4.1.25 .Payment Page
4.4. Các kỹ thuật thiết kế:
- Sử dụng Figma để xây dựng cơ bản cho các màn hình.
88 - Dùng thư viện MUI để design UI cho Website để tăng tính đồng nhất
Hình 4. 54 Trang thư viện MUI
- Thư viện MUI cung cấp hầu hết các components con có các mẫu thiết kế tương đồng và có cộng đồng sử dụng khá lớn. Sử dụng trong đồ án khiến cho UI đồng nhất và giảm phát sinh lỗi so với sử dụng các components tự viết.
MUI cung cấp các table để hiển thị dữ liệu có tích hợp filter cho từng column:
- Ngồi ra ta cịn có thể custom các row trong bảng để mang tính riêng biệt cho table của bản thân thay gì sử dụng các kiểu cơ bản của MUI table:
89 - Kết quả đạt được :
- Các biểu đồ được sử dụng từ thư viện Re-chart để tăng tính nổi bật và thể hiện tốt hơn so với việc code thuần
90 - Ví dụ trong hình ảnh trên ngồi sử dụng thư viện thì chúng em cịn custom thêm một ít
về giao diện để phù hợp với đồ án.
- Để có thể hiển thị tên của các sản phẩm thi chiều dọc và đầy đủ như trên hình thì phải custom lại để phần dữ liệu hiển thị được trực quan
- Xây dựng Server Python để sử dụng cho hệ thống Recommend System và Data Analysis cho Admin
Sử dụng thư viện Flask để xây dựng Server thứ 2 cho Website để xử lý các thuật toán của Python hỗ trợ cho 2 chức năng gợi ý sản phẩm và phân tích dữ liệu sản phẩm
91
- (Recommender system) là một dạng công cụ lọc thông tin (information filtering) cho phép suy diễn, dự đoán các sản phẩm, dịch vụ, nội dung mà người dùng có thể quan tâm dựa trên những thông tin thu thập được về người dùng, về các sản phẩm, dịch vụ, về các hoạt động, tương tác cũng như đánh giá của người dùng đối với các sản phẩm, dịch vụ trong quá khứ.
• Dữ liệu sử dụng gồm 1. Product.xlsx
92 2. History.xlsx
93 4. Kết quả sau khi chạy và gắn vào trong website với từng user sẽ có thể hiển thị các
sản phẩm khác nhau :
- Phân tích dữ liệu sử dụng Máy học (Data Analysis) • Chuẩn bị dữ liệu
Bộ data gốc tham khảo từ trang Kaggle: Link : Dataset
94 Với hơn 1.000.000 dòng dữ liệu ban đầu, sau khi scale, chọn lọc và đồng thời thêm một số trường để phù hợp với đồ án. Ta được bộ data mới với khoảng 10000 dịng dữ liệu
96
• Phân tích các thuật tốn
Dựa trên bộ data train thì với nhu cầu bài tốn trên thì nhận dạng đây là dạng bài toán hồi quy nên em tiến hành sử dụng một số model sau đây: Linear Regression, Random Forest, XGBoots. Ngồi ra em cịn thử nghiệm thêm LSTM là một thuật toán học sâu cải tiến từ RNN. Sau đó tiến hành thực hiện tính chỉ số score hoặc chỉ số RMSE cho từng thuật toán để lựa chọn thuật toán cho phù hợp.
• Random Forest
• XGB
• Linear Regression
97 - Như kết quả ở trên cho thấy, thuật toán Random Forest cho kết quả score tốt nhất. nhưng khi áp dụng thực tế thì thuật tốn Radom Forest đơi khi cho ra kết quả có các sản phẩm có chỉ số dự đốn gần như giống nhau nên việc xác định
98 khó khăn hơn đối với chủ cửa hàng có nhu cầu chọn nhiều sản phẩm. Nhưng về mặt số liệu tính tóan thì Random Forest vẫn cho score khá cao so với các thuật tốn cịn lại. Nên khi áp dụng vào đồ án vẫn có thể chấp nhập được.
• Kết hợp thực tế vào đồ án
Hình ảnh thực tế khi áp dụng vào đồ án. Chỉ số Trend index biểu thị mưc độ tiềm năng của sản phẩm đó so với các sản phẩm khác theo tháng. Dựa vào chỉ số này chủ cửa hàng có thể cân nhắc để lựa chọn sản phẩm nhập hàng phù hợp
• Hướng tối ưu:
Trong tương lai nếu có điều kiện phát triển đồ án tiếp tục em sẽ tiến hành tối ưu thuật tốn hiện có để có thể đưa ra con số dự đốn số lượng sản phẩm bán ra trong tháng chứ không những là chỉ số tiềm năng (Trend index). Điều này cần phải nghiên cứu thêm tài liệu và có thể một phần chỉnh sửa bộ data cho phù hợp hơn.
99