AI tối ưu hóa tồn kho và điểm đặt hàng cho nhà máy 2026

Tồn kho quá nhiều thì vốn nằm chết, tồn kho quá ít thì thiếu hàng và dây chuyền phải dừng. Tại phần lớn nhà máy vốn Nhật, cuộc giằng co này vẫn đang được xử lý bằng một công thức Excel cố định cộng với kinh nghiệm của người phụ trách. Bài viết này tập trung vào lớp nằm sau dự báo nhu cầu, tức là cách quyết định chính mức tồn kho, và sắp xếp lại xem AI tối ưu hóa tồn kho thay đổi việc tính tồn kho an toàn, việc rà soát điểm đặt hàng và việc phân bổ tồn kho cho nhiều kho như thế nào, kèm quá trình tính toán cụ thể và số liệu từ các dự án đã được công bố.

Vì sao dự báo nhu cầu chính xác vẫn không cho ra mức tồn kho tối ưu

Nói đến tồn kho, thứ được nhắc tới đầu tiên luôn là độ chính xác của dự báo nhu cầu. Suy nghĩ “chỉ cần đoán trúng tháng sau bán bao nhiêu là giải quyết xong bài toán tồn kho” rất trực giác, và trên thực tế việc cải thiện độ chính xác dự báo đúng là điểm xuất phát của giảm tồn kho.

Tuy nhiên, khi nhìn kỹ hiện trường, không hiếm trường hợp dự báo đúng mà tồn kho vẫn phình ra, hoặc mọi thứ diễn ra đúng như dự báo mà vẫn thiếu hàng. Nguyên nhân nằm bên ngoài phạm vi của dự báo. Giá trị dự báo cho biết “bình quân cần bao nhiêu”, nhưng nó không quyết định giúp bạn “vậy thì phải giữ trong kho bao nhiêu”, “khi nào thì phát lệnh mua” và “để hàng tại cơ sở nào”.

Về bản thân phương pháp dự báo nhu cầu, tức là cách nâng độ chính xác bằng mô hình chuỗi thời gian hay machine learning, chúng tôi đã trình bày chi tiết trong bài Triển khai AI dự báo nhu cầu và thực tiễn cải thiện độ chính xác. Bài viết này bàn về một bước sau đó, với chủ đề là lớp tối ưu hóa trả lời câu hỏi sau khi nhận được giá trị dự báo thì quyết định mức tồn kho ra sao.

Dự báo và mức tồn kho là hai quyết định khác nhau

Trong thực tế công việc, dự báo và quyết định mức tồn kho là hai quyết định hoàn toàn khác nhau. Dự báo là một ước lượng dạng “nhu cầu có vẻ sẽ như thế này”, còn mức tồn kho lại chứa đựng một phán quyết mang tính quản trị là “bảo vệ đến đâu khi ước lượng đó sai”.

Chẳng hạn, với dự báo nhu cầu 1,500 sản phẩm mỗi tháng, không doanh nghiệp nào giữ đúng 1,500 sản phẩm trong kho. Trên thực tế, mức tồn kho được xác định theo kiểu “dự báo cộng vùng đệm”, sau khi tính đến sai số dự báo, độ dao động của thời gian giao hàng (lead time), tỷ lệ giao hàng đúng hạn của nhà cung cấp và mức độ thiệt hại khi thiếu hàng. Vùng đệm đó chính là tồn kho an toàn, còn ngưỡng kích hoạt lệnh mua chính là điểm đặt hàng.

Nói cách khác, chừng nào sai số dự báo còn chưa thể bằng không thì chất lượng quản lý tồn kho được quyết định bởi độ chính xác trong thiết kế vùng đệm. Chừng nào phần này còn vận hành bằng một công thức Excel cố định thì dù dự báo có tinh vi đến đâu, tồn kho vẫn không thể tối ưu.

Ba điểm khiến Excel và quy tắc cố định sụp đổ

Các quy tắc tồn kho đang được dùng tại nhiều nhà máy có chung một số điểm yếu.

• Hệ số đã đặt ra một lần rồi không bao giờ được rà soát lại. Tồn kho an toàn được chốt là “2 tuần lượng sử dụng bình quân” từ 3 năm trước, sau đó nhà cung cấp và nhu cầu đều đã thay đổi mà con số thì vẫn nằm nguyên đó.
• Không tính đến độ dao động của lead time. Công thức đang tính theo lead time tiêu chuẩn 30 ngày, nhưng thực tế dao động từ 25 ngày đến 45 ngày. Chính biên độ dao động này mới là nguyên nhân chính gây thiếu hàng, vậy mà nó lại không có mặt trong công thức.
• Không thể ra quyết định xuyên nhiều kho. Kho của nhà máy ở ngoại ô Bangkok sắp hết hàng, trong khi tại kho của một cơ sở khác lại có lượng hàng đủ dùng 3 tháng đang nằm im. Vì bảng tính được lập độc lập theo từng cơ sở nên không ai nhận ra thực tế này.

Điểm thứ ba đặc biệt phổ biến ở các doanh nghiệp đã mở rộng ra ASEAN. Nhà máy trụ sở tại Thái Lan, các cơ sở sản xuất tại Việt Nam hay Indonesia, kho phụ tùng dịch vụ ở những nước lân cận, càng nhiều điểm thì tổng của các tối ưu theo từng cơ sở càng rời xa tối ưu toàn cục.

Nắm vững công thức cơ bản của điểm đặt hàng và tồn kho an toàn

Trước khi bước vào phần AI, hãy xác nhận lại chính phép tính mà AI đang tìm cách thay thế. Nếu không hiểu phần này, bạn sẽ không thể đánh giá con số mà AI đưa ra có hợp lý hay không.

Cấu trúc của điểm đặt hàng (ROP)

Điểm đặt hàng theo sách giáo khoa quản lý tồn kho có cấu trúc như sau. Bài phân tích do Omniful công bố vào tháng 2 năm 2026 sắp xếp nó theo dạng dưới đây.

Điểm đặt hàng = (lượng sử dụng bình quân theo ngày × lead time bình quân) + tồn kho an toàn

Vế đầu là “lượng dự kiến tiêu thụ trong khoảng thời gian từ lúc đặt hàng đến lúc nhận hàng”. Chỉ với vế này, chỉ cần nhu cầu vượt mức bình quân trong thời gian chờ hàng là lập tức thiếu hàng. Vì thế mới cần tới tồn kho an toàn ở vế sau.

Nếu hình dung theo hình minh họa, trong khối tồn kho xếp trên kệ thì khối lớn phía trên là tồn kho thông thường, vùng khác màu phía dưới là tồn kho an toàn, và đường nằm ngang ở ranh giới giữa hai phần chính là điểm đặt hàng. Khi tồn kho tụt xuống dưới đường này thì phát lệnh mua, và chỉ dùng vùng tồn kho an toàn để cầm cự cho tới khi hàng về, đó là tư duy cơ bản.

Công thức cơ bản của tồn kho an toàn và mức phục vụ

Công thức truyền thống của tồn kho an toàn xem độ dao động của nhu cầu là phân phối chuẩn, rồi nhân với một hệ số (giá trị Z) tương ứng với xác suất thiếu hàng mà doanh nghiệp chấp nhận.

Tồn kho an toàn = Z × σd × √LT

σd là độ lệch chuẩn của nhu cầu theo ngày, LT là lead time (ngày). Giá trị Z được xác định từ mức phục vụ, tức là “xác suất không thiếu hàng trong thời gian chờ hàng”. Bài phân tích invent.ai công bố vào tháng 4 năm 2026 cũng giới thiệu dạng này như công thức cơ bản mang tính tĩnh.

Tại đây có một tính chất rất quan trọng trong thực tế. Đó là mức phục vụ càng cao thì tồn kho an toàn cần thiết càng tăng lên với tốc độ ngày càng nhanh. invent.ai chỉ ra rằng dưới công thức tĩnh, khi nâng mức phục vụ từ 95% lên 98% thì tồn kho an toàn phình ra khoảng 24%. Vì giá trị Z dịch chuyển từ 1.65 lên 2.05, nên chỉ cần tính đơn giản cũng đã ra khoảng 1.24 lần.

Chủ trương “tuyệt đối không cho phép thiếu hàng” nghe thì hay, nhưng nó đồng nghĩa với quyết định tăng giá trị tồn kho lên vài chục phần trăm. Mức phục vụ là một biến số cần được dùng khác nhau cho từng mặt hàng, và việc áp đặt đồng loạt 99% cho toàn bộ SKU trong nhiều trường hợp là cách làm đắt đỏ nhất.

“Biến động lead time” thường bị bỏ sót

Trong công thức cơ bản, σd chỉ nhìn vào độ dao động của nhu cầu. Nghĩa là công thức này đứng trên giả định rằng lead time luôn cố định.

Với nhà cung cấp lân cận trong nội địa Nhật Bản thì giả định này còn đúng ở một mức độ nhất định. Nhưng tại các nhà máy ở Thái Lan và ASEAN, linh kiện về tới nơi sau khi đi qua vận tải biển từ Nhật Bản hay Trung Quốc, thông quan và vận tải nội địa. Khi chồng thêm tình trạng ùn tắc cảng, các kỳ nghỉ dài như Tết Nguyên đán hay Songkran, và chậm thông quan do thiếu sót chứng từ, lead time rất dễ dao động từ vài ngày đến vài tuần.

invent.ai đưa ra công thức sau như một dạng có tính đến biến động lead time một cách tường minh.

Tồn kho an toàn = Z × √(LT × σd² + D² × σLT²)

D là nhu cầu bình quân theo ngày, σLT là độ lệch chuẩn của lead time. Số hạng thứ hai là phần đóng góp của biến động lead time, và quy mô nhu cầu D càng lớn thì nó càng có sức nặng. Việc số hạng này có hay không sẽ làm đáp án thay đổi đến mức đáng kinh ngạc.

Kiểm chứng bằng con số cho thấy cùng một điều kiện, tồn kho an toàn vẫn chênh nhau nhiều lần

Hãy xác nhận những điều nói trên bằng con số cụ thể. Chúng tôi sử dụng điều kiện trong ví dụ tính toán mà Omniful đưa ra.

• Lượng sử dụng bình quân theo ngày 50 sản phẩm
• Lead time bình quân 7 ngày
• Độ lệch chuẩn của lead time 2 ngày
• Mức phục vụ 95% (Z=1.65)

Trường hợp 1 – Không đặt tồn kho an toàn

Cách tính thô sơ nhất là chỉ nhìn vào lượng tiêu thụ trong thời gian chờ hàng.

50 sản phẩm/ngày × 7 ngày = 350 sản phẩm

Điểm đặt hàng là 350 sản phẩm. Nếu phát lệnh mua tại mức này, và nếu cả nhu cầu 7 ngày lẫn thời hạn giao hàng đều đúng bằng bình quân, thì chuyến hàng tiếp theo về đúng vào khoảnh khắc tồn kho vừa chạm không. Nói ngược lại, chỉ cần nhu cầu vượt lên 1 sản phẩm hoặc giao hàng trễ 1 ngày là thiếu hàng. Mức phục vụ thực chất chỉ khoảng 50%, tức là không khác gì tung đồng xu.

Trường hợp 2 – Ví dụ tính toán của Omniful

Omniful cộng thêm tồn kho an toàn vào cùng điều kiện đó và tính như sau.

Tồn kho an toàn = 1.65 × 50 × √2 ≈ 116 sản phẩm

Điểm đặt hàng = (50 × 7) + 116 = 466 sản phẩm

Bài viết này đưa ra kết luận rằng nên phát lệnh mua tại thời điểm tồn kho còn 466 sản phẩm chứ không phải 350 sản phẩm. Đó là mức cao hơn tới trên 30% so với cách tính thô sơ. 116 sản phẩm này chính là vùng đệm được chất thêm để hấp thụ biến động trong thời gian chờ hàng.

Cần lưu ý rằng phép tính này đặt biên độ dao động lead time là 2 ngày vào bên trong dấu căn, nên có dạng khác với công thức sách giáo khoa sẽ dùng ở trường hợp 4 phía sau. Hãy đọc nó như một ví dụ minh họa cho chính luận điểm của phần này, rằng cùng một điều kiện đầu vào nhưng đáp án vẫn thay đổi tùy theo công thức được chọn.

Trường hợp 3 – Công thức tĩnh bỏ qua biến động lead time

Tại đây, hãy tạm đặt độ lệch chuẩn của nhu cầu theo ngày là 5 sản phẩm (dùng làm ví dụ minh họa khi chưa có dữ liệu thực tế, và giá trị này sẽ được dùng cho phần dưới đây). Với công thức cơ bản không tính đến biến động lead time, kết quả như sau.

Tồn kho an toàn = 1.65 × 5 × √7 = 1.65 × 5 × 2.65 ≈ 21.8 sản phẩm

Điểm đặt hàng là 350 + 22 = 372 sản phẩm. Tồn kho an toàn chỉ vỏn vẹn 22 sản phẩm, quy ra số ngày tồn kho thì chỉ được 0.4 ngày. Nếu lead time trễ 1 ngày thì phát sinh thêm nhu cầu tương đương 50 sản phẩm, trong khi trong tay chỉ có 22 sản phẩm. Tại những hiện trường mà biến động lead time là nguyên nhân chính, mức này không bảo vệ được thực tế.

Trường hợp 4 – Công thức thích ứng có tính đến biến động lead time

Đưa cùng điều kiện đó vào công thức có bao gồm biến động lead time.

Tồn kho an toàn = 1.65 × √(7 × 5² + 50² × 2²)

= 1.65 × √(175 + 10,000)

= 1.65 × √10,175

= 1.65 × 100.9 ≈ 166 sản phẩm

Điểm đặt hàng trở thành 350 + 166 = 516 sản phẩm. So với 22 sản phẩm của trường hợp 3 thì gấp hơn 7 lần.

Điều đáng chú ý là phần bên trong dấu ngoặc. Đóng góp từ độ dao động của nhu cầu là 175, còn đóng góp từ độ dao động của lead time là 10,000. Nghĩa là với điều kiện này, hơn 98% phần đóng góp phương sai bên trong dấu căn đến từ biến động lead time. Tất nhiên tỷ lệ này thay đổi tùy theo cách ước lượng độ dao động của nhu cầu theo ngày, nhưng với những mặt hàng mà độ dao động của lead time lớn tương đối so với độ dao động của nhu cầu thì cấu trúc này vẫn đúng. Vậy mà phần lớn các file Excel lại không có số hạng này.

Bốn đáp án đó nói lên điều gì

Cùng một mặt hàng, cùng một nhu cầu, nhưng điểm đặt hàng dao động rất mạnh với các giá trị 350 sản phẩm, 372 sản phẩm, 466 sản phẩm và 516 sản phẩm. Trường hợp 1 là phép tính không ý thức về mức phục vụ nên nghiêm ngặt mà nói thì không thể xếp ngang hàng, còn ba trường hợp còn lại cùng nhắm tới 95% mà vẫn trải rộng từ 372 sản phẩm đến 516 sản phẩm. Vấn đề không hẳn là bản thân công thức sai, mà là đáp án được quyết định bởi việc bạn đưa loại bất định nào vào công thức.

Và trong thực tế công việc, còn có thêm nhiều biến số nữa. Tỷ lệ giao hàng đúng hạn theo từng nhà cung cấp, kiểu xuất hàng dồn về cuối tháng, tính mùa vụ, ràng buộc về kích thước lô, sự thay đổi số ngày cần cho thông quan. Việc cập nhật thủ công hằng tuần một công thức tính đến tất cả những yếu tố này cho hàng nghìn SKU là điều không thực tế. Chính vì vậy mà lĩnh vực này trở thành đối tượng của tự động hóa.

Cách tính tồn kho an toàn bằng AI khác gì công thức truyền thống

Khi nói “tính tồn kho an toàn bằng AI” thì thực chất điều gì thay đổi. Có 3 điểm chính.

Không đặt giả định phân phối chuẩn

Công thức truyền thống lấy tiền đề là nhu cầu tuân theo phân phối chuẩn. Nhưng những nhu cầu gián đoạn như phụ tùng sửa chữa hay linh kiện thay thế, phần lớn số ngày là bằng không rồi thỉnh thoảng lại bật ra một lượng lớn, thì rất xa phân phối chuẩn. Trong trường hợp này, tồn kho an toàn tính từ độ lệch chuẩn không ăn khớp với thực tế.

Netstock giải thích rằng khi tính tồn kho an toàn bằng AI, hệ thống xử lý chính phân phối xác suất của nhu cầu chứ không phải độ lệch chuẩn đơn thuần. Đây là cách tiếp cận ước lượng hình dạng phân phối của nhu cầu từ dữ liệu quá khứ, rồi trên cơ sở đó tìm mức đáp ứng được mức phục vụ mục tiêu. Với nhu cầu gián đoạn và các mặt hàng đuôi dài, khác biệt này rất đáng kể.

Cập nhật liên tục thay vì tính một lần

Khác biệt thứ hai là tần suất. Netstock giải thích rằng thuật toán kiểu học trực tuyến sẽ liên tục cập nhật các tham số của tồn kho an toàn mỗi khi tiếp nhận dữ liệu nhu cầu thực tế mới, lead time thực tế và dữ liệu về độ tin cậy của nhà cung cấp. invent.ai cũng nêu tương tự, coi việc tính lại liên tục ở cấp độ từng SKU là đặc trưng của các nền tảng dùng AI/ML.

Điều này tạo ra khác biệt lớn về mặt vận hành. Trong vận hành truyền thống, việc rà soát tồn kho an toàn là một “sự kiện” gắn với kiểm kê thường niên hoặc lập ngân sách đầu kỳ. Với vận hành bằng AI, tồn kho an toàn của mặt hàng liên quan sẽ tự động dày lên ngay tại thời điểm nhà cung cấp bắt đầu giao hàng chậm, và tự động mỏng lại khi mọi thứ ổn định trở lại. Độ trễ cho tới khi con người phát hiện bất thường và xử lý sẽ biến mất.

Từ “quyết định” mức phục vụ sang “lựa chọn” mức phục vụ

Điểm thứ ba là hình thái của quyết định thay đổi. Trước đây, mức phục vụ được quyết định trước, và giá trị tồn kho là kết quả kéo theo. Khi dùng engine tối ưu hóa, ta có thể đi ngược lại quan hệ này.

Khi giới hạn trên của giá trị tồn kho đã được ấn định, thì trong ngân sách đó nên phân bổ bao nhiêu vùng đệm cho mặt hàng nào để tổng thiệt hại do thiếu hàng là nhỏ nhất. Hoặc giá trị tồn kho nhỏ nhất để đạt được fill rate mục tiêu là bao nhiêu. Những câu hỏi như vậy chỉ có đáp án khi được giải như một bài toán tối ưu hóa có ràng buộc, chứ không phải bằng cách giải công thức độc lập cho từng mặt hàng.

Cũng cần thận trọng với các giá trị hiệu quả do các nhà cung cấp giải pháp tự công bố. Chẳng hạn Forthcast, trong một bài viết ở thời điểm tháng 6 năm 2025, đưa ra các con số như giảm tối đa 50% sai số dự báo, giảm 15% chi phí lưu kho, giảm tối đa 60% tình trạng thiếu hàng, và nhận định rằng “các công thức tính tĩnh bỏ lỡ 40% biến động của nhu cầu”. Đây là những con số mang màu sắc quảng bá do chính nhà cung cấp phát đi, lại không nêu rõ điều kiện tiền đề, nên không nên bê nguyên thành kỳ vọng cho doanh nghiệp mình.

Mặt hàng nào AI tối ưu điểm đặt hàng phát huy tác dụng, mặt hàng nào không

Không phải mặt hàng nào cũng cần AI. Khi cân nhắc hiệu quả đầu tư, việc nhận diện đúng vùng dễ phát huy tác dụng là rất quan trọng.

Điều kiện dễ tạo ra hiệu quả

Mặt hàng càng thỏa mãn các điều kiện dưới đây thì khoảng cách so với công thức truyền thống càng lớn.

• Mặt hàng có lead time dài và dao động mạnh. Linh kiện nhập khẩu, vật liệu nhựa và kim loại mua từ nước ngoài, hàng đặt riêng.
• Vùng có số lượng SKU lớn, không thể rà soát toàn bộ bằng sức người. Phụ tùng sửa chữa, vật tư phụ, vật tư tiêu hao.
• Mặt hàng có nhu cầu gián đoạn, hoặc chịu ảnh hưởng mạnh của mùa vụ và sự kiện.
• Mặt hàng đơn giá cao, gánh nặng lãi vay và rủi ro lỗi thời do tồn kho dư thừa lớn.
• Linh kiện trọng yếu mà chi phí dừng dây chuyền khi thiếu hàng rất lớn.

Điều kiện hiệu quả bị giới hạn

Ngược lại, giá trị của việc đưa AI vào sẽ nhỏ với những mặt hàng như sau. Linh kiện tự sản xuất và cấp được trong ngày, vùng chỉ có vài chục SKU mà người phụ trách nắm được toàn bộ, hoặc hàng thông dụng có nhu cầu cực kỳ ổn định và lead time cố định. Trong trường hợp này, việc rà soát quy tắc cố định hiện hành mỗi năm một lần lại có hiệu quả chi phí tốt hơn.

Tại giai đoạn xác định phạm vi tối ưu hóa tồn kho, nguyên tắc chuẩn là không xử lý toàn bộ SKU như nhau, mà phân tầng theo hai trục quy mô giá trị và độ dao động rồi bắt tay từ tầng trên cùng. Ngoài ra, việc ứng dụng AI tồn kho trong ngành phân phối và bán lẻ có những luận điểm khác với sản xuất, chẳng hạn đặc tính nhu cầu theo từng cửa hàng hay quản lý hao hụt. Chúng tôi đã sắp xếp riêng lĩnh vực này trong bài Ứng dụng AI quản lý tồn kho trong ngành bán lẻ.

Phân bổ tồn kho đa kho bằng AI và bài toán công thức đơn kho không giải được

Cho tới đây, câu chuyện được triển khai với tiền đề một kho và một mặt hàng. Bài toán thực tế còn phức tạp hơn một bậc.

Tổng của các tối ưu cục bộ không phải là tối ưu toàn cục

Hãy hình dung cấu trúc có cơ sở sản xuất tại Thái Lan và các kho bán hàng, kho phụ tùng dịch vụ tại những nước lân cận. Nếu từng cơ sở tự tính điểm đặt hàng và tồn kho an toàn, rồi mỗi nơi đều cố bảo đảm mức phục vụ 95%, thì vùng đệm của cùng một mặt hàng sẽ bị chất chồng đúng bằng số lượng cơ sở. Nhìn trên toàn mạng lưới thì đó rõ ràng là trùng lặp.

Nhưng nếu gom hết về kho trung tâm thì lead time vận chuyển kéo dài và tình trạng thiếu hàng tại các điểm cuối lại tăng lên. Việc đặt bao nhiêu ở kho nào là một bài toán phân bổ đan xen giữa thời gian vận chuyển giữa các cơ sở, biến động nhu cầu của từng cơ sở, chi phí vận chuyển và chi phí lưu kho, và về nguyên lý thì công thức EOQ hay điểm đặt hàng dành cho một kho đơn lẻ không giải được.

Cách tiếp cận tối ưu hóa tồn kho đa cấp (MEIO)

Cách tư duy xử lý bài toán này là tối ưu hóa tồn kho đa cấp, thường gọi là MEIO. Trong bài phân tích tháng 6 năm 2026, GAINSystems giải thích rằng MEIO sử dụng thuật toán di truyền để tối ưu hóa đồng thời việc bố trí vùng đệm tại tất cả các nút trong mạng lưới, và đây là điều mà công thức EOQ hay điểm đặt hàng cho một cơ sở đơn lẻ không thể thực hiện được.

Trong ví dụ mà công ty này nêu ra, Hillman đã giảm 18% tồn kho thành phẩm, đồng thời cải thiện fill rate từ 96% lên 98%. Điểm quan trọng là kết quả thoạt nhìn có vẻ mâu thuẫn, vừa giảm tồn kho vừa nâng năng lực cung ứng. Cách hiểu hợp lý là họ không cắt tổng lượng, mà tổ chức lại nơi cất giữ hàng và cách phân bổ.

Công ty này cũng đưa ra dải số liệu chung của ngành khi so với các phương pháp thống kê, là giảm tồn kho 20-40% và giảm sai số dự báo 30-50%. Đây không phải thành tích của một doanh nghiệp cụ thể mà là mức tham chiếu có biên độ, và điểm đích thực tế thay đổi rất nhiều tùy điều kiện ban đầu của từng doanh nghiệp.

Hãy hỏi “trước khi đặt hàng, có thể điều chuyển được không”

Một luận điểm nữa của tối ưu hóa đa kho là phân biệt giữa bổ sung và tái phân bổ. Khi tồn kho tại một cơ sở giảm xuống, có hai lựa chọn. Phát lệnh mua mới cho nhà cung cấp, hoặc điều chuyển ngang từ một cơ sở khác đang dư dả.

GENESIS, do nhóm nghiên cứu của Mecalux và MIT công bố vào tháng 3 năm 2026, là một trình mô phỏng AI hỗ trợ chính phán đoán này. Nó kết hợp thuật toán di truyền với machine learning để đánh giá hàng nghìn kịch bản, không chỉ đưa ra mức tồn kho tối ưu cho từng cơ sở mà còn khuyến nghị việc điều chuyển tồn kho giữa các cơ sở có lợi hơn so với phát lệnh mua mới cho nhà cung cấp hay không. Nhà nghiên cứu của Intelligent Logistics Systems Lab thuộc MIT phát biểu rằng việc trước đây mất vài ngày nay chỉ còn vài phút, và giải thích rằng công cụ đã đạt mức doanh nghiệp có thể dùng cho kế hoạch chiến thuật thực tế.

Ý nghĩa của việc tăng tốc độ ra quyết định không đơn thuần là làm việc nhẹ nhàng hơn. Một phân tích cần 3 ngày để xem xét thì chỉ có thể chạy trong kỳ rà soát hằng tháng. Nếu chỉ mất vài phút thì có thể chạy hằng tuần hoặc hằng ngày. Việc có thể tính lại mỗi khi điều kiện tiền đề thay đổi mới là khác biệt cốt lõi giúp mức tồn kho bám sát thực tế.

Đừng quên các ràng buộc đặc thù ASEAN

Tuy nhiên, việc điều chuyển ngang giữa các cơ sở có thể tối ưu về mặt toán học mà vẫn không thực hiện được. Di chuyển xuyên quốc gia kéo theo thủ tục xuất nhập khẩu, và tùy theo phân loại áp dụng ưu đãi BOI hay khu phi thuế quan (Free Zone) mà việc dịch chuyển tồn kho không hề đơn giản. Cách xử lý thuế quan và xuất xứ, cùng với việc thiết lập giá giao dịch nội bộ, cũng đan xen vào đây.

Vì vậy, khi thiết kế phân bổ tồn kho đa kho bằng AI, cần vạch ranh giới ngay từ đầu cho câu hỏi “trong số các đề xuất điều chuyển mà hệ thống đưa ra, cái nào có thể thực hiện ngay trên thực tế”. Điểm mấu chốt khi triển khai là nêu rõ ràng buộc và đưa vào engine, kiểu như di chuyển giữa nhiều kho trong cùng một nước thì thực hiện ngay, còn di chuyển xuyên quốc gia thì chỉ xem xét ở cấp kế hoạch hằng tháng.

Hiệu quả triển khai đến đâu và các con số đã được công bố

Việc ước lượng hiệu quả là phần bị chất vấn nhiều nhất khi giải trình với ban lãnh đạo. Dưới đây là bảng tổng hợp các ví dụ đã công bố, có nêu rõ nguồn và thời điểm.

Trong khảo sát thời điểm năm 2024 mà Nucleus Research tổng hợp về RELEX Solutions, mức bình quân của 4 tổ chức thuộc phạm vi khảo sát được báo cáo là giảm 20% chi phí tồn kho, trong đó một doanh nghiệp sản xuất giảm 22% tồn kho thành phẩm, một nhà bán lẻ đồ kim khí giảm 17%, và một doanh nghiệp trong lĩnh vực thực phẩm và đồ uống đạt mức tiết giảm chi phí hơn 1 triệu USD nhờ cải thiện vòng quay tồn kho và giảm hàng phải hủy. Vì đây là khảo sát đã hơn 2 năm nên cần đọc với sự chiết khấu nhất định, do tiền đề có thể khác với tính năng sản phẩm hiện tại.

Ví dụ về API Group mà Kortical công bố là một dự án kết hợp machine learning chuỗi thời gian với tối ưu hóa, báo cáo mức giảm 8.5% mức tồn kho và mức tăng 11% về giao hàng đúng hạn. Trong ví dụ này, hiệu quả được giải thích ở khía cạnh giảm lượng vốn bị trói trong kho. Biên độ cắt giảm khá khiêm tốn, nhưng việc mức tuân thủ thời hạn giao hàng cải thiện đồng thời cho thấy điều phát huy tác dụng không phải là nén tồn kho đơn thuần mà là cải thiện phân bổ.

Lưu ý khi đọc các con số

Việc bê nguyên những con số này thành mục tiêu của doanh nghiệp mình là rất nguy hiểm. Có 3 lý do.

Thứ nhất, hiện trạng đóng vai trò mẫu số của tỷ lệ cắt giảm là khác nhau ở mỗi doanh nghiệp. Doanh nghiệp vốn đã chất đống tồn kho thì tỷ lệ cắt giảm ra càng lớn. Thứ hai, nhiều dự án đi kèm đồng thời với nâng cấp hệ thống, thay đổi quy trình nghiệp vụ và tái cơ cấu tổ chức, nên không tách bạch được phần đóng góp của riêng AI. Thứ ba, các ví dụ do nhà cung cấp công bố luôn thiên về những trường hợp thành công.

Cách tiến hành thực tế là bắt đầu từ một phép thử so sánh, trong đó bạn phân tầng tồn kho của mình theo giá trị và độ dao động, rồi đặt song song quy tắc hiện hành với giá trị AI khuyến nghị cho vài trăm SKU thuộc nhóm trên. Bài kiểm chứng ngược dạng “nếu 12 tháng vừa qua được vận hành theo giá trị khuyến nghị này thì đã xảy ra bao nhiêu lần thiếu hàng và tồn kho bình quân là bao nhiêu” trong đa số trường hợp là tài liệu thuyết phục hơn nhiều so với tỷ lệ cắt giảm từ các ví dụ bên ngoài.

Triển khai AI tối ưu hóa tồn kho tại nhà máy Nhật Bản ở Thái Lan và ASEAN

Từ đây là phần triển khai. Với tiền đề là doanh nghiệp sản xuất Nhật Bản có cơ sở tại Thái Lan, chúng tôi sắp xếp lại các điểm mấu chốt trong thực tế.

Nút thắt lớn nhất là dữ liệu lead time thực tế

Trong các dự án triển khai AI tối ưu hóa tồn kho, thứ có xác suất gây tắc nghẽn cao nhất là dữ liệu. Nhu cầu thực tế, tức dữ liệu xuất kho, thì trong phần lớn trường hợp đã có sẵn. Vấn đề nằm ở lead time.

Như đã nêu, với những mặt hàng có độ dao động lead time lớn thì phần lớn rủi ro tồn kho phát sinh từ đó. Thế nhưng không nhiều nhà máy còn lưu giữ sạch sẽ các cặp “ngày đặt hàng” và “ngày nhập kho thực tế” cho vài năm gần nhất. Thường gặp là tình trạng hệ thống lõi chỉ đăng ký lead time tiêu chuẩn như một giá trị master mà không ghi nhận thực tế, hoặc cách xử lý giao hàng nhiều đợt và giao một phần không được thống nhất nên không thể tổng hợp.

Tại giai đoạn đầu khi cân nhắc triển khai, các dữ liệu tối thiểu cần chuẩn bị là như sau.

• Master mặt hàng cùng giá trị thiết lập hiện hành của tồn kho an toàn và điểm đặt hàng, kèm căn cứ của chúng
• Thực tế xuất kho khoảng 24 tháng gần nhất (theo ngày hoặc theo tuần, tách theo cơ sở)
• Thực tế đặt hàng và thực tế nhập kho khoảng 24 tháng gần nhất (ngày đặt hàng, thời hạn giao yêu cầu, ngày nhập kho thực tế, số lượng)
• Thực tế tuân thủ thời hạn giao hàng theo từng nhà cung cấp, lô đặt hàng tối thiểu và đơn vị đặt hàng
• Lead time và chi phí vận chuyển giữa các cơ sở, cùng các tổ hợp điều chuyển khả thi

Nếu mục thứ ba trong số này chưa có, thì phải bắt đầu từ việc xây dựng cơ chế ghi nhận. Chỉ cần tích lũy được dữ liệu thực tế dù chỉ nửa năm, thì việc thay lead time tiêu chuẩn bằng giá trị đo được thực tế cũng đã cải thiện đáng kể tính hợp lý của tồn kho an toàn. Không hiếm trường hợp mà bước đầu tiên chính là bắt đầu đo lead time thực tế, trước cả khi đưa AI vào.

Đặt logic tối ưu hóa lên hệ thống nào

Ngay cả khi đã chốt được logic tính toán thì vẫn còn bài toán chạy nó ở đâu. Về cơ bản có 3 lựa chọn. Dùng tính năng mở rộng của hệ thống lõi hoặc MRP hiện có, đưa vào một giải pháp chuyên biệt cho tối ưu hóa tồn kho, hoặc tự triển khai logic tối ưu hóa trên nền tảng dữ liệu của hệ thống quản lý sản xuất.

Chọn phương án nào phụ thuộc vào số lượng SKU, số cơ sở, khả năng mở rộng của hệ thống hiện có và việc nội bộ có nhân sự bảo trì được logic hay không. Về phạm vi chức năng và mức độ phù hợp của từng hệ thống, chúng tôi đã sắp xếp trong bài So sánh các hệ thống quản lý tồn kho cho nhà máy, nên ở giai đoạn lựa chọn, bạn hãy tham khảo thêm bài đó.

Trục phán đoán cần nắm chắc là kết quả tối ưu hóa có chảy được vào nghiệp vụ đặt hàng thực tế hay không. Nếu giá trị khuyến nghị chỉ hiển thị trên một màn hình riêng, còn người phụ trách phải chép tay sang hệ thống lõi, thì ngay khi khối lượng tăng lên, quy trình sẽ trở thành hình thức. Cần thiết kế bao gồm cả phần phản ánh tự động giá trị khuyến nghị thành điểm đặt hàng trong master, hoặc lập phiếu đề xuất đặt hàng.

Ngoài ra, việc ứng dụng AI cho mô phỏng và bảo trì cũng đang lan rộng trong toàn ngành sản xuất Thái Lan. Vào tháng 8 năm 2026, báo chí sở tại đã giới thiệu các dự án dùng 3DEXPERIENCE và Virtual Companions của Dassault Systèmes cùng những hiệu quả như tăng tốc quy trình 15-50%, rút ngắn 25% thời gian sản xuất và giảm chi phí 5-40%. Đây không phải câu chuyện chỉ riêng về tối ưu hóa tồn kho, nhưng có thể xem là ví dụ cho thấy làn sóng đưa AI vào ra quyết định tại hiện trường sản xuất không dừng lại ở một lĩnh vực cụ thể.

Thiết kế vận hành và nguyên tắc không đặt hàng máy móc theo giá trị khuyến nghị

Khó hơn cả mặt kỹ thuật là thiết kế vận hành. Những hiện trường vận hành trơn tru đều có một số điểm chung.

Trước hết là không nối giá trị khuyến nghị của AI thẳng vào đặt hàng tự động một cách vô điều kiện. Giai đoạn đầu triển khai, hãy hiển thị song song giá trị khuyến nghị và giá trị hiện hành, và chỉ những mặt hàng có chênh lệch vượt một ngưỡng nhất định mới cần người phụ trách kiểm tra. Sau vài tháng vận hành, từ nhóm mặt hàng đã xác nhận được tính hợp lý của giá trị khuyến nghị, hãy mở rộng dần phạm vi phản ánh tự động.

Tiếp theo là chuẩn bị sẵn dạng thức giải thích được vì sao con số lại ra như vậy. Nếu không đưa ra được lời giải thích ở mức “tồn kho an toàn tăng từ 80 sản phẩm của tháng trước lên 140 sản phẩm là do 3 tháng gần đây nhà cung cấp A trễ hạn giao hàng nhiều hơn”, thì hiện trường sẽ không tin con số. Giá trị khuyến nghị không được tin thì sẽ bị bỏ qua, và hệ thống rồi cũng không còn ai dùng.

Và cuối cùng là tạo sẵn khung xử lý ngoại lệ ngay từ đầu. Khởi động sản phẩm mới, tồn kho giữ riêng cho một khách hàng cụ thể, tiêu thụ nốt tồn kho của sản phẩm ngừng sản xuất. Đây là những vùng mà giá trị khuyến nghị học từ dữ liệu quá khứ không áp dụng được, nên cần tách ra một cách tường minh thành đối tượng để con người phán đoán.

Lộ trình triển khai tham khảo

Về cách tiến hành thực tế, đi theo các bước sau đây là an toàn.

• Bước 1. Nắm hiện trạng. Phân tầng mặt hàng theo giá trị và độ dao động, rà soát lại căn cứ của tồn kho an toàn và điểm đặt hàng hiện hành.
• Bước 2. Chuẩn hóa dữ liệu. Đặc biệt là chuẩn bị các cặp thực tế đặt hàng và thực tế nhập kho, rồi rút ra phân phối lead time đo được thực tế.
• Bước 3. Kiểm chứng ngược. Thu hẹp phạm vi mặt hàng, so sánh quy tắc hiện hành với logic tối ưu hóa trên dữ liệu quá khứ.
• Bước 4. Vận hành giới hạn. Bắt đầu vận hành giá trị khuyến nghị ở quy mô vài trăm SKU, theo dõi diễn biến của tình trạng thiếu hàng và giá trị tồn kho.
• Bước 5. Mở rộng và đa cơ sở hóa. Khi đã xác nhận được tính hợp lý tại một cơ sở đơn lẻ, hãy mở rộng phạm vi sang tối ưu hóa phân bổ giữa các cơ sở.

Nếu lao thẳng vào tối ưu hóa đa kho cho toàn bộ SKU của cả tập đoàn ngay từ đầu, bạn sẽ đối mặt cùng lúc với cả gánh nặng chuẩn hóa dữ liệu lẫn sự phản kháng của hiện trường. Chứng minh được tính hợp lý của con số tại một cơ sở đơn lẻ với phạm vi SKU giới hạn rồi mới mở rộng, cuối cùng lại là con đường về đích nhanh hơn.

Câu hỏi thường gặp

AI được dùng như thế nào trong tối ưu hóa tồn kho

Có 3 công dụng chính. Thứ nhất là tính tồn kho an toàn cho từng mặt hàng, tìm mức thấp nhất đáp ứng được mức phục vụ mục tiêu dựa trên phân phối xác suất của nhu cầu và phân phối lead time đo được thực tế. Thứ hai là xác định điểm đặt hàng và lượng đặt hàng, đưa ra thời điểm bổ sung sau khi đã tính đến các ràng buộc về lô và đơn vị đặt hàng. Thứ ba là phân bổ tồn kho giữa các cơ sở, tối ưu hóa việc đặt vùng đệm ở đâu trên toàn mạng lưới. Dự báo nhu cầu là đầu vào cho những việc này, và đối tượng áp dụng AI thực ra nằm ở phía ra quyết định sau khi đã có dự báo.

Tồn kho an toàn được tính bằng AI như thế nào

Bộ khung tư duy vẫn giống công thức truyền thống, tức là quyết định bảo vệ đến đâu trước tính bất định của nhu cầu và lead time. Khác biệt nằm ở 3 điểm. Không giả định phân phối chuẩn mà ước lượng chính hình dạng phân phối của nhu cầu, tính đến biến động lead time một cách tường minh, và liên tục cập nhật tham số mỗi khi có dữ liệu thực tế mới. Netstock giải thích rằng nhờ kết hợp phân phối nhu cầu mang tính xác suất với thuật toán kiểu học trực tuyến, các tham số của tồn kho an toàn được cập nhật mỗi khi có thêm dữ liệu về nhu cầu, lead time và độ tin cậy của nhà cung cấp.

Tối ưu hóa điểm đặt hàng bằng AI khác gì so với tính bằng Excel

Như các ví dụ tính toán trong bài đã cho thấy, với cùng một mặt hàng và cùng một mức phục vụ, điểm đặt hàng có thể là 372 sản phẩm mà cũng có thể là 516 sản phẩm, tùy theo việc bạn đưa loại bất định nào vào công thức. Vấn đề của việc vận hành bằng Excel không nằm ở chỗ công thức đơn giản, mà nằm ở chỗ công thức đó không được cập nhật sau khi đã chốt một lần. Nhà cung cấp giao hàng chậm đi, cách dao động của nhu cầu thay đổi, mà hệ số vẫn y như cũ. Lợi ích lớn nhất của việc dùng AI là có thể chạy vòng cập nhật đó một cách liên tục cho hàng nghìn SKU.

Giao việc phân bổ tồn kho đa kho cho AI có ổn không

Giao phần tính toán cho AI và giao phần thực thi một cách vô điều kiện là hai chuyện cần tách bạch. Đặc biệt tại ASEAN, việc dịch chuyển tồn kho xuyên quốc gia đan xen với thủ tục thông quan và phân loại ưu đãi BOI, nên có những đề xuất điều chuyển tối ưu về mặt toán học nhưng không thực hiện được. Trong thực tế, cách làm khả thi là đưa trước các tổ hợp điều chuyển khả thi vào engine dưới dạng ràng buộc, để hệ thống trình khuyến nghị như phương án ứng viên, còn quyết định thực thi thì do con người đảm nhận. Thiết kế theo giai đoạn, tự động hóa từ việc điều chuyển giữa các cơ sở trong cùng một nước và giữ việc dịch chuyển xuyên biên giới ở cấp kế hoạch, là cách hiệu quả.

Cần dữ liệu trong bao lâu để triển khai

Điều này tùy tính chất mặt hàng, nhưng để nắm được tính mùa vụ thì nên có tối thiểu khoảng 24 tháng dữ liệu xuất kho thực tế. Tuy nhiên, quan trọng hơn độ dài thời gian là việc có hay không dữ liệu lead time thực tế. Nếu các cặp ngày đặt hàng và ngày nhập kho thực tế được ghi nhận, thì chỉ khoảng 6 tháng cũng đã thấy được phân phối lead time. Ngược lại, dù có 5 năm dữ liệu xuất kho mà không có lead time thực tế thì độ chính xác của phép tính tồn kho an toàn cũng không tăng. Nếu dữ liệu chưa đủ, cách thực tế là trước hết xây dựng cơ chế ghi nhận, và trong thời gian đó bắt tay từ phạm vi có thể kiểm chứng ngược bằng dữ liệu sẵn có.

Kết luận

Bản chất của AI tối ưu hóa tồn kho không nằm ở việc đoán trúng nhu cầu chính xác hơn, mà nằm ở việc liên tục giải lại bài toán thiết kế vùng đệm ra sao, đặt ở đâu và rà soát khi nào, với tiền đề là dự báo sẽ không trúng.

Xin tóm tắt lại các điểm đã xác nhận trong bài. Điểm đặt hàng có cấu trúc “lượng tiêu thụ trong thời gian chờ hàng cộng tồn kho an toàn”, và độ chính xác trong thiết kế phần tồn kho an toàn đó quyết định mức tồn kho. Cùng một điều kiện, việc có đưa biến động lead time vào công thức hay không làm tồn kho an toàn chênh nhau nhiều lần, và với những mặt hàng có lead time dao động như hàng mua từ nước ngoài, phần lớn rủi ro tồn kho phát sinh từ độ dao động của lead time chứ không phải của nhu cầu. Việc nâng mức phục vụ đẩy giá trị tồn kho lên với tốc độ ngày càng nhanh, nên cần dùng khác nhau cho từng mặt hàng. Và với doanh nghiệp có nhiều cơ sở, tổng của các tối ưu theo từng cơ sở không thành tối ưu toàn cục, nên tối ưu hóa tồn kho đa cấp giải bài toán bố trí vùng đệm trên toàn mạng lưới, cùng với phán đoán tái phân bổ giữa các cơ sở trước khi đặt hàng, mới là thứ phát huy tác dụng.

Trong các ví dụ đã công bố, có những kết quả được báo cáo như đồng thời đạt được giảm 18% tồn kho thành phẩm và cải thiện fill rate, hoặc giảm 8.5% mức tồn kho cùng với tăng 11% giao hàng đúng hạn. Tuy nhiên vì điều kiện tiền đề khác nhau, không nên lược bỏ bước kiểm chứng ngược tính hợp lý bằng chính dữ liệu của doanh nghiệp mình.

Và điều cuối cùng chúng tôi muốn nhấn mạnh lần nữa là thành bại của nỗ lực này được quyết định bởi dữ liệu và thiết kế vận hành, chứ không phải bởi thuật toán. Bắt đầu ghi nhận các cặp thực tế đặt hàng và thực tế nhập kho, tạo dạng thức giải thích được căn cứ của giá trị khuyến nghị, giữ lại khung để con người xử lý ngoại lệ. Nếu 3 điều này đã sẵn sàng thì chọn công cụ nào cũng sẽ ra kết quả. Ngược lại, nếu thiếu phần này thì dù đưa vào engine tinh vi đến đâu, hiện trường cũng sẽ không dùng.

TOMAS TECH cung cấp các giải pháp nâng cao năng suất hiện trường, trong đó có hệ thống quản lý sản xuất PEGASUS, cho các doanh nghiệp sản xuất Nhật Bản tại Thái Lan và ASEAN, đồng thời hỗ trợ xuyên suốt từ khâu chuẩn hóa dữ liệu tồn kho, triển khai logic tối ưu hóa cho tới thiết kế vận hành tại hiện trường. Ngay cả khi bạn mới chỉ ở giai đoạn muốn sắp xếp lại hiện trạng để xem dữ liệu tồn kho của mình cho thấy được những gì và đến đâu, điều đó cũng hoàn toàn ổn. Chúng tôi luôn hoan nghênh những trao đổi ngay từ giai đoạn đầu cân nhắc, nên bạn cứ thoải mái liên hệ qua trang liên hệ.

Tài liệu tham khảo

• Omniful “Inventory Reorder Point Formulas and Advanced Tips” ngày 13 tháng 2 năm 2026 https://www.omniful.ai/blog/inventory-reorder-point-formulas-advanced-tips-2026 Nguồn của công thức điểm đặt hàng và ví dụ tính toán với 50 sản phẩm/ngày, lead time 7 ngày
• invent.ai “Safety Stock Management for Retail, Moving Beyond Static Formulas” cập nhật ngày 23 tháng 4 năm 2026 https://www.invent.ai/blog/safety-stock-management-for-retail-moving-beyond-static-formulas Nguồn của phần so sánh công thức tĩnh với công thức thích ứng và mức tăng khoảng 24% tồn kho an toàn khi nâng mức phục vụ từ 95% lên 98%
• Netstock “Utilizing AI for Efficient Inventory Management Systems” không hiển thị ngày đăng https://www.netstock.com/blog/utilizing-ai-for-efficient-inventory-management-systems/ Nguồn của phần cập nhật tham số tồn kho an toàn bằng phân phối xác suất và học trực tuyến
• Forthcast “AI vs Traditional Safety Stock Calculations” ngày 11 tháng 6 năm 2025 https://www.forthcast.io/blog/ai-vs-traditional-safety-stock-calculations Nguồn của các giá trị do nhà cung cấp công bố như giảm tối đa 50% sai số dự báo
• Mecalux “GENESIS, the AI simulator for warehouses” tháng 3 năm 2026 https://www.mecalux.com/news/genesis-ai-simulator-warehouses Nguồn của phán đoán tái phân bổ giữa các cơ sở bằng thuật toán di truyền và machine learning, cùng phát biểu của nhà nghiên cứu MIT
• GAINSystems “How to Take an AI Approach to Inventory Management” ngày 25 tháng 6 năm 2026 https://gainsystems.com/blog/how-to-take-an-ai-approach-to-inventory-management/ Nguồn của việc tối ưu hóa đồng thời bố trí vùng đệm bằng thuật toán di truyền, mức giảm 18% của Hillman và fill rate từ 96% lên 98%, cùng dải ngành 20-40% và 30-50%
• Kortical “Inventory Optimisation Using AI” không hiển thị ngày đăng https://kortical.com/case-studies/inventory-optimisation-using-ai-example/ Nguồn của mức giảm tồn kho 8.5% và tăng 11% giao hàng đúng hạn tại API Group
• Nucleus Research “RELEX Customers Cut Inventory Costs by 20 Percent on Average” ngày 26 tháng 8 năm 2024 https://nucleusresearch.com/research/single/relex-customers-cut-inventory-costs-by-20-percent-on-average/ Nguồn của mức giảm bình quân 20% của 4 doanh nghiệp, sản xuất 22%, bán lẻ đồ kim khí 17% và hơn 1 triệu USD của lĩnh vực thực phẩm và đồ uống
• ThroughPut.AI “AI-Powered Inventory Optimization for Coffee Retail Chains” năm 2024 https://throughput.world/blog/ai-powered-inventory-optimization-for-coffee-retail-chains/ Nguồn của mức giảm tồn kho 15%
• The Nation Thailand “Industrial AI Powers Thailand’s Next Manufacturing Shift” ngày 17 tháng 8 năm 2026 https://www.nationthailand.com/business/tech/40069861 Nguồn của việc ứng dụng AI công nghiệp trong ngành sản xuất Thái Lan và mức tăng tốc quy trình 15-50%