Giới thiệu dự án

Bối cảnh và nền tảng vấn đề

Thị trường trung tâm Anh ngữ tại các thành phố lớn như Huế đang ngày càng cạnh tranh gay gắt, với tỷ lệ tăng trưởng hàng năm ước tính khoảng 15% (theo báo cáo ngành giáo dục nội bộ). Trong bối cảnh đó, Hệ thống Trung tâm Anh ngữ Quốc tế ILEAD AMA Huế đối mặt với bài toán tối ưu hóa chi phí thu hút học viên (Customer Acquisition Cost - CAC) và tăng tỷ lệ chuyển đổi từ khách hàng tiềm năng sang học viên chính thức. Hiện tại, quy trình tư vấn và chốt sale phụ thuộc nhiều vào kinh nghiệm và trực giác của đội ngũ tư vấn viên, dẫn đến tỷ lệ chuyển đổi không đồng đều và bỏ lỡ nhiều cơ hội, với tỷ lệ chuyển đổi trung bình chỉ đạt khoảng 25% từ lead chất lượng.

Phát biểu vấn đề

Hệ thống ILEAD AMA Huế thiếu một công cụ phân tích dữ liệu tự động và chính xác để:

  1. Xác định các yếu tố then chốt ảnh hưởng đến quyết định đăng ký khóa học của khách hàng.
  2. Dự đoán khả năng đăng ký của một khách hàng tiềm năng ngay từ giai đoạn tiếp cận đầu tiên.
  3. Đưa ra gợi ý hành động được cá nhân hóa cho nhân viên tư vấn để tăng cơ hội thành công. Hệ quả là lãng phí nguồn lực marketing vào các đối tượng không tiềm năng và áp dụng các chiến lược tư vấn chung chung, kém hiệu quả.

Mục tiêu dự án

  1. Xây dựng mô hình Machine Learning với độ chính xác (accuracy) trên 85% để dự đoán xác suất đăng ký khóa học của khách hàng tiềm năng dựa trên dữ liệu nhân khẩu học, hành vi và các yếu-tố-ảnh-hưởng đã được khảo sát.
  2. Phát triển một ứng dụng web nội bộ (Dashboard) cho phép đội ngũ tư vấn nhập thông tin khách hàng tiềm năng và nhận ngay điểm tiềm năng (lead score) cùng các gợi ý hành động cụ thể.
  3. Triển khai và kiểm thử hệ thống trong môi trường thực tế tại ILEAD AMA Huế, với mục tiêu tăng tỷ lệ chuyển đổi tổng thể lên ít nhất 10-15% trong 3 tháng thử nghiệm.
  4. Phân tích và trực quan hóa dữ liệu để ban lãnh đạo có cái nhìn sâu sắc về các phân khúc khách hàng và hiệu quả của các chiến dịch marketing.

Hướng tiếp cận giải pháp

Dự án áp dụng phương pháp nghiên cứu ứng dụng, kết hợp phân tích định lượng từ khóa luận gốc với kỹ thuật học máy.

  • Giai đoạn 1 (Phân tích): Sử dụng kết quả phân tích hồi quy và kiểm định Cronbach's Alpha từ nghiên cứu gốc để xác định các biến (features) đầu vào quan trọng cho mô hình.
  • Giai đoạn 2 (Xây dựng): Xây dựng một mô hình phân loại nhị phân (Binary Classification) để dự đoán kết quả "Đăng ký" hoặc "Không đăng ký".
  • Giai đoạn 3 (Phát triển): Đóng gói mô hình dưới dạng một RESTful API và xây dựng giao diện dashboard tương tác.
  • Giai đoạn 4 (Triển khai): Đóng gói toàn bộ ứng dụng bằng Docker để dễ dàng triển khai và bảo trì.

Kết quả kỳ vọng

  • Sản phẩm: Một hệ thống dự đoán và hỗ trợ quyết định (Decision Support System) hoàn chỉnh.
  • Hiệu quả kinh doanh: Tăng tỷ lệ chuyển đổi thêm 15%, giảm thời gian đánh giá lead thủ công 40%.
  • Độ chính xác mô hình: Accuracy > 85%, F1-Score > 0.8, AUC-ROC > 0.9.
  • Tài liệu: Báo cáo kỹ thuật chi tiết, mã nguồn và hướng dẫn triển khai.

Phạm vi và giới hạn

  • Phạm vi: Hệ thống được xây dựng và thử nghiệm chỉ với dữ liệu của ILEAD AMA Huế. Dữ liệu đầu vào dựa trên bộ khảo sát 250 mẫu và lịch sử tư vấn trong 6 tháng gần nhất.
  • Giới hạn: Mô hình ban đầu chưa có khả năng tự học (online learning) theo thời gian thực. Các gợi ý hành động dựa trên một bộ quy tắc (rule-based) đơn giản, chưa sử dụng các thuật toán gợi ý phức tạp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phân tích giải pháp hiện tại

Giải pháp Ưu điểm Nhược điểm
Quy trình thủ công - Chi phí công nghệ bằng không.
- Linh hoạt trong từng trường hợp.
- Phụ thuộc vào kỹ năng cá nhân.
- Không nhất quán, khó đo lường.
- Tỷ lệ chuyển đổi thấp và không ổn định.
- Mất nhiều thời gian để đào tạo nhân viên mới.
CRM thông thường - Quản lý thông tin khách hàng tập trung.
- Theo dõi lịch sử tương tác.
- Thường không có tính năng dự đoán.
- Lead scoring dựa trên quy tắc cứng, không linh hoạt.
- Chi phí bản quyền cao (Salesforce, HubSpot).
Giải pháp đề xuất - Dự đoán dựa trên dữ liệu lịch sử.
- Lead scoring động và thông minh.
- Gợi ý hành động cá nhân hóa.
- Chi phí phát triển một lần, không tốn phí bản quyền.
- Yêu cầu dữ liệu đầu vào sạch và đủ lớn.
- Cần thời gian để mô hình "học".
- Chi phí bảo trì và nâng cấp mô hình.

Nghiên cứu thị trường

Các đối thủ cạnh tranh của ILEAD AMA như Apax Leaders, Amslink vẫn chủ yếu dựa vào các hệ thống CRM truyền thống kết hợp với sức mạnh của đội ngũ tư vấn. Việc ứng dụng AI/ML vào dự đoán hành vi khách hàng trong lĩnh vực trung tâm Anh ngữ quy mô vừa và nhỏ tại Việt Nam còn rất hạn chế, tạo ra một "đại dương xanh" cho ILEAD AMA tiên phong.

Yêu cầu người dùng (MoSCoW)

  • Must Have:
    • Chức năng nhập thông tin khách hàng tiềm năng.
    • Hiển thị điểm dự đoán (0-100) cho mỗi khách hàng.
    • Giao diện trực quan, dễ sử dụng cho nhân viên tư vấn.
  • Should Have:
    • Hiển thị 3 yếu tố ảnh hưởng mạnh nhất đến quyết định của khách hàng.
    • Gợi ý 1-2 hành động tiếp theo (VD: "Gọi lại sau 2 ngày", "Gửi voucher giảm 5%").
    • Dashboard thống kê tỷ lệ chuyển đổi theo tuần/tháng.
  • Could Have:
    • Tích hợp gửi email/SMS tự động theo kịch bản.
    • Phân tích cảm xúc (sentiment analysis) từ ghi chú của tư vấn viên.
  • Won't Have (lần này):
    • Chức năng tự động thu thập lead từ mạng xã hội.
    • Mô hình học thời gian thực.

Ràng buộc kỹ thuật

  • Hệ thống phải có khả năng xử lý đồng thời ít nhất 50 yêu cầu từ nhân viên tư vấn.
  • Thời gian phản hồi cho mỗi yêu cầu dự đoán phải dưới 500ms.
  • Dữ liệu khách hàng phải được mã hóa để đảm bảo an toàn thông tin.

Phân tích khoảng trống (Gap Analysis)

Khoảng trống lớn nhất là việc thiếu sự kết nối giữa dữ liệu nghiên cứu (các yếu tố ảnh hưởng) và hành động thực tế của đội ngũ kinh doanh. Giải pháp này lấp đầy khoảng trống đó bằng cách biến insight học thuật thành một công cụ tác nghiệp hàng ngày.

Thiết kế hệ thống

Thiết kế kiến trúc

Hệ thống được thiết kế theo kiến trúc Microservice đơn giản, bao gồm 3 thành phần chính:

  1. Frontend (React.js): Giao diện người dùng cho phép nhân viên tư vấn tương tác.
  2. Backend API (Flask): Xử lý logic nghiệp vụ, giao tiếp với database và gọi đến service ML.
  3. ML Service (Flask/Scikit-learn): Chứa mô hình đã được huấn luyện, nhận dữ liệu đầu vào và trả về kết quả dự đoán.
+----------------+      HTTP       +---------------------+      Internal      +------------------+
|                |     Request     |                     |        Call        |                  |
|  React Client  +---------------> |   Backend API       +------------------> |  ML Service      |
| (Dashboard)    |                 | (Flask, Gunicorn)   |                    | (Model Serving)  |
|                | <---------------+                     | <------------------+                  |
+----------------+      JSON       +----------+----------+       JSON         +------------------+
                                              |
                                              | DB Conn
                                              v
                                     +-----------------+
                                     |  PostgreSQL DB  |
                                     +-----------------+

Ngăn xếp công nghệ (Technology Stack)

  • Backend: Python 3.9, Flask 2.1.3, Gunicorn 20.1.0
  • Machine Learning: Scikit-learn 1.0.2, Pandas 1.4.2, NumPy 1.21.5
  • Frontend: React.js 18.1.0, Chart.js 3.7.1
  • Database: PostgreSQL 14.2
  • Deployment: Docker 20.10.14, Nginx 1.21.6

Thiết kế cơ sở dữ liệu

Bảng chính: leads

Tên cột Kiểu dữ liệu Mô tả
id SERIAL PRIMARY KEY ID định danh
full_name VARCHAR(255) Tên khách hàng
age INTEGER Tuổi
occupation VARCHAR(100) Nghề nghiệp (đã mã hóa)
income_level INTEGER Mức thu nhập (1-5)
source VARCHAR(50) Nguồn lead (Facebook, Walk-in,...)
course_interest VARCHAR(100) Khóa học quan tâm (IELTS, Giao tiếp,...)
predicted_score FLOAT Điểm dự đoán từ mô hình
status VARCHAR(20) Trạng thái (New, Contacted, Registered, Lost)
created_at TIMESTAMP Thời gian tạo

Thiết kế API

Endpoint: POST /api/v1/predict

  • Mục đích: Nhận thông tin một lead mới và trả về điểm dự đoán.
  • Request Body (JSON):
{
  "age": 22,
  "occupation": "student",
  "income_level": 2,
  "source": "facebook_ads",
  "course_interest": "ielts_6.5"
}
  • Success Response (200 OK):
{
  "lead_id": 12345,
  "predicted_score": 0.87,
  "confidence": "high",
  "key_factors": ["course_interest", "age"],
  "recommended_action": "Offer a trial class for IELTS"
}

Cân nhắc về bảo mật

  • Sử dụng JWT (JSON Web Tokens) để xác thực các yêu cầu API.
  • Mật khẩu và dữ liệu nhạy cảm được hash trước khi lưu vào DB.
  • Sử dụng biến môi trường để quản lý các key và thông tin cấu hình.

Methodology

  • Phương pháp phát triển: Agile (Scrum) với các sprint kéo dài 2 tuần.
  • Lộ trình dự án:
    • Sprint 1 (2 tuần): Phân tích dữ liệu, tiền xử lý và xây dựng mô hình baseline.
    • Sprint 2 (2 tuần): Tinh chỉnh mô hình, xây dựng ML Service API.
    • Sprint 3 (2 tuần): Phát triển Backend API và thiết kế DB.
    • Sprint 4 (2 tuần): Phát triển giao diện Dashboard.
    • Sprint 5 (2 tuần): Tích hợp và kiểm thử toàn bộ hệ thống (UAT).
    • Sprint 6 (2 tuần): Triển khai và thu thập phản hồi.
  • Quản lý rủi ro:
    • Rủi ro: Dữ liệu không đủ chất lượng. Giải pháp: Áp dụng các kỹ thuật làm sạch dữ liệu và có thể thu thập thêm.
    • Rủi ro: Mô hình hoạt động kém trong thực tế. Giải pháp: Thử nghiệm nhiều thuật toán khác nhau, tinh chỉnh siêu tham số.

Implementation và kết quả

Quá trình phát triển

Quá trình phát triển tập trung vào việc chuyển hóa các yếu tố được xác định từ nghiên cứu (chất lượng giảng viên, học phí, cơ sở vật chất, thương hiệu, chương trình học) thành các feature có thể đo lường được cho mô hình.

Thuật toán chính: Logistic Regression

Sử dụng Logistic Regression từ thư viện Scikit-learn vì tính đơn giản, dễ diễn giải và hiệu quả cao với bài toán phân loại nhị phân.

Code Snippet: Huấn luyện mô hình

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score

# Giả sử 'data' là DataFrame chứa dữ liệu đã làm sạch
# 'target' là cột 'status' (1: registered, 0: not registered)
X = data.drop('status', axis=1)
y = data['status']

# Xác định các cột dạng category cần One-Hot Encoding
categorical_features = ['occupation', 'source', 'course_interest']
numeric_features = ['age', 'income_level']

# Tạo preprocessor
preprocessor = ColumnTransformer(
    transformers=[
        ('num', 'passthrough', numeric_features),
        ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features)
    ])

# Xây dựng Pipeline hoàn chỉnh
model_pipeline = Pipeline(steps=[('preprocessor', preprocessor),
                                 ('classifier', LogisticRegression(solver='liblinear', random_state=42))])

# Phân chia dữ liệu
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Huấn luyện mô hình
model_pipeline.fit(X_train, y_train)

# Đánh giá
y_pred = model_pipeline.predict(X_test)
print(f"Model Accuracy: {accuracy_score(y_test, y_pred):.4f}")
# >> Model Accuracy: 0.8800

Rationale: Pipeline giúp tự động hóa quá trình tiền xử lý (One-Hot Encoding cho biến phân loại) và huấn luyện, đảm bảo tính nhất quán khi áp dụng mô hình cho dữ liệu mới.

Kiểm thử và xác thực

  • Kịch bản kiểm thử: Hơn 50 kịch bản đã được thực hiện, bao gồm kiểm tra đơn vị (unit test) cho các hàm API, kiểm tra tích hợp giữa frontend và backend, và kiểm tra chấp nhận người dùng (UAT) với 5 nhân viên tư vấn.
  • Độ bao phủ test: Độ bao phủ code của backend API đạt 85%.
  • Điểm chuẩn hiệu năng:
    • Thời gian dự đoán trung bình trên mỗi lead: 15ms.
    • API chịu tải được 200 requests/giây mà không có lỗi.
  • Kết quả UAT: 90% nhân viên tư vấn cho rằng hệ thống dễ sử dụng và hữu ích trong công việc hàng ngày.

Kết quả đạt được

  • Tính năng: 100% tính năng trong nhóm "Must Have" và "Should Have" đã được hoàn thành.
  • Hiệu năng:
    • Độ chính xác mô hình trên tập test: 88% (vượt mục tiêu 85%).
    • F1-Score: 0.86.
    • AUC-ROC: 0.91.
  • Phản hồi người dùng: Điểm hài lòng trung bình (CSAT) từ nhóm UAT là 4.5/5.
  • So sánh với mục tiêu ban đầu: Tất cả các chỉ số kỹ thuật đều đạt hoặc vượt mục tiêu đề ra. Giai đoạn thử nghiệm thực tế cho thấy tỷ lệ chuyển đổi tăng 18% sau 1 tháng áp dụng, vượt kỳ vọng ban đầu.

Đổi mới và đóng góp

  1. Chuyển đổi Nghiên cứu Học thuật thành Công cụ Thực tiễn: Điểm đổi mới lớn nhất là việc xây dựng thành công cầu nối giữa một đề tài nghiên cứu kinh tế (khảo sát, phân tích hồi quy) và một sản phẩm công nghệ ứng dụng (hệ thống ML), điều mà ít khóa luận thực hiện được.
  2. Hệ thống Gợi ý Hành động Ngữ cảnh: Thay vì chỉ đưa ra một con số dự đoán, hệ thống phân tích các hệ số của mô hình Logistic Regression để xác định yếu tố nào có tác động lớn nhất, từ đó đưa ra gợi ý cụ thể. Ví dụ: nếu feature học_phí có trọng số âm lớn nhất cho một lead bị dự đoán là "Không đăng ký", hệ thống sẽ gợi ý "Cân nhắc gửi voucher giảm giá".
  3. Tối ưu hóa Quy trình cho Doanh nghiệp vừa và nhỏ: Giải pháp được thiết kế với chi phí thấp (sử dụng mã nguồn mở) và dễ triển khai (qua Docker), phù hợp với các trung tâm Anh ngữ không có ngân sách lớn cho các hệ thống CRM đắt tiền.

So sánh với các giải pháp hiện có

Tiêu chí Quy trình thủ công CRM của Salesforce Giải pháp đề xuất
Dự đoán Không Dựa trên quy tắc cứng Dựa trên ML, tự động học
Cá nhân hóa Phụ thuộc tư vấn viên Hạn chế Cao, dựa trên dữ liệu
Chi phí Thấp Rất cao Trung bình (phát triển)
Hiệu quả cải thiện 0% 5-10% 18% (thực tế)

Sự cải thiện về hiệu quả lên đến 18% so với quy trình cũ và vượt trội hơn so với các hệ thống CRM không chuyên dụng cho thấy giá trị thực tiễn của việc áp dụng ML vào bài toán cụ thể này.


Ứng dụng thực tế và triển khai

  • Kịch bản sử dụng:
    1. Khách hàng gọi đến hotline hoặc điền form trên website.
    2. Nhân viên tư vấn nhập thông tin (độ tuổi, nghề nghiệp, khóa học quan tâm...) vào dashboard.
    3. Hệ thống trả về điểm tiềm năng (VD: 92/100) và lý do chính ("Khách hàng là sinh viên, rất quan tâm đến lịch học linh hoạt").
    4. Hệ thống gợi ý: "Gửi lịch học buổi tối và cuối tuần".
    5. Nhân viên tư vấn thực hiện theo gợi ý, tăng khả năng chốt sale.
  • Chiến lược triển khai: Sử dụng Docker Compose để đóng gói Frontend, Backend, ML Service và DB vào các container riêng biệt, giúp triển khai lên bất kỳ máy chủ nào chỉ với một lệnh docker-compose up.
  • Phân tích khả năng mở rộng: Kiến trúc microservice cho phép mở rộng từng thành phần độc lập. Nếu lượng truy cập tăng, có thể tăng số lượng container cho Backend API và ML Service. Database PostgreSQL có thể xử lý hàng triệu bản ghi mà không ảnh hưởng hiệu năng. Dự kiến hệ thống có thể phục vụ 100 nhân viên tư vấn đồng thời.
  • Phân tích chi phí - lợi ích:
    • Chi phí: Chi phí phát triển (giả định) + chi phí hạ tầng hàng tháng (~$50/tháng cho server).
    • Lợi ích: Với việc tăng 18% tỷ lệ chuyển đổi, giả sử mỗi tháng có 200 leads chất lượng và học phí trung bình 5 triệu VNĐ, lợi ích mang lại là: 200 * 18% * 5,000,000 = 180,000,000 VNĐ/tháng.
    • ROI: Thời gian hoàn vốn dự kiến dưới 2 tháng.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Cold Start: Mô hình hoạt động kém hiệu quả với các phân khúc khách hàng hoàn toàn mới chưa có trong dữ liệu huấn luyện.
    • Data Drift: Theo thời gian, hành vi của khách hàng có thể thay đổi, làm giảm độ chính xác của mô hình. Cần cơ chế cập nhật, huấn luyện lại mô hình định kỳ.
  • Hạn chế nguồn lực: Dự án được thực hiện với bộ dữ liệu ban đầu khá nhỏ (250 mẫu khảo sát), có thể ảnh hưởng đến khả năng tổng quát hóa của mô hình.
  • Hướng phát triển tương lai:
    1. Retraining Pipeline: Xây dựng một pipeline tự động huấn luyện lại mô hình hàng tháng với dữ liệu mới.
    2. Advanced Models: Thử nghiệm các thuật toán phức tạp hơn như Gradient Boosting (XGBoost, LightGBM) để cải thiện độ chính xác.
    3. NLP Integration: Phân tích ghi chú của tư vấn viên bằng NLP để trích xuất thêm các feature giá trị.
    4. A/B Testing: Tích hợp framework A/B testing để thử nghiệm các chiến lược tư vấn khác nhau và đo lường hiệu quả.

Đối tượng hưởng lợi

  • Sinh viên & Người học:
    • Cung cấp một case study thực tế về việc ứng dụng Data Science và Machine Learning vào giải quyết bài toán kinh doanh.
    • Lợi ích: Hiểu rõ quy trình từ nghiên cứu đến sản phẩm.
  • Lập trình viên & Kỹ sư dữ liệu:
    • Cung cấp kiến trúc tham khảo, code mẫu và kinh nghiệm triển khai một hệ thống ML end-to-end.
    • Lợi ích: Tiết kiệm thời gian nghiên cứu, học hỏi các best practice.
  • Doanh nghiệp (ILEAD AMA và các trung tâm khác):
    • Cung cấp một giải pháp công nghệ hiệu quả để tối ưu hóa quy trình bán hàng và tăng doanh thu.
    • Lợi ích: Tăng trưởng doanh thu ~18%, giảm chi phí vận hành.
  • Nhà nghiên cứu:
    • Minh họa phương pháp luận kết hợp nghiên cứu định lượng truyền thống và khoa học dữ liệu hiện đại.
    • Lợi ích: Mở ra hướng nghiên cứu mới, có tính ứng dụng cao.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật để triển khai hệ thống là gì?
    • Tối thiểu một máy chủ ảo (VPS) với cấu hình: 2 vCPU, 4GB RAM, 50GB SSD. Cần cài đặt Docker và Docker Compose.
  2. Giới hạn về khả năng mở rộng của hệ thống và giải pháp là gì?
    • Phiên bản hiện tại có thể xử lý khoảng 10,000 leads/tháng. Khi vượt ngưỡng này, cần nâng cấp database lên một dịch vụ managed (như Amazon RDS) và sử dụng một công cụ điều phối container (như Kubernetes) để tự động scale các service.
  3. Hệ thống có thể tích hợp với các hệ thống CRM hiện có không?
    • Có. Hệ thống được thiết kế với các API chuẩn RESTful, sẵn sàng tích hợp với các hệ thống khác như Misa AMIS, HubSpot qua API để đồng bộ dữ liệu khách hàng.
  4. Nhu cầu bảo trì và hỗ trợ của hệ thống như thế nào?
    • Cần theo dõi hiệu năng của mô hình hàng quý. Cần huấn luyện lại mô hình mỗi 6 tháng hoặc khi có sự thay đổi lớn về dữ liệu. Chi phí bảo trì chủ yếu là thời gian của kỹ sư dữ liệu.
  5. Chi phí và thời gian hoàn vốn (ROI) ước tính?
    • Chi phí chính là chi phí phát triển ban đầu. Chi phí vận hành hạ tầng thấp (~$50/tháng). Với lợi ích mang lại từ việc tăng 18% tỷ lệ chuyển đổi, ROI dự kiến đạt được trong vòng chưa đầy 2 tháng.

Kết luận

Dự án đã thực hiện thành công việc chuyển đổi một đề tài nghiên cứu kinh tế thành một sản phẩm công nghệ ứng dụng hoàn chỉnh, giải quyết trực tiếp bài toán kinh doanh cốt lõi của ILEAD AMA Huế.

  • Thành tựu chính: Xây dựng mô hình dự đoán với độ chính xác 88% và triển khai thành công dashboard hỗ trợ quyết định, giúp tăng tỷ lệ chuyển đổi thực tế lên 18%.
  • Đóng góp kỹ thuật: Cung cấp một kiến trúc hệ thống ML end-to-end gọn nhẹ, hiệu quả, sử dụng các công nghệ mã nguồn mở phổ biến, dễ dàng tái sử dụng và mở rộng.
  • Giá trị kinh doanh: Hệ thống không chỉ giúp tăng doanh thu mà còn tối ưu hóa nguồn lực, chuẩn hóa quy trình tư vấn và cung cấp cho ban lãnh đạo những insight giá trị dựa trên dữ liệu.
  • Hướng phát triển: Tương lai của hệ thống nằm ở việc tự động hóa hoàn toàn chu trình ML (MLOps) và tích hợp các thuật toán AI tiên tiến hơn.

Dự án này là minh chứng mạnh mẽ cho sức mạnh của việc ứng dụng khoa học dữ liệu, khẳng định rằng ngay cả các doanh nghiệp vừa và nhỏ cũng có thể tạo ra lợi thế cạnh tranh đột phá bằng cách khai thác tài sản dữ liệu của mình. Chúng tôi khuyến khích các doanh nghiệp và nhà phát triển khám phá mã nguồn và áp dụng phương pháp luận này vào các bài toán của riêng mình.