AI dự báo nhu cầu: giảm 50% tồn kho mà không lo hết hàng

Mỗi cuối tháng, anh chị nhìn vào bảng cân đối kế toán và thấy một cục tiền khổng lồ đang “ngủ đông” trong kho. Tiền thuê mặt bằng, tiền lương nhân viên kho, tiền bảo quản, tất cả đều chảy ra từ lượng hàng tồn không bán được. Nhiều chủ doanh nghiệp chấp nhận rủi ro này vì sợ hết hàng đột xuất, mất khách vào tay đối thủ. Nhưng đây là một sự đánh đổi tốn kém. Tụi em tại MONA hiểu rằng, bài toán không phải là nhập ít hơn, mà là nhập hàng thông minh hơn. Với phần mềm tự động hóa ứng dụng AI dự báo nhu cầu, chúng ta có thể làm được điều đó.

Tiền chết trong kho: cái giá của việc ‘thà dư còn hơn thiếu’

Mỗi CEO, giám đốc kinh doanh đều quen thuộc với tâm lý này. “Thà dư còn hơn thiếu”. Một niềm tin tưởng như an toàn. Nhưng nó cực kỳ tai hại. Nó là nguyên nhân trực tiếp khiến hàng tỷ đồng của anh chị bị chôn chân trong kho. Tiền không sinh lời. Nó chỉ nằm đó, chờ ngày mất giá.

Tụi em hiểu cảm giác đó. Nhìn đống hàng chất cao như núi, một phần thấy yên tâm vì không sợ đứt hàng. Nhưng một phần lại thấy xót xa khi tính nhẩm ra số vốn đang bị giam lỏng. Chúng ta đều đã trải qua.

Chi phí vốn chôn chân cùng hàng tồn kho

Một container hàng không chỉ là sản phẩm. Nó là vài tỷ đồng tiền vốn. Số tiền đó nếu không nằm trong kho, anh chị có thể dùng để mở thêm chi nhánh. Có thể chạy một chiến dịch marketing lớn. Hoặc đơn giản là gửi ngân hàng cũng sinh ra lãi. Nhưng không. Nó đang nằm im dưới dạng hàng tồn kho. Mỗi ngày trôi qua là một ngày mất đi chi phí cơ hội.

Mặt bằng, bảo hiểm, nhân sự: những con số biết nói

Chi phí tồn kho không chỉ là tiền hàng. Nó là một danh sách dài các khoản tiền chảy ra mỗi tháng. Những con số này không biết nói dối.

• Chi phí thuê kho bãi: Mỗi mét vuông đều tốn tiền. Kho càng lớn vì chứa hàng tồn, chi phí càng cao.
• Lương nhân viên kho: Thêm hàng là thêm người quản lý, bốc xếp, kiểm đếm.
• Chi phí bảo hiểm, an ninh: Hàng hóa giá trị cao cần bảo hiểm cháy nổ, mất cắp.
• Điện, nước, phần mềm quản lý: Những chi phí vận hành tưởng nhỏ nhưng cộng lại không hề nhỏ.

Một chuỗi bán lẻ thời trang 32 cửa hàng tại Hà Nội và HCM từng chia sẻ với MONA. Trước khi tự động hóa, chi phí kho của họ chiếm tới 18% tổng chi phí vận hành. Con số đó quá lớn. Sau khi áp dụng phần mềm dự báo nhu cầu do tụi em xây dựng, họ giảm được 30% diện tích kho cần thiết. Tiết kiệm hơn 500 triệu đồng mỗi tháng. Chỉ riêng từ việc tối ưu kho bãi.

Rủi ro lỗi thời và cơn ác mộng xả hàng cắt lỗ

Đây là nỗi đau lớn nhất. Hàng điện tử qua một năm đã thành model cũ. Quần áo qua một mùa đã lỗi mốt. Mỹ phẩm gần hết hạn sử dụng. Khi đó, bi kịch bắt đầu. Anh chị buộc phải xả hàng. Giảm giá 50%, 70%. Thậm chí bán dưới giá vốn chỉ để thu hồi tiền mặt. Cảm giác đó rất xót xa. Mọi công sức tính toán lợi nhuận trước đó đều tan biến. Doanh thu có thể cao, nhưng lợi nhuận thực tế lại rất mỏng.

Khi sếp ‘cảm thấy’ và sale ‘linh tính’: cuộc chiến dữ liệu vô hình

Mỗi cuộc họp đầu tuần đều bắt đầu bằng những cảm tính. Sếp nói “anh cảm thấy” mẫu này sắp thành xu hướng. Trưởng phòng kinh doanh thì “linh tính” khách hàng sẽ chuộng màu kia. Tụi em hiểu, kinh nghiệm và trực giác đã xây dựng nên doanh nghiệp của anh chị ngày hôm nay. Nhưng nó không thể nhân rộng cho 30 chi nhánh.

Quyết định xuống tiền. Dựa trên cảm tính. Rủi ro là quá lớn.

Quyết định nhập hàng dựa trên ‘kinh nghiệm’ thay vì con số

Kinh nghiệm là tài sản vô giá, nhưng nó có giới hạn. Nó không thể xử lý dữ liệu từ 25 cửa hàng cùng lúc. Nó cũng không thể nhớ chính xác doanh số của mã hàng SKA-301 vào thứ Ba tuần trước là bao nhiêu. Kết quả là những quyết định nhập hàng triệu rủi ro.

Đây là thực tế của hơn 60% doanh nghiệp bán lẻ mà MONA từng khảo sát sơ bộ. Anh chị đổ hàng trăm triệu tiền hàng vào kho. Chỉ vì một linh tính mơ hồ.

Xung đột giữa phòng kinh doanh và phòng kho

Cuộc chiến này quen thuộc đến đau lòng. Phòng kinh doanh gào lên vì hết hàng bán chạy ngay giữa đợt khuyến mãi. Họ mất khách, mất hoa hồng, mất luôn nhuệ khí. Họ chỉ tay về phía kho.

Từ kho, tiếng vọng lại cũng đầy bức xúc. “Hàng tồn cả núi kia sao không bán đi?”. Họ phải xử lý hàng trăm mã hàng bán chậm, chiếm hết diện tích, bám đầy bụi. Sale cần hàng. Kho hết chỗ chứa. Hai bên đổ lỗi cho nhau, còn tiền của anh chị thì đang bốc hơi.

Hết hàng bán chạy, tồn đầy hàng bán chậm

Đây chính là hậu quả tài chính trực tiếp. Mẫu áo sơ mi best-seller liên tục hết size M và L, khiến tỷ lệ khách bỏ đi tăng 15% tại các chi nhánh trung tâm. Trong khi đó, 3.000 chiếc quần kaki màu rêu nhập về từ 6 tháng trước vẫn còn tồn hơn 70%. Chúng trói chân hơn 1,2 tỷ đồng tiền vốn của anh chị.

Tụi em đã giải quyết bài toán này cho một chuỗi bán lẻ thời trang có 28 chi nhánh. Họ từng chịu cảnh tồn kho chiếm 47% tổng tài sản. MONA đã xây dựng một hệ thống tự động hóa, phân tích dữ liệu bán hàng theo thời gian thực từ tất cả các điểm bán, kết hợp với dữ liệu lịch sử và các yếu tố mùa vụ.

Phần mềm đưa ra gợi ý nhập hàng chi tiết đến từng mã sản phẩm cho từng chi nhánh. Không còn “cảm thấy” hay “linh tính”. Mọi thứ dựa trên con số.

• Kết quả sau 6 tháng triển khai: Tỷ lệ hàng tồn kho trên tổng tài sản giảm từ 47% xuống còn 22%.
• Tình trạng hết hàng bán chạy giảm 90%, từ mức 15% xuống chỉ còn dưới 2%.
• Vòng quay vốn lưu động tăng 25%, giải phóng hơn 5 tỷ đồng tiền mặt cho doanh nghiệp.
• Chi phí lưu kho và xử lý hàng tồn giảm trực tiếp hơn 500 triệu đồng mỗi tháng.

AI dự báo nhu cầu đã giúp một chuỗi bán lẻ 32 chi nhánh giảm tồn kho 1.8 tỷ/tháng

Tiền chết trong kho. Đó là một trong những nỗi đau lớn nhất của ngành bán lẻ. Mỗi container hàng về là một lần đánh cược. Mỗi mét vuông nhà kho đều đang đốt tiền của anh chị từng ngày. Hàng bán không chạy. Hết hạn sử dụng. Áp lực xả lỗ. Tụi em hiểu cảm giác đó.

Một khách hàng của MONA, chủ chuỗi bán lẻ 32 chi nhánh, từng mất ngủ vì bài toán này. Họ có mọi thứ. Hệ thống ERP, phần mềm bán hàng, đội ngũ thu mua kinh nghiệm. Nhưng mỗi tháng, con số tồn kho vẫn phình to, chôn vùi hàng tỷ đồng vốn lưu động. Đó là lúc họ tìm đến tụi em.

MONA đã xây dựng mô hình dự báo riêng như thế nào?

Tụi em không dùng một giải pháp đóng hộp. Không có chuyện đó. Tụi em bắt đầu bằng việc ngồi lại với đội ngũ vận hành và thu mua của họ. Chúng ta cần hiểu sâu nghiệp vụ trước khi dùng công nghệ.

Sau đó, MONA kết nối trực tiếp vào các nguồn dữ liệu của doanh nghiệp. Từ hệ thống POS tại mỗi cửa hàng, phần mềm quản lý kho, đến dữ liệu nhà cung cấp. Tất cả được hợp nhất lại. Tụi em code từ đầu một mô hình dự báo riêng, tinh chỉnh cho từng danh mục sản phẩm của họ.

Phân tích đa yếu tố: từ lịch sử bán hàng đến thời tiết, sự kiện

Một mô hình dự báo tốt không chỉ nhìn vào quá khứ. Nó phải hiểu được bối cảnh. Hệ thống của MONA phân tích đồng thời hàng chục biến số để đưa ra gợi ý nhập hàng cho từng chi nhánh.

• Lịch sử bán hàng theo từng mã sản phẩm (SKU).
• Ảnh hưởng của các chương trình khuyến mãi đã chạy.
• Tính thời vụ của sản phẩm (mùa mưa, mùa Tết).
• Dữ liệu thời tiết tại khu vực có chi nhánh.
• Các sự kiện văn hóa, thể thao sắp diễn ra tại địa phương.
• Thậm chí cả xu hướng tìm kiếm trên mạng xã hội.

Máy học sẽ tự động tìm ra mối liên hệ. Ví dụ, nó nhận ra cứ cuối tuần TPHCM có mưa, doanh số mặt hàng X ở các quận trung tâm lại giảm 15%. Tuần sau có concert, mặt hàng Y ở khu vực đó sẽ bán chạy gấp đôi. Con người khó mà theo dõi hết. Nhưng máy thì làm được.

Kết quả: giảm 52% hàng tồn, doanh số vẫn tăng 8%

Sau 6 tháng triển khai, các con số đã tự nói lên câu chuyện. Cực kỳ ấn tượng. Lượng hàng tồn kho toàn chuỗi giảm 52%. Điều này giải phóng gần 1.8 tỷ đồng vốn lưu động mỗi tháng cho doanh nghiệp.

Quan trọng hơn, doanh số không những không giảm mà còn tăng trưởng 8%. Lý do đơn giản. Vốn không còn bị chôn vào hàng bán chậm. Thay vào đó, họ dùng nó để đảm bảo các sản phẩm bán chạy nhất luôn có sẵn trên kệ. Họ không còn lo. Dòng tiền khỏe hơn. Tăng trưởng bền vững hơn.

Những sai lầm khi tự triển khai phần mềm dự báo khiến tiền mất tật mang

Nhiều anh chị CEO nghe về AI dự báo thấy rất hào hứng. Một viễn cảnh không còn tồn kho, không lo đứt hàng. Nhưng khi bắt tay vào làm, thực tế lại khác xa. Tụi em đã chứng kiến không ít doanh nghiệp chi hàng tỷ đồng cho các dự án AI, để rồi nhận về một hệ thống chỉ để làm cảnh.

Đó là cảm giác rất khó chịu. Tiền đã chi, nhân sự đã mệt mỏi, mà kết quả chẳng đi đến đâu. Vấn đề không nằm ở AI. Nó nằm ở cách chúng ta triển khai.

Dùng công cụ đóng gói không phù hợp với đặc thù ngành

Sai lầm phổ biến nhất là mua một phần mềm SaaS đóng gói của nước ngoài. Họ quảng cáo rất chuyên nghiệp. Giao diện đẹp. Nhưng nó được thiết kế cho thị trường Âu Mỹ, không hiểu bối cảnh kinh doanh Việt Nam.

Một chuỗi nhà hàng F&B hơn 30 chi nhánh mà tụi em từng làm việc đã gặp đúng tình trạng này. Họ chi gần 500 triệu cho một phần mềm ngoại. Phần mềm đó không thể dự báo được nhu cầu tăng đột biến vào ngày Rằm hay mùng Một. Nó cũng không hiểu văn hoá “đi nhậu cuối tháng” của dân văn phòng. Kết quả dự báo sai lệch tới 40%, gây tồn kho nguyên vật liệu hơn 2 tỷ đồng. Rất lãng phí.

Tụi em hiểu rằng mỗi ngành, mỗi doanh nghiệp đều có “nhịp” kinh doanh riêng. MONA không bán một công cụ có sẵn. Tụi em xây dựng các mô-đun dự báo được “dạy” về đặc thù của anh chị, từ lịch âm, các ngày sale lớn 11/11, cho đến thói quen tiêu dùng của từng vùng miền.

Dữ liệu đầu vào ‘rác’ cho ra dự báo ‘rác’

AI chỉ thông minh khi được học từ dữ liệu sạch. Đây là sự thật. Nhiều doanh nghiệp có dữ liệu bán hàng 5-10 năm, nhưng chúng nằm rải rác ở hàng trăm file Excel. Mỗi chi nhánh một quy ước đặt tên sản phẩm. Mỗi thời kỳ một cách ghi nhận doanh thu khác nhau.

Khi đưa mớ dữ liệu hỗn loạn này vào AI, kết quả nhận về cũng là một mớ hỗn loạn. Anh chị không thể tin vào những con số đó. Một khách hàng trong ngành bán lẻ thời trang với 27 cửa hàng từng chia sẻ với MONA. Họ mất 6 tháng cố gắng tổng hợp dữ liệu, nhưng cuối cùng AI vẫn dự báo sai màu sắc bán chạy của mùa hè. Đơn giản vì dữ liệu cũ ghi “xanh” không phân biệt “xanh navy” hay “xanh mint”.

Tại MONA, 30% thời gian của một dự án tự động hoá là dành cho việc làm sạch và hợp nhất dữ liệu. Tụi em xây dựng các tập lệnh tự động để rà soát hàng triệu dòng dữ liệu, chuẩn hoá mã sản phẩm, loại bỏ các bản ghi trùng lặp. Nền móng phải chắc. Chỉ khi đó, toà nhà AI mới có thể đứng vững.

Thiếu nhân sự chuyên môn để diễn giải kết quả từ AI

Phần mềm có thể đưa ra một con số: “Dự báo tuần tới bán được 1.578 sản phẩm X, độ tin cậy 93%”. Nhưng con số này có ý nghĩa gì với người quản lý cửa hàng? Anh ta cần biết phải đặt thêm bao nhiêu hàng, khi nào đặt, và chuyển từ kho nào về.

Nhiều dự án AI thất bại vì chỉ tập trung vào công nghệ mà quên mất người dùng cuối. Hệ thống quá phức tạp. Báo cáo quá khó hiểu. Cuối cùng, nhân viên vẫn quay về đặt hàng theo cảm tính và kinh nghiệm. Chiếc máy AI đắt tiền không mang lại giá trị thực tế.

Cách MONA làm là biến những con số phức tạp thành hành động cụ thể. Thay vì một biểu đồ khó đọc, hệ thống sẽ gửi một thông báo đơn giản qua Zalo cho quản lý: “Chi nhánh Quận 3 sắp hết hàng B trong 2 ngày. Đề xuất chuyển 50 thùng từ kho trung tâm trước 9 giờ sáng mai”. Dễ hiểu. Dễ làm.

Dược phẩm, F&B, vật tư xây dựng cũng đang áp dụng tự động hóa dự báo

Nhiều anh chị CEO cho rằng tự động hóa dự báo chỉ dành cho siêu thị, cho bán lẻ. Đó là một góc nhìn nguy hiểm. Nó khiến chúng ta chậm chân. Các đối thủ trong ngành của anh chị có thể đã đi trước một bước rồi.

Công nghệ này không phân biệt ngành nghề. Nó chỉ phân biệt ai dám đi trước và ai chấp nhận đi sau. Tụi em đã trực tiếp triển khai và thấy rõ hiệu quả ở những lĩnh vực mà ít ai ngờ tới.

Chuỗi nhà thuốc: Giảm 800 triệu tiền thuốc hết hạn mỗi quý

Ngành dược có một nỗi đau đặc thù. Hết thuốc cứu người là khủng hoảng. Nhưng tồn kho thuốc cận date là vứt đi cả tỷ đồng. Áp lực từ hạn sử dụng và quy định GPP là cực lớn.

Tụi em đồng hành cùng một chuỗi nhà thuốc lớn có 40 chi nhánh toàn quốc. Họ phải quản lý hàng nghìn SKU thuốc khác nhau. Sai một ly, đi một container hàng.

Phần mềm tự động hóa MONA xây dựng cho họ không chỉ nhìn vào lịch sử bán hàng. Nó còn quét dữ liệu về các đợt dịch bệnh theo mùa, đối chiếu với lịch đặt hàng từ các bệnh viện đối tác. Hệ thống sẽ cảnh báo chính xác loại thuốc nào sắp có nhu cầu tăng vọt, loại nào đang tồn kho nguy hiểm.

Kết quả rất rõ ràng. Chuỗi nhà thuốc này giảm được 28% lượng thuốc tồn kho quá 6 tháng. Con số này tương đương gần 800 triệu đồng tiền mặt mỗi quý. Họ không còn cảnh nhân viên phải đổ bỏ thuốc hết date vào thùng rác nữa.

Chuỗi nhà hàng F&B: Cắt 41% chi phí hủy nguyên liệu

Với ngành F&B, lãng phí thực phẩm là lãng phí tiền mặt trực tiếp. Nguyên liệu tươi sống hỏng trong ngày. Khách gọi món đặc trưng thì báo hết. Cuối tuần đông thì thiếu, đầu tuần vắng lại thừa.

Chúng ta đều hiểu, trong ngành này, một đồng lãng phí là một đồng lợi nhuận bay mất.

Với một chuỗi nhà hàng 32 chi nhánh, tụi em tích hợp module dự báo vào phần mềm quản lý nhà hàng có sẵn của họ. Hệ thống phân tích lịch sử gọi món theo giờ, theo ngày, thậm chí theo thời tiết. Trời mưa, các món lẩu sẽ bán chạy hơn. Trời nắng, các loại nước ép được gọi nhiều hơn.

Nhờ đó, chuỗi này giảm được 41% chi phí hủy nguyên vật liệu cuối ngày. Tỷ lệ “hết món” trong giờ cao điểm giảm từ 15% xuống chỉ còn dưới 2%. Bếp trưởng nói với tụi em, giờ đây đội của anh ấy làm việc dựa trên dữ liệu, không còn phải “đoán mò” nữa.

Nhà phân phối vật tư xây dựng: Giải phóng hàng trăm tỷ đồng vốn chết

Tiền đọng trong vật tư là tiền chết. Nỗi đau này các anh chị trong ngành xây dựng thấm thía nhất. Thép chờ công trình cả tháng trời, phơi mưa gỉ sét. Tới lúc cần xi măng thì hết hàng, cả công trình đình trệ theo.

Dòng tiền trong ngành xây dựng rất khắc nghiệt. Mỗi ngày công trình dừng là một ngày đội thêm chi phí.

Tụi em đã triển khai cho một nhà phân phối vật tư xây dựng có 18 kho hàng toàn miền Nam. Hệ thống tự động hóa của MONA kết nối trực tiếp với tiến độ các dự án lớn họ đang cung cấp. Nó dự báo chính xác khi nào công trình A cần bao nhiêu tấn thép, công trình B cần bao nhiêu khối cát.

Sau 6 tháng, lượng hàng tồn kho trung bình của họ giảm 35%. Thời gian giao hàng đúng tiến độ tăng lên 98%. Giám đốc chuỗi cung ứng chia sẻ rằng, họ đã giải phóng được hàng trăm tỷ đồng tiền vốn lưu động để tái đầu tư. Đó là một lợi thế cạnh tranh khổng lồ.

Anh chị cần bắt đầu từ đâu để kiểm tra sức khỏe tồn kho của mình?

Nghe về AI tự động hoá rất nhiều, nhưng bắt tay vào đâu thì thực sự rối. Tụi em hiểu cảm giác đó của các chủ doanh nghiệp. Giữa muôn vàn thông tin, anh chị không cần một lời chào hàng. Anh chị cần một điểm bắt đầu rõ ràng.

Vậy nên, trước khi nghĩ đến phần mềm, chúng ta hãy cùng làm một bài kiểm tra nhanh. Chỉ cần 3 bước để anh chị tự mình thấy được bức tranh thật sự.

Tính toán lại vòng quay hàng tồn kho của 3 tháng gần nhất

Con số không nói dối. Đây là bước đầu tiên để nhìn thẳng vào sự thật. Anh chị hãy yêu cầu bộ phận kế toán và kho vận xuất dữ liệu tồn kho và giá vốn hàng bán của quý gần nhất.

Một chuỗi siêu thị 32 chi nhánh tụi em từng làm việc cùng phát hiện ra 18% mã hàng của họ có vòng quay dưới 0.5. Nghĩa là nửa năm không bán hết một lượt hàng. Tiền chết.

Đối chiếu dự báo của đội ngũ với số liệu bán ra thực tế

Kinh nghiệm của con người là quý giá, nhưng cảm tính luôn có sai số. Hãy đặt hai bảng tính cạnh nhau: một bên là dự báo nhập hàng của đội ngũ mua hàng 3 tháng trước, một bên là doanh số bán ra thực tế của chính các mặt hàng đó.

Sự chênh lệch này chính là chi phí cơ hội. Theo B-Company, sai lệch dự báo thủ công trong ngành bán lẻ dao động từ 20% đến 40%. Đó là tiền thật, là hàng hết đột ngột, là vốn chôn trong kho.

Lên lịch một buổi trò chuyện 30 phút cùng chuyên gia MONA

Sau khi có số liệu, anh chị sẽ có rất nhiều câu hỏi. Tụi em không đến để bán hàng. Tụi em ở đây để cùng anh chị phân tích những con số đó. Hoàn toàn miễn phí.

Trong 30 phút, một chuyên gia tự động hoá từ MONA sẽ:

• Giúp anh chị diễn giải các chỉ số vừa tính toán.
• Chỉ ra những điểm nghẽn tiềm tàng trong chuỗi cung ứng hiện tại.
• Phác thảo 1-2 kịch bản tự động hoá khả thi nhất cho quy mô của anh chị.

Mục tiêu của buổi nói chuyện là để anh chị ra về với một kế hoạch hành động. Một kế hoạch rõ ràng. Bắt đầu ngay hôm nay.