AI dự báo bán hàng nhìn vào lịch sử bán ra của từng mặt hàng, cộng thêm những yếu tố làm nhu cầu lên xuống như mùa, ngày lễ, thời tiết, khuyến mãi, để ước lượng tuần tới, tháng tới sẽ bán khoảng bao nhiêu. Từ đó gợi ý nên nhập bao nhiêu, khi nào. Mục tiêu là bớt cảnh vừa thiếu hàng bán chạy vừa ôm hàng chậm bán.
Nhưng dự báo không phải bói toán. Với một cửa hàng tạp hóa, một shop mỹ phẩm, một xưởng bánh trung thu, dữ liệu thường ngắn, lộn xộn, và có những biến động chỉ chủ cửa hàng mới biết. Bài này nói AI dự báo làm gì, cần dữ liệu gì, sai ở đâu, và cách doanh nghiệp nhỏ bắt đầu bằng bảng tính trước khi nghĩ đến hệ thống lớn.
Dự báo nhu cầu hoạt động ra sao?
Nền tảng là tìm quy luật trong dữ liệu cũ. Một tiệm tạp hóa gần trường học sẽ thấy bán chạy vào đầu tuần, chậm vào cuối tuần, gần như dừng vào hè. Một cửa hàng điện máy ở miền Bắc thấy quạt bán mạnh từ cuối xuân, máy sưởi bán vào cuối năm. Các phương pháp thống kê truyền thống đã bắt được những quy luật này từ lâu.
Học máy bổ sung khả năng kết hợp nhiều yếu tố cùng lúc: tuần có khuyến mãi, tuần mưa nhiều, tuần trước Tết, tuần có lương. Mô hình học xem từng yếu tố đẩy nhu cầu lên xuống bao nhiêu, kể cả những tương tác mà người khó thấy, như khuyến mãi mì gói trong mùa mưa bão có hiệu quả khác mùa khô.
Kết quả tốt không chỉ là một con số mà là một khoảng: tuần tới bán khoảng từ bốn mươi đến sáu mươi thùng. Độ rộng của khoảng cho biết mô hình chắc chắn tới đâu. Mặt hàng ổn định thì khoảng hẹp, mặt hàng thời vụ hay hàng mới thì khoảng rộng. Nhiều phần mềm chỉ hiện một con số, làm người dùng tưởng chắc chắn hơn thực tế.
Từ dự báo nhu cầu mới tính đến tồn kho: thời gian nhà cung cấp giao hàng, lượng tối thiểu mỗi lần đặt, hạn sử dụng, chỗ chứa, tiền vốn. Phần này nhiều khi là bài toán tính toán thông thường chứ không cần AI. Điều AI đóng góp là con số nhu cầu đầu vào tốt hơn.
Dữ liệu cần có trước khi nghĩ đến AI dự báo
Lịch sử bán theo ngày hoặc tuần. Ít nhất vài chu kỳ mùa vụ cho hàng thời vụ. Một năm dữ liệu khó dự báo Tết năm sau tốt.
Mã hàng nhất quán. Cùng một sản phẩm mà ba tên khác nhau trong ba năm là dữ liệu bị cắt vụn.
Số lần hết hàng. Ngày hết hàng thì bán ra bằng không không có nghĩa là không ai mua. Thiếu ghi chú này, mô hình học sai rằng nhu cầu thấp.
Lịch khuyến mãi đã chạy. Không ghi lại thì đợt tăng do giảm giá bị hiểu là nhu cầu tự nhiên.
Giá bán theo thời gian. Tăng giá làm giảm bán, mô hình cần biết.
Ngày lễ, sự kiện địa phương. Tết, rằm tháng bảy, khai giảng, lễ hội của địa phương ảnh hưởng mạnh tới nhiều mặt hàng.
Dữ liệu theo từng điểm bán. Cửa hàng ở chợ và cửa hàng trong khu chung cư bán khác nhau.
Hàng trả lại. Trừ hàng trả lại để có nhu cầu thật.
Thời gian giao hàng của nhà cung cấp. Cần để chuyển dự báo thành thời điểm đặt hàng.
Hạn sử dụng. Hàng tươi, bánh, sữa cần dự báo ngắn hạn và chính xác hơn hàng khô.
Ghi chú bất thường. Đường sửa, mất điện, cửa hàng đối thủ mới mở, để loại khỏi dữ liệu học hoặc giải thích.
Ví dụ: xưởng bánh trung thu và cửa hàng vật tư nông nghiệp
Một xưởng bánh trung thu nhỏ ở Sài Gòn mỗi năm chỉ bán mạnh vài tuần. Dữ liệu ít mà mỗi mùa mỗi khác: năm nay đơn công ty giảm, năm sau đơn lẻ trên mạng tăng. AI dự báo ở đây không thể cho con số chắc. Cách dùng hợp lý hơn là để AI phân tích đơn các năm trước theo kênh, theo vị bánh, rồi chủ xưởng kết hợp với đơn đặt trước của khách quen để quyết định.
Một cửa hàng vật tư nông nghiệp ở Đắk Lắk bán phân bón, giống, dụng cụ theo mùa vụ cà phê, hồ tiêu. Nhu cầu phụ thuộc vào mùa mưa đến sớm hay muộn, giá nông sản đang lên hay xuống. Mô hình có dữ liệu bán nhiều năm kèm ngày bắt đầu mùa mưa có thể gợi ý thời điểm nhập hàng tốt hơn. Nhưng chủ cửa hàng nói chuyện với bà con mỗi ngày vẫn có thông tin mà mô hình không có.
Hai ví dụ cho thấy một nguyên tắc: AI dự báo phát huy khi có nhiều mặt hàng bán đều, dữ liệu dài. Với số ít mặt hàng thời vụ mạnh, phán đoán của người cùng phân tích dữ liệu đơn giản thường đủ tốt. Dùng mô hình phức tạp cho dữ liệu ít là tốn công mà không chính xác hơn.
Cũng nên nhớ dự báo sai theo hai chiều có cái giá khác nhau. Thiếu bánh trung thu thì mất đơn, thừa thì phải bán đổ. Thiếu phân bón đúng lúc bà con cần thì mất khách lâu năm. Khi đặt mức hàng an toàn, hãy hỏi chiều sai nào đắt hơn với chính cửa hàng mình.
Sai lầm hay gặp khi dùng AI dự báo
Tin con số mà không xem khoảng. Dự báo năm mươi thùng với khoảng từ mười đến chín mươi gần như vô nghĩa.
Dữ liệu bẩn. Mã hàng trùng, bán sỉ lẫn bán lẻ, ngày hết hàng không đánh dấu.
Dự báo hàng mới bằng dữ liệu không có. Hàng mới cần mượn dữ liệu sản phẩm tương tự và phán đoán của người.
Không cập nhật khi tình hình đổi. Đối thủ mở cạnh bên, đường sửa trước cửa, mô hình vẫn dự báo như cũ.
Tự động đặt hàng không người duyệt. Một lỗi dữ liệu có thể đặt gấp mười lần hàng cần.
Đo sai thước. So sai số tổng mà bỏ qua mặt hàng chủ lực bị thiếu thường xuyên.
Bỏ qua kiến thức của người bán. Nhân viên đứng quầy biết khách đang hỏi món gì mới.
Dùng một mô hình cho mọi mặt hàng. Hàng tươi, hàng thời vụ, hàng ổn định cần cách tiếp cận khác nhau.
Mua hệ thống trước khi có dữ liệu. Phần mềm tốt không cứu được dữ liệu sổ tay.
Không so với cách làm cũ. Phải chứng minh dự báo mới tốt hơn cách chủ cửa hàng vẫn ước lượng.
Quên chi phí thiếu hàng. Chỉ tối ưu giảm tồn kho mà quên mất khách quay đi khi hết hàng.
Lộ trình từ bảng tính đến hệ thống dự báo
Bước một: ghi dữ liệu bán đều đặn. Phần mềm bán hàng hoặc bảng tính, miễn là đủ ngày, mã hàng, số lượng, giá.
Bước hai: phân nhóm mặt hàng. Hàng bán chạy đều, hàng thời vụ, hàng chậm. Mỗi nhóm một cách quản lý.
Bước ba: biểu đồ đơn giản. Vẽ bán theo tuần cho mặt hàng chủ lực, nhiều quy luật lộ ra ngay.
Bước bốn: nhờ AI phân tích. Đưa bảng dữ liệu đã bỏ thông tin nhạy cảm cho chatbot, hỏi về xu hướng, mùa vụ, mặt hàng bất thường.
Bước năm: dự báo thống kê cơ bản. Trung bình trượt, hệ số mùa vụ trong bảng tính đã đủ cho nhiều cửa hàng.
Bước sáu: đặt mức tồn kho an toàn. Kết hợp dự báo với thời gian giao hàng của nhà cung cấp.
Bước bảy: so sánh với thực tế mỗi tuần. Ghi lại sai số, tìm lý do sai.
Bước tám: thử công cụ dự báo có học máy. Khi đã có dữ liệu sạch nhiều mặt hàng và quy trình theo dõi.
Bước chín: kết nối với đặt hàng. Gợi ý đơn đặt hàng, người duyệt trước khi gửi.
Bước mười: rà soát định kỳ. Mỗi quý xem mô hình còn đúng không, mặt hàng nào cần cách khác.
Giữ người trong vòng quyết định. Ở mọi bước, người có quyền điều chỉnh và chịu trách nhiệm.
Câu hỏi thường gặp
Cửa hàng nhỏ có cần AI để dự báo bán hàng không?
Không nhất thiết. Nhiều cửa hàng chỉ cần ghi dữ liệu đều đặn và dùng bảng tính với vài phép tính mùa vụ đơn giản đã cải thiện rõ. AI đáng công khi có nhiều mặt hàng và dữ liệu đủ dài.
Cần bao nhiêu dữ liệu để AI dự báo chính xác?
Không có con số chung; hàng bán đều cần ít hơn, hàng thời vụ cần dữ liệu qua nhiều mùa. Dữ liệu càng ngắn thì khoảng dự báo càng rộng và càng cần phán đoán của người.
AI có dự báo được hàng mới ra mắt không?
Khó, vì chưa có lịch sử bán. Thường phải mượn dữ liệu của sản phẩm tương tự, kết hợp đơn đặt trước và đánh giá của người bán.
Có nên để AI tự đặt hàng với nhà cung cấp?
Chỉ nên để AI gợi ý, người duyệt trước khi gửi, ít nhất cho đến khi hệ thống đã chứng minh ổn định lâu dài. Một lỗi dữ liệu có thể dẫn đến đơn hàng sai rất lớn.
Dự báo sai thì làm sao biết lỗi ở đâu?
So dự báo với thực tế mỗi tuần, ghi lý do khi lệch nhiều như hết hàng, khuyến mãi, thời tiết. Lỗi lặp lại thường do dữ liệu thiếu thông tin hoặc mô hình chưa học được một yếu tố quan trọng.
