Ứng dụng AI vào dự báo nhu cầu: Doanh nghiệp có thể nhìn trước thị trường như thế nào?

Doanh nghiệp thường biết rất rõ những gì đã bán trong tháng trước. Điều khó hơn là biết tháng tới khách hàng sẽ cần gì, số lượng bao nhiêu và nhu cầu xuất hiện ở đâu.

Một chuỗi bán lẻ cần quyết định lượng hàng phải nhập cho từng cửa hàng. Nhà máy phải lên kế hoạch nguyên liệu và ca sản xuất. Doanh nghiệp dịch vụ cần biết tuần tới có bao nhiêu khách để bố trí nhân sự. Nếu dự báo quá thấp, doanh nghiệp thiếu hàng, giao chậm và mất doanh thu. Nếu dự báo quá cao, tiền bị giữ trong kho, công suất bị sử dụng sai và chi phí tăng lên.

Cách dự báo truyền thống thường dựa vào doanh số quá khứ, bảng tính và kinh nghiệm của người quản lý. Phương pháp này vẫn hữu ích, nhưng gặp khó khi doanh nghiệp có hàng nghìn sản phẩm, nhiều địa điểm và nhu cầu thay đổi nhanh. AI có thể phân tích nhiều tín hiệu cùng lúc. Ngoài lịch sử bán hàng, hệ thống có thể xem giá, khuyến mãi, thời tiết, ngày lễ, lưu lượng truy cập website, đơn đặt trước và tình trạng của thị trường.

Google Cloud từng công bố Groupe Casino sử dụng mô hình 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% và thời gian huấn luyện, thử nghiệm mô hình giảm bốn lần. Nguồn: Google Cloud.

McKinsey cho biết những doanh nghiệp đi đầu trong ứng dụng AI vào chuỗi cung ứng đã ghi nhận mức tồn kho cải thiện tới 35% và mức phục vụ khách hàng cải thiện tới 65% so với nhóm đi chậm hơn. Đây là kết quả tổng hợp từ nhóm doanh nghiệp được nghiên cứu, không phải mức cam kết cho mọi dự án. Nguồn: McKinsey.

AI không giúp doanh nghiệp nhìn thấy tương lai một cách chắc chắn. Nó giúp doanh nghiệp đưa ra một ước tính tốt hơn, cập nhật nhanh hơn và hiểu rõ những yếu tố có thể làm dự báo thay đổi. Dự báo tốt không loại bỏ bất định. Nó giúp doanh nghiệp chuẩn bị trước khi bất định biến thành thiếu hàng, chi phí hoặc doanh thu bị mất.

MỤC LỤC

PHẦN I — HIỂU ĐÚNG VỀ DỰ BÁO NHU CẦU

1. Dự báo nhu cầu là gì?
2. Doanh nghiệp đang dự báo những gì?
3. Vì sao dự báo thường sai?
4. AI khác phương pháp truyền thống ở đâu?
5. AI có thay thế người lập kế hoạch không?

PHẦN II — NHỮNG ỨNG DỤNG AI THỰC TẾ

6. Dự báo theo từng sản phẩm
7. Dự báo theo từng cửa hàng và khu vực
8. Nhận biết tính mùa vụ
9. Ước tính tác động của khuyến mãi
10. Đưa thời tiết và sự kiện vào dự báo
11. Dự báo sản phẩm mới
12. Phát hiện nhu cầu thay đổi bất thường
13. Dự báo nhu cầu ngắn hạn
14. Dự báo nhu cầu dài hạn
15. Hỗ trợ lập kế hoạch sản xuất
16. Hỗ trợ bố trí nhân sự
17. Dự báo dòng tiền từ nhu cầu

PHẦN III — AI AGENT TRONG DỰ BÁO NHU CẦU

18. AI Assistant và AI Agent khác nhau thế nào?
19. Một Demand Planning Agent hoạt động ra sao?
20. Việc Agent có thể tự làm
21. Việc cần con người phê duyệt

PHẦN IV — DỮ LIỆU PHÍA SAU DỰ BÁO

22. AI cần dữ liệu gì?
23. ERP, POS, CRM và Data Platform
24. Data Quality ảnh hưởng thế nào?
25. Giải thích kết quả dự báo
26. Bảo mật và phân quyền
27. Theo dõi sai số theo thời gian

PHẦN V — TRIỂN KHAI TRONG DOANH NGHIỆP

28. Nên bắt đầu từ đâu?
29. Ba use case đầu tiên
30. Roadmap 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 dự báo
35. Kết luận

PHẦN I — HIỂU ĐÚNG VỀ DỰ BÁO NHU CẦU

1. Dự báo nhu cầu là gì?

Dự báo nhu cầu là việc ước tính khách hàng sẽ cần bao nhiêu sản phẩm hoặc dịch vụ trong một khoảng thời gian sắp tới.

Một siêu thị dự báo số chai nước sẽ bán vào cuối tuần. Một hãng thời trang ước tính nhu cầu cho bộ sưu tập mới. Một bệnh viện dự báo số vật tư cần trong mùa dịch. Một công ty vận tải dự báo số đơn giao theo từng khu vực.

Dự báo không phải lời tiên tri. Kết quả luôn có sai số vì nhu cầu bị ảnh hưởng bởi nhiều yếu tố. Mục tiêu là tạo ra một ước tính đủ tốt để doanh nghiệp chuẩn bị hàng hóa, công suất, tiền và con người.

2. Doanh nghiệp đang dự báo những gì?

Không phải doanh nghiệp nào cũng cần cùng một loại dự báo. Nhà bán lẻ quan tâm số lượng bán theo từng sản phẩm và cửa hàng. Nhà máy quan tâm nhu cầu thành phẩm để lập kế hoạch nguyên liệu. Ngân hàng có thể dự báo lượng giao dịch hoặc nhu cầu tiền mặt tại từng điểm.

Khoảng thời gian cũng khác nhau. Dự báo cho ngày mai giúp bố trí hàng và nhân sự. Dự báo ba tháng giúp mua nguyên liệu. Dự báo một năm hỗ trợ lập ngân sách và đầu tư công suất.

Một con số tổng theo tháng có thể đúng nhưng vẫn không dùng được nếu quyết định cần thực hiện theo ngày, sản phẩm và địa điểm.

3. Vì sao dự báo thường sai?

Nhu cầu không chỉ đến từ lịch sử bán hàng.

Một sản phẩm bán ít có thể vì khách không thích. Nhưng cũng có thể vì sản phẩm đã hết hàng nên không có gì để bán. Nếu mô hình không phân biệt hai trường hợp, nó sẽ dự báo nhu cầu thấp hơn thực tế.

Khuyến mãi cũng làm dữ liệu khó hiểu. Doanh số tăng 40% trong tuần giảm giá không có nghĩa tuần sau vẫn giữ mức đó. Ngược lại, khách có thể mua sớm trong thời gian khuyến mãi khiến doanh số tuần tiếp theo giảm. Dữ liệu sai, thị trường thay đổi, sản phẩm mới và những sự kiện chưa từng xảy ra đều có thể làm dự báo lệch.

4. AI khác phương pháp truyền thống ở đâu?

Phương pháp truyền thống thường sử dụng mức trung bình, xu hướng và tính mùa vụ. Những cách này vẫn có giá trị. Một sản phẩm ổn định đôi khi chỉ cần mô hình đơn giản.

AI phát huy lợi thế khi số lượng biến số tăng lên. Hệ thống có thể học rằng nhu cầu kem tăng theo nhiệt độ, nhưng mức tăng khác nhau giữa cửa hàng gần trường học và cửa hàng trong khu văn phòng. Nó cũng có thể nhận ra cùng một mức giảm giá tạo tác động khác nhau với từng nhóm sản phẩm. Điều quan trọng không phải dùng mô hình phức tạp nhất. Mô hình tốt là mô hình dự báo đủ chính xác, giải thích được và phù hợp với quyết định thật.

5. AI có thay thế người lập kế hoạch không?

AI có thể tự động tạo dự báo cho hàng nghìn sản phẩm. Người lập kế hoạch không còn phải sao chép dữ liệu giữa nhiều bảng tính hoặc điều chỉnh thủ công từng dòng.

Nhưng con người vẫn biết những điều chưa có trong hệ thống. Sales có thể biết một khách hàng lớn sắp ký hợp đồng. Marketing biết chiến dịch mới sẽ bắt đầu. Procurement biết nhà cung cấp đang gặp vấn đề. Ban lãnh đạo có thể thay đổi chiến lược giá.

AI tạo ra dự báo nền. Con người bổ sung thông tin kinh doanh, xử lý ngoại lệ và chịu trách nhiệm với kế hoạch cuối cùng.

PHẦN II — NHỮNG ỨNG DỤNG AI THỰC TẾ

6. Dự báo theo từng sản phẩm

Tổng doanh thu có thể tăng nhưng từng sản phẩm lại đi theo hướng khác nhau. Mẫu A bán nhanh, mẫu B ổn định và mẫu C đang giảm vì sắp có phiên bản mới.

AI phân tích lịch sử riêng của từng mã hàng. Hệ thống xem tốc độ bán, giá, tình trạng hết hàng và mối liên hệ với các sản phẩm thay thế. Ví dụ, khách có thể chuyển từ điện thoại 128 GB sang bản 256 GB khi chênh lệch giá giảm. Nếu chỉ dự báo từng sản phẩm độc lập, doanh nghiệp có thể không thấy sự dịch chuyển này. Kết quả giúp đội mua hàng biết sản phẩm nào cần tăng, giữ nguyên hoặc giảm lượng nhập.

7. Dự báo theo từng cửa hàng và khu vực

Cùng một sản phẩm không bán giống nhau ở mọi nơi. Áo khoác có thể bán mạnh ở Đà Lạt nhưng chậm tại Cần Thơ. Một loại đồ uống phù hợp với khu vực trường học nhưng không được ưa chuộng trong khu văn phòng.

AI có thể tạo dự báo riêng theo sản phẩm và địa điểm. Giả sử toàn chuỗi dự kiến bán 2.000 máy mẫu D. Hệ thống phân bổ 600 máy cho TP.HCM, 450 cho Hà Nội và phần còn lại cho các tỉnh dựa trên nhu cầu thực tế. Doanh nghiệp không chỉ nhập đúng tổng lượng hàng. Hàng còn được đưa tới đúng nơi.

8. Nhận biết tính mùa vụ

Mùa vụ là quy luật nhu cầu lặp lại theo thời gian. Đồ trang trí tăng trước Tết. Điều hòa bán mạnh vào mùa nóng. Văn phòng phẩm tăng trước năm học mới.

AI có thể học nhiều lớp mùa vụ cùng lúc. Nhu cầu có thể thay đổi theo tháng, ngày trong tuần và thậm chí giờ trong ngày. Một cửa hàng tiện lợi gần khu vui chơi có thể đông vào tối cuối tuần, trong khi cửa hàng gần văn phòng đông vào buổi trưa các ngày làm việc. Nếu doanh nghiệp chỉ so với tháng trước, những quy luật này dễ bị bỏ qua.

9. Ước tính tác động của khuyến mãi

Khuyến mãi làm doanh số tăng, nhưng không phải chương trình nào cũng tạo ra nhu cầu mới. Một phần khách hàng chỉ mua sớm hơn dự định. Một phần doanh số đến từ sản phẩm khác bị chuyển sang mặt hàng đang giảm giá.

AI có thể so sánh các chiến dịch trước theo mức giảm, thời gian, kênh bán, sản phẩm và nhóm khách hàng. Ví dụ, giảm 10% có thể giúp doanh số tăng 20%. Nhưng giảm 20% chỉ làm doanh số tăng thêm 5% so với mức giảm 10%. Khi đó phần giảm giá thêm chưa chắc tạo lợi nhuận. Dự báo cần tách doanh số tăng thêm thật sự khỏi lượng mua bị dịch chuyển giữa thời gian hoặc sản phẩm.

10. Đưa thời tiết và sự kiện vào dự báo

Thời tiết có thể làm nhu cầu thay đổi rất nhanh. Mưa lớn làm áo mưa bán nhanh nhưng cũng có thể làm lượng khách đến trung tâm thương mại giảm. Nắng nóng tăng nhu cầu nước giải khát, kem và thiết bị làm mát.

AI kết hợp dự báo thời tiết với lịch sử bán tại từng khu vực. Sự kiện cũng quan trọng. Một trận bóng, lễ hội, kỳ thi hoặc hội nghị lớn có thể làm nhu cầu đồ ăn, phòng khách sạn và vận tải tăng tại một địa điểm cụ thể. Dữ liệu bên ngoài chỉ nên được dùng khi chứng minh được có liên hệ. Thêm thật nhiều biến không tự động làm dự báo tốt hơn.

11. Dự báo sản phẩm mới

Sản phẩm mới chưa có lịch sử bán hàng. Đây thường được gọi là bài toán cold start, có thể hiểu là phải dự báo khi chưa có đủ dữ liệu riêng của sản phẩm.

AI có thể tìm những sản phẩm tương tự về giá, thương hiệu, tính năng, nhóm khách hàng và thời điểm ra mắt. Một mẫu tai nghe mới có thể được so với các mẫu trước cùng phân khúc. Hệ thống dùng đường bán của sản phẩm tương tự làm điểm khởi đầu. Kết quả vẫn có độ bất định cao. Doanh nghiệp nên nhập theo nhiều đợt nhỏ, theo dõi phản ứng thật và cập nhật dự báo nhanh thay vì đặt một lượng lớn ngay từ đầu.

12. Phát hiện nhu cầu thay đổi bất thường

Một dự báo theo lịch cố định có thể phản ứng quá chậm với thị trường. AI có thể theo dõi dữ liệu mới mỗi ngày hoặc mỗi giờ để phát hiện nhu cầu đang lệch khỏi mức dự kiến.

Ví dụ, lượt tìm kiếm một sản phẩm tăng gấp ba, tỷ lệ thêm vào giỏ tăng mạnh và doanh số tại vài cửa hàng bắt đầu vượt kế hoạch. Hệ thống cảnh báo rằng đây có thể là một xu hướng mới. Ngược lại, doanh số giảm đột ngột có thể không phải nhu cầu giảm. Website bị lỗi, hàng hết trên kệ hoặc giá hiển thị sai cũng tạo ra tín hiệu tương tự. Con người cần kiểm tra nguyên nhân trước khi thay đổi kế hoạch.

13. Dự báo nhu cầu ngắn hạn

Dự báo ngắn hạn thường phục vụ quyết định trong vài giờ, vài ngày hoặc vài tuần. Nhà hàng dự báo số khách tối nay. Trung tâm chăm sóc khách hàng dự báo số cuộc gọi theo giờ. Đơn vị giao hàng dự báo số đơn theo quận.

Dữ liệu mới có vai trò rất lớn. Lượng đặt bàn, đơn đang tạo, lưu lượng truy cập và thời tiết hiện tại có thể quan trọng hơn doanh số của ba năm trước. Dự báo ngắn hạn giúp doanh nghiệp điều chỉnh ca làm, phân bổ xe, chuẩn bị nguyên liệu và phản ứng với thay đổi gần thời gian thực.

14. Dự báo nhu cầu dài hạn

Dự báo dài hạn phục vụ những quyết định khó thay đổi nhanh. Doanh nghiệp có nên mở kho mới không? Nhà máy có cần thêm dây chuyền? Công ty nên ký hợp đồng nguyên liệu bao nhiêu tháng?

AI có thể kết hợp xu hướng lịch sử với tăng trưởng thị trường, kế hoạch mở rộng và các kịch bản kinh tế. Nhưng khoảng thời gian càng dài thì độ bất định càng lớn. Thay vì chỉ đưa một con số, doanh nghiệp nên xây ba kịch bản: thận trọng, cơ sở và tăng trưởng cao. Mỗi kịch bản đi kèm điều kiện để ban lãnh đạo biết khi nào cần điều chỉnh.

15. Hỗ trợ lập kế hoạch sản xuất

Nhà máy không thể đợi đơn hàng xuất hiện rồi mới chuẩn bị mọi thứ. Nguyên liệu cần được mua trước. Máy móc và nhân sự phải có lịch. Một số công đoạn cần nhiều tuần để hoàn thành.

AI chuyển dự báo nhu cầu thành nhu cầu sản xuất theo từng giai đoạn. Nếu thị trường có thể cần 10.000 sản phẩm trong tháng tới, hệ thống tính số nguyên liệu, thời gian máy và ca làm cần thiết. Nó cũng xem hàng thành phẩm đang có và đơn hàng đã xác nhận. Dự báo sai vẫn có thể gây sản xuất thừa. Vì vậy kế hoạch cần được cập nhật liên tục và có mức dự phòng phù hợp.

16. Hỗ trợ bố trí nhân sự

Nhu cầu không chỉ quyết định lượng hàng. Nó còn quyết định doanh nghiệp cần bao nhiêu người vào từng thời điểm.

Siêu thị đông khách vào cuối tuần cần thêm nhân viên quầy. Tổng đài có nhiều cuộc gọi sau một chương trình mới cần tăng người trực. Kho thương mại điện tử cần thêm ca đóng gói trước ngày siêu sale. AI có thể chuyển dự báo đơn hàng hoặc lượt khách thành nhu cầu nhân sự.

Hệ thống chỉ nên hỗ trợ lập lịch. Những quyết định ảnh hưởng đến thu nhập, điều kiện làm việc và quyền lợi nhân viên cần quy tắc rõ ràng và sự giám sát của con người.

17. Dự báo dòng tiền từ nhu cầu

Dự báo nhu cầu có ảnh hưởng trực tiếp đến tài chính. Nếu bán nhiều hơn, doanh nghiệp cần nhập thêm hàng, trả chi phí vận chuyển và có thể phải tăng nhân sự trước khi thu được tiền từ khách.

AI có thể nối dự báo bán hàng với giá bán, giá vốn, thời hạn thanh toán và kế hoạch mua. Finance nhìn thấy khi nào tiền sẽ đi ra, khi nào doanh thu có thể về và thời điểm nào dòng tiền chịu áp lực. Đây không phải dự báo chắc chắn về tiền. Nó là một kịch bản giúp doanh nghiệp chuẩn bị hạn mức tín dụng, thương lượng thời hạn thanh toán hoặc điều chỉnh kế hoạch nhập.

PHẦN III — AI AGENT TRONG DỰ BÁO NHU CẦU

18. AI Assistant và AI Agent khác nhau thế nào?

AI Assistant trả lời câu hỏi. Người quản lý hỏi sản phẩm nào có nhu cầu tăng mạnh. Hệ thống phân tích dữ liệu và giải thích.

AI Agent có thể chủ động theo dõi dự báo. Khi nhu cầu thay đổi vượt ngưỡng, Agent kiểm tra dữ liệu, tìm nguyên nhân, cập nhật kế hoạch và gửi yêu cầu cho người chịu trách nhiệm. Assistant giúp hiểu. Agent có thể đưa kết quả vào quy trình công việc.

19. Một Demand Planning Agent hoạt động ra sao?

Demand Planning Agent có thể hiểu là Agent hỗ trợ lập kế hoạch nhu cầu. Mỗi ngày, Agent đọc doanh số mới, đơn đặt trước, tồn kho và các chương trình sắp diễn ra. Nếu doanh số thực tế cao hơn dự báo 25%, Agent kiểm tra xem nguyên nhân đến từ khuyến mãi, một khu vực cụ thể hay một đơn hàng lớn. Sau đó hệ thống tạo dự báo mới và tính tác động tới hàng hóa, sản xuất hoặc nhân sự. Agent gửi một bản tóm tắt cho người lập kế hoạch:

“Nhu cầu sản phẩm A trong hai tuần tới có thể tăng thêm 18%. Nếu không điều chỉnh, kho miền Nam có nguy cơ thiếu 420 sản phẩm từ ngày 18/9.”

Người phụ trách xem bằng chứng và quyết định có cập nhật kế hoạch hay không.

20. Việc Agent có thể tự làm

Agent có thể tự thu thập dữ liệu, chạy mô hình, so sánh dự báo với thực tế và tạo cảnh báo.

Hệ thống cũng có thể chuẩn bị bản nháp kế hoạch và gửi cho đúng người.

Với những thay đổi nhỏ trong phạm vi đã cho phép, Agent có thể tự cập nhật dự báo vận hành. Ví dụ, nhu cầu thay đổi dưới 5% với sản phẩm ổn định có thể được cập nhật tự động. Thay đổi lớn hơn phải chờ phê duyệt. Mọi lần điều chỉnh cần được ghi lại để doanh nghiệp biết dự báo gốc là gì, Agent đã thay đổi điều gì và kết quả sau đó ra sao.

21. Việc cần con người phê duyệt

AI không nên tự quyết định đầu tư thêm nhà máy, ký hợp đồng lớn hoặc thay đổi mạnh kế hoạch sản xuất. Những quyết định này sử dụng nhiều vốn và khó đảo ngược.

Con người cũng cần xử lý khi dữ liệu mâu thuẫn hoặc sự kiện chưa từng xảy ra. Một đối thủ rút khỏi thị trường có thể làm nhu cầu tăng mạnh. Một thay đổi pháp lý có thể khiến sản phẩm không còn được bán. Mô hình lịch sử khó tự hiểu đầy đủ những tình huống như vậy.

AI cung cấp phân tích. Người có thẩm quyền chịu trách nhiệm với lựa chọn cuối cùng.

PHẦN IV — DỮ LIỆU PHÍA SAU DỰ BÁO

22. AI cần dữ liệu gì?

Dữ liệu đầu tiên là lịch sử nhu cầu thật. Doanh số chưa chắc phản ánh đầy đủ nhu cầu. Nếu hàng đã hết, số lượng bán bằng không nhưng khách vẫn có thể muốn mua.

Doanh nghiệp cần thêm dữ liệu tồn kho, thời gian hết hàng, đơn bị hủy và số lượt khách không được phục vụ. Giá, khuyến mãi, kênh bán, địa điểm, ngày lễ và vòng đời sản phẩm cũng rất quan trọng. AWS mô tả một 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. Nguồn: AWS.

23. ERP, POS, CRM và Data Platform

POS ghi nhận giao dịch bán tại cửa hàng. ERP lưu đơn mua, hàng hóa và dữ liệu tài chính. CRM cho biết khách hàng, cơ hội bán và lịch sử tương tác.

Mỗi hệ thống giữ một phần của câu chuyện. Data Platform, hay nền tảng dữ liệu, giúp thu thập, chuẩn hóa và cung cấp dữ liệu cho báo cáo và AI. Nền tảng không cần thật lớn ngay từ đầu. Nhưng doanh nghiệp phải có một nơi xác định nguồn dữ liệu nào là đúng và các khái niệm được tính như thế nào.

24. Data Quality ảnh hưởng thế nào?

Nếu dữ liệu sai, dự báo sẽ sai. Cùng một sản phẩm có nhiều mã khiến hệ thống chia nhỏ nhu cầu. Chương trình khuyến mãi không được ghi nhận khiến AI tưởng doanh số tăng tự nhiên. Dữ liệu bán bị trùng làm nhu cầu cao gấp đôi.

Doanh nghiệp cần kiểm tra bản ghi thiếu, trùng, cập nhật chậm và giá trị bất thường. Những trường dữ liệu quan trọng phải có người chịu trách nhiệm. AI không thể tự sửa mọi vấn đề dữ liệu. Nó có thể phát hiện dấu hiệu, nhưng đội nghiệp vụ phải xác nhận nguyên nhân và sửa tại hệ thống nguồn.

25. Giải thích kết quả dự báo

Người quản lý khó tin một con số nếu không biết nó đến từ đâu. Hệ thống nên cho thấy những yếu tố chính làm dự báo thay đổi. Ví dụ:

“Nhu cầu tăng 16% chủ yếu do chương trình giảm giá bắt đầu ngày 20/9, lượng tìm kiếm tăng và doanh số ba ngày gần nhất cao hơn kế hoạch.”

Giải thích không có nghĩa mô hình tiết lộ toàn bộ phép tính phức tạp. Mục tiêu là giúp người dùng hiểu lý do kinh doanh và kiểm tra xem hệ thống có đang dựa vào tín hiệu hợp lý hay không.

26. Bảo mật và phân quyền

Dữ liệu dự báo có thể chứa thông tin nhạy cảm.

Kế hoạch ra mắt sản phẩm, giá, doanh số theo khách hàng và năng lực sản xuất không nên được cung cấp cho tất cả mọi người.

Hệ thống phải biết người dùng được xem phạm vi nào. Nhân viên cửa hàng có thể xem dự báo của cửa hàng mình. Quản lý vùng xem nhiều địa điểm. Ban điều hành xem bức tranh toàn doanh nghiệp. Agent được đọc dữ liệu không đồng nghĩa được phép thay đổi kế hoạch hoặc tạo giao dịch.

27. Theo dõi sai số theo thời gian

Dự báo phải được so với kết quả thật. Doanh nghiệp cần biết mô hình thường dự báo cao hay thấp, sai nhiều ở nhóm sản phẩm nào và trong tình huống nào.

Một sai số trung bình có thể che giấu vấn đề. Mô hình dự báo rất tốt cho sản phẩm bán chạy nhưng liên tục sai với hàng mới. Hoặc dự báo đúng toàn tháng nhưng sai ở từng tuần, khiến vận hành vẫn thiếu hàng. Kết quả nên được theo dõi theo sản phẩm, địa điểm, thời gian và giá trị kinh doanh.

PHẦN V — TRIỂN KHAI TRONG DOANH NGHIỆP

28. Nên bắt đầu từ đâu?

Không nên bắt đầu bằng mục tiêu “dự báo toàn bộ doanh nghiệp”. Hãy chọn một quyết định đang gây tổn thất rõ.

Có thể là nhóm sản phẩm bán chạy thường xuyên hết hàng, nguyên liệu thường được mua quá nhiều hoặc lịch nhân sự không khớp với lượng khách. Đo sai số hiện tại trước khi xây AI. Nếu phương pháp đang dùng có sai số 28%, dự án có một đường cơ sở để so sánh. Nếu không có con số này, doanh nghiệp rất khó chứng minh hiệu quả.

29. Ba use case đầu tiên

Use case đầu tiên là dự báo cho nhóm sản phẩm bán chạy có dữ liệu ổn định. Use case thứ hai là cảnh báo khi nhu cầu thực tế lệch mạnh khỏi kế hoạch. Use case thứ ba là ước tính tác động của một nhóm chương trình khuyến mãi thường xuyên. Cả ba đều có dữ liệu tương đối dễ tìm và kết quả có thể đo trong vài tuần. Sản phẩm hoàn toàn mới, thị trường quá biến động hoặc quyết định đầu tư lớn không phải điểm thử nghiệm tốt đầu tiên.

30. Roadmap 90 ngày

Giai đoạn	Công việc	Kết quả
Ngày 1–30	Chọn phạm vi, đo sai số hiện tại, kiểm tra dữ liệu và thống nhất cách tính nhu cầu.	Đường cơ sở và bộ dữ liệu thử nghiệm.
Ngày 31–60	Xây mô hình đầu tiên, so sánh với phương pháp cũ và để người lập kế hoạch đánh giá.	Dự báo thử nghiệm và danh sách trường hợp sai.
Ngày 61–90	Đưa dự báo vào một phần quy trình, theo dõi KPI và quy định bước phê duyệt.	Báo cáo hiệu quả và quyết định mở rộng.

Trong tháng đầu, đội dự án cần hiểu dữ liệu và cách doanh nghiệp đang ra quyết định. Tháng thứ hai, AI chạy song song với dự báo hiện tại. Người dùng thấy cả hai kết quả. Tháng thứ ba, dự báo mới được dùng trong một phạm vi thật nhưng chưa tự động tạo những quyết định lớn.

31. KPI nên đo

KPI đầu tiên là sai số dự báo. Nhưng không nên chỉ dùng một chỉ số trung bình.

Doanh nghiệp cần đo tỷ lệ dự báo cao hơn thực tế, thấp hơn thực tế và sai số ở những nhóm có giá trị lớn. KPI kinh doanh gồm tỷ lệ hết hàng, lượng tồn kho, hàng hủy, thời gian lập kế hoạch và mức độ phục vụ khách hàng. Tỷ lệ dự báo được người lập kế hoạch điều chỉnh cũng đáng chú ý. Nếu con người luôn sửa mạnh, mô hình có thể đang thiếu thông tin quan trọng.

32. Những sai lầm phổ biến

Sai lầm đầu tiên là coi doanh số chính là nhu cầu. Hàng hết, đơn bị từ chối và khách chuyển sang sản phẩm khác đều làm doanh số thấp hơn nhu cầu thật.

Sai lầm thứ hai là dùng quá nhiều dữ liệu mà không biết biến nào có ý nghĩa. Sai lầm thứ ba là chỉ quan tâm độ chính xác nhưng không đưa dự báo vào quy trình. Sai lầm thứ tư là để mỗi bộ phận giữ một dự báo riêng. Sales, Finance, Supply Chain và Operations tranh luận về con số thay vì cùng hiểu giả định phía sau. Sai lầm cuối cùng là tự động hóa quyết định lớn trước khi mô hình được kiểm tra qua đủ mùa vụ và tình huống bất thường.

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

Giả sử một chuỗi bán lẻ có 100 cửa hàng và 6.000 mã sản phẩm. Trước đây, mỗi cửa hàng gửi file dự báo theo tuần. Đội kế hoạch mất hai ngày để tổng hợp và thường dựa vào doanh số bốn tuần gần nhất. Kết quả là hàng bán chạy thường hết tại thành phố lớn, trong khi hàng nằm lâu ở một số cửa hàng khác. Dự án AI bắt đầu với 500 sản phẩm quan trọng tại 20 cửa hàng.

Dữ liệu POS, tồn kho, giá và lịch khuyến mãi được đưa vào một kho dữ liệu chung. Đội dự án cũng đánh dấu những ngày sản phẩm hết hàng để mô hình không hiểu nhầm rằng nhu cầu bằng không. Mỗi đêm, AI tạo dự báo 28 ngày cho từng sản phẩm và cửa hàng.

Một tuần trước chiến dịch, hệ thống phát hiện nhu cầu tai nghe A có thể cao hơn kế hoạch 22%. Nguyên nhân đến từ mức giảm giá mới, lượng truy cập tăng và kết quả của ba chiến dịch tương tự. AI đồng thời cảnh báo hai cửa hàng sẽ thiếu hàng sau bốn ngày. Người lập kế hoạch kiểm tra, chấp nhận dự báo mới và yêu cầu điều chuyển hàng. Hệ thống không tự đặt mua.

Sau 90 ngày, doanh nghiệp so sánh nhóm thử nghiệm với nhóm đối chứng. Sai số dự báo giảm từ 27% xuống 18%. Tỷ lệ hết hàng giảm từ 7,5% xuống 5,6%. Thời gian lập kế hoạch giảm 40%.

Đây là số liệu giả định để minh họa cách triển khai và đo kết quả. Điểm quan trọng là dự án không chỉ xây mô hình. Dữ liệu được sửa, cách tính được thống nhất và dự báo được đưa vào một quy trình có người chịu trách nhiệm.

34. Tương lai của công việc dự báo

AI sẽ tạo phần lớn dự báo nền và theo dõi sai số tự động. Người lập kế hoạch không cần dành nhiều thời gian cho việc lấy dữ liệu và cập nhật bảng tính. Công việc chuyển sang xử lý ngoại lệ, đánh giá kịch bản và phối hợp giữa các bộ phận. Người giỏi không chỉ biết tạo con số. Họ biết con số nào đáng tin, giả định nào đã thay đổi và quyết định nào cần được điều chỉnh.

AI sẽ làm dự báo nhanh hơn. Con người vẫn chịu trách nhiệm biến dự báo thành kế hoạch hợp lý.

35. Kết luận

Ứng dụng AI vào dự báo nhu cầu không biến tương lai thành điều chắc chắn. Nó giúp doanh nghiệp sử dụng nhiều dữ liệu hơn, phát hiện thay đổi sớm hơn và cập nhật kế hoạch nhanh hơn.

Nhưng mô hình tốt không đủ. Doanh nghiệp cần dữ liệu đúng, định nghĩa thống nhất, một quy trình sử dụng dự báo và người chịu trách nhiệm với quyết định.

Data cho biết điều gì đang xảy ra. AI ước tính điều gì có thể xảy ra tiếp theo. Workflow giúp doanh nghiệp hành động trước khi cơ hội hoặc rủi ro đi qua. Câu hỏi đầu tiên không nên là “dùng mô hình AI nào?”.

“Quyết định nào của doanh nghiệp đang bị ảnh hưởng nhiều nhất vì không biết nhu cầu sắp tới?”

Dự báo tốt không giúp doanh nghiệp luôn đúng. Nó giúp doanh nghiệp sai ít hơn, nhận ra sai sớm hơn và điều chỉnh nhanh hơn.

Tài liệu tham khảo

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

TechData.AI - Leading the Future.

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

Hoàng Minh.