AI dự báo nhu cầu cho nhà máy Việt Nam – chỉ số độ chính xác và số năm hoàn vốn

Nửa đầu năm 2026, chỉ số sản xuất công nghiệp của Việt Nam tăng 10.8% so với cùng kỳ, mức cao nhất kể từ năm 2019. Trong khi đó, ngay tại Thái Lan, quốc gia cùng khu vực vừa là thị trường xuất khẩu vừa là mắt xích cung ứng của sản xuất Việt Nam, dự báo xuất khẩu cho cùng một năm và cùng một quốc gia đang lệch nhau hơn 13 điểm phần trăm giữa cơ quan nhà nước và hiệp hội chủ hàng. Trong một năm mà các dự báo bên ngoài lệch nhau đến mức đó, việc bỏ tiền đi mua một dự báo trúng là khoản đầu tư kém khôn ngoan. Thứ cần đầu tư là cơ chế quản lý cách mình dự báo trượt. Bài viết này trình bày lý do vì sao đánh giá AI dự báo nhu cầu chỉ bằng MAPE sẽ dẫn tới quyết định sai, hai chỉ số bổ sung là độ chệch và FVA, cùng bài toán chi phí và hoàn vốn cho một nhà máy quy mô doanh thu 500 triệu baht, viết dưới góc nhìn của nhà sản xuất có cơ sở tại Việt Nam và Thái Lan.

Năm 2026, bức tranh nhu cầu đang tách làm hai hướng ngược nhau

Trước khi bàn tới hệ thống, cần xác nhận các tiền đề nằm bên ngoài nhà máy. Năm 2026, hướng đi của nhu cầu tại Việt Nam và tại Thái Lan không giống nhau, và ngay trong nội bộ một quốc gia, các dự báo cũng không thống nhất với nhau.

Việt Nam đang ở pha tăng sản lượng

Chỉ số sản xuất công nghiệp (IIP) nửa đầu năm 2026 của Việt Nam tăng +10.8% so với cùng kỳ năm trước. Đây là mức tăng cao nhất kể từ năm 2019 và đã tăng tốc thêm so với mức +8.7% của nửa đầu năm 2025. Riêng ngành công nghiệp chế biến chế tạo tăng +11.4%, đóng góp 8.9 điểm phần trăm vào mức tăng chung.

Chỉ số nhà quản trị mua hàng (PMI) ngành sản xuất tháng 6 năm 2026 đạt 51.8 (tháng 5 là 52.8), tức sản lượng đã mở rộng 14 tháng liên tiếp. Tuy nhiên việc làm lại giảm 4 tháng liên tiếp. Đọc hai con số này cùng nhau, có thể thấy các nhà máy đang tăng sản lượng mà không tăng nhân sự.

Với người làm kế hoạch sản xuất tại Việt Nam, đây là bối cảnh đáng chú ý. Pha tăng sản lượng làm cho chi phí của việc thiếu hàng trở nên đắt hơn tương đối, còn dư địa hấp thụ nhu cầu tăng đột biến bằng cách tăng ca hay tăng người thì lại đang hẹp dần.

Thái Lan, cùng khu vực, lại đang giảm tốc – và chính các dự báo về Thái Lan đang lệch nhau hai chữ số

Ông Nantapong Jiralertpong, Cục trưởng Cục Chính sách và Chiến lược Thương mại (TPSO) thuộc Bộ Thương mại Thái Lan, đưa ra dự báo tăng trưởng xuất khẩu năm 2026 của Thái Lan ở mức -3.1% đến +1.1%. Về tăng trưởng GDP của Thái Lan, TPSO dẫn dự báo của IMF và Ngân hàng Thế giới ở mức 1.6% đến 1.7%. Ở chiều ngược lại, Hội đồng Chủ hàng Quốc gia Thái Lan (Thai National Shippers’ Council) đã nâng mạnh dự báo tăng trưởng xuất khẩu năm 2026 từ mức 2% đến 4% trước đó lên 8% đến 10%. Lý do được đưa ra là nhu cầu đối với linh kiện điện tử và các mặt hàng liên quan tới AI.

Cùng một năm, cùng một quốc gia, cùng chỉ tiêu xuất khẩu, nhưng cận dưới là -3.1% còn cận trên là +10%. Biên độ vượt quá 13 điểm phần trăm. Vấn đề không phải là bên nào sai, mà là hai bên đang nhìn vào cơ cấu mặt hàng và tiền đề khác nhau. Nhìn vào danh mục có tỷ trọng linh kiện điện tử và hàng liên quan AI cao thì sẽ lạc quan, nhìn vào tổng thể bao gồm hàng tiêu dùng và hàng liên quan ô tô thì sẽ bi quan. Nếu không hiểu cấu trúc này mà kết luận một câu rằng năm 2026 khu vực sẽ tăng hay sẽ giảm, kế hoạch sản xuất của chính mình sẽ sai.

Đây chính là điểm mà người làm sản xuất tại Việt Nam cần lấy làm bài học. Con số +10.8% của IIP Việt Nam cũng là con số tổng hợp. Bên trong nó có thể có ngành hàng đang chạy hết công suất, và cũng có ngành hàng đang co lại. Một dự báo ở cấp quốc gia không thay thế được dự báo ở cấp nhóm mặt hàng của chính nhà máy mình.

Nhìn theo từng thị trường, có những thị trường đi ngược chiều nhau hoàn toàn

Dự báo theo từng thị trường của TPSO cho thấy bức tranh phân rã chi tiết hơn. Bảng dưới đây là dự báo xuất khẩu của Thái Lan đi các thị trường, trong đó dòng Việt Nam là kim ngạch Thái Lan xuất sang Việt Nam.

Nguồn: Cục Chính sách và Chiến lược Thương mại (TPSO), Bộ Thương mại Thái Lan

Điểm đáng chú ý là Hoa Kỳ và Trung Quốc tuy vẫn dương nhưng mức giảm tốc so với năm 2025 là cực lớn. Xuất khẩu sang Hoa Kỳ từ +30.6% xuống +8.9%, sang Trung Quốc từ +13.6% xuống +1.2%. TPSO nêu rõ nguyên nhân là phản ứng ngược của việc giao hàng dồn trước (front-loading) trong năm 2025 nhằm né thuế quan, tức là giai đoạn giải phóng lượng tồn kho đã chất lên trước đó. Ngoài ra, giá tiêu dùng tăng do thuế quan cũng được nêu như một lực cản từ phía cầu.

Và con số -40.8% với thị trường Campuchia. Đây là loại biến động khó xử lý nhất đối với một mô hình dự báo nhu cầu. Nó hoàn toàn không nằm trên đường kéo dài của dữ liệu quá khứ, và về mặt thống kê trông chỉ như một giá trị dị thường. Nhưng trên thực tế đó là thay đổi cấu trúc, và nếu để mô hình loại bỏ nó như một giá trị dị thường, mô hình sẽ tiếp tục trượt theo đúng cách đó ở tháng sau và tháng sau nữa.

Số liệu thực tế của sản xuất Thái Lan cũng đang giảm

Không chỉ dự báo, số liệu thực tế cũng cần được nhìn. Chỉ số sản xuất công nghiệp (MPI) tháng 5 năm 2026 của Thái Lan giảm 0.8% so với cùng kỳ. Sản lượng ô tô giảm mạnh 17.94%. Dự báo MPI cả năm 2026 của Bộ Công nghiệp Thái Lan là +1.0% đến +2.0%. Nghĩa là hiện tại âm nhưng cả năm dương nhẹ, một cách nhìn đã tính tới việc phục hồi ở một thời điểm nào đó trong năm.

Về bức tranh trung hạn, báo cáo Industry Outlook 2026-2028 của Krungsri Research dự báo kinh tế Thái Lan giai đoạn 2026-2028 tăng trưởng bình quân 2.1% một năm, thấp hơn nhiều so với mức bình quân 3.6% của giai đoạn 2010-2019. Nợ hộ gia đình ở mức trên 86% GDP, khiến dư địa tăng trưởng của cầu nội địa bị kìm hãm về mặt cấu trúc.

Hai cơ sở trong cùng một tập đoàn nhưng hướng nhu cầu ngược nhau

Từ đây xuất hiện một sự bất đối xứng quan trọng đối với các nhà sản xuất có cơ sở ở cả Việt Nam và Thái Lan.

Trong cùng một công ty, cơ sở Thái Lan đang ở pha giảm tốc còn cơ sở Việt Nam đang ở pha tăng sản lượng. Nếu ở tình huống này, tập đoàn xây một mô hình dự báo nhu cầu dùng chung rồi phát cho cả hai cơ sở, thì ít nhất một trong hai sẽ trượt rất xa. Luận điểm này sẽ được bàn lại ở phần sau.

Ngay cả với nhà máy chỉ có cơ sở tại Việt Nam, tình hình Thái Lan vẫn đáng theo dõi vì hai lý do. Thứ nhất, Thái Lan là một thị trường xuất khẩu và là mắt xích cung ứng linh kiện. Thứ hai, dữ liệu xuất khẩu của Thái Lan cho thấy rất rõ phản ứng ngược của việc giao hàng dồn trước vì thuế quan, và bất kỳ nhà máy nào từng đẩy hàng đi sớm trong năm 2025 cũng đang mang cùng loại méo mó đó trong dữ liệu lịch sử của mình.

AI dự báo nhu cầu thay thế cái gì

Cụm từ AI dự báo nhu cầu được dùng rất rộng, nhưng ở hiện trường nhà máy, việc thứ gì thực sự bị thay thế lại ít khi được thống nhất. Nếu xin ngân sách khi điểm này còn mơ hồ, sau khi triển khai sẽ xuất hiện câu nói quen thuộc rằng nó khác với thứ tôi hình dung.

Khác biệt giữa Excel cộng cảm nhận của kinh doanh và AI dự báo nhu cầu nằm ở độ chi tiết nhân tần suất nhân khả năng giải thích

Tại nhiều nhà máy trong khu vực, bao gồm cả Việt Nam và Thái Lan, dự báo nhu cầu hiện đang được tạo ra theo cách sau.

• Bộ phận kinh doanh thu thập thông báo đặt hàng dự kiến và forecast từ các khách hàng chính
• Bộ phận kế hoạch sản xuất xếp trên Excel tỷ lệ so với cùng kỳ năm trước và bình quân trượt 3 tháng gần nhất
• Cuộc họp điều phối cung cầu hàng tháng điều chỉnh con số theo cảm nhận của kinh doanh
• Con số chốt được chuyển sang kế hoạch sản xuất và mua hàng

Cách làm này không phải là dở. Với nhà máy có ít khách hàng, thông báo đặt hàng dự kiến có độ chính xác cao và thời gian chờ ngắn, cách này hoàn toàn đủ dùng. Vấn đề nảy sinh khi số SKU vượt vài trăm, khi có lẫn các mặt hàng làm theo dự đoán mà không có thông báo đặt hàng dự kiến, và khi thời gian mua nguyên vật liệu kéo dài 2 đến 3 tháng. Với sức người, làm chi tiết hơn thì không xoay kịp, tăng tần suất thì cũng không xoay kịp.

Thứ mà AI dự báo nhu cầu thực sự thay thế chính là giới hạn về độ chi tiết và tần suất này. Khác biệt gói lại trong 3 điểm sau.

Dòng quan trọng nhất là dòng cuối. AI dự báo nhu cầu không phải là thứ phủ định và thay thế cảm nhận của kinh doanh. Những thông tin chỉ kinh doanh mới biết, như xác suất trúng thầu của dự án mới, việc khách hàng dời nhà máy, việc đối thủ rút lui, sẽ vẫn tiếp tục nằm ngoài mô hình. Phần mà AI gánh là thực hiện những phép tính mà ai làm cũng phải ra cùng một đáp án, nhưng làm chi tiết hơn con người và thường xuyên hơn con người. Hiểu sai điểm này sẽ dẫn thẳng tới thất bại phổ biến nhất, đó là kinh doanh ghi đè toàn bộ con số do AI đưa ra.

Phân vai giữa mô hình thống kê và học máy, ranh giới nằm ở chỗ có đưa được biến ngoại sinh vào hay không

Các phương pháp dự báo nhu cầu chia thành 3 tầng lớn.

Tầng 1 – mô hình thống kê chuỗi thời gian (bình quân trượt, san mũ, ARIMA, phân rã mùa vụ)

Tạo ra tương lai chỉ từ chính chuỗi số liệu quá khứ của mặt hàng đó. Chạy được cả khi dữ liệu ít, kết quả dễ giải thích, tính toán nhẹ. Với các mặt hàng có nhu cầu ổn định, chừng này thường là đủ, và trên thực tế, khi đánh giá bằng FVA sẽ nói ở phần sau, kết luận rằng AI không thắng nổi mô hình thống kê cũng không hiếm.

Tầng 2 – học máy (họ gradient boosting, họ hồi quy)

Ngoài chuỗi số liệu quá khứ của chính mặt hàng đó, còn đưa được biến ngoại sinh vào làm biến giải thích. Lịch ngày lễ, số ngày làm việc, chương trình khuyến mại, tỷ giá, kế hoạch sản xuất phía khách hàng, giá nguyên vật liệu, thay đổi thuế suất. Cũng có thể dùng mức độ tương đồng giữa các SKU để bù dữ liệu cho SKU ít lịch sử bằng hành vi của các SKU khác.

Tầng 3 – học sâu (các mô hình chuỗi thời gian họ RNN và Transformer)

Học đồng thời nhiều chuỗi, nắm bắt tương tác giữa các chuỗi và phụ thuộc dài hạn. Phát huy giá trị thật ở quy mô từ vài nghìn SKU trở lên, nhưng đòi hỏi cao về lượng dữ liệu huấn luyện và chất lượng dữ liệu, đồng thời khả năng giải thích giảm xuống.

Điểm xuất phát thực tế của phần lớn nhà máy trong khu vực gần như luôn là tầng 2. Ranh giới rất rõ ràng, đó là doanh nghiệp có đang nắm dưới dạng dữ liệu những yếu tố bên ngoài đang làm nhu cầu của mình dao động hay không. Cách xếp ngày nghỉ Tết, tuần lệch của Tết Nguyên đán khu vực Trung Hoa, cách xếp ngày nghỉ Songkran tại cơ sở Thái Lan, lịch vận hành của khách hàng, tháng thuế quan có hiệu lực. Nếu những thứ này đã có sẵn dưới dạng con số thì tầng 2 mới có ý nghĩa. Nếu chưa có, thứ cần đầu tư là việc tạo ra dữ liệu đó, chứ không phải mô hình.

Ngoài ra, nhận định rằng độ chính xác của AI phụ thuộc rất lớn vào chất lượng và khối lượng dữ liệu huấn luyện, và rằng việc chuẩn hóa dữ liệu là chìa khóa thành công, xuất hiện lặp đi lặp lại trong các phân tích tình huống triển khai. Trước khi đưa mô hình cao cấp của tầng 3 vào, hãy kiểm tra xem nó có thua tầng 1 hay không. Đó là thứ tự đúng.

Quan hệ với AI lập kế hoạch sản xuất và AI tối ưu tồn kho, dự báo là đầu vào còn kế hoạch là đầu ra

Đây là chỗ dễ nhầm lẫn nhất tại hiện trường. Sắp xếp lại thì 3 chức năng nằm trên một đường thẳng.

“`

AI dự báo nhu cầu -> AI tối ưu tồn kho -> AI lập kế hoạch sản xuất

(cái gì sẽ bán được) (giữ bao nhiêu) (khi nào làm cái gì)

“`

• AI dự báo nhu cầu xuất ra lượng nhu cầu tương lai và độ bất định của nó (mức dao động). Điều quan trọng ở đây là đầu ra không chỉ là một con số điểm mà còn là biên độ dao động.
• AI tối ưu tồn kho nhận dự báo và mức dao động đó, rồi quyết định tồn kho an toàn, điểm đặt hàng và lượng đặt hàng cho từng SKU. Cùng một dự báo nhưng đáp án sẽ khác nhau tùy mục tiêu mức độ phục vụ và cách đặt chi phí thiếu hàng.
• AI lập kế hoạch sản xuất (bộ lập lịch sản xuất) nhận lượng cần thiết và hạn giao, rồi quyết định khi nào làm cái gì theo thứ tự nào, trong ràng buộc về năng lực thiết bị, thời gian chuyển đổi và ca kíp nhân sự.

Kết luận thực tiễn rút ra từ đây là chỉ đưa AI dự báo nhu cầu vào thì các chỉ số của nhà máy sẽ không nhúc nhích. Độ chính xác dự báo có tăng, nhưng nếu công thức tính tồn kho an toàn vẫn là giá trị cố định của 10 năm trước thì tồn kho không giảm. Nếu điểm đặt hàng vẫn làm tay thì mua hàng cũng không đổi. Nếu kế hoạch sản xuất vẫn chạy theo lô cố định hàng tuần thì sản xuất cũng không đổi.

Dự báo nhu cầu là đầu vào, không phải là thành quả. Thứ tạo ra thành quả là bộ khung tiếp nhận dự báo đó rồi chuyển động, tức là kế hoạch sản xuất, tồn kho và mua hàng. Về các lựa chọn ở phía bộ khung, chúng tôi đã tổng hợp các nhóm sản phẩm đang được sử dụng thực tế trong khu vực tại bài So sánh các bộ lập lịch sản xuất và bài So sánh hệ thống quản lý tồn kho, mời quý vị tham khảo thêm.

TOMAS TECH chúng tôi không phải là công ty phát triển và bán bản thân động cơ dự báo nhu cầu. Chúng tôi đặt trụ sở tại Bangkok và làm công việc tích hợp IT/OT cho các nhà máy, ở vị trí của bên xây dựng bộ khung kế hoạch sản xuất, tồn kho và mua hàng để tiếp nhận dự báo. Chính vì vậy, chúng tôi đã chứng kiến rất nhiều trường hợp mua được động cơ nhưng không có bộ khung.

Cách đọc các chỉ số độ chính xác, chỉ nhìn MAPE là chắc chắn quyết định sai

Con số đầu tiên xuất hiện trong các buổi so sánh nhà cung cấp là MAPE. Nhưng ra quyết định chỉ bằng MAPE thì xác suất sai rất cao. Các chỉ số cần thiết có 3 tầng.

Mốc tham chiếu MAPE theo ngành

MAPE (sai số phần trăm tuyệt đối bình quân) cho biết dự báo lệch bình quân bao nhiêu phần trăm so với thực tế. Điều đầu tiên cần nắm là tốt hay xấu của MAPE do ngành và độ chi tiết quyết định.

Phần lớn nhà máy sản xuất công nghiệp tại Việt Nam thuộc dòng thứ 3, tức hàng công nghiệp và B2B. Nghĩa là MAPE 20% đến 40% ở cấp SKU không phải là con số tệ cần cải thiện, mà là mức tiêu chuẩn của lĩnh vực đó. Nếu không biết tiền đề này mà đánh giá rằng MAPE 30% là không chấp nhận được, ta sẽ hiểu nhầm một trạng thái lành mạnh thành bất thường.

Ngược lại, khi nhà cung cấp trình bày một tình huống khách hàng khác với nội dung đã đạt MAPE 10%, hãy luôn xác nhận tình huống đó thuộc phân khúc nào, ở độ chi tiết nào và tầm dự báo nào. MAPE theo SKU nhân tuần và MAPE theo nhóm mặt hàng nhân tháng là hai chỉ số hoàn toàn khác nhau. Loại thứ hai gần như không có ngoại lệ sẽ cho con số đẹp hơn loại thứ nhất, vì khi gộp lại thì phần vượt lên và phần hụt xuống của từng SKU triệt tiêu lẫn nhau. So sánh MAPE mà không nêu rõ độ chi tiết là vô nghĩa.

Tách riêng độ chệch, tức phần lệch lên hoặc lệch xuống một cách hệ thống

Điểm yếu chí mạng của MAPE là nó xóa mất chiều của sai số. Vì lấy giá trị tuyệt đối, nên một mô hình lúc nào cũng đọc cao hơn 10% và một mô hình dao động ngẫu nhiên tháng này +10% tháng sau -10% sẽ cùng được xếp là MAPE 10%.

Nhưng với nhà máy, hai thứ này hoàn toàn khác nhau.

• Sai số ngẫu nhiên là đối tượng để tồn kho an toàn che phủ. Chỉ cần trữ tồn kho tương ứng với biên độ dao động là giữ được mức độ phục vụ.
• Độ chệch hệ thống không phải là đối tượng để tồn kho an toàn che phủ. Nếu lúc nào cũng đọc cao hơn thì tồn kho sẽ chất lên đơn điệu, còn nếu lúc nào cũng đọc thấp hơn thì thiếu hàng sẽ phát sinh một cách có cấu trúc. Đây là vấn đề phải sửa ở chính giá trị trung vị của dự báo.

Độ chệch tác động lên tồn kho theo kiểu tích lũy. Cứ mỗi tháng đọc cao hơn +5% thì tồn kho sẽ tăng thêm mỗi tháng. Một nhà máy có MAPE đi ngang nhưng tồn kho cứ tăng thì gần như chắc chắn đang bỏ mặc độ chệch.

Trong thực tiễn, ba thứ sau được đặt cạnh nhau và rà soát hàng tháng.

1. MAPE (độ lớn của sai số) – dùng để thiết kế tồn kho an toàn
2. Độ chệch (chiều và tính dai dẳng của sai số) – dùng để chỉnh sửa quy trình dự báo và quy tắc điều chỉnh
3. Kết quả đầu ra về tồn kho (số ngày tồn kho, tỷ lệ thiếu hàng, giá trị hủy bỏ) – dùng để phán quyết đạt hay không đạt sau cùng

Cũng có ý kiến cho rằng trong nhiều tình huống, MAE (sai số tuyệt đối bình quân) hoặc MASE mang lại nhiều hàm ý hơn MAPE. Đặc biệt với các mặt hàng có xen lẫn những tuần nhu cầu bằng không, MAPE bị mẫu số bằng không nên không tính được hoặc phát tán, tức là không dùng được ngay từ đầu. Với nhà máy có nhiều mặt hàng nhu cầu gián đoạn, điều quan trọng là ngay từ khâu chọn chỉ số đã không nên chỉ chọn duy nhất MAPE.

FVA (Forecast Value Added), dự báo nhu cầu không thắng nổi dự báo ngây thơ thì chỉ là chi phí

Tầng thứ 3 là chỉ số gắn trực tiếp nhất với quyết định đầu tư.

FVA (Forecast Value Added) đo lường việc bỏ công sức ra đã tạo thêm được bao nhiêu giá trị so với dự báo ngây thơ. Dự báo ngây thơ là loại dự báo đơn giản nhất, tạo ra với chi phí bằng không, ví dụ nhu cầu tháng sau bằng thực tế tháng này, hoặc tháng sau bằng cùng kỳ năm trước.

Quy trình đánh giá rất đơn giản.

1. Tính MAPE của dự báo ngây thơ trên cùng khoảng thời gian và cùng tập mặt hàng
2. Tính MAPE của AI dự báo nhu cầu
3. Nếu chênh lệch dương thì AI đó có giá trị
4. Nếu chênh lệch bằng không hoặc âm thì AI đó thuần túy là chi phí

Quan trọng hơn nữa là đo FVA theo từng bước của quy trình. Quy trình cung cầu thực tế có nhiều nấc như sau.

“`

Dự báo ngây thơ -> Mô hình thống kê -> Mô hình học máy -> Kinh doanh điều chỉnh -> Con số chốt tại họp điều phối cung cầu

“`

Khi đo MAPE sau mỗi bước, thường sẽ có kết quả gây bất ngờ. Đó là trường hợp con số sau khi kinh doanh điều chỉnh lại có độ chính xác kém hơn đầu ra của mô hình học máy. Điều này không hiếm. Vì ký ức bị khiển trách do hết hàng rất mạnh, nên kinh doanh có xu hướng đọc cao hơn một cách có cấu trúc. Trong trường hợp này, nước đi đúng không phải là nâng cấp AI, mà là bắt buộc ghi lý do khi điều chỉnh và bỏ các điều chỉnh nâng lên mà không có căn cứ. Độ chính xác tăng lên mà không cần thêm một đồng đầu tư nào.

Với vai trò là thiết kế đánh giá cho giai đoạn PoC, FVA là bắt buộc. Nếu ký hợp đồng chỉ dựa vào MAPE mà nhà cung cấp đưa ra, doanh nghiệp sẽ chỉ nhận ra kết luận rằng mình đã đưa vào một mô hình hoành tráng nhưng độ chính xác thực chất ngang với so sánh cùng kỳ năm trước, khi hợp đồng đã ký xong. Trong điều kiện đạt của PoC, hãy nhất định ghi vào điều khoản rằng FVA so với dự báo ngây thơ trên cùng khoảng thời gian phải dương.

Nhà máy nào AI dự báo nhu cầu phát huy tác dụng, nhà máy nào không

AI dự báo nhu cầu không tạo ra hiệu quả như nhau ở mọi nhà máy. Kỳ vọng thay đổi rất lớn tùy phương thức sản xuất và tính chất của nhu cầu.

Kỳ vọng thay đổi theo sản xuất để tồn kho (MTS), sản xuất theo đơn hàng (MTO) hay đơn hàng lặp lại

Trường hợp dễ bị bỏ sót là đơn hàng lặp lại. Nhà máy đang nhận thông báo đặt hàng dự kiến trước 3 tháng từ khách hàng thường nghĩ rằng không cần dự báo vì đã có thông báo rồi. Nhưng trong phạm vi chúng tôi quan sát tại hiện trường, nhà máy có thông báo đặt hàng dự kiến lệch vài chục phần trăm so với đơn thực tế không hề hiếm. Trong trường hợp này, đối tượng cần dự báo không phải bản thân nhu cầu mà là cấu trúc sai số của thông báo đặt hàng dự kiến. Những mẫu hình như thông báo trước 3 tháng của công ty A bình quân cao hơn 15%, hay công ty B có xu hướng đặt bổ sung vào cuối tháng, hoàn toàn có thể mô hình hóa được và là lĩnh vực dễ ra hiệu quả.

Các điều kiện làm giảm tác dụng

Nếu rơi vào các điều kiện sau, hiệu quả đầu tư của AI dự báo nhu cầu sẽ khó khăn. Điều này không có nghĩa là nên dừng triển khai, mà có nghĩa là nên giới hạn phạm vi áp dụng.

Điều kiện 1 – chạy theo dự án và dữ liệu quá khứ không có tính lặp lại

Khi nhu cầu được quyết định bởi việc có trúng một dự án lớn cụ thể hay không, học lịch sử xuất hàng quá khứ cũng không đoán trúng tương lai. Trong trường hợp này, thứ cần thiết không phải AI dự báo nhu cầu mà là quản lý xác suất của đường ống bán hàng.

Điều kiện 2 – tần suất phát sinh mỗi SKU dưới vài lần một tháng

Với các mặt hàng có nhu cầu gián đoạn (intermittent), gần như không có thông tin nào học được về mặt thống kê. MAPE ở cấp SKU cũng hay rơi vào tình trạng không tính được. Với lĩnh vực này, thực tế hơn là chuyển sang phán đoán định tính rằng có giữ tồn kho hay không, thay vì đi dự báo.

Điều kiện 3 – thời gian mua hàng và sản xuất ngắn hơn tầm dự báo

Ở nhà máy mà thời gian mua nguyên vật liệu là 1 tuần và sản xuất xong trong 3 ngày, ngay từ đầu đã không cần ra tay trước dựa trên dự báo. Nhìn đơn hàng rồi mới chạy vẫn kịp. Giá trị của dự báo chỉ sinh ra khi thời gian chờ dài so với tầm dự báo. Nói ngược lại, nếu có thể rút ngắn thời gian chờ thì hướng đó có khả năng cho hiệu quả đầu tư cao hơn.

Điều kiện 4 – nhu cầu thì đọc được nhưng phía cung lại bất ổn

Khi tỷ lệ tuân thủ hạn giao của nhà cung cấp thấp và nguyên nhân chính của thiếu hàng nằm ở phía cung chứ không phải phía cầu, cải thiện dự báo cũng không làm tồn kho giảm. Đối tượng đầu tư trong trường hợp này là quản lý thực tế hạn giao của nhà cung cấp và thiết kế lại tồn kho an toàn có tính tới biến động của thời gian chờ phía cung.

Lý do nên bắt đầu từ cấp nhóm mặt hàng

Một thất bại thường gặp khi triển khai là lao ngay vào toàn bộ SKU nhân tuần. MAPE cấp SKU của hàng công nghiệp có mức tiêu chuẩn là 20% đến 40%, nên nếu bắt đầu ở độ chi tiết cao, ngay khoảnh khắc nhìn thấy kết quả đầu tiên, đánh giá sẽ là độ chính xác quá thấp và dự án dừng lại.

Có 3 lý do nên bắt đầu từ cấp nhóm mặt hàng.

1. Gộp lại thì sai số triệt tiêu lẫn nhau và MAPE giảm xuống. Con số về được mức đọc hiểu được, nên có thể xuất phát từ trạng thái mà các bên liên quan tin được kết quả.
2. Trùng với độ chi tiết của việc ra quyết định. Kế hoạch năng lực của dây chuyền, ca kíp nhân sự, hạn mức mua nguyên vật liệu dùng chung, phần lớn vốn được quyết ở cấp nhóm mặt hàng chứ không phải cấp SKU. Nguyên tắc là khớp độ chi tiết của dự báo với độ chi tiết của quyết định.
3. Có thể hạ dần từng bước. Khi cấp nhóm đã chạy được thì có thể mở rộng bằng cách chỉ hạ hàng hạng A xuống cấp SKU. Chiều ngược lại, tức bắt đầu chi tiết rồi làm thô ra, sẽ bị coi là thất bại nên rất khó về mặt chính trị nội bộ.

Câu hỏi thực tiễn khi quyết định độ chi tiết là ai, khi nào, quyết định điều gì khi nhìn vào dự báo đó. Một dự báo ở độ chi tiết mà không có ai ra quyết định thì dù chính xác cao vẫn không có giá trị.

Cách tính chi phí và hoàn vốn

Từ đây là phần chính của quyết định đầu tư. Bài toán dưới đây là một mô hình mẫu lấy cơ sở tại Thái Lan làm ví dụ, toàn bộ tính bằng baht Thái, và không quy đổi sang đồng Việt Nam vì việc thêm một tiền đề tỷ giá nữa sẽ khiến người đọc không kiểm tra lại được phép tính. Trong bài toán này, tỷ giá được thống nhất ở mức 1 THB xấp xỉ 4.6 JPY. Số tiền lấy baht làm gốc, yên Nhật là giá trị tham khảo. Khi áp dụng cho nhà máy của mình, hãy giữ nguyên cấu trúc phép tính và thay các con số đầu vào bằng số liệu thực tế của doanh nghiệp.

Chính sách làm tròn. Số tiền ghi theo đơn vị triệu baht và lấy tới 2 chữ số thập phân (làm tròn chữ số thứ 3), số ngày tồn kho lấy tới 1 chữ số thập phân, tỷ lệ ghi theo phần trăm nguyên. Giá trị quy đổi ra yên là số tham khảo. Do làm tròn, tổng của các dòng chi tiết và tổng cộng có thể lệch nhau ở chữ số cuối.

Chi phí nằm ở 4 chỗ

Nếu ước tính chi phí AI dự báo nhu cầu chỉ bằng phí bản quyền thì gần như chắc chắn sẽ thiếu. Chi phí nằm trong 4 chiếc hộp.

Hộp 1 – chuẩn hóa dữ liệu

Đây là chỗ bị ước tính nhẹ tay nhất. Làm sạch số liệu xuất hàng thực tế, hợp nhất mã trùng trong danh mục mặt hàng (vấn đề cùng một mặt hàng được đăng ký dưới nhiều mã), tách riêng luân chuyển giữa các cơ sở với nhu cầu thực, và cơ chế bắt đầu ghi nhận thiếu hàng cùng cơ hội bán hàng bị mất. Hạng mục cuối đặc biệt quan trọng, vì hầu như không nhà máy nào có lịch sử của số lượng không bán được, dù luôn có lịch sử của số lượng đã bán. Nhu cầu tại thời điểm thiếu hàng không để lại dấu vết trong hồ sơ, nên nếu học thẳng dữ liệu quá khứ, ta sẽ tạo ra một mô hình ước lượng nhu cầu thấp hơn thực tế một cách có cấu trúc.

Hộp 2 – mô hình dự báo và bản quyền

Là phí thuê bao SaaS, hoặc chi phí phát triển nếu tự xây. Đây là phần duy nhất được ghi rõ trong báo giá của nhà cung cấp.

Hộp 3 – kết nối với hệ thống hiện hữu

Giao diện với hệ thống quản lý sản xuất, hệ thống quản lý tồn kho và hệ thống mua hàng. Chừng nào con người còn phải chép tay kết quả dự báo bằng file CSV, cập nhật hàng ngày sẽ tuyệt đối không vận hành nổi. Nếu cắt phần này, về sau nó chắc chắn quay lại dưới dạng PoC thì thành công nhưng vận hành thật thì không chạy.

Hộp 4 – bộ máy vận hành

Thiết kế cuộc họp rà soát hàng tháng, tài liệu hóa tiêu chí phán đoán, đào tạo người phụ trách, và quy trình bàn giao khi thay người. Một hệ thống chưa xác định ai nhìn dự báo và làm gì khi dự báo trượt, thì sau 3 tháng sẽ không còn ai nhìn tới.

Một công thức duy nhất để đổi hiệu quả ra tiền

Cái bẫy lớn nhất khi quy đổi hiệu quả ra tiền là đếm cùng một khoản tồn kho hai lần. Phần này sẽ làm thật chặt.

Đường cơ sở (giá trị hiện trạng duy nhất dùng trong bài này)

Toàn bộ các phép tính phía sau đều dẫn xuất từ một đường cơ sở duy nhất sau đây, theo một mạch duy nhất.

Vì giá vốn hàng bán một ngày được đặt đúng bằng 1.0 triệu baht, nên có thể đọc rằng 1 ngày tồn kho tương đương 1.0 triệu baht giá trị tồn kho.

Ngoài ra, tỷ suất lãi gộp tính máy móc từ tỷ lệ giá vốn 73% là 27%, nhưng phần bán thêm nhờ lấy lại được lượng thiếu hàng còn phải gánh chi phí biến đổi bán hàng (vận chuyển, xúc tiến, chi phí tín dụng), nên khi quy đổi hiệu quả, bài viết trừ đi 2 điểm phần trăm từ đó và dùng tỷ suất lợi nhuận góp 25% làm giá trị thận trọng. Mọi chỗ xuất hiện con số 25% trong bài toán phía sau đều là tỷ suất lợi nhuận góp này.

Tỷ lệ chi phí lưu giữ tồn kho 18% là tiền đề mô hình của bài viết này. Cơ cấu được giả định gồm chi phí vốn 7%, lưu kho và logistics 6%, hủy bỏ và lỗi thời và giảm giá trị 3%, bảo hiểm và kiểm kê và quản lý 2%. Khi tự tính cho doanh nghiệp mình, hãy thay 4 hạng mục này bằng số tiền thực tế.

Phân rã nội dung của 60.0 ngày tồn kho

Chia tồn kho thành phần thuộc đối tượng cắt giảm và phần không thuộc. Nếu không chia, một mục tiêu vô căn cứ kiểu giảm tồn kho 10% sẽ tự đi lang thang.

Chỉ đặt duy nhất một mục tiêu cải thiện sai số dự báo

MAPE ở cấp nhóm mặt hàng nhân tháng được đặt mục tiêu từ 28% xuống 21%, tức giảm 25% sai số. Cách đặt con số 25% này sẽ được bàn ở mục sau.

Hiệu quả 1 – cắt giảm tồn kho (hiệu quả về vốn)

Tồn kho an toàn tồn tại để phòng cả biến động phía cầu lẫn biến động phía cung. Cải thiện độ chính xác dự báo chỉ tác động tới phía cầu. Ở đây, trong 20.0 triệu baht tồn kho an toàn, phần do biến động cầu được đặt là 70% (14.0 triệu baht) và phần do biến động cung là 30% (6.0 triệu baht).

• Tồn kho an toàn do biến động cầu: 20.0 nhân 70% = 14.0 triệu baht
• Có thể cắt giảm nhờ giảm 25% sai số: 14.0 nhân 25% = 3.50 triệu baht
• Hạn chế phát sinh tồn kho ứ đọng và do dự báo sai: 6.0 nhân 40% = 2.40 triệu baht
• Tổng cắt giảm tồn kho: 3.50 cộng 2.40 = 5.90 triệu baht (khoảng 27.14 triệu yên)

Tính theo số ngày tồn kho là từ 60.0 ngày xuống 54.1 ngày, tỷ lệ cắt giảm khoảng 10%.

Hiệu quả trên kết quả kinh doanh hàng năm là phần chi phí lưu giữ tiết kiệm được trên khoản tồn kho đó.

5.90 triệu baht nhân 18% = 1.062, làm tròn thành 1.06 triệu baht một năm (khoảng 4.88 triệu yên)

Cần lưu ý, việc cắt giảm tồn kho ứ đọng lẽ ra phải được đánh giá riêng dưới dạng tránh được lỗ hủy bỏ, nhưng ở đây bài viết áp dụng thận trọng một cách đồng nhất tỷ lệ chi phí lưu giữ 18%.

Đây chính là ranh giới của việc đếm hai lần. Bản thân khoản tồn kho cắt giảm 5.90 triệu baht không phải là lợi nhuận. Đó là dòng tiền do vốn lưu động được giải phóng một lần duy nhất, không phải hiệu quả phát sinh hàng năm. Thứ được phép ghi nhận hàng năm vào kết quả kinh doanh chỉ là phần tiết kiệm chi phí lưu giữ 1.06 triệu baht. Ngay khoảnh khắc viết rằng đã giảm được 5.90 triệu baht tồn kho nên hiệu quả năm là 5.90 triệu baht, quyết định đầu tư sẽ lệch đi hơn 5 lần.

Hiệu quả 2 – giảm thiếu hàng (phục hồi cơ hội doanh thu)

Đến đây sẽ có một câu hỏi rất tự nhiên. Vừa giảm tồn kho thì tại sao thiếu hàng cũng giảm.

Câu trả lời là tồn kho bị giảm và tồn kho đang gây thiếu hàng là hai thứ khác nhau.

• Thứ bị giảm là tồn kho không luân chuyển. Đó là tồn kho an toàn của các SKU dư ra do đọc nhu cầu cao hơn thực tế (3.50 triệu baht) và tồn kho ứ đọng do dự báo sai (2.40 triệu baht).
• Thứ đang gây thiếu hàng là các SKU bị đọc nhu cầu thấp hơn thực tế. Với nhóm này thì cần tăng tồn kho.

Cải thiện độ chính xác dự báo không phải là giảm tổng lượng, mà là trở nên có khả năng chuyển tồn kho từ các SKU đang dư sang các SKU đang thiếu. Tổng lượng giảm xuống là vì phần giải tỏa dư thừa lớn hơn phần bù đắp thiếu hụt. Ở đây cần nêu rõ giới hạn của bài toán. Con số cắt giảm tồn kho 5.90 triệu baht ở hiệu quả 1 là con số thô, chỉ tính riêng phần giải tỏa ở phía dư thừa. Phần phải tăng thêm ở phía thiếu hụt không ước tính được khi chưa có đủ số liệu thiếu hàng theo từng SKU, nên bài toán này chưa trừ đi. Vì vậy, số cắt giảm ròng trên thực tế sẽ nhỏ hơn 5.90 triệu baht. Trên cơ sở hiểu rõ điểm đó, lý do đếm đồng thời cắt giảm tồn kho và giảm thiếu hàng mà không bị đếm hai lần là vì hai hiện tượng xảy ra ở hai nhóm SKU khác nhau. Ngược lại, hãy nghi ngờ những bản tính toán cộng cả hai vào mà không trình bày được căn cứ của việc chuyển đổi này. Khi tự tính lại cho doanh nghiệp mình, hãy luôn tách riêng phần giải tỏa ở phía dư thừa và phần tăng thêm ở phía thiếu hụt.

• Cơ hội bán hàng bị mất ở đường cơ sở: 6.0 triệu baht một năm
• Tỷ lệ cắt giảm (giá trị kế hoạch): 20%, tức doanh thu phục hồi 6.0 nhân 20% = 1.2 triệu baht một năm
• Hiệu quả lợi nhuận sau khi nhân tỷ suất lợi nhuận góp 25%: 1.2 nhân 25% = 0.30 triệu baht một năm (khoảng 1.38 triệu yên)

McKinsey cho rằng dự báo chuỗi cung ứng ứng dụng AI có thể cắt giảm tổn thất cơ hội và thiếu hàng tối đa 65% trong những ứng dụng phù hợp. Tuy nhiên đây là giá trị cận trên. Ở đây bài viết lấy giá trị kế hoạch là 20%, tức thấp hơn một phần ba của con số đó.

Hiệu quả 3 – giảm số giờ công điều phối cung cầu

• Hiện trạng: 3 người kế hoạch sản xuất nhân 10 giờ một tuần = 30 giờ một tuần nhân 50 tuần = 1,500 giờ một năm
• Cắt giảm 40%, tức 600 giờ một năm được giải phóng
• Chi phí nhân công (đã gồm các khoản phụ) 350 baht một giờ, tức 600 nhân 350 = 0.21 triệu baht một năm (khoảng 0.97 triệu yên)

Đây không phải là khoản chi tiền mặt giảm đi trực tiếp, mà là hiệu quả mềm dưới dạng thời gian dôi ra được chuyển sang công việc khác. Nếu không đặt tiền đề cắt giảm nhân sự, trên tờ trình đầu tư nên chiết khấu hạng mục này khi đánh giá.

Hiệu quả 4 – giảm vận chuyển gấp và chuyển đổi gấp

• Chi tiêu năm ở đường cơ sở cho vận chuyển hàng không gấp, chuyển phát gấp và chuyển đổi máy đột xuất: 0.9 triệu baht
• Cắt giảm 25% cùng tỷ lệ với mức giảm sai số: 0.9 nhân 25% = 0.225, làm tròn thành 0.23 triệu baht một năm (khoảng 1.06 triệu yên)

Tổng hiệu quả năm

Chi phí

Đầu tư ban đầu (chi phí một lần)

Chi phí vận hành năm (phát sinh ngay từ năm đầu)

Bức tranh hoàn vốn

Hiệu quả ròng năm ở trạng thái ổn định là

Hiệu quả thô năm 1.80 trừ chi phí vận hành năm 0.80 = 1.00 triệu baht một năm (khoảng 4.6 triệu yên)

Lấy đầu tư ban đầu 2.60 triệu baht chia cho hiệu quả ròng ổn định này, số năm hoàn vốn giản đơn là 2.60 chia 1.00 bằng 2.6 năm.

Tuy nhiên, năm đầu tiên hiệu quả chưa lên. Chuẩn hóa dữ liệu và kết nối hệ thống mất thời gian, và tồn kho cũng cần vài tháng để ổn định ở mức mới. Nếu đặt hiệu quả năm đầu bằng 50% hiệu quả thô năm rồi tính cân đối lũy kế, ta có bảng sau.

Đơn vị triệu baht. Trên cơ sở lãi lỗ, lũy kế chuyển sang dương ở năm thứ 4.

Mặt khác, nếu xem trên cơ sở dòng tiền với giả định 5.90 triệu baht vốn lưu động được giải phóng thành 2.95 triệu baht mỗi năm trong năm 1 và năm 2, thì

• Lũy kế năm 1: -2.50 cộng 2.95 = +0.45
• Lũy kế năm 2: 0.45 cộng 1.00 cộng 2.95 = +4.40
• Lũy kế năm 3: 4.40 cộng 1.00 = +5.40 (từ đó về sau mỗi năm chỉ cộng thêm 1.00)

Trên cơ sở dòng tiền, lũy kế đã dương ngay trong năm đầu. Nhưng việc giải phóng tồn kho chỉ xảy ra một lần. Từ năm thứ 3 trở đi, phần cộng thêm chỉ là 1.00 triệu baht một năm, và tuyệt đối không được diễn giải rằng mỗi năm sinh ra 5.90 triệu baht tiền mặt. Đây là sai lầm xảy ra thường xuyên nhất trong các tờ trình đầu tư.

Phân tích độ nhạy, đáp án thay đổi thế nào khi tỷ lệ giảm sai số thay đổi

Trong các tiền đề, phần bất định nhất là giả định giảm được 25% sai số. Hãy thử dao động phần này. Tỷ lệ cắt giảm tồn kho ứ đọng và tỷ lệ giảm thiếu hàng được phân bổ theo tỷ lệ thuận sao cho tại mức giảm sai số 25% chúng lần lượt bằng 40% và 20%.

Đơn vị triệu baht.

Kết luận mà bảng này chỉ ra rất rõ ràng. Nếu mức giảm sai số chỉ dừng ở 10%, chi phí vận hành năm 0.80 triệu baht sẽ ăn gần hết hiệu quả và khoản đầu tư không thể hoàn vốn. Quyết định đầu tư AI dự báo nhu cầu không phải là lựa chọn nhị phân giữa có hiệu quả hay không, mà gần như gói lại ở đúng một điểm là mức giảm sai số thực tế có thể kỳ vọng nằm ở đâu. Chính vì vậy, cần đo FVA thực tế ngay ở giai đoạn PoC để xác nhận dữ liệu của doanh nghiệp mình sẽ rơi vào khoảng nào.

Về khung đo lường hiệu quả nói chung, bài Đo lường hiệu quả và thiết kế ROI khi triển khai AI đã tổng hợp cách đặt chỉ số và cách trình bày trong hồ sơ phê duyệt đầu tư.

Lý do không được áp thẳng con số giảm 20% đến 50% sai số dự báo của McKinsey vào doanh nghiệp mình

McKinsey cho rằng dự báo chuỗi cung ứng ứng dụng AI có thể cắt giảm khoảng 20% đến 50% sai số dự báo trong những ứng dụng phù hợp. Con số này gần như luôn được trích dẫn trong các đề xuất về AI dự báo nhu cầu. Cả bên trích dẫn lẫn bên được trình bày đều nên xác nhận 3 điểm sau.

1. Đây là giảm 20% đến 50% sai số dự báo, không phải tăng 20% đến 50% độ chính xác.

Hai vế này bị nhầm lẫn thường xuyên. Ở nhà máy có MAPE 28%, giảm 25% sai số thì MAPE thành 21% (28 nhân 0.75 bằng 21). Đó là cải thiện 7 điểm phần trăm. Nếu đọc thành độ chính xác tăng 25% rồi diễn giải rằng MAPE 28% sẽ thành 3%, kỳ vọng sẽ lệch cả một bậc độ lớn.

2. Mệnh đề điều kiện trong những ứng dụng phù hợp (in the right applications) mới là phần chính.

Như đã thấy ở chương trước, với hàng chạy theo dự án, hàng nhu cầu gián đoạn và nhà máy có thời gian chờ ngắn hơn tầm dự báo, hiệu quả này không xuất hiện. Khoảng 20% đến 50% là phân bố của các trường hợp đã thỏa mãn điều kiện áp dụng.

3. Nó phụ thuộc vào MAPE ở điểm xuất phát.

Nhà máy đang ở MAPE 50% giảm 50% sai số để về MAPE 25%, so với nhà máy đang ở 15% giảm 20% sai số để về MAPE 12%, là hai việc khác nhau hoàn toàn cả về độ khó lẫn hiệu quả bằng tiền. Hiện trạng càng xấu thì tỷ lệ giảm càng dễ ra số lớn, hiện trạng càng tốt thì tỷ lệ giảm càng nhỏ.

Tương tự, các con số về kết quả triển khai cũng cần được đọc kèm bối cảnh. LIXIL được báo cáo là đã triển khai AI dự báo nhu cầu cho khoảng 1.2 triệu chủng loại sản phẩm vật liệu xây dựng với 2.3 triệu SKU, và nhờ nâng độ chính xác dự báo theo từng khu vực đã đạt được việc kiềm chế chi phí vận chuyển và giảm khối lượng xử lý thủ công. Tuy nhiên, quy mô 2.3 triệu SKU chính là điều kiện mà học máy phát huy sức mạnh nhất. Một nhà máy có vài trăm SKU mà kỳ vọng cùng tỷ lệ cải thiện thì đó là kỳ vọng quá sức.

5 vấn đề riêng của các cơ sở tại Việt Nam và Đông Nam Á

Mang nguyên mô hình hoặc tiêu chí đánh giá do trụ sở chính ở nước ngoài, ví dụ tại Nhật Bản, xây dựng sang áp cho cơ sở Việt Nam và Thái Lan thì sẽ không chạy. Có 5 vấn đề mang tính đặc thù địa phương.

Vấn đề 1 – năm mà thuế quan làm nhu cầu thay đổi cấu trúc thì nên hạ trọng số của dữ liệu quá khứ

Việc giao hàng dồn trước (front-loading) trong năm 2025 mà TPSO chỉ ra là chất độc đối với mô hình dự báo nhu cầu. Trong số liệu xuất hàng thực tế của năm 2025 có lẫn cả nhu cầu thực lẫn phần đẩy sớm để né thuế quan. Nếu cho mô hình học thẳng dữ liệu 2025 này, mô hình sẽ ghi nhớ phần đẩy sớm như mặt bằng của nhu cầu thực và đưa ra dự báo quá cao cho năm 2026. Mà năm 2026 lại chính là giai đoạn giải phóng tồn kho như phản ứng ngược của việc đó. Kết quả là tổ hợp dự báo quá cao nhân nhu cầu suy giảm, tức tổ hợp làm tồn kho phình to nhất.

Các biện pháp xử lý có thể tính tới gồm

• Gắn cờ cho khoảng thời gian có giao hàng dồn trước và đưa vào mô hình một cách tường minh dưới dạng biến ngoại sinh
• Thay vì đặt trọng số cao hơn cho dữ liệu gần đây (trọng số suy giảm theo thời gian), hãy cắt khoảng huấn luyện tại điểm trước và sau thay đổi cấu trúc
• Không để mô hình học mức tăng vọt sang Hoa Kỳ và Trung Quốc năm 2025 (+30.6% và +13.6%) như là tính mùa vụ

Điểm quan trọng là con người phải phán đoán và dạy cho mô hình biết điều đó. Việc đã xảy ra giao hàng dồn trước không được viết ở đâu trong dữ liệu.

Với nhà máy tại Việt Nam, câu hỏi cần đặt ra là trong năm 2025 doanh nghiệp mình có đẩy hàng đi sớm để né thuế quan hay không, và nếu có thì đã đẩy vào tháng nào và cho khách hàng nào. Nếu câu trả lời là có, dữ liệu lịch sử của doanh nghiệp cũng đang mang cùng loại méo mó đó.

Vấn đề 2 – đưa lịch nghỉ lễ vào làm đặc trưng

Trong dự báo nhu cầu tại các cơ sở Đông Nam Á, cải thiện có hiệu quả chi phí cao nhất thực ra chính là điểm này.

• Tết Nguyên đán tại Việt Nam: quanh Tết, hoạt động sản xuất và logistics dao động rất mạnh trong vài tuần. Thêm vào đó, làn sóng nghỉ việc và quay lại làm việc sau Tết ảnh hưởng tới phía năng lực sản xuất.
• Tết Nguyên đán khu vực Trung Hoa: rơi từ cuối tháng 1 đến giữa tháng 2, tùy năm mà lệch tháng. Nó tác động cả tới việc mua linh kiện từ Trung Quốc và Đài Loan lẫn nhu cầu của khách hàng gốc Hoa. Nếu chỉ nhìn đơn thuần tỷ lệ tháng 1 so với cùng kỳ năm trước, thì năm có Tết rơi vào tháng 1 và năm có Tết rơi vào tháng 2 sẽ không so sánh được với nhau.
• Songkran (Tết Thái Lan): giữa tháng 4. Tùy năm mà số ngày dừng hoạt động và cách xếp ngày trước sau thay đổi. Do doanh nghiệp tự đặt thêm ngày nghỉ, số ngày làm việc của tháng 4 biến động theo từng năm.

Mô hình do trụ sở chính ở nước ngoài xây dựng thường chỉ có lịch của chính nước đó, ví dụ mô hình làm tại Nhật Bản thì chỉ có lịch Nhật Bản. Có nhiều ví dụ cho thấy chỉ cần đưa phần này vào là MAPE của dự báo tháng cải thiện thấy rõ. Về mặt triển khai, chỉ cần thêm số ngày làm việc, cờ ngày lễ và số ngày trước sau ngày lễ vào tập đặc trưng, nên gần như không tốn chi phí. Trước khi nâng cấp mô hình, hãy đưa lịch vào trước. Đó là thứ tự đúng.

Vấn đề 3 – biến động tỷ giá và tỷ lệ xuất khẩu

Ở các nhà máy có tỷ lệ xuất khẩu cao, một phần biến động của nhu cầu bắt nguồn từ tỷ giá. Lấy ví dụ cơ sở tại Thái Lan, nếu đồng baht tiếp tục mạnh lên thì sức cạnh tranh xuất khẩu giảm và đơn hàng giảm theo. Quan hệ này có tồn tại ở doanh nghiệp mình hay không là điều có thể kiểm chứng bằng dữ liệu quá khứ.

Tuy nhiên có một điểm cần lưu ý. Khi đưa tỷ giá vào làm biến giải thích, ta đối mặt với vấn đề tại thời điểm dự báo thì không biết tỷ giá tương lai. Thứ dùng được cho dự báo chỉ là một trong hai, gồm (1) tỷ giá quá khứ đã thành thực tế, hoặc (2) giá kỳ hạn và giá trị dự đoán của tỷ giá. Nếu dùng tỷ giá quá khứ, cần kiểm chứng độ trễ (vài tháng) cho tới khi biến động tỷ giá phản ánh vào đơn hàng, và chỉ dùng được cho dự báo trong phạm vi độ trễ đó. Nếu nhét tỷ giá vào mà không kiểm chứng độ trễ, mô hình sẽ nhặt phải những tương quan vô nghĩa.

Vấn đề 4 – không dùng chung một mô hình cho hai cơ sở

Như đã thấy ở phần đầu, năm 2026 Việt Nam đang ở pha tăng sản lượng với IIP nửa đầu năm +10.8% và PMI 51.8, trong khi sản xuất Thái Lan đang ở pha giảm tốc với MPI tháng 5 -0.8% và ô tô -17.94%. Trong cùng một công ty, hướng của nhu cầu đang ngược nhau.

Khi đó, 3 thứ sau cần tách riêng theo từng cơ sở.

1. Dữ liệu huấn luyện của mô hình – không lấy số liệu thực tế của Thái Lan để học nhu cầu của Việt Nam
2. Giám sát độ chệch – pha giảm tốc dễ lệch sang dự báo quá cao, pha tăng sản lượng dễ lệch sang dự báo quá thấp, nên chiều chỉnh sửa là ngược nhau
3. Chính sách tồn kho an toàn – ở pha tăng sản lượng thì chi phí thiếu hàng cao hơn tương đối, còn ở pha giảm tốc thì chi phí lưu giữ tồn kho và rủi ro hủy bỏ cao hơn tương đối

Mặt khác, cũng có những thứ nên dùng chung. Đó là tiêu chí đánh giá độ chính xác dự báo (định nghĩa và cách tính MAPE, độ chệch, FVA), tần suất rà soát và mẫu biên bản họp, cùng tiêu chuẩn chất lượng dữ liệu. Dùng chung những thứ này thì mới so sánh được giữa các cơ sở và mới thảo luận được cơ sở nào đang vận hành tốt hơn. Hãy nhớ nguyên tắc mô hình thì tách ra, thước đo thì thống nhất.

Cũng cần nói thêm về điểm PMI Việt Nam cho thấy sản lượng mở rộng 14 tháng liên tiếp trong khi việc làm giảm 4 tháng liên tiếp. Trạng thái tăng sản lượng mà không tăng người có nghĩa là dư địa năng lực đang thu hẹp. Nghĩa là khi dự báo bị vượt lên phía trên, khoảng trống để hấp thụ bằng cách tăng sản xuất đã nhỏ đi, nên về mặt thực tiễn, phía Việt Nam nên đặt trọng số dày hơn cho rủi ro vượt lên phía trên so với rủi ro hụt xuống phía dưới.

Vấn đề 5 – cách xử lý ưu đãi BOI cho đầu tư số tại cơ sở Thái Lan

Điểm này áp dụng cho các dự án đặt tại cơ sở Thái Lan. Ủy ban Đầu tư Thái Lan (BOI) đưa phát triển hệ thống ứng dụng AI, dịch vụ đám mây và vận hành trung tâm dữ liệu vào diện được khuyến khích đầu tư. Chi phí đào tạo và bồi dưỡng nhân lực số cũng có khuôn khổ ưu đãi thuế. Giá trị đơn xin đầu tư vào ngành công nghiệp số trong quý 1 năm 2026 đã tăng gấp 2.4 lần so với cùng kỳ năm trước.

Tuy nhiên, việc có được áp dụng ưu đãi hay không sẽ do BOI phán quyết theo từng dự án. Không có chuyện cứ là AI thì tự động được hưởng ưu đãi. Vì cách xử lý thay đổi tùy theo việc triển khai AI dự báo nhu cầu được đặt ở vị trí nào trong nội dung kinh doanh và kế hoạch đầu tư của doanh nghiệp, nên với các dự án có số tiền đầu tư lớn, chúng tôi khuyến nghị hỏi riêng BOI hoặc chuyên gia trước khi chốt kế hoạch. Tính sẵn khoảng thời gian xác nhận này ngay từ khi lập tiến độ phê duyệt đầu tư sẽ giúp giảm việc phải quay lại làm lại.

Các bước triển khai để khởi động trong 90 ngày

Mức thông thường trên thị trường là tới PoC mất 2 đến 3 tháng, còn tính cả triển khai chính thức thì mất 6 tháng đến 1 năm. Ở đây trình bày cách đi trong 90 ngày đầu tiên, tức là cho tới khi PoC gom đủ dữ kiện để ra quyết định.

Ngày 0 đến 30 – kiểm kê dữ liệu và chốt tiêu chí đánh giá

Trong giai đoạn này không xây mô hình. Thứ được xây là nền tảng để phán đoán.

• Trích xuất và đánh giá chất lượng số liệu xuất hàng thực tế: có bao nhiêu năm dữ liệu, thiếu ở đâu, mã mặt hàng bị thay đổi hoặc hủy bỏ vào lúc nào
• Hợp nhất mã trùng trong danh mục mặt hàng: cùng một mặt hàng có đang tồn tại dưới nhiều mã không. Nếu chỗ này vỡ thì mọi thứ sau đó đều vô nghĩa
• Tách luân chuyển giữa các cơ sở khỏi nhu cầu thực: việc chuyển hàng từ nhà máy sang kho có đang bị ghi nhận là xuất hàng không
• Chốt đường cơ sở: đo MAPE hiện trạng (cả SKU nhân tuần và nhóm mặt hàng nhân tháng), độ chệch, số ngày tồn kho, tỷ lệ thiếu hàng, giá trị hủy bỏ
• Lập mốc tham chiếu của dự báo ngây thơ: tính sẵn MAPE theo cách thực tế tháng trước và cùng kỳ năm trước. Đây là đường chuẩn cho đánh giá FVA
• Thống nhất tiêu chí đánh giá: điều kiện đạt của PoC phải được viết thành văn bản và lấy đồng thuận của các bên liên quan ngay ở giai đoạn này

Hạng mục cuối là quan trọng nhất. Nếu quyết điều kiện đạt sau khi đã có kết quả, kết luận chắc chắn sẽ trở thành thứ nước đôi kiểu không tốt như kỳ vọng nhưng cũng không đến nỗi không dùng được. Hãy viết bằng con số, ví dụ MAPE ở cấp nhóm mặt hàng nhân tháng phải cải thiện từ 5 điểm phần trăm trở lên so với dự báo ngây thơ.

Ngày 31 đến 60 – thực hiện PoC

• Thu hẹp phạm vi: 1 dây chuyền hoặc 1 nhóm mặt hàng, số SKU khoảng 30 đến 80. Không làm toàn công ty
• Kiểm định ngược (backtest): chia dữ liệu quá khứ thành khoảng huấn luyện và khoảng kiểm định, rồi đối chiếu dự báo với thực tế trong khoảng kiểm định. Luôn kiểm tra cách cắt khoảng để thông tin của khoảng kiểm định không lọt vào khoảng huấn luyện (rò rỉ dữ liệu)
• Đo FVA theo từng bước: đo MAPE ở từng bước gồm dự báo ngây thơ, mô hình thống kê, học máy, điều chỉnh của con người, để thấy rõ giá trị sinh ra ở đâu và mất đi ở đâu
• Kiểm chứng tác dụng của biến ngoại sinh: so sánh trường hợp có và không đưa lịch nghỉ lễ cùng số ngày làm việc vào
• Xác nhận độ chệch: trung bình của sai số có nằm quanh mức không hay không, có bị lệch về một nhóm mặt hàng cụ thể hay một tháng cụ thể hay không

Ở thời điểm này, việc ra kết quả rằng mô hình học máy không thắng nổi mô hình thống kê không phải là thất bại. Đó là một phát hiện có ích. Trong trường hợp đó, kết luận sẽ là thứ cần đầu tư không phải mô hình cao cấp, mà là chuẩn hóa dữ liệu, hoặc là phía bộ khung tiếp nhận, tức chính sách tồn kho và quy tắc đặt hàng.

Ngày 61 đến 90 – đưa vào quy trình nghiệp vụ và ra quyết định đầu tư

Chỉ có con số dự báo thì chưa tạo ra hiệu quả nào cả.

• Kết nối với chính sách tồn kho: quyết định phản ánh phần sai số dự báo đã cải thiện vào công thức tính tồn kho an toàn như thế nào. Không quyết chỗ này thì tồn kho sẽ không giảm dù chỉ 1 baht
• Thiết kế lại luồng ra quyết định: ai nhìn dự báo, vượt ngưỡng nào thì làm gì. Phải thành quy tắc cụ thể, ví dụ khi dự báo vượt cộng trừ 20% so với tháng trước thì đưa lên cuộc họp kế hoạch sản xuất
• Hàng rào cho điều chỉnh của con người: phạm vi được phép điều chỉnh (ví dụ tới cộng trừ 15%) và bắt buộc ghi căn cứ khi vượt phạm vi đó
• Thiết kế và ước tính giờ công cho kết nối hệ thống hiện hữu: cụ thể hóa giao diện tới hệ thống quản lý sản xuất, tồn kho và mua hàng
• Quy đổi hiệu quả ra tiền và quyết định đầu tư: đặt tỷ lệ giảm sai số đo được thực tế trong PoC vào khung phân tích độ nhạy của bài viết này để ra số năm hoàn vốn

Độ khó của giai đoạn 61 đến 90 ngày thay đổi rất nhiều tùy vào việc phía hệ thống quản lý sản xuất đang ở trạng thái nào. Về việc sắp xếp lại hệ thống hiện hữu, mời quý vị tham khảo thêm bài So sánh hệ thống quản lý sản xuất.

Quyết định sau 90 ngày có 3 lựa chọn. (1) Tiến tới triển khai chính thức, (2) đổi phạm vi đối tượng và làm lại PoC, (3) dừng lại và chuyển khoản đầu tư sang việc xây dựng bộ khung tiếp nhận. Thiết kế PoC sao cho lựa chọn thứ 3 vẫn chọn được chính là cách vận hành dự án lành mạnh.

5 thất bại thường gặp

Thất bại 1 – lấy MAPE làm điều kiện đạt duy nhất

Vì không đo so sánh với dự báo ngây thơ (FVA), doanh nghiệp rơi vào tình trạng trả đều đặn 0.80 triệu baht một năm cho một hệ thống có độ chính xác ngang với so sánh cùng kỳ năm trước. Trước khi ký hợp đồng, hãy nhất định lập mốc tham chiếu của dự báo ngây thơ bằng chính dữ liệu của doanh nghiệp mình.

Thất bại 2 – đưa động cơ vào khi chưa có bộ khung tiếp nhận dự báo

Tồn kho an toàn vẫn là giá trị cố định của 10 năm trước, điểm đặt hàng vẫn làm tay, kế hoạch sản xuất vẫn theo lô cố định. Ở trạng thái này, độ chính xác dự báo tăng bao nhiêu đi nữa thì số ngày tồn kho và tỷ lệ thiếu hàng cũng không nhúc nhích một milimet. Theo bài toán nêu trên, trong 1.80 triệu baht hiệu quả thô năm thì 1.06 triệu baht từ tồn kho và 0.23 triệu baht từ giảm vận chuyển gấp, tổng cộng 1.29 triệu baht (khoảng 72%), sẽ biến mất trọn vẹn. Phần còn lại là 0.51 triệu baht, thấp hơn chi phí vận hành năm 0.80 triệu baht. Hơn nữa, nếu điểm đặt hàng vẫn làm tay thì phần lớn khoản 0.30 triệu baht từ giảm thiếu hàng lẽ ra cũng mất, ở đây bài viết giữ lại một cách thận trọng, nhưng thực tế phần còn lại chỉ vào khoảng 0.21 triệu baht của giảm giờ công điều phối cung cầu mới là cách nhìn sát thực. Dù thế nào, với cấu trúc này khoản đầu tư sẽ lỗ.

Thất bại 3 – để kinh doanh ghi đè đầu ra của mô hình không giới hạn

Trải nghiệm bị khiển trách vì thiếu hàng in sâu hơn trải nghiệm bị khiển trách vì tồn kho dư. Kết quả là điều chỉnh của con người mang độ chệch lên trên một cách có cấu trúc. Khi đo FVA theo từng bước, việc ghi đè này làm xấu độ chính xác sẽ hiện ra bằng con số. Lời giải thực tiễn không phải là cấm điều chỉnh, mà là yêu cầu phạm vi và yêu cầu ghi căn cứ.

Thất bại 4 – bắt đầu ngay bằng toàn bộ SKU nhân tuần

MAPE cấp SKU của hàng công nghiệp có mức tiêu chuẩn là 20% đến 40%. Nếu bắt đầu ở độ chi tiết cao, các bên liên quan nhìn thấy kết quả đầu tiên sẽ đánh giá là không dùng được và dự án dừng lại. Hãy bắt đầu từ nhóm mặt hàng nhân tháng, khi đã chạy được thì mới hạ độ chi tiết cho riêng hàng hạng A.

Thất bại 5 – không ghi nhận nhu cầu tại thời điểm thiếu hàng

Hầu như không nhà máy nào có lịch sử của số lượng không bán được vì hết hàng, dù luôn có lịch sử của số lượng đã bán. Học dữ liệu quá khứ trong trạng thái này thì mô hình sẽ ước lượng nhu cầu thấp hơn thực tế một cách có cấu trúc. Rồi dự báo thấp sinh ra tồn kho thấp, và lại thiếu hàng. Vòng lặp tiêu cực này không thể tháo được bằng cách nâng cấp mô hình đến mức nào đi nữa. Đây là cấu trúc chỉ có thể sửa từ phía dữ liệu. Bắt đầu ghi nhận thiếu hàng, trễ hạn giao và cơ hội bán hàng bị mất chính là việc chuẩn hóa dữ liệu cần làm đầu tiên. Tuy nhiên, từ lúc bắt đầu ghi nhận cho tới khi tích đủ lượng dùng được để huấn luyện sẽ mất thời gian, nên bắt tay càng sớm càng tốt.

Câu hỏi thường gặp

Độ chính xác của AI dự báo nhu cầu là bao nhiêu?

Khác nhau rất lớn tùy ngành và độ chi tiết, không có mức chung cho tất cả. Để tham chiếu, hàng tiêu dùng nhanh và hàng gia dụng có nhu cầu ổn định ở cấp SKU là 10% đến 25% (trong kỳ khuyến mại xấu đi tới 25% đến 35%), hàng thời trang và hàng vòng đời ngắn là 35% đến 60%, hàng công nghiệp và B2B cùng hàng chạy theo dự án ở cấp SKU là 20% đến 40%. Mức thường được coi là chấp nhận được nói chung là dưới 10% đến 20%, nhưng điều này phụ thuộc vào tính biến động của nhu cầu và giai đoạn vòng đời.

Hãy thận trọng với những cách diễn đạt kiểu cam kết độ chính xác 95%. Một con số độ chính xác không nêu rõ độ chi tiết và tầm dự báo làm tiền đề thì không giúp ích gì cho việc so sánh. Ngoài ra, con số giảm 20% đến 50% sai số dự báo mà McKinsey đưa ra không có nghĩa là độ chính xác tăng 20% đến 50%. Nó có nghĩa là ở nhà máy có MAPE 28%, nếu giảm 25% sai số thì MAPE sẽ thành 21%.

Chi phí hệ thống dự báo nhu cầu là bao nhiêu?

Trong mô hình mẫu của nhà máy quy mô doanh thu 500 triệu baht nêu trong bài viết này, đầu tư ban đầu là 2.60 triệu baht (khoảng 11.96 triệu yên) và chi phí vận hành năm là 0.80 triệu baht (khoảng 3.68 triệu yên). Tỷ giá theo tiền đề 1 THB xấp xỉ 4.6 JPY. Đây là mô hình mẫu tính bằng baht cho cơ sở tại Thái Lan, khi áp dụng cho nhà máy tại Việt Nam hãy giữ nguyên cấu trúc và thay bằng số liệu chi phí thực tế của doanh nghiệp.

Cơ cấu chi tiết gồm, về đầu tư ban đầu là chuẩn hóa dữ liệu 0.80, xây mô hình và PoC 0.70, kết nối hệ thống hiện hữu 0.75, thiết lập bộ máy vận hành 0.35. Về chi phí vận hành năm là bản quyền 0.45, bảo trì và huấn luyện lại 0.20, giờ công vận hành dữ liệu nội bộ 0.15.

Điểm cần lưu ý là báo giá của nhà cung cấp thường chỉ ghi phần xây mô hình và phần bản quyền. Hãy tính sẵn ngay từ khâu lập ngân sách rằng chuẩn hóa dữ liệu và kết nối hệ thống hiện hữu chiếm khoảng 60% tổng số (1.55 trong 2.60 của đầu tư ban đầu).

AI lập kế hoạch sản xuất và AI dự báo nhu cầu khác nhau ở chỗ nào?

AI dự báo nhu cầu là thứ xuất ra lượng sẽ bán được trong tương lai cùng độ bất định của nó, tức là đầu vào của kế hoạch. AI lập kế hoạch sản xuất (bộ lập lịch sản xuất) là thứ nhận lượng cần thiết và hạn giao rồi quyết định khi nào làm cái gì theo thứ tự nào trong ràng buộc về năng lực thiết bị, thời gian chuyển đổi và ca kíp nhân sự, tức là đầu ra của kế hoạch. Ở giữa hai thứ đó là AI tối ưu tồn kho, quyết định tồn kho an toàn, điểm đặt hàng và lượng đặt hàng cho từng SKU.

Thứ tự là dự báo nhu cầu, rồi tối ưu tồn kho, rồi kế hoạch sản xuất. Chỉ triển khai AI dự báo nhu cầu mà chính sách tồn kho và kế hoạch sản xuất phía sau vẫn cố định thì KPI của nhà máy sẽ không nhúc nhích.

Chỉ có dữ liệu 3 năm thì triển khai được không?

3 năm tương đương 36 điểm nếu dự báo theo tháng, và khoảng 156 điểm nếu theo tuần. Để nắm được tính mùa vụ, theo tháng cần tối thiểu 2 năm và tốt nhất là 3 năm, nên xét riêng về việc học tính mùa vụ thì 3 năm là mức vừa đủ chạm ngưỡng tối thiểu.

Tuy nhiên, quan trọng hơn số lượng là chất lượng và cấu trúc. Hãy kiểm tra những điểm sau.

1. Mã mặt hàng có bị thay đổi hoặc hủy bỏ hay không. Nếu cùng một sản phẩm mà 3 năm trước và bây giờ mang mã khác nhau thì lịch sử thực chất đã bị đứt đoạn
2. Có chứa thay đổi cấu trúc hay không. Nếu có lẫn một đợt tăng vọt nhất thời như giao hàng dồn trước năm 2025 thì khoảng thời gian đó không nên được học như nhu cầu thực
3. Có nhận diện được khoảng thời gian thiếu hàng hay không. Nếu học khoảng không bán được vì hết hàng như là nhu cầu bằng không thì sẽ đánh giá thấp nhu cầu

Cách đi thực tế là bắt đầu từ cấp nhóm mặt hàng thay vì cấp SKU. Gộp lại thì lượng thông tin trên mỗi điểm dữ liệu tăng lên, nên 3 năm cũng đủ để chạy tốt. Ngoài ra, nếu là mô hình học máy học xuyên qua nhiều SKU thì dù lịch sử của từng SKU riêng lẻ có ngắn, vẫn có trường hợp bù được bằng hành vi của các SKU tương tự.

Có thể đưa AI tối ưu tồn kho vào trước được không?

Được, và tùy tình huống, hướng đó còn có hiệu quả đầu tư cao hơn.

Ở nhà máy mà công thức tính tồn kho an toàn đã vận hành bằng giá trị cố định trong nhiều năm, có trường hợp chỉ cần tính lại tồn kho an toàn có phản ánh biến động nhu cầu và biến động thời gian chờ phía cung là tồn kho đã giảm, mà không thay đổi độ chính xác dự báo hiện tại chút nào. Vì đó là công việc sửa lại sự lệch lạc giữa các SKU đang dư và các SKU đang thiếu.

Mốc để phán đoán là nguyên nhân chính của thiếu hàng nằm ở phía nào. Hợp lý nhất là nếu nguyên nhân chính của thiếu hàng là đọc sai ở phía cầu thì bắt đầu từ dự báo nhu cầu, còn nếu là biến động hạn giao ở phía cung thì bắt đầu từ tối ưu tồn kho. Việc thuộc vế nào có thể phân biệt trong khoảng 1 tuần, bằng cách kiểm kê 10 đến 20 sự vụ thiếu hàng trong 1 năm gần nhất và phân loại nguyên nhân. Việc kiểm kê này làm được với chi phí bằng không, nên dù đang cân nhắc hệ thống nào đi nữa thì nó cũng đáng làm đầu tiên.

Kết luận

Nửa đầu năm 2026, sản xuất Việt Nam đang ở pha tăng sản lượng với IIP +10.8% và PMI 51.8, nhưng việc làm lại giảm 4 tháng liên tiếp. Trong khi đó tại Thái Lan, cơ quan nhà nước (TPSO) nhìn xuất khẩu ở mức -3.1% đến +1.1% còn Hội đồng Chủ hàng Quốc gia Thái Lan nhìn ở mức +8% đến 10%. Trong một năm mà dự báo nhu cầu từ bên ngoài lệch nhau hai chữ số, bỏ tiền đi mua một dự báo trúng là khoản đầu tư kém khôn ngoan. Thứ nên đầu tư là cơ chế quản lý cách mình dự báo trượt.

Tóm tắt các ý chính của bài viết.

1. Hiệu quả đầu tư của AI dự báo nhu cầu không được quyết định bởi việc cải thiện MAPE bao nhiêu phần trăm. Thứ quyết định là 2 điểm, gồm (1) có giá trị gia tăng so với dự báo ngây thơ hay không, tức FVA, và (2) có bộ khung kế hoạch, tồn kho và mua hàng để tiếp nhận dự báo đó và chuyển động hay không.
2. Chỉ số độ chính xác cần được nhìn theo 3 tầng. MAPE (độ lớn của sai số), độ chệch (chiều và tính dai dẳng của sai số), FVA (phần cộng thêm so với dự báo ngây thơ). Chỉ nhìn MAPE thì sẽ không nhận ra tình trạng tồn kho cứ tăng lên trong khi độ lệch lên trên có tính hệ thống bị bỏ mặc.
3. Tốt hay xấu của MAPE do ngành và độ chi tiết quyết định. Với hàng công nghiệp và B2B ở cấp SKU, 20% đến 40% là mức tiêu chuẩn. So sánh độ chính xác mà không nêu rõ độ chi tiết là vô nghĩa.
4. Chi phí nằm ở 4 chiếc hộp. Chuẩn hóa dữ liệu, mô hình, kết nối hệ thống hiện hữu, bộ máy vận hành. Chỉ ước tính phần mô hình thì sẽ bỏ sót hơn 70% chi phí ban đầu.
5. Hiệu quả nên được tính từ duy nhất một đường cơ sở và tính theo một mạch duy nhất. Bản thân giá trị tồn kho cắt giảm không phải lợi nhuận, mà là khoản giải phóng vốn lưu động một lần duy nhất. Thứ ghi nhận được hàng năm vào kết quả kinh doanh chỉ là phần tiết kiệm chi phí lưu giữ. Nếu muốn đếm đồng thời cắt giảm tồn kho và giảm thiếu hàng, cần trình bày được căn cứ rằng tồn kho được chuyển từ các SKU đang dư sang các SKU đang thiếu.
6. Nếu tỷ lệ giảm sai số chỉ dừng ở 10%, chi phí vận hành sẽ ăn hết hiệu quả và không hoàn vốn được. Chính vì vậy, đo FVA thực tế ngay ở giai đoạn PoC là điểm phân định của quyết định đầu tư.
7. Không được bỏ sót các vấn đề đặc thù của khu vực. Phản ứng ngược của giao hàng dồn trước, lịch Tết Việt Nam cùng Tết Nguyên đán khu vực Trung Hoa và Songkran, độ trễ của biến động tỷ giá, sự bất đối xứng khi hướng nhu cầu tại Việt Nam và Thái Lan ngược nhau, và việc nên hỏi riêng về ưu đãi BOI cho các dự án tại Thái Lan.
8. 90 ngày là đủ để gom dữ kiện phán đoán. Ngày 0 đến 30 kiểm kê dữ liệu và chốt tiêu chí đánh giá, ngày 31 đến 60 làm PoC và đo FVA, ngày 61 đến 90 đưa vào quy trình nghiệp vụ và ra quyết định đầu tư. Hãy thiết kế sao cho vẫn còn lựa chọn dừng lại và chuyển khoản đầu tư sang việc xây bộ khung tiếp nhận.

AI dự báo nhu cầu không phải là phép màu. Nhưng năm nào các dự báo bên ngoài càng lệch nhau, thì giá trị của một cơ chế nắm được định lượng cách mình dự báo trượt và phản ánh nó vào tồn kho cùng kế hoạch sản xuất lại càng tăng. Hãy thử bắt đầu từ việc lập mốc tham chiếu dự báo ngây thơ cho chính doanh nghiệp mình. Việc đó làm được với chi phí bằng không và trở thành chuẩn cho mọi phán đoán về sau.

TOMAS TECH đặt trụ sở tại Bangkok, làm công việc tích hợp IT/OT cho các nhà máy và hỗ trợ xây dựng cơ chế kế hoạch sản xuất, tồn kho và mua hàng vận hành thực sự trên nền dự báo nhu cầu. Chúng tôi cũng hoan nghênh những trao đổi ở giai đoạn sớm, kiểu như chưa quyết định triển khai nhưng muốn biết với dữ liệu hiện có thì dự báo có thành lập được hay không, hoặc muốn một con mắt thứ ba xem con số độ chính xác ghi trong đề xuất của nhà cung cấp có hợp lý hay không. Chúng tôi cũng có thể trao đổi kèm ví dụ thực tế về cách triển khai với tiền đề vận hành song song hai cơ sở Việt Nam và Thái Lan. Mời quý vị liên hệ tại đây.

Nguồn tham khảo

• Cục Chính sách và Chiến lược Thương mại (TPSO), Bộ Thương mại Thái Lan, dự báo xuất khẩu 2026 – https://www.nationthailand.com/business/economy/40060821
• Hội đồng Chủ hàng Quốc gia Thái Lan (Thai National Shippers’ Council), điều chỉnh tăng dự báo xuất khẩu 2026 – https://finance.biggo.com/news/9a9f539b-a2a8-4256-8a58-e89f613e3c89
• MPI tháng 5 năm 2026 của Thái Lan và dự báo cả năm của Bộ Công nghiệp – https://bangkokshuho.com/thainews-1241/
• Krungsri Research, Industry Outlook 2026-2028 – https://www.krungsri.com/en/research/industry/summary-outlook/2026-2028
• Tổng cục Thống kê Việt Nam, diễn biến ngành sản xuất nửa đầu năm 2026 – https://en.vietnamplus.vn/manufacturing-remains-key-driver-of-vietnams-economic-growth-in-h1-nso-post347761.vnp
• PMI ngành sản xuất Việt Nam tháng 6 năm 2026 – https://en.vietnamplus.vn/manufacturing-sector-ends-first-half-of-2026-with-firm-growth-as-pmi-holds-above-no-change-mark-post347589.vnp
• Mốc tham chiếu độ chính xác dự báo và ước tính của McKinsey – https://xorosoft.com/forecast-accuracy-statistics/
• MAPE và dự báo chuỗi cung ứng – https://imperiascm.com/blog/mape-and-supply-chain-forecasting-how-to-measure-and-enhance-accuracy
• Đo lường độ chính xác dự báo – https://www.relexsolutions.com/resources/measuring-forecast-accuracy/
• Độ chính xác dự báo, độ chệch và FVA – https://www.horizonsolutions.ai/deep-dive-supply-chain-planning/forecast-accuracy-bias-and-forecast-value-add
• Tình huống triển khai AI dự báo nhu cầu và mức thời gian thông thường – https://j-aix.or.jp/journal/702/ / https://www.smartmat.io/column/production_management/8183
• BOI, khuyến khích đầu tư cho ngành công nghiệp số – https://www.boi.go.th/upload/content/Investment%20incentives%20for%20Digital%20Industry%20(BOI).pdf / https://bangkokshuho.com/thainews-1278/