Giới thiệu dự án

Trong bối cảnh nền kinh tế số và thương mại điện tử (E-commerce) bùng nổ, ngành bán lẻ thực phẩm đang đối mặt với những thách thức nghiêm trọng về tối ưu hóa chuỗi cung ứng. Theo các nghiên cứu thị trường bán lẻ, tỷ lệ hao hụt và hư hỏng thực phẩm tại các cửa hàng vừa và nhỏ (SMEs) thường chiếm từ 15% đến 20% tổng lượng hàng nhập do đặc tính vòng đời sản phẩm (shelf-life) cực kỳ ngắn.

Việc quản lý xuất nhập tồn truyền thống dựa vào kinh nghiệm con người dễ dẫn đến hai thái cực tiêu cực: nhập hàng dư thừa gây ứ đọng vốn và hết hạn sử dụng, hoặc nhập thiếu hụt làm đứt gãy trải nghiệm khách hàng và suy giảm doanh thu. Các giải pháp hoạch định nguồn lực doanh nghiệp (ERP) hiện nay thường quá phức tạp và đắt đỏ, khiến các nhà bán lẻ nhỏ không đủ năng lực tài chính để sở hữu đội ngũ chuyên viên phân tích dữ liệu chuyên nghiệp.

Đồ án "Xây dựng ứng dụng di động bán thực phẩm trực tuyến hỗ trợ dự báo doanh số" do sinh viên ngành Kỹ thuật Phần mềm, Trường Đại học Công nghệ Thông tin (ĐHQG-HCM) thực hiện nhằm giải quyết trực tiếp bài toán trên.

+-------------------------------------------------------------------------+
|                              HỆ THỐNG TOÀN DIỆN                          |
|  +---------------------------+           +---------------------------+  |
|  |     E-COMMERCE MOBILE     |           |    SALES FORECASTING      |  |
|  | (Mua sắm tiện lợi, quản   | <=======> |  (Phân tích chuỗi thời    |  |
|  |  lý đơn hàng real-time)   |           |   gian TSA & Machine      |  |
|  +---------------------------+           |   Learning chuyên sâu)    |  |
|                                          +---------------------------+  |
+-------------------------------------------------------------------------+

Mục tiêu dự án

  1. Xây dựng ứng dụng di động bán lẻ thực phẩm trực tuyến đa chức năng trên hệ điều hành Android, tối ưu hóa trải nghiệm người dùng cuối (End-user).
  2. Thiết kế hệ thống Backend vững chắc phục vụ quản trị danh mục sản phẩm, đơn hàng, người dùng và tích hợp luồng thanh toán an toàn.
  3. Nghiên cứu và áp dụng các phương pháp phân tích chuỗi thời gian (Time Series Analysis - TSA) cùng các thuật toán học máy (Machine Learning - ML) tiên tiến để dự báo nhu cầu tiêu thụ.
  4. Tích hợp công cụ quản lý lịch sự kiện đặc biệt (lễ, tết, thời tiết, biến động thị trường) nhằm hiệu chỉnh và gia tăng độ chính xác của mô hình dự báo.
  5. Cung cấp giao diện trực quan hóa dữ liệu (Data Visualization) thời gian thực hỗ trợ người quản trị ra quyết định xuất nhập kho kịp thời.

Phạm vi và giới hạn hệ thống

  • Nền tảng triển khai: Ứng dụng di động Android (Kotlin SDK 33), Server Backend (Java Spring Boot 2.7.x) kết hợp Python REST API (FastAPI/Flask) cho xử lý AI/ML.
  • Phạm vi nghiệp vụ: Phục vụ chuỗi bán lẻ thực phẩm tươi sống và chế biến; hỗ trợ định danh JWT, thanh toán COD/chuyển khoản, quản lý địa chỉ đa tầng và dự báo bán hàng theo từng mã định danh sản phẩm (SKU) hoặc danh mục ngành hàng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát thực tế các nền tảng thương mại điện tử hiện nay cho thấy sự phân hóa rõ rệt giữa ứng dụng thuần bán lẻ và nền tảng quản trị:

Tiêu chí so sánh Bách Hóa Xanh App Nền tảng Shopify Hệ thống của đồ án
Giao diện & Trải nghiệm Màu sắc hài hòa, định vị GPS, nhưng tốc độ tải trang chậm, luồng mua hàng cứng nhắc. Đa dạng theme, bố cục kéo thả hiện đại nhưng cấu hình phức tạp cho thực phẩm. Tối ưu hóa UI/UX với Kotlin, hỗ trợ lazy-loading, tách biệt thao tác "Mua ngay" và "Thêm vào giỏ".
Công cụ dự báo doanh số Không tích hợp cho đối tác bán lẻ/quản lý cơ sở. Yêu cầu cài đặt plugin bên thứ 3 trả phí cao, không tối ưu cho chuỗi thực phẩm. Tích hợp sẵn Engine dự báo chuỗi thời gian (ARIMA, Croston, ML Regressors).
Hiệu chỉnh yếu tố ngoại cảnh Không hỗ trợ người dùng can thiệp yếu tố mùa vụ. Giới hạn trong báo cáo tổng hợp tĩnh. Cho phép tùy biến lịch (Calendar Engine) với các sự kiện lễ tết, thiên tai, dịch bệnh.
Chi phí triển khai Hệ thống đóng nội bộ doanh nghiệp lớn. Thu phí định kỳ cao theo tháng + % giao dịch. Mã nguồn mở, kiến trúc phân tán nhẹ, tối ưu chi phí cho SMEs.

Phân tích yêu cầu chức năng theo mô hình MoSCoW

  • Must have (Bắt buộc): Đăng ký/đăng nhập xác thực JWT; xem/tìm kiếm sản phẩm; quản lý giỏ hàng và đơn hàng; Module dự báo doanh số theo thuật toán TSA/ML; CRUD danh mục và quản lý lịch sự kiện.
  • Should have (Nên có): Lọc theo đặc trưng sản phẩm, định vị tự động địa chỉ nhận hàng, trực quan hóa biểu đồ doanh số thực tế và dự báo.
  • Could have (Có thể mở rộng): Tự động gợi ý chương trình khuyến mãi dựa trên lượng hàng tồn và dự báo ứ đọng.
  • Won't have (Chưa thực hiện): Đa ngôn ngữ và thanh toán qua cổng quốc tế đa tiền tệ.

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo mô hình Client-Server phân tán đa tầng (Multi-tier Distributed Architecture) nhằm phân tách rạch ròi giữa logic nghiệp vụ thương mại và tác vụ tính toán học máy nặng.

+------------------------------------------------------------------------+
|                          CLIENT LAYER (ANDROID)                        |
|   +----------------------------------------------------------------+   |
|   |         Activities / Fragments / Custom View Components        |   |
|   +----------------------------------------------------------------+   |
|   |               ViewModel Layer (MVVM Pattern)                   |   |
|   +----------------------------------------------------------------+   |
|   |      Repository & Retrofit Client (HTTP/REST Data Source)      |   |
|   +----------------------------------------------------------------+   |
+-----------------------------------||-----------------------------------+
                                    || HTTPS / RESTful API (JSON)
+-----------------------------------||-----------------------------------+
|                        BACKEND BUSINESS SERVICES                       |
|   +----------------------------------------------------------------+   |
|   |   API Gateway & Security (Spring Security, JWT Authentication)  |   |
|   +----------------------------------------------------------------+   |
|   |   Java Spring Boot Core Server (Order, Product, User Services) |   |
|   +----------------------------------------------------------------+   |
|   |   Relational Database Management System (MySQL / PostgreSQL)   |   |
|   +----------------------------------------------------------------+   |
+-----------------------------------||-----------------------------------+
                                    || Internal REST API
+-----------------------------------||-----------------------------------+
|                     MACHINE LEARNING / TSA ENGINE                      |
|   +----------------------------------------------------------------+   |
|   |   Python REST Service (FastAPI / Flask Framework)              |   |
|   +----------------------------------------------------------------+   |
|   |   Forecasting Pipeline: Preprocessing -> TSA/ML -> Inference   |   |
|   +----------------------------------------------------------------+   |
|   |   Model Artifacts (ARIMA, Moving Average, Scikit-Learn Models) |   |
|   +----------------------------------------------------------------+   |
+------------------------------------------------------------------------+

Technology Stack và phiên bản chuẩn hóa

  • Mobile Client: Android Native (Kotlin 1.7+, Android SDK 33), Kiến trúc MVVM, Jetpack (ViewModel, LiveData), Retrofit 2.9.0, Glide (Image Caching).
  • Core Backend: Java 17, Spring Boot 2.7.x, Spring Data JPA, Spring Security, Hibernate ORM.
  • AI/ML Engine: Python 3.9+, FastAPI 0.85+, Statsmodels 0.13+, Scikit-Learn 1.1+, Pandas 1.5+, NumPy.
  • Cơ sở dữ liệu: MySQL 8.0 với thiết kế chuẩn hóa bậc 3 (3NF).
  • Bảo mật: JSON Web Token (JWT) mã hóa HMAC-SHA256, BCrypt Password Encoder.

Thiết kế Cơ sở dữ liệu (Database Schema)

Hệ sinh thái dữ liệu bao gồm các thực thể cốt lõi:

  • seller & customer: Quản lý thông tin định danh và phân quyền tài khoản.
  • category & subcategory: Phân tầng danh mục hàng hóa 2 cấp.
  • product, classify_product, classify_product_value: Lưu trữ SKU, phân loại chi tiết và đơn giá.
  • order & order_item: Quản lý giao dịch bán hàng, trạng thái thanh toán và lịch sử giao hàng.
  • sale_data: Lưu trữ chuỗi dữ liệu bán hàng lịch sử theo ngày, phục vụ trích xuất đặc trưng cho mô hình AI.
  • calendar: Ghi nhận các trường ngày lễ, sự kiện ngoại cảnh tác động đến sức mua.

Phương pháp luận (Methodology)

Dự án áp dụng quy trình phát triển phần mềm linh hoạt (Agile/Scrum) với chu kỳ 4 giai đoạn rõ ràng trong 17 tuần:

  • Giai đoạn 1 (Tuần 1 - Tuần 3): Khảo sát yêu cầu, nghiên cứu dữ liệu chuỗi thời gian (TSA) và toán học Machine Learning, thiết kế đặc tả Use Case và cơ sở dữ liệu.
  • Giai đoạn 2 (Tuần 4 - Tuần 8): Phát triển Backend Spring Boot, xây dựng API Client/Admin, thiết kế giao diện Android UI/UX trên Figma và hiện thực hóa mã nguồn Kotlin.
  • Giai đoạn 3 (Tuần 9 - Tuần 14): Tiền xử lý dữ liệu thực nghiệm M5 Walmart, huấn luyện các mô hình dự báo offline/online, xây dựng Python API và tích hợp liên thông với hệ thống Spring Boot.
  • Giai đoạn 4 (Tuần 15 - Tuần 17): Kiểm thử toàn diện (Unit Test, Integration Test, Load Test), tối ưu hóa hiệu năng, sửa lỗi và nghiệm thu kỹ thuật.

Implementation và kết quả

Quy trình phát triển và Kỹ thuật Dự báo Chuyên sâu

Điểm mấu chốt của hệ thống là xử lý các đặc trưng chuỗi thời gian phức tạp như tính dừng (Stationarity), tính xu hướng (Trend), tính thời vụ (Seasonality) và hiện tượng bán hàng rời rạc (Intermittent Demand).

1. Kiểm tra tính dừng và hiện tượng nhiễu trắng (White Noise)

Sử dụng hàm tự tương quan Autocorrelation Function (ACF) để đánh giá tương quan giữa các độ trễ:

$$r_k = \frac{\sum_{t=k+1}^T (y_t - \bar{y})(y_{t-k} - \bar{y})}{\sum_{t=1}^T (y_t - \bar{y})^2}$$

Nếu toàn bộ các nhánh ACF đều rơi vào ngưỡng tin cậy $\pm \frac{2}{\sqrt{T}}$, chuỗi dữ liệu được xác định là nhiễu trắng và không thể dự đoán tin cậy.

2. Xử lý nhu cầu rời rạc với phương pháp Croston

Đối với các mặt hàng thực phẩm có tần suất mua không liên tục (xuất hiện nhiều giá trị 0), thuật toán Croston phân tách chuỗi dữ liệu thành hai thành phần: quy mô nhu cầu ($z_t$) và khoảng cách giữa các lần phát sinh nhu cầu ($p_t$):

# Implementation nguyên lý Croston dự báo nhu cầu ngắt quãng
def croston_forecast(ts_data, alpha=0.1):
    import numpy as np
    
    # Khởi tạo giá trị ban đầu
    non_zero_indices = np.where(ts_data > 0)[0]
    if len(non_zero_indices) < 2:
        return np.repeat(np.mean(ts_data), len(ts_data))
    
    # z: quy mô lượng bán, p: chu kỳ khoảng cách giữa 2 lần bán
    z = ts_data[non_zero_indices[0]]
    p = 1.0
    q = 1
    forecast = []
    
    for t in range(len(ts_data)):
        if ts_data[t] > 0:
            z = alpha * ts_data[t] + (1 - alpha) * z
            p = alpha * q + (1 - alpha) * p
            q = 1
        else:
            q += 1
        
        # Tỷ lệ dự báo nhu cầu trên mỗi chu kỳ
        demand_rate = z / p if p != 0 else 0
        forecast.append(demand_rate)
        
    return np.array(forecast)

3. Mô hình Hồi quy tự động tích hợp trung bình trượt (ARIMA)

Mô hình $\text{ARIMA}(p, d, q)$ được thiết lập để bắt trọn xu hướng và tính tự hồi quy của chuỗi dữ liệu sau khi lấy sai phân bậc $d$:

$$y't = c + \phi_1 y'{t-1} + \dots + \phi_p y'{t-p} + \theta_1 \epsilon{t-1} + \dots + \theta_q \epsilon_{t-q} + \epsilon_t$$

4. Kỹ thuật Xử lý đặc trưng (Feature Engineering Pipeline)

  • Lọc phương sai thấp (Low Variance Filter): Loại bỏ các đặc trưng có phương sai tiệm cận 0 không mang giá trị phân loại.
  • Lọc tương quan cao (High-Correlation Filter): Tính ma trận tương quan Pearson để loại bỏ biến đa cộng tuyến.
  • Trích xuất đặc trưng Lịch (Calendar Features): Vector hóa các thuộc tính ngày trong tuần, tuần trong năm, ngày đầu tháng, ngày lễ quốc gia và biến cố thị trường.

Kiểm thử và Đánh giá Thực nghiệm

Thực nghiệm được thực hiện trên bộ dữ liệu chuẩn quốc tế M5 Forecasting (Walmart Dataset) với hơn 3,000 mặt hàng trải dài trên 1,941 ngày (trong đó danh mục Foods chiếm hơn 47%).

+------------------------------------------------------------------------+
|                          M5 FORECASTING DATASET                        |
|  - 1,941 ngày quan sát liên tục (2011 - 2016)                          |
|  - 3,049 mặt hàng (Foods chiếm ~47%)                                   |
|  - Cấu trúc: calendar.csv, sell_prices.csv, sales_train.csv           |
+------------------------------------------------------------------------+

Hệ thống đánh giá chéo (Cross-Validation) được thiết lập bằng cách chia tập dữ liệu thành Training Set, Validation Set và Test Set theo chuỗi thời gian liên tục.

Dữ liệu lịch sử (1941 ngày)
[=========================== Training (80%) ===========================][== Validation (10%) ==][== Test (10%) ==]

Các chỉ số đo lường hiệu suất (Performance Index Metrics)

  • Root Mean Squared Error (RMSE):

$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{t=1}^n (y_t - \hat{y}_t)^2}$$

  • Mean Absolute Error (MAE):

$$\text{MAE} = \frac{1}{n} \sum_{t=1}^n |y_t - \hat{y}_t|$$

  • Hệ số xác định ($R^2$ Score):

$$R^2 = 1 - \frac{\sum (y_t - \hat{y}_t)^2}{\sum (y_t - \bar{y})^2}$$

Bảng kết quả so sánh thực nghiệm giữa các mô hình

Mô hình thử nghiệm RMSE MAE MAPE (%) $R^2$ Score Thời gian suy luận (Inference Latency)
Naive Method (Baseline) 4.82 3.12 34.5% 0.412 < 5 ms
Seasonal Naive 4.15 2.74 28.2% 0.534 < 5 ms
Moving Average ($m=7$) 3.89 2.51 24.8% 0.589 8 ms
ARIMA (2, 1, 2) 3.12 1.98 19.4% 0.728 45 ms
Winning ML Ensemble (Model được chọn) 2.64 1.62 15.8% 0.814 38 ms

Mô hình chiến thắng (Winning Model) kết hợp giữa trích xuất đặc trưng lịch và thuật toán máy học đạt hệ số $R^2 = 0.814$, cải thiện độ chính xác dự báo hơn 45.2% so với mô hình cơ sở Naive và giảm chỉ số sai số RMSE xuống mức 2.64 đơn vị sản phẩm/ngày.

Kết quả đạt được của ứng dụng

  1. Ứng dụng Android hoàn chỉnh: Hiện thực đầy đủ 100% các Use Case mua hàng, quản lý giỏ hàng, tra cứu chi tiết sản phẩm, theo dõi trạng thái đơn hàng theo thời gian thực.
  2. Hệ thống Quản trị (Admin App): Cho phép người bán cập nhật danh mục, theo dõi tồn kho, kích hoạt chức năng dự báo doanh số theo SKU hoặc danh mục, và tùy chỉnh dữ liệu lịch đặc biệt.
  3. Hiệu năng hệ thống: Backend Spring Boot và Python REST API đạt độ trễ phản hồi trung bình < 180ms đối với các truy vấn thương mại thông thường và < 600ms đối với tác vụ tính toán dự báo chuỗi thời gian phức tạp.

Đổi mới và đóng góp

  1. Kiến trúc Engine Dự báo Kép (Dual-Engine Forecasting): Kết hợp linh hoạt giữa phương pháp thống kê cổ điển (ARIMA, Croston) cho các mặt hàng có dữ liệu bán ngắt quãng và mô hình Machine Learning đa biến cho các mặt hàng có tính quy luật cao.
  2. Module tích hợp Sự kiện Ngoại cảnh (Context-Aware Calendar Engine): Cho phép người quản lý chủ động đưa các thông số ngoại vi (lễ hội, thời tiết cực đoan, khuyến mãi) vào mô hình tính toán, giải quyết triệt để độ trễ phản ứng của các thuật toán dự báo truyền thống.
  3. Cơ chế Tối ưu hóa UI/UX cho Thương mại Thực phẩm: Thiết kế luồng thanh toán tốc hành (Instant Single-item Checkout) song song với luồng giỏ hàng truyền thống, giảm thiểu tỷ lệ bỏ rơi đơn hàng (Cart Abandonment Rate) xuống dưới 12%.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Tại một cửa hàng bán lẻ nông sản tươi sống:

  • Người quản lý mở giao diện Admin, chọn danh mục "Rau củ quả sạch" và kích hoạt lệnh "Dự báo tuần tới".
  • Hệ thống tự động thu thập chuỗi dữ liệu bán hàng 60 ngày gần nhất, đối chiếu lịch nghỉ lễ sắp tới thông qua Calendar Service, chạy mô hình dự báo và hiển thị biểu đồ lượng bán dự kiến kèm cận trên/cận dưới (Confidence Intervals).
  • Dựa trên kết quả định lượng, quản lý xuất đơn đặt hàng đến nhà cung ứng với số lượng chính xác, tránh tồn đọng rau củ hỏng vào cuối tuần.
[Dữ liệu bán 60 ngày] ---> [Calendar Engine (Lễ/Tết)] ---> [AI Forecasting API] ---> [Biểu đồ quyết định nhập hàng]

Yêu cầu triển khai hạ tầng

  • Server: 4 vCPU, 8GB RAM, hệ điều hành Ubuntu 20.04 LTS / Debian 11.
  • Containerization: Docker & Docker-Compose phân tách 3 services: Nginx Reverse Proxy, Spring Boot Application Service, và Python ML Inference Service.
  • Hiệu quả kinh tế (ROI): Ước tính giúp các cửa hàng bán lẻ thực phẩm quy mô vừa và nhỏ tiết kiệm 18% - 25% chi phí thất thoát do hàng quá hạn và nâng cao vòng quay vốn lưu động lên 1.4 lần sau 3 tháng vận hành.

Hạn chế và hướng phát triển

Hạn chế hiện tại

  • Mô hình Machine Learning yêu cầu dữ liệu lịch sử tối thiểu từ 30 đến 45 ngày để đạt độ tin cậy cao, chưa tối ưu cho sản phẩm hoàn toàn mới (Cold-Start Problem).
  • Hệ thống hiện tập trung trên nền tảng di động Android, chưa hỗ trợ phiên bản Web SPA và iOS.

Hướng phát triển tương lai

  • Ứng dụng mô hình Deep Learning (LSTM, Temporal Fusion Transformer) để dự báo đa chuỗi thời gian quy mô lớn.
  • Xây dựng hệ thống tự động đề xuất giá bán linh hoạt (Dynamic Pricing) và tự động tạo voucher khuyến mãi kích cầu khi phát hiện nguy cơ tồn kho vượt ngưỡng an toàn.
  • Mở rộng nền tảng ứng dụng đa kênh (Omnichannel) hỗ trợ Web React và ứng dụng iOS.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Nguồn tài liệu tham khảo chuẩn mực về việc kết hợp giữa công nghệ phần mềm thực chiến (Android/Spring Boot) và khoa học dữ liệu ứng dụng (Time Series/ML).
  • Kỹ sư Phần mềm & AI Engineers: Nắm bắt kiến trúc tích hợp hệ thống phân tán giữa Java Backend và Python AI Microservice thông qua RESTful APIs và bảo mật token JWT.
  • Doanh nghiệp & Hộ kinh doanh bán lẻ (SMEs): Tiếp cận giải pháp chuyển đổi số toàn diện với chi phí đầu tư tối thiểu nhưng mang lại hiệu quả quản trị vượt bậc.
  • Nhà nghiên cứu (Researchers): Dữ liệu thực nghiệm phong phú trên bộ dữ liệu chuẩn M5, minh chứng cho tính ứng dụng của phương pháp Croston và ARIMA trong bài toán bán lẻ thực phẩm.

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai hệ thống là gì?

Hệ thống backend có thể triển khai trên Cloud VPS cấu hình từ 2 Core CPU, 4GB RAM chạy môi trường Docker. Ứng dụng di động phía người dùng tương thích với mọi thiết bị Android từ phiên bản 7.0 (Nougat - API Level 24) trở lên.

2. Mô hình xử lý thế nào khi sản phẩm có nhiều ngày liên tiếp không có đơn hàng?

Hệ thống tự động kích hoạt thuật toán Croston Forecast Engine. Thuật toán này tách riêng chuỗi thời gian thành kích thước lượng mua và chu kỳ xuất hiện đơn hàng, giúp tránh hiện tượng sụt giảm sai số nhân tạo mà các mô hình hồi quy thông thường hay mắc phải.

3. Hệ thống có thể tích hợp với phần mềm bán hàng POS hiện có không?

Có. Kiến trúc Backend của hệ thống được thiết kế hoàn toàn theo chuẩn RESTful JSON APIs, cho phép kết nối và đồng bộ dữ liệu hai chiều với các hệ thống POS, SAP hoặc ERP bên ngoài thông qua các API endpoints mở rộng.

4. Dữ liệu bán hàng có cần phải cập nhật liên tục hàng ngày không?

Để mô hình dự báo đạt độ chính xác cao nhất, hệ thống tự động đồng bộ dữ liệu giao dịch sau khi đơn hàng chuyển sang trạng thái "Hoàn thành". Người quản lý có thể kích hoạt tính năng huấn luyện lại định kỳ (Periodic Re-training) mỗi tuần hoặc mỗi tháng.

5. Thời gian hoàn vốn (ROI) khi ứng dụng giải pháp là bao lâu?

Đối với một cửa hàng thực phẩm có doanh thu trung bình 200 - 500 triệu đồng/tháng, việc giảm thiểu 15% lượng hàng hủy hỏng và tối ưu nhân lực kiểm kho thủ công sẽ giúp thu hồi toàn bộ chi phí đầu tư hệ thống trong vòng 2 đến 4 tháng vận hành.

Kết luận

Đồ án tốt nghiệp "Xây dựng ứng dụng di động bán thực phẩm trực tuyến hỗ trợ dự báo doanh số" đã giải quyết triệt để bài toán kết hợp giữa thương mại điện tử di động và phân tích dữ liệu chuyên sâu phục vụ quản trị chuỗi cung ứng thực phẩm. Bằng việc xây dựng một hệ thống hoàn chỉnh từ ứng dụng Android Native trực quan, Backend Java Spring Boot chuẩn mực đến Engine phân tích chuỗi thời gian Python mạnh mẽ, đồ án đã chứng minh tính khả thi kỹ thuật và giá trị thực tiễn to lớn trong việc nâng cao năng lực cạnh tranh và sức khỏe tài chính cho các nhà bán lẻ.