Giới thiệu dự án

Ngành dịch vụ lưu trú và khách sạn (Hospitality) đang chứng kiến sự chuyển dịch số hóa mạnh mẽ với quy mô thị trường toàn cầu dự kiến vượt 1.200 tỷ USD vào năm 2027. Tuy nhiên, theo các khảo sát ngành, hơn 68% doanh nghiệp khách sạn vừa và nhỏ (SMEs) tại Việt Nam vẫn dựa vào quy trình thủ công (sổ sách, bảng tính Excel phân tán) hoặc sử dụng các giải pháp quản lý rời rạc. Điều này dẫn đến tình trạng chậm trễ trong xử lý đơn đặt phòng, sai sót khi phân bổ phòng (overbooking) và đặc biệt là thiếu hụt công cụ phân tích dữ liệu chuyên sâu để thấu hiểu hành vi tiêu dùng của khách lưu trú.

Đề tài khóa luận tốt nghiệp "Xây dựng ứng dụng đặt phòng khách sạn tích hợp phân loại khách hàng sử dụng mô hình RFM" của sinh viên Nguyễn Huy Hoàng (MSSV: 19521539), dưới sự hướng dẫn của ThS. Thái Bảo Trân tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM, tập trung giải quyết triệt để các rào cản trên bằng một hệ sinh thái chuyển đổi số toàn diện.

Mục tiêu của dự án

  1. Xây dựng ứng dụng di động đa nền tảng (B2C Mobile App): Cung cấp giao diện trực quan, mượt mà (60 FPS) cho khách hàng thực hiện tìm kiếm phòng theo địa điểm, kiểm tra tính khả dụng, đặt phòng trực tuyến và thanh toán nhanh chóng.
  2. Thiết kế hệ thống ERP/CRM quản trị khách sạn: Hỗ trợ toàn diện đội ngũ vận hành (lễ tân, buồng phòng) thao tác xếp phòng trên Calendar trực quan, quản lý vòng đời đơn đặt (Draft $\rightarrow$ Confirm $\rightarrow$ Check-in $\rightarrow$ Check-out $\rightarrow$ Done), xuất báo cáo tài chính và lịch lưu trú.
  3. Tích hợp mô hình học máy phân nhóm khách hàng (RFM Clustering): Tự động phân tích các chỉ số Recency (Thời gian giao dịch gần nhất), Frequency (Tần suất đặt phòng) và Monetary (Tổng giá trị chi tiêu) kết hợp thuật toán K-Means để phân chia tập khách hàng thành các nhóm giá trị riêng biệt (VIP, Loyal, At-Risk, Lost).
  4. Chuẩn hóa kiến trúc phần mềm: Áp dụng Clean Architecture và mô hình Microservices hướng thông điệp (Message-Driven) giúp hệ thống mở rộng linh hoạt, đạt độ trễ xử lý thấp (Latency $< 200\text{ ms}$).

Phạm vi và giới hạn hệ thống

  • Phạm vi triển khai: Tập trung vào chuỗi khách sạn và khu nghỉ dưỡng quy mô vừa và nhỏ (Boutique & SME Hotels). Hệ thống bao gồm 3 phân hệ chính: B2C Mobile App (Android/iOS), B2B CRM Portal (Vận hành & Kế toán), và Analytics Dashboard (Marketing).
  • Giới hạn kỹ thuật: Hệ thống thử nghiệm sử dụng tiền tệ VND, dữ liệu mô phỏng dựa trên hành vi giao dịch thực tế của chuỗi lưu trú nội địa và tích hợp xử lý thanh toán qua mã QR/cổng thanh toán nội địa.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường hiện nay tồn tại hai thái cực rõ rệt: các kênh đại lý du lịch trực tuyến (OTA) như Agoda, Booking.com chiếm lĩnh kênh phân phối nhưng tính phí hoa hồng rất cao (15% - 25%/đơn), trong khi các phần mềm quản lý tài nguyên khách sạn truyền thống (PMS/ERP) lại thiếu ứng dụng di động đồng bộ và không có năng lực tự động phân khúc dữ liệu tiếp thị.

Tiêu chí so sánh Phần mềm PMS truyền thống / Excel Kênh OTA trung gian (Agoda, Booking) Hệ thống tích hợp RFM đề xuất
Kênh tương tác trực tiếp (B2C) Không có hoặc qua Web tĩnh lỗi thời Rất mạnh, nhưng thương hiệu thuộc về OTA App di động chuyên biệt (Flutter iOS/Android)
Phí hoa hồng trên đơn hàng 0% 15% - 25% 0% (Kênh Direct Booking nội bộ)
Đồng bộ hóa lịch vận hành (PMS) Rời rạc, dễ trùng lặp phòng Chỉ quản lý lượng phòng phân bổ Đồng bộ thời gian thực dạng Calendar Grid
Phân tích dữ liệu & Cá nhân hóa Thủ công qua Excel Pivot Phục vụ mục đích riêng của OTA Tự động bằng RFM + K-Means Clustering
Khả năng tùy biến & Tích hợp Thấp, hệ thống đóng Không hỗ trợ can thiệp luồng Rất cao (Mã nguồn mở Odoo + Go APIs)

Phân loại yêu cầu người dùng theo mô hình MoSCoW

  • Must-have: Xác thực người dùng (JWT), tìm kiếm khách sạn theo bộ lọc (địa điểm, số lượng người, ngày lưu trú), đặt phòng và tính tiền tự động, quản lý lịch đặt phòng trên CRM Calendar, xử lý Check-in/Check-out, thuật toán phân cụm RFM.
  • Should-have: Xuất báo cáo doanh thu và danh sách cư trú (PDF/Excel), hủy/chuyển đổi phòng linh hoạt, quản lý bảng giá theo mùa (product_pricelist), tạo mã QR thanh toán nhanh.
  • Could-have: Tải lên hình ảnh đa ngôn ngữ (Tiếng Anh/Tiếng Việt) cho bộ phận Marketing, quản lý các dịch vụ gia tăng (minibar, giặt ủi, early check-in).
  • Won't-have (giai đoạn này): Động cơ định giá tự động theo thời gian thực (Dynamic Pricing Engine) dựa trên dự báo thời tiết và mạng xã hội.

Thiết kế hệ thống

Toàn bộ hệ thống được xây dựng dựa trên nguyên lý phân tách trách nhiệm (Separation of Concerns) với mô hình Clean Architecture tại các microservice backend và ứng dụng di động Flutter.

graph TD
    ClientApp["Flutter Mobile App (iOS / Android)"] -->|HTTPS / REST API| APIGateway["API Gateway (Golang Handler)"]
    WebCRM["Web CRM Admin Portal (Vue.js / Odoo Web)"] -->|HTTPS / JSON-RPC| APIGateway

    subgraph CoreBackend["Backend Services (Clean Architecture)"]
        APIGateway --> UseCases["Use Case / Service Layer"]
        UseCases --> Entities["Core Enterprise Entities"]
        UseCases --> Repositories["Repository Interface Layer"]
    end

    Repositories -->|GORM / SQL| MainDB[("PostgreSQL 16 Engine")]
    UseCases -->|AMQP Protocol| MsgQueue["RabbitMQ Message Broker"]
    MsgQueue -->|Async Event| AnalyticsWorker["RFM Analytics Service (Python)"]
    AnalyticsWorker -->|Sync Profiles| MainDB

Ngăn xếp công nghệ (Technology Stack)

  • Mobile Application: Flutter SDK v3.19.x, Ngôn ngữ Dart v3.3.x, Kiến trúc BLoC/Clean State Management.
  • Backend Services: Golang v1.22.x (tối ưu hóa xử lý đồng thời qua Goroutines), Gin Gonic Framework.
  • ERP Core Platform: Odoo Platform v16.0 Community Edition (Python 3.11.x).
  • Cơ sở dữ liệu: PostgreSQL RDBMS v16.2.
  • Machine Learning Service: Python v3.11.x, Scikit-Learn v1.4.x, Pandas v2.2.x, NumPy.
  • Message Broker & Infrastructure: RabbitMQ v3.13, Docker Engine v26.0, Docker Compose.

Thiết kế cơ sở dữ liệu quan hệ (Database Schema)

Cơ sở dữ liệu trung tâm được chuẩn hóa dựa trên lược đồ chuẩn của hệ thống Odoo kết hợp tùy biến cho bài toán lưu trú:

  • hotel_reservation: Lưu thông tin tổng quát của đơn đặt phòng (id, partner_id, pricelist_id, state [Draft/Confirm/Checkin/Done/Canceled], source, total_cost, total_advance, remaining_amt).
  • hotel_reservation_line: Chi tiết các phòng được gán cho đơn đặt (id, reservation_id, tenant_id, hotel_id, room_type_id, room_id, checkin, checkout, discount).
  • tenant_partner: Hồ sơ khách hàng tích hợp dữ liệu định danh và phân cấp (id, name, email, phone, citizen_level [New, Silver, Gold, VIP], rfm_segment).
  • hotel_room & hotel_room_type: Quản lý danh mục cơ sở vật chất và trạng thái phòng thực tế (Available, Occupied, Cleaning, Maintenance).
-- Lược đồ bảng lưu trữ đơn đặt phòng chính (hotel_reservation)
CREATE TABLE hotel_reservation (
    id SERIAL PRIMARY KEY,
    name VARCHAR(64) NOT NULL,
    partner_id INT NOT NULL REFERENCES tenant_partner(id) ON DELETE RESTRICT,
    pricelist_id INT NOT NULL,
    state VARCHAR(16) DEFAULT 'Draft' CHECK (state IN ('Draft', 'Confirm', 'Checkin', 'Done', 'Canceled')),
    source VARCHAR(32) DEFAULT 'mobile_app',
    adults_count INT DEFAULT 1,
    children_count INT DEFAULT 0,
    total_cost NUMERIC(12, 2) NOT NULL DEFAULT 0.00,
    total_advance NUMERIC(12, 2) NOT NULL DEFAULT 0.00,
    remaining_amt NUMERIC(12, 2) NOT NULL DEFAULT 0.00,
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

Phương pháp luận phát triển (Methodology)

Dự án áp dụng mô hình Agile Scrum với chu kỳ phát triển 4 Sprint (mỗi Sprint kéo dài 4 tuần, tổng cộng 16 tuần thực hiện):

  1. Sprint 1 (Khảo sát & Kiến trúc): Khảo sát thực địa quy trình vận hành khách sạn, thiết kế ERD, cấu hình môi trường Odoo core và dựng khung Clean Architecture bằng Golang.
  2. Sprint 2 (Xây dựng B2C Mobile App & API): Lập trình giao diện Flutter UI/UX, tích hợp API tìm kiếm, xem chi tiết, đặt phòng và cổng thanh toán giả lập.
  3. Sprint 3 (Phát triển CRM Vận hành & Lịch Calendar): Xây dựng module quản trị khách sạn trên Odoo, hoàn thiện bảng Calendar phân bổ phòng, tính năng Check-in/Check-out và xuất báo cáo.
  4. Sprint 4 (Tích hợp Module ML RFM & Kiểm thử): Xây dựng luồng tính toán RFM, huấn luyện K-Means Clustering, kết nối hệ thống phân loại vào CRM và tiến hành kiểm thử hiệu năng/UAT.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Thuật toán phân cụm khách hàng RFM kết hợp K-Means

Mô hình RFM đánh giá giá trị khách hàng dựa trên 3 thông số định lượng được trích xuất trực tiếp từ lịch sử giao dịch:

  • Recency ($R$): Số ngày tính từ lần đặt phòng cuối cùng đến thời điểm phân tích: $R = \text{Date}{\text{today}} - \text{Date}{\text{last_checkout}}$.
  • Frequency ($F$): Tổng số lần đặt phòng thành công của khách hàng trong chu kỳ quan sát: $F = \sum \text{Orders}_{\text{state}=\text{'Done'}}$.
  • Monetary ($M$): Tổng số tiền khách hàng đã thanh toán cho cơ sở lưu trú: $M = \sum \text{total_cost}$.

Do các biến số có thang đo chênh lệch lớn (ví dụ: $R \in [1, 365]$, $F \in [1, 20]$, $M \in [500.000, 100.000.000]$ VND), dữ liệu bắt buộc phải qua bước chuẩn hóa Min-Max Scaling hoặc Log Transformation + StandardScaler trước khi đưa vào thuật toán K-Means:

$$x_{\text{scaled}} = \frac{x - \mu}{\sigma}$$

Khoảng cách Euclidean giữa khách hàng $x_i$ và tâm cụm $c_k$ trong không gian 3 chiều:

$$d(x_i, c_k) = \sqrt{(R_i - R_{c_k})^2 + (F_i - F_{c_k})^2 + (M_i - M_{c_k})^2}$$

Hàm mục tiêu cần tối thiểu hóa qua các vòng lặp:

$$J = \sum_{k=1}^{K} \sum_{x_i \in C_k} ||x_i - c_k||^2$$

# Trích đoạn xử lý phân cụm RFM bằng Python và Scikit-Learn
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

def compute_rfm_segments(transactions_df, reference_date):
    # 1. Trích xuất chỉ số R, F, M cho từng khách hàng
    rfm = transactions_df.groupby('tenant_id').agg({
        'checkout_date': lambda x: (reference_date - x.max()).days,
        'reservation_id': 'count',
        'total_cost': 'sum'
    }).rename(columns={
        'checkout_date': 'Recency',
        'reservation_id': 'Frequency',
        'total_cost': 'Monetary'
    })

    # 2. Xử lý phân phối lệch bằng phép biến đổi Log
    rfm_log = np.log1p(rfm[['Recency', 'Frequency', 'Monetary']])

    # 3. Chuẩn hóa thang đo Z-score
    scaler = StandardScaler()
    rfm_normalized = scaler.fit_transform(rfm_log)

    # 4. Huấn luyện mô hình K-Means với K=4 cụm tối ưu (Elbow Method)
    kmeans = KMeans(n_clusters=4, init='k-means++', random_state=42, n_init=10)
    rfm['Cluster'] = kmeans.fit_predict(rfm_normalized)

    # 5. Ánh xạ nhãn phân khúc kinh doanh
    segment_map = {
        0: 'VIP / Champions',
        1: 'Loyal Customers',
        2: 'Potential / Promising',
        3: 'At-Risk / Inactive'
    }
    rfm['Segment'] = rfm['Cluster'].map(segment_map)
    return rfm

Triển khai tầng Use Case với Clean Architecture trong Golang

Đảm bảo nguyên lý độc lập nghiệp vụ, tầng UseCase tương tác với tầng Repository thông qua Interface trừu tượng:

package usecase

import (
	"context"
	"errors"
	"time"
)

type ReservationRequest struct {
	TenantID    int64     `json:"tenant_id"`
	HotelID     int64     `json:"hotel_id"`
	RoomTypeID  int64     `json:"room_type_id"`
	CheckIn     time.Time `json:"check_in"`
	CheckOut    time.Time `json:"check_out"`
	TotalAmount float64   `json:"total_amount"`
}

type ReservationUseCase interface {
	CreateReservation(ctx context.Context, req *ReservationRequest) (int64, error)
}

type reservationService struct {
	repo           ReservationRepository
	rabbitProducer MessageBrokerProducer
}

func (s *reservationService) CreateReservation(ctx context.Context, req *ReservationRequest) (int64, error) {
	// Kiểm tra phòng trống thời gian thực (Atomic Operation)
	isAvailable, err := s.repo.CheckRoomAvailability(ctx, req.HotelID, req.RoomTypeID, req.CheckIn, req.CheckOut)
	if err != nil || !isAvailable {
		return 0, errors.New("phòng đã được đặt trong khoảng thời gian này")
	}

	resID, err := s.repo.InsertReservation(ctx, req)
	if err != nil {
		return 0, err
	}

	// Gửi sự kiện tạo đơn bất đồng bộ sang Message Queue để cập nhật chỉ số RFM
	_ = s.rabbitProducer.PublishEvent("reservation.created", req.TenantID)

	return resID, nil
}

Kiểm thử và đánh giá hệ thống

Hệ thống đã trải qua quá trình kiểm thử tự động toàn diện kết hợp thử nghiệm chấp nhận người dùng (UAT) với các chỉ số đo lường rõ ràng:

  • Unit Test & Integration Test Coverage: Đạt 84.5% trên toàn bộ mã nguồn Golang và 81.2% đối với các widget/BLoC trong Flutter.
  • Hiệu năng tải (Load Testing qua k6): Thử nghiệm với 500 người dùng đồng thời (500 Virtual Users) trong 10 phút:
    • Thời gian phản hồi trung bình (P95 Latency): 142 ms.
    • Tỷ lệ thành công của truy vấn (Success Rate): 99.94%.
    • Tốc độ xử lý (Throughput): Đạt 850 requests/second.
  • Đánh giá mô hình K-Means: Hệ số Silhouette Coefficient đạt 0.68, cho thấy độ phân tách giữa 4 cụm khách hàng rõ rệt, không bị chồng lấn dữ liệu.
                  KẾT QUẢ PHÂN KHÚC KHÁCH HÀNG (K-MEANS)
                                                    Monetary (VND)
  • Kết quả UAT (User Acceptance Testing): Tiến hành khảo sát thử nghiệm trên 35 người dùng (gồm 25 khách đặt phòng và 10 nhân viên quản lý vận hành):
    • 94.3% người dùng đánh giá ứng dụng di động có thao tác mượt mà, dễ sử dụng.
    • 90.0% nhân viên lễ tân khẳng định giao diện Calendar giúp giảm hoàn toàn lỗi trùng phòng so với việc kiểm tra trên sổ sách.

Đổi mới và đóng góp

  1. Khép kín luồng dữ liệu từ B2C đến CRM vận hành: Đa số các giải pháp trên thị trường tách biệt ứng dụng đặt phòng của khách và hệ thống quản trị của nhân viên. Đề tài đã liên kết liền mạch giữa Mobile App, Odoo ERP Core và Golang Backend qua kiến trúc Message Queue thời gian thực.
  2. Cơ chế phân cụm tự động hỗ trợ Marketing theo dữ liệu thực: Thay vì phân loại khách hàng dựa trên cảm tính hoặc quy tắc tĩnh (như tổng chi tiêu đơn thuần), hệ thống ứng dụng mô hình RFM đa chiều kết hợp giải thuật K-Means. Kết quả phân cụm tự động cập nhật ngay trên trang quản trị khách hàng của Odoo, cho phép đội ngũ marketing kích hoạt các chương trình chăm sóc riêng biệt (ví dụ: tặng voucher cho nhóm At-Risk, ưu đãi giảm giá đặc quyền cho nhóm VIP).
  3. Tối ưu hóa hiệu năng với Clean Architecture: Việc ứng dụng Clean Architecture giúp tách biệt hoàn toàn tầng logic nghiệp vụ khỏi giao diện và cơ sở dữ liệu. Nhờ đó, backend có thể dễ dàng thay đổi hệ quản trị CSDL hoặc tích hợp thêm microservice mới mà không ảnh hưởng đến độ ổn định cốt lõi.
  4. Nâng cao hiệu suất vận hành định lượng:
    • Giảm 75% thời gian tạo và xác nhận đơn đặt phòng tại quầy so với quy trình ghi nhận truyền thống.
    • Giảm 100% tỷ lệ lỗi overbooking nhờ cơ chế khóa bản ghi nguyên tử (Database Record Locking) khi kiểm tra tính khả dụng của phòng.
    • Tăng dự kiến 30% tỷ lệ giữ chân khách hàng (Customer Retention) nhờ các chiến dịch tiếp thị nhắm đúng phân khúc RFM.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Case Scenarios)

  • Kịch bản 1 - Khách hàng cá nhân: Người dùng mở ứng dụng Flutter, chọn khách sạn tại TP.HCM trong khoảng thời gian từ ngày 15/09 đến 18/09 cho 2 người lớn. Hệ thống trả về danh sách các loại phòng khả dụng kèm hình ảnh, giá ưu đãi theo cấp thành viên (tenant_partner.citizen_level). Khách hàng chọn phòng, thanh toán qua QR Code và nhận mã đơn đặt phòng tức thì qua email và thông báo đẩy (Push Notification).
  • Kịch bản 2 - Lễ tân khách sạn (Front Desk Operation): Nhân viên mở màn hình Calendar trên CRM Odoo. Đơn đặt phòng từ ứng dụng tự động hiển thị trên lịch với trạng thái Confirm màu vàng. Khi khách đến nhận phòng, nhân viên đối soát thông tin, chỉ định số phòng thực tế (hotel_room) và chuyển trạng thái sang Checkin chỉ với 2 lần nhấp chuột.
                        [CRM Calendar Lễ tân]                 [Worker phân tích RFM]
                        (Hiển thị ô phòng mới)               (Cập nhật Profile VIP)
  • Kịch bản 3 - Quản lý Marketing: Chuyên viên tiếp thị truy cập Dashboard Phân tích, lọc nhóm khách hàng thuộc phân khúc At-Risk / Inactive (những người từng chi tiêu cao nhưng chưa quay lại trên 90 ngày). Hệ thống trích xuất danh sách email tự động để gửi mã giảm giá kích cầu 20% cho lần lưu trú tiếp theo.

Yêu cầu triển khai hạ tầng

  • Phần cứng máy chủ tối thiểu: 2 vCPU, 4GB RAM, 50GB SSD Storage (đáp ứng cho chuỗi từ 3 - 5 khách sạn với quy mô ~200 phòng).
  • Môi trường phần mềm: Ubuntu Server 22.04 LTS, Docker Engine v26+, Docker Compose v2.24+.
  • Bảo mật và sao lưu: Mã hóa dữ liệu truyền tải qua HTTPS/TLS 1.3, cơ chế sao lưu tự động cơ sở dữ liệu PostgreSQL định kỳ hàng ngày (Daily Automated Dump) lưu trữ trên Cloud Storage.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Kích thước tập dữ liệu huấn luyện: Mô hình phân cụm K-Means phụ thuộc vào quy mô dữ liệu lịch sử. Với các cơ sở lưu trú mới đi vào hoạt động (dưới 100 giao dịch), phân cụm có thể chưa đạt độ chính xác tối ưu (hiện tượng Cold Start).
  • Cổng thanh toán: Hệ thống mới thử nghiệm trên cổng thanh toán giả lập và mã QR nội địa, chưa tích hợp các cổng thanh toán quốc tế phức tạp (Stripe, Visa/Mastercard 3D Secure).
  • Định giá động: Bảng giá (product_pricelist) hiện tại phải thiết lập thủ công theo khung giờ/mùa, chưa tự động điều chỉnh linh hoạt theo quy luật cung - cầu thị trường.

Hướng phát triển trong tương lai

  1. Ứng dụng học tăng cường (Reinforcement Learning) cho Dynamic Pricing: Tự động tối ưu hóa giá phòng theo thời gian thực dựa trên tỷ lệ lấp đầy, thời tiết và xu hướng thị trường.
  2. Xây dựng hệ thống gợi ý phòng cá nhân hóa (Recommendation System): Ứng dụng Collaborative Filtering kết hợp Content-Based Filtering để gợi ý phòng và dịch vụ phù hợp với sở thích từng cá nhân.
  3. Mở rộng kiến trúc Đa thuê bao (Multi-Tenancy SaaS): Đóng gói giải pháp thành mô hình phần mềm dịch vụ (SaaS) cho phép nhiều chuỗi khách sạn khác nhau cùng đăng ký và sử dụng độc lập trên một hạ tầng đám mây duy nhất.

Đối tượng hưởng lợi

                                  ĐỐI TƯỢNG HƯỞNG LỢI
  • Sinh viên chuyên ngành CNTT / Hệ thống thông tin: Tài liệu tham khảo chuẩn mực về quy trình phân tích thiết kế hệ thống, ứng dụng Clean Architecture trong bài toán thực tế và tích hợp học máy vào hệ thống thông tin quản lý.
  • Kỹ sư và lập trình viên phần mềm: Tham khảo cấu trúc mã nguồn hoàn chỉnh kết hợp giữa Flutter, Golang Microservices và nền tảng ERP Odoo mã nguồn mở.
  • Doanh nghiệp khách sạn và lưu trú: Giải pháp chuyển đổi số toàn diện giúp tiết kiệm 15% - 25% chi phí hoa hồng kênh OTA, tối ưu hóa quy trình vận hành và nâng cao doanh thu nhờ tiếp thị dựa trên dữ liệu.
  • Nhà nghiên cứu phân tích dữ liệu kinh doanh: Minh chứng thực nghiệm cho tính hiệu quả của mô hình RFM khi kết hợp thuật toán K-Means Clustering trong lĩnh vực quản trị quan hệ khách hàng ngành du lịch.

Câu hỏi thường gặp

1. Cần cấu hình hệ thống tối thiểu như thế nào để triển khai trọn bộ giải pháp?

Để vận hành toàn bộ hệ sinh thái (bao gồm Web Odoo CRM, Backend Go, Analytics Worker và PostgreSQL), máy chủ cần tối thiểu 2 vCPU, 4GB RAM và 50GB dung lượng ổ cứng SSD chạy trên nền tảng Linux (Ubuntu 20.04/22.04 LTS) có cài đặt Docker và Docker Compose. Ứng dụng di động Flutter hỗ trợ các thiết bị chạy từ Android 6.0 (API Level 23) và iOS 12.0 trở lên.

2. Hệ thống xử lý thế nào khi xảy ra xung đột hai người cùng đặt một phòng tại một thời điểm?

Hệ thống sử dụng cơ chế Pessimistic/Optimistic Locking tại tầng cơ sở dữ liệu PostgreSQL kết hợp với khối xử lý nguyên tử (Atomic Transaction) trong Golang. Khi một yêu cầu đặt phòng được gửi đến, hệ thống sẽ giữ khóa bản ghi phòng trong trạng thái Holding (thời hạn 10 phút để chờ thanh toán). Bất kỳ yêu cầu đặt trùng phòng và khung thời gian đó sẽ lập tức nhận thông báo phòng đã được giữ và đề xuất phòng tương đương khác.

3. Việc tích hợp hệ thống với các phần mềm kế toán hoặc cổng thanh toán khác có phức tạp không?

Nhờ kiến trúc Clean Architecture và việc chuẩn hóa theo mô hình Odoo ERP, hệ thống cung cấp sẵn các chuẩn kết nối mở RESTful API và JSON-RPC. Doanh nghiệp có thể dễ dàng mở rộng, tích hợp thêm các cổng thanh toán như VNPay, MoMo, ZaloPay hoặc kết nối dữ liệu sang phần mềm kế toán độc lập khác (MISA, FAST) thông qua các webhook và API handler định sẵn.

4. Thuật toán phân cụm RFM được kích hoạt cập nhật định kỳ như thế nào?

Module phân tích RFM được cấu hình chạy tự động theo hai cơ chế:

  • Xử lý theo lô định kỳ (Batch Processing): Kích hoạt vào 02:00 sáng hàng ngày để tính toán lại điểm số RFM và cập nhật phân nhóm cho toàn bộ tập khách hàng dựa trên lịch sử giao dịch mới.
  • Xử lý theo sự kiện (Event-Driven): Khi một đơn đặt phòng hoàn tất thanh toán và chuyển trạng thái sang Done, một sự kiện sẽ được bắn vào RabbitMQ để cập nhật ngay lập tức chỉ số Monetary và Recency cho khách hàng tương ứng.

5. Chi phí đầu tư và thời gian thu hồi vốn (ROI) của dự án ước tính ra sao?

Do ứng dụng tối đa các công nghệ mã nguồn mở (Odoo Community, Flutter, Golang, PostgreSQL), chi phí bản quyền phần mềm là 0 VND. Chi phí đầu tư ban đầu chủ yếu tập trung vào hạ tầng máy chủ Cloud (khoảng 300.000 - 600.000 VND/tháng). Với việc cắt giảm phí hoa hồng từ 15% - 25% phải trả cho các kênh OTA trung gian, một khách sạn quy mô 30 phòng có thể đạt điểm hòa vốn và thu hồi chi phí đầu tư trong vòng 3 đến 6 tháng.

Kết luận

Đề tài "Xây dựng ứng dụng đặt phòng khách sạn tích hợp phân loại khách hàng sử dụng mô hình RFM" của sinh viên Nguyễn Huy Hoàng đã hoàn thành xuất sắc các mục tiêu nghiên cứu và ứng dụng thực tiễn. Đồ án không chỉ tạo ra một ứng dụng di động B2C hoàn chỉnh với trải nghiệm người dùng tối ưu trên nền tảng Flutter, mà còn xây dựng một hệ thống quản trị khách sạn chuyên nghiệp dựa trên nền tảng Odoo ERP và kiến trúc Clean Architecture bằng Golang.

Điểm sáng nổi bật của công trình là sự giao thoa thành công giữa kỹ thuật công nghệ phần mềm hiện đại và khoa học phân tích dữ liệu kinh doanh. Việc tích hợp giải thuật phân cụm học máy K-Means trên nền tảng mô hình RFM đã chứng minh tiềm năng to lớn trong việc hỗ trợ các doanh nghiệp lưu trú chuyển đổi số, tối ưu hóa chi phí vận hành và cá nhân hóa trải nghiệm khách hàng một cách khoa học. Đây là tài liệu tham khảo có giá trị học thuật cao cho sinh viên, đồng thời là bộ giải pháp khả thi sẵn sàng chuyển giao cho các doanh nghiệp khách sạn trong kỷ nguyên kinh tế số.