ý sản phẩm nhằm quảng bá sản phẩm đến người dùng, tăng doanh thu. ▫ Hệ thống cung cấp giao diện quản lý giúp chủ cửa hàng theo dõi doanh số, quản lý hàng tồn kho.

▫ Hệ thống cung cấp giao diện đăng ký, đăng nhập giúp xác thực người dùng. ▫ Hệ thống cung cấp tính năng giỏ hàng hỗ trợ người mua đơn giản hóa quá trình mua hàng. - Đối với hệ thống gợi ý sản phẩm: 11 ▫ Hệ thống gợi ý những sản phẩm tương tự dựa trên những sản phẩm người dùng đã xem và đã mua. ▫ Hệ thống gợi ý sản phẩm theo từng cá nhân.

▫ Cung cấp thông tin cơ bản về sản phẩm. - Đối với hệ thống dự báo doanh số: ▫ Hệ thống gợi ý những sản phẩm tương tự dựa trên những sản phẩm người dùng đã xem và đã mua. ▫ Hệ thống gợi ý sản phẩm theo từng cá nhân. ▫ Cung cấp thông tin cơ bản về sản phẩm.

KIẾN THỨC NỀN TẢNG 2. Typescript: TypeScript là một dự án mã nguồn mở được phát triển bởi Microsoft, nó có thể được coi là một phiên bản nâng cao của Javascript bởi việc bổ sung tùy chọn kiểu tĩnh và lớp hướng đối tượng mà điều này không có ở Javascript. TypeScript có thể sử dụng để phát triển các ứng dụng chạy ở client-side (Angular2) và server-side (NodeJS). Tại sao nên sử dụng TypeScript? - Dễ phát triển dự án lớn: Với việc sử dụng các kỹ thuật mới nhất và lập trình hướng đối tượng nên TypeScript giúp chúng ta phát triển các dự án lớn một cách dễ dàng.

- Nhiều Framework lựa chọn: Hiện nay các Javascript Framework đã dần khuyến khích nên sử dụng TypeScript để phát triển, ví dụ như AngularJS 2. - Hỗ trợ các tính năng của Javascript phiên bản mới nhất: TypeScript luôn đảm bảo việc sử dụng đầy đủ các kỹ thuật mới nhất của Javascript, ví dụ như version hiện tại là ECMAScript 2015 (ES6). - Là mã nguồn mở: TypeScript là một mã nguồn mở nên bạn hoàn toàn có thể sử dụng mà không mất phí, bên cạnh đó còn được cộng đồng hỗ trợ. - TypeScript là Javscript: Bản chất của TypeScript là biên dịch tạo ra các đoạn mã javascript nên ban có thê chạy bất kì ở đâu miễn ở đó có hỗ trợ biên dịch Javascript.

Ngoài ra bạn có thể sử dụng trộn lẫn cú pháp của Javascript vào bên trong TypeScript, điều này giúp các lập trình viên tiếp cận TypeScript dễ dàng hơn.js: Nodejs được xây dựng và phát triển từ năm 2009, bảo trợ bởi công ty Joyent, trụ sở tại California, Hoa Kỳ. Đây là một nền tảng (platform) phát triển độc lập dựa trên V8 JavaScript engine. Đây là một trình thông dịch thực thi mã JavaScript cho phép tạo 13 các ứng dụng web như video clip và diễn đàn, đặc biệt có thể mở rộng nhanh chóng và dễ dàng cũng như thu hẹp phạm vi hoạt động của các trang mạng mạng xã hội. Đây được xem là một lợi thế khi NodeJS có thể hoạt động trên nhiều nền tảng hệ điều hành khác nhau, từ Windows, Linux đến OS X.

NodeJS cung cấp một thư viện phong phú dưới dạng các mô-đun Javascript khác nhau giúp đơn giản hóa việc lập trình và giảm thiểu thời gian cần thiết. Ý tưởng chính của Node js là sử dụng non – blocking, nhanh chóng định tuyến đầu vào/ đầu ra dữ liệu thông qua các tác vụ thời gian thực. Bởi vì Node js có khả năng mở rộng nhanh chóng và có thể xử lý một số lượng lớn các kết nối đồng thời với thông lượng cao. Hầu hết các ứng dụng web truyền thống sử dụng tài nguyên hệ thống không hiệu quả khi các yêu cầu tạo ra các luồng xử lý yêu cầu mới và tiêu tốn khá nhiều bộ nhớ hệ thống.

Vì vậy giải pháp mà NodeJS đưa ra chính là sử dụng luồng đơn có tên tiếng anh là Single – Threaded, đây là sự kết hợp non – blocking I/ O để thực hiện các yêu cầu, điều này cho phép nó hỗ trợ hàng chục hàng nghìn kết nối đồng thời. Ưu và nhược điểm của NodeJS • Ưu điểm: - IO hướng sự kiện không đồng bộ, cho phép xử lý nhiều yêu cầu đồng thời. - Sử dụng JavaScript – một ngôn ngữ lập trình dễ học. - Chia sẻ cùng code ở cả phía client và server.

- NPM (Node Package Manager) và module Node đang ngày càng phát triển mạnh mẽ. - Cộng đồng hỗ trợ tích cực. - Cho phép stream các file có kích thước lớn • Nhược điểm: - Không có khả năng mở rộng, vì vậy không thể tận dụng lợi thế mô hình đa lõi trong các phần cứng cấp server hiện nay. 14 - Khó thao tác với cơ sở dữ liệu quan hệ.

- Mỗi callback sẽ đi kèm với rất nhiều callback lồng nhau khác. - Cần có kiến thức tốt về JavaScript. - Không phù hợp với các tác vụ đòi hỏi nhiều CPU. ReactJS: React (ReactJs hay React.js) là 1 thư viện JavaScript mã nguồn mở được phát triển bởi đội ngũ kỹ sư đến từ Facebook; nó được giới thiệu vào năm 2011, cho đến nay là đã được hơn 10 năm.

Nguyên lý xây dựng của React dựa trên components (component-based approach), có thể tái sử dụng và phù hợp với ứng dụng 1 trang (Single Page Application – SPA). React giúp lập trình viên xây dựng giao diện người dùng dựa trên JSX (môt cú pháp mở rộng của JavaScript), tạo ra các DOM ảo (virtual DOM) để tối ưu việc render 1 trang web. ReactJs sau khi ra đời đã cho thấy sự phù hợp của nó trong việc phát triển các ứng dụng Web với nhiều chức năng được tích hợp. Nó đã tạo thành 1 xu thế, 1 hình mẫu phát triển website với nhiều chức năng, khả năng tương tác đa dạng với người dùng.

Hiện tại sau hơn 10 năm phát triển thì React vẫn đang chiếm vị trí số 1 trong các thư viện Front-end hiện tại.NET là một nền tảng nguồn mở để xây dựng các ứng dụng trên máy tính để bàn, web và thiết bị di động có thể chạy nguyên bản trên bất kỳ hệ điều hành nào.NET bao gồm các công cụ, thư viện và ngôn ngữ hỗ trợ phát triển phần mềm hiện đại, có quy mô linh hoạt và hiệu năng cao. Một cộng đồng nhà phát triển hoạt động tích cực trong việc duy trì và hỗ trợ nền tảng. Nói một cách dễ hiểu, nền tảng .NET là phần mềm có thể thực hiện những tác vụ sau: - Dịch mã ngôn ngữ lập trình .NET thành hướng dẫn mà thiết bị máy tính có thể xử lý. 15 - Cung cấp các tiện ích để phát triển phần mềm hiệu quả.

Ví dụ: nó có thể tìm thời gian hiện tại hoặc in văn bản trên màn hình. - Xác định một tập gồm các loại dữ liệu để lưu trữ thông tin như văn bản, số và ngày tháng trên máy tính.NET: - Dễ phát triển: Các nhà phát triển thích sử dụng .NET vì nền tảng này chứa nhiều công cụ giúp họ làm việc dễ dàng hơn.