DiemChuan AI — Ứng dụng dự báo điểm chuẩn và tối ưu nguyện vọng lớp 10 cho phụ huynh Việt Nam

Tóm tắt

Quá trình đăng ký lớp 10 tại Hà Nội năm 2026 ghi nhận 147.000 phụ huynh cùng thí sinh phải đối mặt với hệ thống xét tuyển trực tuyến trong vòng 7 ngày — trong đó 90.000 gia đình chưa thể chốt nguyện vọng sau 3 ngày đầu (61%) vì thiếu dữ liệu dự báo điểm chuẩn đáng tin cậy. Phụ huynh buộc phải sửa nguyện vọng tới 3 lần trong một ngày để thích nghi với tỷ lệ chọi thay đổi liên tục. Alpha Chain Ltd. đề xuất DiemChuan AI — ứng dụng di động iOS/Android cho phép phụ huynh nhập điểm thí sinh và nhận dự báo xác suất đỗ cho từng trường (dựa trên mô hình Bayes sử dụng dữ liệu lịch sử 2019–2025), đồng thời gợi ý thứ tự nguyện vọng tối ưu giảm thiểu rủi ro không trúng tuyển. DiemChuan AI giải quyết khoảng trống công cụ dự báo điểm chuẩn mà không nền tảng nào tại Việt Nam cung cấp đầy đủ.

---

Định nghĩa vấn đề

Phát biểu vấn đề

Phụ huynh và thí sinh lớp 9 tại Việt Nam (đặc biệt Hà Nội với 147.000 thí sinh và TP.HCM với khoảng 150.000 thí sinh) phải đưa ra quyết định đăng ký nguyện vọng lớp 10 trong thời gian rất ngắn mà không có công cụ dự báo đáng tin cậy. Điểm chuẩn chỉ được công bố sau khi kết thúc xét tuyển — phụ huynh phải đoán dựa trên kinh nghiệm. Hệ thống xét tuyển trực tuyến cho phép sửa nguyện vọng nhiều lần nhưng mỗi lần sửa tốn thời gian và gây căng thẳng. Không có công cụ nào tổng hợp dữ liệu lịch sử, tính xác suất, và gợi ý nguyện vọng tối ưu trong một ứng dụng.

Định lượng thiệt hại

• 147.000 thí sinh đăng ký lớp 10 công lập tại Hà Nội năm 2026 — quy mô lớn nhất trong các đợt tuyển sinh gần đây nguồn.
• 90.000 gia đình (61%) chưa chốt được nguyện vọng sau 3 ngày đầu tiên — thiếu thông tin để quyết định nguồn.
• 3 lần sửa là con số phổ biến mà phụ huynh phải thực hiện trong một ngày để thích nghi với tỷ lệ chọi thay đổi nguồn.
• 0 công cụ dự báo điểm chuẩn bằng mô hình AI/Bayes tại Việt Nam tính đến tháng 4/2026 nguồn.
• 7 ngày là toàn bộ thời gian đăng ký nguyện vọng — quá ngắn để phụ huynh phân tích thủ công nguồn.
• Tỷ lệ chọi trung bình tại các trường top Hà Nội (Amsterdam, Chuyên HN) vượt 10:1 — rủi ro cao khi chỉ dựa vào cảm tính nguồn.
• Chi phí cơ hội khi không trúng tuyển nguyện vọng 1: phải xét tuyển nguyện vọng 2–3 với điểm chuẩn cao hơn hoặc chuyển trường ngoài công lập (chi phí 30–80 triệu/năm học) nguồn.

Phạm vi

Trong phạm vi:

• Form nhập điểm thí sinh (điểm Toán, Ngữ văn, Tiếng Anh, và điểm cộng thêm nếu có)
• Mô hình Bayes dự báo xác suất đỗ cho từng trường THPT công lập Hà Nội và TP.HCM
• Gợi ý thứ tự nguyện vọng tối ưu (tối đa hóa xác suất đỗ ≥ 1 trường)
• Cảnh báo khi điểm thí sinh thấp hơn điểm chuẩn lịch sử trung bình của trường đã chọn
• Thông báo realtime khi điểm chuẩn chính thức được công bố (B2C premium)

Ngoài phạm vi:

• Xét tuyển trực tiếp hoặc thay thế hệ thống của Sở Giáo dục
• Dự báo điểm chuẩn cho các trường chuyên (cần dữ liệu thi chuyên riêng)
• Tư vấn tuyển sinh Đại học hoặc lớp 11/12
• Thanh toán hoặc đặt lịch gia sư

---

Mô hình vấn đề

Không gian vấn đề

Gọi $S$ là tập hợp thí sinh đăng ký lớp 10, $T$ là tập hợp trường THPT công lập, $D$ là tập hợp điểm chuẩn lịch sử (2019–2025), và $O$ là tập hợp nguyện vọng.

Mỗi thí sinh $s \in S$ có:

• $\mathbf{x}_s = (x_1, x_2, x_3, x_{mathrm{cong}})$ — vector điểm thành phần
• $X_s = \sum x_i$ — tổng điểm (không tính điểm ưu tiên khu vực)
• $P(t \mid X_s)$ — xác suất đỗ trường $t$ với tổng điểm $X_s$

Mỗi trường $t \in T$ có:

• $\mu_t$ — điểm chuẩn trung bình 7 năm (2019–2025)
• $\sigma_t$ — độ lệch chuẩn điểm chuẩn qua các năm
• $c_t$ — chỉ tiêu tuyển sinh năm hiện tại

Công thức điểm đau tổng hợp

$D_{mathrm{total}} = \underbrace{\sum_{s \in S} \mathbb{1}(s \text{ did not get first choice}) \cdot c_{mathrm{opp}}(s)}_{mathrm{total damage from wrong choice}} + \underbrace{\sum_{s \in S} 3 \cdot c_{mathrm{time}}(s)}_{mathrm{time cost to revise choices}}$

Trong đó $c_{mathrm{opp}}(s)$ là chi phí cơ hội (chuyển trường ngoài công lập, thay đổi kế hoạch) khi thí sinh $s$ không đỗ nguyện vọng 1, và $c_{mathrm{time}}(s)$ là chi phí thời gian mỗi lần sửa nguyện vọng.

Ràng buộc

$C_1: \forall s \in S,\; P(t \mid X_s) \text{ must be computed within } 10\text{ seconds of score entry}$ $C_2: \text{Optimal choice suggestion must ensure } \Pr(\text{pass } \geq 1 \text{ school}) \geq 0.80$ $C_3: \text{System relies only on historical data; does not intervene in official admission process}$ $C_4: \forall s \in S,\; X_s \in [0, 60]$

Mục tiêu

$\text{maximize } \Pr(s \text{ passes first choice} \mid \mathbf{x}_s, D, c_t)$

---

Giải pháp đề xuất

Tổng quan giải pháp

DiemChuan AI là ứng dụng di động iOS/Android cho phép phụ huynh nhập điểm thí sinh và nhận dự báo xác suất đỗ cho từng trường THPT công lập Hà Nội (87 trường) và TP.HCM (khoảng 100 trường). Nền tảng tích hợp ba chức năng cốt lõi: (1) Dự báo Bayes — mô hình xác suất sử dụng dữ liệu lịch sử điểm chuẩn 2019–2025, cho kết quả trong 10 giây; (2) Tối ưu nguyện vọng — thuật toán sắp xếp thứ tự 3 nguyện vọng tối đa hóa xác suất đỗ ít nhất 1 trường; (3) Cảnh báo thời gian thực — thông báo khi điểm chuẩn chính thức được công bố (B2C premium).

DiemChuan AI khác biệt ở chỗ tích hợp dữ liệu lịch sử 7 năm (2019–2025) vào một mô hình Bayes có thể giải thích, cho phép phụ huynh hiểu lý do đằng sau mỗi dự báo — không phải black box AI.

Các quyết định thiết kế chính

• Quyết định 1 — Mô hình Bayes thay vì deep learning: Dữ liệu điểm chuẩn chỉ có 7 năm, mỗi năm có ~100 trường × 3 nguyện vọng = 300 data points — quá ít cho deep learning. Mô hình Bayes với prior Gaussian cho phép small data inference hiệu quả và có thể giải thích bằng xác suất.

• Quyết định 2 — Dự báo bằng xác suất thay vì điểm số cố định: Điểm chuẩn biến động hàng năm do thay đổi chỉ tiêu và đề thi. DiemChuan AI trả về xác suất đỗ (ví dụ: 73%) thay vì điểm chuẩn dự báo cố định — phản ánh độ không chắc chắn thực tế.

• Quyết định 3 — Gợi ý nguyện vọng tối ưu thay vì chỉ xếp hạng: Thuật toán tối ưu hóa tổ hợp 3 nguyện vọng để tối đa hóa xác suất đỗ ít nhất 1 trường (≥ 80%), không chỉ sắp xếp trường theo điểm chuẩn cao nhất.

Tiêu chí thành công

Tiêu chí	Mục tiêu	Phương pháp đo lường
Độ chính xác dự báo	MAE giữa xác suất dự báo và tỷ lệ đỗ thực tế ≤ 10%	Cross-validation 7 năm
Thời gian phản hồi	≤ 10 giây từ lúc nhập điểm đến kết quả (4G)	Latency p95 từ API
Tỷ lệ phụ huynh dùng	≥ 30% phụ huynh Hà Nội đăng ký sử dụng trong 7 ngày đăng ký	Số đăng ký / 147.000
Xác suất đỗ nguyện vọng tối ưu	≥ 80% thí sinh đỗ ít nhất 1 trường khi dùng gợi ý	Follow-up survey sau kết quả
Thời gian giải thích	Hiển thị lý do dự báo dưới 3 giây	UX test

---

Luồng hệ thống

Luồng chính: phụ huynh nhập điểm → mô hình Bayes tính xác suất đỗ → trả kết quả + xếp hạng. Luồng tối ưu: phụ huynh chọn 3 trường → thuật toán sắp xếp tối ưu → gợi ý thứ tự. Luồng thông báo: Sở GD&ĐT công bố điểm chuẩn → hệ thống cập nhật → push đến B2C premium users.

---

Thuật toán cốt lõi

Thuật toán DiemChuan Bayes Model (DBM)

Alpha Chain Ltd. sử dụng mô hình DiemChuan Bayes Model (DBM) để dự báo xác suất đỗ cho từng trường THPT. Mô hình sử dụng prior phân phối Gaussian dựa trên dữ liệu lịch sử 7 năm, với likelihood được tính từ phân phối điểm của thí sinh năm hiện tại.

Input:

• $\mathbf{x}_s = (x_1, x_2, x_3)$ — điểm Toán, Ngữ văn, Tiếng Anh
• $X_s = x_1 + x_2 + x_3$ — tổng điểm 3 môn
• $D_t = \{d_{t,2019}, d_{t,2020}, \dots, d_{t,2025}\}$ — điểm chuẩn lịch sử của trường $t$

Output: $P(t \mid X_s)$ — xác suất thí sinh $s$ đỗ trường $t$

Công thức Bayes:

$P(t \mid X_s) = \frac{P(X_s \mid t) \cdot P(t)}{P(X_s)}$

Prior: $P(t) = \frac{\text{students registering for choice } t}{\text{total students}} \approx \text{uniform prior (no new year data available)}$

Likelihood (Gaussian):

$P(X_s \mid t) = \mathcal{N}(X_s \mid \mu_t, \sigma_t^2)$

Trong đó $\mu_t = \frac{1}{7}\sum_{y=2019}^{2025} d_{t,y}$ và $\sigma_t^2 = \frac{1}{6}\sum_{y=2019}^{2025}(d_{t,y} - \mu_t)^2$ được tính từ dữ liệu lịch sử.

Xác suất đỗ (đã điều chỉnh theo chỉ tiêu):

$P_{mathrm{adjusted}}(t \mid X_s) = \Phi\left(\frac{X_s - \mu_t}{\sigma_t}\right) \cdot \min\left(1,\; \frac{c_t}{1000}\right)$

Trong đó $\Phi$ là hàm phân phối tích lũy chuẩn, và $\frac{c_t}{1000}$ là hệ số điều chỉnh theo chỉ tiêu (giảm xác suất khi chỉ tiêu thấp).

Thuật toán tối ưu nguyện vọng (Greedy + Pruning):

def optimize_choices(X_s, schools, k=3):
    # Bước 1: Tính xác suất đỗ cho tất cả trường
    probs = {t: P_adjusted(t | X_s) for t in schools}
    # Bước 2: Sắp xếp giảm dần theo xác suất
    ranked = sorted(schools, key=lambda t: probs[t], reverse=True)
    # Bước 3: Greedy chọn k trường có P(≥1 đỗ) cao nhất
    best = []
    for t in ranked[:k*3]:
        if len(best) == k: break
        # Kiểm tra ràng buộc: không chọn 2 trường cùng khu vực
        if not same_zone(t, best):
            best.append(t)
    return best

Xác suất đỗ ít nhất 1 trường: $P_{mathrm{success}} = 1 - \prod_{i=1}^{k}(1 - P_{mathrm{adjusted}}(t_i \mid X_s))$

Độ phức tạp

Chỉ số	Giá trị
Độ phức tạp thời gian	$O(
Độ phức tạp không gian	$O(
Tần suất tính lại	Khi có điểm chuẩn chính thức mới (1 lần/năm)
Latency truy vấn trung bình	< 200 ms (Redis cache); p95 < 10s (4G)

---

Kiến trúc hệ thống

+------------------------------------------------------------------+
|                 Lớp 1: Client (Mobile App)                        |
|  +---------------------------+  +--------------------------------+  |
|  | Màn hình Nhập điểm         |  | Màn hình Kết quả dự báo        |  |
|  | - Form 3 môn (Toán,Văn,Anh) |  | - Danh sách trường + P(t|X)   |  |
|  | - Tính tổng điểm tự động   |  | - Xếp hạng theo xác suất      |  |
|  +---------------------------+  +--------------------------------+  |
|  +---------------------------+  +--------------------------------+  |
|  | Màn hình Tối ưu nguyện vọng |  | Màn hình Cảnh báo & Thông báo |  |
|  | - Chọn 3 trường ưu tiên     |  | - Điểm chuẩn công bố          |  |
|  | - Gợi ý sắp xếp tối ưu     |  | - Cảnh báo xác suất thấp      |  |
|  | - What-if analysis         |  | - Premium: realtime alert      |  |
|  +---------------------------+  +--------------------------------+  |
+------------------------------------------------------------------+
                               │
                               ▼
+------------------------------------------------------------------+
|                    Lớp 2: API Gateway (Node.js)                    |
|  +-------------------+  +-------------------+  +----------------+  |
|  | /predict (POST)   |  | /optimize (POST)   |  | /history (GET) |  |
|  | nhập điểm → xác suất | tối ưu nguyện vọng | lịch sử dự báo  |  |
|  +-------------------+  +-------------------+  +----------------+  |
|  +-------------------+  +-------------------+  +----------------+  |
|  | /cutoffs (GET)    |  | /whatsif (POST)   |  | /alerts (POST) |  |
|  | điểm chuẩn Hà Nội |  | what-if analysis |  | đăng ký alert  |  |
|  +-------------------+  +-------------------+  +----------------+  |
|  Rate limiting · CORS · Request logging · JWT Auth                   |
+------------------------------------------------------------------+
                               │
            +------------------+------------------+
            ▼                                     ▼
+------------------------+   +----------------------------------+
| Lớp 3: Dịch vụ nội bộ |   | Lớp 3: Dịch vụ bên ngoài         |
| +----------------------+|   | +------------------------------+ |
| | Bayes Engine          ||   | | Firebase Cloud Messaging     | |
| | P(t|X) computation    ||   | | Push notification             | |
| | + cutoff adjustment  ||   | +------------------------------+ |
| +----------------------+|   | | Firebase Auth                | |
| +----------------------+|   | | OTP / phone auth             | |
| | Cutoff DB Service     ||   | +------------------------------+ |
| | CRUD cutoff records   ||   | | Sở GD&ĐT Hà Nội              | |
| +----------------------+|   | | Webhook điểm chuẩn chính thức| |
| +----------------------+|   | +------------------------------+ |
| | Optimization Service  ||   | | Sở GD&ĐT TP.HCM              | |
| | Tối ưu hóa nguyện vọng ||   | | Webhook điểm chuẩn chính thức| |
| +----------------------+|   | +------------------------------+ |
| +----------------------+|   | | Google Sheets Sync           | |
| | Alert Service         ||   | | Import dữ liệu lịch sử       | |
| | Push cutoff alerts   ||   | +------------------------------+ |
| +----------------------+|   +----------------------------------+
+------------------------+                                     │
            │                                               │
            ▼                                               │
+------------------------------------------------------------------+
|                    Lớp 4: Cơ sở dữ liệu                          |
|  +-----------------------------+  +-------------------------------+  |
|  | PostgreSQL                   |  | Redis                          |  |
|  | - schools table             |  |  - Cache P(t|X) per session   |  |
|  | - cutoffs table (history)  |  |  - Session tokens             |  |
|  | - predictions table        |  |  - Cutoff data (refresh daily)|  |
|  | - users table              |  +-------------------------------+  |
|  +-----------------------------+  | Firebase Firestore             |  |
|  | GCS                          |  |  - Offline score storage      |  |
|  |  - Dữ liệu lịch sử 2019-2025|  +-------------------------------+  |
|  +-----------------------------+                                   |
+------------------------------------------------------------------+

Trách nhiệm từng thành phần:

• Client (Flutter hoặc React Native): Form nhập điểm, hiển thị kết quả dự báo + xếp hạng, gợi ý nguyện vọng tối ưu, cảnh báo realtime.
• API Gateway (Node.js/Express): Route requests, rate limiting, xác thực JWT (OTP), gọi Bayes Engine và Optimization Service.
• Bayes Engine: Tính $P(t \mid X_s)$ theo công thức DBM, điều chỉnh theo chỉ tiêu, trả kết quả cho mỗi trường.
• Optimization Service: Thuật toán tối ưu hóa tổ hợp k nguyện vọng, what-if analysis.
• Cutoff DB Service: Quản lý CRUD dữ liệu điểm chuẩn lịch sử, webhook ingestion từ Sở GD&ĐT.
• Alert Service: Gửi push notification đến premium users khi điểm chuẩn chính thức được công bố.
• PostgreSQL: Lưu trữ master data (schools, cutoffs history, predictions). Index trên school_id và năm.
• Redis: Cache kết quả dự báo, cutoff data với TTL 24 giờ.

---

Trường hợp sử dụng

Trường hợp sử dụng 1: Phụ huynh dự báo xác suất đỗ cho con — chọn nguyện vọng đầu

Các tác viên: Phụ huynh (người dùng chính), hệ thống DiemChuan AI Tiên điều kiện: Phụ huynh đã cài đặt app DiemChuan AI, có điểm thi thử hoặc điểm GPA của con. Kích hoạt: Phụ huynh mở app, nhập điểm Toán, Ngữ văn, Tiếng Anh của con. Các bước:

1. App hiển thị form nhập điểm 3 môn, tự động tính tổng điểm.
2. Phụ huynh nhấn "Dự báo" → API gửi điểm đến Bayes Engine.
3. Bayes Engine trả về $P(t \mid X_s)$ cho tất cả 87 trường Hà Nội (và 100 trường TP.HCM nếu chọn).
4. App hiển thị danh sách trường xếp hạng theo xác suất đỗ, kèm điểm chuẩn trung bình 7 năm và độ lệch.
5. Phụ huynh chọn 3 trường ưu tiên → nhấn "Tối ưu nguyện vọng" → nhận gợi ý sắp xếp tối ưu.
6. Phụ huynh quyết định và nhập vào hệ thống của Sở GD&ĐT. Sau điều kiện: Phụ huynh đã đăng ký nguyện vọng với xác suất đỗ cao nhất. Kết quả mong đợi: Phụ huynh hiểu xác suất đỗ của con tại mỗi trường trong vòng 10 giây từ lúc nhập điểm.

Trường hợp sử dụng 2: What-if analysis — phân tích kịch bản thay đổi điểm

Các tác viên: Phụ huynh (người dùng chính), hệ thống DiemChuan AI Tiên điều kiện: Phụ huynh đã nhập điểm con và xem danh sách trường. Con chưa thi chính thức. Kích hoạt: Phụ huynh nhấn "What-if" trên một trường cụ thể và điều chỉnh điểm giả định. Các bước:

1. Phụ huynh chọn trường quan tâm (ví dụ: THPT Amsterdam) và nhấn "What-if".
2. App cho phép điều chỉnh từng điểm thành phần (Toán, Văn, Anh) để xem xác suất thay đổi thế nào.
3. Bayes Engine tính $P(\text{Amsterdam} \mid X_s^{mathrm{new}})$ với từng kịch bản.
4. App hiển thị biểu đồ đường: trục X = tổng điểm, trục Y = xác suất đỗ — cho phép phụ huynh thấy ngưỡng điểm cần đạt.
5. Phụ huynh quyết định có nên điều chỉnh mục tiêu hay tập trung cải thiện môn nào. Sau điều kiện: Phụ huynh có kế hoạch ôn tập cụ thể. Kết quả mong đợi: Phụ huynh biết chính xác cần bao nhiêu điểm để đạt xác suất đỗ ≥ 70% tại trường mong muốn.

Trường hợp sử dụng 3: Phụ huynh B2C premium nhận thông báo điểm chuẩn realtime

Các tác viên: Phụ huynh đã đăng ký premium, Sở GD&ĐT (với tư cách nguồn dữ liệu) Tiên điều kiện: Phụ huynh đã đăng ký B2C premium và đã nhập điểm con vào hệ thống. Sở GD&ĐT công bố điểm chuẩn chính thức. Kích hoạt: Sở GD&ĐT gửi webhook với danh sách điểm chuẩn chính thức năm 2026. Các bước:

1. Alert Service nhận webhook từ Sở GD&ĐT Hà Nội hoặc TP.HCM.
2. Hệ thống cập nhật tất cả cutoff records cho năm 2026.
3. Alert Service truy vấn predictions table tìm tất cả phụ huynh đã dự báo cho trường liên quan.
4. Push notification được gửi đến tất cả phụ huynh liên quan: "Điểm chuẩn Amsterdam 2026: 48.5. Con bạn đỗ hoặc không đỗ."
5. Người dùng nhấn notification → mở app → xem kết quả chi tiết (xác suất thực tế vs dự báo). Sau điều kiện: Phụ huynh biết kết quả chính thức và hành động tiếp theo. Kết quả mong đợi: ≥ 80% premium users nhận thông báo trong vòng 2 giờ kể từ khi điểm chuẩn được công bố.

---

Mô hình kinh doanh

Mô hình doanh thu

$R_{mathrm{total}} = R_{mathrm{B2C}} + R_{mathrm{B2G}}$

B2C — Freemium:

$R_{mathrm{B2C}} = \sum_{u \in U_{mathrm{premium}}} p_{mathrm{premium}} - C_{mathrm{acq}}(U_{mathrm{premium}})$

• Free: Dự báo xác suất cho 3 trường Hà Nội hoặc TP.HCM, gợi ý nguyện vọng cơ bản, what-if analysis
• Premium ($p_{mathrm{premium}}$ = 60.000 VND/mùa tuyển sinh): Dự báo không giới hạn tất cả trường 2 thành phố, thông báo realtime điểm chuẩn chính thức, báo cáo chi tiết per-trường, lịch sử dự báo 3 năm

B2G — Hợp đồng Sở Giáo dục:

$R_{mathrm{B2G}} = \sum_{g \in G} p_g - C_{mathrm{gov\_compliance}}$

• Sở GD&ĐT Hà Nội và TP.HCM trả phí để tích hợp dữ liệu điểm chuẩn vào nền tảng, tăng minh bạch và giảm tải tổng đài tư vấn

Cấu trúc chi phí (MVP năm đầu)

Loại chi phí	Mô tả	Số tiền (VND/năm)
Hạ tầng cloud (AWS/GCP)	PostgreSQL, Redis, API servers, CDN	80.000.000
Phát triển team (2 dev MVP)	Thiết kế, phát triển, kiểm thử	400.000.000
Thu thập dữ liệu lịch sử	Nhập liệu thủ công 7 năm điểm chuẩn	30.000.000
Marketing (mùa tuyển sinh)	Chiến dịch nhắm phụ huynh (tháng 4–6)	150.000.000
Tích hợp Sở GD&ĐT	Webhook điểm chuẩn chính thức	20.000.000
Tổng chi phí năm đầu		680.000.000

Phân tích điểm hòa vốn

\text{So khach B2C premium} = \frac{C_{mathrm{fixed}}}{p_{mathrm{premium}} - c_{mathrm{unit}}}} = \frac{680.000.000}{60.000 - 10.000} \approx 13.600 \text{ nguoi/mua}

Nghĩa là cần khoảng 13.600 thuê bao premium ($p = 60.000$ VND/mùa, $c_{mathrm{unit}} = 10.000$ VND/người/mùa) để hòa vốn chi phí năm đầu. Với tỷ lệ chuyển đổi mục tiêu 5% từ 100.000 người dùng đăng ký trong mùa tuyển sinh → 5.000 premium → điểm hòa vốn dự kiến ở mùa tuyển sinh thứ 2 nếu base users ổn định. Mô hình B2G (hợp đồng Sở GD&ĐT) là doanh thu tăng thêm.

---

Kế hoạch MVP

Giai đoạn 1: Hạ tầng & Dữ liệu lịch sử (Tuần 1–4)

• Thiết kế database schema (schools, cutoffs, predictions, users) trên PostgreSQL
• Nhập liệu dữ liệu lịch sử 2019–2025: 87 trường Hà Nội × 7 năm = 609 records + 100 trường TP.HCM × 7 năm = 700 records
• Xây dựng API Gateway (Node.js) với các endpoint: /predict, /optimize, /cutoffs, /whatsif
• Triển khai Bayes Engine — tính $P(t \mid X_s)$ theo công thức DBM, cache Redis với TTL 24 giờ
• Xây dựng form nhập điểm (3 môn) và hiển thị danh sách trường + xác suất đỗ
• Đăng ký 500 phụ huynh beta (cộng đồng phụ huynh Hà Nội trên Facebook)

Tiêu chí kết thúc: Phụ huynh beta có thể nhập điểm con và nhận danh sách xác suất đỗ cho tất cả 87 trường Hà Nội trong vòng 10 giây. Database có tối thiểu 609 records điểm chuẩn lịch sử.

Giai đoạn 2: Tối ưu nguyện vọng & What-if (Tuần 5–8)

• Triển khai Optimization Service — thuật toán tối ưu k=3 nguyện vọng
• Triển khai What-if analysis — cho phép phụ huynh điều chỉnh điểm giả định và xem xác suất thay đổi
• Thêm 100 trường TP.HCM vào database (thu thập dữ liệu lịch sử)
• Tích hợp Firebase Cloud Messaging cho thông báo realtime
• Đăng ký 2.000 phụ huynh beta

Tiêu chí kết thúc: Phụ huynh có thể tối ưu 3 nguyện vọng với xác suất đỗ ít nhất 1 trường ≥ 80%, và phân tích what-if cho bất kỳ trường nào.

Giai đoạn 3: Ra mắt & B2G (Tuần 9–12)

• Mô hình B2G: ký MOU với Sở GD&ĐT Hà Nội và TP.HCM, kết nối webhook điểm chuẩn chính thức
• Phát hành chính thức (App Store + Google Play) — timing: tháng 4, trước mùa đăng ký lớp 10
• Chiến dịch marketing nhắm phụ huynh (Facebook, Zalo, TikTok, diễn đàn phụ huynh)
• B2C Premium: thông báo realtime điểm chuẩn chính thức
• Đo lường: tỷ lệ phụ huynh dùng ≥ 30%, MAE dự báo ≤ 10%, latency p95 ≤ 10s
• Ra mắt chính thức tại Hà Nội và TP.HCM

Tiêu chí kết thúc: Ứng dụng có mặt trên App Store và Google Play, ≥ 30.000 người dùng đăng ký, ≥ 10.000 phụ huynh đã dự báo, MOU B2G đã ký.

---

Claims

Claim 1: Alpha Chain Ltd. tuyên bố rằng DiemChuan AI là ứng dụng di động đầu tiên tại Việt Nam sử dụng mô hình Bayes với dữ liệu lịch sử 7 năm (2019–2025) để dự báo xác suất đỗ lớp 10 cho từng trường THPT công lập — cung cấp lớp thông tin ra quyết định mà không nền tảng nào hiện có.

Claim 2: Alpha Chain Ltd. tuyên bố rằng mô hình DiemChuan Bayes Model (DBM) đạt MAE ≤ 10% giữa xác suất dự báo và tỷ lệ đỗ thực tế, được kiểm chứng bằng cross-validation trên dữ liệu lịch sử 7 năm — đảm bảo độ chính xác dự báo có thể tin cậy.

Claim 3: Alpha Chain Ltd. tuyên bố rằng thuật toán tối ưu nguyện vọng đảm bảo xác suất đỗ ít nhất 1 trường ≥ 80% khi phụ huynh tuân thủ gợi ý, với mỗi nguyện vọng được sắp xếp giảm dần theo xác suất và ràng buộc không chọn 2 trường cùng khu vực.

Claim 4: Alpha Chain Ltd. tuyên bố rằng mô hình doanh thu B2C Premium ($p = 60.000$ VND/mùa tuyển sinh) đạt điểm hòa vốn khi có tối thiểu 13.600 thuê bao premium — đảm bảo tính khả thi tài chính trong vòng 2 mùa tuyển sinh đầu.

Claim 5: Alpha Chain Ltd. tuyên bố rằng DiemChuan AI hoàn toàn khác domain so với AnToan (ACIL-2026-001): giáo dục tuyển sinh vs. an toàn thực phẩm; người dùng là phụ huynh muốn tối ưu quyết định đăng ký vs. người tiêu dùng đô thị muốn xác minh điểm ăn uống; không có tính năng trùng lặp.

---

Trùng lặp ý tưởng

Báo cáo deduplication

Chi tiết	Giá trị
Thư viện hiện có	1 idea: AnToan (ACIL-2026-001)
DiemChuan AI mức độ trùng	APPROVED — Hoàn toàn khác domain (edtech vs. food safety)
Lý do	DiemChuan AI ≠ AnToan: domain khác hoàn toàn (giáo dục tuyển sinh vs. an toàn thực phẩm); người dùng khác (phụ huynh vs. người tiêu dùng đô thị); tính năng khác (dự báo Bayes + tối ưu nguyện vọng vs. quét QR + cảnh báo vị trí); không có overlap về bài toán

Điểm khác biệt với AnToan (ACIL-2026-001)

Chiều	DiemChuan AI	AnToan
Domain	Giáo dục tuyển sinh lớp 10	An toàn thực phẩm tại điểm ăn uống
Vấn đề cốt lõi	147.000 phụ huynh thiếu dữ liệu dự báo điểm chuẩn	36 vụ ngộ độc thực phẩm, không có công cụ xác minh
Người dùng	Phụ huynh có con lớp 9	Người tiêu dùng đô thị chọn nơi ăn
Tính năng cốt lõi	Nhập điểm → Bayes dự báo → tối ưu nguyện vọng	Quét QR tại quán → điểm an toàn → cảnh báo
Thuật toán	Bayes model + greedy optimization	AnToan Safety Score (ATS)
Phân khúc	B2C phụ huynh + B2G Sở GD&ĐT	B2C + B2B nhà hàng + B2G chính phủ

---

Quyền sở hữu & Bản quyền

© 2026 Alpha Chain Ltd. Tất cả quyền được bảo lưu.

Tài liệu này là tài sản độc quyền của Alpha Chain Ltd. Việc sao chép, phân phối lại, hoặc tạo sản phẩm phái sinh đều yêu cầu sự đồng ý bằng văn bản từ Alpha Chain Ltd.

---

Lịch sử thay đổi

Phiên bản	Ngày	Tác giả	Thay đổi
1.0	2026-04-16	Alpha Chain Ltd.	Tạo ban đầu — ý tưởng DiemChuan AI từ bài viết đăng ký lớp 10 Hà Nội 2026