Giới thiệu dự án

Thương mại điện tử ngành thời trang (Fashion E-commerce) đang chứng kiến tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 18.5% tại thị trường Đông Nam Á. Tuy nhiên, các doanh nghiệp vừa và nhỏ (SMEs) thường đối mặt với hai thách thức cốt lõi: tỷ lệ rời bỏ trang cao do quá tải thông tin (information overload) và tổn thất biên lợi nhuận do quản trị tồn kho kém hiệu quả vì thiếu công cụ dự báo nhu cầu chính xác.

Đồ án tốt nghiệp chuyên ngành Kỹ thuật Phần mềm tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM (UIT) của nhóm tác giả Hoàng Quốc Trọng và Nguyễn Duy Phúc (dưới sự hướng dẫn của ThS. Trần Anh Dũng và TS. Đỗ Thị Thanh Tuyền) đã nghiên cứu và phát triển giải pháp toàn diện: "CShop - Xây dựng shop quần áo online tích hợp gợi ý sản phẩm và dự báo doanh thu". Dự án tích hợp trực tiếp các thuật toán Trí tuệ nhân tạo (AI) và Học máy (Machine Learning) vào nền tảng Web thương mại điện tử nhằm tối ưu hóa trải nghiệm khách hàng và tự động hóa quản trị chuỗi cung ứng.

+-----------------------------------------------------------------------+
|                             HỆ THỐNG CSHOP                            |
+-----------------------------------+-----------------------------------+
|       TRẢI NGHIỆM KHÁCH HÀNG      |        QUẢN TRỊ KINH DOANH        |
|  - Giao diện SPA (React.js)       |  - Quản lý đa kho (Warehouses)    |
|  - Lọc, tìm kiếm, đặt hàng        |  - Nhập, xuất, luân chuyển kho    |
|  - Gợi ý: Matrix Factorization    |  - Dự báo: SSA (Time Series)      |
+-----------------------------------+-----------------------------------+

Mục tiêu đề tài

  1. Xây dựng nền tảng E-commerce hoàn chỉnh: Phát triển hệ thống mua sắm trực tuyến đa nền tảng, phản hồi nhanh với giao diện Single Page Application (SPA).
  2. Cá nhân hóa trải nghiệm với Recommender System: Ứng dụng kỹ thuật lọc cộng tác phân rã ma trận (Matrix Factorization) để gợi ý sản phẩm theo sở thích tiềm ẩn (latent factors) của từng khách hàng.
  3. Phân tích chuỗi thời gian dự báo kinh doanh: Triển khai thuật toán Singular Spectrum Analysis (SSA) phân rã dữ liệu doanh thu lịch sử để dự đoán xu hướng bán hàng theo tuần/tháng.
  4. Tối ưu hóa quản trị kho hàng đa điểm: Xây dựng phân hệ quản lý kho chi tiết đến từng biến thể (variant: màu sắc, kích cỡ), hỗ trợ nhập kho, xuất kho và luân chuyển giữa các chi nhánh.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Giải pháp tiếp cận: Khai thác sức mạnh của hệ sinh thái Microsoft .NET với thư viện Microsoft.ML (ML.NET), kết hợp cùng backend ASP.NET Core Web API và frontend React.js để đảm bảo tính đồng bộ, hiệu năng cao và khả năng mở rộng.
  • Chỉ số đo lường kỳ vọng:
    • Độ trễ phản hồi API gợi ý sản phẩm: $< 50\text{ ms}$.
    • Sai số dự báo doanh thu (Mean Absolute Percentage Error - MAPE): $< 15%$.
    • Đảm bảo tính toàn vẹn dữ liệu giao dịch đa kho với chuẩn ACID trên Microsoft SQL Server.

Phạm vi và giới hạn hệ thống

  • Phạm vi chức năng: Khách hàng (xem sản phẩm, giỏ hàng, đặt hàng, đánh giá, nhận gợi ý); Quản trị viên (quản lý sản phẩm/danh mục/kho, xem biểu đồ dự báo, xử lý đơn hàng).
  • Giới hạn: Hệ thống tập trung vào dữ liệu đánh giá dạng tường minh (explicit rating) từ 1-5 sao; thuật toán dự báo doanh thu dựa trên dữ liệu chuỗi thời gian nội bộ, chưa tích hợp các biến động ngoại sinh vĩ mô.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh giữa các giải pháp E-commerce hiện nay trên thị trường:

Tiêu chí Nền tảng SaaS đóng gói (Shopify, Haravan) Mã nguồn mở truyền thống (WooCommerce, OpenCart) Hệ thống CShop (Tích hợp ML.NET)
Cơ chế gợi ý Dựa trên quy tắc tĩnh (Rule-based: Cùng danh mục) Plugin ngoài, tính toán tốn tài nguyên máy chủ Matrix Factorization (Collaborative Filtering) tối ưu hóa SGD
Dự báo doanh thu Báo cáo thống kê mô tả (Descriptive Analytics) Hạn chế, yêu cầu export dữ liệu thủ công Singular Spectrum Analysis (SSA) tích hợp in-app
Quản trị biến thể kho Quản lý cơ bản, dễ phân mảnh dữ liệu Tùy biến cao nhưng chậm khi mở rộng danh mục Schema chuẩn hóa 3NF, theo dõi tồn kho theo Store/Variant
Hiệu năng API Phụ thuộc hạ tầng nhà cung cấp Chậm khi số lượng truy vấn đồng thời lớn RESTful API chuẩn hóa trên ASP.NET Core, Stateless

Ưu tiên yêu cầu người dùng (Mô hình MoSCoW)

  • Must have (Bắt buộc): Xác thực JWT, giỏ hàng, thanh toán, quản lý danh mục/sản phẩm theo SKU/biến thể, phân rã ma trận gợi ý sản phẩm, phân tích chuỗi thời gian SSA.
  • Should have (Nên có): Đánh giá/bình luận sản phẩm, quản trị luân chuyển đa kho, đa ngôn ngữ Anh - Việt.
  • Could have (Có thể có): Tích hợp cổng thanh toán trực tuyến bên thứ ba, lọc nâng cao theo khoảng giá/màu sắc.
  • Won't have (Chưa thực hiện): Chatbot AI tư vấn tự động qua NLP thời gian thực (định hướng phiên bản sau).

Thiết kế hệ thống

Kiến trúc tổng thể được xây dựng theo mô hình phân tầng Client-Server tách biệt, đảm bảo tính phân tách mối bận tâm (Separation of Concerns):

+------------------------------------------------------------------------+
|                          CLIENT LAYER (React.js)                       |
|   [Views / Pages]  <-->  [Redux Toolkit State]  <-->  [Axios Services] |
+-----------------------------------+------------------------------------+
                                    | HTTP / JSON (RESTful API)
+-----------------------------------v------------------------------------+
|                      BACKEND LAYER (ASP.NET Core)                      |
|  [Controllers] -> [Services / Business Logic] -> [Repository Pattern]  |
|                         |                     |                        |
|                         v                     v                        |
|               [ML.NET Pipeline]     [Entity Framework Core]            |
|               - MatrixFactorization           |                        |
|               - SSA Time Series               |                        |
+-----------------------------------------------+------------------------+
                                                | T-SQL Connection
+-----------------------------------------------v------------------------+
|                      DATABASE LAYER (SQL Server)                       |
|  [Users] [Products] [Variants] [Warehouses] [Orders] [Comments] [Sales]|
+------------------------------------------------------------------------+

Technology Stack và phiên bản cụ thể

  • Frontend: React.js v18.2.0, React Router DOM v6.8.0, Axios v1.3.0, Redux Toolkit, Tailwind CSS.
  • Backend: ASP.NET Core Web API .NET 7.0 (C#), Entity Framework Core v7.0.5, AutoMapper, FluentValidation.
  • Machine Learning: Microsoft.ML v2.0.1, Microsoft.ML.TimeSeries v2.0.1, Microsoft.ML.Recommender v0.20.1.
  • Database Engine: Microsoft SQL Server Enterprise 2019/2022.

Thiết kế cơ sở dữ liệu (Database Schema)

Hệ thống gồm hơn 18 thực thể được liên kết chặt chẽ:

  • Users (Id, UserName, PasswordHash, Email, Role, CreatedDate)
  • Products (Id, Title, Description, BrandId, CategoryId)
  • ProductVariants (Id, ProductId, ColorId, Size, Price, Sku)
  • ProductVariantStores (Id, ProductVariantId, WarehouseId, QuantityOnHand)
  • Warehouses (Id, WarehouseName, Address, ProvinceId, DistrictId, WardId)
  • Orders (Id, UserId, OrderDate, TotalAmount, Status, ShippingAddress)
  • OrderItems (Id, OrderId, ProductVariantId, Quantity, UnitPrice)
  • Comments & Rating (Id, UserId, ProductId, RatingValue, Content, CreatedDate)
  • Sales (Id, ProductId, QuantitySold, Revenue, DateRecorded)
-- DDL cấu trúc bảng liên kết quản lý tồn kho biến thể đa điểm
CREATE TABLE ProductVariantStores (
    Id INT IDENTITY(1,1) PRIMARY KEY,
    ProductVariantId INT NOT NULL,
    WarehouseId INT NOT NULL,
    QuantityOnHand INT NOT NULL DEFAULT 0,
    LastUpdated DATETIME2 DEFAULT GETUTCDATE(),
    CONSTRAINT FK_PVS_Variant FOREIGN KEY (ProductVariantId) REFERENCES ProductVariants(Id) ON DELETE CASCADE,
    CONSTRAINT FK_PVS_Warehouse FOREIGN KEY (WarehouseId) REFERENCES Warehouses(Id) ON DELETE RESTRICT
);

Đặc tả API Endpoints chính

  • POST /api/v1/auth/login: Xác thực người dùng, sinh JWT Bearer Token.
  • GET /api/v1/recommendations/user/{userId}: Trả về danh sách Top-N sản phẩm được cá nhân hóa qua mô hình Matrix Factorization.
  • POST /api/v1/forecast/sales: Dự báo doanh thu $k$ kỳ tiếp theo dựa trên chuỗi thời gian SSA.
  • POST /api/v1/warehouses/transfer: Luân chuyển số lượng biến thể sản phẩm giữa hai kho với cơ chế Transaction kiểm soát đồng thời.

Methodology

Dự án áp dụng quy trình phát triển phần mềm linh hoạt (Agile/Scrum) với thời gian thực hiện kéo dài 20 tuần (15/02/2023 – 30/06/2023), chia thành 5 giai đoạn cốt lõi:

Mốc thời gian Giai đoạn (Milestone) Nội dung & Sản phẩm bàn giao (Deliverables)
Tuần 1 - 3 Khảo sát & Thiết kế Hoàn thành đặc tả SRS, lược đồ Use Case, thiết kế ERD và Mockup UI/UX.
Tuần 4 - 8 Phát triển Core Backend & Client Xây dựng RESTful API CRUD, phân quyền JWT, UI khách hàng và quản trị.
Tuần 9 - 13 Xử lý Data & Xây dựng AI Model Thu thập 14,048 bản ghi Uniqlo, xây dựng và đánh giá mô hình MF & SSA.
Tuần 14 - 17 Tích hợp hệ thống & Quản lý kho Nhúng Model ML.NET vào Controller, hoàn thiện phân hệ kho đa điểm.
Tuần 18 - 20 Kiểm thử, Tối ưu & Báo cáo Load testing, Unit testing, fix bugs và hoàn tất khóa luận tốt nghiệp.

Implementation và kết quả

Development process

Thu thập và tiền xử lý dữ liệu

Bộ dữ liệu gồm 14,048 lượt bình luận và đánh giá từ 8,759 khách hàng được thu thập thực tế từ nền tảng Uniqlo. Dữ liệu thô chứa các trường: UserId, ProductId, ProductVariantId, ProductSize, ProductColor, Rating, Content.

Do một người dùng có thể mua và đánh giá cùng một sản phẩm nhiều lần dưới các biến thể kích thước/màu sắc khác nhau, nhóm tiến hành làm sạch dữ liệu:

  1. Gộp các đánh giá trùng lặp bằng giá trị trung bình: $\bar{r}{u,i} = \frac{1}{|K|}\sum{k \in K} r_{u,i,k}$.
  2. Chuẩn hóa ma trận đầu vào về bộ ba nguyên tử (Triplets): [UserId (Key), ProductId (Key), Rating (Float)].

Chi tiết giải thuật gợi ý sản phẩm (Matrix Factorization & SGD)

Thuật toán phân rã ma trận tiện ích (Utility Matrix) $Y \in \mathbb{R}^{M \times N}$ ($M$ users, $N$ items) thành tích của hai ma trận nhân tố tiềm ẩn $P \in \mathbb{R}^{M \times K}$ và $Q \in \mathbb{R}^{K \times N}$ với số chiều ẩn $K \ll \min(M, N)$.

Dự đoán mức độ yêu thích: $$\hat{r}{ij} = p_i^T q_j = \sum{f=1}^K P_{if} Q_{fj}$$

Hàm mục tiêu tối thiểu hóa sai số toàn phương có kiểm soát chính quy hóa (Regularization $L_2$): $$\mathcal{L} = \sum_{(i,j) \in \Omega} (r_{ij} - \hat{r}_{ij})^2 + \lambda (|P_i|_2^2 + |Q_j|_2^2)$$

Quy tắc cập nhật tham số theo thuật toán Stochastic Gradient Descent (SGD) với tốc độ học $\alpha$: $$e_{ij} = r_{ij} - \hat{r}{ij}$$ $$P{ik}^{(t+1)} = P_{ik}^{(t)} + \alpha \cdot (e_{ij} Q_{jk}^{(t)} - \lambda P_{ik}^{(t)})$$ $$Q_{jk}^{(t+1)} = Q_{jk}^{(t)} + \alpha \cdot (e_{ij} P_{ik}^{(t)} - \lambda Q_{jk}^{(t)})$$

// Pipeline huấn luyện mô hình Matrix Factorization trên ML.NET
var context = new MLContext(seed: 42);
IDataView dataView = context.Data.LoadFromTextFile<ProductRatingRecord>(
    dataPath, hasHeader: true, separatorChar: ',');

var options = new MatrixFactorizationTrainer.Options
{
    MatrixColumnIndexColumnName = nameof(ProductRatingRecord.UserIdEncoded),
    MatrixRowIndexColumnName = nameof(ProductRatingRecord.ProductIdEncoded),
    LabelColumnName = nameof(ProductRatingRecord.Rating),
    NumberOfIterations = 1000,
    ApproximationRank = 2, // K = 2 latent factors
    LearningRate = 0.01,
    LossFunction = MatrixFactorizationTrainer.LossFunctionType.SquareLossOneClass
};

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

ITransformer model = pipeline.Fit(dataView);
context.Model.Save(model, dataView.Schema, "recommendation_model.zip");

Chi tiết giải thuật dự báo doanh thu (Singular Spectrum Analysis - SSA)

Mô hình SSA phân tích chuỗi thời gian doanh thu đa kỳ $X = (x_1, \dots, x_N)$ theo các bước:

  1. Nhúng dữ liệu (Embedding): Chuyển chuỗi $1D$ thành ma trận quỹ đạo (Trajectory Matrix) $X \in \mathbb{R}^{L \times K}$ với độ dài cửa sổ $L$.
  2. Phân rã giá trị suy biến (Singular Value Decomposition - SVD): $X = \sum_{i=1}^d \sqrt{\lambda_i} U_i V_i^T$.
  3. Nhóm thành phần (Grouping): Lựa chọn các thành phần chính thể hiện xu hướng (Trend) và tính chu kỳ (Seasonality) thông qua đồ thị Elbow Plot.
  4. Tái tạo chuỗi (Diagonal Averaging): Chuyển đổi các ma trận thành phần trở lại chuỗi thời gian để đưa ra dự báo $H$ bước tiếp theo.
// Cấu hình Pipeline dự báo doanh thu chuỗi thời gian SSA
var ssaPipeline = context.Forecasting.ForecastBySsa(
    outputColumnName: "ForecastedRevenue",
    inputColumnName: nameof(SalesData.Revenue),
    windowSize: 12, // Phân tích chu kỳ 12 tháng/tuần
    seriesLength: 48,
    trainSize: 48,
    horizon: 6, // Dự báo 6 kỳ tiếp theo
    confidenceLevel: 0.95f,
    confidenceLowerBoundColumn: "LowerBoundRevenue",
    confidenceUpperBoundColumn: "UpperBoundRevenue");

Testing và validation

Hệ thống được kiểm thử tự động và bán tự động trên môi trường giả lập:

  • Unit Testing: 142 test cases đạt độ bao phủ (code coverage) 84.6% trên tầng Business Logic.
  • Integration Testing: 38 kịch bản kiểm thử luồng giao dịch đặt hàng, thanh toán và trừ kho đồng thời.

Kết quả đánh giá hiệu năng mô hình (Model Benchmarks)

Mô hình / Thuật toán Chỉ số đánh giá Giá trị đạt được Nhận xét chuyên môn
Matrix Factorization (MF) Root Mean Squared Error (RMSE) 0.824 Sai số dự đoán điểm số rating < 1 sao trên thang 5
Mean Absolute Error (MAE) 0.612 Đảm bảo độ chính xác xếp hạng Top-N sản phẩm
Training Time (14,048 samples) 1.38 seconds Tốc độ hội tụ nhanh với $K=2$, $\alpha=0.01$
SSA Time Series Root Mean Squared Error (RMSE) 14.28 Đồ thị bám sát biên độ doanh thu thực tế năm 2023
Mean Absolute Percentage Error (MAPE) 9.64% Biên độ sai số đạt tiêu chuẩn vận hành chuỗi bán lẻ 
Đánh giá độ trễ API trên công cụ Apache JMeter (1000 Concurrent Users):
- GET /api/v1/products (Cache hit)      : 22 ms
- GET /api/v1/recommendations/user/{id}  : 45 ms
- POST /api/v1/orders/checkout          : 135 ms
- Error Rate (HTTP 5xx)                 : 0.00%

Kết quả đạt được

  • Về tính năng: Hoàn thành 100% mục tiêu đề ra, bao gồm 13 Use Cases cho Khách hàng và 9 Use Cases chuyên sâu cho Quản trị viên (quản lý thương hiệu, phân loại, màu sắc, kho hàng, nhập/xuất kho, thống kê doanh thu).
  • Trải nghiệm người dùng: Khách hàng được gợi ý chính xác các sản phẩm tương thích theo phong cách cá nhân ngay trên trang chủ; Chủ shop theo dõi trực quan biểu đồ doanh thu dự báo kèm khoảng tin cậy 95% để chủ động nhập hàng.

Đổi mới và đóng góp

  1. Kiến trúc nhúng AI thuần C# (In-Process Machine Learning): Thay vì xây dựng microservice Python riêng biệt gây trễ mạng (Network I/O latency) và tiêu tốn tài nguyên duy trì máy chủ, dự án tích hợp trực tiếp ML.NET vào tiến trình ASP.NET Core, giảm 75% chi phí hạ tầng và đưa độ trễ dự báo xuống dưới $50\text{ ms}$.
  2. Tối ưu hóa độ phức tạp thuật toán gợi ý: So sánh thực nghiệm giữa Matrix Factorization và Field-Aware Factorization Machines (FFM):
Tiêu chí kỹ thuật User-User Collaborative Filtering Field-Aware Factorization Machines (FFM) Matrix Factorization (CShop lựa chọn)
Độ phức tạp tính toán $\mathcal{O}(M^2 \cdot N)$ (Rất cao khi $M$ lớn) $\mathcal{O}(k \cdot f^2 \cdot d)$ ($f$: fields, $d$: features) $\mathcal{O}(K \cdot
Yêu cầu không gian nhớ Lưu toàn bộ ma trận $M \times N$ Lưu ma trận trọng số cho từng cặp field Nén thành 2 ma trận $M \times K$ và $K \times N$
Tiết kiệm dung lượng 0% (Dữ liệu gốc $8759 \times 380$) Tăng do sinh thêm trường tương tác Giảm > 98.5% kích thước bộ nhớ
Phù hợp dữ liệu CShop Kém khi người dùng tăng nhanh Thừa thãi khi dữ liệu chỉ có 3 trường Tối ưu tuyệt đối cho bộ ba (User, Item, Rating)
  1. Cơ chế quản lý tồn kho ma trận đa chiều: Xây dựng liên kết phân cấp chặt chẽ giữa Sản phẩm $\rightarrow$ Biến thể (Màu $\times$ Size) $\rightarrow$ Điểm lưu kho (Warehouse), giải quyết bài toán chênh lệch số liệu tồn kho thực tế và tồn kho trên web.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Doanh nghiệp thời trang đa chi nhánh: Tối ưu luân chuyển sản phẩm giữa các kho khu vực dựa trên báo cáo tồn kho biến thể và dự báo doanh số từng điểm bán.
  • Tăng tỷ lệ chuyển đổi (CR) E-commerce: Người dùng duyệt sản phẩm "Áo Polo" sẽ lập tức được hệ thống gợi ý các mẫu quần âu hoặc áo khoác cùng gu thẩm mỹ nhờ không gian nhân tố ẩn $K=2$.

Chiến lược triển khai (Deployment Architecture)

[Cloudflare CDN / WAF]
         |
[Nginx Reverse Proxy / SSL Termination]
         |
         +--> [React.js Static Build Container] (Port 80/443)
         +--> [ASP.NET Core Web API Kestrel Container] (Port 5000)
                   |
                   +--> [SQL Server 2022 Instance]
                   +--> [Mounted Storage: ml_models/*.zip]
  • Hạ tầng tối thiểu: Máy chủ Ubuntu 22.04 LTS, 4 vCPU, 8GB RAM, SSD 50GB.
  • Phân tích ROI & Chi phí:
    • Chi phí vận hành hạ tầng ước tính: ~45 - 60 USD/tháng (tiết kiệm hơn 60% so với triển khai hạ tầng phân tán microservices).
    • Khả năng hoàn vốn (ROI): Dự kiến sau 4 - 6 tháng ứng dụng nhờ giảm 20% chi phí tồn kho chết và tăng 15% giá trị đơn hàng trung bình (AOV) qua gợi ý chéo.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Vấn đề khởi đầu lạnh (Cold-Start Problem): Thuật toán Matrix Factorization thuần túy gặp khó khăn khi có người dùng hoàn toàn mới (chưa có rating) hoặc sản phẩm mới đăng tải chưa có tương tác.
  • Dữ liệu ngoại sinh trong dự báo: SSA chỉ dựa trên tính quy luật nội tại của chuỗi số liệu quá khứ, chưa phản ánh các đột biến như khuyến mãi Black Friday, dịch bệnh hoặc biến động thời tiết cục bộ.

Hướng phát triển

  1. Hybrid Recommender System: Kết hợp Matrix Factorization với Content-based Filtering (dựa trên xử lý ngôn ngữ tự nhiên TF-IDF hoặc BERT cho mô tả sản phẩm) để xử lý triệt để bài toán Cold-Start.
  2. Deep Learning for Time Series: Tích hợp mạng nơ-ron LSTM (Long Short-Term Memory) hoặc Transformer vào pipeline dự báo để phân tích đồng thời nhiều biến phụ thuộc (Multivariate Time Series).
  3. Chatbot trợ lý ảo AI: Tích hợp mô hình ngôn ngữ lớn (LLM) hỗ trợ tư vấn chọn size, phối đồ theo ngữ cảnh người dùng.

Đối tượng hưởng lợi

Hệ thống mang lại giá trị định lượng rõ rệt cho các nhóm đối tượng liên quan:

Nhóm đối tượng Lợi ích nhận được Giá trị định lượng
Khách hàng Trải nghiệm mua sắm mượt mà, dễ dàng tìm thấy sản phẩm yêu thích thông qua gợi ý thông minh. Rút ngắn 40% thời gian tìm kiếm sản phẩm mong muốn.
Chủ cửa hàng (SMEs) Nắm bắt bức tranh kinh doanh tương lai, giảm thiểu rủi ro tồn kho, quản lý kho đa điểm chặt chẽ. Giảm 20% chi phí lưu kho; tăng 12-18% doanh thu bán chéo (Cross-selling).
Lập trình viên / Kỹ sư Tham khảo kiến trúc chuẩn tích hợp Machine Learning in-process trên nền tảng .NET và React.js. Bộ source code mẫu đầy đủ từ Clean Architecture đến ML Pipeline.
Nhà nghiên cứu / Sinh viên Cung cấp dữ liệu thực nghiệm về ứng dụng MF và SSA trên dữ liệu thương mại điện tử thời trang Việt Nam. Tài liệu tham khảo học thuật đạt chuẩn kỹ thuật phần mềm ứng dụng.

Câu hỏi thường gặp

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

  • Hệ thống phát triển (Development): .NET SDK 7.0+, Node.js v16+, SQL Server 2019+, RAM tối thiểu 8GB.
  • Hệ thống sản xuất (Production Server): Linux/Windows Server, 2 Cores CPU, 4GB RAM, hỗ trợ Docker runtime để đóng gói và vận hành độc lập.

2. Hệ thống xử lý bài toán Cold-Start cho người dùng mới như thế nào?

Đối với người dùng mới chưa có lịch sử đánh giá, hệ thống tự động kích hoạt cơ chế Fallback: hiển thị danh sách sản phẩm Top-Rated (điểm trung bình cao nhất) và Trending (sản phẩm bán chạy nhất trong 30 ngày) cho đến khi người dùng tạo ra tối thiểu 3 tương tác rating.

3. Việc huấn luyện lại (Retrain) mô hình Machine Learning diễn ra như thế nào?

Mô hình hỗ trợ lập lịch huấn luyện định kỳ (Scheduled Background Service) vào các khung giờ thấp điểm (ví dụ 02:00 AM hàng ngày). Dữ liệu đánh giá mới được kết xuất vào IDataView, huấn luyện và lưu đè file model .zip mà không làm gián đoạn (zero-downtime) các tiến trình API đang phục vụ.

4. Hệ thống có thể tích hợp với các hệ thống ERP hoặc cổng thanh toán khác không?

Nhờ thiết kế backend theo kiến trúc RESTful chuẩn hóa và mô hình hướng dịch vụ (Service-Oriented Architecture), CShop dễ dàng tích hợp thêm các cổng thanh toán (VNPay, MoMo, ZaloPay) và kết nối API hai chiều với các hệ thống ERP thông qua cơ chế Webhook/Token Authentication.

5. Chi phí vận hành và lộ trình hoàn vốn (ROI) được ước tính ra sao?

Với mức đầu tư hạ tầng đám mây khoảng 500 – 700 USD/năm, một cửa hàng thời trang có quy mô 1,000 đơn/tháng có thể đạt điểm hòa vốn chỉ sau 3 tháng vận hành nhờ tiết kiệm chi phí nhân sự kiểm kho thủ công và gia tăng giá trị giỏ hàng thông qua Recommender System.

Kết luận

Đồ án khóa luận tốt nghiệp "CShop - Xây dựng shop quần áo online tích hợp gợi ý sản phẩm và dự báo doanh thu" của sinh viên Hoàng Quốc Trọng và Nguyễn Duy Phúc đã giải quyết thành công bài toán chuyển đổi số toàn diện cho ngành bán lẻ thời trang. Bằng việc kết hợp hài hòa giữa công nghệ Web hiện đại (React.js, ASP.NET Core Web API) và các thuật toán Trí tuệ nhân tạo thực tiễn (Matrix Factorization, Singular Spectrum Analysis trên ML.NET), dự án không chỉ hoàn thành xuất sắc các yêu cầu kỹ thuật phần mềm mà còn mang lại giá trị thương mại rõ nét.

Mô hình kiến trúc của đề tài khẳng định tính khả thi cao trong việc nhúng trực tiếp Machine Learning vào các hệ thống quản trị doanh nghiệp vừa và nhỏ, mở ra hướng tiếp cận tối ưu về chi phí và hiệu năng cho cộng đồng kỹ sư phần mềm.