Xây Dựng Hệ Thống Thương Mại Điện Tử Áp Dụng Machine Learning để Gợi Ý Sản Phẩm

Dự án xây dựng hệ thống thương mại điện tử, ứng dụng Machine Learning để gợi ý sản phẩm. Giải pháp tăng trải nghiệm mua sắm, tối ưu doanh thu.

• Tác giả: Le Viet Thang
• Người hướng dẫn: Pts. Nguyen Quang Vu
• Trường học: Vietnam - Korea University of Information and Communication Technology
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xây Dựng Hệ Thống Thương Mại Điện Tử với Gợi Ý Sản Phẩm Ứng Dụng Machine Learning
• Loại tài liệu: Đồ án chuyên ngành
• Năm xuất bản: 2023
• Địa điểm: Đà Nẵng

Tóm tắt

I. Xây Dựng TMĐT với Gợi Ý Sản Phẩm Tổng Quan Quan Trọng

Thương mại điện tử (TMĐT) đang phát triển mạnh mẽ. Việc xây dựng hệ thống TMĐT hiệu quả là yếu tố then chốt cho thành công. Một trong những yếu tố quan trọng là gợi ý sản phẩm. Gợi ý sản phẩm giúp tăng doanh số và cải thiện trải nghiệm khách hàng. Bài viết này sẽ đi sâu vào cách ứng dụng Machine Learning (ML) để xây dựng hệ thống gợi ý sản phẩm hiệu quả. ML giúp phân tích dữ liệu khách hàng, đưa ra gợi ý phù hợp, tăng tỷ lệ chuyển đổi và doanh số bán hàng. Việc ứng dụng ML vào hệ thống TMĐT mang lại lợi thế cạnh tranh đáng kể. Theo [1] https://viblo.asia/p/tong-quan-ve-recommender-system-recommender-system-co-ban-phan-1-924IJGBb5PM, Recommender system là một công cụ quan trọng trong thương mại điện tử.

1.1. Giới Thiệu Tổng Quan về Thương Mại Điện Tử Ecommerce

Thương mại điện tử (Ecommerce) là hoạt động mua bán hàng hóa và dịch vụ thông qua Internet. Nó bao gồm nhiều mô hình kinh doanh khác nhau, như B2C (Business-to-Consumer), B2B (Business-to-Business) và C2C (Consumer-to-Consumer). Sự phát triển của Internet và các thiết bị di động đã thúc đẩy sự tăng trưởng vượt bậc của thương mại điện tử. Các nền tảng Ecommerce cung cấp nhiều lợi ích cho cả người bán và người mua, bao gồm tiết kiệm chi phí, tiếp cận thị trường rộng lớn và cá nhân hóa trải nghiệm người dùng.

1.2. Tầm Quan Trọng của Gợi Ý Sản Phẩm Trong TMĐT

Gợi ý sản phẩm đóng vai trò quan trọng trong việc tăng doanh số và cải thiện trải nghiệm khách hàng trong thương mại điện tử. Bằng cách đề xuất các sản phẩm phù hợp với sở thích và nhu cầu của từng khách hàng, các hệ thống gợi ý có thể tăng tỷ lệ chuyển đổi và khuyến khích mua hàng lặp lại. Các hệ thống này sử dụng các thuật toán khác nhau, bao gồm thuật toán cộng tác lọc (collaborative filtering), content-based filtering, và các mô hình học máy tiên tiến, để phân tích dữ liệu khách hàng và đưa ra các gợi ý chính xác.

II. Thách Thức và Giải Pháp Gợi Ý Sản Phẩm Ứng Dụng ML

Việc xây dựng hệ thống gợi ý sản phẩm hiệu quả không hề dễ dàng. Một trong những thách thức lớn nhất là xử lý lượng lớn dữ liệu khách hàng (Big Data). Các thuật toán cần phải được tối ưu hóa để có thể xử lý dữ liệu một cách nhanh chóng và chính xác. Ngoài ra, việc cá nhân hóa trải nghiệm người dùng cũng là một thách thức, vì mỗi khách hàng có sở thích và nhu cầu khác nhau. Ứng dụng Machine Learning (ML) mang lại giải pháp cho các thách thức này. ML giúp phân tích hành vi người dùng, dự đoán xu hướng mua hàng và đưa ra gợi ý sản phẩm phù hợp.

2.1. Vấn Đề Với Dữ Liệu Lớn Big Data Trong Gợi Ý Sản Phẩm

Xử lý Big Data là một thách thức lớn trong việc xây dựng hệ thống gợi ý sản phẩm hiệu quả. Lượng dữ liệu khách hàng khổng lồ, bao gồm lịch sử mua hàng, thông tin nhân khẩu học và hoạt động trên website, đòi hỏi các thuật toán và cơ sở hạ tầng mạnh mẽ để phân tích và xử lý. Việc lưu trữ, quản lý và truy vấn kho dữ liệu lớn này cũng đòi hỏi các giải pháp kỹ thuật phức tạp, như sử dụng các hệ quản trị cơ sở dữ liệu NoSQL như MongoDB hoặc các giải pháp điện toán đám mây (Cloud Computing) như AWS, Azure hoặc GCP.

2.2. Giải Pháp Machine Learning Cho Cá Nhân Hóa Trải Nghiệm

Machine Learning (ML) cung cấp các giải pháp hiệu quả để cá nhân hóa trải nghiệm người dùng trong thương mại điện tử. Các thuật toán học máy có thể phân tích hành vi người dùng, dự đoán xu hướng mua hàng và đưa ra các gợi ý sản phẩm phù hợp với sở thích và nhu cầu của từng khách hàng. Các mô hình như collaborative filtering, content-based filtering, và hybrid recommendation system được sử dụng để tạo ra các hệ thống đề xuất chính xác và hiệu quả.

III. Phương Pháp Xây Dựng Hệ Thống Gợi Ý Mô Hình Học Máy

Có nhiều phương pháp để xây dựng hệ thống gợi ý sản phẩm. Một trong những phương pháp phổ biến nhất là sử dụng mô hình học máy. Các mô hình học máy có thể được huấn luyện trên dữ liệu khách hàng để dự đoán sản phẩm nào mà khách hàng có khả năng mua. Một số thuật toán gợi ý sản phẩm phổ biến bao gồm Collaborative Filtering, Content-Based Filtering, và Hybrid Recommendation System. Các thuật toán này giúp tối ưu hóa chuyển đổi và tăng doanh số bán hàng.

3.1. Ứng Dụng Thuật Toán Cộng Tác Lọc Collaborative Filtering

Thuật toán cộng tác lọc (Collaborative Filtering) là một trong những phương pháp phổ biến nhất trong việc xây dựng hệ thống gợi ý sản phẩm. Thuật toán này dựa trên ý tưởng rằng những người dùng có sở thích tương tự có xu hướng thích những sản phẩm tương tự. Bằng cách phân tích lịch sử mua hàng và đánh giá của người dùng, thuật toán có thể dự đoán các sản phẩm mà một người dùng có thể thích dựa trên sở thích của những người dùng khác. Pearson correlation coefficient thường được sử dụng để đo lường sự tương đồng giữa người dùng.

3.2. Sử Dụng Content Based Filtering Để Đề Xuất Sản Phẩm

Content-based filtering là một phương pháp khác để xây dựng hệ thống gợi ý sản phẩm. Phương pháp này dựa trên việc phân tích các đặc điểm của sản phẩm và so sánh chúng với sở thích của người dùng. Nếu một người dùng đã từng mua hoặc thích một sản phẩm có đặc điểm nhất định, thuật toán sẽ đề xuất các sản phẩm khác có đặc điểm tương tự. Phương pháp này hữu ích khi có ít dữ liệu khách hàng hoặc khi cần đề xuất các sản phẩm mới.

IV. Triển Khai và Đánh Giá Hiệu Quả Hệ Thống A B Testing

Sau khi xây dựng hệ thống gợi ý sản phẩm, việc triển khai và đánh giá hiệu quả là rất quan trọng. Việc triển khai có thể được thực hiện thông qua API gợi ý sản phẩm. Để đánh giá hiệu quả, có thể sử dụng A/B testing. A/B testing giúp so sánh hiệu quả của hệ thống gợi ý mới với hệ thống cũ hoặc không có hệ thống gợi ý. Các chỉ số như tỷ lệ chuyển đổi (conversion rate) và doanh số bán hàng có thể được sử dụng để đánh giá.

4.1. Xây Dựng API Gợi Ý Sản Phẩm Recommendation API

Việc xây dựng API gợi ý sản phẩm (Recommendation API) là một bước quan trọng trong việc triển khai hệ thống gợi ý sản phẩm vào website thương mại điện tử. API này cho phép frontend của website truy vấn backend để nhận các gợi ý sản phẩm cho từng người dùng. API cần được thiết kế để có khả năng mở rộng (Scalability) và hiệu suất (Performance) cao, đảm bảo phản hồi nhanh chóng và chính xác cho người dùng.

4.2. Đánh Giá Hiệu Quả A B Testing và Conversion Rate Optimization

A/B testing là một phương pháp quan trọng để đánh giá hiệu quả của hệ thống gợi ý sản phẩm. Bằng cách so sánh hai phiên bản khác nhau của website (ví dụ: có và không có gợi ý sản phẩm), có thể đo lường tác động của hệ thống đối với tỷ lệ chuyển đổi (conversion rate) và doanh số bán hàng. Conversion rate optimization là quá trình tối ưu hóa website để tăng số lượng khách hàng thực hiện hành động mong muốn, như mua hàng hoặc đăng ký tài khoản.

V. Ứng Dụng Thực Tế và Nghiên Cứu Hệ Thống Thương Mại Điện Tử

Nhiều hệ thống thương mại điện tử đã ứng dụng thành công Machine Learning vào gợi ý sản phẩm. Các nghiên cứu cho thấy rằng việc sử dụng ML giúp tăng đáng kể doanh số bán hàng và cải thiện trải nghiệm khách hàng. Một số ví dụ về ứng dụng thành công bao gồm Amazon Personalize và Google Recommendations AI. Những dịch vụ này cung cấp các giải pháp gợi ý sản phẩm dựa trên ML, giúp các doanh nghiệp dễ dàng triển khai và quản lý hệ thống của mình.

5.1. Case Study Amazon Personalize và Google Recommendations AI

Amazon Personalize và Google Recommendations AI là hai dịch vụ gợi ý sản phẩm dựa trên Machine Learning được sử dụng rộng rãi trong ngành thương mại điện tử. Cả hai dịch vụ đều cung cấp các giải pháp cá nhân hóa mạnh mẽ, cho phép các doanh nghiệp tạo ra các gợi ý sản phẩm phù hợp với từng khách hàng. Các dịch vụ này cũng cung cấp các công cụ để theo dõi và đánh giá hiệu quả của hệ thống gợi ý.

5.2. Nghiên Cứu Về Tác Động Của Gợi Ý Sản Phẩm Lên Doanh Số

Nhiều nghiên cứu đã chứng minh tác động tích cực của gợi ý sản phẩm lên doanh số bán hàng trong thương mại điện tử. Các nghiên cứu này cho thấy rằng các hệ thống gợi ý có thể tăng tỷ lệ chuyển đổi, giảm tỷ lệ thoát trang (bounce rate) và tăng giá trị đơn hàng trung bình. Bằng cách cung cấp các gợi ý sản phẩm phù hợp, các doanh nghiệp có thể khuyến khích khách hàng mua nhiều sản phẩm hơn và tăng doanh thu.

VI. Tương Lai và Xu Hướng Phát Triển Machine Learning và TMĐT

Tương lai của Machine Learning trong thương mại điện tử hứa hẹn nhiều tiềm năng. Các thuật toán ML sẽ ngày càng trở nên thông minh hơn, giúp cá nhân hóa trải nghiệm người dùng một cách hiệu quả hơn. Ngoài ra, việc ứng dụng ML vào các lĩnh vực khác như phân tích hành vi người dùng và dự đoán xu hướng mua hàng cũng sẽ giúp các doanh nghiệp thương mại điện tử đưa ra các quyết định kinh doanh tốt hơn.

6.1. Ứng Dụng Deep Learning Trong Gợi Ý Sản Phẩm

Deep Learning là một nhánh của Machine Learning đang ngày càng được ứng dụng rộng rãi trong việc xây dựng hệ thống gợi ý sản phẩm. Các mô hình Deep Learning có khả năng học các đặc trưng phức tạp từ dữ liệu khách hàng, giúp tạo ra các gợi ý sản phẩm chính xác và hiệu quả hơn. Các framework như TensorFlow và PyTorch cung cấp các công cụ mạnh mẽ để xây dựng và triển khai các mô hình Deep Learning.

6.2. Kết Hợp Machine Learning và CRM Quản Lý Quan Hệ Khách Hàng

Việc kết hợp Machine Learning và CRM (Quản lý quan hệ khách hàng) có thể mang lại nhiều lợi ích cho các doanh nghiệp thương mại điện tử. Bằng cách tích hợp dữ liệu CRM với các mô hình Machine Learning, các doanh nghiệp có thể hiểu rõ hơn về nhu cầu và sở thích của khách hàng, từ đó tạo ra các gợi ý sản phẩm cá nhân hóa và các chiến dịch marketing hiệu quả hơn.

Trích đoạn nội dung tài liệu

VIETNAM - KOREA UNIVERSITY OF INFORMATION AND COMMUNICATION TECHNOLOGY Faculty of Computer Science SPECIALIZED PROJECT BUILDING AN E-COMMERCE SYSTEM APPLYING MACHINE LEARNING TO RECOMMEND ITEMS Students: LE VIET THANG - 20IT526 LE THI HONG QUY - 20IT468 Class: 20GIT Supervisor: PhD. NGUYEN QUANG VU Da Nang, December – 2023 VIETNAM - KOREA UNIVERSITY OF INFORMATION AND Building an e-commerce system applying machine learning to recommend item COMMUNICATION TECHNOLOGY Faculty of Computer Science SPECIALIZED PROJECT BUILDING AN E-COMMERCE SYSTEM APPLYING MACHINE LEARNING TO RECOMMEND ITEMS Students: LE VIET THANG - 20IT526 LE THI HONG QUY - 20IT468 Class: 20GIT Supervisor: PhD. NGUYEN QUANG VU Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item SUPERVISOR’S COMMENT. Da Nang, December 10th, 2023 NGUYEN QUANG VU Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item ACKNOWLEDGEMENTS We would like to profoundly acknowledge the people who have helped us during our studies: First of all, we would like to sincerely thank our research supervisors PhD.

Nguyen Quang Vu. Without his assistance and dedicated involvement in every step throughout the process, this paper could have never been accomplished. We would like to thank the friends who were by our side and always gave us solutions to solve the problem in a simpler way during the project. Finally, we want to thank the homeroom teacher and the class staff for caring and helping us to successfully complete the activities of the class as well as the assigned school.

Thank you sincerely! Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item STATEMENT OF AUTHORSHIP. Da Nang, December 10th, 2023 LE VIET THANG LE THI HONG QUY Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item TABLE OF CONTENTS SUPERVIOR’S COMMENT ACKNOWLEDGEMENTS STATEMENT OF AUTHORSHIP TABLE OF CONTENTS. V LIST OF FIGURES.VI LIST OF TABLES. 1 Aims and Objectives.

1 Structure of the report.1 Overview of React:.1 What is React?.3 What is JSX?.4 Introduction to Components:.5 Props and State:.1 What is ReactJs:.4 Things to know about React Js:.1 What is NodeJs:.2 Features of nodejs:. 8 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item 1.1 What is Python?.2 Features of Python:.1 What is Recommender system?.2 Steps to recommender products:.3 Main types of recommender:.4 Pearson correlation coefficient:.5 What does Pearson coefficient mean?.1 Visual studio code:. SYSTEM ANALYSIS AND DESIGN.1 Collaborative filtering recommenders:.2 Describe the approach:.2 List of use case:.3 Use case diagram:.1 General use case:.2 Specific description use case:.1 Use case register, login:.2 Use case search products:.3 Use case order tracking:.4 Use case see product details:.5 Use case product recommend:.24 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item 2.6 Use case add product to cart:.7 Use case cart management:.8 Use case enter promo code:.9 Use case product reviews and ratings:.10 Use case personal account management:.11 Use case order through the system:.12 Use case user accounts management:.13 Use case product management:.14 Use case order management:.15 Use case product category management:.16 Use case promotion management:.17 Use case comments and star ratings management:.1 Register function activity diagram:.2 Login function activity diagram:.3 Order function activity diagram:.1 Register function sequence diagram:.2 Login function sequence diagram:.3 View product details function sequence diagram:.4 Order function sequence diagram:.5 Add favorite products function sequence diagram:. IMPLEMENTATION AND BUILDING SYSTEM.1 Build website interface with React Js:.2 Use collaborative filtering suggestions to recommend products:.3 Building a server system using Node Js:.49 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item 3.5 E-commerce system interface:.

57 CONCLUSIONS AND SUGGESTIONS. 60 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item ABBREVIATIONS ABBREVIATION MEANING S DOM Document Object Model NaN Not a Number JSX JavaScript XML Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item LIST OF FIGURES Figure 1.4 - Main types of recommender.5 - Pearson correlation coefficient.6 - Strength of the pearson correlation coefficient.7 - Visual Studio Code.1 - Determine the similarity between users.3 - Use case login, register.4 - Use case search products.5 - Use case order tracking.6 - Use case see product details.7 - Use case product recommend.8 - Use case add product to cart.9 - Use case for cart management.10 - Use case enter promo code.11 - Use case product reviews and ratings.12 - Use case for personal account management.13 - Use case order through the system.14 - Use case user accounts management.15 - Use case product management.16 - Use case order management.17 - Use case product category management.18 - Use case promotion management.19 - Use case comments and star ratings management.21 - Register function activity diagram.22 - Login function activity diagram.23 - Order function activity diagram.24 - Register function sequence diagram.25 - Login function sequence diagram.26 - View product details function sequence diagram.27 - Order function sequence diagram.28 - Add favorite products function sequence diagram.1 - Install the required libraries for ReactJS.2 - Install the required libraries for Python.3 - Use the library Flask.4 - Configure database connection.7 - Create a matrix and process the NaN values.47 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item VII Figure 3.8 - Calculate the correlation coefficient using corr(method='pearson').9 - The formula for calculating the correlation coefficient Pearson.10 - Use Json library to return data in Json format.11 - Configure database connection.12 - Install the necessary libraries for node JS.13 - Tables in the database.14 - Home page interface.15 - Product type interface.16 - Login page interface.17 - Register page interface.18 - Email verification page interface.19 - Favourite page interface.20 - Search page interface.21 - Product detail page interface.23 - Product suggestions interface.24 - Shopping cart interface.25 - Payment page interface.26 - Paypal payment interface.27 - Vnpay payment interface.28 - Profile page interface.29 - Orders invoice interface.30 - Email verification interface.32 - Account users manage interface.33 - Edit user information interface.34 - Account admin manage interface.35 - Edit admin infomation interface.36 - Add account admin interface.37 - Catagory manage interface.38 - Edit category information interface.39 - Add category interface.62 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item VIII LIST OF TABLES Table 2.1 - List of use case.2 - Specific description use case login, register.3 - Specific description use case search products.4 - Specific description use case order tracking.5 - Specific description use case see product detail.6 - Specific description use case product recommend.7 - Specific description use case add product to cart.8 - Specific description use case for cart management.9 - Specific description use case enter promo code.10 - Specific description use case product reviews and ratings.11 - Specific description use case personal account management.12 - Specific description use case order through the system.13 - Specific description use case user accounts management.14 - Specific description use case product management.15 - Specific description use case order management.16 - Specific description use case product category management.17 - Specific description use case promotion management.18 - Specific description use case comment and ratings management.36 Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item INTRODUCTION Problem statement E-commerce provides an easy way to sell products to a large customer base. However, there is a lot of competition among multiple e-commerce sites. When users land on an e-commerce site, they expect to find what they are looking for quickly and easily.

Also, users are not sure about the brands or the actual products they want to purchase. They have a very broad idea about what they want to buy. Many customers nowadays search for their products on Google rather than visiting specific e-commerce sites. They believe that Google will take them to the e-commerce sites that have their product.

The purpose of any e-commerce website is to help customers narrow down their broad ideas and enable them to finalize the products they want to purchase. Aims and Objectives Online business and sales have never been as exciting and powerful as today. When millions of people around the world use the Internet and consider it an ideal place to find information, purchase goods and services, the website is considered a highly effective online marketing strategy besides social networking site. This has pulled a series of e-commerce websites into existence to serve the shopping needs of a large number of users.

So we want to develop an Pandore e-commerce system that can bring convenience to customers. The complete system is geared towards 2 types of users namely customers and admin:  Customers: Allow customers to order, necessary products from the system's product catalog, with no quantity limit.  Administrator: Manage the Pandore e-commerce system. Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item Structure of the report After the Introduction, the report is structured in three chapters: Chapter 1, Research overview.

In this chapter, the report presents the concepts of language, tools and technology used in this e-commerce system. Chapter 2, System analysis and design. This chapter includes the algorithm analysis of collaborative filtering recommenders and use case diagrams, class diagrams, activity diagrams, sequence diagrams of the main functions of the system. Chapter 3, Implementation and building system.

This chapter will be how to implement the database, how to use the commands and libraries to be able to run this e-commerce system. Finally, there are Conclusions, Suggestions, References and Appendices related to the topic. Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item CHAPTER 1.1 Overview of React: 1.1 What is React? React is a UI library developed at Facebook to support building highly interactive, stateful, and reusable UI components. One of the appeals of React is that this library not only works on the client side, but is also rendered on the server and can be interconnected.

React compares the change between the values of this render with the previous render and updates the DOM with the least change.2 Virtual DOM: Virtual DOM technology enhances application performance. The fact that only the root node has state and when it changes, it will completely restructure, which means that the DOM tree will also have to change part of it, which will affect processing speed. React JS uses Virtual DOM (virtual DOM) to improve this problem. Virtual DOM is a Javascript object, each object contains all the information needed to create a DOM, when the data changes it will calculate the change between the object and the real tree, this will help optimize re- render the real DOM tree.

Faculty of Computer Science – Class 20GIT Le Viet Thang Le Thi Hong Quy Building an e-commerce system applying machine learning to recommend item Figure 1.2 - Tree DOM React uses one-way data binding mechanism – one-way data flow. Data is passed from parent to child via props. Simple data flow makes it easy to control as well as correct errors. With the above characteristics, React is used to build large applications whose data changes continuously over time.

Data changes are mostly accompanied by changes in the interface.3 What is JSX?