Bối cảnh và vấn đề nghiên cứu

Sự bùng nổ của công nghệ thông tin và mạng Internet đã đưa thương mại điện tử trở thành một phương thức mua sắm phổ biến. Tại thị trường kinh doanh thời trang, mức độ cạnh tranh giữa các đơn vị bán lẻ trực tuyến ngày càng trở nên gay gắt. Các cửa hàng không chỉ cần một kênh bán hàng trên nền tảng web nhằm mở rộng thị trường, xóa bỏ rào cản địa lý và tối ưu hóa quản lý vận hành, mà còn đòi hỏi việc ứng dụng trí tuệ nhân tạo (AI) để nâng cao trải nghiệm mua sắm cá nhân hóa cho người tiêu dùng và hỗ trợ nhà quản lý đưa ra quyết định kinh doanh chuẩn xác. Khóa luận tốt nghiệp kỹ sư ngành Kỹ thuật Phần mềm của hai tác giả Hoàng Quốc Trọng và Nguyễn Duy Phúc (Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM, 2023) được thực hiện nhằm giải quyết trực tiếp nhu cầu này thông qua đề tài: "Xây dựng shop quần áo online tích hợp gợi ý sản phẩm và dự báo doanh thu" với tên ứng dụng là CShop.

Theo đề cương chi tiết và nội dung báo cáo, tác giả xác định 4 mục tiêu nghiên cứu cụ thể:

  1. Xây dựng ứng dụng web thương mại điện tử chuyên biệt về quần áo với giao diện thân thiện, hỗ trợ đầy đủ các thao tác tìm kiếm, lọc, đặt hàng và thanh toán trực tuyến.
  2. Cải thiện trải nghiệm người dùng thông qua việc nghiên cứu và áp dụng kỹ thuật phân rã ma trận (Matrix Factorization) thuộc nhóm phương pháp lọc cộng tác (Collaborative Filtering) để đưa ra gợi ý sản phẩm cá nhân hóa dựa trên hành vi và đánh giá tương đồng.
  3. Ứng dụng phân tích chuỗi thời gian (Time Series Analysis) bằng thuật toán phân tích phổ kỳ dị (Singular Spectrum Analysis - SSA) trên dữ liệu bán hàng lịch sử để xây dựng mô hình dự báo doanh số bán hàng trong tương lai.
  4. Xây dựng phân hệ quản trị toàn diện, hỗ trợ quản lý danh mục sản phẩm, biến thể, kiểm soát luồng hàng hóa qua nhiều kho (nhập kho, xuất kho, chuyển kho) và thống kê dữ liệu tồn kho.

Khóa luận xác định rõ hai nhóm đối tượng sử dụng:

  • Khách hàng: Những cá nhân có nhu cầu tìm kiếm, xem chi tiết, chọn kích cỡ/màu sắc, đặt mua, thanh toán và đánh giá sản phẩm quần áo trực tuyến.
  • Chủ cửa hàng (Quản trị viên): Người điều hành hoạt động kinh doanh trực tuyến, có nhu cầu giám sát doanh thu, theo dõi dự báo tài chính, quản lý danh mục sản phẩm và vận hành hệ thống kho hàng.

Phạm vi nghiên cứu của đề tài được giới hạn như sau:

  • Phạm vi môi trường: Hệ thống hoạt động trên nền tảng ứng dụng Web (Web Application), hỗ trợ đa thiết bị và trình duyệt hiện đại.
  • Phạm vi chức năng: Phân định thành hai phân hệ. Phân hệ khách hàng gồm: tìm kiếm/lọc sản phẩm, xem chi tiết, quản lý giỏ hàng, thanh toán, đánh giá sản phẩm, nhận gợi ý sản phẩm cá nhân hóa, đăng ký/đăng nhập/xác thực tài khoản và chuyển đổi ngôn ngữ Anh - Việt. Phân hệ quản trị gồm: thêm/sửa/xóa sản phẩm, theo dõi doanh thu và dự báo doanh thu, quản lý trạng thái đơn hàng, quản lý phân loại/thương hiệu/màu sắc, quản trị người dùng, quản trị kho hàng (nhập, chuyển kho) và thống kê tồn kho.
  • Thời gian thực hiện: Đề tài được triển khai từ ngày 12/02/2023 đến ngày 30/06/2023.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp giữa kỹ thuật phát triển phần mềm ứng dụng web hiện đại và các thuật toán học máy (Machine Learning) tích hợp trong hệ sinh thái của Microsoft.

1. Khung lý thuyết và công nghệ nền tảng

  • React.js: Thư viện JavaScript mã nguồn mở phục vụ xây dựng giao diện người dùng Single Page Application (SPA). Hệ thống sử dụng cú pháp mở rộng JSX nhằm tối ưu hóa biên dịch và kiểm tra lỗi kiểu tĩnh; xây dựng hệ thống phân cấp bằng Component độc lập; quản lý dòng dữ liệu một chiều qua Props (bất biến) và cập nhật giao diện tự động thông qua State.
  • ASP.NET Core Web API: Khung phát triển ứng dụng đa nền tảng (Windows, macOS, Linux), mã nguồn mở, phục vụ việc xây dựng tầng xử lý logic nghiệp vụ và cung cấp dịch vụ RESTful API giao tiếp qua giao thức HTTP. Khóa luận triển khai tuân thủ 5 ràng buộc cốt lõi của kiến trúc REST: Máy khách - Máy chủ (Client-Server), Không trạng thái (Stateless), Có thể lưu tạm (Cacheable), Giao diện thống nhất (Uniform Interface với các phương thức GET, POST, PUT, DELETE và định danh URI) và HATEOAS.
  • Microsoft SQL Server: Hệ quản trị cơ sở dữ liệu quan hệ (RDBMS) chịu trách nhiệm lưu trữ và xử lý truy vấn dữ liệu. Khóa luận vận dụng các thành phần cốt lõi: Database Engine, Integration Services (chuyển đổi và nạp dữ liệu), Analysis Services (phân tích đa chiều) và Full-Text Search Service (truy vấn văn bản).
  • ML.NET: Thư viện học máy mã nguồn mở của Microsoft dành cho nền tảng .NET. Quy trình xây dựng mô hình trong ML.NET được thiết kế qua chuỗi biến đổi pipeline: Nạp dữ liệu vào đối tượng IDataView $\rightarrow$ Định nghĩa các bước trích xuất đặc trưng và thuật toán tạo đối tượng IEstimator $\rightarrow$ Huấn luyện thông qua phương thức Fit() để tạo đối tượng mô hình ITransformer $\rightarrow$ Đánh giá mô hình $\rightarrow$ Lưu mô hình dưới dạng tệp tin nhị phân có định dạng .zip $\rightarrow$ Nạp lại mô hình bằng hàm Load() và thực thi suy luận qua hàm CreatePredictionEngine().Predict().

2. Phương pháp nghiên cứu và thuật toán học máy

  • Hệ gợi ý sản phẩm (Product Recommendation System): Tác giả tiếp cận theo hướng Lọc cộng tác (Collaborative Filtering). Nhóm nghiên cứu đã phân tích ưu/nhược điểm giữa phương pháp User-User và Item-Item, đồng thời so sánh giữa thuật toán Phân rã ma trận (Matrix Factorization) và Máy thừa số hóa nhận biết trường (Field-Aware Factorization Machines - FFM).
    • Nguyên lý Matrix Factorization: Phân rã ma trận tiện ích đánh giá $Y \in \mathbb{R}^{M \times N}$ thành tích của hai ma trận nhân tố tiềm ẩn (latent factors) có số chiều thấp hơn gồm ma trận người dùng $X \in \mathbb{R}^{M \times K}$ và ma trận sản phẩm $W \in \mathbb{R}^{K \times N}$ sao cho $Y \approx X W$. Thuật toán tối ưu hóa được sử dụng là Hạ số dốc ngẫu nhiên (Stochastic Gradient Descent - SGD). Tham số thực nghiệm cấu hình gồm: số nhân tố tiềm ẩn $k = 2$, tốc độ học (learning rate) $\alpha = 0.01$, số vòng lặp tối đa $n_iteration = 1000$.
    • Cơ sở lựa chọn: Dù FFM có khả năng mô hình hóa sự tương tác giữa nhiều trường thông tin (UserId, ProductId, Brand, Color...), nhưng đòi hỏi lượng dữ liệu lớn và chi phí tính toán cao. Do tập dữ liệu thu thập chỉ chuẩn hóa về 3 trường thông tin cốt lõi, nhóm tác giả chọn Matrix Factorization để tránh gia tăng độ phức tạp thuật toán mà vẫn đảm bảo tốc độ suy luận.
  • Mô hình dự báo doanh thu (Sales Forecasting): Tác giả áp dụng thuật toán Phân tích phổ kỳ dị (Singular Spectrum Analysis - SSA) trong phân tích chuỗi thời gian. Thuật toán phân rã chuỗi doanh thu lịch sử thành các thành phần tín hiệu trực giao đại diện cho xu hướng biến động (trend), tính mùa vụ/chu kỳ (seasonality) và thành phần nhiễu (noise). Đồ thị Elbow Plot được sử dụng để xác định số lượng thành phần chính phù hợp trước khi tái tạo chuỗi và dự phóng giá trị tương lai theo tuần và theo tháng.

3. Nguồn dữ liệu thực nghiệm

Dữ liệu huấn luyện hệ thống gợi ý được nhóm tác giả thu thập (scrape) trực tiếp từ website của thương hiệu thời trang Uniqlo:

  • Quy mô: Gồm 14.048 bản ghi bình luận (comments) tương ứng với 8.759 người dùng (users).
  • Các trường dữ liệu ban đầu: Id, UserName, UserId, ProductVariantId, ProductTitle, ProductSize, ProductColor, ProductId, OrderId, CommentDate, Content, Rating, CreatedDate, UpdatedDate.
  • Tiền xử lý dữ liệu: Do một người dùng có thể mua và bình luận nhiều lần cho cùng một mã sản phẩm dưới các biến thể kích thước/màu sắc khác nhau, nhóm tác giả đã gom nhóm, loại bỏ các thuộc tính biến thể và tính điểm đánh giá trung bình. Cấu trúc dữ liệu đầu vào cuối cùng cho ML.NET được tinh gọn về 3 cột: UserId (Feature), ProductId (Feature) và Rating (Label).
  • Dữ liệu dự báo doanh thu: Sử dụng tập dữ liệu doanh thu bán hàng thực tế qua các mốc thời gian năm 2022 và năm 2023.

Thiết kế và triển khai

Hệ thống CShop được xây dựng hoàn chỉnh theo chu trình công nghệ phần mềm, tập trung vào việc hiện thực hóa các chức năng thương mại điện tử kết hợp luồng xử lý AI.

1. Kiến trúc hệ thống

Hệ thống tuân thủ mô hình kiến trúc MVC (Model - View - Controller). Tầng hiển thị (View) được xây dựng độc lập bằng React.js, tầng điều khiển (Controller) xử lý tiếp nhận và điều phối các yêu cầu thông qua ASP.NET Core Web API, tầng dữ liệu (Model) quản lý các thực thể nghiệp vụ và kết nối với cơ sở dữ liệu SQL Server. Mô hình máy học sau khi huấn luyện được đóng gói thành tệp .zip và được tầng điều khiển của API triệu gọi thông qua thư viện ML.NET để phản hồi kết quả trực tiếp cho giao diện người dùng.

2. Thiết kế dữ liệu

Cơ sở dữ liệu của CShop bao gồm 19 bảng thực thể liên kết chặt chẽ nhằm phục vụ toàn bộ quy trình bán lẻ, lưu trữ thông tin sản phẩm đa biến thể và quản lý đa kho:

Nhóm chức năng Tên bảng dữ liệu (Database Tables) Vai trò nghiệp vụ
Người dùng & Phân quyền Users, Address, Provinces, Districts, Wards Quản lý tài khoản, thông tin định danh và địa chỉ giao hàng theo cấp hành chính.
Sản phẩm & Danh mục Products, Categories, Brands, Colors, Images, ProductVariants Quản lý cấu trúc phân cấp mặt hàng, thương hiệu, màu sắc, hình ảnh và mã biến thể (variant).
Vận hành & Kho hàng Warehouses, ProductVariantStores Quản lý hệ thống điểm kho, điều phối vị trí lưu trữ và số lượng tồn kho của từng biến thể.
Giao dịch & Đơn hàng Carts, Orders, OrderItems, Sales Quản lý giỏ hàng trực tuyến, dữ liệu đặt hàng, chi tiết dòng sản phẩm và dữ liệu doanh số phục vụ dự báo.
Tương tác & Học máy Comments, Rating Lưu trữ phản hồi định tính và số sao đánh giá (1-5 sao) dùng làm tập dữ liệu huấn luyện Matrix Factorization.

3. Phân hệ chức năng và thiết kế giao diện

Hệ thống xây dựng 2 luồng màn hình (screen flow) độc lập:

  • Phân hệ Khách hàng: Gồm màn hình trang chủ hiển thị danh mục và khối sản phẩm gợi ý; màn hình xem danh sách và chi tiết sản phẩm kèm chọn kích cỡ, màu sắc; màn hình giỏ hàng và thanh toán trực tuyến; màn hình quản lý lịch sử và trạng thái đơn hàng; màn hình gửi đánh giá/nhận xét sau khi mua hàng.
  • Phân hệ Quản trị viên: Giao diện Dashboard hiển thị số liệu kinh doanh tổng quan; phân hệ quản lý sản phẩm (thêm, sửa, xem danh mục, thương hiệu, màu sắc, phân loại); phân hệ quản lý người dùng; hệ thống quản lý kho chuyên sâu (màn hình thêm kho, lập phiếu nhập kho, điều chuyển kho giữa các chi nhánh, thống kê số lượng tồn kho); màn hình trực quan hóa biểu đồ doanh thu thực tế và đồ thị dự báo doanh thu từ mô hình SSA.

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Trình bày bối cảnh chung của thị trường thương mại điện tử ngành thời trang và lý do cần thiết phải phát triển ứng dụng CShop. Tác giả nêu bật sự cần thiết của việc kết hợp các thuật toán trí tuệ nhân tạo (hệ gợi ý và dự báo chuỗi thời gian) vào một hệ thống bán lẻ. Chương này xác định mục tiêu tổng quát, danh sách các mục tiêu cụ thể, 2 nhóm đối tượng sử dụng chính, cùng phạm vi chức năng chi tiết cho khách hàng và ban quản trị.

Chương 2. Cơ sở lý thuyết

Cung cấp nền tảng công nghệ sử dụng trong đề tài:

  • Phân tích chi tiết thư viện React.js, giải thích cơ chế hoạt động của cú pháp JSX, cấu trúc component, sự khác biệt và vai trò của Props và State.
  • Trình bày tổng quan về nền tảng ASP.NET Core và ASP.NET Core API, làm rõ các ràng buộc kiến trúc của chuẩn RESTful API và lợi thế vận hành đa nền tảng.
  • Phân tích kiến trúc hệ quản trị cơ sở dữ liệu quan hệ Microsoft SQL Server, vai trò của ngôn ngữ SQL cùng các phân hệ dịch vụ đi kèm (Database Engine, Integration Services, Analysis Services, Notification Services, Reporting Services, Full Text Search).

Chương 3. Machine Learning: ML.NET

Chương trọng tâm về mặt thuật toán của khóa luận:

  • Giới thiệu thư viện ML.NET và chu trình 7 bước phát triển mô hình học máy (chuẩn bị dữ liệu IDataView, định nghĩa IEstimator, huấn luyện Fit(), đánh giá chất lượng, xuất mô hình ra tệp .zip, nạp lại mô hình và thực thi dự đoán qua CreatePredictionEngine).
  • Trình bày bài toán gợi ý sản phẩm: Thu thập bộ dữ liệu bình luận từ Uniqlo (14.048 bình luận, 8.759 người dùng), xử lý rút gọn về 3 trường (UserId, ProductId, Rating). Phân tích kỹ thuật Lọc cộng tác, đối chiếu giữa User-User và Item-Item, phân tích toán học của thuật toán Phân rã ma trận (Matrix Factorization) sử dụng Stochastic Gradient Descent với các tham số cụ thể ($k=2, \alpha=0.01, n=1000$). So sánh đối chứng với thuật toán FFM và giải thích lý do lựa chọn Matrix Factorization.
  • Trình bày bài toán dự báo doanh thu: Khảo sát thuật toán Singular Spectrum Analysis (SSA), quy trình phân rã chuỗi thời gian, phương pháp dùng đồ thị Elbow Plot để xác định các thành phần dao động chính từ dữ liệu doanh thu năm 2022 - 2023 và hiển thị kết quả dự báo trên giao diện.

Chương 4. Kiến trúc hệ thống

Mô tả kiến trúc tổng thể của giải pháp dựa trên mô hình MVC kết hợp dịch vụ web. Trình bày chi tiết sơ đồ lớp (Class Diagram) mô tả các mối quan hệ nghiệp vụ, phương thức và thuộc tính giữa các đối tượng trong ứng dụng CShop.

Chương 5. Thiết kế dữ liệu

Phân tích yêu cầu chức năng thông qua danh sách biểu đồ use case:

  • Phân hệ khách hàng gồm 14 use case: Đăng nhập, đăng ký, quên mật khẩu, xem danh sách sản phẩm, tìm kiếm, xem thông tin chi tiết, thêm vào giỏ hàng, xem giỏ hàng, thanh toán, xem danh sách đơn hàng, xem chi tiết đơn hàng, đánh giá sản phẩm, xem sản phẩm được đề xuất, chuyển đổi ngôn ngữ.
  • Phân hệ quản trị viên gồm 9 use case: Đăng nhập quản trị, xem thông tin đơn hàng, thống kê doanh thu, quản lý sản phẩm, quản lý thương hiệu, quản lý màu sắc, quản lý kho, quản lý sản phẩm trong kho, quản lý người dùng.
  • Trình bày sơ đồ quan hệ thực thể (ERD) và cấu trúc chi tiết của 19 bảng trong cơ sở dữ liệu SQL Server.

Chương 6. Thiết kế giao diện

Trình bày sơ đồ điều hướng màn hình (Screen Flow) và đặc tả chi tiết giao diện thực tế của toàn bộ hệ thống CShop:

  • Giao diện người dùng: Trang chủ tích hợp hiển thị sản phẩm đề xuất, trang danh mục, trang chi tiết sản phẩm, đăng ký/đăng nhập, trang giỏ hàng, luồng đặt hàng và màn hình gửi đánh giá sau khi hoàn tất đơn.
  • Giao diện quản trị viên: Dashboard tổng quan, các biểu mẫu quản lý danh mục (sản phẩm, thương hiệu, màu sắc, phân loại), quản lý tài khoản người dùng, phân hệ quản lý kho (danh sách kho, nhập hàng vào kho, luân chuyển kho, thống kê tồn kho) và màn hình trực quan hóa đồ thị dự báo doanh thu tương lai.

Chương 7. Hạn chế và hướng phát triển

Đánh giá khách quan các điểm tồn tại của hệ sinh thái phần mềm CShop và vạch ra lộ trình nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

1. Kết quả thực nghiệm chính

  • Xây dựng thành công ứng dụng web CShop vận hành ổn định, tích hợp đầy đủ quy trình nghiệp vụ mua bán trực tuyến thời trang và công cụ quản trị đa kho.
  • Thu thập và chuẩn hóa bộ dữ liệu thực tế gồm 14.048 bình luận và 8.759 tài khoản từ shop thời trang Uniqlo, chuyển đổi thành công ma trận đánh giá thưa về tập dữ liệu 3 thuộc tính phục vụ huấn luyện máy học.
  • Đóng gói và tích hợp thành công hai mô hình học máy trên nền tảng ML.NET vào hệ thống backend ASP.NET Core:
    • Mô hình Matrix Factorization suy luận danh sách sản phẩm gợi ý cá nhân hóa dựa trên phân tích ma trận tiềm ẩn với tham số tối ưu hóa $k=2, \alpha=0.01$.
    • Mô hình Singular Spectrum Analysis (SSA) phân tích chuỗi thời gian doanh thu các năm 2022 - 2023, phân rã thành công các thành phần xu hướng và thời vụ để hiển thị dự báo doanh số trực quan cho nhà quản trị.

2. Đóng góp của đề tài

  • Hiện thực hóa quy trình khép kín về việc tích hợp các mô hình học máy vào ứng dụng web thương mại điện tử thực tế hoàn toàn trong môi trường .NET (C#) mà không cần phụ thuộc vào các dịch vụ bên thứ ba hoặc môi trường Python riêng biệt.
  • Đưa ra giải pháp tổ chức cơ sở dữ liệu chi tiết cho ngành thời trang bán lẻ, giải quyết bài toán quản lý sản phẩm đa biến thể (màu sắc, kích thước) gắn liền với hệ thống kiểm soát hàng tồn kho đa điểm kho.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

  • Bài toán khởi đầu lạnh (Cold-start problem): Thuật toán lọc cộng tác Matrix Factorization không thể đưa ra gợi ý chính xác cho người dùng mới hoàn toàn (chưa có lịch sử tương tác/đánh giá) hoặc các sản phẩm mới đưa lên hệ thống chưa nhận được lượt đánh giá nào.
  • Hiện tượng sai lệch độ phổ biến (Popularity bias): Kết quả đề xuất có xu hướng tập trung vào các mặt hàng nhận được số lượng tương tác áp đảo từ số đông, làm giảm cơ hội tiếp cận của các sản phẩm ít tương tác hơn.
  • Rút gọn thông tin dữ liệu: Việc chuẩn hóa tập dữ liệu về 3 cột (UserId, ProductId, Rating) đã loại bỏ các trường ngữ cảnh quan trọng như nội dung văn bản bình luận, màu sắc, kích thước, dẫn đến việc chưa khai thác được thuật toán FFM vốn có độ chính xác tiềm năng cao hơn khi có nhiều trường thông tin.

2. Hướng phát triển tiếp theo

  • Nghiên cứu và áp dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để phân tích sắc thái cảm xúc từ nội dung bình luận (Content) của khách hàng, kết hợp vào điểm đánh giá để tăng độ chính xác của hệ gợi ý.
  • Tích hợp hệ thống Chatbot tự động nhằm hỗ trợ tư vấn bán hàng và giải đáp thắc mắc cho người dùng.
  • Bổ sung phân hệ hiển thị quảng cáo thương mại nhằm gia tăng nguồn thu cho nền tảng.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo có giá trị thực tiễn đối với:

  • Sinh viên ngành Kỹ thuật Phần mềm và Công nghệ Thông tin: Cung cấp tài liệu tham khảo chi tiết về việc ứng dụng kiến trúc phân tầng MVC, thiết kế API chuẩn RESTful bằng ASP.NET Core và kết nối giao diện Single Page Application xây dựng bằng React.js.
  • Lập trình viên nghiên cứu triển khai AI trên nền tảng .NET: Tài liệu minh họa trực quan quy trình sử dụng thư viện ML.NET từ khâu nạp dữ liệu, định cấu hình pipeline, huấn luyện thuật toán Matrix Factorization và SSA, cho đến đóng gói tệp .zip và gọi hàm suy luận dự đoán trong mã nguồn backend C#.
  • Các đề tài xây dựng hệ thống quản lý bán lẻ: Giá trị tham khảo cao ở Chương 5 về cách thiết kế sơ đồ thực thể liên kết (ERD) và định nghĩa 19 bảng cơ sở dữ liệu xử lý tốt các biến thể sản phẩm thời trang và chu trình luân chuyển hàng hóa giữa nhiều kho.

Câu hỏi thường gặp

1. Khóa luận sử dụng tập dữ liệu nào để xây dựng mô hình gợi ý sản phẩm?
Tác giả đã thu thập (scrape) dữ liệu bình luận từ thương hiệu thời trang Uniqlo, bao gồm 14.048 bình luận của 8.759 người dùng. Dữ liệu gốc gồm 14 trường, sau đó được nhóm xử lý gộp các đánh giá của cùng một người dùng trên một sản phẩm và tính điểm trung bình để rút gọn thành 3 trường: UserId, ProductId và Rating.

2. Tại sao nhóm tác giả lựa chọn Matrix Factorization thay vì Field-Aware Factorization Machines (FFM)?
Mặc dù FFM có ưu thế nắm bắt mối quan hệ giữa nhiều trường thông tin (features), nhưng đòi hỏi tập dữ liệu đa chiều, số lượng tham số lớn và chi phí tính toán cao. Do tập dữ liệu sau bước tiền xử lý chỉ duy trì 3 trường cơ bản (UserId, ProductId, Rating), nhóm tác giả chọn Matrix Factorization để tối ưu hóa hiệu năng, giảm thời gian tính toán và huấn luyện mà vẫn đáp ứng tốt bài toán phân rã ma trận người dùng - sản phẩm.

3. Thuật toán dự báo doanh thu hoạt động như thế nào trong hệ thống CShop?
Hệ thống sử dụng thuật toán Singular Spectrum Analysis (SSA) tích hợp trong thư viện ML.NET. Thuật toán hoạt động bằng cách phân tách chuỗi thời gian doanh thu thực tế (năm 2022 và 2023) thành các thành phần chính độc lập tương ứng với xu hướng (trend), tính chu kỳ/mùa vụ (seasonality) và nhiễu (noise). Thông qua đồ thị Elbow Plot, các thành phần chủ đạo được chọn lọc để tái lập mô hình và đưa ra dự báo doanh thu theo tuần hoặc theo tháng.

4. Cơ sở dữ liệu CShop quản lý cấu trúc hàng tồn kho như thế nào?
Cơ sở dữ liệu thiết lập các bảng Warehouses (quản lý thông tin điểm kho) và ProductVariantStores (quản lý số lượng tồn của từng biến thể sản phẩm tại từng kho). Cấu trúc này cho phép quản trị viên theo dõi tồn kho theo từng kích thước/màu sắc cụ thể, đồng thời hỗ trợ nghiệp vụ tạo phiếu nhập kho và điều chuyển hàng hóa giữa các kho khác nhau.

5. Công nghệ và môi trường nào được sử dụng để phát triển CShop?
Hệ thống sử dụng React.js (JavaScript, JSX) cho giao diện phía máy khách; ASP.NET Core Web API (C#) cho tầng xử lý logic và cung cấp dịch vụ RESTful API; Microsoft SQL Server làm hệ quản trị cơ sở dữ liệu quan hệ; và thư viện ML.NET (Microsoft) để huấn luyện, lưu trữ và thực thi các mô hình máy học.

Kết luận

Khóa luận tốt nghiệp của hai tác giả Hoàng Quốc Trọng và Nguyễn Duy Phúc đã giải quyết trọn vẹn bài toán xây dựng nền tảng thương mại điện tử chuyên ngành thời trang mang tên CShop, kết hợp hài hòa giữa kỹ thuật phát triển web hiện đại (React.js, ASP.NET Core, SQL Server) và năng lực học máy từ thư viện ML.NET. Đề tài đã hiện thực hóa thành công thuật toán Matrix Factorization để gợi ý sản phẩm cá nhân hóa từ dữ liệu thực tế thu thập từ Uniqlo và thuật toán Singular Spectrum Analysis (SSA) phục vụ dự báo doanh thu chuỗi thời gian cho ban quản trị. Đây là tài liệu tham khảo học thuật và kỹ thuật có tính ứng dụng cao cho sinh viên chuyên ngành phần mềm trong việc thiết kế kiến trúc hệ thống, tổ chức cơ sở dữ liệu đa biến thể và tích hợp các giải pháp trí tuệ nhân tạo trực tiếp vào môi trường công nghệ của Microsoft.