Ứng dụng AI vào quản lý tồn kho: Từ dự báo nhu cầu đến tự động bổ sung hàng hóa

Một doanh nghiệp có thể có rất nhiều hàng nhưng vẫn thường xuyên để khách ra về vì sản phẩm họ cần đã hết.

Điều này xảy ra khi hàng nằm không đúng chỗ. Một mẫu điện thoại còn hàng ở các cửa hàng tỉnh nhưng đã hết tại TP.HCM. Một loại nguyên liệu vẫn còn trong kho tổng, nhưng nhà máy cần sử dụng lại chưa nhận được. Báo cáo cho thấy tổng tồn kho vẫn cao, trong khi hoạt động bán hàng hoặc sản xuất đã bị gián đoạn.

Ở chiều ngược lại, nhập quá nhiều hàng cũng tạo ra vấn đề. Tiền mặt bị giữ trong kho. Doanh nghiệp phải trả thêm chi phí mặt bằng, bảo quản và bảo hiểm. Với thực phẩm, thời trang hoặc sản phẩm công nghệ, hàng tồn lâu còn có thể hết hạn, lỗi mốt hoặc phải bán giảm giá.

Quản lý tồn kho vì vậy không đơn giản là đếm xem còn bao nhiêu sản phẩm. Doanh nghiệp phải trả lời một câu hỏi khó hơn: cần giữ bao nhiêu hàng, ở địa điểm nào và vào thời điểm nào?

AI phù hợp với bài toán này vì có thể phân tích hàng nghìn sản phẩm, nhiều kho và nhiều cửa hàng cùng lúc. Hệ thống không chỉ nhìn doanh số tháng trước. Nó có thể xem tốc độ bán từng ngày, chương trình khuyến mãi, thời gian giao hàng, mùa vụ, thời tiết và nhiều tín hiệu khác có ảnh hưởng đến nhu cầu.

McKinsey cho biết AI có thể giúp các doanh nghiệp phân phối giảm mức tồn kho khoảng 20–30% thông qua dự báo nhu cầu và tối ưu kế hoạch hàng hóa. Một doanh nghiệp vật liệu xây dựng được McKinsey đề cập cũng cải thiện tỷ lệ đáp ứng đơn hàng thêm 5–8% sau khi triển khai hệ thống điều hành chuỗi cung ứng có AI. Đây là kết quả từ những trường hợp cụ thể, không phải mức cải thiện được bảo đảm cho mọi doanh nghiệp. Nguồn: McKinsey.

Google Cloud từng công bố trường hợp Groupe Casino sử dụng AI để dự báo theo từng sản phẩm và địa điểm trên hơn 450 đại siêu thị. Doanh nghiệp này cho biết độ chính xác dự báo tăng 30%, đồng thời giảm hàng dễ hỏng bị lãng phí và hạn chế tình trạng thiếu sản phẩm trên kệ. Nguồn: Google Cloud.

AI trong quản lý tồn kho vì vậy không chỉ là chatbot để hỏi “kho còn bao nhiêu hàng”. Phần giá trị nhất nằm phía sau: dự báo nhu cầu, phát hiện nguy cơ hết hàng, đề xuất bổ sung, luân chuyển hàng giữa các địa điểm và cảnh báo khi dữ liệu không khớp với thực tế.

Doanh nghiệp không cần giữ nhiều hàng nhất. Doanh nghiệp cần đúng hàng, đúng số lượng, đúng địa điểm và đúng thời điểm.

MỤC LỤC

PHẦN I — HIỂU ĐÚNG VỀ QUẢN LÝ TỒN KHO

1. Quản lý tồn kho thực chất gồm những công việc gì?
2. Vì sao thừa hàng và thiếu hàng có thể xảy ra cùng lúc?
3. AI tham gia ở đâu?
4. AI có thay thế nhân viên quản lý kho không?
5. AI Assistant và AI Agent khác nhau như thế nào?

PHẦN II — NHỮNG ỨNG DỤNG AI THỰC TẾ

6. Dự báo nhu cầu theo từng sản phẩm và cửa hàng
7. Cảnh báo nguy cơ hết hàng
8. Phát hiện hàng tồn lâu
9. Đề xuất bổ sung hàng
10. Tính mức tồn kho an toàn
11. Luân chuyển hàng giữa các địa điểm
12. Quản lý hàng có hạn sử dụng
13. Phát hiện tồn kho ảo và dữ liệu bất thường
14. Đánh giá nhà cung cấp
15. Mô phỏng các kịch bản kinh doanh
16. Hỗ trợ kiểm kê bằng camera và cảm biến
17. Tối ưu hoạt động trong kho

PHẦN III — AI AGENT TRONG QUẢN LÝ TỒN KHO

18. Một AI Agent tồn kho hoạt động như thế nào?
19. Ví dụ từ cảnh báo đến đề nghị mua hàng
20. Việc Agent có thể tự làm
21. Việc cần con người phê duyệt

PHẦN IV — DỮ LIỆU VÀ HỆ THỐNG PHÍA SAU

22. AI cần những dữ liệu gì?
23. ERP, POS, WMS và CRM đóng vai trò gì?
24. Vì sao cần Data Warehouse hoặc Data Platform?
25. Data Quality ảnh hưởng như thế nào?
26. Quyền truy cập và bảo mật
27. Vì sao phải theo dõi mô hình liên tục?

PHẦN V — TRIỂN KHAI TRONG DOANH NGHIỆP

28. Doanh nghiệp nên bắt đầu từ đâu?
29. Ba use case đầu tiên
30. Roadmap triển khai trong 90 ngày
31. KPI nên đo
32. Những sai lầm phổ biến
33. Case tổng thể: chuỗi bán lẻ 100 cửa hàng
34. Tương lai của công việc quản lý tồn kho
35. Kết luận

PHẦN I — HIỂU ĐÚNG VỀ QUẢN LÝ TỒN KHO

1. Quản lý tồn kho thực chất gồm những công việc gì?

Tồn kho là toàn bộ hàng hóa, nguyên vật liệu, linh kiện hoặc thành phẩm mà doanh nghiệp đang nắm giữ.

Một cửa hàng điện thoại có máy, phụ kiện và linh kiện bảo hành. Một siêu thị có thực phẩm, đồ gia dụng và hàng tiêu dùng. Một nhà máy có nguyên liệu đầu vào, bán thành phẩm đang nằm trên dây chuyền và sản phẩm đã hoàn thiện.

Nhân viên quản lý tồn kho phải biết hàng đang ở đâu, còn sử dụng được không, đã nằm bao lâu và khi nào cần bổ sung. Họ cũng phải theo dõi hàng đang vận chuyển, hàng bị lỗi, hàng đã được khách đặt trước và lượng hàng sắp nhận từ nhà cung cấp.

Chỉ cần một phần dữ liệu cập nhật chậm, bức tranh tồn kho đã có thể sai.

Ví dụ hệ thống ghi còn 20 máy tính xách tay. Nhưng 12 máy đã được giữ cho đơn hàng trực tuyến, ba máy đang chờ kiểm tra lỗi và hai máy trưng bày không thể giao ngay. Tồn kho thật sự có thể bán chỉ còn ba máy.

2. Vì sao thừa hàng và thiếu hàng có thể xảy ra cùng lúc?

Một chuỗi có 100 cửa hàng và 5.000 mã sản phẩm phải theo dõi 500.000 tổ hợp sản phẩm và địa điểm.

Đây là lý do nhìn vào tổng tồn kho thường chưa đủ.

Giả sử toàn hệ thống còn 1.000 tai nghe mẫu A. Con số này có vẻ an toàn. Nhưng 600 chiếc đang nằm ở những cửa hàng bán chậm, trong khi các cửa hàng tại TP.HCM và Hà Nội sắp hết hàng trước một chiến dịch khuyến mãi.

Doanh nghiệp đang thừa hàng trên báo cáo tổng nhưng lại thiếu hàng ở nơi khách muốn mua.

Vấn đề không nhất thiết được giải quyết bằng cách nhập thêm. Đôi khi chỉ cần phát hiện sớm và chuyển hàng từ nơi bán chậm sang nơi bán nhanh.

3. AI tham gia ở đâu?

AI có thể bắt đầu từ việc quan sát.

Hệ thống đọc dữ liệu bán hàng, tồn kho, đơn mua và lịch khuyến mãi. Sau đó nó phát hiện những sản phẩm có tốc độ bán tăng bất thường, những cửa hàng có nguy cơ hết hàng hoặc những mặt hàng đã nằm quá lâu.

Bước tiếp theo là dự báo.

Machine Learning, thường gọi là học máy, giúp hệ thống học quy luật từ dữ liệu quá khứ. Nếu doanh số nước giải khát thường tăng vào những ngày nóng, mô hình có thể nhận ra mối liên hệ đó. Nếu một sản phẩm bán nhanh hơn vào cuối tuần, dự báo cũng được điều chỉnh.

Sau khi dự báo, AI có thể đề xuất hành động. Hệ thống tính lượng cần nhập, tìm nơi đang dư hàng hoặc chuẩn bị một đề nghị mua hàng để nhân viên xem xét.

AI không nhất thiết làm cả ba bước ngay từ đầu. Nhiều doanh nghiệp nên bắt đầu bằng cảnh báo và đề xuất, trước khi cho phép hệ thống tự thực hiện.

4. AI có thay thế nhân viên quản lý kho không?

AI có thể thay thế một phần công việc lặp lại.

Nhân viên không cần mở hàng chục file để tìm sản phẩm sắp hết. Họ cũng không phải kiểm tra thủ công từng mã hàng theo một ngưỡng cố định.

Nhưng quản lý tồn kho không chỉ là tính toán.

Một nhà cung cấp quan trọng có thể đang gặp khó khăn. Đối thủ sắp ra mắt sản phẩm mới. Ban lãnh đạo có thể chấp nhận giữ nhiều hàng hơn để bảo đảm không mất khách trong mùa cao điểm. Những thông tin này không phải lúc nào cũng xuất hiện đầy đủ trong dữ liệu.

AI phù hợp để xử lý khối lượng lớn và chỉ ra ngoại lệ. Con người vẫn phải đánh giá bối cảnh, thương lượng với nhà cung cấp và chịu trách nhiệm với quyết định cuối cùng.

5. AI Assistant và AI Agent khác nhau như thế nào?

AI Assistant giống một trợ lý phân tích.

Người quản lý có thể hỏi:

“Những sản phẩm nào có nguy cơ hết hàng trong bảy ngày tới?”

Hệ thống đọc dữ liệu và trả về danh sách. Người quản lý sau đó tự mở ERP để tạo đề nghị mua hoặc yêu cầu kho điều chuyển hàng.

AI Agent có thể làm thêm những bước này.

Sau khi phát hiện nguy cơ, Agent kiểm tra hàng đang về, tìm kho đang dư, tính chi phí điều chuyển và chuẩn bị phiếu xử lý. Nếu doanh nghiệp cho phép, Agent gửi phiếu cho đúng người phê duyệt.

Khác biệt chính không nằm ở khả năng nói chuyện. Assistant chủ yếu cung cấp thông tin. Agent có thể sử dụng công cụ và tham gia trực tiếp vào quy trình công việc.

PHẦN II — NHỮNG ỨNG DỤNG AI THỰC TẾ

6. Dự báo nhu cầu theo từng sản phẩm và cửa hàng

Một chuỗi bán lẻ có thể biết tổng doanh số tháng trước, nhưng vẫn không biết tuần tới từng cửa hàng cần bao nhiêu hàng.

Ví dụ, mẫu tai nghe A bán rất nhanh tại TP.HCM nhưng tiêu thụ chậm ở một số tỉnh. Nếu doanh nghiệp chỉ nhìn doanh số toàn hệ thống, lượng hàng nhập về có thể vẫn hợp lý nhưng được phân bổ sai địa điểm.

AI có thể phân tích lịch sử bán hàng theo từng ngày, sản phẩm và cửa hàng. Hệ thống cũng xem thêm giá bán, chương trình khuyến mãi, ngày lễ, lượng khách truy cập website và những yếu tố có ảnh hưởng thực sự đến nhu cầu.

Sau đó, AI đưa ra dự báo cụ thể:

“Cửa hàng Quận 1 có thể bán khoảng 120 tai nghe A trong bảy ngày tới, trong khi lượng hàng hiện tại chỉ đủ bán trong ba ngày.”

Nhân viên không còn phải đợi đến lúc gần hết hàng mới xử lý. Họ có thể chuyển hàng từ cửa hàng bán chậm, yêu cầu kho trung tâm bổ sung hoặc điều chỉnh kế hoạch nhập.

Tuy nhiên, dự báo không phải sự thật chắc chắn. Nếu một sản phẩm bất ngờ trở thành xu hướng trên mạng xã hội hoặc đối thủ giảm giá mạnh, nhu cầu thực tế có thể khác xa dữ liệu quá khứ.

7. Cảnh báo nguy cơ hết hàng

Một cảnh báo tốt không chỉ nói “tồn kho thấp”.

Mười sản phẩm có thể là quá ít với mặt hàng bán 20 chiếc mỗi ngày. Nhưng mười sản phẩm lại là quá nhiều nếu mỗi tháng chỉ bán được một chiếc.

AI phải xem tốc độ bán, lượng hàng đang về và thời gian nhà cung cấp cần để giao hàng.

Ví dụ hệ thống phát hiện cửa hàng còn 36 máy mẫu B và đang bán trung bình 12 máy mỗi ngày. Lô hàng mới phải bảy ngày nữa mới đến.

Thay vì chỉ tô đỏ một ô trên dashboard, AI có thể giải thích:

“Sản phẩm có thể hết sau ba ngày. Kho Bình Dương đang có 80 máy và chỉ cần giữ lại 35 máy cho nhu cầu dự kiến.”

Cảnh báo lúc này đi kèm một phương án có thể thực hiện.

8. Phát hiện hàng tồn lâu

Hàng nằm lâu trong kho không chỉ chiếm diện tích. Nó còn giữ tiền mặt của doanh nghiệp.

Rủi ro đặc biệt cao với thời trang, điện thoại, thực phẩm và những sản phẩm có vòng đời ngắn.

Một báo cáo thông thường cho biết sản phẩm đã nằm kho 120 ngày. AI có thể đi xa hơn bằng cách ước tính khả năng bán trong những tuần tiếp theo.

Hệ thống xem tuổi tồn kho, tốc độ bán, mức giảm giá trước đây, thời điểm ra mắt mẫu mới và tình hình ở các cửa hàng khác.

Nếu một mẫu điện thoại sắp có thế hệ thay thế, AI có thể cảnh báo sớm để doanh nghiệp dừng nhập, chuyển hàng hoặc chuẩn bị chương trình bán phù hợp.

AI không nên tự giảm giá. Quyết định này ảnh hưởng đến lợi nhuận và hình ảnh thương hiệu, nên cần bộ phận kinh doanh phê duyệt.

9. Đề xuất bổ sung hàng

Nhiều doanh nghiệp bổ sung hàng theo một quy tắc cố định.

Khi tồn kho xuống dưới 20 sản phẩm thì đặt thêm 50. Quy tắc này dễ dùng nhưng không biết nhu cầu đang tăng hay giảm.

AI có thể tính lượng đề xuất từ nhu cầu dự kiến, hàng hiện có, đơn đang về, tồn kho an toàn và thời gian giao.

Giả sử một cửa hàng có thể bán 120 sản phẩm trong 14 ngày. Cửa hàng đang có 50, sắp nhận thêm 20 và cần giữ 15 sản phẩm dự phòng.

Hệ thống tính lượng thiếu là 65. Nhưng nhà cung cấp đóng hàng theo thùng 12 chiếc, nên đề xuất thực tế là 72.

Nhân viên nhìn thấy cả kết quả và cách tính. Nếu biết sắp có thay đổi mà hệ thống chưa ghi nhận, họ có thể điều chỉnh.

10. Tính mức tồn kho an toàn

Tồn kho an toàn là lượng hàng dự phòng cho những tình huống không diễn ra đúng kế hoạch.

Khách có thể mua nhiều hơn dự kiến. Nhà cung cấp có thể giao trễ. Một lô hàng có thể bị lỗi và không sử dụng được.

Không phải sản phẩm nào cũng cần cùng một mức dự phòng.

Mặt hàng bán ổn định và được giao trong hai ngày có thể giữ ít hàng hơn. Một linh kiện quan trọng phải nhập khẩu trong 45 ngày cần mức an toàn cao hơn.

AI có thể tính mức dự phòng riêng cho từng sản phẩm. Hệ thống cũng thay đổi mức này theo mùa, thay vì giữ một con số cố định suốt năm.

Trước Tết, doanh nghiệp có thể chấp nhận tồn cao hơn. Sau cao điểm, mức dự phòng cần được hạ xuống để tránh hàng nằm lâu.

11. Luân chuyển hàng giữa các địa điểm

Khi một cửa hàng sắp hết hàng, phản ứng đầu tiên thường là đặt mua thêm.

Nhưng sản phẩm cần thiết có thể đang nằm tại một cửa hàng khác.

AI có thể so sánh nhu cầu dự kiến giữa các địa điểm. Hệ thống tìm nơi có hàng dư, tính chi phí vận chuyển và kiểm tra xem việc chuyển hàng có làm nơi gửi bị thiếu hay không.

Ví dụ cửa hàng A sắp thiếu 30 máy. Cửa hàng B còn 70 máy nhưng chỉ dự kiến bán 20 máy trong hai tuần tới.

AI đề xuất chuyển 35 máy từ B sang A. Cửa hàng B vẫn còn mức dự phòng, còn doanh nghiệp không phải tăng tổng lượng hàng toàn hệ thống.

Thông tin về sự kiện địa phương và chương trình khuyến mãi phải được cập nhật. Nếu cửa hàng B sắp có một sự kiện lớn mà hệ thống không biết, đề xuất điều chuyển có thể sai.

12. Quản lý hàng có hạn sử dụng

Thực phẩm, mỹ phẩm và dược phẩm có thêm một vấn đề là hạn sử dụng.

Hai lô cùng mã sản phẩm nhưng ngày hết hạn khác nhau không thể được xem như nhau.

Giả sử siêu thị còn 300 hộp sữa chua sẽ hết hạn sau 12 ngày. Tốc độ bán hiện tại chỉ khoảng 15 hộp mỗi ngày.

AI nhận ra một phần hàng có nguy cơ không bán kịp. Hệ thống cảnh báo để quản lý ưu tiên xuất lô cũ, chuyển sang cửa hàng bán nhanh hoặc áp dụng chương trình khuyến mãi.

Cảnh báo sớm rất quan trọng. Nếu chỉ phát hiện trước ngày hết hạn hai hôm, doanh nghiệp gần như không còn phương án xử lý.

13. Phát hiện tồn kho ảo và dữ liệu bất thường

Tồn kho trên hệ thống không phải lúc nào cũng giống hàng thật trên kệ.

Hàng có thể bị quét nhầm mã, đơn hủy chưa hoàn lại tồn, sản phẩm hỏng chưa được ghi giảm hoặc dữ liệu giữa website và cửa hàng chưa đồng bộ.

Ví dụ hệ thống ghi còn 15 sản phẩm nhưng mặt hàng không phát sinh giao dịch trong hai tuần. Trong khi đó, các cửa hàng tương tự vẫn bán đều mỗi ngày.

AI có thể đánh dấu đây là trường hợp cần kiểm tra. Khả năng cao hàng đã hết, bị đặt sai vị trí hoặc số liệu đang sai.

Hệ thống không nên tự kết luận có thất thoát hay gian lận. Nó chỉ giúp doanh nghiệp biết nên kiểm kê ở đâu trước.

14. Đánh giá nhà cung cấp

Kế hoạch tồn kho phụ thuộc rất nhiều vào thời gian giao hàng.

Nếu hệ thống tin rằng nhà cung cấp giao trong bảy ngày nhưng thực tế thường mất 11 ngày, doanh nghiệp sẽ liên tục bổ sung hàng quá muộn.

AI có thể đọc lịch sử đơn mua, ngày cam kết, ngày nhận thực tế, số lượng giao thiếu và tỷ lệ hàng lỗi.

Sau một thời gian, hệ thống nhận ra nhà cung cấp nào thường trễ vào mùa cao điểm hoặc mặt hàng nào có thời gian giao biến động lớn.

Thông tin này giúp doanh nghiệp tăng mức dự phòng, đặt sớm hơn hoặc tìm thêm nguồn cung.

Việc lựa chọn và thương lượng với nhà cung cấp vẫn cần con người. Giá thấp chưa chắc tốt nếu chất lượng và thời gian giao không ổn định.

15. Mô phỏng các kịch bản kinh doanh

Doanh nghiệp thường phải trả lời những câu hỏi bắt đầu bằng chữ “nếu”.

Nếu doanh số tăng 30% trong chiến dịch tới thì kho có đủ hàng không? Nếu nhà cung cấp chính giao trễ hai tuần thì sản phẩm nào bị ảnh hưởng? Nếu mở thêm 10 cửa hàng thì cần tăng vốn tồn kho bao nhiêu?

AI có thể chạy nhiều kịch bản trước khi doanh nghiệp hành động.

Digital twin, có thể hiểu đơn giản là một mô hình số mô phỏng hệ thống thật, giúp doanh nghiệp thử thay đổi nhu cầu, nguồn cung hoặc năng lực kho và quan sát tác động dự kiến.

McKinsey ghi nhận một nhà cung cấp logistics sử dụng mô hình số kết hợp AI để tăng gần 10% năng lực kho mà không cần thêm bất động sản. Hệ thống phân tích nhu cầu lao động, xe nâng và dòng hàng theo từng giờ để tìm phần công suất chưa được sử dụng tốt. Nguồn: McKinsey.

16. Hỗ trợ kiểm kê bằng camera và cảm biến

Computer Vision, hay thị giác máy tính, giúp hệ thống phân tích hình ảnh và video.

Trong cửa hàng, camera có thể phát hiện một khu vực kệ đang trống. Trong kho, hệ thống có thể hỗ trợ đếm một số loại hàng hoặc nhận ra pallet bị đặt sai vị trí.

Cảm biến kết nối Internet có thể ghi nhận nhiệt độ, độ ẩm hoặc vị trí của hàng hóa. Điều này hữu ích với thực phẩm lạnh, dược phẩm và hàng có yêu cầu bảo quản đặc biệt.

IBM cho rằng việc kết hợp AI với dữ liệu từ cảm biến giúp doanh nghiệp cải thiện khả năng theo dõi vị trí và điều kiện hàng hóa gần thời gian thực. Nguồn: IBM.

Camera không phải lúc nào cũng đếm đúng. Hàng bị che khuất, bao bì giống nhau hoặc ánh sáng kém đều có thể gây sai số. Công nghệ nên hỗ trợ kiểm kê, không mặc định thay thế toàn bộ kiểm tra vật lý.

17. Tối ưu hoạt động trong kho

Vị trí đặt hàng ảnh hưởng trực tiếp đến thời gian xử lý đơn.

Mặt hàng bán nhanh nhưng nằm ở cuối kho khiến nhân viên phải di chuyển nhiều. Hai sản phẩm thường được mua cùng nhau nhưng đặt cách xa cũng làm tăng thời gian lấy hàng.

AI có thể phân tích tần suất xuất, kích thước, trọng lượng và mối liên hệ giữa các sản phẩm.

Hệ thống đề xuất đưa hàng bán nhanh đến gần khu đóng gói, đặt hàng nặng ở vị trí an toàn và bố trí những sản phẩm thường đi cùng ở khu vực hợp lý.

Hiệu quả phải được đo bằng thời gian lấy hàng, quãng đường di chuyển, năng suất và tỷ lệ sai sót. Một sơ đồ kho trông đẹp nhưng không cải thiện các chỉ số này thì chưa tạo ra giá trị.

PHẦN III — AI AGENT TRONG QUẢN LÝ TỒN KHO

18. Một AI Agent tồn kho hoạt động như thế nào?

Một AI Agent tồn kho có thể được hình dung như một nhân viên số được giao mục tiêu và quyền hạn rõ ràng.

Agent theo dõi dữ liệu. Khi thấy một sản phẩm có nguy cơ hết, nó kiểm tra lại tồn kho, hàng đang về và nhu cầu dự kiến.

Nếu kho khác đang dư, Agent chuẩn bị đề nghị điều chuyển. Nếu toàn hệ thống không có hàng, Agent tính lượng cần mua và tạo bản nháp đề nghị đặt hàng.

Agent không phải một mô hình AI duy nhất. Phía sau có thể gồm mô hình dự báo, quy tắc kinh doanh, dữ liệu doanh nghiệp, công cụ tính toán và mô hình ngôn ngữ để giải thích.

Mỗi thành phần làm một công việc phù hợp. Mô hình dự báo tính nhu cầu. Hệ thống quy tắc kiểm tra hạn mức. Mô hình ngôn ngữ giúp nhân viên hiểu vì sao hành động được đề xuất.

19. Ví dụ từ cảnh báo đến đề nghị mua hàng

Giả sử hệ thống dự báo máy tính xách tay mẫu C sẽ hết tại miền Nam sau sáu ngày.

Lô hàng đang về phải 12 ngày nữa mới đến.

Agent trước tiên kiểm tra tồn kho khả dụng, đơn khách đã giữ hàng và lượng hàng đang vận chuyển. Bước này giúp tránh cảnh báo từ số liệu chưa đầy đủ.

Sau đó Agent tìm hàng dư tại các kho khác. Kết quả cho thấy lượng có thể điều chuyển chỉ đáp ứng được một nửa nhu cầu.

Agent tiếp tục kiểm tra điều kiện mua hàng đã được phê duyệt, so sánh hai nhà cung cấp và tính lượng cần đặt. Hệ thống tạo một bản nháp kèm lý do: doanh số tăng 18%, chiến dịch quảng cáo bắt đầu sau bốn ngày và nhà cung cấp có thể giao trong năm ngày.

Quản lý mua hàng xem lại và phê duyệt.

Nếu giá nhà cung cấp tăng vượt ngưỡng hoặc thời gian giao thay đổi, Agent dừng quy trình và yêu cầu con người xử lý.

20. Việc Agent có thể tự làm

Agent có thể tự tổng hợp dữ liệu, tạo cảnh báo, xếp hạng mức độ ưu tiên và chuẩn bị báo cáo.

Hệ thống cũng có thể tạo bản nháp phiếu điều chuyển hoặc đề nghị mua hàng.

Với những mặt hàng giá trị thấp, nhu cầu ổn định và nhà cung cấp đã có hợp đồng, doanh nghiệp có thể cho phép Agent tự xử lý trong một hạn mức nhỏ.

Ví dụ, Agent được quyền bổ sung vật tư đóng gói dưới 20 triệu đồng nếu lượng đặt nằm trong kế hoạch tháng và giá không tăng quá 3%.

Quyền tự động nên được mở dần. Giai đoạn đầu chỉ đề xuất. Sau khi hệ thống chứng minh được độ ổn định, doanh nghiệp mới cho phép thực hiện những hành động ít rủi ro.

21. Việc cần con người phê duyệt

Đơn hàng giá trị lớn cần con người phê duyệt.

Việc thay đổi nhà cung cấp, giảm giá sâu, hủy hàng hoặc điều chuyển có thể ảnh hưởng đến khách hàng quan trọng cũng không nên được quyết định hoàn toàn tự động.

Con người phải can thiệp khi dữ liệu mâu thuẫn hoặc mô hình thiếu tự tin.

Một sản phẩm có thể bất ngờ tăng nhu cầu gấp mười lần vì trở thành xu hướng trên mạng xã hội. AI dựa trên lịch sử có thể phản ứng chậm hoặc hiểu sai đây là xu hướng dài hạn.

Hành động càng lớn và càng khó đảo ngược thì quyền quyết định của con người càng phải rõ.

PHẦN IV — DỮ LIỆU VÀ HỆ THỐNG PHÍA SAU

22. AI cần những dữ liệu gì?

Dữ liệu cơ bản gồm mã sản phẩm, địa điểm, tồn kho hiện tại, lịch sử bán, đơn mua, hàng đang về và thời gian giao.

Doanh nghiệp bán lẻ cần thêm giá, lịch khuyến mãi, đơn trực tuyến và tỷ lệ đổi trả. Nhà máy cần định mức nguyên vật liệu, kế hoạch sản xuất và tỷ lệ hao hụt. Thực phẩm và dược phẩm cần số lô và hạn sử dụng.

Dữ liệu bên ngoài chỉ nên được thêm khi có ảnh hưởng thật.

Thời tiết hữu ích với áo mưa, nước giải khát hoặc giao hàng. Nhưng nó có thể không tạo nhiều giá trị cho một số loại phụ tùng công nghiệp.

AWS mô tả kiến trúc dự báo bán lẻ sử dụng dữ liệu từ điểm bán, trung tâm phân phối, CRM, ERP, nhà cung cấp và đối tác logistics. Điều này cho thấy dự báo tốt là kết quả của cả chuỗi dữ liệu, không chỉ của một thuật toán. Nguồn: AWS.

23. ERP, POS, WMS và CRM đóng vai trò gì?

ERP là hệ thống quản trị nguồn lực doanh nghiệp. Nó thường lưu đơn mua, thông tin nhà cung cấp, giao dịch kho và dữ liệu tài chính.

POS là hệ thống bán hàng tại quầy. WMS quản lý hoạt động trong kho. CRM lưu thông tin và lịch sử tương tác với khách hàng.

Mỗi hệ thống giữ một phần của bức tranh.

POS biết đã bán gì. WMS biết hàng đang ở đâu. ERP biết doanh nghiệp đã đặt thêm bao nhiêu. CRM có thể biết một khách hàng lớn sắp phát sinh nhu cầu.

Nếu AI chỉ đọc doanh số nhưng không biết hàng đang về, hệ thống có thể đề xuất đặt trùng. Nếu chỉ đọc tồn kho nhưng không thấy đơn trực tuyến đang giữ hàng, cảnh báo sẽ đến quá muộn.

24. Vì sao cần Data Warehouse hoặc Data Platform?

Data Warehouse, hay kho dữ liệu, là nơi tập trung dữ liệu đã được chuẩn hóa để phân tích và báo cáo.

Data Platform, hay nền tảng dữ liệu, rộng hơn. Nó bao gồm việc thu thập, lưu trữ, xử lý, kiểm tra chất lượng, phân quyền và cung cấp dữ liệu cho báo cáo, mô hình AI và ứng dụng.

Doanh nghiệp nhỏ có một cửa hàng chưa chắc cần xây nền tảng lớn. Họ có thể bắt đầu từ dữ liệu POS sạch và một quy trình đơn giản.

Nhưng khi doanh nghiệp có nhiều cửa hàng, kho, kênh bán và hệ thống, AI cần một nơi để kết nối dữ liệu.

Điều quan trọng nhất là định nghĩa thống nhất.

“Tồn kho khả dụng” có trừ hàng lỗi không? Có trừ hàng đã giữ cho đơn trực tuyến không? Hàng đang điều chuyển được tính ở kho gửi hay kho nhận?

Nếu mỗi bộ phận trả lời khác nhau, AI không thể đưa ra một con số đáng tin cậy.

25. Data Quality ảnh hưởng như thế nào?

Data Quality có thể hiểu đơn giản là chất lượng dữ liệu.

Dữ liệu cần đúng, đủ, nhất quán, cập nhật kịp thời và có thể biết nó đến từ đâu.

Nếu cùng một sản phẩm có ba mã khác nhau ở ba hệ thống, AI sẽ tưởng đó là ba sản phẩm. Nếu cửa hàng bán 30 món nhưng dữ liệu chậm sáu giờ, hệ thống vẫn thấy tồn kho cao và không cảnh báo.

IBM lưu ý dữ liệu sai, cũ hoặc thiếu có thể tạo ra dự báo và quyết định sai. Dữ liệu nằm rời rạc trong nhiều hệ thống cũng làm việc tích hợp khó hơn. Nguồn: IBM.

Doanh nghiệp cần kiểm tra tồn kho âm, giao dịch trùng, mã hàng thiếu, ngày nhận không hợp lý và chênh lệch giữa hệ thống với kiểm kê thật.

Nếu dữ liệu sai, một mô hình hiện đại chỉ giúp doanh nghiệp ra quyết định sai nhanh hơn.

26. Quyền truy cập và bảo mật

AI không nên có quyền xem và làm mọi thứ.

Nhân viên cửa hàng có thể xem tồn kho khu vực của mình nhưng không cần thấy giá mua bí mật. Agent phân bổ hàng có thể tạo đề nghị điều chuyển nhưng không nhất thiết được duyệt thanh toán.

Permission, tức quyền truy cập, phải được áp dụng cho cả dữ liệu và hành động.

Hệ thống cần biết người đang hỏi là ai, được xem chỉ số nào và được phép thực hiện bước nào.

Mọi hành động cũng cần audit log, tức nhật ký kiểm tra. Nhật ký ghi ai hoặc Agent nào đã làm gì, lúc nào và dựa trên dữ liệu nào.

Khi có sai sót, doanh nghiệp có thể tìm nguyên nhân thay vì chỉ biết rằng “AI đã làm”.

27. Vì sao phải theo dõi mô hình liên tục?

Một mô hình từng dự báo tốt không có nghĩa sẽ luôn tốt.

Doanh nghiệp có thể mở kênh bán mới. Danh mục sản phẩm thay đổi. Khách hàng thay đổi hành vi. Những quy luật cũ dần không còn phản ánh thực tế.

Doanh nghiệp cần theo dõi sai số dự báo theo thời gian, sản phẩm và địa điểm.

Không nên chỉ nhìn một con số trung bình toàn hệ thống. Kết quả tốt ở nhóm sản phẩm bán chạy có thể che giấu sai số rất lớn ở nhóm khác.

AI cũng phải được so sánh với cách làm hiện tại. Nếu mô hình phức tạp không tốt hơn mức trung bình bốn tuần, dự án chưa chứng minh được giá trị.

PHẦN V — TRIỂN KHAI TRONG DOANH NGHIỆP

28. Doanh nghiệp nên bắt đầu từ đâu?

Điểm bắt đầu không phải là chọn một công cụ AI.

Doanh nghiệp cần tìm một quyết định tồn kho đang gây tổn thất rõ ràng.

Nhóm sản phẩm bán chạy có thường xuyên hết hàng không? Thực phẩm bị hủy mỗi tháng bao nhiêu? Nhân viên mất bao lâu để lập đề nghị mua? Hàng trên 90 ngày đang giữ bao nhiêu vốn?

Sau đó cần đo hiện trạng.

Nếu không biết tỷ lệ hết hàng, giá trị tồn bình quân và sai số dự báo trước dự án, doanh nghiệp sẽ không biết AI có tạo ra hiệu quả hay không.

Phạm vi đầu tiên nên nhỏ. Có thể chọn 200–500 sản phẩm quan trọng tại 10–20 cửa hàng thay vì triển khai toàn hệ thống.

29. Ba use case đầu tiên

Use case đầu tiên là cảnh báo nguy cơ hết hàng cho nhóm sản phẩm bán chạy.

Dữ liệu thường đã có. Hiệu quả có thể đo bằng số ngày hết hàng và doanh thu bị mất.

Use case thứ hai là phát hiện hàng tồn lâu.

Hệ thống xếp hạng sản phẩm cần xử lý sớm. KPI có thể là giá trị hàng trên 90 ngày, số tiền giảm giá và tỷ lệ hủy.

Use case thứ ba là đề xuất bổ sung hàng nhưng chưa tự động đặt mua.

AI chuẩn bị danh sách và giải thích. Nhân viên duyệt hoặc chỉnh sửa. Đây là cách triển khai ít rủi ro và giúp doanh nghiệp thu thập phản hồi thực tế.

30. Roadmap triển khai trong 90 ngày

Giai đoạn	Công việc chính	Kết quả cần có
Ngày 1–30	Chọn use case, thống nhất KPI, kiểm tra dữ liệu và xác định người chịu trách nhiệm.	Đường cơ sở, bộ dữ liệu thử nghiệm và phạm vi rõ ràng.
Ngày 31–60	Xây mô hình đầu tiên, tạo cảnh báo và chạy thử trên một nhóm sản phẩm.	Bản thử nghiệm dùng dữ liệu thật, có nhân viên nghiệp vụ đánh giá.
Ngày 61–90	Đưa vào quy trình hằng ngày, đo kết quả và sửa các trường hợp sai.	Báo cáo hiệu quả và quyết định có mở rộng hay không.

Trong tháng đầu, phần lớn thời gian nên dành cho bài toán và dữ liệu.

Tháng thứ hai, mô hình chạy song song với quy trình cũ. Nhân viên nhìn thấy đề xuất nhưng chưa bắt buộc phải làm theo.

Tháng thứ ba, hệ thống mới được đưa vào một phần quy trình thật. Chỉ khi KPI cải thiện ổn định, doanh nghiệp mới mở rộng sang nhiều sản phẩm và địa điểm hơn.

31. KPI nên đo

Tỷ lệ hết hàng cho biết bao nhiêu lần khách muốn mua nhưng không có sản phẩm.

Service level, có thể hiểu là mức độ đáp ứng nhu cầu, cho biết doanh nghiệp phục vụ được bao nhiêu phần trăm nhu cầu đúng hạn.

Inventory turnover, hay vòng quay tồn kho, cho biết hàng được bán và thay mới nhanh đến mức nào. Days of Inventory cho biết lượng hàng hiện tại tương đương bao nhiêu ngày bán.

Doanh nghiệp cũng cần theo dõi giá trị hàng tồn lâu, tỷ lệ hủy, chi phí lưu kho và vốn lưu động.

Với AI, có thể đo sai số dự báo và tỷ lệ đề xuất được nhân viên chấp nhận.

Nhưng mô hình dự báo chính xác hơn chưa chắc tạo nhiều lợi nhuận hơn. KPI kỹ thuật phải được nối với doanh thu, chi phí và khả năng phục vụ khách hàng.

32. Những sai lầm phổ biến

Sai lầm đầu tiên là bắt đầu bằng mục tiêu “tự động hóa toàn bộ chuỗi cung ứng”.

Mục tiêu này quá rộng, khó đo và liên quan đến quá nhiều hệ thống.

Sai lầm thứ hai là cho rằng mua phần mềm đồng nghĩa với có giải pháp. Công cụ không tự biết thế nào là tồn kho khả dụng, sản phẩm thay thế hoặc quy tắc đặt hàng của doanh nghiệp.

Sai lầm thứ ba là dùng dữ liệu chưa được kiểm tra.

Nếu lịch khuyến mãi, đơn đang vận chuyển và mã sản phẩm không đáng tin cậy, AI sẽ tạo ra đề xuất có vẻ chính xác nhưng sai bản chất.

Sai lầm thứ tư là chỉ làm dashboard.

Cảnh báo xuất hiện nhưng không ai chịu trách nhiệm xử lý, không có thời hạn và không theo dõi kết quả thì giá trị vẫn bằng không.

Sai lầm cuối cùng là tự động hóa quá sớm. Khi mô hình chưa được kiểm tra qua nhiều tình huống, cho phép tự đặt hàng có thể biến một sai số nhỏ thành lượng tồn kho rất lớn.

33. Case tổng thể: chuỗi bán lẻ 100 cửa hàng

Giả sử một chuỗi bán lẻ điện tử có 100 cửa hàng, hai kho trung tâm và 8.000 mã sản phẩm.

Trước khi có AI, mỗi cửa hàng gửi đề xuất nhập hàng bằng bảng tính. Đội kế hoạch mất gần ba ngày mỗi tuần để ghép file và kiểm tra số liệu.

Chuỗi thường xuyên hết khoảng 60 sản phẩm bán chạy tại các thành phố lớn. Trong khi đó, hơn 40 tỷ đồng hàng hóa đã nằm quá 120 ngày ở những cửa hàng bán chậm.

Doanh nghiệp không bắt đầu bằng một Agent tự vận hành toàn bộ.

Trong tháng đầu, đội dự án kết nối dữ liệu POS, ERP và WMS vào kho dữ liệu chung. Họ thống nhất rằng tồn kho khả dụng phải trừ hàng lỗi, hàng giữ cho đơn trực tuyến và hàng đã được đặt trước.

Dự án đầu tiên chỉ tập trung vào 500 sản phẩm tạo doanh thu cao nhất tại 20 cửa hàng.

Mô hình dự báo nhu cầu theo ngày. Hệ thống xem giá, chương trình khuyến mãi, ngày lễ và tốc độ bán tại từng địa điểm.

Mỗi đêm, AI tìm sản phẩm có nguy cơ hết trong 14 ngày.

Khi phát hiện mẫu điện thoại D sắp hết tại ba cửa hàng TP.HCM, hệ thống kiểm tra lô hàng đang về. Lô mới phải 10 ngày nữa mới đến.

AI đồng thời phát hiện 45 máy đang bán chậm tại hai cửa hàng khác.

Thay vì đặt thêm ngay, hệ thống đề xuất chuyển 30 máy. Đề xuất có chi phí vận chuyển, nhu cầu của nơi gửi và số ngày hàng còn lại ở nơi nhận.

Đối với tai nghe mẫu E, toàn hệ thống không còn hàng dư.

AI tính lượng cần mua từ nhu cầu sáu tuần, tồn kho an toàn, quy cách đóng thùng và thời gian giao. Hệ thống tạo bản nháp đề nghị mua 1.200 sản phẩm nhưng không tự gửi đơn.

Quản lý mua hàng xem lý do và phê duyệt.

Sau 90 ngày, doanh nghiệp so sánh nhóm thử nghiệm với nhóm chưa triển khai. Tỷ lệ hết hàng của 500 sản phẩm giảm từ 8,2% xuống 5,9%. Giá trị tồn kho của nhóm giảm 9%. Thời gian chuẩn bị đề xuất hàng tuần giảm một nửa.

Đây là số liệu giả định để minh họa cách đo, không phải kết quả của một doanh nghiệp có thật.

Điểm quan trọng là AI không hoạt động một mình. Kết quả đến từ dữ liệu được kết nối, mô hình dự báo, quy tắc kinh doanh, quy trình phê duyệt và nhân viên hiểu cách sử dụng đề xuất.

34. Tương lai của công việc quản lý tồn kho

Những công việc lặp lại sẽ tiếp tục được tự động hóa.

Nhân viên sẽ ít phải ghép file, lập báo cáo cố định và kiểm tra từng mã hàng theo ngưỡng.

Vai trò của họ chuyển dần từ người tạo con số sang người kiểm soát quyết định.

Người làm kế hoạch cần biết mô hình đang dùng dữ liệu nào, trường hợp nào không nên tin dự báo và khi nào phải phối hợp với Sales, Marketing, Finance hoặc bộ phận mua hàng.

AI Agent có thể thực hiện nhiều bước hơn. Nhưng quyết định giá trị lớn, ảnh hưởng đến khách hàng hoặc khó đảo ngược vẫn cần con người.

AI xử lý việc lặp lại. Con người xử lý ngoại lệ và chịu trách nhiệm.

35. Kết luận

Ứng dụng AI vào quản lý tồn kho không phải là thêm một chatbot vào dashboard.

AI có thể dự báo nhu cầu, cảnh báo thiếu hàng, phát hiện hàng tồn lâu, đề xuất bổ sung và giúp luân chuyển hàng giữa các địa điểm.

Nhưng AI không thể sửa một quy trình không rõ trách nhiệm. Nó cũng không thể tạo ra quyết định tốt từ dữ liệu sai.

Nền tảng vẫn là dữ liệu được kết nối, định nghĩa thống nhất, chất lượng được kiểm soát và quyền truy cập phù hợp.

Data cung cấp sự thật. Workflow đưa đề xuất vào công việc. AI giúp phân tích và xử lý khối lượng lớn. Con người đặt mục tiêu, phê duyệt hành động quan trọng và chịu trách nhiệm cuối cùng.

Câu hỏi doanh nghiệp nên bắt đầu không phải là “nên mua công cụ AI nào?”.

Câu hỏi tốt hơn là:

“Quyết định tồn kho nào đang làm doanh nghiệp mất nhiều tiền nhất, và dữ liệu để cải thiện quyết định đó đã đủ tin cậy chưa?”

AI tốt không làm kho chứa nhiều hàng hơn. AI tốt giúp doanh nghiệp cần ít vốn hơn nhưng vẫn phục vụ khách hàng tốt hơn.

Tài liệu tham khảo

1. IBM — What is AI inventory management?
2. IBM — What is AI demand forecasting?
3. McKinsey — Harnessing the power of AI in distribution operations
4. McKinsey — Succeeding in the AI supply-chain revolution
5. Google Cloud — Supply chain and logistics solutions
6. Google Cloud — Vertex AI forecasting
7. AWS — Guidance for Demand Forecasting for Retail
8. AWS Executive Insights — AI-powered demand sensing
9. IBM Institute for Business Value — Scaling supply chain resilience with AI

TechData.AI - Leading the Future.

Tham khảo các khoá học theo link: https://techdata.ai/techdata-ai-course/

Hoàng Minh.